CN117556968B - 粉末涂料制备方法、装置、电子设备及存储介质 - Google Patents
粉末涂料制备方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117556968B CN117556968B CN202410040543.XA CN202410040543A CN117556968B CN 117556968 B CN117556968 B CN 117556968B CN 202410040543 A CN202410040543 A CN 202410040543A CN 117556968 B CN117556968 B CN 117556968B
- Authority
- CN
- China
- Prior art keywords
- production
- historical
- loss
- powder coating
- grinding
- 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.)
- Active
Links
- 238000000576 coating method Methods 0.000 title claims abstract description 227
- 239000000843 powder Substances 0.000 title claims abstract description 224
- 239000011248 coating agent Substances 0.000 title claims abstract description 207
- 238000002360 preparation method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000004519 manufacturing process Methods 0.000 claims abstract description 511
- 238000000227 grinding Methods 0.000 claims abstract description 136
- 239000002994 raw material Substances 0.000 claims abstract description 129
- 238000007599 discharging Methods 0.000 claims abstract description 80
- 238000000034 method Methods 0.000 claims abstract description 40
- 239000003973 paint Substances 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 17
- 239000000463 material Substances 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 239000011324 bead Substances 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 6
- 238000004806 packaging method and process Methods 0.000 claims description 6
- 238000011958 production data acquisition Methods 0.000 claims description 3
- 238000004904 shortening Methods 0.000 claims 2
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000005498 polishing Methods 0.000 description 16
- 239000011882 ultra-fine particle Substances 0.000 description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 10
- 238000003801 milling Methods 0.000 description 7
- 229920000728 polyester Polymers 0.000 description 7
- 239000002699 waste material Substances 0.000 description 7
- 239000007787 solid Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 239000000049 pigment Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000002904 solvent Substances 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- NIXOWILDQLNWCW-UHFFFAOYSA-N acrylic acid group Chemical group C(C=C)(=O)O NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 description 2
- 238000005054 agglomeration Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000002270 dispersing agent Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000945 filler Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 229920001169 thermoplastic Polymers 0.000 description 2
- 229920001187 thermosetting polymer Polymers 0.000 description 2
- 239000004416 thermosoftening plastic Substances 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 239000004593 Epoxy Substances 0.000 description 1
- 241000728173 Sarima Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 239000007888 film coating Substances 0.000 description 1
- 238000009501 film coating Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000004814 polyurethane Substances 0.000 description 1
- 229920002635 polyurethane Polymers 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000004801 process automation Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000007858 starting material Substances 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B02—CRUSHING, PULVERISING, OR DISINTEGRATING; PREPARATORY TREATMENT OF GRAIN FOR MILLING
- B02C—CRUSHING, PULVERISING, OR DISINTEGRATING IN GENERAL; MILLING GRAIN
- B02C25/00—Control arrangements specially adapted for crushing or disintegrating
-
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Food Science & Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Disintegrating Or Milling (AREA)
Abstract
本申请涉及一种粉末涂料制备方法、装置、电子设备及存储介质。通过对生产任务的分析确定待生产粉末涂料的需求属性和对应的生产属性;针对每一类待生产粉末涂料,结合历史生产数据确定历史研磨损耗和历史质量损耗,并据此预测研磨损耗、质量损耗;最终结合目标生产数量,即可确定每一种生产原料的预备量,并控制对应的出料设备进行精准出料。利用历史生产数据的历史研磨损耗和历史质量损耗来预测研磨损耗、质量损耗,据此进行生产原料的预备量分析,相对于人工凭借经验确定预备量更具科学性和准确性。将原料的损耗拆分为研磨损耗和质量损耗两大类,可以对历史生产数据进行更加详尽的分析,提升预测准确率,提升预备量的准确性,精准控制生产成本。
Description
技术领域
本申请涉及粉末涂料制备技术领域,尤其是涉及一种粉末涂料制备方法、装置、电子设备及存储介质。
背景技术
粉末涂料因其具有高效、高质量的涂装效果以及优异的保护和提升使用寿命等特点,在当今工业和日常生活中应用广泛。而粉末涂料的制作过程相对复杂,需要严格控制生产工艺和设备参数,同时需要考虑能源消耗、环保等因素。
在实际生产制造过程中,无论设备参数如何调整,都会产生不可忽视的损耗,这就会导致实际产量难以估计,无法确定是否能够满足需要。如果实际产量过少,无疑需要再次生产以满足需要,但两次生产的产品一致性难以保证;如果实际产量过多,过量部分储存难度较大,容易造成浪费。
相关技术中,通常由技术人员根据经验判断按照需求确定原料使用量,往往会产生比较大的偏差,生产成本难以精准控制。
发明内容
本申请提供一种粉末涂料制备方法、装置、电子设备及存储介质。通过对粉末涂料需求的详细拆解分析,结合损耗量的预测,确定生产原料的用量,对生产过程进行尽量精准的控制,以控制成本。
第一方面,本申请提供一种粉末涂料制备方法,应用于粉末涂料生产控制设备,所述粉末涂料生产控制设备用于控制至少一条粉末涂料生产线;所述粉末涂料制备方法包括:
获取当前生产任务,并根据所述当前生产任务,确定每一类待生产粉末涂料的需求属性和对应的生产属性;所述需求属性包括涂料颜色、涂料性能、目标生产数量;所述生产属性包括生产环境、生产原料、原料配比、粉末涂料生产线;
针对每一类待生产粉末涂料,获取该类待生产粉末涂料对应的粉末涂料生产线的历史生产数据;所述历史生产数据包括历史生产粉末涂料的需求属性和对应的生产属性、实际原料用量、实际产量;所述实际产量包括研磨后产量和合格品产量;
针对每一类待生产粉末涂料,根据所述历史生产数据中的实际原料用量、研磨后产量,确定历史研磨损耗;根据所述历史生产数据中的实际原料用量、研磨后产量、合格品产量,确定历史质量损耗;
针对每一类待生产粉末涂料,结合所述历史生产粉末涂料的需求属性和对应的生产属性、所述待生产粉末涂料的需求属性和对应的生产属性、所述历史研磨损耗、所述历史质量损耗,预测研磨损耗、质量损耗;
根据所述研磨损耗、所述质量损耗及所述目标生产数量,确定每一类待生产粉末涂料对应的每一种生产原料的预备量;
根据所述每一种生产原料的预备量控制对应的所述粉末涂料生产线中的出料设备进行出料。
可选的,所述结合所述历史生产粉末涂料的需求属性和对应的生产属性、所述待生产粉末涂料的需求属性和对应的生产属性、所述历史研磨损耗、所述历史质量损耗,预测研磨损耗、质量损耗,包括:
针对每一组所述历史生产数据,根据所述历史研磨损耗、所述历史质量损耗、所述历史研磨损耗与所述历史质量损耗的差异度,确定该组历史生产数据的第一可参考度;
针对每一组所述历史生产数据,根据该组历史生产数据中的需求属性与所述待生产粉末涂料的需求属性的相似度,确定该组历史生产数据的第二可参考度;
针对每一组所述历史生产数据,根据该组历史生产数据中的生产属性、所述待生产粉末涂料的生产属性,确定该组历史生产数据的第三可参考度;
根据第一可参考度、第二可参考度、第三可参考度,对所述历史生产数据进行筛选,确定参考历史生产数据;
根据所述参考历史生产数据对应的所述历史研磨损耗、所述历史质量损耗、第一可参考度、第二可参考度、第三可参考度,预测研磨损耗、质量损耗。
可选的,所述根据第一可参考度、第二可参考度、第三可参考度,对所述历史生产数据进行筛选,确定参考历史生产数据,包括:
针对每一组所述历史生产数据,若第一可参考度大于第一预设值,第二可参考度大于第二预设值,第三可参考度大于第三预设值,则将该组历史生产数据确定为参考历史生产数据。
可选的,所述根据所述参考历史生产数据对应的所述历史研磨损耗、所述历史质量损耗、第一可参考度、第二可参考度、第三可参考度,预测研磨损耗、质量损耗,包括:
针对每一组参考历史数据,根据第一可参考度、第二可参考度、第三可参考度,确定该组参考历史数据的整体可参考度;
根据整体可参考度大于第四预设值的参考历史数据对应的所述历史研磨损耗、所述历史质量损耗,预测研磨损耗、质量损耗。
可选的,所述方法还包括:
若所述预测研磨损耗大于第五预设值,则缩短研磨设备的研磨时间,和/或,减小研磨珠的尺寸。
可选的,所述粉末涂料生产线中包括原料罐、出料设备、配料罐;所述原料罐用于分装不同的生产原料;所述出料设备用于将原料罐中的生产原料排出至配料罐中;所述配料罐底部设置有高灵敏度的计量装置,用于计量生产原料的重量;
所述根据所述每一种生产原料的预备量控制对应的所述粉末涂料生产线中的出料设备进行出料,包括:
根据工艺要求,确定每一种生产原料的出料顺序和出料时间;
在对应的出料时间,按照所述出料顺序控制所述出料设备对对应的生产原料进行出料,同时根据计量装置的重量变化确定出料量,在出料量达到预备量时控制所述出料设备对下一顺序的生产原料进行出料。
可选的,所述获取当前生产任务,包括:
收集预设时间内的订单数据,所述订单数据中包含不同客户订购的粉末涂料的需求属性和生产期限;
根据客户订购的粉末涂料的需求属性,确定对应的粉末涂料生产线的生产能力数据;所述生产能力数据包括单次最高产量和单次生产周期长度;
根据每个订单对应的目标生产数量、生产期限、粉末涂料生产线的生产能力数据,对收集到的订单数据进行整合,以待生产粉末涂料的颜色性能、生产期限为不同维度的标准,按紧要程度和产线归类出不同的生产任务;
从所有生产任务中确定出当前生产任务。
第二方面,本申请提供一种粉末涂料制备装置,包括:
生产任务获取模块,用于获取当前生产任务,并根据所述当前生产任务,确定每一类待生产粉末涂料的需求属性和对应的生产属性;所述需求属性包括涂料颜色、涂料性能、目标生产数量;所述生产属性包括生产环境、生产原料、原料配比、粉末涂料生产线;
历史生产数据获取模块,用于针对每一类待生产粉末涂料,获取该类待生产粉末涂料对应的粉末涂料生产线的历史生产数据;所述历史生产数据包括历史生产粉末涂料的需求属性和对应的生产属性、实际原料用量、实际产量;所述实际产量包括研磨后产量和合格品产量;
历史损耗确定模块,用于针对每一类待生产粉末涂料,根据所述历史生产数据中的实际原料用量、研磨后产量,确定历史研磨损耗;根据所述历史生产数据中的实际原料用量、研磨后产量、合格品产量,确定历史质量损耗;
损耗预测模块,用于针对每一类待生产粉末涂料,结合所述历史生产粉末涂料的需求属性和对应的生产属性、所述待生产粉末涂料的需求属性和对应的生产属性、所述历史研磨损耗、所述历史质量损耗,预测研磨损耗、质量损耗;
生产原料用量确定模块,用于根据所述研磨损耗、所述质量损耗及所述目标生产数量,确定每一类待生产粉末涂料对应的每一种生产原料的预备量;
控制模块,用于根据所述每一种生产原料的预备量控制对应的所述粉末涂料生产线中的出料设备进行出料。
可选的,所述损耗预测模块,具体用于:
针对每一组所述历史生产数据,根据所述历史研磨损耗、所述历史质量损耗、所述历史研磨损耗与所述历史质量损耗的差异度,确定该组历史生产数据的第一可参考度;
针对每一组所述历史生产数据,根据该组历史生产数据中的需求属性与所述待生产粉末涂料的需求属性的相似度,确定该组历史生产数据的第二可参考度;
针对每一组所述历史生产数据,根据该组历史生产数据中的生产属性、所述待生产粉末涂料的生产属性,确定该组历史生产数据的第三可参考度;
根据第一可参考度、第二可参考度、第三可参考度,对所述历史生产数据进行筛选,确定参考历史生产数据;
