一种基于工时剥离反馈的仪器设备预测调度闭环优化方法及系统与流程
本发明涉及智能制造与资源管理,具体涉及仪器设备资源的优化配置与调度管理,尤其涉及一种基于工时剥离反馈的仪器设备预测调度闭环优化方法及系统。
背景技术:
1、在科研院所实验室、高校测试中心、半导体中试线及高端装备制造车间等场景中,高价值仪器设备(如频谱分析仪、矢量网络分析仪、信号发生器等)是承担关键测试验证任务的产能节点。此类场景通常面临“计划内任务与计划外突发需求并存”的强扰动环境——既需完成高度确定性的批次科研/生产任务,又需随时响应加急借用、故障复测等突发测试需求——对设备资源的动态供需平衡提出了极高要求。
2、现有技术中,仪器设备资源的需求预测与作业调度通常作为两个独立环节分别处理,主要存在以下缺陷:
3、其一,预警信息无法实质性约束排程决策。现有高级排程系统(aps)虽能基于工艺路线生成排程方案,但预测模块算出的未来时段突发占用负荷,通常仅以可视化图表形式展示供管理人员参考,并未转化为调度算法可识别的硬性约束条件。调度算法依然基于设备总产能盲目寻优,导致排程方案在数学上最优,但实际执行中极易与突发任务撞车,引发系统级拥堵。
4、其二,需求预测模型无法适应“小样本、强波动”的工程场景。 仪器设备的计划外临时需求具有较高的随机性和波动性。现有预测方法多采用基于历史数据的统计推算或标准时间序列模型,在面对突增或突降的尖峰噪声时容易过拟合或失效,难以精准刻画具体设备类别在特定时段的需求缺口,导致预测结果滞后、准确率低。
5、其三,排程系统缺乏基于执行反馈的闭环自适应机制。现有调度方法大多属于开环或“反应式”调度——即仅针对当前已知任务进行排程,排程方案下发执行后,实际执行数据与预测偏差之间缺乏结构化的反馈通道,无法利用执行结果修正预测模型参数或优化后续调度策略。预测偏差长期累积,系统无法实现自适应的持续优化。
6、综上所述,现有技术中亟需一种能够实现预测与调度深度耦合、具备强波动场景适应性及闭环自优化能力的仪器设备预测调度方法。
技术实现思路
1、本发明的目的在于:针对目前存在的上述问题,提供了一种基于工时剥离反馈的仪器设备预测调度闭环优化方法及系统,通过构建从pbom到仪器需求的结构化映射算法、场景化改进的灰色预测模型、多层级动态统筹策略以及基于工时剥离的预测-调度深度耦合闭环机制,实现仪器资源的高效分配与系统级供需平衡。
2、本发明的技术方案如下:
3、一种基于工时剥离反馈的仪器设备预测调度闭环优化方法,包括以下步骤:
4、将产品的工艺物料清单定义为有向无环图结构,节点代表工序实例,节点属性包含仪器需求标识和标准工时;建立工序-仪器映射关系表;接收到批次任务后,检索对应的有向无环图模板并实例化为独立的任务流实例;对各任务流实例进行拓扑排序遍历,提取各节点的仪器需求标识;以所提取的仪器需求标识在映射关系表中进行检索,生成包含主选仪器及替代仪器的仪器备选池;依据工序逻辑先后约束与批次交付期推算各工序的理论时间窗,输出结构化待排程任务集;
5、提取历史突发随机需求时序数据,采用改进型灰色预测模型进行预测,改进型灰色预测模型至少包括:对原始序列进行方差触发的自适应缓冲算子预处理、以可动态调节的背景值权重进行gm(1,1)建模、以及基于历史残差状态转移概率进行马尔可夫修正,输出包含设备在多个未来时间片上的净可用产能及风险等级的预警矩阵m;
6、读取预警矩阵m,当存在某设备在某一时间片的净可用产能小于预设阈值时,判定供需失衡;调取仪器备选池,在多层级网络拓扑中向上检索空闲的替代设备,若检索成功则执行跨层级借调,将替代设备临时纳入当前资源池;
7、将扩充后的资源池及预警矩阵m推送至调度引擎,将预测突发负荷对应的产能锁定为不可用产能,以启发式优化算法在净可用产能中对各任务进行排程求解,其中启发式优化算法的适应度函数包含由预警矩阵m转化的排程风险惩罚项,用于约束计划内任务避开预测突发负荷对应的时段;求解输出最优排程表下发执行;执行完毕后,获取设备实际总运行时长,从已执行排程表中提取计划内排程任务工时,以提取实际发生的纯随机负荷残差并反馈至预测模型,触发可动态调节的背景值权重的在线自适应更新。
