CN117973904A - 智能制造的产能分析方法及系统 - Google Patents
智能制造的产能分析方法及系统 Download PDFInfo
- Publication number
- CN117973904A CN117973904A CN202410374080.0A CN202410374080A CN117973904A CN 117973904 A CN117973904 A CN 117973904A CN 202410374080 A CN202410374080 A CN 202410374080A CN 117973904 A CN117973904 A CN 117973904A
- Authority
- CN
- China
- Prior art keywords
- production
- data
- feature
- analysis
- optimization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 366
- 238000004458 analytical method Methods 0.000 title claims abstract description 140
- 238000012360 testing method Methods 0.000 claims abstract description 62
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 60
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 238000000605 extraction Methods 0.000 claims abstract description 50
- 238000005457 optimization Methods 0.000 claims description 139
- 238000004422 calculation algorithm Methods 0.000 claims description 97
- 238000000034 method Methods 0.000 claims description 62
- 230000004927 fusion Effects 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 17
- 230000003993 interaction Effects 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000002156 mixing Methods 0.000 claims description 5
- 238000013439 planning Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 14
- 238000013468 resource allocation Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010921 in-depth analysis Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013433 optimization analysis Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及数据处理的技术领域，公开了一种智能制造的产能分析方法及系统。所述智能制造的产能分析方法包括：基于预设的初始智能制造产能测试策略，对目标生产线进行产能测试，得到产能测试结果，并对所述产能测试结果进行分类，得到目标生产线的第一生产数据和目标生产线的第二生产数据；对所述第一生产数据进行自适应分解，得到生产环节的分解特征矩阵；将所述分解特征矩阵输入至时空特征提取模型中进行深度特征提取，得到第一特征集合。本发明提供的综合、动态的产能分析方案，能够为企业的生产调度、资源配置等决策提供更加科学、准确的数据支持，增强企业决策的有效性。
Description
技术领域
本发明涉及数据处理的技术领域，尤其涉及一种智能制造的产能分析方法及系统。
背景技术
随着智能制造技术的迅速发展，企业对生产效率和产品质量的要求越来越高。在这一背景下，如何准确分析和预测生产线的产能成为了提高生产效率、降低生产成本的关键。传统的产能分析方法主要依赖于人工收集的数据和经验判断，这不仅耗时耗力，而且准确性有限。因此，如何利用先进的信息技术和数据分析方法来提高产能分析的准确性和效率，成为了智能制造领域亟待解决的问题。
现有技术中，一些基于数据分析的产能分析方法已被提出，这些方法通常包括收集生产线的生产数据、分析数据特征、预测生产线的产能等步骤。这些方法通过对生产数据的深入分析，可以在一定程度上提高产能分析的准确性。然而，这些现有技术仍存在一些限制，比如数据分析的维度单一，缺乏对生产过程时间和空间特征的综合分析，且在产能测试策略的调整上不够灵活，难以及时反映生产线状态的实时变化。现有技术的主要技术缺陷在于其分析方法的局限性和灵活性不足。尽管现有技术能够利用生产数据进行产能分析，但缺乏一种综合考虑时间和空间特征的分析模型，导致产能预测的准确性受限。此外，现有的产能测试策略往往是静态的，缺乏根据实际生产情况进行动态调整的能力，这在多变的生产环境中可能会导致预测结果与实际产出存在较大偏差。
因此，急需一种智能制造的产能分析方法及系统，能够综合利用生产数据特征、动态调整产能测试策略的方法来解决这些问题。
发明内容
本发明提供了一种智能制造的产能分析方法及系统，用于解决如何更加精准和高效地分析目标生产线的产能。
本发明第一方面提供了一种智能制造的产能分析方法，所述智能制造的产能分析方法包括：
基于预设的初始智能制造产能测试策略，对目标生产线进行产能测试，得到产能测试结果，并对所述产能测试结果进行分类，得到目标生产线的第一生产数据和目标生产线的第二生产数据；
对所述第一生产数据进行自适应分解，得到生产环节的分解特征矩阵；将所述分解特征矩阵输入至时空特征提取模型中进行深度特征提取，得到第一特征集合；
对所述第二生产数据进行达标率计算，得到生产环节的产品达标数据；将所述产品达标数据输入至产品生产周期分析模型中进行分析，得到第二特征集合；
