CN117745152A - 一种基于aigc的工业自动建模方法及*** - Google Patents
一种基于aigc的工业自动建模方法及*** Download PDFInfo
- Publication number
- CN117745152A CN117745152A CN202410153231.XA CN202410153231A CN117745152A CN 117745152 A CN117745152 A CN 117745152A CN 202410153231 A CN202410153231 A CN 202410153231A CN 117745152 A CN117745152 A CN 117745152A
- Authority
- CN
- China
- Prior art keywords
- product
- factory
- production
- stage
- representing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004519 manufacturing process Methods 0.000 claims abstract description 240
- 238000012545 processing Methods 0.000 claims description 24
- 238000013461 design Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004806 packaging method and process Methods 0.000 description 3
- 238000007639 printing Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 238000012430 stability testing Methods 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于AIGC的工业自动建模方法及***，包括：基于生产订单，确定待生产产品的产品信息；基于产品类别，确定待生产产品的多个产品阶段；基于产品阶段，从工厂数据库中选取多组生产工厂；多组生产工厂分别与多个产品阶段对应，每组生产工厂至少包括一座用于完成对应产品阶段的生产内容的工厂；基于产品信息，从每组生产工厂中选取至少一座工厂作为完成对应产品阶段的生产内容的阶段生产工厂；每座阶段生产工厂均为独立的工厂；获取多个阶段生产工厂的生产参数，并基于生产参数构建虚拟工厂；通过控制虚拟工厂，协调多个所述阶段生产工厂联合生产产品；以减少生产时间，提高成品率。
Description
技术领域
本发明涉及工厂生产控制技术领域，具体而言，涉及一种基于AIGC的工业自动建模方法及***。
背景技术
云制造是一种基于云计算和物联网技术的制造模式，它将制造业与云计算、大数据、物联网等信息技术有机结合，实现了制造资源的共享、协同和智能化管理。在云制造模式下，制造企业可以通过云平台获取所需的制造资源、技术和服务，实现灵活的生产和供应链管理。云制造通过云平台实现了制造资源的共享和协同利用，包括设备、工具、人力、知识和信息等。制造企业可以通过云平台获取所需的资源，从而降低成本、提高效率和灵活应对市场需求变化。云制造支持定制化生产需求，可以根据客户需求快速调整生产线和生产流程，实现小批量、多样化生产。然而，由于云制造生产产品时常常需要多个工厂联合进行生产，因此常因多个工厂在生产产品时缺少有效的协调控制，使得最终产品与客户需求有较大差异，造成耗时长成品率低的问题。另外，工厂的选取也存在诸多不合理。
有鉴于此，本申请提出了一种基于AIGC（人工智能生成内容）的工业自动建模方法及***，通过对多个工厂进行建模，实现云平台对加工产品的工厂的联合控制，减少生产时间，提高成品率。
发明内容
本发明的目的在于提供一种基于AIGC的工业自动建模方法，包括：基于生产订单，确定待生产产品的产品信息；所述产品信息包括产品类别、客户信息、时间信息和需求信息；基于所述产品类别，确定所述待生产产品的多个产品阶段；基于所述产品阶段，从工厂数据库中选取多组生产工厂；所述多组生产工厂分别与所述多个产品阶段对应，每组生产工厂至少包括一座用于完成对应产品阶段的生产内容的工厂；基于所述产品信息，从每组生产工厂中选取至少一座工厂作为完成对应产品阶段的生产内容的阶段生产工厂；每座阶段生产工厂均为独立的工厂；获取多个所述阶段生产工厂的生产参数，并基于所述生产参数构建虚拟工厂；通过控制所述虚拟工厂，协调多个所述阶段生产工厂联合生产产品。
进一步的，所述产品阶段包括设计阶段、生产阶段和验收阶段。
进一步的，所述基于所述产品阶段，从工厂数据库中选取多组生产工厂，包括：分别提取云平台上各工厂的特征，并对特征进行归一化，得到工厂特征；基于品类相关度对所述工厂特征内的元素赋予权重，得到第一工厂特征；基于所述第一工厂特征，对云平台的工厂进行分类，得到多个与产品品类对应的第一工厂集合；基于所述待生产产品的品类，从多个所述第一工厂集合中选取目标工厂集合；基于阶段相关度对所述目标工厂集合内的工厂特征的元素赋予权重，得到第二工厂特征；基于所述第二工厂特征，对所述目标工厂集合进行分类，得到多个与所述产品阶段对应的生产工厂组。
进一步的，通过第一k近邻算法对云平台的工厂进行分类；所述第一k近邻算法的k值由交叉验证得到；所述第一工厂特征与其近邻的距离小于第一预设距离；通过第二k近邻算法对所述目标工厂集合进行分类；所述第二k近邻算法的k值由交叉验证得到；所述第二工厂特征与其近邻的距离小于第二预设距离。
进一步的，所述第一预设距离的表达式为：
；
其中，表示第一预设距离；/>表示集合变量；/>表示第一工厂集合的总数；/>和分别表示不同的第一工厂集合内的第一工厂特征变量；/>和/>分别表示不同的第一工厂集合内的第一工厂特征的总数；/>表示第/>个第一工厂集合内第/>个第一工厂特征；/>表示第/>个第一工厂集合内第/>个第一工厂特征；/>表示取绝对值的最小值；
所述第二预设距离的表达式为：
；
其中，表示第二预设距离；/>表示工厂组变量；/>表示阶段工厂组的总数；/>和分别表示不同的阶段工厂组内的第二工厂特征变量；/>和/>分别表示不同的阶段工厂组内的第二工厂特征的总数；/>表示第/>个阶段工厂组内第/>个第二工厂特征；表示第/>个阶段工厂组内第/>个第二工厂特征；/>表示取绝对值的最小值。
进一步的，所述基于所述产品信息，从每组生产工厂中选取至少一座工厂作为完成对应产品阶段的生产内容的阶段生产工厂，包括：构建选厂目标函数；所述选厂目标函数与工厂地址相关；构建选厂约束条件；所述选厂约束条件包括工期约束和运输约束；基于所述选厂约束条件求解所述选厂目标函数，得到每个产品阶段进行产品生产的工厂和每个产品阶段之间的运输路线。
进一步的，所述选厂目标函数的表达式为：
；
其中，D表示沿产品阶段，从第一个阶段生产工厂组到最后一个阶段生产工厂组的运输距离；min*表示取最小值;表示产品阶段变量；q表示生产该产品的产品阶段的总数；表示用于完成第e-1个产品阶段的阶段生产工厂的总数；/>表示用于完成第e个产品阶段的阶段生产工厂的总数；/>表示用于完成第e-1个产品阶段的阶段生产工厂变量；/>表示用于完成第e个产品阶段的阶段生产工厂变量；/>表示用于完成第e-1个产品阶段的阶段生产工厂与完成第e个产品阶段的阶段生产工厂的距离；/>取值为0或1，当取值为1时，表示前后两个阶段的工厂有先后加工关系，取值为0时，表示前后两个阶段的工厂没有先后加工关系。
进一步的，所述工期约束的表达式为：
；
其中，表示产品阶段变量；q表示生产该产品的产品阶段的总数；/>表示第e个产品阶段的生产时间；/>表示运输时间；/>表示产品生产工期。
进一步的，所述运输约束的表达式为：
；
；
其中，表示产品阶段变量；/>表示用于完成第e-1个产品阶段的阶段生产工厂的总数；/>表示用于完成第e个产品阶段的阶段生产工厂的总数；/>表示用于完成第e-1个产品阶段的阶段生产工厂变量；/>表示用于完成第e个产品阶段的阶段生产工厂变量；表示用于完成第e-1个产品阶段的阶段生产工厂与完成第e个产品阶段的阶段生产工厂的距离。
本发明还提供一种基于AIGC的工业自动建模***，包括产品信息确定模块、产品阶段确定模块、生成工厂确定模块、阶段生产工厂确定模块、虚拟工厂构建模块和控制模块；所述产品信息确定模块用于基于生产订单，确定待生产产品的产品信息；所述产品信息包括产品类别、客户信息、时间信息和需求信息；所述产品阶段确定模块用于基于所述产品类别，确定所述待生产产品的多个产品阶段；所述生成工厂确定模块用于基于所述产品阶段，从工厂数据库中选取多组生产工厂；所述多组生产工厂分别与所述多个产品阶段对应，每组生产工厂至少包括一座用于完成对应产品阶段的生产内容的工厂；所述阶段生产工厂确定模块用于基于所述客户信息，从每组生产工厂中选取至少一座工厂作为完成对应产品阶段的生产内容的阶段生产工厂；每座阶段生产工厂均为独立的工厂；所述虚拟工厂构建模块用于获取多个所述阶段生产工厂的生产参数，并基于所述生产参数构建虚拟工厂；所述控制模块用于控制所述虚拟工厂，协调多个所述阶段生产工厂联合生产产品。