8、通过构建从工艺物料清单到仪器需求的自动化解析映射链路,将预测模块输出的未来突发负荷信息转化为调度算法不可规避的刚性产能约束,使排程方案在执行前即已为突发需求预留产能空间,摒弃了传统方案中预测仅作可视化参考的松散耦合模式;同时,在执行完毕后通过从设备实际总运行时长中精确扣除计划内任务工时的方式提取纯净的突发负荷偏差并反馈至预测模型,触发其参数自适应更新,形成了“预测约束排程—执行反馈修正预测”的完整技术闭环,从根本上解决了背景技术中存在的预测与调度相互割裂、预警信息无法实质性约束排程决策以及排程系统缺乏基于执行反馈的闭环自适应机制两大技术缺陷。
9、进一步地,所述纯随机负荷残差为:
10、,
11、其中为预测模块输出的最终预测值;背景值权重的在线自适应更新公式为:
12、,
13、其中为预设学习率,tanh为双曲正切函数;当时下调,下一轮预测中背景值计算赋予近期新数据更大权重;当时上调,下一轮预测中背景值计算赋予近期新数据更小权重。
14、通过从设备实际总运行时长的混合信号中精确剥离已知的计划内排程任务工时,提取出不受调度算法随机排程策略干扰的纯净突发负荷偏差,使反馈信号能够真实反映预测模型自身的精度状态而非调度策略变化的噪声;配合基于限幅机制的背景值权重在线调节,确保预测模型在强扰动环境下能够持续进行受控的自我纠偏而不会发生参数振荡或崩溃,有效克服了现有开环系统误差长期累积的缺陷。
15、进一步地,所述马尔可夫修正包括:
16、计算历史相对残差,其中为第期平滑后实际值,为第期预测值;
17、将历史相对残差划分为5个状态:e1为严重低估即,e2为轻微低估即,e3为基本准确即,e4为轻微高估即,e5为严重高估即;
18、构建状态转移概率矩阵,其中元素,为从状态转移到的次数,为处于状态的总次数;根据当前期残差状态查找最大转移概率对应的状态,以历史数据中落入状态的所有样本的实际值/预测值比值的平均值作为修正系数,对初步预测值进行乘法修正。
19、通过将历史预测残差划分为严重低估、轻微低估、基本准确、轻微高估、严重高估五个精细化状态并构建状态转移概率矩阵,使系统能够根据当前残差状态准确预判下一期偏差的演变趋势并提取对应的修正系数进行补偿,显著改善了标准灰色预测模型在小样本、强波动场景下因缺乏偏差自适应校正能力而导致的预测精度不足问题。
20、进一步地,所述自适应缓冲算子预处理包括:
21、计算历史突发随机需求序列的方差为,其中为历史均值;当超过预设阈值t时,以公式进行平滑处理,为自适应权重;自适应权重与方差相对于阈值的大小呈负相关:当时,;当时,;当时不触发平滑处理。
22、通过计算历史突发需求序列的方差并与预设阈值比对,仅在数据波动超出正常范围时触发自适应平滑处理,且平滑力度随波动剧烈程度自动调节,既有效抑制了突发尖峰或陡降噪声对建模稳定性的干扰,又避免了过度平滑导致有用趋势信息丢失,解决了背景技术中现有预测模型在面对突增或突降的尖峰噪声时容易过拟合或失效的问题。
23、进一步地,所述可动态调节的背景值权重用于gm(1,1)建模中均值序列的计算,公式为,其中为对平滑后序列作一次累加生成得到的生成序列;的初始值为0.5;建模时采用最小二乘法估计发展系数和灰作用量,求解白化微分方程后累减还原得出初步预测值。
24、通过在灰色预测模型的背景值计算中引入可动态调节的权重参数,使模型能够根据近期负荷的变化趋势自适应调整对历史旧数据与近期新数据的敏感度,克服了标准模型中固定权重导致的对趋势变化响应滞后的固有缺陷,提升了预测模型在强波动场景下的跟踪能力。
25、进一步地,所述有向无环图的实例化为对模板执行深度克隆操作,为每个复制后的节点分配全局唯一标识符;拓扑排序采用kahn算法:计算所有节点入度,将入度为0的节点加入队列,依次取出头部节点并提取其仪器需求标识,然后将其所有邻接节点的入度减1,当邻接节点入度变为0时将其加入队列,直至队列为空;在映射关系表中进行检索为哈希检索,仪器备选池中主选仪器权重为1.0,替代仪器权重为0.5~0.9且按技术指标匹配度依次递减。
26、通过将有向无环图结构的工艺模板与工序-仪器映射字典表相结合,以拓扑排序遍历和哈希检索实现从业务批次任务到仪器需求任务集的自动化解析与转换,并自动推算各工序的理论时间窗,显著降低了传统方案中人工逐一匹配仪器需求的工作量与出错率,提高了需求映射的效率和准确性。
27、进一步地,所述多层级网络拓扑包含底层实验室节点、中层部门节点和顶层院所节点;向上检索按自底向上顺序执行:首先在当前实验室节点检索备选设备,若未找到或对应时段不空闲则向上检索父节点,若仍未找到则继续向上检索顶层节点;跨层级借调为:在底层资源池中临时虚拟挂载检索到的跨层级设备,记录其设备id、来源节点和借调度时段,并在调度引擎的网络邻接矩阵中新增连通边,连通边的权重为备选池中对应的设备权重。
28、通过构建底层实验室、中层部门、顶层院所的三层网络拓扑并在设备产能不足时自底向上自动检索空闲替代设备,以虚拟挂载方式临时纳入本地资源池,使排程的合法解空间能够动态突破局部拥堵区域,解决了背景技术中备选资源池静态固化、缺乏多层级动态扩容能力的问题。
29、进一步地,还包括执行时间削峰填谷:当跨层级借调后仍存在产能缺口时,识别预警矩阵m中风险等级低于预设阈值的时段作为低风险时段,将非紧急任务的时间窗从高风险时段迁移至低风险时段,迁移后的最早开始时间不早于该任务所有前驱工序的最早完成时间,最晚结束时间不迟于批次合同交付期。
30、通过在跨层级借调后仍存在产能缺口时自动识别低风险时段并将非紧急任务迁移至此,实现了计划内任务负荷在时间维度上的主动疏散,进一步缓解了高风险时段的产能紧张,提升了整体排程方案的均衡性与可执行性。
31、进一步地,所述启发式优化算法为遗传算法:编码方式为基于工序的排列编码;初始种群规模根据待排程工序总数确定,当时为100,当时为200,当时为500;选择操作为轮盘赌选择与精英保留策略相结合,交叉操作为部分匹配交叉且交叉概率为0.85,变异操作为交换变异且变异概率为0.05,终止条件为连续50代适应度无改善或迭代总代数达到200代。
32、通过基于待排程工序规模分档设定种群规模,并结合精英保留、部分匹配交叉与交换变异等策略的参数优化配置,在保证求解质量的同时有效控制了计算资源的消耗,加速了算法收敛速度,提升了排程方案的整体质量与工程实用性。
33、本技术还包括一种基于工时剥离反馈的仪器设备预测调度闭环优化系统,实现一种基于工时剥离反馈的仪器设备预测调度闭环优化方法,包括:
34、pbom解析与需求映射模块,用于执行有向无环图模板检索、实例化展开、拓扑排序、仪器需求标识检索及备选池生成,输出标准化仪器需求任务集;
35、场景化改进预测模块,内置自适应缓冲算子滤波单元、带动态背景值权重的gm(1,1)计算单元和残差马尔可夫修正单元,用于执行历史数据分离、自适应平滑、动态背景值灰色预测建模及残差状态修正,输出产能预留预警矩阵m;
36、多层级失衡评估与策略生成引擎,用于执行净可用产能与需求工时比对判定、多层级网络拓扑检索,在判定供需失衡时执行跨层级借调操作并在调度引擎的邻接矩阵中新增连通边;
37、一体化调度执行模块,内嵌启发式优化算法,用于根据预警矩阵m锁定随机负荷产能,在净可用产能中对任务进行排程求解,输出最优排程表;
38、闭环反馈与参数更新模块,用于获取设备实际总运行时长并提取计划内排程任务工时,执行工时剥离计算提取纯随机负荷残差,以回写触发预测模型背景值权重的在线自更新。
39、与现有的技术相比本发明的有益效果是:
40、1、实现预测与排程的深度耦合,化解供需失衡。本技术通过将预测模块输出的预警矩阵结构化定义为调度算法适应度函数中的硬性罚分项,使未来时段的突发占用负荷能够作为刚性约束参与排程求解,克服了现有技术中预测信息仅作可视化展示、无法实质性约束调度决策的缺陷,显著降低了临时加急任务的拥堵率。
41、2、提升强波动场景下的需求预测精度。本技术针对仪器设备计划外需求的“小样本、强波动”特性,在标准灰色预测模型基础上引入自适应缓冲算子预处理、动态背景值权重以及残差马尔可夫状态修正的三级改进架构,有效抑制了尖峰噪声对模型稳定性的干扰,显著提高了突发负荷需求的预测准确率。
42、3、形成预测-调度的闭环自适应优化能力。本技术独创性地提出“工时剥离”机制,通过从设备实际总运行时长中精确扣除排程系统下发的计划内任务工时,提取出纯净的实际突发负荷,以此为残差通过限幅反馈通道在线更新预测模型的背景值权重参数,使预测模型能够根据调度执行结果持续自我纠偏,克服了现有开环系统误差长期累积的缺陷。
43、4、突破局部资源死锁,提升整体设备利用率。本技术通过多层级网络拓扑感知与跨层级动态借调机制,在排程求解前自动向上级节点检索空闲替代设备并扩充合法搜索空间,克服了现有系统备选资源池静态固化于单一实验室的缺陷,实验数据表明设备综合利用率提升至84.6%。
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