[發明專利]產能測算方法、裝置及計算機可讀存儲介質

在審

• 申請號: 202011496313.2
• 申請日: 2020-12-17
• 公開（公告）號: CN112598259A
• 公開（公告）日: 2021-04-02
• 發明（設計）人: 孫鶴
• 申請（專利權）人: 上海璣智自動化科技有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06N3/04;G06N3/08;G06Q50/02
• 代理公司: 上海晨皓知識產權代理事務所(普通合伙) 31260
• 代理人: 成麗杰

本發明實施例涉及產能預測領域，公開了一種產能測算方法、裝置及計算機可讀存儲介質，所述產能測算方法包括：獲取決定產能大小的特征參數，其中，所述特征參數至少包括產品型號和生產設備綜合利用效能；將所述特征參數輸入預設神經網絡模型，得到與所述特征參數對應的產能，其中，所述預設神經網絡模型通過歷史產能數據、與所述歷史產能數據對應的歷史特征參數訓練得到。本發明提供的產能測算方法、裝置及計算機可讀存儲介質能夠提高3C電子制造行業的產能預測的準確率。

技術領域

本發明實施例涉及產能預測領域，特別涉及一種產能測算方法、裝置及計算機可讀存儲介質。

背景技術

工廠生產產能狀態預測系統的核心是統計分析、建模和機器學習。與此同時，海量的工廠數據，如電耗單耗、設備運轉、工藝儀表等，必須有大數據平臺的支撐。因此，現有技術通過物聯網技術構建物聯網傳感器網絡，實時接收工廠運行數據，結合統計分析方法，對數據進行預處理，生成可以應用于監督學習方法的預測模型輸入特征。從而能夠基于AI+大數據技術，準確的進行工廠生產產能狀態預測。當工廠數量大量增加時，不同的工廠場景所對應的接收特征存在比較大的差異性，因此，需要一個結合多種機器學習算法且可擴展、可靠的智能預測平臺，這要求系統設計具有擴展性和靈活性。

發明人發現現有技術至少存在以下問題：現有ARIMA模型、BP神經網絡、小波神經網絡(WNN)、廣義回歸神經網絡(GRNN)和動態自回歸神經網絡(NARX)多數基于歷史產能數據或標準常量的CT(標準工時產能)來對企業的產能進行預測。但是3C電子制造行業有著多品種、多批次的特點，屬于典型的離散型制造產業，現有預測模型對數據量、數據線性波動有著較高的要求，并且現有預測模型不能很好的考慮產品制造過程中多層次的關鍵因子，所以預測數據與實際數據的產于較大。例如ARM模型通過各種參數估計方法，針對線性預測問題可以較完美的進行預測，但是，對非線性系辨識上存在著極大的困難，使得3C電子制造行業的產能預測準確率較低。

發明內容

本發明實施例的目的在于提供一種產能測算方法、裝置及計算機可讀存儲介質，其能夠提高3C電子制造行業的產能預測的準確率。

為解決上述技術問題，本發明的實施例提供了一種產能測算方法，包括：

獲取決定產能大小的特征參數，所述特征參數至少包括產品型號和生產設備綜合利用效能；將所述特征參數輸入預設神經網絡模型，得到與所述特征參數對應的產能，其中，所述預設神經網絡模型通過歷史產能數據、與所述歷史產能數據對應的歷史特征參數訓練得到。

本發明的實施例還提供了一種產能測算裝置，包括：至少一個處理器；以及，與所述至少一個處理器通信連接的存儲器；其中，所述存儲器存儲有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠執行上述的產能測算方法。

本發明的實施例還提供了一種計算機可讀存儲介質，存儲有計算機程序，所述計算機程序被處理器執行時實現上述的產能測算方法。

本發明的實施例相對于現有技術而言，通過獲取決定產能大小的特征參數，且特征參數至少包括產品型號和生產設備綜合利用效能，能夠充分考慮3C電子制造行業生產流程中所有的關鍵因子，在將特征參數輸入預設神經網絡模型后，使得預設神經網絡模型的預測結果更接近實際值，預測精度較高，從而提高了3C電子制造行業的產能預測的準確率。

另外，所述預設神經網絡模型通過以下方式訓練得到：接收歷史樣本數據，其中所述歷史樣本數據包括歷史產能數據、與所述歷史產能數據對應的歷史特征參數；將所述歷史特征參數輸入多級神經網絡模型，得到所述多級神經網絡模型的輸出值，并根據所述輸出值和所述歷史產能數據計算所述多級神經網絡模型的損失函數；根據所述損失函數調整所述多級神經網絡模型的模型參數，得到所述預設神經網絡模型。