【技术实现步骤摘要】
本专利技术涉及生产管理，尤其是一种基于实时产能预估的生产管理方法、系统、设备及介质。
技术介绍
1、随着制造业的快速发展，实时产能预估生产管理系统对于生产管理者来说变得尤为重要，可以帮助企业实现生产过程的精细化管理和优化，提高生产效率。
2、目前，通常通过粒子群优化算法、线性回归分析法和多元统计分析法进行生产线产能的预估，但粒子群优化算法由于在粒子的搜索过程主要依赖于个体和全局最优解，可能无法找到全局最优解，导致预估结果不够精确，且粒子群优化算法参数的选择需要进行反复试验和调整及大量的迭代计算才能达到满意的收敛效果，由于生产线的生产过程产生的数据较多且复杂，处理大规模数据时导致该算法的计算复杂度较高，需要较多的计算和时间；线性回归分析法通常是基于线性关系的假设，而在实际生产过程中，影响产能的各种因素导致某一天生产率较低时候，会导致回归模型的拟合能力受到限制，大大影响了产能预估的准确性；多元统计分析法对异常值敏感，当影响变量中存在异常值时，可能会对多元统计分析的计算和模型建立产生较大影响，且多元统计分析易受数据分布影响，其假设数据是服从正态分布的，但是由于生产过程中常存在很多突发情况导致实际数据不满足该假设时，可能导致预估结果失效，从而导致预测不准确。
技术实现思路
1、为解决上述现有技术问题，本专利技术提供基于实时产能预估的生产管理方法、系统、设备及介质，能有效地提高产能预估的准确性并保证产能预估的实时性，便于管理者管理，提高生产效率。
2、第一方面，本专利
3、实时采集生产过程中产生的多项数据并基于边缘计算对所述多项数据进行数字化处理，得到待处理数据集和实时采集数据，所述待处理数据集通过多个所述实时采集数据构成；
4、对所述待处理数据集进行灰色关联分析，确定第一产能影响因素，并根据影响程度对所述第一产能影响因素进行排序，将所述第一产能影响因素中的主要影响因素作为自变量数据；
5、根据遗传算法对反向传播神经网络进行模型优化，并将所述待处理数据集和所述自变量数据输入至所述反向传播神经网络进行模型训练，得到实时产能预估模型；
6、对所述实时采集数据进行灰色关联分析，确定第二产能影响因素；
7、将所述实时采集数据中与所述第二产能影响因素对应的数据输入至所述实时产能预估模型中进行产能预估，得到预估产能。
8、根据本专利技术第一方面的一些实施例，在所述将所述实时采集数据中与所述第二产能影响因素对应的数据输入至所述实时产能预估模型中进行产能预估，得到预估产能之后，具有：
9、获取预设产能阈值；
10、将所述预设产能阈值与所述预估产能进行对比，得到产能比较结果；
11、根据所述产能比较结果，确认所述预估产能是否满足预设结果。
12、根据本专利技术第一方面的一些实施例，所述方法还具有：
13、在所述预估产能与所述预设产能阈值之间的差值超出预设差值阈值的情况下，生成警告信号并进行警告处理。
14、根据本专利技术第一方面的一些实施例，以所述产能作为所述灰色关联分析的母序列，以影响所述产能的各影响因素作为所述灰色关联分析的子序列，所述对所述待处理数据集进行灰色关联分析，确定第一产能影响因素，并根据影响程度对所述第一产能影响因素进行排序，将所述第一产能影响因素中的主要影响因素作为自变量数据，具有：
15、对所述待处理数据集中的母序列区间化数值与子序列区间化数值的绝对差值进行计算，得到第一绝对差值；
16、根据预设分辨系数和所述第一绝对差值，确定关联系数序列；
17、根据所述关联系数序列，确定每一所述子序列与每一所述母序列之间的关联度；
18、根据所述关联度，确定第一产能影响因素，并根据影响程度对所述第一产能影响因素进行排序，将所述第一产能影响因素中的主要影响因素作为自变量数据。
19、根据本专利技术第一方面的一些实施例，所述根据遗传算法对反向传播神经网络进行模型优化，并将所述待处理数据和所述自变量数据输入至所述反向传播神经网络进行模型训练，得到实时产能预估模型，具有：
20、获取反向传播神经网络中各层的输出值；
21、根据所述输出值，确定所述反向传播神经网络各层中每一结点的误差值；
22、通过所述遗传算法对所述误差值进行权重修正，以对所述反向传播神经网络进行模型优化，得到实时产能预估模型。
23、第二方面，本专利技术实施例提供了一种基于实时产能预估的生产管理系统，具有：
24、基于边缘计算的物联网模块，用于实时采集生产过程中产生的多项数据并基于边缘计算对所述多项数据进行数字化处理，得到待处理数据集和实时采集数据，所述待处理数据集通过多个所述实时采集数据构成；
25、第一灰色关联分析模块，用于对所述待处理数据集进行灰色关联分析，确定第一产能影响因素，并根据影响程度对所述第一产能影响因素进行排序，将所述第一产能影响因素中的主要影响因素作为自变量数据；
26、遗传算法模块，用于根据遗传算法对反向传播神经网络进行模型优化；
