CN115860510A - 一种基于大数据的生产效率分析评估方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，提出了一种基于大数据的生产效率分析评估方法，包括：根据生产线的运行数据获得检测异常值，根据检测异常值得到检测异常点，通过检测异常点对时间的影响得到误差停摆时间；根据产品的质量指标计算得到产品的缺陷程度值，利用缺陷程度值检测出缺陷产品，并根据缺陷产品和所有产品的数量比得到缺陷产品概率。根据生产线的误差停摆时间和产品的缺陷产品概率，数据库采集得到的产品数量及销售额计算期望产出指标，将期望输入指标和期望产出指标计算得到产品的生产效率评估结果。本发明对产品的真是销售额进行了优化计算，使模型计算结果更加精确。

Description

一种基于大数据的生产效率分析评估方法

技术领域

本发明涉及数据处理领域，具体涉及一种基于大数据的生产效率分析评估方法。

背景技术

随着市场的发展变化，相应的每个公司也会根据市场的变化来进行技术的改进，否则随着其余公司的科技进步，自身企业还在原地踏步的话，就会被市场逐渐淘汰。因此需要有合理的一套产品生产效率体系的评估，进行技术的迭代更新，预测市场发展和产品需求量的变化，然而现有的企业生产效率评估体系存在着一定的瑕疵，考虑的角度不够全面。现有企业评估生产效率时没有考虑到生产量受到生产线检测异常和产品缺陷的影响，直接使用DEA模型进行评估，模型中的输出期望指标没有精确获得。

发明内容

本发明提供一种基于大数据的生产效率分析评估方法，以解决现有的产品生产量统计不精确的问题，所采用的技术方案具体如下：

本发明一个实施例提供了一种基于大数据的生产效率分析评估方法，该方法包括以下步骤：

统计企业某产品的月期望投入指标，将生产线的运行数据根据时间进行分组构建一个矩阵图像；

根据矩阵图像包含的灰度信息得到异常点，根据异常点与所在列数的灰度计算信息计算得到异常点所在列的检测异常值，根据检测异常值得到检测异常点，通过检测异常点对时间的影响得到误差停摆时间；

将每个产品用多个产品质量指标表示，抽检多个产品，根据产品数量和产品对应的指标得到成分权重，根据产品指标、产品各项指标的均值以及成分权重进行比较计算得到产品的缺陷程度值；利用缺陷程度值检测出缺陷产品，并根据缺陷产品和所有产品的数量比得到产品缺陷概率；

根据生产线的误差停摆时间和产品的产品缺陷概率对数据库采集得到的产品数量进行修正，并计算得到产品的总销售额；

将计算到的总销售额作为期望产出指标，根据期望输入指标和期望产出指标得到产品的生产效率评估结果。

优选的，所述根据矩阵图像包含的灰度信息得到异常点的获取方法为：

获取矩阵图像中的最大像素值与最小像素值的第一差值，当第一差值大于第一预设阈值时，获取矩阵图像中每行的相邻两个像素点像素值的第二绝对值差值，在矩阵图像中获取所述相邻两个像素点所在行上且横坐标小于所述相邻两个像素点的所有像素点，计算所述所有像素点的像素值的相邻像素点差值的第一均值，根据第二差值和第一均值获得异常点。

优选的，所述根据第二差值和第一均值获得异常点的方法为：

获取图像中每行的所有像素点相邻两点之间的第二绝对值差值，对每一行的任意像素点，异常点为所述像素点与相邻像素点的绝对值差值大于比所述像素点横坐标小的所有像素点相邻绝对值差值均值的2倍的像素点。

优选的，根据异常点与所在列数的灰度计算信息计算得到异常点所在列的检测异常值，根据检测异常值得到检测异常点的步骤，包括：

检测异常值的计算公式为：

其中，w_q表示第q列中共有w个异常点，

表示矩阵图像中坐标为(p,q)的异常点，/>

表示第q列异常点的累加，u为矩阵图像的行数，Q_q就表示第q列的检测异常值；

当检测异常值大于第一预设阈值，获得检测异常点。

优选的，根据产品数量和产品对应的指标得到成分权重的步骤，包括：

获得m个产品，每个产品对应n项检测指标，根据产品数据得到n×m大小的成分矩阵，根据成分矩阵使用主成分分析法得到每个主成分构成的向量，计算得到所有主成分构成向量的方差，根据所述每个主成分向量的方差与所有主成分方差的和之比得到影响产品缺陷指标的成分权重。

