CN117273980A - 基于数据分析的智慧工厂管理方法、***及存储介质 - Google Patents
基于数据分析的智慧工厂管理方法、***及存储介质 Download PDFInfo
- Publication number
- CN117273980A CN117273980A CN202311291953.3A CN202311291953A CN117273980A CN 117273980 A CN117273980 A CN 117273980A CN 202311291953 A CN202311291953 A CN 202311291953A CN 117273980 A CN117273980 A CN 117273980A
- Authority
- CN
- China
- Prior art keywords
- product
- products
- parameters
- defect
- production
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 41
- 238000007405 data analysis Methods 0.000 title claims abstract description 34
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000004519 manufacturing process Methods 0.000 claims abstract description 146
- 238000012545 processing Methods 0.000 claims abstract description 121
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000002159 abnormal effect Effects 0.000 claims abstract description 13
- 230000007547 defect Effects 0.000 claims description 252
- 239000002699 waste material Substances 0.000 claims description 48
- 238000012937 correction Methods 0.000 claims description 13
- 239000002994 raw material Substances 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000008439 repair process Effects 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- General Factory Administration (AREA)
Abstract
本发明提出了一种基于数据分析的智慧工厂管理方法、***及存储介质,包括以下步骤:获取订单信息,从订单信息中提取待客户需求的产品生产信息以及用户信息;根据产品生产信息从订单收据记录表中查询对应的记录,并结合用户信息生成对应的开工单;根据开工单对该生产订单进行配置加工设备;在产品生产过程中实时监控产品状态及产品加工设备状态,并对异常产品和产品加工设备的异常生产工艺进行修复。本技术方案通过数据分析对产品生产实时跟踪管理,极大程度提高了智慧工厂生产管理的效率,同时也保证了产品生产、交付时效,提升了用户体验。
Description
技术领域
本发明涉及工厂管理领域,特别是基于数据分析的智慧工厂管理方法、***及存储介质。
背景技术
智慧工厂中存在多个设备进行产品的生产,当用户下订单后,智慧工厂会根据用户的订单信息控制产品加工设备生产所需要的产品。由于用户下订单的订单信息和下订单的时间不一致,所以需要对产品的生产顺序、生产进度、生产数量等信息进行汇总分析。需要使用数据分析方法对智慧工厂内的加工设备进行管理,并提高智慧工厂的生产效率。
发明内容
本发明克服了现有技术的不足,提供了基于数据分析的智慧工厂管理方法、***及存储介质。
为达到上述目的,本发明采用的技术方案为:
本发明第一方面提供了基于数据分析的智慧工厂管理方法,包括以下步骤:
获取订单信息,并从所述订单信息中提取客户需求的产品生产信息以及用户信息;
获取产品开工单,并基于所述产品开工单,对产品加工设备的产品生产顺序进行配置;
获取产品表面缺陷参数和内部缺陷参数,并与产品压力参数结合分析,得到一类产品、二类产品及废品产品;
基于二类产品和废品产品的表面缺陷参数和内部缺陷参数,对二类产品进行缺陷检测及修复;
基于废品产品的表面缺陷参数和内部缺陷参数,对废品产品和产品加工设备进行缺陷溯源,并对产品加工设备进行缺陷修正。
进一步的,本发明的一个较佳实施例中,所述获取订单信息,并从所述订单信息中提取客户需求的产品生产信息以及用户信息,具体为:
获取订单信息,对所述订单信息进行数据清洗,识别所述订单信息中的缺失值、异常值和重复值;
使用插补法删除缺失值,使用标准差法对异常值进行判断并替换为合适值,合并重复的数据值,得到数据清洗后的订单信息;
对所述数据清洗后的订单信息进行数据标准化处理,得到标准化订单信息;
计算标准化订单信息中各种特征的协方差矩阵,并对所述协方差矩阵进行特征值串联,定义产品生产信息特征值和用户信息特征值;
以所述产品生产信息特征值和用户信息特征值为主成分,构建特征值排列序列,将所述标准化订单信息投射至所述特征值排列序列中,得到产品生产信息以及用户信息,所述产品生产信息包括产品数量及产品交付时间。
进一步的,本发明的一个较佳实施例中,所述获取产品开工单,并基于所述产品开工单,对产品加工设备的产品生产顺序进行配置,具体为:
构建工厂管理中心,所述工厂管理中心收录了订单收据记录表,基于所述订单收据记录表,获取订单收据时间;
将所述产品生产信息与订单收据时间结合,得到基于订单收据的产品生产信息,将所述基于订单收据的产品生产信息与用户信息结合,得到产品开工单;
将所述产品开工单导入工厂管理中心中,所述工厂管理中心通过物联网与产品加工设备连接,所述产品加工设备分析所述产品开工单,生成产品初步生产顺序;
获取工厂中的产品生产原料总数,将所述产品生产原料总数和产品生产信息导入神经网络模型中进行训练,得到产品生产预测数据,基于所述产品生产预测数据,对所述产品初步生产顺序进行优化,得到产品优化生产顺序;
所述产品加工设备基于产品优化生产顺序,完成产品的生产。
进一步的,本发明的一个较佳实施例中,所述获取产品的表面缺陷参数和内部缺陷参数,并与产品压力参数结合分析,得到一类产品、二类产品及废品产品,具体为:
获取产品的图像,并对产品的图像进行图像预处理和图像特征提取处理,得到产品表面参数;
使用激光探伤仪,向所述产品发射激光脉冲,并接收反射的激光脉冲,获取产品内部参数;
基于所述产品表面参数和产品内部参数,构建产品三维模型,同时构建标准产品三维模型,获取产品三维模型和标准产品三维模型的模型偏差值,基于所述模型偏差值,获取产品的表面缺陷参数和内部缺陷参数;
在所述产品加工设备上安装传感器,所述传感器为压力传感器,产品经过所述压力传感器,获取产品压力参数,并获取各种产品零件的零件压力参数;
预设标准产品压力参数阈值,将所述产品压力参数与所述标准产品压力参数阈值进行比较,将产品压力参数在标准产品压力参数阈值内的产品标定为一类产品,将产品压力参数不在标准产品压力参数阈值内的产品标定为待检测产品;
获取待检测产品的产品压力参数和标准产品压力参数阈值之间的压力偏差值,并计算压力偏差值与零件压力参数之间的马氏距离,基于各种产品零件的零件压力参数,设置马氏距离区间,基于马氏距离区间与压力偏差值与零件压力参数之间的马氏距离,并结合产品的表面缺陷参数和内部缺陷参数,判断待检测产品是否存在零件缺失情况;
若待检测产品存在零件缺失,则对存在零件缺失的待检测产品进行零件补偿,获取零件补偿后的待检测产品的产品压力参数,定义为零件补偿产品压力参数,若零件补偿产品压力参数在标准产品压力参数阈值内,则将对应的待检测产品归为一类产品;
将所述表面缺陷参数和内部缺陷参数在标准值内的一类产品定义为合格品产品,并将表面缺陷参数和内部缺陷参数不在标准值内的一类产品定义为二类产品
若零件补偿产品压力参数不在标准产品压力参数阈值内,则将对应的待检测产品归为二类产品;
若待检测产品不存在零件缺失,则将对应的待检测产品定义为废品产品。
进一步的,本发明的一个较佳实施例中,所述基于二类产品和废品产品的表面缺陷参数和内部缺陷参数,对二类产品进行缺陷检测及修复,具体为:
分析所述二类产品的表面缺陷参数,获取二类产品的表面缺陷深度及表面缺陷面积;
分析二类产品的表面缺陷深度,确定表面缺陷深度警戒值,并生成表面缺陷深度排序表,基于所述表面缺陷深度排序表,将表面缺陷深度大于表面缺陷深度警戒值的二类产品归为废品产品;
对将表面缺陷深度小于表面缺陷深度警戒值的二类产品进行表面缺陷面积分析,当二类产品的表面缺陷面积大于预设值,或二类产品的表面缺陷位置处于不可修复位置,则将对应的二类产品归为废品产品,其余满足表面缺陷深度小于表面缺陷深度警戒值、二类产品的表面缺陷面积小于预设值且二类产品的表面缺陷位置处于可修复位置的二类产品定义为表面可修复产品;
将表面可修复产品的内部缺陷参数导入卷积神经网络中进行预测,得到内部缺陷预测信息,分析所述内部缺陷预测信息,得到表面可修复产品的内部缺陷情况,将内部缺陷程度大于预设值的表面可修复产品归为废品产品,将内部缺陷程度小于预设值的表面可修复产品归为可修复产品;
将可修复产品的表面缺陷参数和内部缺陷参数导入大数据网络中进行修复方法检索,得到修复方法集,以修复性质、修复效率及修复效果为基准,对所述修复方法集进行筛选,得到最优修复方法,并将所述最优修复方法作用于可修复产品中,对可修复产品进行修复。
进一步的,本发明的一个较佳实施例中,所述基于废品产品的表面缺陷参数和内部缺陷参数,对废品产品和产品加工设备进行缺陷溯源,并对产品加工设备进行缺陷修正,具体为:
获取产品加工设备周边的环境参数,使用灰色关联法计算废品产品的表面缺陷参数和内部缺陷参数以及产品加工设备周边的环境参数的关联值;
若所述关联值大于预设值,则对产品加工设备周边的环境参数进行实时调控,并在实时调控过程中对产品的状态进行监控;
若所述关联值小于预设值,构建时步,所述时步结合产品加工设备上每一生产工艺的实时工作参数,生成基于时步的产品加工设备的实时工作参数;
引入马尔可夫链算法对所述基于时步的产品加工设备的实时工作参数进行分析,获取每一时步的状态转移概率值;
获取状态转移概率值最大的时步,并获取对应时步的产品加工设备的生产工艺,定义为故障生产工艺;
基于大数据检索故障生产工艺的修正方案并输出。
本发明第二方面还提供了基于数据分析的智慧工厂管理***,所述管理***包括存储器与处理器,所述存储器中储存有基于数据分析的智慧工厂管理方法,所述基于数据分析的智慧工厂管理方法被所述处理器执行时,实现如下步骤:
获取订单信息,并从所述订单信息中提取客户需求的产品生产信息以及用户信息;
获取产品开工单,并基于所述产品开工单,对产品加工设备的产品生产顺序进行配置;
获取产品表面缺陷参数和内部缺陷参数,并与产品压力参数结合分析,得到一类产品、二类产品及废品产品;
基于二类产品和废品产品的表面缺陷参数和内部缺陷参数,对二类产品进行缺陷检测及修复;
基于废品产品的表面缺陷参数和内部缺陷参数,对废品产品和产品加工设备进行缺陷溯源,并对产品加工设备进行缺陷修正。
本发明解决的背景技术中存在的技术缺陷,本发明具备以下有益效果:获取订单信息,从订单信息中提取待客户需求的产品生产信息以及用户信息;根据产品生产信息从订单收据记录表中查询对应的记录,并结合用户信息生成对应的开工单;根据开工单对该生产订单进行配置加工设备;在产品生产过程中实时监控产品状态及产品加工设备状态,并对异常产品和产品加工设备的异常生产工艺进行修复。本技术方案通过数据分析对产品生产实时跟踪管理,极大程度提高了智慧工厂生产管理的效率,同时也保证了产品生产、交付时效,提升了用户体验。
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的前提下,还可以根据这些附图获得其他实施例的附图。
图1示出了基于数据分析的智慧工厂管理方法流程图;
图2示出了对产品及产品加工设备进行修正的方法流程图;
图3示出了基于数据分析的智慧工厂管理***的视图。
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示出了基于数据分析的智慧工厂管理方法流程图,包括以下步骤:
S102:获取订单信息,并从所述订单信息中提取客户需求的产品生产信息以及用户信息;
S104:获取产品开工单,并基于所述产品开工单,对产品加工设备的产品生产顺序进行配置;
S106:获取产品表面缺陷参数和内部缺陷参数,并与产品压力参数结合分析,得到一类产品、二类产品及废品产品;
S108:基于二类产品和废品产品的表面缺陷参数和内部缺陷参数,对二类产品进行缺陷检测及修复;
S110:基于废品产品的表面缺陷参数和内部缺陷参数,对废品产品和产品加工设备进行缺陷溯源,并对产品加工设备进行缺陷修正。
进一步的,本发明的一个较佳实施例中,所述获取订单信息,并从所述订单信息中提取客户需求的产品生产信息以及用户信息,具体为:
获取订单信息,对所述订单信息进行数据清洗,识别所述订单信息中的缺失值、异常值和重复值;
使用插补法删除缺失值,使用标准差法对异常值进行判断并替换为合适值,合并重复的数据值,得到数据清洗后的订单信息;
对所述数据清洗后的订单信息进行数据标准化处理,得到标准化订单信息;
计算标准化订单信息中各种特征的协方差矩阵,并对所述协方差矩阵进行特征值串联,定义产品生产信息特征值和用户信息特征值;
以所述产品生产信息特征值和用户信息特征值为主成分,构建特征值排列序列,将所述标准化订单信息投射至所述特征值排列序列中,得到产品生产信息以及用户信息,所述产品生产信息包括产品数量及产品交付时间。
需要说明的是,在订单信息中,包括了产品生产信息及用户信息,用户信息为下订单的用户的私人信息,包括名字、电话号码等信息。对所述订单信息进行特征提取,需要先对订单信息进行数据清洗和数据标准化处理,保证订单信息的完整性,并且需要保证订单的一致性。通过主成分分析法,能够在订单信息中获取产品生产信息以及用户信息。
进一步的,本发明的一个较佳实施例中,所述获取产品开工单,并基于所述产品开工单,对产品加工设备的产品生产顺序进行配置,具体为:
构建工厂管理中心,所述工厂管理中心收录了订单收据记录表,基于所述订单收据记录表,获取订单收据时间;
将所述产品生产信息与订单收据时间结合,得到基于订单收据的产品生产信息,将所述基于订单收据的产品生产信息与用户信息结合,得到产品开工单;
将所述产品开工单导入工厂管理中心中,所述工厂管理中心通过物联网与产品加工设备连接,所述产品加工设备分析所述产品开工单,生成产品初步生产顺序;
获取工厂中的产品生产原料总数,将所述产品生产原料总数和产品生产信息导入神经网络模型中进行训练,得到产品生产预测数据,基于所述产品生产预测数据,对所述产品初步生产顺序进行优化,得到产品优化生产顺序;
所述产品加工设备基于产品优化生产顺序,完成产品的生产。
需要说明的是,在订单信息生成后,会自动生成订单收据,所述订单收据记录在订单收据记录表中。不同客户的下订单时间不同,需要根据订单的收据时间先后顺序,以及订单的紧急性,对产品进行生产配置排序。所述产品开工单为产品的预生产时间及生产数量,将所述产品开工单导入工厂管理中心中,工程管理中心进行产品生产排序,得到产品初步生产顺序。产品生产需要原材料,而不同类型产品和产品不同零件所需要的原材料不同,所以需要根据产品生产原材料的数量,对产品的生产顺序进行优化。使用卷积神经网络预测,可以获取在当前数量的产品生产原料下,最合适的生产顺序,定义为产品最优生产顺序。本发明能够通过分析订单收据和产品生产原材料数量,得到产品最优生产顺序。
进一步的,本发明的一个较佳实施例中,所述获取产品的表面缺陷参数和内部缺陷参数,并与产品压力参数结合分析,得到一类产品、二类产品及废品产品,具体为:
获取产品的图像,并对产品的图像进行图像预处理和图像特征提取处理,得到产品表面参数;
使用激光探伤仪,向所述产品发射激光脉冲,并接收反射的激光脉冲,获取产品内部参数;
基于所述产品表面参数和产品内部参数,构建产品三维模型,同时构建标准产品三维模型,获取产品三维模型和标准产品三维模型的模型偏差值,基于所述模型偏差值,获取产品的表面缺陷参数和内部缺陷参数;
在所述产品加工设备上安装传感器,所述传感器为压力传感器,产品经过所述压力传感器,获取产品压力参数,并获取各种产品零件的零件压力参数;
预设标准产品压力参数阈值,将所述产品压力参数与所述标准产品压力参数阈值进行比较,将产品压力参数在标准产品压力参数阈值内的产品标定为一类产品,将产品压力参数不在标准产品压力参数阈值内的产品标定为待检测产品;
获取待检测产品的产品压力参数和标准产品压力参数阈值之间的压力偏差值,并计算压力偏差值与零件压力参数之间的马氏距离,基于各种产品零件的零件压力参数,设置马氏距离区间,基于马氏距离区间与压力偏差值与零件压力参数之间的马氏距离,并结合产品的表面缺陷参数和内部缺陷参数,判断待检测产品是否存在零件缺失情况;
若待检测产品存在零件缺失,则对存在零件缺失的待检测产品进行零件补偿,获取零件补偿后的待检测产品的产品压力参数,定义为零件补偿产品压力参数,若零件补偿产品压力参数在标准产品压力参数阈值内,则将对应的待检测产品归为一类产品;
将所述表面缺陷参数和内部缺陷参数在标准值内的一类产品定义为合格品产品,并将表面缺陷参数和内部缺陷参数不在标准值内的一类产品定义为二类产品
若零件补偿产品压力参数不在标准产品压力参数阈值内,则将对应的待检测产品归为二类产品;
若待检测产品不存在零件缺失,则将对应的待检测产品定义为废品产品。
需要说明的是,通过图像检测法和激光探伤法能够获取产品的表面参数和内部参数,并构建产品三维模型,将所述产品三维模型与标准产品三维模型进行模型比较,得到模型偏差值。所述模型偏差值反映了产品的缺陷参数,分为表面缺陷参数和内部缺陷参数。在产品生产过程中,可能会存在纰漏,导致产品可能会不完整,存在零件不全的现象。零件不全的产品以及缺陷程度较大产品在产品重量上与标准产品有差距,所以需要获取产品的压力参数,以及产品零件的压力参数。产品的压力参数在标准产品压力参数阈值内,证明产品没有缺少零件,且产品的缺陷程度较小,定义为一类产品;产品的压力参数不在标准产品压力参数阈值内,证明产品可能缺少零件,或者产品缺陷程度较大。获取待检测产品预标准产品之间的压力偏差值,并计算压力偏差值零件压力参数之间的马氏距离。所述马氏距离越小,数据之间的相似度越高,马氏距离能大致判断待检测产品缺少的零件种类及数量,不同的马氏区间代表待检测产品缺少的零件种类不同。待检测产品的压力较小可能因为待检测产品的缺陷引起,所以需要结合产品的表面缺陷参数与内部缺陷参数,对待检测产品进行分析,判断待检测产品是否存在零件缺失情况。对零件缺失的待监测产品进行零件补偿后,待检测产品的压力参数在正常阈值内,且表面缺陷参数和内部缺陷参数在标准值内,则证明待检测产品状态合格,为合格品产品;零件补偿后待检测产品的压力参数不在正常阈值内,证明待检测产品的缺陷情况较大,需要进行修复;待检测产品中不存在零件缺失,证明待检测产品的缺陷情况很大,不可修复,定义为废品产品。本发明能够基于产品的压力参数对产品的状态进行分析,得到合格产品,二类产品和废品产品。
图2示出了对产品及产品加工设备进行修正的方法流程图,包括以下步骤:
S202:分析二类产品的表面缺陷深度和表面缺陷面积,得到可修复产品;
S204:将可修复产品的表面缺陷参数和内部缺陷参数导入大数据网络中进行修复方法检索,得到最优修复方法;
S206:基于废品产品的表面缺陷参数和内部缺陷参数,对废品产品和产品加工设备进行缺陷溯源,并对产品加工设备进行缺陷修正。
进一步的,本发明的一个较佳实施例中,所述分析二类产品的表面缺陷深度和表面缺陷面积,得到可修复产品,具体为:
分析所述二类产品的表面缺陷参数,获取二类产品的表面缺陷深度及表面缺陷面积;
分析二类产品的表面缺陷深度,确定表面缺陷深度警戒值,并生成表面缺陷深度排序表,基于所述表面缺陷深度排序表,将表面缺陷深度大于表面缺陷深度警戒值的二类产品归为废品产品;
对将表面缺陷深度小于表面缺陷深度警戒值的二类产品进行表面缺陷面积分析,当二类产品的表面缺陷面积大于预设值,或二类产品的表面缺陷位置处于不可修复位置,则将对应的二类产品归为废品产品,其余满足表面缺陷深度小于表面缺陷深度警戒值、二类产品的表面缺陷面积小于预设值且二类产品的表面缺陷位置处于可修复位置的二类产品定义为表面可修复产品;
将表面可修复产品的内部缺陷参数导入卷积神经网络中进行预测,得到内部缺陷预测信息,分析所述内部缺陷预测信息,得到表面可修复产品的内部缺陷情况,将内部缺陷程度大于预设值的表面可修复产品归为废品产品,将内部缺陷程度小于预设值的表面可修复产品归为可修复产品。
需要说明的是,在产品生产过程中,产品可能会受到外界影响导致产生表面缺陷和内部缺陷,表面缺陷主要为划痕、破损、撕裂等情况,所以分析表面缺陷情况主要在于表面缺陷深度和表面缺陷面积。产品的表面缺陷达到一定值时,产品不可修复,处于报废状态,所以设置表面缺陷深度警戒值,对产品的表面缺陷深度进行分析。当表面缺陷面积较大时,产品修复较困难,或者表面缺陷的位置处于重要的位置,一旦出现缺陷则不可修复,则将对应的二类产品归为废品,剩下的二类产品定义为表面可修复产品。对表面可修复产品的内部缺陷进行分析,卷积神经网络能够基于表面可修复产品的内部缺陷参数获取内部缺陷预测信息,所述内部缺陷预测信息反映了现在及将来表面可修复产品的内部缺陷情况。基于内部缺陷预测信息,得到可修复产品。本发明能够通过基于二类产品的表面缺陷深度、表面缺陷面积和内部缺陷参数,对二类产品进行筛选,得到可修复产品。
进一步的,本发明的一个较佳实施例中,所述基于废品产品的表面缺陷参数和内部缺陷参数,对废品产品和产品加工设备进行缺陷溯源,并对产品加工设备进行缺陷修正,具体为:
获取产品加工设备周边的环境参数,使用灰色关联法计算废品产品的表面缺陷参数和内部缺陷参数以及产品加工设备周边的环境参数的关联值;
若所述关联值大于预设值,则对产品加工设备周边的环境参数进行实时调控,并在实时调控过程中对产品的状态进行监控;
若所述关联值小于预设值,构建时步,所述时步结合产品加工设备上每一生产工艺的实时工作参数,生成基于时步的产品加工设备的实时工作参数;
引入马尔可夫链算法对所述基于时步的产品加工设备的实时工作参数进行分析,获取每一时步的状态转移概率值;
获取状态转移概率值最大的时步,并获取对应时步的产品加工设备的生产工艺,定义为故障生产工艺;
基于大数据检索故障生产工艺的修正方案并输出。
需要说明的是,产品生产过程中造成的缺陷可能是由环境引起的,也可能是产品加工设备故障引起的。使用灰色关联法即可计算产品加工设备周边的环境参数与废品产品的表面缺陷参数和内部缺陷参数的关联性,得到关联值。关联值大于预设值,则产品的缺陷由环境引起的概率较大,需要对环境参数进行调控。当关联值小于预设值,则产品加工设备的故障引起产品缺陷的概率较大。由于引起产品产生缺陷的原因可能由一个生产工艺或多个生产工艺造成,获取每个时间段内产品加工设备每一步生产工艺的实时工作参数,并引入马尔科夫链算法,计算每一时步的状态转移概率值。所述每一时步的状态转移概率值能够计算故障状态的转移概率值,转移概率值大的生产工艺为故障生产工艺。本发明能够通过对灰色关联法计算产品缺陷与环境的关联值从而对环境进行调控,并且基于马尔科夫链获取产品加工设备的故障生产工艺并修正。
此外,所述基于数据分析的智慧工厂管理方法,还包括以下步骤:
获取产品加工设备所有生产工艺的工作步骤,并在生产工艺的工作步骤中增设传感器,当一个生产工艺的工作步骤完成后,所述传感器向工厂管理***发送已完成指令,所述工厂管理***根据传感器发送的已完成指令,生成产品生产进度;
基于所述产品生产进度,获取产品在每一个生产工艺需耗费的时间,将产品在每一个生产工艺需耗费的时间和产品生产原料数量导入卷积神经网络中进行预测,得到产品生产时间;
当产品完成生产,则根据订单信息对产品进行分配,并根据订单信息,获取用户的收货地址,根据用户的收货地址,对产品进行物流安排;
获取产品的物流运输路线和物流运输路线的天气情况,并导入工厂管理***,所述工厂管理***结合产品生产时间对产品的交付时间进行预估,并将预估的产品交付时间同步至用户的账户。
需要说明的是,实时获取产品的生产进度能够提前制定产品的发货计划及交付时间,提高工作效率。产品在不同的生产工艺上耗费的时间和生产原料不同,使用卷积神经网络能够结合两种因素,得到产品生产时间。由于产品在生产完毕后需要进行包装、贴纸、装车、运输等工作,所以需要对产品交付时间进行预估。一批产品完成生产后,需要基于订单信息对产品进行分配及发货处理。
此外,所述基于数据分析的智慧工厂管理方法,还包括以下步骤:
获取多个订单信息,对订单信息进行拆分,获取多个订单信息中的订单产品加工信息,所述订单产品加工信息为产品的生产流程、加工数量、加工顺序、加工设备及加工工期;
计算所有订单产品加工信息之间的欧氏距离,预设欧氏距离区间,将欧氏距离在同一个欧氏距离区间中的订单产品加工信息进行订单信息合并,得到合并订单产品加工信息,基于所述合并订单产品加工信息,得到合并订单;
基于用户的身份、用户下订单的时间、用户下订单的金额、用户下订单的次数及用户下订单的产品数量,给合并订单设置优先级,生成订单优先排序表,基于所述订单优先排序表,将最高优先级合并订单作为目标合并订单;
获取加工设备总数,并获取目标合并订单所需的加工设备数量,基于所述目标合并订单所需的加工设备数量,设置目标合并订单的加工设备阈值,定义为目标设备阈值,基于目标合并订单的加工数量和目标设备阈值,获取目标合并订单比值;
将加工设备总数与目标合并订单所需的加工设备数量相减,得到所有其他合并订单所需的加工设备数量,基于所述所有其他合并订单所需的加工设备数量,设置所有其他合并订单的加工设备阈值,基于所有其他合并订单的加工数量和目标设备阈值,获取所有其他合并订单比值;
将目标合并订单比值与所有其他合并订单比值进行对比,得到比值偏差值,获取偏差值与目标合并订单比值最小的其他合并订单,将目标合并订单与对应的其他合并订单进行组合,得到当前加工订单,将所述当前加工订单输出至加工设备中进行产品加工。
需要说明的是,一个智慧工厂生产的产品是多种多样的,由于产品的相似性,一个加工设备可以同时加工不同的产品,且一个智慧工厂内可以同时满足多个订单产品的生产,所以将所有订单进行拆分,得到订单产品加工信息,并基于订单产品加工信息中判断产品之间的相似度。判断产品相似度方法为计算订单产品加工信息的欧氏距离,处于同一欧氏距离区间的订单产品加工信息为相似度较高产品,合并后获取合并订单。在工厂生产产品的过程中,产品的生产优先级需要确定,从用户的身份、用户下订单的时间、用户下订单的金额、用户下订单的次数及用户下订单的产品数量可以判断用户及订单的重要性,需要优先生产重要性较高的客户的订单所需产品,得到目标合并订单和其他合并订单。一个工厂内的加工设备是固定的,优先生产目标合并订单,则获取目标合并订单所需的加工设备,剩余的则用来加工其他合并订单。对目标合并订单比值和其他合并订单比值进行偏差比较,选用偏差值较小的其他合并订单与目标合并订单在加工设备中进行组合加工目的是提高订单完成效率。本发明能够通过对订单信息拆分合并,获得目标合并订单和其他合并订单,并获取偏差值最小的其他合并订单与目标合并订单进行组合加工。
如图3所示,本发明第二方面还提供了基于数据分析的智慧工厂管理***,所述管理***包括存储器与处理器,所述存储器中储存有基于数据分析的智慧工厂管理方法,所述基于数据分析的智慧工厂管理方法被所述处理器执行时,实现如下步骤:
获取订单信息,并从所述订单信息中提取客户需求的产品生产信息以及用户信息;
获取产品开工单,并基于所述产品开工单,对产品加工设备的产品生产顺序进行配置;
获取产品表面缺陷参数和内部缺陷参数,并与产品压力参数结合分析,得到一类产品、二类产品及废品产品;
基于二类产品和废品产品的表面缺陷参数和内部缺陷参数,对二类产品进行缺陷检测及修复;
基于废品产品的表面缺陷参数和内部缺陷参数,对废品产品和产品加工设备进行缺陷溯源,并对产品加工设备进行缺陷修正。
本发明第三方面还提供了一种计算机可读介质,所述计算机可读存储介质中包含基于数据分析的智慧工厂管理方法,所述基于数据分析的智慧工厂管理方法被处理器执行时,实现权利要求1-6任一项所述的基于数据分析的智慧工厂管理方法的步骤。
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,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权利要求的保护范围为准。
Claims (8)
1.基于数据分析的智慧工厂管理方法,其特征在于,包括以下步骤:
获取订单信息,并从所述订单信息中提取客户需求的产品生产信息以及用户信息;
获取产品开工单,并基于所述产品开工单,对产品加工设备的产品生产顺序进行配置;
获取产品表面缺陷参数和内部缺陷参数,并与产品压力参数结合分析,得到一类产品、二类产品及废品产品;
基于二类产品和废品产品的表面缺陷参数和内部缺陷参数,对二类产品进行缺陷检测及修复;
基于废品产品的表面缺陷参数和内部缺陷参数,对废品产品和产品加工设备进行缺陷溯源,并对产品加工设备进行缺陷修正。
2.根据权利要求1中所述的基于数据分析的智慧工厂管理方法,其特征在于,所述获取订单信息,并从所述订单信息中提取客户需求的产品生产信息以及用户信息,具体为:
获取订单信息,对所述订单信息进行数据清洗,识别所述订单信息中的缺失值、异常值和重复值;
使用插补法删除缺失值,使用标准差法对异常值进行判断并替换为合适值,合并重复的数据值,得到数据清洗后的订单信息;
对所述数据清洗后的订单信息进行数据标准化处理,得到标准化订单信息;
计算标准化订单信息中各种特征的协方差矩阵,并对所述协方差矩阵进行特征值串联,定义产品生产信息特征值和用户信息特征值;
以所述产品生产信息特征值和用户信息特征值为主成分,构建特征值排列序列,将所述标准化订单信息投射至所述特征值排列序列中,得到产品生产信息以及用户信息,所述产品生产信息包括产品数量及产品交付时间。
3.根据权利要求1中所述的基于数据分析的智慧工厂管理方法,其特征在于,所述获取产品开工单,并基于所述产品开工单,对产品加工设备的产品生产顺序进行配置,具体为:
构建工厂管理中心,所述工厂管理中心收录了订单收据记录表,基于所述订单收据记录表,获取订单收据时间;
将所述产品生产信息与订单收据时间结合,得到基于订单收据的产品生产信息,将所述基于订单收据的产品生产信息与用户信息结合,得到产品开工单;
将所述产品开工单导入工厂管理中心中,所述工厂管理中心通过物联网与产品加工设备连接,所述产品加工设备分析所述产品开工单,生成产品初步生产顺序;
获取工厂中的产品生产原料总数,将所述产品生产原料总数和产品生产信息导入神经网络模型中进行训练,得到产品生产预测数据,基于所述产品生产预测数据,对所述产品初步生产顺序进行优化,得到产品优化生产顺序;
所述产品加工设备基于产品优化生产顺序,完成产品的生产。
4.根据权利要求1中所述的基于数据分析的智慧工厂管理方法,其特征在于,所述获取产品的表面缺陷参数和内部缺陷参数,并与产品压力参数结合分析,得到一类产品、二类产品及废品产品,具体为:
获取产品的图像,并对产品的图像进行图像预处理和图像特征提取处理,得到产品表面参数;
使用激光探伤仪,向所述产品发射激光脉冲,并接收反射的激光脉冲,获取产品内部参数;
基于所述产品表面参数和产品内部参数,构建产品三维模型,同时构建标准产品三维模型,获取产品三维模型和标准产品三维模型的模型偏差值,基于所述模型偏差值,获取产品的表面缺陷参数和内部缺陷参数;
在所述产品加工设备上安装传感器,所述传感器为压力传感器,产品经过所述压力传感器,获取产品压力参数,并获取各种产品零件的零件压力参数;
预设标准产品压力参数阈值,将所述产品压力参数与所述标准产品压力参数阈值进行比较,将产品压力参数在标准产品压力参数阈值内的产品标定为一类产品,将产品压力参数不在标准产品压力参数阈值内的产品标定为待检测产品;
获取待检测产品的产品压力参数和标准产品压力参数阈值之间的压力偏差值,并计算压力偏差值与零件压力参数之间的马氏距离,基于各种产品零件的零件压力参数,设置马氏距离区间,基于马氏距离区间与压力偏差值与零件压力参数之间的马氏距离,并结合产品的表面缺陷参数和内部缺陷参数,判断待检测产品是否存在零件缺失情况;
若待检测产品存在零件缺失,则对存在零件缺失的待检测产品进行零件补偿,获取零件补偿后的待检测产品的产品压力参数,定义为零件补偿产品压力参数,若零件补偿产品压力参数在标准产品压力参数阈值内,则将对应的待检测产品归为一类产品;
将所述表面缺陷参数和内部缺陷参数在标准值内的一类产品定义为合格品产品,并将表面缺陷参数和内部缺陷参数不在标准值内的一类产品定义为二类产品
若零件补偿产品压力参数不在标准产品压力参数阈值内,则将对应的待检测产品归为二类产品;
若待检测产品不存在零件缺失,则将对应的待检测产品定义为废品产品。
5.根据权利要求1中所述的基于数据分析的智慧工厂管理方法,其特征在于,所述基于二类产品和废品产品的表面缺陷参数和内部缺陷参数,对二类产品进行缺陷检测及修复,具体为:
分析所述二类产品的表面缺陷参数,获取二类产品的表面缺陷深度及表面缺陷面积;
分析二类产品的表面缺陷深度,确定表面缺陷深度警戒值,并生成表面缺陷深度排序表,基于所述表面缺陷深度排序表,将表面缺陷深度大于表面缺陷深度警戒值的二类产品归为废品产品;
对将表面缺陷深度小于表面缺陷深度警戒值的二类产品进行表面缺陷面积分析,当二类产品的表面缺陷面积大于预设值,或二类产品的表面缺陷位置处于不可修复位置,则将对应的二类产品归为废品产品,其余满足表面缺陷深度小于表面缺陷深度警戒值、二类产品的表面缺陷面积小于预设值且二类产品的表面缺陷位置处于可修复位置的二类产品定义为表面可修复产品;
将表面可修复产品的内部缺陷参数导入卷积神经网络中进行预测,得到内部缺陷预测信息,分析所述内部缺陷预测信息,得到表面可修复产品的内部缺陷情况,将内部缺陷程度大于预设值的表面可修复产品归为废品产品,将内部缺陷程度小于预设值的表面可修复产品归为可修复产品;
将可修复产品的表面缺陷参数和内部缺陷参数导入大数据网络中进行修复方法检索,得到修复方法集,以修复性质、修复效率及修复效果为基准,对所述修复方法集进行筛选,得到最优修复方法,并将所述最优修复方法作用于可修复产品中,对可修复产品进行修复。
6.根据权利要求1中所述的基于数据分析的智慧工厂管理方法,其特征在于,所述基于废品产品的表面缺陷参数和内部缺陷参数,对废品产品和产品加工设备进行缺陷溯源,并对产品加工设备进行缺陷修正,具体为:
获取产品加工设备周边的环境参数,使用灰色关联法计算废品产品的表面缺陷参数和内部缺陷参数以及产品加工设备周边的环境参数的关联值;
若所述关联值大于预设值,则对产品加工设备周边的环境参数进行实时调控,并在实时调控过程中对产品的状态进行监控;
若所述关联值小于预设值,构建时步,所述时步结合产品加工设备上每一生产工艺的实时工作参数,生成基于时步的产品加工设备的实时工作参数;
引入马尔可夫链算法对所述基于时步的产品加工设备的实时工作参数进行分析,获取每一时步的状态转移概率值;
获取状态转移概率值最大的时步,并获取对应时步的产品加工设备的生产工艺,定义为故障生产工艺;
基于大数据检索故障生产工艺的修正方案并输出。
7.基于数据分析的智慧工厂管理***,其特征在于,所述管理***包括存储器与处理器,所述存储器中储存有基于数据分析的智慧工厂管理方法,所述基于数据分析的智慧工厂管理方法被所述处理器执行时,实现如下步骤:
获取订单信息,并从所述订单信息中提取客户需求的产品生产信息以及用户信息;
获取产品开工单,并基于所述产品开工单,对产品加工设备的产品生产顺序进行配置;
获取产品表面缺陷参数和内部缺陷参数,并与产品压力参数结合分析,得到一类产品、二类产品及废品产品;
基于二类产品和废品产品的表面缺陷参数和内部缺陷参数,对二类产品进行缺陷检测及修复;
基于废品产品的表面缺陷参数和内部缺陷参数,对废品产品和产品加工设备进行缺陷溯源,并对产品加工设备进行缺陷修正。
8.一种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含基于数据分析的智慧工厂管理方法,所述基于数据分析的智慧工厂管理方法被处理器执行时,实现权利要求1-6任一项所述的基于数据分析的智慧工厂管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311291953.3A CN117273980B (zh) | 2023-10-07 | 2023-10-07 | 基于数据分析的智慧工厂管理方法、***及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311291953.3A CN117273980B (zh) | 2023-10-07 | 2023-10-07 | 基于数据分析的智慧工厂管理方法、***及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117273980A true CN117273980A (zh) | 2023-12-22 |
CN117273980B CN117273980B (zh) | 2024-04-30 |
Family
ID=89202332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311291953.3A Active CN117273980B (zh) | 2023-10-07 | 2023-10-07 | 基于数据分析的智慧工厂管理方法、***及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117273980B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118092291A (zh) * | 2024-04-26 | 2024-05-28 | 江西萨瑞微电子技术有限公司 | 一种基于5g网络的数据采集方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190032908A (ko) * | 2017-09-20 | 2019-03-28 | 주식회사 에이치엔에스휴먼시스템 | 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 |
CN112561447A (zh) * | 2020-12-25 | 2021-03-26 | 绍兴市上虞区武汉理工大学高等研究院 | 一种基于大数据的智慧工厂物流管理方法及装置 |
CN115345485A (zh) * | 2022-08-17 | 2022-11-15 | 珠海爱浦京软件股份有限公司 | 基于大数据的智能工厂设备数据分析管理***及方法 |
CN116560326A (zh) * | 2023-07-07 | 2023-08-08 | 中通服建设有限公司 | 一种智慧工厂管理平台 |
CN116563277A (zh) * | 2023-07-05 | 2023-08-08 | 深圳市鑫典金光电科技有限公司 | 一种基于机器视觉的铜复铝表面缺陷检测方法及*** |
-
2023
- 2023-10-07 CN CN202311291953.3A patent/CN117273980B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190032908A (ko) * | 2017-09-20 | 2019-03-28 | 주식회사 에이치엔에스휴먼시스템 | 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템 |
CN112561447A (zh) * | 2020-12-25 | 2021-03-26 | 绍兴市上虞区武汉理工大学高等研究院 | 一种基于大数据的智慧工厂物流管理方法及装置 |
CN115345485A (zh) * | 2022-08-17 | 2022-11-15 | 珠海爱浦京软件股份有限公司 | 基于大数据的智能工厂设备数据分析管理***及方法 |
CN116563277A (zh) * | 2023-07-05 | 2023-08-08 | 深圳市鑫典金光电科技有限公司 | 一种基于机器视觉的铜复铝表面缺陷检测方法及*** |
CN116560326A (zh) * | 2023-07-07 | 2023-08-08 | 中通服建设有限公司 | 一种智慧工厂管理平台 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118092291A (zh) * | 2024-04-26 | 2024-05-28 | 江西萨瑞微电子技术有限公司 | 一种基于5g网络的数据采集方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117273980B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117273980B (zh) | 基于数据分析的智慧工厂管理方法、***及存储介质 | |
CN112150237B (zh) | 多模型融合的订单逾期预警方法、装置、设备及存储介质 | |
CN111027615A (zh) | 基于机器学习的中间件故障预警方法和*** | |
CN116362630B (zh) | 基于物联网的锡膏印刷机管理方法、***及介质 | |
CN117608259B (zh) | 一种储存芯片生产设备的控制方法及*** | |
CN109409780B (zh) | 变更处理方法、装置、计算机设备和存储介质 | |
CN116187718B (zh) | 基于计算机视觉的智慧货物识别分拣方法及*** | |
CN111985940A (zh) | 售后服务的数据处理方法、装置、电子设备与存储介质 | |
CN112565422A (zh) | 一种对电力物联网故障数据的识别方法、***和存储介质 | |
CN114722945A (zh) | 一种存量客户投保意向预测方法及装置 | |
CN117740811A (zh) | 一种新能源汽车遮阳篷性能检测方法、***及存储介质 | |
CN117112336B (zh) | 智能通信设备异常检测方法、设备、存储介质及装置 | |
CN117709691A (zh) | 一种基于云服务的智能分包管理方法及*** | |
CN117095247A (zh) | 基于数控加工的加工姿态运行优化方法、***及介质 | |
CN116383742B (zh) | 基于特征分类的规则链设置处理方法、***及介质 | |
CN117726322A (zh) | 一种探头测试设备智能管理方法及*** | |
CN111325280A (zh) | 一种标签的生成方法及*** | |
KR101984257B1 (ko) | 클라우드기반 빅데이터분석시스템 및 방법 | |
CN114419034B (zh) | 一种智能穿戴用硅胶材料的自动化检测方法、***及介质 | |
CN115730894A (zh) | 一种基于标识解析的仓储安全管理方法及设备 | |
CN114742391B (zh) | 基于人工智能的异常处理方法、装置、计算机设备及介质 | |
CN117609740B (zh) | 基于工业大模型智能预测维护*** | |
CN118035527B (zh) | 一种业务与资源的交互数据处理方法、介质及设备 | |
CN117556187B (zh) | 基于深度学习的云数据修复方法、***及可读存储介质 | |
CN116502957B (zh) | 产品生产质量监控方法、***和可读存储介质 |
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 |