项目名称: 基于工业大数据挖掘的复杂产品总完工时间动态预测

项目编号: No.51505357

项目类型: 青年科学基金项目

立项/批准年度: 2016

项目学科: 机械、仪表工业

项目作者: 常建涛

作者单位: 西安电子科技大学

项目金额: 20万元

中文摘要: 复杂产品的总完工时间预测直接影响到制造企业生产计划编制的合理性,也是工业4.0背景下制造企业迈向“预测型制造”的重要环节。本项目拟突破以往总完工时间研究局限于车间工序级尺度的限制,开展基于工业大数据挖掘的复杂产品尺度的总完工时间动态预测研究。首先,对工业大数据进行预处理,在此基础上运用大数据挖掘方法进行复杂产品总完工时间影响因素、约束条件的挖掘,探索总完工时间与影响因素之间的关联机理;基于影响因素及约束条件数据和总完工时间历史数据,建立复杂产品总完工时间预测模型,探索将动态特性融入预测模型的规律,进行模型的动态改进和优化;最后,运用动态预测模型进行复杂产品总完工时间的求解和误差分析,并在企业进行验证。通过本项目的研究,能够使得企业更加合理地编制复杂产品生产计划,为企业向“预测型制造”转型提供技术借鉴。

中文关键词: 总完工时间预测;大数据挖掘;预测型制造;工业大数据

英文摘要: Total completion time prediction of complex products can directly affect the rationality of production planning of manufacturing enterprises, and it is one of the key technologies for manufacturing enterprises’ predictive manufacturing under industry 4.0 environment. We intend to break through the restriction of workshop process level and conduct the research of dynamic prediction for total completion time of complex products based on industrial big data mining. First, industrial big data will be pretreated, the factors and constraints for total completion time prediction of complex product will be mined and analyzed using big data mining method, the relationship mechanism between Total completion time and the factors will be explored. Prediction model will be proposed using artificial neural networks or deep learning algorithm based on history industrial big data, the law of dynamic characteristics merged into prediction model will be explored, and the prediction model should be improved and optimized. Finally, the total completion time for complex products will be calculated using prediction model, the errors of prediction values will be analyzed, and the prediction model will be applied into a manufacturing enterprise. The goal of this project is to make the production planning more reasonable and provide technologies for manufacturing enterprises’ predictive manufacturing.

英文关键词: Total completion time prediction;Big data mining;Predictive manufacturing;Industrial big data

成为VIP会员查看完整内容
2

相关内容

数字孪生模型构建理论及应用
专知会员服务
212+阅读 · 2022年4月19日
专知会员服务
25+阅读 · 2021年9月17日
专知会员服务
20+阅读 · 2021年8月29日
专知会员服务
93+阅读 · 2021年6月23日
专知会员服务
42+阅读 · 2021年4月13日
专知会员服务
104+阅读 · 2021年4月7日
【WSDM2021】基于演化状态图的时间序列事件预测
专知会员服务
50+阅读 · 2020年12月1日
从阿里核心场景看实时数仓的发展趋势
阿里技术
0+阅读 · 2022年1月11日
【数字孪生】面向智能制造的数字孪生
产业智能官
49+阅读 · 2020年5月10日
【数字孪生】从CAD数据到数字孪生
产业智能官
22+阅读 · 2019年11月11日
图说报告 | “智能+”的终极版图:数字孪生世界
人工智能学家
22+阅读 · 2019年8月20日
【数字孪生】九论数字孪生
产业智能官
57+阅读 · 2019年7月6日
【工业互联网】工业互联网与工业大数据分析的应用
产业智能官
12+阅读 · 2017年12月26日
工业大数据分析之道:机理与数据分析的知识融合
遇见数学
12+阅读 · 2017年11月25日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
7+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Arxiv
1+阅读 · 2022年4月19日
Arxiv
108+阅读 · 2020年2月5日
UNITER: Learning UNiversal Image-TExt Representations
Arxiv
23+阅读 · 2019年9月25日
小贴士
相关VIP内容
数字孪生模型构建理论及应用
专知会员服务
212+阅读 · 2022年4月19日
专知会员服务
25+阅读 · 2021年9月17日
专知会员服务
20+阅读 · 2021年8月29日
专知会员服务
93+阅读 · 2021年6月23日
专知会员服务
42+阅读 · 2021年4月13日
专知会员服务
104+阅读 · 2021年4月7日
【WSDM2021】基于演化状态图的时间序列事件预测
专知会员服务
50+阅读 · 2020年12月1日
相关资讯
从阿里核心场景看实时数仓的发展趋势
阿里技术
0+阅读 · 2022年1月11日
【数字孪生】面向智能制造的数字孪生
产业智能官
49+阅读 · 2020年5月10日
【数字孪生】从CAD数据到数字孪生
产业智能官
22+阅读 · 2019年11月11日
图说报告 | “智能+”的终极版图:数字孪生世界
人工智能学家
22+阅读 · 2019年8月20日
【数字孪生】九论数字孪生
产业智能官
57+阅读 · 2019年7月6日
【工业互联网】工业互联网与工业大数据分析的应用
产业智能官
12+阅读 · 2017年12月26日
工业大数据分析之道:机理与数据分析的知识融合
遇见数学
12+阅读 · 2017年11月25日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
7+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员