CN114897379A - 一种基于信息反馈的动态生产计划排程系统及方法 - Google Patents
一种基于信息反馈的动态生产计划排程系统及方法 Download PDFInfo
- Publication number
- CN114897379A CN114897379A CN202210549742.4A CN202210549742A CN114897379A CN 114897379 A CN114897379 A CN 114897379A CN 202210549742 A CN202210549742 A CN 202210549742A CN 114897379 A CN114897379 A CN 114897379A
- Authority
- CN
- China
- Prior art keywords
- plan
- production
- dynamic
- data
- scheduling
- 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
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Physiology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供了一种基于信息反馈的动态生产计划排程系统及方法,涉及生产排程技术领域,该系统包括:数据采集模块,用于采集工厂的生产数据,并从待排程的订单中采集订单数据;计划生成模块,用于基于所述生产数据和所述订单数据,采用群体智能优化算法生成动态排程计划;信息反馈模块,用于基于所述动态排程计划,进行信息反馈;计划输出模块,用于当信息反馈结果不符合预期时重复采用数据采集模块、计划生成模块、信息反馈模块生成下一级动态排程计划,直至信息反馈结果符合预期,输出最终动态排程计划,并依据所述最终动态排程计划进行生产。本发明将生产计划排程与生产信息关联并实现实时调整与反馈,实现了数字化工厂计划排程的动态调整。
Description
技术领域
本发明涉及生产排程技术领域,特别涉及一种基于信息反馈的动态生产计划排程系统及方法。
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,缩短生产交付提前期(LT)。
然而,生产计划排程是个很复杂的问题,不仅排程本身逻辑复杂,在实际应用中还会出现较多变数,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,不能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实际应用效果。
发明内容
为了解决现有技术中存在的上述问题,本发明的目的是为了提供一种可以实时应对实际排程或生产过程中出现各种不确定性问题,将生产计划排程与生产信息关联并实现实时调整与反馈,形成闭环反馈的基于信息反馈的动态生产计划排程系统及方法。
为了实现上述目的,本发明采用了以下的技术方案:
本发明提供了一种基于信息反馈的动态生产计划排程系统,包括:
数据采集模块,用于采集工厂的生产数据,并从待排程的订单中采集订单数据,其中,所述生产数据包括原材料数据和工序数据;
计划生成模块,用于基于所述生产数据和所述订单数据,采用群体智能优化算法生成动态排程计划;
信息反馈模块,用于基于所述动态排程计划,进行信息反馈,其中,所述信息为生产过程中出现的问题或所述动态排程计划是否可以满足实际生产及交付需求;
计划输出模块,用于当信息反馈结果不符合预期时重复采用数据采集模块、计划生成模块、信息反馈模块和计划输出模块输出下一级动态排程计划,直至信息反馈结果符合预期,输出最终动态排程计划,并依据所述最终动态排程计划进行生产。
进一步地,所述订单数据包括成品信息、交付日期、数量信息,所述原材料数据包括原材料库存数据和原材料存放位置数据,所述工序数据包括工序类型、生产工序顺序、生产工序时间。
进一步地,所述群体智能进化算法为遗传算法、神经网络算法和强化学习算法的结合。
进一步地,所述动态排程计划是基于生产过程中出现的动态特性而生成的动态排程计划。
进一步地,所述最终动态排程计划采用甘特图进行显示。
本发明还提供了一种基于信息反馈的动态生产计划排程方法,包括:
S100、采集工厂的生产数据,并从待排程的订单中采集订单数据,其中所述生产数据包括原材料数据和工序数据;
S200、基于所述生产数据和所述订单数据,采用群体智能优化算法生成动态排程计划;
S300、基于所述动态排程计划,进行信息反馈,其中,所述信息为生产过程中出现的问题或所述动态排程计划是否可以满足实际生产及交付需求;
S400、当信息反馈结果不符合预期时重复步骤S100-S300输出下一级动态排程计划,直至信息反馈结果符合预期,输出最终动态排程计划,,并依据所述最终动态排程计划进行生产。
进一步地,所述订单数据包括成品信息、交付日期、数量信息,所述原材料数据包括原材料库存数据和原材料存放位置数据,所述工序数据包括工序类型、生产工序顺序、生产工序时间。
进一步地,所述群体智能进化算法为遗传算法、神经网络算法和强化学习算法的结合。
进一步地,所述动态排程计划是基于生产过程中出现的动态特性而生成的动态排程计划。
进一步地,所述最终动态排程计划采用甘特图进行显示。
本发明提供的上述技术方案的有益效果至少包括:
本发明的一种基于信息反馈的动态生产计划排程系统及方法可以实时应对实际排程或生产过程中出现各种不确定性问题,将生产计划排程与生产信息关联并实现实时调整与反馈,形成了闭环反馈,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,计划人员通过群体智能进化算法生成动态排程计划,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。
使用者还可以根据本发明的一种基于信息反馈的动态生产计划排程系统及方法进行产能瓶颈分析、模拟生产或生产调节等。产能瓶颈分析具体包括若有些订单不能按期交付,可以结合动态排程计划和设备的负载情况,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;模拟生产具体包括在现有动态排程计划的基础上,如果再接到新的订单,可以利用本发明的动态生产计划排程系统模拟一下生产情况,评估是否可以按期交付;生产调节具体包括根据生产与管理过程中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。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍。通过阅读参照以下附图所作的对非限制性实施例的详细描述,本申请的其它特征、目的和优点将会变得更明显。
图1为本发明实施例提供的基于信息反馈的动态生产计划排程系统的构成示例图;
图2为本发明实施例提供的基于信息反馈的动态生产计划排程方法的流程示例图;
图3为本发明实施例提供的基于信息反馈的动态生产计划排程方法的具体流程图。
具体实施方式
为了更好地理解本申请,将参考附图对本申请的各个方面做出更详细的说明。应理解,这些详细说明只是对本申请的示例性实施方式的描述,而非以任何方式限制本申请的范围。在说明书全文中,相同的附图标号指代相同的元件。表述“和/或”包括相关联的所列项目中的一个或多个的任何和全部组合。
在附图中,为了便于说明,已稍微调整了元素的大小、尺寸和形状。附图仅为示例而并非严格按比例绘制。如在本文中使用的,用语“大致”、“大约”以及类似的用语用作表近似的用语,而不用作表程度的用语,并且旨在说明将由本领域普通技术人员认识到的、测量值或计算值中的固有偏差。另外,在本申请中,各步骤处理描述的先后顺序并不必然表示这些处理在实际操作中出现的顺序,除非有明确其它限定或者能够从上下文推导出的除外。
还应理解的是,诸如“包括”、“包括有”、“具有”、“包含”和/或“包含有”等表述在本说明书中是开放性而非封闭性的表述,其表示存在所陈述的特征、元件和/或部件,但不排除一个或多个其它特征、元件、部件和/或它们的组合的存在。此外,当诸如“...中的至少一个”的表述出现在所列特征的列表之后时,其修饰整列特征,而非仅仅修饰列表中的单独元件。此外,当描述本申请的实施方式时,使用“可”表示“本申请的一个或多个实施方式”。并且,用语“示例性的”旨在指代示例或举例说明。
除非另外限定,否则本文中使用的所有措辞(包括工程术语和科技术语)均具有与本申请所属领域普通技术人员的通常理解相同的含义。还应理解的是,除非本申请中有明确的说明,否则在常用词典中定义的词语应被解释为具有与它们在相关技术的上下文中的含义一致的含义,而不应以理想化或过于形式化的意义解释。
需要说明的是,在不冲突的情况下,本申请中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本申请。
图1为本发明实施例提供的基于信息反馈的动态生产计划排程系统的构成示例图,如图1所示,本发明提供了一种基于信息反馈的动态生产计划排程系统,包括:
数据采集模块,用于采集工厂的生产数据,并从待排程的订单中采集订单数据,其中所述生产数据包括原材料数据和工序数据;
计划生成模块,用于基于所述生产数据和所述订单数据,采用群体智能优化算法生成动态排程计划;
信息反馈模块,用于根据所述动态排程计划,进行信息反馈,其中,所述信息为生产过程中出现的问题、所述动态排程计划是否可以满足实际生产及交付需求或物流调度计划中出现的问题等;
计划输出模块,用于当信息反馈结果不符合预期时重复采用数据采集模块、计划生成模块、信息反馈模块生成下一级动态排程计划,直至信息反馈结果符合预期,输出最终动态排程计划,并依据所述最终动态排程计划进行生产。
进一步地,所述订单数据包括成品信息、交付日期、数量信息等,如什么时间需要生产完成什么产品,产品数量是多少等;所述原材料数据包括原材料库存数据和原材料存放位置数据等;所述工序数据包括工序类型、生产工序顺序、生产工序时间、操作车间位置等,如工序生产单位数量产品消耗的时间,通过什么样的操作,将不同的材料转换成半成品等。其中,工序是指通过某个操作,将某种产品或材料变成另一种产品的过程。
更进一步地,订单数据、原材料数据和工序数据具有一定的关联关系,包括但不限于加工前的原材料与加工后的成品之间的配比关系、每种工序所需资源(设备、人员、原材料等)数量的配比关系、与生产数量相关的工序类型、原材料与半成品在不同的车间的流动、原材料库存数据与成品信息决定了是否需要从供应商处购入原材料等。
更进一步地,工序类型可分为与生产数量呈正相关的计件工序和与生产数量无关的固定工序,或其他类型的工序如可替换工序等。
进一步地,所述群体智能进化算法为遗传算法、神经网络算法和强化学习算法的结合。
进一步地,采用群体智能进化算法生成动态排程计划具体包括:
S210、基于所述生产数据和所述订单数据,采用遗传算法,在忽略动态特性的情况下,生成静态排程计划;
S220、预先构建工单释放规则池;
S230、采用强化学习的Q-learning算法将动态特性与工单释放规则池种的规则进行匹配,使用奖励函数确定奖励值最大的映射方式并学习,汇总所有学习结果并构建查询表;
S240、根据查询表与出现的动态特性,调整遗传算法参数生成第一排程计划;
S250、采用神经网络算法学习动态特性概率分布,并作为前馈预测;
S260、重复步骤S230-步骤S250,根据前馈预测调整生成的下一排程计划,直至智能收敛,生成动态排程计划。
更进一步地,基于所述生产数据和所述订单数据,采用遗传算法,在忽略动态特性的情况下,生成静态排程计划具体包括:
S211、基于所述生产数据和所述订单数据,进行生产流程模型(ProductionProcess Model,PPM)建模,生成建模结果;
S212、基于所述建模结果,针对柔性作业车间调度(Flexible JSSP,FJSSP)问题进行问题初始化,对柔性作业车间调度问题进行编码,生成染色体,根据染色体随机生成初始种群或采用使用移动瓶颈启发式算法生成的解作为初始种群;
S213、获取优化目标并设置目标函数,将所述目标函数转换为适应度函数;其中,优化目标包括但不限于交期优先、成本最小、产能利用率最大等;通常情况下,适应度函数可以与目标函数设置为相同函数;
S214、基于所述初始种群,采用遗传算子进行运算,从父代进化生成子代;
S215、基于所述子代重复采用遗传算子进行运算,直至满足预设结束条件,停止运算,输出最终结果;其中,结束条件根据实际情况进行设置,包括但不限于预设运行时间(例如运行1个小时)、满足对目标函数的期望或达到预设迭代次数等;
S216、基于所述最终结果,采用与编码相反的过程进行解码,生成所述静态排程计划。
更进一步地,基于初始种群采用遗传算子进行运算是一个多目标优化问题,一般可以采用非支配排序遗传算法2(NSGA-Ⅱ算法)进行多目标优化求解。NSGA-Ⅱ算法是带有精英保留策略的快速非支配多目标优化算法,实质是在遗传算法(GA算法)的基础上,引入保证子代不会比父代差的精英策略、降低计算复杂度,且子代从双倍空间中选取的快速非支配策略和使得个体均匀扩展到整个帕累托域的拥挤度比较算子。
更进一步地,所述遗传算子包括:
选择算子,采用适应度函数判断个体的适应度,选择适应度高的个体进入子代,同时在剩余部分中采用交叉算子与变异算子进行操作后变成子代;
交叉算子,将两个父代的染色体进行交叉重组,生成子代;其中,交叉位置可以设置在不同的位置;
变异算子,父代进化到子代的过程中,染色体有一定的几率进行改变生成子代,其中,改变的几率通常情况下是随机的,变异算子包括但不限于实值变异、二进制变异等。
更进一步地,当静态排程计划生成后,可以发现在实际的生产场景中会存在很多动态特性的问题,即不确定性,例如制造时间的波动、机器故障、预防性维护、动态插单等,因此可以说实际生产排程问题是动态的柔性作业车间调度问题(动态的柔性作业车间调度问题,Dynamic/Fuzzy FJSSP)。若要解决不确定性,需要通过神经网络算法学习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动态地应对各类不确定性,从而通过GA算法、神经网络与强化学习的结合,即群体智能进化算法,解决Dynamic/Fuzzy FJSSP问题。
更进一步地,GA算法、神经网络与强化学习的作用如下:
GA算法用于提供从个体智能到群体智能的群智涌现机制,以解决FJSSP问题;
强化学习用于在动态特性出现后,在线选择工单释放规则,调整关键的建模参数,为GA算法提供针对动态特性的进化机制;
神经网络用于承载动态特性概率分布,进行前馈预测调整下一次排程计划,即承载学习到的智能。
进一步地,工单释放规则池如下表所示。
更进一步地,采用强化学习的Q-learning算法将动态特性与工单释放规则池中的规则进行匹配的过程中,为了增强算法的长期性能,采用加入了随机因子epsilon的贪心算法(epsilon-greedy)进行搜索匹配。
进一步地,动态排程计划是考虑了生产过程中出现的动态特性的动态排程计划,所述动态特性包括随机因素导致的动态特性和系统动力学因素导致的动态特性,其中,所述随机因素导致的不确定性包括紧急插单和机器故障;所述系统动力学特性导致的不确定性包括制造时间的波动和预防性维护。
更进一步地,当动态特性类别为随机因素导致的不确定性时,基于神经网络算法学习随机因素导致的不确定性出现的概率分布,将随机因素导致的不确定性概率分布作为前馈预测,采用设置缓冲、预留产能等方法,调整遗传算法的建模参数,重复步骤S230-步骤S250生成下一排程计划,直至智能收敛,生成动态排程计划;当动态特性类别为系统动力学特性导致的不确定性时,基于神经网络算法学习系统动力学特性导致的不确定性出现的概率分布,将系统动力学特性导致的不确定性概率分布作为前馈预测,采用设置制造时间、产能等方法,调整遗传算法的建模参数,重复步骤S230-步骤S250生成下一排程计划,直至智能收敛,生成动态排程计划。
进一步地,根据信息反馈结果,若动态排程计划不符合预期,根据实际生产情况调整生产数据或订单数据,重复采用数据采集模块、计划生成模块和信息反馈模块生成下一级动态排程计划;若符合预期的信息反馈结果则作为最终动态排程计划并输出,并将所述最终动态排程计划下发至生产端进行生产。
进一步地,所述最终动态排程计划采用甘特图进行显示。在甘特图中,结合最终动态排程计划和原材料库存数据,可以得知原材料的消耗情况,以及整个生产过程库存变化;并根据最终动态排程计划推算资源(设备等)的利用率。
进一步地,本发明的一种基于信息反馈的动态生产计划排程系统在实际生产计划排程和生产过程中的应用,包括但不限于采用本发明的基于信息反馈的动态生产计划排程系统进行产能瓶颈分析、模拟生产或生产调节等。
本发明提供的上述技术方案的有益效果至少包括:
本发明的一种基于信息反馈的动态生产计划排程系统可以实时应对实际排程或生产过程中出现各种不确定性问题,将生产计划排程与生产信息关联并实现实时调整与反馈,形成了闭环反馈,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,计划人员通过群体智能进化算法生成动态排程计划,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。
使用者还可以根据本发明的一种基于信息反馈的动态生产计划排程方法进行产能瓶颈分析、模拟生产或生产调节等。产能瓶颈分析具体包括若有些订单不能按期交付,可以结合动态排程计划和设备的负载情况,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;模拟生产具体包括在现有动态排程计划的基础上,如果再接到新的订单,可以利用本发明的动态生产计划排程系统模拟一下生产情况,评估是否可以按期交付;生产调节具体包括根据生产与管理过程中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。
图2为本发明实施例提供的基于信息反馈的动态生产计划排程方法的流程示例图,如图2所示,本发明还提供了一种基于信息反馈的动态生产计划排程方法,包括:
S100、采集工厂的生产数据,并从待排程的订单中采集订单数据,其中所述生产数据包括原材料数据和工序数据;
S200、基于所述生产数据和所述订单数据,采用群体智能优化算法生成动态排程计划;
S300、基于所述动态排程计划,进行信息反馈,其中,所述信息为生产过程中出现的问题或所述动态排程计划是否可以满足实际生产及交付需求;
S400、当信息反馈结果不符合预期时重复步骤S100-S300生成下一级动态排程计划,直至信息反馈结果符合预期,输出最终动态排程计划,并依据所述最终动态排程计划进行生产。
进一步地,所述订单数据包括成品信息、交付日期、数量信息,所述原材料数据包括原材料库存数据和原材料存放位置数据,所述工序数据包括工序类型、生产工序顺序、生产工序时间。
进一步地,所述群体智能进化算法为遗传算法、神经网络算法和强化学习算法的结合。
进一步地,所述动态排程计划是考虑了生产过程中出现的动态特性的动态排程计划,其中,所述动态特性包括随机因素导致的动态特性和系统动力学因素导致的动态特性。
进一步地,所述最终动态排程计划采用甘特图进行显示。
图3为本发明实施例提供的基于信息反馈的动态生产计划排程方法的具体流程图,如图3所示,开始后,采集生产数据和订单数据,基于生产数据和订单数据采用群体智能优化算法生成动态排程计划,根据所述动态排程计划实时获取排程过程或使用动态排程计划进行生产的过程中出现的问题,进行信息反馈,根据反馈的信息判断动态排程计划是否符合预期,若不符合预期,则返回重新采集生产数据和订单数据、生成下一级动态排程计划、进行信息反馈,直至信息反馈结果符合预期; 若符合预期则作为最终动态排程计划输出,结束。
本发明提供的上述技术方案的有益效果至少包括:
本发明的一种基于信息反馈的动态生产计划排程方法可以实时应对实际排程或生产过程中出现各种不确定性问题,将生产计划排程与生产信息关联并实现实时调整与反馈,形成了闭环反馈,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,计划人员通过群体智能进化算法生成动态排程计划,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。
使用者还可以根据本发明的一种基于信息反馈的动态生产计划排程方法进行产能瓶颈分析、模拟生产或生产调节等。产能瓶颈分析具体包括若有些订单不能按期交付,可以结合动态排程计划和设备的负载情况,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;模拟生产具体包括在现有动态排程计划的基础上,如果再接到新的订单,可以利用本发明的动态生产计划排程系统模拟一下生产情况,评估是否可以按期交付;生产调节具体包括根据生产与管理过程中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)
1.一种基于信息反馈的动态生产计划排程系统,其特征在于,包括:
数据采集模块,用于采集工厂的生产数据,并从待排程的订单中采集订单数据,其中,所述生产数据包括原材料数据和工序数据;
计划生成模块,用于基于所述生产数据和所述订单数据,采用群体智能优化算法生成动态排程计划;
信息反馈模块,用于基于所述动态排程计划,进行信息反馈,其中,所述信息为生产过程中出现的问题或所述动态排程计划是否满足实际生产及交付需求;
计划输出模块,用于当信息反馈结果不符合预期时重复采用数据采集模块、计划生成模块、信息反馈模块和计划输出模块输出下一级动态排程计划,直至信息反馈结果符合预期,输出最终动态排程计划,并依据所述最终动态排程计划进行生产。
2.如权利要求1所述的基于信息反馈的动态生产计划排程系统,其特征在于,所述订单数据包括成品信息、交付日期、数量信息,所述原材料数据包括原材料库存数据和原材料存放位置数据,所述工序数据包括工序类型、生产工序顺序、生产工序时间。
3.如权利要求1所述的基于信息反馈的动态生产计划排程系统,其特征在于,所述群体智能进化算法为遗传算法、神经网络算法和强化学习算法的结合。
4.如权利要求1所述的基于信息反馈的动态生产计划排程系统,其特征在于,所述动态排程计划是基于生产过程中出现的动态特性而生成的动态排程计划。
5.如权利要求1所述的基于信息反馈的动态生产计划排程系统,其特征在于,所述最终动态排程计划采用甘特图进行显示。
6.一种基于信息反馈的动态生产计划排程方法,其特征在于,包括:
S100、采集工厂的生产数据,并从待排程的订单中采集订单数据,其中所述生产数据包括原材料数据和工序数据;
S200、基于所述生产数据和所述订单数据,采用群体智能优化算法生成动态排程计划;
S300、基于所述动态排程计划,进行信息反馈,其中,所述信息为生产过程中出现的问题或所述动态排程计划是否满足实际生产及交付需求;
S400、当信息反馈结果不符合预期时重复步骤S100-S300输出下一级动态排程计划,直至信息反馈结果符合预期,输出最终动态排程计划,并依据所述最终动态排程计划进行生产。
7.如权利要求6所述的基于信息反馈的动态生产计划排程方法,其特征在于,所述订单数据包括成品信息、交付日期、数量信息,所述原材料数据包括原材料库存数据和原材料存放位置数据,所述工序数据包括工序类型、生产工序顺序、生产工序时间。
8.如权利要求6所述的基于信息反馈的动态生产计划排程方法,其特征在于,所述群体智能进化算法为遗传算法、神经网络算法和强化学习算法的结合。
9.如权利要求6所述的基于信息反馈的动态生产计划排程方法,其特征在于,所述动态排程计划是基于生产过程中出现的动态特性而生成的动态排程计划。
10.如权利要求6所述的基于信息反馈的动态生产计划排程方法,其特征在于,所述最终动态排程计划采用甘特图进行显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210549742.4A CN114897379A (zh) | 2022-05-20 | 2022-05-20 | 一种基于信息反馈的动态生产计划排程系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210549742.4A CN114897379A (zh) | 2022-05-20 | 2022-05-20 | 一种基于信息反馈的动态生产计划排程系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897379A true CN114897379A (zh) | 2022-08-12 |
Family
ID=82724061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210549742.4A Pending CN114897379A (zh) | 2022-05-20 | 2022-05-20 | 一种基于信息反馈的动态生产计划排程系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897379A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029799A (zh) * | 2023-03-27 | 2023-04-28 | 山东恒远智能科技有限公司 | 基于智能化决策的微服务架构管理平台 |
CN116562514A (zh) * | 2023-07-12 | 2023-08-08 | 苏州简诺科技有限公司 | 基于神经网络的企业生产状况即时分析方法及系统 |
CN117114362A (zh) * | 2023-10-18 | 2023-11-24 | 江苏秉信科技有限公司 | 一种电网操作计划排程方法、系统、终端设备及存储介质 |
CN117495045A (zh) * | 2023-11-28 | 2024-02-02 | 广州宇格水淼科技有限公司 | 一种信息化工厂的生产控制方法、系统、设备及存储介质 |
CN117973815A (zh) * | 2024-03-29 | 2024-05-03 | 瑞熙(苏州)智能科技有限公司 | 自适应生产计划智能生成与调整系统及方法 |
-
2022
- 2022-05-20 CN CN202210549742.4A patent/CN114897379A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029799A (zh) * | 2023-03-27 | 2023-04-28 | 山东恒远智能科技有限公司 | 基于智能化决策的微服务架构管理平台 |
CN116562514A (zh) * | 2023-07-12 | 2023-08-08 | 苏州简诺科技有限公司 | 基于神经网络的企业生产状况即时分析方法及系统 |
CN116562514B (zh) * | 2023-07-12 | 2023-09-15 | 苏州简诺科技有限公司 | 基于神经网络的企业生产状况即时分析方法及系统 |
CN117114362A (zh) * | 2023-10-18 | 2023-11-24 | 江苏秉信科技有限公司 | 一种电网操作计划排程方法、系统、终端设备及存储介质 |
CN117114362B (zh) * | 2023-10-18 | 2024-02-06 | 江苏秉信科技有限公司 | 一种电网操作计划排程方法、系统、终端设备及存储介质 |
CN117495045A (zh) * | 2023-11-28 | 2024-02-02 | 广州宇格水淼科技有限公司 | 一种信息化工厂的生产控制方法、系统、设备及存储介质 |
CN117973815A (zh) * | 2024-03-29 | 2024-05-03 | 瑞熙(苏州)智能科技有限公司 | 自适应生产计划智能生成与调整系统及方法 |
CN117973815B (zh) * | 2024-03-29 | 2024-05-28 | 瑞熙(苏州)智能科技有限公司 | 自适应生产计划智能生成与调整系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114897379A (zh) | 一种基于信息反馈的动态生产计划排程系统及方法 | |
He et al. | Multiobjective optimization of energy-efficient job-shop scheduling with dynamic reference point-based fuzzy relative entropy | |
CN111382942B (zh) | 一种集成交货期配置的置换流水车间能效优化调度方法 | |
CN114298426A (zh) | Aps动态生产计划排程系统 | |
Guo et al. | A hybrid intelligent model for order allocation planning in make-to-order manufacturing | |
Xu et al. | Functional objectives decisionmaking of discrete manufacturing system based on integrated ant colony optimization and particle swarm optimization approach | |
Mehranfar et al. | A novel hybrid whale optimization algorithm to solve a production-distribution network problem considering carbon emissions | |
CN114298423A (zh) | Aps动态生产计划排程算法 | |
Zhang et al. | Research on optimization of assembly line based on product scheduling and just-in-time feeding of parts | |
Javanshir et al. | Bi-objective supply chain problem using MOPSO and NSGA-II | |
Wang et al. | Order acceptance and scheduling considering lot-spitting in seru production system | |
CN116415780A (zh) | 一种智能排单的方法及系统 | |
Wang et al. | Task package division method for the integrated scheduling framework of mixed model car-sequencing problem | |
Miranzadeh et al. | Simulation of a single product supply chain model with ARENA | |
Zhang et al. | An imperialist competitive algorithm incorporating remaining cycle time prediction for photolithography machines scheduling | |
Rajakumar et al. | Workflow balancing in parallel machine scheduling with precedence constraints using genetic algorithm | |
Krause | AI-based discrete-event simulations for manufacturing schedule optimization | |
Klanke et al. | Simulation-based scheduling of a large-scale industrial formulation plant using a heuristics-assisted genetic algorithm | |
Ivaschenko et al. | Conditional management technology for multiagent interaction. | |
DerakhshanHoreh et al. | Integrated production and non-cyclical maintenance planning in flow-shop environment with limited buffer | |
Zhao et al. | Model for Selecting Optimal Dispatching Rules Based Real-time Optimize Job Shop Scheduling Problem | |
Dosdogru et al. | Simulation optimization approach for dynamic and stochastic closed loop supply chain network | |
Zeng et al. | A Fast-Automated Scheduling Method Based on Genetic Algorithm for Final Assembly Workshop | |
Wu et al. | Design and Application of Workshop Production Scheduling Strategy Based on Manufacturing Big Data | |
Lv et al. | Genetic regulatory network-based optimisation of master production scheduling and mixed-model sequencing in assembly lines |
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 |