KR20200047278A - 듀얼 스토커 스케줄링 방법 및 장치 - Google Patents

듀얼 스토커 스케줄링 방법 및 장치 Download PDF

Info

Publication number
KR20200047278A
KR20200047278A KR1020190044107A KR20190044107A KR20200047278A KR 20200047278 A KR20200047278 A KR 20200047278A KR 1020190044107 A KR1020190044107 A KR 1020190044107A KR 20190044107 A KR20190044107 A KR 20190044107A KR 20200047278 A KR20200047278 A KR 20200047278A
Authority
KR
South Korea
Prior art keywords
information
crane
dual
work
scheduling
Prior art date
Application number
KR1020190044107A
Other languages
English (en)
Other versions
KR102238930B1 (ko
Inventor
장영재
황설
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Publication of KR20200047278A publication Critical patent/KR20200047278A/ko
Application granted granted Critical
Publication of KR102238930B1 publication Critical patent/KR102238930B1/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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G1/00—Storing articles, individually or in orderly arrangement, in warehouses or magazines
    • B65G1/02—Storage devices
    • B65G1/04—Storage devices mechanical
    • B65G1/137—Storage devices mechanical with arrangements or automatic control means for selecting which articles are to be removed
    • B65G1/1373—Storage devices mechanical with arrangements or automatic control means for selecting which articles are to be removed for fulfilling orders in warehouses
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4189—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the transport system
    • 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
    • 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)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Mechanical Engineering (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

듀얼 스토커 스케줄링 방법 및 장치를 개시한다.
본 실시예에 의하면, 듀얼 스토커 시스템의 현재 상태를 반영한 이미지 데이터를 생성하고, 생성된 이미지 데이터를 기반으로 궤적 형태(Trace Shape)의 행렬을 생성하며, 궤적 형태 행렬을 합성곱 인공 신경망에 대입하여 특정 작업을 수행하였을 때 기대되는 듀얼 스토커 시스템의 성능을 각각 산출하고, 산출된 각각의 성능 중 최적의 성능을 출력할 수 있는 작업을 선택하여 듀얼 스토커 시스템을 스케줄링하는 한편, 스케줄링 결과를 기반으로 인공 신경망을 지속적으로 학습시켜 시스템의 효율성을 확보할 수 있는 듀얼 스토커 스케줄링 방법 및 장치를 제공한다.

Description

듀얼 스토커 스케줄링 방법 및 장치{Method and Apparatus for Scheduling Dual Stockers}
본 실시예는 듀얼 스토커 스케줄링 방법 및 장치에 관한 것이다.
이하에 기술되는 내용은 단순히 본 실시예와 관련되는 배경 정보만을 제공할 뿐 종래기술을 구성하는 것이 아니다.
스토커(Stocker)는 FPD(Flat Panel Display) 글래스를 여러 공정 장비 간 이동시키기 위해 사용되는 핵심 물류 장비로, 공장 전체의 생산성에 큰 영향을 미친다. 크레인(Crane)은 스토커 내부에 존재하는 하나의 레일 위를 움직이며, 최근에는 생산성을 높이기 위해 2개의 크레인이 존재하는 듀얼 스토커(Dual Stocker)가 주로 사용되고 있다.
듀얼 스토커 시스템은 현재 2대의 크레인 사이의 충돌을 방지하기 위해 한 번에 1개의 크레인만 입력할 수 있는 공유 구역을 가진다. 각각의 크레인의 이동범위는 공유 구역을 넘을 수 없게 설정된다. 즉, 현재의 듀얼 스토커 시스템 운용 방식은 각 크레인의 이동 범위가 제한되어 있어 비효율적이므로, FPD 생산량을 높이기 위해 크레인 사이의 충돌 회피를 고려하여 효율적인 새로운 듀얼 스토커 스케줄링 방법을 필요로 한다.
본 실시예는, 듀얼 스토커 시스템의 현재 상태를 반영한 이미지 데이터를 생성하고, 생성된 이미지 데이터를 기반으로 궤적 형태(Trace Shape)의 행렬을 생성하며, 궤적 형태 행렬을 합성곱 인공 신경망에 대입하여 특정 작업을 수행하였을 때 기대되는 듀얼 스토커 시스템의 성능을 각각 산출하고, 산출된 각각의 성능 중 최적의 성능을 출력할 수 있는 작업을 선택하여 듀얼 스토커 시스템을 스케줄링하는 한편, 스케줄링 결과를 기반으로 인공 신경망을 지속적으로 학습시켜 시스템의 효율성을 확보할 수 있는 듀얼 스토커 스케줄링 방법 및 장치를 제공하는 데 목적이 있다.
본 실시예의 일 측면에 의하면, 사용자로부터 크레인 정보 및 작업 정보를 입력받는 데이터 입력부; 상기 크레인 정보 및 상기 작업 정보를 기반으로 이미지 정보를 생성하는 이미지 생성부; 상기 이미지 정보를 기반으로 궤적형태(Trace Shape) 행렬을 생성하는 행렬 생성부; 상기 궤적형태 행렬을 합성곱 신경망(Convolutional Neural Network)에 대입하여 기대정보를 계산하는 기대정보 산출부; 상기 기대정보 중 의사결정 모델에 의해 선택된 최적선택 정보를 기반으로 복수 개의 크레인 각각의 작업순서를 결정하는 작업 스케줄링부; 및 상기 작업순서를 기반으로 상기 크레인의 작업결과를 출력하는 작업결과 출력부를 포함하는 것을 특징으로 하는 듀얼 스토커 스케줄링 장치를 제공한다.
본 실시예의 다른 측면에 의하면, 사용자로부터 크레인 정보 및 작업 정보를 입력받는 데이터 입력과정; 상기 크레인 정보 및 상기 작업 정보를 기반으로 이미지 정보를 생성하는 이미지 생성과정; 상기 이미지 정보를 기반으로 궤적형태(Trace Shape) 행렬을 생성하는 행렬 생성과정; 상기 궤적형태 행렬을 합성곱 신경망(Convolutional Neural Network)에 대입하여 기대정보를 계산하는 기대정보 산출과정; 상기 기대정보 중 의사결정 모델에 의해 선택된 최적선택 정보를 기반으로 복수 개의 크레인 각각의 작업순서를 결정하는 작업 스케줄링 과정; 및 상기 작업순서를 기반으로 상기 크레인의 작업결과를 출력하는 작업결과 출력과정을 포함하는 것을 특징으로 하는 듀얼 스토커 스케줄링 방법을 제공한다.
이상에서 설명한 바와 같이 본 실시예에 의하면, 듀얼 스토커 시스템의 현재 상태를 반영한 이미지 데이터를 생성하고, 생성된 이미지 데이터를 기반으로 궤적 형태(Trace Shape)의 행렬을 생성하며, 궤적 형태 행렬을 합성곱 인공 신경망에 대입하여 특정 작업을 수행하였을 때 기대되는 듀얼 스토커 시스템의 성능을 각각 산출하고, 산출된 각각의 성능 중 최적의 성능을 출력할 수 있는 작업을 선택하여 듀얼 스토커 시스템을 스케줄링하는 한편, 스케줄링 결과를 기반으로 인공 신경망을 지속적으로 학습시켜 시스템의 효율성을 확보할 수 있는 듀얼 스토커 스케줄링 방법 및 장치를 제공하는 효과가 있다.
본 실시예에 의하면, 듀얼 스토커 시스템 상에서 추가적인 물리적 설비 투자없이 FPD 생산량을 높일 수 있는 효과가 있다.
또한 본 실시예에 의하면, 궤적형태 행렬을 이용하여 시스템의 상태를 표현함으로써 인공 신경망의 예측 능력을 극대화할 수 있는 효과가 있다.
도 1은 본 실시예에 따른 듀얼 스토커 스케줄링 시스템을 개략적으로 나타낸 예시도이다.
도 2는 본 실시예에 따른 듀얼 스토커 스케줄링 장치를 개략적으로 나타낸 블록 구성도이다.
도 3은 본 실시예에 따른 듀얼 스토커 스케줄링 장치에 사용되는 크레인 정보 및 작업 정보를 설명하기 위한 예시도이다.
도 4의 (a) 및 (b)는 각각 이미지 정보 및 궤적형태 행렬을 설명하기 위해 개략적으로 나타낸 도면이다.
도 5는 작업 상태정보를 설명하기 위해 개략적으로 나타낸 도면이다.
도 6의 (a) 및 (b)는 각각 작업 행동정보 및 작업 보상정보를 설명하기 위해 개략적으로 나타낸 도면이다.
도 7은 본 실시예에 따른 듀얼 스토커 스케줄링 방법을 설명하기 위한 순서도이다.
이하, 본 실시예를 첨부된 도면을 참조하여 상세하게 설명한다. 본 발명의 구성 요소를 설명하는 데 있어서, 1차, 2차 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다.
도 1은 본 실시예에 따른 듀얼 스토커 스케줄링 시스템을 개략적으로 나타낸 예시도이다.
도 1을 참조하면, 본 실시예에 따른 듀얼 스토커 스케줄링 시스템은 스토커 제어부(110), 듀얼 스토커 스케줄링 장치(120) 및 듀얼 스토커 시스템(130)을 포함한다. 도 1에서 스토커 제어부(110)와 듀얼 스토커 시스템(130)은 별도의 구성인 것으로 도시되어 있으나, 반드시 이에 한정되는 것은 아니고 듀얼 스토커 시스템(130) 내에 스토커 제어부(110)가 탑재된 형태로 존재할 수도 있다.
스토커 제어부(110)는 듀얼 스토커 시스템(130)의 현재 상태정보를 수집하고, 듀얼 스토커 스케줄링 장치(120)에 스케줄링 관련 정보를 제공한다. 여기서 스케줄링 관련 정보는 듀얼 스토커를 스케줄링하기 위해 필요한 정보로, 보다 구체적으로는 크레인 정보 및 작업 정보를 포함한다. 크레인 정보는 복수의 크레인 중에서 목표 크레인 및 반대 크레인을 특정하기 위한 크레인 설정정보 및 크레인의 현재 위치를 나타내는 크레인 위치정보를 포함한다. 작업 정보는 스토커 제어부(110)로부터 입력받은 순서대로 번호를 배정하는 작업 설정정보 및 각각의 작업들의 현재 위치와 목표위치를 나타내는 작업 위치정보를 포함한다.
사용자는 스토커 제어부(110)를 이용하지 않고 별도의 단말기를 이용하여 스케줄링 관련 정보를 입력할 수도 있다. 여기서, 단말기는 스마트폰(Smart Phone), 태블릿(Tablet), 랩톱(Laptop), 개인용 컴퓨터(PC: Personal Computer), 개인 휴대 단말기(PDA: Portable Multimedia Player), 무선 통신 단말기(Wireless Communication Terminal), 미디어 플레이어, 음성인식 스피커 등과 같은 전자기기일 수 있다. 단말기는 듀얼 스토커 스케줄링 장치(120)에 접속하기 위한 웹 브라우저와 프로그램을 저장하기 위한 메모리, 프로그램을 실행하여 연산 및 제어하기 위한 마이크로프로세서 등을 구비한다.
듀얼 스토커 스케줄링 장치(120)는 스토커 제어부(110)로부터 크레인 정보 및 작업 정보를 입력받는다. 듀얼 스토커 스케줄링 장치(120)는 스토커 제어부(110)로부터 스케줄링 관련 정보를 입력받는 것 외에도 스케줄링에 따른 작업결과로부터 자체적으로 크레인 정보 및 작업 정보를 추출할 수 있다. 즉, 듀얼 스토커 스케줄링 장치(120)는 입력받거나 자체적으로 추출한 크레인 정보 및 작업 정보를 기반으로 목표 크레인과 반대 크레인 및 각각의 크레인에 의해 수행될 작업을 특정하고, 크레인의 최적의 작업순서를 결정하여 출력한다. 듀얼 스토커 스케줄링 장치(120)는 작업순서를 결정하여 시뮬레이션한 출력결과를 사용자에게 제공한다. 한편, 듀얼 스토커 스케줄링 장치(120)는 입력된 정보에 따라 스케줄링한 작업순서를 기반으로 듀얼 스토커를 제어한다.
듀얼 스토커 스케줄링 장치(120)는 듀얼 스토커 스케줄링 프로그램을 탑재하여 크레인의 작업순서를 결정하도록 구현될 수 있다. 듀얼 스토커 스케줄링 장치(120)는 사용자의 조작 또는 명령에 의해 스토커 제어부(110)를 제어하여 듀얼 스토커 스케줄링 프로그램을 구동하며, 듀얼 스토커 스케줄링 프로그램을 이용하여 사용자에게 듀얼 스토커 시스템(130)의 작업결과를 제공한다. 한편, 본 실시예에 따른 듀얼 스토커 스케줄링 장치(120)에 듀얼 스토커 스케줄링 프로그램이 탑재되는 형태에 대해 설명하자면, 듀얼 스토커 스케줄링 장치(120)는 듀얼 스토커 스케줄링 프로그램을 임베디드(Embeded) 형태로 탑재되거나, 듀얼 스토커 스케줄링 장치(120) 내에 탑재되는 OS(Operating System)에 임베디드 형태로 탑재되거나, 사용자의 조작 또는 명령에 의해 듀얼 스토커 스케줄링 장치(120) 내의 OS에 인스톨되는 형태로 탑재될 수 있다.
듀얼 스토커 시스템(130)은 2대의 크레인이 중앙에 위치한 선반의 레일 위에서 일직선으로 움직이며 공정 장비 간 FPD 글래스를 운반하는 시스템을 의미한다. 보다 상세하게는, 듀얼 스토커 시스템(130)은 FPD 글래스를 운반하기 위해 사용되는 컨테이너인 카세트(Cassette), FPD 글래스가 포함된 카세트를 운반하는 크레인, 크레인이 움직이는 선반 및 여러 FPD 공정 장비를 포함하나 반드시 이에 한정되는 것은 아니다. 듀얼 스토커 시스템(130)은 듀얼 스토커 스케줄링 장치(120)로부터 스케줄링된 작업순서에 따라 각각의 크레인의 움직임을 제어한다.
도 2는 본 실시예에 따른 듀얼 스토커 스케줄링 장치를 개략적으로 나타낸 블록 구성도이다.
도 2를 참조하면, 본 실시예에 따른 듀얼 스토커 스케줄링 장치(120)는 데이터 입력부(210), 이미지 생성부(220), 행렬 생성부(230), 기대정보 산출부(240), 작업 스케줄링부(250) 및 작업결과 출력부(260) 및 작업결과 학습부(270)를 포함한다. 듀얼 스토커 스케줄링 장치(120)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
데이터 입력부(210)는 스토커 제어부(110)로부터 크레인 정보 및 작업 정보를 입력받는다. 보다 상세하게는, 데이터 입력부(210)는 스토커 제어부(110)로부터 목표 크레인 및 반대 크레인을 특정하기 위한 크레인 설정정보 및 각 크레인의 현재 위치를 특정하는 크레인 위치정보를 입력받는다. 데이터 입력부(210)는 스토커 제어부(110)에 의해 하나의 크레인을 목표 크레인으로 특정하면 자동으로 나머지 크레인을 반대 크레인으로 특정할 수도 있다.
또한, 데이터 입력부(210)는 복수 개의 작업을 구분하기 위해 번호를 설정한 작업 설정정보 및 각 작업들의 현재 위치와 목표 위치를 나타내는 작업 위치정보를 입력받는다. 보다 상세하게는, 데이터 입력부(210)는 스토커 제어부(110)로부터 입력받은 순서 또는 듀얼 스토커 시스템(130)의 구동에 의해 생성된 순서에 따라 각 작업에 번호를 부여하고, 스토커 제어부(110)에 의해 각 작업들의 현재 위치로부터 운반되고자 하는 위치인 목표 위치를 설정한다. 크레인 정보 및 작업 정보에 대해서는 도 3과 관련하여 후술한다.
이미지 생성부(220)는 데이터 입력부(210)로부터 수신한 크레인 정보 및 작업 정보를 기반으로 이미지 정보를 생성한다. 보다 상세하게는, 이미지 생성부(220)는 각각의 크레인 및 작업 별로 복수 개의 베이(Bay)로 구성된 이미지 정보를 생성하고, 생성된 이미지 정보 상에 크레인 정보 및 작업 정보를 표시한다. 이미지 정보에 대해서는 도 4의 (a)와 관련하여 후술한다.
행렬 생성부(230)는 이미지 생성부(220)로부터 수신한 이미지 정보를 기반으로 궤적형태(Trace Shape) 행렬을 생성한다. 행렬 생성부(230)는 복수 개의 베이로 이루어진 이미지 정보를 하나의 행렬을 생성한다. 궤적형태 행렬은 -1, 0 또는 1의 값을 갖는다. 궤적형태 행렬에 대해서는 도 4의 (b)와 관련하여 후술한다.
기대정보 산출부(240)는 행렬 생성부(230)에서 생성된 궤적형태 행렬을 합성곱 신경망(Convolutional Neural Network)에 대입하여 기대정보를 계산한다. 합성곱 신경망은 2개의 합성곱 레이어(Convolution Layer, Fully Connected Layer)를 포함하는 인공 신경망으로, 행렬 생성부(230)에서 생성된 궤적형태 행렬을 입력값으로 사용한다. 기대정보는 현재 상태에서 다음 작업을 선택할 때 듀얼 스토커 시스템(130)의 기대되는 성능에 관한 정보로, 작업을 처리하는 데 소요되는 시간 정보인 것이 바람직하나 반드시 이에 한정되는 것은 아니다.
작업 스케줄링부(250)는 계산된 기대정보 중 의사결정 모델에 의해 선택된 최적선택 정보를 기반으로 복수 개의 크레인 각각의 작업순서를 결정한다. 작업 스케줄링부(250)는 기대정보 산출부(240)에서 산출된 각각의 기대정보 중 가장 적은 시간 정보에 해당하는 기대 정보를 최적선택 정보로 특정하고, 최적선택 정보를 기반으로 크레인의 작업순서를 결정한다. 작업 스케줄링부(250)는 작업 상태정보, 작업 행동정보 및 작업 보상정보를 기반으로 최적선택 정보를 특정한다. 여기서 의사결정 모델은 마르코프 결정 프로세스(Markov Decision Process, MDP)와 같은 이산시간 확률모델인 것이 바람직하나 반드시 이에 한정되는 것은 아니다. 작업 상태정보에 대해서는 도 5, 작업 행동정보 및 작업 보상정보에 대해서는 도 6과 관련하여 후술한다.
작업결과 출력부(260)는 결정된 작업순서를 기반으로 크레인의 작업결과를 출력한다. 작업결과 출력부(260)는 본 실시예에 따른 듀얼 스토커 스케줄링 장치(120)에 별도로 구비된 디스플레이를 이용하여 크레인의 작업결과를 사용자에게 제공한다. 또한 작업결과 출력부(260)는 사용자의 단말기로 작업결과에 해당하는 시뮬레이션 영상정보를 전송할 수도 있다.
작업결과 학습부(270)는 작업결과를 기반으로 합성곱 신경망에 대해 강화학습(Reinforcement Learning)을 수행한다. 작업결과 학습부(270)는 재생 메모리(272) 및 스케줄링 학습부(274)를 포함한다. 작업결과 학습부(270)에 포함된 구성요소는 반드시 이에 한정되는 것은 아니다.
재생 메모리(272)(Replay Memory)는 작업 스케줄링부(250)에서 결정된 작업순서에 해당하는 작업결과를 저장한다. 재생 메모리(272)는 전원이 공급되지 않아도 저장된 정보를 계속 유지하는 비휘발성 저장장치 또는 저장된 정보를 유지하기 위하여 전력이 필요한 휘발성 저장장치를 통칭한다.
스케줄링 학습부(274)는 재생 메모리(272)에 저장된 작업결과를 기반으로 합성곱 신경망을 학습한다. 저장된 작업결과를 기반으로 합성곱 신경망을 강화학습하는 과정은 통상의 기술자에게 자명한 것으로 이하 그 설명을 생략한다.
즉, 듀얼 스토커 스케줄링 장치(120)는 처음 구동 시 스토커 제어부(110)로부터 크레인 정보 및 작업 정보를 입력받고, 모든 작업이 완료될 때까지 스케줄링 과정을 반복하여 실시한다.
도 3은 본 실시예에 따른 듀얼 스토커 스케줄링 장치에 사용되는 크레인 정보 및 작업 정보를 설명하기 위한 예시도이다.
도 3에 도시한 바와 같이, 2대의 크레인과 4개의 작업이 현재 듀얼 스토커 시스템(130) 상에 존재한다. 또한 듀얼 스토커 시스템(130)은 레일의 양쪽에 각각 18개씩 제조공정 장비를 포함한 총 36개의 적재공간에 해당하는 베이를 포함한다.
보다 상세하게 설명하자면, 목표 크레인(Crane 2)과 반대 크레인(Crane 1)은 하나의 레일 위를 일직선 운동한다. 목표 크레인과 반대 크레인은 스토커 제어부(110)에 의해 자유롭게 설정될 수 있으나, 자동으로 목표 크레인을 현재 작업이 할당되어 있지 않아 스케줄링이 필요한 크레인으로 설정할 수도 있다. 또한 도 3을 참조하면, 반대 크레인의 현재 위치는 4번 베이이고, 목표 크레인은 17번 베이에 위치해 있음을 확인할 수 있다.
듀얼 스토커 시스템(130) 상에는 제 1 작업(j1), 제 2 작업(j2), 제 3 작업(j3) 및 제 4 작업(j4)이 존재한다. 각 작업에 부여되는 번호는 스토커 제어부(110)에 의해 입력된 순서 또는 듀얼 스토커 시스템(130)에 들어온 순서에 따라 배정되며, 반드시 이에 한정되는 것은 아니다. 또한 도 3을 참조하면, 각 작업의 현재 위치와 이동하고자 하는 목표 위치가 표시되어 있다. 예컨대, j1의 경우 현재 반대 크레인에 실려 있고, 8번 베이로 이동해야 한다. 또한, j2의 경우에는 현재 위치가 6번 베이이고, 목표 위치가 15번 베이임을 의미한다.