基于预设的第一优化算法，对所述第一特征集合进行优化，得到第一优化结果；基于预设的第二优化算法，对所述第二特征集合进行优化，得到第二优化结果；
计算第一优化结果与实际观测值之间的第一误差数据，以及第二优化结果与实际观测值之间的第二误差数据，并基于第一误差数据和第二误差数据对初始智能制造产能测试策略进行调整，得到智能制造产能分析方案。
可选的，在本发明第一方面的第一种实现方式中，所述第一生产数据至少包括设备运行效率数据、设备作业时间数据、设备停机时间数据、设备故障数据；所述第二生产数据至少包括产品质量数据、产品数量数据。
可选的，在本发明第一方面的第二种实现方式中，所述对所述第一生产数据进行自适应分解，得到生产环节的分解特征矩阵；将所述分解特征矩阵输入至时空特征提取模型中进行深度特征提取，得到第一特征集合，包括：
基于预设的自适应分解算法，对所述第一生产数据进行自适应解构，得到生产环节的分解特征矩阵；
构建一个时空特征提取模型；其中，所述时空特征提取模型至少包括输入层、时空图卷积层、混合层、关系建模层、池化层、全连接层、输出层；
通过所述输入层对分解特征矩阵进行去噪处理，对去噪处理后的分解特征矩阵进行标准差门限计算，得到分解特征矩阵的标准差门限，基于分解特征矩阵的标准差门限，对去噪处理后的分解特征矩阵进行异常点筛选，得到异常点筛选后的分解特征矩阵；
通过所述时空图卷积层对异常点筛选后的分解特征矩阵进行初步的特征提取和传播，生成时空特征表示；
通过所述混合层对时空特征表示进行整合，得到不同时空尺度的混合特征信息，基于所述混合特征信息，生成混合后的融合特征表示；
通过所述关系建模层对融合特征表示进行建模处理，得到生产环节之间的相互关系及动态变化关系，基于生产环节之间的相互关系及动态变化关系，生成关系特征表示；
通过所述池化层对时空特征表示、融合特征表示、关系信息表示进行汇总，提取全局信息，生成全局特征表示；
通过所述全连接层，基于全局特征表示对产能效率优化任务进行决策，得到决策结果；
通过所述输出层对决策结果进行输出，得到最终的第一特征集合；其中，所述第一特征集合用于评估生产过程中设备的综合运行状况，以调整生产计划。
可选的，在本发明第一方面的第三种实现方式中，所述通过所述关系建模层对融合特征表示进行建模处理，得到生产环节之间的相互关系及动态变化关系，基于生产环节之间的相互关系及动态变化关系，生成关系特征表示，包括：
采用图注意力网络作为关系建模层的架构；其中，所述图注意力网络用于自动识别并加权生产环节节点间的相互影响度，计算对生产效率的影响力度和影响方向；
通过所述关系建模层，对混合后的融合特征表示进行计算，得到生产环节节点间的注意力得分，其中，所述注意力得分用于反映不同生产环节间的关联强度和优先级；
利用得到的注意力得分动态调整节点间的关系表示，生成加权的关系信息表示；
通过整合加权的关系信息表示，输出关系特征表示；其中，所述关系特征表示用于体现生产环节之间的相互关系信息，以及反映生产环节之间的相互关系信息随时间和生产条件变化的动态特性。
可选的，在本发明第一方面的第四种实现方式中，所述基于预设的第一优化算法，对所述第一特征集合进行优化，得到第一优化结果，包括：
对所述第一特征集合进行特性分析，得到分析结果；其中，所述分析结果用于选取确定所述第一特征集合的优化需求；
从预设的第一优化算法数据库中选取与所述分析结果匹配的目标优化算法；其中，所述第一优化算法数据库中提前存储有基于所述分析结果对目标优化算法的选取规则；
基于所述目标优化算法，对所述第一特征集合进行优化，得到第一优化结果。
可选的，在本发明第一方面的第五种实现方式中，所述第一优化算法至少包括内点法、信赖域算法、预测-校正算法；所述第二优化算法至少包括修正激活集法、二阶规划算法、二次约束优化方法。
本发明第二方面提供了一种智能制造的产能分析系统，所述智能制造的产能分析系统包括：
产能测试模块，用于基于预设的初始智能制造产能测试策略，对目标生产线进行产能测试，得到产能测试结果，并对所述产能测试结果进行分类，得到目标生产线的第一生产数据和目标生产线的第二生产数据；
深度特征提取模块，用于对所述第一生产数据进行自适应分解，得到生产环节的分解特征矩阵；将所述分解特征矩阵输入至时空特征提取模型中进行深度特征提取，得到第一特征集合；
分析模块，用于对所述第二生产数据进行达标率计算，得到生产环节的产品达标数据；将所述产品达标数据输入至产品生产周期分析模型中进行分析，得到第二特征集合；
优化模块，用于基于预设的第一优化算法，对所述第一特征集合进行优化，得到第一优化结果；基于预设的第二优化算法，对所述第二特征集合进行优化，得到第二优化结果；
调整模块，用于计算第一优化结果与实际观测值之间的第一误差数据，以及第二优化结果与实际观测值之间的第二误差数据，并基于第一误差数据和第二误差数据对初始智能制造产能测试策略进行调整，得到智能制造产能分析方案。
本发明第三方面提供了一种智能制造的产能分析设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述智能制造的产能分析设备执行上述的智能制造的产能分析方法。
本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的智能制造的产能分析方法。
本发明提供的技术方案中，有益效果：本发明通过基于预设的初始智能制造产能测试策略，对目标生产线进行产能测试，得到产能测试结果，并对所述产能测试结果进行分类，得到目标生产线的第一生产数据和目标生产线的第二生产数据；对所述第一生产数据进行自适应分解，得到生产环节的分解特征矩阵；将所述分解特征矩阵输入至时空特征提取模型中进行深度特征提取，得到第一特征集合；对所述第二生产数据进行达标率计算，得到生产环节的产品达标数据；将所述产品达标数据输入至产品生产周期分析模型中进行分析，得到第二特征集合；基于预设的第一优化算法，对所述第一特征集合进行优化，得到第一优化结果；基于预设的第二优化算法，对所述第二特征集合进行优化，得到第二优化结果；计算第一优化结果与实际观测值之间的第一误差数据，以及第二优化结果与实际观测值之间的第二误差数据，并基于第一误差数据和第二误差数据对初始智能制造产能测试策略进行调整，得到智能制造产能分析方案。本发明通过将生产数据进行自适应分解和深度特征提取，本发明可以更准确地捕捉到生产环节中的关键特征，包括时空分布特征，从而提升产能分析的精度。基于对第一优化结果和第二优化结果与实际观测值之间误差的分析，本发明能够动态地调整产能测试策略，能够使产能分析方案更加贴合实际生产情况，提升分析结果的实用性和可靠性。通过对生产数据的深入分析和测试策略的持续优化，本发明可以帮助企业找到生产过程中的瓶颈和改进点，从而指导实际生产过程的优化，提升生产效率。本发明能够通过精准的产能分析，帮助企业合理规划生产资源，避免资源浪费，从而在一定程度上降低生产成本。本发明提供的综合、动态的产能分析方案，能够为企业的生产调度、资源配置等决策提供更加科学、准确的数据支持，增强企业决策的有效性。
