CN115700639B

CN115700639B - 智能生产排程方法、装置、设备及存储介质

Info

Publication number: CN115700639B
Application number: CN202211713234.1A
Authority: CN
Inventors: 王晓峰; 康凯
Original assignee: Dongfang Hezhi Data Technology Guangdong Co ltd
Current assignee: Dongfang Hezhi Data Technology Guangdong Co ltd
Priority date: 2022-12-30
Filing date: 2022-12-30
Publication date: 2023-04-07
Anticipated expiration: 2042-12-30
Also published as: CN115700639A

Abstract

本发明涉及智能生产技术领域，公开了一种智能生产排程方法、装置、设备及存储介质，该方法包括：根据预设生产工单提取待生产产品对应的工序任务单；获取工序任务单对应的生产设备的设备信息；根据工序任务单判断设备信息和生产所需的物料资源是否符合预设强制约束条件；若符合，则根据设备信息、物料资源和预置优先条件利用预设遗传算法模型对预设生产工单进行排程，获得最优生产排程方案。相较于现有的人工根据工厂生产现状对生产工单进行排程，由于本发明通过预设遗传算法模型根据设备信息、物料资源和预置优先条件预对生产工单进行排程，得到最优生产排程方案，从而不仅有效利用了生产设备的设备效能，还提高了生产排程的排程效率。

Description

智能生产排程方法、装置、设备及存储介质

技术领域

本发明涉及智能生产技术领域，尤其涉及一种智能生产排程方法、装置、设备及存储介质。

背景技术

随着工业4.0的到来，智慧化工厂已迫在眉睫。包装行业的生产线随着时间的推移会越来越智能化，生产效率的提升需要更加智能的方法来支撑。瓦楞包装箱的生产过程中，生产工单的排程分配一般是人工根据工厂生产现状进行分配的，但是瓦楞包装箱的生产流程复杂，各个设备的设备产能也不一致，而人工对生产工单进行排程不仅费时费力，还不能有效利用工厂设备的设备效能。因此，需要将包装工厂内生产工单数据进行合理高效的分配，以提高生产排程的排程效率。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供了一种智能生产排程方法、装置、设备及存储介质，旨在解决现有技术如何对生产工单数据进行合理高效的分配的技术问题。

为实现上述目的，本发明提供了一种智能生产排程方法，所述方法包括以下步骤：

根据预设生产工单提取待生产产品对应的工序任务单；

获取所述工序任务单对应的生产设备的设备信息；

根据所述工序任务单判断所述设备信息和生产所需的物料资源是否符合预设强制约束条件；

若符合，则根据所述设备信息、所述物料资源和预置优先条件利用预设遗传算法模型对所述预设生产工单进行排程，获得最优生产排程方案。

可选地，所述若符合，则根据所述设备信息、所述物料资源和预置优先条件利用预设遗传算法模型对所述预设生产工单进行排程，获得最优生产排程方案的步骤包括：

在所述设备信息和所述物料资源符合所述预设强制约束条件时，根据预置优先条件对所述预设生产工单进行排序，并将所述设备信息和所述物料资源填入至所述预设生产工单中，获得计划生产工单；

对所述计划生产工单进行二进制转码，获得所述计划生产工单对应的二进制编码；

将所述二进制编码输入至预设遗传算法模型中对所述计划生产工单进行排程，获得最优生产排程方案。

可选地，所述根据预设生产工单提取待生产产品对应的工序任务单的步骤之前，还包括：

在获取到用户的生产订单时，提取所述生产订单中待生产产品的产品类型；

根据所述产品类型确定所述待生产产品对应的各产品工序；

获取所述各产品工序对应的生产设备的设备数量；

根据所述生产订单、所述各产品工序和所述设备数量确定所述生产订单对应的生产工单。

可选地，所述预设强制约束条件包括：生产工艺约束条件、设备产能约束条件和物料资源约束条件；

所述生产工艺约束条件为所述工序任务单中所述待生产产品的产品工序和工序顺序是固定的，所述产品工序之间的缓冲时间不能超过预设范围时间；

所述设备产能约束条件为所述生产设备完成所述产品工序的时间是固定的；

所述物料资源约束条件为物料资源库存需超过所述待生产产品所需的物料资源。

可选地，所述若符合，则根据所述设备信息、所述物料资源和预置优先条件利用预设遗传算法模型对所述预设生产工单进行排程，获得最优生产排程方案的步骤之后，还包括：

在接收到紧急订单时，确定所述紧急订单对应的紧急生产工单；

获取所述紧急生产工单对应的剩余物料资源和剩余生产设备的设备信息；

根据所述紧急生产工单判断所述剩余物料资源和所述剩余生产设备的设备信息是否符合预设强制约束条件；

若符合，则根据所述剩余生产设备的设备信息、所述剩余物料资源和紧急优先条件利用所述预设遗传算法模型对所述紧急生产工单进行排程，获得紧急生产排程方案。

可选地，所述根据所述生产订单、所述各产品工序和所述设备数量确定所述生产订单对应的生产工单的步骤之后，还包括：

比较各所述生产工单中产品工序的重复程度；

在所述重复程度超过预设程度范围时，将所述重复程度对应的生产工单确定为同类生产工单；

所述在所述设备信息和所述物料资源符合所述预设强制约束条件时，根据预置优先条件对所述预设生产工单进行排序，并将所述设备信息和所述物料资源填入至所述预设生产工单中，获得计划生产工单的步骤包括：

在所述设备信息和所述物料资源符合预设强制约束条件时，根据预置优先条件和所述同类生产工单对应的条件对所述预设生产工单进行排序，并将所述设备信息和所述物料资源填入至所述预设生产工单中，获得计划生产工单。

对历史生产工单进行二进制转码，获得二进制编码数据；

将所述二进制编码数据输入至根据遗传算法构建的训练模型中进行训练；

判断所述二进制编码数据的解码数据否达到预设终止条件；

在所述解码数据未达到所述预设终止条件时，根据预设数量随机提取所述二进制编码数据中的最优样本数据，并根据各所述最优样本数据构建子代样本数据，直至所述子代样本数据和所述二进制编码数据达到预设终止条件，并将所述子代样本数据和所述二进制编码数据达到预设终止条件时所对应的训练模型作为智能生产排程所需的遗传算法模型。

此外，为实现上述目的，本发明还提出一种智能生产排程装置，所述装置包括：

工序任务模块，用于根据预设生产工单提取待生产产品对应的工序任务单；

信息获取模块，用于获取所述工序任务单对应的生产设备的设备信息；

条件约束模块，用于根据所述工序任务单判断所述设备信息和生产所需的物料资源是否符合预设强制约束条件；

最优排程模块，用于若符合，则根据所述设备信息、所述物料资源和预置优先条件利用预设遗传算法模型对所述预设生产工单进行排程，获得最优生产排程方案。

此外，为实现上述目的，本发明还提出一种智能生产排程设备，所述设备包括：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智能生产排程程序，所述智能生产排程程序配置为实现如上文所述的智能生产排程方法的步骤。

此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有智能生产排程程序，所述智能生产排程程序被处理器执行时实现如上文所述的智能生产排程方法的步骤。

本发明是根据预设生产工单提取待生产产品对应的工序任务单；然后获取所述工序任务单对应的生产设备的设备信息；最后根据所述工序任务单判断所述设备信息和生产所需的物料资源是否符合预设强制约束条件；若符合，则根据所述设备信息、所述物料资源和预置优先条件利用预设遗传算法模型对所述预设生产工单进行排程，获得最优生产排程方案。相较于现有的人工根据工厂生产现状对生产工单进行排程分配，由于本发明是通过预设遗传算法模型根据设备信息、物料资源和预置优先条件预对生产工单进行排程，得到了最优生产排程方案，从而不仅节省了人力计算，还有效利用了生产设备的设备效能，提高了生产排程的排程效率。

附图说明

图1是本发明实施例方案涉及的硬件运行环境的智能生产排程设备的结构示意图；

图2为本发明智能生产排程方法第一实施例的流程示意图；

图3为本发明智能生产排程方法第二实施例的流程示意图；

图4为本发明智能生产排程方法的排程方案实施流程图；

图5为本发明智能生产排程方法第三实施例的流程示意图；

图6为本发明智能生产排程方法第三实施例中的遗传算法流程示意图；

图7为本发明智能生产排程装置第一实施例的结构框图。

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用以解释本发明，并不用于限定本发明。

参照图1，图1为本发明实施例方案涉及的硬件运行环境的智能生产排程设备结构示意图。

如图1所示，该智能生产排程设备可以包括：处理器1001，例如中央处理器（Central Processing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（Wireless-Fidelity，Wi-Fi）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM），也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的结构并不构成对智能生产排程设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及智能生产排程程序。

在图1所示的智能生产排程设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明智能生产排程设备中的处理器1001、存储器1005可以设置在智能生产排程设备中，所述智能生产排程设备通过处理器1001调用存储器1005中存储的智能生产排程程序，并执行本发明实施例提供的智能生产排程方法。

本发明实施例提供了一种智能生产排程方法，参照图2，图2为本发明智能生产排程方法第一实施例的流程示意图。

本实施例中，所述智能生产排程方法包括以下步骤：

步骤S10：根据预设生产工单提取待生产产品对应的工序任务单。

需要说明的是，本实施例方法的执行主体可以是具有数据处理以及程序运行功能的计算服务设备，例如服务器、个人电脑等，还可以是能够实现相同或相似功能的其他电子设备，例如上述智能生产排程设备，本实施例对此不加以限制。此处以上述智能生产排程设备（简称排程设备）对本实施例和下述各实施例提供的智能生产排程方法进行具体说明。

可理解的是，待生产产品是瓦楞包装生产厂等待生产的产品。每一种待生产产品的生产过程及生产流程是不一样的。

应理解的是，预设生产工单是预先在排程设备中设置的用于生产待生产产品的工作任务单。在新建生产工单的时候，会指定待生产产品、待生产产品的版本号、对应的客户交期时间、选择使用的产品工艺等。因此，预设生产工单可以包括多张生产工单，每张生产工单的产品类型也可以不同，其中一张生产工单一般对应的是一种产品类型，便于排程设备可以根据预设生产工单包含的信息对这些预设生产工单进行排程，提高排程效率。

