WO2018220744A1 - 生産計画作成装置、生産計画作成方法及び生産計画作成プログラム - Google Patents

生産計画作成装置、生産計画作成方法及び生産計画作成プログラム Download PDF

Info

Publication number
WO2018220744A1
WO2018220744A1 PCT/JP2017/020257 JP2017020257W WO2018220744A1 WO 2018220744 A1 WO2018220744 A1 WO 2018220744A1 JP 2017020257 W JP2017020257 W JP 2017020257W WO 2018220744 A1 WO2018220744 A1 WO 2018220744A1
Authority
WO
WIPO (PCT)
Prior art keywords
plan
production
production plan
product
candidates
Prior art date
Application number
PCT/JP2017/020257
Other languages
English (en)
French (fr)
Inventor
祥貴 青山
小林　雄一
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to PCT/JP2017/020257 priority Critical patent/WO2018220744A1/ja
Priority to JP2019521945A priority patent/JP6764025B2/ja
Priority to PCT/JP2017/042632 priority patent/WO2018220885A1/ja
Priority to US16/333,713 priority patent/US20190228360A1/en
Publication of WO2018220744A1 publication Critical patent/WO2018220744A1/ja

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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06314—Calendaring for a resource
    • 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], computer integrated manufacturing [CIM]
    • 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], computer integrated manufacturing [CIM]
    • G05B19/41865—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], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32247—Real time scheduler
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • 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

Definitions

  • the present invention relates to a production plan creation device, a production plan creation method, and a production plan creation program, and is particularly suitable for application to a production plan creation device for creating a product production plan.
  • the constraints that are considered in planning are actually large and complex, or if they are defined implicitly, such as the rules of thumb or intuition of the planner who creates the plan, fit the actual situation in the field. It is difficult to formulate constraints.
  • a technology that supports efficient formulation of constraint conditions by paying attention to the problems as described above is known.
  • the constraint condition is relaxed by learning a plan history that has been planned in the past while taking into account the obvious constraint condition given in advance (see Patent Document 1).
  • priorities are assigned in advance to a plurality of constraint conditions when planning to determine the order, and the constraints are changed by changing the priority of the constraint conditions when planning is impossible due to severe restrictions. The conditions are relaxed (see Patent Document 2).
  • the above-mentioned conventional technology focuses only on relaxing the constraint so as to eliminate the violation of the constraint.
  • the first prior art is a method of gradually easing violations of constraints that have occurred even once, and by creating a plan that does not conform to past actual conditions by excessively relaxing the constraints so that past violation frequencies are exceeded. There is a possibility that.
  • the second conventional technique there is a possibility that the quality of the plan is affected by the priority setting, such as the planner estimating the priority of the constraint condition that is actually the bottleneck low.
  • the present invention has been made in consideration of the above points, and a production plan creation apparatus and production device capable of planning and providing a new production plan reflecting characteristics or trends appearing in a production plan that has been planned in the past.
  • a plan creation method and a production plan creation program are proposed.
  • the present invention includes the order of production of each product in consideration of each constraint condition when producing each product based on historical information regarding the production plan of each product planned in the past. Based on an evaluation index corresponding to each constraint condition, and a plan planning unit that calculates a plan pattern, rearranges the production order of each product according to the plan pattern, and creates a plurality of plan candidates related to the production plan of each product And a plan evaluation unit that evaluates the plurality of plan candidates and selects a best production plan from the plurality of plan candidates.
  • the production plan creation device is based on history information about the production plan for each product that has been planned in the past.
  • a plan pattern including the production order of each product is calculated while considering each constraint condition when producing each product, and a plurality of production plans for each product are arranged by rearranging the production order of each product according to the plan pattern.
  • a planning step for creating a plan candidate, and the production plan creation device evaluates the plurality of plan candidates based on an evaluation index corresponding to each constraint condition, and the best production plan among the plurality of plan candidates And a plan evaluation step for selecting.
  • a plan pattern including the order of production of each product while considering each constraint condition when producing each product on the basis of historical information on the production plan of each product planned in the past in the computer.
  • a planning step for rearranging the production order of each product according to the planning pattern to create a plurality of plan candidates related to the production plan for each product, and an evaluation index corresponding to each constraint condition in the computer
  • a plan evaluation step of evaluating the plurality of plan candidates and selecting a best production plan from the plurality of plan candidates.
  • FIG. 1st Embodiment It is a block diagram which shows an example of schematic structure of the production plan preparation apparatus by 1st Embodiment. It is a block diagram which shows an example of the software configuration of the production plan preparation apparatus shown in FIG. It is a flowchart which shows an example of the production plan preparation method in a production plan preparation apparatus. It is a flowchart which shows an example of the machine learning process shown in FIG. It is a figure which shows an example which accumulate
  • FIG. 1 shows an example of a schematic configuration of a production plan creation apparatus 100 according to the first embodiment.
  • the production plan creation device 100 is, for example, a computer, and includes an input / output device 1, a CPU 2, a memory 3, and a storage device 4.
  • the storage device 4 stores a program 4A, a database 4B, and a tuning parameter 4C.
  • the database 4B has a table as will be described later, and the table is referred to and updated by the program 4A.
  • FIG. 2 shows an example of the software configuration of the production plan creation apparatus 100 shown in FIG.
  • the production plan creation apparatus 100 includes, as a program 20, for example, a machine learning unit 12, a machine learning result storage database (hereinafter “machine learning result storage”).
  • DB machine learning result storage database
  • DB planning unit
  • plan evaluation unit 16 plan output unit 17.
  • the program 20 may include a plan history storage DB 11 and a machine learning result storage DB 14 on the concept of software.
  • the program 20 or the like here corresponds to a program 4A or the like executed by a computer.
  • plan history storage DB 11 a plan prepared in the past is stored as plan history 11 A, 11 B, 11 C together with information such as a planner and a plan time (see FIG. 5 described later). Details of the plan history storage DB 11 will be described later.
  • the machine learning unit 12 has a function of reading the plan histories 11A, 11B, and 11C from the plan history storage DB 11 in predetermined units, that is, for example, by planner and by plan time, and outputting a plan pattern by machine learning.
  • the machine learning unit 12 has a function of converting the plan histories 11A, 11B, and 11C into a data format that can be machine-learned and creating teacher data as preprocessing. A method for converting to teacher data will be described later.
  • the machine learning unit 12 has a function of determining an evaluation index parameter (hereinafter referred to as “evaluation index parameter”) based on the read plan histories 11A, 11B, and 11C in parallel with the above-described processing.
  • evaluation index parameter an evaluation index parameter
  • KPI the evaluation index
  • the machine learning unit 12 first reads the constraint condition 13, the frequency of violation of the constraint condition 13 (hereinafter referred to as “violation frequency”), and the violation amount indicating whether the constraint condition 13 is violated. Find the maximum value.
  • the violation frequency means a frequency expressed by the number of violations of the constraint 13 / the number of violations of all the constraints.
  • the machine learning unit 12 determines an evaluation index parameter based on these. The machine learning unit 12 stores this parameter in the machine learning result storage DB 14 in association with the plan pattern obtained by learning the past plan history. Details of the machine learning unit 12 will be described later.
  • the planning unit 15 applies a planning pattern to the input planned data, that is, data to be newly planned, and the transition probability of other products that can be arranged next to each product will be described in detail later. It has a function of creating a plurality of plan candidates by selection and random number selection using the transition probability as a weight.
  • the plan evaluation unit 16 has a function of selecting, for example, one plan candidate as an optimal solution from an evaluation index (KPI) created by the machine learning unit 12 from among a plurality of plan candidates created by the plan planning unit 15 Have
  • KPI evaluation index
  • the plan output unit 17 has a function of outputting a plan candidate evaluated as the optimal solution by the plan evaluation unit 16 to the outside as the production plan 17A.
  • (1-3) Operation Example of Production Plan Creation Device The production plan creation device 100 is configured as described above. Next, an example of a production plan creation method executed by the production plan creation device 100 will be specifically described. To do.
  • FIG. 3 shows an example of a production plan creation method in the production plan creation apparatus 100.
  • 4 shows an example of the machine learning process shown in FIG. 3
  • FIG. 11 shows an example of the planning process shown in FIG. 3
  • FIG. 13 shows an example of the plan evaluation process shown in FIG.
  • the production plan creation device 100 reads the plan histories 11A, 11B, and 11C (step S1 in FIG. 3) and stores them in the plan history storage DB 11 (step S2 in FIG. 3).
  • plan histories 11 A, 11 B, and 11 C that have been planned in the past are planners who are going to create product information and production plans including product dimensions in addition to production order.
  • predetermined tuning parameters are read (step S3 in FIG. 3).
  • the following machine learning process is executed (step S4 in FIG. 3).
  • the machine learning unit 12 extracts and reads the plan history 11Z to be learned from the plan history storage DB 11 by, for example, each planner and each scheduled production time (step S10A in FIG. 4).
  • the plan pattern creation process S20 and the evaluation index parameter determination process S30 are executed, for example, simultaneously in parallel (or one process at a time).
  • the machine learning unit 12 first performs pre-processing as data that can machine-learn the plan history 11Z in the plan history storage DB 11 as shown in FIG.
  • the data is converted into a format, and teacher data is formed (step S21 in FIG. 4).
  • this processing is referred to as “teacher data conversion processing”.
  • the machine learning unit 12 reads machine learning parameters (step S22 in FIG. 4).
  • the machine learning unit 12 first determines each product pair consisting of the reference product and the comparison product as a brute force (step S41 in FIG. 7), and determines the width, length, and thickness of each product pair. A feature vector is calculated based on the difference (step S42 in FIG. 7).
  • the machine learning unit 12 calculates a feature vector using the calculation formula (1) for all product pairs related to the planning history.
