数据信息对ERP实施的影响

因为在ERP实施的初期阶段各种原因造成了数据信息的失真,对ERP实施带来了负面影响.如何解决这些失真的数据信息,尤其是如何克服离散型制造企业实施ERP的复杂性和难度,是实施ERP需要研究和解决的问题.     

车间生产计划与控制技术

一、引言 在计划经济向市场经济转换的过程中,企业生产控制的目标也发生了很大的变化。在市场竞争日益激烈的面前,降低成本,加快企业内部的流通,产品按时交货,已经成为企业生存和发展所追求的目标。但是,在传统的生产管理体制下,产品交货期准时率差,生产不均衡,在制品积压较大,工作量的估算误差通常在三分之一左右,以及不断加大的负荷,使制造周期进一步增加,产品交货期一再拖延,致使生产失控,企业生产进入恶性循环,如图1。     

基于RF变量选择与LSTM回归的长期用电量预测模型

由于当前长期用电量预测方法难以解决变量选择问题,造成用电量预测结果不准确,为此将随机森林（RF）算法变量选择与长短期记忆（LSTM）网络回归两者结合,设计基于RF变量选择与LSTM回归的长期用电量预测模型。采用RF方法对单一变量的重要性进行评估,获取各项影响因素与用电量之间的相关系数,然后选取其中取值较高的变量作为用电量预测的依据。结合RF变量选择结果,分析动力系统理论,采用收敛交叉映射方法研究用电量与工业发展水平、温度等因素之间的关系,基于各因素之间的关系结合LSTM回归方法,组建用电量预测模型,实现长期用电量预测。研究结果表明,与传统方法相比,所设计模型的用电量预测精度与预测效率较高,能够快速、准确地完成长期用电量预测,表明该模型的应用价值更高。     

简讯

由河南省机械电子工业厅。国防科学技术工业办公室举办的“计算机辅助工艺设计及计算机现场生产管理与控制技术推广应用研讨会”于94年4月24日--27日在郑州纺织机械厂召开,有近30个单位,50余名代表参加了会议。 研讨会旨在提高河南省机械工业生产技术水平,企业管理水平,重点推广工艺技术和管理技术,贯彻机械部(1994)1210号文件和《“八五”期间机械工业工艺工作要点》。 机械工业部第六设计研究院、郑州纺织机械厂为这次会议做了大量的筹备工作,并由余保华、彭嗣昌、虞松荫,陈伯建、郭淑珍、张向阳、李毅同志为研讨会编写了《宣讲材料》,并作了大会发言。     

基于改进K-means算法的电力短期负荷预测方法研究

现有方法预测电力短期负荷时忽略了对其进行聚类优化处理,导致预测耗时较长,短期负荷预测精度偏低.为此,提出一种基于改进K-means算法的电力短期负荷预测方法.该方法利用改进后的K-means算法聚类处理电力负荷大数据,使用聚类后获得的训练样本构建循环神经网络RNN拓扑结构,然后通过对RNN神经网络模型设置最优权值,实现...     

车间生产计划与控制技术的应用

为加快企业的技术改造，我厂引进ＦＡＳＴ－生产诸与控制软件，运用到郑州２号工程中，并在实践中取得了经济效益。     

基于配电网无功补偿技术的节电量快速测算方法

无功补偿技术广泛应用于电力系统配电网中,可以提高电网功率因数、降低线损、节约能源。本文介绍了配电网无功补偿项目节电量测算方法及相关参数的取值原则,能快速测算出项目的节电量,为节能公司及主管部门考核项目实施效果提供了指导作用。     

零件特征信息统计、特征矩阵检索及排序的计算机程序

在我厂“纺机钣金零件分类编码系统”和“钣金零件的计算机辅助编码程序”的基础上,我们应用APPLE—Ⅱ型计算机及BASI-C语言编制了零件的编码排序、特征信息统计、光标显示式特征矩阵的建立及检索用的通用程序。并对3000多个零件信息进行处理,为我厂钣金件划分零件族,找出其几何特征和工艺特征分布规律,从产品设计到制造实施成组技术,提供了可靠的原始数据。实践证明是正确的。     

二、纺织机械成组技术开发应用交流会

“纺织机械成组技术开发应用交流会”于9月12日～14日在咸阳纺织机械厂召开。 有23个单位、46位代表参加了会议,其中邀请了机械委郑州第六设计研究院、全国成组技术学会副理事长李祖庚、上海交大、全国成组技术学会副理事长蔡建国,以及纺机行业企管协会计算机学组,管理学组的代表。 会上,高级工程师李祖庚介绍了国内成组技术发展的状况,一些企业推行成组技术的先进经验和方法,并对纺机行业应用GT工作提出了宝贵的意见和建议。     

基于均衡KNN算法的电力负荷短期并行预测

为提高电力负荷预测精度,应对海量、高维数据带来的单机计算资源不足的问题,提出一种基于均衡KNN算法的短期电力负荷并行预测方法。针对电力负荷数据特征,采用K均值聚类算法进行电力负荷场景划分;为提高场景划分精度,采用反熵权法量化负荷特征的权重系数;针对不均衡的负荷场景,提出均衡KNN算法对待预测负荷进行精确的场景归类;采用BP神经网络算法对海量历史数据进行负荷预测模型的分场景训练与预测;采用ApacheSpark架构对提出的模型进行并行化编程,提高其处理海量、高维数据的能力。选取某小区居民用电数据进行算例分析,在30节点云计算集群上进行测试验证,结果表明基于该模型的负荷预测精度与执行时间均优于传统预测算法,且提出的算法具有优异的并行性能。