CN108492013A - 一种基于质量控制的制造系统调度模型有效性检测方法 - Google Patents
一种基于质量控制的制造系统调度模型有效性检测方法 Download PDFInfo
- Publication number
- CN108492013A CN108492013A CN201810195175.0A CN201810195175A CN108492013A CN 108492013 A CN108492013 A CN 108492013A CN 201810195175 A CN201810195175 A CN 201810195175A CN 108492013 A CN108492013 A CN 108492013A
- Authority
- CN
- China
- Prior art keywords
- performance
- manufacture system
- scheduling
- satisfaction
- sample
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 201
- 238000000034 method Methods 0.000 title claims abstract description 103
- 238000003908 quality control method Methods 0.000 title claims abstract description 29
- 238000010200 validation analysis Methods 0.000 title claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 61
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000009877 rendering Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 239000000047 product Substances 0.000 description 30
- 239000004065 semiconductor Substances 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 239000000203 mixture Substances 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005469 granulation Methods 0.000 description 1
- 230000003179 granulation Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种基于质量控制的制造系统调度模型有效性检测方法，该方法将制造系统动态调度模块对制造系统的调度过程视作一个生产过程，将生成的生产性能作为关键质量特性值，通过分析生产性能来监测调度过程的运行，判定制造系统动态调度模块中应用的调度模型是否适用。与现有技术相比，本发明具有效性高、使用方便等优点。
Description
技术领域
本发明涉及制造系统调度领域，尤其是涉及一种基于质量控制的制造系统调度模型有效性检测方法。
背景技术
在智能制造中，数据驱动是一项关键技术，即应用数据挖掘或机器学习技术从制造系统历史数据中提取有效信息和知识，指导制造系统运行决策，典型的有数据驱动的制造系统动态调度、数据驱动的设备维护等。
中国专利“一种半导体生产线动态调度策略自动选择方法”(专利号：ZL201310119517.8)发明了一种半导体生产线动态调度策略选择方法，该方法针对生产线性能和调度实时性无法达到同时最优的问题，利用数据挖掘技术，挖掘出隐藏在历史调度数据中的调度知识，为实时调度提供更为科学有效的调度决策。该方法采用智能算法二进制粒子群算法(BPSO)将原始数据集进行特征选择，并采用分类算法支持向量机(SVM)进行样本训练，建立动态调度策略分类模型，当进行动态调度时，该调度分类模型根据生产线实时状态信息，给出当前状态下能达到最优生产性能的调度规则，为动态调度提供决策支持。中国专利“一种半导体生产线动态调度装置”(专利号：ZL201510474367.1)发明了一种动态调度装置，包括在线运行模块和离线训练模块。离线训练模块先通过仿真模型遍历候选的调度策略集，通过最优样本筛选子模块得到满足当前生产线某一或综合性能指标下的最优样本集，用于生成调度分类器。在线运行模块中的在线调度器首先根据用户的调度要求从模型库中选择对应的调度分类器，然后根据半导体生产线的实时生产状态，生成调度策略，实现动态调度。中国专利“一种用于半导体生产线基于简化仿真模型的高效调度规则选择方法”(申请公布号：CN 105843189 A)选取能够表征仿真模型中设备重要程度的关键特征及相关数据并进行数据预处理，采用选择性聚类集成算法将模型中的设备按照设备重要程度分类，根据聚类结果建立简化的仿真模型；在调度时刻，分别以准时交货率和产出量为调度目标，利用简化的仿真模型对调度规则集中的调度规则进行快速评价，获得最优调度规则。利用该发明能够快速为复杂的半导体生产过程选择最优的调度规则，改善半导体生产线的性能。
不难看出，数据驱动的制造系统动态调度的本质是：采用机器学习的方法(分类方法/回归方法)对数据加以学习，生成调度模型，并应用于现场调度，输入实时生产状态至调度模型，即可给出满足调度优化目标的调度策略。但是，制造系统是一个动态的系统，随着时间的推移，制造系统中的产品的种类、设备状态、生产负荷以及订单情况可能会发生根本性的变化，这也就是说数据是有一定的时效性，这也意味着由数据中学习得到的调度模型存在一定的时效性，当使用已失效的调度模型来指导生产调度，得到的是“假性”优化的调度策略，由此，也无法实现制造系统的生产调度优化，因此需要对调度模型的有效性进行检测，以便更新调度模型，即根据新的样本数据重新训练调度模型，从而适应制造系统的动态变化。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于质量控制的制造系统调度模型有效性检测方法。
本发明的目的可以通过以下技术方案来实现：
一种基于质量控制的制造系统调度模型有效性检测方法，该方法将制造系统动态调度模块对制造系统的调度过程视作一个生产过程，将生成的生产性能作为关键质量特性值，通过分析生产性能来监测调度过程的运行，判定制造系统动态调度模块中应用的调度模型是否适用。
进一步地，该方法包括以下步骤：
1)根据调度目标从调度模型库中获取对应调度模型，根据所述调度模型生成调度策略；
2)建立制造系统性能预测模型，该制造系统性能预测模型以制造系统状态和调度策略为输入，以一个调度周期的制造系统期望生产性能为输出；
3)将实际制造系统的当前状态数据和对应的调度策略作为所述制造系统性能预测模型的输入，获得一制造系统期望生产性能P'；
4)以所述调度策略对实际制造系统进行调度，获得一个调度周期的制造系统实际生产性能P；
5)采集多个所述制造系统期望生产性能P'和相应的制造系统实际生产性能P，形成多个性能样本组，基于质量控制分析所述性能样本组判断调度过程是否可控，若是，则返回步骤1)进行下一调度周期的判断，若否，则所述调度模型失效。
进一步地，所述调度模型为应用机器学习方法，对基于调度目标O获取的最优样本集{S，D}进行学习，建立的制造系统状态和调度策略之间的优化映射关系。
进一步地，步骤2)中，对样本集{S,D,P}进行机器学习方法获得所述制造系统性能预测模型，其中，S表征制造系统状态，D表征调度策略，P表征制造系统处于S状态下，采用调度策略D，运行一个调度周期后统计得到的制造系统性能指标。
进一步地，步骤5)中，所述判断调度过程是否可控具体为：
501)计算性能样本组中各样本的性能指标满意度λ：
502)根据所述性能指标满意度λ绘制性能指标满意度均值控制图和性能指标满意度极差控制图；
503)根据步骤502)，基于质量控制理论中的控制图法判定调度过程是否可控。
进一步地，所述性能指标满意度均值控制图中，性能指标满意度均值X的计算公式为：
所述性能指标满意度极差控制图中，性能指标满意度极差R的计算公式为：
R＝λmax-λmin
其中，l为一性能样本组的样本数，λk为当前性能样本组中第k个样本的性能指标满意度，λmax为当前性能样本组中性能指标满意度最大值，λmin为当前性能样本组中性能指标满意度最小值。
进一步地，所述基于质量控制理论的控制图法判定调度过程是否可控具体为：
若各性能样本组的性能指标满意度均值均落在上控制界限和下控制界限之间且性能指标满意度极差R均落在上控制界限UCLR和下控制界限LCLR之间，则整个调度过程处于可控状态，否则调度过程处于失控状态。
进一步地，所述上控制界限的计算公式为：
下控制界限的计算公式为：
