CN118114910A - 基于大数据分析的智慧工厂管理方法 - Google Patents
基于大数据分析的智慧工厂管理方法 Download PDFInfo
- Publication number
- CN118114910A CN118114910A CN202410049033.9A CN202410049033A CN118114910A CN 118114910 A CN118114910 A CN 118114910A CN 202410049033 A CN202410049033 A CN 202410049033A CN 118114910 A CN118114910 A CN 118114910A
- Authority
- CN
- China
- Prior art keywords
- overhaul
- maintenance
- warehouse
- triangle
- level
- 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.)
- Pending
Links
- 238000007726 management method Methods 0.000 title claims abstract description 31
- 238000007405 data analysis Methods 0.000 title claims abstract description 20
- 238000012423 maintenance Methods 0.000 claims abstract description 219
- 238000012937 correction Methods 0.000 claims abstract description 51
- 210000001747 pupil Anatomy 0.000 claims abstract description 29
- 238000013439 planning Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims description 51
- 238000000034 method Methods 0.000 claims description 41
- 238000012795 verification Methods 0.000 claims description 30
- 239000011521 glass Substances 0.000 claims description 22
- 230000000295 complement effect Effects 0.000 claims description 16
- 230000004478 pupil constriction Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000002159 abnormal effect Effects 0.000 abstract description 6
- 230000008602 contraction Effects 0.000 description 7
- 238000010248 power generation Methods 0.000 description 6
- 230000008439 repair process Effects 0.000 description 5
- 230000010344 pupil dilation Effects 0.000 description 4
- 238000013024 troubleshooting Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004313 glare Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 208000029436 dilated pupil Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
Abstract
本发明提供了一种基于大数据分析的智慧工厂管理方法,以在划定的矩形区域范围内的由内向外拓展的各层级的仓库组的分布形态所呈现的三角形中,通过进一步分割一级、二级和反选子三角形,实现了对区域范围内的各检修对象的可用仓库的识别,以此对每个检修包运载自移动设备的检修路径的动态规划作了部分工作前置,有利于提升检修路径规划的效率。通过计算每个检修对象的检修紧迫度来动态规划自移动设备的最优检修路径,确保了对不同类型检修对象以合理顺序得到及时检修。通过模拟多层级的强光环境验证校正系数对相应的检修人员的适应性,提高了检修紧迫度计算的准确性。以瞳孔前后变化特征为依据验证检修权限,杜绝了状态异常人员进行检修的乱象。
Description
技术领域
本发明涉及数据分析技术领域,具体涉及一种基于大数据分析的智慧工厂管理方法。
背景技术
电厂内的每个故障设备对厂区整体的发电功率缺失的影响程度通常不同,且这个影响程度可能并非固定而是根据故障被排除的先后顺序浮动变化的,比如设备A和设备B均故障后,对厂区整体的发电功率缺失的影响程度经量化后比如为影响值1,此时设备A和设备B对影响值1的贡献率比如分别为60%和40%。但若首先排除设备B的故障,故障的设备A对厂区整体的发电功率缺失的影响率比如为10%,而若首先排除设备A的故障,此时故障的设备B对厂区整体的发电功率缺失的影响率比如为8%,因此首先排除设备A的故障相比首先排除设备B的故障更为必要。但是,不同类型设备的故障排除通常需要专门的检修人员,当检修设备A的检修人员无法及时到达维修现场,而检修设备B的检修人员数量充足时,退而求其次的首先检修设备B相比较等待人员到位后再首先检修设备A更为合适。当同一时段内发生故障的设备类型和数量较多,部分类型的设备检修人员数量充足,而部分人员数量不足时,如何规划检修包运载自移动设备的最优检修路径成为面临的首个难题。
另外,检修人员的工作状态事关检修安全,比如对于配电线路上的某个节点设备的故障检修,若检修人员处于极度疲惫或极度亢奋,此时进行故障检修存在极大的安全隐患。因此,以对故障设备具有检修能力的专门检修人员的数量为检修包运载自移动设备的最优检修路径规划的一项考量因素并不准确,而应当将排除异常工作状态后的专门检修人员(拟用检修人员)数量作为考量因素,但异常工作状态如何识别、如何排除成为面临的第二个难题。
此外,检修包运载自移动设备通常对多个检修对象进行检修包配送,在配送过程中,用于规划最优检修路径的考量因素是在动态变化的,此时若还是以初始规划的路径继续进行配送并非是最优的检修路径,因此需要动态规划最优检修路径,但具体如何对检修路径进行动态规划成为面临的第三个难题。
并且,当检修包运载自移动设备抵达目的地时,若不具有对目的地的故障设备进行检修能力的检修人员随意拿取检修包会给检修工作带来不必要的麻烦,因此对目的地的检修人员拿取检修包的权限进行验证尤为必要,但具体怎么验证成为面临的第四个难题。
发明内容
本发明以解决上述面临的4个难题为目的,提供了一种基于大数据分析的智慧工厂管理方法。
为达此目的,本发明采用以下技术方案:
提供一种基于大数据分析的智慧工厂管理方法,包括步骤:
L1,基于由内向外拓展且呈三角形态分布的多层级仓库组划定同个检修任务下的各检修对象所处的矩形区域范围,并分析每个检修人员的工作状态、每个所述检修对象因故障对所述矩形区域范围整体的发电功率缺失的影响值以及每个所述检修对象与其可用的仓库的距离值,然后计算每个所述检修对象的检修紧迫度,并按照检修紧迫度由高到低排列各所述检修对象形成关联每个所述仓库的检修对象清单;
L2,以动态更新的所述检修对象清单为依据动态规划从对应的所述仓库出发的检修包运载自移动设备的检修路径;
L3,每个所述检修包运载自移动设备根据为其动态规划的所述检修路径执行检修包配送任务,并在每次抵达配送目的地后,通过与所述检修人员的现场信息交互验证检修权限并通过后卸载检修包。
作为优选,步骤L1中,计算每个所述检修对象的所述检修紧迫度的方法包括步骤:
A1,识别同个所述检修任务下的每个所述检修对象可用的所述仓库,并计算每个所述检修对象与识别到的其可用的所述仓库的距离值;
A2,筛选出每个所述检修对象的可用检修人员,形成每个所述检修对象对应的检修人员列表,并对所述检修人员列表中的每个所述可用检修人员进行工作状态识别,以进一步筛选并统计每个所述检修对象的拟用检修人员的人员数量;
A3,计算每个检修对象因故障对所述矩形区域范围整体的发电功率缺失的影响值;
A4,计算关联每个所述检修对象的所述距离值、所述拟用检修人员的人员数量的倒数和所述影响值的加权求和值作为所述检修对象的所述检修紧迫度。
作为优选,步骤A1中,识别每个所述检修对象可用的所述仓库的方法为:
判断分布在所述矩形区域范围内的所述仓库组的层级是否为“1”,
若是,则根据第一策略识别各所述检修对象可用的所述仓库;
若否,则根据第二策略识别各所述检修对象可用的所述仓库;
所述第一策略为:
将所述仓库组的形态呈现的原始三角形划分为若干一级子三角形和若干二级子三角形,并对所述原始三角形和所述矩形区域范围的补集区域划分为若干反选子三角形;
然后,将每个所述二级子三角形与所归属的所述原始三角形共用的顶点所关联的所述仓库识别为分布在所述二级子三角形的覆盖区域内的各所述检修对象可用的所述仓库,将每个所述反选子三角形与最外层的所述仓库组的分布形态呈现的原始三角形共用的顶点所关联的仓库识别为分布在所述反选子三角形的覆盖区域内的各所述检修对象的所述仓库。
作为优选,所述第二策略具体包括步骤:
B1,对第x层级的仓库组的形态所呈现的第x原始三角形划分为若干所述一级子三角形,然后识别出归属于所述第x原始三角形的每个所述一级子三角形中分布的各所述仓库,形成仓库列表;
B2,提取分布在所述第x原始三角形与第x-1层级的第x-1原始三角形的补集区域且分布在归属于所述第x原始三角形的所述一级子三角形中的各所述检修对象,形成检修对象列表;
B3,计算所述检修对象列表中的每个所述检修对象与所述仓库列表中的每个所述仓库的距离,并将距离最小的所述仓库作为所述检修对象可用的仓库。
作为优选,绘制每个层级的仓库组的分布形态所呈现的所述原始三角形的外心并与所述原始三角形的每个顶点连线,以将所述原始三角形分割为若干个所述一级子三角形;
对每个层级的所述仓库组的分布形态所呈现的所述原始三角形中的每条边的中点与其所述外心连线,以将每个所述一级子三角形分割为两个所述二级子三角形;
对最外层的所述仓库组的分布形态所呈现的所述原始三角形与所述矩形区域范围的补集区域内的每个反选三角形,对所述反选三角形的中点与所述矩形区域范围的顶点连线,以将所述反选三角形分割为两个所述反选子三角形。
作为优选,步骤A2中,对每个所述可用检修人员进行工作状态识别的方法包括步骤:
C1,判定所述可用检修人员进入到所述矩形区域范围后生成自检指令并通过智能终端推送给所述可用检修人员,以提示所述可用检修人员通过佩戴眼镜进行状态自检;
C2,所述眼镜通过多层级的强光环境模拟验证所获取的校正系数对当前佩戴者的适应性,所述校正系数为从自然光环境进入到所述眼镜模拟的弱光环境的光强差对所述佩戴者的瞳孔扩缩特征变化的影响程度的量化指标,不同性别、处于不同年龄段的佩戴者具有分别对应的所述校正系数;
C3,从第一层级强光模拟环境下拟合的瞳孔收缩曲线段中提取表征瞳孔收缩特征的各指标的指标值并利用验证通过的所述校正系数校正后,形成第一指标值序列,然后与所述佩戴者对应的指标值标准序列进行一致性比对,
若比对成功,则判定所述可用检修人员的工作状态正常,并在所述检修人员列表中将其标记为所述拟用检修人员;
若比对失败,则从所述检修人员列表中过滤掉所述可用检修人员。
作为优选,步骤C2中,验证所述校正系数对当前的所述佩戴者的适应性的方法包括步骤:
C21,获取每一层级的强光模拟环境下的瞳孔扩大曲线段的各拟合点的预测值,并求解每个所述预测值与所属层级的强光模拟环境对应的校正折扣系数的除值;
C22,计算归属于同个层级的每个所述除值与对应的所述拟合点的真值的差值绝对值与所述真值的比值;
C23,计算归属于同个层级的各所述比值的平均比值,然后判断所述平均比值是否小于针对对应层级设置的平均比值阈值,
若是,则判定在对应层级对所述校正系数的适应性验证通过;
若否,则判定对所述校正系数的适应性验证失败并终止后续的强光环境模拟过程。
作为优选,步骤L2中,动态规划每个所述检修包运载自移动设备的检修路径的方法包括步骤:
