CN114881301A - 生产线的仿真排产方法、系统、终端设备及存储介质 - Google Patents

生产线的仿真排产方法、系统、终端设备及存储介质 Download PDF

Info

Publication number
CN114881301A
CN114881301A CN202210416432.5A CN202210416432A CN114881301A CN 114881301 A CN114881301 A CN 114881301A CN 202210416432 A CN202210416432 A CN 202210416432A CN 114881301 A CN114881301 A CN 114881301A
Authority
CN
China
Prior art keywords
product
processed
production line
processing
station
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
CN202210416432.5A
Other languages
English (en)
Inventor
梁业模
朱亚平
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.)
Shenzhen Quyin Packaging Technology Co ltd
Original Assignee
Shenzhen Quyin Packaging 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 Shenzhen Quyin Packaging Technology Co ltd filed Critical Shenzhen Quyin Packaging Technology Co ltd
Priority to CN202210416432.5A priority Critical patent/CN114881301A/zh
Publication of CN114881301A publication Critical patent/CN114881301A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063118—Staff 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
    • 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
    • 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
    • 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
    • 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)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Manufacturing & Machinery (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种生产线的仿真排产方法、系统、终端设备及存储介质。该方法包括：获取待处理产品的产品物料、工艺路线；基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位，以根据所述加工工位的设备对所述待处理产品进行加工；其中，所述仿真排产模型基于加工设备的预设产能、工位训练得到。本发明旨在提高产品的质量，降低生产成本，提高生产线的效率。

Description

生产线的仿真排产方法、系统、终端设备及存储介质
技术领域
本发明涉及智能制造技术领域，尤其涉及一种生产线的仿真排产方法、系统、终端设备及存储介质。
背景技术
传统包装印刷行业通常根据工作人员的历史经验，对待加工产品的加工设备进行选择。随着生产需求不断增加、加工设备持续更新，当工作人员对生产需求和加工设备把控不足时，会降低产品的质量，增加生产成本，降低生产线的工作效率。
发明内容
本发明实施例的主要目的在于提供一种生产线的仿真排产方法、系统、终端设备及存储介质，旨在提高产品的质量，降低生产成本，提高生产线的效率。
为实现上述目的，本发明实施例提供一种生产线的仿真排产方法，所述生产线的仿真排产方法包括：
获取待处理产品的产品物料、工艺路线；
基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位，以根据所述加工工位的设备对所述待处理产品进行加工；其中，所述仿真排产模型基于加工设备的预设产能、工位训练得到。
可选地，所述基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位的步骤包括：
基于所述待处理产品的产品物料、所述工艺路线、所述仿真排产模型、所述预设匹配算法，确定所述待处理产品的关键工位；
基于所述关键工位，计算适应值、当前迭代次数；
若所述当前迭代次数不满足预设条件，则基于所述待处理产品的产品物料、所述工艺路线、所述仿真排产模型、所述预设匹配算法、所述适应值、所述关键工位，确定调整工位；
根据所述调整工位对所述关键工位进行更新，并返回执行步骤：基于所述关键工位，计算适应值、当前迭代次数；
若所述当前迭代次数满足预设条件，则将所述关键工位作为所述加工工位。
可选地，所述基于所述待处理产品的产品物料、所述工艺路线、所述仿真排产模型、所述预设匹配算法、所述适应值、所述关键工位，确定调整工位的步骤包括：
基于所述关键工位、所述适应值，计算重组概率；
基于所述待处理产品的产品物料、所述工艺路线、所述仿真排产模型、所述预设匹配算法、所述重组概率，得到选择样本；
对所述样本进行MS交叉和OS交叉，得到交叉结果；
基于所述交叉结果，计算变异概率；
基于所述变异概率，对所述选择样本进行搜索，得到所述调整工位。
可选地，所述基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位的步骤之前包括：
建立所述仿真排产模型；
其中，所述建立所述仿真排产模型的步骤包括：
获取所述加工设备的预设产能、工位；
根据所述加工设备的预设产能、工位构造所述仿真排产模型。
可选地，所述基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位的步骤之后包括：
基于所述加工工位的设备的效率、所述待处理产品对应的任务量、所述待处理产品的最晚交期，计算得到所述待处理产品对应的生产线的加工设备数量；和/或所述待处理产品对应的生产线需要的操作工人数量；
若所述待处理产品对应的生产线的加工设备数量；和/或所述待处理产品对应的生产线需要的操作工人数量不满足预设数量，则对待处理产品对应的生产线的数量进行调整；和/或对所述加工工位的设备的数量进行调整。
可选地，所述基于所述加工工位的设备的效率、所述待处理产品对应的任务量、所述待处理产品的最晚交期，计算得到所述待处理产品对应的生产线的加工设备数量；和/或所述待处理产品对应的生产线需要的操作工人数量的步骤包括：
若所述待处理产品的加工方式为离散加工，则基于所述加工工位的设备的效率、所述待处理产品对应的任务量、所述待处理产品的最晚交期、预设离散加工公式，计算得到所述待处理产品对应的生产线的加工设备数量；和/或所述待处理产品对应的生产线需要的操作工人数量；
若所述待处理产品的加工方式为连续加工，则基于所述加工工位的设备的效率、所述待处理产品对应的任务量、所述待处理产品的最晚交期、预设连续加工公式，计算得到所述待处理产品对应的生产线的加工设备数量；和/或所述待处理产品对应的生产线需要的操作工人数量。
可选地，所述基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位的步骤之后包括：
获取所述加工设备的实际产能；
将所述实际产能回传到所述仿真排产模型，对所述预设产能进行更新；并返回执行步骤：根据所述加工设备的预设产能、工位构造所述仿真排产模型。
此外，为实现上述目的，本发明还提供一种生产线的仿真排产系统，所述系统包括：
数据获取模块，用于获取待处理产品的产品物料、工艺路线；
工位分析模块，用于基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位，以根据所述加工工位的设备对所述待处理产品进行加工；其中，所述仿真排产模型基于加工设备的预设产能、工位训练得到。
此外，为实现上述目的，本发明还提供一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的生产线的仿真排产方法，所述生产线的仿真排产的程序被所述处理器执行时实现如上所述的生产线的仿真排产方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有生产线的仿真排产的程序，所述生产线的仿真排产的程序被处理器执行时实现如上所述的生产线的仿真排产方法的步骤。
本发明实施例提出的生产线的仿真排产方法、系统、终端设备及存储介质，通过获取待处理产品的产品物料、工艺路线，以根据待处理产品的产品物料、工艺路线选择相应的加工设备，提高生产线的效率；基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位，以根据所述加工工位的设备对所述待处理产品进行加工；其中，所述仿真排产模型基于加工设备的预设产能、工位训练得到，使得到的生产线的工作路径最优、效率最高。通过上述方式，本发明提高了产品的质量，降低了生产成本，提高了生产线的效率。
附图说明
图1为本发明生产线的仿真排产装置所属终端设备的功能模块示意图；
图2为本发明生产线的仿真排产方法第一实施例的流程示意图；
图3为本发明生产线的仿真排产方法第二实施例涉及的关键路径示意图；
图4为本发明生产线的仿真排产方法第二实施例涉及的预设匹配算法示意图；
图5为本发明生产线的仿真排产方法第三实施例的流程示意图；
图6为本发明生产线的仿真排产方法第四实施例的流程示意图；
图7为本发明生产线的仿真排产系统的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例的主要解决方案是：获取待处理产品的产品物料、工艺路线；基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位，以根据所述加工工位的设备对所述待处理产品进行加工；其中，所述仿真排产模型基于加工设备的预设产能、工位训练得到。
本发明实施例涉及的技术术语：
遗传算法：(Genetic Algorithm，GA)，该算法是根据大自然中生物体进化规律而设计提出的。是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时,相对一些常规的优化算法,通常能够较快地获得较好的优化结果。遗传算法已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。
BOM：(Bill of Material，物料清单)，采用计算机辅助企业生产管理，首先要使计算机能够读出企业所制造的产品构成和所有要涉及的物料，为了便于计算机识别，必须把用图示表达的产品结构转化成某种数据格式，这种以数据格式来描述产品结构的文件就是物料清单，即是Bom。它是定义产品结构的技术文件，因此，它又称为产品结构表或产品结构树。在某些工业领域，可能称为“配方”、“要素表”或其它名称。
MS交叉：机器选择部分的交叉包括两点交叉和单点变异算子，即：将MS指定位置中的值更新为某工件工序所对应的可选机器集中加工时间最短的那台机器的代号。
OS交叉：工序选择部分的交叉包括顺序交叉和逆转变异算子，即：互换OS中不同位置的值。
排产算法：生产排程，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。排产算法包括：按照最短工期的排程、按照交货期先后排程、按照工期和交货期之间的距离排程、按照CR值排程。其中，CR是英文critical ratio的缩写，可以翻译为重要比率。它的计算方法：交期减去目前日期之差额,再除以工期，数值越小表示紧急程度越高，排程优先级高。
VNS：深度解析迷走神经刺激术，迷走神经是人体内12对脑神经中的第10对，属于自主神经系统的一部分，其功能为控制腺体及内脏的讯息进出。
传统包装印刷行业对生产预测和需求把控不足，会导致生产成本的增加，而仿真排产的软件可以对生产线进行模拟。然而，仿真排产的软件，虽然功能性强但是学习成本高，无法定制，专门针对包装印刷行业的仿真排产的软件更少。
本发明提供一种解决方案，旨在提高产品的质量，降低生产成本，提高生产线的工作效率。
具体地，参照图1，图1是本发明生产线的仿真排产装置所属终端设备的功能模块示意图。该生产线的仿真排产装置可以为独立于终端设备的、能够进行图片处理、网络模型训练的装置，其可以通过硬件或软件的形式承载于终端设备上。该终端设备可以为手机、平板电脑等具有数据处理功能的智能移动终端，还可以为具有数据处理功能的固定终端设备或服务器等。
在本实施例中，该生产线的仿真排产装置所属终端设备至少包括输出模块110、处理器120、存储器130以及通信模块140。
存储器130中存储有操作方法以及生产线的仿真排产程序；输出模块110可为显示屏等。通信模块140可以包括WIFI模块、移动通信模块以及蓝牙模块等，通过通信模块140与外部设备或服务器进行通信。
其中，存储器130中的生产线的仿真排产程序被处理器执行时实现以下步骤：
获取待处理产品的产品物料、工艺路线；
基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位，以根据所述加工工位的设备对所述待处理产品进行加工；其中，所述仿真排产模型基于加工设备的预设产能、工位训练得到。
进一步地，存储器130中的生产线的仿真排产程序被处理器执行时还实现以下步骤：
基于所述待处理产品的产品物料、所述工艺路线、所述仿真排产模型、所述预设匹配算法，确定所述待处理产品的关键工位；
基于所述关键工位，计算适应值、当前迭代次数；
若所述当前迭代次数不满足预设条件，则基于所述待处理产品的产品物料、所述工艺路线、所述仿真排产模型、所述预设匹配算法、所述适应值、所述关键工位，确定调整工位；
根据所述调整工位对所述关键工位进行更新，并返回执行步骤：基于所述关键工位，计算适应值、当前迭代次数；
若所述当前迭代次数满足预设条件，则将所述关键工位作为所述加工工位。
进一步地，存储器130中的生产线的仿真排产程序被处理器执行时还实现以下步骤：
基于所述关键工位、所述适应值，计算重组概率；
基于所述待处理产品的产品物料、所述工艺路线、所述仿真排产模型、所述预设匹配算法、所述重组概率，得到选择样本；
对所述样本进行MS交叉和OS交叉，得到交叉结果；
基于所述交叉结果，计算变异概率；
基于所述变异概率，对所述选择样本进行搜索，得到所述调整工位。
进一步地，存储器130中的生产线的仿真排产程序被处理器执行时还实现以下步骤：
建立所述仿真排产模型；
其中，所述建立所述仿真排产模型的步骤包括：
获取所述加工设备的预设产能、工位；
根据所述加工设备的预设产能、工位构造所述仿真排产模型。
进一步地，存储器130中的生产线的仿真排产程序被处理器执行时还实现以下步骤：
基于所述加工工位的设备的效率、所述待处理产品对应的任务量、所述待处理产品的最晚交期，计算得到所述待处理产品对应的生产线的加工设备数量；和/或所述待处理产品对应的生产线需要的操作工人数量；
若所述待处理产品对应的生产线的加工设备数量；和/或所述待处理产品对应的生产线需要的操作工人数量不满足预设数量，则对待处理产品对应的生产线的数量进行调整；和/或对所述加工工位的设备的数量进行调整。
进一步地，存储器130中的生产线的仿真排产程序被处理器执行时还实现以下步骤：
若所述待处理产品的加工方式为离散加工，则基于所述加工工位的设备的效率、所述待处理产品对应的任务量、所述待处理产品的最晚交期、预设离散加工公式，计算得到所述待处理产品对应的生产线的加工设备数量；和/或所述待处理产品对应的生产线需要的操作工人数量；
若所述待处理产品的加工方式为连续加工，则基于所述加工工位的设备的效率、所述待处理产品对应的任务量、所述待处理产品的最晚交期、预设连续加工公式，计算得到所述待处理产品对应的生产线的加工设备数量；和/或所述待处理产品对应的生产线需要的操作工人数量。
进一步地，存储器130中的生产线的仿真排产程序被处理器执行时还实现以下步骤：
获取所述加工设备的实际产能；
将所述实际产能回传到所述仿真排产模型，对所述预设产能进行更新；并返回执行步骤：根据所述加工设备的预设产能、工位构造所述仿真排产模型。
本实施例通过上述方案，具体通过获取待处理产品的产品物料、工艺路线；基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位，以根据所述加工工位的设备对所述待处理产品进行加工；其中，所述仿真排产模型基于加工设备的预设产能、工位训练得到。本发明旨在提高产品的质量，降低生产成本，提高生产线的效率。
基于上述终端设备架构但不限于上述架构，提出本发明方法实施例。
参照图2，图2为本发明生产线的仿真排产方法第一实施例的流程示意图。所述生产线的仿真排产方法包括：
步骤S101，获取待处理产品的产品物料、工艺路线。
步骤S102，基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位，以根据所述加工工位的设备对所述待处理产品进行加工；其中，所述仿真排产模型基于加工设备的预设产能、工位训练得到。
本实施例方法的执行主体可以是一种生产线的仿真排产装置，也可以是一种生产线的仿真排产终端设备或服务器，本实施例以生产线的仿真排产装置进行举例，该生产线的仿真排产装置可以集成在具有数据处理功能的智能手机、平板电脑等终端设备上。
为了提高产品的质量，降低生产成本，提高生产线的效率，首先，获取待处理产品的产品物料、工艺路线。
为了便于计算机识别，使计算机能够读出企业所制造的产品构成和所有要涉及的物料，需要把用图示表达的产品结构转化成某种数据格式，这种以数据格式来描述产品结构的文件就是物料清单，即是Bom。
具体地，获取待处理产品的物料BOM和工艺路线，其中，用户可根据实际需求对待处理产品的物料BOM和工艺路线进行设置，工艺路线包括了对待处理产品进行处理时涉及的所有工艺，而工艺与设备之间为一对多的关系。
进一步地，将待处理产品的产品物料、工艺路线输入预先创建的仿真排产模型中进行分析，基于预设匹配算法，得到加工工位，以根据加工工位的设备对待处理产品进行加工；其中，预设匹配算法为禁忌搜索+遗传算法的混合算法。
由于待处理产品的产品物料具有多种处理方法，工艺路线中包含了多种工艺，因此，将待处理产品的产品物料、工艺路线输入预先创建的仿真排产模型中进行分析，可以根据工艺路线，基于预设匹配算法筛选得到对待处理产品的产品物料进行处理加工的加工工位。并且，经过预先创建的仿真排产模型、预设匹配算法分析得到的加工工位上的加工设备，是最适合该待处理产品的工艺路线的加工设备，以此优化产能、设备利用率、瓶颈、生产效率、物流效率和工人效率。
进一步地，基于加工工位的设备，得到待处理产品对应的生产线，并计算该生产线的生产效率。