듀얼 스토커 스케줄링 장치(120)는 최초에 스토커 제어부(110)로부터 크레인 정보 및 작업 정보를 입력받아 최적의 작업 수행 순서를 결정하고, 해당 작업을 끝낸 후 크레인 정보와 작업 정보를 기반으로 다시 최적의 작업 수행 순서를 결정하여 모든 작업이 마무리될 때까지 반복한다.
도 4의 (a) 및 (b)는 각각 이미지 정보 및 궤적형태 행렬을 설명하기 위해 개략적으로 나타낸 도면이다.
도 4의 (a)에 도시한 바와 같이, 이미지 정보는 도 3에서 설명한 크레인 정보 및 작업 정보를 포함한다. 예컨대, 반대 크레인(Crane 1)은 현재 4번 베이에 위치해 있고, 제 1 작업(j1)을 운반하고 있다. 반대 크레인은 j1의 목표 위치가 8번 베이이므로, 8번 베이로 이동해야 한다. 즉, 반대 크레인의 1번째 움직임은 4번 베이에서 8번 베이로 이동하는 것이므로, 이미지 정보는 4번 베이부터 8번 베이까지 사선으로 표시한다. 여기서, 이미지 정보에 표시된 사선의 방향은 크레인 또는 작업의 움직임 방향을 의미한다. 반대 크레인의 첫 번째 움직임과 제 1 작업의 이미지 정보에 표시된 사선 방향은 레일 상에서 현재 위치를 기준으로 하여 오른쪽으로의 이동을 의미하고, 반대의 사선 방향은 왼쪽으로의 이동을 의미한다. 이미지 정보는 크레인 또는 작업의 이동 방향을 사선의 방향으로 표시하는 것 외에 색상을 다르게 표시할 수도 있다. 한편, 본 예시에서 목표 크레인이 제 4 작업(j4)를 수행한 후 기대 정보를 산출한다.
도 4의 (b)를 참조하면, 듀얼 스토커 스케줄링 장치(120)는 각각의 이미지 정보를 합쳐 하나의 궤적형태 행렬을 생성한다. 궤적형태 행렬은 이미지 정보에 대응하여 8개의 행과 18개의 열을 포함한다. 다만, 궤적형태 행렬은 크레인의 현재 움직임에 해당하는 정보인 제 1 열(점선 부분)을 추가하여 총 19개의 열을 포함한다. 여기서 궤적형태 행렬에 포함된 행과 열의 개수는 반드시 이에 한정되는 것은 아니며, 본 발명의 일 실시예에 불과할 뿐 다양하게 설정될 수 있다. 예컨대, 궤적형태 행렬은 목표 크레인 및 반대 크레인의 움직임과 관련된 4개의 행과 듀얼 스토커 시스템 상에서 최대로 고려할 수 있는 작업의 개수와 관련된 행의 개수를 더하여 전체 행의 개수를 설정할 수 있다. 또한 궤적형태 행렬은 듀얼 스토커 시스템의 전체 베이 개수를 열로 설정할 수 있다.
보다 상세하게 설명하자면, 궤적형태 행렬은 -1, 0 또는 1의 값으로 구성된다. 궤적형태 행태 행렬에서 1은 레일 상에서 현재 위치를 기준으로 하여 크레인과 작업의 오른쪽으로의 이동을 의미하고, -1은 왼쪽으로의 이동을 의미한다. 다만, 점선 부분에 해당하는 제 1 열은 크레인의 현재 움직임에 관한 정보를 포함하는 바, 1은 크레인이 현재 움직이고 있음을 의미한다. 즉, 궤적형태 행렬에서 1행의 경우 현재 반대 크레인은 현재 움직이고 있으며, 오른쪽으로 4번 베이에서 8번 베이로 이동 중이라는 정보를 포함한다.
도 5는 작업 상태정보를 설명하기 위해 개략적으로 나타낸 도면이다.
도 5를 참조하면, 작업 상태정보는 상태정보와 속성으로 구분된다. 작업 상태정보는 듀얼 스토커 스케줄링 장치(120)가 최적선택 정보를 특정하기 위해 사용된다.
상태정보는 크레인이 수행 중인 작업을 나타내는 작업 할당 정보와 미할당된 작업 리스트를 포함한다. 작업 할당은 크레인에 의해 현재 할당된 작업에 관한 정보를 의미한다. 예컨대, {w1, w2}의 경우 w1은 크레인 1에 할당된 작업 정보를, w2는 크레인 2에 할당된 작업 정보를 의미한다. 예컨대 도 5를 참조하면, 작업 할당에서 {j1(3, 8), 0}은 j1이 현재 크레인 1에 할당된 상태이고, 크레인 2에는 작업이 할당되어 있지 않은 것을 의미하며, 목표 크레인은 크레인 2로 결정된다. 한편, j1(3, 8)은 3번 베이에서 8번 베이로 이동해야 하는 것을 의미한다. 작업 리스트는 할당된 작업을 제외한 모든 작업 정보를 포함한다. 예컨대, {j2(6, 15), j3(10, 8), j4(13, 9)}은 j2, j3 및 j4가 현재 미할당된 상태이고, j2의 경우 6번 베이에서 15번 베이로, j3의 경우 10번 베이에서 8번 베이로, j4의 경우 13번 베이에서 9번 베이로 각각 이동해야 하는 것을 의미한다.
속성창은 현재 목표 크레인 및 반대 크레인의 위치와 크레인의 상태를 나타내는 정보를 포함한다. 예컨대, 속성창의 예시를 참조하면, 목표 크레인은 현재 17번 베이에 위치하고, 반대 크레인은 4번 베이에 위치함을 의미한다. 크레인의 지위는 크레인의 현재 동작에 관한 정보이다. 보다 상세하게는, 크레인 지위는 회수(Retrieve), 싣기(Pick up), 운반(Deliver) 및 내리기(Set down)를 포함한다. 예컨대, 현재 반대 크레인의 경우 j1을 목표 위치로 운반하고 있으므로, 반대 크레인의 지위는 Deliver로 설정된다.
보다 상세하게는, 크레인 지위는 회수 → 싣기 → 운반 → 내리기 → 탐색 순으로 변경된다. 크레인 지위는 내리기 → 탐색 구간에서 상태정보를 변경하는데, 상태정보가 변경되는 지점을 결정 포인트라고 한다. 결정 포인트에 대해서는 도 5의 (b)와 관련하여 후술한다.
도 6의 (a) 및 (b)는 각각 작업 행동정보 및 작업 보상정보를 설명하기 위해 개략적으로 나타낸 도면이다.
도 6의 (a)를 참조하면, 듀얼 스토커 스케줄링 장치(120)는 제 1 작업(j1) 다음으로 3가지 작업을 선택할 수 있다. 여기서, 작업 행동정보는 듀얼 스토커 스케줄링 장치(120)가 각각의 선택할 수 있는 작업 정보를 의미한다. 즉, 듀얼 스토커 스케줄링 장치(120)는 3가지의 현재 3개의 작업 행동정보를 갖는다.
예컨대, 도 6의 (a)와 같이, 현재 듀얼 스토커 스케줄링 장치(120)에는 반대 크레인(크레인 1)에 j1이 할당되어 있다고 가정한다. 듀얼 스토커 스케줄링 장치(120)가 j2의 작업 행동정보를 선택하는 경우, 다음 작업 상태정보는 목표 크레인(크레인 2)에 j2가 할당되고, 남은 작업 리스트는 j3, j4이다. 듀얼 스토커 스케줄링 장치(120)가 j3, j4의 작업 행동정보를 선택하는 경우도 마찬가지로 다음 작업 상태정보를 확인할 수 있다.
도 6의 (b)를 참조하면, 현재 작업 상태정보와 다음 작업 상태정보 사이의 간격 시간을 확인할 수 있는데, 이러한 간격 시간을 작업 보상정보라고 한다. 보다 상세하게는, 작업 보상정보는 각각의 크레인의 결정 포인트 사이의 시간적 간격을 의미한다. 결정 포인트(Decision Point)라 함은 두 크레인 중 한 크레인의 상태가 내리기 → 탐색으로 변경되는 지점을 의미한다. 상태정보에 포함된 값은 결정 포인트에서 변경된다. 예컨대, 상태정보가 {j1, 0}일 때 목표 크레인(크레인 2)에 j2를 할당하는 경우, 목표 크레인의 상태정보가 0에서 j2로 변경되므로, 목표 크레인의 결정 포인트는 목표 크레인의 상태정보가 변경되는 시점이다. 또한, 상태정보가 {j1, j2}일 때 j1을 목표 위치에 내리는 경우, 반대 크레인의 상태정보가 j1 에서 0으로 변경되므로, 반대 크레인의 결정 포인트는 반대 크레인의 상태정보가 변경되는 시점이다.
듀얼 스토커 스케줄링 장치(120)는 합성곱 신경망을 이용하여 기대정보를 산출하고, 전술한 작업 상태정보, 작업 행동정보 및 작업 보상정보를 기반으로 의사결정 모델인 마르코프 결정 프로세스를 이용하여 기대정보 중 최적선택 정보를 선택하여 특정한다.
도 7은 본 실시예에 따른 듀얼 스토커 스케줄링 방법을 설명하기 위한 순서도이다.
본 실시예에 따른 듀얼 스토커 스케줄링 장치(120)는 스토커 제어부(110)로부터 크레인 정보 및 작업 정보를 입력받는다(S702). 단계 S702에서 듀얼 스토커 스케줄링 장치(120)는 도 3에서 설명한 바와 같이 입력받은 크레인 정보 및 작업 정보를 인식한다.
듀얼 스토커 스케줄링 장치(120)는 입력받은 크레인 정보 및 작업 정보를 기반으로 이미지 정보를 생성한다(S704). 단계 S704에서 이미지 정보는 스토커 제어부(110)로부터 입력받은 크레인 정보 및 작업 정보를 포함하며, 보다 상세하게는 이미지 정보는 목표 크레인 및 반대 크레인을 구분하는 크레인 설정정보, 각각의 크레인의 현재 위치와 이동 방향에 관한 정보를 포함하고, 작업의 현재 위치와 목표 위치를 나타내는 정보를 포함한다.
듀얼 스토커 스케줄링 장치(120)는 생성된 이미지 정보를 기반으로 궤적형태 행렬을 생성한다(S706). 단계 S706에서 궤적형태 행렬은 이미지 정보를 하나의 행렬 형태로 변환한 것으로, 이미지 정보에 포함된 크레인과 작업에 관한 각종 정보들을 포함한다.
듀얼 스토커 스케줄링 장치(120)는 궤적형태 행렬을 합성곱 신경망에 대입하여 기대정보를 계산한다(S708). 단계 S708에서 기대정보는 현재 상태에서 다음 작업을 선택할 때 기대되는 예상 시간에 관한 정보를 의미한다.
듀얼 스토커 스케줄링 장치(120)는 의사결정 모델을 이용하여 기대정보 중 최적선택 정보를 선택하여 특정한다(S710). 단계 S710에서 의사결정 모델은 마르코프 결정 프로세스인 것이 바람직하나 반드시 이에 한정되는 것은 아니다.
듀얼 스토커 스케줄링 장치(120)는 최적선택 정보를 기반으로 크레인의 작업결과를 시뮬레이션한다(S712). 듀얼 스토커 스케줄링 장치(120)는 모든 작업에 대한 시뮬레이션이 완료되었는지 여부를 확인한다(S714). 듀얼 스토커 스케줄링 장치(120)는 모든 작업이 완료되지 않은 경우 단계 S702를 반복한다.
듀얼 스토커 스케줄링 장치(120)는 작업 결과를 재생 메모리(272)에 저장한다(S716). 듀얼 스토커 스케줄링 장치(120)는 새로운 작업 결과를 충분히 생성하였는지 여부를 판단한다(S718). 듀얼 스토커 스케줄링 장치(120)는 새로운 작업결과가 충분히 생성된 경우 작업 결과를 이용하여 합성곱 신경망에 대한 강화학습을 수행한다(S720). 듀얼 스토커 스케줄링 장치(120)는 새로운 작업결과가 충분히 생성되지 못한 경우, 단계 S704를 반복한다. 새로운 작업결과의 충분한 생성 여부 판단은 사용자에 의해 자유롭게 설정될 수 있다.
듀얼 스토커 스케줄링 장치(120)는 모든 작업이 완료된 경우 다음 작업 스케줄링을 위한 스토커 제어부(110)로부터의 입력을 대기한다(S722).
도 7에서는 단계 S702 내지 단계 S722를 순차적으로 실행하는 것으로 기재하고 있으나, 반드시 이에 한정되는 것은 아니다. 다시 말해, 도 7에 기재된 단계를 변경하여 실행하거나 하나 이상의 단계를 병렬적으로 실행하는 것으로 적용 가능할 것이므로, 도 7은 시계열적인 순서로 한정되는 것은 아니다.
이상의 설명은 본 실시예의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 실시예의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 실시예들은 본 실시예의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 실시예의 기술 사상의 범위가 한정되는 것은 아니다. 본 실시예의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 실시예의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
110: 스토커 제어부 120: 듀얼 스토커 스케줄링 장치
130: 듀얼 스토커 시스템 210: 데이터 입력부
220: 이미지 생성부 230: 행렬 생성부
240: 기대정보 산출부 250: 작업 스케줄링부
260: 작업결과 출력부 270: 작업결과 학습부
272: 재생 메모리 274: 스케줄링 학습부

Claims (10)

  1. 듀얼 스토커 시스템에 포함된 스토커 제어부로부터 크레인 정보 및 작업 정보를 입력받는 데이터 입력부;
    상기 크레인 정보 및 상기 작업 정보를 기반으로 이미지 정보를 생성하는 이미지 생성부;
    상기 이미지 정보를 기반으로 궤적형태(Trace Shape) 행렬을 생성하는 행렬 생성부;
    상기 궤적형태 행렬을 합성곱 신경망(Convolutional Neural Network)에 대입하여 기대정보를 계산하는 기대정보 산출부;
    상기 기대정보 중 의사결정 모델에 의해 선택된 최적선택 정보를 기반으로 복수 개의 크레인 각각의 작업순서를 결정하는 작업 스케줄링부; 및
    상기 작업순서를 기반으로 상기 크레인의 작업결과를 출력하는 작업결과 출력부
    를 포함하는 것을 특징으로 하는 듀얼 스토커 스케줄링 장치.
  2. 제 1 항에 있어서,
    상기 작업결과를 저장하는 재생 메모리; 및
    상기 작업결과를 기반으로 상기 합성곱 신경망을 학습하는 스케줄링 학습부
    를 더 포함하는 것을 특징으로 하는 듀얼 스토커 스케줄링 장치.
  3. 제 1 항에 있어서,
    상기 작업 스케줄링부는,
    상기 의사결정 모델로서 이산시간 확률모델을 이용하여 상기 작업순서를 결정하는 것을 특징으로 하는 듀얼 스토커 스케줄링 장치.
  4. 제 1 항에 있어서,
    상기 이미지 생성부는,
    각각의 FPD 제조공정에 대응하는 적어도 하나 이상의 베이(Bay)를 생성하고, 상기 크레인 정보 및 상기 작업 정보를 나타내는 사선 정보 또는 색상 정보를 상기 베이에 표시한 상기 이미지 정보를 생성하는 것을 특징으로 하는 듀얼 스토커 스케줄링 장치.
  5. 제 4 항에 있어서,
    상기 행렬 생성부는,
    상기 베이를 하나의 매트릭스(Matrix) 형태로 생성하고, 상기 사선 정보 또는 상기 색상 정보를 기반으로 -1, 0 또는 1의 값을 매칭하여 상기 궤적형태 행렬을 생성하는 것을 특징으로 하는 듀얼 스토커 스케줄링 장치.
  6. 제 1 항에 있어서,
    상기 크레인 정보는,
    상기 크레인 중에서 목표 크레인 및 반대 크레인을 특정하기 위한 크레인 설정정보, 상기 목표 크레인 및 상기 반대 크레인의 현재 위치를 나타내는 크레인 위치정보 및 상기 크레인의 현재 이동방향을 나타내는 이동방향 정보를 포함하고,
    상기 작업 정보는,
    상기 스토커 제어부로부터 입력받은 순서대로 번호를 배정하는 작업 설정정보 및 각각의 작업들의 현재 위치와 목표 위치를 나타내는 작업 위치정보를 포함하는 것을 특징으로 하는 듀얼 스토커 스케줄링 장치.
  7. 제 1 항에 있어서,
    상기 이미지 생성부는,
    상기 작업결과 출력부로부터 상기 작업결과를 수신하고, 수신한 작업결과에 포함된 크레인 정보 및 작업 정보를 기반으로 상기 이미지 정보를 생성하는 것을 특징으로 하는 듀얼 스토커 스케줄링 장치.
  8. 제 1 항에 있어서,
    상기 작업 스케줄링부는,
    작업 상태정보, 작업 행동정보 및 작업 보상정보를 기반으로 상기 최적선택 정보를 특정하는 것을 특징으로 하는 듀얼 스토커 스케줄링 장치.
  9. 듀얼 스토커 시스템에 포함된 스토커 제어부로부터 크레인 정보 및 작업 정보를 입력받는 데이터 입력과정;
    상기 크레인 정보 및 상기 작업 정보를 기반으로 이미지 정보를 생성하는 이미지 생성과정;
    상기 이미지 정보를 기반으로 궤적형태(Trace Shape) 행렬을 생성하는 행렬 생성과정;
    상기 궤적형태 행렬을 합성곱 신경망(Convolutional Neural Network)에 대입하여 기대정보를 계산하는 기대정보 산출과정;
    상기 기대정보 중 의사결정 모델에 의해 선택된 최적선택 정보를 기반으로 복수 개의 크레인 각각의 작업순서를 결정하는 작업 스케줄링 과정; 및
    상기 작업순서를 기반으로 상기 크레인의 작업결과를 출력하는 작업결과 출력과정
    을 포함하는 것을 특징으로 하는 듀얼 스토커 스케줄링 방법.
  10. 제 9 항에 있어서,
    상기 작업결과를 저장하는 과정; 및
    상기 작업결과를 기반으로 상기 합성곱 신경망을 학습하는 스케줄링 학습과정
    을 더 포함하는 것을 특징으로 하는 듀얼 스토커 스케줄링 방법.
KR1020190044107A 2018-10-24 2019-04-16 듀얼 스토커 스케줄링 방법 및 장치 KR102238930B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20180127422 2018-10-24
KR1020180127422 2018-10-24

Publications (2)

Publication Number Publication Date
KR20200047278A true KR20200047278A (ko) 2020-05-07
KR102238930B1 KR102238930B1 (ko) 2021-04-12

Family

ID=70734081

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190044107A KR102238930B1 (ko) 2018-10-24 2019-04-16 듀얼 스토커 스케줄링 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102238930B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102629022B1 (ko) * 2023-07-21 2024-01-25 주식회사 마키나락스 강화 학습 기반의 스케줄링 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130112098A (ko) * 2012-04-03 2013-10-14 이진용 공정설계 및 공정분석 방법
KR101846793B1 (ko) * 2017-10-17 2018-04-06 부경대학교 산학협력단 제조 장비에서 수집된 데이터의 분석을 이용한 제조 공정 계획 방법 및 이를 이용한 제조 공정 계획 시스템

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130112098A (ko) * 2012-04-03 2013-10-14 이진용 공정설계 및 공정분석 방법
KR101846793B1 (ko) * 2017-10-17 2018-04-06 부경대학교 산학협력단 제조 장비에서 수집된 데이터의 분석을 이용한 제조 공정 계획 방법 및 이를 이용한 제조 공정 계획 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102629022B1 (ko) * 2023-07-21 2024-01-25 주식회사 마키나락스 강화 학습 기반의 스케줄링 방법

Also Published As

Publication number Publication date
KR102238930B1 (ko) 2021-04-12

Similar Documents

Publication Publication Date Title
EP3816886B1 (en) Management method, apparatus, system applied to goods-to-person system, and server and computer storage medium
Chang et al. Adaptive multi-objective genetic algorithms for scheduling of drilling operation in printed circuit board industry
CN112561395B (zh) 无人机协同方法、系统、装置、电子设备及存储介质
KR101422403B1 (ko) 처리실 할당 설정 장치 및 기록 매체
WO2020165739A1 (en) Safeguarding resources of physical entites in a shared environment
US20150134120A1 (en) Online heurisitc algorithm for combined cooling heating and power plant optimization
CN1862579A (zh) 通过生产线上的操作安排产品批量的时间表的方法和系统
KR101356191B1 (ko) 네트워크를 이용한 협업 프로젝트 수행 시스템 및 방법
KR102238930B1 (ko) 듀얼 스토커 스케줄링 방법 및 장치
CN116542365A (zh) 移动机器人履行系统中订单分配和agv调度联合优化方法
CN117669992B (zh) 面向智能仓储多移动机器人实时两阶段调度方法及系统
JP2006287075A (ja) 部品実装機の基板生産最適化方法
Chetty et al. Genetic algorithms for studies on AS/RS integrated with machines
Mhasawade et al. A survey of hybrid metaheuristics to minimize makespan of job shop scheduling problem
Chen et al. Retrieval request scheduling in a shuttle-based storage and retrieval system with two lifts
Jawahar et al. Optimal random storage allocation for an AS/RS in an FMS
CN103838518B (zh) 存储介质库中存储介质的高效移动的方法和装置
Khalouli et al. An ant colony system algorithm for the hybrid flow-shop scheduling problem
JP2015207686A (ja) 部品配置決定方法および部品配置決定装置
CN205507458U (zh) 一种示教器
CN106777446A (zh) 用于提供布置图的设备和方法
KR20130065706A (ko) 소프트웨어 생성 장치, 소프트웨어 생성 방법 및 프로그램 기억매체
Narapureddy et al. Optimal scheduling methodology for machines, tool transporter and tools in a multi-machine flexible manufacturing system without tool delay using flower pollination algorithm
Nidhiry et al. Evaluation of genetic algorithm approach for scheduling optimization of flexible manufacturing systems
JPH0744611A (ja) 多目的最適化問題解決方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant