CN117010993A - 一种适应订单变化的边云协同智能调度算法 - Google Patents
一种适应订单变化的边云协同智能调度算法 Download PDFInfo
- Publication number
- CN117010993A CN117010993A CN202310970637.2A CN202310970637A CN117010993A CN 117010993 A CN117010993 A CN 117010993A CN 202310970637 A CN202310970637 A CN 202310970637A CN 117010993 A CN117010993 A CN 117010993A
- Authority
- CN
- China
- Prior art keywords
- order
- batch
- factory
- production
- orders
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 230000008859 change Effects 0.000 title claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims abstract description 128
- 238000000034 method Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 26
- 230000002068 genetic effect Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000002243 precursor Substances 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 3
- 238000012856 packing Methods 0.000 claims description 2
- 238000007730 finishing process Methods 0.000 claims 2
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000010276 construction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010923 batch production Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Accounting & Taxation (AREA)
- Software Systems (AREA)
- Finance (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Geometry (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
Abstract
本发明提出了一种适应订单变化的边云协同智能调度算法,用以解决复杂制造场景中订单小批量、多型号、高频次到达的问题。首先,通过云端的LSTM‑ARIMA网络建立订单批次预测模型,预测下一批次各型号订单到达量;然后通过云端批次调度方案将已到达订单分配到各边缘侧工厂;随后,以无拖期为约束,以总完工时间最小为优化目标,利用空闲工厂完成预测订单调度。最后,通过边缘侧分布式调度方案将下发到各工厂的加工任务分配到产线、车间上。用以满足复杂制造场景中对于动态调度的要求。
Description
技术领域
本发明属于工业互联网技术领域,涉及一种适应订单变化的边云协同智能调度算法,包含该模型的约束条件、目标函数和算法流程,用于解决异构制造资源高效调度问题。
背景技术
依托工业物联网带来的海量数据,边缘计算、云计算等新一代信息技术得以快速发展和广泛应用。在制造业数字化转型的背景下,构建人、机、物、料、法、环全要素制造资源高效协同的新型人工智能框架成为可能。
工业生产中的异构制造资源调度问题指的是将生产需求通过合适的调度方案分配给各工厂、车间、流水线执行,实现制造资源的充分利用和生产任务的高效执行。制造资源调度面临制造任务动态变化、制造过程扰动因素多、制造资源不确定性、生产各要素往往分布于本地和远程等不同的地理位置等诸多挑战。因此,如何根据生产任务分配人员、物料、产线等制造资源,避免生产断点,成为构建边云协同智能调度算法的难点所在。为解决上述问题,设计一种适应订单变化的边云协同智能调度算法。
发明内容