L21,智慧工厂管理系统规划每个所述检修包运载自移动设备的初始检修路径,规划方法为:从所述检修包运载自移动设备停靠的所述仓库所关联的所述检修对象清单中抽取运载对象清单,并对所述运载对象清单中的各所述检修对象按所述检修紧迫度由高到低排列,并将检修紧迫度的排列顺序作为所述初始检修路径中抵达对应的所述检修对象的抵达顺序;
L22,所述智慧工厂管理系统以所述检修包运载自移动设备每次抵达运载目的地后完成检修包卸载为指令,从关联所述检修包运载自移动设备的所述运载对象清单中过滤掉当前次抵达的所述检修对象,然后重新计算过滤后的所述运载对象清单中的每个所述检修对象的所述检修紧迫度,以对所述运载对象清单中的剩余所述检修对象进行重新排序;
L23,提取更新后的所述运载对象清单中排序最前的首个所述检修对象作为所述检修包运载自移动设备配送检修包的下一目的地。
作为优选,步骤L3中,验证所述检修人员的检修权限并卸载所述检修包的方法包括步骤:
L31,智慧工厂管理系统生成验证指令推送给等候在所述检修包运载自移动设备当前抵达的目的地的下一目的地的检修人员以及设置在所述下一目的地的眼镜;
L32,所述检修人员以接收的所述验证指令为提示佩戴上所述眼镜并按下卸载码生成开关后,所述眼镜从所述验证指令中解析出验证所述校正系数时采集的自然光环境的光强;
L33,所述眼镜根据解析的所述光强模拟所述自然光环境,并在所述检修人员适应后,继续模拟第一层级强光环境,然后从第一层级强光模拟环境下拟合的瞳孔收缩曲线段中提取出表征瞳孔收缩特征的各指标值并形成第二指标值序列;
L34,将所述第二指标值序列与同个所述检修人员对应的所述第一指标值序列进行一致性比对,并在比对成功后生成卸载码并通过智能终端推送给所述检修人员;
L35,所述检修包运载自移动设备扫取所述卸载码后,搜寻出所述卸载码绑定的检修包并卸载。
本发明具有以下有益效果:
1、将动态规划检修路径的工作做了部分前置,通过由内向外拓展的呈三角形态分布的最末层仓库组来划定同个检修任务下的各检修对象所处的矩形区域范围的边界,并通过将矩形区域范围以各层仓库组分布的三角形态进一步划分为若干一级子三角形、二级子三角形和反选子三角形,实现了对分布在矩形区域范围内的每个检修对象可用的仓库的初步筛选。因此,在动态规划检修路径时,根据前置的可用性分析结果,可以快速获取每个检修对象可用的仓库,不再需要分析各检修包运载自移动设备从不同仓库出发的距离优先性,大幅提升了检修路径动态规划的效率。
2、以每一层级的原始三角形的外心和每条边的中点为离散依据,将矩形区域范围离散为若干一级子三角形、二级子三角形和反选子三角形。使用外心划定一级子三角形的目的是:对分布在原始三角形中的各检修对象的疑似可用自移动设备仓库做初步筛选,外心的确定已经考虑了分布在原始三角形中的各检修对象与设置在原始三角形的各顶点处的自移动设备仓库的距离优先性。使用外心和中点划定二级子三角形的目的是:对分布在一级子三角形中的各检修对象做可用的自移动设备仓库的二次筛选识别或对分布在反选子三角形中的各检修对象做可用的自移动设备仓库的直接筛选,二次筛选和直接筛选中,直接将划定的二级子三角形与一级子三角形共用的顶点关联的自移动设备仓库作为经筛选最后确定可用的自移动设备仓库,筛选算法简单、高效,有利于提升后续检修路径动态规划的效率。
3、以每个检修人员的工作状态、每个检修对象因故障对矩形区域范围整体的发电功率缺失的影响值以及每个检修对象与其可用的自移动设备仓库的距离值为考量因素,来计算每个检修对象的检修紧迫度,并按照检修紧迫度由高到低排列各检修对象形成为关联对应自移动设备仓库的检修对象清单,并在检修包运载自移动设备完成每次配送任务后,更新计算检修对象清单中的每个检修对象的检修紧迫度并更新该检修对象清单,然后依据更新的检修对象清单动态规划检修包运载自移动设备的最优检修路径,使得在同个检修对象对矩形区域范围整体的发电功率缺失的影响值以及工作状态正常的检修人员数量不断变化的条件下,实现了对不同类型检修对象能够以合理顺序得到及时检修。
4、使用校正系数对可用检修人员的瞳孔从自然光环境进入到模拟的弱光环境的光强差对处于不同年龄段、不同性别的可用检修人员的瞳孔特征变化的影响程度作了量化,并通过该校正系数对从第一层级强光模拟环境下拟合的瞳孔收缩曲线中提取的表征瞳孔收缩特征的各指标值进行校正,降低了从自然环境进入到弱光模拟环境的光强差本身对各指标值的正确性的影响,提高了对可用检修人员的工作状态判断的准确性,进而有利于提高后续对每个检修对象的检修紧迫度的计算的准确性以及对每个检修包运载自移动设备的最优检修路径规划的合理性。
5、通过多层级的强光环境模拟验证了校正系数对当前的眼镜佩戴者的适应性,并在验证校正系数的适应性时,通过每一层级的强光模拟环境对应的折扣系数,考虑了每一层级的强光模拟环境所模拟的光强本身对适应性验证准确性的影响,使得对校正系数适应性的验证更加准确。
6、通过多层级的强光环境模拟在验证校正系数的适应性时,按先后顺序排列的第一层级、第二层级、第三层级的强光模拟环境所模拟的环境光强设置为逐层级递减,并依据瞳孔在光强逐级递减的同类型模拟环境(强光模拟环境)下,瞳孔特征变化幅度趋于平缓的技术原理,采用复杂度由难到易的多项式逐级对相应层级的强光模拟环境下的瞳孔扩大段进行曲线拟合,在确保能够提取到验证校正系数适应性所需的丰富瞳孔变化特征的前提下,降低了对校正系数的适应性进行多层级验证的复杂度。
7、以瞳孔变化特征的各指标值为检修权限验证的依据,并在通过权限验证后直接生成卸载码供检修包运载自移动设备扫取并作一致性比对并通过后,检修包运载自移动设备自动卸下卸载码关联的检修包,有效防止了无权限检修的检修人员随意拿取检修包以及有权限检修但工作状态异常的检修人员带病上岗的现象。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的基于大数据分析的智慧工厂管理方法的实现步骤图;
图2是多层级仓库组呈三角形态分布在矩形区域范围以及在矩形区域范围中划定的一级子三角形、二级子三角形以及反选子三角形的示意图;
图3是弱光模拟环境和三级强光模拟环境下表征瞳孔扩缩特征的各拟合点的拟合曲线图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
在本发明的描述中,除非另有明确的规定和限定,若出现术语“连接”等指示部件之间的连接关系,该术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供的一种基于大数据分析的智慧工厂管理方法,如图1所示,包括步骤