优选的，根据产品指标、产品各项指标的均值以及成分权重进行比较计算得到产品的缺陷程度值的方法为：

缺陷程度值的计算公式为：

公式中，z_0v就第v项指标的模板值，z_rv就表示第r个产品第v项指标的值，α_v就表示成分权重，G_r就表示第r个产品的缺陷程度值；

所述第v项指标的模板值为所有产品第v项指标的均值。

优选的，根据生产线的误差停摆时间和产品的产品缺陷概率对数据库采集得到的产品数量进行修正，并计算得到产品的总销售额的方法为：

根据所述得到的产品的缺陷概率和成产线的误差停摆时间分别对数据库中统计得到的产品量进行计算；

总销售额的计算公式为：

其中，S就表示单件产品的售价，ρ就表示改月所有产品的总销售额，t₁表示生产线的误差停摆时间，t₀表示产品的月运行时间，M表示通过数据库得到的产品生产量，F表示产品缺陷概率。

本发明的有益效果是：针对于原有的DEA算法，直接使用数据库中的数据无法精确反应生产效率，本方案针对于生产线误差和产品的缺陷概率对生产量进行修正，使期望产出目标更加精确，由此计算得到的生产效率也更加精确。针对生产量，设备出现异常时会对最后生产量的统计造成影响，但是检测设备异常应该是不影响生产量的，但是同样会被生产量影响到，因此根据计算这部分的误差停摆时间对生产量修正，提高精度。在统计的生产量中会包含缺陷产品，缺陷产品不能参与生产效率的计算，因此计算产品的缺陷概率对生产量进行修正，增加生产量的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的一个实施例所提供一种基于大数据的生产效率分析评估方法的流程示意图。

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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，其示出了本发明一个实施例提供的一种基于大数据的生产效率分析评估方法流程图，该方法包括以下步骤：

步骤S001：根据该企业的自身数据库获得生产线和产品的各项数据，得到该产品在某月的生产消耗和生产消耗对应的产品量。

从该企业数据库中获得某产品在某一月份的各项资金投入，例如材料，人力等方面的资金投入，并且得到相应材料理论可以生产的产品数量。以该产品的各项资金投入作为后续计算时输入的期望投入指标，以材料理论生产的产品数量的销售额作为期望产出指标。虽然在数据库中可以得到本月生产所需的资金和本月该厂品的直接销售额，但是该销售额无法表示是本月生产得到的，如果直接使用会造成误差，所以使用生产数量来预估资金。而产品的生产数量不能直接根据材料投入获得，在生产线运作时，会出现缺陷产品，该类产品不能进行售卖，因此不应算作销售量的一部分。除此之外生产线停止运作会减少生产效率，为了精确得到生产线生产效率需要排除这部分的影响。

根据数据库进行数据统计，记影响该产品资金的共有k项，例如材料所需资金，人力花费等等，这些数据从数据库中获得，这k项属性就是DEA模型的期望投入指标。

计算期望生产指标时需要得到精确的生产量，因此首先通过数据库得到理论产出量，再统计生产线的运行数据，对产品数据进行分析的数据类型有多种，例如温度，机器的振动信号等，由此得到该产品在生产线上的各项运行数据。并且针对于产品本身的指标也进行统计，设共有n项可以分析产品最终生产效果的数据类型，针对每个产品得到n项分析数据，共检测m个产品。根据生产线运行数据和产品的各项指标数据最终影响产品的产出量。

步骤S002：根据生产线的运行状态得到该月生产线的运行误差停摆时间。

本方案首先对于产品线进行分析，产品线出现异常数据后被检测到会将异常数据进行警告，此时会使生产线停摆，而检测方式不当会导致检测异常和产品异常无法区分，若是由于检测异常而导致的生产线停摆，那么就无法反应出生产线的真实生产状态，因此需要对检测异常和设备异常进行区分，并得到检测异常导致的停摆时间，根据该停摆时间对产品的生产数量进行修正。

首先对于生产线的运行数据，每1秒进行一次数据采集，假设运行数据有u个，则每秒得到一个u维的向量，该向量表示生产线的运行数据，统计连续60秒的运行数据，将这60秒的数据组成一组，一组有60个向量，由此就得到了一个u×60的矩阵，将运行数据都进行归一化，即矩阵中的数据都进行归一化后，可以将该矩阵看作一张大小为u×60的矩阵图像。

进一步的，由于运行数据之间是相互关联为一体的，因此当生产线本身除了异常时，在矩阵图像中会出现局部的像素点变化。当时检测装置出现了问题时，在矩阵图像中的表现时存在噪点，依据此就可以将检测异常和生产线异常进行区分。从矩阵图像中得到像素点最大值H_max和最小值H_min，另两者做差，设定阈值为c1，若H_max-H_min＞c1时，就认为该矩阵图像对应的时间中不存在异常数据，相反的就表示矩阵图像中存在异常数据，在本实施例以c1＝0.2为例进行叙述。