附图说明
图1为本发明实施例中智能制造的产能分析方法的一个实施例示意图；
图2为本发明实施例中智能制造的产能分析系统的一个实施例示意图。
具体实施方式
本发明实施例提供了一种智能制造的产能分析方法及系统。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中智能制造的产能分析方法的一个实施例包括：
步骤101、基于预设的初始智能制造产能测试策略，对目标生产线进行产能测试，得到产能测试结果，并对所述产能测试结果进行分类，得到目标生产线的第一生产数据和目标生产线的第二生产数据；
可以理解的是，本发明的执行主体可以为智能制造的产能分析系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，实现步骤101涉及以下专业技术流程：
智能制造产能测试策略的定义与部署：首先，基于深入分析目标生产线的特定需求和能力，预设一套初始智能制造产能测试策略。智能制造产能测试策略综合考虑生产线的操作效率、原材料使用率、产品质量控制等关键性能指标，并利用高级模拟和优化工具进行策略的预先验证。
生产线产能测试执行：采用自动化测试工具和系统，如生产线模拟软件和实时监测系统，按照预设的测试策略对目标生产线进行全面的产能测试。测试过程中收集生产线的实时数据，包括但不限于产量、设备效率、故障率和资源消耗等。
数据收集与预处理：确保所有产能测试结果的数据收集完整性和准确性。应用数据预处理技术，包括数据清洗、归一化和异常值处理，为后续的数据分类和分析提供高质量的数据集。
产能测试结果的分类算法实现：引入机器学习分类算法，如支持向量机（SVM）、决策树或深度学习模型，对产能测试结果进行精确分类。分类的目标是将产能测试结果细分为第一生产数据和第二生产数据；
步骤102、对所述第一生产数据进行自适应分解，得到生产环节的分解特征矩阵；将所述分解特征矩阵输入至时空特征提取模型中进行深度特征提取，得到第一特征集合；
具体的，实现步骤102涉及以下专业技术流程：
自适应分解算法应用：对第一生产数据实施自适应分解，采用信号处理技术，如经验模态分解（EMD）或奇异值分解（SVD），自动分解第一生产数据，提取各生产环节的基本特征，形成分解特征矩阵。此步骤旨在将复杂的生产数据转化为更容易分析的形式，揭示生产过程中的隐含模式。
时空特征提取模型构建：建立一个基于深度学习的时空特征提取模型，专门用于处理和分析分解特征矩阵。时空特征提取模型能够充分利用生产数据中的时序关系和空间布局，提取深层次的生产特征。
深度特征提取执行：将自适应分解得到的分解特征矩阵输入至时空特征提取模型中。通过时空特征提取模型的前向传播过程，对分解特征矩阵进行深度分析，提取影响生产线性能的关键时空特征，形成第一特征集合。这一步骤的目的是从高维数据中识别出最有助于理解生产效率和质量控制的特征。
步骤103、对所述第二生产数据进行达标率计算，得到生产环节的产品达标数据；将所述产品达标数据输入至产品生产周期分析模型中进行分析，得到第二特征集合；
具体的，实现步骤103涉及以下专业技术流程：
达标率计算方法的定义与应用：首先，定义一个达标率计算方法，所述达标率计算方法根据第二生产数据中记录的产品质量指标与既定的产品质量标准进行对比，计算得到各生产环节的产品达标率。这包括对每个产品的每一项关键性能指标进行评估，以确定产品是否满足预定的质量要求。
产品达标数据的生成：利用所述达标率计算方法，对第二生产数据进行处理，得到关于每个生产环节的产品达标数据。产品达标数据详细记录了各生产环节的产品达标情况，包括达标产品的数量比例，以及未达标的具体原因和频率分布等信息。
产品生产周期分析模型的构建：开发一个产品生产周期分析模型，产品生产周期分析模型基于统计学方法或机器学习算法（例如，时间序列分析、聚类分析等），专门设计用于分析产品达标数据，识别产品生产周期中的瓶颈和效率低下环节。
深度分析的实施：将生成的产品达标数据输入至产品生产周期分析模型中，进行深度分析。通过产品生产周期分析模型提取与产品生产效率、周期长度和质量稳定性等关键指标相关的特征，形成第二特征集合。
步骤104、基于预设的第一优化算法，对所述第一特征集合进行优化，得到第一优化结果；基于预设的第二优化算法，对所述第二特征集合进行优化，得到第二优化结果；
具体的，实现步骤104涉及以下专业技术流程：
第一优化算法的定义与实施：选定一个处理第一特征集合的优化算法，第一优化算法应专门针对提高生产线效率、减少资源消耗和优化生产流程的目标进行设计。第一优化算法基于第一特征集合，通过迭代过程不断调整参数，以达到预定义的优化目标，从而得到第一优化结果。
第二优化算法的选择与应用：针对第二特征集合，选用一个与第一优化算法不同的算法，旨在优化产品质量和达标率。该算法根据第二特征集合中提取的关于生产周期和产品质量的关键信息，执行优化计算，寻求最佳的生产参数和流程配置，以最终获得第二优化结果。
步骤105、计算第一优化结果与实际观测值之间的第一误差数据，以及第二优化结果与实际观测值之间的第二误差数据，并基于第一误差数据和第二误差数据对初始智能制造产能测试策略进行调整，得到智能制造产能分析方案。
具体的，实现步骤105涉及以下专业技术流程：
误差数据的计算与分析：采用统计分析方法，如均方根误差（RMSE）或平均绝对误差（MAE），计算第一优化结果与实际观测值之间的第一误差数据，以及第二优化结果与实际观测值之间的第二误差数据。此步骤旨在定量评估优化算法的性能和准确度，识别优化过程中可能存在的偏差。
数据驱动的策略调整机制：基于误差分析结果，应用数据驱动的决策支持系统，自动调整初始智能制造产能测试策略。结合机器学习技术，如反馈学习或自适应控制算法，根据误差数据动态调整产能测试的参数和流程，以减少未来优化过程中的误差。