本发明解决的技术问题是:生产任务动态变化、制造过程扰动因素多、制造资源、过程面临不确定性等因素下,制造资源、任务难以高效调度的问题。为此,提出了一种适应订单变化的边云协同智能调度算法,采用以下技术方案予以实现:
(1)复杂制造场景建模
本发明总结了模块化、小批量、型号众多、交期紧迫的制造场景的特征,进行复杂制造场景建模。
a.各分销商、经销商收集订单,每批次订单通常包含多个型号,可在多地部署的工厂内完成制造;
b.为减小物流成本,订单通常就近分配;
c.每个工厂均存在多条高柔性产线,但每条产线上同一时间只能生产一类型号的订单;
d.每个工厂可生产的型号有所差异;
e.为减小仓储成本,各工厂通常按照订单交货期顺序加工;
f.订单可切换产线,换产需要换产时间;
g.每条产线上有多个车间,每种类型的车间有其固定的加工功能。每种型号的订单均包含相同种类的零件,零件在产线上的加工顺序不可调整;零件在加工中不能切换车间。
(2)适应订单变化的边云协同智能调度算法流程架构
a.云中心收集到N个订单,每个订单包含不同型号的生产任务,且互相独立;各型号订单依据生产能力、地理位置和物流成本分配到相应工厂,各工厂同一时段仅能生产某一类型号的订单;调度算法首先需将此N个订单分配给M个代工厂完成生产;
b.云端需根据组合预测模型,预测下一批次各型号订单的到达数量,利用代工厂剩余负荷完成订单任务的预生产。为此,调度算法需视剩余制造能力,在不影响当前已到达批次交货的前提下,将预测任务分配给有剩余制造能力的代工厂。
c.各代工厂存在一条或几条生产线,每条生产线有多个车间,每个车间可完成某几种加工任务,而不同型号的产品的组装零件加工内容相同。各零件的加工过程存在前驱后继的约束,即:某项加工任务开始前,其前置加工必须均已结束。调度算法需将某代工厂的j个加工任务分配到各个车间,依生产节拍顺序加工。
(3)云端批次调度算法
该算法流程如下:
第一阶段,在短周期T内,收集各边缘侧订单,并依据交货期顺序将订单任务划分批次;伪代码如下所示:
算法1:订单分组策略
第二阶段,根据各边缘侧代工厂的生产能力、地理位置和物流成本,建立各批次、型号、工厂匹配方案;并根据各工厂的生产能力,求解各任务包的加工时间矩阵。伪代码如下所示:
算法2:订单工厂匹配策略
第四阶段,根据改进遗传算法生成各批次在各工厂内的调度方案,并记录各批次型号调度向量opm={MD1,MD2,…,MDn};得到各批次调度矩阵OP={op1,op2,…,opm};
算法3:改进遗传算法调度策略
第五阶段,将调度矩阵OP下发给边缘端。
(4)云端动态调度算法
1.场景描述
为抽取问题核心,便于数学建模,对面向云端需求变化的调度方案针对的复杂制造场景进行如下描述:
(1)云中心根据历史订单数据和上一批次实际到达量与预测量的误差预测当前批次订单;
(2)预测订单不存在交期时间和违约成本,存在来源、型号、数量等信息;
(3)各代工厂正在执行当前云端批次调度方案;
(4)各型号订单应依据各边缘侧代工厂的生产能力、地理位置和物流成本分配到相应工厂;
(5)考虑到换产成本,各工厂同一时段仅能生产一类型号的订单;
(6)考虑物流成本,每个待加工产品只在同一家工厂加工;
(7)考虑违约成本,应在不造成违约的前提下,利用空闲车间加工预测订单。
云端动态调度方案需依此约束将预测订单分配给M个代工厂完成生产。在上述背景下,进行生产任务调度。
2.数学建模
根据上述问题描述与假设,给出面向云端需求变化的动态调度数学模型。假定云端订单预测模型给出了下n周期各型号的订单预测序列<j1,j2,......jn>,那么,在满足批次调度约束条件的前提下,建立云端动态调度的目标函数和约束条件。
目标函数:
其中,L为完成制造周期内订单序列<j1,j2,......jn>的总完工时间;
约束条件:
JNn=NJn-NJ′n
CJ+J′<DJ
其中,CJ为已到达订单的最小完工时间;CJ+J′为已到达订单结合预测订单重调度的最小完工时间;CJN(π)为调度方案π中完成已到达订单的待加工工件Njn的完工时间;ei,j(π)、ri,j(π)为工序opi,j在调度π中的起、止时间。JNn为已到达订单的各工件待加工的数量,等于待加工工件集的数量与前一周期基于预测订单生产的工件数量之差。
3.算法实现
第一阶段,计算当前批次订单的最小完工时间;伪代码如下:
第二阶段,建立预测订单的型号-工厂匹配方案;
第三阶段,若当前订单的最小完工时间小于最近交货期,则将下一批次预测订单***任务包,利用工厂剩余生产能力生产基于历史订单数据预测的未来订单,直到当前批次订单和预测批次订单的最小完工时间稍小于最近交货期。算法如下所示:
算法5基于订单预测的动态调度算法
本发明与现有技术相比的优点在于:
本发明提出了一种适应订单变化的边云协同智能调度算法,用以解决复杂制造场景中订单小批量、多型号、高频次到达的问题。当订单周期固定,云端批次调度将固定周期内的订单信息按照交货期重新打包并进行工厂匹配,最后通过改进遗传算法完成工厂的批次调度工作。
同时根据LSTM-ARIMA网络预测的下一批次生产任务,借助当前工厂剩余负荷完成基于改进遗传算法的预排产,安排后续订单相应工序的加工设备和时序,能通过历史大数据预测的订单任务完成后续订单相应工序的加工,以避免紧急工件或大批量订单到来造成的产线重构和生产拖期的代价,适应订单变化,解决复杂制造场景的调度问题,在不延误各批次订单交货期的情况下实现完工时间最小化,进而缩短工期,提高订单交期准确率。
附图说明
图1是本发明的算法流程示意图;
具体实施方式
一种适应订单变化的边云协同智能调度算法实施方式如下:
针对小批量、高频次的复杂制造场景,提出了适应云端不确定性的边云协同智能调度算法,其工作流程简述为:
(1)云中心收集到N个订单,每个订单包含不同型号的生产任务,且互相独立;各型号订单依据生产能力、地理位置和物流成本分配到相应工厂,各工厂同一时段仅能生产某一类型号的订单;应用云端批次调度算法首先需将此N个订单分配给M个代工厂完成生产。
(2)鉴于显示器通常交期紧迫,且要求小批量个性化定制,生产任务动态变化频繁,云端需根据组合预测模型,预测下一批次各型号订单的到达数量,利用代工厂剩余负荷完成订单任务的预生产。为此,调度算法需视剩余制造能力,在不影响当前已到达批次交货的前提下,应用云端动态调度算法将预测任务分配给有剩余制造能力的代工厂。
(3)各代工厂存在一条或几条显示器生产线,每条生产线有多个车间,每个车间可完成某几种加工任务,而不同型号的显示器的组装零件加工内容相同。各零件的加工过程存在前驱后继的约束,即:某项加工任务开始前,其前置加工必须均已结束。应用边缘侧分布式调度算法需将某代工厂的j个加工任务分配到各个车间,依生产节拍顺序加工。
其中,云端批次调度算法实施方式如下:
云端批次调度方案目的是将各经销商、分销商固定周期内上传的订单信息按照交货期重新打包,根据工厂柔性、交付地、交货期等完成型号——工厂匹配方案,最后,通过改进遗传算法完成各工厂的批次调度工作。该方案主要分为三个阶段:订单打包、型号——工厂匹配方案、批次调度。
(1)场景描述
为抽取问题核心,便于数学建模,对云端批次调度面向的制造场景进行如下描述:
(1)云中心周期性地收集订单;
(2)在每周期收集到的N个订单中,每个订单来自不同网点,包含不同型号的生产任务,且互相独立;
(3)每个订单均带有云端向客户承诺的交期时间,以及不能按时交货的违约成本;
(4)各型号订单应依据各边缘侧代工厂的生产能力、地理位置和物流成本分配到相应工厂:
(5)考虑到换产成本,各工厂同一时段仅能生产一类型号的订单;
(6)考虑物流成本,每个待加工产品只在同一家工厂加工;
(7)考虑违约成本,应先加工交货期最早的订单。
云端批次调度方案需依此约束将此N个订单分配给M个代工厂完成生产。在上述背景下,进行大规模生产任务调度。
(2)数学建模
结合场景描述,将复杂制造场景进行如下定义:在计划下一阶段T待完成的生产任务时,n个不同位置的销售网点、经销商每周期T报送一次已到达订单序列Order1,Order2,......Ordern。也即周期T内订单序列可合并为订单包Order_T,该周期内的订单交货期为Delayn,拖期成本为Costn。且订单包J中每个订单包含k类型号的订单。
OrderT=<Order1,Order2,......Ordern>
Ordern={Jn,Delayn,Costn}
Jn=<j1,j2,......jk>
当前有M个代工厂可进行生产,每个代工厂可以由一个三元组Fm={line,model,loca}来表示,其中,line为工厂内所含产线数量;model为工厂可加工型号;loca为工厂地理位置分区。
其中,modelm=<model1,model2,...,modeli...modelk>。modeli=0时,意为该工厂不具备加工i型号的能力。modeli=1时,意为该工厂具备加工i型号的能力。
将订单包Order_T将相同位置来源的订单合并,而后依据型号和交货期的先后顺序打包,而后解码为J-n=<j1,j2,......jn>,其中,j1=<j11,j12,......j1t>。
表1调度问题主要符号变量定义
根据以上定义,给出考虑订单批次到达情况下复杂制造场景批次交货调度问题的约束条件:
每个待加工产品只在同一家工厂加工:
其中,Onk分配到m号工厂生产时,Xnkm=1;否则,Xnkm=0
各工厂开始加工和加工完成的时间差值应超过加工该产品的加工时间:
各工厂加工产品来源应与订单位置来源相近:
为保证每组订单的加工顺序符合交货期先后的顺序,有约束:
各组子订单的加工时间约束为各型号订单均已完成:
云端批次调度方案应在符合满足各批次订单交货期的前提下,使总完工时间最小;由此得到批次约束条件:
由此得到目标函数为:
若无解,则考虑违约成本最小的方案:
min{∑(Cn-Delayn)×Costn}
(3)算法实现
第一阶段,在短周期T内,收集各边缘侧订单,并依据交货期顺序将订单任务划分批次;伪代码如下所示:
算法1:订单分组策略
第二阶段,根据各边缘侧代工厂的生产能力、地理位置和物流成本,建立各批次、型号、工厂匹配方案;并根据各工厂的生产能力,求解各任务包的加工时间矩阵。伪代码如下所示:
算法2:订单工厂匹配策略
第四阶段,根据2.3节的改进遗传算法生成各批次在各工厂内的调度方案,并记录各批次型号调度向量opm={MD1,MD2,…,MDn};得到各批次调度矩阵OP={op1,op2,…,opm};
算法3:改进遗传算法调度策略
第五阶段,将调度矩阵OP下发给边缘端。
云端动态调度算法实施方式如下:
与传统的静态调度相比,复杂制造场景调度问题需要灵活完成小批次订单并按时交货,并能通过历史大数据预测的订单任务完成后续订单相应工序的加工,以避免紧急工件或大批量订单到来造成的产线重构和生产拖期的代价。面向云端需求变化的调度方案旨在完成生产计划的基础上利用车间空闲负荷,根据LSTM-ARIMA网络预测的下一批次生产任务,借助当前工厂剩余负荷完成基于改进遗传算法的预排产,安排后续订单相应工序的加工设备和时序,以在不延误各批次订单交货期的情况下实现完工时间最小化,进而缩短工期,提高订单交期准确率。
4.场景描述
为抽取问题核心,便于数学建模,对面向云端需求变化的调度方案针对的复杂制造场景进行如下描述:
(1)云中心根据历史订单数据和上一批次实际到达量与预测量的误差预测当前批次订单;
(2)预测订单不存在交期时间和违约成本,存在来源、型号、数量等信息;
(3)各代工厂正在执行当前云端批次调度方案;
(4)各型号订单应依据各边缘侧代工厂的生产能力、地理位置和物流成本分配到相应工厂;
(5)考虑到换产成本,各工厂同一时段仅能生产一类型号的订单;
(6)考虑物流成本,每个待加工产品只在同一家工厂加工;
(7)考虑违约成本,应在不造成违约的前提下,利用空闲车间加工预测订单。
云端动态调度方案需依此约束将预测订单分配给M个代工厂完成生产。在上述背景下,进行生产任务调度。
5.数学建模
根据上述问题描述与假设,给出面向云端需求变化的动态调度数学模型。假定云端订单预测模型给出了下n周期各型号的订单预测序列<j1,j2,......jn>,那么,在满足批次调度约束条件的前提下,建立云端动态调度的目标函数和约束条件。
目标函数:
其中,L为完成制造周期内订单序列<j1,j2,......jn>的总完工时间;
约束条件:
JNn=NJn-NJ′n
CJ+J′<DJ
其中,CJ为已到达订单的最小完工时间;CJ+J′为已到达订单结合预测订单重调度的最小完工时间;CJN(π)为调度方案π中完成已到达订单的待加工工件Njn的完工时间;ei,j(π)、ri,j(π)为工序opi,j在调度π中的起、止时间。JNn为已到达订单的各工件待加工的数量,等于待加工工件集的数量与前一周期基于预测订单生产的工件数量之差。
6.算法实现
第一阶段,计算当前批次订单的最小完工时间;伪代码如下:
算法4单批次订单最短完工时间计算
第二阶段,建立预测订单的型号-工厂匹配方案;
第三阶段,若当前订单的最小完工时间小于最近交货期,则将下一批次预测订单***任务包,利用工厂剩余生产能力生产基于历史订单数据预测的未来订单,直到当前批次订单和预测批次订单的最小完工时间稍小于最近交货期。算法如下所示:
算法5基于订单预测的动态调度算法
最后,在安排紧急工件生产调度方案时,可以暂停优先级低的预测订单生产,而为了保证已到达订单不延期交货,该调度方案要求不改变现有工序,提供一种利用车间剩余负荷的重调度方案。本文在预测订单暂停工序最少的前提下,以紧急工件最短完工时间为优化目标。建立优化模型如下:
初始化:输入紧急订单J,车间空闲数组M,各工件的已完成工序序列P,各工件加工序列op,加工时间矩阵T。
/*其中,Pi,j为第i个工件的第j个工序在Pi,j时间段内完成加工。车间空闲矩阵/>mjt为第j个机器在第t时间段被使用。
Step1:选择车间空闲位置,利用改进遗传算法计算紧急订单的最小交货时间,若Ci<Di,进行插单;
Step2:否则,暂停最末优先级的订单,重置空闲时间,返回Step1。
边缘侧分布式调度算法实施方式如下:
1.场景描述
在云端完成任务——工厂的匹配后,边缘侧工厂还应根据边缘侧各产线的使用情况和制造过程前驱后继的关系,在各产线合理分配制造任务。为实现此目标。本节需根据第二章和3.2节提供的设备可用情况、订单变化情况对生产任务进行分布式调度,实现对分布式工厂的动态调度。
