一种印刷包装生产排程和数据采集管理方法及系统与流程
本发明涉及生产管理,具体地说,涉及一种印刷包装生产排程和数据采集管理方法及系统。
背景技术:
1、印刷包装行业是典型的离散与流程混合型制造业,其生产过程通常涵盖印刷、覆膜、烫金、模切、糊盒等多个串联且有时分支的工序。该生产模式具有以下显著特点:
2、其一,工序路径在工艺设计阶段即已固化,但不同订单的工艺参数、物料规格频繁切换,导致换单次数多、准备时间长。
3、其二,产品质量受色差、套印精度、模切尺寸、覆膜附着力等多个维度共同影响,而各维度又与设备状态、环境温湿度、原辅材料批次等因素深度耦合。
4、其三,印刷设备作为重资产核心资源,其健康状态在长期运行中呈现缓慢退化与突发劣化交织的演变规律,设备异常往往在无明显先兆的情况下突然引发批量化质量缺陷。
5、目前通行的生产排程方法,大多依赖于预先设定的静态工艺路线和设备的额定产能数据,辅以简单的交货期倒排或正向排程算法。然而,在实际生产环境中,设备内部的机械磨损、电气老化、润滑劣化等因素会使设备的实际加工效率随时间衰减,质量保证能力也会因刀具钝化、墨辊疲劳、感光鼓老化等因素而逐步下降。当这些变化累积至一定程度时,原排程方案所依据的额定产能数据已严重失真,继续执行将导致拖期交付或批量不合格品产出。
6、在数据采集方面,近年来部分印刷包装企业已开始引入工业物联网技术,通过加装振动、温度、电流等传感器和机器视觉系统来采集设备运行参数和在制品质量参数。然而,这些数据采集系统与排程系统之间往往处于割裂状态。采集到的数据主要用于事后报表统计或阈值超限报警,报警信息通常以推送消息的形式通知现场管理人员,再由管理人员凭借个人经验判断是否需要进行排程干预以及如何干预。这种“采集-报警-人工判断-手动调整”的模式存在响应延迟长、决策主观性强、调整粒度粗等问题,无法形成从异常发现到排程修正的自动化闭环。
7、当生产过程中发生设备突发故障或质量严重偏移等异常事件时,现有的处理方式通常走向两个极端。一个极端是对全局排程方案进行推倒重算,即将所有未完成的工序节点全部纳入重新排程的范围。这种方式虽然理论上可以寻求全局最优解,但混合整数规划类问题的求解复杂度随问题规模呈指数增长,对于包含数百个工序节点和数十台设备的产线,全局重新求解可能需要数十分钟甚至更长,难以满足异常事件处理的实时性需求。同时,全局重排可能导致大量未受异常影响的工序节点也被重新分配设备和调整时间,造成不必要的生产扰动,破坏已调度好的物料配送计划和人员安排,引发连锁式的现场混乱。
8、另一个极端是仅针对异常节点进行简单插单或顺延操作,保持其他节点排程不变。例如,当某台印刷机发生故障时,将其上的未完成工序节点平移到同类型替代设备上,原时间点无法衔接则整体顺延。这种局部调整方式虽然反应速度快,但忽略了异常事件沿工序依赖图的传播效应。异常节点的延迟会沿工艺路线向下游扩散,若下游节点缺乏足够的在制品缓冲,则可能引发下游设备空等或赶工;若下游节点同样存在健康隐患,叠加上游延迟引发的集中到料,可能触发级联式的质量或设备问题,造成更严重的事故。简单插单缺乏对异常传播范围的量化分析,无法在局部调整与全局稳定性之间取得平衡。
9、进一步地,现有系统普遍缺乏质量追溯与排程的联动机制。当批量质量缺陷被发现时,往往需要人工调阅多日生产记录,手动比对排程信息和质量检测数据以圈定受影响批次,追溯效率低且易遗漏。质量异常信息无法自动反馈至排程逻辑,以临时调整该工序节点的负荷或触发预防性维护窗口,使得相似的质量问题反复出现。
10、综上所述,现亟需一种印刷包装生产排程和数据采集管理方法及系统。
技术实现思路
1、本发明的目的在于提供一种印刷包装生产排程和数据采集管理方法及系统,以解决上述背景技术中提出的问题。
2、为实现上述目的,本发明目的之一在于,提供了一种印刷包装生产排程和数据采集管理方法,包括如下步骤:
3、s1、获取待排程的印刷包装生产任务集合,其中每个任务包含至少一个工序节点,工序节点间构成有向无环的工序依赖图;
4、s2、以采集周期为单位,通过部署于各工序节点所在设备的传感组和视觉检测组,同步采集反映设备运行状态的多源状态数据以及反映在制品质量属性的多维质量数据;
5、s3、针对每个受采集的工序节点,根据其多源状态数据生成该工序节点在当前采集周期内的设备健康指数和设备运行效率系数,并根据其多维质量数据生成该工序节点的工序能力指数;
6、s4、以工序依赖图、各工序节点的设备健康指数、设备运行效率系数和工序能力指数为约束条件,以最小化总拖期惩罚与换单调整成本之和为目标,滚动生成覆盖未执行工序节点的动态排程方案;
7、s5、将所述多源状态数据和多维质量数据实时输入至预构建的异常模式识别模型,获取识别到的异常事件及异常事件对应的异常工序节点;
8、s6、响应于所述异常事件,确定异常工序节点在工序依赖图中的下游波及节点集合,冻结波及节点集合以外的未执行工序节点所形成的固定排程区域,仅以波及节点集合内的未执行工序节点为重组范围,在保持固定排程区域不变的条件下,对重组范围内的工序节点进行局部重排,输出修正动态排程方案;
9、s7、将修正动态排程方案中关联的工序能力指数下降幅度超过阈值的异常工序节点标记为疑似根因节点,沿工序依赖图反向追溯曾经过该疑似根因节点的在制品批次流向,圈定受影响的风险在制品集合并生成闭环质量追溯报告。
10、作为本技术方案的进一步改进,所述s2中传感组包括主驱动单元传感器、功能子系统传感器以及辅助系统传感器;
11、所述主驱动单元传感器包括振动传感器、温度传感器、电流互感器以及编码器;
12、所述功能子系统传感器包括位置传感器、压力传感器以及速度传感器;
13、所述辅助系统传感器包括环境温湿度传感器以及油墨粘度传感器。
14、作为本技术方案的进一步改进,所述s2中视觉检测组具体包括印刷工序视觉检测、覆膜工序视觉检测、模切工序视觉检测、烫金工序视觉检测以及糊盒工序视觉检测。
15、作为本技术方案的进一步改进,所述s3中采集周期内的设备健康指数的方法包括如下步骤:
16、s3.1、从多源状态数据向量中预先选定与设备退化存在强相关性的特征量集合,具体特征量包括振动加速度的有效值、温度的周均值变化率、总谐波畸变率、周均值延迟以及周均值漂移;
17、s3.2、针对上述特征分量,采用基于的季节性趋势分解算法对该时间序列进行分解,将序列分解为趋势分量、季节分量和残余分量;
18、s3.3、将各特征量的趋势分量拼接为一个趋势状态向量,输入预先训练好的剩余有效寿命预测模型;
19、s3.4、剩余有效寿命预测模型采用基于长短期记忆网络lstm的回归结构,每个采集周期取最近128个采集周期的趋势状态向量序列输入模型,输出当前预测剩余有效寿命值;
20、s3.5、采用通过s型函数将剩余有效寿命值映射为设备健康指数。
21、作为本技术方案的进一步改进,所述s3中采集周期内的设备运行效率系数的计算方法如下:
22、s3.10、在每一个采集周期内,通过统计该工序节点对应设备在周期内完成加工并输出的在制品件数,计算实际产出节拍;
23、s3.11、在实际产出节拍的基础上,计算瞬时效率比;
24、s3.12、采用指数加权滑动平均对连续多个采集周期的瞬时效率比进行平滑,生成动态效率系数。
25、作为本技术方案的进一步改进,所述s3中生成工序节点的工序能力指数的方法包括如下步骤:
26、s3.20、针对每个工序节点定义至少一个关键质量特性,获取每个在制品的关键质量特性测量值;
27、s3.21、对于每一个关键质量特性,预设其规格上限和规格下限,根据样本均值和样本标准差,计算该特性的过程能力指数;
28、s3.22、对关键质量特性数量进行判定;
29、当工序节点仅存在单个关键质量特性时,将该特性的过程能力指数标记为综合工序能力指数;
30、当工序节点存在多个关键质量特性时,将各通过权重加权求和法合成为单个综合工序能力指数。
31、作为本技术方案的进一步改进,所述s4中滚动生成覆盖未执行工序节点的动态排程方案的方法包括如下步骤:
32、s4.1、对滚动排程进行参数提前配置,具体包括排程滚动周期以及触发时机;
33、s4.2、在触发时刻,锁定当前的工序依赖图快照,对于工序依赖图快照中每一个未执行工序节点,从节点能力评估模块获取其最新的设备健康指数、设备运行效率系数和工序能力指数,取用最新值;
34、s4.3、对混合整数规划模型进行决策变量定义,具体包括分配变量以及时间变量;
35、s4.4、对混合整数规划模型的目标函数进行构建,计算目标函数的总代价值;
36、s4.5、对混合整数规划模型施加约束条件,具体包括工序依赖约束、设备容量约束、加工时长修正、质量风险约束以及设备健康指数阈值约束;
37、s4.6、通过构建完成的混合整数规划模型完成每个滚动周期构建工作,并提交至求解器,通过求解器输出动态排程方案,所述动态排程方案的输出数据结构包含以下字段:节点标识、任务标识、批次标识、分配的物理设备编号、计划开始时间、计划完成时间、加工时长、该方案生成的时间戳及版本号。
38、作为本技术方案的进一步改进,所述s5中获取识别到的异常事件及异常事件对应的异常工序节点的方法包括如下步骤:
39、s5.1、在每个采集周期,通过异常模式识别模型接收特征矩阵以及工序依赖图的邻接矩;
40、s5.2、异常模式识别模型由编码器和解码器两部分组成,通过编码器计算输出归一化注意力系数,通过解码器输出隐向量;
41、s5.3、采集正常运行状态下的历史数据,通过多个连续采集周期内工序依赖图和对应的特征矩阵快照构成训练数据集;
42、s5.4、针对训练数据集计算训练目标,所述训练目标为最小化所有节点在所有训练样本上的重构误差之和;
43、s5.5、将每个采集周期获取特征矩阵和邻接矩阵输入异常模式识别模型中,计算其多维重构误差作为初始节点异常得分;
44、s5.6、将获取的异常得分进行沿图拓扑的传播和融合,获取迭代后的修正异常得分;
45、s5.7、对每个工序节点维护其修正异常得分的历史基线,历史基线由该节点在最近若干正常采集周期内异常得分的指数加权移动均值和标准差构成,构建动态阈值;
46、s5.8、根据动态阈值进行异常工序节点判定;
47、当任一工序节点的当前修正异常得分超过其动态阈值时,触发异常事件;
48、该异常事件携带以下信息:异常工序节点的唯一标识、异常发生的时间戳、当前修正异常得分、动态阈值以及各特征维度的重构误差分解;
49、当同一采集周期内多个节点同时超限,将得分最高的节点标记为疑似根因节点,其余节点标记为波及节点,标记为异常事件,一并输出至所述s6的局部重排流程。
50、作为本技术方案的进一步改进,所述s6中输出修正动态排程方案的方法包括如下步骤:
51、s6.1、响应异常事件,局部重排流程启动,获取输出的异常事件信息、当前正在执行的动态排程方案以及当前最新的工序依赖图快照;
52、s6.2、以异常工序节点为起点,沿工序依赖图的有向边方向进行前向可达性搜索,逐层遍历其下游的未执行工序节点,直至遇到满足缓冲解耦条件的节点为止,被遍历到的全部未执行工序节点构成下游波及节点集合;
53、s6.3、通过工序依赖图中所有未执行工序节点减去波及节点集合,得到差集即为固定排程区域,固定排程区域内的所有工序节点被冻结,其排程信息维持原动态排程方案中的内容不变,包括计划开始时间、分配设备和预计完成时间;
54、s6.4、对固定排程区域进行重组,且局部重排模型的构建与所述s4中的全局模型在以下方面保持一致,并引入如下附加边界约束:
55、流入衔接约束;
56、流出衔接约束;
57、s6.5、根据上述约束输出最终的局部重排方案。
58、本发明目的之二在于,提供了一种实现印刷包装生产排程和数据采集管理方法的系统,包括工序建模模块、多源采集模块、节点能力评估模块、排程生成模块、异常识别与定位模块以及局部重排模块;
59、所述工序建模模块用于获取待排程的印刷包装生产任务集合,生成有向无环的工序依赖图;
60、所述多源采集模块包括设备状态传感组和在制品视觉检测组,用于同步获取各工序节点的多源状态数据和多维质量数据;
61、所述节点能力评估模块用于根据多源状态数据生成设备健康指数和设备运行效率系数,根据多维质量数据生成工序能力指数;
62、所述排程生成模块以工序依赖图和各指数为约束,滚动生成动态排程方案;
63、所述异常识别与定位模块内置异常模式识别模型,用于根据多源状态数据和多维质量数据实时识别异常事件并定位异常工序节点;
64、所述局部重排模块用于响应异常事件,确定异常工序节点的下游波及节点集合,冻结波及节点集合以外的固定排程区域,并以波及节点集合内的未执行工序节点为重组范围进行局部重排,输出修正动态排程方案。
65、与现有技术相比,本发明的有益效果:
66、该印刷包装生产排程和数据采集管理方法及系统中,通过构建的异常模式识别模型实时定位异常工序节点,满足异常事件处理的实时性需求。同时在保持固定排程区域不变的条件下,对重组范围内的工序节点进行局部重排,输出修正动态排程方案,配合已调度好的物料配送计划和人员安排,保证排程方案能够有序进行,避免引发连锁式的现场混乱,既能保障局部调整的有效进行,又能保证整体工序的稳定性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com