根据所述参考历史生产数据对应的所述历史研磨损耗、所述历史质量损耗、第一可参考度、第二可参考度、第三可参考度,预测研磨损耗、质量损耗。
可选的,所述损耗预测模块在根据第一可参考度、第二可参考度、第三可参考度,对所述历史生产数据进行筛选,确定参考历史生产数据时,具体用于:
针对每一组所述历史生产数据,若第一可参考度大于第一预设值,第二可参考度大于第二预设值,第三可参考度大于第三预设值,则将该组历史生产数据确定为参考历史生产数据。
可选的,所述损耗预测模块在根据所述参考历史生产数据对应的所述历史研磨损耗、所述历史质量损耗、第一可参考度、第二可参考度、第三可参考度,预测研磨损耗、质量损耗时,具体用于:
针对每一组参考历史数据,根据第一可参考度、第二可参考度、第三可参考度,确定该组参考历史数据的整体可参考度;
根据整体可参考度大于第四预设值的参考历史数据对应的所述历史研磨损耗、所述历史质量损耗,预测研磨损耗、质量损耗。
可选的,所述装置还包括研磨调控模块,用于:
若所述预测研磨损耗大于第五预设值,则缩短研磨设备的研磨时间,和/或,减小研磨珠的尺寸。
可选的,所述粉末涂料生产线中包括原料罐、出料设备、配料罐;所述原料罐用于分装不同的生产原料;所述出料设备用于将原料罐中的生产原料排出至配料罐中;所述配料罐底部设置有高灵敏度的计量装置,用于计量生产原料的重量;
所述控制模块,具体用于:
根据工艺要求,确定每一种生产原料的出料顺序和出料时间;
在对应的出料时间,按照所述出料顺序控制所述出料设备对对应的生产原料进行出料,同时根据计量装置的重量变化确定出料量,在出料量达到预备量时控制所述出料设备对下一顺序的生产原料进行出料。
可选的,所述生产任务获取模块在获取当前生产任务时,具体用于:
收集预设时间内的订单数据,所述订单数据中包含不同客户订购的粉末涂料的需求属性和生产期限;
根据客户订购的粉末涂料的需求属性,确定对应的粉末涂料生产线的生产能力数据;所述生产能力数据包括单次最高产量和单次生产周期长度;
根据每个订单对应的目标生产数量、生产期限、粉末涂料生产线的生产能力数据,对收集到的订单数据进行整合,以待生产粉末涂料的颜色性能、生产期限为不同维度的标准,按紧要程度和产线归类出不同的生产任务;
从所有生产任务中确定出当前生产任务。
第三方面,本申请提供一种电子设备,包括:存储器和处理器,所述存储器上存储有能够被处理器加载并执行第一方面的方法的计算机程序。
第四方面,本申请提供一种计算机可读存储介质,存储有能够被处理器加载并执行第一方面的方法的计算机程序。
第五方面,本申请提供一种计算机程序产品,包括:计算机程序;所述计算机程序被处理器执行时,实现如第一方面任一项所述的方法。
本申请提供了一种粉末涂料制备方法、装置、电子设备及存储介质。通过对生产任务的分析确定待生产粉末涂料的需求属性和对应的生产属性;针对每一类待生产粉末涂料,结合历史生产数据确定历史研磨损耗和历史质量损耗,并据此预测研磨损耗、质量损耗;最终结合目标生产数量,即可确定每一种生产原料的预备量,并控制对应的出料设备进行精准出料。利用历史生产数据的历史研磨损耗和历史质量损耗来预测研磨损耗、质量损耗,据此进行生产原料的预备量分析,相对于人工凭借经验确定预备量更具科学性和准确性。另外,将原料的损耗拆分为研磨损耗和质量损耗两大类,可以对历史生产数据进行更加详尽的分析,进一步提升预测准确率,提升预备量的准确性,精准控制生产成本。
附图说明
为了更清楚地说明本申请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一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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为本申请一实施例提供的一种粉末涂料制备方法的流程图
图2为本申请一实施例提供的一种粉末涂料制备装置的结构示意图;
图3为本申请一实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动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。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,如无特殊说明,一般表示前后关联对象是一种“或”的关系。
下面结合说明书附图对本申请实施例作进一步详细描述。
随着智能化水平的提升,粉末涂料的生产也逐渐由人工向自动化转化。但是有一些环节因为较为特殊而难以实现自动化或自动化程度不高。其中,较为基础也较为重要的一个环节就是原料准备的环节。
在传统人工处理的场景中,一般由有经验的工人根据需要生产的粉末涂料的量来大致确定所需的原料的量。但是原料品牌的不同、工艺变化、性能调整甚至环境温湿度的变化都可能影响最终的产量。生产过多,会导致产品囤积,保存不善会造成浪费;生产不够,就需要二次生产,延长工期,也无法严格保证前后多批次产品的一致性。
因此,在生产智能化的新背景下,工艺自动化的同时,原料用量的确定也需要尽可能提升自动化、科学性,来确保生产的高质高效。
基于此,本申请提供一种粉末涂料制备方法、装置、电子设备及存储介质。通过对粉末涂料需求的详细拆解分析,确定生产原料的用量,对生产过程进行尽量精准的控制,以控制成本。
图1为本申请一实施例提供的一种粉末涂料制备方法的流程图。本实施例的方法可以应用于粉末涂料生产控制设备。在本申请中,粉末涂料生产控制设备用于控制至少一条粉末涂料生产线。如图1所示的,该方法包括:
S101、获取当前生产任务,并根据当前生产任务,确定每一类待生产粉末涂料的需求属性和对应的生产属性。
其中,需求属性包括涂料颜色、涂料性能、目标生产数量等;生产属性包括生产环境、生产原料、原料配比、粉末涂料生产线等。涂料性能指除了涂料本身基础的涂覆功能之外需要具备的特殊性能,例如防刮、防污、可擦洗等。粉末涂料生产线则是指代该类待生产粉末涂料适配的生产线及对应的基础信息,例如生产线的运行数据、运行状态等。生产环境则是指代该生产线当前所处环境,例如温度、湿度、粉尘量等。
具体的,待生产粉末涂料可以以基本性质进行分类,包括热塑性粉末涂料(如聚酯粉末涂料、丙烯酸粉末涂料等)、热固性粉末涂料(如环氧粉末涂料、聚氨酯粉末涂料等)、水性粉末涂料(如水性丙烯酸粉末涂料、水性聚酯粉末涂料等)、高固体分粉末涂料(如高光粉末涂料、柔感粉末涂料等)。不同类型的粉末涂料的成膜物质、生产工艺和配方一般不同,因此,在选择粉末涂料生产线时,需要根据所要生产的粉末涂料类型来选择适合的生产线类型。
热塑性粉末涂料生产线采用高温熔融、冷却、粉碎等工艺,将成膜物质与颜料、填料等混合制成粉末涂料。热固性粉末涂料生产线采用低温加热、反应固化等工艺,将成膜物质与固化剂等混合制成粉末涂料。水性粉末涂料生产线采用水作为溶剂或分散剂,将成膜物质与颜料、填料等混合制成粉末涂料。高固体分粉末涂料生产线采用高固体分溶剂或树脂作为溶剂或分散剂,将成膜物质与颜料、填料等混合制成粉末涂料。
生产任务可以是通过对一定时间内的订单数据(例如截止目前未处理的订单)进行分析整合,并结合生产线的实际情况(生产能力,例如单次最高产量、单次生产周期长度等等)确定。具体的,可以收集预设时间内的订单数据,订单数据中一般会包含不同客户订购的粉末涂料的需求属性和生产期限。通过对这些订单数据进行整合,可以以待生产粉末涂料的颜色性能、生产期限为不同维度的标准,按紧要程度和产线归类出不同的生产任务。
具体的订单数据整合方式可以包括:首先以粉末涂料的需求属性进行产线归类,确定相同颜色性能适用同一产线的订单。再针对每一产线的订单进行分析,判断是否可以一次性完成全部生产。若颜色、性能等各项指标均相同,实质为相同的粉末涂料,且总目标生产数量不高于产线的单次最高产量,则可以一次性完成全部生产。这种情况下,进一步根据全部订单的生产期限来确定该次生产的最晚期限。优选的,将订单生产期限中最早的期限作为该次生产的最晚期限,这样可以保证每一个订单都不会延期交付。在另一种情况下,若实质相同的粉末涂料总目标生产数量高于产线的单次最高产量,则可以结合对应的订单的生产期限来确定划分为多次生产。若生产期限一致,则可按单次最高产量进行划分,使每次实际生产的产量尽量接近单次最高产量;若生产期限不一致,则可按生产期限早晚对订单进行排序后再行组合,组合的目标依然优选使每次实际生产的产量尽量接近单次最高产量。如此即可完成对每一类待生产粉末涂料的生产任务的规划。
