CN104077633A - 基于瓶颈工序的排产方法 - Google Patents

Abstract

本发明提供的基于瓶颈工序的排产方法，包括长期规划阶段，以第一预设时间段内产品订单的产量最大化作为排产目标，以当前产能作为资源，利用线性规划算法建立数学模型求解预设时间段内的产品订单的瓶颈工序的排产量；如果求解出的瓶颈工序的排产量不能完成产品订单，则需要增加产线；短期排产阶段，以第二预设时间段内产品订单的产量最大化作为排产目标，以当前产能和当前齐套数量作为资源，利用线性规划算法建立数学模型求解每日产品订单的瓶颈工序的排产量；根据求解出的每日产品订单的瓶颈工序的排产量对每日产品订单进行排产。利用上述根据本发明提供的基于瓶颈工序的排产方法，能够快速、精确地对产品订单进行排产，缩短电子产品制造周期。

Description

基于瓶颈工序的排产方法

技术领域

本发明涉及电子产品制造的排产技术领域，更为具体地，涉及一种基于瓶颈工序的排产方法。

背景技术

以人工装配为瓶颈工序的电子产品制造组装，其排产通常为手工排产，而不同的企业有不同的组装规模，对于大的生成规模，组装变量总数在几十万至上百万之间，对于这种规模的组装变量的计算，排产员需要在几分钟之内得到计算结果，因为现场的情况千变万化，计算时间超过半小时，就不实用了，而排产员的手工排产往往耗时长，不能够在短时间内得到计算结构。

对于小的组装规模，虽然排产员能够在短时间内计算出变量，但计算结果只是线性规划算法的一个可行解，而不是线性规划算法的最优解，不能最优化的进行排产。

发明内容

鉴于上述问题，本发明的目的是提供一种基于瓶颈工序的排产方法，以解决手工排产不能够最优化排产的问题。

本发明提供的基于瓶颈工序的排产方法，包括长期规划阶段和短期排产阶段；

长期规划阶段：

以第一预设时间段内的产品订单的产量最大化作为排产的目标，以当前的产能作为资源，利用线性规划算法建立数学模型求解预设时间段内的产品订单的瓶颈工序的排产量；如果求解出的产品订单的瓶颈工序的排产量不能完成产品订单，则需要增加产线满足产品订单的需求，如果求解出的产品订单的瓶颈工序的排产量能够完成产品订单，则不需要增加产线；其中，

在长期规划阶段建立的数学模型中，将第一预设时间段内的产品订单的产量最大化转换为排产的第一目标函数，将当前的产能转换为对第一目标函数的约束条件；

短期排产阶段：

在长期规划阶段内，以第二预设时间段内的产品订单的产量最大化作为排产的目标，以当前的产能和当前的齐套数量作为资源，利用线性规划算法建立数学模型求解每日产品订单的瓶颈工序的排产量；其中，

在短期排产阶段建立的数学模型中，将第二预设时间段内的产品订单的产量最大化转换为排产的第二目标函数；将当前的产能和当前的齐套数量转换为对第二目标函数的约束条件；

根据求解出的每日产品订单的瓶颈工序的排产量对每日产品订单进行排产。

其中，产能为每条产线组装产品订单中的每种型号零件的额定数量。

其中，对第一目标函数的约束条件，包括第一预设时间段内的产品订单的需求量的约束和第一预设时间段内的产品订单的瓶颈工序的产能的约束。

其中，第一预设时间段内的产品订单的需求量的约束为：每条产线组装产品订单中的每种型号零件的数量之和小于等于所述产品订单中的每种型号零件的需求量；第一预设时间段内的产品订单的瓶颈工序的产能的约束为：每条产线在所述预设时间段内组装产品订单中的每种型号零件的数量所需要的天数之和小于等于1。

其中，第一预设时间段以半年度或季度为单位。

其中，对第二目标函数的约束条件包括每日产品订单的需求量的约束；每日产品订单的瓶颈工序的产能的约束；每日产品订单的齐套数量的约束；每日产品订单的设备限制的最大产能的约束；每日产品订单的瓶颈工序的排产量为正整数。

其中，每日产品订单的需求量的约束为：每条产线每日组装所述产品订单中的每种型号零件的数量之和小于等于每日产品订单中的每种型号零件的需求量；每日产品订单的瓶颈工序的产能的约束为：每条产线每日组装所述产品订单中的每种型号零件的数量所需要的天数之和小于等于1；每日产品订单的齐套数量的约束为：每条产线每日组装所述产品订单中的每种型号零件的数量之和小于等于每日产品订单中的每种型号零件的齐套数量；每日产品订单的设备限制的最大产能的约束为：每条产线每日组装所述产品订单中的每种型号零件的数量之和小于等于每日设备的额定组装数量。

其中，第二预设时间段以每月或每周为单位。

利用上述本发明提供的基于瓶颈工序的排产方法，能够将瓶颈工序的排产分为长期规划阶段和近期排产阶段，利用线性规划算法测算长期规划阶段中瓶颈工序的排产量，为瓶颈工序准备充足的产能，再利用线性规划算法算出每日瓶颈工序的排产量，精确地进行排产，由于线性规划算法是通过计算机硬件来实现的，所以能够进行快速地进行排产，缩短电子产品制造周期。

为了实现上述以及相关目的，本发明的一个或多个方面包括后面将详细说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而，这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外，本发明旨在包括所有这些方面以及它们的等同物。

附图说明

通过参考以下结合附图的说明及权利要求书的内容，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：

图1为根据本发明实施例的基于瓶颈工序的排产方法的流程示意图；

图2为根据本发明实施例的利用线性规划算法对长期规划阶段建立数学模型的示意图；

图3为根据本发明实施例的利用线性规划算法对短期排产阶段建立数学模型的示意图；

图4为根据本发明实施例的非瓶颈工序的排产示意图。

在所有附图中相同的标号指示相似或相应的特征或功能。

具体实施方式

在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。在其它例子中，为了便于描述一个或多个实施例，公知的结构和设备以方框图的形式示出。

以下将结合附图对本发明的具体实施例进行详细描述。

图1示出了根据本发明实施例的基于瓶颈工序的排产方法的流程。

如图1所示，本发明提供的基于瓶颈工序的排产方法，包括长期规划阶段和短期排产阶段。

其中，长期规划阶段包括如下步骤：

步骤S101：以第一预设时间段内的产品订单的产量最大化作为排产的目标，以当前的产能作为资源，利用线性规划算法建立数学模型求解预设时间段内的产品订单的瓶颈工序的排产量；如果求解出的产品订单的瓶颈工序的排产量不能完成产品订单，则需要增加产线满足产品订单的需求，如果求解出的产品订单的瓶颈工序的排产量能够完成产品订单，则不需要增加产线。

步骤S102：在长期规划阶段建立的数学模型中，将第一预设时间段内的产品订单的产量最大化转换为排产的第一目标函数，将当前的产能转换为对第一目标函数的约束条件。

短期排产阶段包括如下步骤：

步骤S103：在长期规划阶段内，以第二预设时间段内的产品订单的产量最大化作为排产的目标，以当前的产能和当前的齐套数量作为资源，利用线性规划算法建立数学模型求解每日产品订单的瓶颈工序的排产量。

步骤S104：在短期排产阶段建立的数学模型中，将第二预设时间段内的产品订单的产量最大化转换为排产的第二目标函数；将当前的产能和当前的齐套数量转换为对第二目标函数的约束条件。

步骤S105：根据求解出的每日产品订单的瓶颈工序的排产量对每日产品订单进行排产。

需要说明的是，产品订单中包括多个型号的零件，多个型号的零件组装成产品，这些零件由多条产线组装制造，每条产线可以组装不同型号的零件，产能为每条产线组装每种型号零件的额定数量，例如，每条产线组装A、B种型号的零件，A型号的零件最多组装20个，B型号的零件最多组装30个，则A型号零件的产能为20，B型号零件的产能为30。

产品订单的需求量是指产品订单中每种型号零件的需求量。

产品订单的齐套数量是指给定的零件的数量，由这些零件能够组装成一定数量的产品。

每日产品订单的设备限制的最大产能是指辅助设备所能支持每日组装零件的最多数量。

瓶颈工序的排产量是指每条产线组装每种型号零件的数量。

设备限制的最大产能是指辅助设备所能支持生产每种类型零件的最多数量。

由于长期规划阶段内的产品订单具有不确定性，产品订单会随时变化，不适合做精确、全部工序的排产，因此，本发明实施例提供的基于瓶颈工序的排产方法对长期规划阶段内的瓶颈工序进行建模，求解出瓶颈工序的排产量，为瓶颈工序准备充足且不多余的产能，在长期规划阶段内，由于一个月或一周的产品订单不会有太大变化，因此，可以对一个月或一周的产品订单进行精确地排产。

为了更直观、详细地说明本发明实施例提供的基于瓶颈工序的排产方法，下面将以两个具体实施例对长期规划阶段和短期排产阶段进行说明。

实施例一

利用线性规划算法对长期规划阶段建立数学模型，图2示出了根据本发明实施例的利用线性规划算法对长期规划阶段建立的数学模型，如图2所示，第一部分为瓶颈工序的排产量，在图2中包括四条产线分别为A01、A05、A07、A08，产线A01组装A、C两种型号的零件，产线A05组装B、W、C、T四种型号的零件，产线A07组装A、B、W、C、D五种型号的零件，产线A08组装A、T两种型号的零件，下面以A、B、C、D四种型号的零件为例进行说明，其它型号的零件同理。

图2中第二部分为产品订单的需求量，即为产品订单中每种型号零件在预设时间段内需要组装的数量，例如A型号零件需要组装130个，B型号零件需要组装65个，C型号零件需要组装122个，D型号零件需要组装100个，上述预设时间段是以月份为单位，通常采用半年或一个季度作为预设时间段，第二部分中的产能表示A型号零件最多组装85个，B型号零件最多组装60个，C型号零件最多组装111个，D型号零件最多组装69个。

图2中第三部分为采用线性规划算法建立的数学模型，以每条产线组装每种型号零件的数量为变量(参看图2中第一部分)，以每日产品订单的产量最大化作为排产的目标函数；

对目标函数增加约束条件，约束条件包括：

预设时间段内的产品订单的需求量的约束；

预设时间段内的产品订单的瓶颈工序的产能的约束。

具体地，产线A01组装C型号零件的数量为X1，产线A01组装A型号零件的数量为X2；产线A05组装B型号零件的数量为X3，产线A05组装B型号零件的数量为X3，产线A05组装C型号零件的数量为X5，产线A07组装A型号零件的数量为X8，产线A07组装B型号零件的数量为X9，产线A07组装C型号零件的数量为X11，产线A07组装D型号零件的数量为X12；产线A08组装A型号零件的数量为X14。

以产品订单的产量最大化作为排产的目标函数为：MAX＝X2+X8+X14+X3+X9+X1+X5+X11+X12。

预设时间段内的产品订单的需求量的约束为每条产线组装产品订单中的每种型号零件的数量之和小于等于所述产品订单中的每种型号零件的需求量，即：

A型号零件：X2+X8+X14≤130

B型号零件：X3+X9≤65

C型号零件：X1+X5+X11≤122

D型号零件：X12≤100；

预设时间段内的产品订单的瓶颈工序的产能的约束为每条产线在预设时间段内组装产品订单中的每种型号零件的数量所需要的天数之和小于等于1，即：

产线A01：X1/111+X2/85≤1；

产线A05：X3/65+X4/90+X5/122+X6/166≤1

产线A107：X8/85+X11/111+X9/65+X12/69+X10/90≤1

产线A108：X14/85+X15/80≤1。

根据上述目标函数和目标函数的约束对变量求最优解，求解出的最优解就是瓶颈工序的排产量，如果瓶颈工序的排产量不能完成订单，则需要增加产线来满足订单的需求，且增加的产线要保证既能满足订单，又不能形成闲置，因此，根据瓶颈工序的排产量可以为瓶颈工序准备充足的产能。

实施例二

由于一个月月或一周的订单不会有很大变化，可以作为精确的、全部工序排产的依据，利用线性规划算法对短期排产阶段建立数学模型，图3示出了根据本发明实施例的利用线性规划算法对短期排产阶段的建立数学模型，如图3所示，第一部分为每日产品订单的瓶颈工序的排产量，在图3中包括四条产线分别为A01、A05、A07、A08，产线A01组装A、C两种型号的零件，产线A05组装B、W、C、T四种型号的零件，产线A07组装A、B、W、C、D五种型号的零件，产线A08组装A、T两种型号的零件，下面以A、B、C、D四种型号的零件为例进行说明，其它型号的零件同理。

图3中第二部分为产品订单的需求量，即为产品订单中每种型号零件每日需要组装的数量，例如A型号零件周一需要组装130个，A型号零件周二需要组装0个，B型号零件周一需要组装65个，B型号零件周二需要组装100个，C型号零件周一需要组装0个，C型号零件周二需要组装122个，D型号零件周一需要组装100个，D型号零件周二需要组装100个，以此类推，不一一列举，第二部分中的产能表示A型号零件每日最多组装85个，B型号零件每日最多组装60个，C型号零件每日最多组装111个，D型号零件每日最多组装69个。

A型号零件周一齐套数量表示A型号零件周一会有100个，周二会有0个，其它型号零件以此类推。

图3中第三部分为采用线性规划算法建立的数学模型，以每条产线每日组装每种型号零件的数量为变量(参看图3中第一部分)，一个月或一周的产品订单的产量最大化作为排产的目标函数；

对目标函数增加约束条件，约束条件包括：

每日产品订单的需求量的约束；

每日产品订单的瓶颈工序的产能的约束；

每日产品订单的齐套数量的约束；

每日产品订单的设备限制的最大产能的约束；

每日产品订单的瓶颈工序的排产量为正整数。

具体地，产线A01周一组装C型号零件的数量为X1，产线A01周二组装C型号零件的数量为XB1，产线A01周一组装A型号零件的数量为X2；产线A01周二组装A型号零件的数量为XB2；产线A05周一组装B型号零件的数量为X3，产线A05周二组装B型号零件的数量为XB3；产线A05周一组装C型号零件的数量为X5，产线A05周二组装C型号零件的数量为XB5；产线A07周一组装A型号零件的数量为X8，产线A07周二组装A型号零件的数量为XB8；产线A07周一组装B型号零件的数量为X9，产线A07周二组装B型号零件的数量为XB9；产线A07周一组装C型号零件的数量为X11，产线A07周二组装C型号零件的数量为XB11；产线A07周一组装D型号零件的数量为X12，产线A07周二组装D型号零件的数量为XB12；产线A08周一组装A型号零件的数量为X14，产线A08周二组装A型号零件的数量为XB14，以此类推，可以获知一周或一个月的每种型号零件的数量，下面涉及周一和周二也代表一个月或一周。

以一个月或一周的产品订单的产量最大化作为排产的目标函数，即：MAX＝X2+X8+X14+X3+X9+X1+X5+X11+X12+XB2+XB8+XB14+XB3+XB9+XB1+XB5+XB11+XB12。

每日产品订单的需求量的约束为每条产线每日组装产品订单中的每种型号零件的数量之和小于等于每日产品订单中的每种型号零件的需求量，即：

A型号零件：X2+X8+X14≤130；X2+X8+X14+XB2+XB8+XB14≤130+0；

B型号零件：X3+X9≤65；X3+X9+XB3+XB9≤65+100；

C型号零件：X1+X5+X11≤0；X1+X5+X11+XB1+XB5+XB11≤0+122

D型号零件：X12≤100；X12+XB12≤100+100。

每日产品订单的瓶颈工序的产能的约束为每条产线每日组装产品订单中的每种型号零件的数量所需要的天数之和小于等于1，即：

产线A01：X1/111+X2/85≤1；

         XB1/111+XB2/85≤1；

产线A05：X3/65+X4/90+X5/122+X6/166≤1；

         XB3/65+XB4/90+XB5/122+XB6/166≤1；

产线A107：X8/85+X11/111+X9/65+X12/69+X10/90≤1；

          XB8/85+XB11/111+XB9/65+XB12/69+XB10/90≤1；

产线A108：X14/85+X15/80≤1；

          XB14/85+XB15/80≤1。

每日产品订单的齐套数量的约束为每条产线每日组装产品订单中的每种型号零件的数量之和小于等于每日产品订单中的每种型号零件的齐套数量，即：

A型号零件：X2+X8+X14≤100；X2+X8+X14+XB2+XB8+XB14≤100+0；

B型号零件：X3+X9≤50；X3+X9+XB3+XB9≤50+80；

C型号零件：X1+X5+X11≤0；X1+X5+X11+XB1+XB5+XB11≤0+60

D型号零件：X12≤130；X12+XB12≤130+0。

每日产品订单的设备限制的最大产能的约束为每条产线每日组装产品订单中的每种型号零件的数量之和小于等于每日设备的额定组装数量，即：

A型号零件：X2+X8+X14≤80；XB2+XB8+XB14≤80；

B型号零件：X3+X9≤100；XB3+XB9≤100；

C型号零件：X1+X5+X11≤130；XB1+XB5+XB11≤130

D型号零件：X12≤50；XB12≤50。

根据上述目标函数和目标函数的约束对变量求最优解，求解出的最优解就是每日产品订单的瓶颈工序的排产量，根据计算出的每日产品订单的瓶颈工序的排产量对每日订单进行排产。

上述内容详细地描述了本发明实施例提供的基于瓶颈工序的排产方法，现场的任何变化(订单或约束)都可以触发重新排产，经过计算后重新下达排产任务。与手工排产相比，基于瓶颈工序的排产更具有全局性，充分利用了各个工序的资源，有助于缩短制造周期，并且，手工排产只是线性规划算法的一个可行解，可行解数量众多，而本发明实施例提供的基于瓶颈工序的排产方法能够从中找出最优解，或者较好的次优解，以更好的进行排产。

图4示出了本发明实施例的非瓶颈工序的排产方法，如图4所示，而对于非瓶颈工序的排产，以瓶颈工序的排产结果为起点，其后的工序向后依次排产；前边的工序向前(倒序)依次排产。因为瓶颈工序的产能最小，所以非瓶颈工序的产能一定能满足负荷，如果不能满足，则考虑更换瓶颈工序为最小产能的工序。

如上参照附图以示例的方式描述了根据本发明提出的基于瓶颈工序的排产方法。但是，本领域技术人员应当理解，对于上述本发明所提出的基于瓶颈工序的排产方法，还可以在不脱离本发明内容的基础上对其中的实现细节做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。

Claims (8)

1.一种基于瓶颈工序的排产方法，包括长期规划阶段和短期排产阶段；

所述长期规划阶段：

以第一预设时间段内的产品订单的产量最大化作为排产的目标，以当前的产能作为资源，利用线性规划算法建立数学模型求解所述预设时间段内的产品订单的瓶颈工序的排产量；如果求解出的产品订单的瓶颈工序的排产量不能完成产品订单，则需要增加产线满足产品订单的需求，如果求解出的产品订单的瓶颈工序的排产量能够完成产品订单，则不需要增加产线；其中，

在所述长期规划阶段建立的所述数学模型中，将所述第一预设时间段内的产品订单的产量最大化转换为排产的第一目标函数，将当前的产能转换为对所述第一目标函数的约束条件；

所述短期排产阶段：

在所述长期规划阶段内，以第二预设时间段内的产品订单的产量最大化作为排产的目标，以当前的产能和当前的齐套数量作为资源，利用线性规划算法建立数学模型求解每日产品订单的瓶颈工序的排产量；其中，

在所述短期排产阶段建立的数学模型中，将所述第二预设时间段内的产品订单的产量最大化转换为排产的第二目标函数；将当前的产能和当前的齐套数量转换为对所述第二目标函数的约束条件；

根据求解出的每日产品订单的瓶颈工序的排产量对每日产品订单进行排产。

2.如权利要求1所述的基于瓶颈工序的排产方法，其中，

所述产能为每条产线组装所述产品订单中的每种型号零件的额定数量。

3.如权利要求2所述的基于瓶颈工序的排产方法，其中，

对所述第一目标函数的约束条件，包括：

所述第一预设时间段内的产品订单的需求量的约束；

所述第一预设时间段内的产品订单的瓶颈工序的产能的约束。

4.如权利要求3所述的基于瓶颈工序的排产方法，其中，

所述第一预设时间段内的产品订单的需求量的约束为：每条产线组装所述产品订单中的每种型号零件的数量之和小于等于所述产品订单中的每种型号零件的需求量；

所述第一预设时间段内的产品订单的瓶颈工序的产能的约束为：每条产线在所述预设时间段内组装所述产品订单中的每种型号零件的数量所需要的天数之和小于等于1。

5.如权利要求1～4中任一项所述的基于瓶颈工序的排产方法，其中，

所述第一预设时间段以半年度或季度为单位。

6.如权利要求1所述的基于瓶颈工序的排产方法，其中，

对所述第二目标函数的约束条件包括：

每日产品订单的需求量的约束；

每日产品订单的瓶颈工序的产能的约束；

每日产品订单的齐套数量的约束；

每日产品订单的设备限制的最大产能的约束；

每日产品订单的瓶颈工序的排产量为正整数。

7.如权利要求6所述的基于瓶颈工序的排产方法，其中，

每日产品订单的需求量的约束为：每条产线每日组装所述产品订单中的每种型号零件的数量之和小于等于每日产品订单中的每种型号零件的需求量；

每日产品订单的瓶颈工序的产能的约束为：每条产线每日组装所述产品订单中的每种型号零件的数量所需要的天数之和小于等于1；

每日产品订单的齐套数量的约束为：每条产线每日组装所述产品订单中的每种型号零件的数量之和小于等于每日产品订单中的每种型号零件的齐套数量；

每日产品订单的设备限制的最大产能的约束为：每条产线每日组装所述产品订单中的每种型号零件的数量之和小于等于每日设备的额定组装数量。

8.如权利要求7所述的基于瓶颈工序的排产方法，其中，

所述第二预设时间段以每月或每周为单位。