一种家具制造生产线的运营成本智能化核算及监控方法与流程

本发明涉及生产线成本核算及监控领域，特别是涉及一种家具制造生产线的运营成本智能化核算及监控方法。

背景技术：

制造业是合理运用各类资源成本，并转化为产品的产业，其中家具制造业生产线由于其产品多样、制造工艺复杂等特点，普遍存在费工、费料、产品质量不稳定、生产实时信息滞后、制造过程成本偏高和难以控制等问题。对于生产线的运营成本实现有效监控是保证企业高效化运作、保持其在行业内竞争力的重要保障。在当今我国制造业面临整体全面升级、国内家具制造企业急需实施重大改革以适应新形式的需要、以及资源、能源、人力等制造业运营成本日渐升高的背景下，对于家具制造生产线的运营成本智能化核算及监控可以帮助企业有效解决此类危机问题。

传统家具制造线普遍采用手工抄表、纸质报表记录、简单计算等方式解决其运作成本核算问题，主要存在以下几方面不足：1)手工记录效率低下且容易出错；2)数据收集和整理方式单一，无法适应各类复杂生产线的特点而导致数据协同性差；3)数据实时性差，不利于有效追踪生产线异常问题；4)纸质文件容易破损、字迹模糊，影响数据分析和处理的开展；5)成本核算的涉及面有限，信息不全，容易忽略各类必须控制的设备、质量、能耗、物流成本因素；6)数据分析和处理的方法简单、精度差、目标单一，导致基于数据处理结果的改善措施实施难度大、效果差；7)生产线和管理层信息交互性不高，无法有效利用整体资源以实施全面改善。

总的来说，目前缺乏一套家具制造生产线的运营成本智能化核算及监控方法，以实现提高家具生产线整体效率，并保持其实时高效、稳定和节能环保，从而在保证经济目标和环境目标的前提下降低生产成本。

技术实现要素：

为了克服上述现有技术的不足，本发明提供了一种家具制造生产线的运营成本智能化核算及监控方法，使生产过程保持高效、稳定和节能环保，在保证经济目标和环境目标的前提下降低生产成本。

一种家具制造生产线的运营成本智能化核算及监控方法，包括以下步骤：

步骤1，根据生产组织方式将家具制造生产的各类生产线分成离散型、连续型或混合型；

步骤2，根据三种生产线的工艺流程特点，设计并实施生产实时状态智能化数据采集系统方案，采集生产线中各个对象的实时状态数据；

步骤3，对于采集的实时状态数据，运用建模和分析方法，得到生产线中各个对象的实时状态监测模型；

步骤4，根据实时状态监测模型建立各个对象的生产运营成本模型；

步骤5，根据各个对象的生产运营成本模型、实时状态数据建立生产线的整体运营成本模型；

步骤6，根据生产线的整体运营成本模型、各个对象的实时状态数据，智能化检测生产线各类状态，并运用智能化算法基于具体目标输出优化措施方案；

步骤7，基于以上优化措施方案进行实施，监控各类生产状态。

步骤1中根据生产组织方式将家具制造生产的各类生产线进行识别并主要分类为离散型、连续型或混合型，其中连续型生产是指连续的产品生产，其工艺流程往往采用大型设备或连续型生产线，例如喷涂、自动化焊接、自动化裁剪生产线等；离散型生产是单个项目的生产，输入生产过程的各种要素是间断性地投入的，生产设备和运输装置必须适合多种产品加工的需要，工序之间要求有一定的在制品贮存，且人工参与度较高，例如五金加工、缝纫、组装和包装生产线等。混合型生产线兼具前两者特点，如压铸、打磨、注塑生产线等。

步骤2中根据各类生产线的工艺流程特点，设计并实施包括设备、能耗、物流、及质量等各类状态信息的生产实时状态智能化数据采集系统方案，且监控的参数变量xma、yma、zma等应具有可控制且较易测量的特点以便于系统后续的建模、优化求解和实施等工作。通讯传输的方式包括无线、双绞线、网线、光纤等方式，可采用双工或半双工方法以适应监测和控制的要求；通讯传输协议可采用通用的modbus、fins以及can等总线标准；系统服务器数据库可采用sqlserver、oracle等软件系统。

步骤2中数据采集原理如下：假设在整体采样周期ts内，采样样本数量为ns，且在某时刻ti内，对应状态物理量采集数据样本为smac(ti)，对应的能耗、物流、质量状态物理量数据样本分别为sener(ti)、slog(ti)、squa(ti)(i＝1,2,3,...,ns)。对于连续型生产线，ti即为数据采集采样周期，其计算公式如下：

ts＝ns·ti

连续型生产线大量采用大型设备或连续型生产线，因此对应的智能数据采集方案应偏重于使用智能仪表、传感器和化学试验测试等方法。

相应地，对于离散型生产线，ti即为数据信号触发时刻，因此ns为不确定整数值。离散型生产线由于其人工参与度较高，数据采集粒度不确定等特点，应偏重于使用手动输入设备、rfid标签、智能手机以及访问相关网页等方法。

步骤3中具体的建模和分析方法包括线性回归、逻辑回归、多项式回归、方差分析法、因子分析法、灰色关联分析法等。例如数据采集采样周期ti(i＝1,2,3,...,ns)内，某监控对象对应的设备、能耗、物流、质量状态监控模型分别为smac(xma,yma,zma...)、sener(xe,ye,ze...)、slog(xl,yl,zl...)、squa(xq,yq,zq...)，其中xma、yma、zma等代表各个监控模型中对应的可控制且较易测量的参数变量，其具体含义应根据具体场景和工艺流程对象的特点而确定，例如对于压铸机工艺的能耗监测模型，本方法将其变量确定为生产速率、生产质量稳定性、原材料类别等因素。不同状态模型对应的参数变量可重合，且因此各类状态监控模型可作为多目标均衡优化的理论计算基础。

具体的回归分析方法的选择需要根据数据和模型特征，以及基于回归分析方法的性能评价方法而优化选择，具体的评价指标包括r-square、剩余标准差s、f检验等。各类关系模型可通过实际数据的测量得以验证和最终确定。检验公式如下所示:

决定系数r²检验：

剩余标准差s检验：

f检验：

其中sse为残差平方和，sst为总平方和，ssr为回归平方和，y为样本真实值，为模型计算值，为样本均值。显然大则表示观测值与拟合值比较接近。也就意味着从整体上看，ns个点的散布离曲线较近。因此选r²大的方程为好。s可以看作是一元线性回归方程中对均方差的估计，其值一般越小越好。同理f值越大越好。

步骤4中，所述的各个对象的生产运营成本模型分别为cmac(tci)、cener(tci)、clog(tci)、cqua(tci)，且计算公式如下：

其中，cmac(tci)、cener(tci)、clog(tci)、cqua(tci)分别表示设备成本、能耗成本、物流成本、质量成本；fmac、fener、flog、fqua分别表示在一定时间t内，针对设备、能耗、物流和质量的实时状态监测模型对应生产运营成本模型的折算方法；xma(t)、yma(t)、zma(t)分别为各类参数变量在时刻t下的具体数据测量值；ts表示为简化计算，将在监控周期tci内的积分计算转化为求和计算的最小采样周期，ts的值大于采样周期ti；n表示将tci分解为最小周期的个数，满足tci＝n·ts。

步骤5中，所述的生产线的整体运营成本模型中整体运营成本的具体方法为，

ctotal(tci)＝cmac(tci)+cener(tci)+clog(tci)+cqua(tci)

其中，ctotal(tci)为整体运营成本，cmac(tci)、cener(tci)、clog(tci)、cqua(tci)分别为设备成本、能耗成本、物流成本、质量成本。

步骤6中，运用智能化算法输出多目标均衡优化解及对应优化实施方案的具体步骤如下：

步骤6-1：在某状态监控周期tci内(i＝1,2,3,...)，如果管理者通过监控系统发现此段监控周期内的整体生产成本偏高，则通过追踪相应导致整体成本偏高的生产状态成本cobj1(tci)、cobj2(tci)等。其中cobj1(tci)、cobj2(tci)...分别为设备、能耗、物流和质量状态等成本模型中的一种，用以下表达式表示，其中m代表需要监控的目标总个数：

cobjj(tci)∈{cmac(tci),cener(tci),clog(tci),cqua(tci)...}(i,j＝1,2,3...,m)

步骤6-2：识别并分析导致整体成本偏高的生产状态成本模型cobj1(tci)、cobj2(tci)等对应的生产状态模型sobj1(x1,y1,z1...)、sobj2(x2,y2,z2...)等。二者之间通常不一一对应，而是由于某生产状态模型的控制变量与其它状态模型的控制变量有重合，因此需要统一考虑，即单个成本模型可能对应多个生产状态模型。然而可以确定sobj1(x1,y1,z1...)、sobj2(x2,y2,z2...)...等分别为设备、能耗、物流和质量状态等生产状态模型中的一种，m代表需要监控的目标总个数，用以下表达式表示：

步骤6-3：根据m降序规则，即m从最大值m开始直至降为1的顺序，依次识别、分类和分析需要监控的的生产状态模型sobj1(x1,y1,z1...)、sobj2(x2,y2,z2...)...中的各个维度多目标优化问题的参数集合其中m代表多目标优化问题的维度，其含义为：面向m个状态目标的均衡优化问题，即为在此m维度多目标优化问题中，各个状态目标模型的重合控制变量，因此为各个生产状态模型中参数变量的子集，且各个子集的交集为空集以保证整体优化效果，用以下表达式表示：

其中，n表示对于在m个总目标个数下的m维度多目标优化问题的序号，显然，n的最大值nmax计算公式如下：

步骤6-4：根据m降序规则，即m从最大值m开始直至降为1的顺序，依次求解m维多目标均衡优化求解的nmax个具体问题，获得每个具体问题的最优求解算法和最终帕累托解集可用于求解的算法包括遗传算法、深度搜索算法、粒子群算法、退火算法、人工神经网络、nsga-2、moea-d等通用流行的智能化算法。对于每一个具体问题采用运算效率指标帕累托完整性指标鲁棒性指标等指标综合评定各类智能算法的性能以获得其对应的最优求解算法和最终帕累托解集各种评价指标计算公式如下：

其中，为针对具体问题为评价某算法效率而运行该算法的次数，其值可由具体问题情况决定，为每次运行该算法获得最终收敛或帕累托结果的时间；为针对具体问题运行某算法获得最完整帕累托解集中解的个数；为每次运行该算法获得最终收敛或帕累托解集中解的个数；为针对具体问题为评价某算法鲁棒性而运行该算法的次数，其值可由具体问题情况决定，为该次运行中获得收敛或者较完整帕累托解集的次数。

步骤6-5：根据m降序规则，即m从最大值m开始直至降为1的顺序，依次根据每个具体问题的最终帕累托解集和对应的控制变量的具体内容，输出对应的优化措施实施方案对应的m值越高，其实施的优先级越高。

步骤7中基于以上步骤建立的数据采集、状态动态监测系统、最优状态模型和成本模型、优化措施实施方案等，根据m降序规则，即m从最大值m开始直至降为1的顺序，依次优化措施实施方案的具体内容。

本发明的有益效果是管理者可尽可能地通过实施系统输出的解决方案使生产过程保持高效、稳定和节能环保，以提高生产整体效率，从而在保证经济目标和环境目标的前提下降低生产成本。

本发明通过智能化手段，均衡并有效解决工艺状态信息滞后、管理复杂、利润少、产品质量不稳定、设备有效利用率低等诸多矛盾导致的生产成本监控问题。

附图说明

图1为本发明具体实施的基本流程图；

图2为能耗建模案例图；

图3为用四种算法求解问题获得的帕累托前沿面图。

具体实施方式

下面结合附图及具体案例对本发明进一步说明。

图1本发明的具体实施步骤，包括：

步骤1，根据生产组织方式将家具制造生产的各类生产线分成离散型、连续型或混合型；

步骤2，根据三种生产线的工艺流程特点，设计并实施生产实时状态智能化数据采集系统方案，采集生产线中各个对象的实时状态数据；

步骤3，对于采集的实时状态数据，运用建模和分析方法，得到生产线中各个对象的实时状态监测模型；

步骤4，根据实时状态监测模型建立各个对象的生产运营成本模型；

步骤5，根据各个对象的生产运营成本模型、实时状态数据建立生产线的整体运营成本模型；

步骤6，根据生产线的整体运营成本模型、各个对象的实时状态数据，智能化检测生产线各类状态，并运用智能化算法基于具体目标输出优化措施方案；

步骤7，基于以上优化措施方案进行实施，监控各类生产状态。

由于压铸车间生产线属于混合型生产线，兼具连续型和离散型的特点，即其部分生产工艺流程属于连续型，如熔化、给汤、合模开模、保压成型、脱模及传送等，其它部分工艺流程属于离散型，如原材料投入、成品打磨、质检和运输等；另一方面由于压铸车间生产线具有工艺复杂、高成本、高能耗、高污染、质量不稳定、设备易损耗等特点，对于其生产线的运营成本智能化核算及监控具有典型性和指导性意义，因此本发明以压铸车间相关生产线作为具体实施方式的案例进行说明。

根据压铸车间生产线的工艺流程特点，设计并实施针对采集对象包括设备、能耗、物流、及质量等各类状态信息的生产实时状态智能化数据采集系统方案。

根据步骤2中所述，压铸车间生产线数据采集与分析系统的开发基于四个功能模块的实现。第一模块由用于采集数据的数字仪表和传感器组成。具体地说，电压和电流传感器用于测量电能，气体流量传感器用于测量天然气消耗量，地磅用于测量原材料投入量，红外线传感器用于测量成品生产速率等，手机app和相关网页用于采集设备和产品组合信息、质检合格品产生速率和不良品产生速率等信息。一旦由第一模块采集到实时能耗数据，则通过rs232/rs485通讯线以及modulebus标准串行通信协议将数据传输到第二模块。第二模块为装有安装数据采集接收软件的集成控制面板，其功能是接收原始数据并转换成html格式，然后传输到系统服务器，通讯传输的方式包括无线、双绞线、网线等方式，可采用双工方法以适应监测和控制的要求。第三模块由系统服务器和能耗数据库组成，它们用于接收和存储数据，并响应分析请求系统服务器，数据库采用sqlserver作为开发平台。第四模块为分析模块，其功能是进行生产工艺能耗状态监测、能效分析，然后对用户输出生产调度改进决策。通过集成所有四个层次的功能，可以监测生产工艺能耗效率的实时状态，并且管理人员能够由此调控生产速率或相应地重新安排生产计划。

根据数据采集原理和压铸工艺成本特点，主要对监控周期tci内的能量消耗、原材料消耗量、质量合格品与不良品数量等指标进行数据采集和建模工作，对应的状态物理量数据样本分别为sener(ti)、slog(ti)、squa(ti)(i＝1,2,3,...,ns)。关于数据采集周期和频率设定，由于按8小时汇总、处理数据并实施监控，符合现场实际的排班情况，且能尽量达到处理复杂度、精确度和处理效率的平衡，因此设定整体采样周期ts＝8h且监控周期tci＝1h(i＝1,2,3,...)；对于连续型生产工艺，设定数据采集采样周期ti＝1s，采样样本数量为

相应地，对于离散型生产工艺，ti即为数据信号触发时刻，因此ns为不确定整数值。

根据步骤3中建模分析方法的步骤，规定压铸工艺对应的能耗、物流、质量状态监控对象分别为数据采集采样周期ti(1,2,3,...,ns)内的能量消耗(kwh)、原材料消耗量(kg)、质量合格品数量，并分别用sener(xe,ye,ze...)、slog(xl,yl,zl...)、squa(xq,yq,zq...)表示，其中x、y、z等代表各个监控模型中对应的可影响监控对象的参数变量，且具有可控制且较易测量的特点，其中小写字母代表连续型变量，一般对应连续型生产线产生的信号，大写字母代表离散型变量，一般对应离散型生产线产生的信号，具体步骤如下所示：

步骤3-1：对于能量消耗sener(r,tf,g,i,o,m)的参数变量：

r：生产节拍，单位为[piece/s]；tf：熔炉温度，单位为摄氏度℃；

g：设备与产品组合关系，因本案例中共生产3种产品，编号为a-c；因此g取值范围为[1，3]，并依次对应以上产品编号。

i：车间原材料物流状态，即原材料输送充足程度，因本案例中可分为充足、较为充足、正常、不足、严重不足5个等级，因此i取值范围为[1，5]，并依次对应以上等级。

o：车间成品物流状态，即成品运输畅通程度，因本案例中可分为畅通、较为畅通、正常、拥挤、严重拥挤5个等级，因此o取值范围为[1，5]，并依次对应以上等级。

m：设备维护状态，因本案例中可分为刚维护过(1天内)、最近维护过(3天内)、近期维护过(1周内)、较早维护过(1月内)、维护不及时(超过一月未维护)、处于维护和维修状态6个等级，因此m取值范围为[1，6]，并依次对应以上等级。

步骤3-2：对于原材料消耗量slog(r,tf,g,i,o)的参数变量：

r：生产节拍；tf：熔炉温度；g：设备与产品组合关系；i和o：车间物流状态。

步骤3-3：对于质量合格品数量squa(r,tf,tm,g,i,o,m,f,h)的参数变量：

r：生产节拍；tf：熔炉温度；tm：模具预热温度，单位为摄氏度℃；g：设备与产品组合关系；i和o：车间物流状态；m：设备维护状态。

f：熔炉清渣状态，因本案例中可分为刚清理过(1h内)、最近清理过(3h内)、清理合格(1天内)、较早清理过(3天内)、清理不及时(超过3天未维护)、处于维护和维修状态6个等级，因此fq取值范围为[1，6]，并依次对应以上等级。

h：工人熟练程度，因本案例中可分为经验丰富的高级技工、经验较丰富的中级技工、技能合格的初级技工、新进工人4个等级，因此zq取值范围为[1，4]，并依次对应以上等级。

步骤3中具体的建模和分析方法包括线性回归、逻辑回归、多项式回归、方差分析法、因子分析法、灰色关联分析法等。例如压铸机工艺的能耗监测模型sener(r,tf,g,i,o,m)，根据生产经验在tf,g,i,o,m等变量满足一般生产要求的条件下，能耗建模可针对sec与生产速率r之间的递减关系模型而做多项式回归分析，sec被定义为用于生产或加工某一定单位数量的某种产品的所需能耗，单位为[kwh/piece]，由sec和生产速率r可进一步计算出sener。例如图2所示，在tf>670摄氏度、g＝2、i,o,m均小于等于3的条件下，sec和生产速率r的曲线关系。基于系统所采集的真实相关能耗数据，使用了5种不同常用的、且适合此类数学曲线关系(回归分析拟合效果较好，r²>0.95)的多项式回归分析方法，对每种设备和产品的组合分别进行回归分析。这五种回归分析的方法包括：互反函数、幂函数、三次曲线、指数函数、对数函数，图2中用不同线型表示各自曲线的回归拟合效果。具体的回归分析方法的选择需要根据数据和模型特征，以及基于回归分析方法的性能评价方法而优化选择，具体的评价指标包括步骤3中所述的r²、s、f等，评价指标和最佳模型如表1所示，其中最佳模型用粗体标示。

表1

各类最佳生产状态模型sener、slog、squa可通过实际数据的测量得以验证和最终确定，关于最终建模结果，例如关于能量消耗sener(r,tf,g,i,o,m)，通过聚类分析和多项式回归分析的方法可获得最佳模型，如下所示：

2≤sener≤3(tf＜670)

1.5≤sener≤1.8(tf＞＝670m＝6)

当tf≥670m≠6g＝2i≤3时，sener计算的最佳模型如表2所示：

表2

根据步骤4中基于以上状态模型建立各类生产状态信息与生产运营成本的关系模型表示为：在某状态监控周期tci内(i＝1,2,3,...)，某监控对象对应的能耗、物流、质量状态与生产运营成本的关系模型分别为cener(tci)、clog(tci)、cqua(tci)，且根据成本核算方法确定在一定时间t内fener、flog、fqua的计算公式如下：

fener(sener)＝pener·sener

flog(slog)＝plog·slog

fqua(squa)＝pqua·squa+punqua·(r·t-squa)

确定监控周期tci内的积分计算转化为求和计算的最小采样周期ts＝60s，因此tci分解为最小周期的个数进一步根据步骤4中的相关公式得到cener(tci)、clog(tci)、cqua(tci)的具体计算方法：

根据步骤5中生产线的整体运营成本智能化核算方法公式，即整体运营成本＝能耗成本+物流成本+质量成本等，获得在某状态监控周期tci内(i＝1,2,3,...)，整体运营成本ctotal(tci)计算方法如下。并根据历史积累数据和生产经验可知，整体运营成本ctotal(tci)在tci＝1h的条件下应维持在一定范围内。

ctotal(tci)＝cener(tci)+clog(tci)+cqua(tci)

根据步骤6中的具体步骤，通过监控系统发现此段监控周期内的整体生产成本偏高时，实施运用智能化算法输出多目标均衡优化解及对应优化实施方案：

步骤6-1：当在某状态监控周期tci内(i＝1,2,3,...)，管理者通过监控系统发现此段监控周期内的整体生产成本偏高，则通过追踪相应导致整体成本偏高的生产状态成本，发现导致整体成本偏高的生产状态成本为cqua(tci)，即cobj1(tci)＝cqua(tci)。

步骤6-2：识别并分析导致整体成本偏高的生产状态成本模型cqua(tci)直接对应的生产状态模型为squa(tci)，且由于squa(tci)的控制变量与sener(tci)、slog(tci)的控制变量有重合，因此需要统一考虑，即导致整体成本偏高的生产状态成本模型cqua(tci)对应的生产状态模型为sener(tci)、slog(tci)、squa(tci)。即sobj1＝sener(tci)、sobj2＝slog(tci)、sobj3＝squa(tci)。由此可知本案例的以上分析可知需要监控的目标总个数m＝3。

步骤6-3：识别并分析和分类需要监控的的生产状态模型sobj1、sobj2、sobj3中的各个维度多目标优化问题的参数集合并根据步骤6-3中的计算公式得出对应的m、nmax值大小，结果如下所示：

当m＝m＝3时，因此可得如下参数集合：

同理，当m＝2时，可得如下3组参数集合：

当sobj1与sobj2组合时，对应序号m＝2、n＝1：

当sobj1与sobj3组合时，对应序号m＝2、n＝2：

当sobj1与sobj3组合时，对应序号m＝2、n＝3：

同理，当m＝1时，可得如下3组参数集合：

当针对sobj1单目标问题时，对应序号m＝1、n＝1：

当针对sobj2单目标问题时，对应序号m＝1、n＝2：

当针对sobj3单目标问题时，对应序号m＝1、n＝3：

根据步骤6-4中所述，根据m降序规则，即m从最大值m开始直至降为1的顺序，依次求解m维多目标均衡优化求解的nmax个具体问题，获得每个具体问题的最优求解算法和最终帕累托解集对于该问题选择的求解的算法包括vega、粒子群算法、nsga-2、moea-d等通用流行的智能化算法。例如图3显示了用以上四种算法求解问题获得的帕累托前沿面图，其中sobj1'、sobj2'、sobj3'代表标准化后的sobj1、sobj2、sobj3，标准化公式如下所示，其中f(x)代表原函数或变量，f(x)'代表标准化后的函数或变量。

如图3显示，对于每一个具体问题将重复实施算法的执行过程，并根据步骤6-4中所述相关公式计算相关采用运算效率指标帕累托完整性指标鲁棒性指标等指标综合评定各类智能算法的性能以获得其对应的最优求解算法和最终帕累托解集评价结果如表3所示。

表3

步骤6-5：根据m降序规则，即m从最大值m开始直至降为1的顺序，依次根据每个具体问题的最终帕累托解集和对应的控制变量的具体内容，输出对应的优化措施实施方案对应的m值越高，其实施的优先级越高。各个的具体内容依照优先级排列如表4所示：

表4

根据步骤7中内容，根据m降序规则，即m从最大值m开始直至降为1的顺序，依次优化措施实施方案的具体内容。

依次实施过的具体内容之后，通过数据采集系统的监测结果可知，在监控措施实施后的连续数个周期内，生产整体成本得到逐步下降并回归至正常水平，证明本方法能够有效运用智能化手段，均衡并有效解决工艺状态信息滞后、管理复杂、利润少、产品质量不稳定、设备有效利用率低等诸多矛盾导致的生产成本监控问题。