机器学习在制造业中的预测分析

21/24机器学习在制造业中的预测分析第一部分制造业预测分析概述 2第二部分机器学习在预测分析中的应用 4第三部分预测需求与产出 7第四部分优化供应链管理 10第五部分预测设备维护 12第六部分提升质量控制 15第七部分促进生产自动化 18第八部分提高整体运营效率 21

第一部分制造业预测分析概述制造业预测分析概述

预测分析是一种利用数据和统计模型预测未来事件的分析技术。在制造业中，预测分析已被广泛用于各种应用中，包括需求预测、质量控制和生产规划。

需求预测

制造业的一个关键挑战是准确预测产品需求。预测分析可以帮助企业通过分析历史数据、市场趋势和其他因素来预测未来的需求水平。这对于规划生产、管理库存和满足客户需求至关重要。

质量控制

预测分析还用于监视和改善制造过程中的质量。通过分析生产数据，企业可以识别故障趋势、检测异常并预测故障可能发生的时间。这可以采取预防措施，减少废品和返工，提高产品质量。

生产规划

预测分析在生产规划中发挥着重要作用。通过预测需求和可用资源，企业可以优化生产计划，减少浪费并提高效率。预测分析还可以用来模拟不同的生产场景，帮助企业在制定决策之前评估潜在影响。

预测分析的类型

制造业中使用的预测分析类型包括：

*时间序列分析：使用历史数据预测未来的值。

*回归分析：确定两个或多个变量之间的关系，以便做出预测。

*决策树：使用决策规则对数据进行建模，以便预测结果。

*神经网络：复杂的机器学习算法，可以从非线性数据中学习模式。

预测分析的好处

预测分析在制造业中提供了众多好处，包括：

*提高决策制定：通过提供基于数据的见解，预测分析可以帮助企业做出明智的决策。

*减少浪费：通过预测需求和优化生产计划，企业可以减少浪费和提高效率。

*提高产品质量：通过监测和改善生产过程，预测分析可以提高产品质量并减少故障。

*增强客户满意度：准确的预测分析可以帮助企业满足客户需求，提高客户满意度。

*降低成本：通过优化生产、减少浪费和提高质量，预测分析可以降低总体运营成本。

实施预测分析

实施预测分析涉及以下步骤：

*收集和准备数据

*选择合适的预测分析技术

*建立和验证预测模型

*部署和监控预测模型

制造业企业可以通过内部开发或与外部分析提供商合作来实施预测分析。

结论

预测分析在制造业中是一个强大的工具，可用于提高决策制定、减少浪费、提高产品质量、增强客户满意度和降低成本。随着数据和分析技术的不断进步，预测分析在制造业应用中的作用只会越来越重要。第二部分机器学习在预测分析中的应用关键词关键要点设备故障预测

1.应用传感器和历史数据收集设备运行信息，通过机器学习算法分析和建模，预测设备故障的发生概率和剩余使用寿命。

2.结合实时运行数据和历史故障记录，动态更新故障预测模型，提高预测精度和及时性。

3.预测结果可用于优化维护计划，在设备故障前主动进行维修，减少停机时间和维护成本。

生产流程优化

1.分析生产线数据，识别影响产量和质量的瓶颈和优化点。

2.利用机器学习算法优化生产参数，如机器速度、进料率和工艺条件，以提高产量、降低缺陷率。

3.实时监控生产流程，检测异常情况并自动调整参数，确保稳定和高效的生产。

预防性维护

1.通过机器学习算法分析设备健康状况数据，预测未来维护需求。

2.基于预测结果制定预防性维护计划，在设备故障发生前进行维护。

3.优化备件库存和维护人员安排，提高维护效率和降低维护成本。

质量管理

1.利用计算机视觉和机器学习算法，自动检测产品缺陷和异常。

2.构建质量预测模型，基于生产数据预测产品质量，在生产过程中进行质量控制。

3.识别影响产品质量的关键因素，优化生产流程和材料质量，提高产品质量。

优化供应链

1.分析历史需求和销售数据，预测未来产品需求。

2.利用机器学习算法优化库存管理策略，减少库存积压和缺货情况。

3.预测供应商表现和物流情况，优化采购和运输计划，确保及时供货和降低成本。

客户体验优化

1.分析客户反馈和使用数据，预测客户满意度和流失风险。

2.利用自然语言处理和机器学习算法提供个性化客户服务，提高客户满意度。

3.预测客户需求和偏好，主动推荐产品和服务，提升客户体验。机器学习在预测分析中的应用

机器学习（ML）是一种人工智能（AI）技术，它使计算机能够从数据中学习，而无需明确编程。ML在制造业的预测分析中具有广泛的应用，可以帮助企业预测需求、优化流程和提高运营效率。