智能制造产能分析方案的生成：结合调整后的产能测试策略和优化结果，制定一个综合的智能制造产能分析方案。智能制造产能分析方案不仅考虑了生产效率和产品质量的最优化，还通过精准的误差校正机制，确保方案的实施能够适应实际生产环境的变化，提高预测和优化的准确性。
本发明实施例中智能制造的产能分析方法的另一个实施例包括：所述第一生产数据至少包括设备运行效率数据、设备作业时间数据、设备停机时间数据、设备故障数据；所述第二生产数据至少包括产品质量数据、产品数量数据。
本发明实施例中智能制造的产能分析方法的另一个实施例包括：所述对所述第一生产数据进行自适应分解，得到生产环节的分解特征矩阵；将所述分解特征矩阵输入至时空特征提取模型中进行深度特征提取，得到第一特征集合，包括：
基于预设的自适应分解算法，对所述第一生产数据进行自适应解构，得到生产环节的分解特征矩阵；
构建一个时空特征提取模型；其中，所述时空特征提取模型至少包括输入层、时空图卷积层、混合层、关系建模层、池化层、全连接层、输出层；
通过所述输入层对分解特征矩阵进行去噪处理，对去噪处理后的分解特征矩阵进行标准差门限计算，得到分解特征矩阵的标准差门限，基于分解特征矩阵的标准差门限，对去噪处理后的分解特征矩阵进行异常点筛选，得到异常点筛选后的分解特征矩阵；
通过所述时空图卷积层对异常点筛选后的分解特征矩阵进行初步的特征提取和传播，生成时空特征表示；
通过所述混合层对时空特征表示进行整合，得到不同时空尺度的混合特征信息，基于所述混合特征信息，生成混合后的融合特征表示；
通过所述关系建模层对融合特征表示进行建模处理，得到生产环节之间的相互关系及动态变化关系，基于生产环节之间的相互关系及动态变化关系，生成关系特征表示；
通过所述池化层对时空特征表示、融合特征表示、关系信息表示进行汇总，提取全局信息，生成全局特征表示；
通过所述全连接层，基于全局特征表示对产能效率优化任务进行决策，得到决策结果；
通过所述输出层对决策结果进行输出，得到最终的第一特征集合；其中，所述第一特征集合用于评估生产过程中设备的综合运行状况，以调整生产计划。
具体的，重要术语解释：
自适应分解算法：自适应分解算法能够根据第一生产数据的结构和特性，自动调整其参数或方法来分解数据，从而更有效地揭示生产环节中的关键特征。
分解特征矩阵：通过自适应分解算法处理生产数据后得到的分解特征矩阵，分解特征矩阵包含了生产过程中各环节的关键特征信息。
时空特征提取模型：时空特征提取模型结合了时序数据的处理和空间数据的处理，利用时空图卷积层技术，深度提取生产数据中的时空相关的特征。
时空图卷积层：在神经网络中，时空图卷积层专门处理图结构数据，通过考虑时序和空间结构的联系，提取复杂的时空相关特征。
应用场景：
本技术方案适用于各种智能制造环境中的产能分析，特别是在连续生产的场景中，如汽车制造、电子产品组装等，其中生产过程涉及多个环节和复杂的工序相互作用。
进一步地：
以一家汽车制造企业为例，对其生产线的效能进行深入分析，以便识别效率瓶颈并优化资源分配。
数据准备与处理：首先，收集第一生产数据，包括各工序的时间、物料消耗、机器状态等。采用自适应分解算法处理第一生产数据，生成反映各生产环节的分解特征矩阵。
特征提取：分解特征矩阵之后输入到时空特征提取模型中。时空特征提取模型首先通过输入层对分解特征矩阵进行去噪，并计算标准差门限来筛选异常点，以确保数据质量。然后，通过时空图卷积层提取初步的时空特征，并通过混合层整合各尺度的特征信息，生成融合特征表示。
关系建模和决策制定：关系建模层进一步处理融合特征表示，揭示生产环节间的相互关系及其动态变化，为优化决策提供依据。通过汇总这些信息，全连接层基于全局特征表示对产能效率进行优化决策。
输出与应用：最终，输出层提供第一特征集合，第一特征集合为企业提供了全面的生产线运行状况评估，指导企业调整生产计划，优化资源分配。
进一步地：
特征提取与融合的具体实现步骤：
数据去噪与异常点筛选：
输入层接收分解特征矩阵，使用滤波器或统计方法（例如，基于Z-score的异常值检测方法）去除噪声和识别异常点。这可以确保模型关注于数据的核心特征，不被噪声干扰。
举例：假设在机器运行状态数据中，正常的温度范围是20-30度。输入层可以识别并排除那些记录中温度异常高（如100度）的数据点。
时空特征提取：
时空图卷积层接收经去噪处理后的矩阵，通过构建时空图（其中节点可能表示不同的生产工位，边表示工位间的时空影响）来挖掘特征间的时空关系。
举例：在汽车组装线中，引擎安装工序的延迟可能会影响到后面的车门安装工序。时空图卷积可以捕捉到这种时空依赖关系。
特征融合：
混合层将时空图卷积层提取的特征进行整合，可能通过技术如特征拼接、加权融合等方法，形成一个综合的、多尺度的特征表示。
举例：将机器运行状态的特征（如温度、振动等）与生产节拍的特征结合，形成一个融合特征，更全面地反映生产流程的状态。
动态关系建模与决策制定的具体实现步骤
动态关系分析：
关系建模层处理之前的融合特征表示，采用技术如循环神经网络（RNN）或长短时记忆网络（LSTM）去分析和学习生产环节之间的动态关系和变化趋势。
举例：如果发现温度异常升高总是在特定工艺流程后发生，这可能揭示了生产环节间的一个效率瓶颈。
全局优化与决策制定：
池化层将所有特征和分析结果进行汇总，提取最关键的全局信息。之后，全连接层基于这些全局特征，结合特定的优化算法（如梯度下降法），对产能效率优化任务进行决策分析，输出具体的改进措施和调整建议。
举例：如果分析结果显示引擎安装工序的效率低下是由特定的工位温度过高导致，全连接层可能会建议降低该工位的温度或者调整该工序的时间安排。
有益效果：本发明不仅提取到关于生产流程的深度时空特征，还能基于生产环节间的动态关系进行全面的效率优化。这种方法能够为智能制造企业提供数据驱动的、实时的生产优化决策支持，显著提升生产效率和资源利用率。本发明深入理解生产过程中的关键特征，通过数据驱动的方式发现生产瓶颈。实现生产环节间相互作用的动态建模，为资源优化配置提供有力支持。通过高效的异常点识别和特征融合，提升生产决策的准确度和效率。增强生产线的适应性和灵活性，提升整体产能效率。
本发明实施例中智能制造的产能分析方法的另一个实施例包括：所述通过所述关系建模层对融合特征表示进行建模处理，得到生产环节之间的相互关系及动态变化关系，基于生产环节之间的相互关系及动态变化关系，生成关系特征表示，包括：
采用图注意力网络作为关系建模层的架构；其中，所述图注意力网络用于自动识别并加权生产环节节点间的相互影响度，计算对生产效率的影响力度和影响方向；