进一步的，将得到的所有存在异常数据的矩阵图像，对于每一行，在矩阵图像中获取所述相邻两个像素点所在行上且横坐标小于所述相邻两个像素点的所有像素点，得到所有像素点相邻像素值差值的均值，若所述所有像素点差值的均值的2倍小于横坐标最大像素点与相邻像素点的绝对值差值，那么就认为该点是异常点。

由于产品生产线中各项指标都是互相关联的，若生产线本身出现问题，则各项生产指标都会出现较大幅度的变换，而当检测设备出现问题，只会影响到该检测设备检测的指标出现变化，此时将所有异常点的像素值都记为1，其余像素点的像素值都记为0。由于矩阵图像中每列表示的同一时间该生产线的各项指标，因此对于所有的异常点，另每个异常点与该列所有像素点做差，再将所有差值累加比上异常点的数量。

异常点的判断方式如下所示：

公式中，H_p,q表示像素点的横坐标为q，纵坐标为p的像素点的像素值。v表示遍历到的当前像素点的横坐标位置。

即当坐标p,v处的像素点的像素值H_p,v满足这个异常点的判断方式时该像素点为异常点，否则不是异常点。

检测异常值的计算公式如下所示：

公式中，w_q表示第q列中共有w个异常点，

表示矩阵图像中坐标为(p,q)的异常点，/>

表示第q列异常点的累加，u为矩阵图像的行数，Q_q就表示第q列的检测异常值，该值越大表示该列异常点存在且较少，即可以认为该列是检测异常，该值越小表示该列异常点较多，可以认为该列是设备异常。当该值为0时就表示该列不存在异常。给定阈值c2，当Q_q＞c2时就表示该列对应的时间为检测异常点。在本实施例以c2＝u/2为例进行叙述。

得到图像中的所有检测异常点后，记录检测异常点被统计到的时间，此时***会检测到异常点进入***停摆状态，当异常信息发送到主***，主***判断该异常点为检测异常造成的后，恢复生产线，此时得到恢复生产线的时间，通过检测时间和恢复时间做差可以得到该***产品线的停摆时间，该误差停摆时间记为t₁。

步骤S003：根据产品的各项指标得到所述产品生产时的生产缺陷概率。

首先，根据所述的企业数据库中采集得到产品的n项指标，共抽检m个产品，根据所述数据可以构建得到一个成分矩阵，矩阵表示如下：

矩阵中横轴为抽检的产品数量，纵轴为每个产品的n项指标，中间交叉项为指标的值。

进一步的，对于产品的n项指标来说，不同指标项对影响产品的缺陷程度是不同的，因此对该矩阵使用主成分分析法，对该矩阵进行协方差矩阵求解，正交变换等主成分分析的运算，得到主成分分析矩阵，该矩阵用列向量表示如下：

Y＝[y₁,y₂,y₃...y_m]^T

Y矩阵中y₁为第一主成分构成的列向量，y_m为第m个主成分构成的行向量。

计算Y矩阵中所有主成分向量的方差，而根据主成分矩阵的特性，任意一个主成分的方差等于矩阵Z的协方差矩阵对应的特征值，且随主成分的序号增大而递减。

由此可以根据主成分矩阵中每个指标项对应的主成分方差计算得到影响该产品检测缺陷时的不同成分权重，其中影响缺陷检测越大，成分权重越高。计算得到每个主成分的方差δ_v，将每个主成分所对应的成分权重用方差进行计算：

由于在产品生产中，好产品的数量要比缺陷产品的数量要多得多，因此对于所有产品得到产品各项指标的均值，以该均值作为模板来判断缺陷部分。

令每个产品的每项指标分别和模板的每项指标做比值，并且和成分权重相乘得到如下公式：

公式中，z_0v就第v项指标的模板值，z_rv就表示第r个产品第v项指标的值，α_v就表示成分权重值，所有指标的权重值相加为1，G_r就表示缺陷程度值，该值是一个大于0的数，该值越大，越有可能为缺陷产品。

在此给定阈值c3，当G_r＞c3时就认为该产品为缺陷产品，c3的经验值取1。

得到每个产品的缺陷程度值后，检测出所有缺陷产品，根据所有缺陷产品数量占总产品数量的比值得到产品缺陷概率，记为F。

步骤S004：根据产品的缺陷概率和生产线的误差停摆时间得到该月产品的修正后产量，并且将产量作为期望产出指标使用DEA模型进行生产效率的评估。

首先，在数据库中得到该月的理论生产量，记为M，其中生产线由于检测异常导致错检会导致生产量下降，因此利用生产线对产量进行修正时是对产量进行正向修正，而产品的缺陷概率不能算作真正卖出的产品，因此要对理论生产量使用缺陷概率进行负向修正，即误差停摆时间修正使理论生产量增加，缺陷概率使理论生产量减少，由此计算得到所述产品再该月的销售额如下公式所示：

公式中S表示单件产品的售价，ρ就表示该月所有产品的总销售额。t₁表示误差停摆时间，t₀表示该月生产总时间。

进一步的，计算得到产品再该月的总销售额后，使用该总销售额作为期望产出指标，将生产成本作为期望投入指标，将所述两个指标输入进DEA模型中的CCR模型中，通过该模型进行计算就可以得到该产品的生产效率评估结果。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于大数据的生产效率分析评估方法，其特征在于，该方法包括以下步骤：

统计企业某产品的月期望投入指标，将生产线的运行数据根据时间进行分组构建一个矩阵图像；

根据矩阵图像包含的灰度信息得到异常点，根据异常点与所在列数的灰度计算信息计算得到异常点所在列的检测异常值，根据检测异常值得到检测异常点，通过检测异常点对时间的影响得到误差停摆时间；

将每个产品用多个产品质量指标表示，抽检多个产品，根据产品数量和产品对应的指标得到成分权重，根据产品指标、产品各项指标的均值以及成分权重进行比较计算得到产品的缺陷程度值；利用缺陷程度值检测出缺陷产品，并根据缺陷产品和所有产品的数量比得到产品缺陷概率；

根据生产线的误差停摆时间和产品的产品缺陷概率对数据库采集得到的产品数量进行修正，并计算得到产品的总销售额；

将计算到的总销售额作为期望产出指标，根据期望输入指标和期望产出指标得到产品的生产效率评估结果。

2.根据权利要求1所述的一种基于大数据的生产效率分析评估方法，其特征在于，所述根据矩阵图像包含的灰度信息得到异常点的获取方法为：

获取矩阵图像中的最大像素值与最小像素值的第一差值，当第一差值大于第一预设阈值时，获取矩阵图像中每行的相邻两个像素点像素值的第二绝对值差值，在矩阵图像中获取所述相邻两个像素点所在行上且横坐标小于所述相邻两个像素点的所有像素点，计算所述所有像素点的像素值的相邻像素点差值的第一均值，根据第二差值和第一均值获得异常点。

3.根据权利要求2所述的一种基于大数据的生产效率分析评估方法，其特征在于，所述根据第二差值和第一均值获得异常点的方法为：

获取图像中每行的所有像素点相邻两点之间的第二绝对值差值，对每一行的任意像素点，异常点为所述像素点与相邻像素点的绝对值差值大于比所述像素点横坐标小的所有像素点相邻绝对值差值均值的2倍的像素点。

4.根据权利要求1所述的一种基于大数据的生产效率分析评估方法，其特征在于，根据异常点与所在列数的灰度计算信息计算得到异常点所在列的检测异常值，根据检测异常值得到检测异常点的步骤，包括：

检测异常值的计算公式为：

其中，w_q表示第q列中共有w个异常点，

表示矩阵图像中坐标为(p,q)的异常点，

表示第q列异常点的累加，u为矩阵图像的行数，Q_q就表示第q列的检测异常值；

当检测异常值大于第一预设阈值，获得检测异常点。

5.根据权利要求1所述的一种基于大数据的生产效率分析评估方法，其特征在于，根据产品数量和产品对应的指标得到成分权重的步骤，包括：

获得m个产品，每个产品对应n项检测指标，根据产品数据得到n×m大小的成分矩阵，根据成分矩阵使用主成分分析法得到每个主成分构成的向量，计算得到所有主成分构成向量的方差，根据所述每个主成分向量的方差与所有主成分方差的和之比得到影响产品缺陷指标的成分权重。

6.根据权利要求1所述的一种基于大数据的生产效率分析评估方法，其特征在于，根据产品指标、产品各项指标的均值以及成分权重进行比较计算得到产品的缺陷程度值的方法为：

缺陷程度值的计算公式为：

公式中，z_0v就第v项指标的模板值，z_rv就表示第r个产品第v项指标的值，α_v就表示成分权重，G_r就表示第r个产品的缺陷程度值；

所述第v项指标的模板值为所有产品第v项指标的均值。

7.根据权利要求1所述的一种基于大数据的生产效率分析评估方法，其特征在于，根据生产线的误差停摆时间和产品的产品缺陷概率对数据库采集得到的产品数量进行修正，并计算得到产品的总销售额的方法为：

总销售额的计算公式为：

其中，S就表示单件产品的售价，ρ就表示每月所有产品的总销售额，t₁表示生产线的误差停摆时间，t₀表示产品的月运行时间，M表示通过数据库得到的产品生产量，F表示产品缺陷概率。

Images