CN102402716A - 智能生产决策支持*** - Google Patents

智能生产决策支持*** Download PDF

Info

Publication number
CN102402716A
CN102402716A CN2010102823039A CN201010282303A CN102402716A CN 102402716 A CN102402716 A CN 102402716A CN 2010102823039 A CN2010102823039 A CN 2010102823039A CN 201010282303 A CN201010282303 A CN 201010282303A CN 102402716 A CN102402716 A CN 102402716A
Authority
CN
China
Prior art keywords
data
production
employee
subsystem
intelligent
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
Application number
CN2010102823039A
Other languages
English (en)
Other versions
CN102402716B (zh
Inventor
黄伟强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hong Kong Polytechnic University HKPU
Original Assignee
Hong Kong Polytechnic University HKPU
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 Hong Kong Polytechnic University HKPU filed Critical Hong Kong Polytechnic University HKPU
Priority to CN201010282303.9A priority Critical patent/CN102402716B/zh
Publication of CN102402716A publication Critical patent/CN102402716A/zh
Application granted granted Critical
Publication of CN102402716B publication Critical patent/CN102402716B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种智能生产决策支持***，用于依据数据采集***所采集到的实时的生产数据做出生产决策，包括数据交换平台、决策支持数据库、员工效率预测子***；数据交换平台接收来自于数据采集***的实时的生产数据，并分离出生产决策所必需的必要数据，并将这些必要数据存储到所述决策支持数据库；员工效率预测子***读取所述决策支持数据库中的必要数据，并根据影响员工效率的内部因素和外部因素输出员工的效率预测数据。本***还包括产生最优生产工序分配方案的员工效率预测子***、根据实时的生产状况调整工序分配以保证生产线平衡的智能生产线平衡子***，以及用于准确地预测各个生产单的生产进度和完成时间的进度预测子***。

Description

智能生产决策支持***
技术领域
本发明涉及智能生产决策支持***，更具体地说，涉及一种应用于服装制造领域的智能生产决策支持***。
背景技术
人们已经开发出各种不同的计算机***用在服装制造上用来提高生产的快速响应速度和决策能力，这些***包括生产数据采集(PDC)***、管理信息***(MIS)和企业资源规划(ERP)***等等。
PDC***旨在从缝纫生产线上通过手工输入、条形码扫描和无线射频识别技术(RFID)来收集生产数据，其中基于RFID的PDC***是最新的技术，它能够实时、精确并高效地收集庞大的生产数据。不过，在如何利用所收集到的数据来对生产和车间管理进行决策的问题上，这种***仍然存在困难。
前面提到的MIS和ERP***是采用计算机来管理企业资源，二者的重点集中在经营和生产的流程上，它们并不能帮助生产一线的管理者进行有效的生产决策。这两类***里的生产数据通常都依赖于每天的人工输入，而无法得到实时的生产数据、以及车缝员工和生产线的效率。由于这种实时生产数据的缺失，MIS和ERP***并不能反映出车间和生产线上实时的生产状态。
综上所述，生产线的控制和平衡依靠车间管理来实现。目前的车间管理主要依赖于一线管理者的主观经验或简单推算。由于生产管理问题的复杂性，以及主观决策的局限性，实际服装生产中的生产管理效率处于相当低的水平。
发明内容
本发明要解决的技术问题在于，针对现有技术不能进行实时控制和自动车间管理的缺陷，提供一种克服上述缺陷的智能生产决策支持***。
本发明解决其技术问题所采用的技术方案是：构造一种智能生产决策支持***，用于依据数据采集***所采集到的实时的生产数据做出生产决策，包括决策支持数据库、数据交换平台、员工效率预测子***；
其中，数据交换平台接收来自数据采集***的实时的生产数据，并分离出生产决策所必需的必要数据，并将所述必要数据存储到所述决策支持数据库；员工效率预测子***读取所述决策支持数据库中的必要数据，并根据影响员工效率的内部因素和外部因素输出员工的效率预测数据。
在本发明所述的智能生产决策支持***中，还包括智能生产线进度预测子***，其读取所述必要数据并生成预测每个生产单的生产进度预测数据。
在本发明所述的智能生产决策支持***中，还包括智能员工和工序分配子***，其读取所述必要数据，在每个生产单的车缝生产之前生成员工和工序分配数据。
在本发明所述的智能生产决策支持***中，还包括智能生产线平衡子***，其读取所述员工和工序分配数据和实施的生产数据，在每个生产单的车缝生产过程中，根据实时的生产数据，对所述员工和工序分配数据进行动态调整生成消除瓶颈工序的员工和工序分配调整数据。
在本发明所述的智能生产决策支持***中，所述数据交换平台采用可扩展标记语言。
在本发明所述的智能生产决策支持***中，所述影响员工效率的内部因素是指用来描述员工操作效率的趋势的学习曲线，所述影响员工效率的外部因素包括影响员工的未来效率的织物类型、机器性能因素。
在本发明所述的智能生产决策支持***中，所述智能员工和工序分配子***采用人工智能技术的遗传算法为每个生产单生成最优生产方案的员工和工序分配数据。
在本发明所述的智能生产决策支持***中，所述智能生产线平衡子***采用人工智能技术的启发式算法生成员工和工序分配调整数据。
在本发明所述的智能生产决策支持***中，所述智能生产线进度预测子***采用人工智能的神经网络技术生成生产进度预测数据。
实施本发明的智能生产决策支持***，具有以下有益效果：利用数据交换平台可从庞大的实时生产数据中分离出效率预测和制定决策所必须的必要数据，从而方便用户有效地利用必要数据并通过员工效率预测子***来预测员工的操作效率，利用智能员工和工序分配子***、智能生产线平衡子***以及进度预测子***在最短时间内做出符合实际实时情形的生产制造决策。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明智能生产决策支持***工作过程的数据流程图；
图2是本发明优选实施例中员工效率预测(OEP)子***的结构示意图；
图3是本发明优选实施例中智能员工和工序分配子***(IOWA)子***的程序流程图；
图4是本发明优选实施例中智能生产线平衡子***(IALB)子***的流程图；
图5是本发明优选实施例中智能生产线进度预测子***(IPPP)子***的神经网络预测结构图；
图6是图5所示神经网络中每个神经元的输入输出关系图。
具体实施方式
如图1所示，在本发明的优选实施例中，智能生产决策支持***(以下简称IPDS***)用来依据数据采集***(以下简称PDC***)所采集到的实时的生产数据做出生产决策，其包括决策支持数据库、数据交换平台、员工效率预测子***(以下简称OEP子***)、智能生产线进度预测子***(以下简称IPPP子***)、智能员工和工序分配子***(以下简称IOWA子***)以及智能生产线平衡子***(以下简称IALB子***)。本发明所涉及的员工，主要是指在缝纫生产线上工作的车缝员工。
其中，PDC***基于RFID技术来采集实时的生产数据，这些生产数据包括生产线和车位配置数据、生产单数据、生产工序数据、员工操作每一扎工序的生产数据等。现有的基于RFID技术的PDC***也可以采集实时数据，但是这些***并不具有辅助生产决策的功能，从而不能进一步为车间管理服务。
而本发明的优势之一在于，本发明具有数据交换平台，用来接收上述生产数据，并从庞大的生产数据中分离出生产决策所必需的必要数据，并将必要数据存储到决策支持数据库，以为后续的处理提供基础。
数据交换平台利用可扩展标记语言XML技术，具有可扩展性强的特点，操作简单且易于与其他数据库接口。
所分离出的必要数据是指对做出生产决策而言必不可少的数据，包括生产线和车位配置的基本数据、生产单数量和交期、生产工序设定和标准工时、车缝员工对所操作工序的历史操作效率等。决策支持数据库将这些必要数据存储起来，并为OEP子***、IPPP子***、IOWA子***和IALB子***提供输入。
本发明的优势之二在于，本发明具有OEP子***，OEP子***可读取上述必要数据，并根据影响员工效率的内外部因素产生员工的效率预测数据。因此，本发明可以直接利用实时的生产数据来产生对生产和车间管理的决策，现有技术由于不能实现二者的直接衔接而增加了生产决策的难度。OEP子***可解决员工的效率预测问题。
本优选实施例中，OEP子***所参照的内部因素是指与员工本身直接相关的因素，例如员工的学习曲线，学习曲线可以描述员工操作效率的趋势，从而为预测员工的操作效率提供基本的依据。外部因素则是指客观存在的可能影响员工未来工作效率的外在因素，例如织物类型、机器性能等因素。
OEP子***所生成的车缝员工的效率预测数据包括每个员工操作指定工序的效率。OEP子***的具体实现方式如图2所示。
图2是OEP子***预测员工操作效率的结构图。由图可知，基于学习曲线原理，本发明首先提出一个学习曲线模型，用以描述员工操作基本工序时操作效率随时间变化的规律，并建立了每个员工操作各个基本工序的学习曲线模型，且存入数据库。当需要预测某个员工操作新工序的效率时，***从学习曲线模型数据库中找出与该新工序最相似的工序的效率作为基准效率Eb。然后通过判断新工序与基准工序的相似程度，外部因素(如面料特征，缝纫质量要求以及员工状态等)的影响，得出最终的效率预测数据。外部因素对于操作效率的影响，将通过对历史数据的分析得到。所利用的历史数据包含每个员工对于其所操作的工序的历史操作效率和累计操作时间，以及各种外部因素对效率的影响。
如图2所示，图中各字母的含义为：
Eb，该员工操作基准工序的效率；
Enew，该员工操作新指定工序的效率预测值；
v，权重值，若仅考虑新工序与基准工序的工序特征的差异，员工对新工序的效率为v·Eb；
w1，w2，w3，权重值；
最终的操作效率Enew还要受面料特征，缝纫质量要求以及员工状态三个外部因素的影响。因此
Figure BDA0000026331890000051
进一步地，本发明的优势之三在于还包括IPPP子***、IOWA子***和IALB子***，为生产进度、生产分配和生产平衡提供更细致精确的预测，以保证生产决策的全面和准确。
其中，IOWA子***用于接收上述必要数据，并在车缝生产开始之前生成员工和工序分配数据，为不同工作站生成最优的员工和工序分配方案。工序分配问题实际上是一个最优化问题，IOWA子***利用一种AI技术例如遗传算法(GA)产生IOWA子***的输出即最优的员工和工序分配方案。如果某个分配方案能使指定的生产目标得以最好的实现，则该分配方案被视为最优方案，此方案即为员工和工序分配数据。
IOWA子***的输入包括生产工序、机器以及员工的相关信息，本发明提出了新颖的GA编码方法处理服装生产中灵活的工序分配，并基于此算法对传统的交叉与变异算子进行了改良，如图3所示。图3示出的是IOWA子***的程序流程图。其中，选择、交叉和变异被称为基因算子。选择操作负责从父代种群中选择适当的个体(员工和工序分配方案)进行交叉和变异操作。交叉和变异操作有助于增强种群的多样性，产生更优的工序分配方案。用户可以灵活地设定一个或多个生产目标，诸如，满足生产交期要求，最小化生产完成时间，最小化机器闲置时间等等。
在生产进行中，若瓶颈工序出现使***达到不平衡状态。则IALB子***读取员工和工序分配数据，结合实时的生产数据，采用AI技术和启发式算法对原有工序分配方案进行调整，可以消除瓶颈工序并使生产线再次达到平衡，其所输出的是员工和工序分配调整数据。
瓶颈工序的认定，由车间管理者根据自身的生产状况自行决定。比如，可以设定，在某生产单中，如果某工序的完成数量比其前道工序少30件，则认为该工序成为瓶颈工序，生产线进入不平衡状态，需要对生产线进行调整。IALB子***进行工序调整的流程图如图4所示。调整方案由AI技术和启发式算法产生，需要重新分派某些员工的工作任务。调整的目的是促使生产线回复平衡状态，同时能满足实际生产目标，如交期要求，机器闲置时间最小等。当生产线上不存在瓶颈工序时，生产线处于平衡状态。
如图4所示，当发现工序B为瓶颈工序，自动找出能够操作工序B的所有员工即员工组B，然后利用启发式算法，从员工组B中选择合适数量的员工来操作工序B，调整过程结束，则员工和工序分配调整数据包括重新分配来操作B工序的员工数量、接替这些新分配来操作工序B的员工他们原来所做的工序的员工人数等。
IPPP子***则是用于读取所述必要数据并生成预测生产进度的进度预测数据，其主要是利用AI技术的神经网络技术。利用神经网络技术进行预测的结构图如图5所示。神经网络由输入层，隐层和输出层组成；而每层则由一定数量的神经元组成。而每个神经元的输入输出关系如图6所示。
如图5所示，IPPP子***的输入层为必要数据，包括生产单的每个工序的信息、该生产单可利用的机器配置、工人配置与效率等；***输出层为进度预测数据，例如完成该生产单所需要的时间。依据此输入输出关系，一个4输入1输出结构的神经网络模型被构建。
如图6所示，为了准确地预测各个生产单的完成时间，需要建立神经网络对过去的生产单的生产和完成情况进行学习，从而确定神经网络的参数值(如连接权等)，得到神经网络预测模型。网络参数值通常由误差反传(Back-propagation，BP)学习算法获得。然后利用学习得到的预测模型，基于当前的生产环境(四个输入变量)，预测出生产单的完成时间。图6所示的是神经网络中第j层第L个神经元
Figure BDA0000026331890000071
的输入输出关系，其中；
Figure BDA0000026331890000072
Figure BDA0000026331890000073
的第i个输入量；
Figure BDA0000026331890000074
连接权，神经网络通过调整连接权的值得到不同的网络模型；
f(·)，神经网络传递函数，如Sigmoid型函数或线性函数等；
Figure BDA0000026331890000075
神经元
Figure BDA0000026331890000076
的输出；
Figure BDA0000026331890000077
而
Figure BDA0000026331890000078
本模块将准确地预测生产单的完成时间，有助于生产管理者进行更准确的生产排期，并为工厂接单时提供参考。
采用本发明的智能生产决策支持***，可用在特定类型的服装生产***例如渐进式捆扎***的生产决策，也可在稍作改进后应用于其他类型的服装生产***的生产决策，甚至用来解决更高级管理中的生产规划管理问题。
现有技术不能辅助服装生产管理做出有效的生产控制决策。本发明能够有效地克服上述缺点，它利用基于RFID的PDC***商业软件，通过四个子***来生成实时客观、科学可靠的生产控制决策。由于服装生产线管理中的调度和平衡具有NP-hard(Non-deterministic Polynomial-Hard，非确定性多项式困难问题)特性，本发明采用AI技术可生成高效和可靠的生产决策以满足缝纫生产线上不同生产目标的需要。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (9)

1.一种智能生产决策支持***，用于依据数据采集***所采集到的实时的生产数据做出生产决策，其特征在于，包括决策支持数据库、数据交换平台、员工效率预测子***；
数据交换平台：接收来自数据采集***的实时的生产数据，并分离出生产决策所必需的必要数据，并将所述必要数据存储到所述决策支持数据库；
员工效率预测子***：读取所述决策支持数据库中的必要数据，并根据影响员工效率的内部因素和外部因素输出员工的效率预测数据。
2.根据权利要求1所述的智能生产决策支持***，其特征在于，还包括智能生产线进度预测子***，其读取所述必要数据并生成预测每个生产单的生产进度预测数据。
3.根据权利要求1所述的智能生产决策支持***，其特征在于，还包括智能员工和工序分配子***，其读取所述必要数据，在每个生产单的车缝生产开始之前生成员工和工序分配数据。
4.根据权利要求3所述的智能生产决策支持***，其特征在于，还包括智能生产线平衡子***，其读取所述员工和工序分配数据和实时的生产数据，在每个生产单的车缝生产过程中，对所述员工和工序分配数据进行动态调整生成消除瓶颈工序的员工和工序分配调整数据。
5.根据权利要求1所述的智能生产决策支持***，其特征在于，所述数据交换平台采用可扩展标记语言。
6.根据权利要求1所述的智能生产决策支持***，其特征在于，所述影响员工效率的内部因素包括描述员工操作效率的趋势的学习曲线，所述影响员工效率的外部因素包括影响员工未来操作效率的织物类型、机器性能因素。
7.根据权利要求3所述的智能生产决策支持***，其特征在于，所述智能员工和工序分配子***采用人工智能技术的遗传算法为每个生产单生成最优的员工和工序分配数据。
8.根据权利要求4所述的智能生产决策支持***，其特征在于，所述智能生产线平衡子***采用人工智能技术的启发式算法生成员工和工序分配调整数据。
9.根据权利要求2所述的智能生产决策支持***，其特征在于，所述智能生产线进度预测子***采用人工智能的神经网络技术生成进度预测数据。
CN201010282303.9A 2010-09-15 2010-09-15 智能生产决策支持*** Expired - Fee Related CN102402716B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201010282303.9A CN102402716B (zh) 2010-09-15 2010-09-15 智能生产决策支持***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201010282303.9A CN102402716B (zh) 2010-09-15 2010-09-15 智能生产决策支持***

Publications (2)

Publication Number Publication Date
CN102402716A true CN102402716A (zh) 2012-04-04
CN102402716B CN102402716B (zh) 2014-05-21

Family

ID=45884899

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201010282303.9A Expired - Fee Related CN102402716B (zh) 2010-09-15 2010-09-15 智能生产决策支持***

Country Status (1)

Country Link
CN (1) CN102402716B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103345209A (zh) * 2013-06-04 2013-10-09 张舒 生产监控方法及***
CN103455013A (zh) * 2013-09-12 2013-12-18 苏州瑞光电子有限公司 一种服装生产线智能电子控制***及其操作方法
CN103577924A (zh) * 2012-07-19 2014-02-12 Juki株式会社 生产线平衡改善对策提供装置以及生产线平衡改善对策提取方法
CN104933231A (zh) * 2015-06-01 2015-09-23 浙江大学 一种采用级联多知识模型的柔性装配生产线选型布局方法
WO2016169287A1 (zh) * 2015-04-20 2016-10-27 海安县申菱电器制造有限公司 一种混流生产线产能分配方法
CN106600102A (zh) * 2016-10-31 2017-04-26 中国电子科技集团公司第四十八研究所 一种电池材料制造工厂的智能管理***
CN106610658A (zh) * 2016-05-26 2017-05-03 四川用联信息技术有限公司 一种基于神经网络的算法解决作业车间调度问题
CN108182518A (zh) * 2017-12-20 2018-06-19 北京遥感设备研究所 一种基于改进遗传算法的在制状态人员调度方法
CN109154809A (zh) * 2016-03-16 2019-01-04 通快机床两合公司 生产规划***和方法
CN109309024A (zh) * 2017-07-27 2019-02-05 华润微电子（重庆）有限公司 基于人工智能的半导体制造执行***
CN109493004A (zh) * 2018-11-12 2019-03-19 传神语联网网络科技股份有限公司 分组翻译的控制方法与***
CN109765869A (zh) * 2019-02-13 2019-05-17 北京日光旭升精细化工技术研究所 一种化妆品生产监控管理***及方法
CN110580579A (zh) * 2019-08-28 2019-12-17 上汽通用五菱汽车股份有限公司 一种基于互联网的汽车零部件供应商产能管理方法及***
US10691114B2 (en) 2018-01-19 2020-06-23 Industrial Technology Research Institute Method and apparatus for dynamic intelligent scheduling
CN111427323A (zh) * 2020-04-22 2020-07-17 Oppo（重庆）智能科技有限公司 一种产能瓶颈监控方法、装置、设备及存储介质
CN112785111A (zh) * 2019-11-11 2021-05-11 北京京邦达贸易有限公司 生产效率预测方法、装置、存储介质与电子设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1535434A (zh) * 2001-03-09 2004-10-06 �׹��Ĺ��ʹ�˾ 用于在日志监视器结合了可动态再定义的商业逻辑的情况下保持大粒度数据库并发的***和方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1535434A (zh) * 2001-03-09 2004-10-06 �׹��Ĺ��ʹ�˾ 用于在日志监视器结合了可动态再定义的商业逻辑的情况下保持大粒度数据库并发的***和方法

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103577924A (zh) * 2012-07-19 2014-02-12 Juki株式会社 生产线平衡改善对策提供装置以及生产线平衡改善对策提取方法
CN103345209A (zh) * 2013-06-04 2013-10-09 张舒 生产监控方法及***
CN103455013A (zh) * 2013-09-12 2013-12-18 苏州瑞光电子有限公司 一种服装生产线智能电子控制***及其操作方法
WO2016169287A1 (zh) * 2015-04-20 2016-10-27 海安县申菱电器制造有限公司 一种混流生产线产能分配方法
CN104933231A (zh) * 2015-06-01 2015-09-23 浙江大学 一种采用级联多知识模型的柔性装配生产线选型布局方法
CN104933231B (zh) * 2015-06-01 2017-12-29 浙江大学 一种采用级联多知识模型的柔性装配生产线选型布局方法
CN109154809B (zh) * 2016-03-16 2021-12-31 通快机床两合公司 生产规划***和方法
CN109154809A (zh) * 2016-03-16 2019-01-04 通快机床两合公司 生产规划***和方法
CN106610658A (zh) * 2016-05-26 2017-05-03 四川用联信息技术有限公司 一种基于神经网络的算法解决作业车间调度问题
CN106600102A (zh) * 2016-10-31 2017-04-26 中国电子科技集团公司第四十八研究所 一种电池材料制造工厂的智能管理***
CN109309024A (zh) * 2017-07-27 2019-02-05 华润微电子（重庆）有限公司 基于人工智能的半导体制造执行***
CN109309024B (zh) * 2017-07-27 2021-06-04 华润微电子（重庆）有限公司 基于人工智能的半导体制造执行***
CN108182518B (zh) * 2017-12-20 2021-12-10 北京遥感设备研究所 一种基于改进遗传算法的在制状态人员调度方法
CN108182518A (zh) * 2017-12-20 2018-06-19 北京遥感设备研究所 一种基于改进遗传算法的在制状态人员调度方法
US10691114B2 (en) 2018-01-19 2020-06-23 Industrial Technology Research Institute Method and apparatus for dynamic intelligent scheduling
CN109493004A (zh) * 2018-11-12 2019-03-19 传神语联网网络科技股份有限公司 分组翻译的控制方法与***
CN109493004B (zh) * 2018-11-12 2020-12-11 传神语联网网络科技股份有限公司 分组翻译的控制方法与***
CN109765869A (zh) * 2019-02-13 2019-05-17 北京日光旭升精细化工技术研究所 一种化妆品生产监控管理***及方法
CN110580579A (zh) * 2019-08-28 2019-12-17 上汽通用五菱汽车股份有限公司 一种基于互联网的汽车零部件供应商产能管理方法及***
CN112785111A (zh) * 2019-11-11 2021-05-11 北京京邦达贸易有限公司 生产效率预测方法、装置、存储介质与电子设备
CN111427323A (zh) * 2020-04-22 2020-07-17 Oppo（重庆）智能科技有限公司 一种产能瓶颈监控方法、装置、设备及存储介质
CN111427323B (zh) * 2020-04-22 2021-09-24 Oppo（重庆）智能科技有限公司 一种产能瓶颈监控方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN102402716B (zh) 2014-05-21

Similar Documents

Publication Publication Date Title
CN102402716B (zh) 智能生产决策支持***
Li et al. A branch population genetic algorithm for dual-resource constrained job shop scheduling problem
CN111915410B (zh) 面向高动态生产物流过程的智能管控***
CN109598416A (zh) 一种复材车间的动态排产***及排产方法
CN109902954B (zh) 一种基于工业大数据的柔性作业车间动态调度方法
Peng et al. Deep reinforcement learning approach for capacitated supply chain optimization under demand uncertainty
US20210073695A1 (en) Production scheduling system and method
CN102214213A (zh) 一种采用决策树的数据分类方法和***
CN110400021A (zh) 银行网点现金用量预测方法及装置
CN103310285A (zh) 可用于半导体生产线动态调度的性能预测方法
Palacín et al. Robust integrated production-maintenance scheduling for an evaporation network
Li et al. Data-based scheduling framework and adaptive dispatching rule of complex manufacturing systems
Wu Computational intelligence-based intelligent business intelligence system: concept and framework
CN113222224A (zh) 一种基于孪生智能工件的物联车间实时调度方法
CN101901426A (zh) 一种基于蚁群算法的动态滚动调度方法
Liu et al. An organizational evolutionary algorithm for numerical optimization
CN114387121A (zh) 一种电力仓储物资供应的协同优化调度方法及***
Ajorlou et al. Optimization of a multiproduct conwip-based manufacturing system using artificial bee colony approach
Ishankhodjayev et al. Development of information support for decision-making in intelligent energy systems
Lu et al. Research on data mining service and its application case in complex industrial process
CN114372181B (zh) 一种基于多模态数据的设备生产智能规划方法
Khoroshev et al. Adaptive clustering method in intelligent automated decision support systems
Jiang et al. Improved heuristic algorithm for modern industrial production scheduling
Jasiulewicz-Kaczmarek et al. Modeling a hierarchical structure of factors influencing exploitation policy for water distribution systems using ISM approach
Spüntrup et al. Asset fleet management in the process industry-a conceptual model

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20140521

Termination date: 20160915