通过所述关系建模层，对混合后的融合特征表示进行计算，得到生产环节节点间的注意力得分，其中，所述注意力得分用于反映不同生产环节间的关联强度和优先级；
利用得到的注意力得分动态调整节点间的关系表示，生成加权的关系信息表示；
通过整合加权的关系信息表示，输出关系特征表示；其中，所述关系特征表示用于体现生产环节之间的相互关系信息，以及反映生产环节之间的相互关系信息随时间和生产条件变化的动态特性。
具体的，重要术语解释：
融合特征表示：将来自不同来源或不同阶段处理的数据特征结合在一起，形成的综合数据表示。这种表示能提供比单一数据源更丰富的信息，用于后续分析和决策。
图注意力网络（GAT）：一种图神经网络，通过引入注意力机制，能够自动地识别图中不同节点间相互作用的重要性。在智能制造的产能分析中，用于识别并加权生产环节之间的相互影响度，从而更准确地预测生产流程中的关键因素。
注意力得分：在图注意力网络中，节点间关系的权重，反映了不同节点（即生产环节）间的关联强度和优先级。高得分表示节点间联系紧密，对生产效率或产能优化具有较大影响。
关系特征表示：基于生产环节节点间的注意力得分调整后的数据表示。这种表示不仅反映了生产环节之间的直接关系，还体现了这些关系随时间和生产条件变化的动态性。
应用场景：
智能工厂：在一个高度自动化、智能化的工厂环境中，对生产线上的每个环节进行实时监控和分析至关重要。应用此技术方案，可以通过图注意力网络识别哪些生产环节对整体效率有重大影响，动态优化生产策略以应对需求变化。
供应链管理：供应链中不同环节（采购、生产、物流、销售等）的效率直接影响整个链条的响应速度和成本。利用此技术方案，可分析各环节间的相互作用，提高供应链的整体敏捷性和效率。
产品生命周期管理：从产品设计、制造到服务的整个生命周期中，不同阶段和环节的紧密协同对于缩短产品上市时间和降低成本至关重要。通过此技术方案，企业能够更好地理解不同环节间的动态关系，优化决策过程。
能源管理与优化：在能源密集型的制造过程中，能源消耗的管理和优化是提高生产效率、降低成本的关键环节。应用此技术方案，可以识别影响能源效率的关键生产环节，制定更有效的能源管理策略。
进一步地：
在智能制造的产能分析方法的实施例中，采用图注意力网络（GAT）对生产环节间的相互关系及其动态变化进行建模与分析，具体实现步骤如下：
数据预处理：首先，收集生产过程中的各种数据，包括机器运行状态、生产环节耗时、原材料消耗量等。对这些数据进行清洗和标准化处理，以满足后续分析的需求。
特征提取与融合：使用自适应分解算法对预处理后的数据进行特征分解，提取关键特征。然后，将这些特征通过时空特征提取模型进一步提炼，得到高质量的特征表示。这一步中，特别重视对时空关系的挖掘，确保提取的特征能够反映生产环节间的时空依赖性。
构建图模型：基于提取的特征表示，构建一个图模型，其中节点代表不同的生产环节，边代表环节间的相互影响。此图模型能够体现生产环节之间的依赖关系和信息流动路径。
应用图注意力网络（GAT）：
使用图注意力网络对上述图模型进行处理。GAT通过学习节点间（即生产环节间）的相互影响度，并为这些影响度分配不同的权重（注意力得分），从而自动识别出对生产效率影响最大的环节。
GAT能够处理复杂的非线性关系，允许模型捕捉生产环节之间复杂的相互作用。
动态关系分析与决策支持：
根据GAT输出的注意力得分，动态调整节点间的关系表示，生成加权的关系特征表示。这一表示不仅体现了生产环节之间的相互关系，还包括了这些关系随时间和条件变化的动态特性。
基于关系特征表示，利用决策支持系统进行全局优化分析，提出改进生产流程、提高产能效率的具体措施。
技术方案的有益效果：
提高生产效率：通过精确模拟和分析生产环节之间的相互作用，本技术方案能够识别出影响生产效率的关键因素，从而实现针对性的优化，显著提高生产效率。
动态优化能力：借助图注意力网络的动态学习能力，本方案能够适应生产过程中的变化，实时调整生产策略，保持生产流程的最优状态。
降低运营成本：通过优化生产环节配置和提高资源利用率，减少浪费，从而有效降低生产和运营成本。
增强决策支持：提供基于深度学习的分析结果，为企业决策者提供科学的数据支持，增强决策的准确性和效率。
本发明实施例中智能制造的产能分析方法的另一个实施例包括：所述基于预设的第一优化算法，对所述第一特征集合进行优化，得到第一优化结果，包括：
对所述第一特征集合进行特性分析，得到分析结果；其中，所述分析结果用于选取确定所述第一特征集合的优化需求；
从预设的第一优化算法数据库中选取与所述分析结果匹配的目标优化算法；其中，所述第一优化算法数据库中提前存储有基于所述分析结果对目标优化算法的选取规则；
基于所述目标优化算法，对所述第一特征集合进行优化，得到第一优化结果。
具体的，重要术语的解释：
第一特征集合：指在智能制造环境下，从生产数据中提取的一组关键性特征，这些特征可能涉及设备效率、生产质量、原材料消耗等方面。
特性分析：利用数据分析技术对第一特征集合进行深入的研究，以识别出影响制造过程中产能和效率的关键因素。
第一优化算法数据库：一个预先设定并存储各类优化算法及其适用场景的库，通过分析结果匹配适当的优化算法来改进生产流程。
目标优化算法：从第一优化算法数据库中选取的，最符合当前产能分析需求的算法，用于对第一特征集合进行优化处理。
应用场景：
本技术方案在智能制造领域中的应用场景包括但不限于：
生产流程优化：通过深入分析生产流程中的关键性特征（第一特征集合）并应用适当的优化算法，以提高生产线的整体效率和产能。
资源分配策略：针对材料消耗、能源使用等方面的优化，确保资源被高效合理地利用。
质量控制：分析影响产品质量的关键因素，并通过优化算法调整生产参数，以提升产品质量。
设备维护与排程：基于设备运行状态的特征分析，预测维护需求，并优化设备利用计划。
进一步地：
数据收集与初步处理：从智能制造系统中收集必要的生产数据，包括设备运行数据、生产效率数据及原材料消耗数据等，并对数据进行清洗和初步处理。
执行特性分析：对处理后的第一特征集合应用特性分析方法，确定影响生产效率和产量的关键因素。
优化算法匹配：将分析结果与第一优化算法数据库中的规则进行匹配，选取最适合当前分析结果的目标优化算法。
执行目标优化算法：应用所选的目标优化算法对第一特征集合进行处理，得到第一优化结果，包括但不限于调整生产参数、重组生产流程或改进资源配置。
在本实施例中，将分析结果与第一优化算法数据库中的规则进行匹配以选取最适合的目标优化算法的具体步骤如下：
