TWI850654B - 學習型派工系統以及派工方法 - Google Patents
學習型派工系統以及派工方法 Download PDFInfo
- Publication number
- TWI850654B TWI850654B TW111116351A TW111116351A TWI850654B TW I850654 B TWI850654 B TW I850654B TW 111116351 A TW111116351 A TW 111116351A TW 111116351 A TW111116351 A TW 111116351A TW I850654 B TWI850654 B TW I850654B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- dispatching
- reasoning module
- processor
- scheduling
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004519 manufacturing process Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 5
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 3
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Abstract
本發明提出一種學習型派工系統以及派工方法。學習型派工系統包括儲存裝置以及處理器。儲存裝置儲存先進規劃排程系統、製造執行系統以及關聯性推理模組。處理器耦接儲存裝置，並且執行先進規劃排程系統、製造執行系統以及關聯性推理模組。處理器將先進規劃排程系統以及製造執行系統所產生的輸入資料輸入至關聯性推理模組，以使關聯性推理模組產生輸出資料。處理器根據輸出資料控制工作站進行在製品的派工操作。輸出資料包括派工時間資訊以及建議機台資訊。
Description
本發明是有關於一種系統及方法，且特別是有關於一種學習型派工系統以及派工方法。
目前，針對在製品(Work in Process，WIP)的製造作業的過程中，由於每個工作站所處理的在製品製程可能不同，因此傳統的在製品的製造作業需通過大量人力現場評估各個工作站及其各個機台情況來進行派工作業。對此，傳統的派工作業不僅缺乏效率，還缺乏考量實體生產場域的情況以及產品生產流程的即時狀況，而使得傳統的派工作業無法有效地提升工作站的生產效率。
本發明是針對一種學習型派工系統以及派工方法，可自動地根據先進規劃排程系統以及製造執行系統所產生輸入資料，產生對應的派工時間資訊以及建議機台資訊。
根據本發明的實施例，本發明的學習型派工系統包括儲存裝置以及處理器。儲存裝置儲存先進規劃排程系統、製造執行系統以及關聯性推理模組。處理器耦接儲存裝置，並且執行先進規劃排程系統、所述製造執行系統以及關聯性推理模組。處理器將先進規劃排程系統以及製造執行系統所產生的輸入資料輸入至關聯性推理模組，以使關聯性推理模組產生輸出資料。處理器根據輸出資料控制工作站進行在製品的派工操作。輸出資料包括派工時間資訊以及建議機台資訊。
根據本發明的實施例，本發明的派工方法包括以下步驟：通過先進規劃排程系統以及製造執行系統產生輸入資料；將輸入資料輸入至關聯性推理模組；通過關聯性推理模組產生輸出資料；以及根據輸出資料控制工作站進行在製品的派工操作。
基於上述，本發明的學習型派工系統以及派工方法，可利用關聯性推理模組分析先進規劃排程系統以及製造執行系統提供的輸入資料，而自動產生有效的派工時間資訊以及建議機台資訊，以有效地提升生產效率。
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
現將詳細地參考本發明的示範性實施例，示範性實施例的實例說明於附圖中。只要有可能，相同元件符號在圖式和描述中用來表示相同或相似部分。
圖1是本發明的一實施例的學習型派工系統的示意圖。參考圖1，學習型派工系統100包括處理器110以及儲存裝置120。處理器110耦接儲存裝置120。儲存裝置120用以儲存先進規劃排程系統(Advanced Planning and Scheduling，APS)121、製造執行系統(Manufacturing Execution System，MES)122以及關聯性推理模組(relational reasoning module)123。在本實施例中，先進規劃排程系統121以及製造執行系統122可通過特定的應用程序接口(Application Programming Interface，API)來提供派工服務(或其他業務服務(Business service))的功能。換言之，用戶可操作先進規劃排程系統121以及製造執行系統122的應用程序接口，以產生輸入資料，並且學習型派工系統100可根據輸入資料自動執行關聯性推理模組123，以產生相關的派工建議資訊。
在本實施例中，學習型派工系統100可例如是設置在工作站的運算裝置中，以供用戶操作。工作站可用於控制多個製程設備，並且多個工作站可實現一個生產目標。或者，學習型派工系統100可例如是設置在雲端服務器中，以供用戶操作，並連線控制工作站。在本實施例中，處理器110可例如包括中央處理單元(Central Processing Unit，CPU)，或是其他可編程之一般用途或特殊用途的微處理器(Microprocessor)、數字信號處理器(Digital Signal Processor，DSP)、特殊應用集成電路(Application Specific Integrated Circuits，ASIC)、可編程邏輯器件(Programmable Logic Device，PLD)、其他類似處理電路或這些裝置的組合。儲存裝置120可包括記憶體(Memory)及/或資料庫(database)，其中記憶體可例如非易失性記憶體(Non-Volatile Memory，NVM)。儲存模組120可儲存有用於實現本發明各實施例的相關程序、模組、系統或算法，以供處理器110存取並執行而實現本發明各實施例所描述的相關功能及操作。在本實施例中，先進規劃排程系統121以及製造執行系統122可例如是以JSON(JavaScript Object Notation)、可延伸標記式語言(Extensible Markup Language，XML)或YAML等諸如此類的程序語言來實現的，但本發明也不限於此。
本實施例中，處理器110可執行先進規劃排程系統121以及製造執行系統122，以產生用於在製品派工的輸入資料，並且處理器110可執行關聯性推理模組123，以將輸入資料輸入至關聯性推理模組123。關聯性推理模組123可包括機器學習的算法，並且可用於產生輸入資料與輸出資料之間的關聯函數。如此一來，關聯性推理模組123可根據輸入資料以及關聯函數自動產生輸出資料。輸出資料可包括派工時間資訊以及建議機台資訊。處理器110可根據派工時間資訊以及建議機台資訊來自動控制工作站(Workstation，WS)的多個製程設備進行在製品(Work in Process，WIP)的製造作業。
圖2是本發明的一實施例的派工方法的流程圖。參考圖1以及圖2，本實施例的學習型派工系統100可執行如以下步驟S210~S240。在本實施例中，用戶可操作先進規劃排程系統121以及製造執行系統122的應用程序接口。在步驟S210，處理器110可執行先進規劃排程系統121以及製造執行系統122，以通過先進規劃排程系統121以及製造執行系統122產生輸入資料。在本實施例中，生產規劃資料以及機台(Equipment，EQ)資料皆可作為輸入資料，並且輸入資料可為向量特徵資料或張量(tensor)特徵資料。值得注意的是，生產規劃資料可包括如以下表1以及表2所示的多個向量特徵資料的至少其中之一。表1以及表2所示的多個向量特徵資料包括特徵值、實際值以及向量值。多個向量特徵資料可組成張量特徵資料。並且，所述生產規劃資料可例如是由先進規劃排程系統(Advanced Planning and Scheduling，APS)所提供的，並且機台資料可例如是由製造執行系統(Manufacturing Execution System，MES)所提供的。
表1
表2
| 特徵 | 實際值 | 向量 | |
| 批號 | Lot | 311011110.1 | 45612 |
| 產品規格 | Item | 12VP22158IGXXS | 12 |
| 工單 | MO | MO-3110 | 2450 |
| 訂單 | Order | APS_DO_127-1 | 127 |
| 途程名稱(ID) | Routerid | 12VP22158IG | 12 |
| 途程程序 | RouterSeq | 1 | 1 |
| 加工段 | SetpSeq | 21 | 21 |
| 替代作業序 | AltOpSeq | 1 | 1 |
| 作業序 | OPSep | 310 | 310 |
| 批量數 | Size | 90 | 90 |
| 作業名稱 | Opid | 3VOX1.01 | 18 |
| 可加工時間 | SimTime | 0 | 0 |
| 特徵 | 實際值 | 向量 | |
| 工作站 | WS | 3H_LASER | 310 |
| 設備 | EQ | 21LAMBLK002 | 891 |
| 起始時間 | SimTime | 0 | 0 |
| 生產參數 | Recipe | 3_3VOX1.01_001 | 2389 |
| 整治開始時間 | Setup | 0 | 0 |
| 加工開始時間 | Start | 3 | 3 |
| 後置時間 | PostTime | 21 | 21 |
| 區域編號 | Site | 3H_DESMEAR | 3 |
| 設備類型 | Type | 2 | 2 |
在步驟S220，處理器110可執行關聯性推理模組123，並將輸入資料輸入至關聯性推理模組123。在步驟S230，關聯性推理模組123經由關聯性推理運算後可產生輸出資料。在本實施例中，關聯性推理模組123可根據如上述的特徵資料進行關聯性推理，以找出生產策略和現場派工的關聯性。輸出資料可包括派工時間資訊以及建議機台資訊。對此，輸出資料例如可包括以下表3所示的資料內容。
表3
| 建議時間(Time) | 0 |
| 設備(EQ) | 21LAMBLK002 |
在步驟S240，處理器110可根據輸出資料控制工作站進行在製品的人為或自動的派工操作，以有效地優化工作站的生產效率。因此，本實施例的學習型派工系統100以及派工方法，可有效地根據先進規劃排程系統121以及製造執行系統122提供的輸入資料產生相對應的派工建議資訊。
圖3是本發明的一實施例的訓練關聯性推理模組的流程圖。參考圖1以及圖3。在本實施例中，關聯性推理模組123可為通過自注意力機制(self-attention mechanism，SAM)模型所建構的神經網路(Neural Network)模組，或其他類似的神經網路模組，並可實現深度強化式機器學習(Deep Reinforcement Learning，DRL)功能。關聯性推理模組123可例如利用多層的類神經網路。並且，關聯性推理模組123可經訓練以學習推理先進規劃排程系統121以及製造執行系統122的派工資料，以進而從大資料中找出例如對應機台與現場派工參數、時間、料號、訂單交期、生產線等之間的關聯，以產生對應的派工關聯函數。如此一來，配置有關聯性推理模組123的派工系統，即實現為一種學習型派工系統。在本實施例中，學習型派工系統100可執行如以下步驟S310~S380，以預先訓練關聯性推理模組123。在步驟S310，處理器110可取得參考輸入資料。在本實施例中，輸入資料可包括參考生產規劃特徵向量、參考報工資料特徵向量、現場資源資訊以及現場物料資源資訊。值得注意的是，參考生產規劃特徵向量可例如是由先進規劃排程系統所提供的，並且參考報工資料特徵向量可例如是由製造執行系統所提供的。在步驟S320，處理器110可對參考輸入資料進行初始化，以產生訓練資料。所述初始化可例如是將輸入資料轉換為向量特徵資料或張量特徵資料。
在步驟S330，處理器110可根據訓練資料訓練關聯性推理模組123。在本實施例中，訓練資料的數量可為多筆。在訓練過程中，關聯性推理模組123可針對每一筆訓練資料產生對應的輸出資料。在步驟S340，處理器110可根據每一筆輸出資料控制工作站，並且工作站可對應地產生回饋資料。值得注意的是，回饋資料可包括多個設備資訊以及對應多個權重值。回饋資料可包括如以下表4所示的資料內容。
表4
| 設備(編號) | 相關權重 |
| 21LAMBLK002 | 0.86 |
| 21LAS003 | 0.07 |
| 21LDR000001 | 0.07 |
在步驟S350，處理器110可取得回饋資料。在步驟S360，處理器110可判斷回饋資料是否符合預期。在本實施例中，處理器110可比對回饋資料與先進規劃排程系統所產生的排程資料，以決定是否修正關聯性推理模組123。換言之，關聯性推理模組123可經訓練以至少可替代先進規劃排程系統所提供排程建議功能，而通過更有效率且準確的關聯性推理來產生派工建議。在本實施例中，處理器110可比對先進排程規劃的符合程度，其中符合程度是指實際派工情況。例如，處理器110可根據生產線、生產設備或預期時間誤差等數值來比對差異性。對此，處理器110可判斷回饋資料與排程資料之間的數值誤差小於或等於閾值。若是，則表示回饋資料符合預期。處理器110可執行步驟S340，以持續(遞迴)根據下一個參考輸出資料來訓練關聯性推理模組123。若否，則表示回饋資料未符合預期。處理器110可執行步驟S370，以修正關聯性推理模組123中的決策因子(自動校正)。決策因子可例如包括判斷途程是否正確、作業是否正確及/或設備是否正確等。決策因子可例如為所派工批量的先後排序、交期、料號特性等因子，並且會關係到整體結果是否符合實際。若前述決策因子有錯誤，則處理器110可自動修正或通過接收外部修正指令(由用戶提供)來修正錯誤的決策因子。在步驟S380，處理器110可重新控制工作站，以重新派工，並且接續執行步驟S330，以持續(遞迴)根據下一個參考輸出資料來訓練關聯性推理模組123。如此一來，本實施例的關聯性推理模組123可經訓練後所產生的派工建議可使工作站所實現的派工結果能符合生產排程的相關規劃並且可同時考量現場派工因素，以提供精確的派工建議或自動派工操作。
綜上所述，本發明的學習型派工系統以及派工方法，可讓用戶通過操作先進規劃排程系統以及製造執行系統的應用程序接口的方式，以產生輸入資料，並且可根據輸入資料自動執行關聯性推理模組，以產生相關的派工建議資訊。如此一來，學習型派工系統可根據相關的派工建議資訊來對工作站進行良好的派工操作，而可有效地提升工作站的生產效率。
最後應說明的是：以上各實施例僅用以說明本發明的技術方案，而非對其限制；儘管參照前述各實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特徵進行等同替換；而這些修改或者替換，並不使相應技術方案的本質脫離本發明各實施例技術方案的範圍。
100:學習型派工系統
110:處理器
120:儲存裝置
121:先進規劃排程系統
122:製造執行系統
123:關聯性推理模組
S210~S240、S310~S380:步驟
圖1是本發明的一實施例的學習型派工系統的示意圖。
圖2是本發明的一實施例的派工方法的流程圖。
圖3是本發明的一實施例的訓練關聯性推理模組的流程圖。
S210~S240:步驟
Claims (10)
- 一種學習型派工系統，包括：一儲存裝置，儲存一先進規劃排程系統、一製造執行系統以及一關聯性推理模組；以及一處理器，耦接所述儲存裝置，並且執行所述先進規劃排程系統、所述製造執行系統以及所述關聯性推理模組，其中所述處理器將所述先進規劃排程系統以及所述製造執行系統所產生的一輸入資料輸入至所述關聯性推理模組，以使所述關聯性推理模組產生一輸出資料，並且所述處理器根據所述輸出資料控制一工作站進行一在製品的一派工操作，其中所述輸出資料包括一派工時間資訊以及一建議機台資訊，其中所述處理器根據經由訓練所述關聯性推理模組所產生的一參考輸出資料控制所述工作站，並且取得由所述工作站產生的一回饋資料，其中所述處理器比對所述回饋資料與一先進規劃排程系統所產生的一排程資料，以決定是否修正所述關聯性推理模組，其中當所述處理器判斷所述回饋資料與所述排程資料之間的一數值誤差小於或等於一閾值時，所述處理器持續根據所述參考輸出資料控制所述工作站；以及當所述處理器判斷所述回饋資料與所述排程資料之間的所述數值誤差大於所述閾值時，所述處理器修正所述關聯性推理模組中的一決策因子，其中所述決策因子是派工批量的先後排序、交期 以及料號特性的至少其中之一。
- 如請求項1所述的學習型派工系統，其中一生產規劃資料以及一機台資料皆作為所述輸入資料。
- 如請求項2所述的學習型派工系統，其中所述輸入資料為一向量特徵資料或一張量特徵資料。
- 如請求項1所述的學習型派工系統，其中所述處理器取得一參考輸入資料，並對所述參考輸入資料進行初始化，以產生一訓練資料，所述處理器根據所述訓練資料預先訓練所述關聯性推理模組，其中所述輸入資料包括一參考生產規劃特徵向量、一參考報工資料特徵向量、一現場資源資訊以及一現場物料資源資訊。
- 如請求項1所述的學習型派工系統，其中所述關聯性推理模組為通過一自注意力機制模型所建構的一神經網路模組。
- 一種派工方法，包括：通過一先進規劃排程系統以及一製造執行系統產生一輸入資料；將所述輸入資料輸入至一關聯性推理模組；通過所述關聯性推理模組產生一輸出資料；根據所述輸出資料控制一工作站進行一在製品的一派工操作；根據經由訓練所述關聯性推理模組所產生的一參考輸出資料控制所述工作站；取得由所述工作站產生的一回饋資料； 比對所述回饋資料與一先進規劃排程系統所產生的一排程資料，以決定是否修正所述關聯性推理模組；當判斷所述回饋資料與所述排程資料之間的數值誤差小於或等於一閾值時，持續根據所述參考輸出資料控制所述工作站；以及當判斷所述回饋資料與所述排程資料之間的所述數值誤差大於所述閾值時，修正所述關聯性推理模組中的一決策因子，其中所述決策因子是派工批量的先後排序、交期以及料號特性的至少其中之一。
- 如請求項6所述的派工方法，其中一生產規劃資料以及一機台資料皆作為所述輸入資料。
- 如請求項7所述的派工方法，其中所述輸入資料為一向量特徵資料或一張量特徵資料。
- 如請求項6所述的派工方法，還包括：取得一參考輸入資料；對一參考輸入資料進行初始化，以產生一訓練資料；以及根據所述訓練資料預先訓練所述關聯性推理模組，其中所述輸入資料包括一參考生產規劃特徵向量、一參考報工資料特徵向量、一現場資源資訊以及一現場物料資源資訊。
- 如請求項6所述的派工方法，其中所述關聯性推理模組為通過一自注意力機制模型所建構的一神經網路模組。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210364080.3 | 2022-04-08 | ||
| CN202210364080.3A CN114723286A (zh) | 2022-04-08 | 2022-04-08 | 学习型派工系统以及派工方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW202341028A TW202341028A (zh) | 2023-10-16 |
| TWI850654B true TWI850654B (zh) | 2024-08-01 |
Family
ID=
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020253775A1 (zh) | 2019-06-18 | 2020-12-24 | 第四范式（北京）技术有限公司 | 机器学习建模过程的实现方法和系统 |
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020253775A1 (zh) | 2019-06-18 | 2020-12-24 | 第四范式（北京）技术有限公司 | 机器学习建模过程的实现方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 網路文獻 想飛的石頭 模型生產環境中的反饋與數據回流 知乎 2022/4/4 https://zhuanlan.zhihu.com/p/493080131。 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI830791B (zh) | 用於最佳化一裝配線中之工作流程之方法及系統、及非暫時性電腦可讀媒體 | |
| TWI834011B (zh) | 用於改良人工智慧分類模型之方法、人工智慧系統、電腦化設備及電腦程式產品 | |
| TWI850654B (zh) | 學習型派工系統以及派工方法 | |
| Dixit et al. | Identification and modelling of the various factors affecting the productivity of FMS | |
| CN106327053B (zh) | 一种基于多模式集合的纺织工艺推荐模型的构建方法 | |
| Chang et al. | Reliability analysis for an apparel manufacturing system applying fuzzy multistate network | |
| TW202341028A (zh) | 學習型派工系統以及派工方法 | |
| Chavarría-Barrientos et al. | A methodology to support manufacturing system design using digital models and simulations: an automotive supplier case study | |
| Aziz et al. | Improving Equipment Effectiveness through Visual Stream Mapping: Some Exploratory Research Findings in the Ready-Made Garment (RMG) Sector | |
| CN117689254A (zh) | 良率以及处理建议产生系统以及产生方法 | |
| Miqueo et al. | Models to evaluate the performance of high-mix low-volume manual or semi-automatic assembly lines | |
| Zhang et al. | A learning-driven multi-objective cooperative artificial bee colony algorithm for distributed flexible job shop scheduling problems with preventive maintenance and transportation operations | |
| US12061460B2 (en) | System and method for effort estimation | |
| TWI815173B (zh) | 半導體製程的生產排程估測方法以及系統 | |
| Kumar et al. | Performance analysis of repairable system using GA and fuzzy Lambda-Tau methodology | |
| CN112396290B (zh) | 一种支持双边模糊约束的mps/mrp集成规划方法 | |
| Groß et al. | Agile and Autonomous Production Control for Remanufacturing | |
| TW202403648A (zh) | 製造流程管理系統以及製造流程管理方法 | |
| Jamshidi | Bi-level Model for Reliability based Maintenance and Job Scheduling | |
| Salwin et al. | Production improvement by using the smed method-case study | |
| Cui et al. | A configuration optimization approach for reconfigurable manufacturing system based on column-generation combined with graph neural network | |
| Wu et al. | Genetic algorithms for task assignments in logistic warehouses | |
| US20240184741A1 (en) | Data-driven execution system and execution method thereof | |
| US10867215B2 (en) | Mixed intelligence data labeling system for machine learning | |
| Wang et al. | Learning Heuristics Approaches in Mixed Integer Linear Programing |