CN115729198A - 考虑物料到料时间不确定的鲁棒优化成组生产方法 - Google Patents

Abstract

本发明涉及一种考虑物料到料时间不确定的鲁棒优化成组生产方法。在物料到达不确定的生产场景中，利用门循环单元深度学习模型对缺料工单的物料到达时间进行预测，将其作为输入数据，并通过生产数据构造鲁棒不确定集，考虑加工时间不确定性在成组生产中的影响，以最小化工单逾期总和为目标，构建鲁棒调度优化模型，合理对产品进行分组，在减少产品切换的同时尽可能避免因成组方案不恰当造成的工单逾期。本发明为电子制造业多品种少批量的复杂成组生产问题提供参考方案，提高生产排程在不确定生产条件下的鲁棒性和稳健性。

Description

考虑物料到料时间不确定的鲁棒优化成组生产方法

技术领域

本发明涉及智能制造的生产调度领域，具体涉及一种考虑物料到料时间不确定的鲁棒优化成组生产方法。

背景技术

电子产品的普及造就了巨大的市场，目前电子产品制造业的全球化竞争不断加剧以及消费者需求表现出的差异性和波动性，造成了产品生命周期的缩短与产品变异性的提高，传统的大批量流程式生产方式已经无法满足市场多样化的需求。随着相关生产技术的不断进步，越来越多的企业开始采用“多品种少批量”生产方式，以适应消费者多样化并且不断变化的需求。在激烈的市场竞争和顾客需求多样化条件下，电子制造业面临着多品种少批量的复杂成组生产问题，尤其物料到料时间、在何种机器上加工以及设备故障、人员经验不确定的情况下，更是给确定成组方案带来了巨大的困难。

发明内容

本发明的目的在于提供一种考虑物料到料时间不确定的鲁棒优化成组生产方法，提高生产排程在不确定条件下的鲁棒性和稳健性。

为实现上述目的，本发明的技术方案是：一种考虑物料到料时间不确定的鲁棒优化成组生产方法，具体包括以下步骤：

步骤S1、采集工单信息，获取各工单的物料情况、物料到料时间和加工时间的历史数据；

步骤S2、利用门循环单元深度学习模型对缺料工单的物料到料时间进行预测；

步骤S3、输入物料到料时间、工单交期、所设定的工单开始加工时间，利用加工时间的历史数据，构造不确定集和工单成组生产的鲁棒优化模型；

步骤S4、进行模型转换并利用对等转换成确定型模型后进行模型求解，得到成组生产方案。

在本发明一实施例中，所述利用门循环单元深度学习模型对缺料工单的物料到料时间进行预测，具体包括：

步骤S2-1、设置滑动窗口大小，划分模型训练集和测试集；

步骤S2-2、根据上一个神经元输出的物料到料时间预测值h_t-1和当前神经元输入的t时间下物料到料时间历史值x_t，计算更新门z_t和重置门r_t：

z_t＝σ(W_z*[h_t-1,x_t])

r_t＝σ(W_r*[h_t-1,x_t])

σ_t＝1/(1+e^-t)

其中，σ表示sigmoid函数，为激活函数，W_z表示更新门的权重，W_r表示重置门的权重；

步骤S2-3、计算当前神经元中待定的物料到料时间预测值

tanh＝(e^t-e^-t)/(e^t+e^-t)

其中，W为更新门的权重，tanh是双曲正切函数，为激活函数；

步骤S2-4、当前神经元的物料到料时间预测值h_t：

其中，更新门z_t的值越大，表示当前神经元要保留的信息越多，反之，更新门z_t的值越小，表示上一级神经元要保留的信息越多；

步骤S2-5、利用批量梯度下降算法进行参数优化，通过不断调整模型参数并更新参数梯度，使得在损失函数下所有训练数据的损失值最小，最终利用学习率和参数梯度得到优化后的模型参数，计算公式为：

其中，θ_n表示当前模型参数，θ_n+1表示优化后的模型参数，η为学习率，L_θ代表损失函数，

表示参数梯度。

在本发明一实施例中，所述构造不确定集和工单成组生产的鲁棒优化模型，具体包括：

步骤S3-1、输入模型变量和约束，设工单集合为N＝{0,1,2,…n}，其中0表示虚拟工单；已知输入参数有：r_i为工单i的物料到料时间，d_i为工单i的交期，p_i为工单i的加工时间，b_i代表工单i的类别，相同板号和制程的订单视为一个类别，类别相同的前后件在同一组内，设定同组内的工单之前不需要切换时间，但不同组之间需要进行切换，时间为s；决策变量有：c_i为工单i的完成时间，x_ij表示是否在加工完工单i后，加工工单j，为1代表工单i和工单j为前后加工关系，反之则不是，且当x_0j＝1时，说明此时工单j位于第一加工顺序；y_ij表示前后加工的工单i和工单j是否在同一组，为1则是同一组，为0则是不同组；z_ij表示在加工完工单i后，加工工单j前是否需要切换，为1则需要，为0不需要；以单机模型模拟生产时产能占用情况，以最小化最大完工时间和工单的逾期时间总和为目标函数，构建初始确定性成组模型：

c₀＝0 (6)

其中，式(1)中的α为最大完工时间在目标函数中的权重，(*)⁺表示max(0,*)，1-α为工单逾期时间总和在目标函数中的权重，

代表在理想状态下，即所有工单没有物料问题且所有工单为一组，不存在切换时间时的最大完工时间，

是为消除量纲不同对目标函数值造成的影响；约束(2)(3)表示每个工单能且仅能加工一次，且每个工单最多只有一个后置工单；约束(4)(5)表示同一类别的前后件为同一组，且不需要进行切换，反之则需要切换；约束(6)(7)表示虚拟工单0的完成时间为0时刻，其他正常工单需在前置工单i加工完成且工单j物料已到达后才能开始加工，约束(7)中的V(1-x_ij)表示当x_ij＝1时约束成立，否则约束不成立；

步骤S3-2、构造不确定加工时间和CVaR不确定集如下：

p＝μ+Q^v,v∈[0,1]

其中，μ为加工时间的均值，Q为加工时间的最大可能波动量，v为波动程度，θ_k表示场景k发生的概率，

表示每个场景发生的概率大于等于0且小于等于一个上界

表示所有场景发生的概率之和等于1，

表示v为不同场景下的加权平均值；

步骤S3-3、构建工单成组生产的鲁棒优化模型：

min t

c₀＝0

在本发明一实施例中，所述模型转换，即将p＝μ+Qv和

代入模型，得下述鲁棒优化成组生产模型：

min t

c₀＝0

最后利用对等转换成确定型模型后进行模型求解，得到最终成组方案。

相较于现有技术，本发明具有以下有益效果：

本发明针对成组生产中的不确定性，通过构建门循环单元深度学习模型获得工单的物料到料时间，并考虑在加工机器以及设备故障、人员经验导致的加工时间不确定情况下的鲁棒优化成组方案，最终提高生产排程在不确定条件下的鲁棒性和稳健性。

附图说明

图1为本发明方法流程图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

请参照图1，本发明提供一种考虑物料到料时间不确定的鲁棒优化成组生产方法，包括以下步骤：

步骤S1、采集工单信息，获取各工单的物料情况、物料到料时间和加工时间的历史数据；

步骤S2、利用门循环单元(Gate recurrent unit，GRU)深度学习模型对缺料工单的物料到料时间进行预测；

步骤S3、输入物料到料时间、工单交期、所设定的工单开始加工时间，利用加工时间的历史数据，构造不确定集和工单成组生产的鲁棒优化模型；

步骤S4、进行模型转换并利用对等转换成确定型模型后进行模型求解，得到成组生产方案。

在本实施例中，所述利用门循环单元深度学习模型对缺料工单的物料到料时间进行预测，具体包括：

步骤S2-1、设置滑动窗口大小，划分模型训练集和测试集；

步骤S2-2、根据上一个神经元输出的物料到料时间预测值h_t-1和当前神经元输入的t时间下物料到料时间历史值x_t，计算更新门z_t和重置门r_t：

z_f＝σ(W_z*[h_t-1，x_f])

r_t＝σ(W_r*[h_t-1，x_f])

σ_f＝1/(1+e^-t)

其中，σ表示sigmoid函数，为激活函数，W_z表示更新门的权重,W_r表示重置门的权重。

步骤S2-3、计算当前神经元中待定的物料到料时间预测值

tanh＝(e^t-e^-t)/(e^t+e^-t)

其中，W为更新门的权重,tanh是双曲正切函数，为激活函数。

步骤S2-4、当前神经元的物料到料时间预测值h_t：

其中，更新门z_t的值越大，表示当前神经元要保留的信息越多，反之，更新门z_t的值越小，表示上一级神经元要保留的信息越多。

步骤S2-5、利用批量梯度下降算法进行参数优化，通过不断调整模型参数并更新参数梯度，使得在损失函数下所有训练数据的损失值最小，最终利用学习率和参数梯度得到优化后的模型参数，计算公式为：

其中，θ_n表示当前模型参数，θ_n+1表示优化后的模型参数，η为学习率，L_θ代表损失函数，

表示参数梯度。

在本实施例中，所述构造不确定集和工单成组生产的鲁棒优化模型，具体包括：

步骤S3-1、输入模型变量和约束，设工单集合为N＝{0,1,2,…n}，其中0表示虚拟工单。已知输入参数有：r_i为工单i的物料到料时间，d_i为工单i的交期，p_i为工单i的加工时间，b_i代表工单i的类别，相同板号和制程的订单视为一个类别，类别相同的前后件在同一组内，设定同组内的工单之前不需要切换时间，但不同组之间需要进行切换，时间为s。决策变量有：c_i为工单i的完成时间，x_ij表示是否在加工完工单i后，加工工单j，为1代表工单i和工单j为前后加工关系，反之则不是，且当x_0j＝1时，说明此时工单j位于第一加工顺序；y_ij表示前后加工的工单i和工单j是否在同一组，为1则是同一组，为0则是不同组；z_ij表示在加工完工单i后，加工工单j前是否需要切换，为1则需要，为0不需要；以单机模型模拟生产时产能占用情况，以最小化最大完工时间和工单的逾期时间总和为目标函数，构建初始确定性成组模型：

c₀＝0 (6)

其中，式(1)中的α为最大完工时间在目标函数中的权重，(*)⁺表示max(0,*)，1-α为工单逾期时间总和在目标函数中的权重，

代表在理想状态下，即所有工单没有物料问题且所有工单为一组，不存在切换时间时的最大完工时间，

是为消除量纲不同对目标函数值造成的影响；约束(2)(3)表示每个工单能且仅能加工一次，且每个工单最多只有一个后置工单；约束(4)(5)表示同一类别的前后件为同一组，且不需要进行切换，反之则需要切换；约束(6)(7)表示虚拟工单0的完成时间为0时刻，其他正常工单需在前置工单i加工完成且工单j物料已到达后才能开始加工，约束(7)中的V(1-x_ij)表示当x_ij＝1时约束成立，否则约束不成立。

步骤S3-2、构造不确定加工时间和CVaR不确定集如下：

p＝p+Qv，v∈[0，1]

其中，μ为加工时间的均值，Q为加工时间的最大可能波动量，v为波动程度，θ_k表示场景k发生的概率，

表示每个场景发生的概率大于等于0且小于等于一个上界

表示所有场景发生的概率之和等于1，

表示v为不同场景下的加权平均值。

步骤S3-3、构建工单成组生产的鲁棒优化模型：

min t

c_o＝0

在本实施例中，所述进行模型转换，将p＝μ+Qv和

代入模型，可得下述鲁棒优化成组生产模型：

min t

c₀＝0

最后利用对等转换成确定型模型后进行模型求解，得到最终成组方案。

在本实施例中，确定工单的物料到料时间需要与ERP系统和WMS系统进行交互，通过ERP系统获取生产计划，从WMS系统获取仓库物料信息，各个系统实现交互，协作配合。

在本实施例中，以当前电子制造业“多品种少批量”的生产方式为背景，考虑生产排程中的成组生产方法。在生成工单成组方案时，工单组即将要在何种机器上生产是不确定的，在不同机器上生产会有着不同的加工时间，甚至，由于机器故障、人员因素和生产时间的差异，相同的工单在相同的机器上的加工时间也会有所不同。本实施例通过构建鲁棒优化成组模型，以最小化工单逾期总和为目标，在减少产品切换的同时尽可能避免因成组方案不恰当造成的工单逾期，因为这种工单逾期往往是不能在后续排程中通过调整所加工的机器和加工顺序得到解决。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (4)

1.一种考虑物料到料时间不确定的鲁棒优化成组生产方法，其特征在于，具体包括以下步骤：

步骤S1、采集工单信息，获取各工单的物料情况、物料到料时间和加工时间的历史数据；

步骤S2、利用门循环单元深度学习模型对缺料工单的物料到料时间进行预测；

步骤S3、输入物料到料时间、工单交期、所设定的工单开始加工时间，利用加工时间的历史数据，构造不确定集和工单成组生产的鲁棒优化模型；

步骤S4、进行模型转换并利用对等转换成确定型模型后进行模型求解，得到成组生产方案。

2.根据权利要求1所述的考虑物料到料时间不确定的鲁棒优化成组生产方法，其特征在于，所述利用门循环单元深度学习模型对缺料工单的物料到料时间进行预测，具体包括：

步骤S2-1、设置滑动窗口大小，划分模型训练集和测试集；

步骤S2-2、根据上一个神经元输出的物料到料时间预测值h_t-1和当前神经元输入的t时间下物料到料时间历史值x_t，计算更新门z_t和重置门r_t：

z_t＝σ(W_z*[h_t-1,x_t])

r_t＝σ(W_r*[h_t-1,x_t])

σ_t＝1/(1+e^-t)

其中，σ表示sigmoid函数，为激活函数，W_z表示更新门的权重，W_r表示重置门的权重；

步骤S2-3、计算当前神经元中待定的物料到料时间预测值

tanh＝(e^t-e^-t)/(e^t+e^-t)

其中，W为更新门的权重，tanh是双曲正切函数，为激活函数；

步骤S2-4、当前神经元的物料到料时间预测值h_t：

其中，更新门z_t的值越大，表示当前神经元要保留的信息越多，反之，更新门z_t的值越小，表示上一级神经元要保留的信息越多；

步骤S2-5、利用批量梯度下降算法进行参数优化，通过不断调整模型参数并更新参数梯度，使得在损失函数下所有训练数据的损失值最小，最终利用学习率和参数梯度得到优化后的模型参数，计算公式为：

θ_n+1＝θ_n-η*▽_θL_θ

其中，θ_n表示当前模型参数，θ_n+1表示优化后的模型参数，η为学习率，L_θ代表损失函数，▽_θL_θ表示参数梯度。

3.根据权利要求1所述的考虑物料到料时间不确定的鲁棒优化成组生产方法，其特征在于，所述构造不确定集和工单成组生产的鲁棒优化模型，具体包括：

步骤S3-1、输入模型变量和约束，设工单集合为N＝{0,1,2,…n}，其中0表示虚拟工单；已知输入参数有：r_i为工单i的物料到料时间，d_i为工单i的交期，p_i为工单i的加工时间，b_i代表工单i的类别，相同板号和制程的订单视为一个类别，类别相同的前后件在同一组内，设定同组内的工单之前不需要切换时间，但不同组之间需要进行切换，时间为s；决策变量有：c_i为工单i的完成时间，x_ij表示是否在加工完工单i后，加工工单j，为1代表工单i和工单j为前后加工关系，反之则不是，且当x_0j＝1时，说明此时工单j位于第一加工顺序；y_ij表示前后加工的工单i和工单j是否在同一组，为1则是同一组，为0则是不同组；z_ij表示在加工完工单i后，加工工单j前是否需要切换，为1则需要，为0不需要；以单机模型模拟生产时产能占用情况，以最小化最大完工时间和工单的逾期时间总和为目标函数，构建初始确定性成组模型：

c₀＝0(6)

其中，式(1)中的α为最大完工时间在目标函数中的权重，(*)⁺表示max(0,*)，1-α为工单逾期时间总和在目标函数中的权重，

代表在理想状态下，即所有工单没有物料问题且所有工单为一组，不存在切换时间时的最大完工时间，

是为消除量纲不同对目标函数值造成的影响；约束(2)(3)表示每个工单能且仅能加工一次，且每个工单最多只有一个后置工单；约束(4)(5)表示同一类别的前后件为同一组，且不需要进行切换，反之则需要切换；约束(6)(7)表示虚拟工单0的完成时间为0时刻，其他正常工单需在前置工单i加工完成且工单j物料已到达后才能开始加工，约束(7)中的V(1-x_ij)表示当x_ij＝1时约束成立，否则约束不成立；

步骤S3-2、构造不确定加工时间和CVaR不确定集如下：

p＝μ+Qv,v∈[0,1]

其中，μ为加工时间的均值，Q为加工时间的最大可能波动量，v为波动程度，θ_k表示场景k发生的概率，

表示每个场景发生的概率大于等于0且小于等于一个上界

表示所有场景发生的概率之和等于1，

表示v为不同场景下的加权平均值；

步骤S3-3、构建工单成组生产的鲁棒优化模型：

mint

c₀＝0

4.根据权利要求3所述的考虑物料到料时间不确定的鲁棒优化成组生产方法，其特征在于，所述模型转换，即将p＝μ+Qv和

代入模型，得下述鲁棒优化成组生产模型：

mint

c₀＝0

最后利用对等转换成确定型模型后进行模型求解，得到最终成组方案。

Images