分析结果编码：首先，将从特性分析得到的分析结果进行编码处理，这一步骤旨在将分析结果转化为一种标准格式，以便于与优化算法数据库中的规则进行匹配。
规则匹配：在第一优化算法数据库中，每一种优化算法都与一组特定的规则关联。这些规则定义了算法最适用的场景、特征集合的类型等信息。系统将编码后的分析结果与数据库中存储的规则进行对比，找出最匹配的规则集合。
优化算法选择：基于匹配过程中确定的规则，系统从数据库中选取相应的目标优化算法。如果存在多个匹配程度相当的算法，系统可以根据先前定义的优先级、效率、成本等因素进行最终选择。
算法适应性调整：在选定目标优化算法后，根据当前生产环境的具体需求和限制，对算法的参数进行适当调整。这一步骤确保了算法在实际应用中能够达到最佳性能。
反馈循环：实施目标优化算法后，收集优化结果并与预期效果进行比较。如果效果不尽人意，可能需要重新进行特性分析，或者从数据库中选取另一种算法进行尝试。这一过程形成了一个持续改进的闭环反馈机制。
有益效果
生产效率提升：通过对生产过程中的关键特征进行有效优化，实现生产效率和整体产能的显著提升。
资源优化利用：确保生产资源得到更高效的分配和使用，降低浪费，减少生产成本。
强化生产的灵活性和适应性：使生产系统能够快速适应市场变化和生产需求的变动，提高企业的竞争力。
提高产品质量：通过精确的生产控制和优化，改善产品质量，提升客户满意度。
本发明实施例中智能制造的产能分析方法的另一个实施例包括：所述第一优化算法至少包括内点法、信赖域算法、预测-校正算法；所述第二优化算法至少包括修正激活集法、二阶规划算法、二次约束优化方法。
上面对本发明实施例中智能制造的产能分析方法进行了描述，下面对本发明实施例中智能制造的产能分析系统进行描述，请参阅图2，本发明实施例中智能制造的产能分析系统一个实施例包括：
产能测试模块，用于基于预设的初始智能制造产能测试策略，对目标生产线进行产能测试，得到产能测试结果，并对所述产能测试结果进行分类，得到目标生产线的第一生产数据和目标生产线的第二生产数据；
深度特征提取模块，用于对所述第一生产数据进行自适应分解，得到生产环节的分解特征矩阵；将所述分解特征矩阵输入至时空特征提取模型中进行深度特征提取，得到第一特征集合；
分析模块，用于对所述第二生产数据进行达标率计算，得到生产环节的产品达标数据；将所述产品达标数据输入至产品生产周期分析模型中进行分析，得到第二特征集合；
优化模块，用于基于预设的第一优化算法，对所述第一特征集合进行优化，得到第一优化结果；基于预设的第二优化算法，对所述第二特征集合进行优化，得到第二优化结果；
调整模块，用于计算第一优化结果与实际观测值之间的第一误差数据，以及第二优化结果与实际观测值之间的第二误差数据，并基于第一误差数据和第二误差数据对初始智能制造产能测试策略进行调整，得到智能制造产能分析方案。
本发明还提供一种智能制造的产能分析设备，所述智能制造的产能分析设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述智能制造的产能分析方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述智能制造的产能分析方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种智能制造的产能分析方法，其特征在于，包括以下步骤：
基于预设的初始智能制造产能测试策略，对目标生产线进行产能测试，得到产能测试结果，并对所述产能测试结果进行分类，得到目标生产线的第一生产数据和目标生产线的第二生产数据；
对所述第一生产数据进行自适应分解，得到生产环节的分解特征矩阵；将所述分解特征矩阵输入至时空特征提取模型中进行深度特征提取，得到第一特征集合；
对所述第二生产数据进行达标率计算，得到生产环节的产品达标数据；将所述产品达标数据输入至产品生产周期分析模型中进行分析，得到第二特征集合；
基于预设的第一优化算法，对所述第一特征集合进行优化，得到第一优化结果；基于预设的第二优化算法，对所述第二特征集合进行优化，得到第二优化结果；
计算第一优化结果与实际观测值之间的第一误差数据，以及第二优化结果与实际观测值之间的第二误差数据，并基于第一误差数据和第二误差数据对初始智能制造产能测试策略进行调整，得到智能制造产能分析方案。
2.根据权利要求1所述的智能制造的产能分析方法，其特征在于，所述第一生产数据至少包括设备运行效率数据、设备作业时间数据、设备停机时间数据、设备故障数据；所述第二生产数据至少包括产品质量数据、产品数量数据。
3.根据权利要求1所述的智能制造的产能分析方法，其特征在于，所述对所述第一生产数据进行自适应分解，得到生产环节的分解特征矩阵；将所述分解特征矩阵输入至时空特征提取模型中进行深度特征提取，得到第一特征集合，包括：
基于预设的自适应分解算法，对所述第一生产数据进行自适应解构，得到生产环节的分解特征矩阵；
构建一个时空特征提取模型；其中，所述时空特征提取模型至少包括输入层、时空图卷积层、混合层、关系建模层、池化层、全连接层、输出层；
通过所述输入层对分解特征矩阵进行去噪处理，对去噪处理后的分解特征矩阵进行标准差门限计算，得到分解特征矩阵的标准差门限，基于分解特征矩阵的标准差门限，对去噪处理后的分解特征矩阵进行异常点筛选，得到异常点筛选后的分解特征矩阵；
通过所述时空图卷积层对异常点筛选后的分解特征矩阵进行初步的特征提取和传播，生成时空特征表示；
通过所述混合层对时空特征表示进行整合，得到不同时空尺度的混合特征信息，基于所述混合特征信息，生成混合后的融合特征表示；
通过所述关系建模层对融合特征表示进行建模处理，得到生产环节之间的相互关系及动态变化关系，基于生产环节之间的相互关系及动态变化关系，生成关系特征表示；
通过所述池化层对时空特征表示、融合特征表示、关系信息表示进行汇总，提取全局信息，生成全局特征表示；
通过所述全连接层，基于全局特征表示对产能效率优化任务进行决策，得到决策结果；
通过所述输出层对决策结果进行输出，得到最终的第一特征集合；其中，所述第一特征集合用于评估生产过程中设备的综合运行状况，以调整生产计划。
4.根据权利要求3所述的智能制造的产能分析方法，其特征在于，所述通过所述关系建模层对融合特征表示进行建模处理，得到生产环节之间的相互关系及动态变化关系，基于生产环节之间的相互关系及动态变化关系，生成关系特征表示，包括：
采用图注意力网络作为关系建模层的架构；其中，所述图注意力网络用于自动识别并加权生产环节节点间的相互影响度，计算对生产效率的影响力度和影响方向；
