CN114493172A - 一种应急产能调配预案推演方法及系统 - Google Patents
一种应急产能调配预案推演方法及系统 Download PDFInfo
- Publication number
- CN114493172A CN114493172A CN202111681677.2A CN202111681677A CN114493172A CN 114493172 A CN114493172 A CN 114493172A CN 202111681677 A CN202111681677 A CN 202111681677A CN 114493172 A CN114493172 A CN 114493172A
- Authority
- CN
- China
- Prior art keywords
- capacity allocation
- capacity
- plan
- demand
- emergency
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004519 manufacturing process Methods 0.000 claims abstract description 50
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 238000006467 substitution reaction Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 32
- 239000000463 material Substances 0.000 claims description 27
- 238000012797 qualification Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012358 sourcing Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 description 10
- 238000007726 management method Methods 0.000 description 7
- 238000012163 sequencing technique Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 238000005553 drilling Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001483 mobilizing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012795 verification 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G06Q10/067—Enterprise or organisation modelling
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种应急产能调配预案推演方法及系统。该方法包括:针对应急状态下不同类别的事件构建相应的应急生产事件元模型;将产能调配需求与应急生产事件元模型进行匹配,得到产能调配实际需求的信息描述、预案优选约束条件的信息描述;构建产能调配预案库;计算产能调配需求与产能调配预案库中已有案例的全局相似度,按照相似度输出最佳匹配预案;根据产能调配实际需求,访问知识库以调取存储的专家知识及规则,对最佳匹配预案中的产能调配预案进行修正,将修正后的产能调配预案输出给决策人员。本发明能够生成应急状态下的产能调配辅助决策预案,达到应急状态下的产能调配的多要素全局相似度分析,实现产能需求描述与制造资源的智能调配。
Description
技术领域
本发明属于信息技术领域,涉及生产制造中的产能智能调配,具体涉及一种应急产能调配预案推演方法及系统。
背景技术
本发明专利建立在案例推理技术和相似度计算方法基础上。案例推理(CRB)是现代社会在人工智能方面新兴的一种推理方法,模仿人大脑解决问题的思路,参照过去解决问题的类似方法和经验,生成解决新问题的辅助决策方案。该技术已在社会治理领域的应急管理中,开展了算法模型构建和原理验证。研究者采用结构相似法模拟应急演练情境,构建层次结构情景模型,提出情景相似度计算方法和应急演练应景相似度评价矩阵,用于获取油气爆燃事故和油品泄露事故的应急预案(鲁金涛.应急演练“情景-响应”模型的结构相似度构建方法[J].中国安全科学学报,2021,31(10):182-188.)。面向环境群体性事件的应急决策,通过构建全局相似度算法,开发环境群体性事件应急辅助决策系统原型,解决传统最近相邻算法中存在的属性值缺失问题(张英菊.案例推理技术在环境群体性事件应急决策中的应用研究[J].安全与环境工程,2016,23(1):94-99)。结合基于案例推理(Case-Based Reasoning,CBR)和规则推理(Rule-Based Reasoning,RBR),构建公安突发事件辅助决策算法,通过CRB检索出同级别案例中的相似案例,结合RBR对检索结果案例进行修正优化,使其更加适合突发事件的实际情况(蔡胜胜,卜凡亮.基于案例推理和规则推理的公安突发事件辅助决策算法[J].计算机与现代化,2019(9):7-11)。
随着产能精准调配需求的日益增长,应急产能智能调度系统采用案例推演技术和相似度匹配算法,提供应急预案演练辅助决策。然而,应用最近相邻算法、余弦相似度算法、杰卡德相似度算法,难以快速、转准确地获取产能优选方案,产能调配智能感知、分析、决策效率不足,应急状态下产能智能匹配误差率较高。
最近相邻算法(KNN)准确度较高,数据可以直接加入数据集而不必进行重新训练,理论成熟可用于非线性分类。但当属性值缺失或样本不平衡时,预测偏差较大;并且每一次分类都需要重新进行一次全局运算,对容量大的数据集计算量较大。余弦相似度算法将属性是否出现变更为属性在样本中的权重,对向量的方向较为敏感,对向量的绝对值大小敏感度较低,因此适用于行为矩阵判别,而对于打分量化矩阵评价效果准确度较低。杰卡德Jaccard相似系数(Jaccard similarity coefficient)用于比较有限样本集之间的相似性与差异性,计算效率较高。但是该方法无法衡量具体差异值的大小,在应急预案的优选推荐方面,缺少各预案的差异值分析和优选排序能力。
现有技术方案主要面向现代社会治理领域,通过构建基于案例推理技术的相似度算法模型,支撑社会治理应急辅助决策系统,提升应急状态下决策效率与精度。然而,在工业生产领域,尚缺少应急状态下基于生产事件元模型的预案推演方法,尚未构建应急生产事件元模型、产能智能调度相似度计算模型,难以支撑应急状态下的产能调度科学决策。因而,在应急状态下,短缺产能的态势感知、分析、决策效率较低,产能跨企业、跨地域调配误差率较高。
发明内容
针对以上问题,本发明提出一种基于案例推理技术、相似度计算的应急产能调配预案推演方法及系统。通过设定预案推演约束条件,建立产能调配预案库与产能调配的实际需求映射关系,为用户提供适合的产能调配辅助决策方案;并依据全局相似度计算结果,按照相似度由高到低的顺序,为用户智能推送产能智能调度方案。
本发明专利旨在实现应急状态下产能需求与供给能力的智能匹配,帮助国家生产管理部门、制造业集团与生产企业,找到应急状态适合的生产制造能力。通过构建产能预案调配辅助决策模型,将产能需求与供给能力标签化、结构化,采用案例推理技术、全局相似度计算方法,生成应急状态下的产能调配辅助决策预案,达到应急状态下的产能调配的多要素全局相似度分析,实现产能需求描述与制造资源的智能调配。
本发明采用的技术方案如下:
一种应急产能调配预案推演方法,包括以下步骤:
针对应急状态下不同类别的事件,构建相应的应急生产事件元模型;
将产能调配需求与各类应急生产事件元模型进行匹配,得到产能调配实际需求的信息描述、预案优选约束条件的信息描述;
构建产能调配预案库,按完全替代、不完全替代两种模式,在产能调配预案库中分类存放产能调配预案;
计算产能调配需求与产能调配预案库中已有案例的全局相似度,按照全局相似度从大到小的顺序输出最佳匹配预案;同时根据预先设定的预案优选约束条件,辅助选定最佳匹配预案;
根据产能调配实际需求,访问知识库以调取存储的专家知识及规则,对最佳匹配预案中的产能调配预案进行修正,将修正后的产能调配预案输出给决策人员;同时将修订后的产能调配预案存储于产能调配预案库中以实现产能调配预案库的更新。
进一步地,所述应急生产事件元模型的标签包括:事件的名称、异常状态类别、短缺产能信息、供应商信息、断供影响。
进一步地,所述将产能调配需求与各类应急生产事件元模型进行匹配,得到产能调配需求匹配的标准信息,包括:
在产能调配实际需求的信息描述界面,输入产能调配实际需求中各特征变量的属性,包含短缺物料名称、物料编码、需求总量、当前库存量,并支持用户输入断供物料的可替代物料名称;
在预案优选约束条件的信息描述界面,设置产能替代原则,供方优选原则,限定最高成本单价、最低供货数量、最长到货时间、最长供货距离、企业类型;
输入需求描述和约束条件信息后,输出产能智能调配推荐列表,实现应急生产事件的产能调配需求模型匹配。
进一步地,采用属性相似度计算方法,将产能调配属性定义为物料名称、规格、正常产能、动员产能、企业类型、企业资质、质量等级、采用标准、单价、供货距离;进而,基于规则库,按照完全替代、不完全替代两种模式,完成产能智能调配预案推演过程;最后,按照距离优先、成本优先原则,设置属性权重,进行多属性加权计算;根据计算结果排序,向用户智能推送产能智能调配供应商信息。
进一步地,所述向用户智能推送产能智能调配供应商信息,包括:
定义预案库已有实际案例的属性信息
定义产能需求的属性信息
设定不同模式约束规则,包括完全替代模式、不完全替代模式,分别对完全替代模式、不完全替代模式按照相应的约束进行数据筛选;
按照排序推荐原则进行加权求和,得到每个供应商所对应的推荐分数,按照推荐分数对供应商进行排序;
根据排序结果,按照最大推荐数输出指定数目的供应商信息,并在前端页面进行展示。
一种采用上述方法的应急产能调配预案推演系统,其包括:
应急生产事件元模型构建模块,用于针对应急状态下不同类别的事件,构建相应的应急生产事件元模型;
产能调配需求匹配模块,用于将产能调配需求与各类应急生产事件元模型进行匹配,得到产能调配实际需求的信息描述、预案优选约束条件的信息描述;
产能调配预案库构建模块,用于构建产能调配预案库,按完全替代、不完全替代两种模式,在产能调配预案库中分类存放产能调配预案;
产能调配预案相似度匹配模块,用于计算产能调配需求与产能调配预案库中已有案例的全局相似度,按照全局相似度从大到小的顺序输出最佳匹配预案;同时根据预先设定的预案优选约束条件,辅助选定最佳匹配预案;
最佳匹配预案修正模块,用于根据产能调配实际需求,访问知识库以调取存储的专家知识及规则,对最佳匹配预案中的产能调配预案进行修正,将修正后的产能调配预案输出给决策人员;同时将修订后的产能调配预案存储于产能调配预案库中以实现产能调配预案库的更新。
本发明的有益效果如下:
1)本发明将案例推理技术引入生产制造领域,采用全局相似度计算方法,创建产能智能调配模型。结合应急状态下产能需求,从预先构建的产能调配案例库中找出相近的预案。设定产能调配预案推演的约束条件,辅助国家生产管理部门、制造集团以及生产企业,进行产能调配预案决策,提升产能调配智能感知、分析、决策速度,降低应急产能智能匹配误差率。
2)本发明提炼应急状态下,对产能有影响的对象属性,定义短缺产能调配的事件主题模型。采用定性与定量结合的方式,实现产能调配情境内涵的数学形式化描述。进而,应用案例推理方法,采用实际需求与预案案例相结合的双塔多层网络存储结构,设计产能调配预案推演辅助决策工作流程。预案案例和实际案例通过抽象策略形成双塔结构,多层指应急生产事件元模型、产能调配需求模型、产能调配预案库分层存储,双塔同层次之间形成双向关联关系。采用案例全局相似度算法,构建短缺物料产能调配优选模型,通过正常产能、动员产能、企业资质、质量等级等多种属性加权计算,为应急状态下产能跨调配提供辅助决策依据。
3)本发明建立在案例推理技术、相似度计算方法的基础之上。采用全局相似度计算方法,创建应急产能智能调配模型,实现对短缺物资产能的智能推送,提高产能调配智能感知、分析、决策速度,降低应急和ZS状态下产能智能匹配误差率。
4)本发明主要应用于制造领域的产能调配,并可推广应用于社会现代化治理、应急管理、国防科研生产领域。根据产能调配供需匹配度进行排序,智能解析与匹配适合的生产制造资源,生成产能调配辅助决策方案。根据产能相似度进行排序,推荐给项目委托用户,提升应急状态下产能调配智能感知、分析、决策速度,降低应急产能智能匹配误差率。
附图说明
图1是本发明的应急产能调配预案推演方法的流程图。
具体实施方式
下面通过具体实施例和附图,对本发明做进一步详细说明。
本发明采用案例推理技术,构建了产能智能调配模型,开发了产能调配预案推演辅助决策软件,验证产能调配模型的有效性。
如图1所示,本发明提供一种产能调配预案推演的辅助决策流程,主要包括如下步骤:
步骤1.构建各类应急生产事件元模型。针对应急状态下不同类别事件,构建相应的应急生产事件元模型,定义某一类特定突发事件的共性知识模型。所构建的应急生产事件元模型的标签包括:事件的名称、异常状态类别、短缺产能信息、供应商信息、断供影响等基础信息。
步骤2.产能调配需求模型匹配,结合产能调配需求,与各类应急生产事件元模型进行匹配。在应用产能调配实际需求的信息描述界面,输入产能调配实际需求中各特征变量属性,包含短缺物料名称、物料编码、需求总量、当前库存量,并支持用户输入断供物料的可替代物料名称。在应用预案优选约束条件的信息描述界面,设置产能替代原则(完全替代、部分替代),供方优选原则(包含距离优先、成本优先原则),限定最高成本单价、最低供货数量、最长到货时间、最长供货距离、企业类型(国有企业、民营企业、境外企业、军工集团)。输入需求描述和约束条件信息后,输出产能智能调配推荐列表,即表1的产能调配需求模型匹配标准信息表,实现应急生产事件的产能调配需求模型匹配。
表1 产能调配需求模型匹配标准信息表
步骤3.构建产能调配预案库。按完全替代、不完全替代两种模式,分类存放应用应急产能调配预案推演方法,形成的各类产能调配预案历史数据。
步骤4.构建预案全局相似度匹配计算模型。假设发生应急产能短缺事件Y(即产能需求Y),产能调配预案库中存在已有案例X,X和Y的全局相似度计算方法如下:
其中:SIM(X,Y)表示X和Y的全局相似度;S为X和Y的结构相似度;wi为X和Y的交集属性集中的第i个属性在参与匹配的属性中所占的权重,且所有权重取值之和为1;Sim(Xi,Yi)表示X和Y在交集属性集中第i个属性上的局部相似度,即属性相似度。
步骤5.产能预案相似度匹配。调用全局相似度计算方法,并且访问产能调配预案库,逐个计算当前产能调配应急事件的某个特定状态和产能调配预案库里相应类型的元模型的各个状态的相似度,按照相似度从大到小的顺序输出最佳匹配预案。同时,根据预先设定的调配策略类型、受限条件等调配方案约束条件,辅助决策人员最终选定最佳匹配预案。
步骤6.最佳匹配预案修正。结合产能调配实际需求,并访问知识库,调取存储的专家知识及规则,对最佳匹配预案中的产能调配方案进行修正。最终,将修正后的预案输出,由决策人员进行修正,并最终决策。同时,将修订后的产能调配预案存储于产能调配预案库中,实现产能调配预案库的更新。
本发明采用全局相似度算法模型,进行应急状态下产能的智能匹配。首先,采用结构相似度算法,分析产能需求非空属性集合Y和已有案例非空属性集合X的相似性。当预案库中的案例属性X与产能需求属性Y的交集为空集时,即时,该案例X不参与属性相似度匹配,节省相似度匹配计算时间。当预案库中的案例属性X与产能需求属性Y的交集不为空集时,即时,计算产能需求属性Y与已有案例属性X的结构相似度其中,W1=Σwi(X∩Y的属性权重之和),W2=Σwj(X∪Y的属性权重之和)。其中,X∩Y的属性权重是指x和y的非空属性交集,交集中各属性的权重之和;X∪Y的属性权重是指x和y的非空属性并集,并集中各属性的权重之和。
接下来,采用属性相似度计算方法,将产能调配属性定义为物料名称、规格、正常产能、动员产能、企业类型、企业资质、质量等级、采用标准、单价、供货距离。进而,基于规则库,按照完全替代、不完全替代两种模式,完成产能智能调配预案推演过程。最后,按照距离优先、成本优先原则,设置属性权重,进行产能相似度匹配的多属性加权计算。根据计算结果排序,生成清晰化的输出结果,向用户智能推送产能智能调配供应商信息,具体包括以下步骤:
(1)定义预案库已有实际案例X的属性信息
a)物料名称x1
b)规格x2
c)正常产能x3(假设单位为“件/天”)
d)动员产能x4(假设单位为“件/天”)
e)企业类型x5
f)企业资质x6
g)质量等级x7
h)采用标准x8
i)单价x9
j)供货距离x10
(2)定义产能需求Y的属性信息
k)物料名称Y1
l)规格Y2
m)数量Y3(件)
n)需求时间Y4
o)企业类型Y5
p)企业资质Y6
q)采用标准Y7
r)质量等级Y8
s)生产状态Y9(正常、动员)
t)推荐原则Y10
u)最大推荐数Y11
(3)设定不同模式约束规则
a)完全替代模式
“物料名称”x1、“规格”x2、“企业类型”x5需完全匹配需方要求的固定值,“产能”x3/x4需满足需方的供货要求,“企业资质”x6、“采用标准”x7、“质量等级”x8在需方要求的集合范围内。
完全替代模式按照以下约束进行数据筛选:
x1∈Y1,card(Y1)=1
x2∈Y2,card(Y2)=1
x5∈Y5,card(Y5)=1
x6∈Y6,card(Y6)>0
x7∈Y7,card(Y7)>0
x8∈Y8,card(Y8)>0
其中,card表示预案库已有案例与实际案例的属性判断,1表示预案库已有案例与实际案例的属性完全一致,>0表示案例库已有实际案例属性在需求范围属性集的范围内,a4表示需求外协生产的到货时间,current_time表示系统计算的当前时间点。
b)不完全替代模式
“物料名称”x1、“规格”x2、“企业类型”x5在需方要求的集合范围内,“产能”x3/x4需满足需方的供货要求,“企业资质”x6、“采用标准”x7、“质量等级”x8在需方要求的集合范围内。
不完全替代模式按照以下约束进行数据筛选:
x1∈Y1,card(Y1)>0
x2∈Y2,card(Y2)>0
x5∈Y5,card(Y5)>0
x6∈Y6,card(Y6)>0
x7∈Y7,card(Y7)>0
x8∈Y8,card(Y8)>0
(4)排序推荐原则
推荐原则Y10可选值为交付周期优先、供货距离优先、成本优先,根据需方所选择的Y10值,对交付周期、供货距离、成本进行加权计算,得到最后的总评分,然后根据总评分进行排序推荐。
a)归一化
分别对变量正常产能x3、动员产能x4、单价倒数1/x9、供货距离倒数1/x10进行归一化,统一量纲。归一化公式如下:
其中,xn_min是各供应商中变量xn的最小值,xn_max是各供应商中变量xn的最大值。经过归一化,分别得到x3_norm、x4_norm、x9_norm、x10_norm。
b)排序推荐
将归一化后的产能、供货距离倒数、单价倒数进行加权求和,得到每个供应商所对应的推荐分数:
其中,w1是根据专家经验所得的产能权重(体现交付周期的长短),w2是根据专家经验所得的供货距离变量的权重,w3是根据专家经验所得的单价变量的权重。当采用距离优先原则时,w2>w1;当采用效率优先原则时,w1>w2。
按照score值对数据进行排序,得到最终排序后的数据datasort:
datasort=Sort(score)
c)输出
根据最大推荐数Y11输出指定数目的供应商信息,并在前端页面进行展示:
datashow=datasort[1:Y11]
现有的最近相邻算法、余弦相似度算法、杰卡德相似度算法也能完成产能智能匹配,最近相邻算法速率要比全局相似度算法快,但是属性值缺失时计算精度较低。本发明采用产能全局相似度算法模式。除此模式外,还可采用短缺物料相似度分析模式,用于短缺物料和物资库存的资源匹配。用户可根据短缺物资名称、物资编号、物资规格、物资品牌,选择现有库存进行智能调配。但是以上方法,都无法实现应急状态下产能的智能匹配。本发明采用应急生产事件元模型,结合基于案例推演的产能全局相似度计算模型,可实现应急状态下的产能智能调配,提升产能调配的智能感知、分析、决策速度,降低应急产能智能匹配误差率。
本发明提供了一种应急产能调配预案推演方法,本发明的技术关键点和欲保护点主要包括:
1.构建一种产能调配预案推演的辅助决策流程。针对应急状态下不同类别事件,构建特定突发事件的共性知识模型。用户输入产能调配实际需求的信息描述、预案优选约束条件的信息描述,系统通过预案全局相似度匹配计算,进行最佳匹配预案优选。输出产能预案相似度匹配结果,并将最佳匹配预案修正结果输入预案库。
2.构建产能全局相似度计算模型,采用结构相似度、属性相似度结合的算法,实现多要素加权综合计算分析。从多个比较维度,定义产能调配的信息权重;基于预案库,综合计算已有案例与项目需求的匹配度。按照完全替代、不完全替代两种模式,距离优先、效率优先两种优选原则,生成应急产能的智能调配预案。
3.对替代产能供应商的智能推荐。根据产能需求与预案库已有案例的匹配度,对备用供应商进行智能匹配,按照综合评分由高到低的顺序,对用产能调配方案进行智能推荐。
基于同一发明构思,本发明的另一个实施例一种采用上述方法的应急产能调配预案推演系统,其包括:
应急生产事件元模型构建模块,用于针对应急状态下不同类别的事件,构建相应的应急生产事件元模型;
产能调配需求匹配模块,用于将产能调配需求与各类应急生产事件元模型进行匹配,得到产能调配实际需求的信息描述、预案优选约束条件的信息描述;
产能调配预案库构建模块,用于构建产能调配预案库,按完全替代、不完全替代两种模式,在产能调配预案库中分类存放产能调配预案;
产能调配预案相似度匹配模块,用于计算产能调配需求与产能调配预案库中已有案例的全局相似度,按照全局相似度从大到小的顺序输出最佳匹配预案;同时根据预先设定的预案优选约束条件,辅助选定最佳匹配预案;
最佳匹配预案修正模块,用于根据产能调配实际需求,访问知识库以调取存储的专家知识及规则,对最佳匹配预案中的产能调配预案进行修正,将修正后的产能调配预案输出给决策人员;同时将修订后的产能调配预案存储于产能调配预案库中以实现产能调配预案库的更新。
以上公开的本发明的具体实施例,其目的在于帮助理解本发明的内容并据以实施,本领域的普通技术人员可以理解,在不脱离本发明的精神和范围内,各种替换、变化和修改都是可能的。本发明不应局限于本说明书的实施例所公开的内容,本发明的保护范围以权利要求书界定的范围为准。
Claims (9)
1.一种应急产能调配预案推演方法,其特征在于,包括以下步骤:
针对应急状态下不同类别的事件,构建相应的应急生产事件元模型;
将产能调配需求与各类应急生产事件元模型进行匹配,得到产能调配实际需求的信息描述、预案优选约束条件的信息描述;
构建产能调配预案库,按完全替代、不完全替代两种模式,在产能调配预案库中分类存放产能调配预案;
计算产能调配需求与产能调配预案库中已有案例的全局相似度,按照全局相似度从大到小的顺序输出最佳匹配预案;同时根据预先设定的预案优选约束条件,辅助选定最佳匹配预案;
根据产能调配实际需求,访问知识库以调取存储的专家知识及规则,对最佳匹配预案中的产能调配预案进行修正,将修正后的产能调配预案输出给决策人员;同时将修订后的产能调配预案存储于产能调配预案库中以实现产能调配预案库的更新。
2.根据权利要求1所述的方法,其特征在于,所述应急生产事件元模型的标签包括:事件的名称、异常状态类别、短缺产能信息、供应商信息、断供影响。
3.根据权利要求1所述的方法,其特征在于,所述将产能调配需求与各类应急生产事件元模型进行匹配,得到产能调配需求匹配的标准信息,包括:
在产能调配实际需求的信息描述界面,输入产能调配实际需求中各特征变量的属性,包含短缺物料名称、物料编码、需求总量、当前库存量,并支持用户输入断供物料的可替代物料名称;
在预案优选约束条件的信息描述界面,设置产能替代原则,供方优选原则,限定最高成本单价、最低供货数量、最长到货时间、最长供货距离、企业类型;
输入需求描述和约束条件信息后,输出产能智能调配推荐列表,实现应急生产事件的产能调配需求模型匹配。
6.根据权利要求4所述的方法,其特征在于,采用属性相似度计算方法,将产能调配属性定义为物料名称、规格、正常产能、动员产能、企业类型、企业资质、质量等级、采用标准、单价、供货距离;进而,基于规则库,按照完全替代、不完全替代两种模式,完成产能智能调配预案推演过程;最后,按照距离优先、成本优先原则,设置属性权重,进行多属性加权计算;根据计算结果排序,向用户智能推送产能智能调配供应商信息。
7.根据权利要求6所述的方法,其特征在于,所述向用户智能推送产能智能调配供应商信息,包括:
定义预案库已有实际案例的属性信息
定义产能需求的属性信息
设定不同模式约束规则,包括完全替代模式、不完全替代模式,分别对完全替代模式、不完全替代模式按照相应的约束进行数据筛选;
按照排序推荐原则进行加权求和,得到每个供应商所对应的推荐分数,按照推荐分数对供应商进行排序;
根据排序结果,按照最大推荐数输出指定数目的供应商信息,并在前端页面进行展示。
8.根据权利要求7所述的方法,其特征在于,所述推荐原则包括交付周期优先、供货距离优先、成本优先,采用以下步骤得到每个供应商所对应的推荐分数:
a)分别对变量正常产能x3、动员产能x4、单价倒数1/x9、供货距离倒数1/x10进行归一化,统一量纲;归一化公式如下:
其中,xn_min是各供应商中变量xn的最小值,xn_max是各供应商中变量xn的最大值。经过归一化,分别得到x3_norm、x4_norm、x9_norm、x10_norm;
b)将归一化后的产能、供货距离倒数、单价倒数进行加权求和,得到每个供应商所对应的推荐分数:
其中,w1是根据专家经验所得的产能权重(体现交付周期的长短),w2是根据专家经验所得的供货距离变量的权重,w3是根据专家经验所得的单价变量的权重。当采用距离优先原则时,w2>w1;当采用效率优先原则时,w1>w2。
9.一种采用权利要求1~8中任一权利要求所述方法的应急产能调配预案推演系统,其特征在于,包括:
应急生产事件元模型构建模块,用于针对应急状态下不同类别的事件,构建相应的应急生产事件元模型;
产能调配需求匹配模块,用于将产能调配需求与各类应急生产事件元模型进行匹配,得到产能调配实际需求的信息描述、预案优选约束条件的信息描述;
产能调配预案库构建模块,用于构建产能调配预案库,按完全替代、不完全替代两种模式,在产能调配预案库中分类存放产能调配预案;
产能调配预案相似度匹配模块,用于计算产能调配需求与产能调配预案库中已有案例的全局相似度,按照全局相似度从大到小的顺序输出最佳匹配预案;同时根据预先设定的预案优选约束条件,辅助选定最佳匹配预案;
最佳匹配预案修正模块,用于根据产能调配实际需求,访问知识库以调取存储的专家知识及规则,对最佳匹配预案中的产能调配预案进行修正,将修正后的产能调配预案输出给决策人员;同时将修订后的产能调配预案存储于产能调配预案库中以实现产能调配预案库的更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111681677.2A CN114493172B (zh) | 2021-12-30 | 2021-12-30 | 一种应急产能调配预案推演方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111681677.2A CN114493172B (zh) | 2021-12-30 | 2021-12-30 | 一种应急产能调配预案推演方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114493172A true CN114493172A (zh) | 2022-05-13 |
CN114493172B CN114493172B (zh) | 2023-11-28 |
Family
ID=81510119
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111681677.2A Active CN114493172B (zh) | 2021-12-30 | 2021-12-30 | 一种应急产能调配预案推演方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114493172B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115689208A (zh) * | 2022-11-02 | 2023-02-03 | 广州北羊信息技术有限公司 | 一种智能调度列车工作计划自动调整系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007060606A (ja) * | 2005-08-25 | 2007-03-08 | Yoshiaki Ito | ビデオの自動構造抽出・提供方式からなるコンピュータプログラム |
CN102289569A (zh) * | 2011-07-21 | 2011-12-21 | 中国电力科学研究院 | 一种电力系统突发事件应急处理方法 |
CN102314639A (zh) * | 2011-07-05 | 2012-01-11 | 万达信息股份有限公司 | 一种可视化的动态智能应急处置方案生成方法 |
US20120011514A1 (en) * | 2010-07-12 | 2012-01-12 | International Business Machines Corporation | Generating an advanced function usage planning report |
CN103500423A (zh) * | 2013-09-26 | 2014-01-08 | 国家电网公司 | 一种电力突发事件案例适配决策方法 |
CN103886507A (zh) * | 2013-12-31 | 2014-06-25 | 北京交通大学 | 应急预案数字化生成方法 |
CN111415064A (zh) * | 2020-02-21 | 2020-07-14 | 神华和利时信息技术有限公司 | 预案流程获得方法、系统、存储介质及电子设备 |
CN111784192A (zh) * | 2020-07-17 | 2020-10-16 | 塔盾信息技术(上海)有限公司 | 一种基于动态演化的工业园区应急预案可执行化系统 |
CN112232389A (zh) * | 2020-09-28 | 2021-01-15 | 东南大学 | 一种大型活动突发事件交通应急预案动态调整方法及系统 |
-
2021
- 2021-12-30 CN CN202111681677.2A patent/CN114493172B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007060606A (ja) * | 2005-08-25 | 2007-03-08 | Yoshiaki Ito | ビデオの自動構造抽出・提供方式からなるコンピュータプログラム |
US20120011514A1 (en) * | 2010-07-12 | 2012-01-12 | International Business Machines Corporation | Generating an advanced function usage planning report |
CN102314639A (zh) * | 2011-07-05 | 2012-01-11 | 万达信息股份有限公司 | 一种可视化的动态智能应急处置方案生成方法 |
CN102289569A (zh) * | 2011-07-21 | 2011-12-21 | 中国电力科学研究院 | 一种电力系统突发事件应急处理方法 |
CN103500423A (zh) * | 2013-09-26 | 2014-01-08 | 国家电网公司 | 一种电力突发事件案例适配决策方法 |
CN103886507A (zh) * | 2013-12-31 | 2014-06-25 | 北京交通大学 | 应急预案数字化生成方法 |
CN111415064A (zh) * | 2020-02-21 | 2020-07-14 | 神华和利时信息技术有限公司 | 预案流程获得方法、系统、存储介质及电子设备 |
CN111784192A (zh) * | 2020-07-17 | 2020-10-16 | 塔盾信息技术(上海)有限公司 | 一种基于动态演化的工业园区应急预案可执行化系统 |
CN112232389A (zh) * | 2020-09-28 | 2021-01-15 | 东南大学 | 一种大型活动突发事件交通应急预案动态调整方法及系统 |
Non-Patent Citations (4)
Title |
---|
ZHIGANG JIANG 等: "A hybrid approach of rough set and case-based reasoning to remanufacturing process planning", 《JOURNAL OF INTELLIGENT MANUFACTURING》, pages 19 - 32 * |
于振;何知遥;: "基于本体推理的电力应急处置决策模型研究", 电力信息与通信技术, no. 05, pages 16 - 21 * |
张炎亮;徐元元;李俊雅;: "不完备信息下基于案例推理的城市火灾应急决策方法研究", 中国安全生产科学技术, no. 03, pages 13 - 18 * |
张英菊;仲秋雁;叶鑫;曲晓飞;: "基于案例推理的应急辅助决策方法研究", 计算机应用研究, no. 04, pages 1412 - 1415 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115689208A (zh) * | 2022-11-02 | 2023-02-03 | 广州北羊信息技术有限公司 | 一种智能调度列车工作计划自动调整系统 |
CN115689208B (zh) * | 2022-11-02 | 2023-10-13 | 广州北羊信息技术有限公司 | 一种智能调度列车工作计划自动调整系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114493172B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Masum et al. | Intelligent human resource information system (i-HRIS): A holistic decision support framework for HR excellence. | |
Barak et al. | A novel hybrid fuzzy DEA-Fuzzy MADM method for airlines safety evaluation | |
Liao et al. | Integrated FAHP, ARAS-F and MSGP methods for green supplier evaluation and selection | |
Moeinzadeh et al. | A combined fuzzy decision making approach to supply chain risk assessment | |
Panwar et al. | A many-objective optimization model for construction scheduling | |
Fahrni et al. | An application‐oriented guide to R&D project selection and evaluation methods | |
Chan et al. | Establishing disaster resilience indicators for Tan-sui river basin in Taiwan | |
Wu et al. | A hybrid multiple criteria decision making model for supplier selection | |
Narrei et al. | Post-mining land-use methods optimum ranking, using multi attribute decision techniques with regard to sustainable resources management | |
Chu et al. | A manufacturing resource allocation method with knowledge-based fuzzy comprehensive evaluation for aircraft structural parts | |
Chang et al. | A hybrid system by evolving case-based reasoning with genetic algorithm in wholesaler's returning book forecasting | |
Mishra et al. | Multi-attribute group decision-making (MAGDM) for supplier selection using fuzzy linguistic modelling integrated with VIKOR method | |
Zhao et al. | An integrated approach based on the decision-theoretic rough set for resilient-sustainable supplier selection and order allocation | |
Li et al. | Order assignment and scheduling under processing and distribution time uncertainty | |
CN114493172A (zh) | 一种应急产能调配预案推演方法及系统 | |
Meng et al. | Robust assembly line balancing problem considering preventive maintenance scenarios with interval processing time | |
Babu et al. | Selection of architecture styles using analytic network process for the optimization of software architecture | |
Aggarwal et al. | A hybrid approach for supplier selection based on revised data envelopment analytic hierarchy process | |
CN116188115A (zh) | 基于供应链网络需求与偏好挖掘的供应商推荐系统及方法 | |
Azadeh et al. | Selecting optimum maintenance activity plans by a unique simulation-multivariate approach | |
Ocampo et al. | A sustainable manufacturing strategy from different strategic responses under uncertainty | |
Fiala et al. | Management of dynamic project portfolio | |
Jiang et al. | A recovery model for production scheduling: combination of disruption management and Internet of Things | |
Li et al. | Interval-valued intuitionistic fuzzy decision with graph pattern in big graph | |
Jamshidnejad | Project Portfolio Selection Based on Risk Index |
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 |