CN114548735A - 一种船用柴油机曲轴批量制造的智能排产方法 - Google Patents

一种船用柴油机曲轴批量制造的智能排产方法 Download PDF

Info

Publication number
CN114548735A
CN114548735A CN202210146575.9A CN202210146575A CN114548735A CN 114548735 A CN114548735 A CN 114548735A CN 202210146575 A CN202210146575 A CN 202210146575A CN 114548735 A CN114548735 A CN 114548735A
Authority
CN
China
Prior art keywords
product
completion time
scheduling
time
max
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
Application number
CN202210146575.9A
Other languages
English (en)
Other versions
CN114548735B (zh
Inventor
熊朝国
林晨
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.)
Wuhan Heavy Industry Casting and Forging Co Ltd
Original Assignee
Wuhan Heavy Industry Casting and Forging 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 Wuhan Heavy Industry Casting and Forging Co Ltd filed Critical Wuhan Heavy Industry Casting and Forging Co Ltd
Priority to CN202210146575.9A priority Critical patent/CN114548735B/zh
Priority claimed from CN202210146575.9A external-priority patent/CN114548735B/zh
Publication of CN114548735A publication Critical patent/CN114548735A/zh
Application granted granted Critical
Publication of CN114548735B publication Critical patent/CN114548735B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0633—Workflow analysis
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及智能制造技术领域，具体涉及一种船用柴油机曲轴批量制造的智能排产方法。通过选择器选出本周期满足排产条件的产品并进行标记；通过模糊推理机依次计算出各被标记产品的排产优先级模糊值；排产器根据各产品本道工序的排产优先级模糊值按从小到大的顺序进行资源分配，并计算出本道工序的计划开工时间和计划完工时间，其中，排产方式为正排。本方案输出综合考虑了多项因素，性能明显优于常用的单输入单输出系统，本方法经程序验证，满足了船用柴油机曲轴复杂制造工艺批量生产的排产需求。

Description

一种船用柴油机曲轴批量制造的智能排产方法
技术领域
本发明涉及智能制造技术领域，具体涉及一种船用柴油机曲轴批量制造的智能排产方法。
背景技术
船用柴油机曲轴制造工艺复杂、工序繁多，前后工序生产设备复用率高，导致不同批次的曲轴生产容易发生冲突。另外，曲轴加工除专用设备外还有通用设备，通用设备涉及加工的产品种类多，任务间相互交错，加之紧急插单和返工返修等情况，人工只能粗略地制定短期计划，订单交付时间无法预期，为此，有必要借助计算机软件进行自动排产。
目前，被广泛应用的智能排产算法主要有神经网络算法、遗传算法、禁忌搜索法、模拟退火法等。这些算法大多需要依靠经验选择参数或模型：神经网络算法的网络结构选择；遗传算法的种群大小、终止条件设置，交叉率、变异率参数选择；禁忌搜索算法优化精度严重依赖初始解,初始解不够优良会陷入局部最优的问题；模拟退火算法中初始温度、终止温度及冷却系数等参数选择。由于参数对算法性能影响很大，实际应用效果与人员经验密切相关。
综上所述，船用柴油机曲轴制造存在人工排产难、订单交付时间无法预期、资源利用率低的问题，而各智能排产算法并不能满足船用柴油机曲轴复杂制造工艺批量生产的排产需求。
发明内容
本发明的目的就是针对现有技术的缺陷，提供一种船用柴油机曲轴批量制造的智能排产方法，该方法由选择器、模糊推理机、排产器三部分组成，其智能排产方法能满足船用柴油机曲轴复杂制造工艺批量生产的排产需求。
本发明一种船用柴油机曲轴批量制造的智能排产方法，其技术方案为：
通过选择器选出本周期满足排产条件的产品并进行标记；
通过模糊推理机依次计算出各被标记产品的排产优先级模糊值；
排产器根据各产品本道工序的排产优先级模糊值按从小到大的顺序进行资源分配，并计算出本道工序的计划开工时间和计划完工时间，其中，排产方式为正排。
较为优选的，当产品满足以下条件中的任意一个时，所述产品在本周期满足排产条件，所述条件为：
条件1，产品等待资源；
条件2，资源等待产品，且产品为上道工序完工时间靠前的产品。
较为优选的，还包括
计算所有产品上道工序完工时间的平均值；
判断产品上道工序完工时间是否小于所述平均值，当某产品上道工序完工时间小于所述平均值时，判断该产品为上道工序完工时间靠前的产品。
较为优选的，所述判断产品是否为上道工序完工时间靠前的产品包括：
通过循环依次读取各产品的交货日期Dx，循环比较后获得最早交货日期Dmin和最晚交货日期Dmax，得到产品交货日期所属区间Dx∈[Dmin，Dmax]；
将交货日期区间[Dmin，Dmax]均分为三个连续区间[Dmin，(Dmax+2*Dmin)/3]、[(Dmax+2*Dmin)/3，(2*Dmax+Dmin)/3]和[(2*Dmax+Dmin)/3，Dmax]；
当产品交货日期Dx满足以下任一条件时，判断该产品为上道工序完工时间靠前的产品；
条件1，Dx∈[Dmin，(Dmax+2*Dmin)/3]时，DL≤DLavg；
条件2，Dx∈((Dmax+2*Dmin)/3，(2*Dmax+Dmin)/3]时，
DL≤(2*DLavg+DLmin)/3；
条件3，当Dx∈((2*Dmax+Dmin)/3，Dmax]时，
DL≤(DLavg+2*DLmin)/3；
其中，DL为产品上道工序的完工时间，产品上道工序完工时间的最小值DLmin，产品上道工序完工时间的平均值DLavg。
较为优选的，还包括：
通过循环依次读取各产品上道工序的完工时间DL；
循环比较各产品上道工序的完工时间DL，获得所有产品上道工序完工时间的最小值DLmin；
对各产品上道工序的完工时间DL循环累积求平均获得所有产品上道工序完工时间的平均值DLavg。
较为优选的，所述模糊推理机计算出各被标记产品的排产优先级模糊值包括：
输入产品上道工序完工时间的模糊值ML、产品本道工序理论完工时间的模糊值MT、产品下道工序生产设备的待制量与任务量之比值的模糊值MN、产品重要性模糊值NI；
根据公式M＝α*(ML+MT+MN)+MI计算出最终的排产优先级模糊值；
其中，α为自调整因子，其值为产品剩余工期与产品剩余工时的差值与产品剩余工期的比值。
较为优选的，所述排产器根据各产品本道工序的排产优先级模糊值按从小到大的顺序进行资源分配，并计算出本道工序的计划开工时间和计划完工时间包括：
对被标记产品的待排工序按排产优先级模糊值从小到大依次排列；
通过外循环依次读取被标记产品的待排工序的上道工序的计划完工时间；
通过内循环按设备编号依次读取同型号的各个生产设备的完工时间，并逐一与被标记产品的待排工序的上道工序的计划完工时间相比较，自主选择等待产品时间最短的生产设备，若不存在则选择产品等待时间最短的生产设备；
根据已读取的待排产品上道工序的计划完工时间和被选择生产设备的完工时间，取两者中较大值作为本道工序的计划开工时间，将计划开工时间与本道工序的额定工时之和作为本道工序的计划完工时间。
本发明的有益效果为：
1、本方案由选择器、模糊推理机和排产器三部分组成，其中，选择器根据产品交货日期、上道工序完工时间及本道工序生产设备完工时间等条件，优先选出任务紧、资源等待时间短的产品进行标记排产，以提高资源利用率。模糊推理机则根据多项具有确切值的模糊量，运用参数自调整模糊算法计算出各产品本道工序的排产优先级模糊值，通过模糊算法进一步优化各产品的生产顺序。排产器根据各产品本道工序的排产优先级模糊值按从小到大的顺序进行资源分配，并计算出本道工序的计划开工时间和计划完工时间，本方法输出综合考虑了多项因素，性能明显优于常用的单输入单输出系统，本方法经程序验证，满足了船用柴油机曲轴复杂制造工艺批量生产的排产需求。
2、生产设备利用率高，具体体现为生产资源相同，平均产能提升约28％。
本发明重点围绕提升设备利用率进行了两项针对性设计。首先通过选择器选出具备排产条件的产品进行标记，被标记产品方可参与本周期排产，所谓具备排产条件是指产品等待设备或设备等待上道工序完工时间早的产品，通过减少生产设备的等待时间，以提升设备利用率。其次，设计的排产器能在多台同型号设备中自动选取最适配设备，所谓最适配设备是指以产品上道工序完工时间为参照，优先选取等待产品时间最短的生产设备，通过此规则，进一步提升设备利用率。
3、算法通用性好，排产速度快，实用性强。
算法所选择的输入量分别为上道工序完工时间、本道工序理论完工时间、下道工序生产设备的任务状态、产品生产任务松紧程度和产品重要性的模糊值，各模糊输入量分别表示：上道工序完工时间早，为减少产品等待时间，本道工序先生产，反之；本道工序理论完工时间早，为减少其它产品等待时间，本道工序先生产，反之；下道工序生产设备任务忙，为减少下道工序等待时间，本道工序后生产，反之；产品生产任务松，优先生产其它任务紧的产品，本道工序后生产，反之；产品重要，本道工序先生产，反之。上述模糊输入量均为确切量，无需依靠人为设置参数值，算法性能与人员经验无关，使用过程中，生产资源数量变化或者状态改变均无需调整参数值和算法，因此算法通用性好。
附图说明
图1为本发明船用柴油机曲轴批量制造的智能排产方法原理图示意图；
图2为本发明选择器执行流程图示意图；
图3为本发明模糊推理机执行流程图示意图；
图4为本发明排产器执行流程图示意图。
具体实施方式
为了使本申请所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。
需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一
图1示出了本申请较佳实施例(图1示出了本申请第一实施例)提供的船用柴油机曲轴批量制造的智能排产方法的结构示意图，为了便于说明，仅示出了与本实施例相关的部分，详述如下：
本发明采用程序循环执行，循环结束条件为所有产品的所有工序完成排产。
首先通过选择器选出本周期满足排产条件的产品进行标记，未被标记的产品将不参与本周期排产，满足排产条件有两种情况，情况1为产品等待资源，即产品于资源之前已准备好，该情况下资源等待时间为零，资源利用率最高。情况2为资源等待产品，这种情况只选择上道工序完工时间靠前的产品进行排产，目的是减少资源等待时间，提高资源利用率，判断依据为所有产品上道工序完工时间的平均值，小于该平均值即判定为上道工序完工时间靠前；
其次通过模糊推理机依次计算出各被标记产品的排产优先级模糊值，其功能是确定不同产品在同一生产设备上的生产顺序，排产优先级模糊值越小，生产越靠前，模糊推理机的输入为产品上道工序完工时间的模糊量、本道工序理论完工时间的模糊量、下道工序生产设备的任务状态的模糊量、产品生产任务的松紧程度和产品重要性的模糊量；
最后，排产器根据各产品本道工序的排产优先级模糊值按从小到大的顺序进行资源分配，并计算出本道工序的计划开工时间和计划完工时间。排产方式选择正排，即紧前排。
较为优选的，选择器包含两个过滤条件，只要满足其中一个过滤条件，该产品将被标记后参与本周期排产。
过滤条件1，产品等待资源，表示为：DL≤DT，其中，DL为产品上道工序的完工时间，DT为产品本道工序的生产设备的完工时间。
过滤条件2，资源等待产品，为了减少资源等待时间，提高资源利用率，选择上道工序完工时间靠前的产品进行排产，判断依据为所有产品上道工序完工时间的平均值，小于该平均值即判定为产品上道工序完工时间靠前，具体过滤条件结合产品交货日期进行分段设置。
首先确定所有产品交货日期所属区间，并进行分段。通过循环依次读取各产品的交货日期Dx，循环比较后获得最早交货日期Dmin和最晚交货日期Dmax，产品交货日期所属区间Dx∈[Dmin，Dmax]，将交货日期区间均分为三个连续区间，分别对应为[Dmin，(Dmax+2*Dmin)/3]、[(Dmax+2*Dmin)/3，(2*Dmax+Dmin)/3]和[(2*Dmax+Dmin)/3，Dmax]。
其次确定产品上道工序完工时间靠前的判断依据所对应区间，并进行分段。通过循环依次读取各产品上道工序的完工时间DL，循环比较后获得所有产品上道工序完工时间的最小值DLmin，循环累积求平均获得所有产品上道工序完工时间的平均值DLavg，判断依据所对应区间为[DLmin，DLavg]，将该区间均分为三段，其间两个分隔点值分别为(DLavg+2*DLmin)/3和(2*DLavg+DLmin)/3。
过滤条件2设置为：
条件1，当Dx∈[Dmin，(Dmax+2*Dmin)/3]时，DL≤DLavg；
条件2，当Dx∈((Dmax+2*Dmin)/3，(2*Dmax+Dmin)/3]时，
DL≤(2*DLavg+DLmin)/3；
条件3，当Dx∈((2*Dmax+Dmin)/3，Dmax]时，
DL≤(DLavg+2*DLmin)/3。
满足以上3个条件中任意一个均确定产品上道工序完工时间靠前。本方案通过选择器，最终提高资源利用率。
较为优选的，模糊推理机是一种具有自调整因子的模糊算法，其表达式为：M＝α*(ML+MT+MN)+MI。其中，α为自调整因子，其值为产品剩余工期与产品剩余工时之差与产品剩余工期之比值，比值大小体现产品生产任务的松紧程度，α值大，表示产品加工任务松，排产靠后，α值小，表示产品加工任务紧，优先排产，各排产周期，产品α值会随排产顺序变化而改变，最终各产品α值趋于收敛，目标是提高产品整体履约率；ML为产品上道工序完工时间的模糊值，该模糊量表示上道工序先完工，本道工序先生产的排产规则，目的是减少产品等待时间，缩短产品生产周期；MT为产品本道工序理论完工时间的模糊值，该模糊量优化了按本道工序额定工时从短到长的排产规则，考虑了本道工序生产的起始时间因素，按本道工序理论完工时间从早到晚依次生产，可缩短所有产品的累积等待时间，提高总体生产效率；MN为产品下道工序生产设备的待制量与任务量之比值的模糊值，该模糊量表示下道工序生产设备的任务状态，设备越空闲，本道工序越靠前生产的排产规则，目的是防止生产设备出现任务堵塞和空闲，提高整体生产效率；MI为产品重要性模糊值，重要产品取0，非重要产品取1，其目的是区分产品重要性，重要产品优先生产；M为最终的排产优先级模糊值，该值越小，排产优先级越高，优先抢占资源。模糊推理机是一个多输入单输出系统，其输出同时包含多项排产优化因子，整体提升产线效率。
较为优选的，排产器具有自主选择生产设备和计算本道工序的计划开工时间与计划完工时间两个功能。自主选择生产设备仅限于在同型号的多台生产设备中自主选择，以优先满足设备等待时间最短，其次满足产品等待时间最短为选择依据。排产器的工作过程：首先，对被标记产品的待排工序按排产优先级模糊值从小到大依次排列。其次，通过外循环依次读取被标记产品的待排工序的上道工序的计划完工时间。然后，通过内循环按设备编号依次读取同型号的各个生产设备的完工时间，并逐一与被标记产品的待排工序的上道工序的计划完工时间相比较，自主选择等待产品时间最短的生产设备，若不存在则选择产品等待时间最短的生产设备。最后，根据已读取的待排产品上道工序的计划完工时间和被选择生产设备的完工时间，取两者中较大值作为本道工序的计划开工时间，计划开工时间加上本道工序的额定工时即得本道工序的计划完工时间。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
通过以上方法，本方案可以实现生产设备利用率高，具体体现为生产资源相同，平均产能提升约28％。
本发明重点围绕提升设备利用率进行了两项针对性设计。首先通过选择器选出具备排产条件的产品进行标记，被标记产品方可参与本周期排产，所谓具备排产条件是指产品等待设备或设备等待上道工序完工时间早的产品，通过减少生产设备的等待时间，以提升设备利用率。其次，设计的排产器能在多台同型号设备中自动选取最适配设备，所谓最适配设备是指以产品上道工序完工时间为参照，优先选取等待产品时间最短的生产设备，通过此规则，进一步提升设备利用率。
以下为某型船用柴油机曲轴过去与现在的产能对比：过去人工排产方式，首根曲轴4个月之后交付，后续月交付能力为1根，年交付不超过9根；采用自动排产方式，首根曲轴同样为4个月之后交付，后续月交付能力近2根，年交付达15根，在生产资源相同的情况下，自动排产方式的产能明显高于人工排产，并且随产品数量增加，排产越复杂，其产能提升越明显。相关统计数据见表1。
本方法还具有算法通用性好，排产速度快，实用性强的特点。
算法所选择的输入量分别为上道工序完工时间、本道工序理论完工时间、下道工序生产设备的任务状态、产品生产任务松紧程度和产品重要性的模糊值，各模糊输入量分别表示：上道工序完工时间早，为减少产品等待时间，本道工序先生产，反之；本道工序理论完工时间早，为减少其它产品等待时间，本道工序先生产，反之；下道工序生产设备任务忙，为减少下道工序等待时间，本道工序后生产，反之；产品生产任务松，优先生产其它任务紧的产品，本道工序后生产，反之；产品重要，本道工序先生产，反之。上述模糊输入量均为确切量，无需依靠人为设置参数值，算法性能与人员经验无关，使用过程中，生产资源数量变化或者状态改变均无需调整参数值和算法，因此算法通用性好。通过改变产品数量进行排产速度性能测试，其排产耗时见表1。表1中，随着产品数量和工序数量增加，排产耗时趋于线性递增，且增速缓慢，与同类APS排产软件相比，其排产速度相对较快，1000道工序排产耗时小于30秒。另外，软件操作简单，使用过程中没有任何参数设置，对操作者没有技术要求，软件实用性强。
表1
Figure BDA0003509241910000121
实施例二
本实施例结合图2～4，对该智能排产方法进行进一步说明。
产品工序池、选择器、模糊推理机和排产器四部分组成。产品工序池可存放和向外提供产品及工序信息，由两张数据库表构成，一张表存放产品信息，表中的产品编号PC是产品的唯一标识，另一张表存放产品对应的工序信息，表中的产品编号PC加工序编号PN是工序的唯一标识。每个排产周期，各产品仅有一道工序参与排产，参与排产的工序为该产品待排工序中工序编号最小的那一道工序，后续简称为参排工序，用PC+PN表示。首先，在产品工序池中获取各产品的参排工序，依次将参排工序所携带的数据输入选择器，通过选择器选出资源等待时间短的参排工序进行标记，未被标记的参排工序返回产品工序池，不参与本周期排产，被标记的参排工序继续携带数据依次进入模糊推理机，通过模糊算法，模糊推理机输出为参排工序的排产优先级模糊值，排产器根据参排工序的排产优先级模糊值按从小到大的顺序进行资源分配，同时计算出参排工序的计划开工时间和计划完工时间，图1中具体的核心算法实施如下：
如图2所示，选择器实施包括以下内容：
设产品上道工序的完工时间为DL，所有产品上道工序完工时间的最小值为DLmin，所有产品上道工序完工时间的平均值为DLavg，产品本道工序的生产设备的完工时间为DT，产品的交货日期为Dx，最早交货日期为Dmin，最晚交货日期为Dmax。
通过循环依次读取各产品的交货日期Dx，循环比较后获得最早交货日期Dmin和最晚交货日期Dmax，产品交货日期所属区间Dx∈[Dmin，Dmax]，将交货日期区间均分为早、中、晚三个连续区间，分别对应为[Dmin，(Dmax+2*Dmin)/3]、((Dmax+2*Dmin)/3，(2*Dmax+Dmin)/3]和((2*Dmax+Dmin)/3，Dmax]。
通过循环依次读取各产品上道工序的完工时间DL，循环比较后获得所有产品上道工序完工时间的最小值DLmin，循环累积求平均获得所有产品上道工序完工时间的平均值DLavg，小于等于该平均值所对应的区间为[DLmin，DLavg]，将该区间均分为三段，区间中两个分隔点值分别为(DLavg+2*DLmin)/3和(2*DLavg+DLmin)/3。
选择器包含两个过滤条件，满足条件之一，产品将被标记后参与本周期排产。
过滤条件1：当产品上道工序的完工时间DL小于等于本道工序的生产设备的完工时间DT，该条件为产品等待资源，资源利用率最高，产品被标记。表达式为：
DL≤DT，Dx∈[Dmin，Dmax] ①
过滤条件2：
当产品交货日期属于早区间，且产品上道工序的完工时间DL小于等于所有产品上道工序的完工时间的平均值DLavg，产品被标记。表达式为：
Figure BDA0003509241910000141
当产品交货日期属于中区间，且产品上道工序的完工时间DL小于等于所有产品上道工序完工时间的最小值DLmin与平均值DLavg之间的2/3分隔点值(2*DLavg+DLmin)/3，产品被标记。表达式为：
Figure BDA0003509241910000151
当产品交货日期属于晚区间，且产品上道工序的完工时间DL小于等于所有产品上道工序完工时间的最小值DLmin与平均值DLavg之间的1/3分隔点值(DLavg+2*DLmin)/3，产品被标记。表达式为：
Figure BDA0003509241910000152
过滤条件2为资源等待产品，选择器根据产品交货日期所属区间判断其排产的缓急程度，产品交货日期早，资源等待产品时间略长，产品交货日期晚，资源等待产品时间略短，但为了减少资源等待时间，提高资源利用率，所选的产品上道工序完工时间靠前，判断依据为所有产品上道工序完工时间的平均值，小于该平均值即判定为产品上道工序完工时间靠前。
根据以上算法，绘制选择器的程序流程图如图2。图中，n为产品数量，DXi为第i个产品的交货日期，Dmin为所有产品中最早交货期，Dmax为所有产品中最晚交货期，DLi为第i个产品上道工序的完工时间，DLmin为所有产品的上道工序完工时间的最小值，DLavg为所有产品的上道工序完工时间的平均值，i、j均为正整数，DTi为第i台生产设备的完工时间。
如图3所示，模糊推理机实施包括：
模糊推理机是一种具有自调整因子的模糊算法，其表达式为：
M＝α*(ML+MT+MN)+MI ⑤
式⑤中，α为自调整因子，α∈[0.1，1)，其值为产品剩余工期TC与产品剩余工时TD之差与产品剩余工期TC之比值，比值大小体现产品生产任务的松紧程度。α值大，表示产品加工任务松，本周期排产靠后，α值自动减小；α值小，表示产品加工任务紧，本周期优先排产，α值自动增大。各排产周期，产品α值会随排产顺序的变化而改变，最终各产品α值自动趋于收敛，其表达式为：
Figure BDA0003509241910000161
式⑤中，ML为产品上道工序完工时间的模糊值，ML∈[0，6]，其值为产品上道工序完工时间DL经模糊化处理所得，模糊化系数为KL，KL＝DLmax/6，DLmax为所有产品上道工序完工时间的最大值，其表达式为：
Figure BDA0003509241910000162
式⑤中，MT为产品本道工序理论完工时间的模糊值，MT∈[0，6]，其值为产品本道工序理论完工时间DTC经模糊化处理所得，模糊化系数为KT，KT＝DTmax/6，DTmax为所有产品本道工序理论完工时间的最大值，其表达式为：
Figure BDA0003509241910000163
式⑤中，MN为产品下道工序生产设备的待制量ED与任务量ER之比值DN的模糊值，MN∈[0，6]，其值为DN经模糊化处理所得，模糊化系数为KN，KN＝DNmax/6，DNmax为所有产品DN的最大值，其表达式为：
Figure BDA0003509241910000171
式⑤中，MI为产品重要性模糊值，重要产品取0，非重要产品取1，其目的是区分产品重要性，重要产品优先生产。
式⑤中，M为最终的排产优先级模糊值，该值越小，排产优先级越高，优先抢占资源。模糊推理机是一个多输入单输出系统，其输出同时包含多项排产优化因子，整体提升产线效率。
根据以上算法，绘制模糊推理机的程序流程图如图3。图中，n为被标记工序数量，DLi为第i个产品上道工序的完工时间，DTCi为第i个产品本道工序理论完工时间，DNi为第i个产品下道工序生产设备的待制量EDi与任务量ERi之比值，DLmax为所有产品的上道工序完工时间的最大值，DTmax为所有产品的本道工序理论完工时间的最大值，KL为产品上道工序完工时间的模糊化系数，KT为产品本道工序理论完工时间的模糊化系数，KN为产品下道工序生产设备的待制量与任务量之比值的模糊化系数，MLi为第i个产品上道工序完工时间的模糊值，MTi为第i个产品本道工序理论完工时间的模糊值，MNi为第i个产品下道工序生产设备的待制量与任务量之比值的模糊值,MIi为第i个产品的重要性模糊值，αi为第i个产品的自调整因子，TCi、TDi分别为第i个产品剩余工期和产品剩余工时，Mi为第i个产品的排产优先级模糊值。
如图4所示，排产器实施包括：
排产器具有自主选择生产设备和计算本道工序的计划开工时间与计划完工时间两个功能。
自主选择生产设备仅限于在同型号的多台生产设备中自主选择，以优先满足设备等待时间最短，其次满足产品等待时间最短为优选原则，实现过程如下，设产品上道工序完工时间为DL，本道工序同型号生产设备有m台，各生产设备完工时间依次为DT1、DT2、DT3……DTm，设DTi为第i台生产设备的完工时间，DTmax为小于产品上道工序完工时间DL的所有生产设备完工时间中最大值，其对应的设备编号为Imax，DTmin为大于产品上道工序完工时间DL的所有生产设备完工时间中最小值，其对应的设备编号为Imin，通过循环将各个生产设备的完工时间分别与产品上道工序完工时间做比较，最终选出DTmax、DTmin和所对应的设备编号Imax、Imin。循环体中，DTmax与DTmin的初值均为0，获取DTmax、Imax和DTmin、Imin所对应的选择语句分别为：
如果DTi≤DL并且DTmax＝0，则DTmax＝DTi，Imax＝i；
如果DTi≤DL并且DTmax≠0并且DTi＞DTmax，则DTmax＝DTi，Imax＝i；
如果DTi＞DL并且DTmin＝0，则DTmin＝DTi，Imin＝i；
如果DTi＞DL并且DTmin≠0并且DTi＜DTmin，则DTmin＝DTi，Imin＝i。
根据优先满足设备等待时间最短，其次满足产品等待时间最短的优选原则，若DTmax≠0，则Imax中的i值就为所选设备序号，若DTmax＝0，则Imin中的i值就为所选设备序号。计算本道工序的计划开工时间与计划完工时间，实现过程如下，设本道工序额定工时为T，本道工序的计划开工时间为ST,本道工序的计划完工时间为EN，则：
Figure BDA0003509241910000191
EN＝ST+T
上式中，根据产品上道工序的完工时间和本道工序生产设备的完工时间，取两者中较大值作为本道工序的计划开工时间，计划开工时间加上本道工序的额定工时即得本道工序的计划完工时间。
根据以上算法，绘制排产器的程序流程图如图4。图中，n为被标记工序数量,DLj为第j个产品上道工序的完工时间，m为本道工序同型号生产设备数量，DTi为第i台生产设备的完工时间，DTmax为小于产品上道工序完工时间DLj的所有生产设备完工时间中最大值，其对应的设备编号为Imax，DTmin为大于产品上道工序完工时间DLj的所有生产设备完工时间中最小值，其对应的设备编号为Imin，Tj为第j个产品本道工序的额定工时，STj为第j个产品本道工序的计划开工时间,ENj为第j个产品本道工序的计划完工时间。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (7)

1.一种船用柴油机曲轴批量制造的智能排产方法，其特征在于：
通过选择器选出本周期满足排产条件的产品并进行标记；
通过模糊推理机依次计算出各被标记产品的排产优先级模糊值；
排产器根据各产品本道工序的排产优先级模糊值按从小到大的顺序进行资源分配，并计算出本道工序的计划开工时间和计划完工时间，其中，排产方式为正排。
2.根据权利要求1所述的船用柴油机曲轴批量制造的智能排产方法，其特征在于：当产品满足以下条件中的任意一个时，所述产品在本周期满足排产条件，所述条件为：
条件1，产品等待资源；
条件2，资源等待产品，且产品为上道工序完工时间靠前的产品。
3.根据权利要求2所述的船用柴油机曲轴批量制造的智能排产方法，其特征在于：还包括
计算所有产品上道工序完工时间的平均值；
判断产品上道工序完工时间是否小于所述平均值，当某产品上道工序完工时间小于所述平均值时，判断该产品为上道工序完工时间靠前的产品。
4.根据权利要求2所述的船用柴油机曲轴批量制造的智能排产方法，其特征在于，所述判断产品是否为上道工序完工时间靠前的产品包括：
通过循环依次读取各产品的交货日期Dx，循环比较后获得最早交货日期Dmin和最晚交货日期Dmax，得到产品交货日期所属区间Dx∈[Dmin，Dmax]；
将交货日期区间[Dmin，Dmax]均分为三个连续区间[Dmin，(Dmax+2*Dmin)/3]、[(Dmax+2*Dmin)/3，(2*Dmax+Dmin)/3]和[(2*Dmax+Dmin)/3，Dmax]；
当产品交货日期Dx满足以下任一条件时，判断该产品为上道工序完工时间靠前的产品；
条件1，Dx∈[Dmin，(Dmax+2*Dmin)/3]时，DL≤DLavg；
条件2，Dx∈((Dmax+2*Dmin)/3，(2*Dmax+Dmin)/3]时，
DL≤(2*DLavg+DLmin)/3；
条件3，当Dx∈((2*Dmax+Dmin)/3，Dmax]时，
DL≤(DLavg+2*DLmin)/3；
其中，DL为产品上道工序的完工时间，产品上道工序完工时间的最小值DLmin，产品上道工序完工时间的平均值DLavg。
5.根据权利要求4所述的船用柴油机曲轴批量制造的智能排产方法，其特征在于，还包括：
通过循环依次读取各产品上道工序的完工时间DL；
循环比较各产品上道工序的完工时间DL，获得所有产品上道工序完工时间的最小值DLmin；
对各产品上道工序的完工时间DL循环累积求平均获得所有产品上道工序完工时间的平均值DLavg。
6.根据权利要求1所述的船用柴油机曲轴批量制造的智能排产方法，其特征在于，所述模糊推理机计算出各被标记产品的排产优先级模糊值包括：
输入产品上道工序完工时间的模糊值ML、产品本道工序理论完工时间的模糊值MT、产品下道工序生产设备的待制量与任务量之比值的模糊值MN、产品重要性模糊值MI；
根据公式M＝α*(ML+MT+MN)+MI计算出最终的排产优先级模糊值；
其中，α为自调整因子，其值为产品剩余工期与产品剩余工时的差值与产品剩余工期的比值。
7.根据权利要求1所述的船用柴油机曲轴批量制造的智能排产方法，其特征在于，所述排产器根据各产品本道工序的排产优先级模糊值按从小到大的顺序进行资源分配，并计算出本道工序的计划开工时间和计划完工时间包括：
对被标记产品的待排工序按排产优先级模糊值从小到大依次排列；
通过外循环依次读取被标记产品的待排工序的上道工序的计划完工时间；
通过内循环按设备编号依次读取同型号的各个生产设备的完工时间，并逐一与被标记产品的待排工序的上道工序的计划完工时间相比较，自主选择等待产品时间最短的生产设备，若不存在则选择产品等待时间最短的生产设备；
根据已读取的待排产品上道工序的计划完工时间和被选择生产设备的完工时间，取两者中较大值作为本道工序的计划开工时间，将计划开工时间与本道工序的额定工时之和作为本道工序的计划完工时间。
CN202210146575.9A 2022-02-17 一种船用柴油机曲轴批量制造的智能排产方法 Active CN114548735B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210146575.9A CN114548735B (zh) 2022-02-17 一种船用柴油机曲轴批量制造的智能排产方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210146575.9A CN114548735B (zh) 2022-02-17 一种船用柴油机曲轴批量制造的智能排产方法

Publications (2)

Publication Number Publication Date
CN114548735A true CN114548735A (zh) 2022-05-27
CN114548735B CN114548735B (zh) 2024-07-16

Family

ID=

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116151424A (zh) * 2022-12-05 2023-05-23 中国地质大学（武汉） 一种多园区模糊下料车间系统和方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06309017A (ja) * 1993-04-26 1994-11-04 Okuma Mach Works Ltd 数値制御装置
US5751580A (en) * 1996-07-26 1998-05-12 Chartered Semiconductor Manufacturing, Ltd. Fuzzy logic method and system for adjustment of priority rating of work in process in a production line
WO2009082042A1 (en) * 2007-12-21 2009-07-02 Industry University Cooperation Foundation Of Kyungwon University Nonlinear time series prediction method for weighted average defuzzification based on newfm
US20180004234A1 (en) * 2015-03-25 2018-01-04 Landmark Graphics Corporation Fuzzy logic flow regime identification and control
CN109359884A (zh) * 2018-10-31 2019-02-19 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
CN109711745A (zh) * 2019-01-02 2019-05-03 郑州航空工业管理学院 基于智能优化算法的双层式生产计划优化控制方法
CN109886591A (zh) * 2019-02-28 2019-06-14 重庆大学 基于大数据分析的事件优先级应急指挥调度方法
CN110929930A (zh) * 2019-11-20 2020-03-27 上海海事大学 一种船用曲轴生产线排产调度优化方法
CN111062535A (zh) * 2019-12-16 2020-04-24 中国工程物理研究院化工材料研究所 一种实现含能材料生产过程动态排产的方法及系统
CN112070378A (zh) * 2020-08-28 2020-12-11 常州市龙星工业自动化系统有限公司 一种利用计算机基于逻辑优先原则的生产排产管理方法
CN112257977A (zh) * 2020-09-15 2021-01-22 合肥工业大学 模糊工时下资源受限的物流项目工期优化方法及系统
CN112508309A (zh) * 2021-01-29 2021-03-16 深圳坤湛科技有限公司 智能排产方法、设备及计算机存储介质
CN112990515A (zh) * 2019-12-02 2021-06-18 中船重工信息科技有限公司 一种基于启发式优化算法的车间资源调度方法
CN113506081A (zh) * 2021-06-15 2021-10-15 刘俊艳 一种生产计划管理系统及其排产方法
CN113934239A (zh) * 2021-09-23 2022-01-14 深圳市迪嘉机械有限公司 一种基于模糊pid算法的电动注塑压力控制方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06309017A (ja) * 1993-04-26 1994-11-04 Okuma Mach Works Ltd 数値制御装置
US5751580A (en) * 1996-07-26 1998-05-12 Chartered Semiconductor Manufacturing, Ltd. Fuzzy logic method and system for adjustment of priority rating of work in process in a production line
WO2009082042A1 (en) * 2007-12-21 2009-07-02 Industry University Cooperation Foundation Of Kyungwon University Nonlinear time series prediction method for weighted average defuzzification based on newfm
US20180004234A1 (en) * 2015-03-25 2018-01-04 Landmark Graphics Corporation Fuzzy logic flow regime identification and control
CN109359884A (zh) * 2018-10-31 2019-02-19 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
CN109711745A (zh) * 2019-01-02 2019-05-03 郑州航空工业管理学院 基于智能优化算法的双层式生产计划优化控制方法
CN109886591A (zh) * 2019-02-28 2019-06-14 重庆大学 基于大数据分析的事件优先级应急指挥调度方法
CN110929930A (zh) * 2019-11-20 2020-03-27 上海海事大学 一种船用曲轴生产线排产调度优化方法
CN112990515A (zh) * 2019-12-02 2021-06-18 中船重工信息科技有限公司 一种基于启发式优化算法的车间资源调度方法
CN111062535A (zh) * 2019-12-16 2020-04-24 中国工程物理研究院化工材料研究所 一种实现含能材料生产过程动态排产的方法及系统
CN112070378A (zh) * 2020-08-28 2020-12-11 常州市龙星工业自动化系统有限公司 一种利用计算机基于逻辑优先原则的生产排产管理方法
CN112257977A (zh) * 2020-09-15 2021-01-22 合肥工业大学 模糊工时下资源受限的物流项目工期优化方法及系统
CN112508309A (zh) * 2021-01-29 2021-03-16 深圳坤湛科技有限公司 智能排产方法、设备及计算机存储介质
CN113506081A (zh) * 2021-06-15 2021-10-15 刘俊艳 一种生产计划管理系统及其排产方法
CN113934239A (zh) * 2021-09-23 2022-01-14 深圳市迪嘉机械有限公司 一种基于模糊pid算法的电动注塑压力控制方法

