CN113361661A - 一种数据协同能力评价的建模方法及装置 - Google Patents

一种数据协同能力评价的建模方法及装置 Download PDF

Info

Publication number
CN113361661A
CN113361661A CN202110821480.8A CN202110821480A CN113361661A CN 113361661 A CN113361661 A CN 113361661A CN 202110821480 A CN202110821480 A CN 202110821480A CN 113361661 A CN113361661 A CN 113361661A
Authority
CN
China
Prior art keywords
data
variable
model
capability
evaluation
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
CN202110821480.8A
Other languages
English (en)
Other versions
CN113361661B (zh
Inventor
冯若宸
陈得丽
李永华
佘迪
毛鑫
朱知元
王瑞琦
陶彪
敖茂
孙成顺
白麟
高阳
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.)
Hongyun Honghe Tobacco Group Co Ltd
Original Assignee
Hongyun Honghe Tobacco Group Co Ltd
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 Hongyun Honghe Tobacco Group Co Ltd filed Critical Hongyun Honghe Tobacco Group Co Ltd
Priority to CN202110821480.8A priority Critical patent/CN113361661B/zh
Publication of CN113361661A publication Critical patent/CN113361661A/zh
Application granted granted Critical
Publication of CN113361661B publication Critical patent/CN113361661B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种数据协同能力评价的建模方法及装置，建模方法包括：构建变量获取模型，变量获取模型用于依据采集的工艺数据获得多个变量的值，变量包括过程精密度和过程准确度；构建变量的能力评价模型，能力评价模型用于依据变量的值计算相应的变量的能力评价得分；构建协同能力获取模型，协同能力获取模型用于依据多个变量的能力评价得分计算数据协同能力得分；将变量获取模型、变量的能力评价模型以及协同能力获取模型组合形成数据协同能力评价预训练模型；对数据协同能力评价预训练模型进行训练，获得数据协同能力评价模型。本申请采用多个变量对数据协同能力进行评价，客观、科学且准确地描述生产过程中的数据协同能力。