L1,基于由内向外拓展且呈三角形态分布的多层级仓库组划定同个检修任务下的各检修对象所处的矩形区域范围,并分析每个检修人员的工作状态、每个检修对象因故障对矩形区域范围整体的发电功率缺失的影响值以及每个检修对象与其可用的仓库的距离值,然后计算每个检修对象的检修紧迫度,并按照检修紧迫度由高到低排列各检修对象形成关联每个仓库的检修对象清单;
每一层级的仓库组均呈三角形态分布。图2中示出了包含两个层级的呈三角形态分布的两层仓库组,分别为图2中所示的仓库组100和仓库组200,仓库组100中包括3个仓库,分别以附图标记101、102、103表示,仓库组200中包括3个仓库,分别以附图标记201、205、206表示。呈三角形态分布的各层仓库组由内向外拓展,最外层的仓库组决定了同个检修任务下的各检修对象所处的矩形区域范围的边界。比如图2中,最外层的仓库组为仓库组200,仓库组200呈三角形态分布的三角形的长边(如图2中的附图标记“L2”所示)为矩形区域范围的矩形的长,该三角形中垂直于长边的高为矩形区域范围的宽,由此而划定了同个检修任务下的各检修对象所处的矩形区域范围。
同个检修任务指的是:对厂区内发生故障的各检修对象,允许在同个时间段内进行检修的任务。比如,共有n个检修对象在1月1日-3日期间内发生了故障,这n个检修对象最晚允许在1月4日完成检修,则该检修任务为:在1月4日完成对这n个检修对象的检修。每个检修任务中记载了待检修的检修对象的数量、每个检修对象的定位位置信息、对检修人员的要求、拟检修时间、检修所需的检修包(检修工具、耗材等)等信息。
以呈三角形态分布的多层级仓库组来划定矩形区域范围的目的是,对后续动态规划检修路径的工作做部分前置,以由内向外逐层拓展的最外层的仓库组的三角形态来划定矩形区域范围的边界,并依据呈三角形态分布的各层级的仓库组之间的相对位置关系,将矩形区域范围进一步划分为若干一级子三角形、二级子三角形和反选子三角形,实现了对分布在矩形区域范围内的每个检修对象的可用仓库的初步筛选(检修对象的可用仓库指的是,从检修包运载自移动设备从该仓库出发前往该检修对象,相比较从其他仓库出发具有距离优先性)。因此,在动态规划检修路径时,根据前置的可用性分析结果,可以快速获取每个检修对象可用的仓库,不再需要分析各检修包运载自移动设备从不同仓库出发的距离优先性,能够大幅提升检修路径动态规划的效率。
本实施例中,识别每个检修对象可用的仓库的方法为:
判断分布在矩形区域范围内的仓库组的层级是否为“1”,
若是,则根据第一策略识别各检修对象可用的仓库;
若否,则根据第二策略识别各检修对象可用的仓库;
第一策略为:
将仓库组形态呈现的原始三角形划分为若干一级子三角形和若干二级子三角形,并对所述原始三角形和所述矩形区域范围的补集区域划分为若干反选子三角形;
在原始三角形中绘制若干一级子三角形的方法为:绘制原始三角形的外心(如图2中的附图标记“202”为仓库组100的分布形态呈现的三角形300的外心)与原始三角形的每个顶点的连线,以将原始三角形分割为若干一级子三角形(如图2中的附图标记“203”为对原始三角形300分割的一级三角形)。
在一级子三角形中进一步分割得到若干二级子三角形,分割方法为:对原始三角形中的每条边的中点(如图2中的附图标记“204”为三角形300的一条边的中点)与外心连线(如对图2中的中点204与外心202连线),以将每个一级子三角形分割为两个二级子三角形(如将图2中的一级子三角形203分割为两个分别以附图标记“2031”和“2032”表示的二级子三角形)。
原始三角形与矩形区域范围的补集区域指的是:最外层的仓库组的分布形态呈现的原始三角形与矩形区域范围的补集区域。比如图2中,最外层的仓库组为仓库组200,则补集区域为仓库组200的分布形态所呈现的原始三角形300与矩形区域范围的覆盖面积的补集。由图2可知,补集区域包括两个反选三角形,分别为第一反选三角形400和第二反选三角形500。分布在反选三角形400中的各检修对象部分距离仓库205近,部分距离仓库206近,因此为了进一步明确反选三角形中的每个检修对象可用的仓库,进一步将形成在补集区域中的每个反选三角形分割为两个反选子三角形,分割方法为:对反选三角形的中点(如图2中的附图标记“401”所示)与矩形区域范围的顶点(如图2中的附图标记“P1”所示)连线,以将所述反选三角形分割为两个反选子三角形(如图2中的附图标记“402”所示)。
然后,将每个二级子三角形与所归属的原始三角形共同的顶点所关联的仓库识别为分布在该二级子三角形的覆盖区域内的各检修对象可用的仓库,将每个反选子三角形与最外层的仓库组的分布形态呈现的原始三角形共用的顶点所关联的仓库识别为分布在该反选子三角形的覆盖区域内的各检修对象可用的仓库。
举例而言,对于图2中所示的二级子三角形2031,其与所归属的原始三角形300的共用顶点的附图标记为“206”,则将顶点206关联的仓库识别为分布在二级子三角形2031的覆盖区域内的各检修对象可用的仓库。图2中所示的最外层的仓库组的分布形态呈现的原始三角形300与反选子三角形402的共用顶点为顶点205,则将顶点205关联的仓库识别为分布在该反选子三角形402的覆盖区域内的各检修对象可用的仓库。
当矩形覆盖区域内包括多个层级的仓库组时,层级间的检修对象的可用仓库的选择范围变大,比如如图2中所示的检修对象D1,其分布在第一层级的第一原始三角形600之外与第二层级的第二原始三角形300之内的空间区域内,此时如何判断检修对象D1可用的仓库为图2中所示的仓库103还是仓库206成为面临的问题。本实施例采取第二策略解决这个问题,第二策略具体包括步骤:
B1,对第x层级的仓库组的形态所呈现的第x原始三角形划分的若干一级子三角形,然后识别出归属于第x原始三角形的每个一级三角形中分布的各仓库,形成仓库列表;
举例而言,如图2中所示,第x原始三角形为第二原始三角形300,第x-1原始三角形为第一原始三角形600。对于分割在第二原始三角形300中的一级子三角形301,识别出的分布在一级子三角形301中的仓库比如包括图2中所示的仓库102、仓库103、仓库205和仓库206,则形成的仓库列表如下表1示例:
表1
B2,提取分布在第x原始三角形与第x-1层级的第x-1原始三角形的补集区域且分布在在归属于第x原始三角形的一级子三角形中的各检修对象,形成检修对象列表;
