CN115641097B - 基于云平台的非标准机械加工协同制造管理方法及*** - Google Patents
基于云平台的非标准机械加工协同制造管理方法及*** Download PDFInfo
- Publication number
- CN115641097B CN115641097B CN202211660339.5A CN202211660339A CN115641097B CN 115641097 B CN115641097 B CN 115641097B CN 202211660339 A CN202211660339 A CN 202211660339A CN 115641097 B CN115641097 B CN 115641097B
- Authority
- CN
- China
- Prior art keywords
- factory
- model
- target part
- machining
- acquiring
- 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.)
- Active
Links
- 238000003754 machining Methods 0.000 title claims abstract description 95
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 53
- 238000007726 management method Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 77
- 230000006978 adaptation Effects 0.000 claims abstract description 47
- 238000005516 engineering process Methods 0.000 claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims description 77
- 238000000034 method Methods 0.000 claims description 28
- 238000012544 monitoring process Methods 0.000 claims description 26
- 230000002452 interceptive effect Effects 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 230000006399 behavior Effects 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 7
- 238000004220 aggregation Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 description 9
- 238000012827 research and development Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000586 desensitisation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
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
本发明公开了一种基于云平台的非标准机械加工协同制造管理方法及***,包括:获取需求方的非标需求信息上传至云平台,根据云平台的预设要求约束生成标准订单;根据标准订单获取目标零件图纸信息,利用三维重建获取目标零件的三维零件模型,存入零件三维数据库中,将三维零件模型结合对应的要求约束生成目标零件模型;根据行业信息将工厂进行分类,通过数字孪生获取各工厂的加工工艺孪生体模型,结合对应最优加工工艺标准及类别标签生成工厂模型;判断目标零件模型与工厂模型的适配度,根据适配度确定目标零件的候选工厂。本发明通过建立非标零件的机械加工协同制造体系,使得零件匹配最优加工工厂,显著提高了非标准加工的加工效率及加工质量。
Description
技术领域
本发明涉及智能加工技术领域,更具体的,涉及一种基于云平台的非标准机械加工协同制造管理方法及***。
背景技术
随着经济的快速发展,制造企业的各种成本呈逐年上升趋势,尤其是人工成本的快速上升,对制造企业的压力越来越大,针对人工成本在劳动密集型产业中的投入占比日益增加的现象,自动化生产设备应用日益广泛。随着行业规模的不断扩大,行业所包含的内容越来越广泛,非标机械设备使用的频率越来越高,面对产品应用多样化要求,非标准机械加工的制造管理研究具有重要意义。
随着机械行业的迅速发展,产品的研发速率已经成为了企业发展的关键因素。非标准零部件的研发周期往往能代表着产品的研发速率,为减少非标准零部件的研发周期,节约企业成本,并且为使非标准零部件能在企业内部实现标准化;将基于平台的资源整合和共享的理念有效的应用到非标机械零部件加工的制造管理中,依据非标机械零部件自身的特点和非标机械零部件的个性化需求,对非标准零部件定制专属制造分配并符合交付标准。因此,针对企业的非标零部件订单,提出一种基于云平台的非标准机械加工协同制造体系是现阶段亟需解决的问题。
发明内容
为了解决上述技术问题,本发明提出了一种基于云平台的非标准机械加工协同制造管理方法及***。