在一些场景中,不同的生产线之间可能会有部分通用设备。则完成单类待生产粉末涂料的生产任务的规划后,还可以再结合相关的生产线的生产任务再进行微调。因前述规划过程中将订单生产期限中最早的期限作为该次生产的最晚期限,这部分时间可以再做拆分调整。
例如,订单数据显示:A客户订购了白色的水性聚酯粉末涂料,要求基础性能,200kg,当月10号前交付;B客户订购了白色的水性聚酯粉末涂料,要求基础性能,100kg,当月20号前交付;C客户订购了黑色的高光粉末涂料,要求基础性能,50kg,当月15号前交付;D客户订购了黑色的高光粉末涂料,要求基础性能,50kg,当月20号前交付。水性粉末涂料生产线的单次最高产量是100kg,生产周期为5天;高固体分粉末涂料生产线的单次最高产量是100kg,生产周期为6天。则对应生成的任务可能包括:任务1,1号,启动水性粉末涂料生产线,生产白色、基础性能、水性聚酯粉末涂料100kg;6号,启动水性粉末涂料生产线,生产白色、基础性能、水性聚酯粉末涂料100kg(10号完成A客户的订单);11号,启动高固体分粉末涂料生产线,生产黑色、基础性能、高光粉末涂料,100kg(16号完成C客户和D客户的订单);11-15号,启动水性粉末涂料生产线,生产白色、基础性能、水性聚酯粉末涂料100kg(20号前完成B客户的订单)。
S102、针对每一类待生产粉末涂料,获取该类待生产粉末涂料对应的粉末涂料生产线的历史生产数据。
其中,历史生产数据包括历史生产粉末涂料的需求属性和对应的生产属性、实际原料用量、实际产量;实际产量包括研磨后产量和合格品产量。
在粉末涂料生产过程中,为得到粉末状态,研磨几乎是不可缺少的一个工艺步骤。研磨过程中,如果研磨时间过长或研磨珠的尺寸不当,都可能会导致涂料的研磨过度,从而产生超微粒。除此之外,如果原材料不纯或含有杂质;生产过程中,生产设备或环境中的杂质或污染物混入涂料中;粉末涂料固化不完全或固化温度不当等情况,也可能导致超微粒的产生。
由于粒径小,超微粒的存在可能会在涂膜表面造成小的孔隙、突起或不平整,导致涂膜表面不平滑或有颗粒感,从而影响粉末涂料的外观质量,甚至导致涂膜的耐候性、耐水性等性能下降;并且可能会在喷涂过程中产生堵塞或附着在喷枪上,导致喷涂效率下降。而且超微粒的表面能较高,容易产生团聚现象,影响粉末涂料的储存稳定性。因此,目前的生产工艺中一般会选择在研磨之后去除超微粒,以改善粉末涂料的外观质量,提升粉末涂料的喷涂效率和涂膜性能,降低粉末涂料的表面能,防止团聚现象的发生,从而改善其储存稳定性。
超微粒的产生和去除都会造成产量的损失,在本申请中将去除超微粒后的称重量称为研磨后产量。一般相对于完全无损状态的产量而言,损耗大概在5%到10%之间,不同的生产工艺和原材料,粉末涂料中超微粒的占比会有所不同。
除超微粒的损耗外,如果生产过程中出现废品或不合格品,同样也属于严重的损耗。如果机器设备或工艺装备存在缺陷或故障,可能会影响生产过程中的产品质量,从而产生废品;如果原材料或辅助材料等不符合相关标准,可能会导致产品质量不达标,从而产生废品;如果操作人员在生产过程中出现误差或错误,可能会导致产生废品;生产环境与产品要求不符,可能会导致产品质量不达标,从而产生废品。配方的设计结构不合理,会降低粉末涂料的使用性能,还会产生影响涂层的性能。在本申请中将去除这部分品质问题后的合格产品的产量称为合格品产量。
具体的,在智能化管理的生产线上,每次生产的相关数据都会进行详尽的记录,作为该条生产线的历史数据。针对每一类待生产粉末涂料,从数据库中查找形同颜色性能的涂料的生产数据,作为其对应的历史生产数据,以进行后续的处理,实现对其生产的指导。
S103、针对每一类待生产粉末涂料,根据历史生产数据中的实际原料用量、研磨后产量,确定历史研磨损耗;根据历史生产数据中的实际原料用量、研磨后产量、合格品产量,确定历史质量损耗。
实际原料用量与研磨后产量之间的差值可以认为是超微粒的损耗,在本申请中将历史生产数据中的超微粒损耗称为历史研磨损耗。实际原料用量与合格品产量之间的差值可以认为是生产过程中的全部损耗,除去超微粒的损耗,剩余可以认为是质量不达标造成的损耗,在本申请中将历史生产数据中的质量不达标造成的损耗称为历史质量损耗。
S104、针对每一类待生产粉末涂料,结合历史生产粉末涂料的需求属性和对应的生产属性、待生产粉末涂料的需求属性和对应的生产属性、历史研磨损耗、历史质量损耗,预测研磨损耗、质量损耗。
因为使用同一条生产线,在损耗数据上,历史生产粉末涂料的损耗情况可以作为待生产粉末涂料的损耗情况的参考。具体的,要考虑需求属性之间的差异,生产情况之间的差异,还要考虑生产属性对需求属性的满足情况。
S105、根据研磨损耗、质量损耗及目标生产数量,确定每一类待生产粉末涂料对应的每一种生产原料的预备量。
当对待生产粉末涂料的研磨损耗、质量损耗做出预测后,则可以结合目标生产数量反推出所需准备的生产原料的量。
S106、根据每一种生产原料的预备量控制对应的粉末涂料生产线中的出料设备进行出料。
确定原料预备量后,即可据此对出料设备进行控制,实现精准出料。
在本实施例中,通过对生产任务的分析确定待生产粉末涂料的需求属性和对应的生产属性;针对每一类待生产粉末涂料,结合历史生产数据确定历史研磨损耗和历史质量损耗,并据此预测研磨损耗、质量损耗;最终结合目标生产数量,即可确定每一种生产原料的预备量,并控制对应的出料设备进行精准出料。利用历史生产数据的历史研磨损耗和历史质量损耗来预测研磨损耗、质量损耗,据此进行生产原料的预备量分析,相对于人工凭借经验确定预备量更具科学性和准确性。另外,将原料的损耗拆分为研磨损耗和质量损耗两大类,可以对历史生产数据进行更加详尽的分析,进一步提升预测准确率,提升预备量的准确性,精准控制生产成本。
在一些具体的实施例中,上述的结合历史生产粉末涂料的需求属性和对应的生产属性、待生产粉末涂料的需求属性和对应的生产属性、历史研磨损耗、历史质量损耗,预测研磨损耗、质量损耗,包括:针对每一组历史生产数据,根据历史研磨损耗、历史质量损耗、历史研磨损耗与历史质量损耗的差异度,确定该组历史生产数据的第一可参考度;针对每一组历史生产数据,根据该组历史生产数据中的需求属性与待生产粉末涂料的需求属性的相似度,确定该组历史生产数据的第二可参考度;针对每一组历史生产数据,根据该组历史生产数据中的生产属性、待生产粉末涂料的生产属性,确定该组历史生产数据的第三可参考度;根据第一可参考度、第二可参考度、第三可参考度,对历史生产数据进行筛选,确定参考历史生产数据;根据参考历史生产数据对应的历史研磨损耗、历史质量损耗、第一可参考度、第二可参考度、第三可参考度,预测研磨损耗、质量损耗。
在过去的实际生产过程中,可能有各种因素导致生产状态不佳,从而导致在历史生产数据中存在严重误差的生产数据。当时的生产工况与现在的生产工况可能差异较大,以至于这些数据没有太大的参考性。因此,在本实施例中,可以考虑先将这部分误差数据剔除,仅保留参考性较高的历史生产数据(即参考历史生产数据),接下来再以参考历史生产数据为主进行预测。
具体的,数据筛选过程中可以参考多维度的数据。例如,根据历史研磨损耗、历史质量损耗、历史研磨损耗与历史质量损耗的差异度,确定该组历史生产数据的第一可参考度。若一次生产是基本正常的,则对应的历史研磨损耗和历史质量损耗都不会过高,且研磨损耗与历史质量损耗的差异度不会过大。若一组历史生产数据满足这一特点,即可说明其对应的第一可参考度较高。
还可以根据该组历史生产数据中的需求属性与待生产粉末涂料的需求属性的相似度,确定该组历史生产数据的第二可参考度。若一次生产的产品与本次生产的产品一致,则表明至少用料、工序相似,则这些因素对研磨损耗和质量损耗的影响相对较小。若一组历史生产数据满足这一特点,即可说明其对应的第二可参考度较高。
还可以根据该组历史生产数据中的生产属性、待生产粉末涂料的生产属性,确定该组历史生产数据的第三可参考度。若一次生产的产品的环境、原料、生产线与本次生产一致,则表明至少用料、工序一致,则这些因素对研磨损耗和质量损耗的影响相对较小。若一组历史生产数据满足这一特点,即可说明其对应的第三可参考度较高。
进一步的,基于三个可参考度可以对历史生产数据进行筛选。具体的,针对每一组历史生产数据,都对应有三个可参考度数据(第一可参考度、第二可参考度、第三可参考度)。在一些实现方式中,若第一可参考度大于第一预设值,第二可参考度大于第二预设值,第三可参考度大于第三预设值,则将该组历史生产数据确定为参考历史生产数据。在另一些实现方式中,首先判断三个可参考度是否都在对应的筛选数值范围内,如果三个可参考度都在对应的筛选数值范围内,则继续判断三个可参考度的方差大小是否在对应的筛选数值范围内,如果方差大小在对应的筛选数值范围内,则可以将该组历史生产数据确定为参考历史生产数据。可以通过预设值来设定每个可参考度的阈值,从而进一步限定历史生产数据被确定为参考数据的条件。更精确地筛选出那些具有较高参考价值的历史生产数据,为预测研磨损耗和质量损耗提供更准确的信息。
最后,针对每一组参考历史生产数据,结合历史研磨损耗、历史质量损耗、第一可参考度、第二可参考度、第三可参考度,即可预测研磨损耗、质量损耗。可以通过加权平均或者使用机器学习算法进行预测。通过综合考虑多个维度的数据,可以更准确地预测研磨损耗和质量损耗,从而为生产决策提供有力的支持。
在一些实现方式中,可以将三个可参考度转换为对应的权重值;将每个损耗数据(历史研磨损耗、历史质量损耗等)乘以相应的权重值,得到加权损耗数据。将所有加权损耗数据相加,并除以权重的总和,得到最终的加权平均损耗数据。通过这种方式,可以根据数据的可靠性和相关性来调整对损耗数据的重视程度,从而更准确地预测研磨损耗和质量损耗。
在另一些实施例中,预测研磨损耗、质量损耗的方式可以包括针对每一组参考历史数据,根据第一可参考度、第二可参考度、第三可参考度,确定该组参考历史数据的整体可参考度;根据整体可参考度大于第四预设值的参考历史数据对应的历史研磨损耗、历史质量损耗,预测研磨损耗、质量损耗。
对于每组参考历史数据,根据第一可参考度、第二可参考度、第三可参考度,确定其整体可参考度。这可以通过加权平均或机器学习算法等方式来实现。设定第四预设值,该预设值可以根据实际情况进行调整,以确保预测结果的准确性和可靠性。筛选出整体可参考度大于第四预设值的参考历史数据,并根据这些数据对应的历史研磨损耗、历史质量损耗,进行研磨损耗和质量损耗的预测。可以使用时间序列分析、回归分析、机器学习等方法来进行预测。根据筛选出的参考历史数据的整体可参考度,可以给不同的数据分配不同的权重,以更准确地反映它们对未来研磨损耗和质量损耗的影响。
在一个具体的实现方式中,考虑到生产线工艺的不断改进,使用时间序列分析的方法对未来的研磨损耗和质量损耗进行预测。对各组参考历史生产数据进行预处理,例如数据清洗、缺失值填充等;对时间序列数据进行平稳性检验,以确定是否需要进行差分或其他转换;选择SARIMA模型进行拟合,并估计模型的参数;基于拟合的模型和参数,对未来的研磨损耗和质量损耗进行预测。
在另一些实施例中,根据预测结果,可以制定相应的生产计划和调整措施,以降低研磨损耗和质量损耗,提高生产效率和产品质量。具体的,若预测研磨损耗大于第五预设值,则缩短研磨设备的研磨时间,和/或,减小研磨珠的尺寸。通过减少研磨设备的运行时间,可以减少研磨过程中对材料的磨损,从而降低研磨损耗。减小研磨珠的尺寸可以减少研磨过程中对材料的冲击力和摩擦力,从而降低研磨损耗。这些措施可以根据实际情况进行选择和调整,以达到最佳的降低研磨损耗的效果。同时,也需要对生产计划和调整措施进行合理的评估和监控,以确保其有效性和可行性。
本申请方案适用的粉末涂料生产线中包括原料罐、出料设备、配料罐;原料罐用于分装不同的生产原料;出料设备用于将原料罐中的生产原料排出至配料罐中;配料罐底部设置有高灵敏度的计量装置,用于计量生产原料的重量。上述的根据每一种生产原料的预备量控制对应的粉末涂料生产线中的出料设备进行出料,包括:根据工艺要求,确定每一种生产原料的出料顺序和出料时间;在对应的出料时间,按照出料顺序控制出料设备对对应的生产原料进行出料,同时根据计量装置的重量变化确定出料量,在出料量达到预备量时控制出料设备对下一顺序的生产原料进行出料。
通过这样的控制方式,可以精确控制每一种生产原料的出料量,确保生产原料的准确配比。同时,高灵敏度的计量装置可以实时监测出料量,避免出料过多或过少的问题。
图2为本申请一实施例提供的一种粉末涂料制备装置的结构示意图,如图2所示的,本实施例的粉末涂料制备装置200包括:生产任务获取模块201、历史生产数据获取模块202、历史损耗确定模块203、损耗预测模块204、生产原料用量确定模块205、控制模块206。
生产任务获取模块201,用于获取当前生产任务,并根据当前生产任务,确定每一类待生产粉末涂料的需求属性和对应的生产属性;需求属性包括涂料颜色、涂料性能、目标生产数量;生产属性包括生产环境、生产原料、原料配比、粉末涂料生产线;
历史生产数据获取模块202,用于针对每一类待生产粉末涂料,获取该类待生产粉末涂料对应的粉末涂料生产线的历史生产数据;历史生产数据包括历史生产粉末涂料的需求属性和对应的生产属性、实际原料用量、实际产量;实际产量包括研磨后产量和合格品产量;
历史损耗确定模块203,用于针对每一类待生产粉末涂料,根据历史生产数据中的实际原料用量、研磨后产量,确定历史研磨损耗;根据历史生产数据中的实际原料用量、研磨后产量、合格品产量,确定历史质量损耗;
损耗预测模块204,用于针对每一类待生产粉末涂料,结合历史生产粉末涂料的需求属性和对应的生产属性、待生产粉末涂料的需求属性和对应的生产属性、历史研磨损耗、历史质量损耗,预测研磨损耗、质量损耗;
生产原料用量确定模块205,用于根据研磨损耗、质量损耗及目标生产数量,确定每一类待生产粉末涂料对应的每一种生产原料的预备量;
控制模块206,用于根据每一种生产原料的预备量控制对应的粉末涂料生产线中的出料设备进行出料。
可选的,损耗预测模块204,具体用于:
针对每一组历史生产数据,根据历史研磨损耗、历史质量损耗、历史研磨损耗与历史质量损耗的差异度,确定该组历史生产数据的第一可参考度;
针对每一组历史生产数据,根据该组历史生产数据中的需求属性与待生产粉末涂料的需求属性的相似度,确定该组历史生产数据的第二可参考度;
针对每一组历史生产数据,根据该组历史生产数据中的生产属性、待生产粉末涂料的生产属性,确定该组历史生产数据的第三可参考度;
根据第一可参考度、第二可参考度、第三可参考度,对历史生产数据进行筛选,确定参考历史生产数据;
根据参考历史生产数据对应的历史研磨损耗、历史质量损耗、第一可参考度、第二可参考度、第三可参考度,预测研磨损耗、质量损耗。
可选的,损耗预测模块204在根据第一可参考度、第二可参考度、第三可参考度,对历史生产数据进行筛选,确定参考历史生产数据时,具体用于:
针对每一组历史生产数据,若第一可参考度大于第一预设值,第二可参考度大于第二预设值,第三可参考度大于第三预设值,则将该组历史生产数据确定为参考历史生产数据。
可选的,损耗预测模块204在根据参考历史生产数据对应的历史研磨损耗、历史质量损耗、第一可参考度、第二可参考度、第三可参考度,预测研磨损耗、质量损耗时,具体用于:
针对每一组参考历史数据,根据第一可参考度、第二可参考度、第三可参考度,确定该组参考历史数据的整体可参考度;
根据整体可参考度大于第四预设值的参考历史数据对应的历史研磨损耗、历史质量损耗,预测研磨损耗、质量损耗。
可选的,装置还包括研磨调控模块207,用于:
若预测研磨损耗大于第五预设值,则缩短研磨设备的研磨时间,和/或,减小研磨珠的尺寸。
可选的,粉末涂料生产线中包括原料罐、出料设备、配料罐;原料罐用于分装不同的生产原料;出料设备用于将原料罐中的生产原料排出至配料罐中;配料罐底部设置有高灵敏度的计量装置,用于计量生产原料的重量;
控制模块206,具体用于:
根据工艺要求,确定每一种生产原料的出料顺序和出料时间;
在对应的出料时间,按照出料顺序控制出料设备对对应的生产原料进行出料,同时根据计量装置的重量变化确定出料量,在出料量达到预备量时控制出料设备对下一顺序的生产原料进行出料。
可选的,生产任务获取模块201在获取当前生产任务时,具体用于:
收集预设时间内的订单数据,订单数据中包含不同客户订购的粉末涂料的需求属性和生产期限;
根据客户订购的粉末涂料的需求属性,确定对应的粉末涂料生产线的生产能力数据;生产能力数据包括单次最高产量和单次生产周期长度;
根据每个订单对应的目标生产数量、生产期限、粉末涂料生产线的生产能力数据,对收集到的订单数据进行整合,以待生产粉末涂料的颜色性能、生产期限为不同维度的标准,按紧要程度和产线归类出不同的生产任务;
从所有生产任务中确定出当前生产任务。
本实施例的装置,可以用于执行上述任一实施例的方法,其实现原理和技术效果类似,此处不再赘述。
图3为本申请一实施例提供的一种电子设备的结构示意图,如图3所示,本实施例的电子设备300可以包括:存储器301和处理器302。
存储器301上存储有能够被处理器302加载并执行上述实施例中方法的计算机程序。
其中,处理器302和存储器301相连,如通过总线相连。
可选地,电子设备300还可以包括收发器。需要说明的是,实际应用中收发器不限于一个,该电子设备300的结构并不构成对本申请实施例的限定。
