CN116523249A - 一种生产线确定方法、装置、设备和存储介质 - Google Patents
一种生产线确定方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN116523249A CN116523249A CN202310512111.XA CN202310512111A CN116523249A CN 116523249 A CN116523249 A CN 116523249A CN 202310512111 A CN202310512111 A CN 202310512111A CN 116523249 A CN116523249 A CN 116523249A
- Authority
- CN
- China
- Prior art keywords
- production
- current
- production environment
- rule
- scheduling rule
- 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 628
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 72
- 238000012163 sequencing technique Methods 0.000 claims abstract description 46
- 230000006870 function Effects 0.000 claims description 29
- 238000004088 simulation Methods 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003754 machining Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003780 insertion Methods 0.000 description 3
- 230000037431 insertion Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 206010012186 Delayed delivery Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- 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)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种生产线确定方法、装置、设备和存储介质,该方法包括:对当前生产环境进行状态表示,得到当前生产环境状态,当前生产环境状态包括当前生产环境中当前生产设备的利用率、当前候选订单的订单生产率、加工时间比值、剩余加工时间比值以及延迟时间比值;将当前生产环境中的当前生产环境状态输入预先训练好的规则确定模型中,以使规则确定模型根据当前生产环境状态,将第一调度规则、第二调度规则、第三调度规则或者第四调度规则中奖励值最大的确定为当前调度规则;基于当前调度规则对当前生产环境状态中的各生产工序进行排序,得到目标生产线。上述技术方案,降低对生产工序进行排序的计算复杂度,缩短生产工序排序所需的时间。
Description
技术领域
本发明涉及工业制造技术领域,尤其涉及一种生产线确定方法、装置、设备和存储介质。
背景技术
现代工业企业生产环节中,加强生产调度工作,对于及时了解、掌握生产进度,研究分析影响生产的各种因素,根据不同情况采取相应对策,使差距缩小或恢复正常是非常重要的。
现有技术中,通过深度强化学习算法可以实现生产调度中的单机调度,并行机调度,流水调度等方法,解决了生产调度工作中的工序问题。
然而,实际生产环境中工业加工状况复杂,在进行生产调度工作的过程中易受到外界因素干扰而降低生产调度工作的效率,对生产调度工作的进行造成了一定的影响。
发明内容
本发明提供了一种生产线确定方法,以解决生产调度的过程中生产调度效率低的问题,降低了进行生产调度工作的难度,提高了生产效率。
根据本发明的一方面,提供了一种生产线确定方法,包括:
对当前生产环境进行状态表示,得到当前生产环境状态,其中,所述当前生产环境状态包括所述当前生产环境中当前生产设备的利用率、当前候选订单的订单生产率、加工时间比值、剩余加工时间比值以及延迟时间比值;
将所述当前生产环境中的所述当前生产环境状态输入预先训练好的规则确定模型中,以使所述规则确定模型根据所述当前生产环境状态,将第一调度规则、第二调度规则、第三调度规则或者第四调度规则中奖励值最大的确定为当前调度规则;
基于所述当前调度规则对所述当前生产环境状态中的各生产工序进行排序,得到目标生产线。
进一步地,在对当前生产环境进行状态表示之前,还包括:根据实际生产环境构建模拟生产仿真环境。
进一步地,还包括:在所述模拟生产仿真环境中对生产环境进行状态表示得到生产环境状态以及构建奖励函数之后,根据所述生产环境状态和所述奖励函数构建待训练的规则确定模型,其中,所述生产环境状态包括所述生产环境中生产设备的利用率、候选订单的订单生产率、加工时间比值、剩余加工时间比值以及延迟时间比值,所述奖励函数是由所有候选订单的交货期与预计完成时间的差值确定的;对所述待训练的规则确定模型进行模型训练,使其学习到用于获得最大奖励值的规则确定策略,得到预先训练好的规则确定模型。
进一步地,在所述模拟生产仿真环境中对生产环境进行状态表示得到生产环境状态之前,还包括:根据所述候选订单确定待生产物品,并确定生产所述待生产物品所需的所述生产设备。
进一步地,还包括:确定所述生产环境中各生产设备上所加工工序的完工时间、各生产设备上已分配加工工序的平均完成时间、各候选订单的延迟状态、以及候选订单的数量。
进一步地,所述第一调度规则为:各所述候选订单的延迟状态均为无延迟时,将剩余加工时间最小的候选订单分配给完工时间最早的生产设备;所述第二调度规则为:各所述候选订单的延迟状态均为无延迟时,将剩余处理时间最小的候选订单分配给设备负载率最小的生产设备;所述第三调度规则为:任一候选订单的延迟状态为延迟时,将预测延迟率最大的延迟订单分配给完工时间最早的生产设备;所述第四调度规则为:任一候选订单的延迟状态为延迟时,将延迟时间与剩余加工时间的乘积最大的延迟订单分配给设备负载率最小的生产设备。
进一步地,将所述当前生产环境中的所述当前生产环境状态输入预先训练好的规则确定模型中,以使所述规则确定模型根据所述当前生产环境状态,将第一调度规则、第二调度规则、第三调度规则或者第四调度规则中奖励值最大的确定为当前调度规则,包括:按照所述第一调度规则对所述生产环境状态中的各所述生产工序进行排序,得到第一生产线,并根据生产系统基于所述第一生产线进行运行时所有候选订单的交货期与预计完成时间的第一差值确定第一奖励值;按照所述第二调度规则对所述生产环境状态中的各所述生产工序进行排序,得到第二生产线,并根据所述生产系统基于所述第二生产线进行运行时所有候选订单的交货期与预计完成时间的第二差值确定第二奖励值;按照所述第三调度规则对所述生产环境状态中的各所述生产工序进行排序,得到第三生产线,并根据所述生产系统基于所述第三生产线进行运行时所有候选订单的交货期与预计完成时间的第三差值确定第三奖励值;按照所述第四调度规则对所述生产环境状态中的各所述生产工序进行排序,得到第四生产线,并根据所述生产系统基于所述第四生产线进行运行时所有候选订单的交货期与预计完成时间的第四差值确定第四奖励值;比较所述第一奖励值、所述第二奖励值、所述第三奖励值和所述第四奖励值,并将最大奖励值对应的调度规则确定为当前调度规则。
根据本发明的另一方面,提供了一种生产线确定装置,包括:
表示模块,用于对当前生产环境进行状态表示,得到当前生产环境状态,其中,所述当前生产环境状态包括所述当前生产环境中当前生产设备的利用率、当前候选订单的订单生产率、加工时间比值、剩余加工时间比值以及延迟时间比值;
确定模块,用于将所述当前生产环境中的所述当前生产环境状态输入预先训练好的规则确定模型中,以使所述规则确定模型根据所述当前生产环境状态,将第一调度规则、第二调度规则、第三调度规则或者第四调度规则中奖励值最大的确定为当前调度规则;
执行模块,用于基于所述当前调度规则对所述当前生产环境状态中的各生产工序进行排序,得到目标生产线。
根据本发明的另一方面,提供了一种计算机设备,所述计算机设备包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述任一项所述的生产线确定方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的生产线确定方法。
本发明实施例的技术方案,提供一种生产线确定方法,该方法包括:对当前生产环境进行状态表示,得到当前生产环境状态,其中,所述当前生产环境状态包括所述当前生产环境中当前生产设备的利用率、当前候选订单的订单生产率、加工时间比值、剩余加工时间比值以及延迟时间比值;将所述当前生产环境中的所述当前生产环境状态输入预先训练好的规则确定模型中,以使所述规则确定模型根据所述当前生产环境状态,将第一调度规则、第二调度规则、第三调度规则或者第四调度规则中奖励值最大的确定为当前调度规则;基于所述当前调度规则对所述当前生产环境状态中的各生产工序进行排序,得到目标生产线。上述技术方案,对当前生产环境进行状态表示得到的当前生产环境状态可以体现当前生产环境的现状,当前生产环境的现状为确定适用于当前生产环境的调度规则提供数据基础,将当前生产环境状态输入规则确定模型,规则确定模型可以确定当前生产环境中用于对生产工序进行排序的当前调度规则,进而可以基于当前调度规则对当前生产环境状态中的各生产工序进行排序,得到目标生产线,降低对生产工序进行排序的计算复杂度,缩短生产工序排序所需的时间。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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为本发明实施例一提供的一种生产线确定方法的流程图;
图2为本发明实施例二提供的另一种生产线确定方法的流程图;
图3为本发明实施例三提供的一种生产线确定装置的结构示意图;
图4为本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种生产线确定方法的流程图,本实施例可适用于难以进行生产调度的情况,该方法可以由生产线确定装置来执行,该生产线确定装置可以采用硬件和/或软件的形式实现。如图1所示,该方法包括:
S110、对当前生产环境进行状态表示,得到当前生产环境状态。
其中,所述当前生产环境状态包括所述当前生产环境中当前生产设备的利用率、当前候选订单的订单生产率、加工时间比值、剩余加工时间比值以及延迟时间比值。
具体地,可以在根据实际生产环境构建模拟生产仿真环境中对当前生产环境进行状态表示,得到当前生产环境内的当前生产环境状态。具体而言,可以根据当前生产环境中正在生产的订单数量与总订单数量之比确定订单生产率,可以根据当前生产环境中正在运行的生产设备数量和总设备数量之比确定设备利用率,可以根据当前生产环境中各候选订单中最小加工时间与最大加工时间的比值确定候选订单加工时间比值,可以根据当前生产环境中各候选订单中最小剩余加工时间与最大剩余加工时间的比值确定候选订单剩余加工时间比值,可以根据当前生产环境中各候选订单中最小延迟时间与最大延迟时间的比值确定各候选订单延迟时间比值。
本发明实施例中,对当前生产环境进行状态表示得到的当前生产环境状态可以体现当前生产环境的现状,当前生产环境的现状为确定适用于当前生产环境的调度规则提供数据基础。
S120、将所述当前生产环境中的所述当前生产环境状态输入预先训练好的规则确定模型中,以使所述规则确定模型根据所述当前生产环境状态,将第一调度规则、第二调度规则、第三调度规则或者第四调度规则中奖励值最大的确定为当前调度规则。
规则确定模型可以深度强化学习模型,深度强化学习模型具备灵活的奖励机制和强大的学习能力,其中的奖励可以集成多种目标,从而确定损失最优化的目标。预先训练好的规则确定模型可以用于根据生产环境对应的生产环境状态,确定生产环境对应的调度规则。
所述第一调度规则为:各所述候选订单的延迟状态均为无延迟时,将剩余加工时间最小的候选订单分配给完工时间最早的生产设备;所述第二调度规则为:各所述候选订单的延迟状态均为无延迟时,将剩余处理时间最小的候选订单分配给设备负载率最小的生产设备;所述第三调度规则为:任一候选订单的延迟状态为延迟时,将预测延迟率最大的延迟订单分配给完工时间最早的生产设备;所述第四调度规则为:任一候选订单的延迟状态为延迟时,将延迟时间与剩余加工时间的乘积最大的延迟订单分配给设备负载率最小的生产设备。
具体地,规则确定模型的输入信息可以为当前生产环境中的当前生产环境状态,损失函数可以为由所有候选订单的交货期与预计完成时间的差值确定的奖励函数,输出可以为当前生产环境中的当前调度规则。将当前生产环境中的当前生产环境状态输入预先训练好的规则确定模型后,规则确定模型可以基于第一调度规则对当前生产环境状态中的各生产工序进行排序,得到第一生产线,还可以基于第二调度规则对当前生产环境状态中的各生产工序进行排序,得到第二生产线,还可以基于第三调度规则对当前生产环境状态中的各生产工序进行排序,得到第三生产线,还可以基于第四调度规则对当前生产环境状态中的各生产工序进行排序,得到第四生产线。进而,可以根据生产系统基于第一生产线进行运行时所有候选订单的交货期与预计完成时间的第一差值确定第一奖励值,还可以根据生产系统基于第二生产线进行运行时所有候选订单的交货期与预计完成时间的第二差值确定第二奖励值,还可以根据生产系统基于第三生产线进行运行时所有候选订单的交货期与预计完成时间的第三差值确定第三奖励值,还可以根据生产系统基于第四生产线进行运行时所有候选订单的交货期与预计完成时间的第四差值确定第四奖励值。
生产系统基于生产线进行运行时所有候选订单的交货期与预计完成时间的差值往往为负数,因此,候选订单的交货期与预计完成时间的差值越大,即奖励值越大,表明该调度规则越合适。因此,比较第一奖励值、第二奖励值、第三奖励值和第四奖励值,并将最大奖励值对应的调度规则确定为当前调度规则。
本发明实施例中,将当前生产环境状态输入规则确定模型,规则确定模型可以确定当前生产环境中用于对生产工序进行排序的当前调度规则,当前调度规则可以用于对当前生产环境中的当前生产工序进行排序,降低对生产工序进行排序的计算复杂度,缩短生产工序排序所需的时间。
S130、基于所述当前调度规则对所述当前生产环境状态中的各生产工序进行排序,得到目标生产线。
当前调度规则可以为第一调度规则、第二调度规则、第三调度规则或者第四调度规则,当前调度规则为第一调度规则时,可以将剩余加工时间最小的候选订单分配给完工时间最早的生产设备,以对当前生产环境状态中的各生产工序进行排序,得到目标生产线;当前调度规则为第二调度规则时,可以将剩余处理时间最小的候选订单分配给设备负载率最小的生产设备,以对当前生产环境状态中的各生产工序进行排序,得到目标生产线;当前调度规则为第三调度规则时,可以将预测延迟率最大的延迟订单分配给完工时间最早的生产设备,以对当前生产环境状态中的各生产工序进行排序,得到目标生产线;当前调度规则为第四调度规则时,可以将延迟时间与剩余加工时间的乘积最大的延迟订单分配给设备负载率最小的生产设备,以对当前生产环境状态中的各生产工序进行排序,得到目标生产线。
本实施例中,在根据规则确定模型确定当前调度规则后,可以基于当前调度规则对当前生产环境状态中的各生产工序进行排序,得到目标生产线,实现生产调度。
本发明实施例提供的生产线确定方法,包括:对当前生产环境进行状态表示,得到当前生产环境状态,其中,所述当前生产环境状态包括所述当前生产环境中当前生产设备的利用率、当前候选订单的订单生产率、加工时间比值、剩余加工时间比值以及延迟时间比值;将所述当前生产环境中的所述当前生产环境状态输入预先训练好的规则确定模型中,以使所述规则确定模型根据所述当前生产环境状态,将第一调度规则、第二调度规则、第三调度规则或者第四调度规则中奖励值最大的确定为当前调度规则;基于所述当前调度规则对所述当前生产环境状态中的各生产工序进行排序,得到目标生产线。上述技术方案,对当前生产环境进行状态表示得到的当前生产环境状态可以体现当前生产环境的现状,当前生产环境的现状为确定适用于当前生产环境的调度规则提供数据基础,将当前生产环境状态输入规则确定模型,规则确定模型可以确定当前生产环境中用于对生产工序进行排序的当前调度规则,进而可以基于当前调度规则对当前生产环境状态中的各生产工序进行排序,得到目标生产线,降低对生产工序进行排序的计算复杂度,缩短生产工序排序所需的时间。
实施例二
图2为本发明实施例二提供的一种生产线确定方法的流程图,进一步说明本发明实施例提供的生产线确定方法。如图2所示,该方法包括:
S210、根据实际生产环境构建模拟生产仿真环境。
具体地,首先需要根据实际生产环境构建模拟生产仿真环境,在模拟生产仿真环境中,可以模拟仿真生产环境,并确定生产环境中的生产情况。当然,还可以模拟仿真候选订单插入后的生产完成情况,例如,可以模拟仿真候选订单插入后的开始生产时间、结束生产时间等,进而可以在模拟仿真环境中确定候选订单插入后交货期与预计完成时间的差值。
本发明实施例中,通过对实际生产环境仿真模拟构建的模拟生产仿真环境,可以实现对实际生产环境的仿真模拟,并且提供用于确定生产环境对应的生产线的模拟仿真平台。
S220、在模拟生产仿真环境中对生产环境进行状态表示得到生产环境状态以及构建奖励函数之后,根据所述生产环境状态和所述奖励函数构建待训练的规则确定模型。
其中,所述生产环境状态包括所述生产环境中生产设备的利用率、候选订单的订单生产率、加工时间比值、剩余加工时间比值以及延迟时间比值。
一种实施方式中,可以根据所述候选订单确定待生产物品,并确定生产所述待生产物品所需的所述生产设备。
候选订单可以包括应该生产的物品,即待生产物品。在根据候选订单确定待生产物品后,可以确定生产待生产物品所需的资源,即可以确定待生产物品对应的生产人员、生产设备、生产材料和生产工件。
在实际应用中,如果需要将任一候选订单插入已排布的候选订单序列中,则需要重新确定待生产物品,并确定生产待生产物品所需的资源,即可以确定待生产物品对应的生产人员、生产设备、生产材料和生产工件。
一种实施方式中,奖励函数是由所有候选订单的交货期与预计完成时间的差值确定的。
具体地,在模拟生产仿真环境中可以根据生产环境中正在生产的订单数量与总订单数量之比确定订单生产率,即可以确定订单生产率其中,nt表示生产环境中的正在生产的订单数量,n表示生产环境中总订单数量;可以根据生产环境中正在运行的生产设备数量和总设备数量之比确定设备利用率,即可以确定设备利用率/>其中,m1表示生产环境中正在运行的生产设备数量,m表示生产环境中总设备数量;可以根据生产环境中各候选订单中最小加工时间与最大加工时间的比值确定候选订单加工时间比值,即可以确定各候选订单加工时间比值/>其中,Si表示生产环境中各候选订单的加工时间;可以根据生产环境中各候选订单中最小剩余加工时间与最大剩余加工时间的比值确定候选订单剩余加工时间比值,即可以确定各候选订单剩余加工时间比值/>其中,Di为生产环境中各候选订单的交付时间,t为当前时刻;可以根据生产环境中各候选订单中最小延迟时间与最大延迟时间的比值确定各候选订单延迟时间比值,即可以确定各候选订单延迟时间比值/>其中,Di为生产环境中各候选订单的交付时间,t为当前时刻。
基于调度规则对生产环境状态中的各生产工序进行排序得到生产线后,基于该生产线生产候选订单中待生产物品时,候选订单的交货期与预计完成时间的差值为Di-ECi(t),其中,Di为候选订单的交付时间,ECi(t)为候选订单的预计完成时间。奖励函数可以理解为由所有候选订单的交货期与预计完成时间的差值确定的,因此,可以确定奖励函数为所有候选订单的交货期与预计完成时间的差值的和值,即可以确定奖励函数为其中,n表示生产环境中总订单数量。由于候选订单的交货期与预计完成时间的差值往往为负数,因此,奖励值越大,即所有候选订单的交货期与预计完成时间的差值的和值越大,调度规则越符合实际需求。
本实施例中,对生产环境进行状态表示得到的生产环境状态可以体现生产环境的现状,生产环境的现状为确定适用于生产环境的调度规则提供数据基础,基于调度规则对生产环境状态中的各生产工序进行排序得到生产线后,可以基于该生产线生产候选订单中待生产物品时候选订单的交货期与预计完成时间的差值构建奖励函数。将生产环境状态作为深度强度学习模型的输入信息,将奖励函数作为深度强化学习模型的损失函数,可以构建用于确定任一生产环境下的调度规则的规则确定模型。
S230、对所述待训练的规则确定模型进行模型训练,使其学习到用于获得最大奖励值的规则确定策略,得到预先训练好的规则确定模型。
待训练的规则确定模型中可以内置有多种调度规则,例如,可以内置有第一调度规则、第二调度规则、第三调度规则和第四调度规则。所述第一调度规则为:将剩余加工时间最小的候选订单分配给完工时间最早的生产设备;所述第二调度规则为:将剩余处理时间最小的候选订单分配给设备负载率最小的生产设备;所述第三调度规则为:将预测延迟率最大的延迟订单分配给完工时间最早的生产设备;所述第四调度规则为:将延迟时间与剩余加工时间的乘积最大的延迟订单分配给设备负载率最小的生产设备。基于任一种调度规则对生产环境状态中的各生产工序进行排序得到生产线后,可以确定基于该生产线生产候选订单中待生产物品时,所有候选订单的交货期与预计完成时间的差值。由前述步骤可知,奖励函数为所有候选订单的交货期与预计完成时间的差值的和值。
具体地,可以对待训练的规则确定模型进行训练,可以将训练生产环境状态和训练调度规则作为输入信息输入待训练的规则确定模型,训练调度规则可以理解为基于该调度规则对生产环境状态中的各生产工序进行排序得到生产线后,基于该生产线生产候选订单中待生产物品时,所有候选订单的交货期与预计完成时间的差值最大。待训练的规则确定模型可以确定基于多种调度规则对生产环境状态中的各生产工序进行排序得到多种生产线,并确定基于多种生产线生产候选订单中待生产物品时,所有候选订单的交货期与预计完成时间的差值,得到多种奖励值。此时待训练的规则确定模型的精确度较低,难以将最大奖励值对应的调度规则确定为目标调度规则。因此,可以基于输入至待训练的规则确定模型的训练调度规则对其确定的目标调度规则进行修正,实现对待训练的规则确定模型的参数的更新,得到训练后的规则确定模型。
具体而言,确定历史生产环境状态,以及基于将历史生产环境状态中的各生产工序进行排序得到的生产线生产候选订单中待生产物品时,所有候选订单的交货期与预计完成时间的差值,即历史奖励值。将多个历史环境状态及其对应的历史奖励值作为训练数据集对待训练的规则确定模型进行训练。可以将多个历史环境状态及其对应的历史奖励值作为训练数据集输入待训练的规则确定模型中,待训练的规则确定模型可以基于内置的四种调度规则对生产环境状态中的各生产工序进行排序得到四种生产线,并确定基于四种生产线生产候选订单中待生产物品时,所有候选订单的交货期与预计完成时间的差值,得到多种奖励值,并将最大奖励值确定为训练奖励值。基于训练奖励值和历史奖励值计算损失函数;基于反向传播算法进行模型优化,直至损失函数收敛,得到训练后的规则确定模型。
训练后的规则确定模型已经学习到了将最大奖励值对应的调度规则确定为目标调度规则,因此,训练后的规则确定模型可以用于根据生产环境状态确定用于进行生产调度的调度规则。
本实施例中,对待训练的规则确定模型进行模型训练得到的训练后的规则确定模型可以学习到将最大奖励值对应的调度规则确定为目标调度规则,可以用于根据环境状态确定生产调度所用的调度规则。
S240、对当前生产环境进行状态表示,得到当前生产环境状态。
其中,所述当前生产环境状态包括所述当前生产环境中当前生产设备的利用率、当前候选订单的订单生产率、加工时间比值、剩余加工时间比值以及延迟时间比值。
本发明实施例中,对当前生产环境进行状态表示得到的当前生产环境状态可以体现当前生产环境的现状,当前生产环境的现状为确定适用于当前生产环境的调度规则提供数据基础。
S250、将所述当前生产环境中的所述当前生产环境状态输入预先训练好的规则确定模型中,以使所述规则确定模型根据所述当前生产环境状态,将第一调度规则、第二调度规则、第三调度规则或者第四调度规则中奖励值最大的确定为当前调度规则。
其中,所述第一调度规则为:各所述候选订单的延迟状态均为无延迟时,将剩余加工时间最小的候选订单分配给完工时间最早的生产设备;所述第二调度规则为:各所述候选订单的延迟状态均为无延迟时,将剩余处理时间最小的候选订单分配给设备负载率最小的生产设备;所述第三调度规则为:任一候选订单的延迟状态为延迟时,将预测延迟率最大的延迟订单分配给完工时间最早的生产设备;所述第四调度规则为:任一候选订单的延迟状态为延迟时,将延迟时间与剩余加工时间的乘积最大的延迟订单分配给设备负载率最小的生产设备。
可以确定所述生产环境中各生产设备上所加工工序的完工时间、各生产设备上已分配加工工序的平均完成时间、各候选订单的延迟状态、以及候选订单的数量。
一种实施方式中,S250具体可以包括:按照所述第一调度规则对所述生产环境状态中的各所述生产工序进行排序,得到第一生产线,并根据生产系统基于所述第一生产线进行运行时所有候选订单的交货期与预计完成时间的第一差值确定第一奖励值;按照所述第二调度规则对所述生产环境状态中的各所述生产工序进行排序,得到第二生产线,并根据所述生产系统基于所述第二生产线进行运行时所有候选订单的交货期与预计完成时间的第二差值确定第二奖励值;按照所述第三调度规则对所述生产环境状态中的各所述生产工序进行排序,得到第三生产线,并根据所述生产系统基于所述第三生产线进行运行时所有候选订单的交货期与预计完成时间的第三差值确定第三奖励值;按照所述第四调度规则对所述生产环境状态中的各所述生产工序进行排序,得到第四生产线,并根据所述生产系统基于所述第四生产线进行运行时所有候选订单的交货期与预计完成时间的第四差值确定第四奖励值;比较所述第一奖励值、所述第二奖励值、所述第三奖励值和所述第四奖励值,并将最大奖励值对应的调度规则确定为当前调度规则。
如前实施例一所述,将当前生产环境中的当前生产环境状态输入预先训练好的规则确定模型后,规则确定模型可以基于第一调度规则对当前生产环境状态中的各生产工序进行排序,得到第一生产线,还可以基于第二调度规则对当前生产环境状态中的各生产工序进行排序,得到第二生产线,还可以基于第三调度规则对当前生产环境状态中的各生产工序进行排序,得到第三生产线,还可以基于第四调度规则对当前生产环境状态中的各生产工序进行排序,得到第四生产线。进而,可以根据生产系统基于第一生产线进行运行时所有候选订单的交货期与预计完成时间的第一差值的和值确定第一奖励值,还可以根据生产系统基于第二生产线进行运行时所有候选订单的交货期与预计完成时间的第二差值的和值确定第二奖励值,还可以根据生产系统基于第三生产线进行运行时所有候选订单的交货期与预计完成时间的第三差值的和值确定第三奖励值,还可以根据生产系统基于第四生产线进行运行时所有候选订单的交货期与预计完成时间的第四差值的和值确定第四奖励值。
如前实施例一所述,生产系统基于生产线进行运行时所有候选订单的交货期与预计完成时间的差值往往为负数,因此,候选订单的交货期与预计完成时间的差值越大,即奖励值越大,表明该调度规则越合适。因此,比较第一奖励值、第二奖励值、第三奖励值和第四奖励值,并将最大奖励值对应的调度规则确定为当前调度规则。
本发明实施例中,将当前生产环境状态输入规则确定模型,规则确定模型可以确定当前生产环境中用于对生产工序进行排序的当前调度规则,当前调度规则可以用于对当前生产环境中的当前生产工序进行排序,降低对生产工序进行排序的计算复杂度,缩短生产工序排序所需的时间。
S260、基于所述当前调度规则对所述当前生产环境状态中的各生产工序进行排序,得到目标生产线。
当前调度规则可以为第一调度规则、第二调度规则、第三调度规则或者第四调度规则,当前调度规则为第一调度规则时,可以将剩余加工时间最小的候选订单分配给完工时间最早的生产设备,以对当前生产环境状态中的各生产工序进行排序,得到目标生产线;当前调度规则为第二调度规则时,可以将剩余处理时间最小的候选订单分配给设备负载率最小的生产设备,以对当前生产环境状态中的各生产工序进行排序,得到目标生产线;当前调度规则为第三调度规则时,可以将预测延迟率最大的延迟订单分配给完工时间最早的生产设备,以对当前生产环境状态中的各生产工序进行排序,得到目标生产线;当前调度规则为第四调度规则时,可以将延迟时间与剩余加工时间的乘积最大的延迟订单分配给设备负载率最小的生产设备,以对当前生产环境状态中的各生产工序进行排序,得到目标生产线。
本实施例中,在根据规则确定模型确定当前调度规则后,可以基于当前调度规则对当前生产环境状态中的各生产工序进行排序,得到目标生产线,实现生产调度。
本发明实施例提供的生产线确定方法,包括:根据实际生产环境构建模拟生产仿真环境;在所述模拟生产仿真环境中对生产环境进行状态表示得到生产环境状态以及构建奖励函数之后,根据所述生产环境状态和所述奖励函数构建待训练的规则确定模型;对所述待训练的规则确定模型进行模型训练,使其学习到用于获得最大奖励值的规则确定策略,得到预先训练好的规则确定模型;对当前生产环境进行状态表示,得到当前生产环境状态;将所述当前生产环境中的所述当前生产环境状态输入预先训练好的规则确定模型中,以使所述规则确定模型根据所述当前生产环境状态,将第一调度规则、第二调度规则、第三调度规则或者第四调度规则中奖励值最大的确定为当前调度规则;基于所述当前调度规则对所述当前生产环境状态中的各生产工序进行排序,得到目标生产线。本发明实施例中,根据实际生产环境构建模拟生产仿真环境,实现对实际生产环境的仿真模拟,提供用于确定生产环境对应的生产线的模拟仿真平台,在模拟生产仿真环境中对生产环境进行状态表示得到的生产环境状态可以体现生产环境的现状,生产环境的现状为确定适用于生产环境的调度规则提供数据基础,基于调度规则对生产环境状态中的各生产工序进行排序得到生产线后,可以基于该生产线生产候选订单中待生产物品时候选订单的交货期与预计完成时间的差值构建奖励函数。将生产环境状态作为深度强度学习模型的输入信息,将奖励函数作为深度强化学习模型的损失函数,可以构建用于确定任一生产环境下的调度规则的规则确定模型,对待训练的规则确定模型进行模型训练得到的训练后的规则确定模型可以学习到将最大奖励值对应的调度规则确定为目标调度规则,可以用于根据环境状态确定生产调度所用的调度规则,对当前生产环境进行状态表示得到的当前生产环境状态可以体现当前生产环境的现状,当前生产环境的现状为确定适用于当前生产环境的调度规则提供数据基础,将当前生产环境状态输入规则确定模型,规则确定模型可以确定当前生产环境中用于对生产工序进行排序的当前调度规则,进而可以基于当前调度规则对当前生产环境状态中的各生产工序进行排序,得到目标生产线,降低对生产工序进行排序的计算复杂度,缩短生产工序排序所需的时间。而且,有效提高了生产设备利用率,减少扰动事件带来延期交货,对提高生产系统的整体性能有显著的提升。促进了智慧工厂的发展应用,将人工智能和工业生产领域结合起来,提高工业生产的智能水平。
实施例三
图3为本发明实施例三提供的一种生产线确定装置的结构示意图,该装置可以适用于难以进行生产调度的情况。该装置可以通过软件和/或硬件实现,并一般集成在计算机设备中。
如图3所示,该装置包括:
表示模块310,用于对当前生产环境进行状态表示,得到当前生产环境状态,其中,所述当前生产环境状态包括所述当前生产环境中当前生产设备的利用率、当前候选订单的订单生产率、加工时间比值、剩余加工时间比值以及延迟时间比值;
确定模块320,用于将所述当前生产环境中的所述当前生产环境状态输入预先训练好的规则确定模型中,以使所述规则确定模型根据所述当前生产环境状态,将第一调度规则、第二调度规则、第三调度规则或者第四调度规则中奖励值最大的确定为当前调度规则;
执行模块330,用于基于所述当前调度规则对所述当前生产环境状态中的各生产工序进行排序,得到目标生产线。
本实施例提供的生产线确定装置,对当前生产环境进行状态表示,得到当前生产环境状态,其中,所述当前生产环境状态包括所述当前生产环境中当前生产设备的利用率、当前候选订单的订单生产率、加工时间比值、剩余加工时间比值以及延迟时间比值;将所述当前生产环境中的所述当前生产环境状态输入预先训练好的规则确定模型中,以使所述规则确定模型根据所述当前生产环境状态,将第一调度规则、第二调度规则、第三调度规则或者第四调度规则中奖励值最大的确定为当前调度规则;基于所述当前调度规则对所述当前生产环境状态中的各生产工序进行排序,得到目标生产线。上述技术方案,对当前生产环境进行状态表示得到的当前生产环境状态可以体现当前生产环境的现状,当前生产环境的现状为确定适用于当前生产环境的调度规则提供数据基础,将当前生产环境状态输入规则确定模型,规则确定模型可以确定当前生产环境中用于对生产工序进行排序的当前调度规则,进而可以基于当前调度规则对当前生产环境状态中的各生产工序进行排序,得到目标生产线,降低对生产工序进行排序的计算复杂度,缩短生产工序排序所需的时间。
可选的,该装置还包括:构建模块,用于在对当前生产环境进行状态表示之前,根据实际生产环境构建模拟生产仿真环境。
可选的,该装置还包括:模型确定模块,用于根据所述候选订单确定待生产物品,并确定生产所述待生产物品所需的所述生产设备;在所述模拟生产仿真环境中对生产环境进行状态表示得到生产环境状态以及构建奖励函数之后,根据所述生产环境状态和所述奖励函数构建待训练的规则确定模型,其中,所述生产环境状态包括所述生产环境中生产设备的利用率、候选订单的订单生产率、加工时间比值、剩余加工时间比值以及延迟时间比值,所述奖励函数是由所有候选订单的交货期与预计完成时间的差值确定的;对所述待训练的规则确定模型进行模型训练,使其学习到用于获得最大奖励值的规则确定策略,得到预先训练好的规则确定模型。
可选的,该装置还包括:信息确定模块,用于确定所述生产环境中各生产设备上所加工工序的完工时间、各生产设备上已分配加工工序的平均完成时间、各候选订单的延迟状态、以及候选订单的数量。
可选的,确定模块320,具体可以用于:按照所述第一调度规则对所述生产环境状态中的各所述生产工序进行排序,得到第一生产线,并根据生产系统基于所述第一生产线进行运行时所有候选订单的交货期与预计完成时间的第一差值确定第一奖励值;按照所述第二调度规则对所述生产环境状态中的各所述生产工序进行排序,得到第二生产线,并根据所述生产系统基于所述第二生产线进行运行时所有候选订单的交货期与预计完成时间的第二差值确定第二奖励值;按照所述第三调度规则对所述生产环境状态中的各所述生产工序进行排序,得到第三生产线,并根据所述生产系统基于所述第三生产线进行运行时所有候选订单的交货期与预计完成时间的第三差值确定第三奖励值;按照所述第四调度规则对所述生产环境状态中的各所述生产工序进行排序,得到第四生产线,并根据所述生产系统基于所述第四生产线进行运行时所有候选订单的交货期与预计完成时间的第四差值确定第四奖励值;比较所述第一奖励值、所述第二奖励值、所述第三奖励值和所述第四奖励值,并将最大奖励值对应的调度规则确定为当前调度规则。
本发明实施例所提供的生产线确定装置可执行本发明任意实施例所提供的生产线确定方法,具备执行生产线确定方法相应的功能模块和有益效果。
值得注意的是,上述生产线确定装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例四
图4为本发明实施例四提供的一种计算机设备的结构示意图。计算机设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,计算机设备4包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储计算机设备4操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
计算机设备4中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许计算机设备4通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如生产线确定方法。
在一些实施例中,生产线确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到计算机设备4上。当计算机程序加载到RAM13并由处理器11执行时,可以执行上文描述的生产线确定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行生产线确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种生产线确定方法,其特征在于,包括:
对当前生产环境进行状态表示,得到当前生产环境状态,其中,所述当前生产环境状态包括所述当前生产环境中当前生产设备的利用率、当前候选订单的订单生产率、加工时间比值、剩余加工时间比值以及延迟时间比值;
将所述当前生产环境中的所述当前生产环境状态输入预先训练好的规则确定模型中,以使所述规则确定模型根据所述当前生产环境状态,将第一调度规则、第二调度规则、第三调度规则或者第四调度规则中奖励值最大的确定为当前调度规则;
基于所述当前调度规则对所述当前生产环境状态中的各生产工序进行排序,得到目标生产线。
2.根据权利要求1所述的生产线确定方法,其特征在于,在对当前生产环境进行状态表示之前,还包括:
根据实际生产环境构建模拟生产仿真环境。
3.根据权利要求2所述的生产线确定方法,其特征在于,还包括:
在所述模拟生产仿真环境中对生产环境进行状态表示得到生产环境状态以及构建奖励函数之后,根据所述生产环境状态和所述奖励函数构建待训练的规则确定模型,其中,所述生产环境状态包括所述生产环境中生产设备的利用率、候选订单的订单生产率、加工时间比值、剩余加工时间比值以及延迟时间比值,所述奖励函数是由所有候选订单的交货期与预计完成时间的差值确定的;
对所述待训练的规则确定模型进行模型训练,使其学习到用于获得最大奖励值的规则确定策略,得到预先训练好的规则确定模型。
4.根据权利要求3所述的生产线确定方法,其特征在于,在所述模拟生产仿真环境中对生产环境进行状态表示得到生产环境状态之前,还包括:
根据所述候选订单确定待生产物品,并确定生产所述待生产物品所需的所述生产设备。
5.根据权利要求3所述的生产线确定方法,其特征在于,还包括:
确定所述生产环境中各生产设备上所加工工序的完工时间、各生产设备上已分配加工工序的平均完成时间、各候选订单的延迟状态、以及候选订单的数量。
6.根据权利要求5所述的生产线确定方法,其特征在于,
所述第一调度规则为:各所述候选订单的延迟状态均为无延迟时,将剩余加工时间最小的候选订单分配给完工时间最早的生产设备;
所述第二调度规则为:各所述候选订单的延迟状态均为无延迟时,将剩余处理时间最小的候选订单分配给设备负载率最小的生产设备;
所述第三调度规则为:任一候选订单的延迟状态为延迟时,将预测延迟率最大的延迟订单分配给完工时间最早的生产设备;
所述第四调度规则为:任一候选订单的延迟状态为延迟时,将延迟时间与剩余加工时间的乘积最大的延迟订单分配给设备负载率最小的生产设备。
7.根据权利要求6所述的生产线确定方法,其特征在于,将所述当前生产环境中的所述当前生产环境状态输入预先训练好的规则确定模型中,以使所述规则确定模型根据所述当前生产环境状态,将第一调度规则、第二调度规则、第三调度规则或者第四调度规则中奖励值最大的确定为当前调度规则,包括:
按照所述第一调度规则对所述生产环境状态中的各所述生产工序进行排序,得到第一生产线,并根据生产系统基于所述第一生产线进行运行时所有候选订单的交货期与预计完成时间的第一差值确定第一奖励值;
按照所述第二调度规则对所述生产环境状态中的各所述生产工序进行排序,得到第二生产线,并根据所述生产系统基于所述第二生产线进行运行时所有候选订单的交货期与预计完成时间的第二差值确定第二奖励值;
按照所述第三调度规则对所述生产环境状态中的各所述生产工序进行排序,得到第三生产线,并根据所述生产系统基于所述第三生产线进行运行时所有候选订单的交货期与预计完成时间的第三差值确定第三奖励值;
按照所述第四调度规则对所述生产环境状态中的各所述生产工序进行排序,得到第四生产线,并根据所述生产系统基于所述第四生产线进行运行时所有候选订单的交货期与预计完成时间的第四差值确定第四奖励值;
比较所述第一奖励值、所述第二奖励值、所述第三奖励值和所述第四奖励值,并将最大奖励值对应的调度规则确定为当前调度规则。
8.一种生产线确定装置,其特征在于,包括:
表示模块,用于对当前生产环境进行状态表示,得到当前生产环境状态,其中,所述当前生产环境状态包括所述当前生产环境中当前生产设备的利用率、当前候选订单的订单生产率、加工时间比值、剩余加工时间比值以及延迟时间比值;
确定模块,用于将所述当前生产环境中的所述当前生产环境状态输入预先训练好的规则确定模型中,以使所述规则确定模型根据所述当前生产环境状态,将第一调度规则、第二调度规则、第三调度规则或者第四调度规则中奖励值最大的确定为当前调度规则;
执行模块,用于基于所述当前调度规则对所述当前生产环境状态中的各生产工序进行排序,得到目标生产线。
9.一种计算机设备,其特征在于,所述计算机设备包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的生产线确定方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的生产线确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310512111.XA CN116523249A (zh) | 2023-05-08 | 2023-05-08 | 一种生产线确定方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310512111.XA CN116523249A (zh) | 2023-05-08 | 2023-05-08 | 一种生产线确定方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116523249A true CN116523249A (zh) | 2023-08-01 |
Family
ID=87402731
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310512111.XA Pending CN116523249A (zh) | 2023-05-08 | 2023-05-08 | 一种生产线确定方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116523249A (zh) |
-
2023
- 2023-05-08 CN CN202310512111.XA patent/CN116523249A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111738446B (zh) | 深度学习推理引擎的调度方法、装置、设备和介质 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN115202847A (zh) | 任务的调度方法和装置 | |
CN117649115A (zh) | 一种风险评估方法、装置、电子设备和存储介质 | |
CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及系统 | |
CN116431505A (zh) | 一种回归测试方法、装置、电子设备、存储介质及产品 | |
CN115890684A (zh) | 一种机器人调度方法、装置、设备及介质 | |
CN116523249A (zh) | 一种生产线确定方法、装置、设备和存储介质 | |
CN114999665A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN114816758B (zh) | 资源分配方法和装置 | |
CN114331379B (zh) | 用于输出待办任务的方法、模型训练方法和装置 | |
CN117293923B (zh) | 电网的日前调度计划生成方法、装置、设备及存储介质 | |
CN117933353A (zh) | 强化学习模型训练方法、装置、电子设备及存储介质 | |
CN117933350A (zh) | 多智能体强化学习系统、方法、电子设备及存储介质 | |
CN116542703A (zh) | 一种销售数据的预测方法、装置、设备及存储介质 | |
CN117851208A (zh) | 一种芯片评估方法、装置、电子设备及介质 | |
CN116304796A (zh) | 一种数据分类方法、装置、设备及介质 | |
CN117634890A (zh) | 一种企业供应链风险评估方法、装置及电子设备 | |
CN116011693A (zh) | 一种路径确定方法、装置、计算机设备和存储介质 | |
CN115017145A (zh) | 数据扩展方法、装置及存储介质 | |
CN117690277A (zh) | 阈值确定方法、装置、设备及存储介质 | |
CN116485119A (zh) | 排产方法、装置、设备及存储介质 | |
CN116703109A (zh) | 一种配电网项目选取方法、装置、设备及存储介质 | |
CN116167464A (zh) | 联邦学习任务的运算时间预测方法、装置、设备和介质 | |
CN117455067A (zh) | 一种电量消耗预测方法、装置、电子设备及存储介质 |
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 |