CN116090700A - 卷料切割方案确定方法及装置、计算设备、介质 - Google Patents

卷料切割方案确定方法及装置、计算设备、介质 Download PDF

Info

Publication number
CN116090700A
CN116090700A CN202310042166.9A CN202310042166A CN116090700A CN 116090700 A CN116090700 A CN 116090700A CN 202310042166 A CN202310042166 A CN 202310042166A CN 116090700 A CN116090700 A CN 116090700A
Authority
CN
China
Prior art keywords
cutting
cut
coil
width
production
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
Application number
CN202310042166.9A
Other languages
English (en)
Inventor
刘骥
吕成
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.)
Siemens Motor China Co ltd
Original Assignee
Siemens Motor China 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 Siemens Motor China Co ltd filed Critical Siemens Motor China Co ltd
Priority to CN202310042166.9A priority Critical patent/CN116090700A/zh
Publication of CN116090700A publication Critical patent/CN116090700A/zh
Pending legal-status Critical Current

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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Manufacturing & Machinery (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Factory Administration (AREA)

Abstract

本发明涉及机械制造技术领域，其提供一种卷料切割方案确定方法及装置、计算设备、介质，方法包括：确定待切割卷料的宽度；确定待完成订单的订单信息；其中，订单信息中包括所需条料的规格和数量；确定生产限制条件；其中，生产限制条件包括切割设备数量和每种所需条料对应的最大允许库存量；将待切割卷料的宽度、订单信息和生产限制条件输入至第一神经网络模型中，得到在未来的第一时间段内的切割方案；其中，切割方案中包括切割设备的配置参数和任务数量，配置参数能够使得切割设备在生产限制条件下将所述宽度的待切割卷料加工成为所需条料。本发明实施例可以缩短时间和人力成本，提高卷料利用率等。

