CN117311295A - 基于无线网络设备的生产质量提升方法及*** - Google Patents
基于无线网络设备的生产质量提升方法及*** Download PDFInfo
- Publication number
- CN117311295A CN117311295A CN202311595880.7A CN202311595880A CN117311295A CN 117311295 A CN117311295 A CN 117311295A CN 202311595880 A CN202311595880 A CN 202311595880A CN 117311295 A CN117311295 A CN 117311295A
- Authority
- CN
- China
- Prior art keywords
- production
- machine
- data
- quality
- target
- 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 369
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 230000006872 improvement Effects 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 27
- 238000004140 cleaning Methods 0.000 claims description 20
- 230000002950 deficient Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 11
- 230000006641 stabilisation Effects 0.000 claims description 6
- 238000011105 stabilization Methods 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 5
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000003466 welding Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005476 soldering Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000004781 supercooling Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人工智能技术领域，提出了一种基于无线网络设备的生产质量提升方法及***，该方法包括：利用预设的无线网络设备采集目标工厂中生产机器的机器数据，根据所述机器数据生成生产机器的机器稳定度；获取目标工厂的产品数据，根据产品数据生成目标工厂的工人水平值；根据产品数据生成目标工厂的生产效率；利用预设的生产质量算法、机器稳定度、工人水平值和生产效率生成目标工厂的生产质量值；根据生产质量值和预设的质量阈值对目标工厂的质量参数组合进行优化，得到目标工厂的最佳参数组合，根据最佳参数组合对目标工厂进行生产质量提升。本发明可以提高基于无线网络设备的生产质量提升的效率。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于无线网络设备的生产质量提升方法及***。
背景技术
在激烈的市场竞争中，产品质量是吸引消费者的关键因素之一。通过提升工厂生产质量，可以确保产品符合标准和要求，从而增加产品的竞争力，并赢得消费者的青睐，同时，某些行业（如汽车、医疗器械等）的产品安全和可靠性对人们的生命安全具有重要意义。工厂生产质量的提升可以确保产品符合相关的安全标准和法规，降低产品出现故障、事故等风险，保护用户的安全和权益。
现如今，由于工厂如果没有建立起科学的数据分析和反馈机制，就无法有效地了解产品质量的问题和瓶颈所在，没有准确的数据支撑和分析，就难以采取有针对性的改进措施，导致质量提升缓慢，因此如何基于无线网络设备的生产质量提升，成为了亟待解决的问题。
发明内容
本发明提供一种基于无线网络设备的生产质量提升方法及***，其主要目的在于解决基于无线网络设备的生产质量提升时效率较低的问题。
为实现上述目的，本发明提供的一种基于无线网络设备的生产质量提升方法，包括：
利用预设的无线网络设备采集目标工厂中生产机器的机器数据，根据所述机器数据生成所述生产机器的机器稳定度；
获取所述目标工厂的产品数据，根据所述产品数据生成所述目标工厂的工人水平值；
根据所述产品数据生成所述目标工厂的生产效率；
利用预设的生产质量算法、所述机器稳定度、所述工人水平值和所述生产效率生成所述目标工厂的生产质量值，其中，所述预设的生产质量算法为：
其中，是所述目标工厂的生产质量值，/>表示工人水平值对生产质量的影响程度，/>是所述目标工厂的生产效率，/>是生产机器的机器稳定度，/>是表示生产效率/>和机器稳定度/>对生产质量的影响程度，/>是所述目标工厂的生产成本，/>是目标工厂的工人水平值；
根据所述生产质量值和预设的质量阈值对所述目标工厂的质量参数组合进行优化，得到所述目标工厂的最佳参数组合，根据所述最佳参数组合对所述目标工厂进行生产质量提升。
可选地，所述利用预设的无线网络设备采集目标工厂中生产机器的机器数据，包括：
利用预设的温度传感器采集目标工厂中生产机器的温度数据；
利用预设的电流传感器采集所述生产机器的电流数据；
利用预设的电压传感器采集所述生产机器的电压数据，汇集所述温度数据、所述电流数据和所述电压数据为所述生产机器的机器数据。
可选地，所述根据所述机器数据生成所述生产机器的机器稳定度，包括：
提取所述机器数据的统计特征，根据所述统计特征生成所述生产机器的机器稳定函数；
利用所述机器稳定函数生成所述生产机器的机器稳定度。
可选地，所述提取所述机器数据的统计特征为：
对所述机器数据进行数据清洗，得到所述机器数据的清洗数据；
