CN115936262A - 基于大数据的环境干扰的产量预测方法、***和介质 - Google Patents
基于大数据的环境干扰的产量预测方法、***和介质 Download PDFInfo
- Publication number
- CN115936262A CN115936262A CN202310135557.5A CN202310135557A CN115936262A CN 115936262 A CN115936262 A CN 115936262A CN 202310135557 A CN202310135557 A CN 202310135557A CN 115936262 A CN115936262 A CN 115936262A
- Authority
- CN
- China
- Prior art keywords
- data
- production
- monitoring
- information
- yield
- 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
- 230000007613 environmental effect Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004519 manufacturing process Methods 0.000 claims abstract description 519
- 238000012544 monitoring process Methods 0.000 claims abstract description 361
- 238000012545 processing Methods 0.000 claims abstract description 80
- 238000012937 correction Methods 0.000 claims abstract description 54
- 239000000463 material Substances 0.000 claims description 73
- 230000004927 fusion Effects 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 16
- 239000004615 ingredient Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000001932 seasonal effect Effects 0.000 claims description 11
- 238000001035 drying Methods 0.000 claims description 10
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 description 8
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008569 process 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- General Factory Administration (AREA)
Abstract
本申请实施例提供了基于大数据的环境干扰的产量预测方法、***和介质。属于大数据和生产管理技术领域。该方法包括:采集生产、环境监测的信息并提取生产动态监测数据生成生产环控监测特征图谱,再通过动态产能监测模型获得产量预测数据并获得生产环变干扰因子,后结合环境预测数据对产量预测数据进行修正处理,再与实际的产能数据进行预测差值处理获得实际产差数据,最后与预设产量差阈值进行阈值对比判断产量预测的准确性;从而根据特征图谱和模型对环境数据进行处理获得干扰因子再对产量预测进行修正,并验证产量预测准确性,实现通过生产和环境信息进行干扰修正处理并预测产能和验证的大数据处理技术。
Description
技术领域
本申请涉及大数据和生产管理技术领域,具体而言,涉及基于大数据的环境干扰的产量预测方法、***和介质。
背景技术
在涂料生产过程中,生产物料的产量受温度干扰的影响较大,因此给生产带来了很多弊端,因为产品加工配比的不同和环境差异性,导致产量稳定性无法得知,难以精确排产和保障生产连续性;生产过程中调整排产的频率高使得生产产量预测和供给的产能比难以估算,导致生产供需不稳定,且目前缺乏可根据设备、环境、物料配比等生产要素进行产能预测,并对环变干扰要素的影响进行有效评估的物料生产技术。
针对上述问题,目前亟待有效的技术解决方案。
发明内容
本申请实施例的目的在于提供基于大数据的环境干扰的产量预测方法、***和介质,可以根据特征图谱和模型对环境数据进行处理获得干扰因子再对产量预测进行修正,并根据预测和实际产量对比检验预测产能的准确性,实现通过生产和环境信息进行干扰修正处理并预测产能和验证的大数据处理技术。
本申请实施例还提供了基于大数据的环境干扰的产量预测方法,包括以下步骤:
采集生产线的生产监测特征信息和生产环控信息以及环境监测信息,并提取生产动态监测数据;
根据所述生产动态监测数据生成生产环控监测特征图谱;
根据所述生产环控监测特征图谱获取动态产能监测模型,并将所述生产动态监测数据通过所述动态产能监测模型进行处理获得产量预测数据;
根据所述生产动态监测数据进行处理获得生产环变干扰因子;
根据所述生产环变干扰因子结合第一预生产时间段内的环境预测数据对所述产量预测数据进行修正处理,获得产量预测修正数据;
获取实际生产后所述第一预生产时间段内的实际产能数据,并与所述产量预测修正数据进行差值处理获得实际产差数据;
根据所述实际产差数据与预设的产量差阈值进行阈值对比,判断在环境干扰下的产量预测的准确性。
可选地,在本申请实施例所述的基于大数据的环境干扰的产量预测方法中,所述采集生产线的生产监测特征信息和生产环控信息以及环境监测信息,并提取生产动态监测数据,包括:
通过预设的生产信息监测网平台采集生产线的生产监测特征信息和生产环控信息以及环境监测信息;
所述生产监测特征信息包括生产物料种属信息、配比配料信息、物料投放信息;
所述生产环控信息包括车间温湿度信息、设备在制温度信息、产出口温检信息;
所述环境监测信息包括外部温湿度信息、季节时间信息;
根据所述生产监测特征信息、生产环控信息、环境监测信息提取对应的生产监测特征数据、生产环控数据、环境监测数据;
根据所述生产监测特征数据、生产环控数据、环境监测数据合成生产动态监测数据。
