CN115685912A - 基于大数据的制造企业生产与物流协同优化调度方法及系统 - Google Patents

Abstract

本发明提出了基于大数据的制造企业生产与物流协同优化调度方法及系统，读取实时更新的大数据单元的信息，生成优化目标及限制，在生产前进行最优调度规划；实时监测调度过程中物流搬运设备的活动情况，针对不同活动情况信息，赋予每个物流搬运设备的活动情况多种类别标识；自动接收赋予了多种类别标识的每个物流搬运设备的活动情况，对每个物流搬运设备的活动情况的多标识进行实时综合加权分析；自动接收多标识实时综合加权，评估每个物流搬运设备的多标识实时综合加权，在空间尺度上进行物流搬运设备调度计划，按照多标识实时综合加权高低生成物流搬运设备调度序列；实时接收物流搬运设备调度变化信息，对当前工业生产环境进行更新。

Description

基于大数据的制造企业生产与物流协同优化调度方法及系统

技术领域

本发明涉及物流优化调度技术领域，具体涉及一种基于大数据的制造企业生产与物流协同优化调度方法及系统。

背景技术

在制造环境中安排工作是一个复杂的过程。大多数工厂使用自动化计划和调度系统来确保以最少的库存及时满足客户需求。为了实现此目标，此类计划要求有效安排每个生产线的工作，并在生产线上需要时提供完成所执行的每个任务所需的适当材料，并且按照需要的产品顺序制造产品。要制定生产计划，应接收和分析客户订单，应将优先级分配给要制造的物品，应分配制造资源，应安排工作，应获取原材料和/或零件并将其交付给生产线，应该跟踪进行中的工作，并且必须处理原材料和/或零件的可用性变化。许多制造工厂通过将多个计算机化的计划和调度系统与基于纸张的管理系统相结合来计划和管理许多任务。

大多数企业根据对产品需求的预测来安排制造活动。通常每天或每周安排工作，以满足根据过去的销售预测的需求。自动计划和计划系统的输入是需求预测。

为了确保满足需求，大多数工厂都保留零件和/或原材料的库存。每种类型的库存通常包括容纳平均使用率的库存和满足需求变化的库存。但是，保持较高的库存水平并不一定保证在需要的时间和地点都可以使用正确的库存。需要在生产过程中需要物料之前将物料输送到生产线的物料输送计划。

此外，由于大多数工厂中有限的空间以及维护库存仓库的费用，因此希望仅保持满足需求所需的最小库存。一些工厂采用按客户定单生产的模式，除非客户订购，否则不生产任何产品。该模型使工厂能够以最少的成品库存运行，但无法解决物料库存问题。

除了最小化材料库存之外，还希望最小化材料处理以确保在正确的时间将材料运送到正确的位置。

在针对客户订单制造的商品的大规模生产制造环境中，安排制造活动的问题会更加严重。商品多数情况是指大量生产的非专业产品。在这种环境下，制造和交付活动的时间差距可能会少于一小时。需求预测不能可靠地预测此级别上的物料需求，并且基于需求预测的计划会变得越来越不准确，因为在计划工作时间和在生产线上开始工作之间的时间间隔越来越长。需求预测也不会响应非典型客户订单导致的物料需求变化。

例如现有技术中，专利文献CN111882215A中公开了一种含有AGV的个性化定制柔性作业车间调度方法，包括步骤：建立含有AGV的个性化定制柔性作业车间工业物联网框架；设定调度的目标和参数；在生产过程中，车间生产的工件向云计算平台发送物流需求指令，AGV接收云计算平台转发的物流需求指令，依据优先级法则选取优先级最高的物流需求指令，并规划对应工件的生产计划；加工单元按照生产计划进行工件加工，并将加工完成的工件置于工件缓冲区，所述AGV同时按照计划从缓冲区提取工件。该技术方案虽然有助于构建无人化的智能工厂，但是车间调度需求在提前/拖期成本、设备利用率与能耗方面不具有优势。

再例如CN111223001A中，公开了一种基于多种流程模型的资源调度方法和系统。建立矿业生产资源模型，用于描述各生产资源的资源基本特征、功能性特征、约束性特征；生产资源包括流程资源、离散资源和批量资源；建立生产业务模型，包括流程型业务模型、离散型业务模型和批量型业务模型；智能调度模块以离散型业务模型为基础，计算不同位置分布上的约束条件；智能调度模块根据各位置的约束条件和位置节点的上下游节点信息，规划路径并计算路径上的能量需求和最大吞吐量；智能调度模块依据批量型业务模型计算在时序分段期内批量型业务产出，以最大吞吐量为制约条件，选择最小能量需求为调度最佳规划路线。但是该技术方案缺乏协同优化调度的效果。

发明内容

为了解决上述技术问题，本发明提出了基于大数据的制造企业生产与物流协同优化调度方法，包括如下步骤：

S1、读取实时更新的大数据单元的信息，基于生产车间情况规划生产任务，并生成优化目标及限制，在生产前进行最优调度规划；

S2、基于深度学习算法，结合步骤S1生成的所述最优调度规划进行调度，实时监测调度过程中物流搬运设备的活动情况，针对不同活动情况信息，赋予每个物流搬运设备的活动情况多种类别标识；

S3、自动接收步骤S2赋予了多种类别标识的每个物流搬运设备的活动情况，对每个物流搬运设备的活动情况的多标识进行实时综合加权分析；

S4、自动接收步骤S3生成的多标识实时综合加权，评估每个物流搬运设备的多标识实时综合加权，若多标识实时综合加权高于阈值，则在空间尺度上进行物流搬运设备调度计划，并按照多标识实时综合加权高低生成物流搬运设备调度序列；

S5、系统自动根据步骤S4生成的物流搬运设备调度序列，实时接收物流搬运设备调度变化信息，对当前工业生产环境进行更新；

S6、进行步骤S1到步骤S5的循环，直到处理完所有的生产任务。

进一步地，步骤S1中，通过式(1)计算本次最优调度目标，最优的物流任务完成时间F为所有物流时间t_d里的最小值：

F＝min t_d (1)；

通过式(2)定义同一任务从装载任务节点i到j的装载总量x_i，j和从卸载任务节点k到m的交付总量x_k，m相同：

∑_i，j∈Px_x，j-∑_k，m∈Nx_k，m＝0 (2)；

其中，P为物流搬运设备等待执行物流任务装载点集，N为物流搬运设备等待执行物流任务卸载点集。

进一步地，定义任务时间限制，物流搬运设备访问每个装载任务节点i的时间t_i在时间窗[b_i，c_i]内，其中，i为集合P中的任意一个任务节点；

对于等待执行的物流任务，从装载任务节点i到j的装载完成时间t_j需要在从卸载任务节点j开始进行卸载时的时间t_i之前；

定义物流搬运设备负载限制，物流搬运设备运行负载不超过其额定最大负载。

进一步地，步骤S2中，从现实生产环境中读取当前生产车间环境情况信息，提取状态特征，包括平均机器利用率U(t)、设备负载率F(t)、工件估计延迟率T(t)、工件实际延迟率Y(t)、工件完成率C(t)、工序完成率O(t)，作为深度学习网络输入部分，选择不同的调度规则进行训练，并将选择后的状态特征值反馈到深度学习网络中，最终赋予每个物流搬运设备的活动情况多种类别标识。

进一步地，步骤S3中，多标识实时综合加权Z(t)如下式(3)表示：

Z(t)＝α·U(t)+β·(1-F(t))+γ·(1-T(t))+δ·(1-Y(t))+ε·C(t)+λ·O(t)(9)；其中α、β、γ、δ、ε和λ表示各个标识的加权参数，各加权参数在0到1之间。

本发明还提出了基于大数据的制造企业生产与物流协同优化调度系统，用于实现协同优化调度方法，包括：调度规划单元、实时决策单元、加权分析单元、评估调度单元和大数据单元；

所述调度规划单元，用于读取实时更新的大数据单元的信息，基于生产车间情况规划生产任务，生成优化目标及限制，并在生产前进行最优调度规划；

所述实时决策单元，用于基于深度学习算法，结合最优调度规划进行调度，实时监测调度过程中物流搬运设备的活动情况，针对不同活缓解情况信息，赋予每个物流搬运设备的活动情况多种类别标识；

所述加权分析单元，用于自动接收赋予了多种类别标识的每个物流搬运设备的活动情况，对每个物流搬运设备的活动情况的多标识进行实时综合加权分析；

所述评估调度单元，用于自动接收生成的多标识实时综合加权，评估每个物流搬运设备的多标识实时综合加权，若多标识实时综合加权高于阈值，则在空间尺度上进行物流搬运设备调度计划，并按照多标识实时综合加权高低生成物流搬运设备调度序列；

所述大数据单元，用于自动根据评估调度单元生成的物流搬运设备调度序列，实时接收物流搬运设备调度变化信息，对当前工业生产车间情况进行更新。

相比于现有技术，本发明具有如下有益技术效果：

本发明所提出的协同优化调度方法形成多标识协同实时调度链，整个流程完全由计算机完成决策无需工作人员参与；完成一次循环后，系统解决当前生产车间实时环境情况带来的影响，进行从步骤S1到步骤S5的循环，直到处理完所有的生产任务。

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单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的基于大数据的制造企业生产与物流协同优化调度系统的结构示意图；

图2为本发明的基于大数据的制造企业生产与物流协同优化调度方法的流程图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本发明的具体实施例附图中，为了更好、更清楚的描述系统中的各元件的工作原理，表现所述装置中各部分的连接关系，只是明显区分了各元件之间的相对位置关系，并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。

在生产过程中，生产车间向协同优化调度系统发送物流需求指令，物流搬运设备接收协同优化调度系统转发的物流需求指令。

物流需求指令具有优先级，物流搬运设备依据优先级法则选取优先级最高的物流需求指令，协同优化调度系统发现优先级最高的物流需求指令被物流搬运设备选择后，将该信号逆向传播给生产车间，并规划对应工件的生产计划。

如附图1所示为协同优化调度系统的结构示意图，所述协同优化调度系统主要由以下多个单元组成：

调度规划单元：读取实时更新的大数据单元的信息，基于生产车间情况规划生产任务，生成优化目标及限制，并在生产前进行最优调度规划。

实时决策单元：基于深度学习算法，结合最优调度规划进行调度，实时监测调度过程中物流搬运设备的活动情况，针对不同活缓解情况信息，赋予每个物流搬运设备的活动情况多种类别标识。

优选地，在车间中，物流搬运设备上附加有RFID自动识别设备，包括RFID读写器、软件系统和显示装置，在车间/仓库关键路口、进/出处、托盘、货架、制造设备配置RFID电子标签，物料搬运载体在搬运任务执行过程中可感知周边制造资源的实时状态信息和搬运载体自身的实时动态信息(实时感知当前位置、已用容量、物料)；在此基础上，软件系统根据获取的动态信息与搬运任务管理系统基于无线网络环境进行动态交互，以主动获取最适合本搬运载体执行的新物料配送任务，并将结果显示于显示装置中用以指导操作员工的搬运操作。

加权分析单元：自动接收赋予了多种类别标识的每个物流搬运设备的活动情况，对每个物流搬运设备的活动情况的多标识进行实时综合加权分析。

评估调度单元：自动接收生成的多标识实时综合加权，评估每个物流搬运设备的得分，若得分高于分数标准，则在空间尺度上进行物流搬运设备调度计划，并按照得分高低生成物流搬运设备调度序列。

大数据单元：自动根据评估调度单元生成的物流搬运设备调度序列，实时接收物流搬运设备调度变化信息，对当前工业生产车间情况进行更新。

大数据单元可利用无线传感网络获得来自于各工作站的生产现场数据，通过数据分拣、匹配和统计处理等操作，得到关于每一项加工任务的完工情况及其物流搬运设备的活动状态信息；其中，有关生产任务的信息包括已经完成任务、正在加工的任务和等待加工的任务的数量；物料的状态信息包括备料信息、在制品信息和成品信息。

在优选实施例中，协同优化调度系统还包括显示单元，准实时地显示、刷新调度过程的各工作站、工位、设备的状态或生产进程；借助甘特图显示调度表、任务加工进度、设备加工状态，其中高亮显示已经调度但尚未完工的任务；借助甘特图显示物料的输送计划，其中高亮显示已经调度但尚未运输完成的任务；借助直方图显示设备的利用率、物料消耗率的信息；借助饼图显示生产计划、调度与实际执行情况的比率。

如附图2所示，为基于大数据的制造企业生产与物流协同优化调度方法的流程图，协同优化调度方法具体包括如下步骤：

S1、读取实时更新的大数据单元的信息，基于生产车间情况规划生产任务，并生成优化目标及限制，在生产前进行最优调度规划。

进行最优调度规划时，为实现物流搬运设备资源的合理配置，当调度规划任务产生时，选择代价最小的物流搬运设备来执行此任务。

通过式(1)计算本次最优调度目标，调度目标希望最优的物流任务完成时间F为所有物流时间t_d里的最小值：

F＝min t_d (1)；

通过式(2)定义同一任务从装载任务节点i到j的装载总量x_i，j和从卸载任务节点k到m的交付总量x_k，m相同：

∑_i，j∈Px_x，j-∑_k，m∈Nx_k，m＝0 (2)；

其中，P为物流搬运设备等待执行物流任务装载点集，N为物流搬运设备等待执行物流任务卸载点集。

定义任务时间限制，表示根据物流搬运设备已有任务的加工作业时间安排，物流搬运设备访问每个装载任务节点i的时间t_i必须在时间窗[b_i，c_i]内，以保证调度的正常执行。其中，i为集合P中的任意一个任务节点。

对于等待执行的物流任务，物流搬运设备负责完成同一任务的装载、卸载过程，从装载任务节点i到j的装载完成时间t_j需要在从卸载任务节点j开始进行卸载时的时间t_i之前。

定义物流搬运设备负载限制，考虑物流搬运设备自身负载限制，物流搬运设备运行负载不能超过其额定最大负载。

S2、基于深度学习算法，结合步骤S1生成的生产前进行最优调度规划进行调度，实时监测调度过程中物流搬运设备的活动情况，针对不同活动情况信息，赋予每个物流搬运设备的活动情况多种类别标识。

从现实生产环境中读取当前生产车间环境情况信息，提取状态特征，包括平均机器利用率U(t)、设备负载率F(t)、工件估计延迟率T(t)、工件实际延迟率Y(t)、工件完成率C(t)、工序完成率O(t)这六个状态特征值，作为深度学习网络输入部分，为深度学习网络的输入和输出层节点提供状态特征值和可用操作数。接着选择不同的调度规则进行训练，并将选择后的状态值反馈到深度学习网络中，再次完成学习。最终赋予每个物流搬运设备的活动情况多种类别标识。

S3、自动接收步骤S2赋予了多种类别标识的每个物流搬运设备的活动情况，对每个物流搬运设备的活动情况的多标识进行实时综合加权分析。

多标识实时综合加权Z(t)如下式(3)表示：

Z(t)＝α·U(t)+β·(1-F(t))+γ·(1-T(t))+δ·(1-Y(t))+ε·C(t)+λ·O(t)(9)；

其中α、β、γ、δ、e和λ表示各个标识的加权参数，各加权参数在0到1之间。

S4、自动接收步骤S3生成的多标识实时综合加权，评估每个物流搬运设备的多标识实时综合加权，若多标识实时综合加权高于阈值，则在空间尺度上进行物流搬运设备调度计划，并按照多标识实时综合加权高低生成物流搬运设备调度序列。

S5、系统自动根据步骤S4生成的物流搬运设备调度序列，实时接收物流搬运设备调度变化信息，对当前工业生产环境进行更新。

本发明所提出的协同优化调度方法形成多标识协同实时调度链，整个流程完全由计算机完成决策无需工作人员参与；完成一次循环后，系统解决当前生产车间实时环境情况带来的影响，进行从步骤S1到步骤S5的循环，直到处理完所有的生产任务。

综上所述，本发明提出的基于大数据的制造企业生产与物流协同优化调度方法及系统，可降低库存、人力和运输成本，提升准时交货率，实现盈利性运营，获得竞争优势。

通过基于大数据的制造企业生产与物流协同优化调度方法及系统快速高效的数据处理能力，在物流调度计划执行期间，合理、充分利用订单、运力、道位资源，提供满足业务需求的最优方案。用户在完成既有基础信息维护工作后，将完全由系统完成调度安排，将对现有的以及可能影响的业务流程进行改造，标准化作业流程。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (6)

1.基于大数据的制造企业生产与物流协同优化调度方法，其特征在于，包括如下步骤：

S1、读取实时更新的大数据单元的信息，基于生产车间情况规划生产任务，并生成优化目标及限制，在生产前进行最优调度规划；

S2、基于深度学习算法，结合步骤S1生成的所述最优调度规划进行调度，实时监测调度过程中物流搬运设备的活动情况，针对不同活动情况信息，赋予每个物流搬运设备的活动情况多种类别标识；

S3、自动接收步骤S2赋予了多种类别标识的每个物流搬运设备的活动情况，对每个物流搬运设备的活动情况的多标识进行实时综合加权分析；

S4、自动接收步骤S3生成的多标识实时综合加权，评估每个物流搬运设备的多标识实时综合加权，若多标识实时综合加权高于阈值，则在空间尺度上进行物流搬运设备调度计划，并按照多标识实时综合加权高低生成物流搬运设备调度序列；

S5、系统自动根据步骤S4生成的物流搬运设备调度序列，实时接收物流搬运设备调度变化信息，对当前工业生产环境进行更新；

S6、进行步骤S1到步骤S5的循环，直到处理完所有的生产任务。

2.根据权利要求1所述的协同优化调度方法，其特征在于，步骤S1中，通过式(1)计算本次最优调度目标，最优的物流任务完成时间F为所有物流时间t_d里的最小值：

F＝min t_d (1)；

通过式(2)定义同一任务从装载任务节点i到j的装载总量x_i，j和从卸载任务节点k到m的交付总量x_k，m相同：

∑_i，j∈Px_x，j-∑_k，m∈Nx_k，m＝0 (2)；

其中，P为物流搬运设备等待执行物流任务装载点集，N为物流搬运设备等待执行物流任务卸载点集。

3.根据权利要求2所述的协同优化调度方法，其特征在于，定义任务时间限制，物流搬运设备访问每个装载任务节点i的时间t_i在时间窗[b_i，c_i]内，其中，i为集合P中的任意一个任务节点；

对于等待执行的物流任务，从装载任务节点i到j的装载完成时间t_j需要在从卸载任务节点j开始进行卸载时的时间t_i之前；

定义物流搬运设备负载限制，物流搬运设备运行负载不超过其额定最大负载。

4.根据权利要求1所述的协同优化调度方法，其特征在于，步骤S2中，从现实生产环境中读取当前生产车间环境情况信息，提取状态特征，包括平均机器利用率U(t)、设备负载率F(t)、工件估计延迟率T(t)、工件实际延迟率Y(t)、工件完成率C(t)、工序完成率O(t)，作为深度学习网络输入部分，选择不同的调度规则进行训练，并将选择后的状态特征值反馈到深度学习网络中，最终赋予每个物流搬运设备的活动情况多种类别标识。

5.根据权利要求4所述的协同优化调度方法，其特征在于，步骤S3中，多标识实时综合加权Z(t)如下式(3)表示：

Z(t)＝α·U(t)+β·(1-F(t))+γ·(1-T(t))+δ·(1-Y(t))+ε·C(t)+λ·O(t)(9)；其中α、β、γ、δ、ε和λ表示各个标识的加权参数，各加权参数在0到1之间。

6.基于大数据的制造企业生产与物流协同优化调度系统，用于实现如权利要求1-5任意一项所述的协同优化调度方法，其特征在于，包括：调度规划单元、实时决策单元、加权分析单元、评估调度单元和大数据单元；

所述调度规划单元，用于读取实时更新的大数据单元的信息，基于生产车间情况规划生产任务，生成优化目标及限制，并在生产前进行最优调度规划；

所述实时决策单元，用于基于深度学习算法，结合最优调度规划进行调度，实时监测调度过程中物流搬运设备的活动情况，针对不同活缓解情况信息，赋予每个物流搬运设备的活动情况多种类别标识；

所述加权分析单元，用于自动接收赋予了多种类别标识的每个物流搬运设备的活动情况，对每个物流搬运设备的活动情况的多标识进行实时综合加权分析；

所述评估调度单元，用于自动接收生成的多标识实时综合加权，评估每个物流搬运设备的多标识实时综合加权，若多标识实时综合加权高于阈值，则在空间尺度上进行物流搬运设备调度计划，并按照多标识实时综合加权高低生成物流搬运设备调度序列；

所述大数据单元，用于自动根据评估调度单元生成的物流搬运设备调度序列，实时接收物流搬运设备调度变化信息，对当前工业生产车间情况进行更新。

Images