WO2021056349A1 - 监控生产订单状态的方法、装置、电子设备、介质以及程序产品 - Google Patents

监控生产订单状态的方法、装置、电子设备、介质以及程序产品 Download PDF

Info

Publication number
WO2021056349A1
WO2021056349A1 PCT/CN2019/108241 CN2019108241W WO2021056349A1 WO 2021056349 A1 WO2021056349 A1 WO 2021056349A1 CN 2019108241 W CN2019108241 W CN 2019108241W WO 2021056349 A1 WO2021056349 A1 WO 2021056349A1
Authority
WO
WIPO (PCT)
Prior art keywords
product
model
production
data
iot
Prior art date
Application number
PCT/CN2019/108241
Other languages
English (en)
French (fr)
Inventor
余明
张亮
Original Assignee
西门子股份公司
西门子（中国）有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 西门子股份公司, 西门子（中国）有限公司 filed Critical 西门子股份公司
Priority to EP19946371.2A priority Critical patent/EP4020346A4/en
Priority to PCT/CN2019/108241 priority patent/WO2021056349A1/zh
Priority to US17/763,563 priority patent/US11726461B2/en
Priority to CN201980100095.5A priority patent/CN114341899A/zh
Publication of WO2021056349A1 publication Critical patent/WO2021056349A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing

Definitions

  • the present disclosure generally relates to the field of Internet of Things technology, and more specifically, to methods, devices, electronic equipment, media, and program products for monitoring the status of production orders
  • a method for monitoring the status of factory production orders including: generating at least one production IoT model based on a production scheduling system document, the production IoT model including at least the process attributes of product processing; and product design based
  • the specification document generates at least one product IoT model, which also includes at least the process attributes of product processing; for a production IoT model, find a product IoT model with the same process attributes to associate it with the factory
  • the data of the production equipment collected by the data collection automation control system in the data collection automation control system is studied to obtain a data model representing the processing steps of the product; and the processing steps are matched with the process attributes in the product IoT model, and the determination is based on the matching result
  • the status of the factory's production order including: generating at least one production IoT model based on a production scheduling system document, the production IoT model including at least the process attributes of product processing; and product design based
  • the specification document generates at least one product IoT model, which also includes at least the
  • generating at least one production IoT model based on a production scheduling system document includes: generating a production IoT model for each order number in the production scheduling system document.
  • generating at least one product IoT model based on a product design specification document includes: extracting product metadata from a software design tool to generate the product IoT model.
  • matching the processing step with the process attribute of the product IoT model, and determining the production order status of the factory based on the matching result includes: if the processing step in the data model If the data change of is matched with the processing attributes in the product IoT model, the product processed by the current equipment and the order number are determined according to the production IoT model and the product IoT model.
  • the data collection automation control system includes at least one of a vibration sensor, a current sensor, a temperature sensor, and a humidity sensor.
  • learning the data of the production equipment collected by the data collection automation control system in the factory to obtain a data model representing the processing steps of the product includes: data-based change time, data At least one of the period and the amplitude of the data is changed, and the data clustering engine is used to learn the data to obtain a data model representing the processing steps of the product.
  • a device for monitoring the status of a factory production order including: a production IoT model generating unit configured to generate at least one production IoT model based on a production scheduling system document, the production IoT model It includes at least the process attributes of product processing; the product IoT model generation unit is configured to generate at least one product IoT model based on the product design specification document, and the product IoT model also includes at least the process attributes of product processing; IoT model association The unit is configured to find a product IoT model with the same process attributes for a production IoT model to associate with it; the data model acquisition unit is configured to correlate the production equipment collected by the data collection automation control system in the factory The data is learned to obtain a data model representing the processing steps of the product; and an order status determining unit is configured to match the processing steps with the process attributes of the product IoT model, and determine the production order status of the factory based on the matching result .
  • the production IoT model generation unit is further configured to generate a production IoT model for each order number in the production scheduling system document.
  • the product IoT model generation unit is further configured to: extract product metadata from a software design tool to generate the product IoT model.
  • the order status determining unit is further configured to: if the data change of the processing step in the data model matches the processing attribute of the product IoT model, then according to the Produce the Internet of Things model and the product Internet of Things model to determine the product processed by the current equipment and the order number.
  • the data collection automation control system includes at least one of a vibration sensor, a current sensor, a temperature sensor, and a humidity sensor.
  • the data model obtaining unit (208) is further configured to: adopt data aggregation based on at least one of data change time, data change period, and data amplitude.
  • the class engine learns the data to obtain a data model representing the processing steps of the product.
  • an electronic device including: at least one processor; and a memory coupled with the at least one processor, the memory is used to store instructions, when the instructions are used by the at least one When the processor executes, the processor is caused to execute the method as described above.
  • a non-transitory machine-readable storage medium which stores executable instructions that, when executed, cause the machine to perform the method as described above.
  • a computer program including computer-executable instructions that, when executed, cause at least one processor to perform the method as described above.
  • a computer program product that is tangibly stored on a computer-readable medium and includes computer-executable instructions that, when executed, cause at least A processor executes the method described above.
  • the original data in factory production can be matched with the production process to determine the production status of the factory, such as the status of the order, the status of the equipment, and so on. It reduces the cost of labeling data, makes production more efficient, and can help managers understand the production status of the factory and assist in production scheduling.
  • FIG. 1 is a flowchart showing an exemplary process of a method for monitoring the status of a factory production order according to an embodiment of the present disclosure
  • FIG. 2 is a block diagram showing an exemplary configuration of an apparatus for monitoring the status of factory production orders according to an embodiment of the present disclosure
  • Figure 3 is a schematic diagram of a production IoT model
  • Figure 4 is a schematic diagram of a product IoT model
  • Figure 5 is a schematic diagram of a vibration data model
  • Figure 6 is a schematic diagram of a product IoT model and data model matching
  • Figure 7 is a schematic diagram of an incorrect vibration data model
  • FIG. 8 shows a block diagram of an electronic device for monitoring the status of a production order according to an embodiment of the present disclosure.
  • Processing time 4024-2 Rotation speed
  • Vibration data model S1, S2, S3, S4 In the data model
  • the term “including” and its variations mean open terms, meaning “including but not limited to.”
  • the term “based on” means “based at least in part on.”
  • the terms “one embodiment” and “an embodiment” mean “at least one embodiment.”
  • the term “another embodiment” means “at least one other embodiment.”
  • the terms “first”, “second”, etc. may refer to different or the same objects. Other definitions can be included below, whether explicit or implicit. Unless clearly indicated in the context, the definition of a term is consistent throughout the specification.
  • the present disclosure proposes a method for automatically tagging data using data collected by production scheduling system documents, product design specification documents, and a data collection automation control system in a factory.
  • a data model representing the state characteristics of the data is obtained based on the data collected by the data collection automation control system, and the determined data model is combined with the IoT model generated based on the production scheduling system document and the product design specification document Matching is performed to supplement the contextual information of the data, and the status of the production order can be determined according to the matching result, such as the products processed by the current equipment and the order number.
  • the cost of labeling data is reduced, making production more efficient, and can help managers understand the production status of the factory and assist in production scheduling.
  • FIG. 1 is a flowchart showing an exemplary process of a method 100 for monitoring the status of a factory production order according to an embodiment of the present disclosure.
  • At least one production IoT model (hereinafter also referred to as production IOT model) is generated based on the production scheduling system document.
  • the production IOT model is a model used to represent the production status of a production order. Specifically, a production IOT model can be generated for each order number in the production scheduling system document.
  • Fig. 3 is a schematic diagram showing a specific example of producing an IOT model 300.
  • the production IOT model 300 shown in FIG. 3 is an IOT model in which the production order 301 is 04001180301.
  • the IOT model can include: the order number 302 is 04001180301; the start time 303 is, for example, April 8th 304; the end time 305 is April 18th 306; the order includes processes C14, C03, and C07; 307 represents the next Process, that is, the next process of C14 is C03, the next process of C03 is C07, and 308 represents the previous process.
  • the production IOT model can be generated according to the SCADA (Supervisory Control And Data Acquisition, data acquisition and monitoring control) system description file. It can also be set manually by the operator. For different production lines, different production IOT models can be set, for example, including different object attributes and the relationship between attributes and the relationship between objects.
  • SCADA Supervisory Control And Data Acquisition, data acquisition and monitoring control
  • a product IoT model (hereinafter also referred to as a product IOT model) is generated based on the product design specification document.
  • the product IOT model is a model used to represent the production process information of a product.
  • the product IOT model can determine the important metadata of the production line to obtain the characteristic information of the production.
  • the generated production IOT model and product IOT model both include the attribute of product processing technology, and the two IOT models can be associated through the process attribute.
  • the product IOT model can extract product metadata from software design tools, such as PLM (product life cycle management), EPLAN, etc., and generate the product IOT model based on the metadata.
  • PLM product life cycle management
  • EPLAN electronic local area network
  • the specific format of the product design specification document may be, for example, a table document, an XML document, a CVS document, and so on.
  • the product design specification document may be a tabular document.
  • each header of the product design specification document can be used as the attribute of the product IOT model
  • the value of each column can be used as the attribute of the product IOT model.
  • the value of the attribute of the product IOT model is used to generate the product IOT model.
  • various specific information about the production order can be determined from the attribute values in the two IOT models, such as the products processed by the current equipment and the order number.
  • block S108 the data of the production equipment collected by the data collection automation control system in the factory is learned to obtain a data model representing the processing steps of the product.
  • the data collection automation control system may include, but is not limited to, at least one of the following: vibration sensor, current sensor, temperature sensor, humidity sensor, etc., which are used to collect data of the production equipment.
  • three dimensions of data at least one of the change time of the data, the change period of the data, and the amplitude of the data can be used, and the data clustering engine can be used to learn the data.
  • the data clustering engine can annotate sensor data events and perform analysis to obtain a data model, which can represent the processing steps of the product.
  • the following process may be used to match the processing steps with the process attributes in the product IOT model.
  • the product IOT model can be matched with the data model obtained based on the data collected by other sensors until all the data obtained based on the data of different sensors are matched. The models are matched.
  • the raw data in factory production can be matched with the production process to determine the production status of the factory, such as the status of the order, the status of the equipment, and so on. It reduces the cost of labeling data, makes production more efficient, and can help managers understand the production status of the factory and assist in production scheduling.
  • FIG. 2 is a block diagram showing an exemplary configuration of an apparatus 200 for monitoring the status of factory production orders according to an embodiment of the present disclosure.
  • the device 200 for monitoring the status of factory production orders includes: a production IOT model generating unit 202, a product IOT model generating unit 204, an IoT model associating unit 206, a data model obtaining unit 208, and an order status determining 210.
  • the production IOT model generating unit 202 is configured to generate at least one production IOT model based on the production scheduling system document, and the production IoT model includes at least the process attributes of product processing.
  • the product IOT model generating unit 204 is configured to generate at least one product IOT model based on the product design specification document, and the product IoT model also includes at least the process attributes of the product processing.
  • the Internet of Things model associating unit 206 is configured to find a product Internet of Things model that has the same process attributes for a production Internet of Things model and associate it.
  • the data model obtaining unit 208 is configured to be configured to learn the data of the production equipment collected by the data collection automation control system in the factory to obtain a data model representing the processing steps of the product.
  • the order status determination unit 210 is configured to match the processing steps with the process attributes of the product IoT model, and determine the production order status of the factory based on the matching result.
  • the production IOT model generating unit 204 is further configured to generate a production IOT model for each order number in the production scheduling system document.
  • the product IOT model generating unit 206 is further configured to extract product metadata from a software design tool to generate the product IOT model.
  • the order status determining unit 210 is further configured to: if the data change of the processing step in the data model matches the processing attribute of the product IoT model, then perform according to the production IoT model and the product IoT model.
  • the network model is used to determine the products and order numbers processed by the current equipment.
  • the data collection automation control system includes at least one of a vibration sensor, a current sensor, a temperature sensor, and a humidity sensor.
  • the data model obtaining unit 208 is further configured to: use a data clustering engine to learn the data based on at least one of the change time of the data, the change period of the data, and the amplitude of the data to obtain the representation
  • the details of the operations and functions of the various parts of the device 200 for monitoring the status of factory production orders by the data model of the product processing steps may be, for example, related to the relevant parts of the embodiment of the method 100 for monitoring the status of factory production orders of the present disclosure described with reference to FIG. 1 The same or similar, and will not be described in detail here.
  • the structure of the device 200 for monitoring the status of factory production orders and its constituent units shown in FIG. 2 is only exemplary, and those skilled in the art can modify the structure block diagram shown in FIG. 2 as needed.
  • Table 1 below is a production scheduling system document obtained from the order management system.
  • this order with the order number 04001180301 has 3 processes, C14, C03 and C07. From the production schedule, you can learn about a certain point in time, which station the machine tool is working at, and other information.
  • the production IOT model 300 shown in FIG. 3 includes order number, start time, end time, process number, and the relationship between them.
  • Table 2 below is an example of a product design specification table.
  • a product IOT model 400 as shown in FIG. 4 can be obtained.
  • the IOT model shown in FIG. 4 can be associated with the IOT model shown in FIG. 3 through the process attribute C03.
  • the object 401 indicates that the unit number is V101971.
  • the process parameter 402 includes four processing steps 4021, 4022, 4023, and 4024. Each process step includes processing time 4021-1, 4022-1, 4023-1, 4024-1 and rotation speed 4021-2, 4022-2, 4023-2, and 4024-2 respectively, wherein the time is 2 minutes.
  • the IOT model in FIG. 4 also shows that the next process 403 of C03 is C07, and the previous process 404 is C14. In FIG. 4, some attributes included in processes C07 and C14 are omitted.
  • the IOT model in FIG. 4 also includes a tool 405.
  • the tool 405 may include an attribute machine tool 4051, and the number of the machine tool 4051 is X6140.
  • FIG. 3 and FIG. 4 is only for illustration and does not limit the protection scope of the present invention.
  • each parameter in the product IOT model can also be obtained from the factory's data collection automation control system.
  • the recommended value of each parameter can also be obtained from the product manual.
  • FIG. 5 is a schematic diagram of the vibration data model 500. From the vibration data model shown in FIG. 5 The following production process can be determined:
  • the production status shown in the production IOT model and the production process information of the product shown in the product IOT model can be compared with the data model obtained based on data learning.
  • the product IOT model is first searched for whether there is a variable that changes simultaneously with the data of the processing step in the vibration data-based data model, has the same period or the same amplitude. If such a variable exists, it can be based on the product.
  • the IoT model determines the products and order numbers processed by the current equipment.
  • the product IOT model of the order 04001180301 If no variable directly related to the data model is found in the product IOT model of the order 04001180301, it can be matched with the data model obtained based on the data collected by other sensors, until all the data models obtained based on the data of different sensors are matched. Both are matched. For example, current data collected by a current sensor, temperature data collected by a temperature sensor, etc.
  • FIG. 6 is a schematic diagram of the matching result 600 of the process of the IOT model and the steps of the data model.
  • the time interval can be reduced from the second level to the microsecond level.
  • the data of the vibration sensor of X6140 matches the C03 process of V101971 in the order number 0400110301.
  • the data of the vibration sensor matches the production process, it can be determined that the ongoing order on the C03 machine tool is 0400110301.
  • the raw data in factory production can be matched with the production process to determine the production status of the factory, such as the status of the order, the status of the equipment, and so on. It reduces the cost of labeling data, makes production more efficient, and can help managers understand the production status of the factory and assist in production scheduling.
  • FIGS. 1 to 7 the embodiments of the apparatus and method for monitoring the status of production orders according to the embodiments of the present disclosure are described.
  • the above-mentioned device for monitoring the status of the production order can be implemented by hardware, or by software or a combination of hardware and software.
  • FIG. 8 shows a block diagram of an electronic device 800 for monitoring the status of a production order according to an embodiment of the present disclosure.
  • the electronic device 800 may include at least one processor 802, which executes at least one computer-readable instruction stored or encoded in a computer-readable storage medium (ie, the memory 1004) (ie, the above-mentioned in the form of software) Implemented elements).
  • computer-executable instructions are stored in the memory 804, which when executed, cause at least one processor 802 to complete the following actions: generate at least one production IoT model based on a production scheduling system document, the production IoT model At least include the process attributes of product processing; generate at least one product IoT model based on the product design specification document, and the product IoT model also includes at least the process attributes of product processing; for a production IoT model, find the product with the same process attributes Associate a product IoT model; learn the data of the production equipment collected by the data collection automation control system in the factory to obtain a data model representing the processing steps of the product; and associate the processing steps with the product IoT model The process attributes in the process are matched, and the production order status of the factory is determined based on the matching result.
  • a non-transitory machine-readable medium may have machine-executable instructions (that is, the above-mentioned elements implemented in the form of software), which when executed by a machine, cause the machine to execute the various embodiments of the present disclosure in conjunction with FIGS. 1-7.
  • machine-executable instructions that is, the above-mentioned elements implemented in the form of software
  • a computer program including computer-executable instructions, which when executed, cause at least one processor to execute each of the above described in conjunction with FIGS. 1-7 in the various embodiments of the present disclosure.
  • a computer program product including computer-executable instructions, which when executed, cause at least one processor to execute the above described in conjunction with FIGS. 1-7 in the various embodiments of the present disclosure.

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Human Resources & Organizations (AREA)
  • Quality & Reliability (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

一种监控生产订单状态的方法、装置、电子设备、介质以及程序产品，涉及物联网技术领域。所述方法包括：基于生产排程系统文档生成至少一个生产物联网模型，所述生产物联网模型至少包括产品加工的工艺属性；基于产品设计规格文档生成至少一个产品物联网模型，所述产品物联网模型也至少包括产品加工的工艺属性；针对一个生产物联网模型，找到与其具有相同工艺属性的一个产品物联网模型进行关联；对由工厂中的数据采集自动化控制系统采集的生产设备的数据进行学习来得到表示产品的加工步骤的数据模型；以及将所述加工步骤与所述产品物联网模型中的工艺属性进行匹配，基于匹配结果确定工厂的生产订单状态。

Description

监控生产订单状态的方法、装置、电子设备、介质以及程序产品 技术领域
本公开通常涉及物联网技术领域，更具体地，涉及用于监控生产订单状态的方法、装置、电子设备、介质以及程序产品
背景技术
在工厂操作系统中，人工智能或者其他智能技术可以帮助处理越来越多的数据，来使得系统运行更加高效。但是需要将所有的数据加上标签或者将数据结构化来训练算法模型，以识别特定的场景，这需要极大的工作量。
此外，有大量的工厂具有一些只有有限数据接口的遗留设备，无法提供丰富的信息用于产品过程监控和优化。
目前，数据都是依靠手工进行标记和映射的，例如无人驾驶汽车需要数以亿计的标记图片来训练软件算法，从而可以确定在路上有人。如果数据被错误标记，汽车可能发生碰撞。在工厂中也会发生同样的情况。工程师需要对所有的数据进行标记和结构化，然后将其发送到自动化系统。有时候工程师需要花费几个星期进行调查、观测以及与工厂的操作者和管理者进行沟通。
发明内容
在下文中给出关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。
根据本公开的一个方面，提供了监控工厂生产订单状态的方法，包括：基于生产排程系统文档生成至少一个生产物联网模型，所述生产物联网模 型至少包括产品加工的工艺属性；基于产品设计规格文档生成至少一个产品物联网模型，所述产品物联网模型也至少包括产品加工的工艺属性；针对一个生产物联网模型，找到与其具有相同工艺属性的一个产品物联网模型进行关联；对由工厂中的数据采集自动化控制系统采集的生产设备的数据进行学习来得到表示产品的加工步骤的数据模型；以及将所述加工步骤与所述产品物联网模型中的工艺属性进行匹配，基于匹配结果确定工厂的生产订单状态。
可选地，在上述方面的一个示例中，基于生产排程系统文档生成至少一个生产物联网模型包括：针对所述生产排程系统文档中的每一个订单号生成一个生产物联网模型。
可选地，在上述方面的一个示例中，基于产品设计规格文档生成至少一个产品物联网模型包括：从软件设计工具中提取产品元数据，来生成所述产品物联网模型。
可选地，在上述方面的一个示例中，将所述加工步骤与所述产品物联网模型的工艺属性进行匹配，基于匹配结果确定工厂的生产订单状态包括：如果所述数据模型中的加工步骤的数据变化与所述产品物联网模型中的加工属性相匹配，则根据所述生产物联网模型以及所述产品物联网模型来确定当前设备加工的产品和订单号。
可选地，在上述方面的一个示例中，所述数据采集自动化控制系统包括振动传感器、电流传感器、温度传感器、湿度传感器中的至少一项。
可选地，在上述方面的一个示例中，对由工厂中的数据采集自动化控制系统采集的生产设备的数据进行学习来得到表示产品的加工步骤的数据模型包括：基于数据的改变时间、数据的改变周期和数据的幅值中的至少一项，采用数据聚类引擎对所述数据进行学习，来得到表示产品的加工步骤的数据模型。
根据本公开的另一方面，提供了监控工厂生产订单状态的装置，包括：生产物联网模型生成单元，被配置为基于生产排程系统文档生成至少一个生产物联网模型，所述生产物联网模型至少包括产品加工的工艺属性；产品物联网模型生成单元，被配置为基于产品设计规格文档生成至少一个产品物联网模型，所述产品物联网模型也至少包括产品加工的工艺属性；物 联网模型关联单元，被配置为针对一个生产物联网模型，找到与其具有相同工艺属性的一个产品物联网模型进行关联；数据模型获得单元，被配置为对由工厂中的数据采集自动化控制系统采集的生产设备的数据进行学习来得到表示产品的加工步骤的数据模型；以及订单状态确定单元，被配置为将所述加工步骤与所述产品物联网模型的工艺属性进行匹配，基于匹配结果确定工厂的生产订单状态。
可选地，在上述方面的一个示例中，所述生产物联网模型生成单元进一步被配置为：针对所述生产排程系统文档中的每一个订单号生成一个生产物联网模型。
可选地，在上述方面的一个示例中，所述产品物联网模型生成单元进一步被配置为：从软件设计工具中提取产品元数据，来生成所述产品物联网模型。
可选地，在上述方面的一个示例中，订单状态确定单元进一步被配置为：如果所述数据模型中的加工步骤的数据变化与所述产品物联网模型的加工属性相匹配，则根据所述生产物联网模型以及所述产品物联网模型来确定当前设备加工的产品和订单号。
可选地，在上述方面的一个示例中，所述数据采集自动化控制系统包括振动传感器、电流传感器、温度传感器、湿度传感器中的至少一项。
可选地，在上述方面的一个示例中，所述数据模型获得单元(208)进一步被配置为：基于数据的改变时间、数据的改变周期和数据的幅值中的至少一项，采用数据聚类引擎对所述数据进行学习，来得到表示产品的加工步骤的数据模型。
根据本公开的另一方面，提供了电子设备，包括：至少一个处理器；以及与所述至少一个处理器耦合的一个存储器，所述存储器用于存储指令，当所述指令被所述至少一个处理器执行时，使得所述处理器执行如上所述的方法。
根据本公开的另一方面，提供了一种非暂时性机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的方法。
根据本公开的另一方面，提供了一种计算机程序，包括计算机可执行 指令，所述计算机可执行指令在被执行时使至少一个处理器执行如上所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，所述计算机程序产品被有形地存储在计算机可读介质上并且包括计算机可执行指令，所述计算机可执行指令在被执行时使至少一个处理器执行如上所述的方法。
根据本公开的监控生产订单状态的方法和装置，可以将工厂生产中的原始数据与生产过程进行匹配，来确定工厂的生产状态，例如订单的状态、设备的状态等。减少了对数据进行标记的成本，使得生产更加高效，并且可以帮助管理者了解工厂的生产状态，辅助进行生产排程。
附图说明
参照下面结合附图对本发明实施例的说明，会更加容易地理解本发明的以上和其它目的、特点和优点。附图中的部件只是为了示出本发明的原理。在附图中，相同的或类似的技术特征或部件将采用相同或类似的附图标记来表示。
图1是示出了根据本公开的一个实施例的监控工厂生产订单状态的方法的示例性过程的流程图；
图2是示出了根据本公开的一个实施例的监控工厂生产订单状态的装置的示例性配置的框图；
图3是一个生产物联网模型的示意图；
图4是一个产品物联网模型的示意图；
图5是一个振动数据模型的示意图；
图6是一个产品物联网模型与数据模型匹配的示意图；
图7是一个错误的振动数据模型的示意图；以及
图8示出了根据本公开的实施例的监控生产订单状态的电子设备的方框图。
附图标记
100：监控工厂生产订单状态的方  S102、S104、S106、S108、S110：
法                             步骤
200：监控工厂生产订单状态的装     202：生产物联网模型生成单元
置
204：产品物联网模型生成单元       206：物联网模型关联单元
208：数据模型获得单元             210：订单状态确定单元
300：生产物联网模型               400：产品物联网模型
301：生产订单号                   302：订单号
303：开始时间                     304：日期
305：结束时间                     306：日期
C14、C03、C07：工艺编号           307：下一个工艺
308：前一个工艺                   401：对象
