CN101303749A - 面向客户需求的车间作业调度方法 - Google Patents

Abstract

一种自动控制与信息技术领域的面向客户需求的车间作业调度方法，步骤为：第一步，客户通过验证模块获得许可信息，将需求信息经过浏览器传输至代理服务器中，代理服务器将接收到的客户需求信息整理形成车间作业任务清单，并传至调度决策模块，调度决策模块启动基于二阶优化遗传算法的调度流程。第二步，基于二阶优化遗传算法的调度流程，对车间作业任务进行排序，并获得适应度值最高的个体；第三步，结果输出通过对适应度值最高的个体进行解码，形成甘特图，为客户提供相应的提货时间信息，为车间管理人员提供执行任务的具体安排。本发明能够有效的进行车间作业调度过程，实现车间作业调度的自动化。

Description

面向客户需求的车间作业调度方法

技术领域

本发明涉及的是一种信息处理技术领域的的方法，具体地说，涉及一种面向客户需求的车间作业调度方法。

背景技术

车间作业调度的主要任务是通过接收生产任务信息，根据企业车间内的资源利用情况，合理安排生产任务至各条生产线。利用有效的车间作业调度方法，可以达到提高车间设备利用率、降低生产成本、减少库存等目的。目前，一般的中小型企业中车间作业调度是由有经验的调度工程师根据经验，采用手工方式进行生产调度，指导车间生产作业任务的分配与安排。针对车间作业调度问题，一些先进的大型软件公司如SAP、I2等已经取得了较大的进展，通过在某些大型跨国企业进行应用，给企业带来了极大的便利。

经对现有技术的文献检索发现，R VERMA在《Omega》(国际管理科学杂志)(1996年)189-200页上发表的“Management science，theory of constraints/optimized production technology and local optimization”(管理科学，约束/优化理论生产技术与局部优化)提出了约束理论，其中指出瓶颈是制约车间制造朝着目标前进的主要因素，瓶颈决定了整个车间设备使用的性能，该思想可以保证从全局优化的角度来简化大规模复杂调度问题。约束理论实现的基本框架是：辨识系统瓶颈；充分利用系统瓶颈；调动其它相关因素支持上述决策；提高系统瓶颈的能力；如果前面步骤中瓶颈发生移动，则返回至第一步，进行新一轮的瓶颈处理。约束理论给出了一套处理车间作业调度的方法。在这些方法中瓶颈是与产能挂钩的，它是通过生产线上长时间运行中的某些参数(如机器利用率，机器前平均队列长度和等待时间等)来确定瓶颈的。这里瓶颈的意味多是规划层面的，也就是说给定某一产品的工艺流程，可以定出该生产线上的瓶颈，由瓶颈机上的能力来定生产线的加工能力(产出量)，确定瓶颈机上工件的加工顺序，以及产品的投放时间，而非瓶颈上的工件按简单的规则如“先来先处理”进行加工，该方法适用于产品类型较少，需求量较大的订单情况。该方法只需要确定瓶颈机上各操作的开工时间和产品的投放时间。它在处理其他机器上的操作安排过于简单。

在实际企业的车间作业调度管理中，每个企业都根据其实际情况制定相应的决策方案，车间作业调度是制造系统运行的基础，有统计资料表明，制造过程95％的时间消耗在非切削过程中，因此制造过程中的车间作业调度方法将在很大程度上影响制造的成本和效益。

发明内容

本发明的目的的克服现有技术的不足，提供一种面向客户需求的车间作业调度方法，通过采用高效优化的车间调度方法能够改变传统的手工调度方式，显著提高客户准时交货率，降低库存及成本等。

本发明是通过以下技术方案实现的，本发明所提出的面向客户需求的车间作业调度方法，对生产任务形成流程、调度流程信息进行处理和调度结果输出流程，具体包括如下步骤：：

①客户通过验证模块获得许可信息，将需求信息经浏览器传输至代理服务器中，每个客户的需求信息形成一份订单。

②车间作业任务清单生成。代理服务器每天定时在工作结束时间，根据订单品种、规格、数量因素进行同类项归并，最后得出车间作业任务清单。

③产能检查。首先，代理服务器对车间作业任务清单进行评估，根据单件生产所需时间，计算生产所需时间，确定生产设备产能的需求量和调度的时间范围，并要求代理服务器暂不接收交货期在此时间范围内的订单；然后，代理服务器将车间作业任务清单传送至调度决策模块，调度决策模块启动基于二阶优化遗传算法的调度流程。

④调度决策模块获得车间作业任务清单，采用锯齿型二维编码，将车间作业任务进行随机排列，产生染色体即可能的加工顺序，形成初始化染色体种群，初始种群中的个体以设定的选择概率通过选择操作，对种群中的个体采用交叉变异的方式进行进化；

所述锯齿型二维编码，其二维数组中，第一维表示制造单元，第二维表示各制造单元中生产任务的排序，且每个制造单元中生产任务的安排数量不相同。

所述的通过随机方式产生染色体，产生的染色体数量由生产任务的总数量的范围确定，当生产任务的总数量小于100时，染色体数量设置为100；当生产任务的总数量大于100时，染色体数量设置为500。

通过选择操作，适应度高的染色体个体将被保留下来，而适应度低的个体被抛弃。

所述选择概率设为0.5，也就是选择一半数量优异的染色体个体，淘汰一半数量差的染色体个体。

设定交叉概率为0.8，并以所述交叉概率对选择的父代中的两个个体交换一个或多个位的值进行交叉操作；设定变异概率为0.15，并以所述变异概率选择染色体，通过变异自己的某个位的值来产生新的后代。通过交叉变异操作大大提高了生成优良个体的几率，从而提高整个种群的质量。

⑤通过二阶优化评价公式计算适应度值：建立车间管理层和作业执行层的两层评价函数，其中下层作业执行层以每个制造单元中订单任务的提前/拖期时间最小为目标，建立下层评价函数；车间管理层以完成作业任务所需总体成本最小为目标，上层评价函数利用下层评价函数给定的信息，把下层决策的较优值反馈至上层，上层再根据下层最优值做出符合全局利益的决策。

下层车间执行层中，每个制造单元要求生产作业任务的提前/拖期时间最小，建立评价函数如下：

$\min Y_i=|T_{\mathrm{start}}^i+t_s{O}_i^s-D_i|$ 式1

其中，S表示产品的类型，i为订单编号，m为设备编号，O_n ^s表示第n个订单需求产品s的数量；D_i订单的交货期；λ_i为订单的提前/拖期完成的惩罚系数，T_start ⁱ订单的开始生产时间；C_s ^m为产品在设备上进行生产的单位成本，

车间作业调度的优化评价，车间管理层的目标为控制使成本最低，其中成本包括装配生产成本、订单提前完成所引起的库存成本和订单未按时完成所引起的拖期成本。二阶优化中上层评价函数为：

$\min Z=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(C_s^m{O}_i^s+{\mathrm{\λ}}_i{Y}_i)$ 式2

个体的适应度值即为F＝Z。

⑥终止判定

通过设定最大进化代数作为终止的判据，若没有达到预先设定的迭代次数，则重复上述④至⑤的过程。

迭代终止后，适应度值最优的个体保留至调度决策模块。

⑦解码形成甘特图：调度决策模块通过对个体的锯齿型二维数组进行任务安排，将数组中每一行的任务列表依次分配至相应行序号的生产线中，形成甘特图。

⑧甘特图局部调整：根据甘特图显示的调度结果，对作业任务调度结果中不足的地方进行局部调整，通过调整过程，解决实际生产中的作业任务有效调度问题。

⑨作业任务调度结果输出：客户或车间管理人员通过验证模块获得许可信息，将查询要求经浏览器发送至代理服务器查询调度结果，客户可获得提货时间信息，车间管理人员可获得生产作业任务的安排列表，按照作业任务安排列表的内容进行任务执行。

本发明通过生产任务录入、调度流程信息进行处理、调度结果输出，实现了车间作业调度过程的自动化与优化。调度决策中考虑车间不同层次的需求，建立了二阶优化的评价函数，上层统筹考虑车间管理层成本最小，下层则在满足车间层设备能力和资源配置约束的基础上，以最小提前/拖期时间为目标，解决了车间管理层和制造单元执行层之间成本和能力利用平衡的问题，具有重要的现实意义。本发明可用于国内中小型企业中，提高车间作业调度的自动化水平。

附图说明

图1为本发明方法流程图

图2为车间作业调度结果甘特图

具体实施方式

下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本实施例具体步骤如下：

①客户通过验证模块获得许可信息，将需求信息经浏览器传输至代理服务器中，每个客户的需求信息形成一份订单。

②车间作业任务清单生成：代理服务器每天定时在工作结束时间，根据订单品种、规格、数量因素进行同类项归并，最后得出车间作业任务清单如表1。

③产能检查。首先，代理服务器对表1所示车间作业任务清单进行评估，确定生产设备产能的需求量约为25天，因此确定调度的时间范围为调度开始时刻至后续25天，代理服务器暂不接收此时间范围内要求交货的订单；之后，代理服务器将车间作业任务清单传送至调度决策模块，调度决策模块启动基于二阶优化遗传算法的调度流程。

表1  作业任务列表

作业编号(N)	A101	A102	A103	A104	A105	A106	A107	A108	A109	A110	A111
												产品类型(S)	P	Q	V	Q	P	D	Q	V	Q	P	D
需求数量(On s)	200	100	260	120	450	350	200	100	500	260	480
												交货期(Dn)	4	3	6	5	7	2	4	5	6	3	2
提前/拖期惩罚系数	0.54	0.47	0.62	0.37	0.12	0.42	0.12	0.45	0.15	0.35	0.67

调度决策模块对调度流程信息进行处理，并获得适应度值最高的个体。

④采用锯齿型二维编码方式，产生包含100条染色体的初始种群。染色体个体即为第一维度为5(制造单元个数)的锯齿型二维数组，举例说明一条染色体的格式，可为{{A101，A102，A103}{A104}{A105}{A106，A107，A108}{A109，A110，A111}}，对个体进行选择。然后对个体进行交叉、变异操作。

⑤按照公式式1和式2计算种群中染色体个体的适应度值，计算得到数据赋给每条染色体。按照企业标准，各产品加工成本如表2所示，各产品单件加工时间如表3所示。

表2  产品单位消耗成本C_s ^m(单元元/小时)

	制造单元01	制造单元02	制造单元03	制造单元04	制造单元05
						P	22.5	25	20	/	21
Q	20	19	/	21.5	22
						V	25	28	/	/	21
D	18	17	19	24	22

表3不同类型的产品单件加工时间信息表

产品类型	P	Q	V	D
					单件生产所需时间(单位/min)	20	15	18	26

⑥判断迭代次数是否到达100，如判断为“是”则重复迭代，如判断为“否”则结束算法；

根据适应度值比较，得到的种群个体中的最优个体。经过以上具体实时步骤后，最优个体即为二维数组{{A108，A111}，{A109，A105}，{A103，A102，A110}，{A101}，{A107，A104，A106}}，成本最优值为7.78万。该个体保留至调度决策模块。

⑦调度决策模块将适应度最高的个体的锯齿型二维数组为{{A108，A111}，{A109，A105}，{A103，A102，A110}，{A101}，{A107，A104，A106}}，转化为甘特图，如图2所示，{A108，A111}在编号为1的生产线进行生产，{A109，A105}在编号为2的生产线进行生产，{A103，A102，A110}在编号为3的生产线进行生产，{A101}在编号为4的生产线进行生产，{A107，A104，A106}在编号为5的生产线进行生产。

⑧甘特图中结果如有不足，可进行局部调整，形成有效的调度方案。

⑨作业任务调度结果输出。客户或车间管理人员通过验证模块获得许可信息，将查询要求经浏览器发送至代理服务器，客户可获得提货时间信息，车间管理人员可获得生产作业任务的安排列表，按照作业任务安排列表的内容进行产能分配和物料进货安排。

采用这样的方法进行车间生产任务的分配过程，可以及时的向客户给予所需要的提货时间信息。具体来讲，可以取得以下的效果：客户通过浏览器可以提出需求，传输至代理服务器，然后在调度决策模块中采用二阶优化遗传算法进行作业任务调度，实现了车间中作业调度过程的自动化，同时，通过这一过程，可让客户及时获得提货时间，有利于企业与客户信息的实时沟通。

Claims (5)

1、一种面向客户需求的车间作业调度方法，其特征在于，包括如下步骤：

①客户通过验证模块获得许可信息，将需求信息经浏览器传输至代理服务器中，每个客户的需求信息形成一份订单；

②车间作业任务清单生成：代理服务器每天定时在工作结束时间，根据订单品种、规格、数量因素进行同类项归并，最后得出车间作业任务清单；

③产能检查：首先，代理服务器对车间作业任务清单进行评估，根据单件生产所需时间，计算生产所需时间，确定生产设备产能的需求量和调度的时间范围，并要求代理服务器暂不接收交货期在此时间范围内的订单，然后，代理服务器将车间作业任务清单传送至调度决策模块，调度决策模块启动基于二阶优化遗传算法的调度流程；

④调度决策模块获得车间作业任务清单，采用锯齿型二维编码，将车间作业任务进行随机排列，产生染色体即可能的加工顺序，形成初始化染色体种群，初始种群中的个体以设定的选择概率通过选择操作，对种群中的个体采用交叉变异的方式进行进化；

⑤通过二阶优化评价公式计算适应度值：建立车间管理层和作业执行层的两层评价函数，其中下层作业执行层以每个制造单元中订单任务的提前/拖期时间最小为目标，建立下层评价函数；车间管理层以完成作业任务所需总体成本最小为目标，上层评价函数利用下层评价函数给定的信息，把下层决策的较优值反馈至上层，上层再根据下层最优值做出符合全局利益的决策；

下层车间执行层中，评价函数如下：

$\min Y_i=|T_{\mathrm{start}}^i+t_s{O}_i^s-D_i|$

其中，S表示产品的类型，i为订单编号，m为设备编号，Q_n ^s表示第n个订单需求产品s的数量，D_i订单的交货期，λ_i为订单的提前/拖期完成的惩罚系数，T_start ⁱ订单的开始生产时间，C_s ^m为产品在设备上进行生产的单位成本；

二阶优化中上层评价函数为：

$\min Z=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}(C_s^m{O}_i^s+{\mathrm{\λ}}_i{Y}_i)$

个体的适应度值即为F＝Z；

⑥终止判定：通过设定最大进化代数作为终止的判据，若没有达到预先设定的迭代次数，则重复上述④至⑤的过程，迭代终止后，适应度值最优的个体保留至调度决策模块；

⑦解码形成甘特图：调度决策模块通过对个体的锯齿型二维数组进行任务安排，将数组中每一行的任务列表依次分配至相应行序号的生产线中，形成甘特图；

⑧甘特图局部调整：根据甘特图显示的调度结果，对作业任务调度结果中不足的地方进行局部调整；

⑨作业任务调度结果输出：客户或车间管理人员通过验证模块获得许可信息，将查询要求经浏览器发送至代理服务器，客户可获得提货时间信息，车间管理人员可获得生产作业任务的安排列表，按照作业任务安排列表的内容进行产能分配和物料进货安排。

2、根据权利要求1所述的面向客户需求的车间作业调度方法，其特征是，所述锯齿型二维编码，其二维数组中，第一维表示制造单元，第二维表示各制造单元中生产任务的排序，且每个制造单元中生产任务的安排数量不相同。

3、根据权利要求1所述的面向客户需求的车间作业调度方法，其特征是，所述的产生染色体，其数量由生产任务的总数量的范围确定，当生产任务的总数量小于100时，染色体数量设置为100；当生产任务的总数量大于100时，染色体数量设置为500。

4、根据权利要求1所述的面向客户需求的车间作业调度方法，其特征是，所述选择概率设为0.5。

5、根据权利要求1所述的面向客户需求的车间作业调度方法，其特征是，所述对种群中的个体采用交叉变异的方式进行进化，是指：设定交叉概率为0.8，并以所述交叉概率对选择的父代中的两个个体交换一个或多个位的值进行交叉操作；设定变异概率为0.15，并以所述变异概率选择染色体，通过变异自己的某个位的值来产生新的后代。

Images