需要说明的是，工序任务单是生产待生产产品的流程时不同的生产工序节点所需要的工作任务单。其中，工序节点就是一种产品在生产过程中每一个步骤。而工序是指在生产待生产产品整个生产过程中，各工段加工待生产产品的次序，是加工物料、装配产品的最基本加工作业方式。材料经过各道工序，加工为成品半成品。在实际过程中，首先应在排程设备系统内定义瓦楞纸包装工厂的基本工序（例如模切、印刷），以便于各瓦楞纸包装工厂根据自己的生产工艺进行灵活配置。工序任务单就是产品要按照产品工艺路线分成不同的工单，生成工序任务单是因为不同的工序是在不同类型的设备上进行生产的，每个设备都需要定义产品的先后生产顺序。

可理解的是，各工序按顺序可组成一条生产工艺路线，多条生产工艺路线最终可构成待生产产品的整个生产流程。工艺路线配置用来表示瓦楞纸包装工厂的一个加工路线，主要用来指定加工过程中的各种操作要求和工艺要求，并定义后续节点的工序排产和成本统计。工艺路线是多个工序的序列，我们可以为一个产品定义一个主要工艺路线和多个替代工艺路线。但是各瓦楞纸包装工厂的生产设备以及生产流程是不同的，因此，对于同一种待生产产品，不同工厂的生产工艺路线是不同的。

在具体实现中，在生产工单执行下达操作时，排程设备会根据待生产产品的工序节点从预设生产工单中提取待生产产品对应的工序任务单。

步骤S20：获取所述工序任务单对应的生产设备的设备信息。

需要说明的是，生产设备是对待生产产品的每一个工序进行工艺操作的设备，因此，不同工序的生产设备是不同的。

可理解的是，设备信息是生产设备的生产信息，例如标准产能、调机时间等。

在具体实现中，排程设备可以根据各工序任务单搜索工厂中各工序所对应的生产设备，从生产设备中获取相关的设备信息，用于根据相关设备信息进行调配，提高排程生产效率。

步骤S30：根据所述工序任务单判断所述设备信息和生产所需的物料资源是否符合预设强制约束条件。

需要说明的是，物料资源是生产待生产产品所需的物料资源。例如木材、颜料等。

可理解的是，预设强制约束条件是在排程设备中预先设置的在生产待生产产品流程中必不可少的条件。一般要符合预设强制约束条件，才能够对待生产产品进行生产。例如，生产一种产品之前，需要计算所需的物料资源是否充足，如果不充足，则不能进行排程生产；工厂中生产该产品的产品设备的设备产能是否能在规定时间内完成生产，如果不行，也不能进行排程生产，同时需要解决相关需求；工厂中生产该产品时是否有能够生产该产品工序的产品设备，如果没有，则需要购置相关设备，同时也不能进行排程生产。每个工厂生产排程前所必要的条件是不同的，本实施对此不加以限制。

在具体实现中，排程设备可以先根据所述工序任务单判断生产工厂中设备信息和生产该待生产产品所需的物料资源是否符合预设强制约束条件，根据判断结果进行后续的排程。

步骤S40：若符合，则根据所述设备信息、所述物料资源和预置优先条件利用预设遗传算法模型对所述预设生产工单进行排程，获得最优生产排程方案。

需要说明的是，预置优先条件是在排程设备预先设置的优先条件，优先条件一般是人工根据临时情况设置的，也可以是排程设备根据程序设置选择优先条件。例如：工厂的管理人员可以将不同的需求公司进行一个排序，重要的公司排在前面，在不影响交期的情况下，排程设备可以根据生产工单中的公司信息，对生产工单设置公司优先级的优先条件。管理人员也会可自行设置增加优先级，例如根据工单计划开始时间优先排序、配置工单优先级、配置顾客重要性排序、配置先进先出原则等，本实施例对此不加以限制。

可理解的是，预设遗传算法模型是在排程设备中预先设置的用于对生产工单进行排序的智能算法模型，该智能算法模型是基于遗传算法搭建的。

应理解的是，最优生产排程方案是根据工厂生产情况以及生产工单的信息对生产工单进行排序的最优生产方案。一般而言，每个工厂的生产情况是不同的，同一工厂的不同时期的生产情况也是不同的，每个设备的设备产能也是不一样的，最优方案就是按照每个设备的产能和排期以及其他的各种限制条件如是否可以连续生产、客户交期是否满足等进行生产排程的方案，生产排程的过程就是推送工序任务单到每一道工序预定义好的生产设备，并选择最优方案进行推送。因此预设遗传算法模型可以根据这些信息，对生产工单进行排程，最终获得的最优生产排程方案，可以最大限度提高工厂的生产效率。

需要理解的是，排程设备可以直接将设备信息、物料资源、生产工单和预置优先条件全部输入至预设遗传算法模型，由预设遗传算法模型对生产工单进行排程；也可以先对设备信息、物料资源、生产工单和预置优先条件进行处理，例如将这些信息生成计划工单，再对计划工单进行数据处理，由预设遗传算法模型对数据处理后的计划工单进行排程，本实施例对此不加以限制。

在具体实现中，若设备信息和生产所需的物料资源符合预设强制约束条件时，则可以根据设备信息、物料资源和预置优先条件利用预设遗传算法模型对预设生产工单进行排程，获得最优生产排程方案，从而提高生产效率。

进一步地，如果设备信息和物料资源不符合预设强制约束条件时，则标明在哪些生产工序不符合哪些强制约束条件，并将此生成任务单，发送给工厂的负责人员解决。

进一步地，考虑到生产的顺利进行，需要提前判断生产情况是否符合条件，本实施例中所述预设强制约束条件包括：生产工艺约束条件、设备产能约束条件和物料资源约束条件；所述生产工艺约束条件为所述工序任务单中所述待生产产品的产品工序和工序顺序是固定的，所述产品工序之间的缓冲时间不能超过预设范围时间；所述设备产能约束条件为所述生产设备完成所述产品工序的时间是固定的；所述物料资源约束条件为物料资源库存需超过所述待生产产品所需的物料资源。

需要说明的是，产品工序是指在生产待生产产品整个生产过程中，各工段加工待生产产品的次序，是加工物料、装配产品的最基本加工作业方式。材料经过各道工序，加工为成品半成品。在实际过程中，首先应在排程设备系统内定义瓦楞纸包装工厂的基本工序（例如模切、印刷），以便于各瓦楞纸包装工厂根据自己的生产工艺进行灵活配置。

可理解的是，用户自己配置的生产该产品的所有工序，每个产品的工序是固定的，不可随意变更；产品顺序指每道工序的先后顺序是确定的，不可随意调换顺序。

应理解的是，缓冲时间是每两道工序之间的等待时间，可以给生产设备一定的缓冲散热、也需要将半成品产品传送给下一道工序的生产设备等。预设范围时间是根据缓冲时间确定的，可以提高生产效率，根据不同的设备和从生产历程有不同的缓冲时间。

需要说明的是，用户配置完工序及可使用的设备后，每个设备最大的产能是确定的，每道工序可使用的设备也是确定的，也就是说，生产一定量的产品，每道工序消耗的时间是固定的。

应理解的是，物料资源库存是生产所需物料资源的库存，其中包含主料以及辅料。在排程之前，所有的人工设备辅料环境也需要符合该工序加工所需要的条件；同时在库与库存已发料清单对应的工序所需的原材料以及辅料也需要准备齐全；若物料清单不齐，需要进行购买补充等，采购完成时间需要确定，并构建计划工单齐料日期，以保证工期。

在具体实现中，预设强制约束条件可以包括：生产工艺约束条件、设备产能约束条件和物料资源约束条件；生产工艺约束条件为工序任务单中待生产产品的产品工序和工序顺序是固定的，产品工序之间的缓冲时间不能超过预设范围时间；设备产能约束条件为生产设备完成所述产品工序的时间是固定的；物料资源约束条件为物料资源库存需超过待生产产品所需的物料资源。可以根据不同工厂的不同生产流程确定强制约束条件，从而保证生产的顺利进行。

本实施例在生产工单执行下达操作时，排程设备会根据待生产产品的工序节点从预设生产工单中提取待生产产品对应的工序任务单，然后根据各工序任务单搜索工厂中各工序所对应的生产设备，从生产设备中获取相关的设备信息，接着可以先根据所述工序任务单判断生产工厂中设备信息和生产该待生产产品所需的物料资源是否符合预设强制约束条件，根据判断结果进行后续的排程，最后在设备信息和生产所需的物料资源符合预设强制约束条件时，则根据设备信息、物料资源和预置优先条件利用预设遗传算法模型对预设生产工单进行排程，获得最优生产排程方案。相较于现有的人工根据工厂生产现状对生产工单进行排程分配，由于本发明是通过预设遗传算法模型根据设备信息、物料资源和预置优先条件预对生产工单进行排程，得到了最优生产排程方案，从而不仅节省了人力计算，还有效利用了生产设备的设备效能，提高了生产排程的排程效率。

参考图2与图3，其中，图3为本发明智能生产排程方法第二实施例的流程示意图。基于上述第一实施例，在本实施例中，为了使预设遗传算法模型排程更加精确，同时节省排程时间，所述步骤S40包括：

步骤S41：在所述设备信息和所述物料资源符合所述预设强制约束条件时，根据预置优先条件对所述预设生产工单进行排序，并将所述设备信息和所述物料资源填入至所述预设生产工单中，获得计划生产工单。

步骤S42：对所述计划生产工单进行二进制转码，获得所述计划生产工单对应的二进制编码。

步骤S43：将所述二进制编码输入至预设遗传算法模型中对所述计划生产工单进行排程，获得最优生产排程方案。

需要说明的是，计划生产工单是根据预置优先条件、设备信息、物料资源和预设生产工单构建的工单，包含了排程所需的所有信息可以理解为经过了简单排程的排程方案。

可理解的是，二进制编码是将计划生产工单进行二进制转码生成的编码。遗传算法可以根据二进制编码通过模拟自然进化过程搜索最优排程方案。

在具体实现中，在设备信息和物料资源符合预设强制约束条件时，根据预置优先条件对预设生产工单进行排序，并将设备信息和物料资源填入至预设生产工单中，获得计划生产工单，接着对计划生产工单进行二进制转码，获得计划生产工单对应的二进制编码，最后将二进制编码输入至预设遗传算法模型中对所述计划生产工单进行排程，通过解码，评估，交叉和变异等步骤，筛选出最优的工序顺序，进而转化为实际最优排程方案。

进一步地，考虑到客户发来的订单包含了多种产品，本实施例中在步骤S10之前，还包括：在获取到用户的生产订单时，提取所述生产订单中待生产产品的产品类型；根据所述产品类型确定所述待生产产品对应的各产品工序；获取所述各产品工序对应的生产设备的设备数量；根据所述生产订单、所述各产品工序和所述设备数量确定所述生产订单对应的生产工单。

需要说明的是，生产订单是客户发给工厂的订单，包含了多种产品类型和生产需求。产品类型是根据产品工序确定的，不同产品类型的产品工序是不同的。

可理解的是，设备数量是工厂中当前可使用的设备的数量。

在具体实现中，用户下达订单之后，首先要提取生产订单中待生产产品的产品类型，根据产品类型确定待生产产品对应的各产品工序和工艺路线，获取每一个产品对应的产品工艺路线中每道工序可使用的机器设备等相关信息和设备数量，最后根据生产订单、各产品工序和设备数量确定所述生产订单对应的生产工单，将不同的产品分成不同的生产工单，从而提高排程的准确性。

进一步地，为了减少同产品的切换，保证同产品的连续生产，本实施例中在根据所述生产订单、所述各产品工序和所述设备数量确定所述生产订单对应的生产工单的步骤之后，还包括：比较各所述生产工单中产品工序的重复程度；在所述重复程度超过预设程度范围时，将所述重复程度对应的生产工单确定为同类生产工单；在所述设备信息和所述物料资源符合预设强制约束条件时，根据预置优先条件和所述同类生产工单对应的条件对所述预设生产工单进行排序，并将所述设备信息和所述物料资源填入至所述预设生产工单中，获得计划生产工单。

需要说明的是，重复程度是指生产工单中生产工序的相同程度，相同程度越高，生产工单的生产流程也越相近。

在实际考虑中，当客户下达订单时，首先会将订单拆分成不同的生产工单，若两个订单相似，则拆分出来的生产工单也相近，多工单同时排程时，则优先将同一种工单或相近工单完全生产完再切换另一种工单，这样减少切换时间，排程方案总用时也会减少，节省了生产切换时间，提高了生产效率。

进一步地，可以缩短WIP 。即减少在制品，缩短工序等待时间，一般一个订单，需要多个产品工序组成，不同的工序需要在不同的机器中运行，可以减少半成品的等待时间。

进一步地，可以平衡设备利用率。每道工序可使用的设备可能有多台，每台设备的最大产能是不相同的，排程自动计算使用设备的数量，若一台设备使用时间较长，可优先使用时间较短的设备。

在实际排程过程中，参考图4，图4为本发明智能生产排程方法的排程方案实施流程图。整个排程流程可以为：

1、用户下达订单之后，首先配置产品工序和工艺路线，获取每一个产品对应的产品工艺路线和每道工序可使用的机器设备等相关信息，并生成生产工单。

2、选中要排程的生产工单，获取生产工单对应产品的产品工艺路线并关联对应的工艺路线。

3、根据工艺路线确定对应的产品工序，并从中获取每个产品工艺路线的每个工序的计划数量、标准产能以及调机时间；同时关联每道工序可用的机器设备以及设备信息。

4、配置好相关关联信息后，用户可自行设置增加优先级：（1）根据工单计划开始时间优先排序；（2）配置工单优先级；（3）配置顾客重要性排序；（4）配置先进先出原则。

5、当用户配置完各种信息，设置优先级后，排程设备后台首先检索是否满足约束条件，若符合，可以根据用户配置的优先级自动计算生产排程方案，也可以根据遗传算法模型给用户生成两种最优排程方案供用户选择。

6、根据生成的最优排程方案，可以人工指定投入顺序将物料资源投入设备中生产，在交期时间内按照订单交期排产。

7、按照订单交期排产的过程中可能会包括这些情况：主资源生产计划，订单交货计划，辅助资源生产计划，设备工时，工单物料需求产能分析报告，采购推荐计划，采购订单物料需求，根据这些计划、需求以及报告完成排程前的流程，最终根据这些信息将生产工单输入至遗传算法模型中，获得最优生产排程方案。

8、满足约束条件分为两种：一种是强制约束，一种是优化选项；

1）强制约束包括：生产工艺与产能约束，物料约束；

生产工艺与产能约束：产品生产工序、设备产能、工序关系和缓冲时间、辅助资源；

物料约束：库存与已发物料清单、计划工单齐料日期；

2）优化选项包括：同产品减少切换、缩短WIP、平衡设备利用率。

在实际考虑中，排程设备带来的有益效果有很多，例如规则灵活，可以根据排序、产能、生产工单拆分等灵活定义排程规则；还可以由用户自由定义生产工单优先级、投入顺序等。并且可以设定排产计划，各计划之间数据独立，方便快速尝试不同策略；还可以通过计划之间拷贝、继承、锁定实现多计划之间无缝衔接。还能够优化切换，在相同属性的产品之间优先安排排程，减少切换时间；包括可以考虑到重要程度或紧急程度，例如工厂日历上该设备每日需要消耗的物料，库存中可用的资源，近期需要消耗的备品备件，其他外部因素等。

本实施例在设备信息和物料资源符合预设强制约束条件时，根据预置优先条件对预设生产工单进行排序，并将设备信息和物料资源填入至预设生产工单中，获得计划生产工单，接着对计划生产工单进行二进制转码，获得计划生产工单对应的二进制编码，最后将二进制编码输入至预设遗传算法模型中对所述计划生产工单进行排程，通过解码，评估，交叉和变异等步骤，筛选出最优的工序顺序，进而转化为实际最优排程方案，从而使预设遗传算法模型排程更加精确，节省了排程时间。进一步地，当客户下达订单时，首先会将订单拆分成不同的生产工单，若两个订单相似，则拆分出来的生产工单也相近，多工单同时排程时，则优先将同一种工单或相近工单完全生产完再切换另一种工单，这样减少切换时间，排程方案总用时也会减少，节省了生产切换时间，提高了生产效率。

参考图2与图5，其中，图5为本发明智能生产排程方法第三实施例的流程示意图。基于上述各实施例，在本实施例中，考虑到紧急情况时的订单排程，所述步骤S40之后，所述方法还包括：

步骤S50：在接收到紧急订单时，确定所述紧急订单对应的紧急生产工单。

步骤S60：获取所述紧急生产工单对应的剩余物料资源和剩余生产设备的设备信息。

步骤S70：根据所述紧急生产工单判断所述剩余物料资源和所述剩余生产设备的设备信息是否符合预设强制约束条件。

步骤S80：若符合，则根据所述剩余生产设备的设备信息、所述剩余物料资源和紧急优先条件利用所述预设遗传算法模型对所述紧急生产工单进行排程，获得紧急生产排程方案。

需要说明的是，紧急订单是紧急情况下的订单，例如客户的紧急需求，或者是其他的紧急情况需要紧急插单的，本实施例对此不加以限制。可理解的是，紧急生产工单是紧急订单对应的生产工单。

可理解的是，剩余物料资源是物料库存中剩余的物料。一般而言，紧急订单是紧急情况下的订单，没有预先购置相关的物料资源，因此此时需要使用库存中剩余的相关物料资源。

应理解的是，剩余生产设备是指在紧急订单之前未正在生产的设备。在紧急订单之前，工厂设备一般在生产其他的生产工单，此时剩余的其他设备可以用来生产紧急订单。当然，用户可选择停止生产正在生产的订单，若停止生产，排程设备则会自动计算已生产的数量以及用料消耗，将剩余未完成生产的订单重新生产一张新的订单，基于紧急订单之后，重新选择所有订单，重新进行排程。用户也可以自行停止已排程订单（不停止正在生产的订单），将紧急订单的优先级设置较高一些，重新选择要排程的订单，重新生成排程方案，此方案是将紧急订单放在未生产完的订单生产完之后生产。本实施例对此不加以限制。

在具体实现中，排程设备在接收到紧急订单时，确定紧急订单对应的紧急生产工单，然后获取紧急生产工单对应的剩余物料资源和剩余生产设备的设备信息，最后根据所紧急生产工单判断剩余物料资源和剩余生产设备的设备信息是否符合预设强制约束条件，若符合，则根据剩余生产设备的设备信息、剩余物料资源和紧急优先条件利用预设遗传算法模型对紧急生产工单进行排程，获得紧急生产排程方案。

进一步地，当用户想取消某一个订单时，直接选中之前的排程单，可直接取消某一个订单，剩余订单会保留原先排程的方案，只是删除取消的那一个订单的排程；若用户想取消某一订单后重新排程，则会自动重新排除取消订单外的所有订单。

进一步地，考虑到遗传算法模型的构建，提高遗传算法模型的准确度，本实施例中在步骤S10之前，还包括：对历史生产工单进行二进制转码，获得二进制编码数据；将所述二进制编码数据输入至根据遗传算法构建的训练模型中进行训练；判断所述二进制编码数据的解码数据否达到预设终止条件；在所述解码数据未达到所述预设终止条件时，根据预设数量随机提取所述二进制编码数据中的最优样本数据，并根据各所述最优样本数据构建子代样本数据，直至所述子代样本数据和所述二进制编码数据达到预设终止条件，并将所述子代样本数据和所述二进制编码数据达到预设终止条件时所对应的训练模型作为智能生产排程所需的遗传算法模型。

需要说明的是，历史生产工单是工厂历史以来生产的工单。可以根据这些工单信息对初始建立的模型进行训练，提高模型的准确度。

可理解的是，二进制编码数据是由历史生产工单进行二进制转码得到的。

应理解的是，解码数据是将二进制编码数据进行解码的数据。根据解码数据，需要评估解码数据中每一个个体，是否有符合预设终止条件的，根据评估结果进行下一步操作。

需要说明的是，预设终止条件是确定可以输出最优排程方案的判断条件。例如，在二进制编码数据交叉变异的过程中，群体趋于稳定，或者可以设置最大的子代样本数据的代数，当达到该代数时可以输出排程方案。

应理解的是，最优样本数据是一定数量的解码数据中的最优的数据。根据多次抽取的最优样本数据集合成子代样本数据。例如，可以每次从二进制编码数据中取出一定数量个体，然后选择其中最好的一个（即最优样本数据）用以构建子代样本数据。重复该操作，直到子代样本数据规模达到原来的二进制编码数据规模。具体的操作步骤可以是：（1）确定每次选择的个体数量：一般选择2个。（2）从二进制编码数据中随机选择个体(每个个体入选概率相同) 构成组，根据每个个体的适应度值，选择其中适应度值最好的个体最好的一个（即最优样本数据）用以构建子代样本数据。（3）重复步骤（2），得到的个体构成新一代子代样本数据。

在具体实现中，排程设备获取历史生产工单，并对历史生产工单进行二进制转码，获得二进制编码数据；二进制编码数据可以看成遗传算法中的初始种群，将这些初始种群输入至根据遗传算法构建的训练模型中进行训练；在训练的过程中，可以对初始种群进行解码评估，并判断初始种群的解码数据否达到预设终止条件；在解码数据未达到预设终止条件时，可以根据预设数量随机提取所述二进制编码数据中构成随机组，再从随机组中提取最优样本数据，重复获得最优样本数据的操作，在由最优样本数据构建的子代样本数据规模达到二进制编码数据的规模时，再次进行预设终止条件的判断，直至各子代样本数据和二进制编码数据达到预设终止条件，将各子代样本数据和二进制编码数据达到预设终止条件时所对应的训练模型作为智能生产排程所需的遗传算法模型。

在实际考虑中，参考图6，图6为本发明智能生产排程方法第三实施例中的遗传算法流程示意图。

第一步，进行参数设置，其中P代表种群数量：种群中个体的数量；G代表终止进化迭代次数，P_GS代表遗传算子选择概率，选择操作从旧群体中以一定概率选择优良个体组成新的种群，以繁殖得到下一代个体；P_LS代表线性排序选择概率：按照适应度值对个体进行排序，最差的个体排在第一位，最优个体排在N位，根据排位先后，线性的分派给染色体的选择概率；P_RS代表轮盘赌选择概率：轮盘赌选择法是依据个体的适应度值计算每个个体在子代中出现的概率，并按照此概率随机选择个体构成子代种群；P_c代表交叉概率：用来控制种群中发生交叉行为的个体的数量，取值范围在0~1之间；P_m代表变异概率：用来控制种群中发生变异行为的个体的数量，取值范围在0~1之间。根据上述设置的参数将二进制编码数据生成种群A。

第二步，对种群A中的所有染色体编码个体进行解码评价每一个个体，若评价结果满足终止条件（是），则终止本次流程，种群A中评价结果满足终止条件的参数即对应上述生产工单的最优排程方案中的参数，并生成最优解或者近似最优解；若评价结果不满足终止条件（否），则进行第三步采用锦标赛选择的方法对种群A中的个体进行选择，构建新的子代种群B。其中，终止条件包括：

（1）染色体个体变化不大，群体趋于稳定。

（2）在最初进行初始化时进行设置：设置进化代数计数器t=0，设置最大进化代数T。终止条件就是判断：若t=T，则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。

（3）目标函数达到预设的要求。

第三步，进行锦标赛选择：通过随机取样的方法从上述参数中选取若干个体转换为染色体编码，上述染色体编码包含MS（machine selection，机器选择）部分和OS（operations sequencing，工序排序）部分，将种群A中概率小于Pc的个体进行交叉操作后进行编译（如果P<P_c则进行MS交叉OS交叉），得到新的种群B1；将种群A和种群B1中概率小于Pm的个体进行变异操作后进行编译（如果P<P_m则进行MS变异OS变异），得到新的种群B2。上述所有新的染色体编码种群B1和种群B2组成新一代种群B。

其中，机器选择部分（MS）为：机器选择部分染色体长度为T（总工序数）。每个基因位用整数表示，可以依次按照工件和工件工序的顺序进行排列，每个整数代表当前工序的加工机器在可选机器集中的顺序编号，并不是对应的机器号。工序排序部分（OS）：基于工序的编码方式进行编码，染色体的长度也等于T。每一个基因用工件号直接编码，工件号出现的顺序表示该工件工序间的先后加工顺序，即对染色体从左到右进行编译，对于第h次出现的工件号，表示该工件j的第h道工序，并且工件号的出现次数等于该工件的工序总数。

交叉含义为：两个染色体的某一相同位置处DNA被切断，前后两串分别交叉组合形成两个新的染色体，也称为基因重组或杂交；在此可以这样理解，一个染色体为一种生产排程方案，将两个染色体进行重新组合（按某种方式相互交换其部分基因），就相当于新生成了两种排程方案。但是交叉和变异是属于遗传算法中两种不同的变化方式。变异是一条染色体上的某些基因进行突变，不涉及到组合。

在实际锦标赛选择过程中，锦标赛方法选择策略每次从种群A中取出一定数量个体，然后选择其中最好的用于构建子代种群B。重复该操作，直到新的子代种群B规模达到原来的种群A规模。具体的操作步骤如下：

（1）确定每次选择的个体数量：一般选择2个。

（2）从种群中随机选择个体（每个个体入选概率相同）构成组，根据每个个体的适应度值，选择其中适应度值最好的个体用于构建子代种群B。

（3）重复步骤（2）次，得到的个体构成新一代子代种群B。

（4）根据新一代子代种群B和原种群A构建总的种群A1。

第四步，对种群A1执行上述第二步的操作，以此类推，直到得出评价结果满足终止条件的种群AN，该流程结束，可以通过种群AN中的参数获得上述生产工单的最优排程方案。

由此构建的遗传算法模型可以对预设生产工单进行排程，获得最优生产排程方案，从而不仅提高了排程的效率，还提高了生产效率。

本实施例排程设备在接收到紧急订单时，确定紧急订单对应的紧急生产工单，然后获取紧急生产工单对应的剩余物料资源和剩余生产设备的设备信息，最后根据所紧急生产工单判断剩余物料资源和剩余生产设备的设备信息是否符合预设强制约束条件，若符合，则根据剩余生产设备的设备信息、剩余物料资源和紧急优先条件利用预设遗传算法模型对紧急生产工单进行排程，获得紧急生产排程方案，从而考虑到了紧急订单时的排程，提高了紧急情况的应急能力。

此外，本发明实施例还提出一种存储介质，所述存储介质上存储有智能生产排程程序，所述智能生产排程程序被处理器执行时实现如上文所述的智能生产排程方法的步骤。

参照图7，图7为本发明智能生产排程装置第一实施例的结构框图。

如图7所示，本发明实施例提出的智能生产排程装置包括：

工序任务模块701，用于根据预设生产工单提取待生产产品对应的工序任务单；

信息获取模块702，用于获取所述工序任务单对应的生产设备的设备信息；

条件约束模块703，用于根据所述工序任务单判断所述设备信息和生产所需的物料资源是否符合预设强制约束条件；

最优排程模块704，用于若符合，则根据所述设备信息、所述物料资源和预置优先条件利用预设遗传算法模型对所述预设生产工单进行排程，获得最优生产排程方案。

本发明智能生产排程装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。

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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。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、物品或者系统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一个存储介质（如只读存储器/随机存取存储器、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，或者网络设备等）执行本发明各个实施例所述的方法。

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

1.一种智能生产排程方法，其特征在于，所述智能生产排程方法包括：

根据预设生产工单提取待生产产品对应的工序任务单；

获取所述工序任务单对应的生产设备的设备信息；

若符合，则根据所述设备信息、所述物料资源和预置优先条件利用预设遗传算法模型对所述预设生产工单进行排程，获得最优生产排程方案；

其中，所述预设强制约束条件包括生产工艺约束条件、设备产能约束条件和物料资源约束条件；

其中，所述预置优先条件包括工单计划开始时间优先排序、配置工单优先级、配置顾客重要性排序、配置先进先出原则和优化选项，所述优化选项包括缩短WIP、平衡设备利用率和同产品减少切换；

其中，所述根据预设生产工单提取待生产产品对应的工序任务单的步骤之前，还包括：

根据所述产品类型配置所述待生产产品对应的产品工序和工艺路线，并获取工艺路线中各产品工序对应的机器设备的设备数量与设备信息，所述设备信息包括标准产能和调机时间；

根据所述生产订单、所述产品工序、所述设备数量和所述设备信息确定所述生产订单对应的生产工单。

2.如权利要求1所述的智能生产排程方法，其特征在于，所述若符合，则根据所述设备信息、所述物料资源和预置优先条件利用预设遗传算法模型对所述预设生产工单进行排程，获得最优生产排程方案的步骤包括：

3.如权利要求1至2任一项所述的智能生产排程方法，其特征在于，所述预设强制约束条件包括：生产工艺约束条件、设备产能约束条件和物料资源约束条件；

4.如权利要求1所述的智能生产排程方法，其特征在于，所述若符合，则根据所述设备信息、所述物料资源和预置优先条件利用预设遗传算法模型对所述预设生产工单进行排程，获得最优生产排程方案的步骤之后，还包括：

5.如权利要求3所述的智能生产排程方法，其特征在于，根据所述生产订单、所述各产品工序和所述设备数量确定所述生产订单对应的生产工单的步骤之后，还包括：

比较各所述生产工单中产品工序的重复程度；

6.如权利要求1所述的智能生产排程方法，其特征在于，所述根据预设生产工单提取待生产产品对应的工序任务单的步骤之前，还包括：

对历史生产工单进行二进制转码，获得二进制编码数据；

判断所述二进制编码数据的解码数据否达到预设终止条件；

7.一种智能生产排程装置，其特征在于，所述装置包括：

条件约束模块，用于根据所述工序任务单判断所述设备信息和生产所需的物料资源是否符合预设强制约束条件，其中，所述预设强制约束条件包括生产工艺约束条件、设备产能约束条件和物料资源约束条件；

最优排程模块，用于若符合，则根据所述设备信息、所述物料资源和预置优先条件利用预设遗传算法模型对所述预设生产工单进行排程，获得最优生产排程方案；其中，所述预置优先条件包括工单计划开始时间优先排序、配置工单优先级、配置顾客重要性排序、配置先进先出原则和优化选项，所述优化选项包括缩短WIP、平衡设备利用率和同产品减少切换；

工单获取模块，用于在获取到用户的生产订单时，提取所述生产订单中待生产产品的产品类型；根据所述产品类型配置所述待生产产品对应的产品工序和工艺路线，并获取工艺路线中各产品工序对应的机器设备的设备数量与设备信息，所述设备信息包括标准产能和调机时间；根据所述生产订单、所述产品工序、所述设备数量和所述设备信息确定所述生产订单对应的生产工单。

8.一种智能生产排程设备，其特征在于，所述设备包括：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智能生产排程程序，所述智能生产排程程序配置为实现如权利要求1至6中任一项所述的智能生产排程方法的步骤。

9.一种存储介质，其特征在于，所述存储介质上存储有智能生产排程程序，所述智能生产排程程序被处理器执行时实现如权利要求1至6任一项所述的智能生产排程方法的步骤。