对所述清洗数据进行数据分类，得到所述清洗数据的分类数据；
对所述分类数据进行向量转化，得到所述分类数据的转化向量，利用所述转化向量生成所述机器数据的统计特征。
可选地，所述机器稳定函数，包括：
其中，是第/>个所述生产机器的机器稳定度，/>是第/>个所述生产机器在 />个周期内的平均生产值，/>是观察周期的总数，/>是第/>个所述生产机器在观察周期内的第次生产记录，/>是第/>个所述生产机器在/>周期内的实际生产数量，/>是所述生产机器的机器标识。
可选地，所述获取所述目标工厂的产品数据，包括：
获取所述目标工厂中工厂产品的生产时间数据、所述工厂产品所对应的缺陷产品数据、所述工厂产品所对应的合格产品数据、所述工厂产品所对应的工人数据；
汇集所述生产时间数据、所述缺陷产品数据、所述合格产品数据和所述工人数据为所述目标工厂的产品数据。
可选地，所述根据所述产品数据生成所述目标工厂的工人水平值，包括：
利用如下工人水平算法和所述产品数据生成所述目标工厂的工人水平值：
其中，是所述目标工厂的工人水平值，/>是所述目标工厂中的工人标识，/>是所述目标工厂中的工人总数，/>是第/>个工人在一个特定时间段内生产的产品中被检测出的缺陷产品数量，/>是第/>个工人在一个特定时间段内生产的产品数量，/>是第/>个工人的水平权重，/>是所述工人的标识。
可选地，所述根据所述产品数据生成所述目标工厂的生产效率，包括：
根据所述产品数据确定所述目标工厂的生产产品总量；
根据生产产品总量所对应的生产产品确定所述目标工厂的生产总时长；
根据所述生产产品总量和所述生产总时长生成所述目标工厂的生产效率。
可选地，所述根据所述生产质量值和预设的质量阈值对所述目标工厂的质量参数组合进行优化，得到所述目标工厂的最佳参数组合，包括：
将所述生产质量值和预设的质量阈值进行比较，当所述生产质量值大于或者预设的质量阈值，确定所述生产质量值所对应的参数组合为所述目标工厂的最佳参数组合；
当所述生产质量值小于预设的质量阈值时，确定所述生产质量值所对应的参数组合为所述目标工厂的待优化参数组合，对所述待优化参数组合进行组合优化，得到所述待优化参数组合的优化参数组合，确定所述优化参数组合为所述目标工厂的最佳参数组合。
为了解决上述问题，本发明还提供一种基于无线网络设备的生产质量提升***，所述***包括：
机器稳定度生成模块，用于利用预设的无线网络设备采集目标工厂中生产机器的机器数据，根据所述机器数据生成所述生产机器的机器稳定度；
工人水平值生成模块，用于获取所述目标工厂的产品数据，根据所述产品数据生成所述目标工厂的工人水平值；
生产效率生成模块，用于根据所述产品数据生成所述目标工厂的生产效率；
生产质量值生成模块，用于利用预设的生产质量算法、所述机器稳定度、所述工人水平值和所述生产效率生成所述目标工厂的生产质量值，其中，所述预设的生产质量算法为：
其中，是所述目标工厂的生产质量值，/>表示工人水平值对生产质量的影响程度，/>是所述目标工厂的生产效率，/>是生产机器的机器稳定度，/>是表示生产效率/>和机器稳定度/>对生产质量的影响程度，/>是所述目标工厂的生产成本，/>是目标工厂的工人水平值；
生产质量提升模块，用于根据所述生产质量值和预设的质量阈值对所述目标工厂的质量参数组合进行优化，得到所述目标工厂的最佳参数组合，根据所述最佳参数组合对所述目标工厂进行生产质量提升。
本发明实施例通过使用预设的无线网络设备，可以实现对生产机器数据和产品数据的实时采集，消除了传统人工收集数据的时间和人力成本，提高了数据采集的效率，同时考虑多个因素对生产质量的影响，包括机器稳定度、工人水平和生产效率等并利用预设的生产质量算法进行评估，可以更全面、客观地评估目标工厂的生产质量，根据质量值和预设的质量阈值，对目标工厂的质量参数进行优化调整，得到最佳的参数组合，通过参数优化，可以针对不同的因素进行调整和改进，有效提高了生产质量的判断和改进效率，因此本发明提出基于无线网络设备的生产质量提升方法及***，可以解决生产质量提升效率较低的问题。
附图说明
图1为本发明一实施例提供的基于无线网络设备的生产质量提升方法的流程示意图；
图2为本发明一实施例提供的采集生产机器的机器数据的流程示意图；
图3为本发明一实施例提供的生成目标工厂的生产效率的流程示意图；
图4为本发明一实施例提供的基于无线网络设备的生产质量提升***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，参照附图做进一步说明。
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无线网络设备的生产质量提升方法。所述基于无线网络设备的生产质量提升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，所述基于无线网络设备的生产质量提升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无线网络设备的生产质量提升方法的流程示意图。在本实施例中，所述基于无线网络设备的生产质量提升方法包括：
S1、利用预设的无线网络设备采集目标工厂中生产机器的机器数据，根据所述机器数据生成所述生产机器的机器稳定度。
在本发明实施例中，参图2所示，所述利用预设的无线网络设备采集目标工厂中生产机器的机器数据，包括：
S21、利用预设的温度传感器采集目标工厂中生产机器的温度数据；
S22、利用预设的电流传感器采集所述生产机器的电流数据；
S23、利用预设的电压传感器采集所述生产机器的电压数据，汇集所述温度数据、所述电流数据和所述电压数据为所述生产机器的机器数据。
详细地，所述目标工厂是指需要进行生产质量提升的特定工厂；生产机器是指目标工厂中参与生产过程的各种机器设备；无线网络设备是指用于无线通信和数据传输的设备，如无线传感器、路由器等；温度传感器是指一种能够感知周围温度并将其转化为电信号的传感器；电流传感器是指一种能够感知电流强度并将其转化为电信号的传感器；电压传感器是指一种能够感知电压大小并将其转化为电信号的传感器；机器数据是指采集到的关于生产机器状态或性能的各种数据，如温度、电流、电压等。
在本发明实施例中，利用预设的无线网络设备采集目标工厂中生产机器的机器数据，包括使用预设的温度传感器、电流传感器和电压传感器采集生产机器的温度、电流和电压数据，并将这些数据汇集起来，形成关于生产机器的机器数据。
详细地，利用预设的温度传感器采集目标工厂中生产机器的温度数据是指在每台生产机器上安装预设的温度传感器，并通过无线网络设备将温度数据传输到数据中心或监控***，例如，可以在汽车装配线上的焊接机器上安装温度传感器，以监测焊接过程中的温度变化，通过监测温度数据，可以评估生产机器的运行状态，及时检测过热或过冷等异常情况，以确保生产过程的稳定性和产品质量。
详细地，利用预设的电流传感器采集所述生产机器的电流数据：将预设的电流传感器连接到每台生产机器上，并利用无线网络设备将电流数据传输到相应的***中。例如，在食品加工线上的搅拌机器上安装电流传感器，以监测机器的耗电情况，通过监测电流数据，可以了解生产机器的能耗情况和电力消耗水平，有效评估机器的工作状态和效率。
详细地，利用预设的电压传感器采集所述生产机器的电压数据：将预设的电压传感器连接到每台生产机器上，并通过无线网络设备将电压数据传输到数据中心或控制***。例如，在制造业装配线上的机床上安装电压传感器，以监测机床的电源电压情况，通过监测电压数据，可以识别电力供应的稳定性和质量，确保生产机器在合适的电压范围内运行，提高生产过程的稳定性和产品质量。
进一步地，汇集温度数据、电流数据和电压数据为所述生产机器的机器数据：将采集到的温度、电流和电压数据进行整合和汇总，形成关于生产机器的完整机器数据集合。例如，将所有机器数据存储在数据库中，供后续分析和处理。
具体地，假设目标工厂是一家电子公司，生产线上有多台负责焊接电子元件的机器，预设的温度传感器安装在每台焊接机器上，用于采集机器的温度数据。同时，预设的电流传感器和电压传感器也安装在各个机器上，用于采集电流和电压数据。通过无线网络设备，将温度、电流和电压数据传输到数据中心。最终，这些数据被汇集起来，形成关于焊接机器的机器数据。这些数据可以用于监测机器的运行状态，评估焊接质量，并帮助优化焊接过程，提升产品质量。
在本发明实施例中，所述根据所述机器数据生成所述生产机器的机器稳定度，包括：
提取所述机器数据的统计特征，根据所述统计特征生成所述生产机器的机器稳定函数；
利用所述机器稳定函数生成所述生产机器的机器稳定度。
详细地，机器稳定度是指生产机器在一定时间内运行状态的稳定性或可靠度；统计特征是指用于描述数据集合的统计量，如均值、标准差、最大值等。
详细地，提取机器数据的统计特征首先需要对采集到的机器数据进行清洗，去除其中的异常值和错误信息，得到清洗数据。然后将清洗数据按照一定的特征属性进行分类，得到分类数据。最后使用向量转化方法，将分类数据转换成向量形式，得到机器数据的统计特征，通过提取机器数据的统计特征，可以从整体上了解生产机器的运行状态和性能指标，为后续的稳定度计算提供数据基础。
详细地，通过生成机器稳定函数，可以将机器数据转换成数学模型，从而计算生产机器的机器稳定度。
进一步地，使用生成的机器稳定函数，对每个生产机器进行机器稳定度的计算，即根据生产机器的生产记录和平均值，计算机器稳定度，通过计算机器稳定度，可以评估生产机器的稳定性和可靠度，发现并解决潜在问题，提高生产效率。
详细地，所述提取所述机器数据的统计特征为：
对所述机器数据进行数据清洗，得到所述机器数据的清洗数据；
对所述清洗数据进行数据分类，得到所述清洗数据的分类数据；
对所述分类数据进行向量转化，得到所述分类数据的转化向量，利用所述转化向量生成所述机器数据的统计特征。
详细地，所述数据清洗是指对数据进行处理，去除其中的异常值、缺失值、重复值、不一致值等干扰因素，以得到更为规范化、准确性更高的数据，数据清洗是数据预处理的重要环节之一；数据分类是指将数据按照某种属性或规则进行分组的过程。通过对数据进行分类，可以实现对数据的组织和管理，并能够更好地发现数据之间的内在规律；向量转化是将数据从原始形式转换成向量的过程。用向量表示数据集合不仅可以提高数据处理的效率，而且能够更好地描述数据之间的相似度和差异度。
详细地，数据清洗的目的是去除干扰因素，提高数据质量和准确性。通常采用以下几个步骤完成数据清洗：去除异常值：排除不合理的、极端的或离群的数据，使得数据更加真实有效；填补缺失值：对于存在缺失信息的数据，采用均值、中位数等方法来填充缺失值，保证数据完整性；去重：如果数据中存在重复记录，需要删除重复的数据，避免数据冗余；格式转换：将不符合数据格式要求的数据转换成正确格式，避免后续处理错误。例如，在工厂机器数据中，可能存在传感器损坏或读数错误等情况，通过数据清洗可以消除这些问题，保证机器数据的准确性和真实性。
详细地，通过对机器数据进行分类，可以更好地组织和管理数据，并能够更有效地发现数据之间的内在规律。数据分类的具体实现方式如下：根据属性分类：把数据根据某个属性分成若干类别。例如，按照温度大小将机器数据分为高温和低温两类；根据规则分类：根据事先设定的规则将数据分为不同的类别。例如，将某个时间段内机器产量低于一定值的机器划分为异常机器或者受损机器等。例如，在工厂机器数据中，可以将机器按照生产时间、机型、运行状态等属性进行分类，以方便后续分析。
详细地，通过向量转化的方式将机器数据转化为向量形式，以便更好地描述其统计特征。具体实现方式如下：词袋模型：将文本数据中的每个单词表示成一个向量，使用每个单词在文本中出现的次数作为单词向量中对应位置的值；TF-IDF模型：将文本数据中的单词表示成一个向量，使用每个单词在文本中出现的频率乘以该单词在所有文本中出现的频率作为单词向量中对应位置的值；One-hot编码：将每个离散属性值表示成一个向量，在该向量中，对应的属性值的位置上为1，其他位置均为0。例如，在工厂机器数据中，可以将机器采集到的各种数据信息转化为向量形式，例如，电流和温度可以转化为一个二维向量，其中的两个分量分别表示电流和温度的值。这样，就可以使用向量中的各种统计特征描述机器的运行状态和性能指标。
进一步地，假设一家工厂中有多台机器，每台机器都采集了不同的数据信息，包括机器运行时间、电流、温度等。首先，对机器数据进行数据清洗和分类，例如，去除异常值、填充缺失值、按照机型分类等操作。然后，将分类好的机器数据转化为向量形式，例如，将机器运行时间和电流转化为二维向量，其中第一个分量表示机器运行时间，第二个分量表示机器电流。通过向量中的统计特征，可以得到每台机器的平均运行时间、电流的方差等性能指标，并据此计算每台机器的机器稳定度。通过机器稳定度的计算和分析，可以评估每台机器的可靠性和稳定性。
详细地，所述机器稳定函数，包括：
其中，是第/>个所述生产机器的机器稳定度，/>是第/>个所述生产机器在 />个周期内的平均生产值，/>是观察周期的总数，/>是第/>个所述生产机器在观察周期内的第次生产记录，/>是第/>个所述生产机器在/>周期内的实际生产数量，/>是所述生产机器的机器标识。
详细地，机器稳定函数表示的是对于每台机器，首先计算它在观察周期内的平均生产值/>，然后，对于每个观察周期，计算第/>台机器在该周期内的实际生产数量/>，接下来，计算该机器在观察周期内实际生产数量与平均生产值的差/>，对于每个观察周期，将差的平方/>求和，得到观察周期内的差的平方和，最后，将观察周期内的差的平方和除以/>，得到该台机器的机器稳定度/>。
详细地，机器稳定函数的含义是通过比较每个观察周期内的实际生产数量与平均生产值的差异，来评估机器的稳定性。如果机器的生产数量在每个周期都接***均值，那么差的平方和就会较小，机器稳定度就会较高；反之，如果机器的生产数量波动较大，则差的平方和就会较大，机器稳定度/>就会较低。
S2、获取所述目标工厂的产品数据，根据所述产品数据生成所述目标工厂的工人水平值。
在本发明实施例中，所述获取所述目标工厂的产品数据，包括：
获取所述目标工厂中工厂产品的生产时间数据、所述工厂产品所对应的缺陷产品数据、所述工厂产品所对应的合格产品数据、所述工厂产品所对应的工人数据；
汇集所述生产时间数据、所述缺陷产品数据、所述合格产品数据和所述工人数据为所述目标工厂的产品数据。
详细地，产品数据包括工厂产品的生产时间数据、缺陷产品数据、合格产品数据以及工人数据等信息，其中，所述生产时间数据指工厂产品在生产过程中所花费的时间，可以用来比较不同产品之间的生产效率；缺陷产品数据指生产过程中被检测出来存在缺陷的产品数量和类别，可以用来评估工厂产品的质量水平；合格产品数据指生产过程中检测出来符合要求的产品数量和类别，可以用来评估工厂产品的生产效率和质量水平；工人数据指参与工厂产品生产的工人信息，包括工人数量、技能水平等。
详细地，通过使用计算机或其他相应的技术手段，在目标工厂中收集、整理和处理相关数据，得到完整的产品数据集。
详细地，通过获取和汇集产品数据，可以为工厂的生产管理和优化提供参考依据，帮助工厂提高生产效率和产品质量。
进一步地，假设某工厂需要进行生产数据分析，那么可以通过收集该工厂在一定时间段内的生产时间数据、缺陷产品数据、合格产品数据以及工人数据，并将这些数据整合到一起，形成一个完整的产品数据集。通过对这个数据集的分析，可以评估该工厂的生产效率和质量水平，进而进行优化和改进。
在本发明实施例中，所述根据所述产品数据生成所述目标工厂的工人水平值，包括：
利用如下工人水平算法和所述产品数据生成所述目标工厂的工人水平值：
其中，是所述目标工厂的工人水平值，/>是所述目标工厂中的工人标识，/>是所述目标工厂中的工人总数，/>是第/>个工人在一个特定时间段内生产的产品中被检测出的缺陷产品数量，/>是第/>个工人在一个特定时间段内生产的产品数量，/>是第/>个工人的水平权重，/>是所述工人的标识。
详细地，工人水平算法通过对每个工人在特定时间段内生产的产品进行统计，计算其缺陷产品数量与总产品数量的比例，并乘以其对应的水平权重，再将所有工人的结果累加得到目标工厂的工人水平值。
详细地，工人水平算法公式中的比例项用于表示每个工人生产的产品中有多少是缺陷品，一般来说，缺陷产品越少，说明工人的工作质量越高。
详细地，工人水平算法公式中的项代表每个工人的水平权重，它可以是根据工人的技能水平、经验、培训程度等因素来确定。较高的水平权重意味着对应工人对整体工人水平值的贡献更大。
详细地，通过将每个工人的结果相加，得到了目标工厂的工人水平值，这样可以综合考虑不同工人的贡献，得出一个整体评估指标。
S3、根据所述产品数据生成所述目标工厂的生产效率。
在本发明实施例中，参图3所示，所述根据所述产品数据生成所述目标工厂的生产效率，包括：
S31、根据所述产品数据确定所述目标工厂的生产产品总量；
S32、根据生产产品总量所对应的生产产品确定所述目标工厂的生产总时长；
S33、根据所述生产产品总量和所述生产总时长生成所述目标工厂的生产效率。
详细地，生产效率是指在单位时间内完成的生产任务或产出的数量。
详细地，根据所述产品数据确定所述目标工厂的生产产品总量是指根据提供的产品数据，计算目标工厂在特定时间段内所生产的产品的总数量，例如：假设目标工厂在一周内生产了1000个产品。
详细地，根据生产产品总量所对应的生产产品确定所述目标工厂的生产总时长是指根据生产产品总量，计算目标工厂完成这些产品所需要的总时间，例如：假设目标工厂生产的1000个产品需要3天时间。
详细地，根据所述生产产品总量和所述生产总时长生成所述目标工厂的生产效率是指通过将生产产品总量除以生产总时长，计算出目标工厂的生产效率，例如：目标工厂的生产效率为1000个产品/3天 = 333.33个产品/天。
S4、利用预设的生产质量算法、所述机器稳定度、所述工人水平值和所述生产效率生成所述目标工厂的生产质量值。
在本发明实施例中，所述预设的生产质量算法为：
其中，是所述目标工厂的生产质量值，/>表示工人水平值对生产质量的影响程度，/>是所述目标工厂的生产效率，/>是生产机器的机器稳定度，/>是表示生产效率/>和机器稳定度/>对生产质量的影响程度，/>是所述目标工厂的生产成本，/>是目标工厂的工人水平值。
详细地，所述预设的生产质量算法是用来计算目标工厂的生产质量值的，它包含了多个参数：生产效率、机器稳定度/>、生产成本/>和工人水平值/>等。
进一步地，是表示生产效率/>和机器稳定度/>对生产质量的影响程度，/>越大，说明生产效率和机器稳定度对生产质量的影响就越大；生产效率/>表示在单位时间内完成的生产任务或产出的数量，/>越高，说明目标工厂的生产效率越好；机器稳定度/>是指机器的故障率等性能指标，/>越高，说明生产机器越稳定，发生故障的几率越小；生产成本/>越低，说明目标工厂的生产成本越低，可以更节约成本地实现生产；工人水平值/>表示工人对生产质量的贡献程度，/>越高，说明工人的水平越高，对生产质量的影响就越大；/>表示工人水平值对生产质量的影响程度，/>越大，说明工人水平值对生产质量的影响就越大。
详细地，所述预设的生产质量算法将生产效率、机器稳定度、生产成本和工人水平值这些因素纳入考虑，计算出目标工厂的生产质量值。具体来说，当工厂的生产效率、机器稳定度和工人水平值都很高时，生产出的产品质量应该也相对较高；而当生产成本较低时，工厂在保证质量的前提下，可以更节约成本地实现生产。
S5、根据所述生产质量值和预设的质量阈值对所述目标工厂的质量参数组合进行优化，得到所述目标工厂的最佳参数组合，根据所述最佳参数组合对所述目标工厂进行生产质量提升。
在本发明实施例中，所述根据所述生产质量值和预设的质量阈值对所述目标工厂的质量参数组合进行优化，得到所述目标工厂的最佳参数组合，包括：
将所述生产质量值和预设的质量阈值进行比较，当所述生产质量值大于或者预设的质量阈值，确定所述生产质量值所对应的参数组合为所述目标工厂的最佳参数组合；
当所述生产质量值小于预设的质量阈值时，确定所述生产质量值所对应的参数组合为所述目标工厂的待优化参数组合，对所述待优化参数组合进行组合优化，得到所述待优化参数组合的优化参数组合，确定所述优化参数组合为所述目标工厂的最佳参数组合。
详细地，所述生产质量值是指目标工厂生产的产品质量的评估值；预设的质量阈值是指确定的一个标准，用来比较生产质量值的基准值。
详细地，将生产质量值与预设的质量阈值进行比较，如果生产质量值大于或等于预设的质量阈值，则将该生产质量值所对应的参数组合确定为目标工厂的最佳参数组合。这意味着该参数组合能够满足预设的质量标准；如果生产质量值小于预设的质量阈值，则将该生产质量值所对应的参数组合确定为目标工厂的待优化参数组合，接下来，针对待优化参数组合进行组合优化，寻找更好的参数组合，通过搜索和优化算法，得到待优化参数组合的优化参数组合。
详细地，比较生产质量值和预设的质量阈值是指通过数值比较判断目标工厂的生产质量是否达标。
详细地，对所述待优化参数组合进行组合优化，得到所述待优化参数组合的优化参数组合是指针对待优化参数组合，使用优化算法（如遗传算法、模拟退火等）进行搜索和优化，以获得更好的参数组合，该组合能够在质量保证的前提下实现最佳效果。
具体地，假设一个目标工厂要优化生产线上的三个参数：生产效率、机器稳定度和工人水平值。预设的质量阈值为80。当生产线的生产质量值为85时，大于预设的质量阈值，此时确定该参数组合为最佳参数组合。而当生产线的生产质量值为75时，小于预设的质量阈值，此时确定该参数组合为待优化参数组合。针对待优化参数组合，通过优化算法进行搜索和优化，得到优化参数组合为（增加生产效率、提高机器稳定度、提升工人水平值），进而确定最佳参数组合。这样可以使得生产线的生产质量值达到预设质量阈值以上。
在本发明实施例中，所述最佳参数组合是指根据生产效率、机器稳定度和工人水平值组成地组合。
详细地，所述根据所述最佳参数组合对所述目标工厂进行生产质量提升包括：按照最佳参数组合对机器设备进行调整、优化工序流程和控制参数和加强人员培训和管理，其中，按照最佳参数组合对机器设备进行调整是指根据最佳参数组合的参数调整，对目标工厂的机器设备进行相关调整，以提高机器的稳定性和能效性，减少机械故障和损坏，最终提高生产效率和产品质量；优化工序流程和控制参数是指根据最佳参数组合优化工序流程和控制参数，按照科学合理的生产流程和参数设置进行生产，减少生产中的浪费和不良品数量，从而保证生产过程的质量稳定性和可重复性；加强人员培训和管理是指根据最佳参数组合加强工人培训和管理，提高工人技能水平，降低操作失误和意外情况的发生，从而保证生产过程的安全性和质量稳定性。
本发明实施例通过使用预设的无线网络设备，可以实现对生产机器数据和产品数据的实时采集，消除了传统人工收集数据的时间和人力成本，提高了数据采集的效率，同时考虑多个因素对生产质量的影响，包括机器稳定度、工人水平和生产效率等并利用预设的生产质量算法进行评估，可以更全面、客观地评估目标工厂的生产质量，根据质量值和预设的质量阈值，对目标工厂的质量参数进行优化调整，得到最佳的参数组合，通过参数优化，可以针对不同的因素进行调整和改进，有效提高了生产质量的判断和改进效率，因此本发明提出基于无线网络设备的生产质量提升方法，可以解决生产质量提升效率较低的问题。
如图4所示，是本发明一实施例提供的基于无线网络设备的生产质量提升***的功能模块图。
本发明所述基于无线网络设备的生产质量提升***100可以安装于电子设备中。根据实现的功能，所述基于无线网络设备的生产质量提升***100可以包括机器稳定度生成模块101、工人水平值生成模块102、生产效率生成模块103、生产质量值生成模块104、生产质量提升模块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：
所述机器稳定度生成模块101，用于利用预设的无线网络设备采集目标工厂中生产机器的机器数据，根据所述机器数据生成所述生产机器的机器稳定度；
所述工人水平值生成模块102，用于获取所述目标工厂的产品数据，根据所述产品数据生成所述目标工厂的工人水平值；
所述生产效率生成模块103，用于根据所述产品数据生成所述目标工厂的生产效率；
所述生产质量值生成模块104，用于利用预设的生产质量算法、所述机器稳定度、所述工人水平值和所述生产效率生成所述目标工厂的生产质量值，其中，所述预设的生产质量算法为：
其中，是所述目标工厂的生产质量值，/>表示工人水平值对生产质量的影响程度，/>是所述目标工厂的生产效率，/>是生产机器的机器稳定度，/>是表示生产效率/>和机器稳定度/>对生产质量的影响程度，/>是所述目标工厂的生产成本，/>是目标工厂的工人水平值；
所述生产质量提升模块105，用于根据所述生产质量值和预设的质量阈值对所述目标工厂的质量参数组合进行优化，得到所述目标工厂的最佳参数组合，根据所述最佳参数组合对所述目标工厂进行生产质量提升。
在本发明所提供的几个实施例中，应该理解到，所揭露的方法及***，可以通过其它的方式实现。例如，以上所描述的***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。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
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。***权利要求中陈述的多个单元或***也可以由一个单元或***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)
1.一种基于无线网络设备的生产质量提升方法，其特征在于，所述方法包括：
利用预设的无线网络设备采集目标工厂中生产机器的机器数据，根据所述机器数据生成所述生产机器的机器稳定度；
获取所述目标工厂的产品数据，根据所述产品数据生成所述目标工厂的工人水平值；
根据所述产品数据生成所述目标工厂的生产效率；
利用预设的生产质量算法、所述机器稳定度、所述工人水平值和所述生产效率生成所述目标工厂的生产质量值，其中，所述预设的生产质量算法为：
其中，/>是所述目标工厂的生产质量值，/>表示工人水平值对生产质量的影响程度，/>是所述目标工厂的生产效率，/>是生产机器的机器稳定度，/>是表示生产效率/>和机器稳定度/>对生产质量的影响程度，/>是所述目标工厂的生产成本，/>是目标工厂的工人水平值；
根据所述生产质量值和预设的质量阈值对所述目标工厂的质量参数组合进行优化，得到所述目标工厂的最佳参数组合，根据所述最佳参数组合对所述目标工厂进行生产质量提升。
2.如权利要求1所述的基于无线网络设备的生产质量提升方法，其特征在于，所述利用预设的无线网络设备采集目标工厂中生产机器的机器数据，包括：
利用预设的温度传感器采集目标工厂中生产机器的温度数据；
利用预设的电流传感器采集所述生产机器的电流数据；
利用预设的电压传感器采集所述生产机器的电压数据，汇集所述温度数据、所述电流数据和所述电压数据为所述生产机器的机器数据。
3.如权利要求1所述的基于无线网络设备的生产质量提升方法，其特征在于，所述根据所述机器数据生成所述生产机器的机器稳定度，包括：
提取所述机器数据的统计特征，根据所述统计特征生成所述生产机器的机器稳定函数；
利用所述机器稳定函数生成所述生产机器的机器稳定度。
4.如权利要求3所述的基于无线网络设备的生产质量提升方法，其特征在于，所述提取所述机器数据的统计特征为：
对所述机器数据进行数据清洗，得到所述机器数据的清洗数据；
对所述清洗数据进行数据分类，得到所述清洗数据的分类数据；
对所述分类数据进行向量转化，得到所述分类数据的转化向量，利用所述转化向量生成所述机器数据的统计特征。
5.如权利要求3所述的基于无线网络设备的生产质量提升方法，其特征在于，所述机器稳定函数，包括：
其中，/>是第/>个所述生产机器的机器稳定度，/>是第个所述生产机器在 />个周期内的平均生产值，/>是观察周期的总数，/>是第/>个所述生产机器在观察周期内的第/>次生产记录，/>是第/>个所述生产机器在/>周期内的实际生产数量，/>是所述生产机器的机器标识。
6.如权利要求1所述的基于无线网络设备的生产质量提升方法，其特征在于，所述获取所述目标工厂的产品数据，包括：
获取所述目标工厂中工厂产品的生产时间数据、所述工厂产品所对应的缺陷产品数据、所述工厂产品所对应的合格产品数据、所述工厂产品所对应的工人数据；
汇集所述生产时间数据、所述缺陷产品数据、所述合格产品数据和所述工人数据为所述目标工厂的产品数据。
7.如权利要求1所述的基于无线网络设备的生产质量提升方法，其特征在于，所述根据所述产品数据生成所述目标工厂的工人水平值，包括：
利用如下工人水平算法和所述产品数据生成所述目标工厂的工人水平值：
其中，/>是所述目标工厂的工人水平值，/>是所述目标工厂中的工人标识，/>是所述目标工厂中的工人总数，/>是第/>个工人在一个特定时间段内生产的产品中被检测出的缺陷产品数量，/>是第/>个工人在一个特定时间段内生产的产品数量，是第/>个工人的水平权重，/>是所述工人的标识。
8.如权利要求1所述的基于无线网络设备的生产质量提升方法，其特征在于，所述根据所述产品数据生成所述目标工厂的生产效率，包括：
根据所述产品数据确定所述目标工厂的生产产品总量；
根据生产产品总量所对应的生产产品确定所述目标工厂的生产总时长；
根据所述生产产品总量和所述生产总时长生成所述目标工厂的生产效率。
9.如权利要求1至8中任一项所述的基于无线网络设备的生产质量提升方法，其特征在于，所述根据所述生产质量值和预设的质量阈值对所述目标工厂的质量参数组合进行优化，得到所述目标工厂的最佳参数组合，包括：
将所述生产质量值和预设的质量阈值进行比较，当所述生产质量值大于或者预设的质量阈值，确定所述生产质量值所对应的参数组合为所述目标工厂的最佳参数组合；
当所述生产质量值小于预设的质量阈值时，确定所述生产质量值所对应的参数组合为所述目标工厂的待优化参数组合，对所述待优化参数组合进行组合优化，得到所述待优化参数组合的优化参数组合，确定所述优化参数组合为所述目标工厂的最佳参数组合。
10.一种基于无线网络设备的生产质量提升***，其特征在于，所述***包括：
机器稳定度生成模块，用于利用预设的无线网络设备采集目标工厂中生产机器的机器数据，根据所述机器数据生成所述生产机器的机器稳定度；
工人水平值生成模块，用于获取所述目标工厂的产品数据，根据所述产品数据生成所述目标工厂的工人水平值；
生产效率生成模块，用于根据所述产品数据生成所述目标工厂的生产效率；
生产质量值生成模块，用于利用预设的生产质量算法、所述机器稳定度、所述工人水平值和所述生产效率生成所述目标工厂的生产质量值，其中，所述预设的生产质量算法为：
其中，/>是所述目标工厂的生产质量值，/>表示工人水平值对生产质量的影响程度，/>是所述目标工厂的生产效率，/>是生产机器的机器稳定度，/>是表示生产效率/>和机器稳定度/>对生产质量的影响程度，/>是所述目标工厂的生产成本，/>是目标工厂的工人水平值；
生产质量提升模块，用于根据所述生产质量值和预设的质量阈值对所述目标工厂的质量参数组合进行优化，得到所述目标工厂的最佳参数组合，根据所述最佳参数组合对所述目标工厂进行生产质量提升。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311595880.7A CN117311295B (zh) | 2023-11-28 | 2023-11-28 | 基于无线网络设备的生产质量提升方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311595880.7A CN117311295B (zh) | 2023-11-28 | 2023-11-28 | 基于无线网络设备的生产质量提升方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117311295A true CN117311295A (zh) | 2023-12-29 |
| CN117311295B CN117311295B (zh) | 2024-01-30 |
Family
ID=89281385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311595880.7A Active CN117311295B (zh) | 2023-11-28 | 2023-11-28 | 基于无线网络设备的生产质量提升方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117311295B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118070573A (zh) * | 2024-04-24 | 2024-05-24 | 深圳百通玄武技术有限公司 | 一种用于实现光纤设备的制备工艺优化方法及*** |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111352968A (zh) * | 2020-02-28 | 2020-06-30 | 杭州云象网络技术有限公司 | 一种基于区块链网络的智能制造要素识取方法 |
| CN113490184A (zh) * | 2021-05-10 | 2021-10-08 | 北京科技大学 | 一种面向智慧工厂的随机接入资源优化方法及装置 |
| US20220206469A1 (en) * | 2019-04-29 | 2022-06-30 | Siemens Aktiengesellschaft | Method and apparatus for configuring processing parameters of production equipment, and computer-readable medium |
| CN115293735A (zh) * | 2022-07-29 | 2022-11-04 | 深圳市玄羽科技有限公司 | 一种无人工厂工业互联网平台监测管理方法及*** |
| CN115438877A (zh) * | 2022-10-14 | 2022-12-06 | 成都理工大学 | 一种基于灰狼算法求解多目标分布式柔性车间调度优化方法 |
| US20220413455A1 (en) * | 2020-11-13 | 2022-12-29 | Zhejiang University | Adaptive-learning intelligent scheduling unified computing frame and system for industrial personalized customized production |
| CN115907067A (zh) * | 2022-08-30 | 2023-04-04 | 福建省万物智联科技有限公司 | 一种数字化运营的方法及相关设备 |
| CN115983532A (zh) * | 2023-02-10 | 2023-04-18 | 杭州艾想科技有限公司 | 设备生产质量检测的方法、***、电子装置和存储介质 |
| CN116700194A (zh) * | 2023-07-20 | 2023-09-05 | 浪潮云洲工业互联网有限公司 | 一种用于smt生产线的生产效率优化方法、设备及介质 |
| CN116828001A (zh) * | 2023-08-28 | 2023-09-29 | 长春易加科技有限公司 | 一种基于大数据分析的智慧工厂生产效率优化***及方法 |
| CN116993052A (zh) * | 2023-08-08 | 2023-11-03 | 安徽米乐信息科技有限公司 | 一种基于数字孪生的智慧工厂生产在线监测分析*** |
| CN117078105A (zh) * | 2023-08-30 | 2023-11-17 | 深圳市三泰信息科技有限公司 | 基于人工智能的生产质量监控方法及*** |
-
2023
- 2023-11-28 CN CN202311595880.7A patent/CN117311295B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220206469A1 (en) * | 2019-04-29 | 2022-06-30 | Siemens Aktiengesellschaft | Method and apparatus for configuring processing parameters of production equipment, and computer-readable medium |
| CN111352968A (zh) * | 2020-02-28 | 2020-06-30 | 杭州云象网络技术有限公司 | 一种基于区块链网络的智能制造要素识取方法 |
| US20220413455A1 (en) * | 2020-11-13 | 2022-12-29 | Zhejiang University | Adaptive-learning intelligent scheduling unified computing frame and system for industrial personalized customized production |
| CN113490184A (zh) * | 2021-05-10 | 2021-10-08 | 北京科技大学 | 一种面向智慧工厂的随机接入资源优化方法及装置 |
| CN115293735A (zh) * | 2022-07-29 | 2022-11-04 | 深圳市玄羽科技有限公司 | 一种无人工厂工业互联网平台监测管理方法及*** |
| CN115907067A (zh) * | 2022-08-30 | 2023-04-04 | 福建省万物智联科技有限公司 | 一种数字化运营的方法及相关设备 |
| CN115438877A (zh) * | 2022-10-14 | 2022-12-06 | 成都理工大学 | 一种基于灰狼算法求解多目标分布式柔性车间调度优化方法 |
| CN115983532A (zh) * | 2023-02-10 | 2023-04-18 | 杭州艾想科技有限公司 | 设备生产质量检测的方法、***、电子装置和存储介质 |
| CN116700194A (zh) * | 2023-07-20 | 2023-09-05 | 浪潮云洲工业互联网有限公司 | 一种用于smt生产线的生产效率优化方法、设备及介质 |
| CN116993052A (zh) * | 2023-08-08 | 2023-11-03 | 安徽米乐信息科技有限公司 | 一种基于数字孪生的智慧工厂生产在线监测分析*** |
| CN116828001A (zh) * | 2023-08-28 | 2023-09-29 | 长春易加科技有限公司 | 一种基于大数据分析的智慧工厂生产效率优化***及方法 |
| CN117078105A (zh) * | 2023-08-30 | 2023-11-17 | 深圳市三泰信息科技有限公司 | 基于人工智能的生产质量监控方法及*** |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118070573A (zh) * | 2024-04-24 | 2024-05-24 | 深圳百通玄武技术有限公司 | 一种用于实现光纤设备的制备工艺优化方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117311295B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105868373B (zh) | 电力业务信息***关键数据处理方法及装置 | |
| CN117311295B (zh) | 基于无线网络设备的生产质量提升方法及*** | |
| CN116992399B (zh) | 一种基于电力数据分析的电力设备运维评估方法 | |
| CN114462133A (zh) | 基于数字孪生技术装备产品碳足迹数字化核算方法及*** | |
| CN104281779A (zh) | 一种异常数据判定与处理方法及装置 | |
| CN114723285A (zh) | 一种电网设备安全性评估预测方法 | |
| CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
| CN115796708B (zh) | 一种工程建设用的大数据智能质检方法、***和介质 | |
| CN116388402B (zh) | 一种应用于变电设备的异常报警分析方法 | |
| CN113420162A (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
| CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理*** | |
| CN117056688A (zh) | 一种基于数据分析的新材料生产数据管理***及方法 | |
| CN113849774A (zh) | 基于寿命分析和健康监测的设备智能维护平台 | |
| CN113011477B (zh) | 一种太阳辐照数据的清洗和补全***及方法 | |
| CN115689320A (zh) | 基站运行的健康管理方法、装置及计算机可读存储介质 | |
| CN111709597B (zh) | 一种电网生产域运营监测*** | |
| CN112580858A (zh) | 设备参数预测分析方法及*** | |
| CN113361730B (zh) | 一种检修计划的风险预警方法、装置、设备和介质 | |
| CN109635350B (zh) | 一种用于仿真的潮流断面自动生成的数据替换方法及*** | |
| CN117472898B (zh) | 一种基于融合的配电网异常数据纠错方法及*** | |
| CN115660613B (zh) | 异常数据监测方法、装置、设备、存储介质及程序产品 | |
| CN116665420A (zh) | 一种风力电站智能预警***及方法 | |
| CN117076891A (zh) | 一种清洁能源发电数据清洗、功率预测分析方法和*** | |
| CN116701039A (zh) | 数据处理方法、装置和电子设备 | |
| CN117827798A (zh) | 一种电动汽车充电安全特征数据库的构建方法及*** |
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 |