一种基于智能数据分析的智能工厂生产排程优化方法及系统与流程
本发明涉及智能工厂生产排程,尤其涉及一种基于智能数据分析的智能工厂生产排程优化方法及系统。
背景技术:
1、当前智能工厂的生产场景中,产品定制化需求逐步提升,同一产线往往需要同时处理多种工艺路径不同、交货期要求不同的生产工单,生产过程中还会受到设备突发故障、物料供应延迟、人员出勤波动、工序良品率波动等各类不确定因素的影响。传统的生产排程多依赖人工经验结合静态产能参数制定,排程过程中未充分考虑生产现场的动态变化因素,制定出的排程方案与实际生产执行情况偏差较大,往往需要频繁人工调整,不仅增加了生产管理人员的工作负担,还容易出现工单延误、设备负载不均等问题。部分离散制造场景下,工单的工艺路径存在分支,不同工序之间的依赖关系复杂,人工排程很难兼顾所有约束条件,容易出现工序冲突、物料供应不匹配等问题。部分现有半自动化排程方法仅以单一目标作为优化方向,要么仅优先保障交货期,要么仅关注设备利用率,无法同时满足生产过程中多维度的运行需求,难以适配复杂的生产场景。
2、现有的多目标排程优化方法在求解过程中,往往存在帕累托解集分布不均、收敛性不足的问题,得到的可选排程方案覆盖范围有限,难以支撑不同优先级下的方案选择需求。同时多数排程方法的重调度机制在遇到生产异常时会触发全局重排,求解计算量大,响应耗时长,重调度结果下发时往往已经错过最佳调整时机,还会打乱原本正常执行的工单节奏,反而加剧生产秩序的混乱。此外现有排程方法所用的产能参数多为固定统计值,未结合产线的实际运行状态动态更新,随着生产周期推进,产能预测偏差会逐步累积,进一步降低排程方案的可行性。
3、现有排程系统的数据采集环节多存在数据源分散、数据时序不统一、异常值未处理等问题,不同来源的生产数据未经过统一规整就直接用于排程建模,导致排程输入本身存在误差,进一步放大了排程方案与实际执行的偏差。部分引入物联网采集的排程系统也未建立数据反馈校正机制,无法根据实际生产的执行结果反向优化排程相关模型的参数,系统的适配能力无法随生产运行逐步提升,长期使用后排程效果会逐步下降,难以满足智能工厂长期稳定运行的需求。
技术实现思路
1、本发明提出的一种基于智能数据分析的智能工厂生产排程优化方法及系统,以解决上述现有技术中提到的问题。
2、为了实现上述目的,本发明采用了如下技术方案:一种基于智能数据分析的智能工厂生产排程优化方法,包括以下步骤:
3、s1、采集生产现场多源异构数据,上传至生产排程优化平台数据中台进行时序对齐和异常值清洗处理;
4、s2、利用数据中台汇聚的历史生产数据构建产线产能动态画像模型,该模型以设备故障率、物料供应准时率、工序良品率和人员出勤率为输入,以各产线在未来排程周期内的可用产能上限为输出,通过梯度提升回归树算法对每条产线的可用产能进行预测并将结果输出至排程优化引擎;
5、s3、由排程优化引擎以生产总完工时间、设备总闲置率作为双优化目标构建多目标排程优化模型,采用带精英策略的非支配排序遗传算法,在约束条件下求解各工单对应设备的加工起止时刻,得到帕累托最优排程方案集;
6、s4、在帕累托最优排程方案集中按预设的交货期优先加权规则选取最优排程方案作为本周期执行方案;
7、s5、在排程方案执行中实时监测各工位实际加工时刻与方案计划时刻的偏差量,当任一工单累计延迟超过预设容忍阈值时,触发排程引擎对该工单及后续关联工单进行局部重调度;
8、s6、在每个排程周期末尾汇总所有工单实际加工数据,统计实际数据与排程方案的偏差,反馈至产线产能动态画像模型完成预测参数的校正更新。
9、进一步的,还包括:在s3中所述带精英策略的非支配排序遗传算法在对种群个体进行适应度评价时,采用如下加权切比雪夫聚合目标函数作为两个优化目标在子问题空间中的分解准则:
10、;
11、式中,为第个子问题的聚合目标函数值和分别为第个子问题中生产总完工时间最小化目标与设备总闲置率最小化目标的权重系数,为决策变量向量对应排程方案的生产总完工时间,和分别为总完工时间目标的理想参考值和最低可接受值,为向量对应排程方案的设备总闲置率,和分别为设备总闲置率目标的理想参考值和最低可接受值,向量包含各工单在各设备上的加工开始时刻决策变量。
12、进一步的,还包括:在s5中对触发局部重调度的工单及后续关联工单进行重调度时,将受延迟工单的剩余工序、共用加工设备工单的未完成工序、工序对应物料的现有库存量作为重调度模型的输入约束,重调度优化求解时长上限不大于预设排程周期的十分之一,求解算法和s3保持一致,种群规模缩减为全局排程的十分之一。
13、进一步的,s1中所述工业物联网终端包括设于各加工设备控制柜内部的可编程逻辑控制器数据采集模块、各物料缓存区的射频识别读写器与称重传感器以及工位的工业平板操作终端,可编程逻辑控制器数据采集模块经由opc统一架构协议采集设备运行状态信号、加工完成信号,射频识别读写器于物料托盘进出缓存区时读取物料批次号、数量,并和制造执行系统内部的物料清单校验比对。
14、进一步的,s2中所述梯度提升回归树算法采用以平方误差损失函数为目标函数的xgboost算法框架实现,模型的输入特征还包括各产线过往连续若干排程周期内实际可用产能与预测可用产能的偏差序列;模型超参数包括决策树最大深度、学习率、子采样比例和l1正则化系数,并通过历史生产数据的网格搜索交叉验证确定最优取值组合。
15、进一步的,s3中所述各工单的工序顺序约束以有向无环图的形式描述,图中节点代表工单各工序、有向边表示工序之间的先后加工顺序,各设备同一时刻仅可加工一件工件的容量约束,以设备加工时间窗口互斥形式,通过排程方案内部的二进制变量进行表征。
16、进一步的,s1中所述数据中台接收各工业物联网终端上传的多源异构数据,依照数据源采样频率对原始数据重采样以统一时间粒度,对重采样数据通过滑动窗口中位数绝对偏差完成异常值检测、剔除,针对剔除操作造成的数据空缺,采用相邻时刻有效数据的二次样条插值补齐,时序对齐之后存入列式存储数据库,供给产线产能动态画像模型调用。
17、进一步的,一种基于智能数据分析的智能工厂生产排程优化系统,包括以下模块:
18、数据中台模块,用于汇聚各产线工位、设备搭载的工业物联网终端实时采集的多源异构生产现场数据,完成时序对齐、异常值清洗,再将处理之后的数据存入列式存储数据库;
19、产能画像模块,用于依托历史生产数据,采用梯度提升回归树算法搭建产线产能动态画像模型,预测各产线后续预设排程周期的可用产能上限,并向排程优化模块输出预测结果;
20、排程优化模块,用于将生产总完工时间、设备总闲置率设为双优化目标,在工序顺序约束、设备容量约束、物料库存约束和交货期约束条件下,采用带精英策略的非支配排序遗传算法对各工单加工时刻开展多目标优化求解,从帕累托最优解集中依照交货期优先加权规则选取执行方案下发至制造执行系统;
21、排程监控模块,用于实时监测各工位实际加工时刻和排程方案计划时刻的偏差量,累计延迟超出预设容忍阈值时触发局部重调度,于每个排程周期末尾汇总实际加工数据、开展排程方案偏差分析,反馈至产能画像模块完成预测参数校正。
22、进一步的,所述排程优化模块中所述带精英策略的非支配排序遗传算法在对种群个体进行适应度评价时,采用如下加权切比雪夫聚合目标函数:
23、;
24、式中,为第个子问题的聚合目标函数值,和分别为第个子问题中生产总完工时间最小化目标与设备总闲置率最小化目标的权重系数,为决策变量向量对应排程方案的生产总完工时间,和分别为总完工时间目标的理想参考值和最低可接受值,为向量对应排程方案的设备总闲置率,和分别为设备总闲置率目标的理想参考值和最低可接受值,向量包含各工单在各设备上的加工开始时刻决策变量。
25、进一步的,所述排程监控模块在触发局部重调度时仅对受延迟影响的工单及其后续关联工单的未完成工序进行重排程,保持其余工单原有排程方案不变,重调度优化求解的时间上限设定为预设排程周期的十分之一,求解算法框架和排程优化模块一致,种群规模、迭代代数缩减为全局排程的十分之一。
26、与现有的技术相比,本发明的有益效果是:
27、本发明通过全流程的生产数据采集与规整处理,能够统一多源异构生产数据的时间粒度,剔除异常数据并补全空缺,为后续的产能预测与排程建模提供准确的基础输入,避免因输入数据误差导致的排程方案不合理问题。基于历史生产数据构建的产线产能动态画像模型,能够综合考虑影响产线产能的各类动态因素,输出的未来周期可用产能更贴合产线实际运行状态,避免了传统静态产能参数带来的排程方案与实际产能不匹配的问题,同时模型可根据实际生产执行数据滚动校正参数,随着生产运行,产能预测的准确性会逐步提升。
28、采用双优化目标构建的多目标排程优化模型,能够同时兼顾生产完工效率与设备利用效率的需求,求解得到的帕累托最优排程方案集覆盖不同的优化侧重方向,可根据实际生产的优先级需求选择适配的执行方案,避免了单目标优化带来的顾此失彼的问题。排程方案自动拆分下发的机制,能够减少人工传递派工信息的误差,提升排程方案执行的一致性。
29、设置的局部重调度机制,仅对受生产延迟影响的相关工单、工序和资源进行重排,不会打乱其余正常工单的执行节奏,同时缩小了重调度的求解范围,能够提升重调度的响应速度,避免因重调度计算耗时过长导致的生产调整不及时的问题。
30、每个排程周期的偏差反馈机制,能够不断校正产能画像模型的预测参数,使模型能够适配产线运行状态的变化,长期使用过程中排程方案的可行性会逐步提升。整个排程流程能够自动完成从数据采集、产能预测、排程求解到执行监控、反馈校正的全链路运行,减少了人工干预的工作量,降低了人为因素带来的排程误差,适配复杂多变的智能工厂生产场景。
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