Description

一种数据协同能力评价的建模方法及装置
技术领域
本申请涉及生产制造技术领域，更具体地，涉及一种数据协同能力评价的建模方法及装置。
背景技术
卷烟制丝产品的数据协同能力是指上道工序的产品能够满足下道工序加工要求的程度，如：入***水率、出口温度、出***水率等。在跨工序生产的过程中，来料的属性、环境温湿度、进柜布料方式等很多因素都会对产品造成影响。针对跨车间数据协同，制丝为满足卷包卷制质量要求，各牌号成品烟丝的整丝率、碎丝率、含水率、填充值、温度等指标必须稳定受控，这些指标的稳定受控依赖于制丝过程中加工参数的稳定、受控和协同，方可实现产品质量的均质化。
制丝产品的数据协同能力研究是一个复杂的课题，提高数据协同能力是提升成品烟丝质量的关键一环。在制丝的生产流程中，烟叶从原料加工为成品烟丝，完成了多次跨工序生产，成品烟丝经过风力送丝至卷包，完成了跨部门生产。在每次跨工序、跨部门生产过程中，都产生了协同生产数据。目前，在烟草行业内，对制丝产品数据协同能力的评价较少，大多只局限于传统的单工序质量指标管理，缺少对更多生产环节的综合评价。
目前对制丝产品数据协同能力的评价，主要针对“松散回潮—加料—贮叶—烘丝”这一生产环节，通过设定切丝后含水率的过程能力指数Cpk的标准，对来料水分进行简单的考核，即可完成对产品数据协同能力的评价。这种评价方法只考虑到单工序或单特性的过程控制能力，评价范围小且不够精细，无法挖掘出协同数据的价值，存在制丝各工序加工数据彼此被“孤立”、制丝整线数据没有协同的问题，且缺少对跨部门数据协同能力的评价，不利于提高生产数据的协同能力和产品的均质化水平。
并且，当过程精密度Cp和过程准确度Ca均呈现较大同向偏差时，现有过程能力指数Cpk的计算过程会使这两种偏离在一定程度上互相抵消，从而无法正确反映过程不稳定状态。
发明内容
本申请提供一种数据协同能力评价的建模方法及装置，采用多个变量对数据协同能力进行评价，客观、科学且准确地描述生产过程中的数据协同能力。
本申请提供了一种数据协同能力评价的建模方法，包括：
构建变量获取模型，变量获取模型用于依据采集的工艺数据获得多个变量的值，变量包括过程精密度和过程准确度；
构建变量的能力评价模型，能力评价模型用于依据变量的值计算相应的变量的能力评价得分；
构建协同能力获取模型，协同能力获取模型用于依据多个变量的能力评价得分计算数据协同能力得分；
将变量获取模型、变量的能力评价模型以及协同能力获取模型组合形成数据协同能力评价预训练模型；
对数据协同能力评价预训练模型进行训练，获得数据协同能力评价模型。
优选地，构建变量获取模型包括对采集的工艺数据进行预处理，获得预处理后的工艺数据。
优选地，构建变量获取模型还包括将预处理后的工艺数据作为样本，计算样本的标准偏差和均值，并进一步计算样本的多个变量的值。
优选地，构建变量的能力评价模型包括：
通过模糊算法获得与每个变量对应的隶属函数及其参数；
依据隶属函数的参数、变量的值计算相应变量的能力评价得分。
优选地，利用百分制能力指数函数计算变量的能力评价得分。
优选地，利用如下公式计算数据协同能力得分F
Figure BDA0003172116230000021
其中，f1表示过程精密度的能力评价得分，f2表示过程准确度的能力评价得分，α表示过程精密度的权重。
本申请还提供一种数据协同能力评价的建模装置，包括变量获取模型构建模块、变量的能力评价模型构建模块、协同能力获取模型构建模块、预训练模型构建模块以及训练模块；
变量获取模型构建模块依据采集的工艺数据获得多个变量的值，变量包括过程精密度和过程准确度；
变量的能力评价模型构建模块用于依据变量的值计算相应的变量的能力评价得分；
协同能力获取模型构建模块用于依据多个变量的能力评价得分计算数据协同能力得分；
预训练模型构建模块用于将变量获取模型、变量的能力评价模型以及协同能力获取模型组合形成数据协同能力评价预训练模型；
训练模块对数据协同能力评价预训练模型进行训练，获得数据协同能力评价模型。
优选地，变量获取模型构建模块包括数据预处理子模块，数据预处理子模块用于对采集的工艺数据进行预处理，获得预处理后的工艺数据。
优选地，变量的能力评价模型构建模块包括模糊算法子模块和能力评价得分计算子模块；
模糊算法子模块用于通过模糊算法获得与每个变量对应的隶属函数及其参数；
能力评价得分计算子模块用于依据隶属函数的参数、变量的值计算相应变量的能力评价得分。
优选地，能力评价得分计算模块利用百分制能力指数函数计算变量的能力评价得分。
通过以下参照附图对本申请的示例性实施例的详细描述，本申请的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本申请的实施例，并且连同其说明一起用于解释本申请的原理。
图1为本申请提供的数据协同能力评价的建模方法的流程图；
图2为本申请提供的数据协同能力评价的建模装置的结构图。
具体实施方式
现在将参照附图来详细描述本申请的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
需要说明的是，本申请适用于卷烟制丝产品的数据协同能力，也适用于梗线产品的跨工序数据协同能力评价、从生产部门到经营部门的跨部门数据协同能力评价以及其他产品的生产过程，实现生产数据的透明化，为产品的质量管理提供数据支撑。
图1为本申请提供的数据协同能力评价的建模方法的流程图。如图1所示，数据协同能力评价的建模方法包括如下步骤：
S110：构建变量获取模型，变量获取模型用于依据采集的工艺数据获得多个变量的值，变量包括过程精密度Cp、过程准确度Ca以及过程能力指数Cpk。其中，过程精密度Cp、过程准确度Ca用于计算数据协同能力得分，过程能力指数Cpk用于模型的验证。
过程精密度是衡量过程控制满足产品品质标准的程度，Cp越大，表明变异越小，过程控制能力越好。过程控制准确度是衡量过程控制中实际中心值与标准中心值一致性的指标。Ca越大，表明实际中心值与规格中心值偏离越大，过程控制能力越差。
构建变量获取模型包括将工艺数据作为样本，计算样本的标准偏差σ和均值μ，并进一步计算样本的多个变量的值。
其中，
Figure BDA0003172116230000051
Figure BDA0003172116230000052
T＝USL-LSL (3)
Cpk＝(1-|Ca|)·Cp (4)
其中，USL为标准上限，LSL为标准下限，M为标准中值，|Ca|为过程准确度的值的绝对值。
优选地，在计算变量前对采集的工艺数据进行预处理，获得预处理后的工艺数据。数据预处理至少包括数据清洗和数据截取。
其中，数据清洗包括但不限于：对制造执行***(Manufacturing ExecutionSystem，MES)中提取的工艺原始数据进行有效数据筛选；并使用热卡填补法对缺失值进行填充；采用3σ原则识别并剔除异常值：对数据进行噪声检测，并通过分箱法对数据进行光滑处理，去除噪声。作为一个实施例，在跨工序或跨部门的生产环节，采集该生产环节的最后一个工序或部门的工艺数据，作为步骤S110中的工艺原始数据。例如，在“松散回潮-加料-贮叶-烘丝”生产环节中，采集“烘丝”工序的工艺原始数据。
数据截取包括但不限于对工艺数据进行稳态与非稳态识别，截取稳态数据，作为后续的数据基础。
S120：构建变量的能力评价模型，能力评价模型用于依据变量的值计算相应的变量的能力评价得分。
具体地，作为一个实施例，构建变量的能力评价模型包括：
S1201：通过模糊算法获得与每个变量对应的隶属函数及其参数。
具体地，选用偏大型或偏小型分布作为模糊算法中模糊集的隶属函数，并采用最优隶属函数的策略选择最终的隶属函数，拟合出隶属函数中各个参数的最优取值，同时能力评价模型的变量的值设定统一、规范的判定标准。
S1202：依据隶属函数的参数、变量的值计算相应变量的能力评价得分。
具体地，作为一个实施例，利用百分制能力指数函数计算变量的能力评价得分，对变量的能力指数进行百分制标准化计算。
构建的百分制能力指数函数如下：
Figure BDA0003172116230000061
Figure BDA0003172116230000062
其中，f1表示过程精密度Cp的能力评价得分，x表示Cp的值，a，b为与过程精密度对应的隶属函数的参数；
f2表示过程准确度Ca的能力评价得分，z表示|Ca|的值，c，d为与过程准确度对应的隶属函数的参数。
S130：构建协同能力获取模型，协同能力获取模型用于依据多个变量的能力评价得分计算数据协同能力得分。
具体地，利用如下公式计算数据协同能力得分F
Figure BDA0003172116230000063
其中，f1表示过程精密度的能力评价得分，f2表示过程准确度的能力评价得分，α表示过程精密度的权重。
需要说明的是，权重α的确定主要以每个工序或部门控制要求为基本原则，结合该工序或部门中两个变量对感官质量的影响程度，并通过德尔菲法评价过程精密度对每个跨工序(例如，“松散回潮-加料-贮叶-烘丝”生产环节中的多个工序之间、“烘丝-风选-加香”生产环节中的多个工序之间)、跨部门(例如，“立体丝库-风力送丝一卷包”生产环节中的多个部门之间)生产的权重α进行修订。以“松散回潮-加料-贮叶-烘丝”跨工序为例，经研究后其权重α的值定为0.4。
