CN114153187B - 针对柔性生产的优化排产方法、存储介质及设备 - Google Patents
针对柔性生产的优化排产方法、存储介质及设备 Download PDFInfo
- Publication number
- CN114153187B CN114153187B CN202210120557.3A CN202210120557A CN114153187B CN 114153187 B CN114153187 B CN 114153187B CN 202210120557 A CN202210120557 A CN 202210120557A CN 114153187 B CN114153187 B CN 114153187B
- Authority
- CN
- China
- Prior art keywords
- production
- time
- line
- station
- main line
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000009826 distribution Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 13
- 230000033764 rhythmic process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000002360 preparation method Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明的一种针对柔性生产的优化排产方法、存储介质及设备,其方法为一种在汽车车间柔性生产的场景下,基于原始生产订单信息,已知的主线队列,以及缓存区零件库存信息的动态排产方法,该方法包括了对生产节奏的控制,以及分拼线的排产,从而实现在有未知扰动的情况下,主线能够连续生产。本发明可针对产线存在扰动进行适应性的分拼线排产的优化;本发明可周期性获取生产信息包括主线实际序列和缓存实时数据,并基于此在较优范围内优化排产,避免了只算一次排产一次会带来的抗干扰性差问题,以及实时计算导致的计算压力大以及实际效果不佳的情况。该方案的排产算法能够保证缓存区能基本处于或接近稳定理想备料状态,以提高其对于扰动的鲁棒性。
Description
技术领域
本发明涉及汽车生产技术领域,具体涉及一种针对柔性生产的优化排产方法、存储介质及设备。
背景技术
目前在汽车生产领域,部分焊装车间会进行柔性生产,也就是由同一分拼线生产不同类型的零件到主线上合拢工位进行组装,使得主线能够生产不同类型的车辆。如图1所示,分拼线的生产需要保证主线的一种车型到达合拢工位时能够有对应的零件进行组装,否则主线的生产会停止,给工厂带来损失。由于分拼线切换生产的零件类型需要时间,为了避免频繁切换生产的零件类型,主线和分拼线通常按block来进行生产。每个block包含一定数量的相同车型,或者零件。在主线的合拢工位旁边有一个缓存区,缓存区会预先放置少量各个类型的零件,当主线车辆到达合拢工位时,会使用缓存区的对应零件进行组装,同时分拼线生产的零件会进入到缓存区而不是直接到主线合拢工位。缓存区存放的零件数量较少,不可能将主线一天生产所需全部零件都放入缓存区,所以需要根据主线当天的生产计划对分拼线进行排产。
传统的排产方法是在生产前根据当天的计划生产序列完成分拼线当天订单的全部排产。但是在实际生产过程中,因为需要的产品的质量进行控制,需要经常从主线抽取一些车辆进行质检,在检验合格后再放回主线;分拼线一个零件生产完成后也会进行与主线类似的质检,如果合格则放回到缓存区,不合格则不会放回。这会使得主线和分拼线实际的生产队列不同于当天的生产计划队列,并且这些变化在生产前无法预知。所以按照传统方法给分拼线排产,分拼线的生产计划不能很好的满足实际生产的需要,例如在主线队列有车辆被放回时,不能生产被放回车辆的零件,使得缓存区零件被消耗后无法得到补充,下次再有车辆被放回时可能因缺少对应零件使得主线停产。在序列实际发生变化后发现对应零件不足进行紧急生产,由于生产需要时间,紧急生产的零件也可能无法在主线车辆到达合拢工位之前完成生产。
另外,如果生产的时间节奏不对,即使分拼线生产的数量和顺序和主线订单一致,也可能导致缓存区库存出现异常。例如分拼线的生产节奏通常比主线快,一开始的时候分拼线生产的零件到达缓存区的时候主线上的对应车型也刚好到达合拢工位,随着生产的进行,分拼线的零件会比主线的零件更早的到达缓存区,长时间下去会导致缓存区库存溢出。所以在进行排产时,不仅要解决生产的零件序列,还需要控制生产节奏,也就是控制分拼线一般的排产方法只考虑了分拼线生产的零件数量和顺序,并未考虑到生产的时间节奏问题。
发明内容
本发明提出的一种针对柔性生产的优化排产方法、系统及设备,可至少解决背景技术中的技术问题之一。
为实现上述目的,本发明采用了以下技术方案:
一种针对柔性生产的优化排产方法,通过计算机设备执行以下步骤:
步骤1:在合拢点前选定一个基准工位即工位A,车辆从工位A到合拢工位的时间为T;工位A的选取需保证车辆从该工位到达合拢工位的时间大于分拼线生产一个零件的时间t;既T>t;这里n是分拼线的生产工序数量;t_sub是每个工序所需时间;t_prep是分拼线为下一轮生产准备物料的时间,不包含切换生产的零件类型时间,j就是分拼线的第j个工位;
步骤2:确定好工位A后,每次选取N个block的主线生产序列,并针对这些生产序列对分拼线进行排产;
当这N个block里的最后一辆车通过工位A后,选取下一批N个block进行排产;
步骤3:根据主线上N个block的车型信息以及缓存区零件库存情况对分拼线进行排产;假设主线N个block共有K辆车,为了保证在这N个block里的最后一辆车通过工位A之前,分拼线能够完成这一轮的生产,本轮生产中分拼线最多能生产的零件数为:
t_sub是分拼线的每个工序的时间;t_change是总的切换生产零件类型导致的时间消耗;SF是安全因数,SF取正值,t_main是主线的生产节拍,也就是车辆通过主线上一个工位所需时间。
进一步的,另外工位A满足:(T-t)<t_main。
进一步的,其中,N的选择标准为:
第一种方法:基于历史数据进行统计分布,构成在Tb时间内发生P次扰动的概率分布,P的范围为2-4次,取其中累积分布函数等于10%时对应的Tb来确定对应的N,即Tb/t_main可求得N;
M为每个block里的车辆数;
用这两种方法确定N并取2者的较小值。
进一步的,SF的计算方法如下:
进一步的,所述排产方法还包括优化步骤:
步骤4:因主线有N个block,分拼线同样生产N个block,第i个block生产的零件数为Mi;在生产中,分拼线每个block生产的零件类型与主线上对应的block保持一致,否则会直接导致缓存区零件不足;这样分拼线的排产问题转化为优化问题:
约束条件为:
Mi∈[a,b]
EMS为库存矩阵,EMSx,i为第i个block后x型号的预期零件数量;EMS*x,i为理想的x型号零件库存,根据生产线实际情况确定,a为一个block零件数量的最小值,b为最大值。
进一步的,第i个block后x型号的预期零件数量EMSx,i由下面的公式得出:EMSx,i=EMSx,i-1+Mi-m-D
其中m是主线上当前block待生产的x型号车辆数;D是预测的可能由扰动引起的库存减少数量,可以为负值,代表库存增加。
进一步的,D的值由2部分组成分别设为D1和D2;
其中,D1为可能出现的放回x型号车辆导致EMSx,i变小,D2为抽检了x型号车辆导致EMSx,i增加;
则D1具体的数值用以下模型建模得到:
放回的车辆是之前已经抽检的车辆,假设一辆车在被抽检后t时间内放回,t满足埃尔朗分布既:
其中其中λ和k是参数,可根据实际生产数据用极大似然法得到;
根据上式进一步得到累计概率分布,即车辆在t时刻之前被放回的概率:
当F(t)大于设定值的时候,将D1的值设为1;则根据抽检车型信息,预测全部已抽检车辆被放回的概率,并计算相应的D1的值;
D2的值计算步骤如下:
根据历史数据得到平均抽检的时间间隔,由此推算出每一轮N个block的生产过程中发生的抽检次数;假设每次抽检的数量满足泊松分布并且每辆车被抽到的概率相同,便可预测本轮生产中发生的抽检情况,并计算相应的D2的值;
则D=D1-D2。
又一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
再一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上方法的步骤。
由上述技术方案可知,本发明提供了一种在汽车车间柔性生产的场景下,基于原始生产订单信息,已知的主线队列,以及缓存区零件库存信息的动态排产方法。该方法包括了对生产节奏的控制,以及分拼线的排产。从而实现在有未知扰动的情况下,主线能够连续生产。
本发明所解决的技术问题包括:针对产线存在扰动(如主线分拼线和缓存区的抽检,放回,临时插单)进行适应性的分拼线排产的优化(包括生产内容和生产节拍控制)。
同时本发明的具体优点如下:
该方案的优势在于,周期性获取生产信息(包括主线实际序列和缓存实时数据),并基于此在较优范围内优化排产,避免了只算一次排产一次会带来的抗干扰性差问题,以及实时计算导致的计算压力大以及实际效果不佳的情况。
该方案的排产算法能够保证缓存区能基本处于或接近稳定理想备料状态,以提高其对于扰动的鲁棒性。
附图说明
图1为车间生产线示意图;
图2是本发明的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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一部分实施例,而不是全部的实施例。
在汽车生产中,位于主线的汽车车身上面贴有一个rfid标签,每辆汽车的rfid都是唯一的。每个主线上的工位都有一个rfid识别装置,能够读取在该工位上车辆的rfid,通过rfid能够识别出车辆的型号。分拼线同样装有数据采集装置,能够采集到每种型号的零件有几个在缓存区当中。