本发明第一方面提供了一种基于云平台的非标准机械加工协同制造管理方法,包括:
获取需求方的非标需求信息,将所述非标需求信息上传至云平台,根据云平台的预设要求约束进行标准化解析,生成标准订单;
根据标准订单获取目标零件图纸信息,利用三维重建获取目标零件的三维零件模型,并存入零件三维数据库中,将所述三维零件模型结合对应的要求约束生成目标零件模型;
根据行业信息将工厂进行分类,通过数字孪生获取各工厂的加工工艺孪生体模型,结合对应最优加工工艺标准及类别标签生成工厂模型;
将所述目标零件模型与所述工厂模型进行匹配,判断目标零件模型与工厂模型的适配度,根据所述适配度确定目标零件的候选工厂。
本方案中,根据标准订单获取目标零件图纸信息,利用三维重建获取目标零件的三维零件模型,并存入零件三维数据库中,将所述三维零件模型结合对应的要求约束生成目标零件模型,具体为:
获取需求方目标零件图纸信息,将目标零件图纸信息进行预处理,分析目标零件的结构复杂度,根据所述结构复杂度判断目标零件是否需要结构拆分;
将目标零件或拆分后的零件结构利用三维重建技术生成三维零件模型,将目标零件的三维零件模型根据标准订单中的要求约束进行处理调整,并在三维零件模型中对要求约束进行可视化标注,获取目标零件模型;
同时,构建零件三维数据库,将三维零件模型设置相关需求标签存入零件三维数据库中;
当读取需求方当前标准订单后,将当前标准订单对应的零件图纸信息在所述零件三维数据库中进行数据检索,获取符合相似度标准的数据提取或拼凑对应的三维零件模型。
本方案中,根据行业信息将工厂进行分类,通过数字孪生获取各工厂的加工工艺孪生体模型,结合对应最优加工工艺标准及类别标签生成工厂模型,具体为:
获取各工厂的所属行业,根据行业信息将工厂进行聚类,确定工厂的类别标签,利用物联网技术获取各工厂加工物理设备的监测数据反应设备的实时状态信息,将实时监测数据进行数据脱敏后传输到云平台;
获取各工厂加工物理设备的数字模拟模型,将云平台中的监测数据处理为孪生数据,通过孪生数据对数字模拟模型进行运行状态变化仿真,结合各工厂的生产加工环境生成对应的加工工艺孪生体模型;
通过各工厂加工物理设备历史加工数据获取其最优加工工艺标准,将各工厂的最优加工工艺标准及类别标签结合对应加工工艺孪生体模型生成工厂模型;
同时,根据所述历史加工数据按照零件用途进行分类,获取各工厂的各类别零件的加工情况,根据所述加工情况预设各工厂的加工经验信息,作为工厂模型的补充描述。
本方案中,将所述目标零件模型与所述工厂模型进行匹配,判断目标零件模型与工厂模型的适配度,具体为:
通过目标零件模型读取目标零件加工工艺对应各个约束要求的最小约束获取目标零件加工的理想加工约束,根据理想加工约束获取目标零件加工的理想工厂模型;
将目标零件模型与工厂模型导入低维向量空间,获取各工厂模型与理想工厂模型的曼哈顿距离,通过各工厂的加工经验信息的初始经验权重,根据曼哈顿距离集合初始经验权重获取适配度,设置理想工厂模型与工厂模型之间可允许的最大曼哈顿距离值作为适配度阈值;
当所述适配度大于适配度阈值时,则将该工厂模型进行标注,并按照曼哈顿距离进行将被标注工厂模型进行排序,基于排序结果提取预设数量的工厂模型生成初选工厂模型集合;
获取需求方与初选工厂模型集合中的工厂的历史交互信息,将需求方及工厂模型在低维空间中构建无向图,根据所述历史交互信息设置需求方对各工厂模型的初始偏好权重;
基于图卷积网络对无向图进行特征编码,经过图卷积网络的消息传播及邻居聚合机制结合所述初始偏好权重获取需求方特征及工厂模型的向量化表示;
计算向量化表示的需求方与工厂模型的内积,根据内积计算结果生成初选工厂模型集合中工厂模型的排序,获取预设数量的工厂模型作为候选工厂。
本方案中,通过需求方反馈信息对工厂进行满意度评价,具体为:
通过工厂的零件交付指标及服务指标构建需求方的满意度指标体系,根据需求方的原始评价数据及模糊语言属性,生成对候选工厂的满意度评价结果;
根据所述满意度评价结果进行同一标准订单下不同子订单的横向满意度对比,将满意度偏差大于预设阈值的工厂进行标注,修正需求方对被标注工厂的初始偏好权重;
基于云平台构建需求方专属数据库记录需求方的交互行为数据,根据所述交互行为数据定时更新需求方对工厂的初始偏好权重,同时,利用需求方专属数据库对需求方目标零件与工厂的匹配进行学习优化。
本方案中,还包括:基于工厂模型获取工厂设备的设备特征,将所述设备特征结合人员特征提取工厂的评价因子,根据所述评价因子的贡献度进行筛选,根据筛选后的评价因子确定工厂产等的评价指标;
获取候选工厂各评价指标的原始数据序列,基于原始数据序列获取各评价指标的评分,通过各评价指标的评分对候选工厂的产能进行评估;
通过候选工厂的工厂模型对工厂加工生产状态进行判断,获取设备的忙闲状态,并根据设备的忙闲状态结合时间戳生成设备忙闲时序序列;
根据候选工厂的产能评估结果及设备忙闲时序序列将订单进行智能分单,为候选工厂分配最佳订单任务;
基于物联网技术对候选工厂的零件加工过程进行动态产能的实时监控,根据实时监控结果进行订单任务的调度调整。
本发明第二方面还提供了一种基于云平台的非标准机械加工协同制造管理***,该***包括:存储器、处理器,所述存储器中包括一种基于云平台的非标准机械加工协同制造管理方法程序,所述一种基于云平台的非标准机械加工协同制造管理的方法程序被所述处理器执行时实现如下步骤:
获取需求方的非标需求信息,将所述非标需求信息上传至云平台,根据云平台的预设要求约束进行标准化解析,生成标准订单;
根据标准订单获取目标零件图纸信息,利用三维重建获取目标零件的三维零件模型,并存入零件三维数据库中,将所述三维零件模型结合对应的要求约束生成目标零件模型;
根据行业信息将工厂进行分类,通过数字孪生获取各工厂的加工工艺孪生体模型,结合对应最优加工工艺标准及类别标签生成工厂模型;
将所述目标零件模型与所述工厂模型进行匹配,判断目标零件模型与工厂模型的适配度,根据所述适配度确定目标零件的候选工厂。
本发明公开了一种基于云平台的非标准机械加工协同制造管理方法及***,包括:获取需求方的非标需求信息上传至云平台,根据云平台的预设要求约束进行标准化解析,生成标准订单;根据标准订单获取目标零件图纸信息,利用三维重建获取目标零件的三维零件模型,存入零件三维数据库中,将三维零件模型结合对应的要求约束生成目标零件模型;根据行业信息将工厂进行分类,通过数字孪生获取各工厂的加工工艺孪生体模型,结合对应最优加工工艺标准及类别标签生成工厂模型;将目标零件模型与所述工厂模型进行匹配,判断目标零件模型与工厂模型的适配度,根据所述适配度确定目标零件的候选工厂。本发明通过建立非标零件的机械加工协同制造体系,使得零件匹配最优加工工厂,显著提高了非标准加工的加工效率及加工质量。
附图说明
图1示出了本发明一种基于云平台的非标准机械加工协同制造管理方法的流程图;
图2示出了本发明根据适配度确定目标零件的候选工厂的方法流程图;
图3示出了本发明对标准订单进行智能分单的方法流程图;
图4示出了本发明一种基于云平台的非标准机械加工协同制造管理***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于云平台的非标准机械加工协同制造管理方法的流程图。
如图1所示,本发明第一方面提供了一种基于云平台的非标准机械加工协同制造管理方法,包括:
S104,获取需求方的非标需求信息,将所述非标需求信息上传至云平台,根据云平台的预设要求约束进行标准化解析,生成标准订单;
S106,根据标准订单获取目标零件图纸信息,利用三维重建获取目标零件的三维零件模型,并存入零件三维数据库中,将所述三维零件模型结合对应的要求约束生成目标零件模型;
S108,根据行业信息将工厂进行分类,通过数字孪生获取各工厂的加工工艺孪生体模型,结合对应最优加工工艺标准及类别标签生成工厂模型;
S110,将所述目标零件模型与所述工厂模型进行匹配,判断目标零件模型与工厂模型的适配度,根据所述适配度确定目标零件的候选工厂。
需要说明的是,将非标需求信息上传至云平台,根据云平台的预设要求约束进行标准化解析,所述要求约束包括工艺要求、精度要求、材料要求、后处理要求、交期要求及装配要求等,根据预设格式将需求方需求调整为标准订单。
获取需求方目标零件图纸信息,将目标零件图纸信息进行预处理,分析目标零件的结构复杂度,根据所述结构复杂度判断目标零件是否需要结构拆分;将目标零件或拆分后的零件结构利用三维重建技术生成三维零件模型,常用的三维重建软件包括VisualSFM、OpenMVS及COLMAP等,将目标零件的三维零件模型根据标准订单中的要求约束进行处理调整,并在三维零件模型中对要求约束进行可视化标注,获取目标零件模型;同时,构建零件三维数据库,将三维零件模型设置相关需求标签存入零件三维数据库中;当读取需求方当前标准订单后,将当前标准订单对应的零件图纸信息在所述零件三维数据库中进行数据检索,获取符合相似度标准的数据提取或拼凑对应的三维零件模型。
需要说明的是,获取各工厂的所属行业,根据行业信息将工厂进行聚类,确定工厂的类别标签,利用物联网技术获取各工厂加工物理设备的监测数据反应设备的实时状态信息,将实时监测数据进行数据脱敏后传输到云平台;获取各工厂加工物理设备的数字模拟模型,将云平台中的监测数据处理为孪生数据,通过孪生数据对数字模拟模型进行运行状态变化仿真,结合各工厂的生产加工环境生成对应的加工工艺孪生体模型;通过各工厂加工物理设备历史加工数据获取其最优加工工艺标准,将各工厂的最优加工工艺标准及类别标签结合对应加工工艺孪生体模型生成工厂模型;同时,根据所述历史加工数据按照零件用途进行分类,获取各工厂的各类别零件的加工情况,根据所述加工情况预设各工厂的加工经验信息,作为工厂模型的补充描述。
图2示出了本发明根据适配度确定目标零件的候选工厂的方法流程图。
根据本发明实施例,将所述目标零件模型与所述工厂模型进行匹配,判断目标零件模型与工厂模型的适配度,根据适配度确定目标零件的候选工厂,具体为:
S202,通过目标零件模型读取目标零件加工工艺对应各个约束要求的最小约束获取目标零件加工的理想加工约束,根据理想加工约束获取目标零件加工的理想工厂模型;
S204,将目标零件模型与工厂模型导入低维向量空间,获取各工厂模型与理想工厂模型的曼哈顿距离,通过各工厂的加工经验信息的初始经验权重,根据曼哈顿距离集合初始经验权重获取适配度,设置理想工厂模型与工厂模型之间可允许的最大曼哈顿距离值作为适配度阈值;
S206,当所述适配度大于适配度阈值时,则将该工厂模型进行标注,并按照曼哈顿距离进行将被标注工厂模型进行排序,基于排序结果提取预设数量的工厂模型生成初选工厂模型集合;
S208,获取需求方与初选工厂模型集合中的工厂的历史交互信息,将需求方及工厂模型在低维空间中构建无向图,根据所述历史交互信息设置需求方对各工厂模型的初始偏好权重;
S210,基于图卷积网络对无向图进行特征编码,经过图卷积网络的消息传播及邻居聚合机制结合所述初始偏好权重获取需求方特征及工厂模型的向量化表示;
S212,计算向量化表示的需求方与工厂模型的内积,根据内积计算结果生成初选工厂模型集合中工厂模型的排序,获取预设数量的工厂模型作为候选工厂。
需要说明的是,通过设置适配度进行工厂模型的初选,使得后续图神经网络结构
设置更加轻量化,网络负担小,增强非标机械加工协同制造的效率,在低维向量空间的无向
图结构中,需求方节点及工厂模型节点通过消息传播及邻居聚合机制进行表示,其中需
求方节点在第层图卷积网络的向量化表示,具体为:
其中,表示激活函数,分别表示需求方节点及工厂模型节点在第层图
卷积网络的特征向量,表示初始偏好权重,表示需求方节点的邻居节点,同理获取工
厂模型的向量化表示,计算需求方与工厂模型的向量内积,表示矩阵转置。
需要说明的是,通过工厂的零件交付指标及服务指标构建需求方的满意度指标体系,所述零件交互指标包括原材料指标、交期指标、质检指标、成本指标及信誉度指标等,所述服务指标包括服务时间指标、服务质量指标、相关经验指标及应急处理指标等;获取需求方的原始评价数据及模糊语言属性,将原始评价数据与预设阈值进行判断获取评价指标的评价结果,将模糊语言属性转化为三角模糊数,判断三角模糊数的对应评价阈值的对比结果获取评价指标的评价结果,根据各个评价指标的评价结果进行线性加权生成对候选工厂的满意度评价结果;根据所述满意度评价结果进行同一标准订单下不同子订单的横向满意度对比,将满意度偏差大于预设阈值的工厂进行标注,修正需求方对被标注工厂的初始偏好权重;基于云平台构建需求方专属数据库记录需求方的交互行为数据,根据所述交互行为数据定时更新需求方对工厂的初始偏好权重,同时,利用需求方专属数据库对需求方目标零件与工厂的匹配进行学习优化。
图3示出了本发明对标准订单进行智能分单的方法流程图。
根据本发明实施例,对标准订单进行智能分单,具体为:
S302,基于工厂模型获取工厂设备的设备特征,将所述设备特征结合人员特征提取工厂的评价因子,根据所述评价因子的贡献度进行筛选,根据筛选后的评价因子确定工厂产等的评价指标;
S304,获取候选工厂各评价指标的原始数据序列,基于原始数据序列获取各评价指标的评分,通过各评价指标的评分对候选工厂的产能进行评估;
S306,通过候选工厂的工厂模型对工厂加工生产状态进行判断,获取设备的忙闲状态,并根据设备的忙闲状态结合时间戳生成设备忙闲时序序列;
S308,根据候选工厂的产能评估结果及设备忙闲时序序列将订单进行智能分单,为候选工厂分配最佳订单任务;
S310,基于物联网技术对候选工厂的零件加工过程进行动态产能的实时监控,根据实时监控结果进行订单任务的调度调整。
需要说明的是,通过实地验厂等手段获取工厂加工设备,人员及资源信息利用预设评价指标对工厂产能进行评估,工厂将通过更新设备的忙闲状态结合工厂模型对工厂进行派单,同时,通过传感器实现物联网进行动态产能的实时监控,进行订单调度。
根据本发明实施例,通过需求方的专属数据库制定针对性推送,具体为:
根据需求方专属数据库中预设时间内的历史交互数据,将所述历史交互数据进行数据清洗,去除冗余数据;
通过数据清洗后的历史交互数据提取需求方的感兴趣零件及工厂,提取所述感兴趣零件及工厂的工艺特征及类别特征;
基于深度学习构建需求方偏好模型,通过所述工艺特征及类别特征需求方偏好模型进行训练,生成需求方的偏好特征;
根据所述偏好特征在预设搜索空间中进行检索,通过相似度计算获取相似度符合预设标准的数据,根据检索到的数据生成推送列表对需求方进行推送,获取需求方的对推送信息的反馈数据;
通过所述反馈数据对推送列表及需求方偏好模型进行修正,并设置推送内容的优先级。
图4示出了本发明一种基于云平台的非标准机械加工协同制造管理***的框图。
本发明第二方面还提供了一种基于云平台的非标准机械加工协同制造管理***4,该***包括:存储器41、处理器42,所述存储器中包括一种基于云平台的非标准机械加工协同制造管理方法程序,所述一种基于云平台的非标准机械加工协同制造管理的方法程序被所述处理器执行时实现如下步骤:
获取需求方的非标需求信息,将所述非标需求信息上传至云平台,根据云平台的预设要求约束进行标准化解析,生成标准订单;
根据标准订单获取目标零件图纸信息,利用三维重建获取目标零件的三维零件模型,并存入零件三维数据库中,将所述三维零件模型结合对应的要求约束生成目标零件模型;
根据行业信息将工厂进行分类,通过数字孪生获取各工厂的加工工艺孪生体模型,结合对应最优加工工艺标准及类别标签生成工厂模型;
将所述目标零件模型与所述工厂模型进行匹配,判断目标零件模型与工厂模型的适配度,根据所述适配度确定目标零件的候选工厂。
需要说明的是,将非标需求信息上传至云平台,根据云平台的预设要求约束进行标准化解析,所述要求约束包括工艺要求、精度要求、材料要求、后处理要求、交期要求及装配要求等,根据预设格式将需求方需求调整为标准订单。
获取需求方目标零件图纸信息,将目标零件图纸信息进行预处理,分析目标零件的结构复杂度,根据所述结构复杂度判断目标零件是否需要结构拆分;将目标零件或拆分后的零件结构利用三维重建技术生成三维零件模型,常用的三维重建软件包括VisualSFM、OpenMVS及COLMAP等,将目标零件的三维零件模型根据标准订单中的要求约束进行处理调整,并在三维零件模型中对要求约束进行可视化标注,获取目标零件模型;同时,构建零件三维数据库,将三维零件模型设置相关需求标签存入零件三维数据库中;当读取需求方当前标准订单后,将当前标准订单对应的零件图纸信息在所述零件三维数据库中进行数据检索,获取符合相似度标准的数据提取或拼凑对应的三维零件模型。
需要说明的是,获取各工厂的所属行业,根据行业信息将工厂进行聚类,确定工厂的类别标签,利用物联网技术获取各工厂加工物理设备的监测数据反应设备的实时状态信息,将实时监测数据进行数据脱敏后传输到云平台;获取各工厂加工物理设备的数字模拟模型,将云平台中的监测数据处理为孪生数据,通过孪生数据对数字模拟模型进行运行状态变化仿真,结合各工厂的生产加工环境生成对应的加工工艺孪生体模型;通过各工厂加工物理设备历史加工数据获取其最优加工工艺标准,将各工厂的最优加工工艺标准及类别标签结合对应加工工艺孪生体模型生成工厂模型;同时,根据所述历史加工数据按照零件用途进行分类,获取各工厂的各类别零件的加工情况,根据所述加工情况预设各工厂的加工经验信息,作为工厂模型的补充描述。
根据本发明实施例,将所述目标零件模型与所述工厂模型进行匹配,判断目标零件模型与工厂模型的适配度,根据适配度确定目标零件的候选工厂,具体为:
通过目标零件模型读取目标零件加工工艺对应各个约束要求的最小约束获取目标零件加工的理想加工约束,根据理想加工约束获取目标零件加工的理想工厂模型;
将目标零件模型与工厂模型导入低维向量空间,获取各工厂模型与理想工厂模型的曼哈顿距离,通过各工厂的加工经验信息的初始经验权重,根据曼哈顿距离集合初始经验权重获取适配度,设置理想工厂模型与工厂模型之间可允许的最大曼哈顿距离值作为适配度阈值;
当所述适配度大于适配度阈值时,则将该工厂模型进行标注,并按照曼哈顿距离进行将被标注工厂模型进行排序,基于排序结果提取预设数量的工厂模型生成初选工厂模型集合;
获取需求方与初选工厂模型集合中的工厂的历史交互信息,将需求方及工厂模型在低维空间中构建无向图,根据所述历史交互信息设置需求方对各工厂模型的初始偏好权重;
基于图卷积网络对无向图进行特征编码,经过图卷积网络的消息传播及邻居聚合机制结合所述初始偏好权重获取需求方特征及工厂模型的向量化表示;
计算向量化表示的需求方与工厂模型的内积,根据内积计算结果生成初选工厂模型集合中工厂模型的排序,获取预设数量的工厂模型作为候选工厂。
需要说明的是,通过设置适配度进行工厂模型的初选,使得后续图神经网络结构
设置更加轻量化,网络负担小,增强非标机械加工协同制造的效率,在低维向量空间的无向
图结构中,需求方节点及工厂模型节点通过消息传播及邻居聚合机制进行表示,其中需
求方节点在第层图卷积网络的向量化表示,具体为:
其中,表示激活函数,分别表示需求方节点及工厂模型节点在第层图
卷积网络的特征向量,表示初始偏好权重,表示需求方节点的邻居节点,同理获取工
厂模型的向量化表示,计算需求方与工厂模型的向量内积,表示矩阵转置。
需要说明的是,通过工厂的零件交付指标及服务指标构建需求方的满意度指标体系,所述零件交互指标包括原材料指标、交期指标、质检指标、成本指标及信誉度指标等,所述服务指标包括服务时间指标、服务质量指标、相关经验指标及应急处理指标等;获取需求方的原始评价数据及模糊语言属性,将原始评价数据与预设阈值进行判断获取评价指标的评价结果,将模糊语言属性转化为三角模糊数,判断三角模糊数的对应评价阈值的对比结果获取评价指标的评价结果,根据各个评价指标的评价结果进行线性加权生成对候选工厂的满意度评价结果;根据所述满意度评价结果进行同一标准订单下不同子订单的横向满意度对比,将满意度偏差大于预设阈值的工厂进行标注,修正需求方对被标注工厂的初始偏好权重;基于云平台构建需求方专属数据库记录需求方的交互行为数据,根据所述交互行为数据定时更新需求方对工厂的初始偏好权重,同时,利用需求方专属数据库对需求方目标零件与工厂的匹配进行学习优化。
根据本发明实施例,对标准订单进行智能分单,具体为:
基于工厂模型获取工厂设备的设备特征,将所述设备特征结合人员特征提取工厂的评价因子,根据所述评价因子的贡献度进行筛选,根据筛选后的评价因子确定工厂产等的评价指标;
获取候选工厂各评价指标的原始数据序列,基于原始数据序列获取各评价指标的评分,通过各评价指标的评分对候选工厂的产能进行评估;
通过候选工厂的工厂模型对工厂加工生产状态进行判断,获取设备的忙闲状态,并根据设备的忙闲状态结合时间戳生成设备忙闲时序序列;
根据候选工厂的产能评估结果及设备忙闲时序序列将订单进行智能分单,为候选工厂分配最佳订单任务;
基于物联网技术对候选工厂的零件加工过程进行动态产能的实时监控,根据实时监控结果进行订单任务的调度调整。
需要说明的是,通过实地验厂等手段获取工厂加工设备,人员及资源信息利用预设评价指标对工厂产能进行评估,工厂将通过更新设备的忙闲状态结合工厂模型对工厂进行派单,同时,通过传感器实现物联网进行动态产能的实时监控,进行订单调度。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于云平台的非标准机械加工协同制造管理方法程序,所述一种基于云平台的非标准机械加工协同制造管理方法程序被处理器执行时,实现如上述任一项所述的一种基于云平台的非标准机械加工协同制造管理方法的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,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,如:多个单元或组件可以结合,或可以集成到另一个***,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种基于云平台的非标准机械加工协同制造管理方法,其特征在于,包括以下步骤:
获取需求方的非标需求信息,将所述非标需求信息上传至云平台,根据云平台的预设要求约束进行标准化解析,生成标准订单;
根据标准订单获取目标零件图纸信息,利用三维重建获取目标零件的三维零件模型,并存入零件三维数据库中,将所述三维零件模型结合对应的要求约束生成目标零件模型;
根据行业信息将工厂进行分类,通过数字孪生获取各工厂的加工工艺孪生体模型,结合对应最优加工工艺标准及类别标签生成工厂模型;
将所述目标零件模型与所述工厂模型进行匹配,判断目标零件模型与工厂模型的适配度,根据所述适配度确定目标零件的候选工厂;