其中，为各性能样本组的性能指标满意度的值的平均值，m为性能样本组的组数，为第i个性能样本组的性能指标满意度均值，为各性能样本组的性能指标满意度λ的值的标准差，A2为控制图系数，为各性能样本组的性能指标满意度的平均极差。
进一步地，所述上控制界限UCLR的计算公式为：
下控制界限LCLR的计算公式为：
其中，为各性能样本组的性能指标满意度的平均极差，m为性能样本组的组数，Ri为第i个性能样本组的性能指标满意度极差，D3、D4为控制图系数。
进一步地，所述机器学习方法包括支持向量机或极限学习机。
与现有技术相比，本发明具有以下有益效果：
1)本发明通过将质量控制理论应用于数据驱动下的制造系统的动态调度过程的监控，通过对制造系统生产性能与期望生产性能对比监测，有效判断数据驱动的调度模型的有效性；
2)本发明应用控制图分析制造系统生产性能满意度，通过判断制造系统调度过程是否处于受控状态，实现制造系统调度质量的准确监测，提高生产可靠性；
3)本发明实现了数据驱动下的制造系统调度的闭环控制，对优化制造企业生产管理具有指导意义；
4)本发明对智能制造中基于数据驱动的管理方法也有借鉴意义。
附图说明
图1为本发明的生产过程与调度过程对照图；
图2为本发明实施例中Minifab模型示意图；
图3为本发明的流程示意图；
图4为本发明实施例中生产率满意度的极差R控制图；
图5为本发明实施例中生产率满意度的均值(X-bar)控制图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了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。
本发明提供一种基于质量控制的制造系统调度模型有效性检测方法，该方法将制造系统动态调度模块对制造系统的调度过程视作一个生产过程，将生成的生产性能作为关键质量特性值，通过分析生产性能来监测调度过程的运行，判定制造系统动态调度模块中应用的调度模型是否适用。
本发明方法借助质量控制理论，将动态调度模块应用调度模型对制造系统的调度过程看作是一个生产过程(例如，活塞的加工过程)。在生产加工过程中，操作人员根据图纸尺寸检查加工工件的质量，从而监测工艺系统(机床、夹具和刀具)的有效性。对应于制造系统动态调度模块所生成的调度策略，可根据期望的生产性能(制造系统性能预测模块生成)来检查制造系统执行调度策略后的实际生产性能，从而监测制造系统动态调度模块所使用调度模型的有效性，即动态监测调度模块所使用的调度模型的有效性。产品的生产加工过程和制造系统的调度过程的对应关系如图1所示。本发明将通过周期性采集实际生产性能，并与制造系统性能预测模块所得到的期望生产性能作对比，计算性能指标满意度，采用控制图分析调度过程，实现调度质量监测。
本发明方法包括以下步骤：
1)根据调度目标从调度模型库中获取对应调度模型，根据所述调度模型生成调度策略。
调度模型库{MO|O}，包含多个不同调度优化目标O的调度模型。调度模型MO是从样本集{S,D|Opt(P)}(这里，设调度目标O对应于生产性能指标P最优化)通过机器学习得到的，样本集可描述为{(Xi,Yi)|Xi∈Rm,Yi∈Rn,i＝1,2,...,N}，其中，N为样本数，Xi＝(xi,1,xi,2,...,xi,l,xi,l+1,...,xi,m)T是输入向量，由m个生产特征组成，表示调度时刻点的制造系统状态，Yi＝(yi,1,yi,2,...,yi,n)T是输出向量，由n个调度参数组成，表示动态调度模块所选用的调度策略，即制造系统处于Xi状态时，采用调度策略Yi，则制造系统性能指标P最优，也即满足调度目标O的需求。
2)建立制造系统性能预测模型，该制造系统性能预测模型以制造系统状态和调度策略为输入，以一个调度周期的制造系统期望生产性能为输出。
制造系统性能预测模型是从样本集{S,D,P}，通过机器学习得到的，样本集可描述为{(Xi,Yi,Zi)|Xi∈Rm,Yi∈Rn,Zi∈Rl,i＝1,2,...,N'},其中，N'为样本数，{Xi,Yi}＝(xi,1,xi,2,...,xi,m,yi,1,...,yi,n)T是输入向量，由m个生产属性(xi,1,xi,2,...,xi,m)和n个调度策略属性(yi,1,...,yi,n)组成，m个生产属性表示调度时刻点的制造系统状态，n个调度参数表示调度器所选用的调度策略，Zi＝(zi,1,zi,2,...,zi,l)T是输出向量，由l个制造系统性能指标组成，表示制造系统处于Xi，采用调度策略Yi，运行一个调度周期，制造系统期望性能为Zi。
制造系统调度模型的训练样本A＝{S,D|opt(P)}和制造系统性能预测模型的训练样本A'＝{S,D,P}的关系为：且样本数N＜N'。
制造系统调度模型和制造系统性能预测模型，可使用支持向量机、极限学习机等机器学习方法来得到，以支持向量机为例，在n条样本数据的基础上，使用Lagrange乘子法求解一个二次规划问题的对偶问题得到高维空间的最优线性回归函数f(x)，如下所示：
其中，K(xi,x)为核函数，为对偶优化得出的最优拉格朗日乘子，b为根据训练样本确定的阈值。若f(x)为制造系统的调度模型，输入制造系统的状态，则得到优化了的调度策略参数。
3)将实际制造系统的当前状态数据和对应的调度策略作为所述制造系统性能预测模型，获得一制造系统期望生产性能P'；
4)以所述调度策略对实际制造系统进行调度，获得一个调度周期的制造系统实际生产性能P。
5)采集多个所述制造系统期望生产性能P'和相应的制造系统实际生产性能P，形成多个性能样本组，基于质量控制分析所述性能样本组判断调度过程是否可控，若是，则返回步骤1)进行下一调度周期的判断，若否，则所述调度模型失效。
判断调度过程是否可控具体为：
5011)计算性能样本组中各样本的性能指标满意度λ：
502)根据所述性能指标满意度λ绘制性能指标满意度均值控制图(图)和性能指标满意度极差控制图(R图)；
503)基于质量控制理论中的控制图法判定调度过程是否可控。
R图的绘制过程可描述为，采集m组样本后，计算所有组的平均极差(Ri＝最大值-最小值)，计算R图中心线和上下控制界限，计算公式为：
中心线：
上控制界限：
下控制界限：
其中D3、D4是控制图系数，取自于控制图系数表，它们与样本容量n有关，样本容量是指每组样本的大小。
图绘制过程为，计算所有样本组平均值的平均值及上、下控制界限 图中上、下控制界限与中心线的距离是样本平均值的标准差的3倍，计算公式为：
中心线：
上控制界限：
下控制界限：
其中A2是控制图系数，取自于控制图系数表。同样它们与样本容量n有关，样本容量是指每组样本的大小。
若样本组i(i＝1,...,m)的性能指标满意度λ的值均落在上控制界限和下控制界限之间且R值均落在上控制界限UCLR和下控制界限LCLR之间，则整个调度过程处于可控状态，否则调度过程处于失控状态，也即所使用的调度模型(调度知识)已不再适用于当前的制造系统。
实施例
Minifab是根据实际生产线简化而来的一个简单半导体制造系统模型，它由3个设备群、5台设备组成，可生产3种产品(6道工序)，如图2所示。本实施例以上述制造系统为实施对象，对本发明方法进行详细说明。
如图3所示，本发明基于质量控制的制造系统调度模型(调度知识)有效性检测方法的具体实施过程如下：
步骤1，应用Minifab仿真模型，定义样本信息{S,D,P}，运行模型并采集样本。样本信息中的生产状态信息{S}(生产属性集)定义见表1。
表1 Minifab样本信息中生产状态{S}(生产属性集)定义
| 序号 | 属性名称 | 描述 |
| 1 | A_Qty | A产品的订单数量 |
| 2 | B_Qty | B产品的订单数量 |
| 3 | C_Qty | C产品的订单数量 |
| 4 | A_DT | A产品交货时间 |
| 5 | B_DT | B产品交货时间 |
| 6 | C_DT | C产品交货时间 |
| 7 | Ma_MTBF | Ma设备故障间隔时间(min) |
| 8 | Mb_MTBF | Mb设备故障间隔时间(min) |
| 9 | Mc_MTBF | Mc设备故障间隔时间(min) |
| 10 | Md_MTBF | Md设备故障间隔时间(min) |
| 11 | Me_MTBF | Me设备故障间隔时间(min) |
| 12 | Ma_MTTR | Ma设备修复时间(min) |
| 13 | Mb_MTTR | Mb设备修复时间(min) |
| 14 | Mc_MTTR | Mc设备修复时间(min) |
| 15 | Md_MTTR | Md设备修复时间(min) |
| 16 | Me_MTTR | Me设备修复时间(min) |
| 17 | MaMb_Batch | 设备Ma和Mb的批量数 |
| 18 | A_WIPQty | A产品的在制品数 |
| 19 | B_WIPQty | B产品的在制品数 |
| 20 | C_WIPQty | C产品的在制品数 |
| 21 | A_LastPhoto | 仅剩最后一道光刻工序的A产品在制品数 |
| 22 | B_LastPhoto | 仅剩最后一道光刻工序的B产品在制品数 |
| 23 | C_LastPhoto | 仅剩最后一道光刻工序的C产品在制品数 |
