CN111311090B - 一种基于大数据计算与分析的智能排程方法及装置 - Google Patents
一种基于大数据计算与分析的智能排程方法及装置 Download PDFInfo
- Publication number
- CN111311090B CN111311090B CN202010090948.6A CN202010090948A CN111311090B CN 111311090 B CN111311090 B CN 111311090B CN 202010090948 A CN202010090948 A CN 202010090948A CN 111311090 B CN111311090 B CN 111311090B
- Authority
- CN
- China
- Prior art keywords
- construction period
- data
- product
- order
- node
- 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
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 238000010276 construction Methods 0.000 claims abstract description 205
- 238000004519 manufacturing process Methods 0.000 claims abstract description 112
- 238000004140 cleaning Methods 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 9
- 238000000611 regression analysis Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 2
- 230000008676 import Effects 0.000 claims description 2
- 239000000725 suspension Substances 0.000 claims description 2
- 230000000977 initiatory effect Effects 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 17
- 230000008569 process Effects 0.000 abstract description 13
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000003754 machining Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000010923 batch production Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
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
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- G06Q10/06314—Calendaring for a resource
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于大数据计算与分析的智能排程方法及装置,实现过程如下:基于未完成的订单和历史数据,分别形成任务池和资源池;基于历史数据,以空间节点为单元,构建不同维度下各产品各空间节点对应的工期模型;根据订单中的产品数量以及得到的工期模型,得到各空间节点工期,进而得到该订单预计总工期;根据排程的优先原则和订单所需工期,确定排程计划。本发明中排程方法及装置,针对军工科研生产企业小批量、多批次的生产模式,基于历史数据,使用大数据技术智能计算工期,提高了排程效率和准确率。
Description
技术领域
本发明涉及大数据分析、计算的生产制造智能排程,适用于军工科研生产制造行业小批量、多品种生产模式下的智能排程。
背景技术
在目前的军工科研生产与制造中,任务排程涉及因素较多,需要耗费较多时间进行计算排程,同时无法通过智能的信息化手段根据历史任务对后续任务进行优化,主要表现在以下方面:
(1)小批量多品种是我国军工行业典型的生产模式:目前我国大部分军工企业的科研生产模式主要表现为小批量、多品种、产研并举、紧急插单严重等特点,这些特点为军工企业的科研生产管理带来新的、更高的挑战。
(2)军工企业特有的生产模式需要先进的信息化排程手段来保障生产计划的顺利执行:近年来,随着型号发射任务的逐年增加,军工科研生产亟需引进先进的大数据计算与分析的实时MES智能排程作为支撑,而传统基于大批量流水线生产模式的技术已不能满足科研生产需求。
(3)目前国内没有成熟的满足小批量、多批次的生产模式的基于大数据计算与分析的MES智能排程软件。市面上的排程技术只适用于大批量的流水线生产模式,难以满足小批量多品种的排产需求,这将严重影响科研生产执行效率和质量控制。如果使用传统大批量的流水生产模式会严重增加任务调度人员和相关管理人员的工作。
因此,有必要针对军工科研生产企业小批量、多批次的生产模式,基于历史数据,使用大数据技术智能计算工期,设计有效的排程方法及装置,提高排程效率和准确率。
发明内容
为了克服现有技术的不足,本发明人进行了锐意研究,提供了一种基于大数据计算与分析的智能排程方法及装置,引入数据分析和自动计算,完成基于大数据计算与分析的智能排程,实现面向小批量多品种复杂的生产模式的智能排程,并以数据为中心,实现数据驱动生产,对接受的新任务进行任务排程与优化,对工人、设备进行合理安排,有效提升科研生产效率,从而完成本发明。
本发明的目的在于提供以下技术方案:
第一方面,一种基于大数据计算与分析的智能排程方法,包括:
S100,基于未完成的订单和历史数据,分别形成任务池和资源池;
S200,基于历史数据,以空间节点为单元,构建不同维度下各产品各空间节点对应的工期模型;
S300,根据订单中的产品数量以及S200中得到的工期模型,得到各空间节点工期,进而得到该订单预计总工期;
S400,根据排程的优先原则和订单所需工期,确定排程计划。
第二方面,一种基于大数据计算与分析的智能排程装置,用于实施第一方面所述的方法,该装置包括:
任务池,用于存储未完成的订单数据;
资源池,用于存储历史数据,历史数据记载有已完成订单的生产相关数据;
工期模型构建模块,其基于历史数据,以空间节点为单元,构建不同维度下各产品各空间节点对应的工期模型;
工期预判模块,用于根据订单中的产品数量和工期模型,预判各空间节点下的工期,进而得到该订单预计总工期;
排程计划模块,根据排程的优先原则和订单所需工期,确定排程计划。
本发明提供的一种基于大数据计算与分析的智能排程方法及装置,带来了有益的技术效果:
(1)本发明中方法和装置,使用大数据的分析预测的方法,对工期历史数据进行数据清洗和回归分析,为生产调度人员提供较为准确的推荐工期,为排程计算提供数据基础,提高了排程的精准率与生产效率,减少了人力、物力等资源的浪费;
(2)本发明中方法和装置,从多个维度划分大量历史数据,进行数据准备,多角度清洗数据,为获得多个维度下各产品各空间节点对应的工期模型的准确性提供了条件;
(3)本发明中方法和装置,通过获得不同维度下,各产品各空间节点对应的工期模型,可以为不具有历史生产信息的产品订单、生产工艺调整后产品订单推荐工期,适用于军工科研生产企业小批量、多批次的生产模式。
附图说明
图1示出本发明中一种基于大数据计算与分析的智能排程方法流程图;
图2示出利用箱线图分析异常值示意图,图中数据存在异常值;
图3示出利用箱线图分析异常值示意图,图中数据不存在异常值;
图4示出回归分析时散点图示例;
图5示出采用线性模型对图4中数值进行拟合;
图6示出采用对数模型对图4中数值进行拟合;
图7示出采用指数模型对图4中数值进行拟合;
图8示出在工艺路线下,人员与操作设备绑定示意图。
具体实施方式
下面通过附图和实施例对本发明进一步详细说明。通过这些说明,本发明的特点和优点将变得更为清楚明确。
根据本发明的第一方面,如图1所示,提供了一种基于大数据计算与分析的智能排程方法,包括:
S100,基于未完成的订单和历史数据,分别形成任务池和资源池;
S200,基于历史数据,以空间节点为单元,构建不同维度下各产品各空间节点对应的工期模型;
S300,根据订单中的产品数量以及S200中得到的工期模型,得到各空间节点工期,进而得到该订单预计总工期;
S400,根据排程的优先原则和订单所需工期,确定排程计划。
本发明S100中,任务池中各订单记录有产品名称、投产数量、产品需求完成时间等。
资源池中,历史数据记载有已完成订单的生产相关数据,包括产品名称、批次号、投产数量、产品工艺路线、工件空间节点名称、各空间节点的实际开始时间、各空间节点的实际完成时间、各空间节点负责人/负责班组等。
在本发明中,根据工艺路线,依据加工车间、工序衔接程度,将工艺路线划分为多个空间节点,每个空间节点至少包括一个工序,各空间节点具有其空间节点负责人/负责班组,该空间节点负责人/负责班组负责该空间节点下工序的开展和生产数据的记录、维护、以及监督。
S200包括以下子步骤:
S210,数据导入:由历史数据中获取用于训练工期模型的数据,提取各产品及其空间节点下数据,形成数据源表,提取的数据中每条记录包括以下字段:批次号、产品名称、投产数量、空间节点名称、实际开始时间、实际完成时间;其中,批次号和空间节点名称是联合主键,如表1所示:
表1数据源表
批次号 | 产品名称 | 投产数量 | 空间节点名称 | 实际开始时间 | 实际完成时间 |
数据源表中包括所有产品各节点的工期数据。以表1中的数据作为后续数据清洗的基础。
需要说明的是,对于本发明中涉及的字段,并不拘泥于与本发明中命名,其他具有相同含义的命名均可用于表示该字段。
S220,数据清洗:在不同的维度下,对工期数据进行清洗,过滤存在无效数据、错误数据的记录;其中,维度包括产品名称、空间节点名称、投产数量,在进行数据清洗以及工期模型建立时,可以选择在一个或多个维度下进行。
S220可以通过包括以下亚子步骤的方法实施:
S221,以维度作为约束条件,由数据源表中提取各维度下数据,形成对应各维度的子数据源表;子数据源表的数目根据各维度下子项的多少决定,如产品名称维度下,产品有M种,则相应产生M个子数据源表。
例如,以产品名称作为约束条件,则提取出的子数据源表中数据均为相同产品下的数据,“空间节点名称”字段下包括该产品下的所有节点名称,“投产数量”字段下包括相应产品批次下产品的数量;示例如表2-1所示:
表2-1以产品名称作为约束条件的子数据源表
批次号 | 产品名称 | 投产数量 | 空间节点名称 | 实际开始时间 | 实际完成时间 |
20190001 | 产品A | 3 | 机加 | 20190102 | 20190112 |
20190012 | 产品A | 5 | 清洗 | 20190910 | 20190911 |
20190030 | 产品A | 6 | 焊接 | 20191102 | 20191113 |
例如,以空间节点名称作为约束条件,则提取出的子数据源表中数据均为相同空间节点名称下的数据,“产品名称”字段下数据为包括该空间节点的所有产品,“投产数量”字段下包括相应产品批次下产品的数量;示例如表2-2所示:
表2-2以空间节点名称作为约束条件的子数据源表
批次号 | 产品名称 | 投产数量 | 空间节点名称 | 实际开始时间 | 实际完成时间 |
20190001 | 产品A | 3 | 机加 | 20190102 | 20190112 |
20190022 | 产品B | 3 | 机加 | 20190506 | 20190509 |
20190033 | 产品C | 4 | 机加 | 201900708 | 20190714 |
例如,以投产数量作为约束条件,则提取出的子数据源表中数据均为相同投产数量下的数据,对产品名称和空间节点无限制,示例如表2-3所示。
表2-3以投产数量作为约束条件的子数据源表
批次号 | 产品名称 | 投产数量 | 空间节点名称 | 实际开始时间 | 实际完成时间 |
20190001 | 产品A | 3 | 机加 | 20190102 | 20190112 |
20190022 | 产品B | 3 | 机加 | 20190506 | 20190509 |
20190034 | 产品C | 3 | 清洗 | 201900717 | 20190718 |
S222,对各子数据源表中每个产品批次下的空间节点,根据实际开始时间和实际完成时间,计算该空间节点的实际工期。
数据分析中使用的数据是实际工期数据,因此我们将计算得到的实际工期数据与子数据源表融合,形成数据源工期表,如表3所示。各维度分别具有其独立的数据源工期表。
表3数据源工期表
S223,去除不需要的字段;针对工期计算,只保留数据源工期表中产品名称、批次号、空间节点名称、投产数量和实际工期数据,共五个字段。
例如,针对数据源工期表(表3)中投产数量为3的数据组,去除不需要的字段后保留的数据如表4所示:
表4
S224,清洗缺失值记录:删除数据源工期表中存在数据缺失的记录;
针对数据源工期表中存在数据字段缺失的情况,本发明采用删除数据缺失记录的处理方法,防止缺失值影响后续建模效果。如表3中批次号为“20190019”,空间节点名称为“机加”的记录中缺少了实际完工时间,导致工期无法计算,因此,删除该条记录。
S225,清洗存在异常值的记录:删除数据源工期表中相同产品、相同空间节点下工期值存在异常的记录。
实际生产过程中,可能会出现生产延迟或缺料情况,导致数据异常,因此有必要去除异常值。
本发明采用箱线图识别并去除存在工期异常值的记录,箱线图不需要事先假定数据服从特定的分布形式,没有对数据作任何限制性要求,同时以四分位数和四分位距为基础,具有一定的耐抗性,因此,箱形图识别异常值的结果比较客观。
Q1为上四分位数,Q3为下四分位数,IQR=Q3-Q1,异常值被定义为小于Q1-1.5IQR或大于Q3+1.5IQR的值。
如表3中,针对产品A,空间节点名称为“机加”,投产数量为“3”的数据组进行箱线图分析可得:批次号“20190001”的数据,工期为10,在异常值范围内,如图2所示,因此删除该条记录。针对产品A,空间节点名称为“机加”,投产数量为“5”的数据组进行箱线图分析,所有数据都不在异常范围内,如图3所示,因此保留所有数据。
S230,特征选择:在不同的维度下,提取相同产品、相同节点、相同投产数量下实际工期数据,以该实际工期数据的平均值作为该产品节点下各投产数量的加工工期,得到各维度下的特征数据表。其中,数据特征表中字段为产品名称、空间节点名称、投产数量和平均工期。
考虑到同样投产数量的产品加工时间的相似性,本发明采用平均值作为该投产数量的加工工期。特征数据表最终只保留产品名称、空间节点名称、投产数量和平均工期,以特征数据表作为构建模型的直接数据来源。避免维度灾难,降低模型复杂度,提高模型的可解释性。
在产品名称维度下,综合所有产品A相同空间节点下的投产数量数据,获得如下表5所示特征数据表。
表5特征数据表
产品名称 | 空间节点名称 | 投产数量 | 平均工期 |
产品A | 机加 | 3 | 2 |
产品A | 机加 | 5 | 3.5 |
产品A | 机加 | 6 | 5 |
产品A | 机加 | 10 | 7 |
产品A | 机加 | 12 | 10.5 |
产品A | 机加 | 13 | 11 |
产品A | 机加 | 15 | 13 |
产品A | 机加 | 20 | 16.6 |
S240,工期模型构建:在不同的维度下,以订单中产品数量为自变量,以平均工期为因变量,基于清洗后的数据,使用回归模型拟合各产品各空间节点下数据,选择拟合效果最优的模型作为产品各空间节点的工期模型。
回归模型包括线性回归模型和非线性回归模型,非线性回归模型包括对数模型和指数模型。
以表5中数据为例说明工期模型构建过程:基于清洗后的历史数据画出散点图,如图4所示,根据散点图特征粗略估计模型是否是线性。
设自变量为订单中产品数量(即投产数量)x,因变量为工期y,第i点对应的横纵坐标分别(xi,,yi)。
线性回归模型:
y=a+bx
非线性模型:常见的非线性回归模型包括多项式回归模型、指数模型、对数模型等;可以根据散点图样式进行选择。本发明支持以上非线性回归分析。
对数模型:
y=a*ln(x)+b
指数模型:
y=b*ea*x
模型选择:根据拟合效果选择合适模型,常用的拟合效果为判定系数R2,也称为拟合优度,是用来表示实际观测点和回归方程的拟合程度的指标,SST为总离差平方和,SSR为回归平方和,SSE为残差平方和。
R2的取值范围为0到1。R2的值越接近1,说明回归直线对观测值的拟合程度越好;反之,R2的值越小,说明回归直线对观测值的拟合程度越差。
通过本发明对清洗后的“产品A”,空间节点为“机加”数据进行回归分析数据拟合,得到如下模型:
线性模型:y=0.8814x-0.6799,R2=0.9874,如图5所示;
对数模型:y=7.5952ln(x)-8.0927,R2=0.9228,如图6所示;
指数模型:y=1.9696e0.1215x,R2=0.9228,如图7所示。
可见线性模型的R2值最接近于1,因此,选择线性模型作为最优拟合模型。
本发明S300中,根据订单中的产品数量以及S200中得到的工期模型,预判各空间节点下的工期,进而得到该订单预计总工期。
在现实生产过程中,生产方式灵活可变,如果订单中产品数量为1,则基本上每个空间节点的每个工序中只有一个人对其实施操作,如果订单中产品数量为2,则可能是一个人依次加工两个产品,或者两个人分别负责一个产品的加工。而由于上述空间节点的工期模型要适用于大批量、小批次情况,拟合过程中不涉及人员情况,而只考虑订单中产品数量。因而,为保证采用模型推算工期的准确性,计算订单空间节点的工期时,每个空间节点下工期按以下方式进行预计:(1)设定订单中产品数量x=1,代入该空间节点工期模型中,得到单个产品数量加工时间;(2)根据订单中产品数量×单个产品数量加工时间=完成订单产品数量下所需全部时间,得到以单人在该空间节点下完成订单所用工时。也就是说,每个空间节点下工期以单人在该空间节点下完成订单所用工时衡量。
在本发明中,以上工期计算是基于存在该产品的历史数据的情况下得到的,若以往未生产过该订单中的产品,无历史数据,则基于该产品的生产工艺涉及的空间节点,在“空间节点名称”维度下采用其他产品的空间节点工期模型进行预计,进而得到各空间节点的工期。
进一步地,选择与订单中产品在结构或加工难度上相近的产品,且选择该产品的与订单中产品工序相同或相近(如表现为工序的复杂度和耗时相近)的空间节点的工期模型作为订单中产品相应空间节点的工期模型,通过该工期模型计算空间节点下的工期。
更进一步地,可以选择多个产品的与订单中产品工序相同或相近的空间节点的工期模型进行工期计算,取计算结果的平均值作为订单中产品相应空间节点的工期。
在本发明中,对于以往已经加工过的产品,首选在“产品名称”维度下进行工期计算;若现有产品的生产工艺进行调整,以往该产品的某些工期模型可能不适用于调整后生产工艺的工期推算,不能在“产品名称”维度下进行工期计算,此时可以在“空间节点名称”维度下进行工期推算,选择其他产品中与该产品调整后空间节点的工序相同或相近(如表现为工序的复杂度和耗时相近)的空间节点的工期模型,通过该工期模型计算该空间节点下的工期,以此类推,相应得到各空间节点的工期。
同样地,可以选择多个产品的与生产工艺调整后产品工序相同或者相近空间节点的工期模型进行工期计算,取计算结果的平均值作为该产品相应空间节点的工期。
很明显,通过获得不同维度下,各产品各空间节点对应的工期模型,可以为不具有历史生产信息的产品订单、生产工艺调整后产品订单推荐工期,适用于军工科研生产企业小批量、多批次的生产模式。
在本发明中,为了更好的维护现实中人员与其操作设备的关系,生产系统实现了人员与设备关系维护模块,将人员与操作设备绑定,一个人可以对接多个设备,如图8所示。通过这种关联的方式,为排程提供基础信息支持,用户在排产时可以进行加工人员的排程,不必受限于机器设备的未知性,提高排产效率。
在进行排程计算时任务会明确任务需求时间,需要根据任务到达时间与需求时间推算整个任务的排程。
排程公式如下:
空间节点排程时间=空间节点工期/可用人时;
其中,空间节点工期通过工期模型和订单中需要生产的产品数量分析所得;
可用人时=可用工人数*可用工作时间;
可用工人数=标准工人数-调出工人数+调用工人数;
可用工作时间=标准工作小时数+加班小时数;
单个订单的工期=各空间节点排程时间之和。
单个订单的工期≤任务需求时间。
本发明S400中,根据排程的优先原则和订单所需工期,确定排程计划。
紧急插单现象是生产过程中十分常见的场景,用户常常面临突然到达的紧急订单,立刻响应紧急订单必然会对现有排程计划造成影响。因此,本发明中,若用户遇到紧急插单情况,可以直接将订单添加到任务池,并将任务的优先级调整至最高级别,重新计算排程,实现对紧急插单的快速响应。
在任务生产过程中,实时监控生产计划执行情况,分析任务完成进度。
若任务在规定开始时间范围内没有开工,或者超过完工时间没有完工,应提示调度人员和各空间节点负责人该任务出现超期风险,并要求相关负责人进行确认。
若订单出现超期,且确认超期不是排程导致,暂时不能生产,则提示所有相关工人该订单挂起,暂时不能生产,等待订单任务恢复后再进行生产。
在本发明中,每次生产完成后时,记录生产时间并添加至资源池中。每个周期开始时使用更新后的历史数据,重新进行数据清洗和回归分析,选择最优的模型作为本周期的计算模型,用于对新加入任务池的订单进行工期计算。该周期的设定为经验设定,如5天、7天、或10天等。
根据本发明的二方面,提供了一种基于大数据计算与分析的智能排程装置,该装置包括:
任务池,用于存储未完成的订单数据;
资源池,用于存储历史数据,历史数据记载有已完成订单的生产相关数据;
工期模型构建模块,其基于历史数据,以空间节点为单元,构建不同维度下各产品各空间节点对应的工期模型;
工期预判模块,用于根据订单中的产品数量和工期模型,预判各空间节点下的工期,进而得到该订单预计总工期;
排程计划模块,根据排程的优先原则和订单所需工期,确定排程计划。
在一种优选的实施方式中,该工期模型构建模块包括以下子模块:
数据导入子模块,其用于从历史数据中获取用于训练工期模型的数据,提取各产品及其空间节点下数据,形成数据源表,提取的数据中每条记录包括以下字段:批次号、产品名称、投产数量、空间节点名称、实际开始时间、实际完成时间;其中,批次号和空间节点名称是联合主键;
数据清洗子模块,用于在不同的维度下,对工期数据进行清洗,过滤存在无效数据、错误数据的记录;其中,维度包括产品名称、空间节点名称、投产数量,在进行数据信息以及工期模型建立时,可以选择在一个或多个维度下进行;
特征选择子模块,用于在不同的维度下,提取相同产品、相同节点、相同投产数量下实际工期数据,以该实际工期数据的平均值作为该产品节点下各投产数量的加工工期,得到各维度下的特征数据表。其中,数据特征包括产品名称、空间节点名称、投产数量和平均工期。
工期模型构建-选择子模块,用于在不同的维度下,以投产数量为自变量,以平均工期为因变量,基于清洗后的数据,使用回归模型拟合各产品各空间节点下数据,选择拟合效果最优的模型作为产品各空间节点的工期模型。
在一种优选的实施方式中,数据清洗子模块包括以下亚子模块:
数据提取亚子模块,用于以维度作为约束条件,由数据源表中提取各维度下数据,形成对应各维度的子数据源表;其中,维度包括产品名称、空间节点名称、投产数量;
工期核算亚子模块,用于根据实际开始时间和实际完成时间,计算各子数据源表中各产品批次下空间节点的实际工期;
字段清洗亚子模块,用于去除不需要的字段下的数据,只保留数据源工期表中产品名称、批次号、空间节点名称、投产数量和实际工期下的数据;
缺失值清洗亚子模块,用于删除数据源工期表中存在数据缺失的记录;
异常值清洗亚子模块,用于删除数据源工期表中相同产品、相同空间节点下工期值存在异常的记录。优选地,异常值清洗亚子模块,采用箱线图识别并去除存在工期异常值记录。
在一种优选的实施方式中,工期预判模块包括以下子模块:
模型选择子模块,用于在一个或多个维度下选择产品各空间节点对应的工期模型;选择多个维度时,空间节点工期计算子模块将计算各维度下用时,可用于比较不同维度下的工期结果,为后续排成提供更多数据参考。
空间节点工期计算子模块,用于根据选择的工期模型,计算各空间节点下所用工期,具体地,该子模块通过以下方式计算各空间节点下所用工期:(1)设定订单中产品数量x=1,代入该空间节点工期模型中,得到单个产品数量加工时间;(2)根据订单中产品数量*单个产品数量加工时间=完成订单产品数量下所需全部时间,得到以单人在该空间节点下完成订单所用工时;
订单工期计算子模块,用于根据各空间节点下所用工期,计算整个订单工期;具体地,该子模块通过以下公式计算整个订单工期:
空间节点排程时间=空间节点工期/可用人时;
可用人时=可用工人数*可用工作时间;
可用工人数=标准工人数-调出工人数+调用工人数;
可用工作时间=标准工作小时数+加班小时数;
单个订单的工期=各空间节点排程时间之和。
在本发明一种优选的实施方式中,该装置还包括人员与设备关系维护模块,用于将人员与操作设备绑定。通过这种关联的方式,为排程提供基础信息支持,用户在排产时可以进行加工人员的排程,不必受限于机器设备的未知性,提高排产效率。
在本发明一种优选的实施方式中,该装置还包括优先级设定模块,用于对未完成订单添加优先级标签,排程计划模块将按照优先级由高至低的顺序进行订单排程。
在本发明一种优选的实施方式中,该装置还包括推送模块,用于将生产进度信息如订单完工提示信息、订单超时信息、订单暂停生产信息、订单恢复生产信息等传送至各空间节点负责人。
在本发明一种优选的实施方式中,该装置还包括周期启动模块,用于重新启动该装置,使其使用更新后的历史数据,重新进行数据清洗和回归分析,选择最优的模型作为本周期的计算模型,用于对新加入任务池的订单进行工期计算。
本发明中的智能排程装置,面向科研生产业务需求,以航天、航空、电子等重点领域科研生产信息化排程为驱动,引入数据分析和自动计算,完成基于大数据计算与分析的智能排程,实现面向小批量多品种复杂的生产模式的智能排程,并以数据为中心,实现数据驱动生产,对接受的新任务进行任务排程与优化,对工人、设备进行合理安排,从而有效提升科研生产效率。
本发明中的上述装置,对应的可用于执行上述解析方法的技术方案,其实现原理和技术效果类似,在此不再赘述。
本领域的技术人员可以理解:实现上述方法的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于计算机可读取存储介质中。该程序在执行时,执行包括上述方法的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上结合了优选的实施方式对本发明进行了说明,不过这些实施方式仅是范例性的,仅起到说明性的作用。在此基础上,可以对本发明进行多种替换和改进,这些均落入本发明的保护范围内。
Claims (13)
1.一种基于大数据计算与分析的智能排程方法,其特征在于,该方法包括:
S100,基于未完成的订单和历史数据,分别形成任务池和资源池;
S200,基于历史数据,以空间节点为单元,构建不同维度下各产品各空间节点对应的工期模型;
S200包括以下子步骤:
S210,数据导入:由历史数据中获取用于训练工期模型的数据,提取各产品及其空间节点下数据,形成数据源表,提取的数据中每条记录包括以下字段:批次号、产品名称、投产数量、空间节点名称、实际开始时间、实际完成时间;
S220,数据清洗:在不同的维度下,对工期数据进行清洗,过滤存在无效数据、错误数据的记录;
S230,特征选择:在不同的维度下,提取相同产品、相同节点、相同投产数量下实际工期数据,以该实际工期数据的平均值作为产品节点下各投产数量的加工工期,得到各维度下的特征数据表;特征数据表中字段为产品名称、空间节点名称、投产数量和平均工期;
S240,工期模型构建:在不同的维度下,以投产数量为自变量,以平均工期为因变量,基于清洗后的数据,使用回归模型拟合各产品各空间节点下数据,选择拟合效果最优的模型作为产品各空间节点的工期模型;
维度包括产品名称、空间节点名称、投产数量,在进行数据清洗以及工期模型建立时,选择在一个或多个维度下进行;
S300,根据订单中的产品数量以及S200中得到的工期模型,得到各空间节点工期,进而得到该订单预计总工期;
S400,根据排程的优先原则和订单所需工期,确定排程计划。
2.根据权利要求1所述的方法,其特征在于,S220能够通过包括以下亚子步骤的方法实施:
S221,以维度作为约束条件,由数据源表中提取各维度下数据,形成对应各维度的子数据源表;
S222,对各子数据源表中每个产品批次下的空间节点,根据实际开始时间和实际完成时间,计算该空间节点的实际工期;
S223,去除不需要的字段;针对工期计算,只保留数据源工期表中产品名称、批次号、空间节点名称、投产数量和实际工期数据该五个字段;
S224,清洗缺失值记录:删除数据源工期表中存在数据缺失的记录;
S225,清洗存在异常值的记录:删除数据源工期表中相同产品、相同空间节点下工期值存在异常的记录。
3.根据权利要求1所述的方法,其特征在于,在S300中,各空间节点下工期以单人在该空间节点下完成订单所用工时衡量,衡量方式如下:
(1)设定订单中产品数量x=1,代入该空间节点工期模型中,得到单个产品数量加工时间;(2)根据订单中产品数量×单个产品数量加工时间=完成订单产品数量下所需全部时间,得到以单人在该空间节点下完成订单所用工时。
4.根据权利要求3所述的方法,其特征在于,在S300中,单个订单的工期= 各空间节点排程时间之和,空间节点排程时间通过以下公式获得:
空间节点排程时间=空间节点工期/可用人时;
其中,可用人时= 可用工人数*可用工作时间;
可用工人数= 标准工人数-调出工人数+调用工人数;
可用工作时间= 标准工作小时数+加班小时数。
5.根据权利要求4所述的方法,其特征在于,对于以往已经加工过的产品,首选在“产品名称”维度下进行工期计算;
若现有产品的生产工艺进行调整,以往该产品的某些工期模型不适用于调整后生产工艺的工期推算,不能在“产品名称”维度下进行工期计算,此时在“空间节点名称”维度下进行工期推算,选择其他产品中与该产品调整后空间节点的工序相同或相近的空间节点的工期模型,通过该工期模型计算该空间节点下的工期,以此类推,相应得到各空间节点的工期。
6.根据权利要求4所述的方法,其特征在于,若订单中产品为以往未生产过的产品,基于该产品的生产工艺涉及的空间节点,在“空间节点名称”维度下采用其他产品的空间节点工期模型进行预计,进而得到各空间节点的工期。
7.一种基于大数据计算与分析的智能排程装置,用于实施权利要求1所述的基于大数据计算与分析的智能排程方法,其特征在于,该装置包括:
任务池,用于存储未完成的订单数据;
资源池,用于存储历史数据,历史数据记载有已完成订单的生产相关数据;
工期模型构建模块,其基于历史数据,以空间节点为单元,构建不同维度下各产品各空间节点对应的工期模型;
工期预判模块,用于根据订单中的产品数量和工期模型,预判各空间节点下的工期,进而得到该订单预计总工期;
排程计划模块,根据排程的优先原则和订单所需工期,确定排程计划。
8.根据权利要求7所述的装置,其特征在于,该装置还包括优先级设定模块,用于对未完成订单添加优先级标签,排程计划模块将按照优先级由高至低的顺序进行订单排程。
9.根据权利要求7所述的装置,其特征在于,该装置还包括推送模块,用于将生产进度信息如订单完工提示信息、订单超时信息、订单暂停生产信息、订单恢复生产信息等传送至各空间节点负责人。
10.根据权利要求7所述的装置,其特征在于,该装置还包括周期启动模块,用于重新启动该装置,使其使用更新后的历史数据,重新进行数据清洗和回归分析,选择最优的模型作为本周期的计算模型,用于对新加入任务池的订单进行工期计算。
11.根据权利要求7所述的装置,其特征在于,工期模型构建模块包括以下子模块:
数据导入子模块,其用于从历史数据中获取用于训练工期模型的数据,提取各产品及其空间节点下数据,形成数据源表,提取的数据中每条记录包括以下字段:批次号、产品名称、投产数量、空间节点名称、实际开始时间、实际完成时间;
数据清洗子模块,用于在不同的维度下,对工期数据进行清洗,过滤存在无效数据、错误数据的记录;
特征选择子模块,用于在不同的维度下,提取相同产品、相同节点、相同投产数量下实际工期数据,以该实际工期数据的平均值作为产品节点下各投产数量的加工工期,得到各维度下的特征数据表;
工期模型构建-选择子模块,用于在不同的维度下,以投产数量为自变量,以平均工期为因变量,基于清洗后的数据,使用回归模型拟合各产品各空间节点下数据,选择拟合效果最优的模型作为产品各空间节点的工期模型。
12.根据权利要求11所述的装置,其特征在于,数据清洗子模块包括以下亚子模块:
数据提取亚子模块,用于以维度作为约束条件,由数据源表中提取各维度下数据,形成对应各维度的子数据源表;
工期核算亚子模块,用于根据实际开始时间和实际完成时间,计算各子数据源表中各产品批次下空间节点的实际工期;
字段清洗亚子模块,用于去除不需要的字段下的数据,只保留数据源工期表中产品名称、批次号、空间节点名称、投产数量和实际工期下的数据;
缺失值清洗亚子模块,用于删除数据源工期表中存在数据缺失的记录;
异常值清洗亚子模块,用于删除数据源工期表中相同产品、相同空间节点下工期值存在异常的记录。
13.根据权利要求7所述的装置,其特征在于,工期预判模块包括以下子模块:
模型选择子模块,用于在一个或多个维度下选择产品各空间节点对应的工期模型;
空间节点工期计算子模块,用于根据选择的工期模型,计算各空间节点下所用工期;
订单工期计算子模块,用于根据各空间节点下所用工期,计算整个订单工期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010090948.6A CN111311090B (zh) | 2020-02-13 | 2020-02-13 | 一种基于大数据计算与分析的智能排程方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010090948.6A CN111311090B (zh) | 2020-02-13 | 2020-02-13 | 一种基于大数据计算与分析的智能排程方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311090A CN111311090A (zh) | 2020-06-19 |
CN111311090B true CN111311090B (zh) | 2023-07-14 |
Family
ID=71148379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010090948.6A Active CN111311090B (zh) | 2020-02-13 | 2020-02-13 | 一种基于大数据计算与分析的智能排程方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311090B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112200532A (zh) * | 2020-09-16 | 2021-01-08 | 北京中宣智伟科技有限公司 | 一种施工工期智能计算的方法及系统、计算机可读介质 |
CN114648185A (zh) * | 2020-12-17 | 2022-06-21 | 广东博智林机器人有限公司 | 计划排程方法、装置、计算机设备以及存储介质 |
CN114282827A (zh) * | 2021-12-27 | 2022-04-05 | 中铁建工集团有限公司 | 一种工期进度计划编排的方法及系统 |
CN116542508A (zh) * | 2023-05-08 | 2023-08-04 | 秒优大数据科技(杭州)有限公司 | 一种服装订单的排产方法、装置和设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901426A (zh) * | 2010-07-15 | 2010-12-01 | 华中科技大学 | 一种基于蚁群算法的动态滚动调度方法 |
CN108805780A (zh) * | 2018-05-31 | 2018-11-13 | 张恒亮 | 城市地下管网总体结构优化设计 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050192852A1 (en) * | 2004-02-26 | 2005-09-01 | Sorensen Vicki L. | Method for promoting individual fitness |
CN107146035B (zh) * | 2017-05-19 | 2020-10-09 | 中原工学院 | 针织服装大货生产中批量系数的计算方法 |
CN107168263B (zh) * | 2017-06-16 | 2019-08-06 | 江南大学 | 一种基于大数据挖掘的针织mes生产计划与调度方法 |
CN107491873A (zh) * | 2017-08-16 | 2017-12-19 | 浙江力太科技有限公司 | 一种最大化多个关键设备利用率的生产排程方法 |
CN108053047A (zh) * | 2017-10-26 | 2018-05-18 | 北京航天智造科技发展有限公司 | 云生产资源调度方法、装置和系统 |
CN109165811B (zh) * | 2018-07-23 | 2021-02-26 | 恒大智慧科技有限公司 | 社区垃圾处理方法、系统、终端和计算机可读存储介质 |
CN109359884B (zh) * | 2018-10-31 | 2021-07-27 | 南京航空航天大学 | 航空复杂装备结构件车间作业计划及重调度方法 |
CN110516978A (zh) * | 2019-09-02 | 2019-11-29 | 上海无线电设备研究所 | 一种电子产品调测生产线混流排产方法 |
-
2020
- 2020-02-13 CN CN202010090948.6A patent/CN111311090B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901426A (zh) * | 2010-07-15 | 2010-12-01 | 华中科技大学 | 一种基于蚁群算法的动态滚动调度方法 |
CN108805780A (zh) * | 2018-05-31 | 2018-11-13 | 张恒亮 | 城市地下管网总体结构优化设计 |
Non-Patent Citations (1)
Title |
---|
基于回归时序模型的售后服务资源计划系统设计;窦文章;吕修磊;;统计与决策(第13期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111311090A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311090B (zh) | 一种基于大数据计算与分析的智能排程方法及装置 | |
US6889196B1 (en) | Method and apparatus for planning, monitoring, and illustrating multiple tasks based on user defined criteria and predictive ability | |
Shen et al. | Dynamic software project scheduling through a proactive-rescheduling method | |
CN112446526B (zh) | 生产排程系统及方法 | |
US11550308B2 (en) | Dynamic value stream management | |
CN114782030A (zh) | 一种基于大数据项目智能管理系统及方法 | |
CN111105133B (zh) | 生产调度方法、计算机设备以及存储介质 | |
CN113487155A (zh) | 一种用于塑料行业的智能排程系统 | |
CN116644931A (zh) | 一种基于遗传算法的任务调度方法 | |
CN114330816A (zh) | 一种工业原材料采购控制方法及系统 | |
CN114118669A (zh) | 一种基于蒙特卡洛的项目管理方法 | |
CN117114381A (zh) | 智能制造服务链动态优化配置方法及系统 | |
JP2000039904A (ja) | プロジェクト管理システム | |
CN115169658B (zh) | 基于npl和知识图谱的库存消耗预测方法、系统和存储介质 | |
CN112514352A (zh) | 更新调度规则的方法、设备、系统、存储介质和终端 | |
CN113361902A (zh) | 高效调控智能排产系统 | |
CA2832806C (en) | Method for optimizing schedule compression in projects using accelerating and overlapping of activities | |
CN112541730A (zh) | 项目工时统计方法、设备及存储介质 | |
JP2006126898A (ja) | プロジェクト管理システム | |
CN112381396B (zh) | 一种服务于企业发展规划的集成管理方法及系统 | |
US20220327562A1 (en) | Methods and systems for applying survival analysis models to produce temporal measures of sales productivity | |
Wang | Integrated lean and simulation for productivity improvement for windows manufacturing | |
CN114358658B (zh) | 一种工作组数据处理方法及系统 | |
CN109409720B (zh) | 基于大数据和深度学习的个性化审计方法和机器人系统 | |
CN117933485A (zh) | 一种基于机器学习的员工排班表的预测方法及系统 |
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 |