通过所述关系建模层，对混合后的融合特征表示进行计算，得到生产环节节点间的注意力得分，其中，所述注意力得分用于反映不同生产环节间的关联强度和优先级；
利用得到的注意力得分动态调整节点间的关系表示，生成加权的关系信息表示；
通过整合加权的关系信息表示，输出关系特征表示；其中，所述关系特征表示用于体现生产环节之间的相互关系信息，以及反映生产环节之间的相互关系信息随时间和生产条件变化的动态特性。
5.根据权利要求1所述的智能制造的产能分析方法，其特征在于，所述基于预设的第一优化算法，对所述第一特征集合进行优化，得到第一优化结果，包括：
对所述第一特征集合进行特性分析，得到分析结果；其中，所述分析结果用于选取确定所述第一特征集合的优化需求；
从预设的第一优化算法数据库中选取与所述分析结果匹配的目标优化算法；其中，所述第一优化算法数据库中提前存储有基于所述分析结果对目标优化算法的选取规则；
基于所述目标优化算法，对所述第一特征集合进行优化，得到第一优化结果。
6.根据权利要求1所述的智能制造的产能分析方法，其特征在于，所述第一优化算法至少包括内点法、信赖域算法、预测-校正算法；所述第二优化算法至少包括修正激活集法、二阶规划算法、二次约束优化方法。
7.一种智能制造的产能分析系统，其特征在于，所述智能制造的产能分析系统包括：
产能测试模块，用于基于预设的初始智能制造产能测试策略，对目标生产线进行产能测试，得到产能测试结果，并对所述产能测试结果进行分类，得到目标生产线的第一生产数据和目标生产线的第二生产数据；
深度特征提取模块，用于对所述第一生产数据进行自适应分解，得到生产环节的分解特征矩阵；将所述分解特征矩阵输入至时空特征提取模型中进行深度特征提取，得到第一特征集合；
分析模块，用于对所述第二生产数据进行达标率计算，得到生产环节的产品达标数据；将所述产品达标数据输入至产品生产周期分析模型中进行分析，得到第二特征集合；
优化模块，用于基于预设的第一优化算法，对所述第一特征集合进行优化，得到第一优化结果；基于预设的第二优化算法，对所述第二特征集合进行优化，得到第二优化结果；
调整模块，用于计算第一优化结果与实际观测值之间的第一误差数据，以及第二优化结果与实际观测值之间的第二误差数据，并基于第一误差数据和第二误差数据对初始智能制造产能测试策略进行调整，得到智能制造产能分析方案。
8.一种智能制造的产能分析设备，其特征在于，所述智能制造的产能分析设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述智能制造的产能分析设备执行如权利要求1-6中任一项所述的智能制造的产能分析方法。
9.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-6中任一项所述的智能制造的产能分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410374080.0A CN117973904B (zh) | 2024-03-29 | 2024-03-29 | 智能制造的产能分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410374080.0A CN117973904B (zh) | 2024-03-29 | 2024-03-29 | 智能制造的产能分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117973904A true CN117973904A (zh) | 2024-05-03 |
| CN117973904B CN117973904B (zh) | 2024-06-07 |
Family
ID=90848153
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410374080.0A Active CN117973904B (zh) | 2024-03-29 | 2024-03-29 | 智能制造的产能分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117973904B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113435322A (zh) * | 2021-06-25 | 2021-09-24 | 西安交通大学 | 一种主轴轴承故障检测方法、系统、设备及可读存储介质 |
| CN114841076A (zh) * | 2022-05-18 | 2022-08-02 | 杭州电子科技大学 | 基于时空图模型的动力电池生产工艺波动异常检测方法 |
| CN115221969A (zh) * | 2022-07-28 | 2022-10-21 | 重庆邮电大学 | 基于emd数据增强和并行scn的运动想象脑电信号识别方法 |
| US20230222841A1 (en) * | 2022-01-08 | 2023-07-13 | Shanghai Maritime University | Ensemble Deep Learning Method for Identifying Unsafe Behaviors of Operators in Maritime Working Environment |
| CN117272196A (zh) * | 2023-08-23 | 2023-12-22 | 浙江工业大学 | 一种基于时空图注意力网络的工业时序数据异常检测方法 |
-
2024
- 2024-03-29 CN CN202410374080.0A patent/CN117973904B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113435322A (zh) * | 2021-06-25 | 2021-09-24 | 西安交通大学 | 一种主轴轴承故障检测方法、系统、设备及可读存储介质 |
| US20230222841A1 (en) * | 2022-01-08 | 2023-07-13 | Shanghai Maritime University | Ensemble Deep Learning Method for Identifying Unsafe Behaviors of Operators in Maritime Working Environment |
