TWI676139B - 生產週期預測方法及生產週期預測系統 - Google Patents

Abstract

一種生產週期預測方法，包括一提供步驟、一資料處理步驟、一預測模型訓練步驟、以及一預測步驟。該提供步驟包括提供一生產週期預測系統。該資料處理步驟包括蒐集與儲存多種產品及機台的資料，並據以產生一筆樣本資料。該預測模型訓練步驟，包括對該至少一預測模型進行訓練並學習該樣本資料，並產生至少一產品生產週期預測結果，其中該至少一預測模型可自動調整。該預測步驟包括根據生產週期預測結果而產生產品生產預期週期。上述生產週期預測方法能精準預期產品的生產週期。

Description

生產週期預測方法及生產週期預測系統

本發明關於一種預測方法，尤指一種生產週期預測方法及生產週期預測系統，該生產週期預測方法可在少量多樣的生產模式下，根據各樣產品的特性及機台本身狀況，動態改變調整其預測模式，以預測各樣產品的較精確生產時間(生產週期)。

現有的產品生產排程方法及排程系統，僅適用於批量生產模式，前提為各站點之生產週期能依據各站點之標準工時、目標產量、及交貨時程進行排程。

但對於少量多樣的零工式生產模式，若以上述適用於批量生產模式的排程方法及系統進行排程，則必須依該零工式生產模式所生產的產品特性、機台狀況等因素而提供精確的各站點生產週期時間，同時也必須考量機台零件老化而造成在較後生產週期中所需工時延長的差異(隨著周期不斷重複，週期時間將逐漸增長)，再輸入排程系統進行排程獲取較佳的排程結果，提升準交率與機台稼動率。然而，適用於批量生產模式的排程系統並未針對少量多樣的零工式生產模式設定精確的自適應調整機制，為了提供精確的各站點生產週期時間以及估計因機器老化而產生的週期差異，必須依賴生產線上的排程控管人員之經驗頻繁地以人工微調排程 系統的所有參數，造成排程方法失去其自動化排程之功能。

因此，目前仍欠缺適用於少量多樣的零工生產模式的排程方法及排程系統。

本發明人有鑑於現有的產品生產排程方法及排程系統僅適用於批量生產模式而無法針對少量多樣的生產模式進行週期預測及排程的缺點，改良其不足與缺失，進而創作出一種生產週期預測方法及生產週期預測系統。

本發明主要目的在於提供一種生產週期預測方法，該生產週期預測方法可在少量多樣的生產模式下，根據各樣產品的特性及機台本身狀況，動態改變調整其預測模式，以預測各樣產品的較精確生產時間(生產週期)。

為達上述目的，本發明生產週期預測方法包括：一提供步驟，包括提供一生產週期預測系統，該生產週期預測系統包括：一資料處理模組，用於蒐集、傳送與儲存資料；至少一預測模型，用於學習來自資料處理模組的資料並生成相應的產品生產週期預測結果；一模型訓練模組，用於對預測模型進行訓練；及一預測模組，用於根據產品生產週期預測結果產生產品生產預期週期；一資料處理步驟，包括以該資料處理模組蒐集與儲存多種 產品的產品規格、以及一用於生產該多項產品的機台的多項機台參數，並且根據該產品規格及該機台參數，產生一筆樣本資料；一預測模型訓練步驟，包括透過該模型訓練模組根據該樣本資料對該至少一預測模型進行訓練，使該至少一預測模型在學習該樣本資料後產生多個分別對應各項產品的產品生產週期預測結果，其中該至少一預測模型隨著所學習過的樣本資料的增加而不斷調整該多個產品生產週期預測資料；以及一預測步驟，包括透過一預測模組接收該多個產品生產週期預測結果，並且根據該多個產品的生產週期預測結果，對各項產品分別進行生產週期的預測，並產生多個分別對應各項產品的產品生產預期週期。

藉由上述技術手段，本發明生產週期預測方法透過該至少一預測模型對資料處理模組所蒐集到的各項產品的產品規格及用於該多項產品的機台的多項機台參數所生成樣本資料，進而產生多個分別對應各項產品的產品生產週期預測結果，最後再以預測模組根據該多個產品生產週期預測結果而產生最終的多個分別對應各項產品的產品生產預期週期。尤其，該至少一預測模型隨著所學習過的樣本資料的增加而不斷調整該多個產品生產週期預測結果，因此，該至少一預測模型有自適應的特性，會隨著所累積的樣本資料的學習成果而不斷最佳化所有的產品生產週期預測結果。如此，透過至少一預測模型學習不同產品與機台所生成的各式樣本資料，即可對不同產品在不同機台上進行產品生產週期的精準預測，最後將精準的產品生產預期週期輸出給一外部的自動排程系統，以利生產線的排 程。綜上，本發明中具有至少下列優點：

1.本發明可透過模組的自適應特性而提供較精確的產品生產預期週期給自動排程系統。

2.提供具適應性的調適方法，依據當前產品規格(產品特性)及機台參數(機台狀況，例如因機台各項零件老化而造成生產週期時間的差異)，動態調整預測模型，預測出較精確的生產時間。

3.由於預測模型可持續根據收到的樣本資料而不斷自行調整，在輸入少量關於新機台的樣本資料時，可依據過去舊有機台歷史資料以及少量新機台資料進行預測模型調適，因而能夠針對該新機台生成精準的產品生產預期週期。

4.透過對產品生產預期週期的精準預測，能夠提升產品的準交率及生產線的稼動率。

在本發明中，該資料處理步驟進一步包括以該資料處理模組蒐集與儲存各項產品在對應機台上的實際生產週期。

在本發明中，該至少一預測模型的數量為多個；該預測模型訓練步驟進一步包括該多個預測模型同時根據該樣本資料進行學習，並且分別產生一產品生產週期預測結果，該多個產品生產週期預測結果經過權重分配運算而生成單一筆產品生產週期預測結果。

在本發明中，該生產週期預測系統進一步包括一線上調適模組，該線上調適模組用於根據正在線上的機台所傳送的一最新即時資料而調整該多個預測模型的權重分配；該預測模型訓練步驟進一步包括以該線上調適模組對改變該多個預測模型的權重分配。

在本發明中，該生產週期預測系統進一步包括一跨機器調適模組，該跨機器調適模組用於將舊有的相同類型機台的預測模型，調適至適用於新機台之預測模型；該預測模型訓練步驟進一步包括以該跨機器調適模組調整該至少一預測模型到適用於新機台，然後才透過該模型訓練模組訓練該至少一預測模型。

在本發明中，該資料處理模組、該至少一預測模型、該模型訓練模組、該預測模組預載於一電腦中，該電腦包括有一處理器以及一記憶體。

本發明另一目的在於提供一種生產週期預測系統，其包括：一資料處理模組，用於蒐集、傳送與儲存資料；至少一預測模型，用於學習來自資料處理模組的資料並生成相應的產品生產週期預測資料；一模型訓練模組，用於對預測模型進行訓練；及一預測模組，用於根據產品生產週期預測結果產生產品生產預期週期。

在本發明中，該生產週期預測系統進一步包括：一上調適模組，用於根據正在線上的機台所傳送的一最新即時資料而調整該多個預測模型的權重分配。

在本發明中，該生產週期預測系統進一步包括：一該跨機器調適模組用於將舊有的相同類型機台的預測模型，調適至適用於新機台之預測模型。

S01、S02、S03、S04‧‧‧步驟

1‧‧‧生產週期預測系統

10‧‧‧資料處理模組

11‧‧‧資料蒐集模組

12‧‧‧資料傳送模組

13‧‧‧資料儲存模組

20‧‧‧模型訓練模組

30‧‧‧線上調適模組

40‧‧‧跨機器調適模組

50‧‧‧預測模組

60‧‧‧預測模型

C‧‧‧電腦

P‧‧‧處理器

M‧‧‧記憶體

圖1為本發明生產週期預測方法步驟流程圖。

圖2為本發明生產週期預測系統的局部系統方塊圖。

圖3為本發明生產週期預測系統的局部系統方塊圖，其中圖2結合圖3為本發明的完整系統方塊圖。

圖4為本發明生產週期預測系統的詳細系統方塊圖。

請參照圖1至圖3，本發明生產週期預測方法包括：一提供步驟S01、一資料處理步驟S02、一預測模型訓練步驟S03、以及一預測步驟S04。

該提供步驟S01包括提供一生產週期預測系統1，該生產週期預測系統1包括：一資料處理模組10、至少一預測模型60、一模型訓練模組20、以及一預測模組50。

該資料處理模組10用於蒐集、傳送與儲存資料。在較佳實施例中，該資料處理模組10進一步包括一資料蒐集模組11、一資料傳送模組12、及一資料儲存模組13以分別為資料的蒐集、傳送及儲存功能。

該至少一預測模型60用於學習來自資料處理模組10的資料並生成相應的產品生產週期預測結果。

該模型訓練模組20用於對預測模型60進行訓練。

該預測模組50用於根據產品生產週期預測結果產生產品生產預期週期。

請參照圖4，在較佳實施例中，該資料處理模組10、該至少一預測模型60、該模型訓練模組20、該預測模組50預載於一電腦C中，該電腦C包括有一處理器P以及一記憶體M。

該資料處理步驟S02包括以該資料處理組蒐集與儲存多種 產品的產品規格、以及一用於生產該多項產品的機台的多項機台參數，並且根據該產品規格及該機台參數，產生一筆樣本資料。舉例而言，該產品規格可包括尺寸、重量、材料、產品型號等等，而該機台參數可包括機台型號、內部多個零件的型號、機台上各項裝置或功能等等。在較佳實施例中，該資料處理步驟S02進一步包括以該資料處理模組蒐集與儲存各項產品在對應機台上的實際生產週期，即是歷史的生產週期。

該預測模型訓練步驟S03包括透過該模型訓練模組20根據該樣本資料對該至少一預測模型60進行訓練，使該至少一預測模型60在學習該樣本資料後產生多個分別對應各項產品的產品生產週期預測結果，其中該至少一預測模型60隨著所學習過的樣本資料的增加而不斷調整該多個產品生產週期預測結果。

在較佳實施例中，該至少一預測模型60的數量為多個；該預測模型訓練步驟S03進一步包括該多個預測模型60同時根據該樣本資料進行學習，並且分別產生一產品生產週期預測結果，該多個產品生產週期預測資料經過權重分配運算而生成單一筆產品生產週期預測資料，例如，當有兩個預測模型60時，其中一預測模型60。權重可為60%，另一預測模型60的權重則為40%。

在較佳實施例中，該生產週期預測系統1進一步包括一線上調適模組30，該線上調適模組30用於根據正在線上的機台所傳送的一最新即時資料而調整該多個預測模型60的權重分配；該預測模型訓練步驟S03進一步包括以該線上調適模組30對改變該多個預測模型60的權重分配。

在另一較佳實施例中，該生產週期預測系統1進一步包括一 跨機器調適模組40，該跨機器調適模組40用於將舊有的相同類型機台的預測模型60，調適至適用於新機台之預測模型60；該預測模型訓練步驟S03進一步包括以該跨機器調適模組40調整該至少一預測模型60到適用於新機台，然後才透過該模型訓練模組20訓練該至少一預測模型60。

該預測步驟S04包括透過一預測模組50接收該多個產品生產週期預測結果，並且根據該多個產品的生產週期預測結果，對各項產品分別進行生產週期的預測，並產生多個分別對應各項產品的產品生產預期週期。

藉由上述技術手段，本發明生產週期預測方法透過該至少一預測模型60對資料處理模組10所蒐集到的各項產品的產品規格及用於該多項產品的機台的多項機台參數所生成樣本資料，進而產生多個分別對應各項產品的產品生產週期預測結果，最後再以預測模組50根據該多個產品生產週期預測結果而產生最終的多個分別對應各項產品的產品生產預期週期。尤其，該至少一預測模型60隨著所學習過的樣本資料的增加而不斷調整該多個產品生產週期預測結果，因此，該至少一預測模型60有自適應的特性，會隨著所累積的樣本資料的學習成果而不斷最佳化所有的產品生產週期預測模型。如此，透過至少一預測模型60學習不同產品與機台所生成的各式樣本資料，即可對不同產品在不同機台上進行產品生產週期的精準預測，最後將精準的產品生產預期週期輸出給一外部的自動排程系統，以利生產線的排程。綜上，本發明中具有至少下列優點：

1.本發明可透過模組的自適應特性而提供較精確的產品生產預期週期給自動排程系統。

2.提供具適應性的調適方法，依據當前產品規格(產品特性)及機台參數(機台狀況，例如因機台各項零件老化而造成生產週期時間的差異)，動態調整預測模型60，預測出較精確的生產時間。

3.由於預測模型60可持續根據收到的樣本資料而不斷自行調整，在輸入少量關於新機台的樣本資料時，可依據過去舊有機台歷史資料以及少量新機台資料進行預測模型60調適，因而能夠針對該新機台生成精準的產品生產預期週期。

4.透過對產品生產預期週期的精準預測，能夠提升產品的準交率及生產線的稼動率。

Claims (9)

1. 一種生產週期預測方法，包括：一提供步驟，包括提供一生產週期預測系統，該生產週期預測系統包括：一資料處理模組，用於蒐集、傳送與儲存資料；至少一預測模型，用於學習來自資料處理模組的資料並生成相應的產品生產週期預測結果；一模型訓練模組，用於對預測模型進行訓練；及一預測模組，用於根據產品生產週期預測結果產生產品生產預期週期；一資料處理步驟，包括以該資料處理模組蒐集與儲存多種產品的產品規格、以及一用於生產該多項產品的機台的多項機台參數，並且根據該產品規格及該機台參數，產生一筆樣本資料；一預測模型訓練步驟，包括透過該模型訓練模組根據該樣本資料對該至少一預測模型進行訓練，使該至少一預測模型在學習該樣本資料後產生多個分別對應各項產品的產品生產週期預測結果，其中該至少一預測模型隨著所學習過的樣本資料的增加而不斷調整該多個產品生產週期預測結果；以及一預測步驟，包括透過一預測模組接收該多個產品生產週期預測結果，並且根據該多個產品的生產週期預測結果，對各項產品分別進行生產週期的預測，並產生多個分別對應各項產品的產品生產預期週期。
2. 如請求項1所述的生產週期預測方法，其中該資料處理步驟進一步包括以該資料處理模組蒐集與儲存各項產品在對應機台上的實際生產週期。
3. 如請求項1所述的生產週期預測方法，其中該至少一預測模型的數量為多個；該預測模型訓練步驟進一步包括該多個預測模型同時根據該樣本資料進行學習，並且分別產生一產品生產週期預測結果，該多個產品生產週期預測結果經過權重分配運算而生成單一筆產品生產週期預測結果。
4. 如請求項3所述的生產週期預測方法，其中該生產週期預測系統進一步包括一線上調適模組，該線上調適模組用於根據正在線上的機台所傳送的一最新即時資料而調整該多個預測模型的權重分配；該預測模型訓練步驟進一步包括以該線上調適模組對改變該多個預測模型的權重分配。
5. 如請求項1至3中任一項所述的生產週期預測方法，其中該生產週期預測系統進一步包括一跨機器調適模組，該跨機器調適模組用於將舊有的相同類型機台的預測模型，調適至適用於新機台之預測模型；該預測模型訓練步驟進一步包括以該跨機器調適模組調整該至少一預測模型到適用於新機台，然後才透過該模型訓練模組訓練該至少一預測模型。
6. 如請求項1所述的生產週期預測方法，其中該資料處理模組、該至少一預測模型、該模型訓練模組、該預測模組預載於一電腦中，該電腦包括有一處理器以及一記憶體。
7. 一種生產週期預測系統，包括：一資料處理模組，用於蒐集、傳送與儲存資料；至少一預測模型，用於學習來自資料處理模組的資料並生成相應的產品生產週期預測結果；一模型訓練模組，用於對預測模型進行訓練；及一預測模組，用於根據產品生產週期預測結果產生產品生產預期週期。
8. 如請求項7所述的生產週期預測系統，其進一步包括：一上調適模組，用於根據正在線上的機台所傳送的一最新即時資料而調整該多個預測模型的權重分配。
9. 如請求項7所述的生產週期預測系統，其進一步包括：一該跨機器調適模組用於將舊有的相同類型機台的預測模型，調適至適用於新機台之預測模型。