可选地,在本申请实施例所述的基于大数据的环境干扰的产量预测方法中,所述根据所述生产动态监测数据生成生产环控监测特征图谱,包括:
所述生产监测特征数据包括生产物料种属数据、配比配料数据、物料投放数据;
所述生产环控数据包括车间温湿度数据、设备在制温度数据、产出口温检数据;
所述环境监测数据包括外部温湿度数据、季节时间数据;
通过所述生产信息监测网平台获取生产特征数据融合模型;
基于所述生产特征数据融合模型对所述生产监测特征数据和生产环控数据以及环境监测数据进行数据关联链接,生成多数据融合的生产环控监测特征图谱。
可选地,在本申请实施例所述的基于大数据的环境干扰的产量预测方法中,所述根据所述生产环控监测特征图谱获取动态产能监测模型,并将所述生产动态监测数据通过所述动态产能监测模型进行处理获得产量预测数据,包括:
通过所述生产环控监测特征图谱获取对应的初始动态产能监测模型;
通过所述生产信息监测网平台获取生产物料对应的历史生产监测数据样本集,所述历史生产监测数据样本集包括多个生产监测数据样本,包括生产监测特征数据样本、生产环控数据样本、环境监测数据样本以及产量数据样本;
将所述历史生产监测数据样本集输入所述初始动态产能监测模型中训练获得动态产能监测模型;
将所述生产动态监测数据输入所述动态产能监测模型进行处理,获得产量预测数据。
可选地,在本申请实施例所述的基于大数据的环境干扰的产量预测方法中,所述根据所述生产动态监测数据进行处理获得生产环变干扰因子,包括:
根据生产物料的所述配比配料数据结合生产环控数据以及外部温湿度数据进行环境干扰计算处理,获得环变干扰因子;
所述环变干扰因子的计算公式为:
;
其中,为环变干扰因子,为车间温湿度数据,为设备在制温度数据,为产出口温检数据,为外部温湿度数据,为配比配料数据,、、、、为预设特征系数。
可选地,在本申请实施例所述的基于大数据的环境干扰的产量预测方法中,所述根据所述生产环变干扰因子结合第一预生产时间段内的环境预测数据对所述产量预测数据进行修正处理,获得产量预测修正数据,包括:
获取第一预生产时间段内的天气预测信息,并根据天气预测信息获取对应时间段的预测温湿度数据;
根据所述预测温湿度数据与所述历史生产监测数据样本集中的外部温湿度数据样本进行相似度对比,获取符合相似度要求的对应历史生产监测数据目标样本;
根据所述历史生产监测数据目标样本中的车间温湿度数据以及外部温湿度数据作为所述第一预生产时间段内的环境预测数据;
根据所述环境预测数据结合所述生产环变干扰因子对所述产量预测数据进行修正处理,获得产量预测修正数据。
可选地,在本申请实施例所述的基于大数据的环境干扰的产量预测方法中,所述获取实际生产后所述第一预生产时间段内的实际产能数据,并与所述产量预测修正数据进行差值处理获得实际产差数据,包括:
获取所述第一预生产时间段进行实际生产后的实际产能数据;
根据所述产量预测修正数据与所述实际产能数据进行作差处理,获得实际产差数据。
第二方面,本申请实施例提供了基于大数据的环境干扰的产量预测***,该***包括:存储器及处理器,所述存储器中包括基于大数据的环境干扰的产量预测方法的程序,所述基于大数据的环境干扰的产量预测方法的程序被所述处理器执行时实现以下步骤:
采集生产线的生产监测特征信息和生产环控信息以及环境监测信息,并提取生产动态监测数据;
根据所述生产动态监测数据生成生产环控监测特征图谱;
根据所述生产环控监测特征图谱获取动态产能监测模型,并将所述生产动态监测数据通过所述动态产能监测模型进行处理获得产量预测数据;
根据所述生产动态监测数据进行处理获得生产环变干扰因子;
根据所述生产环变干扰因子结合第一预生产时间段内的环境预测数据对所述产量预测数据进行修正处理,获得产量预测修正数据;
获取实际生产后所述第一预生产时间段内的实际产能数据,并与所述产量预测修正数据进行差值处理获得实际产差数据;
根据所述实际产差数据与预设的产量差阈值进行阈值对比,判断在环境干扰下的产量预测的准确性。
可选地,在本申请实施例所述的基于大数据的环境干扰的产量预测***中,所述采集生产线的生产监测特征信息和生产环控信息以及环境监测信息,并提取生产动态监测数据,包括:
通过预设的生产信息监测网平台采集生产线的生产监测特征信息和生产环控信息以及环境监测信息;
所述生产监测特征信息包括生产物料种属信息、配比配料信息、物料投放信息;
所述生产环控信息包括车间温湿度信息、设备在制温度信息、产出口温检信息;
所述环境监测信息包括外部温湿度信息、季节时间信息;
根据所述生产监测特征信息、生产环控信息、环境监测信息提取对应的生产监测特征数据、生产环控数据、环境监测数据;
根据所述生产监测特征数据、生产环控数据、环境监测数据合成生产动态监测数据。
第三方面,本申请实施例还提供了可读存储介质,所述可读存储介质中包括基于大数据的环境干扰的产量预测方法程序,所述基于大数据的环境干扰的产量预测方法程序被处理器执行时,实现如上述任一项所述的基于大数据的环境干扰的产量预测方法的步骤。
由上可知,本申请实施例提供的基于大数据的环境干扰的产量预测方法、***和介质。该方法包括:采集生产监测特征信息、生产环控信息、环境监测信息并提取生产动态监测数据生成生产环控监测特征图谱,通过动态产能监测模型对生产动态监测数据进行处理获得产量预测数据,并根据生产动态监测数据处理获得生产环变干扰因子,根据生产环变干扰因子结合环境预测数据对产量预测数据进行修正处理获得产量预测修正数据,再获取实际产能数据与产量预测修正数据进行差值处理获得实际产差数据,与产量差阈值进行阈值对比判断产量预测的准确性;从而根据特征图谱和模型对环境数据进行处理获得干扰因子再对产量预测进行修正,并根据预测和实际产量对比检验预测产能的准确性,实现通过生产和环境信息进行干扰修正处理并预测产能和验证的大数据处理技术。
本申请的其他特征和优点将在随后的说明书阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的基于大数据的环境干扰的产量预测方法的流程图;
图2为本申请实施例提供的基于大数据的环境干扰的产量预测方法的获取生产动态监测数据的流程图;
图3为本申请实施例提供的基于大数据的环境干扰的产量预测方法的生成生产环控监测特征图谱的流程图;
图4为本申请实施例提供的基于大数据的环境干扰的产量预测***的结构示意图。
具体实施方式
下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1是本申请一些实施例中的基于大数据的环境干扰的产量预测方法的流程图。该基于大数据的环境干扰的产量预测方法用于终端设备中,例如手机、电脑等。该基于大数据的环境干扰的产量预测方法,包括以下步骤:
S101、采集生产线的生产监测特征信息和生产环控信息以及环境监测信息,并提取生产动态监测数据;
S102、根据所述生产动态监测数据生成生产环控监测特征图谱;
S103、根据所述生产环控监测特征图谱获取动态产能监测模型,并将所述生产动态监测数据通过所述动态产能监测模型进行处理获得产量预测数据;
S104、根据所述生产动态监测数据进行处理获得生产环变干扰因子;
S105、根据所述生产环变干扰因子结合第一预生产时间段内的环境预测数据对所述产量预测数据进行修正处理,获得产量预测修正数据;
S106、获取实际生产后所述第一预生产时间段内的实际产能数据,并与所述产量预测修正数据进行差值处理获得实际产差数据;
S107、根据所述实际产差数据与预设的产量差阈值进行阈值对比,判断在环境干扰下的产量预测的准确性。
需要说明的是,为获得可根据生产物料、环境等要素进行产量预测并进行实际产量对比验证的环变干扰下的产量预测技术,需采集生产线的生产监测数据、环境控制数据以及主体环境监测数据,再根据生产要素的各项数据形成数据关系链并生成生产环控监测特征图谱,再通过特征图谱处理获得的训练好的动态产能监测模型对动态获取的数据进行处理获得产量预测数据,后再根据生产、环境的监测数据获得对生产产量干扰程度的评估因子,根据生产环变干扰因子对产量预测数据进行修正,最后再根据实际生产的产能数据与预测数据产量数据进行作差并根据产差数据进行阈值对比,判断得到的产量预测数据的准确性,根据生产监测特征数据和生产环控数据在生产信息监测网平台中获得与生产物料对应的预设的产量差阈值,再根据实际产差数据与产量差阈值进行阈值对比,若实际产差数据小于产量差阈值的阈值对比要求,则说明在环境干扰下对产量的预测准确,产量预测修正数据有效,否则,若实际产差数据大于产量差阈值的阈值对比要求,则说明产量预测不准确,产量预测修正数据无效,需重新对产量干扰因子或预测的产量数据进行修正。
请参照图2,图2是本申请一些实施例中的基于大数据的环境干扰的产量预测方法的获取生产动态监测数据的流程图。根据本发明实施例,所述采集生产线的生产监测特征信息和生产环控信息以及环境监测信息,并提取生产动态监测数据,具体为:
S201、通过预设的生产信息监测网平台采集生产线的生产监测特征信息和生产环控信息以及环境监测信息;
S202、所述生产监测特征信息包括生产物料种属信息、配比配料信息、物料投放信息;
S203、所述生产环控信息包括车间温湿度信息、设备在制温度信息、产出口温检信息;
S204、所述环境监测信息包括外部温湿度信息、季节时间信息;
S205、根据所述生产监测特征信息、生产环控信息、环境监测信息提取对应的生产监测特征数据、生产环控数据、环境监测数据;
S206、根据所述生产监测特征数据、生产环控数据、环境监测数据合成生产动态监测数据。
需要说明的是,为获得环境状况对生产产量的预测评估,首先需获得有关联影响的生产相关数据和环境相关数据,通过预设的生产信息监测网平台采集生产线的生产监测特征信息、生产环控信息以及环境监测信息,该平台是对生产过程进行信息要素监测并采集的预设平台,获得的生产监测特征信息包括所生产物料的物料种类、属性信息,反映生产的物料类型如有机物粉末物料、无机物颗粒物料等以及物料属性如防潮性、挥发性、稳定性等,以及物料配比、配料的信息如配比原料和配比系数,物料投放信息反映物料的投入生产线的情况信息,生产环控信息包括车间室内的温湿度信息、设备生产过程中的加工作业温度信息以及加工物料设备产出口的温度检测信息,环境监测信息包括外部大气的温湿度信息和时段所处的季节时间信息,再根据信息提取对应的数据,根据生产监测特征数据、生产环控数据、环境监测数据合成为生产动态监测数据。
请参照图3,图3是本申请一些实施例中的基于大数据的环境干扰的产量预测方法的生成生产环控监测特征图谱的流程图。根据本发明实施例,所述根据所述生产动态监测数据生成生产环控监测特征图谱,具体为:
S301、所述生产监测特征数据包括生产物料种属数据、配比配料数据、物料投放数据;
S302、所述生产环控数据包括车间温湿度数据、设备在制温度数据、产出口温检数据;
S303、所述环境监测数据包括外部温湿度数据、季节时间数据;
S304、通过所述生产信息监测网平台获取生产特征数据融合模型;
S305、基于所述生产特征数据融合模型对所述生产监测特征数据和生产环控数据以及环境监测数据进行数据关联链接,生成多数据融合的生产环控监测特征图谱。
需要说明的是,根据监测的生产和环境相关数据通过生产特征数据融合模型进行数据融合和关联链接,生成生产环控监测特征图谱,该特征图谱反映生产线动态生产过程中的物料类别、配比配料、投放量以及车间温湿度、设备温度、出口温度、外部温湿度的生产要素动态关系和数据链接,通过生产信息监测网平台获得的生产特征数据融合模型对各项数据进行关联和融合。
根据本发明实施例,所述根据所述生产环控监测特征图谱获取动态产能监测模型,并将所述生产动态监测数据通过所述动态产能监测模型进行处理获得产量预测数据,具体为:
通过所述生产环控监测特征图谱获取对应的初始动态产能监测模型;
通过所述生产信息监测网平台获取生产物料对应的历史生产监测数据样本集,所述历史生产监测数据样本集包括多个生产监测数据样本,包括生产监测特征数据样本、生产环控数据样本、环境监测数据样本以及产量数据样本;
将所述历史生产监测数据样本集输入所述初始动态产能监测模型中训练获得动态产能监测模型;
将所述生产动态监测数据输入所述动态产能监测模型进行处理,获得产量预测数据。
需要说明的是,为实现通过获取的生产、环境的监测数据预测出对应物料在生产线环境下的产量预测数据,需获得对产量数据进行可模拟输出的数据处理模型,通过生成的生产环控监测特征图谱的数据间关联获取物料生产相对应的初始动态产能监测模型,该模型是基于物料的生产关系在生产所处环境作用下的预测产量的关系逻辑模型,后需根据大量历史数据样本对该初始化模型进行数据训练以提高模型的数据处理准确率,通过生产信息监测网平台获取该生产物料对应的历史生产监测数据样本集,该历史生产监测数据样本集中包括多个已完成生产的生产监测数据样本,其中包括生产监测特征数据样本、生产环控数据样本、环境监测数据样本以及产量数据样本,每一组样本数据均反映了在历史环境条件下对物料配比生产包括投入和产出的相关实际数据,根据大量的历史实际数据输入该初始的模型中进行训练,可提高该动态产能监测模型的数据处理的准确率,通过训练好的动态产能监测模型对采集的生产动态监测数据进行处理得到对应的产量预测数据。
根据本发明实施例,所述根据所述生产动态监测数据进行处理获得生产环变干扰因子,具体为:
根据生产物料的所述配比配料数据结合生产环控数据以及外部温湿度数据进行环境干扰计算处理,获得环变干扰因子;
所述环变干扰因子的计算公式为:
;
其中,为环变干扰因子,为车间温湿度数据,为设备在制温度数据,为产出口温检数据,为外部温湿度数据,为配比配料数据,、、、、为预设特征系数(特征系数通过生产信息监测网平台查询获得)。
需要说明的是,为提高物料生产的产量预测数据的准确性,需对预测数据结果影响作用较大的环境变化参数进行考量,通过环境变化的干扰因子对预测的产量数据进行修正处理,使产量数据的预测纳入环境变化特别是温度变化的影响因素,提高产量数据的预测的准确性,通过物料生产的配比配料数据结合生产环控数据以及外部温湿度数据进行处理,获得环变干扰因子。
根据本发明实施例,所述根据所述生产环变干扰因子结合第一预生产时间段内的环境预测数据对所述产量预测数据进行修正处理,获得产量预测修正数据,具体为:
获取第一预生产时间段内的天气预测信息,并根据天气预测信息获取对应时间段的预测温湿度数据;
根据所述预测温湿度数据与所述历史生产监测数据样本集中的外部温湿度数据样本进行相似度对比,获取符合相似度要求的对应历史生产监测数据目标样本;
根据所述历史生产监测数据目标样本中的车间温湿度数据以及外部温湿度数据作为所述第一预生产时间段内的环境预测数据;
根据所述环境预测数据结合所述生产环变干扰因子对所述产量预测数据进行修正处理,获得产量预测修正数据。
需要说明的是,由于内外温度对物料生产影响较大,为获得精准产量预测数据,需获得产量预测时期的精准天气环境温度数据,为获取精准的车间温湿度数据和外部温湿度数据,根据天气预测信息中的预测温湿度数据与物料在同样历史生产监测数据样本中的温度相关数据作为对应的第一预设时间段内的环境预测数据,即根据得到的第一预生产时间段内的预测温湿度数据与物料生产对应的历史生产监测数据样本集中的外部温湿度数据样本进行相似度对比,并获取最大相似度的对应历史生产监测数据目标样本,将该样本中的车间温湿度数据和外部温湿度数据作为未来第一预生产时间段内的环境预测数据,再结合生产环变干扰因子对得到的产量预测数据进行修正处理,以获得经过温度相关数据和干扰因子修正的产量数据,提高对预测数据处理的准确性;
其中,所述产量预测修正数据的修正计算公式为:
;
其中,为产量预测修正数据,为产量预测数据,为环变干扰因子,为车间温湿度数据,为外部温湿度数据,、为预设特征系数。
根据本发明实施例,所述获取实际生产后所述第一预生产时间段内的实际产能数据,并与所述产量预测修正数据进行差值处理获得实际产差数据,具体为:
获取所述第一预生产时间段进行实际生产后的实际产能数据;
根据所述产量预测修正数据与所述实际产能数据进行作差处理,获得实际产差数据。
需要说明的是,为评估所预测的产量数据与实际产量之间的偏差度,再通过对偏差度的对比评估验证所预测的产量数据的准确性,需获得在第一预生产时间段的实际产能数据,再与产量预测修正数据进行作差,获得实际产差数据,再根据该实际产差数据进行对比验证产量数据预测的准确度。
根据本发明实施例,还包括:
若实际产差数据不符合阈值对比要求,则通过所述生产信息监测网平台获取所述第一预生产时间段内的设备运行状态参数;
根据所述设备运行状态参数获取对应时间段内的设备运行波动系数;
根据所述设备运行波动系数结合所述环变干扰因子对所述产量预测修正数据进行加权,获得产量预测加权数据;
根据所述产量预测加权数据与所述实际产能数据进行作差处理获得产差校正数据;
根据所述产差校正数据与所述产量差阈值进行阈值对比,判断校正后的的产量预测的准确性。
需要说明的是,若实际产差数据不符合阈值对比要求,即反映出产差数据过大,说明实际产量数据和预测的产量数据差距较大,则存在由于设备运行波动或异常导致实际产量远低于预测产量,则需根据设备的性能对预测的产量数据进行调整,首先根据设备运行状态参数获取对应时间段内的设备运行波动系数,再根据设备运行波动系数结合环变干扰因子对预测的产量预测修正数据进行加权修正,获得产量预测加权数据,后再根据产量预测加权数据与实际产能数据进行作差处理,再根据作差处理的产差校正数据与产量差阈值进行阈值对比,判断校正后的的产量预测的准确性,进而实现根据设备运行波动状态对预测产量进行调整的功能;
其中,所述产量预测加权数据的计算公式为:
;
其中,为产量预测加权数据,为产量预测修正数据,为环变干扰因子,为设备运行波动系数,为预设特征系数。
如图4所示,本发明还公开了基于大数据的环境干扰的产量预测***4,包括存储器41和处理器42,所述存储器中包括基于大数据的环境干扰的产量预测方法程序,所述基于大数据的环境干扰的产量预测方法程序被所述处理器执行时实现如下步骤:
采集生产线的生产监测特征信息和生产环控信息以及环境监测信息,并提取生产动态监测数据;
根据所述生产动态监测数据生成生产环控监测特征图谱;
根据所述生产环控监测特征图谱获取动态产能监测模型,并将所述生产动态监测数据通过所述动态产能监测模型进行处理获得产量预测数据;
根据所述生产动态监测数据进行处理获得生产环变干扰因子;
根据所述生产环变干扰因子结合第一预生产时间段内的环境预测数据对所述产量预测数据进行修正处理,获得产量预测修正数据;
获取实际生产后所述第一预生产时间段内的实际产能数据,并与所述产量预测修正数据进行差值处理获得实际产差数据;
根据所述实际产差数据与预设的产量差阈值进行阈值对比,判断在环境干扰下的产量预测的准确性。
需要说明的是,为获得可根据生产物料、环境等要素进行产量预测并进行实际产量对比验证的环变干扰下的产量预测技术,需采集生产线的生产监测数据、环境控制数据以及主体环境监测数据,再根据生产要素的各项数据形成数据关系链并生成生产环控监测特征图谱,再通过特征图谱处理获得的训练好的动态产能监测模型对动态获取的数据进行处理获得产量预测数据,后再根据生产、环境的监测数据获得对生产产量干扰程度的评估因子,根据生产环变干扰因子对产量预测数据进行修正,最后再根据实际生产的产能数据与预测数据产量数据进行作差并根据产差数据进行阈值对比,判断得到的产量预测数据的准确性,根据生产监测特征数据和生产环控数据在生产信息监测网平台中获得与生产物料对应的预设的产量差阈值,再根据实际产差数据与产量差阈值进行阈值对比,若实际产差数据小于产量差阈值的阈值对比要求,则说明在环境干扰下对产量的预测准确,产量预测修正数据有效,否则,若实际产差数据大于产量差阈值的阈值对比要求,则说明产量预测不准确,产量预测修正数据无效,需重新对产量干扰因子或预测的产量数据进行修正。
根据本发明实施例,所述采集生产线的生产监测特征信息和生产环控信息以及环境监测信息,并提取生产动态监测数据,具体为:
通过预设的生产信息监测网平台采集生产线的生产监测特征信息和生产环控信息以及环境监测信息;
所述生产监测特征信息包括生产物料种属信息、配比配料信息、物料投放信息;
所述生产环控信息包括车间温湿度信息、设备在制温度信息、产出口温检信息;
所述环境监测信息包括外部温湿度信息、季节时间信息;
根据所述生产监测特征信息、生产环控信息、环境监测信息提取对应的生产监测特征数据、生产环控数据、环境监测数据;
根据所述生产监测特征数据、生产环控数据、环境监测数据合成生产动态监测数据。
需要说明的是,为获得环境状况对生产产量的预测评估,首先需获得有关联影响的生产相关数据和环境相关数据,通过预设的生产信息监测网平台采集生产线的生产监测特征信息、生产环控信息以及环境监测信息,该平台是对生产过程进行信息要素监测并采集的预设平台,获得的生产监测特征信息包括所生产物料的物料种类、属性信息,反映生产的物料类型如有机物粉末物料、无机物颗粒物料等以及物料属性如防潮性、挥发性、稳定性等,以及物料配比、配料的信息如配比原料和配比系数,物料投放信息反映物料的投入生产线的情况信息,生产环控信息包括车间室内的温湿度信息、设备生产过程中的加工作业温度信息以及加工物料设备产出口的温度检测信息,环境监测信息包括外部大气的温湿度信息和时段所处的季节时间信息,再根据信息提取对应的数据,根据生产监测特征数据、生产环控数据、环境监测数据合成为生产动态监测数据。
根据本发明实施例,所述根据所述生产动态监测数据生成生产环控监测特征图谱,具体为:
所述生产监测特征数据包括生产物料种属数据、配比配料数据、物料投放数据;
所述生产环控数据包括车间温湿度数据、设备在制温度数据、产出口温检数据;
所述环境监测数据包括外部温湿度数据、季节时间数据;
通过所述生产信息监测网平台获取生产特征数据融合模型;
基于所述生产特征数据融合模型对所述生产监测特征数据和生产环控数据以及环境监测数据进行数据关联链接,生成多数据融合的生产环控监测特征图谱。
需要说明的是,根据监测的生产和环境相关数据通过生产特征数据融合模型进行数据融合和关联链接,生成生产环控监测特征图谱,该特征图谱反映生产线动态生产过程中的物料类别、配比配料、投放量以及车间温湿度、设备温度、出口温度、外部温湿度的生产要素动态关系和数据链接,通过生产信息监测网平台获得的生产特征数据融合模型对各项数据进行关联和融合。
根据本发明实施例,所述根据所述生产环控监测特征图谱获取动态产能监测模型,并将所述生产动态监测数据通过所述动态产能监测模型进行处理获得产量预测数据,具体为:
通过所述生产环控监测特征图谱获取对应的初始动态产能监测模型;
通过所述生产信息监测网平台获取生产物料对应的历史生产监测数据样本集,所述历史生产监测数据样本集包括多个生产监测数据样本,包括生产监测特征数据样本、生产环控数据样本、环境监测数据样本以及产量数据样本;
将所述历史生产监测数据样本集输入所述初始动态产能监测模型中训练获得动态产能监测模型;
将所述生产动态监测数据输入所述动态产能监测模型进行处理,获得产量预测数据。
需要说明的是,为实现通过获取的生产、环境的监测数据预测出对应物料在生产线环境下的产量预测数据,需获得对产量数据进行可模拟输出的数据处理模型,通过生成的生产环控监测特征图谱的数据间关联获取物料生产相对应的初始动态产能监测模型,该模型是基于物料的生产关系在生产所处环境作用下的预测产量的关系逻辑模型,后需根据大量历史数据样本对该初始化模型进行数据训练以提高模型的数据处理准确率,通过生产信息监测网平台获取该生产物料对应的历史生产监测数据样本集,该历史生产监测数据样本集中包括多个已完成生产的生产监测数据样本,其中包括生产监测特征数据样本、生产环控数据样本、环境监测数据样本以及产量数据样本,每一组样本数据均反映了在历史环境条件下对物料配比生产包括投入和产出的相关实际数据,根据大量的历史实际数据输入该初始的模型中进行训练,可提高该动态产能监测模型的数据处理的准确率,通过训练好的动态产能监测模型对采集的生产动态监测数据进行处理得到对应的产量预测数据。
根据本发明实施例,所述根据所述生产动态监测数据进行处理获得生产环变干扰因子,具体为:
根据生产物料的所述配比配料数据结合生产环控数据以及外部温湿度数据进行环境干扰计算处理,获得环变干扰因子;
所述环变干扰因子的计算公式为:
;
其中,为环变干扰因子,为车间温湿度数据,为设备在制温度数据,为产出口温检数据,为外部温湿度数据,为配比配料数据,、、、、为预设特征系数(特征系数通过生产信息监测网平台查询获得)。
需要说明的是,为提高物料生产的产量预测数据的准确性,需对预测数据结果影响作用较大的环境变化参数进行考量,通过环境变化的干扰因子对预测的产量数据进行修正处理,使产量数据的预测纳入环境变化特别是温度变化的影响因素,提高产量数据的预测的准确性,通过物料生产的配比配料数据结合生产环控数据以及外部温湿度数据进行处理,获得环变干扰因子。
根据本发明实施例,所述根据所述生产环变干扰因子结合第一预生产时间段内的环境预测数据对所述产量预测数据进行修正处理,获得产量预测修正数据,具体为:
获取第一预生产时间段内的天气预测信息,并根据天气预测信息获取对应时间段的预测温湿度数据;
根据所述预测温湿度数据与所述历史生产监测数据样本集中的外部温湿度数据样本进行相似度对比,获取符合相似度要求的对应历史生产监测数据目标样本;
根据所述历史生产监测数据目标样本中的车间温湿度数据以及外部温湿度数据作为所述第一预生产时间段内的环境预测数据;
根据所述环境预测数据结合所述生产环变干扰因子对所述产量预测数据进行修正处理,获得产量预测修正数据。
需要说明的是,由于内外温度对物料生产影响较大,为获得精准产量预测数据,需获得产量预测时期的精准天气环境温度数据,为获取精准的车间温湿度数据和外部温湿度数据,根据天气预测信息中的预测温湿度数据与物料在同样历史生产监测数据样本中的温度相关数据作为对应的第一预设时间段内的环境预测数据,即根据得到的第一预生产时间段内的预测温湿度数据与物料生产对应的历史生产监测数据样本集中的外部温湿度数据样本进行相似度对比,并获取最大相似度的对应历史生产监测数据目标样本,将该样本中的车间温湿度数据和外部温湿度数据作为未来第一预生产时间段内的环境预测数据,再结合生产环变干扰因子对得到的产量预测数据进行修正处理,以获得经过温度相关数据和干扰因子修正的产量数据,提高对预测数据处理的准确性;
其中,所述产量预测修正数据的修正计算公式为:
;
其中,为产量预测修正数据,为产量预测数据,为环变干扰因子,为车间温湿度数据,为外部温湿度数据,、为预设特征系数。
根据本发明实施例,所述获取实际生产后所述第一预生产时间段内的实际产能数据,并与所述产量预测修正数据进行差值处理获得实际产差数据,具体为:
获取所述第一预生产时间段进行实际生产后的实际产能数据;
根据所述产量预测修正数据与所述实际产能数据进行作差处理,获得实际产差数据。
需要说明的是,为评估所预测的产量数据与实际产量之间的偏差度,再通过对偏差度的对比评估验证所预测的产量数据的准确性,需获得在第一预生产时间段的实际产能数据,再与产量预测修正数据进行作差,获得实际产差数据,再根据该实际产差数据进行对比验证产量数据预测的准确度。
根据本发明实施例,还包括:
若实际产差数据不符合阈值对比要求,则通过所述生产信息监测网平台获取所述第一预生产时间段内的设备运行状态参数;
根据所述设备运行状态参数获取对应时间段内的设备运行波动系数;
根据所述设备运行波动系数结合所述环变干扰因子对所述产量预测修正数据进行加权,获得产量预测加权数据;
根据所述产量预测加权数据与所述实际产能数据进行作差处理获得产差校正数据;
根据所述产差校正数据与所述产量差阈值进行阈值对比,判断校正后的的产量预测的准确性。
需要说明的是,若实际产差数据不符合阈值对比要求,即反映出产差数据过大,说明实际产量数据和预测的产量数据差距较大,则存在由于设备运行波动或异常导致实际产量远低于预测产量,则需根据设备的性能对预测的产量数据进行调整,首先根据设备运行状态参数获取对应时间段内的设备运行波动系数,再根据设备运行波动系数结合环变干扰因子对预测的产量预测修正数据进行加权修正,获得产量预测加权数据,后再根据产量预测加权数据与实际产能数据进行作差处理,再根据作差处理的产差校正数据与产量差阈值进行阈值对比,判断校正后的的产量预测的准确性,进而实现根据设备运行波动状态对预测产量进行调整的功能;
其中,所述产量预测加权数据的计算公式为:
;
其中,为产量预测加权数据,为产量预测修正数据,为环变干扰因子,为设备运行波动系数,为预设特征系数。
本发明第三方面提供了可读存储介质,所述可读存储介质中包括基于大数据的环境干扰的产量预测方法程序,所述基于大数据的环境干扰的产量预测方法程序被处理器执行时,实现如上述任一项所述的基于大数据的环境干扰的产量预测方法的步骤。
本发明公开的基于大数据的环境干扰的产量预测方法、***和介质,通过采集生产监测特征信息、生产环控信息、环境监测信息并提取生产动态监测数据生成生产环控监测特征图谱,通过动态产能监测模型对生产动态监测数据进行处理获得产量预测数据,并根据生产动态监测数据处理获得生产环变干扰因子,根据生产环变干扰因子结合环境预测数据对产量预测数据进行修正处理获得产量预测修正数据,再获取实际产能数据与产量预测修正数据进行差值处理获得实际产差数据,与产量差阈值进行阈值对比判断产量预测的准确性;从而根据特征图谱和模型对环境数据进行处理获得干扰因子再对产量预测进行修正,并根据预测和实际产量对比检验预测产能的准确性,实现通过生产和环境信息进行干扰修正处理并预测产能和验证的大数据处理技术。
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。
Claims (10)
1.基于大数据的环境干扰的产量预测方法,其特征在于,包括以下步骤:
采集生产线的生产监测特征信息和生产环控信息以及环境监测信息,并提取生产动态监测数据;
根据所述生产动态监测数据生成生产环控监测特征图谱;
根据所述生产环控监测特征图谱获取动态产能监测模型,并将所述生产动态监测数据通过所述动态产能监测模型进行处理获得产量预测数据;
根据所述生产动态监测数据进行处理获得生产环变干扰因子;
根据所述生产环变干扰因子结合第一预生产时间段内的环境预测数据对所述产量预测数据进行修正处理,获得产量预测修正数据;
获取实际生产后所述第一预生产时间段内的实际产能数据,并与所述产量预测修正数据进行差值处理获得实际产差数据;
根据所述实际产差数据与预设的产量差阈值进行阈值对比,判断在环境干扰下的产量预测的准确性。
2.根据权利要求1所述的基于大数据的环境干扰的产量预测方法,其特征在于,所述采集生产线的生产监测特征信息和生产环控信息以及环境监测信息,并提取生产动态监测数据,包括:
通过预设的生产信息监测网平台采集生产线的生产监测特征信息和生产环控信息以及环境监测信息;
所述生产监测特征信息包括生产物料种属信息、配比配料信息、物料投放信息;
所述生产环控信息包括车间温湿度信息、设备在制温度信息、产出口温检信息;
所述环境监测信息包括外部温湿度信息、季节时间信息;
根据所述生产监测特征信息、生产环控信息、环境监测信息提取对应的生产监测特征数据、生产环控数据、环境监测数据;
根据所述生产监测特征数据、生产环控数据、环境监测数据合成生产动态监测数据。
3.根据权利要求2所述的基于大数据的环境干扰的产量预测方法,其特征在于,所述根据所述生产动态监测数据生成生产环控监测特征图谱,包括:
所述生产监测特征数据包括生产物料种属数据、配比配料数据、物料投放数据;
所述生产环控数据包括车间温湿度数据、设备在制温度数据、产出口温检数据;
所述环境监测数据包括外部温湿度数据、季节时间数据;
通过所述生产信息监测网平台获取生产特征数据融合模型;
基于所述生产特征数据融合模型对所述生产监测特征数据和生产环控数据以及环境监测数据进行数据关联链接,生成多数据融合的生产环控监测特征图谱。
4.根据权利要求3所述的基于大数据的环境干扰的产量预测方法,其特征在于,所述根据所述生产环控监测特征图谱获取动态产能监测模型,并将所述生产动态监测数据通过所述动态产能监测模型进行处理获得产量预测数据,包括:
通过所述生产环控监测特征图谱获取对应的初始动态产能监测模型;
通过所述生产信息监测网平台获取生产物料对应的历史生产监测数据样本集,所述历史生产监测数据样本集包括多个生产监测数据样本,包括生产监测特征数据样本、生产环控数据样本、环境监测数据样本以及产量数据样本;
将所述历史生产监测数据样本集输入所述初始动态产能监测模型中训练获得动态产能监测模型;
将所述生产动态监测数据输入所述动态产能监测模型进行处理,获得产量预测数据。
5.根据权利要求4所述的基于大数据的环境干扰的产量预测方法,其特征在于,所述根据所述生产动态监测数据进行处理获得生产环变干扰因子,包括:
根据生产物料的所述配比配料数据结合生产环控数据以及外部温湿度数据进行环境干扰计算处理,获得环变干扰因子;
所述环变干扰因子的计算公式为:
;
其中,为环变干扰因子,为车间温湿度数据,为设备在制温度数据,为产出口温检数据,为外部温湿度数据,为配比配料数据,、、、、为预设特征系数。
6.根据权利要求5所述的基于大数据的环境干扰的产量预测方法,其特征在于,所述根据所述生产环变干扰因子结合第一预生产时间段内的环境预测数据对所述产量预测数据进行修正处理,获得产量预测修正数据,包括:
获取第一预生产时间段内的天气预测信息,并根据天气预测信息获取对应时间段的预测温湿度数据;
根据所述预测温湿度数据与所述历史生产监测数据样本集中的外部温湿度数据样本进行相似度对比,获取符合相似度要求的对应历史生产监测数据目标样本;
根据所述历史生产监测数据目标样本中的车间温湿度数据以及外部温湿度数据作为所述第一预生产时间段内的环境预测数据;
根据所述环境预测数据结合所述生产环变干扰因子对所述产量预测数据进行修正处理,获得产量预测修正数据。
7.根据权利要求6所述的基于大数据的环境干扰的产量预测方法,其特征在于,所述获取实际生产后所述第一预生产时间段内的实际产能数据,并与所述产量预测修正数据进行差值处理获得实际产差数据,包括:
获取所述第一预生产时间段进行实际生产后的实际产能数据;
根据所述产量预测修正数据与所述实际产能数据进行作差处理,获得实际产差数据。
8.基于大数据的环境干扰的产量预测***,其特征在于,该***包括:存储器及处理器,所述存储器中包括基于大数据的环境干扰的产量预测方法的程序,所述基于大数据的环境干扰的产量预测方法的程序被所述处理器执行时实现以下步骤:
采集生产线的生产监测特征信息和生产环控信息以及环境监测信息,并提取生产动态监测数据;
根据所述生产动态监测数据生成生产环控监测特征图谱;
根据所述生产环控监测特征图谱获取动态产能监测模型,并将所述生产动态监测数据通过所述动态产能监测模型进行处理获得产量预测数据;
根据所述生产动态监测数据进行处理获得生产环变干扰因子;
根据所述生产环变干扰因子结合第一预生产时间段内的环境预测数据对所述产量预测数据进行修正处理,获得产量预测修正数据;
获取实际生产后所述第一预生产时间段内的实际产能数据,并与所述产量预测修正数据进行差值处理获得实际产差数据;
根据所述实际产差数据与预设的产量差阈值进行阈值对比,判断在环境干扰下的产量预测的准确性。
9.根据权利要求8所述的基于大数据的环境干扰的产量预测***,其特征在于,所述采集生产线的生产监测特征信息和生产环控信息以及环境监测信息,并提取生产动态监测数据,包括:
通过预设的生产信息监测网平台采集生产线的生产监测特征信息和生产环控信息以及环境监测信息;
所述生产监测特征信息包括生产物料种属信息、配比配料信息、物料投放信息;
所述生产环控信息包括车间温湿度信息、设备在制温度信息、产出口温检信息;
所述环境监测信息包括外部温湿度信息、季节时间信息;
根据所述生产监测特征信息、生产环控信息、环境监测信息提取对应的生产监测特征数据、生产环控数据、环境监测数据;
根据所述生产监测特征数据、生产环控数据、环境监测数据合成生产动态监测数据。
10.计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括基于大数据的环境干扰的产量预测方法程序,所述基于大数据的环境干扰的产量预测方法程序被处理器执行时,实现如权利要求1至7中任一项所述的基于大数据的环境干扰的产量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310135557.5A CN115936262B (zh) | 2023-02-20 | 2023-02-20 | 基于大数据的环境干扰的产量预测方法、***和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310135557.5A CN115936262B (zh) | 2023-02-20 | 2023-02-20 | 基于大数据的环境干扰的产量预测方法、***和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115936262A true CN115936262A (zh) | 2023-04-07 |
CN115936262B CN115936262B (zh) | 2023-06-16 |
Family
ID=86701086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310135557.5A Active CN115936262B (zh) | 2023-02-20 | 2023-02-20 | 基于大数据的环境干扰的产量预测方法、***和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115936262B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452243A (zh) * | 2023-05-11 | 2023-07-18 | 长沙麦可思信息科技有限公司 | 一种基于大数据的企业订单预测方法、***及介质 |
CN116596141A (zh) * | 2023-05-18 | 2023-08-15 | 淮阴工学院 | 一种基于物联网与多模型耦合的板蓝根产量预测*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090326695A1 (en) * | 2008-06-30 | 2009-12-31 | Rockwell Automation Technologies, Inc. | Throughput/yield optimized model predictive control |
JP2020171217A (ja) * | 2019-04-09 | 2020-10-22 | 株式会社セラク | 収穫量予測方法、装置およびプログラム |
CN111950784A (zh) * | 2020-08-04 | 2020-11-17 | 广东工业大学 | 一种融合注意力机制的产能预测方法 |
CN113792944A (zh) * | 2021-11-16 | 2021-12-14 | 深圳普菲特信息科技股份有限公司 | 一种预测性维护方法及*** |
CN114284589A (zh) * | 2022-03-01 | 2022-04-05 | 深圳市海雷新能源有限公司 | 一种基于互联网的锂电池智能监测管理*** |
CN114493049A (zh) * | 2022-04-07 | 2022-05-13 | 卡奥斯工业智能研究院(青岛)有限公司 | 基于数字孪生的产线优化方法、装置、电子设备及介质 |
CN115115126A (zh) * | 2022-07-14 | 2022-09-27 | 复旦大学 | 基于知识图谱的农作物灾害损失及产量预测***及方法 |
-
2023
- 2023-02-20 CN CN202310135557.5A patent/CN115936262B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090326695A1 (en) * | 2008-06-30 | 2009-12-31 | Rockwell Automation Technologies, Inc. | Throughput/yield optimized model predictive control |
JP2020171217A (ja) * | 2019-04-09 | 2020-10-22 | 株式会社セラク | 収穫量予測方法、装置およびプログラム |
CN111950784A (zh) * | 2020-08-04 | 2020-11-17 | 广东工业大学 | 一种融合注意力机制的产能预测方法 |
CN113792944A (zh) * | 2021-11-16 | 2021-12-14 | 深圳普菲特信息科技股份有限公司 | 一种预测性维护方法及*** |
CN114284589A (zh) * | 2022-03-01 | 2022-04-05 | 深圳市海雷新能源有限公司 | 一种基于互联网的锂电池智能监测管理*** |
CN114493049A (zh) * | 2022-04-07 | 2022-05-13 | 卡奥斯工业智能研究院(青岛)有限公司 | 基于数字孪生的产线优化方法、装置、电子设备及介质 |
CN115115126A (zh) * | 2022-07-14 | 2022-09-27 | 复旦大学 | 基于知识图谱的农作物灾害损失及产量预测***及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452243A (zh) * | 2023-05-11 | 2023-07-18 | 长沙麦可思信息科技有限公司 | 一种基于大数据的企业订单预测方法、***及介质 |
CN116452243B (zh) * | 2023-05-11 | 2023-08-29 | 长沙麦可思信息科技有限公司 | 一种基于大数据的企业订单预测方法、***及介质 |
CN116596141A (zh) * | 2023-05-18 | 2023-08-15 | 淮阴工学院 | 一种基于物联网与多模型耦合的板蓝根产量预测*** |
CN116596141B (zh) * | 2023-05-18 | 2024-01-19 | 淮阴工学院 | 一种基于物联网与多模型耦合的板蓝根产量预测*** |
Also Published As
Publication number | Publication date |
---|---|
CN115936262B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115936262A (zh) | 基于大数据的环境干扰的产量预测方法、***和介质 | |
CN110223196B (zh) | 基于典型行业特征库和反窃电样本库的反窃电分析方法 | |
CN111210024B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和*** | |
CN111307194B (zh) | 基于北斗的环境设备检测方法、装置、设备及存储介质 | |
JP2019121162A (ja) | 監視装置、監視方法および監視プログラム | |
CN106845728B (zh) | 一种电力变压器缺陷的预测方法及装置 | |
CN113868953B (zh) | 工业***中多机组运行优化方法、装置、***及存储介质 | |
CN112506757A (zh) | 自动测试方法、***、计算机设备及其介质 | |
CN113935512A (zh) | 风电功率预测方法、装置、计算机设备和存储介质 | |
CN111680712B (zh) | 基于日内相似时刻的变压器油温预测方法、装置及*** | |
CN115204536A (zh) | 楼宇设备故障预测方法、装置、设备及存储介质 | |
CN115511398A (zh) | 一种基于时间敏感网络的焊接质量智能检测方法及*** | |
CN116523181A (zh) | 一种基于大数据的智慧绿色能源监测分析方法及*** | |
CN117112336B (zh) | 智能通信设备异常检测方法、设备、存储介质及装置 | |
CN110956331A (zh) | 数字工厂运营状态预测方法、***、装置 | |
CN101142559B (zh) | 对计算机控制的处理进行监视的方法与*** | |
CN117592656A (zh) | 基于碳数据核算的碳足迹监控方法及*** | |
CN107506824B (zh) | 一种配电网的不良观测数据检测方法及装置 | |
CN115964214A (zh) | 一种多终端零代码智能软件开发平台 | |
CN113671287B (zh) | 电网自动化终端智能检测方法、***和可读存储介质 | |
CN115454466A (zh) | 机器学习模型自动更新的方法、装置、设备和介质 | |
CN113627755A (zh) | 智能终端工厂的测试方法、装置、设备及存储介质 | |
CN114595746A (zh) | 配电网故障原因的分类方法、装置、设备及存储介质 | |
CN113837486A (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 |
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 | ||
CB02 | Change of applicant information |
Address after: Room 402, Building 8, Xinyi Lingyu R&D Center, No. 26 Honglang North 2nd Road, Xingdong Community, Xin'an Street, Bao'an District, Shenzhen City, Guangdong Province, 518101 Applicant after: Shenzhen pfiter Information Technology Co.,Ltd. Address before: 518101 1901, Building 1, COFCO Chuangxin R&D Center, 69 District, Xingdong Community, Xin'an Street, Bao'an District, Shenzhen, Guangdong Applicant before: Shenzhen pfiter Information Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |