CN114298426A - Aps动态生产计划排程系统 - Google Patents

Aps动态生产计划排程系统 Download PDF

Info

Publication number
CN114298426A
CN114298426A CN202111656550.5A CN202111656550A CN114298426A CN 114298426 A CN114298426 A CN 114298426A CN 202111656550 A CN202111656550 A CN 202111656550A CN 114298426 A CN114298426 A CN 114298426A
Authority
CN
China
Prior art keywords
scheduling
production plan
dynamic
aps
production
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
Application number
CN202111656550.5A
Other languages
English (en)
Inventor
魏红茂
李昊天
戚骁亚
孙广集
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 Deep Singularity Technology Co ltd
Original Assignee
Beijing Deep Singularity Technology Co ltd
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 Deep Singularity Technology Co ltd filed Critical Beijing Deep Singularity Technology Co ltd
Priority to CN202111656550.5A priority Critical patent/CN114298426A/zh
Publication of CN114298426A publication Critical patent/CN114298426A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明涉及一种APS动态生产计划排程系统，包括以下排程流程，S1、输入生产计划信息；S2、交由APS完成数据建模，并通过生产排程算法制定生产计划，进行排程；S3、输出排程结果并反馈；S4、根据结果反馈，如果满意，则可以下发生产计划，与第三方系统集成，完成流转，至此结束；S5、根据结果反馈，如果不满意，则修改输入信息，调整订单，重复步骤S1～S4。本发明通过构建动态生产计划排程方法，实现了数字化工厂计划排程的动态调整；针对制造时间的波动、机器故障、预防性维护、动态插单等情况，通过神经网络来学习到各类不确定性的概率分布，同时通过强化学习提供的在线学习机制，来动态地应对各类不确定性，为工厂的智能制造升级提供完整的解决方案。

Description

APS动态生产计划排程系统
技术领域
本发明涉及生产计划排程技术领域，尤其是一种APS动态生产计划排程系统。
背景技术
生产计划排程APS(Advanced Planning and Scheduling)，是指将生产任务分配至生产资源的过程。在考虑能力和设备的前提下，在物料数量一定的情况下，安排各生产任务的生产顺序，优化生产顺序，优化选择生产设备，使得减少等待时间，平衡各机器和工人的生产负荷。从而优化产能，提高生产效率，缩短生产LT。
然而，生产计划排程是个很复杂的问题，因为排程本身逻辑复杂，而且在实际应用中变数较多，特别是对多品种、小批量、工艺流程复杂的离散型生产。例如设备故障，原料供应不及时等导致计划员的工作非常复杂且容易出错。
目前，现有的生产计划排程多停留在静态计划排程阶段，还没有做到与实际生产信息形成闭环反馈，无法对工序拖期、机器故障、插单等意外事件做出及时处理，影响了生产计划排程的应用效果。
发明内容
本发明要解决的技术问题是：提出一种APS动态生产计划排程系统，通过精确化掌控生产，合理制定生产计划，从而提高生产率。
本发明所采用的技术方案为：一种APS动态生产计划排程系统，包括以下排程流程，
S1、输入生产计划信息，包括原材料信息，工序信息和订单信息；
S2、交由APS完成数据建模，并通过生产排程算法制定生产计划，进行排程；
S3、输出排程结果并反馈；
S4、根据结果反馈，如果满意，则可以下发生产计划，与第三方系统集成，完成流转，至此结束；
S5、根据结果反馈，如果不满意，则修改输入信息，调整订单，重复步骤S1～S4。
进一步的说，本发明所述的步骤S1中，原材料信息，工序信息和订单信息具有配比关系。
进一步的说，本发明所述的步骤S2中，生产排程算法包括以下步骤：
1)使用GA遗传算法，在不考虑动态特性的前提下，生成静态排程计划；
2)当动态特性出现时，通过强化学习在线调整GA遗传算法排程中的工单释放规则与关键参数，使用GA遗传算法重新进行排程；
3)通过神经网络，承载不确定性的概率分布，并将此概率分布作为前馈预测，指导与调整下一次GA遗传算法的排程结果；
4)不断重复步骤1)～3)，从而实现从个体智能涌现到群体智能，再从群体智能到进化个体智能的正反馈闭环，直至智能收敛。
再进一步的说，本发明所述的步骤1)包括以下步骤：
A、问题初始化；
B、使用遗传算子运算，通过群体智能涌现出较优解；
遗传算子包括，
选择算子，即通过Fitness健壮函数，判断个体的健壮性；
交叉算子，即将两个个体的父代染色体进行交叉重组，从而生成子代，其中交叉位置的设置为多种；
以及，
变异算子，即子代的染色体随机化改变；
通过遗传算子，完成从父代到子代的进化过程；
C、不断重复步骤B中的进化过程，直到满足结束条件；结束条件可以是运行的一段时间、满足对目标函数的期望或达到一定迭代次数；
D、根据生成的最优解，按照与编码完全相反的过程进行解码，从而生成实际的排程计划。
再进一步的说，本发明所述的步骤A中，问题初始化包括以下步骤：
a)根据PPM的建模结果，对PPM模型进行编码；
b)根据设置的目标函数，将其转换为Fitness健壮函数；
c)通过随机的方式生成初始种群。
进一步的说，本发明所述的步骤2)中，预先对动态特性进行分类，分为随机因素导致的不确定性和系统动力学特性导致的不确定性两种；同时预先设立工单释放规则池。
再进一步的说，本发明当不确定性产生时，包括以下步骤，
I、将动态排程问题看作MDP马尔可夫时序模型，即由GA遗传算法生成的排程计划作为t-1时刻的状态，当前不确定性产生后为t时刻的状态；
II、使用强化学习的Q-learning方法，将环境参数、原目标函数、动态特性作为模型输入，通过试错方法进行训练，与工单释放规则池中的具体规则进行匹配；
III、将原目标函数作为奖励函数，学习奖励值最大的映射方式，将学习结果存放到Q-learning查询表中。
再进一步的说，本发明所述的步骤II中，采用epsilon-greedy算法增加搜索的随机性。