将所述目标零件模型与所述工厂模型进行匹配,判断目标零件模型与工厂模型的适配度,具体为:
通过目标零件模型读取目标零件加工工艺对应各个约束要求的最小约束获取目标零件加工的理想加工约束,根据理想加工约束获取目标零件加工的理想工厂模型;
将目标零件模型与工厂模型导入低维向量空间,获取各工厂模型与理想工厂模型的曼哈顿距离,通过各工厂的加工经验信息的初始经验权重,根据曼哈顿距离结合初始经验权重获取适配度,设置理想工厂模型与工厂模型之间可允许的最大曼哈顿距离值作为适配度阈值;
当所述适配度大于适配度阈值时,则将该工厂模型进行标注,并按照曼哈顿距离进行将被标注工厂模型进行排序,基于排序结果提取预设数量的工厂模型生成初选工厂模型集合;
获取需求方与初选工厂模型集合中的工厂的历史交互信息,将需求方及工厂模型在低维空间中构建无向图,根据所述历史交互信息设置需求方对各工厂模型的初始偏好权重;
基于图卷积网络对无向图进行特征编码,经过图卷积网络的消息传播及邻居聚合机制结合所述初始偏好权重获取需求方特征及工厂模型的向量化表示;
计算向量化表示的需求方与工厂模型的内积,根据内积计算结果生成初选工厂模型集合中工厂模型的排序,获取预设数量的工厂模型作为候选工厂;
通过需求方反馈信息对工厂进行满意度评价,具体为:
通过工厂的零件交付指标及服务指标构建需求方的满意度指标体系,根据需求方的原始评价数据及模糊语言属性,生成对候选工厂的满意度评价结果;
根据所述满意度评价结果进行同一标准订单下不同子订单的横向满意度对比,将满意度偏差大于预设阈值的工厂进行标注,修正需求方对被标注工厂的初始偏好权重;
基于云平台构建需求方专属数据库记录需求方的交互行为数据,根据所述交互行为数据定时更新需求方对工厂的初始偏好权重,同时,利用需求方专属数据库对需求方目标零件与工厂的匹配进行学习优化。
2.根据权利要求1所述的一种基于云平台的非标准机械加工协同制造管理方法,其特征在于,根据标准订单获取目标零件图纸信息,利用三维重建获取目标零件的三维零件模型,并存入零件三维数据库中,将所述三维零件模型结合对应的要求约束生成目标零件模型,具体为:
获取需求方目标零件图纸信息,将目标零件图纸信息进行预处理,分析目标零件的结构复杂度,根据所述结构复杂度判断目标零件是否需要结构拆分;
将目标零件或拆分后的零件结构利用三维重建技术生成三维零件模型,将目标零件的三维零件模型根据标准订单中的要求约束进行处理调整,并在三维零件模型中对要求约束进行可视化标注,获取目标零件模型;
同时,构建零件三维数据库,将三维零件模型设置相关需求标签存入零件三维数据库中;
当读取需求方当前标准订单后,将当前标准订单对应的零件图纸信息在所述零件三维数据库中进行数据检索,获取符合相似度标准的数据提取或拼凑对应的三维零件模型。
3.根据权利要求1所述的一种基于云平台的非标准机械加工协同制造管理方法,其特征在于,根据行业信息将工厂进行分类,通过数字孪生获取各工厂的加工工艺孪生体模型,结合对应最优加工工艺标准及类别标签生成工厂模型,具体为:
获取各工厂的所属行业,根据行业信息将工厂进行聚类,确定工厂的类别标签,利用物联网技术获取各工厂加工物理设备的监测数据反应设备的实时状态信息,将实时监测数据进行数据脱敏后传输到云平台;
获取各工厂加工物理设备的数字模拟模型,将云平台中的监测数据处理为孪生数据,通过孪生数据对数字模拟模型进行运行状态变化仿真,结合各工厂的生产加工环境生成对应的加工工艺孪生体模型;
通过各工厂加工物理设备历史加工数据获取其最优加工工艺标准,将各工厂的最优加工工艺标准及类别标签结合对应加工工艺孪生体模型生成工厂模型;
同时,根据所述历史加工数据按照零件用途进行分类,获取各工厂的各类别零件的加工情况,根据所述加工情况预设各工厂的加工经验信息,作为工厂模型的补充描述。
4.根据权利要求1所述的一种基于云平台的非标准机械加工协同制造管理方法,其特征在于,还包括:
基于工厂模型获取工厂设备的设备特征,将所述设备特征结合人员特征提取工厂的评价因子,根据所述评价因子的贡献度进行筛选,根据筛选后的评价因子确定工厂产能的评价指标;
获取候选工厂各评价指标的原始数据序列,基于原始数据序列获取各评价指标的评分,通过各评价指标的评分对候选工厂的产能进行评估;
通过候选工厂的工厂模型对工厂加工生产状态进行判断,获取设备的忙闲状态,并根据设备的忙闲状态结合时间戳生成设备忙闲时序序列;
根据候选工厂的产能评估结果及设备忙闲时序序列将订单进行智能分单,为候选工厂分配最佳订单任务;
基于物联网技术对候选工厂的零件加工过程进行动态产能的实时监控,根据实时监控结果进行订单任务的调度调整。
5.一种基于云平台的非标准机械加工协同制造管理***,其特征在于,该***包括:存储器、处理器,所述存储器中包括一种基于云平台的非标准机械加工协同制造管理方法程序,所述一种基于云平台的非标准机械加工协同制造管理方法程序被所述处理器执行时实现如下步骤:
获取需求方的非标需求信息,将所述非标需求信息上传至云平台,根据云平台的预设要求约束进行标准化解析,生成标准订单;
根据标准订单获取目标零件图纸信息,利用三维重建获取目标零件的三维零件模型,并存入零件三维数据库中,将所述三维零件模型结合对应的要求约束生成目标零件模型;
根据行业信息将工厂进行分类,通过数字孪生获取各工厂的加工工艺孪生体模型,结合对应最优加工工艺标准及类别标签生成工厂模型;
将所述目标零件模型与所述工厂模型进行匹配,判断目标零件模型与工厂模型的适配度,根据所述适配度确定目标零件的候选工厂;
将所述目标零件模型与所述工厂模型进行匹配,判断目标零件模型与工厂模型的适配度,具体为:
通过目标零件模型读取目标零件加工工艺对应各个约束要求的最小约束获取目标零件加工的理想加工约束,根据理想加工约束获取目标零件加工的理想工厂模型;
将目标零件模型与工厂模型导入低维向量空间,获取各工厂模型与理想工厂模型的曼哈顿距离,通过各工厂的加工经验信息的初始经验权重,根据曼哈顿距离结合初始经验权重获取适配度,设置理想工厂模型与工厂模型之间可允许的最大曼哈顿距离值作为适配度阈值;
当所述适配度大于适配度阈值时,则将该工厂模型进行标注,并按照曼哈顿距离进行将被标注工厂模型进行排序,基于排序结果提取预设数量的工厂模型生成初选工厂模型集合;
获取需求方与初选工厂模型集合中的工厂的历史交互信息,将需求方及工厂模型在低维空间中构建无向图,根据所述历史交互信息设置需求方对各工厂模型的初始偏好权重;
基于图卷积网络对无向图进行特征编码,经过图卷积网络的消息传播及邻居聚合机制结合所述初始偏好权重获取需求方特征及工厂模型的向量化表示;
计算向量化表示的需求方与工厂模型的内积,根据内积计算结果生成初选工厂模型集合中工厂模型的排序,获取预设数量的工厂模型作为候选工厂;
通过需求方反馈信息对工厂进行满意度评价,具体为:
通过工厂的零件交付指标及服务指标构建需求方的满意度指标体系,根据需求方的原始评价数据及模糊语言属性,生成对候选工厂的满意度评价结果;
根据所述满意度评价结果进行同一标准订单下不同子订单的横向满意度对比,将满意度偏差大于预设阈值的工厂进行标注,修正需求方对被标注工厂的初始偏好权重;
基于云平台构建需求方专属数据库记录需求方的交互行为数据,根据所述交互行为数据定时更新需求方对工厂的初始偏好权重,同时,利用需求方专属数据库对需求方目标零件与工厂的匹配进行学习优化。
6.根据权利要求5所述的一种基于云平台的非标准机械加工协同制造管理***,其特征在于,还包括:
基于工厂模型获取工厂设备的设备特征,将所述设备特征结合人员特征提取工厂的评价因子,根据所述评价因子的贡献度进行筛选,根据筛选后的评价因子确定工厂产能的评价指标;
获取候选工厂各评价指标的原始数据序列,基于原始数据序列获取各评价指标的评分,通过各评价指标的评分对候选工厂的产能进行评估;
通过候选工厂的工厂模型对工厂加工生产状态进行判断,获取设备的忙闲状态,并根据设备的忙闲状态结合时间戳生成设备忙闲时序序列;
根据候选工厂的产能评估结果及设备忙闲时序序列将订单进行智能分单,为候选工厂分配最佳订单任务;
基于物联网技术对候选工厂的零件加工过程进行动态产能的实时监控,根据实时监控结果进行订单任务的调度调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211660339.5A CN115641097B (zh) | 2022-12-23 | 2022-12-23 | 基于云平台的非标准机械加工协同制造管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211660339.5A CN115641097B (zh) | 2022-12-23 | 2022-12-23 | 基于云平台的非标准机械加工协同制造管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115641097A CN115641097A (zh) | 2023-01-24 |
CN115641097B true CN115641097B (zh) | 2023-03-28 |
Family
ID=84949841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211660339.5A Active CN115641097B (zh) | 2022-12-23 | 2022-12-23 | 基于云平台的非标准机械加工协同制造管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115641097B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115982646B (zh) * | 2023-03-20 | 2023-07-18 | 西安弘捷电子技术有限公司 | 一种基于云平台的多源测试数据的管理方法及*** |
CN116645175A (zh) * | 2023-07-27 | 2023-08-25 | 深圳新联胜光电科技有限公司 | 一种光学透镜的生产管理方法、***及介质 |
CN116681266B (zh) * | 2023-08-02 | 2024-02-02 | 广东台正精密机械有限公司 | 一种镜面放电加工机的生产调度方法及*** |
CN117033984B (zh) * | 2023-10-10 | 2023-12-15 | 江苏盟星智能科技有限公司 | 结合数字孪生的半导体加工质量预测方法及*** |
CN117151431B (zh) * | 2023-10-30 | 2024-01-26 | 四川省致链数字科技有限公司 | 一种木质家具订单任务的自动分发方法及*** |
CN117640627B (zh) * | 2024-01-25 | 2024-04-09 | 微网优联科技(成都)有限公司 | 通过云电脑实现的协同工作方法及*** |
CN117745152B (zh) * | 2024-02-04 | 2024-04-19 | 工业云制造(四川)创新中心有限公司 | 一种基于aigc的工业自动建模方法及*** |
CN118195425A (zh) * | 2024-05-14 | 2024-06-14 | 成都工业职业技术学院 | 基于三维建模的教学任务评分方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021108680A1 (en) * | 2019-11-25 | 2021-06-03 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
CN108228866A (zh) * | 2018-01-15 | 2018-06-29 | 苏州索及信息技术有限公司 | 一种匹配待加工零件与加工厂家制造工艺的方法及*** |
CN114662009B (zh) * | 2021-12-13 | 2022-11-18 | 菏泽汇豪纺织有限公司 | 一种基于图卷积的工业互联网工厂协同推荐方法 |
CN114049368A (zh) * | 2021-12-15 | 2022-02-15 | 西安捷成优禾智能科技有限公司 | 一种“iid+参树网”智能工业设计软件 |
-
2022
- 2022-12-23 CN CN202211660339.5A patent/CN115641097B/zh active Active
Non-Patent Citations (1)
Title |
---|
张舒 ; 郭旦怀 ; 周纯葆 ; 李薰春 ; 靳薇 ; .空间位置的关联分析及其向量化表示方法.计算机***应用.2020,(09),第32-39页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115641097A (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115641097B (zh) | 基于云平台的非标准机械加工协同制造管理方法及*** | |
CN109784806B (zh) | 供应链控制方法、***以及存储介质 | |
Hadavandi et al. | An improved sales forecasting approach by the integration of genetic fuzzy systems and data clustering: Case study of printed circuit board | |
CN111611488B (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
CN111178624A (zh) | 一种新产品需求预测的方法 | |
CN112418653A (zh) | 一种基于机器学习算法的携号转网潜客识别***及方法 | |
CN113535963B (zh) | 一种长文本事件抽取方法、装置、计算机设备及存储介质 | |
CN116737129B (zh) | 一种供应链控制塔生成式大语言模型及其构建方法 | |
CN112036185B (zh) | 一种基于工业企业构建命名实体识别模型的方法及装置 | |
CN111861514B (zh) | 一种人员推荐方法及人员推荐*** | |
CN114266443A (zh) | 数据评估方法和装置、电子设备、存储介质 | |
CN114328277A (zh) | 一种软件缺陷预测和质量分析方法、装置、设备及介质 | |
CN112241785B (zh) | 一种基于深度强化学习的图书采访方法 | |
Singhal et al. | State of the art of machine learning for product sustainability | |
Lo et al. | An emperical study on application of big data analytics to automate service desk business process | |
CN115034847A (zh) | 基于深度学习的产品推荐方法、***、存储介质及设备 | |
CN115952914A (zh) | 一种基于大数据的电力计量运维工作判别规划方法 | |
Ocampo et al. | A sustainable manufacturing strategy from different strategic responses under uncertainty | |
CN114004513B (zh) | 一种需求预测方法、***及存储介质 | |
CN113742495B (zh) | 基于预测模型的评级特征权重确定方法及装置、电子设备 | |
CN114741592A (zh) | 一种基于多模型融合的产品推荐方法、设备及介质 | |
CN112765451A (zh) | 一种基于集成学习算法的客户智能筛选方法和*** | |
Wikamulia et al. | Predictive business intelligence dashboard for food and beverage business | |
CN116170500B (zh) | 一种基于网格数据的消息推送方法和*** | |
Filipe | Using tree-based ensemble methods to improve the B2B customer acquisition process in the fashion industry |
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 |