  • the machine learning unit 12 assigns label values as objective variables as follows for all product pairs (steps S43 and S47 in FIG. 7). That is, the machine learning unit 12 determines whether or not comparative products are arranged immediately after a product that is a reference for a product pair (hereinafter referred to as “reference product”) (step S44 in FIG. 7), and immediately after this reference product. If the comparison products are lined up, “label 1” is assigned as the objective variable (step S45 in FIG. 7), while “label 0” is assigned as the objective variable in the other pairs (FIG. 7). Step S46).
  • the machine learning unit 12 applies the above-described teacher data to a learning algorithm such as a gradient boost tree using the label value as an objective variable and the feature quantity based on the feature quantity vector as an explanatory variable (step in FIG. 4). S23).
  • a learning algorithm such as a gradient boost tree using the label value as an objective variable and the feature quantity based on the feature quantity vector as an explanatory variable (step in FIG. 4).
  • the teacher data is modeled as a plan pattern by being applied to a machine learning method such as a gradient boost decision tree as described above.
  • the plan pattern modeled in this manner is given a predetermined file name as shown in FIG. 10, and is stored in the machine learning result storage DB 14 together with a label including text information representing a planner (step of FIG. 3). S5).
  • the machine learning unit 12 determines an evaluation index parameter based on the plan history and constraint conditions read from the plan history storage DB 11 as shown in FIG.
  • a violation point calculated using Expression (3) based on the violation amount of each constraint condition is used as an evaluation index (corresponding to “KPI” in the drawing).
  • FIG. 9 illustrates a calculation formula and a calculation method in that case.
  • the machine learning unit 12 reads a plan history from the plan history storage DB 11 and reads each constraint condition (step S31 in FIG. 4).
  • the machine learning unit 12 executes the following processing (steps S33 to S36) for the number of constraints (steps S32 and S37 in FIG. 4).
  • the machine learning unit 12 determines the value of the maximum violation amount (the divergence value indicating how much the constraint condition is violated) in the equation (2) shown in the upper part of FIG. 9 where the plan evaluation unit 16 calculates the violation point.
  • the maximum violation amount the divergence value indicating how much the constraint condition is violated
  • the plan evaluation unit 16 calculates the violation point.
  • a histogram is created so that the product production order (corresponding to the “arrangement order” shown in the figure) is from the left.
  • This histogram shows an example of the number of violations (vertical axis) and the amount of violations of the constraint condition # 2 in the plan history read from the plan history storage DB 11 when, for example, the horizontal axis is the product order.
  • the machine learning unit 12 calculates the frequency of violation of each constraint condition (corresponding to the aforementioned “violation frequency”) (step S33 in FIG. 4).
  • This violation frequency is calculated using, for example, the following formula: number of violations of each constraint condition / (total) number of violations of all constraint conditions.
  • the machine learning unit 12 determines whether or not the number of violations obtained as described above is 0 (step S34 in FIG. 4).
  • the machine learning unit 12 determines an evaluation index parameter so that the KPI value becomes infinite when a specific constraint condition that must be observed is violated (step of FIG. 4). S36).
  • the machine learning unit 12 calculates the maximum violation amount for the corresponding constraint condition (step S35 in FIG. 4).
  • the machine learning unit 12 determines an “evaluation index parameter” including the maximum violation amount and the violation frequency for each constraint condition # (constraint condition number) for each plan history.
  • the machine learning unit 12 identifies, for example, a label representing the planned pattern and each constraint condition as the evaluation index parameter determined in association with the planned pattern in the machine learning result storage DB 14 as shown in FIG. , The maximum violation amount as the first parameter, and information on the violation frequency as the second parameter (step S5 in FIG. 3).
  • the machine learning unit 12 reads the data to be planned as data to be newly planned (step S6 in FIG. 3), and selects and reads a plan pattern to be similar to the plan from the machine learning result storage DB 14 (FIG. 3 step S7).
  • step S9 in FIG. 3 the following planning process (step S9 in FIG. 3) and plan evaluation process (step S10 in FIG. 3) are executed until the solution is converged by the iterative calculation algorithm (steps S8 and S8 in FIG. 3). S11).
  • the plan planning unit 15 reads the plan pattern from the machine learning result storage DB 14 and rearranges the planned data by weighted random number selection according to this plan pattern, and creates plan candidates as follows (step S91 in FIG. 11). .
  • the planning unit 15 applies the above planning pattern to the planned data, and can be arranged next to each product (product A is exemplified) as shown in the upper right of FIG. 12, for example.
  • the transition probability of product F is 0.6
  • the transition probability of other product K is 0.3
  • the plan drafting unit 15 determines whether or not a predetermined number of preset plan candidates have been created (step S92 in FIG. 11). If it has not been created yet, the plan drafting unit 15 executes step S92 again. For example, the predetermined number of created plan candidates 1 to 4 are transferred to the plan evaluation unit 16 (step S93 in FIG. 11), and the process is terminated.
  • the plan evaluation unit 16 creates the predetermined number of plan candidates 1 to 4 created in the plan planning unit 15 by the machine learning unit 12.
  • An optimal plan candidate is selected as a solution based on the evaluated evaluation index (KPI).
  • step S101 of FIG. 13 the plan evaluation unit 16 has already stored each evaluation index parameter including a KPI value associated with each constraint condition as described above (see FIG. 10).
  • the evaluation index parameters corresponding to all the constraint conditions are read from the machine learning result storage DB 14 (step S101 in FIG. 13).
  • the plan evaluation unit 16 reads, for example, an evaluation index parameter for the constraint condition #i (i is a natural number) (step S102 in FIG. 13). Note that #i represents a number, and “restriction condition # 2” indicates “restriction number 2”.
  • the plan evaluation unit 16 violates the constraint condition # 2 (for example, “12” in the illustrated example) based on, for example, the evaluation index parameter for the constraint condition # 2 calculated by Expression (4) illustrated in the middle of FIG. Is calculated) (step S103 in FIG. 13).
  • the plan evaluation unit 16 performs the above-described steps S102 and S103 for the plan candidate 1 shown in the upper left of FIG. 14 until all the constraint condition KPI values are calculated using the equation (5) illustrated in the lower part of FIG. Repeat (step S104 in FIG. 13).
  • the plan evaluation unit 16 sets the sum of the violation points of all the constraint conditions described above as the KPI value of the plan candidate 2 (step 105 in FIG. 13).
  • the plan evaluation unit 16 determines a specific plan candidate having the smallest KPI value among all the plan candidates 1 to n as an optimal plan candidate using the equation (6) shown in the lower part of FIG. 13 step S105).
  • the plan evaluation unit 16 repeats Step 101 to Step S105 until the KPI values are calculated over the number of all plan candidates (Step 106 in FIG. 13).
  • the plan evaluation unit 16 selects a specific plan candidate having the smallest KPI value as an optimal plan candidate from all the plan candidates, and instructs the plan output unit 17 (step S107 in FIG. 13).
  • the plan output unit 17 outputs the optimal plan candidate to the outside as the production plan 17A on the output screen as shown in the lower part of FIG. 15 (step S107 in FIG. 13).
  • the output screen shown in FIG. 15 also displays a dedicated input screen as shown in the upper part of FIG. 15, for example, it is possible to input order data manually, or input planned data as data for creating a plan. It is possible to make it possible to upload the file, or to display a plan creation midway progress log or the like as a planning device log to the planner.
  • FIG. 16 shows a second modification example in the first embodiment.
  • the plan evaluation unit 16 selects the optimal plan candidate as described above in the planning process shown in FIG. 12, but corrects the transition probability between the products used in the planning process as follows. Also good.
  • FIG. 17 shows a configuration example of a production plan creation device 100A according to the second embodiment.
  • 18 shows an example in which an optimum production plan is determined in cooperation with an external sensor or an external system by the configuration shown in FIG.
  • the production plan creation device 100A according to the second embodiment has substantially the same configuration and operation as the production plan creation device 100 according to the first embodiment, description of these similar configuration and operation is omitted. In the following, the description will be focused mainly on the differences between the two.
  • the information collection apparatus 102 such as an external sensor, as an example of an external system
  • data and parameters are exchanged via an input interface.
  • a line control device 103 is provided.
  • the production plan creation device 100A takes in data or parameters acquired from the information collection device 102 or the production line control device 103 described above, and dynamically tunes the KPI value according to the external environment. Production plan.
  • temperature data 102A measured when the created production plan is applied to an actual production line is stored in the plan history storage DB 11 in advance.
  • the planning unit 15 specifies from the plan history storage DB 11 based on the temperature data 102A automatically acquired from the information collection device 102 as shown in FIG.
  • a plan history 12A that satisfies the condition of temperature or a specific temperature range (12 degrees or less in the illustrated example) is extracted to determine a KPI value, and an optimal production plan is created under the current temperature conditions based on the temperature data 102A. To do.
  • the present invention can be widely applied to a production plan creation device and a production plan creation method for creating and proposing a product production plan.
  • 11 ... Plan history storage DB, 12 ... Machine learning unit, 14 ... Machine learning result storage DB, 15 ... Plan planning unit, 16 ... Plan evaluation unit, 17 ... Plan output unit, 100, 100A ... Production plan creation device.

Abstract

【課題】過去に立案された生産計画に現れている特徴や傾向を反映した新規な生産計画を立案し提供することができるようにすること。 【解決手段】計画立案部は、過去に立案された各製品の生産計画に関する履歴情報に基づいて、各製品を生産する際の各制約条件を考慮しつつ各製品の生産順を含む計画パターンを算出し、この算出した計画パターンに従って各製品の生産順序を並べ替えて各製品の生産計画に関する複数の計画候補を作成する。計画評価部は、各制約条件に対する評価指標に基づいて複数の計画候補を評価し、複数の計画候補のうちから最良の生産計画を選出する。

Description

生産計画作成装置、生産計画作成方法及び生産計画作成プログラム
　本発明は、生産計画作成装置、生産計画作成方法及び生産計画作成プログラムに関し、特に、製品の生産計画を作成する生産計画作成装置に適用して好適なものである。
　工場における製品の製造や大規模システムの開発など、事前に製造順序や作業順序を計画しておくような事象は数多い。こうした計画の立案に関して、設備や人員のリソースまたは時間若しくは気温などの制約を考慮しつつ、状況に応じて最適な計画を立案する必要がある。このような計画立案は、人手による立案には限界があるため、計算機を利用し数理計画法などのアルゴリズムを適用することで計画を立案する場合が増えている。
　一方で、計画立案で考慮する制約条件は、実際には大規模で複雑であったり、計画を作成する立案者の経験則または勘のような暗黙的に定められる場合、現場の実情に合った制約条件を策定することが難しい。従来技術では、上記のような課題に着目し、制約条件の効率的な策定を支援する技術が公知されている。第１の従来技術では、予め与えられた自明な制約条件を考慮しつつ過去に立案された計画履歴を学習することで制約条件を緩和している（特許文献１参照）。第２の従来技術では、順序を決定する計画立案に際して複数の制約条件に予め優先度を付与しておき、制約が厳しいことによって計画立案できない場合に、制約条件の優先度を変化させることで制約条件を緩和している（特許文献２参照）。
　つまり、これら従来技術では、制約条件を現場の実態に合わせてチューニングすることで、現場の実情に合った計画を立案しようとしている。
特開２０１６－１８９０７９号公報 特開平５－３２４６６５号公報
　上述した従来技術では、制約条件の違反を解消するように制約条件を緩和していくことのみに主眼を置いている。第１の従来技術では、一度でも発生した制約条件の違反を順次緩和する手法であり、過去の違反頻度を超えるほど過剰に制約条件を緩和することで、過去の実態に則さない計画を立案してしまう可能性がある。一方、第２の従来技術では、立案者が実際にボトルネックとなっている制約条件の優先度を低く見積もってしまうなど、優先度の設定によって計画の質が左右されてしまう可能性がある。
　本発明は以上の点を考慮してなされたもので、過去に立案された生産計画に現れている特徴または傾向を反映した新規な生産計画を立案し提供することができる生産計画作成装置、生産計画作成方法及び生産計画作成プログラムを提案しようとするものである。
　かかる課題を解決するため、本発明においては、過去に立案された各製品の生産計画に関する履歴情報に基づいて、各製品を生産する際の各制約条件を考慮しつつ各製品の生産順を含む計画パターンを算出し、前記計画パターンに従って前記各製品の生産順序を並べ替えて前記各製品の生産計画に関する複数の計画候補を作成する計画立案部と、前記各制約条件に応じた評価指標に基づいて前記複数の計画候補を評価し、前記複数の計画候補のうちから最良の生産計画を選出する計画評価部と、を備えることを特徴とする。
　また、本発明においては、各製品の生産計画を作成する生産計画作成装置における生産計画作成方法において、前記生産計画作成装置が、過去に立案された各製品の生産計画に関する履歴情報に基づいて、各製品を生産する際の各制約条件を考慮しつつ各製品の生産順を含む計画パターンを算出し、前記計画パターンに従って前記各製品の生産順序を並べ替えて前記各製品の生産計画に関する複数の計画候補を作成する計画立案ステップと、前記生産計画作成装置が、前記各制約条件に応じた評価指標に基づいて前記複数の計画候補を評価し、前記複数の計画候補のうちから最良の生産計画を選出する計画評価ステップと、を有することを特徴とする。
　また、本発明においては、コンピュータに、過去に立案された各製品の生産計画に関する履歴情報に基づいて、各製品を生産する際の各制約条件を考慮しつつ各製品の生産順を含む計画パターンを算出させ、前記計画パターンに従って前記各製品の生産順序を並べ替えて前記各製品の生産計画に関する複数の計画候補を作成させる計画立案ステップと、前記コンピュータに、前記各制約条件に応じた評価指標に基づいて前記複数の計画候補を評価させ、前記複数の計画候補のうちから最良の生産計画を選出させる計画評価ステップと、を実行させることを特徴とする。
　本発明によれば、過去に立案された生産計画の特徴または傾向を反映した新規な生産計画を作成することができる。
第１の実施の形態による生産計画作成装置の概略構成の一例を示すブロック図である。 図１に示す生産計画作成装置のソフトウェア構成の一例を示すブロック図である。 生産計画作成装置における生産計画作成方法の一例を示すフローチャートである。 図３に示す機械学習処理の一例を示すフローチャートである。 計画履歴を蓄積する一例を示す図である。 機械学習部によって計画パターンを作成する一例を示す図である。 教師データ変換処理の一例を示すフローチャートである。 計画履歴を教師データに変換する一例を示す図である。 評価指標パラメータを算出する一例を示す図である。 機械学習結果格納データベースへ蓄積される一例を示す図である。 図３に示す計画立案処理の一例を示すフローチャートである。 複数の計画候補を作成する一例を示す図である。 図３に示す計画評価処理の一例を示すフローチャートである。 最適な生産計画を選出する一例を示す図である。 入出力画面の一例を示す図である。 以前作成した生産計画をその後引き継いで新たな生産計画を作成する一例を示す図である。 第２の実施の形態による生産計画作成装置の構成例を示す図である。 図１７に示す構成により外部センサまたは外部システムと連携して最適な生産計画が決定される一例を示す図である。
　以下、図面について、本発明の一実施の形態について詳述する。
　（１）第１の実施の形態
　（１－１）ハードウェア構成
　図１は、第１の実施の形態による生産計画作成装置１００の概略構成の一例を示す。この生産計画作成装置１００は、例えばコンピュータであり、入出力装置１、ＣＰＵ２、メモリ３及び記憶装置４を備える。
　記憶装置４には、プログラム４Ａ、データベース４Ｂ及びチューニングパラメータ４Ｃが格納されている。データベース４Ｂは、後述するようにテーブルを有し、プログラム４Ａによってテーブルが参照されたり更新される。
　（１－２）ソフトウェア構成
　図２は、図１に示す生産計画作成装置１００のソフトウェア構成の一例を示す。生産計画作成装置１００は、計画履歴格納データベース（以下「計画履歴格納ＤＢ」と省略する）１１の他、プログラム２０として、例えば、機械学習部１２、機械学習結果格納データベース（以下「機械学習結果格納ＤＢ」と省略する）１４、計画立案部１５、計画評価部１６及び計画出力部１７を有する。なお、プログラム２０は、ソフトウェアを構成する概念上、計画履歴格納ＤＢ１１及び機械学習結果格納ＤＢ１４を含んでいても良い。ここでいうプログラム２０などは、コンピュータによって実行されるプログラム４Ａなどに相当する。
　計画履歴格納ＤＢ１１には、過去に立案された計画が、計画履歴１１Ａ，１１Ｂ，１１Ｃとして、例えば、計画者、計画時期などの情報とともに格納されている（後述する図５参照）。計画履歴格納ＤＢ１１の詳細については後述する。
　機械学習部１２は、計画履歴格納ＤＢ１１から、所定の単位、すなわち、例えば計画者別、計画時期別で計画履歴１１Ａ，１１Ｂ，１１Ｃを読み込み、機械学習によって計画パターンを出力する機能を有する。
　機械学習部１２は、前処理として、計画履歴１１Ａ，１１Ｂ，１１Ｃを機械学習可能なデータ形式に変換し、教師データを作成する機能を有する。教師データへの変換手法については後述する。
　この機械学習部１２は、上述した処理と並行して、読み込んだ計画履歴１１Ａ，１１Ｂ，１１Ｃに基づいて評価指標のパラメータ（以下「評価指標パラメータ」という）を決定する機能を有する。なお、本実施の形態では、評価指標のことを「ＫＰＩ」とも呼ぶ。
　具体的には、機械学習部１２は、まず、制約条件１３を読み込み、制約条件１３に違反する頻度（以下「違反頻度」という）と、その制約条件１３を違反しているかを表す違反量の最大値とを求める。なお、ここでいう違反頻度とは、その制約条件１３の違反数／全ての制約条件の違反数で表される頻度をいう。さらに機械学習部１２は、これらに基づいて評価指標パラメータを決定する。機械学習部１２は、このパラメータを、そのように過去の計画履歴を学習して得られた計画パターンと紐づけて機械学習結果格納ＤＢ１４に格納する。機械学習部１２の詳細については後述する。
　計画立案部１５は、入力された被計画データ、すなわち、新規に計画を立てるデータに計画パターンを適用することで、詳細は後述するが、各製品の次に並びうる他の製品の遷移確率を求め、この遷移確率を重みとした乱数選択によって、複数の計画候補を作成する機能を有する。
　計画評価部１６は、計画立案部１５において作成された複数の計画候補のうちから、機械学習部１２によって作成された評価指標（ＫＰＩ）によって最適な解として、例えば１つの計画候補を選出する機能を有する。
　計画出力部１７は、計画評価部１６によって評価されるとともに最適な解として選出された計画候補を生産計画１７Ａとして外部に出力する機能を有する。
　（１－３）生産計画作成装置の動作例
　生産計画作成装置１００は以上のような構成であり、次に、この生産計画作成装置１００によって実行される生産計画作成方法の一例について具体的に説明する。
　図３は、生産計画作成装置１００における生産計画作成方法の一例を示す。図４は、図３に示す機械学習処理の一例を示し、図１１は、図３に示す計画立案処理の一例を示し、図１３は、図３に示す計画評価処理の一例を示す。
　まず、生産計画作成装置１００は、計画履歴１１Ａ，１１Ｂ，１１Ｃを読み込むとともに（図３のステップＳ１）、計画履歴格納ＤＢ１１に保存する（図３のステップＳ２）。
　計画履歴格納ＤＢ１１には、図５に示すように、過去に立案された計画履歴１１Ａ，１１Ｂ，１１Ｃが、生産順の他、製品の寸法を含む製品情報、生産計画を作成しようとしている立案者を表す立案者ＩＤ、及び生産予定時刻などの情報を含む計画履歴１１Ｚとして格納されている。
　次に、所定のチューニングパラメータが読み込まれる（図３のステップＳ３）。続いて、以下のような機械学習処理が実行される（図３のステップＳ４）。この機械学習処理では、機械学習部１２が、計画履歴格納ＤＢ１１から、学習対象の計画履歴１１Ｚを、例えば、立案者別、生産予定時刻別に抽出して読み込む（図４のステップＳ１０Ａ）。次に、計画パターン作成処理Ｓ２０及び評価指標パラメータ決定処理Ｓ３０が、例えば並列に同時に（又は一方の処理ずつ）実行される。
　（１－３－１）計画パターン作成処理
　計画パターン作成処理Ｓ２０では、機械学習部１２が、まず前処理として、図６に示すように、計画履歴格納ＤＢ１１の計画履歴１１Ｚを機械学習可能なデータ形式に変換し、教師データを成形する（図４のステップＳ２１）。以下この処理を「教師データ変換処理」という。この際、機械学習部１２は、機械学習のパラメータを読み込む（図４のステップＳ２２）。
　教師データ変換処理では、機械学習部１２が、まず、基準製品及び比較製品でなる各製品ペアを総当たりで決定し（図７のステップＳ４１）、各製品ペアの幅、長さ及び厚さの差に基づいて特徴量ベクトルを計算する（図７のステップＳ４２）。
　具体的には、機械学習部１２は、図８に示すように、例えば、計画履歴に関する全ての製品のペアに対して計算式（１）を用いて特徴量ベクトルを算出する。
　次に機械学習部１２は、全ての製品ペアに関して（図７のステップＳ４３，Ｓ４７）、次のように目的変数としてラベル値を付与する。すなわち、機械学習部１２は、製品ペアの基準となる製品（以下「基準製品」という）の直後に比較製品が並んでいるか否かを判定し（図７のステップＳ４４）、この基準製品の直後に比較製品が並んでいる場合は、目的変数として「ラベル１」を付与する一方（図７のステップＳ４５）、その他のペアの場合には、目的変数として「ラベル０」を付与する（図７のステップＳ４６）。
　機械学習部１２は、上記ラベル値を目的変数とするとともに、上記特徴量ベクトルに基づく特徴量を説明変数として、既述の教師データを勾配ブースト木などの学習アルゴリズムに適用する（図４のステップＳ２３）。
　その教師データは、上述のように勾配ブースト決定木などの機械学習手法に適用されることにより、計画パターンとしてモデル化される。このようにモデル化された計画パターンは、図１０に示すように所定のファイル名が与えられ、例えば立案者を表すテキスト情報を含むラベルとともに機械学習結果格納ＤＢ１４に格納される（図３のステップＳ５）。
　（１－３－２）評価指標パラメータ決定処理
　一方、機械学習部１２は、上述した計画パターン作成処理と並行して、次のような評価指標パラメータ決定処理を実行する（図４のステップＳ３０）。
　この評価指標パラメータ決定処理の概要としては、機械学習部１２が、図９に示すように、計画履歴格納ＤＢ１１から読み込んだ計画履歴及び制約条件に基づいて評価指標パラメータを決定する。本実施の形態では、例えば、ある計画候補ｎにおいて、各制約条件の違反量に基づいて式（３）を用いて算出される違反点を評価指標（図示の「ＫＰＩ」に相当）とした場合を例示している。図９は、その場合における算出式及び算出手法を例示している。
　まず、機械学習部１２は、図９中段に示すように、計画履歴格納ＤＢ１１から計画履歴を読み込むとともに各制約条件を読み込む（図４のステップＳ３１）。次に機械学習部１２は、制約条件の数分に亘って次のような処理（ステップＳ３３～Ｓ３６）を実行する（図４のステップＳ３２，Ｓ３７）。
　機械学習部１２は、図９上部に示す、計画評価部１６が違反点を算出する式（２）における、最大違反量（どの程度制約条件に違反しているかを示す乖離値）の値を決定するために、図９左下に示すように左から製品の生産順序（図示の「並び順」に相当）となるようヒストグラムを作成する。このヒストグラムは、計画履歴格納ＤＢ１１から読み込んだ計画履歴における、例えば、横軸を製品の並び順とした場合における、制約条件＃２の違反数（縦軸）と違反量の一例を示している。図示の例では、最大違反量は８－５＝３であり、制約条件＃２の違反数は４である。
　機械学習部１２は、各制約条件に違反する頻度（既述の「違反頻度」に相当）を計算する（図４のステップＳ３３）。この違反頻度は、例えば、各制約条件の違反数／全ての制約条件の（合計）違反数、という式を用いて算出される。
　次に、機械学習部１２は、上述のように求められた違反数が０であるか否かを判定する（図４のステップＳ３４）。
　その結果、違反数が０である場合、機械学習部１２は、必ず守られなければならない特定の制約条件を違反する時にＫＰＩ値を無限にするよう、評価指標パラメータを決定する（図４のステップＳ３６）。
　一方、違反数が０でない場合、機械学習部１２は、該当する制約条件に対する最大違反量を算出する（図４のステップＳ３５）。
　具体的には、機械学習部１２は、図９右下に示す一例の場合、制約条件＃２の違反数が４であり、上記計画履歴における全ての制約条件（＃１～＃ｎ）の違反数が３２であるとすると、違反頻度を４／３２＝０．１２５と算出する。すなわち、この違反頻度は、全ての制約条件の違反数に対する制約条件＃２の違反数の割合を表している。
　以上のようにして機械学習部１２は、計画履歴ごとに、制約条件＃（制約条件番号）それぞれに対する最大違反量及び違反頻度を含む「評価指標パラメータ」を決定する。
　機械学習部１２は、図１０に示すように機械学習結果格納ＤＢ１４に、上記計画パターンと紐づけて当該決定した評価指標パラメータとして、例えば、上記計画パターンを表すラベル、各制約条件を識別するための制約条件＃、第１のパラメータとして最大違反量、及び、第２のパラメータとして違反頻度に関する情報を格納する（図３のステップＳ５）。
　機械学習部１２は、新規に計画を立てようとするデータとして被計画データを読み込み（図３のステップＳ６）、機械学習結果格納ＤＢ１４から、似せたい計画とする計画パターンを選択し、読み込む（図３のステップＳ７）。
　次に、以下のような計画立案処理（図３のステップＳ９）及び計画評価処理（図３のステップＳ１０）が、繰り返し計算アルゴリズムによって解を収束させるまで、実行される（図３のステップＳ８，Ｓ１１）。
　計画立案部１５は、機械学習結果格納ＤＢ１４から計画パターンを読み出し、この計画パターンに従って、重み付け乱数選択により、被計画データを並び替え、次のように計画候補を作成する（図１１のステップＳ９１）。
　具体的には、計画立案部１５は、被計画データに対して上記計画パターンを適用して、例えば、図１２右上に示すように、各製品（製品Ａを例示する）の次に並びうる他の製品Ｆの遷移確率を０．６、他の製品Ｋの遷移確率を０．３、他の製品Ｃの遷移確率を０．１と求め、これらの遷移確率を重み付けとした乱数選択によって、図１２右下に示すように複数の計画候補１～４などを作成する。
　計画立案部１５は、予め設定された所定数の計画候補を作成したか否かを判定し（図１１のステップＳ９２）、まだ作成していなければステップＳ９２を再度実行する一方、作成済であれば当該作成した所定数の計画候補１～４などを計画評価部１６に引き渡し（図１１のステップＳ９３）、処理を終了する。
　次に、上記計画評価処理（図３のステップＳ１０）では、計画評価部１６が、計画立案部１５において作成された上記所定数の計画候補１～４などのうちから、機械学習部１２によって作成された評価指標（ＫＰＩ）に基づいて解として最適な計画候補を選択する。
　具体的には、図１３のステップＳ１０１に示すように計画評価部１６は、既述のように（図１０参照）各制約条件に紐付いたＫＰＩ値などを含む各評価指標パラメータが格納済である機械学習結果格納ＤＢ１４から全ての制約条件に対応する評価指標パラメータを読み出す（図１３のステップＳ１０１）。
　計画評価部１６は、例えば制約条件＃ｉ（ｉは自然数）に対する評価指標パラメータを読み込む（図１３のステップＳ１０２）。なお、＃ｉは番号を表し、「制約条件＃２」と表した場合には「制約番号２番」であることを示す。
　計画評価部１６は、図１４中段に例示した式（４）により演算された、例えば制約条件＃２に対する評価指標パラメータに基づいて、この制約条件＃２に対する違反点（図示の例では「１２」という値）を算出する（図１３のステップＳ１０３）。計画評価部１６は、図１４左上に示した計画候補１に関して、図１４下段に例示した式（５）を用いて全ての制約条件分ＫＰＩ値を算出するまで、上述したステップＳ１０２及びステップＳ１０３を繰り返す（図１３のステップＳ１０４）。
　計画評価部１６は、上述した全ての制約条件の違反点の合計を、その計画候補２のＫＰＩ値とする（図１３のステップ１０５）。
　次に、計画評価部１６は、図１４下部に示す式（６）を用いて全ての計画候補１～ｎのうちからＫＰＩ値が最も小さな特定の計画候補を最適な計画候補として決定する（図１３のステップＳ１０５）。
　計画評価部１６は、全ての計画候補の数分に亘ってＫＰＩ値を算出するまでステップ１０１～ステップＳ１０５を繰り返す（図１３のステップ１０６）。
　計画評価部１６は、全ての計画候補のうちから、ＫＰＩ値が最も小さな特定の計画候補を最適な計画候補として選択し、計画出力部１７に指示する（図１３のステップＳ１０７）。
　計画出力部１７は、最適な計画候補を、図１５下部に示すような出力画面で生産計画１７Ａとして外部に出力する（図１３のステップＳ１０７）。なお、図１５に示す出力画面では、図１５上部に示すような専用の入力画面も併せて表示し、例えば、注文データを手入力可能としたり、計画を作成するデータとしての被計画データを入力可能としたり、そのファイルをアップロード可能としたり、計画作成の途中経過ログなどを計画立案装置ログとして計画立案者に表示するようにしても良い。
　（１－４）本実施の形態の効果等
　以上のようにすると、上記実施の形態における生産計画作成装置１００によれば、過去に立案された生産計画に現れている特徴や傾向を反映した新規な生産計画を立案し提供することができる。
　（１－５）応用例
　（１－５－１）第１の変型例
　第１の実施の形態における第１の変型例では、以前作成済の計画候補を、その後の計画候補を作成する際に引き継ぐようにしている。計画評価部１６によって求められた最適な計画候補は、計画立案部１５による計画立案処理に再適用され、例えばアントコロニー最適化または遺伝的アルゴリズムのような再帰計算ロジックが適用される。これにより、最終的に求められる解としての最適な計画候補の精度を高めることができる。
　（１－５－２）第２の変型例
　図１６は、第１の実施の形態における第２の変型例を示す。計画評価部１６は、図１２に示す計画立案処理において既述のように最適な計画候補を選出するが、上記計画立案処理において用いる各製品間の遷移確率を次のように補正するようにしても良い。
　すなわち、計画評価部１６は、例えば、上記計画立案処理において求めた最適な計画候補のＫＰＩ値の逆数（１／ＫＰＩ値）を用いて、図示の例では１／ＫＰＩ値＝１／１０．０＝０．１に遷移確率を補正する。このようにすると、図１２に示す計画立案処理において繰り返し計算して最終的に選定される最適な計画候補の精度を高めていくことができる。
　（２）第２の実施の形態
　（２－１）第２の実施の形態による生産計画作成装置の構成
　図１７は、第２の実施の形態による生産計画作成装置１００Ａの構成例を示し、図１８は、図１７に示す構成により外部センサや外部システムと連携して最適な生産計画が決定される一例を示す。
　第２の実施の形態による生産計画作成装置１００Ａは、第１の実施の形態による生産計画作成装置１００とほぼ同様な構成及び動作であるため、これら同様な構成及び動作については説明を省略し、以下では主として両者の異なる点を中心として説明する。
　第２の実施の形態においては、第１の実施の形態とは異なり、外部センサなどの情報収集装置１０２の他、外部システムの一例として、入力インターフェースを介してデータやパラメータなどのやり取りを行う生産ライン制御装置１０３が設けられている。
　第２の実施の形態では、生産計画作成装置１００Ａが、上述した情報収集装置１０２や生産ライン制御装置１０３から取得したデータまたはパラメータを取り込み、ＫＰＩ値を外部の環境に応じて動的にチューニングして生産計画を作成している。
　生産計画作成装置１００Ａでは、当該作成した生産計画を実際の製造ラインに適用した際に計測した温度データ１０２Ａが予め計画履歴格納ＤＢ１１に格納されている。
　生産計画作成装置１００Ａでは、計画立案部１５が、生産計画を立案する際に、図１８に示すように情報収集装置１０２から自動的に取得する温度データ１０２Ａに基づいて、計画履歴格納ＤＢ１１から特定温度または特定温度範囲（図示の例では１２度以下）という条件を満たす計画履歴１２Ａを抽出してＫＰＩ値を決定し、上記温度データ１０２Ａに基づく現在の温度条件において最適な生産計画を作成し立案する。
　（２－２）本実施の形態の効果等
　以上のようにすると、温度などの製造条件に影響を受け易い製品についてもより最適な生産計画に基づいて精度良く製品を製造することができる。
　（３）その他の実施形態
　上記実施形態は、本発明を説明するための例示であり、本発明をこれらの実施形態にのみ限定する趣旨ではない。本発明は、その趣旨を逸脱しない限り、様々な形態で実施することができる。例えば、上記実施形態では、各種プログラムの処理をシーケンシャルに説明したが、特にこれにこだわるものではない。従って、処理結果に矛盾が生じない限り、処理の順序を入れ替え又は並行動作するように構成しても良い。
　本発明は、製品の生産計画を作成し提案する生産計画作成装置及び生産計画作成方法に広く適用することができる。
　１１……計画履歴格納ＤＢ，１２……機械学習部、１４……機械学習結果格納ＤＢ、１５……計画立案部、１６……計画評価部、１７……計画出力部、１００，１００Ａ……生産計画作成装置。

Claims (15)

  1. 　過去に立案された各製品の生産計画に関する履歴情報に基づいて、各製品を生産する際の各制約条件を考慮しつつ各製品の生産順を含む計画パターンを算出し、前記計画パターンに従って前記各製品の生産順序を並べ替えて前記各製品の生産計画に関する複数の計画候補を作成する計画立案部と、
    　前記各制約条件に応じた評価指標に基づいて前記複数の計画候補を評価し、前記複数の計画候補のうちから最良の生産計画を選出する計画評価部と、
    　を備えることを特徴とする生産計画作成装置。
  2. 　前記計画立案部は、
    　新規に生産計画がなされる各製品の特徴を表した被計画データに前記計画パターンを適用することにより得られた確率であって前記各製品の次に生産すべき製品の遷移確率に応じた重み付けに基づいて前記複数の計画候補を作成する
    　ことを特徴とする請求項１に記載の生産計画作成装置。
  3. 　前記計画立案部は、
    　前記制約条件のうち必ず満たさなければならない特定の制約条件が存在する場合、前記特定の制約条件を満たすように前記複数の計画候補を作成する
    　ことを特徴とする請求項２に記載の生産計画作成装置。
  4. 　前記計画立案部は、
    　前記履歴情報を用いてチューニングされる前記評価指標に基づいて、前記複数の計画候補に対応する複数の評価指標値を算出し、
    　前記計画評価部は、
    　前記複数の計画候補の評価指標値のうち最も良い評価指標値に対応する生産計画を前記最良の生産計画として選出する
    　ことを特徴とする請求項３に記載の生産計画作成装置。
  5. 　前記計画評価部は、
    　前記複数の計画候補に関して算出された前記各制約条件の評価指標値のうち、前記評価指標値の総和が最も少ない特定の計画候補を最良の生産計画として選出する
    　ことを特徴とする請求項４に記載の生産計画作成装置。
  6. 　前記計画評価部は、
    　外部システムから収集されたデータに基づいて前記評価指標を動的にチューニングし、前記チューニング後の新たな評価指標に基づいて前記複数の計画候補を評価し、前記複数の計画候補のうちから前記最良の生産計画を選出する
    　ことを特徴とする請求項１に記載の生産計画作成装置。
  7. 　前記計画評価部は、
    　前記最良の生産計画を選出するまでの過程に再帰的なアルゴリズムを適用することにより前記評価指標に基づく前記評価を繰り返し実行する
    　ことを特徴とする請求項１に記載の生産計画作成装置。
  8. 　各製品の生産計画を作成する生産計画作成装置における生産計画作成方法において、
    　前記生産計画作成装置が、過去に立案された各製品の生産計画に関する履歴情報に基づいて、各製品を生産する際の各制約条件を考慮しつつ各製品の生産順を含む計画パターンを算出し、前記計画パターンに従って前記各製品の生産順序を並べ替えて前記各製品の生産計画に関する複数の計画候補を作成する計画立案ステップと、
    　前記生産計画作成装置が、前記各制約条件に応じた評価指標に基づいて前記複数の計画候補を評価し、前記複数の計画候補のうちから最良の生産計画を選出する計画評価ステップと、
    　を有することを特徴とする生産計画作成方法。
  9. 　前記計画立案ステップでは、
    　前記生産計画作成装置が、新規に生産計画がなされる各製品の特徴を表した被計画データに前記計画パターンを適用することにより得られた確率であって前記各製品の次に生産すべき製品の遷移確率に応じた重み付けに基づいて前記複数の計画候補を作成する
    　ことを特徴とする請求項８に記載の生産計画作成方法。
  10. 　前記計画立案ステップでは、
    　前記生産計画作成装置が、前記制約条件のうち必ず満たさなければならない特定の制約条件が存在する場合、前記特定の制約条件を満たすように前記複数の計画候補を作成する
    　ことを特徴とする請求項９に記載の生産計画作成方法。
  11. 　前記計画立案ステップでは、
    　前記生産計画作成装置が、前記履歴情報を用いてチューニングされる前記評価指標に基づいて、前記複数の計画候補に対応する複数の評価指標値を算出し、
    　前記計画評価ステップでは、
    　前記生産計画作成装置が、前記複数の計画候補の評価指標値のうち最も良い評価指標値に対応する生産計画を前記最良の生産計画として選出する
    　ことを特徴とする請求項１０に記載の生産計画作成方法。
  12. 　前記計画評価ステップでは、
    　前記生産計画作成装置が、前記複数の計画候補に関して算出された前記各制約条件の評価指標値のうち、前記評価指標値の総和が最も少ない特定の計画候補を最良の生産計画として選出する
    　ことを特徴とする請求項１１に記載の生産計画作成方法。
  13. 　前記計画評価ステップでは、
    　前記生産計画作成装置が、外部システムから収集されたデータに基づいて前記評価指標を動的にチューニングし、前記チューニング後の新たな評価指標に基づいて前記複数の計画候補を評価し、前記複数の計画候補のうちから前記最良の生産計画を選出する
    　ことを特徴とする請求項８に記載の生産計画作成方法。
  14. 　前記計画評価ステップでは、
    　前記生産計画作成装置が、前記最良の生産計画を選出するまでの過程に再帰的なアルゴリズムを適用することにより前記評価指標に基づく前記評価を繰り返し実行する
    　ことを特徴とする請求項８に記載の生産計画作成方法。
  15. 　コンピュータに、過去に立案された各製品の生産計画に関する履歴情報に基づいて、各製品を生産する際の各制約条件を考慮しつつ各製品の生産順を含む計画パターンを算出させ、前記計画パターンに従って前記各製品の生産順序を並べ替えて前記各製品の生産計画に関する複数の計画候補を作成させる計画立案ステップと、
    　前記コンピュータに、前記各制約条件に応じた評価指標に基づいて前記複数の計画候補を評価させ、前記複数の計画候補のうちから最良の生産計画を選出させる計画評価ステップと、
    　を実行させることを特徴とする生産計画作成プログラム。
PCT/JP2017/020257 2017-05-31 2017-05-31 生産計画作成装置、生産計画作成方法及び生産計画作成プログラム WO2018220744A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
PCT/JP2017/020257 WO2018220744A1 (ja) 2017-05-31 2017-05-31 生産計画作成装置、生産計画作成方法及び生産計画作成プログラム
JP2019521945A JP6764025B2 (ja) 2017-05-31 2017-11-28 生産計画作成装置、生産計画作成方法及び生産計画作成プログラム
PCT/JP2017/042632 WO2018220885A1 (ja) 2017-05-31 2017-11-28 生産計画作成装置、生産計画作成方法及び生産計画作成プログラム
US16/333,713 US20190228360A1 (en) 2017-05-31 2017-11-28 Production schedule creating apparatus, production schedule creating method, and production schedule creating program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/020257 WO2018220744A1 (ja) 2017-05-31 2017-05-31 生産計画作成装置、生産計画作成方法及び生産計画作成プログラム

Publications (1)

Publication Number Publication Date
WO2018220744A1 true WO2018220744A1 (ja) 2018-12-06

Family

ID=64454544

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/JP2017/020257 WO2018220744A1 (ja) 2017-05-31 2017-05-31 生産計画作成装置、生産計画作成方法及び生産計画作成プログラム
PCT/JP2017/042632 WO2018220885A1 (ja) 2017-05-31 2017-11-28 生産計画作成装置、生産計画作成方法及び生産計画作成プログラム

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/042632 WO2018220885A1 (ja) 2017-05-31 2017-11-28 生産計画作成装置、生産計画作成方法及び生産計画作成プログラム

Country Status (3)

Country Link
US (1) US20190228360A1 (ja)
JP (1) JP6764025B2 (ja)
WO (2) WO2018220744A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111340383A (zh) * 2020-03-09 2020-06-26 中国船舶工业综合技术经济研究院 一种随机扰动下组立构件日程计划动态调整方法及系统
CN112070333A (zh) * 2019-06-11 2020-12-11 株式会社日立制作所 计划制定辅助装置和计划制定辅助方法
US11074518B2 (en) 2019-09-20 2021-07-27 Hitachi, Ltd. Computer system, generation method of plan, and non-transitory computer readable storage medium
JP7177801B2 (ja) 2020-04-16 2022-11-24 株式会社豊田中央研究所 工程編成の装置、その方法およびそのプログラム

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11385774B2 (en) * 2014-01-06 2022-07-12 Red Hat, Inc. Intuitive workspace management
JP7029597B2 (ja) * 2018-03-30 2022-03-04 パナソニックＩｐマネジメント株式会社 生産計画作成方法および生産計画作成装置
JP7126060B2 (ja) * 2018-03-30 2022-08-26 パナソニックＩｐマネジメント株式会社 生産計画作成方法および生産計画作成装置
EP3871166A1 (en) * 2018-10-26 2021-09-01 Dow Global Technologies Llc Deep reinforcement learning for production scheduling
JP7316191B2 (ja) * 2019-10-29 2023-07-27 株式会社日立製作所 計画作成装置および計画作成方法
JP7408417B2 (ja) * 2020-01-29 2024-01-05 株式会社日立製作所 多主体連携計画システムおよび多主体連携計画方法
JP2023004628A (ja) * 2021-06-28 2023-01-17 株式会社日立製作所 生産計画変更支援装置、生産計画変更支援方法、そのプログラム、および生産管理システム
JP2023013367A (ja) * 2021-07-16 2023-01-26 富士通株式会社 情報処理装置、作業計画立案方法、および作業計画立案プログラム
JP2023104030A (ja) * 2022-01-17 2023-07-28 富士通株式会社 立案プログラム、立案方法、および情報処理装置
CN117217501B (zh) * 2023-11-09 2024-02-20 山东多科科技有限公司 一种数字化生产计划与调度方法
CN117852842A (zh) * 2024-03-07 2024-04-09 山东豪泉软件技术有限公司 一种订单排产方法、装置、电子设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0721263A (ja) * 1993-06-22 1995-01-24 Toshiba Corp 生産指示装置
JP2006155011A (ja) * 2004-11-26 2006-06-15 Jfe Steel Kk 生産計画立案装置及び生産計画立案方法
JP2012194712A (ja) * 2011-03-16 2012-10-11 Panasonic Corp 生産計画作成方法
JP2012212224A (ja) * 2011-03-30 2012-11-01 Nippon Steel Corp 計画修正支援装置、方法及びプログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11102398A (ja) * 1997-09-26 1999-04-13 Nippon Steel Corp スケジューリング方法および記録媒体
JP2000071119A (ja) * 1998-08-28 2000-03-07 Nippon Steel Corp 形鋼の鋸断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0721263A (ja) * 1993-06-22 1995-01-24 Toshiba Corp 生産指示装置
JP2006155011A (ja) * 2004-11-26 2006-06-15 Jfe Steel Kk 生産計画立案装置及び生産計画立案方法
JP2012194712A (ja) * 2011-03-16 2012-10-11 Panasonic Corp 生産計画作成方法
JP2012212224A (ja) * 2011-03-30 2012-11-01 Nippon Steel Corp 計画修正支援装置、方法及びプログラム

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070333A (zh) * 2019-06-11 2020-12-11 株式会社日立制作所 计划制定辅助装置和计划制定辅助方法
US11074518B2 (en) 2019-09-20 2021-07-27 Hitachi, Ltd. Computer system, generation method of plan, and non-transitory computer readable storage medium
CN111340383A (zh) * 2020-03-09 2020-06-26 中国船舶工业综合技术经济研究院 一种随机扰动下组立构件日程计划动态调整方法及系统
CN111340383B (zh) * 2020-03-09 2023-09-15 中国船舶工业综合技术经济研究院 一种随机扰动下组立构件日程计划动态调整方法及系统
JP7177801B2 (ja) 2020-04-16 2022-11-24 株式会社豊田中央研究所 工程編成の装置、その方法およびそのプログラム

Also Published As

Publication number Publication date
US20190228360A1 (en) 2019-07-25
JPWO2018220885A1 (ja) 2019-11-07
JP6764025B2 (ja) 2020-09-30
WO2018220885A1 (ja) 2018-12-06

Similar Documents

Publication Publication Date Title
WO2018220744A1 (ja) 生産計画作成装置、生産計画作成方法及び生産計画作成プログラム
CN109870903B (zh) 参数优化方法、装置以及非瞬时计算机可读取介质
US7562062B2 (en) Forecasting system tool
CN107464025B (zh) 基于大数据的供应链需求预测与智能决策方法
Hasegan et al. Predicting performance–a dynamic capability view
JP6467264B2 (ja) 計画作成支援装置および計画作成支援方法
da Silveira Improving trade-offs in manufacturing: Method and illustration
Hooshmand et al. Adapting GA to solve a novel model for operating room scheduling problem with endogenous uncertainty
Nguyen et al. A novel multiple objective whale optimization for time-cost-quality tradeoff in non-unit repetitive projects
CN106227165A (zh) 一种智能制造管理系统
Safaei et al. Multi-threaded simulated annealing for a bi-objective maintenance scheduling problem
Biller et al. Simulation: The critical technology in digital twin development
Chan et al. Comparative performance analysis of a flexible manufacturing system (FMS): a review-period-based control
CN113610450A (zh) 用于将订单执行在mom系统中进行分布的方法和系统
Rao et al. Software selection in manufacturing industries using a fuzzy multiple criteria decision making method, PROMETHEE
Azimi et al. A simulation optimization approach for the multi-objective multi-mode resource constraint project scheduling problem
Fujita Deep Reinforcement Learning Approach for Maintenance Planning in a Flow-Shop Scheduling Problem
Neubauer et al. Interactive selection of Web services under multiple objectives
JP7457243B2 (ja) 最適化支援装置、最適化支援方法、プログラムおよび最適化システム
Rossit et al. Designing a scheduling logic controller for Industry 4.0 environments
CN109978299A (zh) 用于海上风电业务的数据分析方法、装置和存储介质
Janeš et al. The ANP Representation of the BSC
Bi et al. Application of fuzzy ANP in production line selection evaluation indices system in ERP
Potekhin et al. Development of a digital transformation model for industrial cyber-physical systems
Tanhaie et al. Solving product mix problem in multiple constraints environment using goal programming

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17911911

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17911911

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP