应用人工智能云计算对生产线产量实时预测与信息连通的方法技术

本发明专利技术公开了应用人工智能云计算对生产线产量实时预测与信息连通的方法，该技术方案可实时监视制造过程進度，结合工业产品单元计算传感器,并配置一个微处理单元MCU，可以计算生产半成品或完成品的单位数,通过网络发送到云端计算服务器，再由云服务器中的人工智能机器学习软件进行分析，实时预测完成生产所需的时间，并计算生产时间任何的差异,标记出生产线的可能问题。在生产线上较频繁地监视制造过程,生产问题能更早发现，可以更早执行计划修改,更有机会发现生产的问题，提高生产的效率，而提高整体产品质量。来自云端服务器的这些分析数据,可以透过移动互联网连接,直接送去其他组织厂地,其他的供应商和客户的站点，连接到移动设备查看。

Application of artificial intelligence cloud computing to real-time prediction and information connection of production line output

【技术实现步骤摘要】
应用人工智能云计算对生产线产量实时预测与信息连通的方法
本专利技术涉及电子信息
，具体涉及一种应用人工智能云计算对生产线产量实时预测与信息连通的方法。
技术介绍
现今的制造工厂会生产大量不同的产品。客户向制造工厂下达各种订单，要求生产一定数量的某些产品。每个公司都有一个资源规划团队，他们通过数学估算方法来估算生产各种订单产量,与生产计划的时间表,并且所需的材料，机械，与人力资源。这些计算主要基于过去生产这些产品时使用的内部经验,和过去计划方程式的集合。这些生产产量,时间表和资源估算，将传递给生产部门以进行制造。制造过程中，通常在生产线接近后期阶段，他们每天或每几天一次评估,已完成的产品数量,以及完成某数量产品所需的时间,并与他们之前计划的时间进行比较。除非出现重大问题，否则产量和生产计划将不会被修改。但是当出现制造问题时，生产计划会受到影响，生产操作员将监视制造过程，修改计划时间和资源需求。这些修改,通常要有一天或几天的时间延迟,才能夠把这些修改发送到公司生产部门，还要更长的几天到几周时间,然后才把这些修改发送到客户的手中。这些进本文档来自技高网...

【技术保护点】
1.一种应用人工智能云计算对生产线产量实时预测与信息连通的方法，结合工业产品单元计算传感器,用可见光束的截止来计算生产线上半成品或完成品产品数量,或已经准备好原料数量；也可以在生产线传送带上，用条形码或二维码读取器,或射频识别RFID读取器,来计算半成品完成品产品数量；也可以用摄像机捕捉生产线传送带上物品的图像,来计算生产线上通过的产品或原料的数量；并配置一个微处理单元MCU，连接到一套软件和硬件上，让半成品或完成品生产数量,通过网络发送到云端计算服务器，再由云端服务器中的人工智能机器学习软件进行分析，这些数据可以透过云端服务器,利用互联网让移动设备查看，或出于安全考虑，这些数据也可以透过有线...

【技术特征摘要】
1.一种应用人工智能云计算对生产线产量实时预测与信息连通的方法，结合工业产品单元计算传感器,用可见光束的截止来计算生产线上半成品或完成品产品数量,或已经准备好原料数量；也可以在生产线传送带上，用条形码或二维码读取器,或射频识别RFID读取器,来计算半成品完成品产品数量；也可以用摄像机捕捉生产线传送带上物品的图像,来计算生产线上通过的产品或原料的数量；并配置一个微处理单元MCU，连接到一套软件和硬件上，让半成品或完成品生产数量,通过网络发送到云端计算服务器，再由云端服务器中的人工智能机器学习软件进行分析，这些数据可以透过云端服务器,利用互联网让移动设备查看，或出于安全考虑，这些数据也可以透过有线/无线网络传去本地计算服务器，所有的云端计算都在本地计算器里完成。


2.根据权利要求1所述的应用人工智能云计算对生产线产量实时预测与信息连通的方法，其特征在于，人工智能机器学习软件进行分析具体地是预测建模，主要关注的是最小化模型的误差，或令最准确的预测成为可能，机器学习算法须经过一个训练的步骤，包含大量以前相关生产参数,生产履行时间,与产量参数，当完成这足够生产参数的训练后，机器学习能根据输入的新的相关生产参数，预测新的制成品的生产线履行时间与产量参数，培训步骤可以在将来持续地进行以收集更多的数据，还可以从近期生产过程中发现的新的生产参数中学习，这样模型预测的准确性也将不断提高。


3.根据权利要求2所述的应用人工智能云计算对生产线产量实时预测与信息连通的方法，其特征在于，机器学习算法被描述为学习目标预测函数(F)，它最好地将输入变量(X)映射到输出变量(Y)，基于输入(X)预测输出(Y)；
Y＝F(X)
应用的算法是人工智能机器学习的其中一个分支，回归分析，还可以结合1)单变量回归，2)多变量回归，3)线性回归，及4)非线性回归；
为了说明该方法，将用一个多变量线性回归模型F(X)，但是，相同的原理也可以应用于单变量回归，线性回归和非线性回归，仅供示例用简化回归模型系数的计算,让简化回归模型预测函数F(X)的等式是:
Y＝a+bX；
Let
Y＝预测参数；
X＝输入资源参数；
a和b是回归模型公式系数；
计算系数的公式为：






在更复杂的情况下,预测生产线的履行时间,与产量参数,会应用此多变量线性回归来训练模型,在构建和训练模型时，回归模型预测函数F(X)描述如下：
Y＝C+M1xX1+M2xX2+M3xX3+M4xX4+…+MnxXn；
Let；
Y＝生产线履行时间与产量参数；
X1＝某一个阶段已经完成产品数量；
X2＝某一个阶段已经准备好原料数量；
X3＝另一个阶段已经完成产品数量；
X4＝另一个阶段已经准备好原料数量；
X5，X6，...X...

【专利技术属性】
技术研发人员：伍学斌，伍学聪，杨小波，丁萱，
申请(专利权)人：顺忠宝智能科技深圳有限公司，
类型：发明
国别省市：广东;44