CN115809795A - 一种基于数字化的生产班组的承载能力评估方法和装置 - Google Patents
一种基于数字化的生产班组的承载能力评估方法和装置 Download PDFInfo
- Publication number
- CN115809795A CN115809795A CN202310054043.7A CN202310054043A CN115809795A CN 115809795 A CN115809795 A CN 115809795A CN 202310054043 A CN202310054043 A CN 202310054043A CN 115809795 A CN115809795 A CN 115809795A
- Authority
- CN
- China
- Prior art keywords
- production
- data
- vacation
- target
- team
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 653
- 238000011156 evaluation Methods 0.000 title claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 88
- 238000004140 cleaning Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 39
- 238000012216 screening Methods 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 25
- 238000003491 array Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000004931 aggregating effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005406 washing Methods 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
本发明涉及生产评估技术,揭露了一种基于数字化的生产班组的承载能力评估方法和装置,包括:对历史生产数据进行数据清洗,得到标准生产数据,将标准生产数据拆分为多个权级生产数据;从权级生产数据中提取出休假数据序列,利用休假数据序列生成目标权级种类对应的休假分析模型,从标准生产数据中提取出工具生产数据,从工具生产数据中提取出目标生产参数集;利用目标生产参数集生成班组生产模型,并将所有的班组生产模型汇集成班组模型集;获取待分析班组的生产信息,利用班组模型和休假模型分析出待分析班组的承载能力。本发明可以提高生产班组的承载能力评估的准确性。
Description
技术领域
本发明涉及生产评估技术领域,尤其涉及一种基于数字化的生产班组的承载能力评估方法和装置。
背景技术
随着现代化进程的加剧,越来越多的机构与组织开始了扩充生产,这也大大增加了生产活动的数量,生产班组是生产活动中的主要生产单位,一个生产班组中包含着多个不同熟练度的生产员工,为了提高生产效率,需要对生产班组进行承载能力的评估;
现有的生产班组的承载能力的评估方法多为基于大数据的评估方法,例如,通过查询每个生产班组的历史生产数据,从而为每个生产班组构建生产模型,进而分析生产班组地对生产任务的承载能力,实际应用中,生产班组的种类构成多种多样,基于大数据的评估方法无法对随机构成的生产班组进行承载能力的评估,可能导致进行生产班组的承载能力评估时的准确度较低。
发明内容
本发明提供一种基于数字化的生产班组的承载能力评估方法和装置,其主要目的在于解决进行生产班组的承载能力评估时的准确度较低的问题。
为实现上述目的,本发明提供的一种基于数字化的生产班组的承载能力评估方法,包括:
获取目标机构的历史生产数据,对所述历史生产数据进行数据清洗,得到标准生产数据,按照生产人员的权级种类将所述标准生产数据拆分为多个权级生产数据;
逐个选取所述权级种类作为目标权级种类,从所述权级生产数据中提取出所述目标权级种类对应的休假数据序列,利用所述休假数据序列对预设的初级休假模型进行迭代更新,得到所述目标权级种类对应的休假分析模型,并将所有的所述休假分析模型汇集成休假模型集,其中,所述利用所述休假数据序列对预设的初级休假模型进行迭代更新,得到所述目标权级种类对应的休假分析模型,包括:利用预设的初始休假模型提取出所述休假数据序列的长短时序特征和自注意力时序特征;根据所述长短时序特征和所述自注意力时序特征生成分析休假数据序列,从所述休假数据序列中提取出所述分析休假数据序列对应的部分序列作为目标休假数据序列;利用如下的休假偏差算法计算出所述目标休假数据序列和所述分析休假数据序列之间的偏差值:
其中,是指所述偏差值,是指所述分析休假数据序列的数据总数,且所述分析休假数据序列的数据总数等于所述目标休假数据序列的数据总数,是指第个数据,是指所述分析休假数据序列中的第个数据,是指所述目标休假数据序列中的第个数据,是预设的基准系数,是预设的平衡系数;根据所述偏差值对所述初始休假模型的模型参数进行迭代更新,得到目标权级种类对应的休假分析模型;
逐个选取生产工具作为目标生产工具,从所述标准生产数据中提取出所述目标生产工具对应的工具生产数据,按照生产周期将所述工具生产数据拆分为工具周期序列;
根据所述工具周期序列生成目标生产参数集,根据所述目标生产参数集建立初级班组生产模型,并利用所述目标生产参数集对所述初级班组生产模型进行迭代更新,得到所述目标生产工具对应的班组生产模型,并将所有的所述班组生产模型汇集成班组模型集;
获取待分析班组的生产信息,从所述生产信息中提取出配置信息以及预期生产时长,利用所述休假模型集将所述预期生产时长更新成标准生产时长,利用所述班组模型集、所述标准生产时长以及所述配置信息分析出所述待分析班组的承载能力。
可选地,所述对所述历史生产数据进行数据清洗,得到标准生产数据,包括:
从所述历史生产数据中筛除乱码数据和越位数据,得到筛选生产数据;
对所述筛选生产数据进行向量化操作,得到筛选生产向量集,为所述筛选生产向量集中的各个筛选生产向量添加位置向量,得到位置生产向量集;
对所述位置生产向量集进行特征聚类,得到多个生产向量类,将各个所述生产向量类的聚类中心汇集成生产中心向量集;
将所述生产中心向量集映射到所述筛选生产数据中,得到聚类中心数据集;
