一种生产工序识别方法、系统、存储介质及计算机设备与流程

摘要: 本发明涉及生产流程监控,具体涉及一种生产工序识别方法、系统、存储介质及计算机设备。背景技术:1、瓶颈工序是生产流程中制约整体产能与效率的关键环节,其识别精度影响...
一种生产工序识别方法、系统、存储介质及计算机设备与流程

本发明涉及生产流程监控,具体涉及一种生产工序识别方法、系统、存储介质及计算机设备。

背景技术:

1、瓶颈工序是生产流程中制约整体产能与效率的关键环节,其识别精度影响智能车间的生产调度优化、资源配置效率及生产成本控制。在复杂的智能制造环境中,瓶颈工序会导致上下游工序等待、设备闲置、在制品积压等问题,制约生产周期缩短与产能提升,因此精准识别瓶颈工序是实现生产流程优化、提高生产柔性与市场响应速度的核心前提。

2、现有技术在瓶颈工序识别中存在局限:

3、一方面,传统方法依赖单一维度数据,如设备利用率或工序耗时,难以有效整合设备运行、物料消耗、产品质量等多类生产数据,无法建模工序与设备、物料、产品间的复杂关联,导致分析视角片面;

4、另一方面,对工序与产品的核心生产关联及工序间的物料竞争关系捕捉不足,缺乏针对性的特征加权机制,难以自适应识别不同场景下的瓶颈工序,识别准确性与鲁棒性较差。

技术实现思路

1、本发明针对现有技术存在的不足,提出一种生产工序识别方法、系统、存储介质及计算机设备,实现了智能车间瓶颈工序的精准、自适应识别,提升了生产流程优化的效率与可靠性。

2、实现本发明目的的技术解决方案为:

3、一种生产工序识别方法,包括以下步骤:

4、采集生产信息集并标准化其中的每种生产数据,生成标准生产信息集;

5、依据节点属性与边权重规则构建节点与边,生成异质图,其中,节点包括设备、工序、物料和产品,边包括工序前后关系、工序使用设备、工序消耗物料和设备生产产品;

6、设计元路径,采用路径相似度算法基于元路径相似度标记核心生产对与竞争工序对,通过随机游走生成短序列和长序列,基于短序列统计元路径频率,基于深度游走模型从长序列中提取元路径特征,其中,元路径包括工序产品路径和工序物料路径;

7、采用加权融合网络,将元路径特征与标准生产信息集中的标准生产数据集拼接并基于标记倾斜注意力机制加权融合,生成融合特征并采用图萨奇算法融入异质图中的工序节点,通过特征聚合与迭代学习以自适应判定瓶颈工序,生成瓶颈工序集。

8、进一步的,生产信息集包括生产文本集和生产数据集,生产文本集包括设备名称、设备类型、工序名称、工序编号、物料名称、物料类型、产品名称和产品类型,生产数据集包括设备运行数据、工序数据、物料数据和产品数据;

9、设备运行数据通过工业传感器采集,生产文本集、工序数据和产品数据中的产品统计数据通过对接mes系统采集,物料数据通过rfid读写器采集,产品数据还包括用于描述产品质量的产品质量特征,通过缺陷检测模型分析工业面阵相机拍摄的产品图像获得,缺陷检测模型包括yolov8、faster r-cnn、ssd、mask r-cnn、基于transformer的detr和efficientnet。

10、具体的,节点的创建基于标准生产信息集中的生产文本集,提取设备名称和设备类型作为设备的节点属性,将标准设备运行数据作为设备的运行属性,统计设备总数并分别生成设备节点,形成设备节点集;

11、提取工序名称和工序编号作为工序的节点属性,将标准工序数据作为工序的工艺属性,统计工序总数并分别生成工序节点,形成工序节点集;

12、提取物料名称和物料类型作为物料的节点属性,将标准物料数据作为物料的特性属性,统计物料类型总数并分别生成物料节点,形成物料节点集;

13、提取产品名称和产品类型作为产品的节点属性,将标准产品数据作为产品的质量属性,统计产品类型总数并分别生成产品节点,形成产品节点集。

14、具体的,边用于连接节点,包括工序前后关系、工序使用设备、工序消耗物料和设备生产产品,边权重规则用于量化计算边的权重,包括边规则、边规则、边规则和边规则;

15、边规则定义任意两个工序节点的边权重由标准生产数据集中两个工序的连续执行次数与第一个工序的总执行次数之比以及两个工序的平均执行间隔的倒数共同决定;

16、边规则定义工序节点与设备节点的边权重与工序使用设备的频率线性相关,工序使用设备的频率等于标准生产数据集中工序使用设备的次数除以工序使用所有设备的总次数;

17、边规则定义物料节点在工序节点的边权重与标准生产数据集中工序消耗物料的标准消耗量与工序消耗所有物料的标准消耗总量的占比线性相关;

18、边规则定义设备节点对产品节点的边权重由标准生产数据集中设备生产产品的标准生产数量与设备生产所有产品的标准生产总数量的数量占比以及设备生产产品的标准合格率共同决定。

19、进一步的,基于标准生产信息集,若任意两个工序先后衔接,建立在先的工序节点指向在后的工序节点的边并依据边规则计算边权重;

20、若工序使用设备,建立工序节点与设备节点之间的无向边并依据边规则计算边权重;

21、若工序消耗物料,建立物料节点与工序节点之间的无向边并依据边规则计算边权重;

22、若设备生产产品,建立设备节点与产品节点之间的无向边并依据边规则计算设备节点对产品节点的边权重;

23、整合设备节点集、工序节点集、物料节点集、产品节点集以及所有的边,构建异质图。

24、具体的,定义元路径包括工序产品路径和工序物料路径,基于异质图确定工序、设备和产品的生产规则;

25、遍历异质图中与任意工序节点存在边的相关设备节点并进一步索引与每个相关设备节点存在边的所有产品节点,依次连接形成任意工序节点的工序产品路径,依据相同方式构建任意工序节点的工序物料路径。

26、进一步的,路径相似度算法包括以下步骤:

27、针对工序产品路径和工序物料路径分别构建工序产品邻接矩阵和工序间邻接矩阵,工序产品邻接矩阵存储每个工序节点经过任意设备节点到达每个产品节点的生产路径数,工序间邻接矩阵存储每个工序节点经过任意物料节点到达其余每个工序节点的回馈路径数;

28、工序节点到产品节点的生产路径相似度等于以工序节点到所有产品节点的生产路径总数与所有工序节点到产品节点的生产路径总数之和为分母、以两倍的工序节点到产品节点的生产路径数为分子的分式;

29、工序节点到工序节点的回馈路径相似度等于以工序节点到其余工序节点的回馈路径总数与其余工序节点到工序节点的回馈路径总数之和为分母、以两倍的工序节点到工序节点的回馈路径数为分子的分式;

30、将生产路径相似度大于或等于第一相似度阈值的工序节点与产品节点组合标记为核心生产对,将回馈路径相似度大于或等于第二相似度阈值的两个工序节点组合标记为竞争工序对。

31、进一步的,通过随机游走生成短序列并统计元路径频率,包括以下步骤:

32、设置游走次数、短序列长度和长序列长度;

33、依据异质图初始化节点转移概率构建转移概率矩阵,对于存在边的两个节点,转移概率等于边权重的归一化结果,对于无边的两个节点,转移概率为0;

34、从异质图中的每个节点触发,依据转移概率矩阵执行等同于游走次数的独立游走,将每次独立游走中,首次经过的数量等于短序列长度的节点组合为每个节点的短序列,将经过的数量首次等于长序列长度的节点组合为每个节点的长序列并停止游走;

35、分别统计短序列中符合工序产品路径的第一短序列总数与工序物料路径的第二短序列总数并分别除以非重复短序列总数,组合生成元路径频率。

36、进一步的,基于深度游走模型提取长序列生成元路径特征,包括以下步骤:

37、对于每个长序列,通过嵌入查找表依据长序列中节点的整数标识转化为稠密向量,生成稠密向量序列;

38、采用滑动窗口机制对稠密向量序列进行上下文采样,将位于窗口中心的稠密向量视作目标向量,将窗口内位于目标向量左侧和右侧的稠密向量分别视为上文向量和下文向量,利用全连接层计算目标向量与上文向量和下文向量的平均相似度;

39、以最大化每个长序列窗口内的节点共现概率为优化目标,采用优化器更新嵌入查找表,其中,将窗口内任意两个节点的稠密向量乘积经sigmoid函数变换后求和并取对数即为窗口内的节点共现概率;

40、获取所有符合元路径定义的短序列并依据嵌入查找表转化为稠密向量并通过平均池化计算路径深度特征;

41、拼接元路径频率与每个短序列的路径深度特征,构建元路径特征。

42、具体的,加权融合网络获取元路径特征与标准生产信息集中的标准生产数据集,为元路径特征中每个路径深度特征初始化注意力标记,确认包括核心生产对和/或竞争工序对的短序列并将相应的路径深度特征的注意力标记重新设置,生成标记元路径特征并与标准生产数据集拼接为待融合特征;

43、采用标记倾斜注意力机制,将待融合特征中每个特征通过注意力机制计算常规注意力得分,叠加标记影响系数与注意力标记的乘积生成标记注意力得分并通过softmax函数转化注意力权重,利用注意力权重加权求和待融合特征并经过全连接层映射生成融合特征。

44、具体的,图萨奇算法获取个工序节点的稠密向量并分别线性嵌入融合特征,生成个工序节点的融合稠密向量,依据异质图确认与工序节点存在边的相邻非工序节点,利用专属聚合函数将相邻非工序节点的稠密向量与工序节点的融合稠密向量聚合并通过relu函数激活生成工序节点的嵌入稠密向量,重复迭代直至工序节点的嵌入稠密向量收敛,将工序节点的嵌入稠密向量输入逻辑回归器进行二分类判断,生成瓶颈工序集。

45、一种生产工序识别系统,包括:

46、数据采集模块,用于采集生产信息集并标准化其中的每种生产数据,生成标准生产信息集;

47、异质图生成模块,依据节点属性与边权重规则构建节点与边以生成异质图,节点包括设备、工序、物料和产品,边包括工序前后关系、工序使用设备、工序消耗物料和设备生产产品;

48、路径设计模块,用于设计元路径,采用路径相似度算法基于元路径相似度标记核心生产对与竞争工序对,通过随机游走生成短序列和长序列,基于短序列统计元路径频率,基于深度游走模型从长序列中提取元路径特征,元路径包括工序产品路径和工序物料路径;

49、工序判定模块,用于采用加权融合网络,将元路径特征与标准生产信息集中的标准生产数据集拼接并基于标记倾斜注意力机制加权融合,生成融合特征并采用图萨奇算法融入异质图中的工序节点,通过特征聚合与迭代学习自适应判定瓶颈工序,生成瓶颈工序集。

50、一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现一种生产工序识别方法的步骤。

51、一种存储介质,其上存储有计算机指令,当计算机指令运行时执行一种生产工序识别方法的步骤。

52、本发明与现有技术相比,构建包括设备、工序、物料和产品节点以及工序前后关系、工序使用设备、工序消耗物料和设备生产产品边的异质图,通过设计工序产品路径和工序物料路径等元路径,结合路径相似度算法标记核心生产对与竞争工序对,整合多类型生产数据以建模节点间复杂关联,突破单一维度数据的局限。

53、采用加权融合网络,将元路径特征与标准生产数据集拼接后基于标记倾斜注意力机制加权融合,生成融合特征并通过图萨奇算法融入异质图的工序节点,经特征聚合与迭代学习自适应判定瓶颈工序,增强对核心生产关联和物料竞争关系的捕捉,提升识别准确性与鲁棒性。