Non-Patent Citations (11)

* Cited by examiner, † Cited by third party
Title
严泽强;刘飞;曹乐;鄢萍;: "一种基于加工匹配度的车间作业调度方法研究", 世界科技研究与发展, no. 03, 15 June 2008 (2008-06-15), pages 34 - 38 *
刘闯;于忠清;YU JIANQI;郭璐;: "求解分布式混合流水线调度问题的改进双层嵌套式遗传算法", 现代制造工程, no. 04, 18 April 2020 (2020-04-18), pages 18 - 33 *
张国庆;梅中义;: "飞机复合材料车间计划排产优化方法的研究", 航空制造技术, no. 09, 15 May 2010 (2010-05-15), pages 61 - 65 *
张宇, 孙宪鹏, 尹朝万, 王成恩: "一种基于Agent的Job Shop调度模型", 中国机械工程, no. 10, 30 October 2001 (2001-10-30) *
李振鹏等: "模糊优选法在生产决策中的应用", 《西南民族大学学报（自然科学版）》, vol. 31, no. 5, 30 September 2005 (2005-09-30), pages 701 - 704 *
汪翔等: "基于模糊理论的工期控制的研究", 《低温建筑技术》, no. 3, 31 March 2008 (2008-03-31), pages 139 - 140 *
田启华等: "基于模糊理论的并行耦合设计任务工期优化", 《工艺与检测》, no. 11, 31 December 2018 (2018-12-31), pages 132 - 136 *
董鹏;王铁雁;江佳;陈龙虎;欧海燕;: "制造业车间作业计划与调度研究", 成组技术与生产现代化, no. 04, 28 December 2011 (2011-12-28) *
郜焕平, 涂序彦, 崔援民, 钟冀: "基于模糊产生式规则的智能管理模型及其应用", 自动化学报, no. 05, 19 September 1999 (1999-09-19), pages 139 - 141 *
马利;高迎平;杨振东;: "大型装备制造企业期量标准智能生成系统研究与开发", 制造业自动化, no. 04, 25 April 2008 (2008-04-25) *
高波;叶文华;: "基于约束理论的航空复合材料车间动态调度研究", 中国制造业信息化, no. 05, 1 March 2011 (2011-03-01), pages 21 - 26 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116151424A (zh) * 2022-12-05 2023-05-23 中国地质大学（武汉） 一种多园区模糊下料车间系统和方法
CN116151424B (zh) * 2022-12-05 2023-11-03 中国地质大学（武汉） 一种多园区下料车间方法

Similar Documents

Publication Publication Date Title
CN111882196A (zh) 一种型材挤出生产排程方法、可读存储介质及装置
CN111259314B (zh) 一种分布式混凝土预制构件流水车间生产调度方法
CN114565247B (zh) 一种基于深度强化学习的车间调度方法、装置和系统
GB2416053A (en) Optimum test allocation scheduler for a network test system
CN111738590A (zh) 生产排程方法和装置
CN114253735B (zh) 一种任务处理方法、装置及相关设备
Babiceanu et al. Real-time holonic scheduling of material handling operations in a dynamic manufacturing environment
CN113810954A (zh) 基于流量预测与深度强化学习的虚拟资源动态扩缩容方法
CN114548735A (zh) 一种船用柴油机曲轴批量制造的智能排产方法
CN114548735B (zh) 一种船用柴油机曲轴批量制造的智能排产方法
CN116048030B (zh) 多产线生产任务排序方法、装置、存储介质和电子设备
CN117314055A (zh) 基于强化学习的智能制造车间生产-运输联合调度方法
CN106873555B (zh) 一种多品种小批量混流装配线的总装生产排序方法及装置
CN112488543A (zh) 基于机器学习的智慧工地智能排班方法及系统
CN111552569A (zh) 系统资源调度方法、装置及存储介质
CN106598716A (zh) 一种基于多处理器的任务调度方法
CN116932198A (zh) 资源调度方法、装置、电子设备及可读存储介质
CN105335226B (zh) 针对多处理器系统的迭代式静态任务列表调度方法
CN115456268A (zh) 一种导向辊制造资源优化配置方法、装置、设备及介质
CN106611215A (zh) 一种新的布谷鸟搜索算法解决作业车间调度问题
CN117522090B (zh) 一种制衣生产的动态调度方法、系统和存储介质
Li et al. A novel collaborative iterative greedy algorithm for hybrid flowshop scheduling problem with batch processing machines and variable sublots
CN117669988B (zh) 一种基于Q-Learning算法改进NEH的装配式预制构件生产调度方法
CN117933642A (zh) 一种智能生产调度排程系统、方法、设备及介质
CN114862170B (zh) 一种用于通信设备制造过程的学习型智能调度方法、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