27、反向传播神经网络模块，用于将所述待处理数据集和所述自变量数据输入至所述反向传播神经网络进行模型训练，得到实时产能预估模型；
28、第二灰色关联分析模块，用于对所述实时采集数据进行灰色关联分析，确定第二产能影响因素；
29、确定模块，用于将所述实时采集数据中与所述第二产能影响因素对应的数据输入至所述实时产能预估模型中进行产能预估，得到预估产能。根据本专利技术第二方面的一些实施例，所述基于实时产能预估的生产管理系统还具有：
30、获取模块，用于获取预设产能阈值；
31、阈值对比可视化模块，用于将所述预设产能阈值与所述预估产能进行对比，得到产能比较结果，并根据所述产能比较结果，确认所述预估产能是否满足预设结果。
32、根据本专利技术第二方面的一些实施例，所述基于实时产能预估的生产管理系统还具有：
33、警告模块，用于在所述预估产能与所述预设产能阈值之间的差值超出预设差值阈值的情况下，生成警告信号并进行警告处理。
34、第三方面，本专利技术实施例提供了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现：如上述第一方面所述的方法。
35、第四方面，本专利技术实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如上述第一方面所述的方法。
36、本专利技术的有益效果体现在，基于边缘计算技术，在物联网中获取待处理数据集和实时采集数据，待处理数据集为生产过程中产生的多项数据合集，实时采集数据为生产过程中产生的实时数据；对待处理数据集进行灰色关联分析，确定产能的主要影响因素为自变量数据；在待处理本文档来自技高网...
【技术保护点】
1.一种基于实时产能预估的生产管理方法，其特征在于，具有：
2.根据权利要求1所述的基于实时产能预估的生产管理方法，其特征在于，在所述将所述实时采集数据中与所述第二产能影响因素对应的数据输入至所述实时产能预估模型中进行产能预估，得到预估产能之后，具有：
3.根据权利要求2所述的基于实时产能预估的生产管理方法，其特征在于，所述方法还具有：
4.根据权利要求1所述的基于实时产能预估的生产管理方法，其特征在于，以所述产能作为所述灰色关联分析的母序列，以影响所述产能的各影响因素作为所述灰色关联分析的子序列，所述对所述待处理数据集进行灰色关联分析，确定第一产能影响因素，并根据影响程度对所述第一产能影响因素进行排序，将所述第一产能影响因素中的主要影响因素作为自变量数据，具有：
5.根据权利要求1所述的基于实时产能预估的生产管理方法，其特征在于，所述根据遗传算法对反向传播神经网络进行模型优化，并将所述待处理数据和所述自变量数据输入至所述反向传播神经网络进行模型训练，得到实时产能预估模型，具有：
6.一种基于实时产能预估的生产管理系统，
7.根据权利要求6所述的基于实时产能预估的生产管理系统，其特征在于，所述基于实时产能预估的生产管理系统还具有：
8.根据权利要求7所述的基于实时产能预估的生产管理系统，其特征在于，所述基于实时产能预估的生产管理系统还具有：
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现：如权利要求1至5中任一项所述的基于实时产能预估的生产管理方法。
10.一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存储有计算机可执行指令，所述计算机可执行指令用于执行如权利要求1至5中任一项所述的基于实时产能预估的生产管理方法。
...【技术特征摘要】
1.一种基于实时产能预估的生产管理方法，其特征在于，具有：
2.根据权利要求1所述的基于实时产能预估的生产管理方法，其特征在于，在所述将所述实时采集数据中与所述第二产能影响因素对应的数据输入至所述实时产能预估模型中进行产能预估，得到预估产能之后，具有：
3.根据权利要求2所述的基于实时产能预估的生产管理方法，其特征在于，所述方法还具有：
4.根据权利要求1所述的基于实时产能预估的生产管理方法，其特征在于，以所述产能作为所述灰色关联分析的母序列，以影响所述产能的各影响因素作为所述灰色关联分析的子序列，所述对所述待处理数据集进行灰色关联分析，确定第一产能影响因素，并根据影响程度对所述第一产能影响因素进行排序，将所述第一产能影响因素中的主要影响因素作为自变量数据，具有：
5.根据权利要求1所述的基于实时产能预估的生产管理方法，其特征在于，所述根据遗传算法对反向传播神经网络进行模型优化...
【专利技术属性】
技术研发人员：王晗，何少均，王小芬，张强，沈才兰，龚世蓉，魏明英，江孝蓉，陶红梅，蒲腾龙，
申请(专利权)人：四川汉丝服饰有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。