[发明专利]用于识别多站点生产线上的瓶颈站事件的方法

说明书

本发明涉及一种用于识别多站点生产线上的瓶颈站事件的方法。根据本发明的技术方案所述方法包括如下步骤：‑根据所述多站点生产线上的节拍时间选取合适的时间间隔；‑基于所述时间间隔，对所述多站点生产线上的工件进行动态计数和静态计数，分别得到动态数据集和静态数据集；‑将所述动态数据集和所述静态数据集进行图像化处理，分别得到动态数据图像和静态数据图像；‑基于所述动态数据图像和所述静态数据图像识别所述瓶颈站。

技术领域

本发明涉及工业工程和人工智能领域,具体是一种多站点生产线上的动态瓶颈站的实时识别方法和具体实现。

背景技术

在序列型的生产线上，例如汽车零部件的装配线，往往有超过20个站点。实际生产中，通常在这些站点中选取一个相对稳定的参考站，通过在此站上测量OEE等指标，来衡量整条线的产能效率。正如所描述的，这种方法虽然可以告诉使用者生产线什么时候有问题，但是并无法自动的指出问题的根源：例如，在哪一站(即实时瓶颈站)出现问题导致生产线上节拍时间变缓慢。

在目前相关技术领域，大部分生产线的瓶颈识别方法往往关注一段时间内生产线的统计行为，例如利用在过去一周内的机台平均堵塞时间和空闲时间来衡量某机台是否是一个平均意义上的瓶颈站。这种评估虽然对总体性的设备维护有参考作用，但是缺乏实时的瓶颈站信息。这种评估往往会让工程师忽略一些“积小成多”的短时间停机所造成的重要影响。近来，另一种兴起的研究方向是通过机台端的过去时间统计行为以及相互关系来预测将来时间段的瓶颈站状况。

更重要的是，相关的前沿技术目前仍然大部分停留在理论和模拟领域，缺乏有效的实际生产数据的支撑和实践。一种方法的具体生产实践涉及很多细节，需要考虑实时性对系统架构带来的速度问题，以及系统对错误的冗余。本发明旨在填补这一领域理论和实践中的空白。

在目前的汽车行业零部件装配领域，虽然大部分生产线已经装配了制造管理系统和数据可视化面板，但是这些软件系统大多数只能反映一些总结性的生产指标，例如一定时间段内的产能和效率。在缺乏有效的机台端设备传感器数据时，这些系统报表无法告诉用户产能低效的具体原因，也就是无法实时的定位动态的瓶颈站。

目前的普遍解决方案是通过手工记录的方式，在工作会议中反映相关产能低效的原因。这种工作方式不仅有时间上的滞后，而且记录过于主观，基本忽略掉了一些生产线参考站“停机”时间小于一两分钟的停机以及人工操作问题带来的时间损失。这种短时间的停机在积累起来后，会对总体的产能产生很重要的影响。作为验证，对实际的生产数据做了一个停机时间分布的分析。研究结果显示在一条典型装配线的低于节拍时间的总体时间分布中，有50％的时间损失来源于少于1分钟的停机的累计效应。因此，需要对现有技术中的识别方法进行改进。

发明内容

为了解决现有技术中的技术问题，本发明提供一种用于识别多站点生产线上的瓶颈站事件的方法。根据本发明的技术方案，该方法包括如下步骤：

-根据多站点生产线上的节拍时间选取合适的时间间隔；

-基于时间间隔，对多站点生产线上的工件进行动态计数和静态计数，分别得到动态数据集和静态数据集；

-将动态数据集和静态数据集进行图像化处理，分别得到动态数据图像和静态数据图像；

-基于动态数据图像和静态数据图像识别瓶颈站事件。

利用根据本发明的方法，能够动态地实时识别瓶颈站。动态计数是计算上一个时间间隔内，在每个站点有多少个工件从相应站点释放，静态计数则是在每一次观察时计算每个站点及其相邻上游方向的履带上的工件数，通过对生产线上的工件进行动态计数和静态计数，可以实时了解生产线上工件的流动情况。为了识别出瓶颈站事件，对计数的数据进行图像化处理，以便能够更清晰地表示站点的实时动态，从而利用图像化的动态数据集和静态数据集找出瓶颈站事件。