根据所述聚类中心数据集对所述筛选生产数据中的各个空值数据进行填充,得到标准生产数据。
可选地,所述根据所述聚类中心数据集对所述筛选生产数据中的各个空值数据进行填充,得到标准生产数据,包括:
逐个选取所述筛选生产数据中的空值数据作为目标空值数据;
计算所述目标空值数据与所述聚类中心数据集中的各个聚类中心数据之间的欧式距离;
选取欧式距离最小的聚类中心数据作为目标聚类数据;
利用所述目标聚类数据对所述目标空值数据进行填充,直至所述目标空值数据为所述筛选生产数据中的最后一个空值数据时,将填充后的所述筛选生产数据作为标准生产数据。
可选地,所述从所述权级生产数据中提取出所述目标权级种类对应的休假数据序列,包括:
将所述权级生产数据按照时序进行排列,得到时序生产数据;
利用预设的时域窗口从所述时序生产数据中提取出生产数据序列;
逐个选取所述生产数据序列中的生产数据作为目标生产数据,从所述目标生产数据中提取出各个生产人员的初级休假数据;
根据所有的所述初级休假数据计算出所述目标生产数据对应的休假数据,并将所有的所述休假数据排列成休假数据序列。
可选地,所述利用预设的初始休假模型提取出所述休假数据序列的长短时序特征和自注意力时序特征,包括:
利用预设的初始休假模型的长短记忆层中的遗忘门从所述休假数据序列中筛选出记忆特征序列;
利用所述长短记忆层中的特征状态门对所述记忆特征序列和所述休假数据序列进行特征更新,得到更新状态特征;
利用所述长短记忆层中的输出门对所述更新状态特征和所述记忆特征序列进行特征融合,得到长短时序特征;
利用所述初始休假模型的自注意力层从所述休假数据序列中提取出自注意力时序特征。
可选地,所述根据所述工具周期序列生成目标生产参数集,包括:
逐个选取所述工具周期序列中的工具周期数据作为目标工具周期数据;
将所述目标工具周期数据中的生产班组数据作为目标生产班组数据,从所述目标生产班组数据中提取出产量参数,并按照生产人员将所述目标生产班组数据拆分为多个人员数组;
逐个选取所述人员数组作为目标人员数组,从所述目标人员数组中提取出权级参数以及时长参数,并将所述目标生产班组数据的所有的所述权级参数和所有的所述时长参数汇集成标准参数组;
将所述产量参数和所述标准参数组汇集成所述目标生产班组数据的标准生产参数组,并将所有的所述标准生产参数组汇集成目标生产参数集。
可选地,所述根据所述目标生产参数集建立初级班组生产模型,包括:
统计出所述目标生产参数集中所述权级参数的种类总数,根据所述种类总数建立如下的初级班组生产模型:
其中,是所述初级班组生产模型对应的分析生产总量,是指第种所述权级种类,是指所述种类总数,是指所述目标生产参数集中第种所述权级种类的第个人员数组,是指所述目标生产参数集中第种所述权级种类的人员数组的总数,是指第种所述权级种类的生产权重,是指所述目标生产参数集中第种所述权级种类的第个人员数组对应的权级参数,是指所述目标生产参数集中第种所述权级种类的第个人员数组对应的时长参数。
可选地,所述利用所述目标生产参数集对所述初级班组生产模型进行迭代更新,得到所述目标生产工具对应的班组生产模型,包括:
逐个选取所述目标生产参数集中的标准生产参数组作为目标标准生产参数组,将所述目标标准生产参数组中的产量参数作为真实产量参数,将所述目标标准生产参数组中的标准参数组作为目标标准参数组;
将所述目标标准参数组代入到所述初级班组生产模型中,得到分析生产参数;
根据所述分析生产参数和所述真实产量参数之间的损失值对所述初级班组生产模型的模型参数进行迭代更新,直至所述损失值小于预设的损失阈值时,将更新后的所述初级班组生产模型作为所述目标生产工具对应的班组生产模型。
可选地,所述利用所述休假模型集将所述预期生产时长更新成标准生产时长,包括:
利用所述休假模型集计算出各个权级种类对应的权级休假数据序列;
逐个选取所述权级休假数据序列作为目标休假数据序列,根据所述目标休假数据序列生成目标工作数据序列;
根据所述目标工作数据序列计算出工作系数,将所述工作系数乘以所述预期生产时长,得到各个权级种类对应的标准权级生产时长,并将所有的所述标准权级生产时长汇集成标准生产时长。
为了解决上述问题,本发明还提供一种基于数字化的生产班组的承载能力评估装置,所述装置包括:
数据清洗模块,用于获取目标机构的历史生产数据,对所述历史生产数据进行数据清洗,得到标准生产数据,按照生产人员的权级种类将所述标准生产数据拆分为多个权级生产数据;
休假模型模块,用于逐个选取所述权级种类作为目标权级种类,从所述权级生产数据中提取出所述目标权级种类对应的休假数据序列,利用所述休假数据序列对预设的初级休假模型进行迭代更新,得到所述目标权级种类对应的休假分析模型,并将所有的所述休假分析模型汇集成休假模型集,其中,所述利用所述休假数据序列对预设的初级休假模型进行迭代更新,得到所述目标权级种类对应的休假分析模型,包括:利用预设的初始休假模型提取出所述休假数据序列的长短时序特征和自注意力时序特征;根据所述长短时序特征和所述自注意力时序特征生成分析休假数据序列,从所述休假数据序列中提取出所述分析休假数据序列对应的部分序列作为目标休假数据序列;利用如下的休假偏差算法计算出所述目标休假数据序列和所述分析休假数据序列之间的偏差值:
其中,是指所述偏差值,是指所述分析休假数据序列的数据总数,且所述分析休假数据序列的数据总数等于所述目标休假数据序列的数据总数,是指第个数据,是指所述分析休假数据序列中的第个数据,是指所述目标休假数据序列中的第个数据,是预设的基准系数,是预设的平衡系数;根据所述偏差值对所述初始休假模型的模型参数进行迭代更新,得到目标权级种类对应的休假分析模型;
工具周期模块,用于逐个选取生产工具作为目标生产工具,从所述标准生产数据中提取出所述目标生产工具对应的工具生产数据,按照生产周期将所述工具生产数据拆分为工具周期序列;
班组模型模块,用于根据所述工具周期序列生成目标生产参数集,根据所述目标生产参数集建立初级班组生产模型,并利用所述目标生产参数集对所述初级班组生产模型进行迭代更新,得到所述目标生产工具对应的班组生产模型,并将所有的所述班组生产模型汇集成班组模型集;
承载评估模块,用于获取待分析班组的生产信息,从所述生产信息中提取出配置信息以及预期生产时长,利用所述休假模型集将所述预期生产时长更新成标准生产时长,利用所述班组模型集、所述标准生产时长以及所述配置信息分析出所述待分析班组的承载能力。
