CN115330552B - 多参数融合排产决策方法、系统、存储介质及电子设备 - Google Patents

多参数融合排产决策方法、系统、存储介质及电子设备 Download PDF

Info

Publication number
CN115330552B
CN115330552B CN202210968095.0A CN202210968095A CN115330552B CN 115330552 B CN115330552 B CN 115330552B CN 202210968095 A CN202210968095 A CN 202210968095A CN 115330552 B CN115330552 B CN 115330552B
Authority
CN
China
Prior art keywords
produced
production
order
transportation
framing
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.)
Active
Application number
CN202210968095.0A
Other languages
English (en)
Other versions
CN115330552A (zh
Inventor
谷锐
赵祺
郑孝旭
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.)
Modiangou Intelligent Technology Dongguan Co ltd
Original Assignee
Modiangou Intelligent Technology Dongguan 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 Modiangou Intelligent Technology Dongguan Co ltd filed Critical Modiangou Intelligent Technology Dongguan Co ltd
Priority to CN202210968095.0A priority Critical patent/CN115330552B/zh
Publication of CN115330552A publication Critical patent/CN115330552A/zh
Application granted granted Critical
Publication of CN115330552B publication Critical patent/CN115330552B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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"
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • 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)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及建筑设计技术领域，尤其是指一种多参数融合排产决策方法及系统，从项目工程的订单开始，由订单数据、成品库存、预测安装周期、运输规划到装框规划等排产全程的数据统一管理，将订单的生产端到安装端关联，将构件订单生产确认阶段融入现场安装计划、未来天气预测等数据，再融合了待产件的安装顺序、运输道路承重、货架装载数量等数据，使最终的工厂排产方案为产业链的最优解，使得待产件的整个生产过程更加可控。