具体地，根据加工工位的设备，得到待处理产品的工艺路线对应的生产线，并计算该生产线的生产效率；其中，生产效率包括该生产线的产能、生产线上的设备的调机时间、工艺数量、工艺的缓冲时间等。
进一步地，将生产效率输出，以使用户根据工作效率判断是否需要对该仿真排产模型进行再次训练，提高仿真排产模型的准确率，提高生产线的效率，降低生产成本。
本实施例通过上述方案，具体通过获取待处理产品的产品物料、工艺路线；基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位，以根据所述加工工位的设备对所述待处理产品进行加工；其中，所述仿真排产模型基于加工设备的预设产能、工位训练得到。本发明将待处理产品的产品物料、工艺路线输入预先创建的仿真排产模型中，基于预设匹配算法进行分析，筛选得到可以根据工艺路线，对待处理产品的产品物料进行处理加工的加工工位。并且，经过预先创建的仿真排产模型分析得到的加工工位上的加工设备，是最适合该待处理产品的工艺路线的加工设备，以此优化产能、设备利用率、瓶颈、生产效率、物流效率和工人效率。
基于上述图2所示的实施例，提出本发明生产线的仿真排产方法第二实施例。在本实施例中，步骤S102：基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位，以根据所述加工工位的设备对所述待处理产品进行加工；其中，所述仿真排产模型基于加工设备的预设产能、工位训练得到包括：
步骤S1021，基于所述待处理产品的产品物料、所述工艺路线、所述仿真排产模型、所述预设匹配算法，确定所述待处理产品的关键工位。
基于待处理产品的产品物料、工艺路线、仿真排产模型、预设匹配算法，确定待处理产品的关键工位；其中，关键工位为待处理产品对应的工艺路线必须含有的、缺一不可的工位。
例如：如图3所示，待处理产品包括A1-A11个处理工位，其中，A1、A5、A2、A3、A6、A10、A11为待处理产品的关键工位，其余工位为待处理产品的非必要工位，灰色路径为包含了待处理产品所有关键工位的工艺流程路径，灰色路径即为待处理产品的最优路径，在此路径上包含了待处理产品的所有关键工位，并且没有非必要工位，由此得到的加工路线效率最高。
需要说明的是，预设匹配算法为禁忌搜索+遗传算法的混合算法，具体说明如下：
生产车间排产问题描述如下：生产加工工厂有m台机器，要加工n个部件，每个部件包含一道或者多道工序，部件的工序顺序是预先确定的；每道工序可以在多台不同的机器上加工,工序的加工时间随着机器的性能不同而变化。排产的目标是每道工选择最合适的机器，确定每台机器上各部件工序的最佳加工顺序和开工时间，使得生产的交期最短或者交货期最早。
假设选定设备(M)的单位时间产能A，调机时长为B，单个任务C，工艺为D，工艺缓冲时间为E，任务量为F。工艺D和设备M有关联关系，计算任务的生产时长：任务C生产时长＝F/A+B+E。
开始时间＝(该任务的最早可开始生产时间，设备的最早可用时间)MAX
结束时间＝开始时间+任务生产时长。
另外在生产过程中还需要满足以下的条件：
a.同一台机器同一时刻只能加工一个部件；
b.同一部件的同一道工序在同一时刻只能被一台机器加工；
c.每个部件的每道工序一旦开始加工不能中断；
d.不同部件件之间具有相同的优先级；
e.不同部件的工序之间没有先后约束，同一部件的工序之间有先后约束；
f.所有部件在零时刻都可以被加工。
针对上面排产最优解问题，采用的算法是禁忌搜索+遗传算法混合算法，即上述预设匹配算法，相对于单一算法，混合算法在求解效率和质量上都有明显提高，具体算法流程如图4所示：
1.参数设置(Npop -群体规模,Ngen -最大代数，Pc -重组概率,Pm-变异概率)。
2.获取染色体；其中，染色体随机排列生成初始种群。
具体地，首先随机产生一个100个个体大小的种群，每一个个体用一条染色体来表示。对于每一条染色体，在保证所有工件的所有工序数量都满足的情况下随机产生一个OS序列，在保证某工件工序所对应机器存在的情况下随机产生一个MS序列。
3.解码计算当前初始种群中染色体的适应值；其中，适应值的取值为各个工件完成所有加工操作的最大完工时间。
4.计算终止条件：若满足条件，得到最优解或者近似最优解，则算法终止；否则执行步骤5；其中，终止条件为终止循环次数，可根据实际需求进行设置。
5.计算初始种群的重组概率p，如果重组概率p小于设置的概率值Pc ，执行步骤6；否者执行步骤7；Pc 可根据实际需求进行设置。
6.从外部记忆库和锦标赛各选择一个个体，执行步骤8。
7.从锦标赛选择一个个体，执行步骤8。
8.对选择的染色体进行MS交叉和OS交叉，并计算变异概率。
9.如果变异概率小于设置的参数Pm，则执行染色体MS变异和OS变异，并执行步骤10，如果变异概率大于设置的参数，则执行步骤10。
10.对初始种群的每个个体进行VNS搜索产生新一代种群，然后执行步骤3。
步骤S1022，基于所述关键工位，计算适应值、当前迭代次数。
步骤S1023，若所述当前迭代次数不满足预设条件，则基于所述待处理产品的产品物料、所述工艺路线、所述仿真排产模型、所述预设匹配算法、所述适应值、所述关键工位，确定调整工位。
步骤S1024，根据所述调整工位对所述关键工位进行更新，并返回执行步骤S1022：基于所述关键工位，计算适应值、当前迭代次数。
步骤S1025，若所述当前迭代次数满足预设条件，则将所述关键工位作为所述加工工位。
在本实施例中，基于关键工位，计算适应值、当前迭代次数；若当前迭代次数不满足预设条件，则基于待处理产品的产品物料、工艺路线、仿真排产模型、预设匹配算法、适应值、关键工位，确定调整工位；其中，预设条件为预先设置的迭代次数，根据实际情况进行设置；据调整工位对关键工位进行更新，并返回执行步骤S1022：基于所述关键工位，计算适应值、当前迭代次数；若当前迭代次数满足预设条件，则将关键工位作为加工工位。
例如：计算得到的待处理产品A的关键工位为A1、A2，计算A1、A2的适应值以及当前迭代次数；若当前迭代次数不满足预设条件B，则基于待处理产品A的产品物料、工艺路线、仿真排产模型、预设匹配算法、适应值、关键工位，确定调整工位，并根据调整工位重新计算适应值、迭代次数，直到当前循环次数满足预设条件B，终止循环。
其中，步骤S1023包括：
步骤A1，基于所述关键工位、所述适应值，计算重组概率。
步骤A2，基于所述待处理产品的产品物料、所述工艺路线、所述仿真排产模型、所述预设匹配算法、所述重组概率，得到选择样本。
步骤A3，对所述样本进行MS交叉和OS交叉，得到交叉结果。
步骤A4，基于所述交叉结果，计算变异概率。
步骤A5，基于所述变异概率，对所述选择样本进行搜索，得到所述调整工位。
具体地，基于关键工位、适应值，计算关键工位的重组概率；若重组概率小于预设重组概率，则从外部记忆库、锦标赛选择一个个体，作为选择样本；若重组概率不小于预设重组概率，则从锦标赛选择一个个体，作为选择样本；对选择样本进行MS交叉、OS交叉，得到交叉结果，并计算交叉结果的变异概率，若计算得到的变异概率小于预设变异概率，则进行MS变异、OS变异，并对每个个体进行VNS搜索，得到调整工位；若计算得到的变异概率不小于预设变异概率，则对每个个体进行VNS搜索，得到调整工位；其中，染色体由机器选择部分(MS)和工序选择部分(OS)两部分组成，长度分别为N，N表示所有工件的所有工序的数量之和，MS和OS均采用间接编码的方式来实现，对MS采用的分别为两点交叉和单点变异算子，对OS则采用了顺序交叉和逆转变异算子。
本实施例通过上述方案，具体通过获取待处理产品的产品物料、工艺路线；基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位，以根据所述加工工位的设备对所述待处理产品进行加工；其中，所述仿真排产模型基于加工设备的预设产能、工位训练得到。本发明采用的算法是禁忌搜索+遗传算法混合算法，相对于单一算法，混合算法在求解效率和质量上都有明显提高，经过禁忌搜索+遗传算法混合算法分析得到的加工工位上的加工设备，是最适合该待处理产品的工艺路线的加工设备，以此优化产能、设备利用率、瓶颈、生产效率、物流效率和工人效率。
参照图5，图5为本发明生产线的仿真排产方法第三实施例的流程示意图。基于上述图2所示的实施例，在本实施例中，步骤S102：基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位，以根据所述加工工位的设备对所述待处理产品进行加工；其中，所述仿真排产模型基于加工设备的预设产能、工位训练得到之前包括：
步骤S103，获取所述加工设备的预设产能、工位。
步骤S104，根据所述加工设备的预设产能、工位构造所述仿真排产模型。
作为一种实施方式，对于物理工厂，可以对车间或生产线的布局建模，得到仿真排产模型，以还原工厂设备、生产产线、工艺路线和工位。通过收集设备当前产能和单位时间产能，并将设备的当前产能和单位时间产能输入仿真排产模型，得到基于无限产能和有限产能的最佳生产方案。
为了得到仿真排产模型，首先，获取所述加工设备的预设产能、工位；其中，加工设备包括物理工厂包括的所有设备，以及各设备之间的布局关系，加工设备的工位包括工厂的加工设备的工位与加工设备之间对应的物理关系，用户可根据实际情况对预设产能进行设置，本实施例对此不作具体地限定。
进一步地，根据加工设备的预设产能、工位构造仿真排产模型。
作为另一种实施方式，获取训练产品的产品物料、工艺路线，通过时钟模拟器对训练产品的产品物料、工艺路线，加工设备的预设产能、工位进行运行模拟，并详细记录排产过程数据，经统计计算得到关于时间、利用率、制品数量、效率等方面的重要数据，通过对这些数据进行分析，定量评估工厂的性能，并根据客户的需求，对布局进行改善，可再次运行程序来进行迭代优化；其中，时钟模拟器能在短时间内快速完成较长物理时间的运行模拟。
由此，通过获取加工设备的预设产能、工位，对工厂进行建模，得到仿真排产模型，实现了物理工厂仿真建模，进而通过仿真排产模型，预测和优化生产排产，提高排产的效率、灵活性。
进一步地，步骤S104之后包括：
步骤B1，获取所述加工设备的实际产能；
步骤B2，将所述实际产能回传到所述仿真排产模型，对所述预设产能进行更新；并返回执行步骤S104：根据所述加工设备的预设产能、工位构造所述仿真排产模型。
在实际生产过程中，获取加工设备的实际产能；并将实际产能回传到工厂模型，对预设产能进行更新；并返回执行步骤S104：根据所述加工设备的预设产能、工位构造所述仿真排产模型。
具体地，在实际生产过程中，获取加工设备的实际产能，计算设备的调机时间、设备的运行时间；将实际产能回传到仿真排产模型，对预设产能进行更新，将设备的调机时间、设备的运行时间传入仿真排产模型；并返回执行步骤S104：根据所述加工设备的预设产能、工位构造所述仿真排产模型。
由此，在实际生产过程中对预设产能进行修正，使仿真排产模型更加准确的还原工厂的实际工作情况，得到更符合实际生产的排产效率。将具有仿真排产模型的软件与生产系统直接接入，通过生产系统直接获取工厂的基本要素，随时随地进行仿真排产，在易用性和开放性方面具有显著优势。
本实施例通过上述方案，具体通过获取待处理产品的产品物料、工艺路线；基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位，以根据所述加工工位的设备对所述待处理产品进行加工；其中，所述仿真排产模型基于加工设备的预设产能、工位训练得到。本发明通过获取加工设备的预设产能、工位，对工厂进行建模，得到仿真排产模型，实现了物理工厂仿真建模，进而通过仿真排产模型，预测和优化生产排产，提高排产的效率、灵活性。
参照图6，图6为本发明生产线的仿真排产方法第四实施例的流程示意图。基于上述图2所示的实施例，在本实施例中，步骤S102：基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位之后包括：
步骤S105，基于所述加工工位的设备的效率、所述待处理产品对应的任务量、所述待处理产品的最晚交期，计算得到所述待处理产品对应的生产线的加工设备数量；和/或所述待处理产品对应的生产线需要的操作工人数量。
步骤S106，若所述待处理产品对应的生产线的加工设备数量；和/或所述待处理产品对应的生产线需要的操作工人数量不满足预设数量，则对待处理产品对应的生产线的数量进行调整；和/或对所述加工工位的设备的数量进行调整。
作为一种实施方式，在本实施例中，基于加工工位的设备的效率、待处理产品对应的任务量、待处理产品的最晚交期，计算得到待处理产品对应的生产线的加工设备数量；和/或待处理产品对应的生产线需要的操作工人数量。
具体地，基于工厂的标准设备的单位时间产能，设备的调机时间，工艺数，工艺的缓冲时间，生产任务数，产线，工艺顺序，设备和工艺的对应关系，最晚交期，工作制(24小时/班组制/标准工作时长)，计算得到待处理产品对应的生产线的加工设备数量。
作为另一种实施方式，基于工厂的标准设备的单位时间产能，设备的调机时间，工艺数，工艺的缓冲时间，生产任务数，产线，工艺顺序，设备和工艺的对应关系，最晚交期，工作制(24小时/班组制/标准工作时长)，计算得到待处理产品对应的生产线需要的操作工人数量。
作为再一种实施方式，基于工厂的标准设备的单位时间产能，设备的调机时间，工艺数，工艺的缓冲时间，生产任务数，产线，工艺顺序，设备和工艺的对应关系，最晚交期，工作制(24小时/班组制/标准工作时长)，计算得到待处理产品对应的生产线的加工设备数量；待处理产品对应的生产线需要的操作工人数量。
更为具体地，首先，判断待处理产品的加工方式。
若待处理产品的加工方式为离散加工，则基于预设离散加工公式得到待处理产品对应的生产线的加工设备数量。
例如：工艺的标准设备的单位时间产能为A，调机时长为B，单个任务C，工艺为D，工艺缓冲时间为E，任务量为F，设单个任务所需设备为n。
n＝(最晚交期-当前时间，排除非工作时间)/生产总时长,生产总时长＝F/nA+nB+nE，将此公式作为离散加工公式。
根据生产订单总任务量，计算需要的所有设备数。
若待处理产品的加工方式为连续加工，则基于预设连续加工公式得到待处理产品对应的生产线的加工设备数量。
例如：工艺的标准设备的单位时间产能为A，调机时长为B，单个任务C，工艺为D，工艺缓冲时间为E，任务量为F，设产线数为n，单个条产线工艺设备数为xi。
n＝(最晚交期-当前时间，排除非工作时间)/生产总时长,生产总时长＝F/xiA+xiB+xiE，将此公式作为连续加工公式。
根据生产订单总任务量，计算需要的所有设备数：xi*n。
由此，通过收集设备和工人的当前产能和单位时间产能，并将设备和工人的当前产能和单位时间产能输入仿真排产模型，得到基于无限产能和有限产能的最佳生产方案，并且可以计算得到待处理产品对应的生产线的加工设备数量；和/或待处理产品对应的生产线需要的操作工人数量。
进一步地，若待处理产品对应的生产线的加工设备数量不满足预设数量，则对待处理产品对应的生产线的数量进行调整；和/或对加工工位的设备的数量进行调整，其中，预设数量包括预设设备数量、预设工人数量。
具体地，若待处理产品对应的生产线的加工设备数量不满足预设设备数量，则对待处理产品对应的生产线的数量进行调整。
若待处理产品对应的生产线的加工设备数量不满足预设设备数量，则对加工工位的设备的数量进行调整。
若待处理产品对应的生产线的加工设备数量不满足预设设备数量，则对待处理产品对应的生产线的数量进行调整；对加工工位的设备的数量进行调整。
作为另一种实施方式，若待处理产品对应的生产线需要的操作工人数量不满足预设数量，则对待处理产品对应的生产线的数量进行调整；和/或对加工工位的设备的数量进行调整，其中，预设数量包括预设设备数量、预设工人数量。
具体地，若待处理产品对应的生产线需要的操作工人数量不满足预设工人数量，则对待处理产品对应的生产线的数量进行调整。
若待处理产品对应的生产线需要的操作工人数量不满足预设工人数量，则对加工工位的设备的数量进行调整。
若待处理产品对应的生产线需要的操作工人数量不满足预设工人数量，则对待处理产品对应的生产线的数量进行调整；对加工工位的设备的数量进行调整。
作为再一种实施方式，若待处理产品对应的生产线的加工设备数量、待处理产品对应的生产线需要的操作工人数量不满足预设数量，则对待处理产品对应的生产线的数量进行调整；和/或对加工工位的设备的数量进行调整，其中，预设数量包括预设设备数量、预设工人数量。
具体地，若待处理产品对应的生产线的加工设备数量不满足预设设备数量，且待处理产品对应的生产线需要的操作工人数量不满足预设工人数量，则对待处理产品对应的生产线的数量进行调整。
若待处理产品对应的生产线的加工设备数量不满足预设设备数量，且待处理产品对应的生产线需要的操作工人数量不满足预设工人数量，则对加工工位的设备的数量进行调整。
若待处理产品对应的生产线的加工设备数量不满足预设设备数量，且待处理产品对应的生产线需要的操作工人数量不满足预设工人数量，则对待处理产品对应的生产线的数量进行调整；对加工工位的设备的数量进行调整。
由此，通过对生产线数量和/或加工设备数量进行调整，使仿真排产模型满足用户的需求，提高用户体验。
需要说明的是，预设数量根据实际情况进行设置，本实施例对此不作具体的限定。
本实施例通过上述方案，具体通过获取待处理产品的产品物料、工艺路线；基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位，以根据所述加工工位的设备对所述待处理产品进行加工；其中，所述仿真排产模型基于加工设备的预设产能、工位训练得到。本发明通过收集设备和工人的当前产能和单位时间产能，并将设备和工人的当前产能和单位时间产能输入仿真排产模型，得到基于无限产能和有限产能的最佳生产方案，并且可以计算得到待处理产品对应的生产线的加工设备数量；和/或待处理产品对应的生产线需要的操作工人数量。
参照图7，图7为本发明生产线的仿真排产系统的功能模块示意图。生产线的仿真排产系统包括：
数据获取模块10，用于获取待处理产品的产品物料、工艺路线；
工位分析模块20，用于基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位，以根据所述加工工位的设备对所述待处理产品进行加工；其中，所述仿真排产模型基于加工设备的预设产能、工位训练得到。
本实施例实现生产线的仿真排产的原理及实施过程，请参照上述各实施例，在此不再赘述。
此外，本发明实施例还提出一种终端设备，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的生产线的仿真排产程序，所述生产线的仿真排产程序被所述处理器执行时实现如上所述的生产线的仿真排产方法的步骤。
由于本生产线的仿真排产程序被处理器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再一一赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有生产线的仿真排产程序，所述生产线的仿真排产程序被处理器执行时实现如上所述的生产线的仿真排产方法的步骤。
由于本生产线的仿真排产程序被处理器执行时，采用了前述所有实施例的全部技术方案，因此至少具有前述所有实施例的全部技术方案所带来的所有有益效果，在此不再一一赘述。
相比现有技术，本发明提供的一种生产线的仿真排产方法、系统、终端设备及存储介质，通过获取待处理产品的产品物料、工艺路线；基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位，以根据所述加工工位的设备对所述待处理产品进行加工；其中，所述仿真排产模型基于加工设备的预设产能、工位训练得到。本发明旨在提高产品的质量，降低生产成本，提高生产线的效率。
需要说明的是，在本文中，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、物品或者方法不仅包括那些要素，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、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者方法中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，被控终端，或者网络设备等)执行本发明每个实施例的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种生产线的仿真排产方法，其特征在于，所述方法包括如下步骤：
获取待处理产品的产品物料、工艺路线；
基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位，以根据所述加工工位的设备对所述待处理产品进行加工；其中，所述仿真排产模型基于加工设备的预设产能、工位训练得到。
2.根据权利要求1所述的生产线的仿真排产方法，其特征在于，所述基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位的步骤包括：
基于所述待处理产品的产品物料、所述工艺路线、所述仿真排产模型、所述预设匹配算法，确定所述待处理产品的关键工位；
基于所述关键工位，计算适应值、当前迭代次数；
若所述当前迭代次数不满足预设条件，则基于所述待处理产品的产品物料、所述工艺路线、所述仿真排产模型、所述预设匹配算法、所述适应值、所述关键工位，确定调整工位；
根据所述调整工位对所述关键工位进行更新，并返回执行步骤：基于所述关键工位，计算适应值、当前迭代次数；
若所述当前迭代次数满足预设条件，则将所述关键工位作为所述加工工位。
3.根据权利要求2所述的生产线的仿真排产方法，其特征在于，所述基于所述待处理产品的产品物料、所述工艺路线、所述仿真排产模型、所述预设匹配算法、所述适应值、所述关键工位，确定调整工位的步骤包括：
基于所述关键工位、所述适应值，计算重组概率；
基于所述待处理产品的产品物料、所述工艺路线、所述仿真排产模型、所述预设匹配算法、所述重组概率，得到选择样本；
对所述样本进行MS交叉和OS交叉，得到交叉结果；
基于所述交叉结果，计算变异概率；
基于所述变异概率，对所述选择样本进行搜索，得到所述调整工位。
4.根据权利要求1所述的生产线的仿真排产方法，其特征在于，所述基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位的步骤之前包括：
建立所述仿真排产模型；
其中，所述建立所述仿真排产模型的步骤包括：
获取所述加工设备的预设产能、工位；
根据所述加工设备的预设产能、工位构造所述仿真排产模型。
5.根据权利要求1所述的生产线的仿真排产方法，其特征在于，所述基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位的步骤之后包括：
基于所述加工工位的设备的效率、所述待处理产品对应的任务量、所述待处理产品的最晚交期，计算得到所述待处理产品对应的生产线的加工设备数量；和/或所述待处理产品对应的生产线需要的操作工人数量；
若所述待处理产品对应的生产线的加工设备数量；和/或所述待处理产品对应的生产线需要的操作工人数量不满足预设数量，则对待处理产品对应的生产线的数量进行调整；和/或对所述加工工位的设备的数量进行调整。
6.根据权利要求5所述的生产线的仿真排产方法，其特征在于，所述基于所述加工工位的设备的效率、所述待处理产品对应的任务量、所述待处理产品的最晚交期，计算得到所述待处理产品对应的生产线的加工设备数量；和/或所述待处理产品对应的生产线需要的操作工人数量的步骤包括：
若所述待处理产品的加工方式为离散加工，则基于所述加工工位的设备的效率、所述待处理产品对应的任务量、所述待处理产品的最晚交期、预设离散加工公式，计算得到所述待处理产品对应的生产线的加工设备数量；和/或所述待处理产品对应的生产线需要的操作工人数量；
若所述待处理产品的加工方式为连续加工，则基于所述加工工位的设备的效率、所述待处理产品对应的任务量、所述待处理产品的最晚交期、预设连续加工公式，计算得到所述待处理产品对应的生产线的加工设备数量；和/或所述待处理产品对应的生产线需要的操作工人数量。
7.根据权利要求4所述的生产线的仿真排产方法，其特征在于，所述基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位的步骤之后包括：
获取所述加工设备的实际产能；
将所述实际产能回传到所述仿真排产模型，对所述预设产能进行更新；并返回执行步骤：根据所述加工设备的预设产能、工位构造所述仿真排产模型。
8.一种生产线的仿真排产系统，其特征在于，包括：
数据获取模块，用于获取待处理产品的产品物料、工艺路线；
工位分析模块，用于基于所述待处理产品的产品物料、所述工艺路线、预先创建的仿真排产模型、预设匹配算法，得到加工工位，以根据所述加工工位的设备对所述待处理产品进行加工；其中，所述仿真排产模型基于加工设备的预设产能、工位训练得到。
9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的生产线的仿真排产方法，所述生产线的仿真排产的程序被所述处理器执行时实现如权利要求1-7中任一项所述的生产线的仿真排产方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有生产线的仿真排产的程序，所述生产线的仿真排产的程序被处理器执行时实现如权利要求1-7中任一项所述的生产线的仿真排产方法的步骤。
CN202210416432.5A 2022-04-20 2022-04-20 生产线的仿真排产方法、系统、终端设备及存储介质 Pending CN114881301A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210416432.5A CN114881301A (zh) 2022-04-20 2022-04-20 生产线的仿真排产方法、系统、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210416432.5A CN114881301A (zh) 2022-04-20 2022-04-20 生产线的仿真排产方法、系统、终端设备及存储介质

Publications (1)

Publication Number Publication Date
CN114881301A true CN114881301A (zh) 2022-08-09

Family

ID=82672490

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210416432.5A Pending CN114881301A (zh) 2022-04-20 2022-04-20 生产线的仿真排产方法、系统、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN114881301A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116679643A (zh) * 2023-06-02 2023-09-01 广州市顺风船舶服务有限公司 一种基于区块链技术的工业设备控制系统
CN116757452A (zh) * 2023-08-18 2023-09-15 山东日辉电缆集团有限公司 一种用于电缆生产加工的智能排产管理系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116679643A (zh) * 2023-06-02 2023-09-01 广州市顺风船舶服务有限公司 一种基于区块链技术的工业设备控制系统
CN116757452A (zh) * 2023-08-18 2023-09-15 山东日辉电缆集团有限公司 一种用于电缆生产加工的智能排产管理系统
CN116757452B (zh) * 2023-08-18 2023-12-05 山东日辉电缆集团有限公司 一种用于电缆生产加工的智能排产管理系统

Similar Documents

Publication Publication Date Title
Wang et al. An improved particle swarm optimization algorithm for dynamic job shop scheduling problems with random job arrivals
Shen et al. Mathematical modeling and multi-objective evolutionary algorithms applied to dynamic flexible job shop scheduling problems
TWI808961B (zh) 工作計劃最佳化方法
CN114881301A (zh) 生产线的仿真排产方法、系统、终端设备及存储介质
Xu et al. Optimization approaches for solving production scheduling problem: A brief overview and a case study for hybrid flow shop using genetic algorithms
Chen et al. Using a genetic algorithm to schedule the space-constrained AGV-based prefabricated bathroom units manufacturing system
CN115700639B (zh) 智能生产排程方法、装置、设备及存储介质
Wang et al. A hybrid genetic algorithm for flexible job shop scheduling problem with sequence-dependent setup times and job lag times
CN116529741A (zh) 基于仿真的闭环aps调度优化方法、系统及存储介质
CN112990515A (zh) 一种基于启发式优化算法的车间资源调度方法
Mortazavi et al. A novel chaotic imperialist competitive algorithm for production and air transportation scheduling problems
CN115271130B (zh) 面向船舶主动力设备维修订单的动态调度方法及系统
Zhang et al. A robust MILP and gene expression programming based on heuristic rules for mixed-model multi-manned assembly line balancing
CN114580678A (zh) 一种产品维修资源调度方法和系统
CN113901728B (zh) 基于迁移遗传算法的电脑第二类装配线平衡优化方法
Chan et al. Comparative performance analysis of a flexible manufacturing system (FMS): a review-period-based control
Shukla et al. An agent-based architecture for production scheduling in dynamic job-shop manufacturing system
CN113298313A (zh) 一种基于遗传算法的柔性作业车间调度方法及系统
CN116822217A (zh) 一种考虑工时不确定性的人机双资源约束多目标生产调度方法
CN116451936A (zh) 一种基于遗传算法的排程方法、系统和存储介质
JP2022135909A (ja) 生産経路決定装置及び生産経路決定プログラム
CN112514352A (zh) 更新调度规则的方法、设备、系统、存储介质和终端
Cheng et al. An integrated modeling mechanism for optimizing the simulation model of the construction operation
CN103246923A (zh) 基于自适应遗传算法的弹性车间调度技术
Taha et al. Job sequencing and layout optimization in virtual production line

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