时间序列预测

时间序列预测是ML在制造业预测分析中一个关键应用。它涉及预测未来值的时间序列数据，例如需求、产量或机器故障。ML算法，如ARIMA（自回归综合移动平均）、LSTM（长短期记忆）和Prophet，可以捕获时间依赖性和周期性模式，从而生成准确的预测。

预测性维护

预测性维护是ML在制造业的另一项重要应用。它涉及使用传感器数据来预测机器故障，并制定预防性维护计划。ML算法，如异常检测和寿命模型，可以分析传感器数据，识别异常模式，并预测剩余使用寿命。通过早期识别故障迹象，制造商可以减少停机时间、提高机器可用性并降低维护成本。

需求预测

需求预测是制造业预测分析的一项关键任务。它涉及预测未来产品或服务的需求。ML算法，如随机森林、支持向量机和神经网络，可以利用历史销售数据、外部因素（例如经济指标和竞争活动）和消费者偏好来生成准确的需求预测。通过准确预测需求，制造商可以优化库存水平、计划生产并最大化收入。

工艺优化

工艺优化涉及使用ML来提高制造流程的效率和质量。ML算法，如决策树和支持向量回归，可以分析生产数据，识别过程中的瓶颈和关键变量。通过优化工艺参数，制造商可以提高产量、减少浪费并降低运营成本。

质量控制

质量控制是制造业预测分析的另一个应用领域。ML算法，如异常检测和聚类，可以分析产品缺陷数据，识别缺陷模式并预测未来的缺陷风险。通过早期检测缺陷，制造商可以提高产品质量、降低召回风险并提升客户满意度。

案例研究

案例1：预测性维护

一家重型设备制造商使用ML来实现预测性维护。他们部署了传感器来收集设备运行数据，并使用机器学习算法来分析数据。该算法检测到异常模式，并预测了即将发生的故障。通过提前进行维护，制造商将停机时间减少了45%，并节省了200万美元的维护成本。

案例2：需求预测

一家消费电子产品制造商使用ML来预测产品需求。他们使用历史销售数据、经济指标和市场趋势数据。ML算法生成了准确的需求预测，使制造商能够优化库存水平。通过减少库存积压和缺货，制造商增加了15%的收入。

结论

机器学习在制造业的预测分析中具有强大的潜力，可帮助企业预测需求、优化流程和提高运营效率。通过利用传感器数据、历史记录和外部因素，ML算法可以生成准确的预测，为制造商提供决策优势。随着ML技术的不断发展，预计其在制造业预测分析中的应用将进一步扩大，为企业带来新的机遇和价值。第三部分预测需求与产出关键词关键要点预测需求和产出

1.历史数据分析：を活用して需要予測を行う。利用過去の販売データ、顧客情報、市場動向などの履歴データを用いて、将来の需要を予測する。

2.時系列分析：時間経過に伴う需要変動を分析する方法を活用して、需要予測を行う。需要の季節性、トレンド、周期性を把握し、将来の需要を予測する。

3.予測モデルの構築：回帰分析、時系列分析、機械学習などの手法を用いて、需要予測モデルを構築する。モデルの精度を向上させるために、データの準備、特徴量選択、ハイパーパラメータの調整を行う。

实时库存优化

1.实时数据监控：传感器、RFIDタグ、在庫管理システムなどのリアルタイムデータソースを活用して、在庫レベルを監視する。これにより、在庫の過剰在庫や不足を防止できる。

2.需要予測の活用：需要予測モデルから得られた情報を活用して、最適な在庫レベルを決定する。将来の需要を予測し、過剰在庫に陥ることなく、需要を満たすのに十分な在庫を確保する。

3.在庫管理アルゴリズムの適用：最小在庫管理(EOQ)、経済的発注量(EOQ)、ジャストインタイム(JIT)などの在庫管理アルゴリズムを適用して、在庫レベルの最適化を自動化する。これにより、在庫コストを削減し、在庫管理の効率性を向上できる。预测需求与产出

需求和产出预测在制造业中至关重要，它使企业能够计划生产、管理库存和优化供应链。机器学习(ML)技术在这些预测方面发挥着变革性作用，通过提供强大的工具来分析复杂数据，识别模式和预测未来趋势。

利用机器学习进行需求预测

需求预测涉及利用历史数据和外部因素来预测客户对产品或服务的未来需求。ML算法可以用于：

*时间序列分析：识别和利用历史需求数据中的时间相关性和季节性模式。

*回归分析：分析外部因素对需求的潜在影响，例如经济状况、竞争对手活动和市场趋势。

*神经网络：建立复杂的非线性模型，处理高维度数据和复杂的相互关系。

ML模型可以根据实时数据进行持续训练，这使它们能够随着时间的推移提高准确性。此外，它们可以处理大量的数据点，从而提供了对需求模式的更全面理解。

利用机器学习进行产出预测

产出预测包括预测未来生产率和产能。ML算法可以用于：

*预测机器故障：分析传感器数据和历史维护记录，以预测机器故障的可能性和时间。

*优化生产计划：使用预测模型来确定产能限制、瓶颈和最有效的生产计划。

*库存管理：预测产出水平，以优化库存持有，避免短缺和积压。

ML模型可以将多种数据源集成到其预测中，包括生产过程数据、机器传感器读数和供应链信息。这提供了对生产过程的更全面的视图，并提高了产出预测的准确性。

收益

利用ML进行预测分析在制造业中提供了多种好处，包括：

*提高准确性：ML算法可以分析比传统方法更多的复杂数据，从而提高预测准确性。

*实时预测：ML模型可以根据实时数据进行持续训练，这使它们能够提供最新的预测。

*优化规划：准确的预测使企业能够优化生产计划、库存管理和供应链运营。

*降低成本：通过减少浪费、提高效率和优化资源分配，预测分析可以帮助企业降低运营成本。

*提高竞争力：能够准确预测需求和产出，使企业能够应对市场变化并保持竞争优势。

案例研究

*波音公司：利用ML进行产出预测，以优化生产计划和减少生产延误。

*通用电气：实施预测分析以预测机器故障，从而降低维护成本和提高设备利用率。

*耐克公司：使用ML来预测需求，以优化库存管理和减少库存积压。

结论

机器学习在预测分析方面极大地改变了制造业，提供了强大的工具来预测需求和产出。通过利用复杂的数据分析和实时预测，企业可以优化运营、降低成本并提高竞争力。随着ML技术的不断发展，预计它在制造业中的应用将继续增长，为企业释放进一步的价值和优势。第四部分优化供应链管理关键词关键要点【优化库存管理】：

1.预测需求：机器学习算法利用历史数据和实时信息，预测未来需求，优化安全库存水平，减少库存过多或过少的情况。

2.自动补货：基于预测的需求和库存水平，机器学习系统可以自动触发补货订单，确保及时补充库存，避免生产中断。

3.提高库存可视性：机器学习通过实时监控库存数据，提供对库存水平、周转率和库存成本的准确洞察，提高决策制定效率。

【优化生产计划】：

优化供应链管理

机器学习(ML)在预测分析中发挥着至关重要的作用，为制造业提供了优化供应链管理的新途径。通过分析历史数据和识别模式，ML算法可以预测需求、优化库存水平和改善配送网络。

需求预测

需求预测对于供应链管理至关重要，因为它使制造商能够满足客户需求，同时避免过量生产或库存不足。传统的预测方法通常依赖线性回归或时间序列分析。然而，ML算法，例如神经网络和支持向量机，可以处理更复杂的数据模式，提高预测的准确性。

通过考虑历史销售数据、季节性因素、促销活动和其他相关变量，ML算法可以生成更有洞察力的需求预测。这些预测有助于制造商优化生产计划、分配资源并确保产品在需要时可用。

库存优化

库存管理对于平衡客户服务水平和持有成本非常重要。ML算法可以分析库存数据，识别需求模式和异常情况，从而优化库存水平。通过利用库存优化模型，制造商可以减少库存成本，提高周转率并减少缺货风险。

例如，ML算法可以根据历史需求和预测需求来预测最优的安全库存水平。它还可以识别导致库存波动或过剩的因素，使制造商能够主动采取措施来缓解这些问题。

配送网络优化

配送网络管理涉及规划和执行原材料、中间产品和成品的运输。传统的配送优化方法通常基于规则和启发式算法。然而，ML算法提供了更先进的方法来优化配送网络，从而降低成本和提高效率。

ML算法可以分析配送数据，识别模式和瓶颈。通过考虑配送时间、成本、容量和服务水平等因素，ML算法可以生成最优的配送计划。这些计划有助于减少运输成本、缩短交货时间并提高客户满意度。

案例研究：汽车制造业

福特汽车公司利用ML优化其全球供应链。该公司部署了一个ML算法，该算法分析来自多个来源的数据，包括销售历史记录、经济指标和社交媒体数据。该算法被用来预测需求、优化库存水平和改进配送网络。

通过使用ML，福特公司能够提高需求预测准确率20%，库存成本降低15%，配送时间缩短10%。这些改进导致了竞争优势、客户满意度的提高和整体运营效率的提升。

结论

ML在制造业预测分析中的应用为优化供应链管理提供了强大的机会。通过利用历史数据和识别模式，ML算法可以生成更准确的需求预测、优化库存水平和改进配送网络。这些改进有助于制造商降低成本、提高效率并增强客户服务。随着ML技术的不断发展，预计它将继续在制造业的供应链管理中发挥越来越重要的作用。第五部分预测设备维护关键词关键要点主题名称：预测性维护的优点

1.提高产量和效率：预测性维护通过提前检测和防止故障，最大限度地减少停机时间，提高生产线效率。

2.降低维护成本：预测性维护识别出故障的早期迹象，使维修工作能够在小问题升级为重大故障之前进行，从而降低维修成本。

3.优化资产寿命：通过监测设备状况，预测性维护可以延长资产寿命，减少更换成本和与资产报废相关的中断。

主题名称：预测性维护的挑战

预测设备维护

预测设备维护是机器学习在制造业预测分析中的关键应用之一。通过分析设备数据，机器学习算法可以预测设备何时出现故障或需要维护，从而能够优化维护计划，最大限度地减少停机时间并提高生产效率。

机器学习在设备维护预测中的作用

机器学习算法使用设备传感器和历史数据中的数据，包括振动、温度、功耗和操作条件。这些数据被用来训练算法，识别设备故障的模式和趋势，并预测未来的故障。

预测维护的类型

机器学习可以用于预测不同类型的设备维护，包括：

*预测性维护：这是预测设备故障的主要类型。算法根据设备数据识别故障迹象，并提前发出警告，以便在故障造成严重问题之前进行维修。

*预防性维护：这种类型的维护基于设备的预期使用寿命和历史维护记录。机器学习算法可以优化预防性维护计划，预测设备在达到使用寿命之前需要维护的最佳时间。

*条件性维护：算法监控设备的实时数据，并根据预定义的阈值发出维护警报。这确保设备在需要时得到维护，同时避免不必要的维护。

机器学习算法在预测维护中的使用

在预测维护中使用最常见的机器学习算法包括：

*回归模型：这些模型用于预测设备故障的时间或其他连续变量。

*分类模型：这些模型用于预测设备是否会出现故障或属于特定的故障类别。

*时间序列模型：这些模型用于分析设备传感器数据的历史模式，以预测未来的故障。

*深度学习模型：这些模型使用神经网络处理大数据集，可以从设备数据中识别复杂模式和故障趋势。

预测设备维护的优势

预测性维护为制造业带来许多优势，包括：

*减少停机时间：预测故障并安排维修，可以最大限度地减少设备停机时间，提高生产效率。

*优化维护成本：预测性维护可以根据设备的实际状况优化维护计划，避免不必要的维护和最大化设备使用寿命。

*延长设备使用寿命：通过预测并解决潜在问题，预测性维护可以延长设备的使用寿命，减少更换成本。

*提高安全性：预测性维护有助于防止灾难性故障，确保工作场所的安全性和员工健康。

预测设备维护的挑战

虽然预测设备维护具有显著优势，但也存在一些挑战：

*数据质量：预测算法的准确性取决于数据质量。制造商需要确保设备传感器产生可靠且准确的数据。

*算法选择：选择合适的机器学习算法对于预测的准确性至关重要。制造商需要考虑设备类型、数据类型和可用性等因素。

*模型部署：将预测模型集成到制造操作中可能是一项复杂的任务。制造商需要制定一个可行的部署计划，以确保预测结果被有效利用。

案例研究

一家大型制造商实施了预测性维护计划，使用机器学习算法分析设备传感器数据。该计划减少了设备停机时间25%，将维护成本削减了18%，并将设备使用寿命延长了10%。

结论

机器学习在预测设备维护中的应用为制造业带来了变革。通过分析设备数据，机器学习算法可以预测故障，优化维护计划，并显著提高生产效率、成本效益和安全性。随着机器学习技术的不断发展，预测设备维护的作用有望继续增长，为制造业创造更大的价值。第六部分提升质量控制关键词关键要点【提升质量控制】：

1.实时质量监控：预测模型使制造商能够实时监测生产过程，并迅速识别和解决质量问题，防止有缺陷的产品流入市场。

2.预测性维护：机器学习算法可以分析机器数据，预测潜在故障，并安排预防性维护，减少停机时间和维护成本。

3.产品改进：机器学习可以帮助制造商通过分析客户反馈、保修数据和生产数据来识别产品缺陷和改进领域，从而提高产品质量和客户满意度。

【缺陷检测】：

提升质量控制

在制造业中，质量控制至关重要，它可以确保产品满足客户要求并符合相关法规。传统上，质量控制涉及手动检查和复杂的流程，但机器学习(ML)技术的出现为提高质量控制提供了一种变革性的方式。

预测性维护

ML算法可以分析传感器数据和历史记录，以识别设备故障的早期迹象。通过预测故障并及时进行维护，制造商可以防止意外停机、减少成本并提高设备整体效率(OEE)。例如，一组研究人员使用ML开发了一个模型，该模型可以预测风力涡轮机故障，准确率超过90%。

产品缺陷检测

ML技术可以用来检测产品缺陷。通过分析图像数据、传感器读数和产品特性，ML算法可以自动识别不合格产品。这可以显著提高检测准确性，减少人工检查的需要，并加快生产流程。例如，一家汽车制造商使用ML来检测汽车车身缺陷，准确率高达99%。

过程监控和优化

ML可以用于监控和优化制造过程。通过分析生产数据，ML算法可以识别趋势、模式和异常值。这有助于制造商优化工艺参数、提高良率、减少浪费并提高整体质量。例如，一家化学工厂使用ML来优化反应条件，从而将产品良率提高了10%。

实时质量监控

ML使实时质量监控成为可能。通过部署在机器和生产线上，ML算法可以连续分析数据并提供有关产品质量和工艺性能的实时反馈。这使制造商能够快速识别问题并采取纠正措施，从而防止生产不良产品。例如，一家制药公司使用ML来实时监控生产线，从而将不合格产品数量减少了50%以上。

好处

采用ML来提升制造业中的质量控制具有许多好处，包括：

*提高检测精度

*减少缺陷产品

*提高生产效率

*降低维护成本

*提高客户满意度

*符合监管要求

挑战

虽然ML为制造业质量控制提供了巨大的机会，但仍面临一些挑战，包括：

*数据收集和准备

*模型开发和部署

*可解释性和可信度

*数据隐私和安全

未来趋势

随着ML技术的不断发展，预计它将在未来几年在制造业质量控制领域发挥越来越重要的作用。一些新兴趋势包括：

*使用增强现实(AR)和虚拟现实(VR)增强ML质量控制应用程序

*将ML与其他技术（例如边缘计算和物联网）相结合，实现更高级别的自动化和连接

*探索使用无监督ML和主动学习来提高ML模型的效率和准确性

结论

ML在制造业质量控制中显示出巨大的潜力，它有望通过预测性维护、产品缺陷检测、过程监控和实时质量监控来变革行业。通过克服挑战并利用新兴趋势，制造商可以利用ML提高产品质量、提高效率并降低成本。第七部分促进生产自动化关键词关键要点协作机器人集成

1.机器学习算法优化协作机器人与人类工人的交互，提高生产效率。

2.集成视觉技术和传感器，使协作机器人能够自主导航和处理复杂任务。

3.通过机器学习算法，协作机器人可以预测人类工人的意图，实现无缝协作。

预测性维护

1.传感器网络和机器学习模型监测设备性能，预测可能故障点。

2.实时数据分析识别异常模式，触发预防性维护措施，防止停机。

3.预测性维护优化生产计划和零件管理，提高设备利用率和降低维修成本。

质量控制自动化

1.机器视觉和深度学习技术取代人工检测，提高质量检查速度和准确性。

2.算法学习产品缺陷模式，实现实时异常检测和分类。

3.自动化质量控制系统提高产品质量，减少返工和浪费。

流程优化

1.机器学习分析生产数据，识别瓶颈和效率低下区域。

2.预测模型优化生产计划，平衡产能，减少等待时间。

3.通过机器学习算法，制造商可以不断改善流程，提高整体生产力。

供应链管理

1.机器学习技术预测需求模式，优化库存管理和供应链规划。

2.算法分析供应商信息和市场趋势，提高供应链透明度。

3.机器学习算法协助制定应急计划，应对供应中断和波动。

个性化生产

1.机器学习模型分析客户偏好和需求数据，实现个性化产品定制。

2.灵活的生产线和机器学习算法协同工作，适应小批量和定制化生产。

3.个性化生产提升客户满意度，增加制造商的竞争优势。促进生产自动化

机器学习在制造业中的一个关键应用是促进生产自动化。通过采用机器学习模型，企业可以自动化各种生产流程，从而提高效率、减少错误并降低运营成本。

质量检查自动化

机器学习可以用于自动执行视觉质量检查任务。通过训练算法识别产品缺陷，企业可以消除人工检查的需要，从而节省时间和金钱。例如，福特汽车公司使用机器学习技术来识别涂漆中的缺陷，从而提高了质量控制效率。

预测性维护

机器学习算法可以分析传感数据以预测机械故障。通过及早发现潜在问题，企业可以计划维护活动，避免意外停机并延长设备寿命。例如，西门子使用机器学习模型来预测风力涡轮机故障，从而减少停机时间并提高能源产出。

机器人与协作机器人

机器学习技术正在推动机器人和协作机器人的发展。通过提供人工智能能力，这些设备可以执行更复杂的任务，例如装配、焊接和材料搬运。例如，通用汽车使用协作机器人来组装汽车，从而提高了准确性和效率。

工艺优化

机器学习算法可以分析生产数据以识别影响生产率的关键因素。通过优化工艺参数，例如机器速度、温度和原材料选择，企业可以提高产量并减少浪费。例如，英特尔使用机器学习模型来优化晶圆制造工艺，从而显著提高了芯片产量。

库存管理

机器学习可以帮助企业预测需求和优化库存水平。通过分析历史数据和外部因素，企业可以制定更准确的预测，从而避免库存过剩或不足。例如，亚马逊使用机器学习算法来预测客户需求，从而提高了供应链效率。

自动化数据收集与分析

机器学习模型需要大数据才能有效工作。机器学习技术可以自动化数据收集和分析过程，为算法提供持续的训练和更新。例如，谷歌开发了CloudAutoML平台，该平台允许企业轻松地构建和部署机器学习模型，而无需数据科学专业知识。

用例

*福特汽车公司使用机器学习来识别涂漆缺陷，将检测时间从3小时减少到15分钟。

*西门子使用机器学习模型来预测风力涡轮机故障，从而将停机时间减少了20%。

*通用汽车使用协作机器人来组装汽车，将装配时间减少了30%。

*英特尔使用机器学习模型来优化晶圆制造工艺，将芯片产量提高了15%。

*亚马逊使用机器学习算法来预测客户需求，从而将库存过剩率降低了25%。

好处

*提高生产率和效率

*减少错误和缺陷

*降低运营成本

*延长设备寿命

*提高产品质量

*优化库存管理第八部分提高整体运营效率关键词关键要点主题名称：预测性维护

1.通过机器学习算法分析传感器数据，预测设备故障的可能性和时间。

2.实时监控设备运行参数，在出现异常情况时触发警报，以便及时采取维护措施。

3.减少非计划停机时间，降低维护成本，提高生产效率。

主题名称：生产优化

利用预测分析提高制造业整体运营效率

预测分析在制造业中发挥着举足轻重的作用，为企业提供提升整体运营效率的宝贵见解。通过利用机器学习算法分析大量历