本发明实施例通过获取目标机构的历史生产数据,对所述历史生产数据进行数据清洗,得到标准生产数据,可以提高历史生产数据的准确性,提高后续数据集的准确性,通过按照生产人员的权级种类将所述标准生产数据拆分为多个权级生产数据,可以方便后续提取出不同权级种类的生产人员的休假模型,通过从所述权级生产数据中提取出所述目标权级种类对应的休假数据序列,可以提取出每种权级种类的休假时序特征,通过利用所述休假数据序列对预设的初级休假模型进行迭代更新,得到所述目标权级种类对应的休假分析模型,并将所有的所述休假分析模型汇集成休假模型集,能够分析出每种权级种类的生产人员的休假趋势,从而提高班组承载能力的准确性,通过从所述标准生产数据中提取出所述目标生产工具对应的工具生产数据,按照生产周期将所述工具生产数据拆分为工具周期序列,可以按照生产工具和生产周期对所述标准生产数据进行拆分,方便后续目标生产参数集的提取;
通过利用所述目标生产参数集对所述初级班组生产模型进行迭代更新,得到所述目标生产工具对应的班组生产模型,可以为每种生产工具建立生产人员配置以及生产时间与生产总量之间的关系,提高承载能力评估的准确性,通过获取待分析班组的生产信息,从所述生产信息中提取出配置信息以及预期生产时长,利用所述休假模型集将所述预期生产时长更新成标准生产时长,利用所述班组模型集、所述标准生产时长以及所述配置信息分析出所述待分析班组的承载能力,可以根据所述待分析班组中各个生产人员的权级种类、用到的生产工具的种类以及有效生产时长分析出生产能力,并根据生产能力分析出承载能力,提高了承载能力分析的准确性。因此本发明提出的基于数字化的生产班组的承载能力评估方法和装置,可以解决进行生产班组的承载能力评估时的准确度较低的问题。
附图说明
图1为本发明一实施例提供的基于数字化的生产班组的承载能力评估方法的流程示意图;
图2为本发明一实施例提供的生成标准生产数据的流程示意图;
图3为本发明一实施例提供的生成休假数据序列的流程示意图;
图4为本发明一实施例提供的基于数字化的生产班组的承载能力评估装置的功能模块图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图作进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种基于数字化的生产班组的承载能力评估方法。所述基于数字化的生产班组的承载能力评估方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述基于数字化的生产班组的承载能力评估方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN),以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的基于数字化的生产班组的承载能力评估方法的流程示意图。在本实施例中,所述基于数字化的生产班组的承载能力评估方法包括:
S1、获取目标机构的历史生产数据,对所述历史生产数据进行数据清洗,得到标准生产数据,按照生产人员的权级种类将所述标准生产数据拆分为多个权级生产数据。
本发明实施例中,所述目标机构是指需要进行生产班组承载能力分析的机构,所述机构可以是工厂或公司,所述历史生产数据是指所述目标机构在过去的历史时间内各个生产班组的人员配置、机器配置、生产时间段以及生产数量等数据。
本发明实施例中,所述对所述历史生产数据进行数据清洗,得到标准生产数据,包括:
从所述历史生产数据中筛除乱码数据和越位数据,得到筛选生产数据;
对所述筛选生产数据进行向量化操作,得到筛选生产向量集,为所述筛选生产向量集中的各个筛选生产向量添加位置向量,得到位置生产向量集;
对所述位置生产向量集进行特征聚类,得到多个生产向量类,将各个所述生产向量类的聚类中心汇集成生产中心向量集;
将所述生产中心向量集映射到所述筛选生产数据中,得到聚类中心数据集;
根据所述聚类中心数据集对所述筛选生产数据中的各个空值数据进行填充,得到标准生产数据。
详细地,所述乱码数据是指例如@、#以及^等无实际意义的数据,所述越位数据是指超出数据值域的数据,例如生产量为-50;可以利用独热编码或word2vec算法对所述筛选生产数据进行向量化操作,得到筛选生产向量集。
具体地,可以利用transformer模型为所述筛选生产向量集中的各个筛选生产向量添加位置向量,得到位置生产向量集;可以利用k近邻算法对所述位置生产向量集进行特征聚类,得到多个生产向量类,所述聚类中心是指所述生产向量类的中心点对应的向量,所述空值数据是指所述筛选生产数据中被筛除的乱码数据和越位数据对应的位置上的数据。
详细地,参照图2所示,所述根据所述聚类中心数据集对所述筛选生产数据中的各个空值数据进行填充,得到标准生产数据,包括:
S21、逐个选取所述筛选生产数据中的空值数据作为目标空值数据;
S22、计算所述目标空值数据与所述聚类中心数据集中的各个聚类中心数据之间的欧式距离;
S23、选取欧式距离最小的聚类中心数据作为目标聚类数据;
S24、利用所述目标聚类数据对所述目标空值数据进行填充,直至所述目标空值数据为所述筛选生产数据中的最后一个空值数据时,将填充后的所述筛选生产数据作为标准生产数据。
详细地,所述生产人员是指所述目标机构的生产班组中的工作人员,所述权限等级是指所述生产人员的等级,例如熟练生产人员、一般生产人员和新手生产人员等。
详细地,所述按照生产人员的权级种类将所述标准生产数据拆分为多个权级生产数据,包括:逐个选取一种生产人员的权级种类作为目标权级种类,从所述标准生产数据中提取出所述目标权级种类对应的权级生产数据。
本发明实施例中,通过获取目标机构的历史生产数据,对所述历史生产数据进行数据清洗,得到标准生产数据,可以提高历史生产数据的准确性,提高后续数据集的准确性,通过按照生产人员的权级种类将所述标准生产数据拆分为多个权级生产数据,可以方便后续提取出不同权级种类的生产人员的休假模型。
S2、逐个选取所述权级种类作为目标权级种类,从所述权级生产数据中提取出所述目标权级种类对应的休假数据序列,利用所述休假数据序列对预设的初级休假模型进行迭代更新,得到所述目标权级种类对应的休假分析模型,并将所有的所述休假分析模型汇集成休假模型集。
本发明实施例中,所述休假数据序列是指休假比例在时域上形成的序列,所述休假数据序列中的每个休假数据是一个固定时间段内所述目标权级种类的所有生产人员的休假比例。
本发明实施例中,参照图3所示,所述从所述权级生产数据中提取出所述目标权级种类对应的休假数据序列,包括:
S31、将所述权级生产数据按照时序进行排列,得到时序生产数据;
S32、利用预设的时域窗口从所述时序生产数据中提取出生产数据序列;
S33、逐个选取所述生产数据序列中的生产数据作为目标生产数据,从所述目标生产数据中提取出各个生产人员的初级休假数据;
S34、根据所有的所述初级休假数据计算出所述目标生产数据对应的休假数据,并将所有的所述休假数据排列成休假数据序列。
详细地,所述时域窗口的窗口长度可以是一天,所述利用预设的时域窗口从所述时序生产数据中提取出生产数据序列是指利用预设的时域窗口在所述时序生产数据上进行滑动,并将每刻所述时域窗口对应的生产数据排列成生产数据序列。
具体地,所述初级休假数据是指各个所述生产人员是否休假的数据,例如,所述初级休假数据为1代表所述目标生产数据中的对应的生产人员没有休假,所述初级休假数据为0代表所述目标生产数据中的对应的生产人员进行了休假。
详细地,所述根据所有的所述初级休假数据计算出所述目标生产数据对应的休假数据是指计算出所有所述初级休假数据的休假总和,并将所述休假总和除以所述初级休假数据的总个数,从而得到所述目标生产数据对应的休假数据。
本发明实施例中,所述利用所述休假数据序列对预设的初级休假模型进行迭代更新,得到所述目标权级种类对应的休假分析模型,包括:
利用预设的初始休假模型提取出所述休假数据序列的长短时序特征和自注意力时序特征;
根据所述长短时序特征和所述自注意力时序特征生成分析休假数据序列,从所述休假数据序列中提取出所述分析休假数据序列对应的部分序列作为目标休假数据序列;
利用如下的休假偏差算法计算出所述目标休假数据序列和所述分析休假数据序列之间的偏差值:
其中,是指所述偏差值,是指所述分析休假数据序列的数据总数,且所述分析休假数据序列的数据总数等于所述目标休假数据序列的数据总数,是指第个数据,是指所述分析休假数据序列中的第个数据,是指所述目标休假数据序列中的第个数据,是预设的基准系数,是预设的平衡系数;
根据所述偏差值对所述初始休假模型的模型参数进行迭代更新,得到目标权级种类对应的休假分析模型。
详细地,通过利用所述休假偏差算法计算出所述目标休假数据序列和所述分析休假数据序列之间的偏差值,可以根据所述目标休假数据序列的平均数和所述分析休假数据序列的平均数分析二者之间的差异,提高偏差值的表征范围。
详细地,所述初始休假模型包括长短记忆层以及自注意力层,且所述遗忘门可以是所述长短期记忆网络的forget gate,所述特征状态门可以是所述长短期记忆网络的cell state,所述输出门可以是所述长短期记忆网络的output gate;所述自主力层可以是transformer模型的编码器。
详细地,所述利用预设的初始休假模型提取出所述休假数据序列的长短时序特征和自注意力时序特征,包括:
利用预设的初始休假模型的长短记忆层中的遗忘门从所述休假数据序列中筛选出记忆特征序列;
利用所述长短记忆层中的特征状态门对所述记忆特征序列和所述休假数据序列进行特征更新,得到更新状态特征;
利用所述长短记忆层中的输出门对所述更新状态特征和所述记忆特征序列进行特征融合,得到长短时序特征;
利用所述初始休假模型的自注意力层从所述休假数据序列中提取出自注意力时序特征。
详细地,所述根据所述长短时序特征和所述自注意力时序特征生成分析休假数据序列是指对所述长短时序特征进行全连接操作,得到长短时序数据,对所述自注意力时序特征进行转码操作,得到自注意力时序数据,并将所述长短时序数据和所述自注意力时序数据相加成分析休假数据序列,其中,可以利用transformer模型的解码器对所述自注意力时序特征进行转码操作,得到自注意力时序数据。
本发明实施例中,通过从所述权级生产数据中提取出所述目标权级种类对应的休假数据序列,可以提取出每种权级种类的休假时序特征,通过利用所述休假数据序列对预设的初级休假模型进行迭代更新,得到所述目标权级种类对应的休假分析模型,并将所有的所述休假分析模型汇集成休假模型集,能够分析出每种权级种类的生产人员的休假趋势,从而提高班组承载能力的准确性。
S3、逐个选取生产工具作为目标生产工具,从所述标准生产数据中提取出所述目标生产工具对应的工具生产数据,按照生产周期将所述工具生产数据拆分为工具周期序列。
本发明实施例中,所述生产工具是所述目标机构生产机器,所述生产工具可以是一种型号的机器人或流水工作台,所述逐个选取生产工具作为目标生产工具是指逐个选取一种生产工具作为目标生产工具。
详细地,所述从所述标准生产数据中提取出所述目标生产工具对应的工具生产数据是指将所述标准生产数据中利用到所述目标生产工具的生产班组数据、生产周期数据以及生产量等数据汇集成工具生产数据。
具体地,所述生产周期是指每个生产班组从开始进行一次生产到结束此次生产之间的时间周期,所述按照生产周期将所述工具生产数据拆分为工具周期序列是指按照时序从所述工具生产数据中提取出工具周期数据,并将所有的所述工具周期数据排列成工具周期序列。
本发明实施例中,通过从所述标准生产数据中提取出所述目标生产工具对应的工具生产数据,按照生产周期将所述工具生产数据拆分为工具周期序列,可以按照生产工具和生产周期对所述标准生产数据进行拆分,方便后续目标生产参数集的提取。
S4、根据所述工具周期序列生成目标生产参数集,根据所述目标生产参数集建立初级班组生产模型,并利用所述目标生产参数集对所述初级班组生产模型进行迭代更新,得到所述目标生产工具对应的班组生产模型,并将所有的所述班组生产模型汇集成班组模型集。
本发明实施例中,所述目标生产参数集中包含了每个生产周期的人员配置数据以及生产时长数据以及产量数据。
本发明实施例中,所述根据所述工具周期序列生成目标生产参数集,包括:
逐个选取所述工具周期序列中的工具周期数据作为目标工具周期数据;
将所述目标工具周期数据中的生产班组数据作为目标生产班组数据,从所述目标生产班组数据中提取出产量参数,并按照生产人员将所述目标生产班组数据拆分为多个人员数组;
逐个选取所述人员数组作为目标人员数组,从所述目标人员数组中提取出权级参数以及时长参数,并将所述目标生产班组数据的所有的所述权级参数和所有的所述时长参数汇集成标准参数组;
将所述产量参数和所述标准参数组汇集成所述目标生产班组数据的标准生产参数组,并将所有的所述标准生产参数组汇集成目标生产参数集。
详细地,所述生产班组数据是指所述目标工具周期数据对应的生产班组在本次生产周期中的相关数据,所述权级参数是指所述目标人员数组对应的生产人员的权级种类、所述时长参数是指所述目标人员数组对应的工作时长,所述产量参数是指所述生产班组数据对应的生产周期的产量。
详细地,所述根据所述目标生产参数集建立初级班组生产模型,包括:
统计出所述目标生产参数集中所述权级参数的种类总数,根据所述种类总数建立如下的初级班组生产模型:
其中,是所述初级班组生产模型对应的分析生产总量,是指第种所述权级种类,是指所述种类总数,是指所述目标生产参数集中第种所述权级种类的第个人员数组,是指所述目标生产参数集中第种所述权级种类的人员数组的总数,是指第种所述权级种类的生产权重,是指所述目标生产参数集中第种所述权级种类的第个人员数组对应的权级参数,是指所述目标生产参数集中第种所述权级种类的第个人员数组对应的时长参数。
详细地,所述生产权重是所述初级班组生产模型中的模型参数,用于表征每种权级种类对应的生产人员的生产效率。
本发明实施例中,所述利用所述目标生产参数集对所述初级班组生产模型进行迭代更新,得到所述目标生产工具对应的班组生产模型,包括:
逐个选取所述目标生产参数集中的标准生产参数组作为目标标准生产参数组,将所述目标标准生产参数组中的产量参数作为真实产量参数,将所述目标标准生产参数组中的标准参数组作为目标标准参数组;
将所述目标标准参数组代入到所述初级班组生产模型中,得到分析生产参数;
根据所述分析生产参数和所述真实产量参数之间的损失值对所述初级班组生产模型的模型参数进行迭代更新,直至所述损失值小于预设的损失阈值时,将更新后的所述初级班组生产模型作为所述目标生产工具对应的班组生产模型。
本发明实施例中,通过利用所述目标生产参数集对所述初级班组生产模型进行迭代更新,得到所述目标生产工具对应的班组生产模型,可以为每种生产工具建立生产人员配置以及生产时间与生产总量之间的关系,提高承载能力评估的准确性。
S5、获取待分析班组的生产信息,从所述生产信息中提取出配置信息以及预期生产时长,利用所述休假模型集将所述预期生产时长更新成标准生产时长,利用所述班组模型集、所述标准生产时长以及所述配置信息分析出所述待分析班组的承载能力。
本发明实施例中,所述生产信息包含了各个权级种类的生产员工的数量、本次生产周期的预期生产时长以及生产工具的种类,其中,所述配置信息包含各个权级种类的生产员工的数量、生产工具的种类以及预期生产总量。
本发明实施例中,所述利用所述休假模型集将所述预期生产时长更新成标准生产时长,包括:
利用所述休假模型集计算出各个权级种类对应的权级休假数据序列;
逐个选取所述权级休假数据序列作为目标休假数据序列,根据所述目标休假数据序列生成目标工作数据序列;
根据所述目标工作数据序列计算出工作系数,将所述工作系数乘以所述预期生产时长,得到各个权级种类对应的标准权级生产时长,并将所有的所述标准权级生产时长汇集成标准生产时长。
详细地,所述利用所述班组模型集、所述标准生产时长以及所述配置信息分析出所述待分析班组的承载能力是指根据所述配置信息中的生产工具种类从所述班组模型集中选取对应的班组生产模型,并利用所述班组生产模型和所述标准生产时长中各个权级种类的标准权级生产时长以及所述配置信息中各个权级种类的生产员工的人数计算出所述待分析班组的分析生产总量,并根据所述分析生产总量和所述配置信息中的预期生产总量对所述待分析班组的承载能力进行评估。
详细地,所述根据所述目标休假数据序列生成目标工作数据序列是指将所述目标休假数据序列中每个数据减去1得到的数值的绝对值替换该数字,从而得到目标工作数据序列,所述根据所述目标工作数据序列计算出工作系数是指将所述目标工作数据序列的平均值作为工作系数。
本发明实施例中,通过获取待分析班组的生产信息,从所述生产信息中提取出配置信息以及预期生产时长,利用所述休假模型集将所述预期生产时长更新成标准生产时长,利用所述班组模型集、所述标准生产时长以及所述配置信息分析出所述待分析班组的承载能力,可以根据所述待分析班组中各个生产人员的权级种类、用到的生产工具的种类以及有效生产时长分析出生产能力,并根据生产能力分析出承载能力,提高了承载能力分析的准确性。
本发明实施例通过获取目标机构的历史生产数据,对所述历史生产数据进行数据清洗,得到标准生产数据,可以提高历史生产数据的准确性,提高后续数据集的准确性,通过按照生产人员的权级种类将所述标准生产数据拆分为多个权级生产数据,可以方便后续提取出不同权级种类的生产人员的休假模型,通过从所述权级生产数据中提取出所述目标权级种类对应的休假数据序列,可以提取出每种权级种类的休假时序特征,通过利用所述休假数据序列对预设的初级休假模型进行迭代更新,得到所述目标权级种类对应的休假分析模型,并将所有的所述休假分析模型汇集成休假模型集,能够分析出每种权级种类的生产人员的休假趋势,从而提高班组承载能力的准确性,通过从所述标准生产数据中提取出所述目标生产工具对应的工具生产数据,按照生产周期将所述工具生产数据拆分为工具周期序列,可以按照生产工具和生产周期对所述标准生产数据进行拆分,方便后续目标生产参数集的提取;
通过利用所述目标生产参数集对所述初级班组生产模型进行迭代更新,得到所述目标生产工具对应的班组生产模型,可以为每种生产工具建立生产人员配置以及生产时间与生产总量之间的关系,提高承载能力评估的准确性,通过获取待分析班组的生产信息,从所述生产信息中提取出配置信息以及预期生产时长,利用所述休假模型集将所述预期生产时长更新成标准生产时长,利用所述班组模型集、所述标准生产时长以及所述配置信息分析出所述待分析班组的承载能力,可以根据所述待分析班组中各个生产人员的权级种类、用到的生产工具的种类以及有效生产时长分析出生产能力,并根据生产能力分析出承载能力,提高了承载能力分析的准确性。因此本发明提出的基于数字化的生产班组的承载能力评估方法,可以解决进行生产班组的承载能力评估时的准确度较低的问题。
如图4所示,是本发明一实施例提供的基于数字化的生产班组的承载能力评估装置的功能模块图。
本发明所述基于数字化的生产班组的承载能力评估装置100可以安装于电子设备中。根据实现的功能,所述基于数字化的生产班组的承载能力评估装置100可以包括数据清洗模块101、休假模型模块102、工具周期模块103、班组模型模块104及承载评估模块105。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述数据清洗模块101,用于获取目标机构的历史生产数据,对所述历史生产数据进行数据清洗,得到标准生产数据,按照生产人员的权级种类将所述标准生产数据拆分为多个权级生产数据;
所述休假模型模块102,用于逐个选取所述权级种类作为目标权级种类,从所述权级生产数据中提取出所述目标权级种类对应的休假数据序列,利用所述休假数据序列对预设的初级休假模型进行迭代更新,得到所述目标权级种类对应的休假分析模型,并将所有的所述休假分析模型汇集成休假模型集,其中,所述利用所述休假数据序列对预设的初级休假模型进行迭代更新,得到所述目标权级种类对应的休假分析模型,包括:利用预设的初始休假模型提取出所述休假数据序列的长短时序特征和自注意力时序特征;根据所述长短时序特征和所述自注意力时序特征生成分析休假数据序列,从所述休假数据序列中提取出所述分析休假数据序列对应的部分序列作为目标休假数据序列;利用如下的休假偏差算法计算出所述目标休假数据序列和所述分析休假数据序列之间的偏差值:
其中,是指所述偏差值,是指所述分析休假数据序列的数据总数,且所述分析休假数据序列的数据总数等于所述目标休假数据序列的数据总数,是指第个数据,是指所述分析休假数据序列中的第个数据,是指所述目标休假数据序列中的第个数据,是预设的基准系数,是预设的平衡系数;根据所述偏差值对所述初始休假模型的模型参数进行迭代更新,得到目标权级种类对应的休假分析模型;
所述工具周期模块103,用于逐个选取生产工具作为目标生产工具,从所述标准生产数据中提取出所述目标生产工具对应的工具生产数据,按照生产周期将所述工具生产数据拆分为工具周期序列;
所述班组模型模块104,用于根据所述工具周期序列生成目标生产参数集,根据所述目标生产参数集建立初级班组生产模型,并利用所述目标生产参数集对所述初级班组生产模型进行迭代更新,得到所述目标生产工具对应的班组生产模型,并将所有的所述班组生产模型汇集成班组模型集;
所述承载评估模块105,用于获取待分析班组的生产信息,从所述生产信息中提取出配置信息以及预期生产时长,利用所述休假模型集将所述预期生产时长更新成标准生产时长,利用所述班组模型集、所述标准生产时长以及所述配置信息分析出所述待分析班组的承载能力。
详细地,本发明实施例中所述基于数字化的生产班组的承载能力评估装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于数字化的生产班组的承载能力评估方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者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者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,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模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于数字化的生产班组的承载能力评估方法,其特征在于,所述方法包括:
S1:获取目标机构的历史生产数据,对所述历史生产数据进行数据清洗,得到标准生产数据,按照生产人员的权级种类将所述标准生产数据拆分为多个权级生产数据;
S2:逐个选取所述权级种类作为目标权级种类,从所述权级生产数据中提取出所述目标权级种类对应的休假数据序列,利用所述休假数据序列对预设的初级休假模型进行迭代更新,得到所述目标权级种类对应的休假分析模型,并将所有的所述休假分析模型汇集成休假模型集,其中,所述利用所述休假数据序列对预设的初级休假模型进行迭代更新,得到所述目标权级种类对应的休假分析模型,包括:
S21:利用预设的初始休假模型提取出所述休假数据序列的长短时序特征和自注意力时序特征;
S23:根据所述长短时序特征和所述自注意力时序特征生成分析休假数据序列,从所述休假数据序列中提取出所述分析休假数据序列对应的部分序列作为目标休假数据序列;
S23:利用如下的休假偏差算法计算出所述目标休假数据序列和所述分析休假数据序列之间的偏差值:
其中,是指所述偏差值,是指所述分析休假数据序列的数据总数,且所述分析休假数据序列的数据总数等于所述目标休假数据序列的数据总数,是指第个数据,是指所述分析休假数据序列中的第个数据,是指所述目标休假数据序列中的第个数据,是预设的基准系数,是预设的平衡系数;
S24:根据所述偏差值对所述初始休假模型的模型参数进行迭代更新,得到目标权级种类对应的休假分析模型;
S3:逐个选取生产工具作为目标生产工具,从所述标准生产数据中提取出所述目标生产工具对应的工具生产数据,按照生产周期将所述工具生产数据拆分为工具周期序列;
S4:根据所述工具周期序列生成目标生产参数集,根据所述目标生产参数集建立初级班组生产模型,并利用所述目标生产参数集对所述初级班组生产模型进行迭代更新,得到所述目标生产工具对应的班组生产模型,并将所有的所述班组生产模型汇集成班组模型集;
S5:获取待分析班组的生产信息,从所述生产信息中提取出配置信息以及预期生产时长,利用所述休假模型集将所述预期生产时长更新成标准生产时长,利用所述班组模型集、所述标准生产时长以及所述配置信息分析出所述待分析班组的承载能力。
2.如权利要求1所述的基于数字化的生产班组的承载能力评估方法,其特征在于,所述对所述历史生产数据进行数据清洗,得到标准生产数据,包括:
从所述历史生产数据中筛除乱码数据和越位数据,得到筛选生产数据;
对所述筛选生产数据进行向量化操作,得到筛选生产向量集,为所述筛选生产向量集中的各个筛选生产向量添加位置向量,得到位置生产向量集;
对所述位置生产向量集进行特征聚类,得到多个生产向量类,将各个所述生产向量类的聚类中心汇集成生产中心向量集;
将所述生产中心向量集映射到所述筛选生产数据中,得到聚类中心数据集;
根据所述聚类中心数据集对所述筛选生产数据中的各个空值数据进行填充,得到标准生产数据。
3.如权利要求2所述的基于数字化的生产班组的承载能力评估方法,其特征在于,所述根据所述聚类中心数据集对所述筛选生产数据中的各个空值数据进行填充,得到标准生产数据,包括:
逐个选取所述筛选生产数据中的空值数据作为目标空值数据;
计算所述目标空值数据与所述聚类中心数据集中的各个聚类中心数据之间的欧式距离;
选取欧式距离最小的聚类中心数据作为目标聚类数据;
利用所述目标聚类数据对所述目标空值数据进行填充,直至所述目标空值数据为所述筛选生产数据中的最后一个空值数据时,将填充后的所述筛选生产数据作为标准生产数据。
4.如权利要求1所述的基于数字化的生产班组的承载能力评估方法,其特征在于,所述从所述权级生产数据中提取出所述目标权级种类对应的休假数据序列,包括:
将所述权级生产数据按照时序进行排列,得到时序生产数据;
利用预设的时域窗口从所述时序生产数据中提取出生产数据序列;
逐个选取所述生产数据序列中的生产数据作为目标生产数据,从所述目标生产数据中提取出各个生产人员的初级休假数据;
根据所有的所述初级休假数据计算出所述目标生产数据对应的休假数据,并将所有的所述休假数据排列成休假数据序列。
5.如权利要求1所述的基于数字化的生产班组的承载能力评估方法,其特征在于,所述利用预设的初始休假模型提取出所述休假数据序列的长短时序特征和自注意力时序特征,包括:
利用预设的初始休假模型的长短记忆层中的遗忘门从所述休假数据序列中筛选出记忆特征序列;
利用所述长短记忆层中的特征状态门对所述记忆特征序列和所述休假数据序列进行特征更新,得到更新状态特征;
利用所述长短记忆层中的输出门对所述更新状态特征和所述记忆特征序列进行特征融合,得到长短时序特征;
利用所述初始休假模型的自注意力层从所述休假数据序列中提取出自注意力时序特征。
6.如权利要求1所述的基于数字化的生产班组的承载能力评估方法,其特征在于,所述根据所述工具周期序列生成目标生产参数集,包括:
逐个选取所述工具周期序列中的工具周期数据作为目标工具周期数据;
将所述目标工具周期数据中的生产班组数据作为目标生产班组数据,从所述目标生产班组数据中提取出产量参数,并按照生产人员将所述目标生产班组数据拆分为多个人员数组;
逐个选取所述人员数组作为目标人员数组,从所述目标人员数组中提取出权级参数以及时长参数,并将所述目标生产班组数据的所有的所述权级参数和所有的所述时长参数汇集成标准参数组;
将所述产量参数和所述标准参数组汇集成所述目标生产班组数据的标准生产参数组,并将所有的所述标准生产参数组汇集成目标生产参数集。
7.如权利要求6所述的基于数字化的生产班组的承载能力评估方法,其特征在于,所述根据所述目标生产参数集建立初级班组生产模型,包括:
统计出所述目标生产参数集中所述权级参数的种类总数,根据所述种类总数建立如下的初级班组生产模型:
8.如权利要求1所述的基于数字化的生产班组的承载能力评估方法,其特征在于,所述利用所述目标生产参数集对所述初级班组生产模型进行迭代更新,得到所述目标生产工具对应的班组生产模型,包括:
逐个选取所述目标生产参数集中的标准生产参数组作为目标标准生产参数组,将所述目标标准生产参数组中的产量参数作为真实产量参数,将所述目标标准生产参数组中的标准参数组作为目标标准参数组;
将所述目标标准参数组代入到所述初级班组生产模型中,得到分析生产参数;
根据所述分析生产参数和所述真实产量参数之间的损失值对所述初级班组生产模型的模型参数进行迭代更新,直至所述损失值小于预设的损失阈值时,将更新后的所述初级班组生产模型作为所述目标生产工具对应的班组生产模型。
9.如权利要求1所述的基于数字化的生产班组的承载能力评估方法,其特征在于,所述利用所述休假模型集将所述预期生产时长更新成标准生产时长,包括:
利用所述休假模型集计算出各个权级种类对应的权级休假数据序列;
逐个选取所述权级休假数据序列作为目标休假数据序列,根据所述目标休假数据序列生成目标工作数据序列;
根据所述目标工作数据序列计算出工作系数,将所述工作系数乘以所述预期生产时长,得到各个权级种类对应的标准权级生产时长,并将所有的所述标准权级生产时长汇集成标准生产时长。
10.一种基于数字化的生产班组的承载能力评估装置,其特征在于,所述装置包括:
数据清洗模块,用于获取目标机构的历史生产数据,对所述历史生产数据进行数据清洗,得到标准生产数据,按照生产人员的权级种类将所述标准生产数据拆分为多个权级生产数据;
休假模型模块,用于逐个选取所述权级种类作为目标权级种类,从所述权级生产数据中提取出所述目标权级种类对应的休假数据序列,利用所述休假数据序列对预设的初级休假模型进行迭代更新,得到所述目标权级种类对应的休假分析模型,并将所有的所述休假分析模型汇集成休假模型集,其中,所述利用所述休假数据序列对预设的初级休假模型进行迭代更新,得到所述目标权级种类对应的休假分析模型,包括:利用预设的初始休假模型提取出所述休假数据序列的长短时序特征和自注意力时序特征;根据所述长短时序特征和所述自注意力时序特征生成分析休假数据序列,从所述休假数据序列中提取出所述分析休假数据序列对应的部分序列作为目标休假数据序列;利用如下的休假偏差算法计算出所述目标休假数据序列和所述分析休假数据序列之间的偏差值:
其中,是指所述偏差值,是指所述分析休假数据序列的数据总数,且所述分析休假数据序列的数据总数等于所述目标休假数据序列的数据总数,是指第个数据,是指所述分析休假数据序列中的第个数据,是指所述目标休假数据序列中的第个数据,是预设的基准系数,是预设的平衡系数;根据所述偏差值对所述初始休假模型的模型参数进行迭代更新,得到目标权级种类对应的休假分析模型;
工具周期模块,用于逐个选取生产工具作为目标生产工具,从所述标准生产数据中提取出所述目标生产工具对应的工具生产数据,按照生产周期将所述工具生产数据拆分为工具周期序列;
班组模型模块,用于根据所述工具周期序列生成目标生产参数集,根据所述目标生产参数集建立初级班组生产模型,并利用所述目标生产参数集对所述初级班组生产模型进行迭代更新,得到所述目标生产工具对应的班组生产模型,并将所有的所述班组生产模型汇集成班组模型集;
承载评估模块,用于获取待分析班组的生产信息,从所述生产信息中提取出配置信息以及预期生产时长,利用所述休假模型集将所述预期生产时长更新成标准生产时长,利用所述班组模型集、所述标准生产时长以及所述配置信息分析出所述待分析班组的承载能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310054043.7A CN115809795B (zh) | 2023-02-03 | 2023-02-03 | 一种基于数字化的生产班组的承载能力评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310054043.7A CN115809795B (zh) | 2023-02-03 | 2023-02-03 | 一种基于数字化的生产班组的承载能力评估方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115809795A true CN115809795A (zh) | 2023-03-17 |
CN115809795B CN115809795B (zh) | 2023-04-25 |
Family
ID=85487785
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310054043.7A Active CN115809795B (zh) | 2023-02-03 | 2023-02-03 | 一种基于数字化的生产班组的承载能力评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115809795B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116154239A (zh) * | 2023-04-14 | 2023-05-23 | 湖南省计量检测研究院 | 一种基于多层次实现的氢燃料电池能量转换方法和装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040107133A1 (en) * | 2002-12-02 | 2004-06-03 | Pershing Investments, Llc. | Capacity planning method and system |
JP2009289056A (ja) * | 2008-05-29 | 2009-12-10 | Renesas Technology Corp | 人員配置計画支援装置 |
CN103400221A (zh) * | 2013-07-22 | 2013-11-20 | 无锡中科泛在信息技术研发中心有限公司 | 多维度层次化生产能力核算方法 |
WO2014103248A1 (ja) * | 2012-12-26 | 2014-07-03 | 日本電気株式会社 | 生産性計算装置、及び計算方法 |
CN104123672A (zh) * | 2014-07-22 | 2014-10-29 | 西北工业大学 | 飞机装配线人员生产能力的解算方法 |
CN111880502A (zh) * | 2020-07-30 | 2020-11-03 | 上海数策软件股份有限公司 | 基于交付满足的工厂设备预防性维护排班***和方法 |
-
2023
- 2023-02-03 CN CN202310054043.7A patent/CN115809795B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040107133A1 (en) * | 2002-12-02 | 2004-06-03 | Pershing Investments, Llc. | Capacity planning method and system |
JP2009289056A (ja) * | 2008-05-29 | 2009-12-10 | Renesas Technology Corp | 人員配置計画支援装置 |
WO2014103248A1 (ja) * | 2012-12-26 | 2014-07-03 | 日本電気株式会社 | 生産性計算装置、及び計算方法 |
CN103400221A (zh) * | 2013-07-22 | 2013-11-20 | 无锡中科泛在信息技术研发中心有限公司 | 多维度层次化生产能力核算方法 |
CN104123672A (zh) * | 2014-07-22 | 2014-10-29 | 西北工业大学 | 飞机装配线人员生产能力的解算方法 |
CN111880502A (zh) * | 2020-07-30 | 2020-11-03 | 上海数策软件股份有限公司 | 基于交付满足的工厂设备预防性维护排班***和方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116154239A (zh) * | 2023-04-14 | 2023-05-23 | 湖南省计量检测研究院 | 一种基于多层次实现的氢燃料电池能量转换方法和装置 |
CN116154239B (zh) * | 2023-04-14 | 2023-11-21 | 湖南省计量检测研究院 | 一种基于多层次实现的氢燃料电池能量转换方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115809795B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108763319B (zh) | 融合用户行为和文本信息的社交机器人检测方法和*** | |
CN110336838B (zh) | 账号异常检测方法、装置、终端及存储介质 | |
CN110198310A (zh) | 一种网络行为反作弊方法、装置及存储介质 | |
CN106992994A (zh) | 一种云服务的自动化监控方法和*** | |
CN108199795A (zh) | 一种设备状态的监测方法和装置 | |
CN114332984B (zh) | 训练数据处理方法、装置和存储介质 | |
CN105471647B (zh) | 一种电力通信网故障定位方法 | |
CN111738348B (zh) | 一种电力数据异常检测方法和装置 | |
CN116862454B (zh) | 一种室内建筑设计管理方法及*** | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、***及计算机可读存储介质 | |
CN115809795A (zh) | 一种基于数字化的生产班组的承载能力评估方法和装置 | |
CN114841268B (zh) | 基于Transformer和LSTM融合算法的异常电力客户识别方法 | |
CN115545331A (zh) | 控制策略预测方法和装置、设备及存储介质 | |
CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理*** | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析*** | |
CN113962660A (zh) | 一种基于ai技术的建筑工人行为安全管理矫正方法及*** | |
CN115713044B (zh) | 一种多工况切换下的机电设备剩余寿命分析方法和装置 | |
CN117892945A (zh) | 基于神经网络的建筑工程造价测算方法 | |
CN115759885B (zh) | 一种基于分布式物资供应下的物资抽检方法和装置 | |
Bourqui et al. | Detecting structural changes and command hierarchies in dynamic social networks | |
CN111860598A (zh) | 一种用于运动行为、关系识别的数据分析方法、电子设备 | |
CN115767601A (zh) | 一种基于多维数据的5gc网元自动化纳管方法及装置 | |
CN114331175A (zh) | 一种城市安全绩效数据集中统计评估方法及*** | |
CN116993307B (zh) | 一种具有人工智能学习能力的协同办公方法及*** |
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 |