举例而言,图2中所示的检修对象D1-D4均分布在第二原始三角形300和第一原始三角形600的补集区域内且分布在第二原始三角形300的一级子三角形301中。将检修对象D1-D4形成为下表2所示的检修对象列表:
表2
B3,计算检修对象列表中的每个检修对象与仓库列表中的每个仓库的距离,并将距离最小的仓库作为检修对象可用的仓库。
举例而言,计算图2中所示的检修对象D1与仓库102、仓库103、仓库205、仓库206中的每个仓库的距离,并将具有最小距离的仓库(比如仓库103)作为检修对象D1可用的仓库。
这里需要说明的是,对于多层级下的第一层级的第一原始三角形内和最外层的第n原始三角形与矩形区域范围的补集区域内分布的各检修对象,同样采用第一策略识别每个检修对象可用的仓库。
以下对步骤L1中计算每个检修对象的检修紧迫度的方法进行说明。
检修紧迫度计算包括如下步骤:
A1,识别同个检修任务下的每个检修对象可用仓库,并计算每个检修对象与识别到的其可用的仓库的距离值;
A2,筛选出每个检修对象的可用检修人员,形成为每个检修对象对应的检修人员列表,并对检修人员列表中的每个可用检修人员进行工作状态识别,以进一步筛选并统计每个检修对象的拟用检修人员的人员数量;
这里需要说明的是,可用检修人员指的是具有检修能力的检修人员,比如检修人员1和间休息人员2均具有维修检修对象A的能力,则检修人员1和检修人员2为检修对象A的可用检修人员。拟用检修人员为,拟派往现场进行检修的检修人员,比如检修人员1因工作状态异常等原因,无法前往现场对检修对象A进行检修,而检修人员2符合派往现场的条件,则将检修人员2确定为拟用检修人员。
对每个可用检修人员进行工作状态识别的方法具体包括步骤:
C1,判定可用检修人员进入到矩形区域范围后生成自检指令并通过智能终端推送给可用检修人员,以提示可用检修人员通过佩戴眼镜进行状态自检;可用检修人员手持的智能终端中安装有定位器,划定的矩形区域范围也具有电子围栏的边界,因此智能工厂管理系统通过获取可用检修人员的定位位置,并判断是否处于矩形区域范围的电子围栏的边界内,即可判定可用检修人员当前是否已进入矩形区域范围内。
C2,眼镜通过多层级的强光环境模拟验证所获取的校正系数对当前佩戴者的适应性,校正系数为从自然光环境进入到眼镜模拟的弱光环境的光强差对佩戴者的瞳孔扩缩特征变化的影响程度的量化指标,不同性别、处于不同年龄段的佩戴者具有分别对应的校正系数;
通过多层级的强光环境模拟验证所获取的校正系数对当前的佩戴者的适应性的方法具体包括如下步骤:
C21,获取每一层级的强光模拟环境下的瞳孔扩大曲线段的各拟合点的预测值,并求解每个预测值与所属层级的强光模拟环境对应的校正折扣系数的除值;
校正折扣系数为校正系数与所经历的各层级的强光模拟环境对应的各折扣系数的乘积。折扣系数为从弱光模拟环境或上一层级的强光模拟环境进入到相邻的下一层级的强光模拟环境的光强差对佩戴者的瞳孔扩缩特征变化的影响程度的量化指标。比如,如图3中所示,第一层级强光模拟环境对应的折扣系数为,针对当前佩戴者获取的校正系数为,则经历到第一层级强光模拟环境时的校正折扣系数为/>,经历到第二层级强光模拟环境时的校正折扣系数为/>。
各拟合点的预测值为拟合函数的y值,拟合函数以瞳孔变化特征的数据采集时间点为自变量,利用每个拟合点的横轴坐标值和纵轴坐标值拟合得到每一层级的强光模拟环境下的瞳孔扩大曲线段的拟合曲线,横轴坐标值为瞳孔变化特征的数据采集时间点,纵轴坐标值为采集到的瞳孔直径。瞳孔扩大曲线段如图3中的附图标记“s1”“s2”示例,s1和s2分别为第一层级和第二层级的强光模拟环境下的瞳孔扩大曲线段。
C22,计算归属于同个层级的每个除值与对应的拟合点的真值的差值绝对值与真值的比值;
例如,对于图3中的第一层级的强光模拟环境下的瞳孔扩大曲线段中的拟合点n1,假设其瞳孔直径的真值为,对应的除值为/>,则步骤C22中,对该拟合点n1计算的比值/>为/>。
C23,计算归属于同个层级的各比值的平均比值,然后判断平均比值是否小于针对对应层级设置的平均比值阈值,
若是,则判定在对应层级对校正系数的适应性验证通过;
若否,则判定对校正系数的适应性验证失败并终止后续层级的强光环境模拟过程。
举例而言,第一层级的强光模拟环境下在步骤C22中计算的比值包括,则步骤C23中计算的平均比值/>为/>,若针对第一层级的强光模拟环境设置的平均比值阈值为/>,则当/>时,判定在第一层级的强光模拟环境下对校正系数的适应性验证通过,否则直接判定对该校正系数的适应性验证失败并终止后续的强光环境模拟过程。
对校正系数的适应性若验证失败后,其实还有一套对校正系数本身的校正流程,但由于对校正系数的校正过程并非本发明要求权利保护的范围,因此不作具体说明。
本实施例中,优选采用三个层级的强光环境模拟对校正系数的适应性进行验证。更优选地,按先后顺序排列的第一层级、第二层级和第三层级的强光模拟环境所模拟的环境光强逐级递减,且更为优选地,分别采用一元三次多项式、一元二次多项式和一元一次多项式对第一层级、第二层级和第三层级的强光模拟环境下的瞳孔扩大段进行曲线拟合,得到每一层级的瞳孔扩大曲线段,这样做的技术优势在于,依据瞳孔在光强逐级递减的同类型模拟环境(本实施例为强光模拟环境)下,瞳孔特征变化幅度趋于平缓的技术原理,采用复杂度由难到易的多项式逐级对相应层级的强光模拟环境下的瞳孔扩大段进行曲线拟合,在确保能够提取导验证校正系数适应性所需的丰富瞳孔变化特征的前提下,降低了对校正系数的适应性进行多层级验证的复杂度。
对校正系数的适应性经多层级验证并通过后,对可用检修人员进行工作状态识别的方法转入步骤:
C3,从第一层级强光模拟环境下拟合的瞳孔收缩曲线段中提取的表征瞳孔收缩特征的各指标的指标值并利用验证通过的校正系数校正后,形成第一指标值序列,然后与佩戴者对应的指标值标准序列进行一致性以对,
若比对成功,则判定可用检修人员的工作状态正常,并在检修人员列表中将其标记为拟用检修人员;
若比对失败,则从检修人员列表中过滤掉该可用检修人员。
举例而言,如图3中的第一层级强光模拟环境下拟合的瞳孔收缩曲线段s3中提取的表征瞳孔收缩特征的各指标包括瞳孔收缩的最大速度、最大加速度、平均速度、瞳孔收缩幅度、瞳孔直径收缩到最小值经历的时长,对应的指标值分别假设为a1、a2、a3、a4、a5,通过校正系数校正后的各指标值分别对应为/>a1、/>a2、/>a3、/>a4、/>a5,则形成的第一指标值序列可以表示为:/>。/>
指标值标准序列为与当前佩戴者相同性别且处于同个年龄段的各检修人员历史每次检测的各指标值的平均值形成的指标值序列,比如,历史有3个检修人员与当前佩戴者相同性别且处于同个年龄段,假设这3个检修人员历史某次检测并经校正系数校正后的瞳孔收缩的最大速度的指标值为x1、x2、x3,则该指标对应的标准指标值为,则在做一致性比对时,将/>与/>做一致性比对,其他指标类型的指标值的一致性比对方法相同,不再赘述。
在对与/>做一致性比对时。判断是否一致的方法为计算与/>的偏离度,该偏离度可以为/>与/>的差值绝对值,若偏离度小于预设的偏离度阈值,则判定对该类型指标的指标值的一致性比对成功。当所有类型指标的指标值的一致性均比对成功时,判定该可用检修人员的工作状态正常,将其在检修人员列表中标记为拟用检修人员,否则,从列表中过滤掉该可用检修人员,表示该可用检修人员的工作状态不符合检修相应检修对象的安全检修要求。最终检修人员列表中剩余的检修人员的数量即为统计到的对应的检修对象的拟用检修人员的人员数量。
统计到每个检修对象的拟用检修人员的人员数量后,计算检修对象的检修紧迫度的方法转入步骤:
A3,计算每个检修对象因故障对矩形区域范围整体的发电功率缺失的影响值;举例而言,矩形区域范围内有检修对象A、B、C发生故障,矩形区域范围整体的发电功率因此而缺失M瓦,排除掉检修对象A的故障后,矩形区域范围整体的发电功率恢复了m1瓦,则表示在检修对象A、B、C同时故障的条件下,检修对象A对矩形区域范围整体的发电功率缺失的影响值为m1瓦。但若有检修对象A、B、C、D共4个检修对象同时故障,矩形区域范围整体的发电功率因此缺失N瓦,排除检修对象的故障后,矩形区域范围整体的发电功率恢复m2瓦,则表示在检修对象A、B、C、D同时故障的条件下,检修对象A对矩形区域范围整体的发电功率缺失的影响值为m2瓦。可以看出,不同的故障条件下,故障的同个检修对象对矩形区域范围整体的发电功率缺失的影响值可能并不相同。计算每个检修对象在不同故障条件下对矩形区域范围整体的发电功率缺失的影响值的方法有许多,且对于影响值的计算方法并非本发明要求权利保护的范围,也不影响本实施例提供的技术方案对技术问题的解决,因此不做具体说明。
A4,计算关联每个检修对象的距离值、拟用检修人员的人员数量的倒数和影响值的加权求和值作为检修对象的检修紧迫度。
这里需要说明的,检修对象与其可用的仓库的距离值越大,表示该检修对象的检修紧迫度越高,因为,距离值越小的检修对象距离呈三角形态分布的其他仓库越近,当其他仓库的检修包运载自移动设备执行完检修包配送任务后,智慧工厂管理系统可以再次调用其他仓库的检修包运载自移动设备对这些距离值较小的检修对象执行检修包配送任务。而对距离值较大的检修对象,其他仓库的检修包运载自移动设备再次执行检修包配送任务的成本较高,因此检修对象与其可用的仓库的距离值越大,表示该检修对象的检修紧迫度越高。
拟用检修人员的人员数量越多,检修紧迫度越低,因为可随时通知这些拟用检修人员中的任意一个前往现场进行检修。而拟用检修人员较少时,需要优先安排对相应的检修对象进行检修,因为拟用检修人员一旦发生出差等情况,可能相应的检修对象就无法得到及时检修。拟用检修人员的人员数量与检修紧迫度呈负相关,而检修对象与其可用的仓库的距离值,与检修紧迫度呈正相关,因此本实施例中,以拟用检修人员的人员数量的倒数作为检修紧迫度的计算依据。
故障的检修对象对矩形区域范围内整体的发电功率缺失的影响值越大,检修紧迫度越高。
经步骤L1形成每个仓库的检修对象清单后,如图1所示,本发明实施例提供的基于大数据分析的智慧工厂管理方法转入步骤:
L2,以动态更新的检修对象清单为依据动态规划从对应的仓库出发的检修包运载自移动设备的检修路径,具体包括步骤:
L21,智慧工厂管理系统规划每个检修包运载自移动设备的初始检修路径,规划方法为:从检修包运载自移动设备停靠的仓库所关联的检修对象清单中抽取运载对象清单,并对运载对象清单中的各检修对象按检修紧迫度由高到低排列,并将检修紧迫度的排列顺序作为初始检修路径中抵达对应的检修对象的抵达顺序;
L22,智慧工厂管理系统以检修包运载自移动设备每次抵达运载目的地后完成检修包卸载为指令,从关联该检修包运载自移动设备的运载对象清单中过滤掉当前次抵达的检修对象,然后重新计算过滤后的运载对象清单中的每个检修对象的检修紧迫度,以对运载对象清单中的剩余检修对象进行重新排序;
这里需要说明的是,影响检修紧迫度的因素包括检修对象的拟用检修人员的数量以及在部分检修对象的故障已被排除的条件下,剩余的检修对象对矩形区域范围整体的发电功率缺失的影响值在检修包运载自移动设备配送过程中可能发生变化,因此需要更新运载对象清单以实现对检修包运载自移动设备的最优检修路径的动态规划。
L23,提取更新后的运载对象清单中排序最前的首个检修对象作为检修包运载自移动设备配送检修包的下一目的地。
完成对检修包运载自移动设备的最优检修路径的动态规划后,如图1所示,本实施例提供的基于大数据分析的智慧工厂管理方法转入步骤:
L3,每个检修包运载自移动设备根据为其动态规划的检修路径执行检修包配送任务,并在每次抵达配送目的地后,通过与检修人员的现场信息交互验证检修权限并通过后卸载检修包。
验证检修人员的检修权限并卸载检修包的方法具体包括如下步骤:
L31,智慧工厂管理系统生成验证指令推送给等候在检修包运载自移动设备当前抵达的目的地的下一目的地的检修人员以及设置在下一目的地的眼镜;智慧工程管理系统生成该验证指令的时机为:检修包运载自移动设备在当前抵达的目的地卸下检修包,即检修包运载自移动设备卸下检修包后会给系统发送一个反馈指令,该反馈指令包括当前抵达的目的地的名称、定位信息和检修包卸载成功的信息,系统根据目的地的名称,从该检修包运载自移动设备关联的运载对象清单中提取出其将前往的下一目的地,然后生成验证指令并通过智能终端推送给等候在下一目的地的检修人员以及设置在下一目的地的眼镜;
L32,检修人员以接收的验证指令为提示佩戴上眼镜并按下卸载码生成开关后,眼镜从验证指令中解析出检修人员进入矩形区域范围时采集到的自然光环境的光强信息;
L33,眼镜模拟解析的光强并在检修人员适应(比如等候30秒后判定为该检修人员已适应解析的光强)后继续模拟第一层级的强光环境(此时模拟的第一层级强光环境与验证校正系数适应性时模拟的第一层级强光环境相同),然后从第一层级强光模拟环境下拟合的瞳孔收缩曲线段(如图3中的附图标记“s3”所示)中提取出表征瞳孔收缩特征的各指标值(包括瞳孔收缩的最大速度、最大加速度、平均速度、瞳孔收缩幅度、瞳孔直径收缩到最小值经历的时长)并形成第二指标值序列(表达形式与第一指标值序列相同);
L34,将第二指标值序列与同个检修人员对应的第一指标值序列进行一致性比对,
若比对成功,则生成卸载码并通过智能终端推送给检修人员;
若比对失败,则控制检修包运载自移动设备提示告警;
第二指标值序列和第一指标值序列的一致性比对方法与第一指标值序列和指标值标准序列的一致性比对方法的原理相同,不再赘述。
L35,检修包运载自移动设备扫取检修人员通过智能终端出示的卸载码后,搜寻出该卸载码绑定的检修包并卸载。
综上,本发明以在划定的矩形区域范围内的由内向外拓展的各层级的仓库组的分布形态所呈现的三角形中,通过进一步分割一级、二级和反选子三角形,实现了对矩形区域范围内的各检修对象的可用仓库的识别,以此对每个检修包运载自移动设备的检修路径的动态规划作了部分工作前置,有利于提升检修路径规划的效率。通过计算每个检修对象的检修紧迫度来动态规划自移动设备的最优检修路径,确保了对不同类型检修对象以合理顺序得到及时检修。通过模拟多层级的强光环境验证获取的校正系数对相应的检修人员的适应性,有利于提高检修紧迫度计算的准确性。以瞳孔前后变化特征为依据验证检修权限,防止了无权限或有权限但工作状态异常的检修人员进行检修的现象。
需要声明的是,上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白,还可以对本发明做各种修改、等同替换、变化等等。但是,这些变换只要未背离本发明的精神,都应在本发明的保护范围之内。另外,本申请说明书和权利要求书所使用的一些术语并不是限制,仅仅是为了便于描述。
Claims (9)
1.一种基于大数据分析的智慧工厂管理方法,其特征在于,包括步骤:
L1,基于由内向外拓展且呈三角形态分布的多层级仓库组划定同个检修任务下的各检修对象所处的矩形区域范围,以计算每个所述检修对象的检修紧迫度,并按照检修紧迫度由高到低排列各所述检修对象形成关联每个仓库的检修对象清单;
L2,以动态更新的所述检修对象清单为依据动态规划从对应的所述仓库出发的检修包运载自移动设备的检修路径;
L3,每个所述检修包运载自移动设备根据为其动态规划的所述检修路径执行检修包配送任务,并在每次抵达配送目的地后,通过与检修人员的现场信息交互验证检修权限并通过后卸载检修包。
2.根据权利要求1所述的基于大数据分析的智慧工厂管理方法,其特征在于,步骤L1中,计算每个所述检修对象的所述检修紧迫度的方法包括步骤:
A1,识别同个所述检修任务下的每个所述检修对象可用的所述仓库,并计算每个所述检修对象与识别到的其可用的所述仓库的距离值;
A2,筛选出每个所述检修对象的可用检修人员,形成每个所述检修对象对应的检修人员列表,并对所述检修人员列表中的每个所述可用检修人员进行工作状态识别,以进一步筛选并统计每个所述检修对象的拟用检修人员的人员数量;
A3,计算每个检修对象因故障对所述矩形区域范围整体的发电功率缺失的影响值;
A4,计算关联每个所述检修对象的所述距离值、所述拟用检修人员的人员数量的倒数和所述影响值的加权求和值作为所述检修对象的所述检修紧迫度。
3.根据权利要求2所述的基于大数据分析的智慧工厂管理方法,其特征在于,步骤A1中,识别每个所述检修对象可用的所述仓库的方法为:
判断分布在所述矩形区域范围内的所述仓库组的层级是否为“1”,
若是,则根据第一策略识别各所述检修对象可用的所述仓库;
若否,则根据第二策略识别各所述检修对象可用的所述仓库;
所述第一策略为:
将所述仓库组的形态呈现的原始三角形划分为若干一级子三角形和若干二级子三角形,并对所述原始三角形和所述矩形区域范围的补集区域划分为若干反选子三角形;
然后,将每个所述二级子三角形与所归属的所述原始三角形共用的顶点所关联的所述仓库识别为分布在所述二级子三角形的覆盖区域内的各所述检修对象可用的所述仓库,将每个所述反选子三角形与最外层的所述仓库组的分布形态呈现的原始三角形共用的顶点所关联的仓库识别为分布在所述反选子三角形的覆盖区域内的各所述检修对象的所述仓库。
4.根据权利要求3所述的基于大数据分析的智慧工厂管理方法,其特征在于,所述第二策略具体包括步骤:
B1,对第x层级的仓库组的形态所呈现的第x原始三角形划分为若干所述一级子三角形,然后识别出归属于所述第x原始三角形的每个所述一级子三角形中分布的各所述仓库,形成仓库列表;
B2,提取分布在所述第x原始三角形与第x-1层级的第x-1原始三角形的补集区域且分布在归属于所述第x原始三角形的所述一级子三角形中的各所述检修对象,形成检修对象列表;
B3,计算所述检修对象列表中的每个所述检修对象与所述仓库列表中的每个所述仓库的距离,并将距离最小的所述仓库作为所述检修对象可用的仓库。
5.根据权利要求3或4所述的基于大数据分析的智慧工厂管理方法,其特征在于,绘制每个层级的仓库组的分布形态所呈现的所述原始三角形的外心并与所述原始三角形的每个顶点连线,以将所述原始三角形分割为若干个所述一级子三角形;
对每个层级的所述仓库组的分布形态所呈现的所述原始三角形中的每条边的中点与其所述外心连线,以将每个所述一级子三角形分割为两个所述二级子三角形;
对最外层的所述仓库组的分布形态所呈现的所述原始三角形与所述矩形区域范围的补集区域内的每个反选三角形,对所述反选三角形的中点与所述矩形区域范围的顶点连线,以将所述反选三角形分割为两个所述反选子三角形。
6.根据权利要求2所述的基于大数据分析的智慧工厂管理方法,其特征在于,步骤A2中,对每个所述可用检修人员进行工作状态识别的方法包括步骤:
C1,判定所述可用检修人员进入到所述矩形区域范围后生成自检指令并通过智能终端推送给所述可用检修人员,以提示所述可用检修人员通过佩戴眼镜进行状态自检;
C2,所述眼镜通过多层级的强光环境模拟验证所获取的校正系数对当前佩戴者的适应性,所述校正系数为从自然光环境进入到所述眼镜模拟的弱光环境的光强差对所述佩戴者的瞳孔扩缩特征变化的影响程度的量化指标,不同性别、处于不同年龄段的佩戴者具有分别对应的所述校正系数;
C3,从第一层级强光模拟环境下拟合的瞳孔收缩曲线段中提取表征瞳孔收缩特征的各指标的指标值并利用验证通过的所述校正系数校正后,形成第一指标值序列,然后与所述佩戴者对应的指标值标准序列进行一致性比对,
若比对成功,则判定所述可用检修人员的工作状态正常,并在所述检修人员列表中将其标记为所述拟用检修人员;
若比对失败,则从所述检修人员列表中过滤掉所述可用检修人员。
7.根据权利要求6所述的基于大数据分析的智慧工厂管理方法,其特征在于,步骤C2中,验证所述校正系数对当前的所述佩戴者的适应性的方法包括步骤:
C21,获取每一层级的强光模拟环境下的瞳孔扩大曲线段的各拟合点的预测值,并求解每个所述预测值与所属层级的强光模拟环境对应的校正折扣系数的除值;
C22,计算归属于同个层级的每个所述除值与对应的所述拟合点的真值的差值绝对值与所述真值的比值;
C23,计算归属于同个层级的各所述比值的平均比值,然后判断所述平均比值是否小于针对对应层级设置的平均比值阈值,
若是,则判定在对应层级对所述校正系数的适应性验证通过;
若否,则判定对所述校正系数的适应性验证失败并终止后续的强光环境模拟过程。
8.根据权利要求1所述的基于大数据分析的智慧工厂管理方法,其特征在于,步骤L2中,动态规划每个所述检修包运载自移动设备的检修路径的方法包括步骤:
L21,智慧工厂管理系统规划每个所述检修包运载自移动设备的初始检修路径,规划方法为:从所述检修包运载自移动设备停靠的所述仓库所关联的所述检修对象清单中抽取运载对象清单,并对所述运载对象清单中的各所述检修对象按所述检修紧迫度由高到低排列,并将检修紧迫度的排列顺序作为所述初始检修路径中抵达对应的所述检修对象的抵达顺序;
L22,所述智慧工厂管理系统以所述检修包运载自移动设备每次抵达运载目的地后完成检修包卸载为指令,从关联所述检修包运载自移动设备的所述运载对象清单中过滤掉当前次抵达的所述检修对象,然后重新计算过滤后的所述运载对象清单中的每个所述检修对象的所述检修紧迫度,以对所述运载对象清单中的剩余所述检修对象进行重新排序;
L23,提取更新后的所述运载对象清单中排序最前的首个所述检修对象作为所述检修包运载自移动设备配送检修包的下一目的地。
9.根据权利要求6所述的基于大数据分析的智慧工厂管理方法,其特征在于,步骤L3中,验证所述检修人员的检修权限并卸载所述检修包的方法包括步骤:
L31,智慧工厂管理系统生成验证指令推送给等候在所述检修包运载自移动设备当前抵达的目的地的下一目的地的检修人员以及设置在所述下一目的地的眼镜;
L32,所述检修人员以接收的所述验证指令为提示佩戴上所述眼镜并按下卸载码生成开关后,所述眼镜从所述验证指令中解析出验证所述校正系数时采集的自然光环境的光强;
L33,所述眼镜根据解析的所述光强模拟所述自然光环境,并在所述检修人员适应后,继续模拟第一层级强光环境,然后从第一层级强光模拟环境下拟合的瞳孔收缩曲线段中提取出表征瞳孔收缩特征的各指标值并形成第二指标值序列;
L34,将所述第二指标值序列与同个所述检修人员对应的所述第一指标值序列进行一致性比对,并在比对成功后生成卸载码并通过智能终端推送给所述检修人员;
L35,所述检修包运载自移动设备扫取所述卸载码后,搜寻出所述卸载码绑定的检修包并卸载。
Publications (1)
Publication Number | Publication Date |
---|---|
CN118114910A true CN118114910A (zh) | 2024-05-31 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9164663B1 (en) | Monitoring and reporting system for an electric power distribution and/or collection system | |
CN108154244A (zh) | 地产电力设备的运维方法、装置和系统 | |
CN109905885A (zh) | 一种确定巡检基站列表的方法以及巡检装置 | |
CN110447206A (zh) | 自动故障恢复系统、控制设备、程序创建设备及计算机可读存储介质 | |
CN112434838A (zh) | 一种隔离推演模型及评估方法 | |
CN110262975A (zh) | 测试数据管理方法、装置、设备及计算机可读存储介质 | |
CN106682159A (zh) | 一种阈值配置方法 | |
CN110107992A (zh) | 基于设备的关联数据的运行参数控制方法 | |
CN110320443A (zh) | 一种低压配电网中停电区间的确定方法及系统 | |
CN113448808B (zh) | 一种批处理任务中单任务时间的预测方法、系统及存储介质 | |
CN109767108B (zh) | 一种电力调度系统线路状态精准分析方法 | |
CN114418143A (zh) | 车辆分修程检修计划生成方法、系统、存储介质及设备 | |
CN111709597B (zh) | 一种电网生产域运营监测系统 | |
CN118114910A (zh) | 基于大数据分析的智慧工厂管理方法 | |
CN110866739B (zh) | 一种考虑故障排查路径的配电网综合停电时间表示方法 | |
CN108879661B (zh) | 通过关联历史票校核倒闸操作的方法及设备 | |
CN110135511A (zh) | 电力系统时间断面的确定方法、装置以及电子设备 | |
CN104123469A (zh) | 一种普适计算环境上下文一致性检测调度系统及方法 | |
CN109687592A (zh) | 变电站信息显示控制方法、装置及电子设备 | |
CN112785142B (zh) | 物联网污水处理设备预警智慧工单方法及其系统 | |
CN115577708A (zh) | 基于nlp的暖通末端设备维修保养作业自动派单方法 | |
CN116484149A (zh) | 配网停电检修计划量化评估方法 | |
Sumic et al. | Fuzzy set theory based outage determination [for distribution networks] | |
CN107580329A (zh) | 一种网络分析优化方法及装置 | |
CN114496201A (zh) | 基于工业互联网标识的医疗设备维修方法、设备、介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication |