CN117687356A - 生产调度方法、终端设备及计算机可读存储介质 - Google Patents
生产调度方法、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN117687356A CN117687356A CN202311272606.6A CN202311272606A CN117687356A CN 117687356 A CN117687356 A CN 117687356A CN 202311272606 A CN202311272606 A CN 202311272606A CN 117687356 A CN117687356 A CN 117687356A
- Authority
- CN
- China
- Prior art keywords
- production
- equipment
- constraint
- model
- data
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 284
- 238000000034 method Methods 0.000 title claims abstract description 127
- 238000003860 storage Methods 0.000 title claims description 20
- 230000006870 function Effects 0.000 claims abstract description 127
- 238000004088 simulation Methods 0.000 claims abstract description 55
- 238000005457 optimization Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims description 17
- 238000005265 energy consumption Methods 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 10
- 238000012797 qualification Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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]
- G05B19/41865—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] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本申请公开了生产调度方法、终端设备及计算机可读存储介质,该生产调度方法通过对工厂进行生产数据采集,获取工厂在预设时间内的生产数据,建立工厂的至少一个生产线的仿真模型,根据生产数据和仿真模型构建工厂在预设时间段内的目标函数,获取工厂的若干生产设备的设备约束关系,根据设备约束关系、生产数据以及仿真模型获取工厂的约束函数,将目标函数和约束函数输入优化模型,以获取优化模型输出的设备调度方案。本申请的生产调度方法通过在约束函数中加入生产设备的设备约束关系,使得优化模型输出的设备调度方案能够考虑充分利用设备的价值,实现资源的平衡分配,平衡生产负荷并降低生产成本。
Description
技术领域
本申请涉及生产调度技术领域,特别是涉及生产调度方法、终端设备及计算机可读存储介质。
背景技术
随着工业生产的发展,工厂面临着如何提高生产效率、降低成本、节约能源等挑战。为了适应市场的需求,工厂需要不断更新设备,引进更先进的自动化设备,提高产品的质量和精度,因此,在对工厂的生产进行调度时,通常需要将多个可选的第一设备(即新购置的设备)和第二设备(即现有设备)进行工序分配。第一设备虽然生产效率高,但是成本高昂,且可能不能兼容所有的工艺;第二设备虽然已经使用多年,但是仍然具有一定的效益,且可能支持一些第一设备不支持的工艺。现有的生产调度方法主要针对新购置的第一设备,忽视了第二设备的剩余价值,导致第二设备闲置或低效使用,造成资源浪费和成本增加。
发明内容
为解决上述技术问题,本申请提供了生产调度方法、终端设备及计算机可读存储介质。
为解决上述问题,本申请提供第一种技术方案:提供一种设备调度方法,包括:对工厂进行生产数据采集,以获取上述工厂在预设时间内的生产数据;建立上述工厂的至少一个生产线的仿真模型,以根据上述生产数据和上述仿真模型构建上述工厂在预设时间段内的目标函数;获取上述工厂的若干生产设备的设备约束关系,以根据上述设备约束关系、上述生产数据以及上述仿真模型构建上述工厂的约束函数;调用预设的优化模型,将上述目标函数和上述约束函数输入优化模型,以获取上述优化模型输出的设备调度方案。
可选地,上述获取上述工厂的若干生产设备的设备约束关系,以根据上述设备约束关系、上述生产数据以及上述仿真模型获取上述工厂的约束函数的步骤之前,上述设备调度方法包括:获取若干上述生产设备的设备参数,上述设备参数包括工艺参数、产效、耗能、功率的至少一种;根据上述设备参数对若干上述生产设备进行聚类分析,以按照适用范围将若干上述生产设备划分为若干设备簇;根据上述生产数据和上述仿真模型对上述设备簇进行分析,以获取上述设备约束关系。
可选地,上述生产设备包括第一设备和第二设备,上述第一设备为上述工厂在目标期限内购置的新设备,上述第二设备为上述工厂在所述目标期限之前已购置的生产设备;上述根据上述生产数据和上述仿真模型对上述设备簇进行分析,以获取上述设备约束关系,包括:获取上述第一设备和上述第二设备在上述仿真模型的生产数据;根据上述生产数据、上述第一设备和上述第二设备的使用成本构建上述第一设备和上述第二设备的设备约束关系。
可选地,上述建立上述工厂的至少一个生产线的仿真模型,以根据上述生产数据和上述仿真模型构建上述工厂在预设时间段内的目标函数,包括:利用制造执行***获取上述至少一个生产线的工艺数据;根据上述工艺数据建立上述至少一个生产线的仿真模型,以根据上述生产数据和上述仿真模型确定上述优化模型的目标函数,上述目标函数用于指示上述工厂的生产目标。
可选地,上述将上述目标函数和上述约束函数输入优化模型,以获取上述优化模型输出的设备调度方案的步骤之后,上述设备调度方法还包括:利用制造执行***对上述设备调度方案的执行过程进行监控,以接收上述制造执行***返回的上述设备调度方案的执行数据;根据上述执行数据对上述设备调度方案进行调整。
可选地,所述优化模型由下述方法训练得到:获取待训练模型的第一样本集,所述第一样本集包括所述待训练模型的目标函数和约束函数,所述约束函数至少根据所述工厂的若干生产设备的设备约束关系进行构建;获取所述待训练模型的第二样本集,所述第二样本集包括与所述第一样本集对应的设备调度方案;基于所述第一样本集和所述第二样本集对所述待训练模型进行训练,以生成所述优化模型。
可选地,所述目标函数包括不同生产目标的第一目标函数和第二目标函数,所述待训练模型用于根据所述第一目标函数和所述第二目标函数输出预测方案。
可选地,所述生产设备包括第一设备和第二设备,所述第一设备为所述工厂在目标期限内购置的新设备,所述第二设备为所述工厂在所述目标期限之前已购置的设备,所述设备约束关系为所述第一设备和所述第二设备在第一参数和第二参数之间的约束关系,所述第一参数和所述第二参数包括生产效率、使用成本、设备产出质量、工艺参数中的两者。
为解决上述问题,本申请提供第二种技术方案:提供一种终端设备,包括处理器以及与上述处理器连接的存储器,其中,上述存储器中存储有程序数据,上述处理器调取上述存储器存储的上述程序数据,以执行如上上述的方法。
为解决上述问题,本申请提供第三种技术方案:提供一种计算机可读存储介质,存储有程序指令,上述程序指令被执行以实现如上上述的方法。
本申请提供了生产调度方法、终端设备及计算机可读存储介质,该生产调度方法通过对工厂进行生产数据采集,获取工厂在预设时间内的生产数据,建立工厂的至少一个生产线的仿真模型,根据生产数据和仿真模型构建工厂在预设时间段内的目标函数,获取工厂的若干生产设备的设备约束关系,根据设备约束关系、生产数据以及仿真模型获取工厂的约束函数,将目标函数和约束函数输入优化模型,以获取优化模型输出的设备调度方案。本申请的生产调度方法通过在约束函数中加入生产设备的设备约束关系,使得优化模型输出的设备调度方案能够考虑充分利用设备的价值,实现资源的平衡分配,平衡生产负荷并降低生产成本。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。其中:
图1是本申请提供的模型训练方法的一实施例的流程示意图;
图2是本申请提供的设备调度方法的一实施例的流程示意图;
图3是本申请提供的设备调度方法的另一实施例的流程示意图;
图4是本申请提供的设备调度方法的又一实施例的流程示意图;
图5是本申请提供的终端设备的一实施例的结构示意图;
图6是本申请提供的计算机可读存储介质的一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动情况下所获得的所有其他实施例,均属于本申请保护的范围。
需要说明,若本申请实施例中有涉及方向性指示(诸如上、下、左、右、前、后……),则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,若本申请实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
请参见图1,图1是本申请提供的模型训练方法的一实施例的流程示意图。如图1所示,本申请实施例首先提出了一种模型训练方法,该模型训练方法应用于待训练模型,训练后的待训练模型用于对工厂进行生产调度,模型训练方法包括以下步骤:
S11:获取待训练模型的第一样本集,第一样本集包括待训练模型的目标函数和约束函数,约束函数至少根据工厂的生产设备的设备约束关系进行构建。
待训练模型是通过多目标启发式算法搭建的优化模型,例如,待训练模型可以通过遗传算法、模拟退火等方法进行生产调度。对待训练模型进行训练时,首先获取待训练模型的第一样本集,第一样本集包括待训练模型的目标函数和约束函数。具体地,目标函数用于表示待训练模型在进行生产调度时需要达到的目标,约束函数用于表示待训练模型在进行生产调度时需要满足的限定条件;目标函数通常可以包括需要确定的最大化或者最小化的指标,例如,目标函数可以定义为生产成本最小、生产工期最短、生产效率最高等的至少一种;约束函数用于约束待训练模型在进行生产调度时需要考虑的其他约束因素,例如,约束函数可以定义为需要满足每日产效大于第一预设阈值、产品的合格率大于第二预设阈值、产销大于第二预设阈值等的至少一种。可以理解地,目标函数为待训练模型进行生产调度时的决策变量的相关函数,待训练模型对目标函数进行求解时需要在满足约束函数前提下实现目标函数的最大化或最小化。
本实施例的模型训练方法在获取第一样本集时,至少根据工厂的生产设备的设备约束关系构建约束函数。可以理解地,在可选地实施方式中,工厂接收到关于生产预设数量产品的订单,而工厂现有的第一设备不能支持生产该产品的某一工序,或者,使用现有的第一设备进行生产时的生产效率低下、无法按期完成生产,此时,为了在保证生产成本的最小化和生产效率的最大化,工厂必须新购置第一设备与第二设备进行联动生产。本实施例的模型训练方法根据第一设备和第二设备在使用成本、生产效率、适用工艺等参数上的差异构建第一设备和第二设备的设备约束关系,并根据该约束关系构建约束函数,使得通过第一样本集对待训练模型进行训练时能够根据第一设备和第二设备的特性进行生产调度,以使得待训练模型输出的预测结果能够更多充分利用第二设备的剩余价值,实现资源的合理配置。
S12:获取待训练模型的第二样本集,第二样本集包括与第一样本集对应的设备调度方案。
进一步地,获取待训练模型的第二样本集,第二样本集包括与第一样本集对应的设备调度方案,该设备调度方案为在第一样本集的约束函数和目标函数下所获取的最优解。其中,待训练模型的第一样本集和第二样本集可以通过工厂的数据采集***采集得到,也可以从工厂、企业等相关生产机构的数据库中获取得到,还可以在机器学习或深度学习的数据库中获取,在此对第一样本集和第二样本集的来源不做具体限定。
S13:基于第一样本集和第二样本集对待训练模型进行训练,以生成优化模型。
利用第一样本集和第二样本集对待训练模型进行训练,具体地,将第一样本集输入至待训练模型,以获取待训练模型输出的预测方案,并根据预测方案与第二样本集中的设备调度方案的差异计算出待训练模型的置信度,以根据置信度对待训练模型进行更新训练,直至待训练模型训练完成并生成优化模型,该优化模型用于对工厂进行生产调度。
在本申请实施例中,该模型训练方法通过第一样本集和第二样本集对待训练模型进行训练,第一样本集包括目标函数和约束函数,约束函数至少根据工厂的生产设备的设备约束关系进行构建,以生成优化模型,使得优化模型进行生产调度时能够根据第一设备和第二设备的特性进行资源的合理分配,提高设备调度的平衡性。
请参见图2,图2是本申请提供的设备调度方法的一实施例的流程示意图。如图2所示,本申请实施例还提出了一种设备调度方法,该设备调度方法通过利用优化模型将工厂生产过程中的不同工序分配至指定的生产设备,以使得生产线能够加工并输出指定数量的产品,该优化模型为通过上述的模型训练方法训练得到,该设备调度方法包括以下步骤:
S21:对工厂进行生产数据采集,以获取工厂在预设时间内的生产数据。
具体地,可以通过在工厂的不同生产线、工序上设置不同类型的传感器、可编程逻辑控制器(Programmable Logic Controller,PLC)等采集设备,以建立工厂的数据采集***,并通过数据采集***对工厂在预设时间内的生产数据进行采集,生产数据可以包括工艺参数、生产效率数据、质量数据(合格率、劣品率等)等类型的生产数据。其中,预设时间可以是预先设置的一个采样周期的时间,在此不做具体限定。
在可选地实施方式中,还可以通过制造执行***(Manufacturing ExecutionSystem,MES)对产品从工单发出到完工的过程进行实时监控并获取工厂对应的生产数据。
S22:建立工厂的至少一个生产线的仿真模型,以根据生产数据和仿真模型构建工厂在预设时间段内的目标函数。
具体地,工厂内一般设置有至少一个生产线,生产线的仿真模型可通过对该生产线的工艺路线进行建模获得,该仿真模型包括该生产线的工艺、工序、物料流转等内容。建立仿真模型后,根据生产数据和仿真模型可以获取工厂对于该生产线的生产需求,以根据生产需求定义工厂在预设时间段需要达成的目标,并将该目标转化为工厂的目标函数。
示例性地,工厂在预设时间段需要达成的目标为生产成本最小、生产工期最短,工厂生产A产品和B产品的生产成本分别为X1、X2,A产品和B产品的生产工期分别为Y1和Y2,则转化的目标函数可以为下列两个式子:
minf1=X1+X2;
minf2=Y1+Y2;
在可选地实施方式中,还可以从MES***中获取生产线的工艺路线,并建立对应的仿真模型,在此不做具体限定。
S23:获取工厂的若干生产设备的设备约束关系,以根据设备约束关系、生产数据以及仿真模型构建工厂的约束函数。
获取工厂的若干生产设备之间的设备约束关系,以根据设备约束关系、生产数据以及仿真模型构建工厂的约束函数,其中,约束函数用于约束优化模型在进行生产调度时需要考虑的其他因素,优化模型对目标函数进行求解时需要在满足约束函数前提下实现目标函数的最大化或最小化,约束函数可以定义为需要满足每日产效大于第一预设阈值、产品的合格率大于第二预设阈值、产销大于第二预设阈值等的至少一种,设备约束关系可以体现在设备的使用成本和生产效率之间的约束关系、设备的使用成本和设备产出质量之间的约束关系、工艺复杂度与设备的适用性之间的约束关系等至少一种。
S24:调用预设的优化模型,将目标函数和约束函数输入优化模型,以获取优化模型输出的设备调度方案。
具体地,调用上述方法训练的优化模型。获取目标函数和约束函数后,将目标函数和约束函数输入优化模型,以获取优化模型输出的设备调度方案,其中,优化模型可以通过遗传算法、模拟退火等方法对输入的目标函数和约束函数进行求解,以将求得的最优解作为设备调度方案。该设备调度方案可以体现在工厂接收到关于生产预设数量产品的订单时如何调度生产设备在不同工序之间的生产,使得生产线能够加工并输出指定数量的产品,例如,设备调度方案可以包括:是否需要购置新的生产设备(第一设备)、将第一设备和第二设备安排在哪些工序上进行生产、生产时间、每日产效需要达到多少等内容。
在本申请实施例中,该生产调度方法通过对工厂进行生产数据采集,获取工厂在预设时间内的生产数据,建立工厂的至少一个生产线的仿真模型,根据生产数据和仿真模型构建工厂在预设时间段内的目标函数,获取工厂的若干生产设备的设备约束关系,根据设备约束关系、生产数据以及仿真模型获取工厂的约束函数,将目标函数和约束函数输入优化模型,以获取优化模型输出的设备调度方案。本实施例的生产调度方法通过在约束函数中加入生产设备的设备约束关系,使得优化模型输出的设备调度方案能够考虑充分利用设备的价值,实现资源的平衡分配,平衡生产负荷并降低生产成本。
可选地,目标函数包括不同生产目标的第一目标函数和第二目标函数,待训练模型用于根据第一目标函数和第二目标函数输出预测方案。
具体地,优化模型在根据第一目标函数、第二目标函数以及约束函数进行优化求解时,优化模型可以规划出若干调度方案,优化模型从若干调度方案中选取第一目标函数和第二目标函数具有最值、且满足约束条件的方案输出为设备调度方案,以使得工厂能够根据设备调度方案进行生产调度。可选地实施方式中,第一目标函数可以是生产工期或者生产效率,第二目标函数可以是生产成本,设备调度方案可以是在生产工期具有最小值、生产成本具有最小值的预测方案。
可选地,生产设备包括第一设备和第二设备,第一设备为工厂在目标期限内购置的新设备,第二设备为工厂在目标期限之前已购置的的生产设备,设备约束关系为第一设备和第二设备在使用成本和生产效率上的约束关系。其中,目标期限可以为在进行此次生产调度之前的期限,或者,目标期限可以为开始进行生产的期限。
具体地,在一实施方式中,第一设备为工厂需要购置的新设备,第二设备为工厂现有的生产设备,第一设备和第二设备至少在适用工艺范围、使用成本、生产效率等至少一个因素上存在差异,因此,可以根据工厂的生产数据、待生产的产品的工艺复杂度,分析第一设备和第二设备在该产品的适用性和优劣程度,以根据第一设备和第二设备在生产效率、使用成本、设备产出质量、工艺参数等至少两者的差异性建立设备约束关系。此时,设备约束关系为第一设备和第二设备在第一参数和第二参数之间的约束关系,第一参数可以是生产效率、使用成本、设备产出质量、工艺参数中的一者,第二参数可以是生产效率、使用成本、设备产出质量、工艺参数中的另一者。
示例性地,工厂接收到关于生产预设数量产品的订单,第一设备生产该产品时的生产效率和产品合格率较高、购置成本高,第二设备生产该产品时运行成本低、生产效率和产品合格率较低,因此,使用第一设备和第二设备生产该产品时的生产效率和产品合格率与该设备的使用成本存在正比例的关系,根据第一设备和第二设备在生产效率和使用成本的相对关系建立设备约束关系,使得优化模型进行生产调度时能够根据第一设备和第二设备的特性进行资源的合理分配。
在其他实施方式中,第一设备和第二设备还可以是按照使用时间、运行成本、产量、生产适用性等至少一种影响因素进行划分的设备。例如,第一设备为工厂使用时间小于第四预设阈值的设备、第二设备为工厂使用时间大于或等于第四预设阈值的设备;或者,第一设备为使用时间小于第四预设阈值、运行成本大于或等于第五预设阈值的设备,第二设备为工厂使用时间大于或等于第四预设阈值、运行成本小于第五预设阈值的设备;或者,第一设备为产量大于或等于第六预设阈值、运行成本大于或等于第五预设阈值的设备,第二设备为产量小于第六预设阈值、运行成本小于第五预设阈值的设备。此时,同样可以根据第一设备和第二设备在对应的影响因素上的相对关系建立设备约束关系,以使得优化模型进行生产调度时能够根据第一设备和第二设备的特性进行资源的合理分配。
请参见图3,图3是本申请提供的设备调度方法的另一实施例的流程示意图。如图3所示,步骤S23之前,模型训练方法包括以下步骤:
步骤S31:获取若干生产设备的设备参数,设备参数包括工艺参数、产效、耗能、功率等至少一种。
具体地,生产设备的设备参数可以从工厂连接的数据库中获取,生产设备的设备参数可以包括该设备的工艺参数、产效、耗能、功率等的至少一种。
步骤S32:根据设备参数对若干生产设备进行聚类分析,以按照适用范围将若干生产设备划分为若干设备簇。
根据设备参数对若干生产设备进行聚类分析,以按照设备参数将若干生产设备组成的集合划分成多个不同适用范围的设备簇。具体地,通过获取若干生产设备的工艺参数、产效、耗能、功率等的至少一种作为分类依据,按照预设的相似性系数将若干生产设备划分为若干设备簇,以获取在适用工艺、耗能程度、产效水平等适用范围不同的设备簇。
步骤S33:根据生产数据和仿真模型对设备簇进行分析,以获取设备约束关系。
根据生产数据和仿真模型确定目标函数后,将生产该产品的工艺与设备簇中的设备参数进行比对分析,以获取不同设备之间的设备约束关系,设备约束关系可以包括在使用成本和生产效率之间的约束关系和使用成本和设备产出质量之间的约束关系的至少一种。在设备约束关系体现于使用成本和生产效率之间时,将设备的购置成本、耗能成本等使用成本与生产数据中的生产效率数据、仿真模型的工艺流程进行比对,以获取第一约束函数;在设备约束关系体现于使用成本和设备产出质量之间的约束关系时,将设备的使用成本与生产数据中的质量数据、仿真模型的工艺流程进行比对,以获取第二约束函数。并根据第一约束函数和/或第二约束函数以及关于每日产效、整体产销比等第三约束函数建立优化模型的约束函数。
其中,在设备约束关系体现于使用成本和生产效率之间时,优化模型能够考虑将生产效率高、使用成本高的第一设备运用于部分复杂度高的工序,并将生产效率低、使用成本低的第二设备运用于复杂度低的工序,使得优化模型输出的设备调度方案能够平衡生产负荷并降低生产成本;在设备约束关系体现于使用成本和设备产出质量之间的约束关系时,例如工厂在生产质量要求高的产品A和质量要求低的产品B,优化模型能够考虑将使用成本高、产出质量高的第一设备运用于产品A的生产,并将使用成本低、产出质量低的第二设备运用于产品B的生产。
在本申请实施例中,本实施例的生产调度方法根据设备参数对若干生产设备进行聚类分析,并根据生产数据和仿真模型对设备簇进行分析,以获取设备约束关系使得优化模型输出的设备调度方案能够考虑充分考虑不同设备之间的优劣性能,实现资源的平衡分配,平衡生产负荷并降低生产成本。
可选地,生产设备包括第一设备和第二设备,第一设备为工厂在目标期限内购置的新设备,第二设备为工厂在目标期限之前已购置的生产设备。
请参见图4,图4是本申请提供的设备调度方法的又一实施例的流程示意图。如图4所示,步骤S23之前,设备调度方法包括以下步骤:
步骤S41:获取若干生产设备的设备参数,设备参数包括工艺参数、产效、耗能、功率等至少一种。
步骤S42:根据设备参数对若干生产设备进行聚类分析,以按照适用范围将若干生产设备划分为若干设备簇。
步骤S41-S42与上述步骤S31-S32类似,在此不再赘述。
步骤S43:获取第一设备和第二设备在仿真模型的生产数据。
具体地,获取第一设备和第二设备在仿真模型的工艺路线上的生产数据,生产数据可以包括第一设备和第二设备在某一工序上的生产效率、产量、合格率、次品率等数据的至少一种。
步骤S44:根据生产数据、第一设备和第二设备的使用成本构建第一设备和第二设备的设备约束关系。
根据上述获取的第一设备和第二设备的生产数据,进一步获取第一设备和第二设备的使用成本,第一设备的使用成本通常包括购置成本和运行成本(能耗),第二设备的使用成本通常包括能耗、维护费用等运行成本。根据第一设备和第二设备在生产数据和使用成本之间的差异构建第一设备和第二设备的设备约束关系。
示例性地,第一设备的生产数据和使用成本的比值为第一比值,第二设备的生产数据和使用成本的比值为第二比值,设备约束关系可以体现在第一比值和第二比值的权重在预设范围内;或者,第一设备和第二设备的使用成本的比值为第三比值,第一设备和第二设备的生产数据的比值为第四比值,设备约束关系可以体现在第三比值和第四比值的权重在预设范围内。可以理解地,设备约束关系体现于第一设备和第二设备在生产数据和使用成本上的函数关系,该函数关系可以体现于上述的比值、权重等,也可以通过其他数学方式进行构建,在此不做具体限定。
在本申请实施例中,本实施例的生产调度方法通过获取第一设备和第二设备在仿真模型的生产数据,并根据生产数据、第一设备和第二设备的使用成本构建第一设备和第二设备的设备约束关系,以根据设备约束关系构建优化模型的约束函数,使得优化模型输出的设备调度方案能够考虑充分考虑不同设备之间的优劣性能,实现资源的平衡分配,平衡生产负荷并降低生产成本。
可选地,步骤S22包括:利用制造执行***获取至少一个生产线的工艺数据;根据工艺数据建立至少一个生产线的仿真模型,以根据生产数据和仿真模型确定优化模型的目标函数,目标函数用于指示工厂的生产目标。
具体地,通过制造执行***(MES***)能够实时获取至少一个生产线的工艺数据,并根据工艺数据对生产线的工艺路线进行建模,以获取生产线的仿真模型,根据生产数据和仿真模型可以定义工厂对于该生产线的生产需求,例如,对于生产产品A和产品B的生产线,工厂的生产目标为生产成本最小、生产工期最短,此时,可以根据工厂的生产目标构建优化模型的目标函数minf1和minf2。
可选地,步骤S24之后,设备调度方法包括以下步骤:利用制造执行***对设备调度方案的执行过程进行监控,以接收制造执行***返回的设备调度方案的执行数据;根据执行数据对设备调度方案进行调整。
具体地,优化模型输出设备调度方案后,工厂的工作人员根据该设备调度方案执行对应的方案,例如,工作人员根据该设备调度方案控制对应的生产线和生产设备执行对应的工序,此时,MES***对于生产线和生产设备上的执行过程进行监控,以获取设备调度方案的执行数据,根据执行数据可以对设备调度方案进行调整,以在工厂的生产环境出现动态变化时能够实时对设备调度方案进行调整,生产环境变化可以包括设备故障、订单变化、工艺调整等动态性因素的至少一种。
本实施例的设备调度方法通过利用MES***对设备调度方案的执行过程进行监控,使得能根据MES***返回的执行数据对设备调度方案进行调整,使得设备调度方法能够适应工厂生产环境中的动态因素进行实时调整,提高设备调度方案的鲁棒性和适应性。
其中,本申请实施例的模型训练方法和设备调度方法均可应用于一种终端设备,该终端设备可以为服务器,也可以为由服务器和本地终端相互配合的***。相应地,终端设备包括的各个部分,例如各个单元、子单元、模块、子模块可以全部设置于服务器中,也可以分别设置于服务器和本地终端中。
进一步地,上述服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块,例如用来提供分布式服务器的软件或软件模块,也可以实现成单个软件或软件模块,在此不做具体限定。在一些可能的实现方式中,本申请实施例的设备调度方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
请参见图5,图5是本申请提供的终端设备的一实施例的结构示意图。如图5所示,该终端设备100包括处理器101以及与处理器101连接的存储器102,其中,存储器102中存储有程序数据,处理器101调取存储器102存储的程序数据,以执行上述的任一方法。
可选地,在一实施例中,处理器101用于执行程序数据以实现如下方法:获取待训练模型的第一样本集,第一样本集包括待训练模型的目标函数和约束函数,约束函数至少根据工厂的生产设备的设备约束关系进行构建;获取待训练模型的第二样本集,第二样本集包括与第一样本集对应的设备调度方案;利用第一样本集和第二样本集对待训练模型进行训练。
可选地,在另一实施例中,处理器101用于执行程序数据以实现如下方法:对工厂进行生产数据采集,以获取工厂在预设时间内的生产数据;建立工厂的至少一个生产线的仿真模型,以根据生产数据和仿真模型构建工厂在预设时间段内的目标函数;获取工厂的若干生产设备的设备约束关系,以根据设备约束关系、生产数据以及仿真模型获取工厂的约束函数;将目标函数和约束函数输入优化模型,以获取优化模型输出的设备调度方案。
其中,处理器101还可以称为CPU(Central Processing Unit,中央处理单元)。处理器101可能是一种电子芯片,具有信号的处理能力。处理器101还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器102可以为内存条、TF卡等,可以存储终端设备100中的全部信息,包括输入的原始数据、计算机程序、中间运行结果和最终运行结果都保存在存储器102中。它根据处理器101指定的位置存入和取出信息。有了存储器102,终端设备100才有记忆功能,才能保证正常工作。终端设备100的存储器102按用途可分为主存储器(内存)和辅助存储器(外存),也有分为外部存储器和内部存储器的分类方法。外存通常是磁性介质或光盘等,能长期保存信息。内存指主板上的存储部件,用来存放当前正在执行的数据和程序,但仅用于暂时存放程序和数据,关闭电源或断电,数据会丢失。
请参见图6,图6是本申请提供的计算机可读存储介质的一实施例的结构示意图。如图6所示,该计算机可读存储介质110中存储有能够实现上述所有方法的程序指令111。
在本申请各个实施例中的各功能单元集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在计算机可读存储介质110中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机可读存储介质110在一个程序指令111中,包括若干指令用以使得一台计算机设备(可以是个人计算机,***服务器,或者网络设备等)、电子设备(例如MP3、MP4等,也可以是手机、平板电脑、可穿戴设备等移动终端,也可以是台式电脑等)或者处理器(processor)以执行本申请各个实施方式方法的全部或部分步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质110(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机可读存储介质110实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机可读存储介质110到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的程序指令111产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机可读存储介质110也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储介质110中的程序指令111产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机可读存储介质110也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的程序指令111提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行***、装置或设备(可以是个人计算机,服务器,网络设备或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用,或结合这些指令执行***、装置或设备而使用。以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
以上所述仅为本申请的实施方式,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种设备调度方法,其特征在于,包括:
对工厂进行生产数据采集,以获取所述工厂在预设时间内的生产数据;
建立所述工厂的至少一个生产线的仿真模型,以根据所述生产数据和所述仿真模型构建所述工厂在预设时间段内的目标函数;
获取所述工厂的若干生产设备的设备约束关系,以根据所述设备约束关系、所述生产数据以及所述仿真模型构建所述工厂的约束函数;
调用预设的优化模型,将所述目标函数和所述约束函数输入所述优化模型,以获取所述优化模型输出的设备调度方案。
2.根据权利要求1所述的设备调度方法,其特征在于,所述获取所述工厂的若干生产设备的设备约束关系,以根据所述设备约束关系、所述生产数据以及所述仿真模型获取所述工厂的约束函数的步骤之前,所述设备调度方法包括:
获取若干所述生产设备的设备参数,所述设备参数包括工艺参数、产效、耗能、功率的至少一种;
根据所述设备参数对若干所述生产设备进行聚类分析,以按照适用范围将若干所述生产设备划分为若干设备簇;
根据所述生产数据和所述仿真模型对所述设备簇进行分析,以获取所述设备约束关系。
3.根据权利要求2所述的设备调度方法,其特征在于,所述生产设备包括第一设备和第二设备,所述第一设备为所述工厂在目标期限内购置的新设备,所述第二设备为所述工厂在所述目标期限之前已购置的生产设备;
所述根据所述生产数据和所述仿真模型对所述设备簇进行分析,以获取所述设备约束关系,包括:
获取所述第一设备和所述第二设备在所述仿真模型的生产数据;
根据所述生产数据、所述第一设备和所述第二设备的使用成本构建所述第一设备和所述第二设备的设备约束关系。
4.根据权利要求1所述的设备调度方法,其特征在于,所述建立所述工厂的至少一个生产线的仿真模型,以根据所述生产数据和所述仿真模型构建所述工厂在预设时间段内的目标函数,包括:
利用制造执行***获取所述至少一个生产线的工艺数据;
根据所述工艺数据建立所述至少一个生产线的仿真模型,以根据所述生产数据和所述仿真模型确定所述优化模型的目标函数,所述目标函数用于指示所述工厂的生产目标。
5.根据权利要求1所述的设备调度方法,其特征在于,所述将所述目标函数和所述约束函数输入优化模型,以获取所述优化模型输出的设备调度方案的步骤之后,所述设备调度方法还包括:
利用制造执行***对所述设备调度方案的执行过程进行监控,以接收所述制造执行***返回的所述设备调度方案的执行数据;
根据所述执行数据对所述设备调度方案进行调整。
6.根据权利要求1所述的设备调度方法,其特征在于,所述优化模型由下述方法训练得到:
获取待训练模型的第一样本集,所述第一样本集包括所述待训练模型的目标函数和约束函数,所述约束函数至少根据所述工厂的若干生产设备的设备约束关系进行构建;
获取所述待训练模型的第二样本集,所述第二样本集包括与所述第一样本集对应的设备调度方案;
基于所述第一样本集和所述第二样本集对所述待训练模型进行训练,以生成所述优化模型。
7.根据权利要求1所述的设备调度方法,其特征在于,所述目标函数包括不同生产目标的第一目标函数和第二目标函数,所述待训练模型用于根据所述第一目标函数和所述第二目标函数输出预测方案。
8.根据权利要求1所述的模型训练方法,其特征在于,所述生产设备包括第一设备和第二设备,所述第一设备为所述工厂在目标期限内购置的新设备,所述第二设备为所述工厂在所述目标期限之前已购置的设备,所述设备约束关系为所述第一设备和所述第二设备在第一参数和第二参数之间的约束关系,所述第一参数和所述第二参数包括生产效率、使用成本、设备产出质量、工艺参数中的两者。
9.一种终端设备,其特征在于,包括处理器以及与所述处理器连接的存储器,其中,所述存储器中存储有程序数据,所述处理器调取所述存储器存储的所述程序数据,以执行如权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,存储有程序指令,所述程序指令被执行以实现如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311272606.6A CN117687356A (zh) | 2023-09-27 | 2023-09-27 | 生产调度方法、终端设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311272606.6A CN117687356A (zh) | 2023-09-27 | 2023-09-27 | 生产调度方法、终端设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117687356A true CN117687356A (zh) | 2024-03-12 |
Family
ID=90132733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311272606.6A Pending CN117687356A (zh) | 2023-09-27 | 2023-09-27 | 生产调度方法、终端设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117687356A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952400A (zh) * | 2024-03-26 | 2024-04-30 | 中科先进(深圳)集成技术有限公司 | 生产管理方法、电子设备以及计算机可读存储介质 |
-
2023
- 2023-09-27 CN CN202311272606.6A patent/CN117687356A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952400A (zh) * | 2024-03-26 | 2024-04-30 | 中科先进(深圳)集成技术有限公司 | 生产管理方法、电子设备以及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Mathematical model and metaheuristics for simultaneous balancing and sequencing of a robotic mixed-model assembly line | |
CN111353690B (zh) | 一种区块链使能的生产调度边缘计算方法 | |
CN114169766A (zh) | 一种工业产能分配的生产管理方法及*** | |
CN111612275B (zh) | 一种预测区域用户负荷量的方法及装置 | |
CN112685153A (zh) | 微服务调度方法、装置以及电子设备 | |
CN117687356A (zh) | 生产调度方法、终端设备及计算机可读存储介质 | |
KR20220115357A (ko) | 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치 | |
CN111949795A (zh) | 工单自动分类方法及装置 | |
CN113705929A (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
CN113452852B (zh) | 机器外呼的数量调控方法、装置、电子设备及存储介质 | |
CN111105050B (zh) | 风机维护计划的生成方法、装置、设备及存储介质 | |
CN111080037A (zh) | 一种基于深度神经网络的短期电力负荷预测方法及装置 | |
KR20120133362A (ko) | 로딩 시뮬레이션 기반 동적 피드백 스케줄링 알고리즘을 장착한 최적화된 생산 스케줄링 시스템 | |
CN115629576A (zh) | 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备 | |
CN115660261A (zh) | 生产订单信息处理方法、计算机装置和存储介质 | |
CN114971736A (zh) | 电力计量物资需求预测方法、装置、电子设备和存储介质 | |
Scholz-Reiter et al. | Impact of market dynamics on performance and internal dynamics of job-shop systems | |
US20220292559A1 (en) | Order-receiving-side negotiation device, order-receiving-side negotiation method, and order-receiving-side negotiation program | |
Chen et al. | Modeling Production scheduling problem and its solution by genetic algorithm. | |
Buliali | A model of reliability, average reliability, availability, maintainability and supportability for services with system dynamics approach | |
CN114138095B (zh) | 互联网数据中心idc的功耗处理方法、设备和可读介质 | |
CN116485154B (zh) | 一种生产排程自动管理方法、***、电子设备及存储介质 | |
Fumagalli et al. | İD 9 | |
CN104517202B (zh) | 调度信息生成方法和装置 | |
CN117827389A (zh) | 任务调度方法及相关装置 |
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 |