402：工艺参数                     4021、4022、4023、4024：加
                                  工步骤
4021-1、4022-1、4023-1、4024-1：  4021-2、4022-2、4023-2、
加工时间                          4024-2：旋转速度
403：下一个工艺                   404：前一个工艺
405：工具                         4051：机床
500：振动数据模型                 S1、S2、S3、S4：数据模型中
                                  的四个加工步骤
600：匹配结果                     P1、P2、P3、P4：四个工艺过
                                  程
700：错误的数据模型               Sa、Sb、Sc：错误的数据模型
                                  中的三个加工步骤
800：电子设备                     802：处理器
804：存储器
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下，对所讨论的元素的功 能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。例如，所描述的方法可以按照与所描述的顺序不同的顺序来执行，以及各个步骤可以被添加、省略或者组合。另外，相对一些示例所描述的特征在其它例子中也可以进行组合。
如本文中使用的，术语“包括”及其变型表示开放的术语，含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义，无论是明确的还是隐含的。除非上下文中明确地指明，否则一个术语的定义在整个说明书中是一致的。
本公开提出了一种利用生产排程系统文档、产品设计规格文档以及工厂中的数据采集自动化控制系统采集的数据来自动给数据加标签的方法。根据本公开的方法，基于数据采集自动化控制系统所采集的数据得到表示数据的状态特性的数据模型，并将所确定的数据模型与基于生产排程系统文档和产品设计规格文档所生成物联网模型进行匹配，来补充数据的上下文信息，根据匹配结果可以确定生产订单的状态，例如当前设备加工的产品和订单号等。通过这样的方案，减少了对数据进行标记的成本，使得生产更加高效，并且可以帮助管理者了解工厂的生产状态，辅助进行生产排程。
现在结合附图来描述根据本公开的实施例的生产订单状态的监控方法和装置。
图1是示出了根据本公开的一个实施例的监控工厂生产订单状态的方法100的示例性过程的流程图。
在图1中，首先在方框S102中，基于生产排程系统文档生成至少一个生产物联网模型(下文中也称为生产IOT模型)。
生产IOT模型是用于表示生产订单的生产状态的模型。具体地，可以针对所述生产排程系统文档中的每一个订单号生成一个生产IOT模型。
如图3是示出生产IOT模型300的一个具体示例的示意图。图3所示的生产IOT模型300是关于生产订单301为04001180301的IOT模型。IOT 模型中可以包括：订单号302为04001180301；开始时间303例如为4月8日304；结束时间305为4月18日306；该订单包括的工艺有C14、C03和C07；其中307表示下一个工艺，即C14的下一个工艺是C03，C03的下一个工艺是C07，308表示前一个工艺。
在一个示例中，可以根据SCADA(Supervisory Control And Data Acquisition，数据采集与监视控制)系统描述文件来生成生产IOT模型。也可以由操作人员手工设置。针对不同的生产线，可以设置不同的生产IOT模型，例如包括不同的对象属性以及属性之间的关系和对象之间的关系。
接着，在方框S104中，基于产品设计规格文档生成产品物联网模型(下文中也称为产品IOT模型)。
产品IOT模型是用于表示产品的生产工艺信息的模型。产品IOT模型可以确定生产线的重要元数据来得到生产的特征信息。
在根据本公开的方法中，所生成的生产IOT模型和产品IOT模型都包括产品加工的工艺这个属性，通过工艺属性可以将两个IOT模型关联起来。
产品IOT模型例如可以从软件设计工具、例如PLM(产品生命周期管理)、EPLAN等，提取产品元数据，基于元数据来生成产品IOT模型。
产品设计规格文档的具体格式例如可以是表格文档、XML文档、CVS文档等。
在一个示例中，产品设计规格文档可以是表格型文档，对于这种表格型文档，可以用产品设计规格文档的每一列表头作为所述产品IOT模型的属性，用每一列的值作为所述产品IOT模型的属性的值，来生成产品IOT模型。
接下来，在方框S106中，针对生产IOT模型，找到与其具有相同工艺属性的产品IOT模型进行关联。
通过将生产IOT模型和产品IOT模型相关联，可以从这两个IOT模型中的属性值确定关于生产订单的多种具体信息，例如当前设备加工的产品和订单号等。
接下来，在方框S108中，对由工厂中的数据采集自动化控制系统采集的生产设备的数据进行学习来得到表示产品的加工步骤的数据模型。
其中，所述数据采集自动化控制系统例如可以包括但不限于以下中的 至少一项：振动传感器、电流传感器、温度传感器、湿度传感器等，利用这些传感器来采集所述生产设备的数据。
其中，例如可以利用数据的三个维度：数据的改变时间、数据的改变周期和数据的幅值中的至少一项，采用数据聚类引擎对数据进行学习。数据聚类引擎可以标注传感器数据的事件并进行分析得到数据模型，该数据模型可以表示产品的加工步骤。
本领域技术人员可以理解，还可以通过统计的方法或者机器学习方法，对监测得到的数据进行统计分析或者机器学习，从而获得数据模型。此外，在数据分析或者机器学习过程中，可以根据用户的反馈对所采用的规则和参数进行更新，进而更新数据模型。
最后，在方框S110中，将所述加工步骤与所述产品IOT模型中的工艺属性进行匹配，基于匹配结果确定工厂的生产订单状态。
具体地，例如可以通过以下过程来将所述加工步骤与所述产品IOT模型中的工艺属性进行匹配。
首先在产品IOT模型中搜索是否存在与数据模型中的加工步骤的数据同时改变、具有相同的周期或者相同的幅值的变量，如果存在这样的变量，则可以认为产品IOT模型与数据模型匹配，可以根据生产IOT模型和产品IOT模型中的属性值确定当前设备加工的产品和订单号。
如果在产品IOT模型中没有找到与该数据模型有直接联系的变量，则可以将产品IOT模型与基于其他传感器采集的数据所获得的数据模型进行匹配，直到对所有基于不同传感器数据所获得的数据模型都进行匹配。
如果没有找到匹配的变量，则可以反馈不存在必要的数据。
根据本公开的监控生产订单状态的方法，可以将工厂生产中的原始数据与生产过程进行匹配，来确定工厂的生产状态，例如订单的状态、设备的状态等。减少了对数据进行标记的成本，使得生产更加高效，并且可以帮助管理者了解工厂的生产状态，辅助进行生产排程。
图2是示出了根据本公开的一个实施例的监控工厂生产订单状态的装置200的示例性配置的框图。
如图2所示，监控工厂生产订单状态的装置200包括：生产IOT模型生成单元202、产品IOT模型生成单元204、物联网模型关联单元206、数 据模型获得单元208和订单状态确定210。
其中，生产IOT模型生成单元202被配置为基于生产排程系统文档生成至少一个生产IOT模型，所述生产物联网模型至少包括产品加工的工艺属性。
产品IOT模型生成单元204被配置为基于产品设计规格文档生成至少一个产品IOT模型，所述产品物联网模型也至少包括产品加工的工艺属性。
物联网模型关联单元206被配置为针对一个生产物联网模型，找到与其具有相同工艺属性的一个产品物联网模型进行关联。
数据模型获得单元208被配置为被配置为对由工厂中的数据采集自动化控制系统采集的生产设备的数据进行学习来得到表示产品的加工步骤的数据模型。
订单状态确定单元210被配置为将所述加工步骤与所述产品物联网模型的工艺属性进行匹配，基于匹配结果确定工厂的生产订单状态。
其中，所述生产IOT模型生成单元204进一步被配置为：针对所述生产排程系统文档中的每一个订单号生成一个生产IOT模型。
其中，所述产品IOT模型生成单元206进一步被配置为：从软件设计工具中提取产品元数据，来生成所述产品IOT模型。
其中，订单状态确定单元210进一步被配置为：如果所述数据模型中的加工步骤的数据变化与所述产品物联网模型的加工属性相匹配，则根据所述生产物联网模型以及所述产品物联网模型来确定当前设备加工的产品和订单号。
其中，所述数据采集自动化控制系统包括振动传感器、电流传感器、温度传感器、湿度传感器中的至少一项。其中，所述数据模型获得单元208进一步被配置为：基于数据的改变时间、数据的改变周期和数据的幅值中的至少一项，采用数据聚类引擎对所述数据进行学习，来得到表示产品的加工步骤的数据模型监控工厂生产订单状态的装置200的各个部分的操作和功能的细节例如可以与参照结合图1描述的本公开的监控工厂生产订单状态的方法100的实施例的相关部分相同或类似，这里不再详细描述。
在此需要说明的是，图2所示的监控工厂生产订单状态的装置200及其组成单元的结构仅仅是示例性的，本领域技术人员可以根据需要对图2 所示的结构框图进行修改。
下面结合在SME(小中型)工厂中追踪订单状态的一个具体示例来说明根据本公开的方法的应用。
传统的机床通常没有任何数据接口用于远程控制和状态检查。因此，无法在这种机床上直接追踪订单状态。但是可以安装一些传感器来使得机床的工作状态透明化。例如，电流传感器、振动传感器、温度传感器、湿度传感器等。
下面的表1是从订单管理系统得到的一个生产排程系统文档。
Figure PCTCN2019108241-appb-000001
表1
从表1可以看到，订单号为04001180301的这个订单具有3个工艺，C14、C03和C07。从生产排程可以了解某个时间点，机床在哪个工位工作等信息。
基于表1，可以得到如图3所示的针对04001180301这个订单的生产IOT模型300。
图3所示的生产IOT模型300中包括订单号、开始时间、结束时间、工艺编号以及它们之间的关系。
下面的表2是一个产品设计规格表的示例。
Figure PCTCN2019108241-appb-000002
表2
基于该设计规格表，可以得到如图4所示的一个产品IOT模型400中的各个参数。通过工艺属性C03可以将图4的IOT模型和图3所示的IOT模型相关联。
其中，对象401指明单元号为V101971。工艺参数402包括四个加工步骤4021、4022、4023、4024。每个工艺步骤分别包括加工时间4021-1、4022-1、4023-1、4024-1和旋转速度4021-2、4022-2、4023-2、4024-2，其中时间为2分钟。图4中的IOT模型还示出了C03的下一个工艺403为C07，前一个工艺404为C14，在图4中省略了工艺C07和C14所包括的一些属性。图4中的IOT模型还包括工具405，工具405可以包括属性机床4051，机床4051的编号为X6140。
图3和图4的IOT模型中，主要示出了在本示例中关注的一些重要信息，而省略了一部分信息。
本领域技术人员可以理解，图3和图4所示的IOT模型仅仅是为了举例说明，并不对本发明的保护范围有任何限制。
在一个示例中，还可以从工厂的数据采集自动化控制系统得到产品IOT模型中的各个参数。此外，也可以从产品说明书获得各个参数的推荐值。
基于以上所得到的IOT模型，针对订单04001180301中的单元V101971，可以确定机床x6140的生产过程如下：
1.在工艺C03中，机床进行了4个加工步骤
2.每个状态分别持续2分钟
如果在X6140机床中存在相同的工艺，则可以比较两个订单的下一个工艺，直到找到两个订单中的不同工艺进行比较。
此外，通过对由机床上设置的振动传感器监测到的数据进行学习可以确定基于振动数据表示的加工步骤的数据模型，图5是振动数据模型500的一个示意图，从图5所示的振动数据模型可以确定以下生产过程：
1.在C03中机床X6140具有4个步骤S1、S2、S3和S4。
2.每个状态分别持续2分钟。
接下来，可以对生产IOT模型所示出的生产状态以及产品IOT模型所示出的产品的生产工艺信息与基于数据学习得到的数据模型进行比较。
具体地，首先在产品IOT模型中搜索是否存在与基于振动数据的数据 模型中的加工步骤的数据同时改变、具有相同的周期或者相同的幅值的变量，如果存在这样的变量，则可以根据产品物联网模型确定当前设备加工的产品和订单号。
如果在订单04001180301的产品IOT模型中没有找到与该数据模型有直接联系的变量，则可以与基于其他传感器采集的数据所获得的数据模型进行匹配，直到对所有基于不同传感器数据所获得的数据模型都进行匹配。例如电流传感器采集的电流数据、温度传感器采集的温度数据等。
如果没有找到匹配的变量，则可以反馈不存在必要的数据。
图6是IOT模型的工艺过程与数据模型的步骤匹配结果600的一个示意图。通过对IOT模型和数据模型进行匹配，可以确定V101971的工艺C03的四个的工艺过程P1、P2、P3和P4与数据模型的四个加工步骤S1、S2、S3和S4匹配，从而根据产品IOT模型可以确定目前在C03的机床上正在进行的订单是0400110301。
在某些情况下，可能由于每个过程具有不同的时间间隔，对振动数据进行分析得到了如图7所示的错误的数据模型700，可以看到，图7中的振动数据模型包括三个步骤Sa、Sb和Sc。
在这种情况下，可以手动将结果修改为四个步骤，然后反馈给数据分析引擎来优化学习过程中所采用的规则和参数。例如，可以将时间间隔从秒级减小到微秒级。
X6140的振动传感器的数据与订单号0400110301中的V101971的C03工艺匹配。当振动传感器的数据与生产工艺匹配时，可以确定在C03机床上正在进行的订单是0400110301。
根据本公开的监控生产订单状态的方法，可以将工厂生产中的原始数据与生产过程进行匹配，来确定工厂的生产状态，例如订单的状态、设备的状态等。减少了对数据进行标记的成本，使得生产更加高效，并且可以帮助管理者了解工厂的生产状态，辅助进行生产排程。
如上参照图1到图7，对根据本公开的实施例的监控生产订单状态的装置和方法的实施例进行了描述。以上所述的监控生产订单状态的装置可以 采用硬件实现，也可以采用软件或者硬件和软件的组合来实现。
图8示出了根据本公开的实施例的监控生产订单状态的电子设备800的方框图。根据一个实施例，电子设备800可以包括至少一个处理器802，处理器802执行在计算机可读存储介质(即，存储器1004)中存储或编码的至少一个计算机可读指令(即，上述以软件形式实现的元素)。
在一个实施例中，在存储器804中存储计算机可执行指令，其当执行时使得至少一个处理器802完成以下动作：基于生产排程系统文档生成至少一个生产物联网模型，所述生产物联网模型至少包括产品加工的工艺属性；基于产品设计规格文档生成至少一个产品物联网模型，所述产品物联网模型也至少包括产品加工的工艺属性；针对一个生产物联网模型，找到与其具有相同工艺属性的一个产品物联网模型进行关联；对由工厂中的数据采集自动化控制系统采集的生产设备的数据进行学习来得到表示产品的加工步骤的数据模型；以及将所述加工步骤与所述产品物联网模型中的工艺属性进行匹配，基于匹配结果确定工厂的生产订单状态。
应该理解，在存储器804中存储的计算机可执行指令当执行时使得至少一个处理器802进行本公开的各个实施例中以上结合图1-7描述的各种操作和功能。
根据一个实施例，提供了一种非暂时性机器可读介质。该非暂时性机器可读介质可以具有机器可执行指令(即，上述以软件形式实现的元素)，该指令当被机器执行时，使得机器执行本公开的各个实施例中以上结合图1-7描述的各种操作和功能。
根据一个实施例，提供了一种计算机程序，包括计算机可执行指令，所述计算机可执行指令在被执行时使至少一个处理器执行本公开的各个实施例中以上结合图1-7描述的各种操作和功能。
根据一个实施例，提供了一种计算机程序产品，包括计算机可执行指令，所述计算机可执行指令在被执行时使至少一个处理器执行本公开的各个实施例中以上结合图1-7描述的各种操作和功能。
上面结合附图阐述的具体实施方式描述了示例性实施例，但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”，并不意味着 比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的，具体实施方式包括具体细节。然而，可以在没有这些具体细节的情况下实施这些技术。在一些实例中，为了避免对所描述的实施例的概念造成难以理解，公知的结构和装置以框图形式示出。
本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说，对本公开内容进行的各种修改是显而易见的，并且，也可以在不脱离本公开内容的保护范围的情况下，将本文所定义的一般性原理应用于其它变型。因此，本公开内容并不限于本文所描述的示例和设计，而是与符合本文公开的原理和新颖性特征的最广范围相一致。

Claims (16)

  1. 监控工厂生产订单状态的方法，包括：
    基于生产排程系统文档生成至少一个生产物联网模型，所述生产物联网模型至少包括产品加工的工艺属性；
    基于产品设计规格文档生成至少一个产品物联网模型，所述产品物联网模型也至少包括产品加工的工艺属性；
    针对一个生产物联网模型，找到与其具有相同工艺属性的一个产品物联网模型进行关联；
    对由工厂中的数据采集自动化控制系统采集的生产设备的数据进行学习来得到表示产品的加工步骤的数据模型；以及
    将所述加工步骤与所述产品物联网模型中的工艺属性进行匹配，基于匹配结果确定工厂的生产订单状态。
  2. 如权利要求1所述的方法，其中，基于生产排程系统文档生成至少一个生产物联网模型包括：
    针对所述生产排程系统文档中的每一个订单号生成一个生产物联网模型。
  3. 如权利要求1-2中任意一项所述的方法，其中，基于产品设计规格文档生成至少一个产品物联网模型包括：
    从软件设计工具中提取产品元数据，来生成所述产品物联网模型。
  4. 如权利要求1-3中任意一项所述的方法，其中，将所述加工步骤与所述产品物联网模型的工艺属性进行匹配，基于匹配结果确定工厂的生产订单状态包括：
    如果所述数据模型中的加工步骤的数据变化与所述产品物联网模型中的加工属性相匹配，则根据所述生产物联网模型以及所述产品物联网模型来确定当前设备加工的产品和订单号。
  5. 如权利要求1-4中任意一项所述的方法，其中，所述数据采集自动化控制系统包括振动传感器、电流传感器、温度传感器、湿度传感器中的至少一项。
  6. 如权利要求1-5中任意一项所述的方法，其中，对由工厂中的数据采集自动化控制系统采集的生产设备的数据进行学习来得到表示产品的加工步骤的数据模型包括：
    基于数据的改变时间、数据的改变周期和数据的幅值中的至少一项，采用数据聚类引擎对所述数据进行学习，来得到表示产品的加工步骤的数据模型。
  7. 监控工厂生产订单状态的装置(200)，包括：
    生产物联网模型生成单元(202)，被配置为基于生产排程系统文档生成至少一个生产物联网模型，所述生产物联网模型至少包括产品加工的工艺属性；
    产品物联网模型生成单元(204)，被配置为基于产品设计规格文档生成至少一个产品物联网模型，所述产品物联网模型也至少包括产品加工的工艺属性；
    物联网模型关联单元(206)，被配置为针对一个生产物联网模型，找到与其具有相同工艺属性的一个产品物联网模型进行关联；
    数据模型获得单元(208)，被配置为对由工厂中的数据采集自动化控制系统采集的生产设备的数据进行学习来得到表示产品的加工步骤的数据模型；以及
    订单状态确定单元(210)，被配置为将所述加工步骤与所述产品物联网模型的工艺属性进行匹配，基于匹配结果确定工厂的生产订单状态。
  8. 如权利要求7所述的装置(200)，其中，所述生产物联网模型生成单元(204)进一步被配置为：
    针对所述生产排程系统文档中的每一个订单号生成一个生产物联网模型。
  9. 如权利要求7-8中任意一项所述的装置(200)，其中，所述产品物联网模型生成单元(206)进一步被配置为：
    从软件设计工具中提取产品元数据，来生成所述产品物联网模型。
  10. 如权利要求7-9中任意一项所述的装置(200)，其中，订单状态确定单元(210)进一步被配置为：
    如果所述数据模型中的加工步骤的数据变化与所述产品物联网模型的加工属性相匹配，则根据所述生产物联网模型以及所述产品物联网模型来确定当前设备加工的产品和订单号。
  11. 如权利要求7-10中任意一项所述的装置，其中，所述数据采集自动化控制系统包括振动传感器、电流传感器、温度传感器、湿度传感器中的至少一项。
  12. 如权利要求7-11中任意一项所述的装置，其中，所述数据模型获得单元(208)进一步被配置为：基于数据的改变时间、数据的改变周期和数据的幅值中的至少一项，采用数据聚类引擎对所述数据进行学习，来得到表示产品的加工步骤的数据模型。
  13. 电子设备(800)，包括：
    至少一个处理器(802)；以及
    与所述至少一个处理器(802)耦合的一个存储器(804)，所述存储器用于存储指令，当所述指令被所述至少一个处理器(802)执行时，使得所述处理器(802)执行如权利要求1到6中任意一项所述的方法。
  14. 一种非暂时性机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如权利要求1到6中任意一项所述的方法。
  15. 一种计算机程序，包括计算机可执行指令，所述计算机可执行指 令在被执行时使至少一个处理器执行根据权利要求1至6中任意一项所述的方法。
  16. 一种计算机程序产品，所述计算机程序产品被有形地存储在计算机可读介质上并且包括计算机可执行指令，所述计算机可执行指令在被执行时使至少一个处理器执行根据权利要求1至6中任意一项所述的方法。
PCT/CN2019/108241 2019-09-26 2019-09-26 监控生产订单状态的方法、装置、电子设备、介质以及程序产品 WO2021056349A1 (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP19946371.2A EP4020346A4 (en) 2019-09-26 2019-09-26 METHOD, DEVICE, ELECTRONIC DEVICE, MEDIA AND PROGRAM PRODUCT FOR MONITORING THE STATUS OF A PRODUCTION ORDER
PCT/CN2019/108241 WO2021056349A1 (zh) 2019-09-26 2019-09-26 监控生产订单状态的方法、装置、电子设备、介质以及程序产品
US17/763,563 US11726461B2 (en) 2019-09-26 2019-09-26 Method, apparatus, electronic device, medium, and program product for monitoring status of production order
CN201980100095.5A CN114341899A (zh) 2019-09-26 2019-09-26 监控生产订单状态的方法、装置、电子设备、介质以及程序产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/108241 WO2021056349A1 (zh) 2019-09-26 2019-09-26 监控生产订单状态的方法、装置、电子设备、介质以及程序产品

Publications (1)

Publication Number Publication Date
WO2021056349A1 true WO2021056349A1 (zh) 2021-04-01

Family

ID=75164772

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/108241 WO2021056349A1 (zh) 2019-09-26 2019-09-26 监控生产订单状态的方法、装置、电子设备、介质以及程序产品

Country Status (4)

Country Link
US (1) US11726461B2 (zh)
EP (1) EP4020346A4 (zh)
CN (1) CN114341899A (zh)
WO (1) WO2021056349A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4020346A4 (en) * 2019-09-26 2023-05-03 Siemens Aktiengesellschaft METHOD, DEVICE, ELECTRONIC DEVICE, MEDIA AND PROGRAM PRODUCT FOR MONITORING THE STATUS OF A PRODUCTION ORDER
WO2024065407A1 (zh) * 2022-09-29 2024-04-04 京东方科技集团股份有限公司 生产排程方法、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110218842A1 (en) * 2010-03-05 2011-09-08 Oracle International Corporation Distributed order orchestration system with rules engine
CN108009739A (zh) * 2017-12-14 2018-05-08 沈阳工业大学 一种智能机加车间生产计划与调度一体化方法
CN108596422A (zh) * 2018-02-27 2018-09-28 南京林业大学 一种大规模定制家具的mes平台
CN110264061A (zh) * 2019-06-13 2019-09-20 口碑(上海)信息技术有限公司 物品制作订单的处理系统及方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016187298A1 (en) * 2015-05-18 2016-11-24 Interdigital Technology Corporation Automated profiling and context dependent cooperative iot management operations
US10985997B2 (en) * 2016-05-06 2021-04-20 Enterpriseweb Llc Systems and methods for domain-driven design and execution of metamodels
US11646808B2 (en) * 2016-05-09 2023-05-09 Strong Force Iot Portfolio 2016, Llc Methods and systems for adaption of data storage and communication in an internet of things downstream oil and gas environment
US11327475B2 (en) * 2016-05-09 2022-05-10 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
US11687617B2 (en) * 2019-02-28 2023-06-27 Nb Ventures, Inc. Self-driven system and method for operating enterprise and supply chain applications
EP4020346A4 (en) * 2019-09-26 2023-05-03 Siemens Aktiengesellschaft METHOD, DEVICE, ELECTRONIC DEVICE, MEDIA AND PROGRAM PRODUCT FOR MONITORING THE STATUS OF A PRODUCTION ORDER

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110218842A1 (en) * 2010-03-05 2011-09-08 Oracle International Corporation Distributed order orchestration system with rules engine
CN108009739A (zh) * 2017-12-14 2018-05-08 沈阳工业大学 一种智能机加车间生产计划与调度一体化方法
CN108596422A (zh) * 2018-02-27 2018-09-28 南京林业大学 一种大规模定制家具的mes平台
CN110264061A (zh) * 2019-06-13 2019-09-20 口碑(上海)信息技术有限公司 物品制作订单的处理系统及方法

Also Published As

Publication number Publication date
EP4020346A1 (en) 2022-06-29
CN114341899A (zh) 2022-04-12
US20220350315A1 (en) 2022-11-03
US11726461B2 (en) 2023-08-15
EP4020346A4 (en) 2023-05-03

Similar Documents

Publication Publication Date Title
WO2021056349A1 (zh) 监控生产订单状态的方法、装置、电子设备、介质以及程序产品
US20180315023A1 (en) Subject matter knowledge mapping
CN111308925B (zh) 信息处理装置、生产指示辅助方法
KR20160148911A (ko) 산업유형별 공정 데이터 분석 및 검증 기술과 hw-sw 융합 프레임워크 기반의 정보통합 시스템
CN112651378B (zh) 紧固件二维图纸的标注信息识别方法、设备及介质
Linda et al. Computational intelligence based anomaly detection for building energy management systems
US20230221684A1 (en) Explaining Machine Learning Output in Industrial Applications
CN116680354A (zh) 锂电池生产制造业元数据管理方法及系统
CN115129003A (zh) 一种基于自学习时变数字孪生的自动化产线智能监测系统
Netzer et al. Machine tool process monitoring by segmented timeseries anomaly detection using subprocess-specific thresholds
JP2016029516A (ja) データ分析方法、及びデータ分析システム
WO2015064427A1 (ja) 情報収集システム
WO2018176203A1 (zh) 用于评估组件的生命周期的方法和设备
US10970586B2 (en) Systems and methods of 3D scene segmentation and matching for robotic operations
CN105955922A (zh) 一种机器数据模型演化的自动感知方法及装置
US20200202178A1 (en) Automatic visual data generation for object training and evaluation
Stojanovic Intelligent edge processing
JP6707215B1 (ja) エンジニアリングツール、学習装置、およびデータ収集システム
KR101904643B1 (ko) 의사결정트리를 이용한 기사 생성 방법
WO2024045186A1 (zh) 构建知识图谱的方法、装置、计算设备以及存储介质
CN104778120A (zh) 基于任务类型与设备型号的综合调试方法及系统
CN110781237A (zh) 一种基于人工智能的信息可视化分析系统
WO2021109083A1 (zh) 推荐数据预处理算法的方法、装置、计算设备和介质
CN117591363A (zh) 一种基于机器学习的告警日志聚合优化系统
EP4099240A1 (en) System and method for building data exchange

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19946371

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019946371

Country of ref document: EP

Effective date: 20220321

NENP Non-entry into the national phase

Ref country code: DE