| 24 | Proctime_A3 | A产品光刻工序(工序3)的加工时间(min) |
| 25 | Proctime_B3 | B产品光刻工序(工序3)的加工时间(min) |
| 26 | Proctime_C3 | C产品光刻工序(工序3)的加工时间(min) |
| 27 | Proctime_A6 | A产品光刻工序(工序6)的加工时间(min) |
| 28 | Proctime_B6 | B产品光刻工序(工序6)的加工时间(min) |
| 29 | Proctime_C6 | C产品光刻工序(工序6)的加工时间(min) |
| 30 | LastPhoto | 仅剩最后一道光刻工序的在制品数 |
| 31 | LastPhotoPercent | 仅剩最后一道光刻工序的在制品数所占的比例 |
采集样本的MiniFab模型运行状况为：生产线中总在制品数约为160个Lot，每天固定投料总量约为20个Lot；采样周期为30分钟，样本中记录生产线状态、调度策略及生产性能。
根据制造系统的调度目标，对样本进行离线学习，建立不同调度目标下的调度模型，存放于调度模型库中。即，根据不同调度目标，选用该目标下的最优样本集，采用机器学习方法进行离线学习，得到该调度目标下的调度模型，输入制造系统生产状态信息，应用该调度模型，即能得到该调度目标下的最优调度策略。由不同的调度目标的调度模型组成调度模型库。
本实施例中调度目标是制造系统的生产率最大，获取100条生产率最优样本，将样本根据生产状态信息(生产属性集)中的Lastphoto属性(即仅剩最后一道光刻工序的在制品数)值的大小将样本分为属性值相差较大的2组。将样本中LastPhoto属性值大于105的样本组成样本集TA，将属性值小于或等于105的样本组成TB，样本条数分别为72条和28条。基于样本集TA，应用支持向量回归方法(SVR)学习，生成调度模型SA。
步骤2，建立制造系统性能预测模型。对所有样本进行学习，生成制造系统性能预测模型。基于样本集TA'(包括样本集TA中每条生产状态在不同决策下的性能，即TA'中的样本数要远远超过TA的样本数)，应用支持向量回归方法(SVR)学习，生成制造系统性能预测模型PA。本例中选用制造系统生产率这一性能指标，建立生产率指标预测模型Y＝f(X)，其中，X为模型输入，表示生产状态和采用的调度策略，Y为模型输出，表示生产性能，也即为期望生产率。
步骤3，应用调度模型SA对制造系统进行调度，制造系统的初始状态为样本集TB，运行一个调度周期，记录实际生产率。同时，应用制造系统预测模型PA对样本进行性能预测，记录期望生产率。根据记录的实际生产率和期望生产率计算生产率满意度，表2是28条数据记录，包括实际生产率、期望生产率和性能满意度。
表2训练得到的调度模型应用于测试样本集调度所获得的实际生产率、期望生产率和生产率满意度
步骤4，应用质量控制中的控制图分析记录数据，样本容量定为n＝4，将28条样本确定为7个样本组。查控制图系数表，当n＝4时，D3＝0，D4＝2.282，A2＝0.729。根据表2数据，分别计算极差、均值控制图的中心线及上、下控制界限，具体是：
极差图的中心线：
上控制界限：UCLR＝2.282*3.45＝7.87
下控制界限：LCLR＝0*2.914＝0
均值图的中心线：
上控制界限：
下控制界限：
图4表示生产率满意度的极差R控制图，7组样本的极差都在上下控制界限内，因此，基于样本集TA建立的调度模型SA应用于样本集TB所描述生产状态下的制造系统指导生产，生产率满意度的极差分布处于可控状态；图5表示生产率满意度均值控制图从图中看出，7组样本的极差都在上下控制界限内，表明调度模型SA应用于样本集TB，生产率满意度的均值分布处于可控状态。由于附图4和附图5都处于可控状态，也意味着应用SA对处于样本集TB所描述生产状态下的制造系统进行调度，整个调度过程处于可控状态，此时所使用的调度模型仍旧适用于当前制造系统生产状态，不需要更新调度模型。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于质量控制的制造系统调度模型有效性检测方法，其特征在于，该方法将制造系统动态调度模块对制造系统的调度过程视作一个生产过程，将生成的生产性能作为关键质量特性值，通过分析生产性能来监测调度过程的运行，判定制造系统动态调度模块中应用的调度模型是否适用。
2.根据权利要求1所述的基于质量控制的制造系统调度模型有效性检测方法，其特征在于，该方法包括以下步骤：
1)根据调度目标从调度模型库中获取对应调度模型，根据所述调度模型生成调度策略；
2)建立制造系统性能预测模型，该制造系统性能预测模型以制造系统状态和调度策略为输入，以一个调度周期的制造系统期望生产性能为输出；
3)将实际制造系统的当前状态数据和对应的调度策略作为所述制造系统性能预测模型的输入，获得一制造系统期望生产性能P'；
4)以所述调度策略对实际制造系统进行调度，获得一个调度周期的制造系统实际生产性能P；
5)采集多个所述制造系统期望生产性能P'和相应的制造系统实际生产性能P，形成多个性能样本组，基于质量控制分析所述性能样本组判断调度过程是否可控，若是，则返回步骤1)进行下一调度周期的判断，若否，则所述调度模型失效。
3.根据权利要求2所述的基于质量控制的制造系统调度模型有效性检测方法，其特征在于，所述调度模型为应用机器学习方法，对基于调度目标O获取的最优样本集{S，D}进行学习，建立的制造系统状态和调度策略之间的优化映射关系。
4.根据权利要求2所述的基于质量控制的制造系统调度模型有效性检测方法，其特征在于，步骤2)中，对样本集{S,D,P}进行机器学习方法获得所述制造系统性能预测模型，其中，S表征制造系统状态，D表征调度策略，P表征制造系统处于S状态下，采用调度策略D，运行一个调度周期后统计得到的制造系统性能指标。
5.根据权利要求2所述的基于质量控制的制造系统调度模型有效性检测方法，其特征在于，步骤5)中，所述判断调度过程是否可控具体为：
501)计算性能样本组中各样本的性能指标满意度λ：
502)根据所述性能指标满意度λ绘制性能指标满意度均值控制图和性能指标满意度极差控制图；
503)根据步骤502)，基于质量控制理论中的控制图法判定调度过程是否可控。
6.根据权利要求5所述的基于质量控制的制造系统调度模型有效性检测方法，其特征在于，所述性能指标满意度均值控制图中，性能指标满意度均值的计算公式为：
所述性能指标满意度极差控制图中，性能指标满意度极差R的计算公式为：
R＝λmax-λmin
其中，l为一性能样本组的样本数，λk为当前性能样本组中第k个样本的性能指标满意度，λmax为当前性能样本组中性能指标满意度最大值，λmin为当前性能样本组中性能指标满意度最小值。
7.根据权利要求5所述的基于质量控制的制造系统调度模型有效性检测方法，其特征在于，所述基于质量控制理论的控制图法判定调度过程是否可控具体为：
若各性能样本组的性能指标满意度均值均落在上控制界限和下控制界限之间且性能指标满意度极差R均落在上控制界限UCLR和下控制界限LCLR之间，则整个调度过程处于可控状态，否则调度过程处于失控状态。
8.根据权利要求6所述的基于质量控制的制造系统调度模型有效性检测方法，其特征在于，所述上控制界限的计算公式为：
下控制界限的计算公式为：
其中，为各性能样本组的性能指标满意度的值的平均值，m为性能样本组的组数，为第i个性能样本组的性能指标满意度均值，为各性能样本组的性能指标满意度λ的值的标准差，A2为控制图系数，为各性能样本组的性能指标满意度的平均极差。
9.根据权利要求6所述的基于质量控制的制造系统调度模型有效性检测方法，其特征在于，所述上控制界限UCLR的计算公式为：
下控制界限LCLR的计算公式为：
其中，为各性能样本组的性能指标满意度的平均极差，m为性能样本组的组数，Ri为第i个性能样本组的性能指标满意度极差，D3、D4为控制图系数。
10.根据权利要求3或4所述的基于质量控制的制造系统调度模型有效性检测方法，其特征在于，所述机器学习方法包括支持向量机或极限学习机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810195175.0A CN108492013A (zh) | 2018-03-09 | 2018-03-09 | 一种基于质量控制的制造系统调度模型有效性检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810195175.0A CN108492013A (zh) | 2018-03-09 | 2018-03-09 | 一种基于质量控制的制造系统调度模型有效性检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108492013A true CN108492013A (zh) | 2018-09-04 |
Family
ID=63338568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810195175.0A Pending CN108492013A (zh) | 2018-03-09 | 2018-03-09 | 一种基于质量控制的制造系统调度模型有效性检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108492013A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523136A (zh) * | 2018-10-29 | 2019-03-26 | 同济大学 | 一种面向智能制造的调度知识管理系统 |
| CN114169704A (zh) * | 2021-11-22 | 2022-03-11 | 成都飞机工业（集团）有限责任公司 | 产品生产过程质量控制方法、装置、设备及存储介质 |
| WO2023024728A1 (zh) * | 2021-08-23 | 2023-03-02 | 中兴通讯股份有限公司 | 策略管理方法、设备及计算机可读存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103217960A (zh) * | 2013-04-08 | 2013-07-24 | 同济大学 | 一种半导体生产线动态调度策略自动选择方法 |
| CN105045243A (zh) * | 2015-08-05 | 2015-11-11 | 同济大学 | 一种半导体生产线动态调度装置 |
| US20150324329A1 (en) * | 2011-09-19 | 2015-11-12 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
| CN106444649A (zh) * | 2016-07-05 | 2017-02-22 | 同济大学 | 一种半导体生产线闭环调度控制方法 |
| CN107256003A (zh) * | 2017-05-27 | 2017-10-17 | 四川用联信息技术有限公司 | 一种模糊支持向量机的制造过程多元质量诊断分类器 |
| CN107767022A (zh) * | 2017-09-12 | 2018-03-06 | 重庆邮电大学 | 一种生产数据驱动的动态作业车间调度规则智能选择方法 |
-
2018
- 2018-03-09 CN CN201810195175.0A patent/CN108492013A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150324329A1 (en) * | 2011-09-19 | 2015-11-12 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
| CN103217960A (zh) * | 2013-04-08 | 2013-07-24 | 同济大学 | 一种半导体生产线动态调度策略自动选择方法 |
| CN105045243A (zh) * | 2015-08-05 | 2015-11-11 | 同济大学 | 一种半导体生产线动态调度装置 |
| CN106444649A (zh) * | 2016-07-05 | 2017-02-22 | 同济大学 | 一种半导体生产线闭环调度控制方法 |
| CN107256003A (zh) * | 2017-05-27 | 2017-10-17 | 四川用联信息技术有限公司 | 一种模糊支持向量机的制造过程多元质量诊断分类器 |
| CN107767022A (zh) * | 2017-09-12 | 2018-03-06 | 重庆邮电大学 | 一种生产数据驱动的动态作业车间调度规则智能选择方法 |
Non-Patent Citations (1)
| Title |
|---|
| 沈跃: "面向离散车间的制造过程监控系统研究与设计", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109523136A (zh) * | 2018-10-29 | 2019-03-26 | 同济大学 | 一种面向智能制造的调度知识管理系统 |
| WO2023024728A1 (zh) * | 2021-08-23 | 2023-03-02 | 中兴通讯股份有限公司 | 策略管理方法、设备及计算机可读存储介质 |
| CN114169704A (zh) * | 2021-11-22 | 2022-03-11 | 成都飞机工业（集团）有限责任公司 | 产品生产过程质量控制方法、装置、设备及存储介质 |
| CN114169704B (zh) * | 2021-11-22 | 2024-05-17 | 成都飞机工业（集团）有限责任公司 | 产品生产过程质量控制方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
| CN109919489B (zh) | 基于企业资产管理系统和ga-bp的企业设备寿命预测方法 | |
| CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
| CN107644297B (zh) | 一种电机系统节能量计算和验证方法 | |
| CN115796372A (zh) | 一种基于scor的供应链管理优化方法及系统 | |
| CN108492013A (zh) | 一种基于质量控制的制造系统调度模型有效性检测方法 | |
| CN116187640B (zh) | 一种基于网格多属性画像体系的配电网规划方法及装置 | |
| Deng | Research on evaluation of intelligent manufacturing capability and layout superiority of supply chains by big data analysis | |
| CN117436727A (zh) | 一种智能水利调度优化系统 | |
| CN110991689B (zh) | 基于LSTM-Morlet模型的分布式光伏发电系统短期预测方法 | |
| CN106776316A (zh) | 一种电力信息软件缺陷预防方法 | |
| Xu et al. | A multi-object decision-making method for location model of manufacturing industry under uncertain environment | |
| Guo et al. | Automatic design for shop scheduling strategies based on hyper-heuristics: A systematic review | |
| CN111652403A (zh) | 一种基于反馈修正的工作平台任务工作量预测方法 | |
| CN109615115A (zh) | 一种面向任务可靠性的集成生产任务调度方法 | |
| CN114282697A (zh) | 一种设备类供应商差异化绩效确定方法和系统 | |
| CN117217553A (zh) | 一种热电联产系统低碳运行方法 | |
| CN111984514A (zh) | 基于Prophet-bLSTM-DTW的日志异常检测方法 | |
| CN117172530A (zh) | 基于数据挖掘算法的企业运营风险评估系统及方法 | |
| Liu et al. | Manufacturing Process Optimization in the Process Industry | |
| CN109523136A (zh) | 一种面向智能制造的调度知识管理系统 | |
| Korobiichuk et al. | Features of control processes in organizational-technical (technological) systems of continuous type | |
| Li | [Retracted] Analysis of Comprehensive Artificial Neural Network Computer Media Aided Construction of Economic Forecasting Model | |
| CN112760727B (zh) | 基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺 | |
| CN109472398A (zh) | 基于相对鲁棒CVaR的电网投资项目组合优化方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180904 |
|
| RJ01 | Rejection of invention patent application after publication |