KR102312642B1 - 기계학습 기반 공정 스케줄링 장치 및 방법 - Google Patents

기계학습 기반 공정 스케줄링 장치 및 방법 Download PDF

Info

Publication number
KR102312642B1
KR102312642B1 KR1020200072510A KR20200072510A KR102312642B1 KR 102312642 B1 KR102312642 B1 KR 102312642B1 KR 1020200072510 A KR1020200072510 A KR 1020200072510A KR 20200072510 A KR20200072510 A KR 20200072510A KR 102312642 B1 KR102312642 B1 KR 102312642B1
Authority
KR
South Korea
Prior art keywords
facility
order
products
product
production
Prior art date
Application number
KR1020200072510A
Other languages
English (en)
Other versions
KR20210061249A (ko
Inventor
조한민
김반
Original Assignee
지식시스템 (주)
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 지식시스템 (주) filed Critical 지식시스템 (주)
Publication of KR20210061249A publication Critical patent/KR20210061249A/ko
Application granted granted Critical
Publication of KR102312642B1 publication Critical patent/KR102312642B1/ko

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
    • G06Q10/0633—Workflow 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/06314—Calendaring for a resource
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • G06Q10/1091—Recording time for administrative or management purposes

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Operations Research (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

기계학습 기반 공정 스케줄링 장치 및 방법이 개시된다. 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 장치는 기계학습에 기반하여 생산하려는 제품들에 관한 공정 리드 타입 및 설비 선호도를 포함하는 기준정보를 생성하는 기준정보 생성부; 상기 기준정보를 이용하여 상기 제품들을 생산하기 위한 복수개의 설비들에 할당하고, 날짜 별로 상기 복수개의 설비들 중 제품 생산량이 가장 많은 설비를 혼잡 설비로 선택하는 혼잡 설비 선택부 및 상기 날짜 별로 선택된 혼잡 설비들에 할당된 제품들의 애로율을 계산하고 상기 애로율에 기반하여 상기 제품들의 생산 스케줄을 결정하는 스케줄링부를 포함한다.

Description

기계학습 기반 공정 스케줄링 장치 및 방법 {APPARATUS AND METHOD FOR SCHEDULING PROCESS BASED ON MACHINE LEARNING}
본 발명은 공정 관리 기술에 관한 것으로, 보다 상세하게는 기계학습 기반 공정 스케줄링 기술에 관한 것이다.
공정 관리란 생산 공장에서 일정한 품질, 수량, 가격의 제품을 일정한 시간 안에 가장 효율적으로 생산하기 위해 공장의 모든 활동을 총괄적으로 관리하는 활동을 말한다.
일반적으로 공정관리란 생산공정을 의미하고, 상기 생산공정이란 원료나 재료로부터 제품이 완성되기까지 제조 과정에서 행하여지는 일련의 과정 예로, 설계, 기술 교육 등의 계획 공정과 노동력, 기계, 재료, 제품 완성 등의 제조, 작업 공정을 의미한다.
그러나, 종래의 공정관리 시스템 및 방법은 사람의 정신적인 활동으로 공정계획을 수립하고 실적을 관리하기 때문에, 효율성이나 공정기준에 맞는 공정계획을 수립하기 어려웠을 뿐만 아니라, 공정정보가 신속하게 공정계획에 반영되지 못하므로 설비, 인력, 자재 등의 변동사항이 발생했을 때 신속한 작업이 이루어지지 못하는 단점이 있어 생산 스케줄링이 필요하게 되었다.
생산 스케줄링은 생산 설비의 상태와 제품별 수주 물량의 분포에 따라 그 상황에 맞게 스케줄링 규칙을 조정해야 그 특성상 좋은 품질의 스케줄링 결과를 기대할 수 있다.
한편, 한국등록특허 제 10-2064490 호“제조 및 생산 공정 관리 시스템”는 부품생산 공정관리를 전산화하여 입고, 작업지시, 공정검사에 관련한 자료를 실시간으로 확인 가능하도록 부품생산과 작업자를 관리하는 시스템에 관하여 개시하고 있다.
본 발명은 생산 설비의 상태와 수주 물량의 분포에 따라 공정 관리를 효과적으로 수행하는 것을 목적으로 한다.
또한, 본 발명은 생산 설비에 적합한 우수한 품질의 공정 스케줄링을 제공하는 것을 목적으로 한다.
상기한 목적을 달성하기 위한 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 장치는 기계학습에 기반하여 생산하려는 제품들에 관한 공정 리드 타입 및 설비 선호도를 포함하는 기준정보를 생성하는 기준정보 생성부; 상기 기준정보를 이용하여 상기 제품들을 생산하기 위한 복수개의 설비들에 할당하고, 날짜 별로 상기 복수개의 설비들 중 제품 생산량이 가장 많은 설비를 혼잡 설비로 선택하는 혼잡 설비 선택부 및 상기 날짜 별로 선택된 혼잡 설비들에 할당된 제품들의 애로율을 계산하고 상기 애로율에 기반하여 상기 제품들의 생산 스케줄을 결정하는 스케줄링부를 포함한다.
이 때, 상기 혼잡 설비 선택부는 상기 제품들의 주문들 별 주문량과 상기 설비 선호도에 기반하여 상기 복수개의 설비들에 상기 주문들 별로 상기 제품들을 할당할 수 있다.
이 때, 상기 혼잡 설비 선택부는 상기 제품들의 미투입 제품 주문들을 납기일 순으로 정렬하고, 상기 제품들의 미투입 제품 주문들을 상기 복수개의 설비들에 상기 납기일 순으로 할당할 수 있다.
이 때, 상기 혼잡 설비 선택부는 상기 복수개의 설비들의 가용 주문 할당량을 초과하여 제1 날짜에 할당되지 못한 잔여 주문이 존재하는 경우, 상기 기준 정보를 이용하여 상기 제1 날짜의 다음 제2 날짜에 상기 잔여 주문을 상기 복수개의 설비들 중 최고 선호 설비에 우선적으로 할당할 수 있다.
이 때, 상기 스케줄링부는 상기 제품들의 주문량과 상기 혼잡 설비의 상기 제품들 별 단위 생산 시간의 곱에 대한 상기 혼잡 설비의 총 가용시간의 비율을 상기 애로율로 계산하고, 상기 애로율이 큰 순서대로 상기 제품들의 생산 순서를 결정할 수 있다.
이 때, 상기 스케줄링부는 상기 애로율이 큰 순서대로 상기 생산 순서가 결정된 제품들 중 동일한 제품의 제품 주문들 중 주문량이 큰 순서대로 생산 순서를 결정할 수 있다.
이 때, 상기 스케줄링부는 상기 혼잡 설비에서 제1 제품에서 제2 제품으로 생산 작업이 교체될 때 발생하는 작업 교체 시간을 상기 제1 제품의 단위 생산 시간에 더 포함시킬 수 있다.
이 때, 상기 스케줄링부는 상기 혼잡 설비의 총 가용 시간에 상기 애로율에 따라 상기 제품들의 생산 순서가 결정된 이후, 상기 혼잡 설비에 할당되지 못한 미할당 주문이 존재하는 경우, 상기 최고 선호 설비 다음으로 선호되는 차선호 설비에 상기 미할당 주문을 할당할 수 있다.
이 때, 상기 스케줄링부는 상기 차선호 설비에 할당된 제품들의 애로율과 상기 미할당 주문의 애로율을 계산하여 상기 미할당 주문의 생산 순서를 결정할 수 있다.
또한, 상기의 목적을 달성하기 위한 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 방법은 기계학습 기반 공정 스케줄링 장치의 기계학습 기반 공정 스케줄링 방법에 있어서, 기계학습에 기반하여 생산하려는 제품들에 관한 공정 리드 타입 및 설비 선호도를 포함하는 기준정보를 생성하는 단계; 상기 기준정보를 이용하여 상기 제품들을 생산하기 위한 복수개의 설비들에 할당하고, 날짜 별로 상기 복수개의 설비들 중 제품 생산량이 가장 많은 설비를 혼잡 설비로 선택하는 단계; 및 상기 날짜 별로 선택된 혼잡 설비들에 할당된 제품들의 애로율을 계산하고 상기 애로율에 기반하여 상기 제품들의 생산 스케줄을 결정하는 단계를 포함한다.
본 발명은 생산 설비의 상태와 수주 물량의 분포에 따라 공정 관리를 효과적으로 수행할 수 있다.
또한, 본 발명은 생산 설비에 적합한 우수한 품질의 공정 스케줄링을 제공할 수 있다.
도 1은 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 장치를 나타낸 블록도이다.
도 2는 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 방법을 나타낸 동작흐름도이다.
도 3은 도 2에 도시된 기준정보 생성 단계의 일 예를 세부적으로 나타낸 동작흐름도이다.
도 4는 도 2에 도시된 혼잡 설비 선택 단계의 일 예를 세부적으로 나타낸 동작흐름도이다.
도 5는 도 2에 도시된 주문 스케줄링 단계의 일 예를 세부적으로 나타낸 동작흐름도이다.
도 6은 본 발명의 일실시예에 따른 기계학습 기반 공정 리드 타임 산출 과정을 나타낸 도면이다.
도 7은 본 발명의 일실시예에 따른 제조 사이클 타임 산출 과정을 나타낸 도면이다.
도 8은 본 발명의 일실시예에 따른 나타낸 기계학습 기반 설비 선호도 산출 과정을 나타낸 도면이다.
도 9는 본 발명의 일실시예에 따른 나타낸 과거 생산실적 기반 설비 선호도 산출 과정을 도면이다.
도 10은 본 발명의 일실시예에 따른 혼잡 설비 선택 과정을 나타낸 도면이다.
도 11은 본 발명의 일실시예에 따른 애로주문 우선 스케줄링 과정을 나타낸 도면이다.
도 12는 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 과정을 나타낸 도면이다.
도 13은 본 발명의 일실시예에 따른 컴퓨터 시스템을 나타낸 블록도이다.
본 발명을 첨부된 도면을 참조하여 상세히 설명하면 다음과 같다. 여기서, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능, 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 장치를 나타낸 블록도이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 장치는 기준정보 생성부(110), 혼잡 설비 선택부(120) 및 스케줄링부(130)를 포함한다.
기준정보 생성부(110)는 기계학습에 기반하여 생산하려는 제품들에 관한 공정 리드 타입 및 설비 선호도를 포함하는 기준정보를 생성할 수 있다.
이 때, 기준정보 생성부(110)는 기계학습에 기반하여 제품별 공정 리드 타임(LEAD TIME, L/D)를 학습하고, 공정 리드 타임을 산출할 수 있다.
이 때, 기준정보 생성부(110)는 기저장된 과거 생산 이력을 기반으로 상시 제품들의 제품별 주문량, 제품별 WIP(Work In Progress, 재공재고) 량 및 제품별 생산 실적을 학습하여 제품별 공정 리드 타임을 학습하고, 공정 리드 타임을 산출할 수 있다.
이 때, 기준정보 생성부(110)는 기저장된 과거 생산 이력이 존재하지 않는 경우, 기정의된 이론 리드 타임을 이용하여 공정 리드 타임을 산출할 수 있다.
이 때, 기준정보 생성부(110)는 제공량에 따른 제품별 제조 사이클 타임(CYCLE TIME, C/T)를 더 고려하여 공정 리드 타임을 보정할 수도 있다.
예를 들어, 기준정보 생성부(110)는 제1 공정에 대한 제1 공정 리드 타임인 제1 시간(T1) 까지의 주문량과 상기 제1 시간(T1) 까지의 생산량의 차이를 제1 공정의 제공량으로 계산할 수 있다.
이 때, 기준정보 생성부(110)는 제2 공정에 대한 제2 공정 리드 타임인 제2 시간(T2) 까지의 주문량과 상기 제2 시간(T2) 까지의 생산량의 차이를 제2 공정의 제공량으로 계산할 수 있다.
또한, 기준정보 생성부(110)는 기계학습에 기반하여 제품별 설비 선호도를 산출할 수 있다.
이 때, 기준정보 생성부(110)는 제품별 WIP(Work In Progress, 재공재고) 량 및 제품별 생산 실적을 학습하여 제품별 설비 선호도를 학습하고, 제품별 설비 선호도를 산출할 수 있다.
예를 들어, 기준정보 생성부(110)는 제1 제품의 제1 설비에 대한 과거 생산 실적이 2,000 이고, 제2 설비에 대한 과거 생산 실적이 500 이고, 제3 설비에 대한 과거 생산 실적이 0 인 경우, 제1 설비를 최고 선호 설비(제1 선호 설비), 제2 설비를 차선호 설비(제2 선호 설비) 및 제3 설비를 비선호 설비(제3 선호 설비)로 설비 선호도를 학습 및 산출할 수 있다.
이 때, 기준정보 생성부(110)는 제2 제품의 제1 설비에 대한 과거 생산 실적이 1,000 이고, 제2 설비에 대한 과거 생산 실적이 1,500 이고, 제3 설비에 대한 과거 생산 실적이 500 인 경우, 제1 설비를 차선호 설비(제2 선호 설비), 제2 설비를 최고 선호 설비(제1 선호 설비) 및 제3 설비를 차차선호 설비(제3 선호 설비)로 설비 선호도를 학습 및 산출할 수 있다.
이 때, 기준정보 생성부(110)는 과거 생산 실적이 존재하지 않는 제품인 경우, 상기에서 계산한 제품별 제조 사이클 타임이 가장 짧은 순으로 설비 선호도를 학습 및 산출할 수 있다.
혼잡 설비 선택부(120)는 상기 기준정보를 이용하여 상기 제품들을 생산하기 위한 복수개의 설비들에 할당하고, 날짜 별로 상기 복수개의 설비들 중 제품 생산량이 가장 많은 설비를 혼잡 설비로 선택할 수 있다.
이 때, 혼잡 설비 선택부(120)는 상기 제품들의 주문들 별 주문량과 상기 설비 선호도에 기반하여 상기 복수개의 설비들에 상기 주문들 별로 상기 제품들을 할당할 수 있다.
이 때, 혼잡 설비 선택부(120)는 상기 제품들의 미투입 제품 주문들을 납기일 순으로 정렬하고, 상기 제품들의 미투입 제품 주문들을 상기 복수개의 설비들에 상기 납기일 순으로 할당할 수 있다.
이 때, 혼잡 설비 선택부(120)는 상기 복수개의 설비들의 가용 주문 할당량을 초과하여 제1 날짜에 할당되지 못한 잔여 주문이 존재하는 경우, 상기 기준 정보를 이용하여 상기 제1 날짜의 다음 제2 날짜에 상기 잔여 주문을 상기 복수개의 설비들 중 최고 선호 설비에 우선적으로 할당할 수 있다.
이 때, 혼잡 설비 선택부(120)는 제품들이 할당된 설비들 중 주문량이 가장 많은 설비를 혼잡 설비로 선택할 수 있다.
스케줄링부(130)는 상기 날짜 별로 선택된 혼잡 설비들에 할당된 제품들의 애로율을 계산하고 상기 애로율에 기반하여 상기 제품들의 생산 스케줄을 결정하는 스케줄링부를 포함한다.
이 때, 스케줄링부(130)는 수학식 1과 같이 상기 제품들의 주문량과 상기 혼잡 설비의 상기 제품들 별 단위 생산 시간의 곱에 대한 상기 혼잡 설비의 총 가용시간의 비율을 상기 애로율로 계산하고, 상기 애로율이 큰 순서대로 상기 제품들의 생산 순서를 결정할 수 있다.
Figure 112020061404089-pat00001
이 때, 스케줄링부(130)는 상기 애로율이 큰 순서대로 상기 생산 순서가 결정된 제품들 중 동일한 제품의 제품 주문들 중 주문량이 큰 순서대로 생산 순서를 결정할 수 있다.
이 때, 스케줄링부(130)는 상기 혼잡 설비에서 제1 제품에서 제2 제품으로 생산 작업이 교체될 때 발생하는 작업 교체 시간을 상기 제1 제품의 단위 생산 시간에 더 포함시킬 수 있다.
이 때, 스케줄링부(130)는 상기 혼잡 설비의 총 가용 시간에 상기 애로율에 따라 상기 제품들의 생산 순서가 결정된 이후, 상기 혼잡 설비에 할당되지 못한 미할당 주문이 존재하는 경우, 상기 최고 선호 설비 다음으로 선호되는 차선호 설비에 상기 미할당 주문을 할당할 수 있다.
이 때, 스케줄링부(130)는 상기 차선호 설비에 할당된 제품들의 애로율과 상기 미할당 주문의 애로율을 계산하여 상기 미할당 주문의 생산 순서를 결정할 수 있다.
또한, 스케줄링부(130)는 당일 날짜에 할당된 제품들의 모든 주문 스케줄이 완료되었는지 확인할 수 있다.
이 때, 스케줄링부(130)는 생산 순서가 결정되지 않은 주문이 존재하는 경우, 혼잡 설비 선택부(220)에 혼잡도를 재계산과, 혼잡 설비를 재선택을 요청할 수 있다.
이 때, 스케줄링부(130)는 모든 주문 스케줄이 완료된 경우, 설비의 가용 할당량을 초과하는 주문이 존재하는지 확인하고, 설비에 할당되지 않고 가용 할당량을 초과하는 주문이 존재하는 경우, 다음 날짜에 설비에 우선 할당될 수 있도록 할당 우선 순위를 설정을 혼잡 설비 선택부(220)에 요청할 수 있다.
도 2는 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 방법을 나타낸 동작흐름도이다. 도 3은 도 2에 도시된 기준정보 생성 단계의 일 예를 세부적으로 나타낸 동작흐름도이다. 도 4는 도 2에 도시된 혼잡 설비 선택 단계의 일 예를 세부적으로 나타낸 동작흐름도이다. 도 5는 도 2에 도시된 주문 스케줄링 단계의 일 예를 세부적으로 나타낸 동작흐름도이다.
도 2를 참조하면, 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 방법은 먼저 기준정보를 생성할 수 있다(S210).
즉, 단계(S210)는 기계학습에 기반하여 생산하려는 제품들에 관한 공정 리드 타입 및 설비 선호도를 포함하는 기준정보를 생성할 수 있다.
도 3을 참조하면, 단계(S210)는 공정 리드 타임을 학습할 수 있다(S211).
즉, 단계(S211)는 기계학습에 기반하여 제품별 공정 리드 타임(LEAD TIME, L/D)를 학습하고, 공정 리드 타임을 산출할 수 있다.
이 때, 단계(S211)는 기저장된 과거 생산 이력을 기반으로 상시 제품들의 제품별 주문량, 제품별 WIP(Work In Progress, 재공재고) 량 및 제품별 생산 실적을 학습하여 제품별 공정 리드 타임을 학습하고, 공정 리드 타임을 산출할 수 있다.
이 때, 단계(S211)는 기저장된 과거 생산 이력이 존재하지 않는 경우, 기정의된 이론 리드 타임을 이용하여 공정 리드 타임을 산출할 수 있다.
이 때, 단계(S211)는 제공량에 따른 제품별 제조 사이클 타임(CYCLE TIME, C/T)를 더 고려하여 공정 리드 타임을 보정할 수도 있다.
예를 들어, 단계(S211)는 제1 공정에 대한 제1 공정 리드 타임인 제1 시간(T1) 까지의 주문량과 상기 제1 시간(T1) 까지의 생산량의 차이를 제1 공정의 제공량으로 계산할 수 있다.
이 때, 단계(S211)는 제2 공정에 대한 제2 공정 리드 타임인 제2 시간(T2) 까지의 주문량과 상기 제2 시간(T2) 까지의 생산량의 차이를 제2 공정의 제공량으로 계산할 수 있다.
또한, 단계(S210)는 설비 선호도를 학습할 수 있다(S212).
즉, 단계(S212)는 기계학습에 기반하여 제품별 설비 선호도를 산출할 수 있다.
이 때, 단계(S212)는 제품별 WIP(Work In Progress, 재공재고) 량 및 제품별 생산 실적을 학습하여 제품별 설비 선호도를 학습하고, 제품별 설비 선호도를 산출할 수 있다.
예를 들어, 단계(S212)는 제1 제품의 제1 설비에 대한 과거 생산 실적이 2,000 이고, 제2 설비에 대한 과거 생산 실적이 500 이고, 제3 설비에 대한 과거 생산 실적이 0 인 경우, 제1 설비를 최고 선호 설비(제1 선호 설비), 제2 설비를 차선호 설비(제2 선호 설비) 및 제3 설비를 비선호 설비(제3 선호 설비)로 설비 선호도를 학습 및 산출할 수 있다.
이 때, 단계(S212)는 제2 제품의 제1 설비에 대한 과거 생산 실적이 1,000 이고, 제2 설비에 대한 과거 생산 실적이 1,500 이고, 제3 설비에 대한 과거 생산 실적이 500 인 경우, 제1 설비를 차선호 설비(제2 선호 설비), 제2 설비를 최고 선호 설비(제1 선호 설비) 및 제3 설비를 차차선호 설비(제3 선호 설비)로 설비 선호도를 학습 및 산출할 수 있다.
이 때, 단계(S212)는 과거 생산 실적이 존재하지 않는 제품인 경우, 상기에서 계산한 제품별 제조 사이클 타임이 가장 짧은 순으로 설비 선호도를 학습 및 산출할 수 있다.
또한, 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 방법은 혼잡 설비를 선택할 수 있다(S220).
즉, 단계(S220)는 상기 기준정보를 이용하여 상기 제품들을 생산하기 위한 복수개의 설비들에 할당하고, 날짜 별로 상기 복수개의 설비들 중 제품 생산량이 가장 많은 설비를 혼잡 설비로 선택할 수 있다.
도 4 를 참조하면, 단계(S220)는 주문을 납기 순으로 정렬할 수 있다(S221).
즉, 단계(S221)는 상기 제품들의 미투입 제품 주문들을 납기일 순으로 정렬하고, 상기 제품들의 미투입 제품 주문들을 상기 복수개의 설비들에 상기 납기일 순으로 할당할 수 있다.
또한, 단계(S220)는 선호 설비에 주문을 할당할 수 있다(S222).
즉, 단계(S222)는 상기 제품들의 주문들 별 주문량과 상기 설비 선호도에 기반하여 상기 복수개의 설비들에 상기 주문들 별로 상기 제품들을 할당할 수 있다.
이 때, 단계(S222)는 상기 복수개의 설비들의 가용 주문 할당량을 초과하여 제1 날짜에 할당되지 못한 잔여 주문이 존재하는 경우, 상기 기준 정보를 이용하여 상기 제1 날짜의 다음 제2 날짜에 상기 잔여 주문을 상기 복수개의 설비들 중 최고 선호 설비에 우선적으로 할당할 수 있다.
또한, 단계(S220)는 혼잡 설비를 선택할 수 있다(S223).
즉, 단계(S223)는 제품들이 할당된 설비들 중 주문량이 가장 많은 설비를 혼잡 설비로 선택할 수 있다.
또한, 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 방법은 스케줄링을 수행할 수 있다(S230).
즉, 단계(S230)는 상기 날짜 별로 선택된 혼잡 설비들에 할당된 제품들의 애로율을 계산하고 상기 애로율에 기반하여 상기 제품들의 생산 스케줄을 결정하는 스케줄링부를 포함한다.
도 5를 참조하면, 단계(S230)는 먼저 애로율을 계산할 수 있다(S231).
즉, 단계(S231)는 수학식 1과 같이 상기 제품들의 주문량과 상기 혼잡 설비의 상기 제품들 별 단위 생산 시간의 곱에 대한 상기 혼잡 설비의 총 가용시간의 비율을 상기 애로율로 계산할 수 있다.
이 때, 단계(S233)는 상기 혼잡 설비에서 제1 제품에서 제2 제품으로 생산 작업이 교체될 때 발생하는 작업 교체 시간을 상기 제1 제품의 단위 생산 시간에 더 포함시킬 수 있다.
또한, 단계(S230)는 애로주문을 선택할 수 있다(S232).
즉, 단계(S232)는 애로율이 가장 큰 주문을 애로 주문으로 선택할 수 있다.
또한, 단계(S230)는 생산 스케줄을 결정할 수 있다(S233).
즉, 단계(S233)는 상기 애로율이 큰 순서대로 상기 제품들의 생산 순서를 결정할 수 있다.
이 때, 단계(S233)는 상기 애로율이 큰 순서대로 상기 생산 순서가 결정된 제품들 중 동일한 제품의 제품 주문들 중 주문량이 큰 순서대로 생산 순서를 결정할 수 있다.
이 때, 단계(S233)는 상기 혼잡 설비의 총 가용 시간에 상기 애로율에 따라 상기 제품들의 생산 순서가 결정된 이후, 상기 혼잡 설비에 할당되지 못한 미할당 주문이 존재하는 경우, 상기 최고 선호 설비 다음으로 선호되는 차선호 설비에 상기 미할당 주문을 할당할 수 있다.
이 때, 단계(S233)는 상기 차선호 설비에 할당된 제품들의 애로율과 상기 미할당 주문의 애로율을 계산하여 상기 미할당 주문의 생산 순서를 결정할 수 있다.
또한, 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 방법은 당일 날짜에 할당된 제품들의 모든 주문 스케줄이 완료되었는지 확인할 수 있다(S240).
이 때, 단계(S240)는 생산 순서가 결정되지 않은 주문이 존재하는 경우, 혼잡도를 재계산하고 혼잡 설비를 재선택하기 위해 단계(S220)으로 되돌아 갈수 있다.
이 때, 단계(S240)는 모든 주문 스케줄이 완료된 경우, 설비의 가용 할당량을 초과하는 주문이 존재하는지 확인하고, 설비에 할당되지 않고 가용 할당량을 초과하는 주문이 존재하는 경우, 다음 날짜에 설비에 우선 할당될 수 있도록 할당 우선 순위를 설정할 수 있다.
도 6은 본 발명의 일실시예에 따른 기계학습 기반 공정 리드 타임 산출 과정을 나타낸 도면이다. 도 7은 본 발명의 일실시예에 따른 제조 사이클 타임 산출 과정을 나타낸 도면이다.
도 6을 참조하면, 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 장치는 기계학습에 기반하여 제품별 공정 리드 타임(LEAD TIME, L/D)를 학습하고, 공정 리드 타임을 산출할 수 있다.
이 때, 기계학습 기반 공정 스케줄링 장치는 기저장된 과거 생산 이력을 기반으로 상시 제품들의 제품별 주문량, 제품별 WIP(Work In Progress, 재공재고) 량 및 제품별 생산 실적을 학습하여 제품별 공정 리드 타임을 학습하고, 공정 리드 타임을 산출할 수 있다.
이 때, 기계학습 기반 공정 스케줄링 장치는 기저장된 과거 생산 이력이 존재하지 않는 경우, 기정의된 이론 리드 타임을 이용하여 공정 리드 타임을 산출할 수 있다.
도 7을 참조하면, 기계학습 기반 공정 스케줄링 장치는 제공량에 따른 제품별 제조 사이클 타임(CYCLE TIME, C/T)를 더 고려하여 공정 리드 타임을 보정할 수도 있다.
예를 들어, 기계학습 기반 공정 스케줄링 장치는 제1 공정에 대한 제1 공정 리드 타임인 제1 시간(T1) 까지의 주문량과 상기 제1 시간(T1) 까지의 생산량의 차이를 제1 공정의 제공량으로 계산할 수 있다.
이 때, 기계학습 기반 공정 스케줄링 장치는 제2 공정에 대한 제2 공정 리드 타임인 제2 시간(T2) 까지의 주문량과 상기 제2 시간(T2) 까지의 생산량의 차이를 제2 공정의 제공량으로 계산할 수 있다.
도 8은 본 발명의 일실시예에 따른 나타낸 기계학습 기반 설비 선호도 산출 과정을 나타낸 도면이다. 도 9는 본 발명의 일실시예에 따른 나타낸 과거 생산실적 기반 설비 선호도 산출 과정을 도면이다.
도 8을 참조하면, 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 장치는 기계학습에 기반하여 제품별 설비 선호도를 산출할 수 있다.
이 때, 기계학습 기반 공정 스케줄링 장치는 제품별 WIP(Work In Progress, 재공재고) 량 및 제품별 생산 실적을 학습하여 제품별 설비 선호도를 학습하고, 제품별 설비 선호도를 산출할 수 있다.
도 9를 참조하면, 기계학습 기반 공정 스케줄링 장치는 제1 제품의 제1 설비에 대한 과거 생산 실적이 2,000 이고, 제2 설비에 대한 과거 생산 실적이 500 이고, 제3 설비에 대한 과거 생산 실적이 0 인 경우, 제1 설비를 최고 선호 설비(제1 선호 설비), 제2 설비를 차선호 설비(제2 선호 설비) 및 제3 설비를 비선호 설비(제3 선호 설비)로 설비 선호도를 학습 및 산출할 수 있다.
이 때, 기계학습 기반 공정 스케줄링 장치는 제2 제품의 제1 설비에 대한 과거 생산 실적이 1,000 이고, 제2 설비에 대한 과거 생산 실적이 1,500 이고, 제3 설비에 대한 과거 생산 실적이 500 인 경우, 제1 설비를 차선호 설비(제2 선호 설비), 제2 설비를 최고 선호 설비(제1 선호 설비) 및 제3 설비를 차차선호 설비(제3 선호 설비)로 설비 선호도를 학습 및 산출할 수 있다.
이 때, 기계학습 기반 공정 스케줄링 장치는 과거 생산 실적이 존재하지 않는 제품인 경우, 상기에서 계산한 제품별 제조 사이클 타임이 가장 짧은 순으로 설비 선호도를 학습 및 산출할 수 있다.
도 10은 본 발명의 일실시예에 따른 혼잡 설비 선택 과정을 나타낸 도면이다.
도 10을 참조하면, 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 장치는 먼저 7월 1일 날짜에 WIP 에 포함된 제품 A의 주문량 500을 최고 선호 설비인 제1 설비에 할당하고, WIP에 포함된 제품 B의 주문량 200을 제2 설비에 할당하고, WIP에 포함된 제품 C의 주문량 200을 제2 설비에 할당하는 것을 알 수 있다.
이 때, 7월 1일의 제1 설비의 주문량은 500이고, 제2 설비의 주문량은 400이므로, 7월 1일 날짜에서 부하 피크가 가장 큰 제1 설비가 혼잡 설비로 선택되는 것을 알 수 있다.
또한, 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 장치는 7월 4일 납기일인 주문들과 7월 5일 납기일인 주문들을 구분하여 납기 순으로 정렬하고, 각각 7월 2일 생산일과 7월 3일 생산 일에 설비들에 주문들을 할당하는 것을 알 수 있다.
또한, 기계학습 기반 공정 스케줄링 장치는 7월 2일 날짜에서 7월 4일 납기일인 제품 A의 주문량 900을 최고 선호 설비인 제1 설비에 할당하고, 7월 4일 납기일인 제품 B의 주문량 1000을 최고 선호 설비인 제2 설비에 할당하는 것을 알 수 있다.
이 때, 기계학습 기반 공정 스케줄링 장치는 제2 설비의 제품별 공정 리드 타임을 고려하여 7월 4일 납기일인 제품 C의 주문량 500을 7월 2일의 제2 설비에 더 할당하면 7월 2일 안에 제품 C가 모두 생산되지 않는 경우, 가용 할당량을 초과한 것으로 판단하여 7월 2일이 아닌 7월 3일에 제품 C를 제2 설비에 우선적으로 할당시키는 것을 알 수 있다.
이 때, 7월 2일의 제1 설비의 주문량은 900이고, 제2 설비의 주문량은 1000이므로, 7월 2일 날짜에서 부하 피크가 가장 큰 제2 설비가 혼잡 설비로 선택되는 것을 알 수 있다.
또한, 기계학습 기반 공정 스케줄링 장치는 7월 3일 날짜에서 7월 5일 납기일인 제품 A의 주문량 1500을 최고 선호 설비인 제1 설비에 할당하고, 7월 4일 납기일인 제품 C의 주문량 500과 7월 5일 납기일인 제품 B의 주문량 900을 할당하고, 7월 5일 납기일인 제품 D의 주문량 800을 할당하는 것을 알 수 있다.
이 때, 기계학습 기반 공정 스케줄링 장치는 제2 설비의 제품별 공정 리드 타임을 고려하여 7월 5일 납기일인 제품 C의 주문량 500을 7월 3일의 제2 설비에 더 할당하면 7월 3일 안에 제품 C가 모두 생산되지 않는 경우, 가용 할당량을 초과한 것으로 판단하여 7월 3일이 아닌 7월 4일에 제품 C를 제2 설비에 우선적으로 할당시키는 것을 알 수 있다.
이 때, 7월 3일의 제1 설비의 주문량은 1500이고, 제2 설비의 주문량은 1400이므로, 7월 3일 날짜에서 부하 피크가 가장 큰 제1 설비가 혼잡 설비로 선택되는 것을 알 수 있다.
또한, 기계학습 기반 공정 스케줄링 장치는 7월 4일 날짜에서 7월 5일 납기일인 제품 C의 주문량 500을 최고 선호 설비인 제2 설비에 할당하는 것을 알 수 있다.
도 11은 본 발명의 일실시예에 따른 애로주문 우선 스케줄링 과정을 나타낸 도면이다.
도 11을 참조하면, 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 장치는 혼잡 설비로 선택된 제품 A의 제1 주문의 주문량 100, 제2 주문의 주문량 50, 제3 주문의 주문량 100에 대해서 애로율을 계산할 수 있다.
이 때, 기계학습 기반 공정 스케줄링 장치는 상기에서 설명한 수학식 1에 따라 애로율을 계산하고, 애로율이 가장 큰 주문을 애로주문으로 선택할 수 있다.
이 때, 기계학습 기반 공정 스케줄링 장치는 애로주문을 제1 설비의 가장 이른 가용 시간에 할당할 수 있다.
도 12는 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 과정을 나타낸 도면이다.
도 12을 참조하면, 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 과정은 먼저 제품 주문들을 선호 설비에 할당하고, 혼잡 설비를 선택할 수 있다.
이 때, 기계학습 기반 공정 스케줄링 과정은 혼잡 설비가 제1 설비로 선택된 경우, 제품 A 내지 D 에 대한 애로율을 계산하고, 애로율이 높은 순서대로 혼잡 설비에 우선적으로 제품 주문들의 생산 순서를 결정할 수 있다.
이 때, 기계학습 기반 공정 스케줄링 과정은 제품 A에서 제품 B로 생산 작업이 교체될 때 작업 교체 시간을 더 고려하여 애로율을 계산할 수 있다.
이 때, 기계학습 기반 공정 스케줄링 과정은 동일한 제품에서 주문량이 많은 주문을 먼저 생산 순서로 결정할 수 있다.
이 때, 기계학습 기반 공정 스케줄링 과정은 7월 1일의 스케줄링이 완료되면, 당일 완료되지 않은 잔여주문이 있는지 확인하고, 잔여주문이 있는 경우 다음 날짜에 설비에 주문을 할당하여 잔여 설비의 혼잡도를 재계산할 수 있다.
도 13은 본 발명의 일실시예에 따른 컴퓨터 시스템을 나타낸 도면이다.
도 13을 참조하면, 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 장치는 컴퓨터로 읽을 수 있는 기록매체와 같은 컴퓨터 시스템(1100)에서 구현될 수 있다. 도 13에 도시된 바와 같이, 컴퓨터 시스템(1100)은 버스(1120)를 통하여 서로 통신하는 하나 이상의 프로세서(1110), 메모리(1130), 사용자 인터페이스 입력 장치(1140), 사용자 인터페이스 출력 장치(1150) 및 스토리지(1160)를 포함할 수 있다. 또한, 컴퓨터 시스템(1100)은 네트워크(1180)에 연결되는 네트워크 인터페이스(1170)를 더 포함할 수 있다. 프로세서(1110)는 중앙 처리 장치 또는 메모리(1130)나 스토리지(1160)에 저장된 프로세싱 인스트럭션들을 실행하는 반도체 장치일 수 있다. 메모리(1130) 및 스토리지(1160)는 다양한 형태의 휘발성 또는 비휘발성 저장 매체일 수 있다. 예를 들어, 메모리는 ROM(1131)이나 RAM(1132)을 포함할 수 있다.
본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 장치는 하나 이상의 프로세서(1110); 및 상기 하나 이상의 프로세서(1110)에 의해 실행되는 적어도 하나 이상의 프로그램을 저장하는 실행메모리(1130)를 포함하고, 상기 적어도 하나 이상의 프로그램은 기계학습에 기반하여 생산하려는 제품들에 관한 공정 리드 타입 및 설비 선호도를 포함하는 기준정보를 생성하고, 상기 기준정보를 이용하여 상기 제품들을 생산하기 위한 복수개의 설비들에 할당하고, 날짜 별로 상기 복수개의 설비들 중 제품 생산량이 가장 많은 설비를 혼잡 설비로 선택하고, 상기 날짜 별로 선택된 혼잡 설비들에 할당된 제품들의 애로율을 계산하고 상기 애로율에 기반하여 상기 제품들의 생산 스케줄을 결정한다.
이 때, 상기 적어도 하나 이상의 프로그램은 상기 제품들의 주문들 별 주문량과 상기 설비 선호도에 기반하여 상기 복수개의 설비들에 상기 주문들 별로 상기 제품들을 할당할 수 있다.
이 때, 상기 적어도 하나 이상의 프로그램은 상기 제품들의 미투입 제품 주문들을 납기일 순으로 정렬하고, 상기 제품들의 미투입 제품 주문들을 상기 복수개의 설비들에 상기 납기일 순으로 할당할 수 있다.
이 때, 상기 적어도 하나 이상의 프로그램은 상기 복수개의 설비들의 가용 주문 할당량을 초과하여 제1 날짜에 할당되지 못한 잔여 주문이 존재하는 경우, 상기 기준 정보를 이용하여 상기 제1 날짜의 다음 제2 날짜에 상기 잔여 주문을 상기 복수개의 설비들 중 최고 선호 설비에 우선적으로 할당할 수 있다.
이 때, 상기 적어도 하나 이상의 프로그램은 상기 제품들의 주문량과 상기 혼잡 설비의 상기 제품들 별 단위 생산 시간의 곱에 대한 상기 혼잡 설비의 총 가용시간의 비율을 상기 애로율로 계산하고, 상기 애로율이 큰 순서대로 상기 제품들의 생산 순서를 결정할 수 있다.
이 때, 상기 적어도 하나 이상의 프로그램은 상기 애로율이 큰 순서대로 상기 생산 순서가 결정된 제품들 중 동일한 제품의 제품 주문들 중 주문량이 큰 순서대로 생산 순서를 결정할 수 있다.
이 때, 상기 적어도 하나 이상의 프로그램은 상기 혼잡 설비에서 제1 제품에서 제2 제품으로 생산 작업이 교체될 때 발생하는 작업 교체 시간을 상기 제1 제품의 단위 생산 시간에 더 포함시킬 수 있다.
이 때, 상기 적어도 하나 이상의 프로그램은 상기 혼잡 설비의 총 가용 시간에 상기 애로율에 따라 상기 제품들의 생산 순서가 결정된 이후, 상기 혼잡 설비에 할당되지 못한 미할당 주문이 존재하는 경우, 상기 최고 선호 설비 다음으로 선호되는 차선호 설비에 상기 미할당 주문을 할당할 수 있다.
이 때, 상기 적어도 하나 이상의 프로그램은 상기 차선호 설비에 할당된 제품들의 애로율과 상기 미할당 주문의 애로율을 계산하여 상기 미할당 주문의 생산 순서를 결정할 수 있다.
이상에서와 같이 본 발명의 일실시예에 따른 기계학습 기반 공정 스케줄링 장치 및 방법은 상기한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
110: 기준 정보 생성부 120: 혼잡 설비 선택부
130: 스케줄링부
1100: 컴퓨터 시스템 1110: 프로세서
1120: 버스 1130: 메모리
1131: 롬 1132: 램
1140: 사용자 인터페이스 입력 장치
1150: 사용자 인터페이스 출력 장치
1160: 스토리지 1170: 네트워크 인터페이스
1180: 네트워크

Claims (10)

  1. 기계학습에 기반하여 생산하려는 제품들에 관한 공정 리드 타임 및 복수개의 설비들에 대한 설비 선호도를 포함하는 기준정보를 생성하는 기준정보 생성부;
    상기 기준정보를 이용하여 상기 제품들을 생산하기 위한 주문을 상기 복수개의 설비들에 할당하고, 날짜 별로 상기 복수개의 설비들 중 제품 생산량이 가장 많은 설비를 혼잡 설비로 선택하는 혼잡 설비 선택부; 및
    상기 날짜 별로 선택된 혼잡 설비들에 할당된 제품들의 애로율을 계산하고 상기 애로율에 기반하여 상기 제품들의 생산 스케줄을 결정하는 스케줄링부;
    를 포함하고,
    상기 설비 선호도는
    상기 제품들에 대한 상기 복수개의 설비들의 기저장된 제품 별 과거 생산 실적에 기반하여 학습된 결과로부터 산출되고, 상기 제품 별 과거 생산 실적이 존재하지 않는 경우, 상기 제품들에 대한 기정의된 제품 별 제조 사이클 타임을 기반으로 산출되고,
    상기 스케줄링부는
    상기 혼잡 설비의 총 가용 시간 내에 상기 애로율에 따라 상기 제품들의 생산 순서가 결정된 이후, 상기 혼잡 설비에 할당되지 못한 미할당 주문이 존재하는 경우, 상기 복수개의 설비 들 중 상기 설비 선호도를 기반으로 산출된 상기 미할당 주문의 제품에 대한 최고 선호 설비 다음으로 선호되는 차선호 설비에 상기 미할당 주문을 할당하고,
    상기 차선호 설비에 기할당된 제품들과 상기 미할당 주문에 대한 애로율을 산출하여 상기 차선호 설비에 할당된 제품들과 상기 미할당 주문의 생산 순서를 결정하고,
    상기 미할당 주문을 상기 복수개의 설비들에 모두 할당한 이후에도, 가용 할당량을 초과하는 초과 주문이 존재하는 경우, 상기 초과 주문을 상기 초과 주문의 제품에 대한 다음 날짜의 최고 선호 설비에 우선 주문으로 할당하고,
    상기 혼잡 설비 선택부는
    상기 다음 날짜의 최고 선호 설비에 할당된 상기 우선 주문을 고려하여 상기 다음 날짜의 혼잡 설비를 선택하는 것을 특징으로 하는 기계학습 기반 공정 스케줄링 장치.
  2. 청구항 1에 있어서,
    상기 혼잡 설비 선택부는
    상기 제품들의 주문들 별 주문량과 상기 설비 선호도에 기반하여 상기 복수개의 설비들에 상기 주문들 별로 상기 제품들을 최고 선호 설비에 할당하는 것을 특징으로 하는 기계학습 기반 공정 스케줄링 장치.
  3. 청구항 2에 있어서,
    상기 혼잡 설비 선택부는
    상기 제품들의 미투입 제품 주문들을 납기일 순으로 정렬하고, 상기 제품들의 미투입 제품 주문들을 상기 복수개의 설비들에 상기 납기일 순으로 할당하는 것을 특징으로 하는 기계학습 기반 공정 스케줄링 장치.
  4. 청구항 3에 있어서,
    상기 혼잡 설비 선택부는
    상기 복수개의 설비들의 가용 주문 할당량을 초과하여 제1 날짜에 할당되지 못한 잔여 주문이 존재하는 경우, 상기 기준 정보를 이용하여 상기 제1 날짜의 다음 제2 날짜에 상기 잔여 주문을 상기 복수개의 설비들 중 최고 선호 설비에 우선적으로 할당하는 것을 특징으로 하는 기계학습 기반 공정 스케줄링 장치.
  5. 청구항 4에 있어서,
    상기 스케줄링부는
    상기 제품들의 주문량과 상기 혼잡 설비의 상기 제품들 별 단위 생산 시간의 곱에 대한 상기 혼잡 설비의 총 가용시간의 비율을 상기 애로율로 계산하고, 상기 애로율이 큰 순서대로 상기 제품들의 생산 순서를 결정하는 것을 특징으로 하는 기계학습 기반 공정 스케줄링 장치.
  6. 청구항 5에 있어서,
    상기 스케줄링부는
    상기 애로율이 큰 순서대로 상기 생산 순서가 결정된 제품들 중 동일한 제품의 제품 주문들 중 주문량이 큰 순서대로 생산 순서를 결정하는 것을 특징으로 하는 기계학습 기반 공정 스케줄링 장치.
  7. 청구항 6에 있어서,
    상기 스케줄링부는
    상기 혼잡 설비에서 제1 제품에서 제2 제품으로 생산 작업이 교체될 때 발생하는 작업 교체 시간을 상기 제1 제품의 단위 생산 시간에 더 포함시키는 것을 특징으로 하는 기계학습 기반 공정 스케줄링 장치.
  8. 삭제
  9. 삭제
  10. 기계학습 기반 공정 스케줄링 장치의 기계학습 기반 공정 스케줄링 방법에 있어서,
    기계학습에 기반하여 생산하려는 제품들에 관한 공정 리드 타임 및 복수개의 설비들에 대한 설비 선호도를 포함하는 기준정보를 생성하는 단계;
    상기 기준정보를 이용하여 상기 제품들을 생산하기 위한 주문을 상기 복수개의 설비들에 할당하고, 날짜 별로 상기 복수개의 설비들 중 제품 생산량이 가장 많은 설비를 혼잡 설비로 선택하는 단계; 및
    상기 날짜 별로 선택된 혼잡 설비들에 할당된 제품들의 애로율을 계산하고 상기 애로율에 기반하여 상기 제품들의 생산 스케줄을 결정하는 단계;
    를 포함하고,
    상기 설비 선호도는
    상기 제품들에 대한 상기 복수개의 설비들의 기저장된 제품 별 과거 생산 실적에 기반하여 학습된 결과로부터 산출되고, 상기 제품 별 과거 생산 실적이 존재하지 않는 경우, 상기 제품들에 대한 기정의된 제품 별 제조 사이클 타임을 기반으로 산출되고,
    상기 생산 스케줄을 결정하는 단계는
    상기 혼잡 설비의 총 가용 시간 내에 상기 애로율에 따라 상기 제품들의 생산 순서가 결정된 이후, 상기 혼잡 설비에 할당되지 못한 미할당 주문이 존재하는 경우, 상기 복수개의 설비 들 중 상기 설비 선호도를 기반으로 산출된 상기 미할당 주문의 제품에 대한 최고 선호 설비 다음으로 선호되는 차선호 설비에 상기 미할당 주문을 할당하고,
    상기 차선호 설비에 기할당된 제품들과 상기 미할당 주문에 대한 애로율을 산출하여 상기 차선호 설비에 할당된 제품들과 상기 미할당 주문의 생산 순서를 결정하고,
    상기 미할당 주문을 상기 복수개의 설비들에 모두 할당한 이후에도, 가용 할당량을 초과하는 초과 주문이 존재하는 경우, 상기 초과 주문을 상기 초과 주문의 제품에 대한 다음 날짜의 최고 선호 설비에 우선 주문으로 할당하고,
    상기 혼잡 설비로 선택하는 단계는
    상기 다음 날짜의 최고 선호 설비에 할당된 상기 우선 주문을 고려하여 상기 다음 날짜의 혼잡 설비를 선택하는 것을 특징으로 하는 기계학습 기반 공정 스케줄링 방법.
KR1020200072510A 2019-11-19 2020-06-15 기계학습 기반 공정 스케줄링 장치 및 방법 KR102312642B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020190148801 2019-11-19
KR20190148801 2019-11-19

Publications (2)

Publication Number Publication Date
KR20210061249A KR20210061249A (ko) 2021-05-27
KR102312642B1 true KR102312642B1 (ko) 2021-10-15

Family

ID=76135769

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200072510A KR102312642B1 (ko) 2019-11-19 2020-06-15 기계학습 기반 공정 스케줄링 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102312642B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102431107B1 (ko) * 2021-12-01 2022-08-11 주식회사 시제 인공지능을 이용한 생산 라인의 생산량 산출 방법
KR20230154639A (ko) * 2022-05-02 2023-11-09 부경대학교 산학협력단 섬유 생산장비의 ai 기반 작업 스케줄링 장치 및 이를 이용한 작업 스케줄링 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005302050A (ja) * 2005-05-13 2005-10-27 Hitachi Ltd 日程計画・手配管理システム
JP2008102822A (ja) * 2006-10-20 2008-05-01 Genetec Corp スケジュール作成装置
JP2008129923A (ja) * 2006-11-22 2008-06-05 Matsushita Electric Works Ltd 生産計画作成システム
JP2012243024A (ja) * 2011-05-18 2012-12-10 Kobe Steel Ltd 生産スケジュール作成装置及び生産スケジュール作成方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4546654B2 (ja) * 2001-02-14 2010-09-15 シャープ株式会社 生産管理方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005302050A (ja) * 2005-05-13 2005-10-27 Hitachi Ltd 日程計画・手配管理システム
JP2008102822A (ja) * 2006-10-20 2008-05-01 Genetec Corp スケジュール作成装置
JP2008129923A (ja) * 2006-11-22 2008-06-05 Matsushita Electric Works Ltd 生産計画作成システム
JP2012243024A (ja) * 2011-05-18 2012-12-10 Kobe Steel Ltd 生産スケジュール作成装置及び生産スケジュール作成方法

Also Published As

Publication number Publication date
KR20210061249A (ko) 2021-05-27

Similar Documents

Publication Publication Date Title
US6463345B1 (en) Regenerative available to promise
US8121885B2 (en) Plan solver
US9966760B2 (en) Power distribution determination apparatus, control method, and storage medium
US7308416B2 (en) Single level bill of material available to promise
US7860737B2 (en) Constraint-based production planning and scheduling
US11714678B2 (en) Smart scheduling method supporting process task volume splitting
KR102312642B1 (ko) 기계학습 기반 공정 스케줄링 장치 및 방법
JP5872677B2 (ja) 生産計画立案決定方法、生産計画立案装置およびプログラム
US8788315B2 (en) Systems and methods for determining pack allocations
JP4847030B2 (ja) 受発注システム及び受発注方法
JP2007072924A (ja) 受注・見込み生産混流時の生産計画方法および生産計画システム
CN112801448A (zh) 物料需求分配方法、装置、系统及存储介质
US20140222491A1 (en) Systems and Methods for Determining Pack Allocations
EP2610696A1 (en) Process design/production planning device
US20050144056A1 (en) Systems and methods for capacity reservation
KR20200130921A (ko) 분산 협업 자원 할당 방법 및 장치
Rabbani et al. A new AATP model with considering supply chain lead-times and resources and scheduling of the orders in flowshop production systems: A graph-theoretic view
Rabbani et al. A novel bi-level hierarchy towards available-to-promise in mixed-model assembly line sequencing problems
US20160292624A1 (en) Optimization of Inventory Through Prioritization and Categorization
Lohmer et al. Multi-factory job shop scheduling with due date objective
JP7322899B2 (ja) スケジューリング装置、スケジューリング方法、プログラム
JP7447919B2 (ja) 交渉装置、交渉方法及びプログラム
CN113095704A (zh) 一种生产计划排配方法、装置、设备及介质
CN112766719A (zh) 任务分配方法及装置
JPH1097657A (ja) 物流センターの作業計画作成方法および作業計画作成装置

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right