CN108256778B - 一种基于机器学习和平行仿真的高级计划与排程方法 - Google Patents

一种基于机器学习和平行仿真的高级计划与排程方法 Download PDF

Info

Publication number
CN108256778B
CN108256778B CN201810092577.8A CN201810092577A CN108256778B CN 108256778 B CN108256778 B CN 108256778B CN 201810092577 A CN201810092577 A CN 201810092577A CN 108256778 B CN108256778 B CN 108256778B
Authority
CN
China
Prior art keywords
scheduling
planning
disturbance
execution
simulation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810092577.8A
Other languages
English (en)
Other versions
CN108256778A (zh
Inventor
林廷宇
李伯虎
肖莹莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Simulation Center
Original Assignee
Beijing Simulation Center
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Simulation Center filed Critical Beijing Simulation Center
Priority to CN201810092577.8A priority Critical patent/CN108256778B/zh
Publication of CN108256778A publication Critical patent/CN108256778A/zh
Application granted granted Critical
Publication of CN108256778B publication Critical patent/CN108256778B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06316—Sequencing of tasks or work
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本申请公开一种基于机器学习和平行仿真高级计划与排程方法：S1发布计划与排程方案到制造执行系统，构建实际执行过程的闭环反馈；S2持续统计扰动出现和影响的规律，改进计划与排程所需的工序和资源的基础数据；S3持续从反馈信息中学习应对各种扰动的人工调整操作及其效果的实际经验；S4对各种扰动的产生进行蒙特卡洛仿真，在平行的数字双胞胎实例中进行计划与排程并模拟执行，优选形成适应性强的计划与排程方案。针对APS系统在实际生产过程中不准确问题，借鉴人工进行生产调度调整优点，将机器学习和平行仿真融入APS技术，更好地适应生产制造系统一个包含人、机、物、环境的复杂系统，使计划与排程方案能够更好地适应实际生产过程。

Description

一种基于机器学习和平行仿真的高级计划与排程方法
技术领域
本发明涉及机器仿真技术领域，特别是一种基于机器学习和平行仿真的高级计划与排程方法。
背景技术
高级计划与排程(Advanced Planning and Scheduling,APS)，是指在考虑企业资源的限制条件的前提下，规划可行的生产作业计划的系统工程。在计划与排程的过程中，APS系统从全局考虑企业内外的资源与能力约束，用复杂的智能化运算法则，从大量的可行方案中选出最优方案来指导企业的生产过程，帮助企业对生产中的资源利用进行计划、执行、分析、优化和决策。APS的应用具有较大的局限性，在实际生产过程中经常会出现很多扰动情况，使得生产执行过程和计划与排程给出的方案有较大的出入。现有的解决方案是基于动态实时生产信息的闭环反馈以及对计划与排程方案进行应急调整，但仍然难以解决APS系统在实际生产过程中经常碰到的不准确问题，很多时候还需要靠人工来进行适应性调整。
现有的APS技术基于动态实时生产信息的闭环反馈以及对计划与排程方案进行应急调整，虽然能够在一定程度上应对各种扰动情况(有任务插队或取消、工序执行超时、任务质量问题返工、设备故障维修等)，矫正在实际生产过程中经常出现的不准确问题，但是某个任务的某道工序在某个资源上的执行出现扰动，不仅会影响该任务的后继工序，还会影响后继被安排在该资源进行生产加工的其它任务的工序，处理不好会使得扰动像雪崩一样传播开来，使得原先的计划与排程方案完全失效。而且生产制造系统是一个包含人、机、物、环境的复杂系统，扰动情况的出现是常态，事后处理、孤立地应对单一扰动经常还是会防不胜防。为什么很多时候还需要靠人工来进行适应性调整，因为人能够从过往出现的情况中获得经验，并能够综合考虑整个系统中可能出现的各种扰动。而这些优势是现有的技术不具备的，也是为什么现在很多的APS系统仍然应用不好的原因。
有鉴于此，提出一种基于机器学习和平行仿真的高级计划与排程方法。
发明内容
本发明的目的在于提供一种基于机器学习和平行仿真的高级计划与排程方法，为达到上述目的，本发明采用下述技术方案：
所述方法包括：
S1.发布计划与排程方案到制造执行系统，构建实际执行过程的闭环反馈；
S2.持续统计扰动出现和影响的规律，改进计划与排程所需的工序和资源的基础数据；
S3.持续从反馈信息中学习应对各种扰动的人工调整操作及其效果的实际经验；
S4.对各种扰动的产生进行蒙特卡洛仿真，在平行的数字双胞胎实例中进行计划与排程并模拟执行，优选形成适应性强的计划与排程方案。
进一步地，所述S1包括：按照一定周期滚动制定计划与排程方案，将计划与排程方案发布到制造执行系统；所述制造执行系统包括人、机、物、环境；所述闭环反馈包括制造执行系统到APS高级计划系统的闭环反馈。
进一步地，所述反馈是指从生产现场采集计划与排程方案的执行情况反馈，对生产现场采集计划与排程方案的执行情况进行收集并生成信息记录；
将各种扰动出现情况下，将人工调整操作及其效果进行收集并生成信息记录。
进一步地，所述执行情况包括：生产现场执行各道工序的完工状况；资源扰动；质量扰动及其影响；
所述生产现场执行各道工序的完工状况包括：完工提前、完工准时、完工延后；
资源扰动包括：资源正常、资源异常、资源维护；
质量扰动包括：质量正常、质量异常返工、报废；
所述影响包括：本任务受影响的后继工序数和其它任务受影响的工序数；
所述人工调整操作包括：延后开工，变更资源；
所述其效果包括本任务受影响的后继工序数和其它任务受影响的工序数变化情况。
进一步地，根据计划与排程方案的执行情况反馈，统计得到不同工序环节和分配给各工序环节不同人、机、物、环境的条件下不同完工时间的概率以及出现资源扰动、质量扰动各种扰动类型的概率，扰动影响大小的概率，扰动传播大小的概率，生成相应的数学分布规律，将计划与排程所需的工序和资源的基础数据由固定数据换成数学分布。
进一步地，包括：对于各个有人参与的工序环节，形成不同人完成该工序的时间分布，将工人表示为i，工人i完工时间服从正态分布N(μi，σi^2)；
对于各个资源，要形成资源异常的随机过程概率分布，将资源表示为j，资源j异常发生过程为强度为λj(t)的非齐次泊松过程。
进一步地，所述S3包括：
S301.针对工序执行快慢、任务质量问题返工、设备故障维修等扰动出现情况，根据计划与排程方案执行情况反馈的人工调整操作及其效果信息记录，持续训练机器学习框架中的神经网络模型；
S302.学习得到各种扰动类型、扰动影响大小情况下，人工进行各种类型调整操作的概率；每种调整操作下扰动传播大小的概率。