Description

多参数融合排产决策方法、系统、存储介质及电子设备
技术领域
本发明涉及建筑设计技术领域，尤其是指一种多参数融合排产决策方法。
背景技术
建筑设计领域中，以建筑施工中的PC构件(precast concrete-混凝土预制件)为例，PC构件工厂以合同订单确立采购订单和生产进度，以根据设计图纸编制的任务单进行生产工艺和生产线资源计划分配。
现有技术中PC构件工厂生产进度计划表、任务单为不同部门编制的独立工作文件，致使因工艺要求不同而造成生产进度未按计划执行，造成生产进度的不可控，PC构件生产制造过管理源头的数据来源标准不一，且传统的工厂排产基本上都基于工厂内的数据进行排产，而忽略了在产品在安装使用端的关联数据，导致排产方案在生产阶段可能是最优解，但是在全产业链上并不是最优解的情况。
发明内容
本发明针对现有技术的问题提供一种多参数融合排产决策方法，将订单生产确认阶段融入现场安装计划、未来天气预测等数据，再融合了待产件的安装顺序、运输道路承重、货架装载数量等数据，使最终的工厂排产方案为产业链的最优解。
为了解决上述技术问题，本发明一方面公开一种多参数融合排产决策方法，包括以下方法：
获取工程项目待产件的订单；
获取工程项目待产件的成品库存数据；
根据工程项目的安装计划以及未来天气数据，获取待产件的预测安装周期；
结合订单、成品库存数据、预测安装周期以及工厂日生产能力判断出订单的优先度；根据订单的优先度以及工厂日生产能力来确定当日生产的待产件；
根据工程项目待产件的订单，获取待产件的安装顺序；根据待产件的安装顺序、运输道路的承重、运输货架的承受能力对待产件进行运输规划；
将运输规划后的待产件进行装框规划，形成待产件的装框集；对装框集的待产件进行模台分配，并计算模台生产工时；根据模台生产工时计算装框集的生产工时；
根据装框集的生产工时获取最佳的生产排模方案。
优选的，所述根据工程项目的安装计划以及未来天气数据，获取待产件的预测安装周期的方法包括：
(1)获取订单的单位工程计划安装周期Ti；
(2)(2)获取未来[Di，Di+Ti]时间段天气类型及概率值，并进行天气数据集处理Si＝[(w1，p1)，(w2，p2)，(w3，p3)，......(wi，pi)]；其中，i＞1；当天气类型wi为雨天、暴雨、大暴雨天气时，wi＝1，否则wi＝0；其中pi为天气预报的概率值；
(3)获取待产件安装预测安装周期 其中c为常量，取值范围(0，1)。
优选的，所述结合订单、成品库存数据、预测安装周期以及工厂日生产能力判断出订单的优先度的方法包括：
(1)设Li，Li为单位工程当前库存层数；
当Li≥2时，则该订单无需进行排查；
Li＜2时，则进行订单生产优先度Pi计算：
其中，Qi为单位工程即将生产的楼层的待产件的总方量，Cd为工厂日生产能力，Tic为待产件安装预测安装周期；
(2)对所有需要生产的订单进行优先度Pi的计算，并进行订单排序。
优选的，所述根据待产件的安装顺序、运输道路的承重、运输货架的承受能力对待产件进行运输规划的方法包括：
(1)设运输道路最大运输重量wt，运输货架长度ls，货架设计堆放数量ns，平板车长度lt，运输待产件集合sti；
平板车最大运输货架数量nt＝lt/ls，取正整数，则平板车可运输待产件数量n＝nt*ns；
(2)运输待产件集合为：
st1＝[(n1，w1，l1，b1)，(n2，w2，l2，b2)......(nn，wn，ln，bn)]；
stn＝[(nn+1，wn+1，ln+1，bn+1)，(nn+2，wn+2，ln+2，bn+2)......(n2n，w2n，l2n，b2n)]；
(3)对运输待产件集合Stn进行调整：
对运输集合按顺序进行重量核算wsn＝∑Stn(2)，
当wsn≤wt，运输集合不变，并进行下一个运输集合重量核算；
当wsn＞wt，调整当前运输集合，将当前运输集合末位待产件移至下一个运输集合，后面的集合相应进行待产件调整。
优选的，所述将运输规划后的待产件进行装框规划，形成待产件的装框集的方法包括：
将运输待产件集合stn按货架设计堆放数量进行拆分为装框集sn；
sn∈stn，且每个sn的待产件不重复；
sn中的待产件数量小于货架设计堆放数量ns。
优选的，所述对装框集的待产件进行模台分配，并计算模台生产工时，并根据模台生产工时计算装框集的生产工时的方法包括：
(1)获取装框集sn的待产件参数
sn＝[(a1，l1，b1，t1-1，t1-2，t1-3，t1-4，t1-5)，(a2，l2，b2，t2-1，t2-2，t2-3，t2-4，t2-5)，...，(an，ln，bn，tn-1，tn-2，tn-3，tn-4，tn-5)]；
其中，an为待产件编号；ln为待产件的长度；bn为待产件的宽度；tn-1为待产件在工位1的工作时长；tn-2为待产件在工位2的工作时长；tn-3为待产件在工位3的工作时长；tn-4为待产件在工位4的工作时长；tn-5为待产件在工位4的工作时长；