本发明实施例的技术方案至少具有如下优点和有益效果：
通过对云平台上的工厂进行分类得到目标工厂集合，然后对目标工厂集合进行分类得到生产工厂组，可以提高生产工厂组的分组精确度，减少干扰。
通过将小于第一和第二预设阈值的第一和第二工厂特征作为近邻，可以减少噪声数据，提高分类的准确度。
通过选厂约束条件和选厂目标函数，确定每个阶段生产产品的工厂和产品阶段之间的运输路线，可以在满足生产需求的情况下，最小化生产时间，避免由于工厂过多，工厂和工厂间的协调出错或产品运输错误的情况，进一步提高了生产效率。
附图说明
图1为本发明一些实施例提供的一种基于AIGC的工业自动建模方法的示例性流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
图1为本发明一些实施例提供的一种基于AIGC的工业自动建模方法的示例性流程图。如图1所示，流程100包括以下内容：
步骤110，基于生产订单，确定待生产产品的产品信息。
生产订单可以是指客户委托生产某种产品的订单。待生产产品是指该客户委托生产的产品。待生产产品可以有多种类别，例如，食品、日用品、服装、电子产品和纸制品等。产品信息可以是指生产订单中有关待生产产品的信息。例如，产品信息可以包括产品类别、客户信息、时间信息和需求信息等。产品类别可以是指与产品的种类相关的信息。例如，产品类别可以包括生产流程、加工工艺和生产条件等。客户信息可以是指与客户相关的信息。例如，客户信息可以包括下单时间、交付时间、客户地址、客户级别和客户联系方式等。需求信息可以是指用户对待生产产品的需求。例如，需求信息可以包括生产预算、产品用途、产品尺寸、产品功能和参数要求等。不同的产品可以有不同的需求，以包装盒为例：需求信息可以包括尺寸、颜色、字体内容、图画内容、印刷精度、用途、风格和预算等。以功率放大器为例：需求信息可以包括放大器尺寸、放大倍数、信噪比和工作环境等。
步骤120，基于所述产品类别，确定所述待生产产品的多个产品阶段。产品阶段是指生产产品的多个阶段。例如，产品阶段可以包括设计阶段、生产阶段和验收阶段。
在一些实施例中，可以获取待生产产品的生产流程；生产流程内包括多个生产子流程；将多个生产子流程和产品阶段输入语义模型，模型将多个生产子流程匹配到产品的多个产品阶段，得到产品在每个产品阶段的生产内容。
以包装盒为例，包装盒的生产子流程可以包括设计、材料选择和准备、印刷、切割和裁剪、折叠和成型、粘合和组装和质量控制；匹配后设计阶段的生产子流程包括设计、材料选择和准备；生产阶段的生产子流程包括印刷、切割和裁剪、折叠和成型以及粘合和组装；验收阶段的生产子流程包括质量控制。
以功率放大器为例，功率放大器的生产子流程包括设计开发、原型制作、设计修改与优化、生产准备、元器件采购、电路板制造、电路板组装、后焊处理、测试与调试、老化和稳定性测试、封装和最终组装和最终质量控制。匹配后设计阶段的生产子流程包括设计开发、原型制作和设计修改与优化；生产阶段的生产子流程包括生产准备、元器件采购、电路板制造、电路板组装和后焊处理；验收阶段的生产子流程包括测试与调试、老化和稳定性测试、封装和最终组装和最终质量控制。
步骤130，基于所述产品阶段，从工厂数据库中选取多组生产工厂；所述多组生产工厂分别与所述多个产品阶段对应，每组生产工厂至少包括一座用于完成对应产品阶段的生产内容的工厂。其中，基于所述产品阶段，从工厂数据库中选取多组生产工厂，包括：
分别提取云平台上各工厂的特征，并对特征进行归一化，得到工厂特征；工厂特征包括工厂类型、加工品类、设备种类、设备数量和工厂地址等。
基于品类相关度对所述工厂特征内的元素赋予权重，得到第一工厂特征；所述品类相关度是指元素与产品品类的相关的程度，相关程度越高权重越高，反之则低。
基于所述第一工厂特征，对云平台的工厂进行分类，得到多个与产品品类对应的第一工厂集合。例如，将工厂分为食品工厂集合、日用品工厂集合、服装工厂集合、电子产品工厂集合和纸制品工厂集合等。
基于所述待生产产品的品类，从多个所述第一工厂集合中选取目标工厂集合。例如，待生产产品为包装盒，则将纸制品工厂作为目标工厂集合。又例如，待生产产品为功率放大器，则将电子产品工厂集合作为目标工厂集合。
在一些实施例中，可以通过第一k近邻算法对云平台的工厂进行分类；所述第一k近邻算法的k值由交叉验证得到；所述第一工厂特征与其近邻的距离小于第一预设距离。所述第一预设距离的表达式为：
；
其中，表示第一预设距离；/>表示集合变量；/>表示第一工厂集合的总数；/>和分别表示不同的第一工厂集合内的第一工厂特征变量；/>和/>分别表示不同的第一工厂集合内的第一工厂特征的总数；/>表示第/>个第一工厂集合内第/>个第一工厂特征；/>表示第/>个第一工厂集合内第/>个第一工厂特征；/>表示取绝对值的最小值。
基于阶段相关度对所述目标工厂集合内的工厂特征的元素赋予权重，得到第二工厂特征；所述阶段相关度是指元素与产品生产阶段的相关程度；相关程度高权重高，反之则低。
基于所述第二工厂特征，对所述目标工厂集合进行分类，得到多个与所述产品阶段对应的生产工厂组。例如，用于完成设计阶段的生产工厂组，用于完成生产阶段的生产工厂组和用于完成验收阶段的生产工厂组。
在一些实施例中，可以通过第二k近邻算法对所述目标工厂集合进行分类；所述第二k近邻算法的k值由交叉验证得到；所述第二工厂特征与其近邻的距离小于第二预设距离。所述第二预设距离的表达式为：
；
其中，表示第二预设距离；/>表示工厂组变量；/>表示阶段工厂组的总数；/>和分别表示不同的阶段工厂组内的第二工厂特征变量；/>和/>分别表示不同的阶段工厂组内的第二工厂特征的总数；/>表示第/>个阶段工厂组内第/>个第二工厂特征；表示第/>个阶段工厂组内第/>个第二工厂特征；/>表示取绝对值的最小值。
步骤140，基于所述产品信息，从每组生产工厂中选取至少一座工厂作为完成对应产品阶段的生产内容的阶段生产工厂；所述阶段生产工厂包括设计阶段工厂、生产阶段工厂和验收阶段工厂；每座阶段生产工厂均为独立的工厂。
在一些实施例中，可以根据工厂的地址选取多个阶段生产工厂，包括：
构建选厂目标函数；所述选厂目标函数与工厂地址相关；所述选厂目标函数的表达式为：
；
其中，D表示沿产品阶段，从第一个阶段生产工厂组到最后一个阶段生产工厂组的运输距离；min*表示取最小值;表示产品阶段变量；q表示生产该产品的产品阶段的总数；表示用于完成第e-1个产品阶段的阶段生产工厂的总数；/>表示用于完成第e个产品阶段的阶段生产工厂的总数；/>表示用于完成第e-1个产品阶段的阶段生产工厂变量；/>表示用于完成第e个产品阶段的阶段生产工厂变量；/>表示用于完成第e-1个产品阶段的阶段生产工厂与完成第e个产品阶段的阶段生产工厂的距离；/>取值为0或1，当取值为1时，表示前后两个阶段的工厂有先后加工关系，取值为0时，表示前后两个阶段的工厂没有先后加工关系。
构建选厂约束条件；所述选厂约束条件包括工期约束和运输约束；所述工期约束的表达式为：
；
其中，表示产品阶段变量；q表示生产该产品的产品阶段的总数；/>表示第e个产品阶段的生产时间；/>表示运输时间；/>表示产品生产工期。
基于所述选厂约束条件求解所述选厂目标函数，得到每个产品阶段进行产品生产的工厂和每个产品阶段之间的运输路线。
所述运输约束的表达式为：
；
；
其中，表示产品阶段变量；/>表示用于完成第e-1个产品阶段的阶段生产工厂的总数；/>表示用于完成第e个产品阶段的阶段生产工厂的总数；/>表示用于完成第e-1个产品阶段的阶段生产工厂变量；/>表示用于完成第e个产品阶段的阶段生产工厂变量；表示用于完成第e-1个产品阶段的阶段生产工厂与完成第e个产品阶段的阶段生产工厂的距离。
步骤150，获取多个所述阶段生产工厂的生产参数，并基于所述生产参数构建虚拟工厂。
生产参数包括阶段生产工厂内设备的详细规格、设备的操作参数、设备的性能数据、待生产产品的工作流程、工厂的生产线配置和物料处理过程。
在一些实施例中，基于生产参数构建虚拟工厂，包括：
分别获取每个产品阶段的阶段生产工厂的生产参数，并将所述生产参数上传到云端数据库，得到阶段参数；例如，阶段参数可以包括该阶段每个阶段生产工厂完成一个当前阶段产品的速度、从前一阶段的工厂将前一阶段产品运输到该工厂的距离和每个阶段生产工厂的产品加工个数等。
基于阶段参数在云平台构建阶段虚拟工厂；所述阶段虚拟工厂是指完成对应阶段的生产内容的虚拟工厂。