| CN114841076A (zh) * | 2022-05-18 | 2022-08-02 | 杭州电子科技大学 | 基于时空图模型的动力电池生产工艺波动异常检测方法 |
| CN115221969A (zh) * | 2022-07-28 | 2022-10-21 | 重庆邮电大学 | 基于emd数据增强和并行scn的运动想象脑电信号识别方法 |
| CN117272196A (zh) * | 2023-08-23 | 2023-12-22 | 浙江工业大学 | 一种基于时空图注意力网络的工业时序数据异常检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 赵阳阳;夏亮;江欣国;: "基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型", 交通运输工程学报, no. 04, 15 August 2020 (2020-08-15), pages 200 - 210 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117973904B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101984730B1 (ko) | 서버 장애 자동 예측 시스템 및 자동 예측 방법 | |
| CN109587713B (zh) | 一种基于arima模型的网络指标预测方法、装置及存储介质 | |
| US20060106797A1 (en) | System and method for temporal data mining | |
| US7562054B2 (en) | Method and apparatus for automated feature selection | |
| CN117494292B (zh) | 一种基于bim和ai大模型的工程进度管理方法及系统 | |
| CN117391641B (zh) | 一种生发剂生产流程管理方法及系统 | |
| CN113869521A (zh) | 构建预测模型的方法、装置、计算设备和存储介质 | |
| CN117670066B (zh) | 基于智能决策的司库管理方法、系统、设备及存储介质 | |
| CN117670378B (zh) | 一种基于大数据的食品安全监控方法及系统 | |
| Christa et al. | Regression and decision tree approaches in predicting the effort in resolving incidents | |
| Badakhshan et al. | Deploying hybrid modelling to support the development of a digital twin for supply chain master planning under disruptions | |
| CN111953531B (zh) | 网络故障分析方法及装置 | |
| CN117725537A (zh) | 实时计量数据处理平台 | |
| CN117973904B (zh) | 智能制造的产能分析方法及系统 | |
| Liu et al. | Manufacturing Process Optimization in the Process Industry | |
| Friederich et al. | A Framework for Validating Data-Driven Discrete-Event Simulation Models of Cyber-Physical Production Systems | |
| Li et al. | Challenges in developing a computational platform to integrate data analytics with simulation-based optimization | |
| US11120174B1 (en) | Methods and apparatus for evaluation of combinatorial processes using simulation and multiple parallel statistical analyses of real data | |
| Schenkelberg et al. | A simulation-based process model for analyzing impact of maintenance on profitability | |
| Bodendorf et al. | Predictive Cost Analytics of Vehicle Assemblies Based on Machine Learning in the Automotive Industry | |
| KR102304321B1 (ko) | 시뮬레이션 실행 시간 예측 장치 및 예측 방법 | |
| CN118011990B (zh) | 基于人工智能的工业数据品质监控与提升系统 | |
| Heistracher et al. | MOXAI–Manufacturing Optimization through Model-Agnostic Explainable AI and Data-Driven Process Tuning | |
| Liu et al. | Product quality prediction based on integrated feature selection | |
| Liu et al. | Path identification and effect assessment of digital economy-driven manufacturing quality development in the context of big data analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |