生产过程中的排产方法、装置、存储介质及计算机设备与流程

1.本发明涉及信息技术领域，尤其是涉及一种生产过程中的排产方法、装置、存储介质及计算机设备。


背景技术：

2.随着社会的不断发展，制造业的生产越来越多，即需要生产的产品越来越多，因此，为了满足客户的产品需求，保证订单系统中的订单量，对生产人员和生产设备进行合理排产变得尤为重要。
3.目前，通常通过人工方式进行排产。然而，这种人工排产方式首先需要工作人员预先到生产现场去统计各种信息，之后通过人工计算来确定排产情况，导致对生产人员和生产设备的排产效率较低，与此同时，由于工作人员的疏忽和技术水平的参差不齐，会导致排产错误的情况，从而会导致产品生产量不足等缺陷，造成订单延误的风险。


技术实现要素：

4.本发明提供了一种生产过程中的排产方法、装置、存储介质及计算机设备，主要在于能够提高生成过程中的排产效率和排产准确度，提升下单用户的体验感。
5.根据本发明的第一个方面，提供一种生产过程中的排产方法，包括：
6.获取待排产的生产人员的人员属性数据、生产设备的设备属性数据、生产人员与生产设备之间的配合生产数据；
7.对所述人员属性数据、所述设备属性数据和所述配合生产数据进行交叉处理，得到排产交叉特征向量；
8.将所述排产交叉特征向量输入至预设排产预测模型中进行排产预测，得到不同排产组合对应的各个排产转化率；
9.依据所述不同排产组合对应的各个排产转化率，为待生产产品确定目标排产组合，其中，所述目标排产组合中包括目标生产人员及其对应的目标生产设备。
10.优选地，所述人员属性数据包括生产人员的单位产品生产时间、生产次品率、生产损失率、生产人员的当前状态数据，所述配合生成数据包括生产人员与生产设备配合生产时的单位产品生产时间、生产次品率、生产损失率。
11.优选地，所述设备属性数据包括单位产品生产时间、生产次品率、生产损失率、设备当前状态数据，获取待排产的生产设备的设备属性数据，包括：
12.利用时间感应标签获取所述生产设备在历史生产过程中的历史原料进入时间和历史产品输出时间，其中，所述历史原料为生产所述历史产品所需的原材料，所述历史产品与所述待生产产品为同种产品；
13.根据所述历史原料进入时间和所述历史产品输出时间，确定所述生产设备对应的单位产品生产时间；
14.基于电流感应标签实时获取所述生产设备在历史产品生产过程中产生的电流，并
根据所述电流的波动情况，确定所述生产设备对应的生产次品率；
15.利用重量感应标签获取所述生产设备在历史生产过程中的历史原料进入重量和历史产品输出重量；
16.根据所述历史原料进入重量和所述历史产品输出重量，确定所述生产设备对应的生产损失率；
17.基于所述状态感应标签确定生产设备的状态数据，其中，所述状态数据是由所述生产设备上的状态感应标签每隔预设时间主动发送的。
18.优选地，所述对所述人员属性数据、所述设备属性数据和所述配合生产数据进行交叉处理，得到排产交叉特征向量，包括：
19.确定所述人员属性数据中包含的各个第一字符，以及确定各个第一字符对应的第一嵌入向量；
20.确定所述设备属性数据中包含的各个第二字符，以及确定各个第二字符对应的第二嵌入向量；
21.确定所述配合生产数据中包含的各个第三字符，以及确定各个第三字符对应的第三嵌入向量；
22.对所述第一嵌入向量、所述第二嵌入向量和所述第三嵌入向量中的至少两种向量进行交叉处理，生成排产交叉特征向量。
23.优选地，所述对所述第一嵌入向量、所述第二嵌入向量和所述第三嵌入向量中的至少两种向量进行交叉处理，生成排产交叉特征向量，包括：
24.对所述第一嵌入向量、所述第二嵌入向量和所述第三嵌入向量中的至少两个向量做特征级别的交叉处理，得到特征交叉向量；
25.对所述第一嵌入向量、所述第二嵌入向量和所述第三嵌入向量中的至少两个向量做元素级别的交叉处理，得到元素交叉向量；
26.对所述第一嵌入向量、所述第二嵌入向量和所述第三嵌入向量中的至少两个向量做低阶交叉处理，得到低阶交叉向量；
27.利用预设变换函数对所述特征交叉向量、所述元素交叉向量和所述低阶交叉向量做变换处理，得到排产交叉特征向量。
28.优选地，在所述将所述排产交叉特征向量输入至预设排产预测模型中进行排产预测，得到不同排产组合对应的各个排产转化率之前，所述方法还包括：
29.获取生产样本产品的样本生产人员的样本人员属性数据、样本生产设备的样本设备属性数据、样本生产人员与样本生产设备之间的样本配合生产数据，以及样本产品对应的不同样本排产组合的实际排产转化率；
30.对所述样本人员属性数据、所述样本设备属性数据和所述样本配合生产数据进行交叉处理，得到样本交叉特征向量；
31.将所述样本交叉特征向量输入至预设初始排产预测模型中进行排产预测，得到不同样本排产组合对应的预测排产转化率；
32.基于所述同一样本排产组合对应的预测排产转化率和所述实际排产转化率，构建所述预设初始排产预测模型对应的损失函数；
33.依据所述损失函数，构建所述预设排产预测模型。
34.优选地，所述各个排产转化率包括生产成本节约率、生产效率、次品率，所述依据所述不同排产组合对应的各个排产转化率，为待生产产品确定目标排产组合，包括：
35.若排产期望目标项为生产成本节约率最大化，则在各所述排产组合中确定生产成本节约率最大的排产组合，并将所述生产成本节约率最大的排产组合确定为所述待生产产品对应的目标排产组合；
36.若排产期望目标项为生产效率最大化，则在各所述排产组合中确定生产效率最大的排产组合，并将生产效率最大的排产组合确定为所述待生产产品对应的目标排产组合；
37.若排产期望目标项为次品率最小化，则在各所述排产组合中确定次品率最小的排产组合，并将次品率最小的排产组合确定为所述待生产产品对应的目标排产组合。
38.根据本发明的第二个方面，提供一种生产过程中的排产装置，包括：
39.获取单元，用于获取待排产的生产人员的人员属性数据、生产设备的设备属性数据、生产人员与生产设备之间的配合生产数据；
40.交叉处理单元，用于对所述人员属性数据、所述设备属性数据和所述配合生产数据进行交叉处理，得到排产交叉特征向量；
41.预测单元，用于将所述排产交叉特征向量输入至预设排产预测模型中进行排产预测，得到不同排产组合对应的各个排产转化率；
42.确定单元，用于依据所述不同排产组合对应的各个排产转化率，为待生产产品确定目标排产组合，其中，所述目标排产组合中包括目标生产人员及其对应的目标生产设备。
43.根据本发明的第三个方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以上生产过程中的排产方法。
44.根据本发明的第四个方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以上生产过程中的排产方法。
45.根据本发明提供的一种生产过程中的排产方法、装置、存储介质及计算机设备，与目前人工进行排产的方式相比，本发明通过获取待排产的生产人员的人员属性数据、生产设备的设备属性数据、生产人员与生产设备之间的配合生产数据；并对所述人员属性数据、所述设备属性数据和所述配合生产数据进行交叉处理，得到排产交叉特征向量；与此同时，将所述排产交叉特征向量输入至预设排产预测模型中进行排产预测，得到不同排产组合对应的各个排产转化率；最终依据所述不同排产组合对应的各个排产转化率，为待生产产品确定目标排产组合，其中，所述目标排产组合中包括目标生产人员及其对应的目标生产设备。由此通过利用感应标签来获取人员属性数据、设备属性数据和配合生产属性数据，能够避免人为到生产车间获取各项数据浪费的时间，从而本发明能够提高排产效率，与此同时，通过对人员属性数据、设备属性数据和配合生产数据进行交叉处理，得到排产交叉特征向量，之后利用预设排产预测模型来对排产交叉特征向量的排产转化率进行预测，最终根据排产转化率来为待生产产品确定排产人员和排产设备，能够避免由于工作人员的疏忽或者技术水平的参差不齐导致排产错误的情况，从而本发明能够提高生产过程中排产的准确度，进而能够避免订单延误，提升了下单用户的体验感。
附图说明
46.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
47.图1示出了本发明实施例提供的一种生产过程中的排产方法流程图；
48.图2示出了本发明实施例提供的另一种生产过程中的排产方法流程图；
49.图3示出了本发明实施例提供的一种生产过程中的排产装置的结构示意图；
50.图4示出了本发明实施例提供的另一种生产过程中的排产装置的结构示意图；
51.图5示出了本发明实施例提供的一种计算机设备的实体结构示意图。
具体实施方式
52.下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
53.目前，人工进行排产的方式，导致排产的效率较低，与此同时，由于工作人员的疏忽和技术水平的参差不齐，会导致排产错误的情况，从而会导致产品生产量不足等缺陷，造成订单延误的风险。
54.为了解决上述问题，本发明实施例提供了一种生产过程中的排产方法，如图1所示，所述方法包括：
55.101、利用感应标签获取待排产的生产人员的人员属性数据、生产设备的设备属性数据、生产人员与生产设备之间的配合生产数据。
56.其中，感应标签为附着在生产设备上的智能感知元件，具体可包括电流传感器、重量传感器、时间传感器、红外线传感器和射频识别(radio frequency identification，rfid)感知元件等。人员属性数据为不同人员在同一个质量良好、生产正常的设备(理想生产设备)上进行产品生产时，其对应的单位产品生产时间、生产次品率、生产损失率，以及还包括生产人员的状态数据，如进行排产时，生产人员是处于工作状态还是空闲状态；设备属性数据为不同设备在同一机械式状态下的生产人员的配合生产下(该生产人员为理想状态下、无任何操作失误的人员)对应的单位产品生产时间、生产次品率、生产损失率，以及还包括设备当前状态数据(工作状态、检修状态、空闲状态、废弃状态)等；配合生产数据是指不同生产人员在不同生产设备上进行产品生产过程中对应的单位产品生产时间、生产次品率、生产损失率等。
57.对于本发明实施例，在理想状态下的生产设备上布置各种感应标签，并让生产人员依次在该理想状态下的生产设备上进行产品生产，此时利用感应标签获取各个生产人员在此理想状态下的生产设备上进行产品生产时，产生的单位产品生产时间、生产次品率、生产损失率等人员属性数据，通过监控设备等实时获取生产人员的状态数据。此外，在各个生产设备上布置各种感应标签，并让同一个理想状态的生产人员依次在各个生产设备上进行产品生产，此时利用感应标签获取各个生产设备进行产品生产时，产生的单位产品生产时间、生产次品率、生产损失率等设备属性数据，此时，可以通过电流传感器或监控设备等元件获取各个生产设备的状态数据。此外，采集不同生产人员在各个生产设备上进行产品生产时产生的单位产品生产时间、生产次品率和生产损失率等配合生产数据。与此同时，还可以获取期望生产产品总数量和期望生产时间、原料总重量等作为排产组合的参考数据。由
此通过利用感应标签来获取人员属性数据、设备属性数据和配合生产数据，能够将生产车间各种生产数据孪生至线上，能够避免人工到现场获取各种数据所浪费的时间，从而本发明实施例能够提高数据的获取效率，进而提高排产效率，与此同时，人工到现场采集数据会导致数据采集错误的情况，从而本发明实施例能够提高数据的获取准确度，进而能够提高排产准确度。
58.需要说明的是，在采集人员属性数据、设备属性数据和配合生产数据时，测试产品与待生产产品为同一种产品，且各个理想状态下的生产人员与待排产的生产人员的生产品类相同，理想状态的生产设备与待排产生产设备的生产品类相同。
59.102、对人员属性数据、设备属性数据和配合生产数据进行交叉处理，得到排产交叉特征向量。
60.对于本发明实施例，因为人员属性数据、设备属性数据和配合生产数据为不同维度数据，为了充分利用不同维度数据之间的潜在关系，需要对不同维度数据进行交叉处理，即将人员属性数据、设备属性数据和配合生产数据进行交叉处理，得到排产交叉特征向量，进而根据排产交叉向量来进行生产人员和生产设备的排产，从而通过对各种维度的数据进行交叉处理，能够避免数据利用不充分的缺陷，从而本发明实施例能够提高对生产人员和生产设备的排产准确度。
61.103、将排产交叉特征向量输入至预设排产预测模型中进行排产预测，得到不同排产组合对应的各个排产转化率。
62.其中，各个排产转化率包括生产成本节约率、生产效率、次品率，不同排产组合中均包括至少一个生产人员及其对应的生产设备，例如，排产组合1中包括：生产人员a对应生产设备a，生产人员b对应生产设备c，生产人员c对应生产设备b。
63.对于本发明实施例，预设排产预测模型可以为神经网络模型，在对人员属性数据、设备属性数据和配合生产数据进行交叉处理，得到排产交叉特征向量后，还需要将排产交叉特征向量输入至预设排产预测模型中进行排产预测，通过预设排产预测模型能够输出不同排产组合对应的各个排产转化率，最终根据不同排产组合对应的各个排产转化率来选择满足生产预期的目标排产组合。例如，排产组合1对应的各个排产转化率为：生产成本节约率20％、生产效率80％、次品率10％，排产组合2对应的各个排产转化率为：生产成本节约率10％、生产效率95％、次品率5％，若期望生产目标是次品率最小，则最终选择排产组合2进行产品生产，由此通过利用预设排产预测模型来对生产人员和生产设备进行排产，能够避免由于工作人员的疏忽或者技术水平的参差不齐导致排产错误的情况，从而本发明实施例能够提高排产准确度，进而能够保证产品如期交付，提升下单用户的体验感，增加企业签单率。
64.104、依据不同排产组合对应的各个排产转化率，为待生产产品确定目标排产组合，其中，目标排产组合中包括目标生产人员及其对应的目标生产设备。
65.对于本发明实施例，在利用预设排产预测模型预测出不同排产组合对应的各个排产转化率后，需要根据预期生产目标和各个排产转化率，在各个排产组合中选择目标排产组合进行产品生产，其中，预期生产目标为生产之前设定的想要到达的生产效果，如想要此次生产过程中产生的次品率最低，或者想要此次生产过程中的成本节约率最高，或者想要此次生产过程中的生产效率最高，或者想要次品率、成本节约率和生产效率综合排名第一。
由此通过预设排产预测模型输出的不同排产转化率，能够满足不同生产需求，从而能够提升下单用户的体验感。
66.根据本发明提供的一种生产过程中的排产方法，与目前人工进行排产的方式相比，本发明通过获取待排产的生产人员的人员属性数据、生产设备的设备属性数据、生产人员与生产设备之间的配合生产数据；并对所述人员属性数据、所述设备属性数据和所述配合生产数据进行交叉处理，得到排产交叉特征向量；与此同时，将所述排产交叉特征向量输入至预设排产预测模型中进行排产预测，得到不同排产组合对应的各个排产转化率；最终依据所述不同排产组合对应的各个排产转化率，为待生产产品确定目标排产组合，其中，所述目标排产组合中包括目标生产人员及其对应的目标生产设备。由此通过利用感应标签来获取人员属性数据、设备属性数据和配合生产属性数据，能够避免人为到生产车间获取各项数据浪费的时间，从而本发明能够提高排产效率，与此同时，通过对人员属性数据、设备属性数据和配合生产数据进行交叉处理，得到排产交叉特征向量，之后利用预设排产预测模型来对排产交叉特征向量的排产转化率进行预测，最终根据排产转化率来为待生产产品确定排产人员和排产设备，能够避免由于工作人员的疏忽或者技术水平的参差不齐导致排产错误的情况，从而本发明能够提高生产过程中排产的准确度，进而能够避免订单延误，提升了下单用户的体验感。
67.进一步的，为了更好的说明上述生产过程中的排产过程，作为对上述实施例的细化和扩展，本发明实施例提供了另一种生产过程中的排产方法，如图2所示，所述方法包括：
68.201、利用感应标签获取待排产的生产人员的人员属性数据、生产设备的设备属性数据、生产人员与生产设备之间的配合生产数据。
69.对于本发明实施例，在产品生产过程中，为了对生产人员和生产设备进行排产，以达到高效生产的目的，首先需要获取生产该产品的各个生产人员的人员属性数据、各个生产设备的设备属性数据，以及各个生产人员与各个生产设备之间的配合生产数据，基于此，步骤201具体包括：利用时间感应标签获取所述生产设备在历史生产过程中的历史原料进入时间和历史产品输出时间，其中，所述历史原料为生产所述历史产品所需的原材料，所述历史产品与所述待生产产品为同种产品；根据所述历史原料进入时间和所述历史产品输出时间，确定所述生产设备对应的单位产品生产时间；基于电流感应标签实时获取所述生产设备在历史产品生产过程中产生的电流，并根据所述电流的波动情况，确定所述生产设备对应的生产次品率；利用重量感应标签获取所述生产设备在历史生产过程中的历史原料进入重量和历史产品输出重量；根据所述历史原料进入重量和所述历史产品输出重量，确定所述生产设备对应的生产损失率；基于所述状态感应标签确定生产设备的状态数据，其中，所述状态数据是由所述生产设备上的状态感应标签每隔预设时间主动发送的。
70.具体地，时间感应标签具体可以为时间传感器，该时间传感器能够记录原料进入生产设备的时间，以及由原料产生的产品在生产设备中的输出时间，之后将产品输出时间与原料进入时间相减，即可得到单位产品生产时间，对于本发明实施例，若要计算某个生产人员对应的单位产品生产时间，则应该将时间感应标签放置于理想状态下的生产设备上，并获取该生产人员在理想状态下的生产设备上进行产品生产时，产品原料的进入时间和由该原料形成的产品的输出时间，之后将输出时间与输入时间相减，即可得到某个生产人员对应的单位产品生产时间。此外，若要计算某个生产设备对应的单位产品生产时间，则应该
将时间感应标签放置在该台生成设备上，并获取理想状态下的生产人员在该台生产设备上进行产品生产时，产品原料的进入时间和由该原料形成的产品的输出时间，之后将输出时间与输入时间相减，即可得到该台生产设备对应的单位产品生产时间。此外，若要计算某个生产人员针对某台生产设备的单位产品生产时间，则应该将时间感应标签放置在该台生成设备上，并获取该生产人员在该台生产设备上进行产品生产时，产品原料的进入时间和由该原料形成的产品的输出时间，之后将输出时间与输入时间相减，即可得到某个生产人员针对某台生产设备的单位产品生产时间。需要说明的是，本发明实施例可以计算预设数量的产品生产时间，并计算预设数量的产品生产时间均值，将该均值确定为最终的单位产品生产时间。
71.进一步地，电流感应标签具体可以为电流传感器，生产设备在生产过程中，该电流传感器能够记录生产设备在整个生产过程中产生的电流，根据电流的波动情况，能够获知生产设备生产的次品率，生产设备在正常生产时，其产生的电流是稳定波动的，当出现次品时，生产设备的电流会出现异常波动，因此将在整个生产过程中出现异常波动的时间与生产总时间相除，即可得到次品率。对于本发明实施例，若要计算某个生产人员对应的生产次品率，则应该将电流感应标签放置于理想状态下的生产设备上，并获取该生产人员在理想状态下的生产设备上进行产品生产时，整个生产过程中的电流波动情况，将电流产生异常波动的时间与生产总时间相除，即可得到某个生产人员对应的次品率。此外，若要计算某个生产设备对应的次品率，则应该将电流感应标签放置在该台生成设备上，并获取理想状态下的生产人员在该台生产设备上进行产品生产时，整个生产过程中的电流波动情况，将电流产生异常波动的时间与生产总时间相除，即可得到该台生产设备对应的次品率。此外，若要计算某个生产人员针对某台生产设备的次品率，则应该将电流感应标签放置在该台生成设备上，并获取该生产人员在该台生产设备上进行产品生产时，整个生产过程中的电流波动情况，将电流产生异常波动的时间与生产总时间相除，即可得到某个生产人员针对某台生产设备的次品率。需要说明的是，本发明实施例并不限于这一种方式来获取次品率，也可以通过感光装置对各个产品进行检测，确定次品数量，之后将次品数量与产品总数量相除，即可得到次品率。
72.进一步地，重量感应标签具体可以为重量传感器，生产设备在生产过程中，该重量传感器能够记录生产设备在整个生产过程中原料重量和产品重量，根据原料重量和产品重量，能够获知生产设备的生产损失率，对于本发明实施例，若要计算某个生产人员对应的生产损失率，则应该将重量感应标签放置于理想状态下的生产设备上，并获取该生产人员在理想状态下的生产设备上进行产品生产时，生产之前的原料重量和生产之后的产品重量，之后将原料重量与产品重量相减，并将相减结果与原料重量相除，即可得到某个生产人员对应的生产损失率。此外，若要计算某个生产设备对应的损失率，则应该将重量感应标签放置在该台生成设备上，并获取理想状态下的生产人员在该台生产设备上进行产品生产时，生产之前的原料重量和生产之后的产品重量，之后将原料重量与产品重量相减，并将相减结果与原料重量相除，即可得到该台生产设备对应的损失率。此外，若要计算某个生产人员针对某台生产设备的损失率，则应该将重量感应标签放置在该台生成设备上，并获取该生产人员在该台生产设备上进行产品生产时，生产之前的原料重量和生产之后的产品重量，之后将原料重量与产品重量相减，并将相减结果与原料重量相除，即可得到某个生产人员
针对某台生产设备的损失率。在计算损失率时，可以计算预设数量的产品损失率，并计算预设数量的产品损失率均值，将该均值确定为最终的损失率。需要说明的是，本发明实施例并不限于这一种方式来获取次品率，也可以通过感光装置对各个产品进行检测，确定次品数量，之后将次品数量与产品总数量相除，即可得到次品率。
73.进一步地，状态感应标签具体可为射频识别感应标签，射频识别感应标签具有极高的信息采集与处理速度，使用操作较为便捷，且抗干扰、适应环境等方面能力强，可以为构建可视化的智能空间获取精确数据信息。射频识别感应标签具体可包括射频识别感应标签(tag)、rfid阅读器(reader)、天线(antenna)，射频识别感应标签由耦合元件及芯片组成，每个标签具有唯一的电子编码，附着于可跟踪的物品上，用于对物品进行识别和读写；射频识别感应标签阅读器为读取(有时还可以写入)标签信息的设备，可设计为手持式或固定式；天线为在标签和读取器间传递射频信号。具体原理可为，射频识别感应标签进入磁场后，接收天线发出的射频信号，凭借感应电流所获得的能量发送存储在芯片中的产品信息(无源标签或被动标签)，或者由射频识别感应标签主动发送某一频率的信号(active tag，有源标签或主动标签)，读写器读取信息并解码后，送至中央信息系统进行有关数据处理。在本发明实施例中，可在各个生产设备上分别布置对应的射频识别感应标签，为了方便生产设备的定位以及统计，不同生产设备上配置不同的射频识别感应标签，之后射频识别感应标签主动发送关于生产设备的某一频率的信号，读写器读取信号并解码处理，并将解码后的信号发送至中央处理器进行处理，最终中央处理器能够处理得到生产设备的状态数据(运行状态、检修状态、空闲状态和废弃状态等)。其中，生产人员的状态数据可以从监控系统采集的数据中获取。最终根据上述获得的各项数据，来为生产过程进行排工排产，由此通过数字孪生技术，打造云端订单管理，实现生产线上化实时跟进及智能排工排产，极大程度上改善了当下企业管理者必须事必躬亲，把时间消耗在盯生产车间的情况，并且动态规划排工排产，免去了人工排产的延时性和误差，更是将生产效率最大化。云端订单管理，让企业管理者随时随地可以了解当前工厂的情况，减少资源浪费。
74.202、确定人员属性数据中包含的各个第一字符，以及确定各个第一字符对应的第一嵌入向量。
75.203、确定设备属性数据中包含的各个第二字符，以及确定各个第二字符对应的第二嵌入向量。
76.204、确定配合生产数据中包含的各个第三字符，以及确定各个第三字符对应的第三嵌入向量。
77.205、对第一嵌入向量、第二嵌入向量和第三嵌入向量中的至少两种向量进行交叉处理，生成排产交叉特征向量。
78.对于本发明实施例，在获取各个生产人员的人员属性数据、各个生产设备的设备属性数据，以及生产人员与生产设备之间的配合生产数据后，为了调高预设排产预测模型的预测精度，还需要确定人员属性数据中包含的各个第一字符，设备属性数据中包含的各个第二字符，以及配合生产数据中包含的各个第三字符，之后利word2vec等词嵌入方法分别将人员属性数据中的各个第一字符、设备属性数据中的各个第二字符和配合生产数据中的各个第三字符转化为嵌入向量，之后将各个嵌入向量中的至少两个向量做交叉处理，得到排产交叉特征向量，基于此，步骤205具体包括：对所述第一嵌入向量、所述第二嵌入向量
和所述第三嵌入向量中的至少两个向量做特征级别的交叉处理，得到特征交叉向量；对所述第一嵌入向量、所述第二嵌入向量和所述第三嵌入向量中的至少两个向量做元素级别的交叉处理，得到元素交叉向量；对所述第一嵌入向量、所述第二嵌入向量和所述第三嵌入向量中的至少两个向量做低阶交叉处理，得到低阶交叉向量；利用预设变换函数对所述特征交叉向量、所述元素交叉向量和所述低阶交叉向量做变换处理，得到排产交叉特征向量。
79.具体地，在对人员属性数据、设备属性数据和配合生产数据分别进行特征提取后，为了可以充分利用各种数据之间的关系，提取更多隐性特征，同时兼顾高阶和低阶的处理，使数据利用更加充分，后面得到的预测结果更加准确，满足实际应用场景的需求，需要将不同领域的信息处理为同纬度的向量，基于此，需要将人员属性数据对应的第一嵌入向量、设备属性数据对应的第二嵌入向量和配合生产数据对应的第三嵌入向量做交叉处理，具体处理方法为，例如，若第一嵌入向量为(a1,a2)，第二嵌入向量为(b1,b2)，具体交叉处理包括：对不同filed向量数据之间做特征级别的交叉，即向量之间所有的元素做哈达玛积之后，在一定权重下再做卷积变换，交叉处理结果为f(w*(a1*b1,a2*b2))，并对所有filed向量数据做元素级别的交叉，即向量之间的每个元素做哈达玛积之后，给每个乘积后的结果赋不同的权重值，再做线性变换，交叉处理结果为f(w1*a1*b1,w2*a2*b2)，之后对所有filed向量数据做低阶交叉处理，即将向量数据两两组合，做低阶交叉处理，交叉处理结果为f(w(a1,a2,b1,b2))。之后将以上三种交叉处理结果结合在一起，利用预设变换函数做变换处理，得到排产交叉特征向量。这里的预设变换函数可以根据实际情况来设置，本实施例对此不作限制。需要说明的是，上述例举仅是示意性的，并不对本技术实施例进行限制。对于本发明实施例，本发明实施实例可以充分利用各种数据之间的关系，提取更多隐性特征，同时兼顾高阶和低阶的处理，使数据利用更加充分，后面得到的预测结果更加准确，满足实际应用场景的需求。
80.206、将排产交叉特征向量输入至预设排产预测模型中进行排产预测，得到不同排产组合对应的各个排产转化率。
81.对于本发明实施例，在获取排产交叉特征向量后，可以利用预设排产预测模型对排产交叉向量的转化价值进行预测，但在预设之前，为了提高预设排产预测模型的预测精度，首先需要训练并构建预设排产预测模型，基于此，所述方法包括：获取生产样本产品的样本生产人员的样本人员属性数据、样本生产设备的样本设备属性数据、样本生产人员与样本生产设备之间的样本配合生产数据，以及样本产品对应的不同样本排产组合的实际排产转化率；对所述样本人员属性数据、所述样本设备属性数据和所述样本配合生产数据进行交叉处理，得到样本交叉特征向量；将所述样本交叉特征向量输入至预设初始排产预测模型中进行排产预测，得到不同样本排产组合对应的预测排产转化率；基于所述同一样本排产组合对应的预测排产转化率和所述实际排产转化率，构建所述预设初始排产预测模型对应的损失函数；依据所述损失函数，构建所述预设排产预测模型。
82.具体地，可以预先构建预设初始排产预测模型，并以样本生产人员属性数据、样本生产设备属性数据和样本配合生产数据作为预设初始排产预测模型的输入数据，以不同样本排产组合的实际排产转化率作为预设初始排产预测模型的输出数据，以此来不断对预设初始排产预测模型进行训练，在训练过程中，可以通过预设初始排产预测模型输出不同样本排产组合的预测排产转化率与实际排产转化率构建损失函数，并利用该损失函数不断对
预设初始排产预测模型的参数进行调优，最终得到参数最优的预设排产预测模型，之后将排产交叉特征向量输入至该预设排产预测模型中进行排产预测，得到不同排产组合对应的各个排产转化率，最终依据不同排产组合对应的各个排产转化率，为待生产产品确定目标排产组合。
83.207、依据不同排产组合对应的各个排产转化率，为待生产产品确定目标排产组合，其中，目标排产组合中包括目标生产人员及其对应的目标生产设备。
84.对于本发明实施例，利用预设排产预测模型输出不同排产组合对应的各个排产转化率后，需要依据不同排产组合对应的各个排产转化率，为待生产产品确定目标排产组合，基于此，步骤207具体包括：若排产期望目标项为生产成本节约率最大化，则在各所述排产组合中确定生产成本节约率最大的排产组合，并将所述生产成本节约率最大的排产组合确定为所述待生产产品对应的目标排产组合；若排产期望目标项为生产效率最大化，则在各所述排产组合中确定生产效率最大的排产组合，并将生产效率最大的排产组合确定为所述待生产产品对应的目标排产组合；若排产期望目标项为次品率最小化，则在各所述排产组合中确定次品率最小的排产组合，并将次品率最小的排产组合确定为所述待生产产品对应的目标排产组合。
85.其中，排产期望目标项是指在生产过程中最终想要得到的期望结果，如想要生产成本节约率最大化，或者生产效率最大化，或者次品率最小化。
86.具体地，首先确定排期望目标项，并在不同排产组合对应的排产转化率中确定符合排产期望目标项的排产组合，将该排产组合确定为目标排产组合，例如，若排产期望目标项为生产成本节约率最大化，且排产组合1对应的生产成本节约率为5％，生产效率为80％，次品率为10％，排产组合2对应的生产成本节约率为20％，生产效率为75％，次品率为12％，则最终将排产组合2确定为待生产产品对应的目标排产组合，其中，不同排产组合中包含至少一个生产人员，以及该至少一个生产人员对应的生产设备。
87.进一步地，在本发发明的又一实施例中，在获取生产人员的人员属性数据、生产设备的设备属性数据、生产人员与生产设备之间的配合生产数据之后，排产组合的确定方式还可以包括：以生产效率、生产成本和次品率为综合目标，利用动态规划求解算法对所述人员属性数据、所述设备属性数据和所述配合生产数据进行动态规划求解，得到所述待生产产品对应的预测生产人员及其对应的预测生产设备。
88.具体地，借助动态规划算法来计算最优策略，即达到最高效的生产效率。追求在同等时间内，完成更多的生产任务，并保证生产质量。动态规划算法在智能排工排产中的应用，主要是通过拆分一个大的生产任务，并将拆分后的生产任务和状态进行互相关联，使得该生产任务能够以递推(或者说分治)的方式去生产，在利用动态规划算法进行排工排产的过程中，会参考对应的次品率、原材料利用率、生产效率、生产成本等作为修正手段，例如，某设备每小时生产100件产品，次品率10％；另一设备生产同样产品，每小时90件，次品率2％。那么后者会对应的得到一定加权。其次平台会针对订单线上化管理所留存的生产、交易数据，为后续金融服务提供风控参考依据。
89.根据本发明提供的另一种生产过程中的排产方法，与目前人工进行排产的方式相比，本发明通过获取待排产的生产人员的人员属性数据、生产设备的设备属性数据、生产人员与生产设备之间的配合生产数据；并对所述人员属性数据、所述设备属性数据和所述配
合生产数据进行交叉处理，得到排产交叉特征向量；与此同时，将所述排产交叉特征向量输入至预设排产预测模型中进行排产预测，得到不同排产组合对应的各个排产转化率；最终依据所述不同排产组合对应的各个排产转化率，为待生产产品确定目标排产组合，其中，所述目标排产组合中包括目标生产人员及其对应的目标生产设备。由此通过利用感应标签来获取人员属性数据、设备属性数据和配合生产属性数据，能够避免人为到生产车间获取各项数据浪费的时间，从而本发明能够提高排产效率，与此同时，通过对人员属性数据、设备属性数据和配合生产数据进行交叉处理，得到排产交叉特征向量，之后利用预设排产预测模型来对排产交叉特征向量的排产转化率进行预测，最终根据排产转化率来为待生产产品确定排产人员和排产设备，能够避免由于工作人员的疏忽或者技术水平的参差不齐导致排产错误的情况，从而本发明能够提高生产过程中排产的准确度，进而能够避免订单延误，提升了下单用户的体验感。
90.进一步地，作为图1的具体实现，本发明实施例提供了一种生产过程中的排产装置，如图3所示，所述装置包括：获取单元31、交叉处理单元32、预测单元33和确定单元34。
91.所述获取单元31，可以用于利用感应标签获取待排产的生产人员的人员属性数据、生产设备的设备属性数据、生产人员与生产设备之间的配合生产数据。
92.所述交叉处理单元32，可以用于对所述人员属性数据、所述设备属性数据和所述配合生产数据进行交叉处理，得到排产交叉特征向量。
93.所述预测单元33，可以用于将所述排产交叉特征向量输入至预设排产预测模型中进行排产预测，得到不同排产组合对应的各个排产转化率。
94.所述确定单元34，可以用于依据所述不同排产组合对应的各个排产转化率，为待生产产品确定目标排产组合，其中，所述目标排产组合中包括目标生产人员及其对应的目标生产设备。
95.在具体应用场景中，所述人员属性数据包括生产人员的单位产品生产时间、生产次品率、生产损失率、生产人员的当前状态数据，所述配合生成数据包括生产人员与生产设备配合生产时的单位产品生产时间、生产次品率、生产损失率。
96.在具体应用场景中，为了获取待排产的生产设备的设备属性数据，如图4所示，所述获取单元31，包括获取模块311、第一确定模块312和计算模块313。
97.所述获取模块311，可以用于利用时间感应标签获取所述生产设备在历史生产过程中的历史原料进入时间和历史产品输出时间，其中，所述历史原料为生产所述历史产品所需的原材料，所述历史产品与所述待生产产品为同种产品。
98.所述第一确定模块312，可以用于根据所述历史原料进入时间和所述历史产品输出时间，确定所述生产设备对应的单位产品生产时间。
99.所述获取模块311，还可以用于基于电流感应标签实时获取所述生产设备在历史产品生产过程中产生的电流；
100.所述计算模块313，可以用于根据所述电流的波动情况，计算所述生产设备对应的生产次品率。
101.所述获取模块311，还可以用于利用重量感应标签获取所述生产设备在历史生产过程中的历史原料进入重量和历史产品输出重量。
102.所述第一确定模块312，还可以用于根据所述历史原料进入重量和所述历史产品
输出重量，确定所述生产设备对应的生产损失率。
103.所述第一确定模块312，还可以用于基于所述状态感应标签确定生产设备的状态数据，其中，所述状态数据是由所述生产设备上的状态感应标签每隔预设时间主动发送的。
104.在具体应用场景中，为了确定排产交叉特征向量，所述交叉处理单元32，包括第二确定模块321和交叉处理模块322。
105.所述确定模块321，可以用于确定所述人员属性数据中包含的各个第一字符，以及确定各个第一字符对应的第一嵌入向量。
106.所述确定模块321，还可以用于确定所述设备属性数据中包含的各个第二字符，以及确定各个第二字符对应的第二嵌入向量。
107.所述确定模块321，还可以用于确定所述配合生产数据中包含的各个第三字符，以及确定各个第三字符对应的第三嵌入向量。
108.所述交叉处理模块322，可以用于对所述第一嵌入向量、所述第二嵌入向量和所述第三嵌入向量中的至少两种向量进行交叉处理，生成排产交叉特征向量。
109.在具体应用场景中，为了获取排产交叉特征向量，所述交叉处理模块322，包括特征处理子模块、元素处理子模块、低阶处理子模块和变换处理子模块。
110.所述特征处理子模块，可以用于对所述第一嵌入向量、所述第二嵌入向量和所述第三嵌入向量中的至少两个向量做特征级别的交叉处理，得到特征交叉向量。
111.所述元素处理子模块，可以用于对所述第一嵌入向量、所述第二嵌入向量和所述第三嵌入向量中的至少两个向量做元素级别的交叉处理，得到元素交叉向量。
112.所述低阶处理子模块，可以用于对所述第一嵌入向量、所述第二嵌入向量和所述第三嵌入向量中的至少两个向量做低阶交叉处理，得到低阶交叉向量。
113.所述变换处理子模块，可以用于利用预设变换函数对所述特征交叉向量、所述元素交叉向量和所述低阶交叉向量做变换处理，得到排产交叉特征向量。
114.在具体应用场景中，为了构建预设排产预测模型，所述装置还包括：构建单元35。
115.所述获取单元31，还可以用于获取生产样本产品的样本生产人员的样本人员属性数据、样本生产设备的样本设备属性数据、样本生产人员与样本生产设备之间的样本配合生产数据，以及样本产品对应的不同样本排产组合的实际排产转化率。
116.所述交叉处理单元32，还可以用于对所述样本人员属性数据、所述样本设备属性数据和所述样本配合生产数据进行交叉处理，得到样本交叉特征向量。
117.所述预测单元33，还可以用于将所述样本交叉特征向量输入至预设初始排产预测模型中进行排产预测，得到不同样本排产组合对应的预测排产转化率。
118.所述构建单元35，可以用于基于所述同一样本排产组合对应的预测排产转化率和所述实际排产转化率，构建所述预设初始排产预测模型对应的损失函数。
119.所述构建单元35，具体可以用于依据所述损失函数，构建所述预设排产预测模型。
120.在具体应用场景中，为了确定待生产产品对应的目标排产组合，所述确定单元34，具体可以用于若排产期望目标项为生产成本节约率最大化，则在各所述排产组合中确定生产成本节约率最大的排产组合，并将所述生产成本节约率最大的排产组合确定为所述待生产产品对应的目标排产组合；若排产期望目标项为生产效率最大化，则在各所述排产组合中确定生产效率最大的排产组合，并将生产效率最大的排产组合确定为所述待生产产品对
应的目标排产组合；若排产期望目标项为次品率最小化，则在各所述排产组合中确定次品率最小的排产组合，并将次品率最小的排产组合确定为所述待生产产品对应的目标排产组合。
121.需要说明的是，本发明实施例提供的一种生产过程中的排产装置所涉及各功能模块的其他相应描述，可以参考图1所示方法的对应描述，在此不再赘述。
122.基于上述如图1所示方法，相应的，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：利用感应标签获取待排产的生产人员的人员属性数据、生产设备的设备属性数据、生产人员与生产设备之间的配合生产数据；对所述人员属性数据、所述设备属性数据和所述配合生产数据进行交叉处理，得到排产交叉特征向量；将所述排产交叉特征向量输入至预设排产预测模型中进行排产预测，得到不同排产组合对应的各个排产转化率；依据所述不同排产组合对应的各个排产转化率，为待生产产品确定目标排产组合，其中，所述目标排产组合中包括目标生产人员及其对应的目标生产设备。
123.基于上述如图1所示方法和如图3所示装置的实施例，本发明实施例还提供了一种计算机设备的实体结构图，如图5所示，该计算机设备包括：处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序，其中存储器42和处理器41均设置在总线43上所述处理器41执行所述程序时实现以下步骤：利用感应标签获取待排产的生产人员的人员属性数据、生产设备的设备属性数据、生产人员与生产设备之间的配合生产数据；对所述人员属性数据、所述设备属性数据和所述配合生产数据进行交叉处理，得到排产交叉特征向量；将所述排产交叉特征向量输入至预设排产预测模型中进行排产预测，得到不同排产组合对应的各个排产转化率；依据所述不同排产组合对应的各个排产转化率，为待生产产品确定目标排产组合，其中，所述目标排产组合中包括目标生产人员及其对应的目标生产设备。
124.通过本发明的技术方案，本发明通过获取待排产的生产人员的人员属性数据、生产设备的设备属性数据、生产人员与生产设备之间的配合生产数据；并对所述人员属性数据、所述设备属性数据和所述配合生产数据进行交叉处理，得到排产交叉特征向量；与此同时，将所述排产交叉特征向量输入至预设排产预测模型中进行排产预测，得到不同排产组合对应的各个排产转化率；最终依据所述不同排产组合对应的各个排产转化率，为待生产产品确定目标排产组合，其中，所述目标排产组合中包括目标生产人员及其对应的目标生产设备。由此通过利用感应标签来获取人员属性数据、设备属性数据和配合生产属性数据，能够避免人为到生产车间获取各项数据浪费的时间，从而本发明能够提高排产效率，与此同时，通过对人员属性数据、设备属性数据和配合生产数据进行交叉处理，得到排产交叉特征向量，之后利用预设排产预测模型来对排产交叉特征向量的排产转化率进行预测，最终根据排产转化率来为待生产产品确定排产人员和排产设备，能够避免由于工作人员的疏忽或者技术水平的参差不齐导致排产错误的情况，从而本发明能够提高生产过程中排产的准确度，进而能够避免订单延误，提升了下单用户的体验感。
125.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储
在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
126.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

技术特征：
1.一种生产过程中的排产方法，其特征在于，包括：利用感应标签获取待排产的生产人员的人员属性数据、生产设备的设备属性数据、生产人员与生产设备之间的配合生产数据；对所述人员属性数据、所述设备属性数据和所述配合生产数据进行交叉处理，得到排产交叉特征向量；将所述排产交叉特征向量输入至预设排产预测模型中进行排产预测，得到不同排产组合对应的各个排产转化率；依据所述不同排产组合对应的各个排产转化率，为待生产产品确定目标排产组合，其中，所述目标排产组合中包括目标生产人员及其对应的目标生产设备。2.根据权利要求1所述的方法，其特征在于，所述人员属性数据包括生产人员的单位产品生产时间、生产次品率、生产损失率、生产人员的当前状态数据，所述配合生成数据包括生产人员与生产设备配合生产时的单位产品生产时间、生产次品率、生产损失率。3.根据权利要求1所述的方法，其特征在于，所述设备属性数据包括生产设备的单位产品生产时间、生产次品率、生产损失率、设备当前状态数据，利用感应标签获取待排产的生产设备的设备属性数据，包括：利用时间感应标签获取所述生产设备在历史生产过程中的历史原料进入时间和历史产品输出时间，其中，所述历史原料为生产所述历史产品所需的原材料，所述历史产品与所述待生产产品为同种产品；根据所述历史原料进入时间和所述历史产品输出时间，确定所述生产设备对应的单位产品生产时间；基于电流感应标签实时获取所述生产设备在历史产品生产过程中产生的电流，并根据所述电流的波动情况，确定所述生产设备对应的生产次品率；利用重量感应标签获取所述生产设备在历史生产过程中的历史原料进入重量和历史产品输出重量；根据所述历史原料进入重量和所述历史产品输出重量，确定所述生产设备对应的生产损失率；基于所述状态感应标签确定生产设备的状态数据，其中，所述状态数据是由所述生产设备上的状态感应标签每隔预设时间主动发送的。4.根据权利要求1所述的方法，其特征在于，所述对所述人员属性数据、所述设备属性数据和所述配合生产数据进行交叉处理，得到排产交叉特征向量，包括：确定所述人员属性数据中包含的各个第一字符，以及确定各个第一字符对应的第一嵌入向量；确定所述设备属性数据中包含的各个第二字符，以及确定各个第二字符对应的第二嵌入向量；确定所述配合生产数据中包含的各个第三字符，以及确定各个第三字符对应的第三嵌入向量；对所述第一嵌入向量、所述第二嵌入向量和所述第三嵌入向量中的至少两种向量进行交叉处理，生成排产交叉特征向量。5.根据权利要求4所述的方法，其特征在于，所述对所述第一嵌入向量、所述第二嵌入
向量和所述第三嵌入向量中的至少两种向量进行交叉处理，生成排产交叉特征向量，包括：对所述第一嵌入向量、所述第二嵌入向量和所述第三嵌入向量中的至少两个向量做特征级别的交叉处理，得到特征交叉向量；对所述第一嵌入向量、所述第二嵌入向量和所述第三嵌入向量中的至少两个向量做元素级别的交叉处理，得到元素交叉向量；对所述第一嵌入向量、所述第二嵌入向量和所述第三嵌入向量中的至少两个向量做低阶交叉处理，得到低阶交叉向量；利用预设变换函数对所述特征交叉向量、所述元素交叉向量和所述低阶交叉向量做变换处理，得到排产交叉特征向量。6.根据权利要求1所述的方法，其特征在于，在所述将所述排产交叉特征向量输入至预设排产预测模型中进行排产预测，得到不同排产组合对应的各个排产转化率之前，所述方法还包括：获取生产样本产品的样本生产人员的样本人员属性数据、样本生产设备的样本设备属性数据、样本生产人员与样本生产设备之间的样本配合生产数据，以及样本产品对应的不同样本排产组合的实际排产转化率；对所述样本人员属性数据、所述样本设备属性数据和所述样本配合生产数据进行交叉处理，得到样本交叉特征向量；将所述样本交叉特征向量输入至预设初始排产预测模型中进行排产预测，得到不同样本排产组合对应的预测排产转化率；基于所述同一样本排产组合对应的预测排产转化率和所述实际排产转化率，构建所述预设初始排产预测模型对应的损失函数；依据所述损失函数，构建所述预设排产预测模型。7.根据权利要求1所述的方法，其特征在于，所述各个排产转化率包括生产成本节约率、生产效率、次品率，所述依据所述不同排产组合对应的各个排产转化率，为待生产产品确定目标排产组合，包括：若排产期望目标项为生产成本节约率最大化，则在各所述排产组合中确定生产成本节约率最大的排产组合，并将所述生产成本节约率最大的排产组合确定为所述待生产产品对应的目标排产组合；若排产期望目标项为生产效率最大化，则在各所述排产组合中确定生产效率最大的排产组合，并将生产效率最大的排产组合确定为所述待生产产品对应的目标排产组合；若排产期望目标项为次品率最小化，则在各所述排产组合中确定次品率最小的排产组合，并将次品率最小的排产组合确定为所述待生产产品对应的目标排产组合。8.一种生产过程中的排产装置，其特征在于，包括：获取单元，用于获取待排产的生产人员的人员属性数据、生产设备的设备属性数据、生产人员与生产设备之间的配合生产数据；交叉处理单元，用于对所述人员属性数据、所述设备属性数据和所述配合生产数据进行交叉处理，得到排产交叉特征向量；预测单元，用于将所述排产交叉特征向量输入至预设排产预测模型中进行排产预测，得到不同排产组合对应的各个排产转化率；
确定单元，用于依据所述不同排产组合对应的各个排产转化率，为待生产产品确定目标排产组合，其中，所述目标排产组合中包括目标生产人员及其对应的目标生产设备。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本发明公开了一种生产过程中的排产方法、装置、存储介质及计算机设备，涉及信息技术领域以及金融科技技术领域，主要在于能够提高生成过程中的排产效率和排产准确度。其中方法包括：获取待排产的生产人员的人员属性数据、生产设备的设备属性数据、生产人员与生产设备之间的配合生产数据；对所述人员属性数据、所述设备属性数据和所述配合生产数据进行交叉处理，得到排产交叉特征向量；将所述排产交叉特征向量输入至预设排产预测模型中进行排产预测，得到不同排产组合对应的各个排产转化率；依据所述不同排产组合对应的各个排产转化率，为待生产产品确定目标排产组合，其中，所述目标排产组合中包括目标生产人员及其对应的目标生产设备。标生产设备。标生产设备。


技术研发人员：刘晓峰 常豪 孙小雪
受保护的技术使用者：平安国际融资租赁有限公司
技术研发日：2023.07.17
技术公布日：2023/9/16