再进一步的说，本发明所述的步骤3)中，若动态特性为随机因素导致的不确定性，则根据特性出现的预测概率，通过设置缓冲、预留产能的方式，预先调整物理模型的建模参数应对；若动态特性为系统动力学特性导致的不确定性，则根据特性出现的预测概率，调整建模中的参数，并将其用作预防性维护的参考指标。
进一步的说，本发明所述的步骤S3中，生产计划通过甘特图形式显示；结合生产计划和库存数量，可以得知原材料的消耗情况，以及整个生产过程库存变化；并根据生产计划推算资源的利用率。
本发明的有益效果是：
通过构建动态生产计划排程方法，实现了数字化工厂计划排程的动态调整；针对制造时间的波动、机器故障、预防性维护、动态插单等情况，计划人员通过神经网络来学习到各类不确定性的概率分布，同时通过强化学习提供的在线学习机制，来动态地应对各类不确定性，为工厂的智能制造升级提供完整的解决方案。
附图说明
图1是本发明APS动态生产计划排程系统示意图；
图2是本发明APS动态生产计划排程算法示意图。
具体实施方式
现在结合附图和优选实施例对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1所示的一种APS动态生产计划排程系统，包括以下排程流程，
S1、输入生产计划信息，包括原材料信息，工序信息和订单信息；
S2、交由APS完成数据建模，并通过生产排程算法制定生产计划，进行排程；
S3、输出排程结果并反馈；
S4、根据结果反馈，如果满意，则可以下发生产计划，与第三方系统集成，完成流转，至此结束；
S5、根据结果反馈，如果不满意，则修改输入信息，调整订单，重复步骤S1～S4。
步骤S1中，原材料信息，工序信息和订单信息具有配比关系。订单要素包括成品，交期，数量，即在何时需要生产出什么产品，数量是多少；工序是指通过某个操作，将某种产品变成另一种产品的过程。工序需要消耗时间，比如通过某个操作，将材料A和材料B变成了半成品C。
此外，还涉及以下几个方面：
原材料(加工前)和“成品”(加工后)的配比关系；
加工操作所依赖的资源数(设备，人员)；
工序生产单位数量产品消耗的时间；
工序类型：与生产数量正相关(计件工序)，与生产数量无关(固定工序)，可替换工序)；
原材料、半成品在不同的车间(地点)流动，产品配送；
原材料，库存，从供应商处采购原材料；
步骤S3中，生产计划通过甘特图形式显示；结合生产计划和库存数量，可以得知原材料的消耗情况，以及整个生产过程库存变化；并根据生产计划推算资源(设备等)的利用率。
问题反馈包括：1.某个订单是否延期交货；2.某种产品所需的原材料是否不足；物流调度计划为产品的配送情况。
APS动态生产计划排程的核心为APS动态生产计划排程算法，如图2所示生产排程算法包括以下步骤：
1)使用GA遗传算法，在不考虑动态特性的前提下，生成静态排程计划；
2)当动态特性出现时，通过强化学习在线调整GA遗传算法排程中的工单释放规则与关键参数，使用GA遗传算法重新进行排程；
3)通过神经网络，承载不确定性的概率分布，并将此概率分布作为前馈预测，指导与调整下一次GA遗传算法的排程结果；
4)不断重复步骤1)～3)，从而实现从个体智能涌现到群体智能，再从群体智能到进化个体智能的正反馈闭环，直至智能收敛。
GA遗传算法大致包含四个流程：
1.问题初始化，其中包括三个关键步骤：
1)根据PPM的建模结果，对原本的FJSSP问题进行编码，从而生成“染色体”；
2)根据用户设置的目标函数，将其转换为Fitness函数(通常可以设置为一样，主要取决于编码方式的定义)；
3)通常通过随机的方式生成初始种群，也可以使用移动瓶颈启发式算法生成的解作为初始解。
2.使用遗传算子运算，从而通过群体智能涌现出较优解，其中遗传算子具体包含三个算子：1)选择算子，即通过Fitness函数，判断个体的健壮性；2)交叉算子，即将两个个体的父代染色体进行交叉重组，从而生成子代，其中交叉位置的设置可以有多种；3)变异算子，即子代的染色体有一定几率进行(通常随机化)改变，例如实值变异、二进制变异等。通过遗传算子，就完成了从父代到子代的进化过程。
