跳到正文

工业生产优化

热处理炉能耗与排产优化系统

面向热处理生产现场的炉次能耗分析、模型校准与排产决策系统

接入炉子真实采集数据,自动识别炉次并核算能耗与电费,再结合热炉模型、工艺路线和分时电价评估生产成本、优化开炉时间。

Demo 尚未接入
  • 功率、电量、温度与分时电费实时看板
  • 基于运行状态和采集数据自动识别炉次
  • 人工确认炉次并沉淀真实生产记录
  • 热炉模型、炉号绑定与能耗参数维护
热处理炉能耗与排产优化系统 项目封面
项目展示图
01

从能耗监控进入热处理生产决策

热处理现场的功率、电量和温度记录来自不同炉号与采集点位。只展示实时曲线无法回答一次生产用了多少电、执行了什么工艺、理论消耗是否合理,以及下一炉安排在什么时间成本更低。

系统把现场采集数据与热炉、产品、工艺、电价和炉次记录结合起来,形成从真实生产记录到能耗核算、模型评估和排产优化的本地业务闭环。

02

把连续采集数据整理为可确认的炉次记录

系统读取 MySQL 采集库中的运行状态、瞬时功率、累计电量和温度点位,将连续运行区间识别为候选炉次;短暂停机可按配置合并,过短或能耗过低的片段会被过滤。

候选炉次经人工确认后写入本地业务库。炉次详情使用真实采集数据展示功率、温度、分时电量和分时电费,模型估算结果不会替代现场实测口径。

SYSTEM FLOW

数据与业务计算链路

现场采集库保存真实时序数据,本地业务库维护热炉、工艺和电价配置,计算引擎在统一时间线上完成核算、对比与排产。

  1. 01

    现场采集数据

    从 MySQL 读取炉号对应的状态、功率、电量与温度历史。

    • MySQL
    • Modbus 历史数据
  2. 02

    炉次识别与确认

    识别连续运行区间并由人工确认,沉淀可追溯的生产记录。

    • FastAPI
    • SQLAlchemy
  3. 03

    热炉与工艺模型

    在 SQLite 中维护产品、工艺阶段、热炉参数和分时电价。

    • SQLite
    • Pydantic
  4. 04

    能耗与成本分析

    核算实测费用,生成理论估算并对比模型误差。

    • Python
    • ECharts
  5. 05

    排产时间优化

    保持工艺阶段不变,比较不同开炉时间对应的分时电费。

    • 时间线计算
    • 分时电价
03

真实电费与模型费用采用两套清晰口径

真实分时电量直接读取现场已经拆分好的尖峰、高峰、平段、谷段和深谷累计点位差值,再按炉次发生年月匹配对应电价方案。跨月生产按采集聚合桶所在年月分别计算。

模型费用根据热炉参数、产品工艺时间线和电价时段估算。实测数据用于还原现场实际消耗,模型计算用于理论评估和排产决策,两类结果可以比较但不会混为同一数据口径。

04

用历史炉次辅助校准热炉能耗模型

热炉模型维护炉号绑定、最大温度、升温速率、额定功率和分段能耗参数。系统可以从已确认炉次中读取真实功率、电量与温度,识别升温和保温片段,生成分温度段的参数建议。

校准结果同时展示样本数、可信度和误差改善,只有用户主动确认后才写回模型参数,避免异常采集数据自动改变生产模型。

05

把分时电价转化为可比较的开炉方案

排产页面组合产品、工艺、热炉和电价方案,在不改变升温、保温等工艺阶段的前提下,对不同开炉时间进行成本计算。

生产人员可以比较候选方案的时间线、理论能耗和分时电费,选择满足工艺要求且成本更合适的开炉时间。系统当前聚焦单炉能耗与时间优化,不将其描述为完整的 MES 排产系统。

06

本地部署方式与当前边界

前端使用 Vue 3、Element Plus 和 ECharts,后端使用 FastAPI 与 SQLAlchemy。SQLite 保存热炉、产品、工艺、电价、炉次和计算记录,MySQL 保存现场点位及历史采集数据。

项目面向 Windows 本地及工厂内网环境,支持前后端启动、桌面环境部署、打包发布和授权文件管理。在线体验依赖本地服务与采集环境;项目详情暂不展示未经确认的客户名称、节省比例或生产成果。