Description

卷料切割方案确定方法及装置、计算设备、介质
技术领域
本发明涉及机械制造技术领域，特别涉及一种卷料切割方案确定方法及装置、计算设备、介质。
背景技术
目前，生产电机定转子所用的卷料是直接从钢厂购买，将一定宽度的卷料根据需要裁剪为不同宽度的条料，一种宽度对应一种冲片型号。目前一般采用人工的方式确定生产计划，进而根据生产计划对切割设备进行参数调整使其能够切割出所需要规格的条料。由于规格数量较多，人工的方式需要花费较长的时间和人工成本。
发明内容
本发明实施例提供了一种卷料切割方案确定方法及装置、计算设备、介质，可以缩短时间和人力成本。
第一方面，本发明一个实施例提供一种卷料切割方案确定方法，包括：
确定待切割卷料的宽度；
确定待完成订单的订单信息；其中，所述订单信息中包括所需条料的规格和数量；
确定生产限制条件；其中，所述生产限制条件包括切割设备数量和每种所需条料对应的最大允许库存量；
将所述待切割卷料的宽度、所述订单信息和所述生产限制条件输入至第一神经网络模型中，得到在未来的第一时间段内的切割方案；其中，所述切割方案中包括所述切割设备的配置参数和任务数量，所述配置参数能够使得所述切割设备在所述生产限制条件下将所述宽度的待切割卷料加工成为所需条料。
第二方面，本发明一个实施例提供一种卷料切割方案确定装置，包括：
第一确定模块，用于确定待切割卷料的宽度；
第二确定模块，用于确定待完成订单的订单信息；其中，所述订单信息中包括所需条料的规格和数量；
第三确定模块，用于确定生产限制条件；其中，所述生产限制条件包括切割设备数量和每种所需条料对应的最大允许库存量；
方案输出模块，用于将所述待切割卷料的宽度、所述订单信息和所述生产限制条件输入至第一神经网络模型中，得到在未来的第一时间段内的切割方案；其中，所述切割方案中包括所述切割设备的配置参数和任务数量，所述配置参数能够使得所述切割设备在所述生产限制条件下将所述宽度的待切割卷料加工成为所需条料。
第三方面，本发明一个实施例提供一种计算设备，该设备包括：至少一个存储器和至少一个处理器；所述至少一个存储器，用于存储机器可读程序；所述至少一个处理器，用于调用所述机器可读程序，执行第一方面提供的所述的方法。
第四方面，本发明一个实施例提供一种计算机可读存储介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行第一方面提供的所述的方法。
本发明实施例提供的卷料切割方案确定方法及装置、计算设备、介质，首先获取待切割卷料的宽度、待完成订单的订单信息、生产限制条件，然后将这些信息输入到第一神经网络模型中，便可以得到在未来的第一时间段内的切割方案。在该切割方案中包括述切割设备的配置参数和任务数量，这样可以使得切割设备在生产限制条件下将上述宽度的待切割卷料加工成为所需条料。在这个过程中不需要人工花费大量的时间进行提前安排，可以缩短时间和人力成本。而且，由于采用模型生成切割方案，而模型是提前训练得到的，在训练模型时可以训练出在废料量、卷料利用率、库存成本等方面有不错表现的模型，利用这样的模型确定出的切割方案更加科学，可以减少废料量，提高卷料的利用率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以基于这些附图获得其他的附图。
图1是本发明一个实施例中卷料切割方案确定方法的流程示意图；
图2是本发明一个实施例中卷料切割方案确定方法的流程示意图；
图3是本发明一个实施例中卷料切割方案确定装置的结构框图。
附图标记：
100 卷料切割方案确定装置
110 第一确定模块
120 第二确定模块
130 第三确定模块
140 方案输出模块
S110～S160 步骤
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
第一方面，本发明一个实施例提供一种卷料切割方案确定方法。
参见图1，该方法包括如下步骤S110～S140：
S110、确定待切割卷料的宽度；
其中，待切割卷料为制作电机定转子的原材料，即电机铁芯硅钢片原材料。待切割卷料是从钢厂购买的，宽度是已知的，例如，1200mm。
S120、确定待完成订单的订单信息；其中，所述订单信息中包括所需条料的规格和数量；
在实际场景中，进行卷料切割的工厂会接收到客户订单，这些客户订单的订单信息中会包括客户所需的条料的规格、数量，甚至还可以包括需求的时间，例如，在一个星期内完成订单。
可理解的是，不同的规格对应不同的条料宽度，例如，在最近三天内接收到多个订单，这些订单还没有开始处理，这些订单可以称之为待完成订单。对这些订单进行汇总之后，得到17个规格的条料以及这17个规格的条料的数量，具体可以参见如下表1。
表1
Figure BDA0004084038740000041
从上述表1中可以看出，由于条料的规格数量较多，如何对待切割卷料进行切割有很多种选择，排列组合的可能方案数量是非常庞大的，即便能够一一穷举出来，然后从这些方案中选择一个最优方案也是非常困难的，而且需要花费很长的时间和人工成本，所以如果真的采用这种方式就需要在生产之前的很长时间提前安排，可能不能满足客户的时间要求。如果采用人工经验的方式确定如何切割，大概率不是最优方案，会导致大量材料被浪费掉，也存在某些规格的条料容易产生大量库存的问题，进一步导致利用率降低的问题。根据多年的废料吨位统计，大约每年会产生1000T的废料，废料处理需要进一步浪费资源，且不环保。因此本发明实施例采用的是智能模型。
可理解的是，切割设备所需要切割得到的条料至少应该满足客户订单，也就是说，切割设备切割得到的每一种条料的数量应大于等于该条料的需求数量，即上述表1中的数量为最低生产量。