在生产过程中,主线的最初的生产订单是按block进行下发,每个block包含固定数量的同一型号车辆,但是由于扰动的存在,最终实际生产的序列会与最初的订单序列有区别。由于分拼线生产前需要准备工作,并且切换不同的零件类型需要时间,分拼线的生产也按block进行,但是每个block的零件数可以一定数量内小幅浮动。例如主线20辆车为1个block,分拼线一个block数量可以为18-22个,并且在不同的block里可以不相同。
如图1和图2所示,本实施例所述的针对柔性生产的优化排产方法,通过计算机设备执行以下步骤,
步骤1:在合拢点前选定一个基准工位即工位A,车辆从工位A到合拢工位的时间为T。工位A的选取需保证车辆从该工位到达合拢工位的时间大于分拼线生产一个零件的时间t;既T>t。这里n是分拼线的生产工序数量;t_sub是每个工序所需时间;t_prep是分拼线为下一轮生产准备物料的时间,不包含切换生产的零件类型时间;其中,零件可以是组装件,即可以组装成主线产品的任意组件。
另外工位A应该离合拢点越近越好,所以(T-t)<t_main.t_main是主线的生产节拍,也就是车辆通过主线上一个工位所需时间。如果(T-t)>=t_main意味着工位A的可以在往前移至少一个工位。
步骤2:确定好工位A后,每次选取N个block的主线生产序列,并针对这些生产序列对分拼线进行排产。当这N个block里的最后一辆车通过工位A后,选取下一批N个block进行排产。由于扰动的存在,此时每个block的车辆数量可能发生变化,不能单纯使用数车型通过数量的方法确定最后一辆车是否已通过工位A,需要通过rfid进行判断。
之所以选取N个block进行排产而不是针对每个block进行单独排产是为了增加优化的空间。一般情况下,主线生产节奏和分拼线跟接近,主线生产k辆车的时间分拼线也仅能生产k或者k+1个零件,如果只考虑单一block,排产优化的空间较小。例如,主线上有20辆A车型和20辆B车型,但是由于之前的扰动,缓存区A零件库存较多,B零件库存较少。对两个block进行共同排产,分拼线可以生产18个A,22个B。如果进行单独排产,生产完18个A零件后,分拼线会空闲一段时间等待主线上的A车全部通过特定工位A,之后再对下一个block进行排产。这时B零件最多也只能生产21个,无法利用分拼线的空闲时间生产额外的B零件。
N的选取取决于扰动发生的频率,以及分拼线和主线的生产节奏差。一方面由于扰动的存在,N的选取不宜过大,因为扰动会使实际生产的序列与排产时观测到的序列有所不同,如果N很大,后期生产序列发生很大变化时可能排产的效果不佳。如果N过小,则像上面举例的那样优化空间有限。一般推荐在生产主线生产N个block的时间中,扰动次数不超过3次;另外在主线生产N个block的时间里,分拼线能够比主线多生产5个零件。可以用这两种方法确定N并取2者的较小值。因为扰动对生产的排产的影响更大,N的选择应尽量减少扰动的影响为主。
由上可知,N的选择标准为:
第一种方法:基于历史数据进行统计分布,构成在Tb时间内发生P次扰动的概率分布,P的取值范围为2-4次,取其中累积分布函数等于10%时对应的Tb来确定对应的N,即Tb/t_main可求得N;
M为每个block里的车辆数;
用这两种方法确定N并取2者的较小值。
通过步骤1和2可以保证分拼线的生产节奏和主线相匹配。当分拼线当前生产任务完成,主线还未完成N个block的生产时,分拼线会停止生产,直到主线也完成N个block的生产,分拼线才会继续得到新的生产命令。
步骤3:之后根据主线上N个block的车型信息以及缓存区零件库存情况对分拼线进行排产。假设主线N个block共有K辆车,为了保证在这N个block里的最后一辆车通过工位A之前,分拼线能够完成这一轮的生产,本轮生产中分拼线最多能生产的零件数为:
t_sub是分拼线的每个工序的时间;t_change是总的切换生产零件类型导致的时间消耗;SF是safety factor即安全因数,因为在实际生产中,可能每个工序所需时间(t_main和t_sub)都会浮动,所以引入了safety factor。(SF一般取正值)。
分拼线有n个工序,假定分拼线完整生产一个零件的时间是平均值为的正态分布。根据历史生产数据,用极大似然法可以拟合出正态分布的曲线。根据需要,选取合适的分位数得到该分位数的生产时间,再减去平均值便可得到SF。例如n个工序的总生产时间平均为500s,选取90%分位数得到的生产时间为520s(90%的情况总生产时间小于520s),那么SF=520-500=20。
步骤4:因主线有N个block,分拼线同样生产N个block,第i个block生产的零件数为Mi。由于未知的扰动存在,缓存区的库存需要维持在一个理想值附近。在生产中,分拼线每个block生产的零件类型与主线上对应的block保持一致,否则会直接导致缓存区零件不足。这样分拼线的排产问题可转化为优化问题:
约束条件为:
Mi∈[a,b]
EMS为库存矩阵,其中,EMSx,i为第i个block后x型号的预期零件数量,x型号是主线上第i个block的车辆型号。EMS*x,i为理想的x型号零件库存,通常根据生产线实际情况确定,a为一个block零件数量的最小值,b为最大值。
根据缓存区当前的库存情况,第i个block后x型号的预期零件数量EMSx,i可由下面的公式得出:
EMSx,i=EMSx,i-1+Mi-m-D
其中m是主线上当前block待生产的x型号车辆数;D是预测的可能由扰动引起的库存减少数量,可以为负值,代表库存增加。
D的值由2部分组成,分别为可能出现的放回x型号车辆导致EMSx,i变小的D1,以及抽检了x型号车辆导致EMSx,i增加的D2。具体的数值可用以下2种模型建模分别得到:其中D1的计算过程如下:
放回的车辆是之前已经抽检的车辆,假设一辆车在被抽检后t时间内放回,t满足埃尔朗分布既:
其中λ和k是参数,可根据实际生产数据用极大似然法得到
根据上式进一步得到累计概率分布,即车辆在t时刻之前被放回的概率:
即如果这一轮的生产中主线车型有被放回的车车型A车型,当F(t)大于设定值的时候,则会在预测A型号零件零件库存时将D1的值设为1;在本实施例中如果一辆车在当前时刻被放回的概率大于50%、60%或70%等,但是系统还没有检测到他被放回,那么便预测他会在本轮N个block的生产中被放回。具体根据抽检车型信息,预测全部已抽检车辆被放回的概率,并计算相应的D1的值。
另外,D2的计算过程如下:根据历史数据可以得到平均抽检的时间间隔,由此可以推算出每一轮N个block的生产过程中发生的抽检次数。假设每次抽检的数量满足泊松分布并且每辆车被抽到的概率相同,便可以预测本轮生产中发生的抽检情况,并计算相应的D2的值;
则D=D1-D2。
解决步骤4中的优化问题,即可得到每个block应该生产的数量,根据block的顺序和对应生产数量即可得到分拼线的排产计划。
综合所述,本发明实施例提供了一种在汽车车间柔性生产的场景下,基于原始生产订单信息,已知的主线队列,以及缓存区零件库存信息的动态排产方法。该方法包括了对生产节奏的控制,以及分拼线的排产。从而实现在有未知扰动的情况下,主线能够连续生产。本发明实施例通过周期性获取生产信息(包括主线实际序列和缓存实时数据),并基于此在较优范围内优化排产,避免了只算一次排产一次会带来的抗干扰性差问题,以及实时计算导致的计算压力大以及实际效果不佳的情况。该方案的排产算法能够保证缓存区能基本处于或接近稳定理想备料状态,以提高其对于扰动的鲁棒性。
又一方面,本发明还公开一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如上述方法的步骤。
再一方面,本发明还公开一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上方法的步骤。
可理解的是,本发明实施例提供的系统与本发明实施例提供的方法相对应,相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
本申请实施例还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信,
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述针对柔性生产的优化排产方法。
上述电子设备提到的通信总线可以是外设部件互连标准(英文:PeripheralComponent Interconnect,简称:PCI)总线或扩展工业标准结构(英文:Extended IndustryStandard Architecture,简称:EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(英文:Random Access Memory,简称:RAM),也可以包括非易失性存储器(英文:Non-Volatile Memory,简称:NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(英文:Central ProcessingUnit,简称:CPU)、网络处理器(英文:Network Processor,简称:NP)等;还可以是数字信号处理器(英文:Digital Signal Processing,简称:DSP)、专用集成电路(英文:ApplicationSpecific Integrated Circuit,简称:ASIC)、现场可编程门阵列(英文:Field-Programmable Gate Array,简称:FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一针对柔性生产的优化排产方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种针对柔性生产的优化排产方法,其特征在于,通过计算机设备执行以下步骤,
步骤1:在合拢点前选定一个基准工位即工位A,车辆从工位A到合拢工位的时间为T;工位A的选取保证车辆从该工位到达合拢工位的时间大于分拼线生产一个零件的时间t;既T>t;这里n是分拼线的生产工序数量;t_sub是每个工序所需时间;t_prep是分拼线为下一轮生产准备物料的时间,不包含切换生产的零件类型时间,j就是分拼线的第j个工位;
步骤2:确定好工位A后,每次选取N个block的主线生产序列,并针对这些生产序列对分拼线进行排产;
当这N个block里的最后一辆车通过工位A后,选取下一批N个block进行排产;
步骤3:根据主线上N个block的车型信息以及缓存区零件库存情况对分拼线进行排产;假设主线N个block共有K辆车,为了保证在这N个block里的最后一辆车通过工位A之前,分拼线能够完成这一轮的生产,本轮生产中分拼线最多能生产的零件数为:
t_sub是分拼线的每个工序的时间;t_change是总的切换生产零件类型导致的时间消耗;SF是安全因数,SF取正值,t_main是主线的生产节拍,也就是车辆通过主线上一个工位所需时间;
所述排产方法还包括优化步骤:
步骤4:因主线有N个block,分拼线同样生产N个block,第i个block生产的零件数为Mi;在生产中,分拼线每个block生产的零件类型与主线上对应的block保持一致,否则会直接导致缓存区零件不足;这样分拼线的排产问题转化为优化问题如下:
约束条件为:
Mi∈[a,b]
EMS为库存矩阵,EMSx,i为第i个block后x型号的预期零件数量;EMS*x,i为理想的x型号零件库存,根据生产线实际情况确定,其中,a为一个block零件数量的最小值,b为最大值。
2.根据权利要求1所述的针对柔性生产的优化排产方法,其特征在于:
另外工位A满足:(T-t)<t_main。
5.根据权利要求4所述的针对柔性生产的优化排产方法,其特征在于:
第i个block后x型号的预期零件数量EMSx,i由下面的公式得出:
EMSx,i=EMSx,i-1+Mi-m-D
其中m是主线上当前block待生产的x型号车辆数;D是预测的可能由扰动引起的库存减少数量,可以为负值,代表库存增加。
6.根据权利要求5所述的针对柔性生产的优化排产方法,其特征在于:
D的值由2部分组成分别设为D1和D2;
其中,D1为可能出现的放回x型号车辆导致EMSx,i变小,D2为抽检了x型号车辆导致EMSx,i增加;
则D1具体的数值用以下模型建模得到:
放回的车辆是之前已经抽检的车辆,假设一辆车在被抽检后t时间内放回,t满足埃尔朗分布既:
其中λ和k是参数,可根据实际生产数据用极大似然法得到;
根据上式进一步得到累计概率分布,即车辆在t时刻之前被放回的概率:
当F(t)大于设定值的时候,将D1的值设为1;则根据抽检车型信息,预测全部已抽检车辆被放回的概率,并计算相应的D1的值;
D2的值计算步骤如下:
根据历史数据得到平均抽检的时间间隔,由此推算出每一轮N个block的生产过程中发生的抽检次数;假设每次抽检的数量满足泊松分布并且每辆车被抽到的概率相同,便可预测本轮生产中发生的抽检情况,并计算相应的D2的值;
则D=D1-D2。
7.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210120557.3A CN114153187B (zh) | 2022-02-09 | 2022-02-09 | 针对柔性生产的优化排产方法、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210120557.3A CN114153187B (zh) | 2022-02-09 | 2022-02-09 | 针对柔性生产的优化排产方法、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114153187A CN114153187A (zh) | 2022-03-08 |
CN114153187B true CN114153187B (zh) | 2022-04-26 |
Family
ID=80450097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210120557.3A Active CN114153187B (zh) | 2022-02-09 | 2022-02-09 | 针对柔性生产的优化排产方法、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114153187B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029647B (zh) * | 2023-03-30 | 2023-06-16 | 深圳市海豚网络信息科技有限公司 | 一种供应链用仓储库位管理方法和系统 |
CN116720790B (zh) * | 2023-08-09 | 2023-10-20 | 中国标准化研究院 | 一种典型零件抽样检验方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020194056A1 (en) * | 1998-07-31 | 2002-12-19 | Summers Gary J. | Management training simulation method and system |
JP3735079B2 (ja) * | 2002-03-15 | 2006-01-11 | 株式会社日立製作所 | 自動車製造ラインの投入順計画立案装置および方法 |
CH710714B1 (de) * | 2015-02-13 | 2018-08-15 | Ferag Ag | Verfahren zum Betrieb einer Druckweiterverarbeitungsanlage und Druckweiterverarbeitungsanlage. |
CN107807623A (zh) * | 2017-11-24 | 2018-03-16 | 大连理工大学 | 柔性机加生产线的动态排产方法、系统及在高铁动车零部件组柔性机加生产线中的应用 |
CN109598416B (zh) * | 2018-11-13 | 2021-06-11 | 中国航天系统科学与工程研究院 | 一种复材车间的动态排产系统及排产方法 |
CN110276126B (zh) * | 2019-06-20 | 2023-04-07 | 北京机械设备研究所 | 基于缓存区容量计算的自动化生产线优化方法 |
CN113031551B (zh) * | 2021-03-09 | 2021-11-19 | 科大智能物联技术股份有限公司 | 一种车间自动化生产线智能排布方法及系统 |
CN113962470B (zh) * | 2021-10-29 | 2022-06-24 | 上海新科乾物联技术有限公司 | 一种基于扰动预测的优化排产方法和系统 |
-
2022
- 2022-02-09 CN CN202210120557.3A patent/CN114153187B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114153187A (zh) | 2022-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114153187B (zh) | 针对柔性生产的优化排产方法、存储介质及设备 | |
CN109472566B (zh) | 区块动态生成方法、装置、计算机设备和存储介质 | |
CN110348622A (zh) | 一种基于机器学习的时间序列预测方法、系统及电子设备 | |
CN112001560A (zh) | 基于迭代邻域搜索的二阶段公交车辆排班算法 | |
CN117975742B (zh) | 基于大数据的智慧城市交通管理系统及方法 | |
CN113742908A (zh) | 一种基于离散仿真的物料齐套判断方法 | |
CN111813524A (zh) | 一种任务执行方法、装置、电子设备和存储介质 | |
CN109635998B (zh) | 一种求解带时间窗车辆路径问题的自适应多目标优化方法 | |
Dhillon et al. | Peak electricity load forecasting using online support vector regression | |
CN113297152B (zh) | 一种电力物联网边缘服务器缓存更新的方法及装置 | |
CN116228133A (zh) | 一种核电备件的管理方法、系统、服务器及介质 | |
CN112766587B (zh) | 物流订单处理方法、装置、计算机设备以及存储介质 | |
CN111080394B (zh) | 匹配方法、设备及存储介质 | |
CN114118591A (zh) | 基于在线学习的台区用电负荷区间预测方法及系统 | |
CN112330041A (zh) | 信息预测方法、装置、电子设备及存储介质 | |
CN113780693B (zh) | 产能分配方案的生成方法、设备、系统以及存储介质 | |
CN113207080A (zh) | 一种vanet中的数据协作传输方法、装置及电子设备 | |
Klemmt et al. | Investigation of modified heuristic algorithms for simulation-based optimization | |
CN116954591B (zh) | 银行领域的广义线性模型训练方法、装置、设备和介质 | |
US20050071505A1 (en) | High-speed scheduler | |
CN109325625A (zh) | 一种基于二元高斯非齐次泊松过程的单车数量预测方法 | |
CN115081788B (zh) | 一种物流调度方法 | |
CN112764687B (zh) | 一种数据写入方法、系统、ic芯片及电子设备 | |
CN115879743B (zh) | 一种基于人工智能的离散制造智能管理系统及方法 | |
CN111786802B (zh) | 一种事件检测的方法及装置 |
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 |