S140：将变量获取模型、变量的能力评价模型以及协同能力获取模型组合形成数据协同能力评价预训练模型。
S150：对数据协同能力评价预训练模型进行训练，获得数据协同能力评价模型。
对数据协同能力评价模型进行验证时，作为一个实施例，采取动态表征性能验证和灵敏表征性能验证两种方式。在动态表征性能验证时，对过程能力指数Cpk和数据协同能力得分进行相关性分析。在灵敏表征性能验证中，对数据协同能力得分是否能够表征过程精密度Cp、过程准确度Ca的综合波动情况做验证。
对数据协同能力评价模型的验证标准为：动态表征性能验证中相关系数≥0.8，且灵敏表征性能验证结果通过。若符合上述标准，则判定该数据协同能力评价模型的评价准确，评价效果优。
以“松散回潮—加料-贮叶-烘丝”的跨工序数据协同能力评价为例，对数据协同能力评价模型进行效果验证。在动态表征性能验证中，数据协同能力得分与过程能力指数Cpk的相关系数为0.975，表明数据协同能力评价模型的结果能够客观地表征生产参数协同能力的高低。在灵敏表征性能验证中，调取一部分具有特殊特征的批次数据进行验证计算，从计算结果可以看出，对过程能力指数Cpk相同的两个不同批次，数据协同能力得分都有不同程度的波动，表明数据协同能力得分能够更真实地表征生产参数在过程控制中的偏移和离散的综合波动情况，而且在过程精密度Cp和过程准确度Ca互相抵消时仍然能够表征不同过程的差异。因此，本申请的数据协同能力评价方法能更客观、科学且准确地表征制丝产品数据协同能力的表现，该模型被判定为评价准确，评价效果优。
在利用训练好的模型进行数据协同能力评价时，将采集到的工艺数据输入该数据协同能力评价模型中，获得数据协同能力得分，并依据该数据协同能力得分所属的等级确定其是否符合标准。
作为一个实例，协同能力等级划分标准表如下：
表2协同能力等级划分标准表
Figure BDA0003172116230000071
基于上述的数据协同能力评价的建模方法，本申请还提供了一种数据协同能力评价的建模装置。如图2所示，该建模装置包括变量获取模型构建模块210、变量的能力评价模型构建模块220、协同能力获取模型构建模块230、预训练模型构建模块240以及训练模块250。
变量获取模型构建模块210依据采集的工艺数据获得多个变量的值，变量包括过程精密度和过程准确度。
优选地，变量获取模型构建模块包括数据预处理模块和变量计算子模块。数据预处理子模块用于对采集的工艺数据进行预处理，获得预处理后的工艺数据。变量计算子模块用于将预处理后的工艺数据作为样本，计算样本的标准偏差和均值，并进一步计算样本的多个变量的值。
变量的能力评价模型构建模块220用于依据变量的值计算相应的变量的能力评价得分。
作为一个实施例，变量的能力评价模型构建模块包括模糊算法子模块和能力评价得分计算子模块。
模糊算法子模块用于通过模糊算法获得与每个变量对应的隶属函数及其参数。
能力评价得分计算子模块用于依据隶属函数的参数、变量的值计算相应变量的能力评价得分。
协同能力获取模型构建模块230用于依据多个变量的能力评价得分计算数据协同能力得分。
预训练模型构建模块240用于将变量获取模型、变量的能力评价模型以及协同能力获取模型组合形成数据协同能力评价预训练模型。
训练模块250对数据协同能力评价预训练模型进行训练，获得数据协同能力评价模型。
本申请获得的有益效果如下：
1、本申请采用多个变量对数据协同能力进行评价，客观、科学且准确地描述生产过程中的数据协同能力。
2、相比现有技术中只使用单指标Cpk做数据协同能力评价的方法，本申请中的评价方法有利于消除过程准确度和过程精密度出现同向偏差的情况下，得到的评价结果更具科学性和准确性。
3、本申请中变量的能力评价得分为百分制，数值分辨率高于过程能力指数Cpk，能够直接作为绩效指标使用。
4、本申请的数据协同能力评价模型自动生成数据协同能力分析报告，有效提升卷烟制丝产品的品质，操作人员可直接根据分析报告了解到某一时间内的产品跨工序、跨部门表现，快速寻找到协同能力不足的批次，在提高工作效率的同时，有效提升卷烟制丝产品品质。
虽然已经通过例子对本申请的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本申请的范围。本领域的技术人员应该理解，可在不脱离本申请的范围和精神的情况下，对以上实施例进行修改。本申请的范围由所附权利要求来限定。

Claims (10)

1.一种数据协同能力评价的建模方法，其特征在于，包括：
构建变量获取模型，所述变量获取模型用于依据采集的工艺数据获得多个变量的值，所述变量包括过程精密度和过程准确度；
构建变量的能力评价模型，所述能力评价模型用于依据所述变量的值计算相应的变量的能力评价得分；
构建协同能力获取模型，所述协同能力获取模型用于依据多个所述变量的能力评价得分计算数据协同能力得分；
将所述变量获取模型、所述变量的能力评价模型以及所述协同能力获取模型组合形成数据协同能力评价预训练模型；
对所述数据协同能力评价预训练模型进行训练，获得数据协同能力评价模型。
2.根据权利要求1所述的数据协同能力评价的建模方法，其特征在于，所述构建变量获取模型包括对采集的工艺数据进行预处理，获得预处理后的工艺数据。
3.根据权利要求2所述的数据协同能力评价的建模方法，其特征在于，所述构建变量获取模型还包括将所述预处理后的工艺数据作为样本，计算样本的标准偏差和均值，并进一步计算样本的多个变量的值。
4.根据权利要求1所述的数据协同能力评价的建模方法，其特征在于，所述构建变量的能力评价模型包括：
通过模糊算法获得与每个变量对应的隶属函数及其参数；
依据所述隶属函数的参数、所述变量的值计算相应变量的能力评价得分。
5.根据权利要求4所述的数据协同能力评价的建模方法，其特征在于，利用百分制能力指数函数计算所述变量的能力评价得分。
6.根据权利要求1所述的数据协同能力评价的建模方法，其特征在于，利用如下公式计算所述数据协同能力得分F
Figure FDA0003172116220000011
其中，f1表示过程精密度的能力评价得分，f2表示过程准确度的能力评价得分，α表示过程精密度的权重。
7.一种数据协同能力评价的建模装置，其特征在于，包括变量获取模型构建模块、变量的能力评价模型构建模块、协同能力获取模型构建模块、预训练模型构建模块以及训练模块；
所述变量获取模型构建模块依据采集的工艺数据获得多个变量的值，所述变量包括过程精密度和过程准确度；
所述变量的能力评价模型构建模块用于依据所述变量的值计算相应的变量的能力评价得分；
所述协同能力获取模型构建模块用于依据多个所述变量的能力评价得分计算数据协同能力得分；
所述预训练模型构建模块用于将所述变量获取模型、所述变量的能力评价模型以及所述协同能力获取模型组合形成数据协同能力评价预训练模型；
所述训练模块对所述数据协同能力评价预训练模型进行训练，获得数据协同能力评价模型。
8.根据权利要求7所述的数据协同能力评价的建模装置，其特征在于，所述变量获取模型构建模块包括数据预处理子模块，所述数据预处理子模块用于对采集的工艺数据进行预处理，获得预处理后的工艺数据。
9.根据权利要求7所述的数据协同能力评价的建模装置，其特征在于，所述变量的能力评价模型构建模块包括模糊算法子模块和能力评价得分计算子模块；
所述模糊算法子模块用于通过模糊算法获得与每个变量对应的隶属函数及其参数；
所述能力评价得分计算子模块用于依据所述隶属函数的参数、所述变量的值计算相应变量的能力评价得分。
10.根据权利要求9所述的数据协同能力评价的建模装置，其特征在于，所述能力评价得分计算模块利用百分制能力指数函数计算所述变量的能力评价得分。
CN202110821480.8A 2021-07-20 2021-07-20 一种数据协同能力评价的建模方法及装置 Active CN113361661B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110821480.8A CN113361661B (zh) 2021-07-20 2021-07-20 一种数据协同能力评价的建模方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110821480.8A CN113361661B (zh) 2021-07-20 2021-07-20 一种数据协同能力评价的建模方法及装置

Publications (2)

Publication Number Publication Date
CN113361661A true CN113361661A (zh) 2021-09-07
CN113361661B CN113361661B (zh) 2023-04-07

Family

ID=77540021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110821480.8A Active CN113361661B (zh) 2021-07-20 2021-07-20 一种数据协同能力评价的建模方法及装置

Country Status (1)

Country Link
CN (1) CN113361661B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509243A (zh) * 2011-09-20 2012-06-20 河北中烟工业有限责任公司 卷烟制造过程质量评价方法及其***
CN103324147A (zh) * 2012-03-20 2013-09-25 陈景正 基于主成分分析的卷烟工序质量评价方法及其***
CN104537383A (zh) * 2015-01-20 2015-04-22 全国组织机构代码管理中心 一种基于粒子群的海量组织机构数据分类方法及***
CN104683376A (zh) * 2013-11-27 2015-06-03 上海墨芋电子科技有限公司 一种新型云计算分布式数据加密方法及***
CN104881817A (zh) * 2015-06-11 2015-09-02 沈阳富创精密设备有限公司 一种制造业工艺数据云平台的实现方法
US20170124497A1 (en) * 2015-10-28 2017-05-04 Fractal Industries, Inc. System for automated capture and analysis of business information for reliable business venture outcome prediction
US20170124492A1 (en) * 2015-10-28 2017-05-04 Fractal Industries, Inc. System for automated capture and analysis of business information for reliable business venture outcome prediction
CN107944765A (zh) * 2017-12-19 2018-04-20 浙江大学 智能制造生产调度协同管控能力的评估***和评估方法
CN109388746A (zh) * 2018-09-04 2019-02-26 四川文轩教育科技有限公司 一种基于学习者模型的学习资源智能推荐方法
CN110956406A (zh) * 2019-12-07 2020-04-03 中国科学院心理研究所 一种基于心率变异性的团队协同能力的评估模型
CN111126796A (zh) * 2019-12-08 2020-05-08 中国航空综合技术研究所 模型驱动企业的能力等级评价方法
CN111260181A (zh) * 2019-12-31 2020-06-09 同济大学 一种基于分布式智能制造单元的车间自适应生产调度装置
CN111582450A (zh) * 2020-05-08 2020-08-25 广东电网有限责任公司 一种基于参数评价的神经网络模型训练方法及相关装置
CN111652402A (zh) * 2019-03-04 2020-09-11 湖南师范大学 一种基于大数据分析的光纤预制棒沉积工序智能优化的方法
CN111882188A (zh) * 2020-07-15 2020-11-03 山东中烟工业有限责任公司 基于Birch聚类算法的工艺质量同质化水平评价方法及***
CN112446591A (zh) * 2020-11-06 2021-03-05 太原科技大学 一种用于学生综合能力评价的评价体系及零样本评价方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509243A (zh) * 2011-09-20 2012-06-20 河北中烟工业有限责任公司 卷烟制造过程质量评价方法及其***
CN103324147A (zh) * 2012-03-20 2013-09-25 陈景正 基于主成分分析的卷烟工序质量评价方法及其***
CN104683376A (zh) * 2013-11-27 2015-06-03 上海墨芋电子科技有限公司 一种新型云计算分布式数据加密方法及***
CN104537383A (zh) * 2015-01-20 2015-04-22 全国组织机构代码管理中心 一种基于粒子群的海量组织机构数据分类方法及***
CN104881817A (zh) * 2015-06-11 2015-09-02 沈阳富创精密设备有限公司 一种制造业工艺数据云平台的实现方法
US20170124497A1 (en) * 2015-10-28 2017-05-04 Fractal Industries, Inc. System for automated capture and analysis of business information for reliable business venture outcome prediction
US20170124492A1 (en) * 2015-10-28 2017-05-04 Fractal Industries, Inc. System for automated capture and analysis of business information for reliable business venture outcome prediction
CN107944765A (zh) * 2017-12-19 2018-04-20 浙江大学 智能制造生产调度协同管控能力的评估***和评估方法
CN109388746A (zh) * 2018-09-04 2019-02-26 四川文轩教育科技有限公司 一种基于学习者模型的学习资源智能推荐方法
CN111652402A (zh) * 2019-03-04 2020-09-11 湖南师范大学 一种基于大数据分析的光纤预制棒沉积工序智能优化的方法
CN110956406A (zh) * 2019-12-07 2020-04-03 中国科学院心理研究所 一种基于心率变异性的团队协同能力的评估模型
CN111126796A (zh) * 2019-12-08 2020-05-08 中国航空综合技术研究所 模型驱动企业的能力等级评价方法
CN111260181A (zh) * 2019-12-31 2020-06-09 同济大学 一种基于分布式智能制造单元的车间自适应生产调度装置
CN111582450A (zh) * 2020-05-08 2020-08-25 广东电网有限责任公司 一种基于参数评价的神经网络模型训练方法及相关装置
CN111882188A (zh) * 2020-07-15 2020-11-03 山东中烟工业有限责任公司 基于Birch聚类算法的工艺质量同质化水平评价方法及***
CN112446591A (zh) * 2020-11-06 2021-03-05 太原科技大学 一种用于学生综合能力评价的评价体系及零样本评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
岳锋等: "特种车辆制造数字化工艺协同设计能力建设" *

Also Published As

Publication number Publication date
CN113361661B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN105956330B (zh) 基于现场数据的产品工艺质量预测模型的建立方法及***
CN111144667A (zh) 一种基于梯度提升树的烟草回潮机出料含水率预测方法
CN106485422A (zh) 一种卷烟烟支卷制质量稳定性评价方法
CN103844344B (zh) 一种调控不同批次卷烟烟丝质量均匀性的方法及其应用
CN103494316B (zh) 一种按重量划分复烤烟叶批次的方法
CN106054840A (zh) 一种全流程产品质量在线管控***
CN109508895A (zh) 烟草制丝设备的控制性能评估装置、方法以及存储介质
CN113592314A (zh) 基于西格玛水平的制丝工艺质量评价方法
CN111950795A (zh) 基于随机森林的松散回潮加水比例的预测方法
CN115639207A (zh) 一种用于多种产品同时检测的机器视觉检测方法及***
CN113361661B (zh) 一种数据协同能力评价的建模方法及装置
CN114897397A (zh) 一种制丝生产过程质量评价方法
CN114532564A (zh) 基于主成分分析策略的松散回潮出口烟丝含水率控制方法
CN107897995A (zh) 一种基于原烟配方模块拆分的分段均质化调控方法
CN108685146B (zh) 基于转换传递方程的打叶复烤叶片结构分布范围测算方法
CN104317285A (zh) 一种卷烟生产过程中异常原因确定方法及装置
Caria et al. Evaluation of automated in-line precision dairy farming technology implementation in three dairy farms in Italy
CN109902898B (zh) 一种基于切尖打叶复烤生产的过程能力测评方法
CN112205658B (zh) 一种卷烟生产线烟丝质量评价方法
CN113115978B (zh) 降低卷烟单支克重偏差的工艺方法
CN115293444A (zh) 一种库存烟叶原料健康指数的表征方法
CN114781847A (zh) 基于topsis的制丝综合质量评测方法
US12031273B2 (en) System and method of dynamic corrective enzyme selection and formulation for pulp and paper production
US20220186441A1 (en) System and method of dynamic corrective enzyme selection and formulation for pulp and paper production
CN113673144A (zh) 烟草梗丝干燥设备数据的预测***及方法

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
GR01 Patent grant