CN115222551A - 生产排产方法和相关装置、存储介质和程序产品 - Google Patents
生产排产方法和相关装置、存储介质和程序产品 Download PDFInfo
- Publication number
- CN115222551A CN115222551A CN202210739356.1A CN202210739356A CN115222551A CN 115222551 A CN115222551 A CN 115222551A CN 202210739356 A CN202210739356 A CN 202210739356A CN 115222551 A CN115222551 A CN 115222551A
- Authority
- CN
- China
- Prior art keywords
- production
- sample data
- subinterval
- training
- machine learning
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 358
- 238000000034 method Methods 0.000 title claims abstract description 284
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 203
- 238000012549 training Methods 0.000 claims abstract description 148
- 238000010801 machine learning Methods 0.000 claims abstract description 101
- 238000012545 processing Methods 0.000 claims description 43
- 238000005192 partition Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 abstract description 12
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000005457 optimization Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 13
- 238000007726 management method Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 235000012424 soybean oil Nutrition 0.000 description 5
- 239000003549 soybean oil Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005984 hydrogenation reaction Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000002253 acid Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000007062 hydrolysis Effects 0.000 description 1
- 238000006460 hydrolysis reaction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06Q10/0633—Workflow analysis
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本申请实施例提供基于机器学习的生产排产方法、装置及存储介质和程序产品,该方法包括:获取生产流程的多个工艺参数中每个工艺参数对应的规格线;基于每个工艺参数的规格线,获取用于机器学习训练的至少一个样本数据;通过机器学习训练,获取至少一个样本数据中每个样本数据的生产批次号;基于每个样本数据的生产批次号,对多个工艺参数进行排产。本申请实施例通过自动生成机器学习训练样本数据的方法,避免了人工确定样本数据造成选取样本数据标准不统一,保证了机器学习训练效果;其次,通过机器学习训练数据优化算法获得生产设备的每个批对应的最优工艺参数,保证每次训练的样本数据与每个批次的生产数据相对应,提高生产排产和管理的效率。
Description
技术领域
本申请属于互联网产业的一般数据处理领域,尤其涉及到一种基于机器学习的生产排产方法和相关装置、存储介质和程序产品。
背景技术
随着社会的快速发展,生产制造业的全流程生产工艺日益复杂。通常在一个生产批次中,每个生产设备的生产工艺参数是固定不变的,只需通过一次排产设置就可以在生产结束前不用进行管理。但是,在多个生产批次同时进行时,每个批次下每个生产设备的工艺参数是不同的,这就给生产排产和管理带来困难,需要人工跟踪监控生产到哪一批次,进而对多个生产设备的不同批次的工艺参数进行设置,容易混乱出错。其次,在多种生产工况的要求下,难以通过经验参数对生产设备的工艺参数进行设置。
发明内容
本申请的一个目的在于提供一种基于机器学习的生产排产方法、装置及存储介质和程序产品,其优势在于,通过自动生成机器学习训练样本数据的方法,避免了人工确定样本数据造成的选取样本数据标准不统一的问题,保证了机器学习训练效果。
本申请的另一个目的在于提供一种基于机器学习的生产排产方法、装置及存储介质,其优势在于,通过机器学习训练数据优化算法获得生产设备的每个批次对应的最优工艺参数,可以满足多种生产工况的要求下,快速对生产设备的工艺参数进行控制。
本申请的另一个目的在于提供一种基于机器学习的生产排产方法、装置及存储介质,其优势在于,通过控制程序,保证每次训练的样本数据与每个批次的工艺参数相对应,提高了生产排产和管理的效率和准确性。
为达到上述目的,本申请第一方面实施例提供一种基于机器学习的生产排产方法,所述方法包括:
获取生产流程的多个工艺参数中每个工艺参数对应的规格线;
基于所述每个工艺参数的规格线,获取用于机器学习训练的至少一个样本数据;
通过所述机器学习训练,获取所述至少一个样本数据中每个样本数据的生产批次号;
基于所述每个样本数据的生产批次号,对所述多个工艺参数进行排产。
在本申请的实施例中,通过自动生成机器学习训练样本数据的方法,将排产的生产结果用于机器学习训练,再通过优化的机器学习算法获得生产设备的每个批对应的最优工艺参数,保证了生产制造业的全流程的生产工艺配置的自动化,提高生产排产和管理的效率。
在一种可能的实现方式中,所述获取用于机器学习训练的至少一个样本数据,包括:
基于所述每个工艺参数的规格线,获取所述每个工艺参数的规格区间;
将所述规格区间划分为M个等分区间,其中,M为大于1的整数;
基于所述M等分区间的比例系数,获取M个取值参数,进而得到所述每个工艺参数的训练参数,所述训练参数包括所述M个取值参数;
从所述训练参数中随机选取N个所述取值参数,得到所述每个工艺参数的生成数据,其中,N为大于等于1且小于等于M的整数;
对所述多个工艺参数之间的所述生成数据进行随机组合,得到所述至少一个样本数据。
在本申请的实施例中,在生产工艺的规格线内,通过自动生成机器学习训练样本数据的方法,避免了人工确定样本数据造成的选取样本数据标准不统一的问题,提高了训练样本数据的可靠性,保证了机器学习训练效果。
在一种可能的实现方式中,所述将所述规格区间划分为M个等分区间,包括:
将所述规格区间划分为第一子区间和第二子区间;
分别对所述第一子区间和所述第二子区间进行划分,得到所述M个等分区间。
在一种可能的实现方式中,所述分别将所述第一子区间和所述第二子区间进行等分,包括:
按照第一等分间隔对所述第一子区间进行划分,按照第二等分间隔对所述第二子区间进行划分,其中,所述第一等分间隔小于所述第二等分间隔。
在一种可能的实现方式中,所述分别将所述第一子区间和所述第二子区间进行等分,包括:
确定所述每个工艺参数对应的所述训练参数的个数M;
根据预设精确度,确定所述第一子区间和所述第二子区间的划分加权系数;
根据所述第一子区间和所述第二子区间的区间长度的比例,分别确定所述第一子区间和所述第二子区间的等分系数;
根据所述训练参数的个数M、所述划分加权系数和所述等分系数,分别对所述第一子区间和所述第二子区间进行划分。
在本申请的实施例中,根据预设精确度从所述规格区间获取满足预设精度的样本数据,进一步减少了获取无效样本数据的错误概率,通过该样本数据对机器学习模型进行训练,提高了机器学习的训练效果。
在一种可能的实现方式中,所述通过所述机器学习训练,获取所述至少一个样本数据中每个样本数据的生产批次号,包括:
确定所述每个样本数据包含的生成数据中属于所述第一子区间的生成数据的个数;
按照所述每个样本数据包含的生成数据中属于所述第一子区间的生成数据的个数从多到少的顺序,对所述至少一个样本数据进行排序;
按照所述排序对所述至少一个样本数据进行训练。
在一种可能的实现方式中,所述按照所述排序对所述至少一个样本数据进行训练,包括:
基于所述属于所述第一子区间的生成数据的个数,将所述至少一个样本数据中包含相同数量的属于所述第一子区间的生成数据的样本数据划分为一个组别;
基于预设可信度,确定每个训练批次下所述一个组别内包含的所述样本数据的数量。
在本申请的实施例中,优先对满足预设精度值的样本数据进行训练,进而提高机器学习的训练效率,减少训练所需的计算资源。
在一种可能的实现方式中,所述基于所述每个样本数据的生产批次号,对所述多个工艺参数进行排产,包括:
创建控制程序,所述控制程序用于控制生产设备的工艺参数;
通过所述控制程序,基于所述每个样本数据的生产批次号,对所述多个工艺参数进行排产。
在一种可能的实现方式中,所述通过所述控制程序,基于所述每个样本数据的生产批次号,对所述多个工艺参数进行排产,包括:
获取所述生产设备发送的工艺参数请求,所述工艺参数请求用于通知所述控制程序获取所述生产设备的当前批次号;
通过所述控制程序将所述至少一个样本数据中与所述当前批次号对应的样本数据发送至所述生产设备。
在本申请的实施例中,通过控制程序与生产设备对接,使得每次训练得到的样本数据与每个生产设备的当前批次号相对应,保证了工艺参数排产的准确性,降低了生产设备的管理难度,进而提高了生产排产的效率。
在一种可能的实现方式中,所述方法还包括:
通过所述控制程序,将所述生产设备的所述当前批次号和所述当前批次号对应的所述样本数据发送至电子任务工单,所述电子任务工单用于指示操作人员对所述生产设备的排产参数进行监控。
在本申请的实施例中,通过建立电子任务工单的方式便于操作人员对每个生产设备的每个批次的工艺参数、输出产品等进行监控,也便于对于故障问题提供历史数据支持。
为达到上述目的,本申请第二方面实施例提供一种基于机器学习的生产排产装置,所述装置包括:
获取单元,所述获取单元用于获取生产流程的多个工艺参数中每个工艺参数对应的规格线;
处理单元,所述处理单元用于基于所述每个工艺参数的规格线,获取用于机器学习训练的至少一个样本数据;以及,所述处理单元用于通过所述机器学习训练,获取所述至少一个样本数据中每个样本数据的生产批次号;
控制单元,所述控制单元用于基于所述每个样本数据的生产批次号,对所述多个工艺参数进行排产。
在一种可能的实现方式中,所述处理单元,还用于:
基于所述每个工艺参数的规格线,获取所述每个工艺参数的规格区间;
将所述规格区间划分为M个等分区间,其中,M为大于1的整数;
基于所述M个等分区间的比例系数,获取M个取值参数,进而得到所述每个工艺参数的训练参数,所述训练参数包括所述M个取值参数;
从所述训练参数中随机选取N个所述取值参数,得到所述每个工艺参数的生成数据,其中,N为大于等于1且小于等于M的整数;
对所述多个工艺参数之间的所述生成数据进行随机组合,得到所述至少一个样本数据。
在一种可能的实现方式中,所述处理单元,还用于将所述规格区间划分为第一子区间和第二子区间;以及,分别对所述第一子区间和所述第二子区间进行划分,得到所述M个等分区间。
在一种可能的实现方式中,所述处理单元,还用于按照第一等分间隔对所述第一子区间进行划分,按照第二等分间隔对所述第二子区间进行划分,其中,所述第一等分间隔小于所述第二等分间隔。
在一种可能的实现方式中,所述处理单元,还用于:
确定所述每个工艺参数对应的所述训练参数的个数M;
根据预设精确度,确定所述第一子区间和所述第二子区间的划分加权系数;
根据所述第一子区间和所述第二子区间的区间长度的比例,分别确定所述第一子区间和所述第二子区间的等分系数;
根据所述训练参数的个数M、所述划分加权系数和所述等分系数,分别对所述第一子区间和所述第二子区间进行划分。
在一种可能的实现方式中,所述处理单元,还用于:
确定所述每个样本数据包含的生成数据中属于所述第一子区间的生成数据的个数;
按照所述每个样本数据包含的生成数据中属于所述第一子区间的生成数据的个数从多到少的顺序,对所述至少一个样本数据进行排序;
按照所述排序对所述至少一个样本数据进行训练。
在一种可能的实现方式中,所述处理单元,还用于基于所述属于所述第一子区间的生成数据的个数,将所述至少一个样本数据中包含相同数量的属于所述第一子区间的生成数据的样本数据划分为一个组别;以及,基于预设可信度,确定每个训练批次下所述一个组别内包含的所述样本数据的数量。
在一种可能的实现方式中,所述控制单元,还用于控制生产设备的工艺参数;以及,基于所述每个样本数据的生产批次号,对所述多个工艺参数进行排产。
在一种可能的实现方式中,所述获取单元,还用于获取所述生产设备发送的工艺参数请求,所述工艺参数请求用于通知所述控制单元获取所述生产设备的当前批次号;以及,所述控制单元还用于,将所述至少一个样本数据中与所述当前批次号对应的样本数据发送至所述生产设备。
在一种可能的实现方式中,所述控制单元,还用于将所述生产设备的所述当前批次号和所述当前批次号对应的所述样本数据发送至电子任务工单,所述电子任务工单用于指示操作人员对所述生产设备的排产参数进行监控。
应当理解的是,该基于机器学习的生产排产装置执行的操作及其有益效果可以参见上述第一方面中任意一项所述的方法及其有益效果,重复之处不再赘述。
为达到上述目的,本申请第三方面实施例提供一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,当所述计算机程序在计算机上运行时,使所述计算机执行如本申请实施例第一方面中任意一项所述的方法。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,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为本申请实施例提供的一种生产排产及其机器学习的流程图;
图2为本申请实施例提供的一种基于机器学习的生产排产方法的流程图;
图3为本申请实施例提供的另一种基于机器学习的生产排产方法的流程图;
图4为本申请实施例提供的又一种基于机器学习的生产排产方法的流程图;
图5为本申请实施例提供的一种基于机器学习的生产排产装置的结构示意图;
图6为本申请实施例提供的另一种基于机器学习的生产排产装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。应当理解,本申请的说明书和权利要求书及附图中的术语第一子区间中的“第一”只是用来做名字标识,并不代表顺序上的第一。该规则同样适用于“第二”。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包括。例如包括了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参照图1,图1为本申请实施例提供的一种生产排产及其机器学习的流程图。其中,一个完整批次的生产排产包括:
S110:输入物料(y);
S120:经过至少一个生产流程p1-pn;
其中,至少一个生产流程中的每个生产流程pn是指:一个生产批次下,每个生成设备Pn在对应的生产时间段tn内,利用对应的生产工艺xn对物料(y)进行一次生产加工。
具体地,一个生产批次下的完整生产流程包括:首先,在生产设备P1上,对输入的所述物料y利用该批次下流程p1对应的工艺参数x1,经过t1时间的加工,得到第一个输出产物;接着,将所述第一个输出产物输入到生产设备P2上,在生产设备P2上,对输入的所述第一个输出产物利用该批次下流程p2对应的工艺参数x2,经过t2时间的加工得到第二个输出产物;以此类推,将第n-1个输出产物输入到生产设备Pn上,在生产设备Pn上,对输入的所述第n-1个输出产物利用该批次下流程pn对应的工艺参数xn,经过tn时间的加工得到所述输出产品Y。
S130:输出产品(Y)。
通常来说,对于固定的工况,一个生产批次下,每个生产设备上的工艺参数是固定不变的,只要生产排产前确定所述工艺参数x1-xn,并将所述工艺参数x1-xn设置到对应的生产设备P1-Pn上,那么,该生产批次结束之前连续的t1-tn时间段内将不再对每个生产设备的生产排产精心管理。但是,在实际的生产过程中,往往是多个生产批次同时进行的,并且每个生产批次对应不同的工况。例如,t1时间段内,生产设备P1进行第一生产批次的生产流程p1,对应的工艺参数为x1,而其他生产设备P2-Pn尚未开始生产。t2时间段内,生产设备P2进行第一批次的生产流程p2,对应的工艺参数为x2,其他生产设备P3-Pn尚未开始生产;此时,生产设备P1已经完成了第一生产批次的生产内容,因此,生产设备P1开始进入第二生产批次的生产流程p1,对应的工艺参数为x1’,这里由于不同生产批次下的生产工况不同,工艺参数x1’与工艺参数x1不同。t3时间段内,生产设备P3进行第一批次的生产流程p3,对应的工艺参数为x3,其他生产设备P4-Pn尚未开始生产,此时,生产设备P2已经完成了第一生产批次的生产内容,因此,生产设备P2开始进入第二生产批次的生产流程p2,对应的工艺参数为x2’,这里由于不同生产批次下的生产工况不同,因此,工艺参数x2’与工艺参数x2不同;生产设备P1已经完成了第二生产批次的生产内容,因此,生产设备P1开始进入第三生产批次的生产流程p1,对应的工艺参数为x1”,这里由于不同生产批次下的生产工况不同,因此,工艺参数x1”与工艺参数x1’以及工艺参数x1不同。以此类推,当第一生产批次生产至最后一个流程pn时,生产设备P1已经进入第n个生产批次,生产设备P2已经进入第n-1个生产批次,…,生产设备Pn刚进入第一个生产批次。
由此可见,在实际生产过程中,在同一时间段内,不同的生产设备正处于不同的生产批次,并且每个生产批次下,每个生产设备需要配置的生产工艺参数也不同,如果只通过人工管理的方式一方面难以根据生产经验确定不同工况下每个生产设备的最优工艺参数,另一方面,需要人工跟踪监控生产到哪一批次,对生产设备不同批次的工艺参数的进行设置,容易混乱出错。
针对以上的问题,本申请实施例提供一种基于机器学习的生产排产方法,所述方法首先获得的训练数据进行机器学习训练,然后,通过所述机器学习训练数据优化算法获取多工况下生产设备的每个批对应的最优工艺参数,以及通过控制程序监控生产设备的当前生产批次,将每次训练的样本数据与每个批次的工艺参数相对应,提高了生产排产和管理的效率和准确性。
具体地,所述机器学习训练是通过选取至少一个样本数据,通过所述样本数据进行排产设置,以获得预设工况下,每个生产设备Pn的每个批次pn对应的最优工艺参数。即S121:通过n个控制程序Sn对所述n个生产设备Pn进行管理,示例性的,所述n个控制程序Sn中的控制程序S1与生产设备P1相对应,用于监控生产设备P1当前所处的生产批次,并获取与所述当前所处的生产批次相对应的样本数据,以对所述生产设备P1进行排产设置;所述n个控制程序Sn中的控制程序S2与生产设备P2相对应,用于监控生产设备P2当前所处的生产批次,并获取与所述当前所处的生产批次相对应的样本数据,以对所述生产设备P2进行排产设置;以此类推,所述n个控制程序Sn中的控制程序Sn与生产设备Pn相对应,用于监控生产设备Pn当前所处的生产批次,并获取与所述当前所处的生产批次相对应的样本数据,以对所述生产设备Pn进行排产设置。根据以上的描述,在所述生产设备P1处于第n个生产批次时,所述控制程序S1控制所述机器学习训练进入训练批次n;同时,所述生产设备P2处于第n-1个生产批次时,所述控制程序S2控制所述机器学习训练进入训练批次n-1;以此类推,所述生产设备Pn处于第1个生产批次时,所述控制程序Sn控制所述机器学习训练进入训练批次1。
其中,在现有技术存在的机器学习训练中还存在一个问题:如何生成用于进行机器学习训练的样本数据。现有技术中,通过人工方法依据现有的工艺参数生成样本数据,每个人的生成方法各不相同,没有统一的标准,因而获得的样本数据的质量不同,会影响到机器学习的训练效果。那么,基于该问题,本申请实施例提供了一种自动生成训练集样本数据的方法。
请参照图2,图2为本申请实施例提供的一种基于机器学习的生产排产方法的流程图。所述方法应用于服务器或终端设备上,所述方法至少包括:
S201:获取生产流程的多个工艺参数中每个工艺参数对应的规格线;
其中,所述生产流程是指一个设备上的一个生产步骤,例如生产设备P1上的生产步骤对应第一生产流程p1;所述工艺参数是指影响生产流程的变量参数,通常一个生产设备或者说一个生产流程包括多个工艺参数,例如制酸流程的工艺参数包括生产时间、加氢量、加水量等。对于每个工艺参数,根据生产工况要求其具有一个目标值;基于所述目标值,每个工艺参数具有规格线,所述规格线是指产品制造中质量人员用于考察生产过程的稳定性而设定的限值。
进一步地,所述规格线包括USL上规格线和/或LSL下规格线。其中,所述USL上规格线和所述LSL下规格线是指产品稳定生产可允许的最大值和最小值,当工艺参数超出所述USL上规格线或所述LSL下规格线时就可能产生次品。
具体地,在本申请实施例中,通过查询读取生产工况对应的参数计分卡,获取所述每个工艺参数对应的规格线,具体请参见表1,表1为记录生产参数的参数计分卡。所述参数计分卡至少包括:每个生产流程对应的流程名称、对应的生产设备编号、生产设备名称、多个工艺参数编号、多个工艺参数名称、上规格线和下规格线。
可选地,所述参数计分卡还包括:工艺参数单位、测量方法、测量***结果分析、数据类型(连续/离散)、数据属性(短期数据/长期数据)、缺陷机会/单位、单位缺陷数DPU、目标值、均值、标准差。例如,所述工艺参数x1_1生产时间的单位为分钟、测量方法为***、测量***结果分析为合格、数据类型(连续/离散)为离散、数据属性(短期数据/长期数据)为短期、目标值为720、均值为720、标准差为2。
可选地,所述参数计分卡是通过历史生产排产的结果数据生成的。
表1参数记分卡
S202:基于所述每个工艺参数的规格线,获取用于机器学习训练的至少一个样本数据;
具体地,对于每个工艺参数,获取其上规格线与下规格线之间的参数区间,所述参数区间包括需要获取的至少一个样本数据;确定所述每个工艺参数需要获取的训练参数的个数M,其中,M为大于1的整数;根据所述个数M,从所述参数区间中获取每个工艺参数的所述M个训练参数;最后,对所述每个工艺参数之间的所述M个训练数据进行随机组合,得到所述至少一个样本数据。可选地,通过随机的方式,从所述参数区间中获取所述M个训练参数。
表2
示例性的,请参见表2,表2为一个生产流程的至少一个训练参数。对于工艺参数x1_1的规格线为730和710,那么,获取其参数区间为[710-730];然后,确定其需要获取3个训练参数x1_1_mean;随机从所述参数区间[710-730]中获取训练参数720、715和717.5。通过相同的方法,获取工艺参数x1_2到工艺参数x1_1_2的训练参数x1_2_mean到x1_1_2_mean;最后,将所述工艺参数x1_1的训练参数x1_1_mean与所述工艺参数x1_2的训练参数x1_2_mean、所述工艺参数x1_3的训练参数x1_3_mean、所述工艺参数x1_4的训练参数x1_4_mean、所述工艺参数x1_1_1的训练参数x1_1_1_mean以及所述工艺参数x1_1_2的训练参数x1_1_2_mean之间相互组合得到至少一个样本数据,即表2中的一行为一个样本数据。可以理解的是,每个生产流程都具有一组所述至少一个样本数据。
可选地,将所述至少一个样本数据保存在训练数据库中。
S203:通过所述机器学习训练,获取所述至少一个样本数据中每个样本数据的生产批次号;
具体地,通过训练得到的机器学习训练数据优化算法,计算每个样本数据可以获得最优输出产品特性,对应的生产批次号。示例性的,依次对所述至少一个样本数据进行排产设置,获取每次排产时,能输出最优产品特性的样本数据,进而得到每个样本数据对应的生产批次号。其中,一个样本数据可能对应一个或多个生产批次号。
可选地,当一个生产批次号下,具有多个样本数据可以使所述输出产品的特性最优,则选取生产投入成本最低,且生产质量最优的一个样本数据作为该生产批次号对应的最优样本数据。
可选地,通过创建至少一个控制程序控制所述机器学习训练的排产设置。其中,一个控制程序用于控制一个生产流程的排产设置。
示例性的,对于生产流程p1,当需要训练K个批次时,通过所述控制程序建立一个寄存器,所述寄存器用于记录当前训练的生产批次号,所述寄存器的初始值为T1=1。当开始训练时,通过所述控制程序读取所述寄存器的取值,并根据所述取值控制所述机器学习对所述至少一个样本数据进行当前批次的计算,以获取该生产批次下的最优样本数据;当所述机器学习开始计算后,通过所述控制程序控制所述寄存器的值为T2=T1+1=1+1=2,直至TK=K,计算结束。
可选地,将所述每个样本数据对应的生产批次号保存至所述训练数据库中。
S204:基于所述每个样本数据的生产批次号,对所述多个工艺参数进行排产。
具体地,根据每个生产流程下的每个样本数据的生产批次号,当执行所述生产流程的生产设备的当前生产至所述生产批次号时,将所述样本数据配置于所述生产设备上。示例性的,当生产流程p1下样本数据:720,108.0375,225,75.92,97.5,60对应的生产批次号为第2批。那么,当生产设备P1生产至第2批次时,将所述样本数据:720,108.0375,225,75.92,97.5,60配置到所述生产设备P1上。
请参照图3,图3为本申请实施例提供的另一种基于机器学习的生产排产方法的流程图。所述方法应用于服务器或终端设备上,所述方法至少包括:
S301:获取生产流程的多个工艺参数中每个工艺参数对应的规格线;
具体地,S301的具体实现方式与S201的具体实现方式相同,S301的具体实现方式可以参考S201,此处不再赘述。
S302:基于所述每个工艺参数的规格线,获取所述每个工艺参数的规格区间;
具体地,所述规格区间为所述规格线之间的区间值,即所述规格区间的下限为下规格线,所述规格区间的上限为上规格线。例如,对于工艺参数X1_1生产时间其上规格线为730、下规格线为710,那么,其规格区间为[710-730]。
特别的,当所述工艺参数的规格线为单边规格线时,即为上规格线或下规格线,那么,对所述单边规格线向上和/或向下取特定值,得到其规格区间。例如,对于工艺参数X1_2_1水解温度的规格线为上规格线91,那么,对所述上规格线91向下取值2,得到其规格区间为[89-91]。
S303:将所述规格区间划分为M个等分区间,其中,M为大于1的整数;
具体地,确定每个工艺参数需要获取的训练参数的个数M个;根据所述获取的训练参数的个数,将所述规格区间划分为M个等分区间。其中,根据规格区间的长度和每个规格区间的精确度,确定所述训练参数的个数,所述精确度是指获取到训练参数的精确程度。示例性的,工艺参数X1_1生产时间其规格区间为[710-730],规格区间的长度为20,其预设精确度为5,那么,所述训练参数的个数M=20*5=4;那么将所述规格区间为[710-730]划分为四个等分区[710-715]、[715-720]、[720-725]以及[725-730]。
可选的,所述将所述规格区间划分为M个等分区间,包括:
step1:将所述规格区间划分为第一子区间和第二子区间;
具体地,在对所述规格区间进行划分前,首先,预测每个工艺参数中生产效果较好的区间范围,再根据该区间范围将所述规格区间划分为两个子区间,包括第一子区间和第二子区间,其中第一子区间是预测效果较好的区间,第二子区间是剩余的其他区间。其中,所述预测每个工艺参数中生产效果较好的区间范围是指:基于历史排产的生产结果,统计所述规格区间中各个子区间的输出产品的质量良率的平均值,对于质量良率的平均值大于等于目标质量良率的子区间,认为其为生产效果较高好的区间范围,进而将所述区间范围作为第一子区间。
step2:分别对所述第一子区间和所述第二子区间进行划分,得到所述M个等分区间。具体地,可通过但不限于以下两种方式获得所述M个等分区间:
a)按照第一等分间隔对所述第一子区间进行划分,按照第二等分间隔对所述第二子区间进行划分,其中,所述第一等分间隔小于所述第二等分间隔。
其中,可以理解的是,由于第一子区间的工艺参数的生产效果较好,那么,优先从第一子区间获取所述训练参数,因此,第一子区间的等分间隔要小于第二子区间的等分间隔,并且第一子区间的划分个数加第二子区间的划分个数等于所述训练参数的个数M。示例性的,根据所述第一子区间的第一精确度与所述第二子区间的第二精确度的比值,分别确定所述第一子区间与所述第二子区间的划分权重,根据所述划分权重和所述训练参数的个数M,确定所述第一子区间的等分间隔m和所述第二子区间的等分间隔n,其中m>n,m+n=M。
b)根据所述训练参数的个数M、所述划分加权系数和所述等分系数,分别对所述第一子区间和所述第二子区间进行划分。
其中,每个工艺参数的训练参数M不一定相同,其取决于每个工艺参数的规格区间以及预设精确度。所述划分加权系数是指第一子区间的精确度与第二子区间的精确度占所述预设精确度的权数。所述划分加权系数w1、w2满足:
其中,L为所述预设精确度,l1为第一子区间的精确度,l2为第二子区间的精确度,w1为第一子区间的划分加权系数,w2为第二子区间的划分加权系数。示例性的,对于工艺参数X1_1生产时间,其规格区间为[710-730],预设精确度为L=5,第一子区间为[710-715],第一子区间的精确度为l1=6;第二子区间为[715-730],且第二子区间的精确度为l2=3;那么,根据得到第一子区间的划分加权系数为w1=0.67,第二子区间的划分加权系数为w2=0.33。
所述等分系数是指第一子区间的等分数量与所述第二子区间的等分数量的比值,所述第一子区间的等分系数c1等于第一子区间的区间长度与所述规格区间的区间长度的比值,所述第二子区间的等分系数c2等于第二子区间的区间长度与所述规格区间的区间长度的比值。
最终,根据所述训练参数的个数M,所述第一子区间的划分加权系数w1,第二子区间的划分加权系数为w2,第一子区间的等分系数c1以及第二子区间的等分系数c2,得到第一子区间的划分个数为m1=a1*M*w1*c1,第二子区间的划分个数为m2=a2*M*w2*c2,其中,a1,a2为调节参数,使所述m1、m2为整数。进一步地,根据所述m1、m2将所述第一子区间划分为m1个等分区间,将所述第二子区间划分为m2个等分区间。
示例性的,对于工艺参数X1_1生产时间,首先,确定其训练参数为5个。其次,其规格区间为[710-730],预设精确度为L=5,第一子区间为[710-715],第一子区间的区间长度为5,且第一子区间的精确度为l1=6;第二子区间为[715-730],第二子区间的区间长度为15,且第二子区间的精确度为l2=3;那么,根据得到第一子区间的划分加权系数为w1=0.67,第二子区间的划分加权系数为w2=0.33。接着,根据其第一子区间的区间长度为5,确定,其第一子区间的等分系数c1为1/4,第二子区间的等分系数c2为3/4。最后,根据所述训练参数5个,第一子区间的划分权重为w1=0.67,第二子区间的划分权重为w2=0.33以及等分系数c1=3/4,c2=1/4,确定第一子区间的划分个数为m1=a1*5*0.67*1/4=2,第二子区间的划分个数为m2=a2*5*0.33*3/4=3,其中,a1=2.388,a2=2.424。
S304:基于所述M个等分区间的比例系数,获取M个取值参数,进而得到所述每个工艺参数的训练参数,所述训练参数包括所述M个取值参数;
其中,所述比例系数是指确定所述等分区间的取值参数的系数,所述比例系数的取值为大于零小于1的自然数。根据所述比值系数,所述每个等分区间的取值参数=等分区间长度*比例系数+等分区间的下限值,示例性的,对于等分区间[710-715],其比例系数为0.2,那么,其取值参数=5*0.2+710=711。所述训练参数是指用于进行机器学习训练的参数。
示例性的,将工艺参数X1_1生产时间的规格区间[710-730]划分为四个等分区间[710-715]、[715-720]、[720-725]以及[725-730];基于所述工艺参数X1_1生产时间的比例系数0.2,依次取所述四个等分区间的中间值:711,716,721,以及726,作为工艺参数X1_1生产时间的训练参数。
可选的,所述比例系数等于所述M个等分区间中每个等分区间的长度与所述规格区间长度的比值。
可选的,取所述M个等分区间的比例系数为0.5,即取所述M个等分区间的中间值作为所述M个取值参数。
特别的,当所述中间值为无限循环的小数时,去所述中间值到小数点后第四位。
可选的,S304还包括:对所述每个工艺参数的训练数据进行编号。示例性的,对于工艺参数X1_1生产时间,其训练参数为1.1.1 712.5,1.1.2 717.5,1.1.3 722.5,以及1.1.4 727.5;对于工艺参数X1_2投大豆油量,其训练参数为1.2.1 107.9625,1.2.2 108,1.2.3 108.0375,以及1.2.4 108.075。
S305:从所述训练参数中随机选取N个取值参数,得到所述每个工艺参数的生成数据,其中,N为大于等于1且小于等于M的整数;
S306:对所述多个工艺参数之间的所述生成数据进行随机组合,得到至少一个样本数据;
示例性的,生产流程p1包括工艺参数x1_1生产时间、x1_2投大豆油量以及x1_3加氢量,那么,将工艺参数x1_1生产时间的生成数据{715、717.5、720}、工艺参数x1_2投大豆油量的生成数据{107.9625、108、108.0375}以及工艺参数x1_2投大豆油量的生成数据{219、222、225}之间进行随机组合,得到33个样本数据。
可选的,在S306之后还包括:循环S305-S306 N次,其中所述N为大于等于30的整数,得到一个生产流程的所有所述至少一个样本数据。
进一步地,根据上述方法获取所有生产流程的至少一个样本数据。
S307:通过所述机器学习训练,获取所述至少一个样本数据中每个样本数据的生产批次号;
具体地,S307的具体实现方式与S203的具体实现方式相同,S307的具体实现方式可以参考S203,此处不再赘述。
可选的,所述通过所述机器学习训练,获取所述至少一个样本数据中每个样本数据的生产批次号,还包括:
step1:确定所述至少一个样本数据中每个样本数据包含的生成数据中属于所述第一子区间的生成数据的个数;
示例性的,对于第一个样本数据[720、108.0375、225、75.9、297.5、60],其中,720、108.0375和225分别来源于工艺参数x1_1生产时间、x1_2投大豆油量以及x1_3加氢量的第一子区间,75.9、297.5和60分别来源于工艺参数x1_4加水量、x1_1_1通氢压力以及x1_1_2通氢时间的第二子区间。那么,确定所述第一个样本数据中包含三个生成数据来源于其对应工艺参数的第一子区间。
step2:按照所述属于所述第一子区间的生成数据的个数从多到少的顺序,对所述至少一个样本数据进行排序;
具体地,将至少一个样本数据中生成数据全部来自于第一子区间的样本数据排在第一位;将至少一个样本数据中生成数据有一个不是来源于第一子区间的样本数据排在第二位;将至少一个样本数据中生成数据有两个不是来源于第一子区间的样本数据排在第三位,以此类推得到每个样本数据的排列。
step3:按照所述排序对所述至少一个样本数据进行训练。
进一步地,所述按照所述排序对所述至少一个样本数据进行训练,包括:
a)基于所述属于所述第一子区间的生成数据的个数,将所述至少一个样本数据中包含相同数量的属于所述第一子区间的生成数据的样本数据划分为一个组别;
示例性的,将至少一个样本数据中生成数据全部来自于第一子区间的样本数据划分为第一组别;将至少一个样本数据中生成数据有一个不是来源于第一子区间的样本数据划分为第二组别,依次类推得到多个组别,每个组别至少包括至少一个样本数据。
b)基于预设可信度,确定每个训练批次下所述一个组别内包含的所述样本数据的数量。
具体地,所述预设可信度是指所述机器学习计算得到的输出商品特性的预测值相比于输出商品特性的实际值的准确度。在进行训练时,根据每个工艺参数对应的预设精度,确定每个批次训练采用样本数据的比例,例如,一个批次训练中包括有30个样本数据,则这30个样本数据中可以包括20个第一组别的样本数据,5个第二组别的样本数据,3个第三组别的样本数据和2个第四组别的样本数据。
可选的,判断每批次训练的实际可信度是否满足所述预设可信度大于预设值,根据所述比较结果调整所述每个训练批次下所述一个组别内包含的所述样本数据的数量。
具体地,当所述实际可信度大于所述预设可信度时,意味着上述确定的一个组别内包含的所述样本数据的数量可信,则依然根据上述方式进行训练;反之,则根据实际可信度调整所述每个训练批次下所述一个组别内包含的所述样本数据的数量,例如,原本确定的下一个训练批次有30个训练数据,根据排序这30个训练数据中有20个训练数据为第一等级,调整后,增加2个第二等级的数据,2个第三等级的数据和1个第四等级的数据,则此,时的训练数据就包括15个第一等级的数据,7个第二等级的数据,5个第三等级的数据和3个第四等级的数据。
S308:基于所述每个样本数据的生产批次号,对所述多个工艺参数进行排产。
具体地,S308的具体实现方式与S204的具体实现方式相同,S308的具体实现方式可以参考S204,此处不再赘述。
请参照图4,图4为本申请实施例提供的又一种基于机器学习的生产排产方法的流程图。所述方法应用于服务器或终端设备上,所述方法至少包括:
S401:获取生产流程的多个工艺参数中每个工艺参数对应的规格线;
具体地,S401的具体实现方式与S201的具体实现方式相同,S401的具体实现方式可以参考S201,此处不再赘述。
S402:基于所述每个工艺参数的规格线,获取用于机器学习训练的至少一个样本数据;
具体地,S402的具体实现方式与S202的具体实现方式相同,S402的具体实现方式可以参考S202,此处不再赘述。
S403:通过所述机器学习训练,获取所述至少一个样本数据中每个样本数据的生产批次号;
具体地,S403的具体实现方式与S203的具体实现方式相同,S403的具体实现方式可以参考S203,此处不再赘述。
S404:创建控制程序,所述控制程序用于控制生产设备的工艺参数;
具体地,对应于不同的生产设备P1-Pn,在所述服务器或所述终端设备的建立多个控制程序S1-Sn,其中,所述多个控制程序根据编号与所述生产设备P1-Pn相对应,即控制程序S1与生产设备P1对应,控制程序S2与生产设备P2对应,以此类推,控制程序Sn与生产设备Pn对应。所述控制程序用于根据所述生产设备当前所处的生产批次,对生产设备的工艺参数进行排产设置。
进一步地,所述控制程序用于对所述至少一个样本数据进行批次设置,以控制所述机器学习训练数据优化算法计算所述每个样本数据的生产批次号。
进一步地,将训练数据库的接口地址配置信息发送至所述控制程序,其中,所述训练数据库包括所述至少一个样本数据和所述每个样本数据对应的生产批次号。这样,以便于所述控制程序从所述训练数据库中获取所述生产设备的工艺参数,进而对所述生产设备进行排产设置。
可选的,将所述训练数据库存储于所述服务器或所述终端设备的内部。
S405:接收所述生产设备发送的工艺参数请求,所述工艺参数请求用于通知所述控制程序获取所述生产设备的当前批次号;
具体地,每次生产设备即将进入一个生产批次时,所述生产设备向所述服务器或所述终端设备发送工艺参数请求,其中,所述工艺参数请求中包括所述生产设备编号;所述服务器根据所述生产设备编号,将所述工艺参数请求转发至与所述生产设备编号对应的控制程序中;响应于所述工艺参数请求,所述控制程序获取所述生产设备的当前批次号。
可选的,所述控制程序获取所述生产设备的当前批次号,包括:
所述控制程序在所述训练数据库中建立一个寄存器T,所述寄存器用于记录所述生产设备的当前批次号,所述寄存器T1的初始值为1。
具体地,当所述生产设备进入第一生产批次时,所述生产设备向所述控制程序发送工艺参数请求;响应于所述工艺参数请求,所述控制程序查询所述寄存器T内记录的当前批次号为1;根据查询到的当前批次号,所述控制程序将对应的工艺参数发送至所述生产设备;然后,所述控制程序控制所述寄存器T的更新为T2=T1+1。
S406:通过所述控制程序将所述至少一个样本数据中与所述当前批次号对应的样本数据发送至所述生产设备;
其中,通过所述控制程序将所述机器学习训练数据优化算法当前训练的最优样本数据与所述生产设备的当前批次号对应起来。具体地,根据所述寄存器T记录的所述当前批次号,通过所述控制程序控制所述机器学习训练数据优化算法计算所述当前批次号下的最优样本数据,将所述最优样本数据作为所述设备当前批次的工艺参数;并将所述样本参数发送至所述生产设备。
示例性的,通过所述控制程序接收到生产设备P1发送的所述工艺参数请求后,查询所述寄存器T的值为2,得到所述生产设备P1当前处于第二生产批次;那么,通过所述控制程序控制所述机器学习对所述至少一个样本数据进行第二生产批次的计算,得到所述至少一个样本数据中最优的样本数据,并将所述最优的样本数据发送至所述生产设备P1,作为所述生产设备P1第二生产批次的工艺参数;最后,通过所述控制程序控制所述寄存器T的值为T3=T2+1=2+1=3。
S407:通过所述控制程序,将所述生产设备的所述当前批次号和所述当前批次号对应的所述样本数据发送至电子任务工单,所述电子任务工单用于指示操作人员对所述生产设备的排产参数进行监控。
具体地,所述电子任务工单至少包括:生产设备编号、生产设备名称、流程编号、流程名称、工艺参数编号、工艺参数名称、工艺参数单位、工艺参数目标值、工艺参数均值、工艺参数标准差、工艺参数上规格线、工艺参数下规格线、测量方法、测量***分析***(合格/不合格)、数据类型(连续/离散)。
进一步地,通过所述控制程序为每个生产设备的每个生产批次的排产结果建立一个ID信息,所述ID信息用于记录每个生产批次的生产信息;以及,
基于所述每个生产批次的生产时间,将所述ID信息上传至区块链。
具体地,所述生产信息包括但不限于操作人员、工艺参数、校验数据、设备异常警告等。并且,所述ID信息按照生产批次的时间顺序t1-tn在区块链中进行保存。操作人员可以通过公钥或NFC工卡,在终端设备区域读取所述ID信息;同时,基于所述公钥或NFC工卡携带的人员信息,将读取所述ID信息的操作人员的人员信息保存至所述区块链,以保证全流程各环节数据的安全性以及可追溯性。
上述主要从各个交互的角度对本申请实施例提供的方案进行了介绍。需要说明的是,上述三种实施例中的方法步骤可以进行任意组合。并且,对于基于机器学习的生产排产装置,为了实现上述三种实施方式或上述三种实施方式的方法步骤的任意组合,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法示例对基于机器学习的生产排产装置进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以使用硬件的形式实现,也可以使用软件功能模块的形式实现。需要说明的是,本申请实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。下面以使用对应各个功能划分各个功能模块为例进行说明。
以上,结合图2-图4详细说明了本申请实施例提供的方法。以下,结合图5详细说明本申请实施例提供的基于机器学习的生产排产装置。应理解,装置实施例的描述与方法实施例的描述相互对应,因此,未详细描述的内容可以参见上文方法实施例,为了简洁,这里不再赘述。
请参见图5,图5是本申请实施例提供的一种基于机器学习的生产排产装置的结构示意图。所述装置可以包括获取单元501、处理单元502和控制单元503。获取单元501可以与外部进行通信,例如获取每个工艺参数对应的规格线,处理单元502用于进行处理,如获取用于机器学习训练的至少一个样本数据等。获取单元501还可以称为通信接口、收发单元或收发模块。该获取单元501可以用于执行上文方法实施例中基于机器学习的生产排产装置所执行的动作。
例如:获取单元501也可以称为收发模块或收发单元(包括获取模块和/或发送模块),分别用于执行上文方法实施例中基于机器学习的生产排产装置发送和获取的步骤。
在一种可能的设计中,该基于机器学习的生产排产装置可实现对应于上文方法实施例中的基于机器学习的生产排产装置执行的步骤或者流程,例如,可以为配置于基于机器学习的生产排产装置中的芯片或电路。获取单元501用于执行上文方法实施例中基于机器学习的生产排产装置的收发相关操作,处理单元502用于执行上文方法实施例中基于机器学习的生产排产装置的处理相关操作。具体地:
获取单元501,用于获取生产流程的多个工艺参数中每个工艺参数对应的规格线;
处理单元502,用于基于所述每个工艺参数的规格线,获取用于机器学习训练的至少一个样本数据;以及,所述处理单元用于通过所述机器学习训练,获取所述至少一个样本数据中每个样本数据的生产批次号;
控制单元503,用于基于所述每个样本数据的生产批次号,对所述多个工艺参数进行排产。
可选的,处理单元502,还用于:
基于所述每个工艺参数的规格线,获取所述每个工艺参数的规格区间;
将所述规格区间划分为M个等分区间,其中,M为大于1的整数;
基于所述M等分区间的比例系数,获取M个取值参数,进而得到所述每个工艺参数的训练参数,所述训练参数包括所述M个取值参数;
从所述训练参数中随机选取N个取值参数,得到所述每个工艺参数的生成数据,其中,N为大于等于1且小于等于M的整数;
对所述多个工艺参数之间的所述生成数据进行随机组合,得到所述至少一个样本数据。
可选的,处理单元502,还用于将所述规格区间划分为第一子区间和第二子区间;以及,分别对所述第一子区间和所述第二子区间进行划分,得到所述M个等分区间。
可选的,处理单元502,还用于按照第一等分间隔对所述第一子区间进行划分,按照第二等分间隔对所述第二子区间进行划分,其中,所述第一等分间隔小于所述第二等分间隔。
可选的,处理单元502,还用于:
确定所述每个工艺参数对应的所述训练参数的个数M;
根据预设精确度,确定所述第一子区间和所述第二子区间的划分加权系数;
根据所述第一子区间和所述第二子区间的区间长度的比例,分别确定所述第一子区间和所述第二子区间的等分系数;
根据所述训练参数的个数M、所述划分加权系数和所述等分系数,分别对所述第一子区间和所述第二子区间进行划分。
可选的,处理单元502,还用于:
确定所述每个样本数据包含的生成数据中属于所述第一子区间的生成数据的个数;
按照所述每个样本数据包含的生成数据中属于所述第一子区间的生成数据的个数从多到少的顺序,对所述至少一个样本数据进行排序;
按照所述排序对所述至少一个样本数据进行训练。
可选的,处理单元502,还用于基于所述属于所述第一子区间的生成数据的个数,将所述至少一个样本数据中包含相同数量的属于所述第一子区间的生成数据的样本数据划分为一个组别;以及,基于所述预设精确度,确定每个训练批次下所述一个组别内包含的所述样本数据的数量。
可选的,控制单元503,还用于控制生产设备的工艺参数;以及,基于所述每个样本数据的生产批次号,对所述多个工艺参数进行排产。
可选的,所述获取单元501,还用于获取所述生产设备发送的工艺参数请求,所述工艺参数请求用于通知所述控制单元获取所述生产设备的当前批次号;以及,所述控制单元503,还用于将所述至少一个样本数据中与所述当前批次号对应的样本数据发送至所述生产设备。
可选的,所述控制单元503,还用于将所述生产设备的所述当前批次号和所述当前批次号对应的所述样本数据发送至电子任务工单,所述电子任务工单用于指示操作人员对所述生产设备的排产参数进行监控。
需要说明的是,各个模块的实现还可以对应参照图2-图4所示的方法实施例的相应描述,执行上述实施例中基于机器学习的生产排产装置所执行的方法和功能。
请参见图6,图6是本申请实施例提供的另一种基于机器学习的生产排产装置的结构示意图。所述基于机器学习的生产排产装置包括收发器601、处理器602和控制器603。可选地,该基于机器学习的生产排产装置还包括存储器604。其中,收发器601、处理器602、控制器603和存储器604之间可以通过内部连接通路互相通信,传递控制和/或数据信号,该存储器604用于存储计算机程序,该处理器602用于从该存储器604中调用并运行该计算机程序,以控制该收发器601收发信号。
上述处理器602可以和存储器604可以合成一个处理装置,处理器602用于执行存储器604中存储的程序代码来实现上述功能。具体实现时,该存储器604也可以集成在处理器602中,或者独立于处理器602。该处理器602可以与图5中的处理单元对应。
上述收发器601可以与图5中的获取单元对应,也可以称为收发单元或收发模块。收发器601可以包括获取器(或称获取机、获取电路)和发射器(或称发射机、发射电路)。其中,获取器用于获取信号,发射器用于发射信号。
应理解,图6所示的基于机器学习的生产排产装置能够实现图2-图4所示方法实施例中涉及基于机器学习的生产排产装置的各个过程。基于机器学习的生产排产装置中的各个模块的操作和/或功能,分别为了实现上述方法实施例中的相应流程。具体可参见上述方法实施例中的描述,为避免重复,此处适当省略详述描述。
上述处理器602可以用于执行前面方法实施例中描述的由基于机器学习的生产排产装置内部实现的动作,而收发器601可以用于执行前面方法实施例中描述的基于机器学习的生产排产装置的收发动作。具体请见前面方法实施例中的描述,此处不再赘述。
其中,处理器602可以是中央处理器单元,通用处理器,数字信号处理器,专用集成电路,现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器602也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,数字信号处理器和微处理器的组合等等。通信总线605可以是外设部件互连标准PCI总线或扩展工业标准结构EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信总线605用于实现这些组件之间的连接通信。其中,本申请实施例中收发器601用于与其他节点设备进行信令或数据的通信。存储器604可以包括易失性存储器,例如非挥发性动态随机存取内存(nonvolatile random access memory,NVRAM)、相变化随机存取内存(phase change RAM,PRAM)、磁阻式随机存取内存(magetoresistive RAM,MRAM)等,还可以包括非易失性存储器,例如至少一个磁盘存储器件、电子可擦除可编程只读存储器(electrically erasableprogrammable read-only memory,EEPROM)、闪存器件,例如反或闪存(NOR flash memory)或是反及闪存(NAND flash memory)、半导体器件,例如固态硬盘(solid state disk,SSD)等。存储器604可选的还可以是至少一个位于远离前述处理器602的存储装置。存储器604中可选的还可以存储一组计算机程序代码或配置信息。可选的,处理器602还可以执行存储器604中所存储的程序。处理器可以与存储器和收发器相配合,执行上述申请实施例中基于机器学习的生产排产装置的任意一种方法和功能。
本申请实施例还提供了一种芯片***,该芯片***包括处理器,用于支持基于机器学习的生产排产装置以实现上述任一实施例中所涉及的功能,例如处理上述方法中所涉及的获取所述至少一个样本数据中每个样本数据的生产批次号。在一种可能的设计中,所述芯片***还可以包括存储器,所述存储器,用于基于机器学习的生产排产装置必要的程序指令和数据。该芯片***,可以由芯片构成,也可以包含芯片和其他分立器件。其中,芯片***的输入和输出,分别对应方法实施例基于机器学习的生产排产装置的获取与发送操作。
本申请实施例还提供了一种处理装置,包括处理器和接口。所述处理器可用于执行上述方法实施例中的方法。
应理解,上述处理装置可以是一个芯片。例如,该处理装置可以是现场可编程门阵列(field programmable gate array,FPGA),可以是专用集成芯片(applicationspecific integrated circuit,ASIC),还可以是***芯片(system on chip,SoC),还可以是中央处理器(central processor unit,CPU),还可以是网络处理器(networkprocessor,NP),还可以是数字信号处理电路(digital signal processor,DSP),还可以是微控制器(micro controller unit,MCU),还可以是可编程控制器(programmable logicdevice,PLD)或其他集成芯片。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
应注意,本申请实施例中的处理器可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
根据本申请实施例提供的方法,本申请还提供一种计算机程序产品,该计算机程序产品包括:计算机程序,当该计算机程序在计算机上运行时,使得该计算机执行图2-图4所示实施例中任意一个实施例的方法。
根据本申请实施例提供的方法,本申请还提供一种计算机可读介质,该计算机可读介质存储有程序代码,当该程序代码在计算机上运行时,使得该计算机执行图2-图4所示实施例中任意一个实施例的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,高密度数字视频光盘(digital video disc,DVD))、或者半导体介质(例如,固态硬盘(solid state disc,SSD))等。
Claims (10)
1.一种基于机器学习的生产排产方法,其特征在于,包括:
获取生产流程的多个工艺参数中每个工艺参数对应的规格线;
基于所述每个工艺参数的规格线,获取用于机器学习训练的至少一个样本数据;
通过所述机器学习训练,获取所述至少一个样本数据中每个样本数据的生产批次号;
基于所述每个样本数据的生产批次号,对所述多个工艺参数进行排产。
2.根据权利要求1所述的方法,其特征在于,所述获取用于机器学习训练的至少一个样本数据,包括:
基于所述每个工艺参数的规格线,获取所述每个工艺参数的规格区间;
将所述规格区间划分为M个等分区间,其中,M为大于1的整数;
基于所述M个等分区间的比例系数,获取M个取值参数,进而得到所述每个工艺参数的训练参数,所述训练参数包括所述M个取值参数;
从所述训练参数中随机选取N个所述取值参数,得到所述每个工艺参数的生成数据,其中,N为大于等于1且小于等于M的整数;
对所述多个工艺参数之间的所述生成数据进行随机组合,得到所述至少一个样本数据。
3.根据权利要求2所述的方法,其特征在于,所述将所述规格区间划分为M个等分区间,包括:
将所述规格区间划分为第一子区间和第二子区间;
分别对所述第一子区间和所述第二子区间进行划分,得到所述M个等分区间。
4.根据权利要求3所述的方法,其特征在于,所述分别将所述第一子区间和所述第二子区间进行等分,包括:
按照第一等分间隔对所述第一子区间进行划分,按照第二等分间隔对所述第二子区间进行划分,其中,所述第一等分间隔小于所述第二等分间隔。
5.根据权利要求3所述的方法,其特征在于,所述分别将所述第一子区间和所述第二子区间进行等分,包括:
确定所述每个工艺参数对应的所述训练参数的个数M;
根据预设精确度,确定所述第一子区间和所述第二子区间的划分加权系数;
根据所述第一子区间和所述第二子区间的区间长度的比例,分别确定所述第一子区间和所述第二子区间的等分系数;
根据所述训练参数的个数M、所述划分加权系数和所述等分系数,分别对所述第一子区间和所述第二子区间进行划分。
6.根据权利要求3所述的方法,其特征在于,所述通过所述机器学习训练,获取所述至少一个样本数据中每个样本数据的生产批次号,包括:
确定所述每个样本数据包含的生成数据中属于所述第一子区间的生成数据的个数;
按照所述每个样本数据包含的生成数据中属于所述第一子区间的生成数据的个数从多到少,对所述至少一个样本数据进行排序;
按照所述排序对所述至少一个样本数据进行训练。
7.一种基于机器学习的生产排产装置,其特征在于,包括:
获取单元,所述获取单元用于获取生产流程的多个工艺参数中每个工艺参数对应的规格线;
处理单元,所述处理单元用于基于所述每个工艺参数的规格线,获取用于机器学习训练的至少一个样本数据;以及,所述处理单元用于通过所述机器学习训练,获取所述至少一个样本数据中每个样本数据的生产批次号;
控制单元,所述控制单元用于基于所述每个样本数据的生产批次号,对所述多个工艺参数进行排产。
8.一种基于机器学习的生产排产装置,其特征在于,包括:
处理器和存储器;
所述处理器用于执行权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,用于存储计算机程序,当所述计算机程序在计算机上运行时,使所述计算机执行权利要求1-6中任一项所述的方法。
10.一种计算机程序产品,其特征在于,所述计算机程序产品使计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210739356.1A CN115222551A (zh) | 2022-03-16 | 2022-03-16 | 生产排产方法和相关装置、存储介质和程序产品 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210739356.1A CN115222551A (zh) | 2022-03-16 | 2022-03-16 | 生产排产方法和相关装置、存储介质和程序产品 |
CN202210256308.7A CN114358966B (zh) | 2022-03-16 | 2022-03-16 | 一种基于机器学习的生产排产方法、装置及存储介质 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210256308.7A Division CN114358966B (zh) | 2022-03-16 | 2022-03-16 | 一种基于机器学习的生产排产方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115222551A true CN115222551A (zh) | 2022-10-21 |
Family
ID=81094948
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210256308.7A Active CN114358966B (zh) | 2022-03-16 | 2022-03-16 | 一种基于机器学习的生产排产方法、装置及存储介质 |
CN202210739356.1A Pending CN115222551A (zh) | 2022-03-16 | 2022-03-16 | 生产排产方法和相关装置、存储介质和程序产品 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210256308.7A Active CN114358966B (zh) | 2022-03-16 | 2022-03-16 | 一种基于机器学习的生产排产方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN114358966B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115130843A (zh) * | 2022-04-18 | 2022-09-30 | 希望知舟技术(深圳)有限公司 | 排单方法、工艺参数请求方法及相关设备、介质和程序 |
CN117723550B (zh) * | 2024-02-18 | 2024-06-25 | 宁德时代新能源科技股份有限公司 | 产品质量检测设备的检测方法、装置和电子设备 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378528B (zh) * | 2019-07-17 | 2022-12-09 | 南京大学 | 基于遗传算法的车间排产方法及*** |
CN110517002B (zh) * | 2019-08-29 | 2022-11-15 | 烟台大学 | 基于强化学习的生产控制方法 |
US11100221B2 (en) * | 2019-10-08 | 2021-08-24 | Nanotronics Imaging, Inc. | Dynamic monitoring and securing of factory processes, equipment and automated systems |
CN111597729B (zh) * | 2020-05-27 | 2023-07-25 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及*** |
TWI749925B (zh) * | 2020-12-01 | 2021-12-11 | 英業達股份有限公司 | 製造設備製造參數調整控制系統及其方法 |
CN112561080B (zh) * | 2020-12-18 | 2023-03-03 | Oppo(重庆)智能科技有限公司 | 样本筛选方法、样本筛选装置及终端设备 |
CN112766780A (zh) * | 2021-01-27 | 2021-05-07 | 像心科技(上海)有限公司 | 一种基于大数据机器学习的高级计划排程***及方法 |
CN112785000A (zh) * | 2021-01-29 | 2021-05-11 | 南昌大学 | 面向大规模机器学习***的机器学习模型训练方法及*** |
CN113919601A (zh) * | 2021-12-09 | 2022-01-11 | 山东捷瑞数字科技股份有限公司 | 基于产品性能和过程数据模型的树脂工艺预测方法及装置 |
CN114169460A (zh) * | 2021-12-14 | 2022-03-11 | 中国工商银行股份有限公司 | 样本筛选方法、装置、计算机设备和存储介质 |
CN115130679A (zh) * | 2022-02-11 | 2022-09-30 | 希望知舟技术(深圳)有限公司 | 数据管控方法及相关装置和介质程序产品 |
-
2022
- 2022-03-16 CN CN202210256308.7A patent/CN114358966B/zh active Active
- 2022-03-16 CN CN202210739356.1A patent/CN115222551A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN114358966B (zh) | 2022-06-17 |
CN114358966A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114358966B (zh) | 一种基于机器学习的生产排产方法、装置及存储介质 | |
CN111950225B (zh) | 一种芯片布局方法、装置、存储介质和电子设备 | |
CN105223914B (zh) | 管控机台生产数据的***及其方法 | |
CN110414838A (zh) | 一种烟草工艺质量管控方法、***、设备及存储介质 | |
CN114140034B (zh) | 基于工况的质量监控方法及相关装置 | |
CN104655327A (zh) | 电阻式温度传感器检定***及方法 | |
CN115130065B (zh) | 供应端特征信息处理方法、装置、设备和计算机可读介质 | |
WO2020175084A1 (ja) | 運営評価装置、運営評価方法、およびプログラム | |
CN116128135A (zh) | 数据处理方法及装置、电子设备和存储介质 | |
CN109857791B (zh) | 一种数据批量处理方法与装置 | |
CN117195083B (zh) | 基于电流曲线的坍落度预测方法、装置及可读介质 | |
JP7263020B2 (ja) | 処理水質推定装置、処理水質推定方法及びプログラム | |
CN107643322A (zh) | 质量检测方法及装置 | |
CN114881465A (zh) | 生产管理方法、***、设备及存储介质 | |
CN109858699B (zh) | 水质定量模拟方法、装置、电子设备及存储介质 | |
CN117787672B (zh) | 原料用量计算方法、装置、设备及介质 | |
CN117516633B (zh) | 适用于金刚石生产的远程监测方法、装置、设备及介质 | |
CN115565912A (zh) | 一种半导体产品的量测方法及装置 | |
CN114418456B (zh) | 一种基于工况的机器学习进度管控方法及相关装置 | |
CN117808458B (zh) | 一种设备修理线优化方法、***、电子设备与存储介质 | |
CN116596231B (zh) | 一种铁水调度计划修正方法、装置、设备及存储介质 | |
CN112751924B (zh) | 一种数据推送方法、***及装置 | |
CN114274364B (zh) | 用于搅拌站的螺旋机选型方法、处理器以及选型装置 | |
CN116741116A (zh) | 显示亮度线性度自动标定***、方法、装置、设备及介质 | |
CN117590821A (zh) | 基于工业大模型的生产线优化方法 |
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 |