3.不断重复步骤2中的进化过程，直到满足结束条件。其中结束条件可以是运行一段时间(如运行1小时)、满足对目标函数的期望或达到一定迭代次数。
4.根据生成的最优解，按照与编码完全相反的过程进行解码，从而生成实际的排程计划。
当面对的多目标优化问题时，会使用NSGA-Ⅱ算法进行多目标优化求解。其中NSGA-Ⅱ的实质是在GA基础上，引入精英策略(保证子代不会比父代差)、快速非支配策略(降低计算复杂度，且子代从双倍空间中选取)以及拥挤度比较算子(使得个体均匀扩展到整个帕累托域)。
然而，实际的生产场景会存在诸多不确定性，例如制造时间的波动、机器故障、预防性维护、动态插单等等，因此可以说实际生产排程问题是动态的FJSSP问题(Dynamic/Fuzzy FJSSP)。若要解决此类不确定性，需要通过神经网络来学习到各类不确定性的概率分布，同时通过强化学习提供的在线学习机制，来动态地应对各类不确定性，从而通过GA、神经网络与强化学习的结合，即群智进化算法，解决DynamicFJSSP问题。
在群智进化算法中，各部分的作用如下：
1.神经网络用来承载不确定性的概率分布，即承载学习到的智能；
2.GA提供从个体智能到群体智能的群智涌现机制；
3.强化学习为GA提供针对不确定性的进化机制。
群智进化算法解决动态FJSSP排程问题的流程有：
1.预先对动态特性进行分类，分为随机因素导致的不确定性，包括紧急插单与机器故障两种；以及系统动力学特性导致的不确定性，包括制造时间的波动与预防性维护两种。
2.预先设立工单释放规则池，包含常用工单释放规则，如EDD、LIFO、LPT等。如下表所示：
Figure BDA0003446103010000081
3.当不确定性产生时，将动态排程问题看作MDP马尔可夫时序模型，即由遗传算法生成的排程计划作为t-1时刻的状态，当前不确定性产生后为t时刻的状态。
4.使用强化学习的Q-learning方法，将环境参数(包括产能利用率、完成时间、工单延迟数量)、原目标函数、动态特性(包括类别、紧急程度-使用优先级0-10表示)作为模型输入，通过试错(tial and error)方法进行训练，与工单释放规则池中的具体规则进行匹配。
其中，为了增强算法的长期性能，采用epsilon-greedy方法增加搜索的随机性。
5.将原目标函数作为奖励函数，学习奖励值最大的映射方式，将学习结果存放到Q-learning查询表中(lookup table)。
在实际使用过程中，将根据查询表中学习到的映射关系，处理出现的动态特性；同时利用算法的在线学习特性，持续优化匹配精度。
而通过神经网络学习与承载各类别、不同重要性的动态特性概率分布。将神经网络学习到的概率分布作为前馈预测，可以指导与调整下一次遗传算法的排程结果。
若动态特性为随机因素导致的不确定性，将根据特性出现的预测概率，通过设置缓冲、预留产能的方式，预先调整物理模型的建模参数，从而应对机器故障、紧急插单等不确定性；
若动态特性为系统动力学特性导致的不确定性，将根据特性出现的预测概率，调整建模中制造时间、产能等参数，并将其用作预防性维护的参考指标。
因此，通过以上算法生成的APS排程计划，如果使用者接受，那么就可以下发生产计划到MES，完成业务流转。
综合利用上述信息，使用者还可以：
一、产能瓶颈分析
有些订单，不能按期交付，结合生产计划，和设备的负载情况。可以找到瓶颈资源，进而通过增加资源或者外包第三方生产等方式促进订单按期交付。
二、模拟生产
在现在排程计划的基础上，如果再接到新的订单，那么工厂能否按期交付呢？可以利用APS模拟一下生产情况，评估是否可以按期交付。
三、生产调节
根据生产管理模块反馈的实际生产信息，动态调整排程结果，可以进行二次排程，形成从高级计划排程到实际生产的闭环反馈。
以上说明书中描述的只是本发明的具体实施方式，各种举例说明不对本发明的实质内容构成限制，所属技术领域的普通技术人员在阅读了说明书后可以对以前所述的具体实施方式做修改或变形，而不背离本发明的实质和范围。

Claims (10)

1.一种APS动态生产计划排程系统，其特征在于：包括以下排程流程，
S1、输入生产计划信息，包括原材料信息，工序信息和订单信息；
S2、交由APS完成数据建模，并通过生产排程算法制定生产计划，进行排程；
S3、输出排程结果并反馈；
S4、根据结果反馈，如果满意，则可以下发生产计划，与第三方系统集成，完成流转，至此结束；
S5、根据结果反馈，如果不满意，则修改输入信息，调整订单，重复步骤S1～S4。
2.如权利要求1所述的APS动态生产计划排程系统，其特征在于：所述的步骤S1中，原材料信息，工序信息和订单信息具有配比关系。
3.如权利要求1所述的APS动态生产计划排程系统，其特征在于：所述的步骤S2中，生产排程算法包括以下步骤：
1)使用GA遗传算法，在不考虑动态特性的前提下，生成静态排程计划；
2)当动态特性出现时，通过强化学习在线调整GA遗传算法排程中的工单释放规则与关键参数，使用GA遗传算法重新进行排程；
3)通过神经网络，承载不确定性的概率分布，并将此概率分布作为前馈预测，指导与调整下一次GA遗传算法的排程结果；
4)不断重复步骤1)～3)，从而实现从个体智能涌现到群体智能，再从群体智能到进化个体智能的正反馈闭环，直至智能收敛。
4.如权利要求3所述的APS动态生产计划排程系统，其特征在于：所述的步骤1)包括以下步骤：
A、问题初始化；
B、使用遗传算子运算，通过群体智能涌现出较优解；
遗传算子包括，
选择算子，即通过Fitness健壮函数，判断个体的健壮性；
交叉算子，即将两个个体的父代染色体进行交叉重组，从而生成子代，其中交叉位置的设置为多种；
以及，
变异算子，即子代的染色体随机化改变；
通过遗传算子，完成从父代到子代的进化过程；
C、不断重复步骤B中的进化过程，直到满足结束条件；结束条件可以是运行的一段时间、满足对目标函数的期望或达到一定迭代次数；
D、根据生成的最优解，按照与编码完全相反的过程进行解码，从而生成实际的排程计划。
5.如权利要求4所述的APS动态生产计划排程系统，其特征在于：所述的步骤A中，问题初始化包括以下步骤：
a)根据PPM的建模结果，对PPM模型进行编码；
b)根据设置的目标函数，将其转换为Fitness健壮函数；
c)通过随机的方式生成初始种群。
6.如权利要求3所述的APS动态生产计划排程系统，其特征在于：所述的步骤2)中，预先对动态特性进行分类，分为随机因素导致的不确定性和系统动力学特性导致的不确定性两种；同时预先设立工单释放规则池。
7.如权利要求6所述的APS动态生产计划排程系统，其特征在于：当不确定性产生时，包括以下步骤，
I、将动态排程问题看作MDP马尔可夫时序模型，即由GA遗传算法生成的排程计划作为t-1时刻的状态，当前不确定性产生后为t时刻的状态；
II、使用强化学习的Q-learning方法，将环境参数、原目标函数、动态特性作为模型输入，通过试错方法进行训练，与工单释放规则池中的具体规则进行匹配；
III、将原目标函数作为奖励函数，学习奖励值最大的映射方式，将学习结果存放到Q-learning查询表中。
8.如权利要求7所述的APS动态生产计划排程系统，其特征在于：所述的步骤II中，采用epsilon-greedy算法增加搜索的随机性。
9.如权利要求6所述的APS动态生产计划排程系统，其特征在于：所述的步骤3)中，若动态特性为随机因素导致的不确定性，则根据特性出现的预测概率，通过设置缓冲、预留产能的方式，预先调整物理模型的建模参数应对；若动态特性为系统动力学特性导致的不确定性，则根据特性出现的预测概率，调整建模中的参数，并将其用作预防性维护的参考指标。
10.如权利要求1所述的APS动态生产计划排程系统，其特征在于：所述的步骤S3中，生产计划通过甘特图形式显示；结合生产计划和库存数量，可以得知原材料的消耗情况，以及整个生产过程库存变化；并根据生产计划推算资源的利用率。
CN202111656550.5A 2021-12-30 2021-12-30 Aps动态生产计划排程系统 Pending CN114298426A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111656550.5A CN114298426A (zh) 2021-12-30 2021-12-30 Aps动态生产计划排程系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111656550.5A CN114298426A (zh) 2021-12-30 2021-12-30 Aps动态生产计划排程系统

Publications (1)

Publication Number Publication Date
CN114298426A true CN114298426A (zh) 2022-04-08

Family

ID=80974207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111656550.5A Pending CN114298426A (zh) 2021-12-30 2021-12-30 Aps动态生产计划排程系统

Country Status (1)

Country Link
CN (1) CN114298426A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099656A (zh) * 2022-07-05 2022-09-23 上海交通大学 基于仿真优化的海工分段智能排程系统架构及排程算法
CN116090676A (zh) * 2023-04-10 2023-05-09 武汉益模科技股份有限公司 一种基于多目标优化的aps排产方法及aps排产系统
CN116841260A (zh) * 2023-06-14 2023-10-03 成都飞机工业（集团）有限责任公司 一种用于飞机部件装配的动态自适应计划排程方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099656A (zh) * 2022-07-05 2022-09-23 上海交通大学 基于仿真优化的海工分段智能排程系统架构及排程算法
CN115099656B (zh) * 2022-07-05 2023-12-12 上海交通大学 基于仿真优化的海工分段智能排程系统
CN116090676A (zh) * 2023-04-10 2023-05-09 武汉益模科技股份有限公司 一种基于多目标优化的aps排产方法及aps排产系统
CN116841260A (zh) * 2023-06-14 2023-10-03 成都飞机工业（集团）有限责任公司 一种用于飞机部件装配的动态自适应计划排程方法

Similar Documents

Publication Publication Date Title
Mohammed et al. A tabu search based algorithm for the optimal design of multi-objective multi-product supply chain networks
CN114298426A (zh) Aps动态生产计划排程系统
Guo et al. Modeling and Pareto optimization of multi-objective order scheduling problems in production planning
Sadeghi et al. A fuzzy grey goal programming approach for aggregate production planning
CN114897379A (zh) 一种基于信息反馈的动态生产计划排程系统及方法
Goyal et al. Advanced manufacturing technology effectiveness: A review of literature and some issues
Mehranfar et al. A novel hybrid whale optimization algorithm to solve a production-distribution network problem considering carbon emissions
Liu et al. Modelling, analysis and improvement of an integrated chance-constrained model for level of repair analysis and spare parts supply control
Karimi et al. Multi-objective multi-facility green manufacturing closed-loop supply chain under uncertain environment
CN114298423A (zh) Aps动态生产计划排程算法
Javanshir et al. Bi-objective supply chain problem using MOPSO and NSGA-II
Hafezalkotob et al. Development of a multi-period model to minimise logistic costs and maximise service level in a three-echelon multi-product supply chain considering back orders
CN116415780A (zh) 一种智能排单的方法及系统
Egilmez et al. Cell formation in a cellular manufacturing system under uncertain demand and processing times: a stochastic genetic algorithm approach
Shen et al. An improved genetic algorithm for seru scheduling problem with worker assignment considering lot-splitting
Krause AI-based discrete-event simulations for manufacturing schedule optimization
Rajakumar et al. Workflow balancing in parallel machine scheduling with precedence constraints using genetic algorithm
Kühn et al. Investigation Of Genetic Operators And Priority Heuristics for Simulation Based Optimization Of Multi-Mode Resource Constrained Multi-Project Scheduling Problems (MMRCMPSP).
Mariano et al. Complex componential approach for redundancy allocation problem solved by simulation-optimization framework
Labbi et al. Genetic algorithm combined with Taguchi method for optimisation of supply chain configuration considering new product design
Zeidabadi et al. MULTI-OBJECTIVE ROBUST PRODUCTION PLANNING CONSIDERING WORKFORCE EFFICIENCY WITH A METAHEURISTIC SOLUTION APPROACH.
Ivaschenko et al. Conditional management technology for multiagent interaction.
Ding et al. A multiobjective optimization method for strategic sourcing and inventory replenishment
DerakhshanHoreh et al. Integrated production and non-cyclical maintenance planning in flow-shop environment with limited buffer
Jin et al. Optimal maintenance strategy for large-scale production systems under maintenance time uncertainty

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