CN110262410B - 一种数据驱动的生产线设备调配控制方法 - Google Patents

Abstract

本发明涉及一种数据驱动的生产线设备调配控制方法，包括步骤：(1)利用离散事件仿真软件建立生产线的仿真模型，利用该模型获取数据集；(2)根据短期性能指标挑选相同生产线状态下的最优样本；(3)利用softmax分类算法对最优样本进行离线训练，得到生产线设备开关机和加工菜单调整模型；(4)利用步骤(3)得到的模型对生产线设备开关机和加工菜单进行在线调整。与现有技术相比，本发明可以对生产线设备进行在线调整，可以使得生产线设备利用率得到提升的同时其他生产线性能指标下降不明显。

Description

一种数据驱动的生产线设备调配控制方法

技术领域

本发明涉及生产加工技术领域，尤其是涉及一种数据驱动的生产线设备调配控制方法。

背景技术

近年来，激烈的市场竞争、多变的客户需求给制造业带来了严峻的压力，原有的固定结构的生产线已经很难满足需求，合理地对生产线结构进行调整(包括设备开关机和加工菜单调整)，可以有效提升设备利用率，平衡加工区设备的任务分配的同时保证能够完成生产任务，即调整生产线结构可以使得生产线有较好的性能指标，最终最大化企业效益。

经过对现有技术的文献检索发现，存在一些对生产线结构进行调整的研究与成果。如，中国专利“一种考虑综合生产因素的可重构制造系统零件族构建方法”(公开号：CN103995978A)、中国专利“基于智能优化算法的云制造计算资源可重构配置方法”(公开号：CN102624870A)、中国专利“一种可重构制造单元重构点决策方法”(公开号：CN106527149A)。现有的专利大多对生产线进行静态配置，较少在生产状态下对生产线结构进行调整。

对于如何获得良好的生产线性能指标(尤其是设备利用率)问题，通常的做法是不进行设备调整而通过修改调度规则、采用动态调度等方法，而当外部需求发生变化、生产任务发生变化时，很难通过调整调度来适应新需求，这就需要有效的生产线设备调整方法以获得较好性能。此外，生产线结构调整在其他制造对象上应用较多，且具有良好的效果，该方法具有较好的有效性。

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数据驱动的生产线设备调配控制方法。

本发明的目的可以通过以下技术方案来实现：

一种数据驱动的生产线设备调配控制方法，包括以下步骤：

步骤1：建立生产线仿真模型并利用该模型获取数据集；

步骤2：根据短期性能指标选择相同生产线状态下的最优样本；

步骤3：利用softmax分类算法对最优样本进行离线训练，得到生产线设备调配控制模型；

步骤4：利用生产线设备调配控制模型对工厂生产线实际设备进行调控配控制。

进一步地，所述步骤1具体包括：利用离散事件仿真软件对实际生产线进行建模，运行仿真模型得到样本数据集。

进一步地，所述步骤2包括以下分步骤：

步骤21：设置生产线相关参数；

步骤22：设置用于选择最优样本的性能指标；

步骤23：运行生产线仿真模型，根据设置的生产线相关参数和用于选择最优样本的性能指标选择出最优样本，得到其对应的最优样本集。

进一步地，所述步骤3包括以下分步骤：

步骤31：对最优样本对应的最优样本集的输入进行降维操作；

步骤32：对最优样本对应的最优样本集的数据标签进行独热编码；

步骤33：设置初始待求参数矩阵；

步骤34：根据初始待求参数矩阵利用softmax分类算法求解得到代价函数的值；

步骤35：根据代价函数的值求解得到代价函数的梯度；

步骤36：根据代价函数的梯度，设置步长以使初始待求参数矩阵循环更新迭代直至达到最大迭代数后获得经过离线训练的生产线设备调配控制模型。

进一步地，所述步骤4包括以下分步骤：

步骤41：按照相同时间间隔采集生产线状态数据，将其作为生产线设备调配控制模型的输入并得到各状态数据下生产线的概率参数；

步骤42：取概率参数最大的生产线作为下一个时间间隔的生产线并循环进行生产调配控制。

进一步地，所述步骤34中的代价函数，其具体计算公式为：

式中，J(W)表示代价函数，G表示最优样本总数，g表示一条最优样本，K表示生产线总数，k表示一种生产线，X_g表示一条样本的输入条件，y_g表示一条样本的输出，1{}表示示性函数，括号内表达式值为真时为1，括号内表达式值为假时为0，

和

均为初始待求参数矩阵内的元素，

表示自然数。

进一步地，所述步骤35中的代价函数的梯度，其具体计算公式为：

式中，▽_WkJ(W)表示代价函数的梯度，p(y_g＝k|X_g；W)表示生产线的概率参数。

进一步地，所述步骤41中的生产线的概率参数，其具体计算公式为：

式中，

表示自然数。

与现有技术相比，本发明具有以下优点：

(1)本发明将生产线结构调整方法应用于生产线，对生产线结构进行在线调整，与数学建模以后再求解的方法相比，该方法的模型输入包含更多因素，可以得到更好的生产线结构调整方法；

(2)本发明对生产线调整以后，生产线设备的利用率得到较大提升，同时其他性能指标，如日均移动步数、平均加工周期等损失较少；

(3)本发明借助softmax分类对最优样本进行分类建立生产线设备开关机和加工菜单调整模型，该方法是一个多分类方法，计算简单且效果较佳。

附图说明

图1为本发明一种数据驱动的生产线设备开关机和加工菜单调整方法的流程图；

图2为半导体MiniFab生产线模型工艺流程图；

图3为本实施例半导体MiniFab生产线模型的仿真展示界面图；

图4为本实施例设备开关机、加工菜单调整示意图；

图5为本实施例设备调整前后设备利用率对比图；

图6为本实施例设备调整平均加工周期、日均移动步数、日均产率对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

如图1所示为本发明一种数据驱动的生产线设备调配控制方法的整体流程示意图，包括以下步骤：

(1)利用离散事件仿真软件建立生产线的仿真模型，利用该模型获取数据集；

(2)根据短期性能指标挑选相同生产线状态下的最优样本；

(3)利用softmax分类算法对最优样本进行离线训练，得到生产线设备开关机和加工菜单调整模型；

(4)利用步骤(3)得到的模型对生产线设备开关机和加工菜单进行在线调整；

步骤(1)中借助离散事件仿真软件对实际生产线进行建模，运行仿真模型得到样本数据集；

步骤(2)具体为：

(201)确定生产线结构种类，也即样本种类总数，采样时间间隔T；

(202)确定用于挑选最优样本的性能指标P；

(203)运行仿真模型，在同一生产线状态S_e下，调整模型，得到多种生产线结构条件下生产线性能指标P_e,K，挑选出最优样本，样本包含一种较优的生产线结构D_e，最后得到最优样本集{(S_e,D_e,P_e)|e＝1,2,3...E}；

步骤(3)具体为：

(301)对最优样本输入进行降维操作；

(302)对最优样本数据标签进行one-hot编码，根据样本种类数目决定编码位数；

(303)给定初始待求参数W₁、W₂...W_K的初始值，这些参数构成如下矩阵：

(304)根据步骤(303)中各个参数的值，可以求出softmax分类算法的代价函数的值，代价函数如下所示：

式中，J(W)表示代价函数，G表示最优样本总数，g表示一条最优样本，K表示生产线总数，k表示一种生产线，X_g表示一条样本的输入条件，对应步骤(203)中的S_e，y_g表示一条样本的输出，对应步骤(203)中的D_e，1{}表示示性函数，括号内表达式值为真时为1，括号内表达式值为假时为0，

和

均为初始待求参数矩阵内的元素，

表示自然数。

(305)求出步骤(304)中的代价函数的梯度如下所示：

(306)依据步骤(305)得到的梯度值，设置步长λ，依照下式对W进行更新，直到迭代次数达到最大迭代数：

得到W以后，即完成生产线设备开关机和加工菜单调整模型。

步骤(4)具体为：

(401)每隔一段时间间隔T，采集生产线状态数据，将其作为生产线设备开关机和加工菜单调整模型的输入；

(402)将步骤(401)采集得到的生产线状态S_e输入作为X_g输入以下模型：

得出S_e下各种生产线结构的概率，取概率最大的类对应的生产线结构作为下一个时间间隔T生产线结构，生产过程中依此进行，从而完成生产线开关机和加工菜单的调整。

以半导体MiniFab生产线模型为对象，如图2所示该生产线设有三个加工区，分别为设备Ma和设备Mb所在的氧化扩散区，设备Mc和设备Md所在的离子注入区，设备Me所在的光刻区。选取Plant Simulation作为仿真平台，生产线运行30天，其中前10天为预热，之后20天运行过程中对生产线设备进行开关机和加工菜单调整，与没有作调整运行后20天对比生产线性能指标，具体包括以下步骤：

如上述步骤(1)：

在Plant Simulation软件中建立半导体MiniFab生产线的仿真模型，如图3所示为半导体MiniFab生产线模型展示界面。

如上述步骤(2)：

根据步骤(201)，需要确定生产线结构总数，也即样本类别总数，这里采样时间间隔T为12个小时，即每隔12个小时调整一次生产线的结构。半导体MiniFab生产线模型生产三种产品，分别为产品A、产品B和产品C。为了保证生产线能够正常加工产品，开关机调整限于氧化扩散区和离子注入区，即设备Ma和设备Mb设备可以关停一台，设备Mc和设备Md可以关停一台。同时考虑到设备Ma和设备Mb关停一台与全开对于生产线的产能影响较大，在12个小时内，如果全开，可以完成大约8lot产品，而关停一台则可以完成大约4lot，如果全开两台设备而将其中某台设备的加工菜单中去除部分产品，则可以让生产线在12个小时完成大于4lot小于8lot产品。最终定样本类别总数为5，即5种可以挑选的生产线结构，样本总数也即5种。其中0类表示原始半导体MiniFab生产线，1类表示设备Ma和设备Mb设备关停一台，2类表示设备Mc和设备Md关停一台且设备Ma加工菜单中去除A产品，3类表示表示设备Mc和设备Md关停一台且设备Ma加工菜单中去除B产品，4类表示设备Mc和设备Md关停一台且设备Ma加工菜单中去除C产品。

根据步骤(202)，需要确定用于挑选最优样本的性能指标P。由于生产线性能指标分为短期性能指标和长期性能指标，如在制品数(Work In Process，WIP)和设备利用率(Utilization)等为短期性能指标，而平均加工周期(Mean Cycle Time，MCT)，准时交货率(On time Delivery Rate，ODR)，生产率(Productivity，PROD)等为长期性能指标。由于采用周期为12小时，长期性能指标一般以天为单位进行计算，这里采用短期性能指标WIP数和设备利用率作为挑选最优样本的性能指标P。

根据步骤(203)，需要比较同一生产线状态S_e下，调整生产线结构，比较各生产线结构得到的性能指标P_e,K，选取最优P_e，P_e对应的生产线结构即为最佳的生产线结构D_e。如表1所示为同一生产线状态下，调整生产线结构，得到5种生产线结构下生产之后的性能指标。对比表1中各生产线结构下12小时以后的性能指标，首先1类表示的关停设备Ma或者Mb导致完成lot数减少，该类生产线结构不能很好完成生产任务，排除。对比剩下的4种生产线结构，可以看出4类表示的设备Mc和设备Md关停一台且设备Ma加工菜单中去除C产品这一结构，设备Ma和Mb的生产任务分配更加均衡，Mc和Md亦是如此，因此将至选为最优样本。依照该方法，最终得到最优样本数据集{(S_e,D_e,P_e)|e＝1,2,3...E}。

表1同一生产线状态下各生产线结构得到的性能指标对比

如上述步骤(3)：

根据步骤(301)需要对最优样本的输入数据生产线状态S_e进行降维操作，本实施例以半导体MiniFab生产线38种状态数据描述S_e，由于不同样本间有多种状态数据取值相同，可以将其去除，最终选取12种数据描述S_e，分别为周期开始时A、B和C三种产品的投料量，正在进行第一步加工工序的产品个数，正在进行第二步加工工序的产品个数，正在进行第三步加工工序的产品个数，正在进行第四步加工工序的产品个数，正在进行第五步加工工序的产品个数，正在进行第六步加工工序的产品个数，在缓冲区B_Mab中等待的产品个数，在缓冲区B_Mcd中等待的产品个数和在缓冲区B_Me中等待的产品个数，S_e的维度为12×1。

根据步骤(302)对最优样本数据标签D_e进行one-hot编码，一共有5类，所有编码采用5位进行，其中[1 0 0 0 0]^T表示0类，[0 1 0 0 0]^T表示1类，[0 0 1 0 0]^T表示2类，[0 00 1 0]^T表示3类，[0 0 0 0 1]^T表示4类。至此，所有最优样本完成编码。

根据步骤(303)至(306)，首先设置softmax分类模型初始参数

该参数的维度为12×5，设置步长λ＝0.16，将所有最优样本带入

得到梯度更新值，依次更新参数W2000次，计算过程借助计算机完成。

如上步骤(4)：

根据步骤(401)，生产线预热10天以后每隔12小时采集生产线状态数据，将其作为步骤(401)得到的模型的输入，得到下一时间段生产线具体结构设置。生产线总共运行30天，如图4所示为后20天生产线结构调整示意图。如图5所示，为调整生产线结构前后，完成30天生产以后生产线主要设备利用率对比，其中设备Ma利用率提高了7.6％，设备Mb利用率提高了26.3％，设备Mc利用率提升了12.3％，Md的设备利用率则提升82.1％。如图6所示，为调整生产线结构前后运行30天，生产线其他性能指标对比，可以看出，其他性能指标降低较少。综上，借助数据驱动的生产线结构调整方法对生产线结构进行调整以后，可以比较好地提升设备利用率，同时其他性能指标损失较少。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (5)

1.一种数据驱动的生产线设备调配控制方法，其特征在于，包括以下步骤：

步骤1：建立生产线仿真模型并利用该模型获取数据集；

步骤2：根据短期性能指标选择相同生产线状态下的最优样本；

步骤3：利用softmax分类算法对最优样本进行离线训练，得到生产线设备调配控制模型；

步骤4：利用生产线设备调配控制模型对工厂生产线实际设备进行调控配控制；

所述步骤3包括以下分步骤：

步骤31：对最优样本对应的最优样本集的输入进行降维操作；

步骤32：对最优样本对应的最优样本集的数据标签进行独热编码；

步骤33：设置初始待求参数矩阵；

步骤34：根据初始待求参数矩阵利用softmax分类算法求解得到代价函数的值；

步骤35：根据代价函数的值求解得到代价函数的梯度；

步骤36：根据代价函数的梯度，设置步长以使初始待求参数矩阵循环更新迭代直至达到最大迭代数后获得经过离线训练的生产线设备调配控制模型；

所述步骤34中的代价函数，其具体计算公式为：

式中，J(W)表示代价函数，G表示最优样本总数，g表示一条最优样本，K表示生产线总数，k表示一种生产线，X_g表示一条样本的输入条件，y_g表示一条样本的输出，1{}表示示性函数，括号内表达式值为真时为1，括号内表达式值为假时为0，

和

均为初始待求参数矩阵内的元素，θ表示自然数；

所述步骤35中的代价函数的梯度，其具体计算公式为：

式中，

表示代价函数的梯度，p(y_g＝k|X_g；W)表示生产线的概率参数。

2.根据权利要求1所述的一种数据驱动的生产线设备调配控制方法，其特征在于，所述步骤1具体包括：利用离散事件仿真软件对实际生产线进行建模，运行仿真模型得到样本数据集。

3.根据权利要求1所述的一种数据驱动的生产线设备调配控制方法，其特征在于，所述步骤2包括以下分步骤：

步骤21：设置生产线相关参数；

步骤22：设置用于选择最优样本的性能指标；

步骤23：运行生产线仿真模型，根据设置的生产线相关参数和用于选择最优样本的性能指标选择出最优样本，得到其对应的最优样本集。

4.根据权利要求1所述的一种数据驱动的生产线设备调配控制方法，其特征在于，所述步骤4包括以下分步骤：

步骤41：按照相同时间间隔采集生产线状态数据，将其作为生产线设备调配控制模型的输入并得到各状态数据下生产线的概率参数；

步骤42：取概率参数最大的生产线作为下一个时间间隔的生产线并循环进行生产调配控制。

5.根据权利要求4所述的一种数据驱动的生产线设备调配控制方法，其特征在于，所述步骤41中的生产线的概率参数，其具体计算公式为：

式中，

表示自然数。

Images