处理器302可以是CPU(Central Processing Unit,中央处理器),通用处理器,DSP(Digital Signal Processor,数据信号处理器),ASIC(Application SpecificIntegrated Circuit,专用集成电路),FPGA(Field Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器302也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线可包括一通路,在上述组件之间传送信息。总线可以是PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器301可以是ROM(Read Only Memory,只读存储器)或可存储静态信息和指令的其他类型的静态存储设备,RAM(Random Access Memory,随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM(Electrically ErasableProgrammable Read Only Memory,电可擦可编程只读存储器)、CD-ROM(Compact DiscRead Only Memory,只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器301用于存储执行本申请方案的应用程序代码,并由处理器302来控制执行。处理器302用于执行存储器301中存储的应用程序代码,以实现前述方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。还可以为服务器等。图3示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
本实施例的电子设备,可以用于执行上述任一实施例的方法,其实现原理和技术效果类似,此处不再赘述。
本申请还提供一种计算机可读存储介质,存储有能够被处理器加载并执行如上实施例中的方法的计算机程序。
本领域普通技术人员可以理解:实现上述各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一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (5)
1.一种粉末涂料制备方法,其特征在于,应用于粉末涂料生产控制设备,所述粉末涂料生产控制设备用于控制至少一条粉末涂料生产线;所述粉末涂料生产线中包括原料罐、出料设备、配料罐;所述原料罐用于分装不同的生产原料;所述出料设备用于将原料罐中的生产原料排出至配料罐中;所述配料罐底部设置有高灵敏度的计量装置,用于计量生产原料的重量;
所述粉末涂料制备方法包括:
获取当前生产任务,并根据所述当前生产任务,确定每一类待生产粉末涂料的需求属性和对应的生产属性;所述需求属性包括涂料颜色、涂料性能、目标生产数量;所述生产属性包括生产环境、生产原料、原料配比、粉末涂料生产线;
针对每一类待生产粉末涂料,获取该类待生产粉末涂料对应的粉末涂料生产线的历史生产数据;所述历史生产数据包括历史生产粉末涂料的需求属性和对应的生产属性、实际原料用量、实际产量;所述实际产量包括研磨后产量和合格品产量;
针对每一类待生产粉末涂料,根据所述历史生产数据中的实际原料用量、研磨后产量,确定历史研磨损耗;根据所述历史生产数据中的实际原料用量、研磨后产量、合格品产量,确定历史质量损耗;
针对每一类待生产粉末涂料,结合所述历史生产粉末涂料的需求属性和对应的生产属性、所述待生产粉末涂料的需求属性和对应的生产属性、所述历史研磨损耗、所述历史质量损耗,预测研磨损耗、质量损耗;
根据所述研磨损耗、所述质量损耗及所述目标生产数量,确定每一类待生产粉末涂料对应的每一种生产原料的预备量;
根据所述每一种生产原料的预备量控制对应的所述粉末涂料生产线中的出料设备进行出料;
若预测的研磨损耗大于第五预设值,则缩短研磨设备的研磨时间,和/或,减小研磨珠的尺寸;
所述结合所述历史生产粉末涂料的需求属性和对应的生产属性、所述待生产粉末涂料的需求属性和对应的生产属性、所述历史研磨损耗、所述历史质量损耗,预测研磨损耗、质量损耗,包括:针对每一组历史生产数据,根据所述历史研磨损耗、所述历史质量损耗、所述历史研磨损耗与所述历史质量损耗的差异度,确定该组历史生产数据的第一可参考度;针对每一组历史生产数据,根据该组历史生产数据中的需求属性与所述待生产粉末涂料的需求属性的相似度,确定该组历史生产数据的第二可参考度;针对每一组历史生产数据,根据该组历史生产数据中的生产属性、所述待生产粉末涂料的生产属性,确定该组历史生产数据的第三可参考度;根据第一可参考度、第二可参考度、第三可参考度,对所述历史生产数据进行筛选,确定参考历史生产数据;根据所述参考历史生产数据对应的所述历史研磨损耗、所述历史质量损耗、第一可参考度、第二可参考度、第三可参考度,预测研磨损耗、质量损耗;
所述根据第一可参考度、第二可参考度、第三可参考度,对所述历史生产数据进行筛选,确定参考历史生产数据,包括:针对每一组历史生产数据,若第一可参考度大于第一预设值,第二可参考度大于第二预设值,第三可参考度大于第三预设值,则将该组历史生产数据确定为参考历史生产数据;
所述根据所述参考历史生产数据对应的所述历史研磨损耗、所述历史质量损耗、第一可参考度、第二可参考度、第三可参考度,预测研磨损耗、质量损耗,包括:针对每一组参考历史数据,根据第一可参考度、第二可参考度、第三可参考度,确定该组参考历史数据的整体可参考度;根据整体可参考度大于第四预设值的参考历史数据对应的所述历史研磨损耗、所述历史质量损耗,预测研磨损耗、质量损耗;
所述根据所述每一种生产原料的预备量控制对应的所述粉末涂料生产线中的出料设备进行出料,包括:根据工艺要求,确定每一种生产原料的出料顺序和出料时间;在对应的出料时间,按照所述出料顺序控制所述出料设备对对应的生产原料进行出料,同时根据计量装置的重量变化确定出料量,在出料量达到预备量时控制所述出料设备对下一顺序的生产原料进行出料。
2.根据权利要求1所述的粉末涂料制备方法,其特征在于,所述获取当前生产任务,包括:
收集预设时间内的订单数据,所述订单数据中包含不同客户订购的粉末涂料的需求属性和生产期限;
根据客户订购的粉末涂料的需求属性,确定对应的粉末涂料生产线的生产能力数据;所述生产能力数据包括单次最高产量和单次生产周期长度;
根据每个订单对应的目标生产数量、生产期限、粉末涂料生产线的生产能力数据,对收集到的订单数据进行整合,以待生产粉末涂料的颜色性能、生产期限为不同维度的标准,按紧要程度和产线归类出不同的生产任务;
从所有生产任务中确定出当前生产任务。
3.一种粉末涂料制备装置,其特征在于,用于控制至少一条粉末涂料生产线,所述粉末涂料生产线中包括原料罐、出料设备、配料罐;所述原料罐用于分装不同的生产原料;所述出料设备用于将原料罐中的生产原料排出至配料罐中;所述配料罐底部设置有高灵敏度的计量装置,用于计量生产原料的重量;
所述装置包括:
生产任务获取模块,用于获取当前生产任务,并根据所述当前生产任务,确定每一类待生产粉末涂料的需求属性和对应的生产属性;所述需求属性包括涂料颜色、涂料性能、目标生产数量;所述生产属性包括生产环境、生产原料、原料配比、粉末涂料生产线;
历史生产数据获取模块,用于针对每一类待生产粉末涂料,获取该类待生产粉末涂料对应的粉末涂料生产线的历史生产数据;所述历史生产数据包括历史生产粉末涂料的需求属性和对应的生产属性、实际原料用量、实际产量;所述实际产量包括研磨后产量和合格品产量;
历史损耗确定模块,用于针对每一类待生产粉末涂料,根据所述历史生产数据中的实际原料用量、研磨后产量,确定历史研磨损耗;根据所述历史生产数据中的实际原料用量、研磨后产量、合格品产量,确定历史质量损耗;
损耗预测模块,用于针对每一类待生产粉末涂料,结合所述历史生产粉末涂料的需求属性和对应的生产属性、所述待生产粉末涂料的需求属性和对应的生产属性、所述历史研磨损耗、所述历史质量损耗,预测研磨损耗、质量损耗;
生产原料用量确定模块,用于根据所述研磨损耗、所述质量损耗及所述目标生产数量,确定每一类待生产粉末涂料对应的每一种生产原料的预备量;
控制模块,用于根据所述每一种生产原料的预备量控制对应的所述粉末涂料生产线中的出料设备进行出料;
研磨调控模块,用于:若所述预测研磨损耗大于第五预设值,则缩短研磨设备的研磨时间,和/或,减小研磨珠的尺寸;
所述损耗预测模块,具体用于:针对每一组历史生产数据,根据所述历史研磨损耗、所述历史质量损耗、所述历史研磨损耗与所述历史质量损耗的差异度,确定该组历史生产数据的第一可参考度;针对每一组历史生产数据,根据该组历史生产数据中的需求属性与所述待生产粉末涂料的需求属性的相似度,确定该组历史生产数据的第二可参考度;针对每一组历史生产数据,根据该组历史生产数据中的生产属性、所述待生产粉末涂料的生产属性,确定该组历史生产数据的第三可参考度;根据第一可参考度、第二可参考度、第三可参考度,对所述历史生产数据进行筛选,确定参考历史生产数据;根据所述参考历史生产数据对应的所述历史研磨损耗、所述历史质量损耗、第一可参考度、第二可参考度、第三可参考度,预测研磨损耗、质量损耗;
所述损耗预测模块在根据第一可参考度、第二可参考度、第三可参考度,对所述历史生产数据进行筛选,确定参考历史生产数据时,具体用于:针对每一组历史生产数据,若第一可参考度大于第一预设值,第二可参考度大于第二预设值,第三可参考度大于第三预设值,则将该组历史生产数据确定为参考历史生产数据;
所述损耗预测模块在根据所述参考历史生产数据对应的所述历史研磨损耗、所述历史质量损耗、第一可参考度、第二可参考度、第三可参考度,预测研磨损耗、质量损耗时,具体用于:针对每一组参考历史数据,根据第一可参考度、第二可参考度、第三可参考度,确定该组参考历史数据的整体可参考度;根据整体可参考度大于第四预设值的参考历史数据对应的所述历史研磨损耗、所述历史质量损耗,预测研磨损耗、质量损耗;
所述控制模块,具体用于:根据工艺要求,确定每一种生产原料的出料顺序和出料时间;在对应的出料时间,按照所述出料顺序控制所述出料设备对对应的生产原料进行出料,同时根据计量装置的重量变化确定出料量,在出料量达到预备量时控制所述出料设备对下一顺序的生产原料进行出料。
4.一种电子设备,其特征在于,包括:存储器和处理器;
所述存储器,用于存储程序指令;
所述处理器,用于调用并执行所述存储器中的程序指令,执行如权利要求1或2所述的方法。
5.一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存储有计算机程序;所述计算机程序被处理器执行时,实现如权利要求1或2所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410040543.XA CN117556968B (zh) | 2024-01-11 | 2024-01-11 | 粉末涂料制备方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410040543.XA CN117556968B (zh) | 2024-01-11 | 2024-01-11 | 粉末涂料制备方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117556968A CN117556968A (zh) | 2024-02-13 |
CN117556968B true CN117556968B (zh) | 2024-04-09 |
Family
ID=89823643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410040543.XA Active CN117556968B (zh) | 2024-01-11 | 2024-01-11 | 粉末涂料制备方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117556968B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056279A (zh) * | 2016-05-26 | 2016-10-26 | 广东溢达纺织有限公司 | 领袖生产编排方法及*** |
CN106371409A (zh) * | 2016-08-27 | 2017-02-01 | 绍兴兴明染整有限公司 | 一种染整生产线管理***及管理方法 |
CN107402560A (zh) * | 2017-08-21 | 2017-11-28 | 广东溢达纺织有限公司 | 布料生产数据校准方法、装置、存储介质和计算机设备 |
CN107730147A (zh) * | 2017-11-10 | 2018-02-23 | 广东溢达纺织有限公司 | 排单损耗校准方法、装置、可读存储介质和计算机设备 |
CN111882196A (zh) * | 2020-07-22 | 2020-11-03 | 安徽海螺信息技术工程有限责任公司 | 一种型材挤出生产排程方法、可读存储介质及装置 |
KR20210014907A (ko) * | 2019-07-31 | 2021-02-10 | 주식회사 마크에이트 | 창고관리시스템과 연동한 원자재 수요예측 및 주문량 결정 방법 |
CN113254738A (zh) * | 2021-04-27 | 2021-08-13 | 深圳坤湛科技有限公司 | 烧成曲线的自适应预测方法、设备及计算机存储介质 |
CN113298349A (zh) * | 2021-04-25 | 2021-08-24 | 阿里巴巴(中国)有限公司 | 一种订单处理方法、设备及存储介质 |
CN113837607A (zh) * | 2021-09-24 | 2021-12-24 | 浙江中烟工业有限责任公司 | 一种卷包剔除相关烟丝损耗异常的实时分析方法和装置 |
WO2022036596A1 (zh) * | 2020-08-19 | 2022-02-24 | 西门子股份公司 | 生产订单的分解方法和装置 |
CN114254927A (zh) * | 2021-12-22 | 2022-03-29 | 润联软件***(深圳)有限公司 | 生产排程方法、装置、计算机设备及存储介质 |
CN114529212A (zh) * | 2022-02-25 | 2022-05-24 | 重庆允丰科技有限公司 | 一种拉式生产管理方法及计算机可读存储介质 |
CN114757397A (zh) * | 2022-03-24 | 2022-07-15 | 普联技术有限公司 | 一种坏料预测方法、坏料预测装置及电子设备 |
CN115796396A (zh) * | 2023-01-16 | 2023-03-14 | 江苏新恒基特种装备股份有限公司 | 一种通过相关参数对锻材损耗预测的方法及*** |
CN116434859A (zh) * | 2023-04-13 | 2023-07-14 | 中冶赛迪信息技术(重庆)有限公司 | 高炉煤气产耗预测方法、装置、电子设备及存储介质 |
CN116485333A (zh) * | 2023-04-12 | 2023-07-25 | 福建亲亲股份有限公司 | 配料用量确定方法、装置、存储介质和电子设备 |
CN116629752A (zh) * | 2023-06-09 | 2023-08-22 | 六安市六城科技有限公司 | 一种服装物料管理方法及*** |
CN219702086U (zh) * | 2023-04-19 | 2023-09-19 | 天津瑞远粉末涂料有限公司 | 一种粉末涂料生产用筛选装置 |
-
2024
- 2024-01-11 CN CN202410040543.XA patent/CN117556968B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106056279A (zh) * | 2016-05-26 | 2016-10-26 | 广东溢达纺织有限公司 | 领袖生产编排方法及*** |
CN106371409A (zh) * | 2016-08-27 | 2017-02-01 | 绍兴兴明染整有限公司 | 一种染整生产线管理***及管理方法 |
CN107402560A (zh) * | 2017-08-21 | 2017-11-28 | 广东溢达纺织有限公司 | 布料生产数据校准方法、装置、存储介质和计算机设备 |
CN107730147A (zh) * | 2017-11-10 | 2018-02-23 | 广东溢达纺织有限公司 | 排单损耗校准方法、装置、可读存储介质和计算机设备 |
KR20210014907A (ko) * | 2019-07-31 | 2021-02-10 | 주식회사 마크에이트 | 창고관리시스템과 연동한 원자재 수요예측 및 주문량 결정 방법 |
CN111882196A (zh) * | 2020-07-22 | 2020-11-03 | 安徽海螺信息技术工程有限责任公司 | 一种型材挤出生产排程方法、可读存储介质及装置 |
WO2022036596A1 (zh) * | 2020-08-19 | 2022-02-24 | 西门子股份公司 | 生产订单的分解方法和装置 |
CN113298349A (zh) * | 2021-04-25 | 2021-08-24 | 阿里巴巴(中国)有限公司 | 一种订单处理方法、设备及存储介质 |
CN113254738A (zh) * | 2021-04-27 | 2021-08-13 | 深圳坤湛科技有限公司 | 烧成曲线的自适应预测方法、设备及计算机存储介质 |
CN113837607A (zh) * | 2021-09-24 | 2021-12-24 | 浙江中烟工业有限责任公司 | 一种卷包剔除相关烟丝损耗异常的实时分析方法和装置 |
CN114254927A (zh) * | 2021-12-22 | 2022-03-29 | 润联软件***(深圳)有限公司 | 生产排程方法、装置、计算机设备及存储介质 |
CN114529212A (zh) * | 2022-02-25 | 2022-05-24 | 重庆允丰科技有限公司 | 一种拉式生产管理方法及计算机可读存储介质 |
CN114757397A (zh) * | 2022-03-24 | 2022-07-15 | 普联技术有限公司 | 一种坏料预测方法、坏料预测装置及电子设备 |
CN115796396A (zh) * | 2023-01-16 | 2023-03-14 | 江苏新恒基特种装备股份有限公司 | 一种通过相关参数对锻材损耗预测的方法及*** |
CN116485333A (zh) * | 2023-04-12 | 2023-07-25 | 福建亲亲股份有限公司 | 配料用量确定方法、装置、存储介质和电子设备 |
CN116434859A (zh) * | 2023-04-13 | 2023-07-14 | 中冶赛迪信息技术(重庆)有限公司 | 高炉煤气产耗预测方法、装置、电子设备及存储介质 |
CN219702086U (zh) * | 2023-04-19 | 2023-09-19 | 天津瑞远粉末涂料有限公司 | 一种粉末涂料生产用筛选装置 |
CN116629752A (zh) * | 2023-06-09 | 2023-08-22 | 六安市六城科技有限公司 | 一种服装物料管理方法及*** |
Non-Patent Citations (1)
Title |
---|
基于模糊物料计划百分比与损耗率的GBOM模型;米娜;方明;;科学技术与工程;20121128(第33期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117556968A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Konstantaras et al. | Inventory models for imperfect quality items with shortages and learning in inspection | |
AU704609B1 (en) | Computerized virtual paint manufacturing and application system | |
Becker | Lean manufacturing and the Toyota production system | |
Flapper et al. | Logistic planning of rework with deteriorating work-in-process | |
US20090157458A1 (en) | Supply chain evaluation system, method, and program | |
CN109784594B (zh) | 一种售电商可调负荷决策方法及*** | |
Taleizadeh et al. | Delayed payment policy in multi-product single-machine economic production quantity model with repair failure and partial backordering. | |
Sari et al. | INTEGRATED SUPPLIER SELECTION MODEL USING ANP, TAGUCHI LOSS FUNCTION AND PROMETHEE METHODS. | |
Sarduy Gómez et al. | A new energy performance indicator for energy management system of a wheat mill plant | |
Guide Jr et al. | A hierarchical decision model for re-manufacturing and re-use | |
CN117556968B (zh) | 粉末涂料制备方法、装置、电子设备及存储介质 | |
US6865434B1 (en) | Management system of monitor wafers | |
Griffin et al. | A framework for assessing investment costs of additive manufacturing | |
Burroughs et al. | Exploring techniques for contingency setting | |
Asih et al. | Capacity planning and product allocations under testing time uncertainty in electronic industry | |
WO2016115118A1 (en) | Systems, methods and apparatus for transmitting to and receiving from a communication device information relating to a batch of a product produced in a closed-loop production management system | |
Vickery et al. | Integer goal programming for multistage lot sizing: Experimentation and implementation | |
Sandborn et al. | Electronic part obsolescence driven product redesign optimization | |
Nielsen et al. | Towards an analysis methodology for identifying root causes of poor delivery performance | |
Chen | The joint determination of optimum process mean and economic order quantity | |
Panayiotou et al. | A Production Cost System for Supply Chain Decision Making in Metal Industry | |
Rezg et al. | Joint Optimization of Maintenance and Production Policies | |
CN113570266B (zh) | 一种基于数字孪生技术的外部损失成本控制方法 | |
Ko et al. | Optimal testing strategy in semiconductor testing process | |
Chaabane et al. | A two-phase multi-criteria decision support system for supply chain management |
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 |