(2)种群初始化：获取装框集sn的待产件数量，随机排序生成实数序列作为染色体，定义种群数量m；
(3)随机排序后的待产件进行模台分配：
获取模台m1(lm1)，将待产件按顺序进行装入模台，当 获取第二个模台，继续装入从编号ai待产件开始装入第二个模台，依次完成待产件模台的分类；
(4)模台生产工时计算：模台分配完成之后，通过对模台上的工序在工位的时间求和，生成模台在每个工位的生产时间集Tmi＝[Tmi-1，Tmi-2，Tmi-3，Tmi-4，Tmi-5]；
(5)计算装框集的生产工时：
按模台顺序采用时间累加对比法逐个计算模台的生产时间：
Tti＝[(ti-1s，ti-1e)，(ti-2s，ti-2e)，(ti-3s，ti-3e)，(ti-4s，ti-4e)，(ti-5s，ti-5e)]，
其中，ti-1s表示模台i在工位1的开始时间，ti-1e表示模台i在工位1的结束时间；则装框集的生产工时Tsn等于最后一个模台的最后一个工位的结束时间；装框集的生产工时越小，适应度越高。
优选的，获得装框集的生产工时后，还包括：
(6)定义适度函数F(i)＝1/fi，fi标识种群中第i个染色体的生产工时计算值；
(7)采用轮盘赌的轮盘赌的方式选择出一定数目的适应度函数值较高个体作为亲本，完成后续的交叉、变异；
(8)染色体交叉与变异：选取次序交叉法进行染色体杂交获取子代染色体；定义变异率i，选取序列变换法对子代染色体变异，生产下一代种群；
(9)种群进化：定义进化次数n次，持续进行种群额适应度计算、选择、交叉及变异；
(10)进化达到设定次数后，输出最佳的生产排产方案。
本发明第二方面提供一种多参数融合排产决策系统，包括：
订单获取单元，用于获取工程项目待产件的订单数据；
成品库存单元，用于查询当前单位工程的待产件的库存；
安装周期预测单元，用于根据订单的单位工程的计划安装周期、未来天气的情况计算出订单的工程项目的预测安装周期；
待产件生产确认单元，用于根据工程项目的订单数据、库存、工程的日产能以及工程项目的预测安装周期，来获取工程项目的订单的优先度，并根据订单优先度以及工程日产能确定当日生产的待产件；
安装顺序单元，用于根据确认生产的订单获取待产件的数据，获取工程项目的待产件的安装顺序；
运输规划单元，用于根据运输道路的承重、运输货架的承受能力、待产件的安装顺序规划待产件的运输方式；
装框规划单元，用于对运输规划后的待产件进行装框规划；
生产排序规划单元，用于通过遗传算法对装框规划后的待产件进行生产排序规划。
本发明第三方面提供一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行上述多参数融合排产决策方法。
本发明第四方面提供一种电子设备，其中，该电子设备包括：
处理器；以及，被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述的多参数融合排产决策方法。
本发明的有益效果：
本发明提供的一种多参数融合排产决策方法，从项目工程的订单开始，由订单数据、成品库存、预测安装周期、运输规划到装框规划等排产全程的数据统一管理，将订单的生产端到安装端关联，将构件订单生产确认阶段融入现场安装计划、未来天气预测等数据，再融合了待产件的安装顺序、运输道路承重、货架装载数量等数据，使最终的工厂排产方案为产业链的最优解，使得待产件的整个生产过程更加可控。
附图说明
图1为本发明的方法流程图；
图2为本发明的系统流程框图。
具体实施方式
为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。以下结合附图对本发明进行详细的描述。
实施例一：
本实施例提供的一种多参数融合排产决策方法，如图1，包括以下方法：
获取工程项目待产件的订单；以PC构件为例说明，通常项目都是按单位工程进行订单要货，待产件订单Oi数据包括订单日期Di(XXXX-XX-XX，年月日)、待产件清单B1-L1(楼栋的名称及楼层)；
获取工程项目待产件的成品库存数据；PC构件工厂是拉式生产，每个单位工程通常会准备好1-2层PC构件，因此以层数为单位，获取订单工程当前库存层数Li；
根据工程项目的安装计划以及未来天气数据，获取待产件的预测安装周期；即将安装现场的天气数据结合到实际排产计划中，使得最终的排产方案更趋向最优化的结果；
结合订单、成品库存数据、预测安装周期以及工厂日生产能力判断出订单的优先度；根据订单的优先度以及工厂日生产能力来确定当日生产的待产件；
根据工程项目待产件的订单，获取待产件的安装顺序；
根据待产件的安装顺序、运输道路的承重、运输货架的承受能力对待产件进行运输规划；即将运输道路、运输货架等客观条件参数结合到本实施例的排产方案决策中，将PC构件的生产与安装、运输等关联起来，从而可以获得PC构件的全流程对应的排产方案；
将运输规划后的待产件进行装框规划，形成待产件的装框集；
对装框集的待产件进行模台分配，并计算模台生产工时；根据模台生产工时计算装框集的生产工时；
根据装框集的生产工时获取最佳的生产排模方案。
具体地，以PC构件为例进行说明，本实施例从项目工程的订单开始，由订单数据、成品库存、预测安装周期、运输规划到装框规划等排产全程的数据统一管理，将订单的生产端到安装端关联，将构件订单生产确认阶段融入现场安装计划、未来天气预测等数据，再融合了待产件的安装顺序、运输道路承重、货架装载数量等数据，使最终的工厂排产方案为产业链的最优解，使得待产件的整个生产过程更加可控、统一。
更具体地，以PC构件为例，本实施例的多参数融合排产决策方法的具体流程为：
1.获取工程项目获取工程项目PC构件的订单、成品库存数据。
2.根据工程项目的安装计划以及未来天气数据，获取PC构件的预测安装周期，具体为：
(1)获取订单的单位工程计划安装周期Ti；
(2)(2)获取未来[Di，Di+Ti]时间段天气类型及概率值，并进行天气数据集处理Si＝[(w1，p1)，(w2，p2)，(w3，p3)，......(wi，pi)]；其中，i＞1；
当天气类型wi为雨天、暴雨、大暴雨天气时，wi＝1，否则wi＝0；其中pi为天气预报的概率值；；
(3)计算PC构件安装预测安装周期 其中c为常量，取值范围(0，1)。
3.计算订单优先度及PC构件生产确认：结合订单、成品库存数据、预测安装周期以及工厂日生产能力判断出订单的优先度，具体为：
(1)设Li，Li为单位工程当前库存层数；
当Li≥2时，则该订单无需进行排查；
Li＜2时，则进行订单生产优先度Pi计算：
其中，Qi为单位工程即将生产的楼层的PC构件的总方量，Cd为工厂日生产能力，Tic为PC构件安装预测安装周期；
对所有需要生产的订单进行优先度Pi的计算，并进行订单排序，再根据订单的优先度Pi和工厂日生产能力确定工厂当日生产的PC构件。
4.获取PC构件的安装顺序，具体为：
根据确认生产的订单获取PC构件数据，并按顺序进行排布生成构件集Ai＝[(n1，w1，l1，b1)，(n2，w2，l2，b2)，......]。
5.对PC构件进行运输规划，具体为：
(1)设运输道路最大运输重量wt，运输货架长度ls，货架设计堆放数量ns，平板车长度lt，运输构件集合sti；
平板车最大运输货架数量nt＝lt/ls，取正整数，则平板车可运输PC构件数量n＝nt*ns；
(2)将构件集Ai按容量n进行拆分，则运输构件集合为：
st1＝[(n1，w1，l1，b1)，(n2，w2，l2，b2)......(nn，wn，ln，bn)]；
stn＝[(nn+1，wn+1，ln+1，bn+1)，(nn+2，wn+2，ln+2，bn+2)......(n2n，w2n，l2n，b2n)]；
(3)对运输PC构件集合Stn进行调整：
对运输集合按顺序进行重量核算wsn＝∑Stn(2)，
当wsn≤wt，运输集合不变，并进行下一个运输集合重量核算；
当wsn＞wt，调整当前运输集合，将当前运输集合末位PC构件移至下一个运输集合，后面的集合相应进行PC构件调整。
6.对PC构件进行装框规划，具体为：
将运输PC构件集合stn按货架设计堆放数量进行拆分为装框集sn；
sn∈stn，且每个sn的PC构件不重复，sn中的PC构件数量小于货架设计堆放数量ns。
7.对PC构件进行模台分配、生产排序规划，具体为：
(1)获取装框集sn的PC构件参数
sn＝[(a1，l1，b1，t1-1，t1-2，t1-3，t1-4，t1-5)，(a2，l2，b2，t2-1，t2-2，t2-3，t2-4，t2-5)，...，(an，ln，bn，tn-1，tn-2，tn-3，tn-4，tn-5)]；
其中，an为待产件编号；ln为待产件的长度；bn为待产件的宽度；tn-1为待产件在工位1的工作时长；tn-2为待产件在工位2的工作时长；tn-3为待产件在工位3的工作时长；tn-4为待产件在工位4的工作时长；tn-5为待产件在工位4的工作时长；
(2)种群初始化：获取装框集sn的PC构件数量，随机排序生成实数序列作为染色体，定义种群数量m；
(3)随机排序后的PC构件进行模台分配：
获取模台m1(lm1)，将PC构件按顺序进行装入模台，当 获取第二个模台，继续装入从编号aiPC构件(an为待产件编号，ai为n＝i时)开始装入第二个模台，依次完成PC构件模台的分类；
(4)模台生产工时计算：模台分配完成之后，通过对模台上的工序在工位的时间求和，生成模台在每个工位的生产时间集Tmi＝[Tmi-1，Tmi-2，Tmi-3，Tmi-4，Tmi-5]；
(5)计算装框集的生产工时：
按模台顺序采用时间累加对比法逐个计算模台的生产时间：Tti＝[(ti-1s，ti-1e)，(ti-2s，ti-2e)，(ti-3s，ti-3e)，(ti-4s，ti-4e)，(ti-5s，ti-5e)]，
其中，ti-1s表示模台i在工位1的开始时间，ti-1e表示模台i在工位1的结束时间；则装框集的生产工时Tsn等于最后一个模台的最后一个工位的结束时间；装框集的生产工时越小，适应度越高。
(6)定义适度函数F(i)＝1/fi，fi标识种群中第i个染色体的生产工时计算值；
(7)采用轮盘赌的轮盘赌的方式选择出一定数目的适应度函数值较高个体作为亲本，完成后续的交叉、变异；
(8)染色体交叉与变异：
选取次序交叉法进行染色体杂交获取子代染色体；
定义变异率i，选取序列变换法对子代染色体变异；
生产下一代种群；
(9)种群进化：定义进化次数n次，持续进行种群额适应度计算、选择、交叉及变异；
(10)进化达到设定次数n后，输出最佳的生产排产方案。
本实施例中，通过上述方法过程，使PC构件可以由订单端、现场安装端、运输端等排产全程关联起来，结合工厂内部以及工厂外部的数据进行排产，使得本实施例的PC构件的排产方案的数据更具有统一性，进而使PC构件的生产、安装使用等过程进度更加可控，多维度的多参数融合形成的排产方案在PC构件的全产业链上更趋向最优解。
实施例二：
本实施例提供一种多参数融合排产决策系统，如图2，具体包括：
订单获取单元，用于获取工程项目待产件的订单数据；
成品库存单元，用于查询当前单位工程的待产件的库存；
安装周期预测单元，用于根据订单的单位工程的计划安装周期、未来天气的情况计算出订单的工程项目的预测安装周期；
待产件生产确认单元，用于根据工程项目的订单数据、库存、工程的日产能以及工程项目的预测安装周期，来获取工程项目的订单的优先度，并根据订单优先度以及工程日产能确定当日生产的待产件；
安装顺序单元，用于根据确认生产的订单获取待产件的数据，获取工程项目的待产件的安装顺序；
运输规划单元，用于根据运输道路的承重、运输货架的承受能力、待产件的安装顺序规划待产件的运输方式；
装框规划单元，用于对运输规划后的待产件进行装框规划；
生产排序规划单元，用于通过遗传算法对装框规划后的待产件进行生产排序规划。
具体地，本实施例以PC构件为例，通过获取订单数据和成品库存数据后，订单数据可以得到PC构件的安装计划周期、安装顺序等基础参数，再结合未来天气的情况，便可以得出PC构件的安装预测周期；再结合工厂的日产能，判断出相关订单的优先度，并根据订单的优先度以及工厂的日产能确定当日的PC构件生产；根据订单的数据，得出PC构件的安装顺序后，再结合运输道路的承重能力、运输货架的数量承受能力，规划出PC构件的运输计划、方式，接着根据运输计划便可以对PC构件进行装框的规划，再对装框后的PC构件进行生产排序规划，通过遗传算法，计算出最佳的生产排序方案。
本实施在订单生产确认阶段融入现场安装计划、未来天气预测等数据，再融合了待产件的安装顺序、运输道路承重、货架装载数量等数据，使最终获得的工厂排产方案为全产业链的最优解，具有强大的适应度。
实施例三：
本实施例公开了一种计算机存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一所描述的多参数融合排产决策方法中部分或者全部的步骤。
实施例四：
本实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一所描述的多参数融合排产决策方法中部分或者全部的步骤。
实施例五：
本实施例公开的一种电子设备，其中，该电子设备包括：
处理器；以及，被安排成存储计算机可执行指令(程序代码)的存储器，存储器可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器具有存储用于执行实施例中的任何方法步骤的程序代码的存储空间。例如，用于程序代码的存储空间可以包括分别用于实现上面的方法中的各种步骤的各个程序代码。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为实施例四的计算机可读存储介质。该计算机可读存储介质可以具有与本实施例的电子设备中的存储器类似布置的存储段、存储空间等存储单元。程序代码可以例如以适当形式进行压缩。通常，存储单元存储有用于执行根据本发明的方法步骤的程序代码，即可以由诸如之类的处理器读取的程序代码，当这些程序代码由电子设备运行时，导致该电子设备执行上面所描述的方法中的各个步骤。
以上所述，仅是本发明较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明以较佳实施例公开如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当利用上述揭示的技术内容作出些许变更或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明技术是指对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明技术方案的范围内。

Claims (5)

1.一种多参数融合排产决策方法，其特征在于，包括以下方法：
获取工程项目待产件的订单；
获取工程项目待产件的成品库存数据；
根据工程项目的安装计划以及未来天气数据，获取待产件的预测安装周期；
结合订单、成品库存数据、预测安装周期以及工厂日生产能力判断出订单的优先度；
根据订单的优先度以及工厂日生产能力来确定当日生产的待产件；
根据工程项目待产件的订单，获取待产件的安装顺序；
根据待产件的安装顺序、运输道路的承重、运输货架的承受能力对待产件进行运输规划；
将运输规划后的待产件进行装框规划，形成待产件的装框集；
对装框集的待产件进行模台分配，并计算模台生产工时；
根据模台生产工时计算装框集的生产工时；
根据装框集的生产工时获取最佳的生产排产方案；
其中，所述根据工程项目的安装计划以及未来天气数据，获取待产件的预测安装周期的方法包括：
(1)获取订单的单位工程计划安装周期Ti；
(2)获取未来[Di，Di+Ti]时间段天气类型及概率值，并进行天气数据集处理Si＝[(w1，p1)，(w2，p2)，(w3，p3)，……(wi，pi)]；其中，i＞1；
当天气类型wi为雨天、暴雨、大暴雨天气时，wi＝1，否则wi＝0；其中pi为天气预报的概率值；
(3)获取待产件安装预测安装周期其中c为常量，取值范围(0,1)；
其中，所述结合订单、成品库存数据、预测安装周期以及工厂日生产能力判断出订单的优先度的方法包括：
(1)设Li，Li为单位工程当前库存层数；
当Li≥2时，则该订单无需进行排查；
Li＜2时，则进行订单生产优先度pi计算：
其中，Qi为单位工程即将生产的楼层的待产件的总方量，Cd为工厂日生产能力，Tic为待产件安装预测安装周期；
(2)对所有需要生产的订单进行优先度Pi的计算，并进行订单排序；
所述根据待产件的安装顺序、运输道路的承重、运输货架的承受能力对待产件进行运输规划的方法包括：
(1)设运输道路最大运输重量wt，运输货架长度ls，货架设计堆放数量ns，平板车长度lt，运输待产件集合Sti；
平板车最大运输货架数量nt＝lt/ls，取正整数，则平板车可运输待产件数量n＝nt*ns；
(2)运输待产件集合为：
st1＝[(n1，w1，l1，b1)，(n2，w2，l2，b2)......(nn，wn，ln，bn)]；
stn＝
[(nn+1，wn+1，ln+1，bn+1)，(nn+2，wn+2，ln+2，bn+2)......(n2n，w2n，l2n，b2n)]；
(3)对运输待产件集合Stn进行调整：
对运输集合按顺序进行重量核算wsn＝∑Stn(2)，
当wsn≤wt，运输集合不变，并进行下一个运输集合重量核算；
当wsn＞wt，调整当前运输集合，将当前运输集合末位待产件移至下一个运输集合，后面的集合相应进行待产件调整；
所述将运输规划后的待产件进行装框规划，形成待产件的装框集的方法包括：
将运输待产件集合Stn按货架设计堆放数量进行拆分为装框集Sn；
sn∈stn，且每个Sn的待产件不重复；
Sn中的待产件数量小于货架设计堆放数量ns；
所述对装框集的待产件进行模台分配，并计算模台生产工时，并根据模台生产工时计算装框集的生产工时的方法包括：
(1)获取装框集Sn的待产件参数
sn＝
[(a1，l1，b1，t1-1，t1-2，t1-3，t1-4，t1-5)，
a2，l2，b2，t2-1，t2-2，t2-3，t2-4，t2-5，...，an，ln，bn，tn-1，tn-2，tn-3，tn-4，tn-5；
其中，an为待产件编号；ln为待产件的长度；bn为待产件的宽度；
tn-1为待产件在工位1的工作时长；tn-2为待产件在工位2的工作时长；tn-3为待产件在工位3的工作时长；tn-4为待产件在工位4的工作时长；tn-5为待产件在工位4的工作时长；
(2)种群初始化：获取装框集Sn的待产件数量，随机排序生成实数序列作为染色体，定义种群数量m；
(3)随机排序后的待产件进行模台分配：
获取模台m1(lm1)，将待产件按顺序进行装入模台，当获取第二个模台，继续装入从编号ai待产件开始装入第二个模台，依次完成待产件模台的分类；
(4)模台生产工时计算：模台分配完成之后，通过对模台上的工序在工位的时间求和，生成模台在每个工位的生产时间集
Tmi＝[Tmi-1，Tmi-2，Tmi-3，Tmi-4，Tmi-5]；
(5)计算装框集的生产工时：
按模台顺序采用时间累加对比法逐个计算模台的生产时间：
Tti＝
[(ti-1s，ti-1e)，(ti-2s，ti-2e)，(ti-3s，ti-3e)，(ti-4s，ti-4e)，(ti-5s，ti-5e)]，
其中，ti-1s表示模台i在工位1的开始时间，ti-1e表示模台i在工位1的结束时间；则装框集的生产工时Tsn等于最后一个模台的最后一个工位的结束时间；装框集的生产工时越小，适应度越高。
2.根据权利要求1所述一种多参数融合排产决策方法，其特征在于，获得装框集的生产工时后，还包括：
(6)定义适度函数F(i)＝1/fi，fi标识种群中第i个染色体的生产工时计算值；
(7)采用轮盘赌的方式选择出一定数目的适应度函数值较高个体作为亲本，完成后续的交叉、变异；
(8)染色体交叉与变异：
选取次序交叉法进行染色体杂交获取子代染色体；
定义变异率i，选取序列变换法对子代染色体变异；
生产下一代种群；
(9)种群进化：定义进化次数n次，持续进行种群额适应度计算、选择、交叉及变异；
(10)进化达到设定次数后，输出最佳的生产排模方案。
3.一种多参数融合排产决策系统，用于执行如权利要求1-2任一项所述的多参数融合排产决策方法，其特征在于，包括：
订单获取单元，用于获取工程项目待产件的订单数据；
成品库存单元，用于查询当前单位工程的待产件的库存；
安装周期预测单元，用于根据订单的单位工程的计划安装周期、未来天气的情况计算出订单的工程项目的预测安装周期；
待产件生产确认单元，用于根据工程项目的订单数据、库存、工程的日产能以及工程项目的预测安装周期，来获取工程项目的订单的优先度，并根据订单优先度以及工程日产能确定当日生产的待产件；
安装顺序单元，用于根据确认生产的订单获取待产件的数据，获取工程项目的待产件的安装顺序；
运输规划单元，用于根据运输道路的承重、运输货架的承受能力、待产件的安装顺序规划待产件的运输方式；
装框规划单元，用于对运输规划后的待产件进行装框规划；
生产排序规划单元，用于通过遗传算法对装框规划后的待产件进行生产排序规划。
4.一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-2任一项所述的多参数融合排产决策方法。
5.一种电子设备，其中，该电子设备包括：
处理器；以及，
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1-2任一项所述的多参数融合排产决策方法。
CN202210968095.0A 2022-08-12 2022-08-12 多参数融合排产决策方法、系统、存储介质及电子设备 Active CN115330552B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210968095.0A CN115330552B (zh) 2022-08-12 2022-08-12 多参数融合排产决策方法、系统、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210968095.0A CN115330552B (zh) 2022-08-12 2022-08-12 多参数融合排产决策方法、系统、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN115330552A CN115330552A (zh) 2022-11-11
CN115330552B true CN115330552B (zh) 2024-03-22

Family

ID=83924770

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210968095.0A Active CN115330552B (zh) 2022-08-12 2022-08-12 多参数融合排产决策方法、系统、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN115330552B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08174390A (ja) * 1994-12-26 1996-07-09 Nissan Motor Co Ltd 生産管理装置
JP2010186357A (ja) * 2009-02-13 2010-08-26 Hitachi Ltd 部品在庫制御システム
WO2018196525A1 (zh) * 2017-04-27 2018-11-01 北京京东尚科信息技术有限公司 货物搬运方法和装置
CN110378528A (zh) * 2019-07-17 2019-10-25 南京大学 基于遗传算法的车间排产方法及系统
CN111401616A (zh) * 2020-03-09 2020-07-10 西安建筑科技大学 一种供应链环境下预制混凝土构件的双层调度方法
CN113379087A (zh) * 2021-06-29 2021-09-10 浙江大学 一种基于改进遗传算法的生产制造排产优化方法
CN114118799A (zh) * 2021-11-26 2022-03-01 河南辉之宇大数据有限公司 一种基于虚拟工序的遗传算法车间排产方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003228410A (ja) * 2002-02-05 2003-08-15 Hitachi Ltd 着工管理システム
US20060277086A1 (en) * 2005-06-01 2006-12-07 University Of Maryland System and method for optimization-based production capability planning

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08174390A (ja) * 1994-12-26 1996-07-09 Nissan Motor Co Ltd 生産管理装置
JP2010186357A (ja) * 2009-02-13 2010-08-26 Hitachi Ltd 部品在庫制御システム
WO2018196525A1 (zh) * 2017-04-27 2018-11-01 北京京东尚科信息技术有限公司 货物搬运方法和装置
CN110378528A (zh) * 2019-07-17 2019-10-25 南京大学 基于遗传算法的车间排产方法及系统
CN111401616A (zh) * 2020-03-09 2020-07-10 西安建筑科技大学 一种供应链环境下预制混凝土构件的双层调度方法
CN113379087A (zh) * 2021-06-29 2021-09-10 浙江大学 一种基于改进遗传算法的生产制造排产优化方法
CN114118799A (zh) * 2021-11-26 2022-03-01 河南辉之宇大数据有限公司 一种基于虚拟工序的遗传算法车间排产方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
EMPC全产业链模式下的装配式建筑成本分析与价值挖掘;刘慧;;住宅产业;20181120(11);全文 *
刘慧 ; .EMPC全产业链模式下的装配式建筑成本分析与价值挖掘.住宅产业.2018,(11),全文. *
江伏香 ; .论BIM技术在预制装配式建筑中的数据化进度管理.居舍.2018,(19),全文. *
装配型企业订货量分配与订单排产联合决策研究;李占丞;刘晓冰;冯晓春;薄洪光;;运筹与管理;20170725(07);全文 *
论BIM技术在预制装配式建筑中的数据化进度管理;江伏香;;居舍;20180705(19);全文 *
高频直缝电阻焊管企业多阶段生产计划建模及管理信息系统设计;朱星光;杨公振;;工业工程;20150415(02);全文 *

Also Published As

Publication number Publication date
CN115330552A (zh) 2022-11-11

Similar Documents

Publication Publication Date Title
CN110070248B (zh) 动态智能调度方法及装置
Ma et al. Optimized rescheduling of multiple production lines for flowshop production of reinforced precast concrete components
Kadadevaramath et al. Application of particle swarm intelligence algorithms in supply chain network architecture optimization
Shi et al. Optimal design of the auto parts supply chain for JIT operations: Sequential bifurcation factor screening and multi-response surface methodology
Varthanan et al. A simulation based heuristic discrete particle swarm algorithm for generating integrated production–distribution plan
Jawahar et al. A genetic algorithm based heuristic to the multi-period fixed charge distribution problem
Biruk et al. Minimizing project cost by integrating subcontractor selection decisions with scheduling
Sobotka Simulation modelling for logistics re-engineering in the construction company
TW202347062A (zh) 用於半導體廠房中之等待時間預測之方法
Izadi et al. A hybrid genetic algorithm for integrated production and distribution scheduling problem with outsourcing allowed
Hossain et al. Multi-period, multi-product, aggregate production planning under demand uncertainty by considering wastage cost and incentives
JP2002541564A (ja) 製造資源をスケジュール化するシステム及び方法
CN116109377A (zh) 订单分配方法及装置、存储介质及电子装置
CN115330552B (zh) 多参数融合排产决策方法、系统、存储介质及电子设备
Jahani et al. A flexible closed loop supply chain design considering multi-stage manufacturing and queuing based inventory optimization
JP5089352B2 (ja) 販売生産計画システム、販売生産計画システムの動作方法及びコンピュータプログラム
Baradaran et al. DETERMINING NUMBER OF WITHDRAWAL KANBAN USING BI-LEVEL OPTIMIZATION AND SIMULATION APPROACHES.
Dawood et al. Stockyard layout planning and management for the precast concrete products industry
Quadras et al. Adaptive Simulation-Based Optimization for Production Scheduling: A Comparative Study
Ajweh A framework for design of panelized wood framing prefabrication utilizing multi-panels and crew balancing
Turgay et al. An Effective Heuristic Algorithm for Flexible Flow Shop Scheduling Problems with Parallel Batch Processing
CN1508732A (zh) 产能模拟系统及方法
Dolgui et al. Optimization of supply chain planning under uncertainty
Shishebori et al. A multi-stage stochastic programming approach in a dynamic cell formation problem with uncertain demand: A case study
Ponsignon et al. A model for master planning in semiconductor manufacturing

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