关联同一产品阶段内的阶段生产工厂，得到阶段虚拟参数。阶段虚拟参数用于表示阶段虚拟工厂的加工情况。阶段虚拟参数可以包括阶段加工时间和阶段加工产品数量等。阶段加工时间为该产品阶段的生产阶段工厂加工第一个产品的开始时间到加工最后一个产品的结束时间；其中，开始时间和结束时间可以为同一个生产阶段工厂，也可以为不同的阶段生产工厂。该产品阶段的每个阶段生产工厂加工的产品的数量为待生产产品的总数。
关联不同阶段的阶段虚拟工厂，得到阶段间虚拟参数。阶段间虚拟参数用于表示不同产品阶段的阶段虚拟工厂之间的关系。阶段间虚拟参数可以包括重合加工时间和阶段产品参数等。重合加工时间是指前一阶段在加工的同时，当前时间也在进行产品加工，同时进行两种加工的时间被称为重合时间。阶段产品参数是指当前阶段生成的产品的参数，以为后续加工使用。
在阶段虚拟工厂之间添加联动控制逻辑，在阶段虚拟工厂内添加子联动控制逻辑。联动控制逻辑是指协调阶段虚拟工厂的加工状态的控制逻辑。例如，控制每个阶段生产工厂的开始加工时间和结束加工时间等，以在加工本产品的时间外加工其他产品。子联动控制逻辑是指协调阶段生产工厂的加工状态的逻辑。例如，控制每个阶段生产工厂加工的产品数，协调阶段生产工厂的加工时间，使得最小化该阶段的加工时间等。
步骤160，通过控制所述虚拟工厂，协调多个所述阶段生产工厂联合生产产品。例如，通过云平台下发联动控制逻辑或子联动控制逻辑调整每个工厂生产的加工状态，进而改变该产品的生产进度。
本发明还提供一种基于AIGC的工业自动建模***。该***包括产品信息确定模块、产品阶段确定模块、生成工厂确定模块、阶段生产工厂确定模块、虚拟工厂构建模块和控制模块。
产品信息确定模块用于基于生产订单，确定待生产产品的产品信息；所述产品信息包括产品类别、客户信息、时间信息和需求信息。
产品阶段确定模块用于基于所述产品类别，确定所述待生产产品的多个产品阶段。
生成工厂确定模块用于基于所述产品阶段，从工厂数据库中选取多组生产工厂；所述多组生产工厂分别与所述多个产品阶段对应，每组生产工厂至少包括一座用于完成对应产品阶段的生产内容的工厂。
阶段生产工厂确定模块用于基于所述客户信息，从每组生产工厂中选取至少一座工厂作为完成对应产品阶段的生产内容的阶段生产工厂；每座阶段生产工厂均为独立的工厂。
虚拟工厂构建模块用于获取多个所述阶段生产工厂的生产参数，并基于所述生产参数构建虚拟工厂。
控制模块用于控制所述虚拟工厂，协调多个所述阶段生产工厂联合生产产品。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于AIGC的工业自动建模方法，其特征在于，包括：
基于生产订单，确定待生产产品的产品信息；所述产品信息包括产品类别、客户信息、时间信息和需求信息；
基于所述产品类别，确定所述待生产产品的多个产品阶段；
基于所述产品阶段，从工厂数据库中选取多组生产工厂；所述多组生产工厂分别与所述多个产品阶段对应，每组生产工厂至少包括一座用于完成对应产品阶段的生产内容的工厂；
基于所述产品信息，从每组生产工厂中选取至少一座工厂作为完成对应产品阶段的生产内容的阶段生产工厂；每座阶段生产工厂均为独立的工厂；
获取多个所述阶段生产工厂的生产参数，并基于所述生产参数构建虚拟工厂；
通过控制所述虚拟工厂，协调多个所述阶段生产工厂联合生产产品。
2.根据权利要求1所述的基于AIGC的工业自动建模方法，其特征在于，所述产品阶段包括设计阶段、生产阶段和验收阶段。
3.根据权利要求1所述的基于AIGC的工业自动建模方法，其特征在于，所述基于所述产品阶段，从工厂数据库中选取多组生产工厂，包括：
分别提取云平台上各工厂的特征，并对特征进行归一化，得到工厂特征；
基于品类相关度对所述工厂特征内的元素赋予权重，得到第一工厂特征；
基于所述第一工厂特征，对云平台的工厂进行分类，得到多个与产品品类对应的第一工厂集合；
基于所述待生产产品的品类，从多个所述第一工厂集合中选取目标工厂集合；
基于阶段相关度对所述目标工厂集合内的工厂特征的元素赋予权重，得到第二工厂特征；
基于所述第二工厂特征，对所述目标工厂集合进行分类，得到多个与所述产品阶段对应的生产工厂组。
4.根据权利要求3所述的基于AIGC的工业自动建模方法，其特征在于，通过第一k近邻算法对云平台的工厂进行分类；所述第一k近邻算法的k值由交叉验证得到；所述第一工厂特征与其近邻的距离小于第一预设距离；
通过第二k近邻算法对所述目标工厂集合进行分类；所述第二k近邻算法的k值由交叉验证得到；所述第二工厂特征与其近邻的距离小于第二预设距离。
5.根据权利要求4所述的基于AIGC的工业自动建模方法，其特征在于，所述第一预设距离的表达式为：
；其中，/>表示第一预设距离；/>表示集合变量；/>表示第一工厂集合的总数；/>和/>分别表示不同的第一工厂集合内的第一工厂特征变量；/>和/>分别表示不同的第一工厂集合内的第一工厂特征的总数；/>表示第/>个第一工厂集合内第/>个第一工厂特征；/>表示第/>个第一工厂集合内第个第一工厂特征；/>表示取绝对值的最小值；
所述第二预设距离的表达式为：
；其中，/>表示第二预设距离；/>表示工厂组变量；/>表示阶段工厂组的总数；/>和/>分别表示不同的阶段工厂组内的第二工厂特征变量；/>和/>分别表示不同的阶段工厂组内的第二工厂特征的总数；/>表示第/>个阶段工厂组内第/>个第二工厂特征；/>表示第/>个阶段工厂组内第/>个第二工厂特征；/>表示取绝对值的最小值。
6.根据权利要求1所述的基于AIGC的工业自动建模方法，其特征在于，所述基于所述产品信息，从每组生产工厂中选取至少一座工厂作为完成对应产品阶段的生产内容的阶段生产工厂，包括：
构建选厂目标函数；所述选厂目标函数与工厂地址相关；
构建选厂约束条件；所述选厂约束条件包括工期约束和运输约束；
基于所述选厂约束条件求解所述选厂目标函数，得到每个产品阶段进行产品生产的工厂和每个产品阶段之间的运输路线。
7.根据权利要求6所述的基于AIGC的工业自动建模方法，其特征在于，所述选厂目标函数的表达式为：
；其中，D表示沿产品阶段，从第一个阶段生产工厂组到最后一个阶段生产工厂组的运输距离；min*表示取最小值;/>表示产品阶段变量；q表示生产该产品的产品阶段的总数；/>表示用于完成第e-1个产品阶段的阶段生产工厂的总数；/>表示用于完成第e个产品阶段的阶段生产工厂的总数；/>表示用于完成第e-1个产品阶段的阶段生产工厂变量；/>表示用于完成第e个产品阶段的阶段生产工厂变量；/>表示用于完成第e-1个产品阶段的阶段生产工厂与完成第e个产品阶段的阶段生产工厂的距离；/>取值为0或1，当取值为1时，表示前后两个阶段的工厂有先后加工关系，取值为0时，表示前后两个阶段的工厂没有先后加工关系。
8.根据权利要求6所述的基于AIGC的工业自动建模方法，其特征在于，所述工期约束的表达式为：
；其中，/>表示产品阶段变量；q表示生产该产品的产品阶段的总数；/>表示第e个产品阶段的生产时间；/>表示运输时间；/>表示产品生产工期。
9.根据权利要求6所述的基于AIGC的工业自动建模方法，其特征在于，所述运输约束的表达式为：
；
；其中，/>表示产品阶段变量；/>表示用于完成第e-1个产品阶段的阶段生产工厂的总数；/>表示用于完成第e个产品阶段的阶段生产工厂的总数；/>表示用于完成第e-1个产品阶段的阶段生产工厂变量；/>表示用于完成第e个产品阶段的阶段生产工厂变量；/>表示用于完成第e-1个产品阶段的阶段生产工厂与完成第e个产品阶段的阶段生产工厂的距离。
10.一种基于AIGC的工业自动建模***，其特征在于，包括产品信息确定模块、产品阶段确定模块、生成工厂确定模块、阶段生产工厂确定模块、虚拟工厂构建模块和控制模块；
所述产品信息确定模块用于基于生产订单，确定待生产产品的产品信息；所述产品信息包括产品类别、客户信息、时间信息和需求信息；
所述产品阶段确定模块用于基于所述产品类别，确定所述待生产产品的多个产品阶段；
所述生成工厂确定模块用于基于所述产品阶段，从工厂数据库中选取多组生产工厂；所述多组生产工厂分别与所述多个产品阶段对应，每组生产工厂至少包括一座用于完成对应产品阶段的生产内容的工厂；
所述阶段生产工厂确定模块用于基于所述客户信息，从每组生产工厂中选取至少一座工厂作为完成对应产品阶段的生产内容的阶段生产工厂；每座阶段生产工厂均为独立的工厂；
所述虚拟工厂构建模块用于获取多个所述阶段生产工厂的生产参数，并基于所述生产参数构建虚拟工厂；
所述控制模块用于控制所述虚拟工厂，协调多个所述阶段生产工厂联合生产产品。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410153231.XA CN117745152B (zh) | 2024-02-04 | 2024-02-04 | 一种基于aigc的工业自动建模方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410153231.XA CN117745152B (zh) | 2024-02-04 | 2024-02-04 | 一种基于aigc的工业自动建模方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117745152A true CN117745152A (zh) | 2024-03-22 |
| CN117745152B CN117745152B (zh) | 2024-04-19 |
Family
ID=90278003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410153231.XA Active CN117745152B (zh) | 2024-02-04 | 2024-02-04 | 一种基于aigc的工业自动建模方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117745152B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015535123A (ja) * | 2012-12-19 | 2015-12-07 | グーグル インコーポレイテッド | ジオポジションサンプルに基づくコンテンツアイテムの選択 |
| CN106030624A (zh) * | 2013-12-06 | 2016-10-12 | 邓白氏公司 | 用于经由移动和地理位置通信收集关于企业的数据的方法和*** |
| CN109559039A (zh) * | 2018-11-29 | 2019-04-02 | 贵州航天云网科技有限公司 | 一种基于数字孪生技术的虚拟工厂业务协同*** |
| CN115641097A (zh) * | 2022-12-23 | 2023-01-24 | 深圳市仕瑞达自动化设备有限公司 | 基于云平台的非标准机械加工协同制造管理方法及*** |
| CN116957177A (zh) * | 2023-07-26 | 2023-10-27 | 陕西科技大学 | 一种柔性车间产线规划方法、***、设备及介质 |
| CN117035364A (zh) * | 2023-09-11 | 2023-11-10 | 哈尔滨工业大学 | 基于改进混合模因算法的分布式异构流水车间调度方法 |
| CN117132181A (zh) * | 2023-08-21 | 2023-11-28 | 北京工业大学 | 一种分布式柔性生产与运输协同调度方法 |
-
2024
- 2024-02-04 CN CN202410153231.XA patent/CN117745152B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015535123A (ja) * | 2012-12-19 | 2015-12-07 | グーグル インコーポレイテッド | ジオポジションサンプルに基づくコンテンツアイテムの選択 |
| CN106030624A (zh) * | 2013-12-06 | 2016-10-12 | 邓白氏公司 | 用于经由移动和地理位置通信收集关于企业的数据的方法和*** |
| CN109559039A (zh) * | 2018-11-29 | 2019-04-02 | 贵州航天云网科技有限公司 | 一种基于数字孪生技术的虚拟工厂业务协同*** |
| CN115641097A (zh) * | 2022-12-23 | 2023-01-24 | 深圳市仕瑞达自动化设备有限公司 | 基于云平台的非标准机械加工协同制造管理方法及*** |
| CN116957177A (zh) * | 2023-07-26 | 2023-10-27 | 陕西科技大学 | 一种柔性车间产线规划方法、***、设备及介质 |
| CN117132181A (zh) * | 2023-08-21 | 2023-11-28 | 北京工业大学 | 一种分布式柔性生产与运输协同调度方法 |
| CN117035364A (zh) * | 2023-09-11 | 2023-11-10 | 哈尔滨工业大学 | 基于改进混合模因算法的分布式异构流水车间调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王子琛: "面向工业互联网的可编程虚拟网络平台构建方法与实现", 《中国优秀硕士学位论文全文数据库》, no. 11, 15 November 2023 (2023-11-15), pages 139 - 248 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117745152B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chiang | An application of Lotka–Volterra model to Taiwan's transition from 200 mm to 300 mm silicon wafers | |
| AlGeddawy et al. | Design of single assembly line for the delayed differentiation of product variants | |
| CN109782714A (zh) | 虚拟电子智能制造工厂控制***及其控制方法 | |
| CN107146039B (zh) | 一种多目标协同控制的定制式混流装配生产方法及装置 | |
| Sukthomya et al. | The training of neural networks to model manufacturing processes | |
| CN108510154A (zh) | 一种面向家具柔性化生产的物联网感知方法 | |
| CN111489180A (zh) | 参考信息生成方法、***及装置 | |
| CN115953099A (zh) | 一种基于多维数据和数据分析的数字孪生处理***及方法 | |
| Monostori et al. | Hybrid, AI-and simulation-supported optimisation of process chains and production plants | |
| KR102574244B1 (ko) | 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치 | |
| CN112651693A (zh) | 一种用于生产物料分配的车系bom结构数据处理方法 | |
| CN117745152B (zh) | 一种基于aigc的工业自动建模方法及*** | |
| Singh et al. | Multi-step short-term electric load forecasting using 2D convolutional neural networks | |
| CN110675055A (zh) | 一种自动化生产线建模与布局规划方法及*** | |
| CN113947443A (zh) | 一种返利的生成方法和返利装置 | |
| CN107942926A (zh) | 小牌号的参数自修正方法/***、可读存储介质及设备 | |
| Karlsson et al. | Online knowledge extraction and preference guided multi-objective optimization in manufacturing | |
| Vavliakis et al. | Optimizing Sales Forecasting in e-Commerce with ARIMA and LSTM Models. | |
| CN112712239B (zh) | 一种基于工业互联网协同制造***及控制方法 | |
| CN115719194A (zh) | 一种基于大数据预测物资采购方法和*** | |
| Oh et al. | An optimal quantity of scheduling model for mass customization-based additive manufacturing | |
| CN113052426A (zh) | 一种基于机械零部件的加工成本计算方法及其计算*** | |
| JP7496566B2 (ja) | 評価システム、評価方法、及びプログラム | |
| CN113467405B (zh) | 工业4.0需求驱动的分布式动态边缘云智能制造方法及*** | |
| CN116579828A (zh) | 一种面向服务型制造的个性化定制方法及*** |
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 |