进一步地，所述调整操作包括延后开工，变更资源；所述调整操作下扰动包括本任务受影响的后继工序数和其它任务受影响的工序数变化情况。
进一步地，所述S4包括：
S401.针对待计划与排程的生产任务，根据各类扰动的数学分布进行蒙特卡洛仿真，将采样得到的各有人参与环节不同人完工时间作为进行计划与排程的依据；
同时将采样得到的资源在某个时刻出现异常作为计划与排程方案模拟执行过程中的随机性扰动；
S402.在大规模平行的数字双胞胎实例中进行计划与排程并模拟执行，当资源异常事件发生时根据训练得到的神经网络模型进行应急处理；
S403.在所有数字双胞胎实例完成模拟执行后，根据设定的适应性指标优选形成计划与排程方案。
进一步地，所述适应性指标包括最小完工时间、最小调整次数。
本方法针对APS系统在实际生产过程中经常碰到的不准确问题，借鉴人工进行生产调度调整的优点，将机器学习和平行仿真融入APS技术，机器学习能够利用先验知识从过往出现的情况中获得对于扰动出现和处理的经验，平行仿真能够综合考虑整个系统中可能出现的各种扰动，使得APS系统具有一定的认知和洞察能力，支持APS系统能够更好地适应生产制造系统这样一个包含人、机、物、环境的复杂系统，使得计划与排程方案能够更好地适应实际生产过程。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明：
图1为本发明实施步骤示意图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
本实施例提供一种基于机器学习和平行仿真的高级计划与排程方法，
S1.发布计划与排程方案到制造执行系统，构建实际执行过程的闭环反馈；
按照一定周期滚动制定计划与排程方案，将计划与排程方案发布到制造执行系统。
针对生产制造系统这样一个包含人、机、物、环境的复杂系统，建立制造执行系统到APS系统的闭环反馈，从生产现场采集计划与排程方案的执行情况反馈，包括将生产现场执行各道工序的完工状况，包括完工提前、完工准时、完工延后；资源扰动，包括资源正常、资源异常、资源维护；质量扰动，包括质量正常、质量异常返工、报废；及其影响，包括本任务受影响的后继工序数和其它任务受影响的工序数等进行收集并生成信息记录；
将各种扰动出现情况下，人工调整操作(包括延后开工，变更资源及所设定的开工时间等)及其效果(各任务的调整前预计拖期时间和调整后的拖期时间。如果按时完工，拖期时间为零)进行收集并生成信息记录。
S2.持续统计扰动出现和影响的规律，改进计划与排程所需的工序和资源的基础数据
根据计划与排程方案的执行情况反馈，统计得到不同工序环节和分配给各工序环节不同人、机、物、环境的条件下不同完工时间的概率以及出现资源扰动、质量扰动等各种扰动类型的概率，扰动影响大小的概率，扰动传播大小的概率，生成相应的数学分布规律。
将计划与排程所需的工序和资源的基础数据由固定数据换成数学分布。特别是，对于各个有人参与的工序环节，要形成不同人完成该工序的时间分布，工人i完工时间服从正态分布N(μi，σi^2)；
对于各个资源，要形成资源异常的随机过程概率分布，资源j异常发生过程为强度为λj(t)的非齐次泊松过程。
S3.持续从反馈信息中学习应对各种扰动的人工调整操作及其效果的实际经验，建立对扰动进行应急处理的机器学习框架。
针对工序执行快慢、任务质量问题返工、设备故障维修等扰动出现情况，根据计划与排程方案执行情况反馈的人工调整操作及其效果信息记录，持续训练机器学习框架中的神经网络模型，学习得到各种扰动类型、扰动影响大小情况下，人工进行各种类型调整操作包括延后开工，变更资源等的概率，每种调整操作下扰动传播大小的概率，包括本任务受影响的后继工序数和其它任务受影响的工序数变化情况。
S4.对各种扰动的产生进行蒙特卡洛仿真，在平行的数字双胞胎实例中进行计划与排程并模拟执行，优选形成适应性强的计划与排程方案，建立由人、机、物、环境组成的数字双胞胎生产制造系统的平行仿真环境。
S401.针对待计划与排程的生产任务，根据各类扰动的数学分布进行蒙特卡洛仿真，将采样得到的各有人参与环节不同人完工时间作为进行计划与排程的依据；
同时将采样得到的资源在某个时刻出现异常作为计划与排程方案模拟执行过程中的随机性扰动。
S402.在大规模平行的数字双胞胎实例中进行计划与排程并模拟执行，当资源异常事件发生时根据训练得到的神经网络模型进行应急处理。
S403.在所有数字双胞胎实例完成模拟执行后，根据设定的适应性指标(包括最小完工时间、最小调整次数)优选形成计划与排程方案。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (8)

1.一种基于机器学习和平行仿真的高级计划与排程方法，其特征在于，包括：
S1.发布计划与排程方案到制造执行系统，构建实际执行过程的闭环反馈；
S2.持续统计扰动出现和影响的规律，改进计划与排程所需的工序和资源的基础数据；
S3.持续从反馈信息中学习应对各种扰动的人工调整操作及其效果的实际经验；
S4.对各种扰动的产生进行蒙特卡洛仿真，在平行的数字双胞胎实例中进行计划与排程并模拟执行，形成适应性强的计划与排程方案，
其中，所述S3包括：
S301.针对工序执行快慢、任务质量问题返工、设备故障维修的扰动出现情况，根据计划与排程方案执行情况反馈的人工调整操作及其效果信息记录，持续训练机器学习框架中的神经网络模型；
S302.学习得到各种扰动类型、扰动影响大小情况下，人工进行各种类型调整操作的概率；每种调整操作下扰动传播大小的概率，
所述S4包括：
S401.针对待计划与排程的生产任务，根据各类扰动的数学分布进行蒙特卡洛仿真，将采样得到的各有人参与环节不同人完工时间作为进行计划与排程的依据；
同时将采样得到的资源在某个时刻出现异常作为计划与排程方案模拟执行过程中的随机性扰动；
S402.在大规模平行的数字双胞胎实例中进行计划与排程并模拟执行，当资源异常事件发生时根据训练得到的神经网络模型进行应急处理；
S403.在所有数字双胞胎实例完成模拟执行后，根据设定的适应性指标优选形成计划与排程方案。
2.根据权利要求1所述的一种基于机器学习和平行仿真的高级计划与排程方法，其特征在于，所述S1包括：按照一定周期滚动制定计划与排程方案，将计划与排程方案发布到制造执行系统；所述制造执行系统包括人、机、物、环境；所述闭环反馈包括制造执行系统到APS系统的闭环反馈。
3.根据权利要求2所述的一种基于机器学习和平行仿真的高级计划与排程方法，其特征在于，所述反馈是指从生产现场采集计划与排程方案的执行情况反馈，对生产现场采集计划与排程方案的执行情况进行收集并生成信息记录，所述执行情况包括：生产现场执行各道工序的完工状况；资源扰动；质量扰动及其影响；
将各种扰动出现情况下，将人工调整操作及其效果进行收集并生成信息记录。
4.根据权利要求3所述的一种基于机器学习和平行仿真的高级计划与排程方法，其特征在于，所述S2包括：根据计划与排程方案的执行情况，统计得到不同工序环节和分配给各工序环节不同人、机、物、环境的条件下不同完工时间的概率以及出现资源扰动、质量扰动各种扰动类型的概率，扰动影响大小的概率，扰动传播大小的概率，生成相应的数学分布规律，将计划与排程所需的工序和资源的基础数据由固定数据换成数学分布。
5.根据权利要求4所述的一种基于机器学习和平行仿真的高级计划与排程方法，其特征在于，所述生产现场执行各道工序的完工状况包括：完工提前、完工准时、完工延后；
资源扰动包括：资源正常、资源异常、资源维护；
质量扰动包括：质量正常、质量异常返工、报废；
所述影响包括：本任务受影响的后继工序数和其它任务受影响的工序数；
所述人工调整操作包括：延后开工，变更资源及所设定的开工时间；
所述其效果包括各任务的调整前预计拖期时间和调整后的拖期时间,如果按时完工，拖期时间为零。
6.根据权利要求5所述的一种基于机器学习和平行仿真的高级计划与排程方法，其特征在于，包括：
对于各个有人参与的工序环节，形成不同人完成该工序的时间分布，将工人表示为i，工人i完工时间服从正态分布N(μi，σi^2)；
对于各个资源，要形成资源异常的随机过程概率分布，将资源表示为j，资源j异常发生过程为强度为λj(t)的非齐次泊松过程。
7.根据权利要求1所述的一种基于机器学习和平行仿真的高级计划与排程方法，其特征在于，所述调整操作包括延后开工，变更资源；所述调整操作下扰动包括本任务受影响的后继工序数和其它任务受影响的工序数变化情况。
8.根据权利要求1所述的一种基于机器学习和平行仿真的高级计划与排程方法，其特征在于，所述适应性指标包括最小完工时间、最小调整次数。
CN201810092577.8A 2018-01-31 2018-01-31 一种基于机器学习和平行仿真的高级计划与排程方法 Active CN108256778B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810092577.8A CN108256778B (zh) 2018-01-31 2018-01-31 一种基于机器学习和平行仿真的高级计划与排程方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810092577.8A CN108256778B (zh) 2018-01-31 2018-01-31 一种基于机器学习和平行仿真的高级计划与排程方法

Publications (2)

Publication Number Publication Date
CN108256778A CN108256778A (zh) 2018-07-06
CN108256778B true CN108256778B (zh) 2021-09-10

Family

ID=62743156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810092577.8A Active CN108256778B (zh) 2018-01-31 2018-01-31 一种基于机器学习和平行仿真的高级计划与排程方法

Country Status (1)

Country Link
CN (1) CN108256778B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146294B (zh) * 2018-08-28 2022-04-08 武汉易普优科技有限公司 一种用于电网设备运检计划的自动排程方法
CN109388116B (zh) * 2018-10-31 2021-08-20 金蝶软件（中国）有限公司 一种生产管理方法、物联网管理系统及相关设备
JP7120914B2 (ja) * 2018-12-25 2022-08-17 株式会社日立製作所 生産実績データ分析装置
CN110045608B (zh) * 2019-04-02 2022-04-05 太原理工大学 基于数字孪生的机械设备零部件结构参数动态优化方法
CN112270502B (zh) * 2020-11-17 2021-06-01 北京三维天地科技股份有限公司 基于人工智能技术的环境应急任务协同处置平台
CN113554290B (zh) * 2021-07-13 2023-07-14 北京航空航天大学 一种考虑机群复杂任务的高可信度保障性仿真方法
US20230177612A1 (en) * 2021-12-02 2023-06-08 International Business Machines Corporation Dynamic micro-insurance premium value optimization using digital twin based simulation
CN116777192B (zh) * 2023-08-23 2023-12-08 成都飞机工业（集团）有限责任公司 一种装配生产线动态排程方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101216710A (zh) * 2007-12-28 2008-07-09 东南大学 一种由计算机实现的自适应选择动态生产调度控制系统
CN102054208A (zh) * 2009-11-02 2011-05-11 西安航空动力控制有限责任公司 基于有限能力的生产计划方法及其仿真系统
CN102253662A (zh) * 2011-04-11 2011-11-23 同济大学 基于多蚁群优化的半导体生产线排程方法
CN102521442A (zh) * 2011-12-06 2012-06-27 南京航空航天大学 基于特征样本的飞机结构件神经网络加工时间预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI394089B (zh) * 2009-08-11 2013-04-21 Univ Nat Cheng Kung 虛擬生產管制系統與方法及其電腦程式產品

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101216710A (zh) * 2007-12-28 2008-07-09 东南大学 一种由计算机实现的自适应选择动态生产调度控制系统
CN102054208A (zh) * 2009-11-02 2011-05-11 西安航空动力控制有限责任公司 基于有限能力的生产计划方法及其仿真系统
CN102253662A (zh) * 2011-04-11 2011-11-23 同济大学 基于多蚁群优化的半导体生产线排程方法
CN102521442A (zh) * 2011-12-06 2012-06-27 南京航空航天大学 基于特征样本的飞机结构件神经网络加工时间预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于APS的生产排程与优化技术的研究;程丹;《中国优秀硕士学位论文全文数据库 信息科技辑》;20061215;全文 *

Also Published As

Publication number Publication date
CN108256778A (zh) 2018-07-06

Similar Documents

Publication Publication Date Title
CN108256778B (zh) 一种基于机器学习和平行仿真的高级计划与排程方法
He et al. Scheduling flexible job shop problem subject to machine breakdown with route changing and right-shift strategies
CN106094757A (zh) 一种基于数据驱动的动态柔性作业车间调度控制方法
CN106789347B (zh) 一种基于告警数据实现告警关联和网络故障诊断的方法
Mounsey et al. Performance modelling and simulation of metal powder bed fusion production system
DE102011055657A1 (de) Verfahren, System und Computer-Programm-Produkt zur Simulation eines Produktions-Automatisierungssystems mit service-orientierter Architektur
CN115049201A (zh) 作业调度方法、装置、电子设备和存储介质
Liu et al. Selecting checkpoints along the time line: A novel temporal checkpoint selection strategy for monitoring a batch of parallel business processes
Zaman et al. Scenario-based solution approach for uncertain resource constrained scheduling problems
CN104865941B (zh) 一种过程控制站任务调度的实现方法
Rasay et al. Integration of the decisions associated with maintenance management and process control for a series production system
Cao et al. Airport Flight departure delay model on improved BN structure learning
CN104125102A (zh) 一种实时监控网络设备运行数据完整性的方法
Chen et al. Exploring equipment electrocardiogram mechanism for performance degradation monitoring in smart manufacturing
Russkikh et al. Simulation modeling for optimal production planning using Tecnomatix software
CN116050788A (zh) 一种工业智能排产管理系统
bin Ngadiman et al. Exploring the overall equipment effectiveness (OEE) in an industrial manufacturing plant
Borreguero et al. Scheduling in the aeronautical industry using a mixed integer linear problem formulation
CN104009861A (zh) 基于监控信息的运维服务管理系统
Cai et al. A robust genetic algorithm to solve multi-skill resource constrained project scheduling problem with transfer time and uncertainty skills
DE102011013102A1 (de) Verfahren zur Optimierung der Nebenzeiten in Produktionsabläufen von Werkzeugmaschinen
Sanchidrián et al. Multimode time-constrained scheduling problems with generalized temporal constraints and labor skills
Sivakumar et al. Extremal-Micro Genetic Algorithm Model for Time-Cost Optimization with Optimal Labour Productivity.
Regev et al. Segmentation models for the duration of expected preventive maintenance in semiconductor fabs
CN116757562B (zh) 一种具有自学习能力的智能制造调度方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant