卡第那思助力Starlinger实现长期稳定的成本减缩和效率提升

奥地利Starlinger采用PARTsolutions优化零部件管理,实现成本节约与效率提升。通过价格估算、采购控制及零部件重用,每年节省近百万欧元,旨在标准化产品,保持行业领先地位。

在这里插入图片描述奥地利Starlinger(史太林格)有限公司于隶属于史太林格集团,于1835年成立于奥地利首都维也纳,是机械和编制塑料袋加工技术的全球市场领导者,在机械领域方面拥有170年之久的经验,其设备在世界100多个国家的塑编工厂中广泛使用,每年为各行业提供超过300亿个塑料编织袋。其在全球拥有1000余名雇员,2006年财政年度总共实现超过2亿欧元的营业额。

STARLINGER主要数据一览:
–550名员工年销售额超1.5亿欧元
–45个工作岗位使用了零部件数据资源管理系统PARTsolutions
–到目前为止,全球已安装了45000台织机
–Starlinger成立于1835年,拥有超过175年的丰富行业经验
– Starlinger的产品设备获得了来自136个国家的900多家客户的信赖
– Starlinger凭借一流的技术,30多年来一直处于行业世界领先地位

Starlinger遇到的问题
在引进PARTsolutions前,Starlinger是通过在ERP和PDM中输入纯文本来进行零部件搜索的。由于不同的产品部门被分割成单独的组织架构,Starlinger急需一个统一的,在产品开发初期就可进行物流控制的零部件管理系统。使规模经济性和学习曲线能相互配合, 从而提升企业利润。

Partsolutions所提供的支持:

  • 价格估算功能
    在对新产品定价之前,PARTsolutions会根据产品所需的类似零部件对产品价格进行初步估算。因此,Starlinger可以在准确的核算(设计,绘制图纸等)之前进行初步评估,是否新产品的投入可以得到回报,从而尽早地对其做出反应。

  • 采购及成本控制
    Starlinger和其他制造型企业一样,创新型和技术密集型零部件多由企业自制,而其他设计用零部件采取外购方式。自2013年初以来,PARTsolutions已被广泛用于采购/物流流程。

  • 用零部件目录替代零部件图纸
    借助CADENAS的众多电子产品目录,并结合几何相似性搜索功能,可以实现零部件电子模型目录代替零部件图纸。在机械工程中,创建零部件电子产品目录的平均成本是创建零部件图纸的十分之一。

节省总成本为:
不使用PARTsolutions时新物料的增加只能根据历史发展来推断,因此由零部件种类的减少所节省的总成本只能粗略估算。按绝对值计算,在测量期内, 新创建的零部件从A到Z减少了约1100个。按照一个新物料约为700欧元的创建成本,约为100欧元的年维护费用来计算,与预测曲线相比,通过零部件重用可为公司节省近100万欧元。

计划更多的综合项目
 PARTsolutions目前主要被用于Starlinger的研发和物流部门。将来还计划在客户服务中心进行部署。
 Starlinger的主要目标是进一步促进B和C领域零部件的产品标准化,从而继续以具有吸引力的价格为客户提供高质量的产品和定制服务。
 Starlinger已计划对PARTsolutions进行升级。新版本的功能范围将被进一步扩大和增强:例如用户将能更轻松快捷地进行零部件价格比较。未来,Starlinger将着重关注PURCHINEERING环节,以便能在国际竞争中保持领先地位。

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值