K/3计划制造系统常见问题解答

需积分: 9 2 下载量 96 浏览量 更新于2024-08-02 收藏 785KB PDF 举报
"生产制造FAQ.pdf" 在了解了《生产制造FAQ.pdf》这份文档后,我们可以深入探讨其中涉及的K/3计划制造系统的常见问题及其解决方案。这份文档旨在帮助用户解决生产数据管理系统、主生产计划(MPS)与物料需求计划(MRP)以及生产管理系统中遇到的问题,以提升生产效率和决策准确性。 1. 生产数据管理系统常见应用问题 - BOM(Bill of Materials,物料清单)有效期应用:适用于K/3 V10.2、10.3版本。BOM的有效期管理是为了应对物料因质量或环保原因需更换的情况。企业需启用工程变更,并设置生效和失效日期,确保在计划开工日期和偏置期内使用正确的物料。 - ECN(Engineering Change Notice,工程变更通知)在K/3的应用:ECN用于管理产品设计更改,确保所有相关人员同步更新信息。 - BOM版本号的应用:BOM的不同版本对应不同的产品配置,有效管理版本有助于跟踪和控制产品的变更历史。 - BOM引入引出使用注意事项:涉及到数据导入导出时,需注意数据的一致性和完整性,防止信息丢失或错误。 2. MPS、MRP常见问题 - 预计量计算有效期的计算逻辑:MPS和MRP的预测数据需要考虑有效期,以确保计划的准确性和时效性。 - 预计量调整参数应用:这些参数决定了系统如何响应市场需求变化,从而影响计划生成。 - 产生交货调整取消建议信息表的条件:系统根据特定规则判断何时提出交货调整或取消建议。 - 合并参数在MPS/MRP计算的应用:合并参数影响计划生成的批量处理,影响计算效率和结果精度。 - “MRP是否生成采购申请”的应用:决定系统是否自动创建采购申请,简化采购流程。 - 需求反查数据取值来源详解:理解需求反查有助于追踪需求来源,优化计划制定。 - “库存需求独立产生计划”功能作用:该功能让库存需求可以单独驱动生产或采购计划,提高灵活性。 3. 生产管理系统常见问题 - 初始化在制生产任务在K/3中的应用:初始化过程用于设定初始生产状态,以便跟踪和管理生产进度。 - 物料缺省实发数量限制参数应用:防止超领物料,确保库存管理的准确性。 - 已入库产品处理:对于已入库产品,如何在不改变产品编码的情况下增减零配件。 - 模拟发料应用:在实际发料前进行模拟操作,测试计划的可行性,减少实物操作的错误。 - 车间作业管理计时计件工资的应用:系统支持对工人的计时和计件工资进行精确计算,提高薪酬管理效率。 - 工序外协业务处理:管理外部协作厂商的工序,确保供应链协同运作。 - 自动生成生产物料报废单:在工序汇报审核时,系统自动创建报废单,提高工作效率,减少人为错误。 通过这份文档,用户可以深入理解K/3系统在生产制造中的具体运用,解决实际操作中可能遇到的问题,从而提升企业的生产管理水平。

import ast from dataclasses import dataclass from typing import List import pandas as pd import json ["text", "六十一岁还能办什么保险"] @dataclass class FAQ: title: str sim_questions: List[str] answer: str faq_id: int ori_data = pd.read_csv('baoxianzhidao_filter.csv') data = [] exist_titles = set() for index, row in enumerate(ori_data.iterrows()): row_dict = row[1] title = row_dict['title'] if title not in exist_titles: data.append(FAQ(title=title, answer=row_dict['reply'], sim_questions=[title], faq_id=index)) exist_titles.add(title) from modelscope.pipelines import pipeline from modelscope.utils.constant import Tasks pipeline_ins = pipeline(Tasks.faq_question_answering, 'damo/nlp_mgimn_faq-question-answering_chinese-base') bsz = 32 all_sentence_vecs = [] batch = [] sentence_list = [faq.title for faq in data] for i,sent in enumerate(sentence_list): batch.append(sent) if len(batch) == bsz or (i == len(sentence_list)-1 and len(batch)>0): # if i == len(sentence_list)-1 and len(batch)>0: sentence_vecs = pipeline_ins.get_sentence_embedding(batch) all_sentence_vecs.extend(sentence_vecs) batch.clear() import faiss import numpy as np hidden_size = pipeline_ins.model.network.bert.config.hidden_size # hidden_size = pipeline_ins.model.bert.config.hidden_size index = faiss.IndexFlatIP(hidden_size) vecs = np.asarray(all_sentence_vecs, dtype='float32') index.add(vecs) from modelscope.outputs import OutputKeys def ask_faq(input, history=[]): # step1: get sentence vector of query query_vec = pipeline_ins.get_sentence_embedding([input])[0] query_vec = np.asarray(query_vec, dtype='float32').reshape([1, -1]) # step2: faq dense retrieval _, indices = index.search(query_vec, k=30) # step3: build support set support_set = [] for i in indices.tolist()[0]: faq = data[i] support_set.append({"text": faq.title, "label": faq.faq_id, "index": i}) # step4: faq ranking rst = pipeline_ins(input={"query_set": input, "support_set": support_set}) rst = rst[OutputKeys.OUTPUT][0][0] pred_label = rst['label'] pred_score = rst['score'] # get answer by faq_id pred_answer = "" pred_title = "" for faq in data: if faq.faq_id == pred_label: pred_answer = faq.answer pred_title = faq.title break history.append((f'{pred_answer}|(pred_title:{pred_title},pred_score:{pred_score:.3f})')) return history优化这段代码

2023-04-20 上传