S130、确定生产限制条件；其中，所述生产限制条件包括切割设备数量和每种所需条料对应的最大允许库存量；
其中，生产限制条件是在实际生产场景中，对生产速度、生产效率、库存、废料率、卷料利用率、切割方案的选择等有影响的限制条件。例如，用于切割卷料的切割设备的数量。切割设备中的排刀对卷料进行切割，得到条料。切割设备的数量越多，条料的生产速度越大，即切割设备的数量对生产速度是有影响的。
在实际场景中，会为每一个规格的条料分配库存空间，在切割后将条料放置在对应的库存空间中。由于库存空间中存放条料的数量是有限的，即存在最大允许库存量。不同规格的条料，最大允许库存量可能不同，一种条料的最高生产量不能超过其最大允许库存量。
在实际场景中，生产限制条件除了考虑切割设备数量、每种所需条料对应的最大允许库存量之外，还可以包括每种所需条料的现有库存量，因为有可能有的条料是有库存积压的，这些条料的最高生产量不能大于其最大允许库存量和现有库存量之间的差值。
当然，生产限制条件除了上述条件之外，可以根据实际情况设置其它的条件限制。
可理解的是，针对每一种条料的计划生产量应在最低生产量和最高生产量之间。
S140、将所述待切割卷料的宽度、所述订单信息和所述生产限制条件输入至第一神经网络模型中，得到在未来的第一时间段内的切割方案；
其中，所述切割方案中包括所述切割设备的配置参数和任务数量，所述配置参数能够使得所述切割设备在所述生产限制条件下将所述宽度的待切割卷料加工成为所需条料。
可理解的是，第一神经网络模型的输入信息包括待切割卷料的宽度、订单信息和所述生产限制条件，输出信息包括切割方案。
当然，由于待切割卷料的数量可能不止一个，因此还可以将待切割卷料的数量也输入到第一神经网络模型中。
可理解的是，第一神经网络模型为采用训练样本提前训练得到，这些训练样本为在过去一段时间(例如，一年)内采集到的训练样本，每一条训练样本中包括待切割卷料的宽度、订单信息、生产限制条件以及人工标记的切割方案，可以将该切割方案称之为目标切割方案。经过大量切割方案的对比，该目标切割方案无论从卷料利用率、废料率、库存成本等各方面均是较优的。虽然在训练之前，对各种切割方案进行对比、对训练样本进行标记等步骤虽然需要花费较多的时间，但是在训练完成模型之后，利用该模型可以大大减少后续确定切割方案所花费的时间。在后续对于模型也仅需要调整，需要花费的时间很少。
其中，切割方案包括切割设备的配置参数和任务数量。也就是说，切割方案中包括每一台切割设备进行配置的参数以及每一台切割设备需要切割的条料的数量。在现场的工作人员根据目标切割方案中一台切割设备的配置参数对该台切割设备进行参数配置后，可以使得这一台切割设备能够切割出所需规格的条料。然后根据目标切割方案中的任务数量，对这一台切割设备的条料切割数量进行把控，使得现场的各个切割设备能够切割得到所需规格的条料以及每一个规格的条料的计划生产数量，该计划生产量应在其最低生产量和其最高生产量之间。
其中，不同型号、不同种类的切割设备针对不同规格的条料所设置的配置参数可能不同，因此配置参数的具体内容可以根据现场的切割设备而定。
其中，第一时间段可以为一天，例如，根据最近一个星期内的订单信息可以生成一个在未来的一天内的切割方案。如果这些未完成订单可以在一天内完成，则仅需要一个切割方案即可。如果在一天内无法完成，需要几天才能完成，则第二天对应的切割方案仍然可以采用上述S110～S140生成一个切割方案，只不过订单信息是剩余没有完成的订单。如果一个订单完成了一部分，还有一部分没有完成，则将剩余没有完成的这部分也作为一个订单与其它未完成订单一起输入到第一神经网络模型中，得到第二天的切割方案，依次类推，直到各个订单均完成。
其中，如果一个订单的需求时间比较短，则可以将该订单优先安排在生产计划中，即，在第一天、第二天等的切割方案中考虑到需求时间比较短的订单，将需求时间比较长的订单安排在后几天的切割方案中。考虑到需求时间的第一神经网络模型也是可以训练得到的，即在训练样本中也包括需求时间这一参量。
当然，第一时间段不限于一天，也可以是两天、三天、一个星期，具体可以根据需要设置，第一神经网络模型是一个短期模型，即生成短期内切割方案的模型，所以第一时间段不宜过长。
可理解的是，一个切割方案对应一个生产计划，一个生产计划可以参见如下表2：
表2
<![CDATA[m<sub>1</sub>]]> <![CDATA[m<sub>2</sub>]]> …… <![CDATA[m<sub>a</sub>]]>
规格1 <![CDATA[AMOUNT1<sub>1，1</sub>]]> <![CDATA[AMOUNT<sub>2，1</sub>]]> …… <![CDATA[AMOUNT<sub>a，1</sub>]]>
规格2 <![CDATA[AMOUNT<sub>1，2</sub>]]> <![CDATA[AMOUNT<sub>2，2</sub>]]> …… <![CDATA[AMOUNT<sub>a，2</sub>]]>
…… …… …… …… ……
规格b <![CDATA[AMOUNT<sub>1，b</sub>]]> <![CDATA[AMOUNT<sub>2，b</sub>]]> …… <![CDATA[AMObNT<sub>a，b</sub>]]>
在上述表2中各个参数的含义为：AMOUNTj，i为第j个待切割卷料中第i个规格的所需条料的计划生产数量，mj为第j个待切割卷料计划生产条料的数量，a为待切割卷料的数量，b为所述规格的数量，j为大于等于1且小于等于a的正整数，i为大于等于1且小于等于b的正整数。
在一个实施例中，所述第一神经模型在生成所述切割方案时采用的约束条件可以包括：每一个待切割卷料所生产的条料的数量之和小于第一预设值，所述第一预设值为根据所述切割设备数量所确定。
也就是说，输入第一神经网络模型中的一个参数为切割设备数量，第一神经网络模型会将切割设备数量转化为一个约束条件，即，每一个待切割卷料所生产的条料的数量之和小于第一预设值，其中第一预设值就是根据切割设备数量而定的。
例如，第一预设值为5，每一个待切割卷料生产的所有规格的条料的数量之和小于5，这是由于切割设备数量所限制的，即由生产机器的刀具数量限制。
进一步的，所述生产限制条件还可以包括受切割设备的工艺限制所产生的浪费宽度；对应的，所述第一神经模型在生成所述切割方案时采用的约束条件还可以包括：每一个待切割卷料所生产的各个条料的宽度之和小于等于该待切割卷料的宽度与所述浪费宽度之间的差值。
可理解的是，一个待切割卷料所生产的各个条料的宽度之和小于该待切割卷料的宽度，加上因为机器工艺限制决定在切割过程中一定会存在一定程度的浪费，例如，上述浪费宽度为3mm，因此一个待切割卷料所生产的各个条料的宽度之和小于该待切割卷料的宽度与所述浪费宽度之间的差值。例如，待切割卷料的宽度为1200，这样一个待切割卷料所生产的各个条料的宽度之和小于等于(1200-3)mm。
其中，第一神经网络模型最终输出的切割方案可以称之为目标切割方案。由于第一网络模型根据待切割卷料的宽度、所述订单信息、所述生产限制条件、上述约束条件可以生成多个候选切割方案，这些候选切割方案在废料率、卷料利用率等方面的表现是不错的，但是还需要进一步的筛选，即从这些候选切割方案中筛选出目标切割方案。
即，所述第一神经网络模型可以具体用于：根据所述待切割卷料的宽度、所述订单信息和所述生产限制条件生成多个候选切割方案，并采用预设目标函数从所述多个候选切割方案中筛选出所述目标切割方案；其中，所述预设目标函数包括卷料利用率最大化的第一目标函数、废料率最小化的第二目标函数以及总库存成本最小化的第三目标函数中的至少一个。
可见，针对多个候选切割方案，可以通过目标函数的方式筛选出目标切割方案。目标函数可以包括第一目标函数、第二目标函数和第三目标函数中的至少一个。第一目标函数的作用是卷料利用率最大化，即提高卷料的利用率。第二目标函数的作用是废料率最小化，即降低废料率。第三目标函数的作用是总库存成本最小化，即降低总库存成本。可见，通过至少一个目标函数筛选出的目标切割方案至少在一个方面的表现是最优的。
进一步的，所述卷料利用率可以采用第一关系式表示，所述第一目标函数由所述第一关系式确定，所述第一关系式为：
Figure BDA0004084038740000081
式中，p为所述卷料利用率，w0为所述待切割卷料的宽度，wi为第i个规格的所需条料的宽度，AMOUNTj，i为第j个待切割卷料中第i个规格的所需条料的计划生产数量，mj为第j个待切割卷料计划生产条料的数量，a为待切割卷料的数量，b为所述规格的数量，j为大于等于1且小于等于a的正整数，i为大于等于1且小于等于b的正整数。
可理解的是，在得到一个候选切割方案后，可以得知在每一个待切割卷料中每一个规格的所需条料的计划生产数量，即AMOUNTj，i是可以得知的，每一个待切割卷料计划生产条料的数量也是可以得知的，即mj也是可以得知的，而其它的参数是提前已知的，因此将各个参数输入到第一关系式中，便可以计算得到一个候选切割方案的卷料利用率。
可理解的是，第一目标函数可以由第一关系式推导得到，第一目标函数为：
Figure BDA0004084038740000082
进一步的，所述废料率可以采用第二关系式表示，所述第二目标函数由所述第二关系式确定，所述第二关系式为：
Figure BDA0004084038740000091
式中，f为废料率，mj为第j个待切割卷料计划生产条料的数量，w0为所述待切割卷料的宽度，AMOUNTj，i为第j个待切割卷料中第i个规格的所需条料的计划生产数量，wi为第i个规格的所需条料的宽度，a为所述待切割卷料的数量，b为所述规格的数量，j为大于等于1且小于等于a的正整数，i为大于等于1且小于等于b的正整数。
可理解的是，在得到一个候选切割方案后，可以得知每一个待切割卷料计划生产条料的数量，也可以得知每一个待切割卷料中每一个规格的所需条料的计划生产数量。其它的参数也是已知的，然后将各个参数输入到第二关系式中便可以得到该候选切割方案对应的废料率。
可理解的是，第二目标函数可以由第二关系式推导得到，第二目标函数为：
Figure BDA0004084038740000092
进一步的，每一个规格的所需条料的库存成本可以采用第三关系式表示，所述总库存成本由所述第三关系式确定，所述第三关系式包括：
Figure BDA0004084038740000093
式中，qi为第i个规格的所需条料的库存成本，R为预设的库存利率，wi为第i个规格的所需条料的宽度，mj为第j个待切割卷料计划生产条料的数量，AMOUNTj，i为第j个待切割卷料中第i个规格的所需条料的计划生产数量，b为规格的数量，i为大于等于1且小于等于b的正整数，j为大于等于1且小于等于a的正整数，a为待切割卷料的数量。
其中，库存利率是人工设定的。在得到一个候选切割方案后，可以得知每一个待切割卷料计划生产条料的数量，也可以得知每一个待切割卷料中每一个规格的所需条料的计划生产数量。其它的参数也是已知的，然后将各个参数输入到第三关系式中便可以得到该候选切割方案中每一个规格的所需条料的库存成本。
可理解的是，将一个候选切割方案中，将各个规格的所需条料的库存成本求和，便可以得到该候选切割方案对应的总库存成本。也就是说，上述第三关系式可以推导出总库存成本的表达式，进而得知第三目标函数的表达式。
可理解的是，如果选择了至少两个目标函数进一步筛选，在一个场景中，例如，一个候选切割方案对应的废料率最低但是卷料利用率不是最高的，另一个候选切割方案对应的卷料利用率最高但废料率不是最低的，此时可以任意选择其中的一个候选切割方案作为目标切割方案。也可以根据废料率和卷料利用率考虑两个候选切割方案的综合指标，选择一个在两方面都兼顾的候选切割方案作为目标切割方案。
当然，除了上述废料率、卷料利用率、库存成本等，也可以根据总卷料消耗量确定一个第四目标函数，例如，总卷料消耗量可以采用第四关系式表示，第四关系式为：
Figure BDA0004084038740000101
式中，y为所述总卷料消耗量，mj、j、a的参数解释如上。
其中，所述第一神经网络模型可以采用整点型神经网络模型。
在一个实施例中，在将所述待切割卷料的宽度、所述订单信息和所述生产限制条件输入至所述第一神经网络模型后，得到所述切割方案的同时，还可以得到所述切割方案对应的废料量和库存量。
也就是说，将待切割卷料的宽度、所述订单信息和所述生产限制条件输入至所述第一神经网络模型，可以得到切割方案、切割方案对应的废料量和库存量。
可理解的是，虽然第一神经网络模型输出的切割方案在废料率、总库存成本、卷料利用率等方面具有不错的表现，但是工作人员并不知道具体的废料量、库存量。如果在输出切割方案的同时将废料量、库存量一并输出，可以帮助工作人员了解切割方案的参考价值，有利于切割方案的应用。
通过以上方案，可以得到一个在短期内的最优切割方案，短期内的切割方案对于具体生产活动的指导具有非常高的参考价值。
在一个实施例中，参见图2，本发明实施例提供的卷料切割方案确定方法还可以包括如下步骤S150～S160：
S150、获取历史需求数据；其中，所述历史需求数据包括在过去的第二时间段内所需条料的规格和数量；
其中，所述第二时间段大于所述第一时间段。例如，第二时间段为一年。
举例来说，获取过去一年中的历史需求数据，即获取在过去一年内所有客户订单的订单信息，订单信息中包括规格、数量。
当然，除了历史需求数据，在过去第二时间段内的已切割卷料的宽度、生产限制条件等信息也需要获取，不过在很长的一段时间内卷料的宽度、生产限制条件都是不变的，与在进行短期预测时采用的卷料宽度、生产限制条件一致。
S160、将所述历史需求数据、在过去的第二时间段内已切割卷料的宽度和所述生产限制条件输入至第二神经网络模型中，得到在未来的第二时间段内的切割方案。
即，将历史需求数据、已切割卷料的宽度、生产限制条件等信息输入到第二神经网络模型中，可以预测出在未来第二时间段内的切割方案。例如，根据在过去一年内的历史需求数据预测在未来一年内的切割方案。该方案对于短期内的生产活动没有指导价值，但是对于长期内的生产活动具有指导价值，例如，可以对在未来一年内可以承受的订单量进行大致判断，进而决定是否增加切割设备。再例如，可以对未来一年内卷料的数量进行大致判断，进而决定从钢厂购买多少卷料。
可理解的是，第二神经网络模型是一个长期的预测模型，该模型的训练过程类似于第一神经网络模型的训练过程，此处不再赘述。
其中，第二神经网络模型可以采用浮点型的神经网络模型，数值用非整数，可以加快模型的计算速度。
在一个实施例中，还可以计算出最优卷料宽度，用以对后续购买卷料时提供指导。计算最优卷料宽度的方法可以为：将1000mm～1200mm中所有整数带入上文中提到的约束条件和第一目标函数，通过约束条件和第一目标函数便可以选择出最优卷料宽度。可理解的是，此时在约束条件和第一目标函数中卷料宽度是未知量。
可理解的是，此时选择出的最优卷料宽度可以提高卷料利用率。
在实际场景中，卷料切割的工程可以从卷料供应商得知卷料的宽度、钢材的型号等信息，在接收到客户订单时得知客户所需条料的规格、数量、需求时间等订单信息，根据订单信息确定最低生产数量，根据最大允许库存量和当前的库存量确定最高生产数量，计划生产数量要大于最低生产数量且小于最高生产数量。同时考虑到切割设备的排刀数量、需求时间较短的客户订单等信息，确定多个候选切割方案，进而考虑到卷料利用率、废料率、库存成本等选择出目标切割方案。
在实际场景中，利用第二神经网络模型依据历史需求数据可以预测出在未来很长一段时间内的切割方案，进而用于对长期的生产活动进行指导。而且，还可以计算出最优卷料宽度，用以指导后续的卷料购买活动。为每一个规格的条料分配对应的库存空间，用以存储对应规格的条料，该库存空间的大小决定了最大允许库存量。
可理解的是，本发明实施例中根据日常车间生产的实际情况，建立整数型的第一神经网络模型，并将该模型应用到实际生产中，然后在后续的生产中逐步调整模型的各个参数，以得到卷料利用率、库存率等方面均表现不错的切割方案。在本发明实施例中，将上述各个步骤形成一个程序，该程序根据实际生产中的各种参数确定硅钢片卷料的切割方案。第一神经网络模型能够根据这些参数在限制范围内自动找出最佳切割方案来指导生产计划。
本发明实施例提供的方法，首先获取待切割卷料的宽度、待完成订单的订单信息、生产限制条件，然后将这些信息输入到第一神经网络模型中，便可以得到在未来的第一时间段内的切割方案。在该切割方案中包括述切割设备的配置参数和任务数量，这样可以使得切割设备在生产限制条件下将上述宽度的待切割卷料加工成为所需条料。在这个过程中不需要人工花费大量的时间进行提前安排，可以缩短时间和人力成本。
而且，由于采用模型生成切割方案，而模型是提前训练得到的，在训练模型时可以训练出在废料量、卷料利用率、库存成本等方面有不错表现的模型，利用这样的模型确定出的切割方案更加科学，可以减少废料量，提高卷料的利用率。据统计，通过本发明实施例提供的方法，可以大大减少卷料的浪费，年硅钢废料可以减少650T。
第二方面，本发明实施例提供一种卷料切割方案确定装置，参见图3，该装置100包括：
第一确定模块110，用于确定待切割卷料的宽度；
第二确定模块120，用于确定待完成订单的订单信息；其中，所述订单信息中包括所需条料的规格和数量；
第三确定模块130，用于确定生产限制条件；其中，所述生产限制条件包括切割设备数量和每种所需条料对应的最大允许库存量；
方案输出模块140，用于将所述待切割卷料的宽度、所述订单信息和所述生产限制条件输入至第一神经网络模型中，得到在未来的第一时间段内的切割方案；其中，所述切割方案中包括所述切割设备的配置参数和任务数量，所述配置参数能够使得所述切割设备在所述生产限制条件下将所述宽度的待切割卷料加工成为所需条料。
在一个实施例中，所述第一神经模型在生成所述切割方案时采用的约束条件包括：每一个待切割卷料所生产的条料的数量之和小于第一预设值，所述第一预设值为根据所述切割设备数量所确定。
进一步的，所述生产限制条件还包括受切割设备的工艺限制所产生的浪费宽度；对应的，所述约束条件还包括：每一个待切割卷料所生产的各个条料的宽度之和小于等于该待切割卷料的宽度与所述浪费宽度之间的差值。
在一个实施例中，所述切割方案为目标切割方案；对应的，所述第一神经网络模型用于：根据所述待切割卷料的宽度、所述订单信息和所述生产限制条件生成多个候选切割方案，并采用预设目标函数从所述多个候选切割方案中筛选出所述目标切割方案；其中，所述预设目标函数包括卷料利用率最大化的第一目标函数、废料率最小化的第二目标函数以及总库存成本最小化的第三目标函数中的至少一个。
进一步的，所述卷料利用率采用第一关系式表示，所述第一目标函数由所述第一关系式确定，所述第一关系式为：
Figure BDA0004084038740000131
式中，p为所述卷料利用率，w0为所述待切割卷料的宽度，wi为第i个规格的所需条料的宽度，AMOUNTj，i为第j个待切割卷料中第i个规格的所需条料的计划生产数量，mj第j个卷料计划生产条料的数量，a为待切割卷料的数量，b为所述规格的数量，j为大于等于1且小于等于a的正整数，i为大于等于1且小于等于b的正整数。
进一步的，所述废料率采用第二关系式表示，所述第二目标函数由所述第二关系式确定，所述第二关系式为：
Figure BDA0004084038740000132
式中，f为废料率，mj为第j个待切割卷料计划生产条料的数量，w0为所述待切割卷料的宽度，AMOUNTj，i为第j个待切割卷料中第i个规格的所需条料的计划生产数量，wi为第i个规格的所需条料的宽度，a为所述待切割卷料的数量，b为所述规格的数量，j为大于等于1且小于等于a的正整数，i为大于等于1且小于等于b的正整数。
进一步的，每一个规格的所需条料的库存成本采用第三关系式表示，所述总库存成本由所述第三关系式确定，所述第三关系式包括：
Figure BDA0004084038740000141
式中，qi为第i个规格的所需条料的库存成本，R为预设的库存利率，wi为第i个规格的所需条料的宽度，mj为第j个待切割卷料计划生产条料的数量，AMOUNTj，i为第j个待切割卷料中第i个规格的所需条料的计划生产数量，b为规格的数量，i为大于等于1且小于等于b的正整数，j为大于等于1且小于等于a的正整数，a为待切割卷料的数量。
在一个实施例中，方案输出模块具体用于：在将所述待切割卷料的宽度、所述订单信息和所述生产限制条件输入至所述第一神经网络模型后，得到所述切割方案的同时，还得到所述切割方案对应的废料量和库存量。
在一个实施例中，装置还包括：
第一获取模块，用于获取历史需求数据；其中，所述历史需求数据包括在过去的第二时间段内所需条料的规格和数量；所述第二时间段大于所述第一时间段；
信息输入模块，用于将所述历史需求数据、在过去的第二时间段内已切割卷料的宽度和所述生产限制条件输入至第二神经网络模型中，得到在未来的第二时间段内的切割方案。
可理解的是，本发明实施例提供的装置中有关内容的解释、具体实施方式、有益效果、举例等内容可以参见第一方面提供的方法中的相应部分，此处不再赘述。
第三方面，本发明实施例提供一种计算设备，该设备包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行第一方面提供的方法。
可理解的是，本发明实施例提供的设备中有关内容的解释、具体实施方式、有益效果、举例等内容可以参见第一方面提供的方法中的相应部分，此处不再赘述。
第四方面，本发明实施例提供一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行第一方面提供的方法。
具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展模块中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展模块上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
可理解的是，本发明实施例提供的计算机可读介质中有关内容的解释、具体实施方式、有益效果、举例等内容可以参见第一方面提供的方法中的相应部分，此处不再赘述。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、挂件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (12)

1.一种卷料切割方案确定方法，其特征在于，包括：
确定待切割卷料的宽度；
确定待完成订单的订单信息；其中，所述订单信息中包括所需条料的规格和数量；
确定生产限制条件；其中，所述生产限制条件包括切割设备数量和每种所需条料对应的最大允许库存量；
将所述待切割卷料的宽度、所述订单信息和所述生产限制条件输入至第一神经网络模型中，得到在未来的第一时间段内的切割方案；其中，所述切割方案中包括所述切割设备的配置参数和任务数量，所述配置参数能够使得所述切割设备在所述生产限制条件下将所述宽度的待切割卷料加工成为所需条料。
2.根据权利要求1所述的方法，其特征在于，所述第一神经模型在生成所述切割方案时采用的约束条件包括：每一个待切割卷料所生产的条料的数量之和小于第一预设值，所述第一预设值为根据所述切割设备数量所确定。
3.根据权利要求2所述的方法，其特征在于，所述生产限制条件还包括受切割设备的工艺限制所产生的浪费宽度；对应的，所述第一神经模型在生成所述切割方案时采用的约束条件还包括：每一个待切割卷料所生产的各个条料的宽度之和小于等于该待切割卷料的宽度与所述浪费宽度之间的差值。
4.根据权利要求1所述的方法，其特征在于，所述切割方案为目标切割方案；
对应的，所述第一神经网络模型用于：根据所述待切割卷料的宽度、所述订单信息和所述生产限制条件生成多个候选切割方案，并采用预设目标函数从所述多个候选切割方案中筛选出所述目标切割方案；其中，所述预设目标函数包括卷料利用率最大化的第一目标函数、废料率最小化的第二目标函数以及总库存成本最小化的第三目标函数中的至少一个。
5.根据权利要求4所述的方法，其特征在于，所述卷料利用率采用第一关系式表示，所述第一目标函数由所述第一关系式确定，所述第一关系式为：
Figure FDA0004084038730000011
式中，p为所述卷料利用率，w0为所述待切割卷料的宽度，wi为第i个规格的所需条料的宽度，AMOUNTj，i为第j个待切割卷料中第i个规格的所需条料的计划生产数量，mj为第j个卷料计划生产条料的数量，a为待切割卷料的数量，b为所述规格的数量，j为大于等于1且小于等于a的正整数，i为大于等于1且小于等于b的正整数。
6.根据权利要求4所述的方法，其特征在于，所述废料率采用第二关系式表示，所述第二目标函数由所述第二关系式确定，所述第二关系式为：
Figure FDA0004084038730000021
式中，f为废料率，mj为第j个待切割卷料计划生产条料的数量，w0为所述待切割卷料的宽度，AMOUNTj，i为第j个待切割卷料中第i个规格的所需条料的计划生产数量，wi为第i个规格的所需条料的宽度，a为所述待切割卷料的数量，b为所述规格的数量，j为大于等于1且小于等于a的正整数，i为大于等于1且小于等于b的正整数。
7.根据权利要求4所述的方法，其特征在于，每一个规格的所需条料的库存成本采用第三关系式表示，所述总库存成本由所述第三关系式确定，所述第三关系式包括：
Figure FDA0004084038730000022
式中，qi为第i个规格的所需条料的库存成本，R为预设的库存利率，wi为第i个规格的所需条料的宽度，mj为第j个待切割卷料计划生产条料的数量，AMOUNTj，i为第j个待切割卷料中第i个规格的所需条料的计划生产数量，b为规格的数量，i为大于等于1且小于等于b的正整数，j为大于等于1且小于等于a的正整数，a为待切割卷料的数量。
8.根据权利要求1所述的方法，其特征在于，还包括：
在将所述待切割卷料的宽度、所述订单信息和所述生产限制条件输入至所述第一神经网络模型后，得到所述切割方案的同时，还得到所述切割方案对应的废料量和库存量。
9.根据权利要求1所述的方法，其特征在于，还包括：
获取历史需求数据；其中，所述历史需求数据包括在过去的第二时间段内所需条料的规格和数量；所述第二时间段大于所述第一时间段；
将所述历史需求数据、在过去的第二时间段内已切割卷料的宽度和所述生产限制条件输入至第二神经网络模型中，得到在未来的第二时间段内的切割方案。
10.一种卷料切割方案确定装置，其特征在于，包括：
第一确定模块，用于确定待切割卷料的宽度；
第二确定模块，用于确定待完成订单的订单信息；其中，所述订单信息中包括所需条料的规格和数量；
第三确定模块，用于确定生产限制条件；其中，所述生产限制条件包括切割设备数量和每种所需条料对应的最大允许库存量；
方案输出模块，用于将所述待切割卷料的宽度、所述订单信息和所述生产限制条件输入至第一神经网络模型中，得到在未来的第一时间段内的切割方案；其中，所述切割方案中包括所述切割设备的配置参数和任务数量，所述配置参数能够使得所述切割设备在所述生产限制条件下将所述宽度的待切割卷料加工成为所需条料。
11.一种计算设备，其特征在于，该设备包括：至少一个存储器和至少一个处理器；
所述至少一个存储器，用于存储机器可读程序；
所述至少一个处理器，用于调用所述机器可读程序，执行权利要求1～9任一项所述的方法。
12.一种计算机可读介质，其特征在于，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行权利要求1～9任一项所述的方法。
CN202310042166.9A 2023-01-12 2023-01-12 卷料切割方案确定方法及装置、计算设备、介质 Pending CN116090700A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310042166.9A CN116090700A (zh) 2023-01-12 2023-01-12 卷料切割方案确定方法及装置、计算设备、介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310042166.9A CN116090700A (zh) 2023-01-12 2023-01-12 卷料切割方案确定方法及装置、计算设备、介质

Publications (1)

Publication Number Publication Date
CN116090700A true CN116090700A (zh) 2023-05-09

Family

ID=86205890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310042166.9A Pending CN116090700A (zh) 2023-01-12 2023-01-12 卷料切割方案确定方法及装置、计算设备、介质

Country Status (1)

Country Link
CN (1) CN116090700A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562473A (zh) * 2023-07-10 2023-08-08 佛山南海铝拍拍科技有限公司 定制铝模板用料优化方法及其相关设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562473A (zh) * 2023-07-10 2023-08-08 佛山南海铝拍拍科技有限公司 定制铝模板用料优化方法及其相关设备
CN116562473B (zh) * 2023-07-10 2024-02-13 佛山南海铝拍拍科技有限公司 定制铝模板用料优化方法及其相关设备

Similar Documents

Publication Publication Date Title
US8942961B2 (en) Re-matching method of slab-order for improving slab utilization in iron and steel plants
US9423989B2 (en) System and method for dynamically reconfiguring one or more autonomous cells in a print shop environment
US8452633B2 (en) System and method for improved project portfolio management
CN112446526B (zh) 生产排程系统及方法
CN111144710B (zh) 一种可持续性混合流水车间的构建和动态调度方法
CN111352403B (zh) 一种板材轧制的工艺设计方法
CN116090700A (zh) 卷料切割方案确定方法及装置、计算设备、介质
US7890205B2 (en) Technique for determining processing sequence of steel plates
JP2008027150A (ja) 製造負荷予測装置、製造負荷予測方法、コンピュータプログラム、及びコンピュータ読み取り可能な記憶媒体
Addy et al. Identifying and weighting indicators of building energy efficiency assessment in Ghana
Bulavchuk et al. Genetic algorithm based on idempotent algebra methods for RCPSP
US20040148212A1 (en) Method and apparatus for measuring optimality for master production schedules
Yousefi et al. A decision support framework for sustainable production planning of paper recycling systems
CN110858355A (zh) 项目预算结余预测方法及装置
Jain A simulation-based scheduling and management information system for a machine shop
JP6318623B2 (ja) 製造工期予測装置、製造工期予測方法、及びコンピュータプログラム
JP2006350883A (ja) 知識データベースを利用した需要予測値自動判定システムおよびそれに用いられる需要予測値自動判定プログラム並びにそのプログラムが記録された記録媒体
CN111008884A (zh) 数控机床共享方法
Dessureault et al. Capital investment appraisal for the integration of new technology into mining systems
Chowdary et al. Production planning under dynamic product environment: a multi-objective goal programming approach
CN111754074A (zh) 电网信息系统的运维检修评价方法、装置及存储介质
CN113159787A (zh) 客户流失的预测方法、装置、电子设备及计算机存储介质
US20070244596A1 (en) Method for Operating Industrial Installations
CN116562473B (zh) 定制铝模板用料优化方法及其相关设备
CN109903156A (zh) 基于数据分析的多因子选股方法和装置

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
CB02 Change of applicant information

Country or region after: China

Address after: 211400 No. 99 Zhongxin Road, Yizheng City, Yangzhou City, Jiangsu Province

Applicant after: Yinmengda Motor (China) Co.,Ltd.

Address before: 211400 No. 99 Zhongxin Road, Yizheng City, Yangzhou City, Jiangsu Province

Applicant before: SIEMENS MOTOR (CHINA) CO.,LTD.

Country or region before: China

CB02 Change of applicant information