申请/专利权人：广东工业大学

申请日：2020-09-29

公开（公告）日：2024-04-26

公开（公告）号：CN112270613B

主分类号：G06Q10/067

分类号：G06Q10/067;G06Q50/04;G06F30/20;G06F16/27;G06Q10/0631;G06F18/24;G06F16/2458;G06F16/215;G06F111/10

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2021.02.12#实质审查的生效;2021.01.26#公开

摘要：本发明公开了一种面向制造企业全流程制造管控的制造过程大数据建模方法，先对制造企业在设计、制造、管理和服务在内的业务中所产生的相关数据进行预处理，然后进行大数据分析，调整制造过程中因为设计、管理、服务在内的业务影响而发生改变的数据，建立起制造业务与设计、管理及服务业务之间的联系；最后建立面向设计、制造、管理、服务的全体系全价值链贯通的大数据模型。本发明突破现有数据模型只是面向单一业务的问题，建立以制造业务数据为主，其他业务数据为辅的全体系全价值链贯通的大数据模型，辅助制造企业制定决策，合理规划生产计划，提高企业的生产效率，促进企业经济效益增长。

主权项：1.一种面向制造企业全流程制造管控的制造过程大数据建模方法，其特征在于，包括以下步骤：S1、获取制造企业在设计、制造、管理和服务在内的业务中所产生的相关数据；S2、对步骤S1获取到的数据进行预处理；S3、对经过步骤S2预处理过的数据进行大数据分析，调整制造过程中因为设计、管理、服务在内的业务影响而发生改变的数据，建立起制造业务与设计、管理及服务业务之间的联系；S4、建立面向设计、制造、管理、服务的全体系全价值链贯通的大数据模型；所述步骤S3基于发布订阅的分布式消息系统Kafka进行，该系统Kafka的核心组件主要包括：主题，为存储消息的逻辑概念，将其看作一个消息集合；系统Kafka按照不同的主题将消息进行分类，将主题划分成设计、管理和服务三个主题，不同数据源的业务数据放入不同的主题中；信息，为消息队列通信的最基本单位；生产者向主题发布信息，而消费者会从已订阅的主题中取得信息进行消费；生产者，为负责向某一个主题发送数据或消息的数据源或消息源；经过步骤S2预处理的业务数据作为生产者，并根据数据源的不同分别向设计、管理和服务三个主题发送数据；消费者，指订阅了主题并会从中提取消息或数据进行消费，即对系统Kafka中的数据进行分析处理的一方；消费者从系统Kafka的主题中对获取到的动态业务数据进行即时处理，即要求选用的消费者有流处理框架来应对实时场景；SparkStreaming为基于Spark的针对实时数据流计算的组件，对动态数据快速分析并实时进行反馈，选用SparkStreaming作为消费者，以SparkStreaming为基础获取系统Kafka中主题的数据，对流数据进行实时的处理；对获取到的数据资源进行大数据分析，调整制造过程中因为其他业务影响而发生改变的数据，主要步骤包括：SparkStreaming从系统Kafka的设计主题中读取到设计业务端获取的设计图纸、设计方案在内的数据信息，对从设计端中获取到的流数据调用API进行统计分析订单所需的人员数量、物料、设备在内的数据信息，将订单拆解，将订单制造所需的物料数量发送至管理业务端；管理业务端接收到物料需求请求后，对于制造过程所需的物料进行配送，若是制造所需物料库存不足，则按需采购；管理业务端的物料配送数据信息，在经过步骤S2的数据预处理后，发送至系统Kafka的管理主题中；SparkStreaming从系统Kafka的管理主题中读取到管理业务端获取的物料信息，调用API统计分析配送的物料数量信息，发送到制造业务端；调整制造业务中的物料数量信息，在制造过程中根据物料数量信息，对人员、设备和物料进行合理的分配生产，并对制造产品所需物料进行精准匹配，保障制造过程的顺利进行；管理业务将已经生产制造好的部分产品交付于服务业务，由服务业务及时为客户进行配送，交付订单；客户在使用产品中发现存在瑕疵，反馈到服务业务中；服务业务端的反馈信息，经过步骤S2的数据预处理后，发送至系统Kafka的服务主题中；SparkStreaming从系统Kafka的服务主题中读取到服务业务端获取的反馈信息，调用API根据产品对反馈信息进行分类，然后进行统计分析，通过分析对产品问题进行追溯，对于制造环节出现的问题，及时调整人员、设备、环境在内的信息；若是需要重新生产制造产品，则重复上述物料需求请求，物料配送步骤，完成生产制造；所述步骤S4建立面向设计、制造、管理、服务的全体系全价值链贯通的大数据模型的具体步骤如下：根据数据建立多元线性回归模型，其中多元线性回归的模型形式为： ；上式中，y是因变量，因变量为制造企业的生产制造情况，β是待定系数，x是自变量，自变量包括人员信息、设备数据、物料信息、生产数据和环境信息，ε是剩余项；通过最小二乘法进行参数估计，求出满足方程的β和ε，其中包括：利用公式，，求实际观察值与估计值之间的差距平方和最小，曲线拟合达到最佳，即残差平方和RSS的最小化；最终得到满足方程并且与实际数据之间误差的平方和达到最小的系数，寻找出最佳函数匹配；求出系数后，需要对其回归显著性进行检验：假设：，即假设β全为0或者不全为0；检验统计量，其中SST为总平方和，SSE为误差平方和，p为自变量的个数，n为实际数据的分组数量： 通过构建出的F统计量，F越大，即为拟合效果越好；将计算得到的F值与查表得到的值进行对比，若FF表，则认为，回归方程足够显著；通过显著性检验，最终得到最优回归方程。

全文数据：

权利要求：

百度查询： 广东工业大学 一种面向制造企业全流程制造管控的制造过程大数据建模方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD