CN116128247A - 一种排产前生产设备资源配置优化方法及系统 - Google Patents
一种排产前生产设备资源配置优化方法及系统 Download PDFInfo
- Publication number
- CN116128247A CN116128247A CN202310180311.XA CN202310180311A CN116128247A CN 116128247 A CN116128247 A CN 116128247A CN 202310180311 A CN202310180311 A CN 202310180311A CN 116128247 A CN116128247 A CN 116128247A
- Authority
- CN
- China
- Prior art keywords
- capability
- matching
- information
- requirement
- task
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013468 resource allocation Methods 0.000 title claims abstract description 13
- 238000005457 optimization Methods 0.000 title claims description 9
- 238000012216 screening Methods 0.000 claims abstract description 34
- 238000013507 mapping Methods 0.000 claims abstract description 30
- 238000004364 calculation method Methods 0.000 claims description 31
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000005266 casting Methods 0.000 claims description 6
- 238000005242 forging Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000005507 spraying Methods 0.000 claims description 6
- 238000003466 welding Methods 0.000 claims description 6
- 238000009713 electroplating Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 101100495431 Schizosaccharomyces pombe (strain 972 / ATCC 24843) cnp1 gene Proteins 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000007747 plating Methods 0.000 claims description 2
- 238000013439 planning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 101100421536 Danio rerio sim1a gene Proteins 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明属于计划排程(排产)领域,公开了一种排产前生产设备资源配置优化方法及系统。所述方法包括:获取生产任务订单信息,并将生产任务订单信息分解为多个子任务信息储存;根据子任务信息匹配任务需求与能力,筛选完成任务所需要的能力形成候选能力池;将完成任务所需要的能力与当前可用的制造设备资源进行映射,筛选出候选能力池所对应的设备,形成候选设备集合作为正式排产时的设备输入。本发明通过构建需求‑能力匹配模型,根据生产订单和工艺需求筛选出合适的资源能力池,将资源能力池映射到具体的生产设备,在保证生产效率的同时最小化生产设备资源,提高生产设备利用率,优化排产结果,降低生产成本,实现降本增效。
Description
技术领域
本发明属于计划排程(排产)领域,具体涉及一种排产前生产设备资源配置优化方法及系统。
背景技术
随着生产技术的发展与进步,制造业日趋全球化和信息化,这促使企业利用计算机信息技术不断改进现有的生产制造模式,以提高各类制造资源的利用率、提高生产效率、改善管理模式,因此,如何有效配置生产资源并对订单进行最优化排产成为企业提高生产效率面临的关键问题。
现有的排产方法主要包括:基于订单最短作业时间的排产方法、基于订单交付先后顺序的排产方法和基于专家系统的人工智能优化排产方法,这几种排产方法都根据订单本身来安排投产计划,帮助用户实现均衡投产,提高生产计划制定的合理性。
但是,本发明发明人在实施本发明实施例中发明技术方案的过程中,发现上述现有技术中的排产方法至少存在以下缺陷:现有的排产方法主要聚焦于任务订单本身,集中在优化排产顺序方面,忽略了对现有生产设备资源的有效评估,缺少生产需求与生产设备资源池的匹配环节,往往将所有可用生产设备都进行投产,导致生产资源浪费,生产效率低下,无法实现精益化生产。
现有专利文献CN114172963A公开了一种基于资源利用率的多粒度的任务与服务匹配方法和系统,涉及任务调度和服务匹配技术领域。该发明基于客户需求和服务资源,采用粒度任务分类,以最大化资源利用率的为目标,采用粒子群优化算法寻优,从组合服务方案中选择最优组合服务方案。但是,该专利的技术方案关注的是任务调度和服务匹配,关注的是总体客户需求及服务资源,并没有重点聚焦排产前的生产设备资源优化,且该专利的技术方案采用粒子群优化算法,容易过度追求资源利用效率而忽视设备资源本身的功能及性能参数,从而使理论结果与生产实际产生偏差甚至背离。
发明内容
本发明旨在针对现有技术的中存在的技术问题,提供一种排产前生产设备资源配置优化方法及系统,通过构建“需求-能力”匹配模型,均衡企业生产需求和生产能力,根据生产订单和工艺需求筛选出合适的资源能力池,将资源能力池映射到具体的生产设备,可兼顾企业生产效率和设备资源,在保证生产效率的同时最小化生产设备资源,缩减排产计划生产设备空间,提高生产设备利用率,进而优化排产结果,降低生产成本,达到降本增效的效果。
为实现以上技术目的,本发明采用以下技术方案:
一种排产前生产设备资源配置优化方法,所述方法包括如下步骤:
步骤S01:获取生产任务订单信息,并将生产任务订单信息分解为多个子任务,根据每个子任务匹配能力需求,将子任务及对应的能力需求作为子任务信息储存;
步骤S02:根据当前采集的可用制造设备资源建立初始能力池;根据子任务信息,匹配任务需求与初始能力池中的能力,筛选出完成任务所需要的能力形成候选能力池;
步骤S03:将候选能力池中完成任务所需要的能力与当前可用的制造设备资源进行映射,筛选出候选能力池所对应的设备,形成候选设备集合作为正式排产时的设备输入。
进一步地,所述步骤S01具体包括如下步骤:
步骤S011:采用WBS工作分解结构对生产订单进行初步分解,将生产任务订单信息分解为多个子任务,每个子任务分解到只包含一种工艺过程,形成任务子集;
步骤S012:通过能力需求本体模型CR对任务集中每个子任务进行关系映射,根据子任务的语义描述,按能力需求本体模型CR进行拆解,匹配出完成子任务对应的能力需求;
所述能力需求本体模型CR为:
CR={R_Category,R_BasicInfo,R_FuncInfo,R_PerfInfo}
上式中,R_Category表示能力需求的类型,包括喷涂能力需求、电镀能力需求、冲压能力需求、铸造能力需求、锻造能力需求、轧制能力需求、焊接能力需求等能力需求;
R_BasicInfo表示能力需求的基本信息,包括能力需求的名称、描述信息、解释信息;
R_FuncInfo表示描述能力需求的功能信息,包括功能输入/输出信息;
R_PerfInfo表示能力需求的性能信息,包括执行所需时间信息、成本信息;
步骤S013:将匹配出的、完成子任务对应的能力需求作为子任务信息储存。
更进一步地,所述步骤S02具体包括:
步骤S021:构建需求-能力匹配模型,所述需求-能力匹配模型包括能力本体模型和需求-能力匹配算法;
步骤S022:将当前的制造设备资源按能力本体模型C进行能力映射,建立初始能力池;
步骤S023:所述需求-能力匹配算法根据子任务信息,按照设定的需求-能力匹配流程,匹配任务需求与初始能力池中的能力,筛选出完成任务所需的能力形成候选能力池。
更进一步地,所述能力本体模型C为:
C={Category,BasicInfo,FuncInfo,PerfInfo}
上式中,Category表示能力的类型,包括喷涂能力、电镀能力、冲压能力、铸造能力、锻造能力、轧制能力、焊接能力等能力;
BasicInfo表示能力的基本信息,包括能力的名称、描述信息、解释信息;
FuncInfo表示描述能力的功能信息,包括功能输入/输出信息;
PerfInfo表示能力的性能信息,包括执行所需时间信息、成本信息;
所述需求-能力匹配算法用于计算能力需求和能力的匹配度量,包括匹配度量、匹配度量计算方法及需求-能力匹配流程;
所述匹配度量包括本体概念匹配度、描述信息相似度、数值参量匹配度和性能匹配度;
所述本体概念匹配度根据能力需求本体模型CR中的能力需求类型和能力本体模型C中的能力类型进行匹配筛选,并将匹配筛选结果作为所述描述信息相似度和所述数值参量匹配度的输入参数进行筛选匹配;所述描述信息相似度和所述数值参量匹配度筛选的结果作为所述性能匹配度的输入参数进行筛选匹配;
所述需求-能力匹配流程包括预选匹配、初选匹配和精选匹配三个阶段;
所述预选匹配根据本体概念匹配度对能力的类型信息Category进行匹配,过滤掉能力状态不符合需求的能力、以及能力类型匹配度低于类型阈值的能力,得到预选能力集合;
所述初选匹配根据描述信息相似度和数值参量匹配度对能力的基本信息BasicInfo和功能信息FuncInfo进行综合匹配,通过需求-能力匹配算法分别计算能力的基本信息匹配度和功能信息匹配度,然后根据能力基本信息匹配度和功能信息匹配度计算综合匹配度,过滤掉能力综合匹配度低于综合匹配度阈值的能力,得到初选能力集合;
所述精选匹配根据性能匹配度对能力的性能信息PerfInfo进行匹配,通过需求-能力匹配算法计算出性能匹配度,过滤掉能力性能匹配度低于性能阈值的能力,得到最终的精选能力集合。
更进一步地,所述本体概念匹配度用于需求和能力的类型信息匹配,所述本体概念匹配度的计算公式为:
其中,
上式中,MatchConcept(c1,c2)为c1和c2两概念的本体概念匹配度;δ为可调节参数,取值为1≤δ≤2,δ的取值范围决定语义相似度的高低,两者成反比关系,δ越大,语义相似度越小;δ越小,语义相似度越大;Dis(c1,c2)为c1和c2两概念的语义距离,是通过权重分配规则,对本体概念中第n个节点的边采用权重公式W(n)进行权重计算,并将路径所经历的各条边的权重W(n)相加得到。
进一步地,所述描述信息相似度用于需求和能力的基本信息匹配,计算公式为:
Sim(CR,Ci)=α21Sim1(CR,Ci)+α22Sim2(CR,Ci)
上式中,Sim1(CR,Ci)表示词形相似度,Sim2(CR,Ci)表示词长相似度,α21,α22分别表示权重,且0≤α21,α22≤1,α21+α22=1;
其中,词形相似度Sim1(CR,Ci)的计算公式为:
上式中,DCR为能力需求的描述信息,为第i个能力的描述信息,为能力需求与能力的描述信息中相同的字的个数;Len(DCR)为能力需求的描述信息长度;为第i个能力的描述信息长度;为计算得到的词形相似度,其值介于0-1之间,值越大说明相似度越大;
词长相似度Sim2(CR,Ci)的计算公式为:
进一步地,所述数值参量匹配度用于对于功能信息中的数值参数进行匹配,将待匹配的两个数值参数Ai和Bi转化为两个数值区间An和Bn的形式来匹配,进而求得待匹配的两个数值参数之间的相似度大小,两个数值参数Ai和Bi的数值参量匹配度为:
上式中,Ri代表第i个需求能力的数值区间,Ci代表第i个能力的数值区间,MValue(Ri,Ci)代表第i个需求能力和能力数值参量的匹配度。
进一步地,所述性能匹配度用于对能力的性能信息进行匹配,具体包括:对概念词属性采用词序相似度进行匹配;对数值型区间参数采用数值参量匹配度方法进行匹配;对非定量描述的模糊属性采用模糊集理论来描述模糊属性的数值大小,从而转换为数值型参数并采用数值参量匹配度方法进行匹配;
所述性能匹配度计算方法为:
首先,将能力需求和能力的性能参数依次排列构成下述性能矩阵Q:
上式中,qi,i∈[1,2,...,n]表示第i个候选能力的性能参数组成的行向量,包括向量qi1,...,qim;
然后,将Q归一化为Q′:
最后,利用能力需求性能向量与能力性能向量之间的欧式距离,计算性能匹配度MatchPerf(CR,Ci):
进一步地,所述预选匹配阶段的算法具体如下:
输入:表示能力需求类型信息的能力需求CR:CR.Category,表示设定类型的匹配度εc,初始i=1,能力池中的能力个数M1;
输出:预选能力集合CS1,即从采集的可用能力池中预选出来的能力集合;
算法步骤包括:
公式则计算能力需求CR:CR.Category和能力节点Ci.Category的本体概念匹配度di,即di=MatchConcept(CR:CR.Category,Ci.Category);若di>εi,则保留能力池中的能力Ci,即CS1={Ci}∪{CS1};
采用的本体概念匹配度的计算公式如下:
上式中,cri代表第i个能力需求节点;ci代表第i个能力节点;Dis(cri,ci)表示第i个能力需求和能力之间的语义距离;δ为可调节参数,取值为1≤δ≤2;MatchConcept(cri,ci)表示第i个能力需求和能力之间的概念匹配度;
S0232.令i=i+1,若i≤M1,则转入S0231,否则转入S0233;
S0233.算法结束,返回匹配得到的预选能力集合CS1;
所述初选匹配阶段中,功能信息匹配度计算过程中包含数值参数和概念词参数,功能信息匹配度Match(FuncInfo)的计算公式为:
Match(FuncInfo)=α×Match(Concept)i+β×Match(Value)i
上式中,Match(Concept)i表示功能信息中概念词参数的匹配度,Match(Value)i表示功能信息中数值参数的匹配度,α,β为权重,且α+β=1,0<α,β<1;
其中,概念词参数的匹配度Match(Concept)i为:
上式中,CRFVi和CFVi分别表示能力需求和能力对应的第i个概念词参量,n代表功能参数中全部概念词参数的数目;
数值参数的匹配度Match(Value)i为:
上式中,CRFVi和CFVi分别表示能力需求和能力对应的第i个数值参数,n代表功能参数中全部数值参数的数目;
所述初选匹配阶段的算法具体如下:
输入:根据预选匹配阶段返回的预选能力集合CS1,设定εf为预选阶段的匹配度阀值,i为CS1中的能力节点的序号(i=1,2,...,M2);
输出:初选能力集合CS2;
算法步骤包括:
S0234.对于CS1中的第i个能力节点,计算能力需求CR与Ci的功能信息匹配度Match(FuncInfo)i,若Match(FuncInfo)i>εf,则将Ci添加至CS2,即SC2={Ci}∪{SC2},否则转入S0235;
S0235.令i=i+1,若i≤M2,则转入S0234,否则转入S0236;
S0236.算法结束,返回匹配得到的初选能力集合CS2;
所述精选匹配阶段的算法具体如下:
输入:根据初选阶段得到的初选能力集合CS2,设定各性能参数的权重w1,w2,...,wn,i为匹配能力集合中的能力序号(i=1,2,...,M3),初始时为i=1;设定性能匹配度阈值εp;
输出:精选能力集合CS3;
算法步骤包括:
S0237.将能力需求本体模型中的性能指标CR:R_PerfInfo和初选能力集合CS2中M2个能力的性能指标向量qi(i=1,2,...,M2)依次排列构成一个性能矩阵Q,将Q归一化得Q′,从矩阵Q′取出能力需求性能向量p={p1,p2,...,pm};
S0238.对于Q′中第i行向量qi′,计算qi′与能力需求性能向量p的匹配度,若性能匹配度MatchPerf(CR,Ci)>εp,则将Ci添加至CS3,即SC3={Ci}∪{SC3};
S0239.令i=i+1,若i≤M3,则转入S0238,否则转入S02310;
S02310.算法结束,返回相应的精选能力集合CS3。
同时,本发明还提供一种排产前生产设备资源配置优化系统,用于执行如上所述的任一种方法,所述系统包括:
生产任务订单输入模块:储存生产任务订单信息,并将生产任务订单信息输入给订单任务分解模块;
订单任务分解模块:将生产任务订单信息分解为多个子任务,根据每个子任务匹配能力需求,将子任务及对应的能力需求作为子任务信息储存,并将子任务信息输入需求能力匹配模块;
需求能力匹配模块:根据当前采集的可用制造设备资源建立初始能力池;根据子任务信息,匹配任务需求与初始能力池中的能力,筛选出完成任务所需要的能力并输入候选能力池模块;
候选能力池模块:储存有设备集合,将完成任务所需要的能力与当前可用的制造设备资源进行映射,筛选出候选能力池所对应的设备并输入候选设备集合模块;
候选设备集合模块:储存候选能力池模块筛选出来的设备,作为正式排产时的设备输入。
进一步地,所述订单任务分解模块包括任务拆解模块和任务-能力需求映射模块;
所述任务拆解模块用于将接收的生产任务订单信息分解为多个子任务并传输给任务-能力需求映射模块;
所述任务-能力需求映射模块包括能力需求本体模型CR,所述能力需求本体模型CR对任务集中每个子任务进行关系映射,根据子任务的语义描述,按能力需求本体模型CR进行拆解,匹配出完成子任务对应的能力需求,并将映射得到的能力需求信息输入需求能力匹配模块;
所述需求能力匹配模块包括需求-能力匹配模型;
所述需求-能力匹配模型包括能力本体模型和需求-能力匹配算法;
所述能力本体模型用于将当前的制造设备资源进行能力映射,建立初始能力池;
所述需求-能力匹配算法设置有匹配度量、匹配度量计算方法及需求-能力匹配流程;
所述需求能力匹配模块根据订单任务分解模块输出的能力需求信息和能力本体模型建立的初始能力池,通过需求-能力匹配算法按照预设的需求-能力匹配流程,匹配筛选出完成任务所需要的能力并输入候选能力池模块形成能力集合
与现有技术相比,本发明所产生的有益效果是:
(1)本发明提供的一种排产前生产设备资源配置优化方法及系统,通过构建“需求-能力”匹配模型,均衡企业生产需求和生产能力,根据生产订单和工艺需求筛选出合适的资源能力池,并将资源能力池跟具体的生产设备进行映射,打通了“订单-生产”任务链条,为后续排产工作提供精确的资源保障,实现精益化生产;本发明可兼顾企业生产效率和设备资源,在保证生产效率的同时最小化生产设备资源,缩减排产计划生产设备空间,提高生产设备利用率,进而优化排产结果,降低生产成本,达到降本增效的效果;
(2)与现有专利文献CN114172963A相比,本发明立足排产前的生产设备资源优化,综合利用能力和需求的基本信息、功能信息和性能信息,采用“预选-初选-精选”层级递进的匹配方法,综合考虑设备资源本身的功能及性能参数,达到生产设备资源优化目的,优化得到的结果更接近生产实际需求。
附图说明
图1为本发明实施例的一种排产前生产设备资源配置优化方法的整体架构框图;
图2为本发明实施例的需求-能力匹配模型示意图;
图3为本发明实施例的需求-能力匹配流程示意图;
图中标记说明:1、生产任务订单输入模块;2、订单任务分解模块;3、需求能力匹配模块;4、候选能力池模块;5、候选设备集合模块;201、任务拆解模块;202、任务-能力需求映射模块。
具体实施方式
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,所描述的实施例仅仅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。
实施例1
结合图1-3所示,本发明实施例提供了一种排产前生产设备资源配置优化方法,所述方法包括如下步骤:
步骤S01:获取生产任务订单信息,并将生产任务订单信息分解为多个子任务,根据每个子任务匹配能力需求,将子任务及对应的能力需求作为子任务信息储存;
步骤S02:根据当前采集的可用制造设备资源建立初始能力池;根据子任务信息,匹配任务需求与初始能力池中的能力,筛选出完成任务所需要的能力;
步骤S03:将完成任务所需要的能力与当前可用的制造设备资源进行映射,筛选出候选能力池所对应的设备,形成候选设备集合作为正式排产时的设备输入。
本发明实施例兼顾企业生产效率和设备资源,在保证生产效率的同时最小化生产设备资源,缩减排产计划生产设备空间,提高生产设备利用率,进而优化排产结果,降低生产成本,达到降本增效的效果。
下面对本发明实施例的各个步骤进行详细描述:
在步骤S01中,获取生产任务订单信息,并将生产任务订单信息分解为多个子任务,根据每个子任务匹配能力需求,将子任务及对应的能力需求作为子任务信息储存;具体包括如下步骤:
步骤S011:采用WBS工作分解结构对生产订单进行初步分解,将生产任务订单信息分解为多个子任务,每个子任务分解到只包含一种工艺过程,形成任务子集。
步骤S012:通过能力需求本体模型CR对任务集中每个子任务进行关系映射,根据子任务的语义描述,按能力需求本体模型CR进行拆解,匹配出完成子任务对应的能力需求。
所述能力需求本体模型CR为:
CR={R_Category,R_BasicInfo,R_FuncInfo,R_PerfInfo} (1)
上式(1)中,R_Category表示能力需求的类型,包括喷涂能力需求、电镀能力需求、冲压能力需求、铸造能力需求、锻造能力需求、轧制能力需求、焊接能力需求等能力需求;R_BasicInfo表示能力需求的基本信息,包括能力需求的名称、描述信息、解释信息;R_FuncInfo表示描述能力需求的功能信息,包括功能输入/输出信息;R_PerfInfo表示能力需求的性能信息,包括执行所需时间信息、成本信息;
步骤S013:将匹配出的、完成子任务对应的能力需求作为子任务信息储存。
在步骤S02中,根据当前采集的可用制造设备资源建立初始能力池;根据子任务信息,匹配任务需求与初始能力池中的能力,筛选出完成任务所需要的能力;具体包括如下步骤:
步骤S021:构建需求-能力匹配模型,所述需求-能力匹配模型包括能力本体模型和需求-能力匹配算法;
步骤S022:将当前的制造设备资源按能力本体模型C进行能力映射,建立初始能力池;所述能力本体模型C为:
C={Category,BasicInfo,FuncInfo,PerfInfo} (2)
上式(2)中,Category表示能力的类型,包括喷涂能力、电镀能力、冲压能力、铸造能力、锻造能力、轧制能力、焊接能力等能力;BasicInfo表示能力的基本信息,包括能力的名称、描述信息、解释信息;FuncInfo表示描述能力的功能信息,包括功能输入/输出信息;PerfInfo表示能力的性能信息,包括执行所需时间信息、成本信息。
步骤S023:所述需求-能力匹配算法根据子任务信息,按照设定的需求-能力匹配流程,匹配任务需求与初始能力池中的能力,筛选出完成任务所需的能力形成候选能力池。
具体地,所述需求-能力匹配算法用于计算能力需求和能力的匹配度量,包括匹配度量、匹配度量计算方法及需求-能力匹配流程。
所述匹配度量包括本体概念匹配度、描述信息相似度、数值参量匹配度和性能匹配度;所述本体概念匹配度根据能力需求本体模型CR中的能力需求类型和能力本体模型C中的能力类型进行匹配筛选,并将匹配筛选结果作为所述描述信息相似度和所述数值参量匹配度的输入参数进行筛选匹配;所述描述信息相似度和所述数值参量匹配度筛选的结果作为所述性能匹配度的输入参数进行筛选匹配。
所述需求-能力匹配流程包括:预选匹配、初选匹配和精选匹配三个阶段;
所述预选匹配根据本体概念匹配度对能力的类型信息Category进行匹配,过滤掉能力状态不符合需求的能力、以及能力类型匹配度低于类型阈值的能力,得到预选能力集合;
所述初选匹配根据描述信息相似度和数值参量匹配度对能力的基本信息BasicInfo和功能信息FuncInfo进行综合匹配,通过需求-能力匹配算法分别计算能力的基本信息匹配度和功能信息匹配度,然后根据能力基本信息匹配度和功能信息匹配度计算综合匹配度,过滤掉能力综合匹配度低于综合匹配度阈值的能力,得到初选能力集合;
所述精选匹配根据性能匹配度对能力的性能信息PerfInfo进行匹配,通过需求-能力匹配算法计算出性能匹配度,过滤掉能力性能匹配度低于性能阈值的能力,得到最终的精选能力集合。
下面对本体概念匹配度、描述信息相似度、数值参量匹配度和性能匹配度这四个匹配度量及其计算方法进行逐一说明:
本体概念匹配度:所述本体概念匹配度用于需求和能力的类型信息匹配,所述本体概念匹配度的计算公式为:
其中,
上式(3)-(5)中,MatchConcept(c1,c2)为c1和c2两概念的本体概念匹配度;δ为可调节参数,取值为1≤δ≤2,δ的取值范围决定语义相似度的高低,两者成反比关系,δ越大,语义相似度越小;δ越小,语义相似度越大;Dis(c1,c2)为c1和c2两概念的语义距离,是通过权重分配规则,对对本体概念中第n个节点的边采用权重公式W(n)进行权重计算,并将路径所经历的各条边的权重W(n)相加得到。
描述信息相似度:所述描述信息相似度用于需求和能力的基本信息匹配,计算公式为:
Sim(CR,Ci)=α21Sim1(CR,Ci)+α22Sim2(CR,Ci) (6)
上式(6)中,Sim(CR,Ci)表示描述信息相似度;Sim1(CR,Ci)表示词形相似度;Sim2(CR,Ci)表示词长相似度;α21、α22分别表示权重,且0≤α21、α22≤1,α21+α22=1;
其中,词形相似度Sim1(CR,Ci)的计算公式为:
上式(7)中,DCR为能力需求的描述信息,为第i个能力的描述信息,为能力需求与能力的描述信息中相同的字的个数;Len(DCR)为能力需求的描述信息长度;为第i个能力的描述信息长度;为计算得到的词形相似度,其值介于0-1之间,值越大说明相似度越大;
词长相似度Sim2(CR,Ci)的计算公式为:
数值参量匹配度:所述数值参量匹配度用于对于功能信息中的数值参数进行匹配,将待匹配的两个数值参数Ai和Bi转化为两个数值区间An和Bn的形式来匹配,进而求得待匹配的两个数值参数之间的相似度大小,两个数值参数Ai和Bi的数值参量匹配度为:
上式(9)中,Ri代表第i个需求能力的数值区间,Ci代表第i个能力的数值区间,MValue(Ri,Ci)代表第i个需求能力和能力数值参量的匹配度。
性能匹配度:所述性能匹配度用于对能力的性能信息进行匹配,具体包括:对概念词属性采用词序相似度进行匹配;对数值型区间参数采用数值参量匹配度方法进行匹配;对非定量描述的模糊属性采用模糊集理论来描述模糊属性的数值大小,从而转换为数值型参数并采用数值参量匹配度方法进行匹配。
所述性能匹配度计算方法为:
首先,将能力需求和能力的性能参数依次排列构成下述性能矩阵Q:
上式(10)中,qi,i∈[1,2,...,n]表示第i个候选能力的性能参数组成的行向量,包括向量qi1,...,qim。
然后,将Q归一化为Q′:
最后,利用能力需求性能向量与能力性能向量之间的欧式距离,计算性能匹配度MatchPerf(CR,Ci):
下面对步骤S023中的需求-能力匹配流程的三个阶段(预选匹配-初选匹配-精选匹配)进行描述说明。
预选匹配:所述预选匹配根据本体概念匹配度对能力的类型信息Category进行匹配,过滤掉能力状态不符合需求的能力、以及能力类型匹配度低于类型阈值的能力,得到预选能力集合。
所述预选匹配阶段的算法具体如下:
输入:表示能力需求类型信息的能力需求CR:CR.Category,表示设定类型的匹配度εc,初始i=1,能力池中的能力个数M1;
输出:预选能力集合CS1,即从采集的可用能力池中预选出来的能力集合;
所述预选匹配的算法步骤包括:
公式则计算能力需求CR:CR.Category和能力节点Ci.Category的本体概念匹配度di,即di=MatchConcept(CR:CR.Category,Ci.Category);若di>εi,则保留能力池中的能力Ci,即CS1={Ci}∪{CS1};
采用的本体概念匹配度的计算公式如下:
上式(13)中,cri代表第i个能力需求节点;ci代表第i个能力节点;Dis(cri,ci)表示第i个能力需求和能力之间的语义距离;δ为可调节参数,取值为1≤δ≤2;
MatchConcept(cri,ci)表示第i个能力需求和能力之间的概念匹配度;
S0232.令i=i+1,若i≤M1,则转入S0231,否则转入S0233;
S0233.算法结束,返回匹配得到的预选能力集合CS1。
初选匹配:所述初选匹配根据描述信息相似度和数值参量匹配度对能力的基本信息BasicInfo和功能信息FuncInfo进行综合匹配,通过需求-能力匹配算法分别计算能力的基本信息匹配度和功能信息匹配度,然后根据能力基本信息匹配度和功能信息匹配度计算综合匹配度,过滤掉能力综合匹配度低于综合匹配度阈值的能力,得到初选能力集合。
所述初选匹配阶段中,功能信息匹配度计算过程中包含数值参数和概念词参数,功能信息匹配度Match(FuncInfo)的计算公式为:
Match(FuncInfo)=α×Match(Concept)i+β×Match(Value)i (14)
上式(14)中,Match(Concept)i表示功能信息中概念词参数的匹配度,Match(Value)i表示功能信息中数值参数的匹配度,α,β为权重,且α+β=1,0<α,β<1;
其中,概念词参数的匹配度Match(Concept)i为:
上式(15)中,CRFVi和CFVi分别表示能力需求和能力对应的第i个概念词参量,n代表功能参数中全部概念词参数的数目。
数值参数的匹配度Match(Value)i为:
上式(16)中,CRFVi和CFVi分别表示能力需求和能力对应的第i个数值参数,n代表功能参数中全部数值参数的数目。
所述初选匹配阶段的算法具体如下:
输入:根据预选匹配阶段返回的预选能力集合CS1,设定εf为预选阶段的匹配度阀值,i为CS1中的能力节点的序号(i=1,2,...,M2);
输出:初选能力集合CS2;
算法步骤包括:
S0234.对于CS1中的第i个能力节点,计算能力需求CR与Ci的功能信息匹配度Match(FuncInfo)i,若Match(FuncInfo)i>εf,则将Ci添加至CS2,即SC2={Ci}∪{SC2},否则转入S0235;
S0235.令i=i+1,若i≤M2,则转入S0234,否则转入S0236;
S0236.算法结束,返回匹配得到的初选能力集合CS2。
精选匹配:所述精选匹配根据性能匹配度对能力的性能信息PerfInfo进行匹配,通过需求-能力匹配算法计算出性能匹配度,过滤掉能力性能匹配度低于性能阈值的能力,得到最终的精选能力集合;所述精选匹配阶段的算法具体如下:
输入:根据初选阶段得到的初选能力集合CS2,设定各性能参数的权重w1,w2,...,wn,i为匹配能力集合中的能力序号(i=1,2,...,M3),初始时为i=1;设定性能匹配度阈值εp;
输出:精选能力集合CS3;
算法步骤包括:
S0237.将能力需求本体模型中的性能指标CR:R_PerfInfo和初选能力集合CS2中M2个能力的性能指标向量qi(i=1,2,...,M2)依次排列构成一个性能矩阵Q,将Q归一化得Q′,从矩阵Q′取出能力需求性能向量p={p1,p2,...,pm};
S0238.对于Q′中第i行向量q′i,计算q′i与能力需求性能向量p的匹配度,若性能匹配度MatchPerf(CR,Ci)>εp,则将Ci添加至CS3,即SC3={Ci}∪{SC3};
S0239.令i=i+1,若i≤M3,则转入S0238,否则转入S02310;
S02310.算法结束,返回相应的精选能力集合CS3。
上述精选能力集合CS3即为步骤S02最终筛选出的完成任务所需要的能力,并在步骤S03中,将完成任务所需要的能力(精选能力集合CS3)与当前可用的制造设备资源进行映射,便可筛选出候选能力池所对应的设备,形成候选设备集合作为正式排产时的设备输入。
实施例2
本发明实施例提供了一种排产前生产设备资源配置优化系统,用于执行实施例1所述的方法,所述系统包括:
生产任务订单输入模块1:储存生产任务订单信息,并将生产任务订单信息输入给订单任务分解模块;
订单任务分解模块2:将生产任务订单信息分解为多个子任务,根据每个子任务匹配能力需求,将子任务及对应的能力需求作为子任务信息储存,并将子任务信息输入需求能力匹配模块;
需求能力匹配模块3:根据当前采集的可用制造设备资源建立初始能力池;根据子任务信息,匹配任务需求与初始能力池中的能力,筛选出完成任务所需要的能力并输入候选能力池模块;
候选能力池模块4:储存有设备集合,将完成任务所需要的能力与当前可用的制造设备资源进行映射,筛选出候选能力池所对应的设备并输入候选设备集合模块;
候选设备集合模块5:储存候选能力池模块筛选出来的设备,作为正式排产时的设备输入。
具体地,所述订单任务分解模块2包括任务拆解模块201和任务-能力需求映射模块202。
所述任务拆解模块201用于将接收的生产任务订单信息分解为多个子任务并传输给任务-能力需求映射模块;
所述任务-能力需求映射模块202包括能力需求本体模型CR,所述能力需求本体模型CR对任务集中每个子任务进行关系映射,根据子任务的语义描述,按能力需求本体模型CR进行拆解,匹配出完成子任务对应的能力需求,并将映射得到的能力需求信息输入需求能力匹配模块。
所述需求能力匹配模块3包括需求-能力匹配模型;所述需求-能力匹配模型包括能力本体模型和需求-能力匹配算法。
所述能力本体模型用于将当前的制造设备资源进行能力映射,建立初始能力池;
所述需求-能力匹配算法设置有匹配度量、匹配度量计算方法及需求-能力匹配流程;
所述需求能力匹配模块根据订单任务分解模块输出的能力需求信息和能力本体模型建立的初始能力池,通过需求-能力匹配算法按照预设的需求-能力匹配流程,匹配筛选出完成任务所需要的能力并输入候选能力池模块形成能力集合。
以上所述仅为本发明的实施例而已,并不用以限制本发明。凡在本发明的申请范围内所做的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种排产前生产设备资源配置优化方法,其特征在于,所述方法包括如下步骤:
步骤S01:获取生产任务订单信息,并将生产任务订单信息分解为多个子任务,根据每个子任务匹配能力需求,将子任务及对应的能力需求作为子任务信息储存;
步骤S02:根据当前采集的可用制造设备资源建立初始能力池;根据子任务信息,匹配任务需求与初始能力池中的能力,筛选出完成任务所需要的能力形成候选能力池;
步骤S03:将候选能力池中完成任务所需要的能力与当前可用的制造设备资源进行映射,筛选出候选能力池所对应的设备,形成候选设备集合作为正式排产时的设备输入。
2.根据权利要求1所述的方法,其特征在于,所述步骤S01具体包括如下步骤:
步骤S011:采用WBS工作分解结构对生产订单进行初步分解,将生产任务订单信息分解为多个子任务,每个子任务分解到只包含一种工艺过程,形成任务子集;
步骤S012:通过能力需求本体模型CR对任务集中每个子任务进行关系映射,根据子任务的语义描述,按能力需求本体模型CR进行拆解,匹配出完成子任务对应的能力需求;
所述能力需求本体模型CR为:
CR={R_Category,R_BasicInfo,R_FuncInfo,R_PerfInfo}
上式中,R_Category表示能力需求的类型,包括喷涂能力需求、电镀能力需求、冲压能力需求、铸造能力需求、锻造能力需求、轧制能力需求、焊接能力需求;
R_BasicInfo表示能力需求的基本信息,包括能力需求的名称、描述信息、解释信息;
R_FuncInfo表示描述能力需求的功能信息,包括功能输入/输出信息;
R_PerfInfo表示能力需求的性能信息,包括执行所需时间信息、成本信息;
步骤S013:将匹配出的、完成子任务对应的能力需求作为子任务信息储存。
3.根据权利要求2所述的方法,其特征在于,所述步骤S02具体包括:
步骤S021:构建需求-能力匹配模型,所述需求-能力匹配模型包括能力本体模型和需求-能力匹配算法;
步骤S022:将当前的制造设备资源按能力本体模型C进行能力映射,建立初始能力池;
步骤S023:所述需求-能力匹配算法根据子任务信息,按照设定的需求-能力匹配流程,匹配任务需求与初始能力池中的能力,筛选出完成任务所需的能力形成候选能力池;
其中,所述能力本体模型C为:
C={Category,BasicInfo,FuncInfo,PerfInfo}
上式中,Category表示能力的类型,包括喷涂能力、电镀能力、冲压能力、铸造能力、锻造能力、轧制能力、焊接能力;
BasicInfo表示能力的基本信息,包括能力的名称、描述信息、解释信息;
FuncInfo表示描述能力的功能信息,包括功能输入/输出信息;
PerfInfo表示能力的性能信息,包括执行所需时间信息、成本信息;
所述需求-能力匹配算法用于计算能力需求和能力的匹配度量,包括匹配度量、匹配度量计算方法及需求-能力匹配流程;
所述匹配度量包括本体概念匹配度、描述信息相似度、数值参量匹配度和性能匹配度;
所述本体概念匹配度根据能力需求本体模型CR中的能力需求类型和能力本体模型C中的能力类型进行匹配筛选,并将匹配筛选结果作为所述描述信息相似度和所述数值参量匹配度的输入参数进行筛选匹配;所述描述信息相似度和所述数值参量匹配度筛选的结果作为所述性能匹配度的输入参数进行筛选匹配;
所述需求-能力匹配流程包括预选匹配、初选匹配和精选匹配三个阶段;
所述预选匹配根据本体概念匹配度对能力的类型信息Category进行匹配,过滤掉能力状态不符合需求的能力、以及能力类型匹配度低于类型阈值的能力,得到预选能力集合;
所述初选匹配根据描述信息相似度和数值参量匹配度对能力的基本信息BasicInfo和功能信息FuncInfo进行综合匹配,通过需求-能力匹配算法分别计算能力的基本信息匹配度和功能信息匹配度,然后根据能力基本信息匹配度和功能信息匹配度计算综合匹配度,过滤掉能力综合匹配度低于综合匹配度阈值的能力,得到初选能力集合;
所述精选匹配根据性能匹配度对能力的性能信息PerfInfo进行匹配,通过需求-能力匹配算法计算出性能匹配度,过滤掉能力性能匹配度低于性能阈值的能力,得到最终的精选能力集合。
5.根据权利要求3所述的方法,其特征在于,所述描述信息相似度用于需求和能力的基本信息匹配,计算公式为:
Sim(CR,Ci)=α21Sim1(CR,Ci)+α22Sim2(CR,Ci)
上式中,Sim1(CR,Ci)表示词形相似度,Sim2(CR,Ci)表示词长相似度,α21,α22分别表示权重,且0≤α21,α22≤1,α21+α22=1;
其中,词形相似度Sim1(CR,Ci)的计算公式为:
上式中,DCR为能力需求的描述信息,为第i个能力的描述信息,为能力需求与能力的描述信息中相同的字的个数;Len(DCR)为能力需求的描述信息长度;为第i个能力的描述信息长度;为计算得到的词形相似度,其值介于0-1之间,值越大说明相似度越大;
词长相似度Sim2(CR,Ci)的计算公式为:
7.根据权利要求3所述的方法,其特征在于,所述性能匹配度用于对能力的性能信息进行匹配,具体包括:对概念词属性采用词序相似度进行匹配;对数值型区间参数采用数值参量匹配度方法进行匹配;对非定量描述的模糊属性采用模糊集理论来描述模糊属性的数值大小,从而转换为数值型参数并采用数值参量匹配度方法进行匹配;
所述性能匹配度计算方法为:
首先,将能力需求和能力的性能参数依次排列构成下述性能矩阵Q:
上式中,qi,i∈[1,2,...,n]表示第i个候选能力的性能参数组成的行向量,包括向量qi1,...,qim;
然后,将Q归一化为Q′:
最后,利用能力需求性能向量与能力性能向量之间的欧式距离,计算性能匹配度MatchPerf(CR,Ci):
8.根据权利要求3所述的方法,其特征在于,所述预选匹配阶段的算法具体如下:
输入:表示能力需求类型信息的能力需求CR:R_Category,表示设定类型的匹配度εc,初始i=1,能力池中的能力个数M1;
输出:预选能力集合CS1,即从采集的可用能力池中预选出来的能力集合;
算法步骤包括:
S0231.若能力池则第i个能力Ci∈CPool,根据本体概念匹配度的计算公式则计算能力需求CR:R_Category和能力节点Ci.Category的本体概念匹配度di,即di=MatchConcept(CR:R_Category,Ci.Category);若di>εi,则保留能力池中的能力Ci,即CS1={Ci}∪{CS1};
采用的本体概念匹配度的计算公式如下:
上式中,cri代表第i个能力需求节点;ci代表第i个能力节点;Dis(cri,ci)表示第i个能力需求和能力之间的语义距离;δ为可调节参数,取值为1≤δ≤2;MatchConcept(cri,ci)表示第i个能力需求和能力之间的概念匹配度;
S0232.令i=i+1,若i≤M1,则转入S0231,否则转入S0233;
S0233.算法结束,返回匹配得到的预选能力集合CS1;
所述初选匹配阶段中,功能信息匹配度计算过程中包含数值参数和概念词参数,功能信息匹配度Match(FuncInfo)的计算公式为:
Match(FuncInfo)=α×Match(Concept)i+β×Match(Value)i
上式中,Match(Concept)i表示功能信息中概念词参数的匹配度,Match(Value)i表示功能信息中数值参数的匹配度,α,β为权重,且α+β=1,0<α,β<1;
其中,概念词参数的匹配度Match(Concept)i为:
上式中,CRFVi和CFVi分别表示能力需求和能力对应的第i个概念词参量,n代表功能参数中全部概念词参数的数目;
数值参数的匹配度Match(Value)i为:
上式中,CRFVi和CFVi分别表示能力需求和能力对应的第i个数值参数,n代表功能参数中全部数值参数的数目;
所述初选匹配阶段的算法具体如下:
输入:根据预选匹配阶段返回的预选能力集合CS1,设定εf为预选阶段的匹配度阀值,i为CS1中的能力节点的序号(i=1,2,...,M2);
输出:初选能力集合CS2;
算法步骤包括:
S0234.对于CS1中的第i个能力节点,计算能力需求CR与Ci的功能信息匹配度Match(FuncInfo)i,若Match(FuncInfo)i>εf,则将Ci添加至CS2,即SC2={Ci}∪{SC2},否则转入S0235;
S0235.令i=i+1,若i≤M2,则转入S0234,否则转入S0236;
S0236.算法结束,返回匹配得到的初选能力集合CS2;
所述精选匹配阶段的算法具体如下:
输入:根据初选阶段得到的初选能力集合CS2,设定各性能参数的权重w1,w2,...,wn,i为匹配能力集合中的能力序号(i=1,2,...,M3),初始时为i=1;设定性能匹配度阈值εp;
输出:精选能力集合CS3;
算法步骤包括:
S0237.将能力需求本体模型中的性能指标CR:R_PerfInfo和初选能力集合CS2中M2个能力的性能指标向量qi(i=1,2,...,M2)依次排列构成一个性能矩阵Q,将Q归一化得Q′,从矩阵Q′取出能力需求性能向量p={p1,p2,...,pm};
S0238.对于Q′中第i行向量qi′,计算qi′与能力需求性能向量p的匹配度,若性能匹配度MatchPerf(CR,Ci)>εp,则将Ci添加至CS3,即SC3={Ci}∪{SC3};
S0239.令i=i+1,若i≤M3,则转入S0238,否则转入S02310;
S02310.算法结束,返回相应的精选能力集合CS3。
9.一种排产前生产设备资源配置优化系统,用于执行如权利要求1-8所述的方法,其特征在于,所述系统包括:
生产任务订单输入模块:储存生产任务订单信息,并将生产任务订单信息输入给订单任务分解模块;
订单任务分解模块:将生产任务订单信息分解为多个子任务,根据每个子任务匹配能力需求,将子任务及对应的能力需求作为子任务信息储存,并将子任务信息输入需求能力匹配模块;
需求能力匹配模块:根据当前采集的可用制造设备资源建立初始能力池;根据子任务信息,匹配任务需求与初始能力池中的能力,筛选出完成任务所需要的能力并输入候选能力池模块;
候选能力池模块:储存有设备集合,将完成任务所需要的能力与当前可用的制造设备资源进行映射,筛选出候选能力池所对应的设备并输入候选设备集合模块;
候选设备集合模块:储存候选能力池模块筛选出来的设备,作为正式排产时的设备输入。
10.根据权利要求9所述的系统,其特征在于,所述订单任务分解模块包括任务拆解模块和任务-能力需求映射模块;
所述任务拆解模块用于将接收的生产任务订单信息分解为多个子任务并传输给任务-能力需求映射模块;
所述任务-能力需求映射模块包括能力需求本体模型CR,所述能力需求本体模型CR对任务集中每个子任务进行关系映射,根据子任务的语义描述,按能力需求本体模型CR进行拆解,匹配出完成子任务对应的能力需求,并将映射得到的能力需求信息输入需求能力匹配模块;
所述需求能力匹配模块包括需求-能力匹配模型;
所述需求-能力匹配模型包括能力本体模型和需求-能力匹配算法;
所述能力本体模型用于将当前的制造设备资源进行能力映射,建立初始能力池;
所述需求-能力匹配算法设置有匹配度量、匹配度量计算方法及需求-能力匹配流程;
所述需求能力匹配模块根据订单任务分解模块输出的能力需求信息和能力本体模型建立的初始能力池,通过需求-能力匹配算法按照预设的需求-能力匹配流程,匹配筛选出完成任务所需要的能力并输入候选能力池模块形成能力集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310180311.XA CN116128247A (zh) | 2023-02-15 | 2023-02-15 | 一种排产前生产设备资源配置优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310180311.XA CN116128247A (zh) | 2023-02-15 | 2023-02-15 | 一种排产前生产设备资源配置优化方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116128247A true CN116128247A (zh) | 2023-05-16 |
Family
ID=86301054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310180311.XA Pending CN116128247A (zh) | 2023-02-15 | 2023-02-15 | 一种排产前生产设备资源配置优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128247A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663858A (zh) * | 2023-07-25 | 2023-08-29 | 武汉新威奇科技有限公司 | 一种基于需求匹配的螺旋压力机资源调度方法及系统 |
-
2023
- 2023-02-15 CN CN202310180311.XA patent/CN116128247A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116663858A (zh) * | 2023-07-25 | 2023-08-29 | 武汉新威奇科技有限公司 | 一种基于需求匹配的螺旋压力机资源调度方法及系统 |
CN116663858B (zh) * | 2023-07-25 | 2023-10-24 | 武汉新威奇科技有限公司 | 一种基于需求匹配的螺旋压力机资源调度方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210373888A1 (en) | Multi-objective optimization method and system for master production plan of casting parallel workshops | |
Karimi et al. | QoS-aware service composition in cloud computing using data mining techniques and genetic algorithm | |
Xu et al. | Fuzzy optimal allocation model for task–resource assignment problem in a collaborative logistics network | |
CN111756653B (zh) | 基于图神经网络深度强化学习的多coflow调度方法 | |
CN108989098B (zh) | 一种混合云环境面向时延优化的科学工作流数据布局方法 | |
CN109165808B (zh) | 一种电力通信网现场运维工单派发方法 | |
CN113792924A (zh) | 一种基于Deep Q-network深度强化学习的单件作业车间调度方法 | |
CN86101057A (zh) | 用于有效地分配资源的方法和设备 | |
CN116128247A (zh) | 一种排产前生产设备资源配置优化方法及系统 | |
Rkhami et al. | On the use of graph neural networks for virtual network embedding | |
CN111680452A (zh) | 基于全要素数据挖掘的电网工程精准投资决策仿真方法 | |
Von Lucken et al. | Pump scheduling optimization using asynchronous parallel evolutionary algorithms | |
CN110363244A (zh) | 一种营销数据处理的方法和装置 | |
CN116822217A (zh) | 一种考虑工时不确定性的人机双资源约束多目标生产调度方法 | |
Cervellera et al. | Policy optimization for berth allocation problems | |
Rao | Flexible manufacturing system selection using an improved compromise ranking method | |
Kong et al. | Energy saving strategy for task migration based on genetic algorithm | |
Xun et al. | Distributed tasks-platforms scheduling method to holonic-C2 organization | |
Liu et al. | Multi-objective adaptive large neighbourhood search algorithm for dynamic flexible job shop schedule problem with transportation resource | |
Sharma et al. | EVALUATION OF ASSEMBLY LINE BALANCING METHODS USING AN ANALYTICAL HIERARCHY PROCESS (AHP) AND TECHNIQUE FOR ORDER PREFERENCES BY SIMILARITY TO IDEAL SOLUTION (TOPSIS) BASED APPROACH. | |
Xu et al. | A nsga based on-site operation and maintenance smart scheduling method | |
CN110689320A (zh) | 一种基于协同进化算法的大规模多目标项目调度方法 | |
Sun et al. | An intelligent resource allocation mechanism in the cloud computing environment | |
Zhou | A Heuristic Task Scheduling Strategy for Intelligent Manufacturing in the Big Data‐Driven Fog Computing Environment | |
CN112070200A (zh) | 一种谐波群优化方法及其应用 |
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 |