CN116796929A - 一种基于混合产线模型的智能动态瓶颈检测方法及*** - Google Patents

Abstract

本发明公开了一种基于混合产线模型的智能动态瓶颈检测方法及***，该方法包括：从关系数据库中采集工单的工单信息，并通过联表查询获取关联的工序信息及其对应的设备信息，以构建混合产线模型；确定当前处于生产状态的工单及关联的生产信息；获取所有设备的运行状态及持续时间；根据设备的运行状态及持续时间计算出活跃周期；根据活跃周期定位生产线中的瞬时瓶颈。本发明能够在以生产线构成的工厂中根据各个工序及对应设备的运行状态和产能情况，对整个生产线的瓶颈进行迅速精准的定位，支持瞬时的瓶颈检测，且对瓶颈转移有较高的准确识别度，以帮助企业更好地识别当前生产配置中存在的问题，有利于提高***整体吞吐量，解决效率低下的问题。

Description

一种基于混合产线模型的智能动态瓶颈检测方法及***

技术领域

本发明涉及制造业生产管理技术领域，尤其涉及一种基于混合产线模型的智能动态瓶颈检测方法及***。

背景技术

在制造业中，为了追求以更少的成本生产更多的产品，提高吞吐量迫在眉睫。因此，吞吐量的提高一直是一项基本挑战。根据木桶定律，整个制造***的吞吐量受限于性能最低下的工序，即所有制造***都会受到一个或多个瓶颈的约束。因而对瓶颈的改善将会带来整个***的性能提升，进而提高吞吐量。为此，准确地检测瓶颈并进行针对性的优化是提高吞吐量最有效的方法之一。

目前，我国的制造业在瓶颈检测方面仍处于较为原始的阶段，大多凭借生产管理人员的经验或是根据生产数据进行直觉性的判断，并没有充分利用大数据的优势。另外，现有的一些瓶颈检测方法多数存在准确率不高、无法检测出瓶颈的变化、效率低下等问题。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于混合产线模型的智能动态瓶颈检测方法及***。

本发明的目的是通过以下技术方案来实现的：本发明实施例第一方面提供了一种基于混合产线模型的智能动态瓶颈检测方法，包括以下步骤：

(1)从当前制造企业生产过程执行***关联的关系数据库中采集工单的工单信息，并通过联表查询获取关联的工序信息及其对应的设备信息，以构建混合产线模型；

(2)确定当前处于生产状态的工单，通过混合产线模型获取该工单涉及的设备；

(3)获取所述步骤(2)获取的所有设备的运行状态及其对应的持续时间；

(4)根据设备的运行状态及其对应的持续时间获取活跃周期，利用矩阵加速方法计算出活跃周期，并定位生产线中的瞬时瓶颈。

进一步地，所述工单信息包括产品名称、产品数量、订购日期和最晚交付日期。

进一步地，所述混合产线模型是用于描述工单及对应产品在生产线上的工作流程的知识图谱模型，所述混合产线模型包括节点元素和边元素；其中，所述节点元素用于描述实体，所述实体包括多个属性，所述边元素用于描述实体之间的关系。

进一步地，所述步骤(2)包括以下子步骤：

(2.1)获取当前处于生产状态的工单以及该工单的工单信息；

(2.2)根据工单信息通过混合产线模型获取产品信息，根据产品信息获取工艺路线信息，根据工艺路线信息获取工序信息，根据工序信息获取设备信息。

进一步地，所述设备信息包括设备ID、生产周期、设备利用率和不同时间戳的运行状态。

进一步地，所述步骤(3)包括以下子步骤：

(3.1)实时采集传感器数据以获取所述步骤(2)获取的设备所处的运行状态；

(3.2)根据设备的当前时间和最新运行状态对应数据的开始时间获取当前运行状态的持续时间。

进一步地，所述运行状态包括故障停机、正常运行、等待和未启动。

进一步地，所述根据设备的运行状态及其对应的持续时间获取活跃周期具体包括：当且仅当一个设备处于正在运行的运行状态时，将其称之为处于活跃状态，设备的活跃周期为该设备处于正在运行的运行状态的持续时间；当设备的运行状态不为正在运行时，该设备的活跃周期为零。

进一步地，所述利用矩阵加速方法计算出活跃周期，并定位生产线中的瞬时瓶颈具体包括：判断设备的运行状态是否为故障停机，若设备的运行状态为故障停机，则一定是生产线中的瓶颈；否则，利用矩阵加速方法对正常运行的持续时间进行累加以获取设备的活跃周期，并识别瓶颈。

本发明实施例第二方面提供了一种基于混合产线模型的智能动态瓶颈检测***，用于实现上述基于混合产线模型的智能动态瓶颈检测方法，所述瓶颈检测***包括：

混合产线模型自动构建模块，用于获取当前制造企业生产过程执行***关联的关系数据库中的工单信息、工序信息以及设备信息，以构建混合产线模型，并进行可视化展示；

图模型信息管理模块，用于完善混合产线模型，支持用户对混合产线模型信息进行新增、删除、修改和查询；和

动态瓶颈检测模块，用于对生产线的瓶颈进行检测，并将检测结果可视化。

与现有技术相比，本发明的有益效果是：

(1)本发明可以在生产线构成的工厂中根据各个工序及对应机器设备的运行状态和产能情况对整个生产线的瓶颈进行精准定位，支持单一产线和混合产线的场景，同时支持瞬时的瓶颈检测，且对瓶颈转移有较高的准确识别度，可以帮助企业更好地识别当前生产配置中存在的问题，解决效率低下的问题；

(2)本发明通过在制造业中使用混合产线模型，可以帮助企业优化生产流程，实现信息的聚合，方便进行生产追溯和订单关联；本发明通过可视化展示可以清晰地展示生产线上的各个工作站点、物料流向和工作流程，帮助企业管理者更好地掌握生产情况。

附图说明

图1为本发明的基于混合产线模型的智能动态瓶颈检测***的架构示意图；

图2为本发明的基于混合产线模型的智能动态瓶颈检测***的工作流程示意图；

图3为本发明的基于混合产线模型的智能动态瓶颈检测方法的基本流程示意图；

图4为本发明的基于混合产线模型的智能动态瓶颈检测方法的细化流程示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

参见图3，本发明的基于混合产线模型的智能动态瓶颈检测方法，具体包括以下步骤：

(1)从当前制造企业生产过程执行***(Manufacturing Execution System，MES)关联的关系数据库中采集工单的工单信息，并通过联表查询获取关联的工序信息及其对应的设备信息，以构建混合产线模型。

本实施例中，用户的所有生产制造数据初始是由MES***进行维护的。针对不同页面的数据展示需求与实际的生产逻辑建立了不同的数据库表进行数据的存储。这种数据存储方式在进行生产线追溯时具有很大的弊端。一方面，在数据量极大的情况下，追溯需要的联表查询性能将变得十分低下，导致查询的速度大大降低。另一方面，将数据以表格的形式进行展示也不够直观。因此，根据MES***关联的关系数据库中的已有数据构建一个混合产线模型，可以很直观的获取到所需的工单信息、工序信息等。

进一步地，工单信息包括产品名称、产品数量、订购日期和最晚交付日期等。

本实施例中，混合产线模型是一种将生产线和工单等相关信息进行集成的知识图谱，用于描述工单及对应产品在生产线上的工作流程。图模型包括节点元素和边元素。其中，节点用来描述实体，如工单、产品、工艺路线、工序、物料等。边用来描述关系，通过构成实体之间的连接来描述诸如组成、包含等关系。另外，每个实体都包含若干属性，用来对该实体的一些细节信息进行描述。其底层是以图数据库的方式进行存储，显著提高了关联查找时的效率。应当理解的是，初始化时先将构建混合产线模型所需要的数据从MES***的数据库中取出，耗时的联表查询只存在于这一步；混合产线模型反映了不同实体之间的关系对生产数据的映射关系。

(2)确定当前处于生产状态的工单，通过混合产线模型获取该工单涉及的设备。如此可以进行数据的初步筛选，方便后续步骤中详细信息的查找和提取；同时，当前步骤初筛后的结果也是后续步骤中可能成为瓶颈的待选项。

(2.1)获取当前处于生产状态的工单以及该工单的工单信息。

进一步地，处于生产状态的工单为当前工厂正在生产的工单。在实际应用中，工厂中有多笔未完成的积压工单的情况下，工单可以分为“正在处理”和“等待处理”两类。工厂当前正在进行的生产作业服务于正在处理的工单。由于工单的内容、设备的产能等因素各异，正在处理的工单可能只有一项，也可能会是多项。

进一步地，工单信息包括产品名称、产品数量、订购日期和最晚交付日期等。

(2.2)根据工单信息通过混合产线模型获取产品信息，根据产品信息获取工艺路线信息，根据工艺路线信息获取工序信息，根据工序信息获取设备信息。

具体地，确认正在生产的工单后，需要获取与之关联的生产信息。生产信息包括产品信息、产品对应的工艺路线信息、组成工艺路线的工序信息、每道工序涉及的设备信息等。根据工单信息通过混合产线模型可以方便地获取这些信息，如此便实现了将工单与具体的生产设备进行关联。

进一步地，设备信息包括设备ID、生产周期、设备利用率、不同时间戳的运行状态等。

另外，考虑到只有工厂的部分生产线符合本实施例的动态瓶颈检测需求，工单与生产设备的关联是必要的。若不做筛选而针对全体设备执行瓶颈检测流程，会导致不必要的计算资源浪费，增加检测时间。基于此，本实施例只会将经过该步骤筛选得到的设备作为瓶颈检测的待检测项。

(3)获取步骤(2)获取的所有设备的运行状态及其对应的持续时间。便于为后续步骤的瓶颈检测提供数据。

(3.1)实时采集传感器数据以获取步骤(2)获取的设备所处的运行状态。

进一步地，运行状态包括故障停机、正常运行、等待和未启动。

具体地，在实际应用中，设备上安装有智能传感器，每个设备会有对应的设备ID，实时采集步骤(2)获取的设备ID对应的设备上的传感器数据，即可得到这些设备所处的运行状态。当设备处于作业状态时，传感器会将其识别为正常运行状态；当设备未接电源或未开机时，传感器会将其识别为未启动状态；当设备在运行过程中遇到故障而不能正常作业时，传感器会将其识别为故障停机状态；当设备处于开机且未发生故障时，若因为下游的缓冲区已满或上游输入原材料为空而导致该设备无法进行正常作业，传感器会将其识别为等待状态。

(3.2)根据设备的当前时间和最新运行状态对应数据的开始时间获取当前运行状态的持续时间。

具体地，设备上安装的智能传感器会在设备的运行状态发生改变时自动产生一条新的运行状态记录。其中状态码字段标识了设备的当前运行状态，开始时间为当前时间戳。通过最新的运行状态记录可以判断出该设备的运行状态及该运行状态的持续时间。即设备当前运行状态的持续时间为当前时间和最新运行状态对应数据的开始时间之差。

(4)根据设备的运行状态及其对应的持续时间获取活跃周期，利用矩阵加速方法计算出活跃周期，并定位生产线中的瞬时瓶颈。

本实施例中，根据设备的运行状态及其对应的持续时间获取活跃周期具体包括：当且仅当一个设备处于正在运行的运行状态时，将其称之为处于活跃状态，设备的活跃周期为该设备处于正在运行的运行状态的持续时间；当设备的运行状态不为正在运行时，该设备的活跃周期为零。应当理解的是，活跃周期是瓶颈识别的重要指标。

具体地，活跃状态用来代指正常作业状态。在本实施例中，活跃状态相当于设备的运行状态为正常运行状态。活跃周期即代指处于活跃状态的设备的持续时间。

正如其原始的字面含义一样，生产线中的瓶颈用来代指生产线中限制其吞吐量增长、产能提高的部分，是整体中的关键制约因素。在制造业中，具体的瓶颈可能是某个工序、某个设备、甚至是某个运输流程。本发明实施例所述的瓶颈检测方法将瓶颈定位到设备级别，是粗粒度与细粒度的权衡。一方面，设备不像工序那样过于笼统、包含的细节太多；另一方面，设备也不像其余那些细粒度的因素那样难以进行数据追踪。

直观上，一个设备的活跃周期越长，便越有可能是生产线中的瓶颈。根据瓶颈的定义，瓶颈作为总产能的关键限制因素应该一直保持高利用状态。若一个设备处于等待状态，可以细分为饥饿和阻塞两个可能性。饥饿状态指设备因为上游原材料为空而无法进行作业。在饥饿状态下，生产线的瓶颈一定在该设备的上游，即因为上游的某道工序处理时间过长而导致“供不应求”。阻塞状态指设备因为下游的缓冲区满而无法继续作业。在阻塞状态下，生产线的瓶颈一定在该设备的下游，即因为下游的某道工序处理时间过长而导致“供大于求”。换言之，瓶颈应该始终处于忙碌状态。另外，当设备处于故障停机状态时，它会影响整个生产线的正常流转，这类设备也是生产线中的瓶颈。因此，可以根据计算出的设备的活跃周期进行瞬时瓶颈的识别。

本实施例中，利用矩阵加速方法计算出活跃周期，并定位生产线中的瞬时瓶颈具体包括：判断设备的运行状态是否为故障停机，若设备的运行状态为故障停机，则一定是生产线中的瓶颈；否则，利用矩阵加速方法对正常运行的持续时间进行累加以获取设备的活跃周期，并识别瓶颈。

具体地，当识别瞬时瓶颈时，判断设备的运行状态是否正常，若设备处于故障停机的运行状态，则一定是生产线中的瓶颈；当设备没有出现故障时，利用矩阵加速方法计算活跃周期，并根据其活跃周期的长短进行瓶颈的识别。针对正常状态的设备，其活跃周期越长，成为整个生产线中瓶颈的概率越大。针对非正常状态的设备(停机维护)，其一定是瓶颈。后一种情况易于理解，停机维护的设备相当于中断了生产线中的某个流程，因而会成为瓶颈。而对于前一种情况，若一个设备一直处于活动状态，则说明其一直保持着高利用率。当存在其他设备处于等待状态时，即可以推知该高利用率的设备的产能成为了限制整个生产线总吞吐量的瓶颈。通过简易有效的方法完成了对瞬时瓶颈的识别，从而完成了瓶颈检测，为生产线的优化提供了指导意义。

应当理解的是，由于不同设备的运行状态改变时间不同，记录的起止时间、时间间隔均不同，造成了指标的量度不统一。若固定时间间隔再进行数据的拆分、整合，将大大降低计算效率。

本实施例中，矩阵加速方法具体包括：矩阵行的数量对应进程的数量，列的数量对应时刻(时间戳)的数量。此时，设备的运行状态有正常运行、等待和未启动，利用0和1来标识进程是否处于活动状态，其中0表示处于正常运行的运行状态，1表示处于等待或未启动的运行状态。在量度不统一的情况下，采用数据点的方式对设备状态进行标识，若某一设备在某一时间点没有状态记录，则将其设备状态标识为距离该时间最近的状态记录(没有状态记录即表明状态没有发生变更)。在所有的数据处理工作准备完毕后，根据标识对持续时间进行累加，遇到0则累加和置空。而该累加和即为活跃周期。如此，对于任一时间点，只需要比较每个设备对应累加和的大小即可识别出瓶颈。累加和最大的即为该时间点的瞬时瓶颈。比起单独对时间量度不统一的不同设备计算活跃周期，将所有的计算流程统一到一个矩阵内部进行可以极好地利用numpy等科学计算库内置的算法进行计算加速，大大提高了计算速度和效率。

因此，通过矩阵加速方法将数据导入矩阵后利用矩阵变换实现快速的数据统一；通过矩阵优化，该瓶颈检测方法可以实现瞬时响应，具备实时性，提高了实用性，有助于提升瓶颈的定位效率，有效提高了生产效率。

需要说明的是，假设进行瓶颈检测的当前时间为t，在[t-Δt,t]时间段内拥有最长活跃周期的设备即为当前生产状态下的瓶颈。Δt的选取取决于具体的生产线特点，支持用户进行定制选择。

在另外一些实施例中，对本发明的基于混合产线模型的智能动态瓶颈检测方法的流程步骤进行了细化，如图4所示，具体包括如下步骤：

(1)根据时间筛选出当前处于生产状态的工单，并获取相关信息。

(2)根据工单信息获取产品使用的工艺路线，并获得执行各道工序的作业设备信息。

(3)获得作业设备的运行状态及对应的持续时间。

(4)利用矩阵加速方法对各个作业设备的状态及持续时间进行对齐和归一化，并计算出活跃周期。

(5)根据活跃周期识别瞬时瓶颈。

本发明可以在生产线构成的工厂中根据各个工序及对应机器设备的运行状态和产能情况对整个生产线的瓶颈进行精准定位，支持单一产线和混合产线的场景，同时支持瞬时的瓶颈检测，且对瓶颈转移有较高的准确识别度，可以帮助企业更好地识别当前生产配置中存在的问题，解决效率低下的问题；本发明通过在制造业中使用混合产线模型，可以帮助企业优化生产流程，实现信息的聚合，方便进行生产追溯和订单关联；本发明通过可视化展示可以清晰地展示生产线上的各个工作站点、物料流向和工作流程，帮助企业管理者更好地掌握生产情况。

值得一提的是，本发明还提供了一种基于混合产线模型的智能动态瓶颈检测***的实施例，用于实现上述实施例中的基于混合产线模型的智能动态瓶颈检测方法。

参见图1，该基于混合产线模型的智能动态瓶颈检测***包括混合产线模型自动构建模块、图模型信息管理模块和动态瓶颈检测模块。

本实施例中，混合产线模型自动构建模块用于获取当前MES***关联的关系数据库中的工单信息、工序信息以及设备信息等已有数据，构建混合产线模型，并进行可视化展示。

具体地，混合产线模型自动构建模块首先获取当前MES***关联的数据库中的工单信息，并通过联表查询获取关联的工序信息及其对应的设备信息；然后根据获取到的已有数据构建构建混合产线模型；最后将构建完成的混合产线模型可视化为力导向图，圆形节点为实体，连接节点的边为关系，进行可视化展示，这种可视化的形式可以将生产线上各个环节和物料以图形化的方式进行呈现，使得整个生产过程一目了然，方便企业管理者进行管理和监控。该混合产线模型自动构建模块可以基于已有数据自动构建混合产线模型。

本实施例中，图模型信息管理模块用于完善混合产线模型，支持用户对混合产线模型信息进行新增、删除、修改和查询。该图模型信息管理模块不仅支持根据已有信息构建生产线图模型，还支持用户进行增删改查，提高了瓶颈检测***的可扩展性。

具体地，新增信息：对于一些新的工单和对应的生产信息，除了可以在MES***上进行录入以外，也可以通过该瓶颈检测***进行信息的新增；删除信息：若存在一些错误信息或不需要的信息需要删除，也可以在该瓶颈检测***上进行操作，删除不必要的信息；修改信息：若存在信息或数据需要修改，或是需要进行产品工艺路线的变更、工序对应设备的变更等，该瓶颈检测***也支持相应操作；查询信息：该瓶颈检测***支持生产线的溯源和追踪，可以实现产品的全程追溯。另外，在进行动态瓶颈检测时，也可以对生产线进行针对性的过滤。

需要说明的是，在图模型信息管理模块中，新增、删除、修改操作都需要对应的管理员权限，而查询信息是没有权限限制的。

本实施例中，动态瓶颈检测模块用于对生产线的瓶颈进行检测，并将检测结果可视化。在可视化的力导向图中对瓶颈节点进行高亮展示，使用户能够直观感知到瓶颈节点的位置，并方便进行进一步的瓶颈原因溯源。

基于混合产线模型的智能动态瓶颈检测***的工作流程如图2所示，具体包括：首先瓶颈检测***初始化时会关联企业对应MES***中的数据库，并将数据传入混合产线模型自动构建模块，构建出当前状态下的混合产线模型，具体的状态信息将实时保持更新。主界面中对于混合产线模型进行可视化展示，并支持动态瓶颈检测功能，该功能由动态瓶颈检测模块实现。另外，混合产线模型还支持用户进行个性化定制，如新增信息、修改信息、删除信息等，所有修改也会同步到MES***的数据库中，该过程由图模型信息管理模块实现。

本发明实施例所述的瓶颈检测***不仅实现了瓶颈检测的功能，还支持与工单和生产线相关信息的整合，以可视化的形式进行直观展示，满足在以生产线构成的制造工厂中对整个生产线的瓶颈进行精准定位。混合产线模型的构建有两大作用：一方面，混合产线模型的构建将原本存储于关系型数据库中的数据转移到图数据库中，节省了联表查询的性能损耗和等待时间，也便于作业设备的筛选，加快瓶颈检测的速度；另一方面，混合产线模型的构建为可视化提供了直观的形式，便于进行生产线追溯。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于混合产线模型的智能动态瓶颈检测方法，其特征在于，包括以下步骤：

(1)从当前制造企业生产过程执行***关联的关系数据库中采集工单的工单信息，并通过联表查询获取关联的工序信息及其对应的设备信息，以构建混合产线模型；

(2)确定当前处于生产状态的工单，通过混合产线模型获取该工单涉及的设备；

(3)获取所述步骤(2)获取的所有设备的运行状态及其对应的持续时间；

(4)根据设备的运行状态及其对应的持续时间获取活跃周期，利用矩阵加速方法计算出活跃周期，并定位生产线中的瞬时瓶颈。

2.根据权利要求1所述的基于混合产线模型的智能动态瓶颈检测方法，其特征在于，所述工单信息包括产品名称、产品数量、订购日期和最晚交付日期。

3.根据权利要求1所述的基于混合产线模型的智能动态瓶颈检测方法，其特征在于，所述混合产线模型是用于描述工单及对应产品在生产线上的工作流程的知识图谱模型，所述混合产线模型包括节点元素和边元素；其中，所述节点元素用于描述实体，所述实体包括多个属性，所述边元素用于描述实体之间的关系。

4.根据权利要求1所述的基于混合产线模型的智能动态瓶颈检测方法，其特征在于，所述步骤(2)包括以下子步骤：

(2.1)获取当前处于生产状态的工单以及该工单的工单信息；

(2.2)根据工单信息通过混合产线模型获取产品信息，根据产品信息获取工艺路线信息，根据工艺路线信息获取工序信息，根据工序信息获取设备信息。

5.根据权利要求1或4所述的基于混合产线模型的智能动态瓶颈检测方法，其特征在于，所述设备信息包括设备ID、生产周期、设备利用率和不同时间戳的运行状态。

6.根据权利要求1所述的基于混合产线模型的智能动态瓶颈检测方法，其特征在于，所述步骤(3)包括以下子步骤：

(3.1)实时采集传感器数据以获取所述步骤(2)获取的设备所处的运行状态；

(3.2)根据设备的当前时间和最新运行状态对应数据的开始时间获取当前运行状态的持续时间。

7.根据权利要求1或6所述的基于混合产线模型的智能动态瓶颈检测方法，其特征在于，所述运行状态包括故障停机、正常运行、等待和未启动。

8.根据权利要求1所述的基于混合产线模型的智能动态瓶颈检测方法，其特征在于，所述根据设备的运行状态及其对应的持续时间获取活跃周期具体包括：当且仅当一个设备处于正在运行的运行状态时，将其称之为处于活跃状态，设备的活跃周期为该设备处于正在运行的运行状态的持续时间；当设备的运行状态不为正在运行时，该设备的活跃周期为零。

9.根据权利要求1所述的基于混合产线模型的智能动态瓶颈检测方法，其特征在于，所述利用矩阵加速方法计算出活跃周期，并定位生产线中的瞬时瓶颈具体包括：判断设备的运行状态是否为故障停机，若设备的运行状态为故障停机，则一定是生产线中的瓶颈；否则，利用矩阵加速方法对正常运行的持续时间进行累加以获取设备的活跃周期，并识别瓶颈。

10.一种基于混合产线模型的智能动态瓶颈检测***，用于实现权利要求1-9中任一项所述基于混合产线模型的智能动态瓶颈检测方法，其特征在于，所述瓶颈检测***包括：

混合产线模型自动构建模块，用于获取当前制造企业生产过程执行***关联的关系数据库中的工单信息、工序信息以及设备信息，以构建混合产线模型，并进行可视化展示；

图模型信息管理模块，用于完善混合产线模型，支持用户对混合产线模型信息进行新增、删除、修改和查询；和

动态瓶颈检测模块，用于对生产线的瓶颈进行检测，并将检测结果可视化。