鉴于边缘侧分布式调度场景中,每个加工环节有若干个并行车间可同时参与加工,因此,该场景可视为一类混合流水作业车间调度问题。为抽取问题核心,便于数学建模,对边缘侧分布式调度方案针对的复杂制造场景进行如下描述:
1)各产品所需加工阶段相同;
2)同一阶段中存在若干台相同车间;
3)每个产品可以在某阶段的任意一间车间上完成加工;
4)任意时刻每个产品至多在一间车间上加工;
5)每个车间某一时刻只能加工一个产品;
6)加工过程不允许中断。
边缘侧分布式调度方案需依此约束将云端分配给该代工厂的订单任务完成加工。在上述背景下,进行生产任务调度。
2.数学建模
将复杂制造场景进行如下描述:
表2调度问题主要符号变量定义
然后建立约束条件。首先,各型号、零件、工序完工时刻与开工时刻的差值要超过该工序所需加工时间。
任意一个零件仅能在一台机器上完成加工。
/>
某零件某工序的在开工之前,其前置加工操作必须全部完成。
/>
Claims (4)
1.一种适应云端不确定性的边云协同智能调度算法,其特征在于流程如下:
针对小批量、高频次的复杂制造场景,提出了适应云端不确定性的边云协同智能调度算法,其工作流程简述为:
(1)云中心收集到N个订单,每个订单包含不同型号的生产任务,且互相独立;各型号订单依据生产能力、地理位置和物流成本分配到相应工厂,各工厂同一时段仅能生产某一类型号的订单;应用云端批次调度算法首先需将此N个订单分配给M个代工厂完成生产;
(2)鉴于部分产品具有交期紧迫,且要求小批量个性化定制,生产任务动态变化频繁,云端需根据组合预测模型,预测下一批次各型号订单的到达数量,利用代工厂剩余负荷完成订单任务的预生产。为此,调度算法需视剩余制造能力,在不影响当前已到达批次交货的前提下,应用云端动态调度算法将预测任务分配给有剩余制造能力的代工厂。
(3)各代工厂存在一条或几条生产线,每条生产线有多个车间,每个车间可完成某几种加工任务,而不同型号的产品组装零件加工内容相同。各零件的加工过程存在前驱后继的约束,即:某项加工任务开始前,其前置加工必须均已结束。应用边缘侧分布式调度算法需将某代工厂的j个加工任务分配到各个车间,依生产节拍顺序加工。
2.根据权利要求1所述的复杂制造场景,其特征具体为:
(1)各分销商、经销商收集订单,每批次订单通常包含多个型号,可在多地部署的工厂内完成制造;
(2)为减小物流成本,订单通常就近分配;
(3)每个工厂均存在多条高柔性产线,但每条产线上同一时间只能生产一类型号的订单;
(4)每个工厂可生产的型号有所差异;
(5)为减小仓储成本,各工厂通常按照订单交货期顺序加工;
(6)订单可切换产线,换产需要换产时间;
(7)每条产线上有多个车间,每种类型的车间有其固定的加工功能。每种型号的订单均包含相同种类的零件,零件在产线上的加工顺序不可调整;零件在加工中不能切换车间。
3.根据权利要求1所述的云端批次调度算法,其特征在于:
(1)约束条件
给出考虑订单批次到达情况下复杂制造场景批次交货调度问题的约束条件:
每个待加工产品只在同一家工厂加工:
其中,Onk分配到m号工厂生产时,Xnkm=1;否则,Xnkm=0
各工厂开始加工和加工完成的时间差值应超过加工该产品的加工时间:
各工厂加工产品来源应与订单位置来源相近:
为保证每组订单的加工顺序符合交货期先后的顺序,有约束:
各组子订单的加工时间约束为各型号订单均已完成:
云端批次调度方案应在符合满足各批次订单交货期的前提下,使总完工时间最小;由此得到批次约束条件:
(2)目标函数
若无解,则考虑违约成本最小的方案:
min{Σ(Cn-Delayn)×Costn}
(3)算法流程
云端批次调度方案目的是将各经销商、分销商固定周期内上传的订单信息按照交货期重新打包,根据工厂柔性、交付地、交货期等完成型号——工厂匹配方案,最后,通过改进遗传算法完成各工厂的批次调度工作。该方案主要分为三个阶段:订单打包、型号——工厂匹配方案、批次调度。
第一阶段,在短周期T内,收集各边缘侧订单,并依据交货期顺序将订单任务划分批次;
第二阶段,根据各边缘侧代工厂的生产能力、地理位置和物流成本,建立各批次、型号、工厂匹配方案;并根据各工厂的生产能力,求解各任务包的加工时间矩阵。
第三阶段,根据改进遗传算法生成各批次在各工厂内的调度方案,并记录各批次型号调度向量;得到各批次调度矩阵。
4.根据权利要求1所述的云端动态调度算法,其特征在于:
(1)约束条件
JNn=NJn-NJ′n
CJ+J′<DJ
其中,CJ为已到达订单的最小完工时间;CJ+J′为已到达订单结合预测订单重调度的最小完工时间;CJN(π)为调度方案π中完成已到达订单的待加工工件Njn的完工时间;式(5.15)中,ei,j(π)、ri,j(π)为工序opi,j在调度π中的起、止时间;JNn为已到达订单的各工件待加工的数量,等于待加工工件集的数量与前一周期基于预测订单生产的工件数量之差。
定义Oij为第i个工件的第j个工序,为本组订单待加工工序Oij全部完成加工的最短完工时间,可通过以下算法计算每个订单完成加工的时间,定义该完工时间为/>
(2)目标函数
定义Oij为第i个工件的第j个工序,为本组订单待加工工序Oij全部完成加工的最短完工时间,可通过以下算法计算每个订单完成加工的时间,定义该完工时间为/>
(3)算法流程
第一阶段,计算当前批次订单的最小完工时间;伪代码如下:
第二阶段,建立预测订单的型号-工厂匹配方案;
第三阶段,若当前订单的最小完工时间小于最近交货期,则将下一批次预测订单***任务包,利用工厂剩余生产能力生产基于历史订单数据预测的未来订单,直到当前批次订单和预测批次订单的最小完工时间稍小于最近交货期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310970637.2A CN117010993A (zh) | 2023-08-03 | 2023-08-03 | 一种适应订单变化的边云协同智能调度算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310970637.2A CN117010993A (zh) | 2023-08-03 | 2023-08-03 | 一种适应订单变化的边云协同智能调度算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117010993A true CN117010993A (zh) | 2023-11-07 |
Family
ID=88565127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310970637.2A Pending CN117010993A (zh) | 2023-08-03 | 2023-08-03 | 一种适应订单变化的边云协同智能调度算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117010993A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118095786A (zh) * | 2024-04-19 | 2024-05-28 | 中航西安飞机工业集团股份有限公司 | 一种飞机数字化装配产线重构方法及*** |
-
2023
- 2023-08-03 CN CN202310970637.2A patent/CN117010993A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118095786A (zh) * | 2024-04-19 | 2024-05-28 | 中航西安飞机工业集团股份有限公司 | 一种飞机数字化装配产线重构方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | An event-triggered dynamic scheduling method for randomly arriving tasks in cloud manufacturing | |
Rohani et al. | Production line analysis via value stream mapping: a lean manufacturing process of color industry | |
Lambrecht et al. | ACLIPS: A capacity and lead time integrated procedure for scheduling | |
Kück et al. | Potential of data-driven simulation-based optimization for adaptive scheduling and control of dynamic manufacturing systems | |
Kim et al. | Synchronized production planning and scheduling in semiconductor fabrication | |
Darwish et al. | Towards sustainable industry 4.0: A green real-time IIoT multitask scheduling architecture for distributed 3D printing services | |
CN105974891B (zh) | 一种基于动态看板的模具生产过程自适应控制方法 | |
Zhou et al. | Modelling and simulation of logistics service selection in cloud manufacturing | |
Rewers et al. | Production leveling as an effective method for production flow control–experience of polish enterprises | |
Özbayrak et al. | A flexible and adaptable planning and control system for an MTO supply chain system | |
Modrak et al. | Batch size optimization of multi-stage flow lines in terms of mass customization | |
Biele et al. | Decomposition methods for cost and tardiness reduction in aircraft manufacturing flow lines | |
Thenarasu et al. | Development and selection of hybrid dispatching rule for dynamic job shop scheduling using multi-criteria decision making analysis (MCDMA) | |
Hong et al. | A dynamic demand-driven smart manufacturing for mass individualization production | |
Perinić et al. | Determining the minimum waiting times in a hybrid flow shop using simulation-optimization approach | |
Wadeson | The division of labour under uncertainty | |
Wang et al. | Scheduling Optimization Modelling: A Case Study of a Woven Label Manufacturing Company. | |
Duan et al. | Real-time production scheduler for digital-print-service providers based on a dynamic incremental evolutionary algorithm | |
Fatthi et al. | A MIXED INTEGER PROGRAMMING MODEL FOR SOLVING REAL-TIME TRUCK-TO-DOOR ASSIGNMENT AND SCHEDULING PROBLEM AT CROSS DOCKING WAREHOUSE. | |
CN117010993A (zh) | 一种适应订单变化的边云协同智能调度算法 | |
Hindle et al. | Simul8-planner for composites manufacturing | |
Basán et al. | An effective MILP-based decomposition algorithm for the scheduling and redesign of flexible job-shop plants | |
Zhou et al. | Comparison of production-triggering strategies for manufacturing enterprises under Random Orders | |
Kim et al. | Computational shipyard dynamics | |
Bauer et al. | 2.5 Automated Framework Based on Supply Chain Events |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |