一种基于人工智能的工厂智能排产方法及系统与流程

本发明涉及工厂排产，特别涉及一种基于人工智能的工厂智能排产方法及系统。

背景技术：

1、随着制造业向智能化、柔性化方向发展，工厂生产排产需要同时考虑工单交期、工序先后关系、设备可用状态、人员技能资质、物料齐套情况以及突发扰动事件等多类约束。尤其在汽车制造等离散制造场景中，同一工厂内通常存在多条产线、多种产品型号、多道工序以及大量设备、人员和物料资源，排产过程不仅需要在多个优化目标之间进行平衡，还需要在设备故障、紧急插单、物料短缺、人员缺勤、返修工单插入等动态扰动发生时及时调整原有计划。

2、现有工厂通常依赖制造执行系统（mes，manufacturing execution system）、企业资源计划系统（erp，enterprise resource planning）和仓储管理系统（wms，warehousemanagement system）分别管理生产执行、订单计划和物料库存等数据。由于上述系统在数据结构、编码规则、字段命名和状态表达方式上相互独立，同一业务对象在不同系统中往往具有不同的数据表示，导致排产系统难以在统一语义层面对工单、工序、设备、物料、人员和约束关系进行完整建模。现有排产系统在获取跨系统数据时通常依赖批量化的数据抽取、转换和加载过程，数据存在一定滞后，排产引擎所依据的资源状态、物料状态和工单状态可能并非产线实时状态，从而容易出现基于虚假可用资源进行排产、物料齐套性校验失准以及工序依赖影响无法及时传导等问题。

3、此外，现有高级计划与排程系统多基于静态规则或静态优化模型生成排产计划，当产线运行过程中发生设备故障、紧急插单、物料短缺或人员缺勤等扰动事件时，通常采用人工触发全量重排或简单顺延的方式进行处理。全量重排耗时较长，且在重排过程中现场执行缺乏稳定计划支撑；简单顺延又难以识别扰动事件沿工序依赖链、物料消耗链和资源占用链产生的间接影响，容易造成延误在下游工单之间继续传播。因此，现有排产方式难以在保证全局约束一致性的同时实现对动态扰动的快速响应。

4、近年来，大语言模型等人工智能技术被尝试用于复杂任务规划和生产排产场景。人工智能模型能够根据自然语言任务和上下文信息生成较复杂的排产建议，但其输出结果本质上具有概率性，缺乏对设备不可抢占、换型时间、工序先后序、物料齐套、人员资质和班次边界等硬性生产约束的确定性验证能力。如果将人工智能生成的排产方案直接写入制造执行系统，可能出现同一设备被重叠分配、后续工序早于前置工序开工、物料不足仍安排开工、无资质人员被分配至特定工位等问题，进而导致制造执行系统中的工单状态被污染，并对后续报工、物料拉动和质量追溯造成影响。

技术实现思路

1、针对现有技术的不足，本发明的目的在于提供一种基于人工智能的工厂智能排产方法及系统，旨在解决现有技术中排产管理效率低、追溯性差的技术问题。

2、为了实现上述目的，第一方面，本发明提供了：一种基于人工智能的工厂智能排产方法，包括以下步骤：

3、获取工厂生产过程中的多源生产数据，将所述多源生产数据转换为具有语义标注的标准化中间数据，并依据预先构建的排产领域本体，将所述标准化中间数据映射为本体实例；

4、根据所述本体实例以及本体实例之间的语义关联关系构建动态知识图谱；

5、响应于排产任务或扰动事件，从所述动态知识图谱中检索排产上下文信息，并将所述排产上下文信息输入人工智能排产单元，由所述人工智能排产单元生成候选排产方案；

6、调用排产领域特定语言规则引擎，对所述候选排产方案进行硬性约束校验，其中，所述排产领域特定语言规则引擎根据排产领域特定语言规则库中的规则以及从所述动态知识图谱获取的实时约束参数，对所述候选排产方案进行确定性校验；

7、当所述候选排产方案未通过所述硬性约束校验时，生成结构化违规报告，并将所述结构化违规报告反馈至所述人工智能排产单元，使所述人工智能排产单元根据所述结构化违规报告对所述候选排产方案进行定向修正；

8、当所述候选排产方案通过所述硬性约束校验时，将通过校验的候选排产方案转换为制造执行系统可接收的排产指令，并以事务方式写入制造执行系统。

9、根据上述技术方案的一方面，将所述多源生产数据转换为具有语义标注的标准化中间数据，并依据预先构建的排产领域本体，将所述标准化中间数据映射为本体实例的步骤具体包括：

10、通过数据适配器分别接入制造执行系统、企业资源计划系统和仓储管理系统；

11、对获取的多源生产数据进行去重、空值填充和格式归一化处理；

12、将处理后的多源生产数据转换为json-ld格式的标准化中间数据；

13、基于所述排产领域本体，对所述标准化中间数据进行实体抽取和实体对齐，以确定不同数据源中表示同一业务对象的数据记录之间的对应关系；

14、将实体抽取和实体对齐后的数据映射为本体实例，并将所述本体实例及其语义关联关系写入图数据库。

15、根据上述技术方案的一方面，构建动态知识图谱的步骤之后，所述方法还包括：

16、监听制造执行系统中的生产状态变更消息，所述生产状态变更消息包括设备状态变更消息、工单状态变更消息、物料状态变更消息和人员出勤状态变更消息中的至少一种；

17、当监听到生产状态变更消息时，根据所述生产状态变更消息确定动态知识图谱中受影响的节点和边；

18、对所述受影响的节点和边进行增量更新；

19、基于本体推理规则，对更新后的动态知识图谱进行推理，以推导因设备故障、物料短缺、人员缺勤或工单状态变化而受到影响的下游工序和下游工单。

20、根据上述技术方案的一方面，响应于扰动事件，从所述动态知识图谱中检索排产上下文信息的步骤具体包括：

21、获取扰动事件的事件类型、发生时刻、受影响资源、预计持续时间和严重等级，所述扰动事件包括设备故障事件、紧急插单事件、物料短缺事件、人员缺勤事件和返修工单插入事件中的至少一种；

22、根据所述受影响资源在动态知识图谱中的语义关联关系，确定直接受影响的工序和工单；

23、沿工序先后序关系、物料消耗关系和资源占用关系推导间接受影响的下游工序和下游工单；

24、根据所述直接受影响的工序和工单以及所述间接受影响的下游工序和下游工单，确定局部重排范围；

25、针对所述局部重排范围触发局部重排，并在局部重排结果写入制造执行系统前调用所述排产领域特定语言规则引擎进行硬性约束校验。

26、根据上述技术方案的一方面，所述排产领域特定语言规则库包括以下语句结构中的至少一种：

27、constraint语句，用于定义排产方案必须满足的硬性约束断言；

28、rule语句，用于定义满足触发条件时推荐执行的软性业务规则；

29、resource语句，用于声明参与排产的资源及其初始状态；

30、window语句，用于定义排产计划的有效时间范围；

31、priority语句，用于定义多目标优化的权重系数。

32、根据上述技术方案的一方面，调用排产领域特定语言规则引擎，对所述候选排产方案进行硬性约束校验，包括：

33、从所述排产领域特定语言规则库中加载当前有效的规则集；

34、将所述当前有效的规则集解析为内部约束表示；

35、从所述动态知识图谱中读取与所述内部约束表示对应的实时约束参数；

36、基于所述内部约束表示和所述实时约束参数，对所述候选排产方案执行设备不可抢占约束校验、换型时间约束校验、工序先后序约束校验、交期约束校验、物料齐套约束校验、人员资质约束校验、班次边界约束校验和缓冲区容量约束校验中的至少一种；

37、当存在约束违规时，生成所述结构化违规报告，所述结构化违规报告包括违规规则标识、涉及工单、涉及设备、违规时间窗口和修正指引。

38、根据上述技术方案的一方面，所述人工智能排产单元包括规划智能体、评估智能体和执行智能体；

39、所述规划智能体用于根据所述排产上下文信息生成候选排产方案；

40、所述评估智能体用于根据交期满足率、设备利用率、换型频次和物料齐套率中的至少两项指标，对所述候选排产方案进行评价，得到排产评价结果，并根据所述排产评价结果生成改进建议；

41、所述规划智能体还用于根据所述改进建议对所述候选排产方案进行局部修正或全局修正；

42、所述执行智能体用于调用所述排产领域特定语言规则引擎对修正后的候选排产方案进行硬性约束校验，并在校验通过后将修正后的候选排产方案转换为制造执行系统可接收的排产指令。

43、根据上述技术方案的一方面，将所述排产上下文信息输入人工智能排产单元，由所述人工智能排产单元生成候选排产方案的步骤具体包括：

44、将排产任务、从动态知识图谱检索得到的车间状态快照、从排产领域特定语言规则库提取得到的约束摘要以及历史优质排产案例构造为结构化提示信息；

45、当所述车间状态快照的数据量超过预设输入容量时，根据工单优先级、扰动影响程度和资源冲突风险中的至少一种，对所述车间状态快照进行压缩和优先级截断；

46、将压缩和优先级截断后的结构化提示信息输入所述规划智能体，以生成候选排产方案。

47、根据上述技术方案的一方面，将通过校验的候选排产方案转换为制造执行系统可接收的排产指令，并以事务方式写入制造执行系统的步骤之后，所述方法还包括：

48、将最终排产方案、硬性约束校验结果和排产评价结果写入所述动态知识图谱中的案例库；

49、在后续排产任务中，根据当前排产任务与案例库中历史排产案例之间的相似度，检索历史优质排产案例并输入所述人工智能排产单元；

50、生成排产任务的审计日志，所述审计日志包括知识图谱查询记录、人工智能排产单元输入输出记录、候选排产方案修正记录、硬性约束校验记录、结构化违规报告和制造执行系统写入结果中的至少一种。

51、另一方面，本方案还提供了一种基于人工智能的工厂智能排产系统，包括：

52、数据模块，用于获取工厂生产过程中的多源生产数据，将所述多源生产数据转换为具有语义标注的标准化中间数据，并依据预先构建的排产领域本体，将所述标准化中间数据映射为本体实例；

53、图谱模块，用于根据所述本体实例以及本体实例之间的语义关联关系构建动态知识图谱；

54、排产模块，用于响应于排产任务或扰动事件，从所述动态知识图谱中检索排产上下文信息，并将所述排产上下文信息输入人工智能排产单元，由所述人工智能排产单元生成候选排产方案；

55、校验模块，用于调用排产领域特定语言规则引擎，对所述候选排产方案进行硬性约束校验，其中，所述排产领域特定语言规则引擎根据排产领域特定语言规则库中的规则以及从所述动态知识图谱获取的实时约束参数，对所述候选排产方案进行确定性校验；

56、第一执行模块，用于当所述候选排产方案未通过所述硬性约束校验时，生成结构化违规报告，并将所述结构化违规报告反馈至所述人工智能排产单元，使所述人工智能排产单元根据所述结构化违规报告对所述候选排产方案进行定向修正；

57、第二执行模块，用于当所述候选排产方案通过所述硬性约束校验时，将通过校验的候选排产方案转换为制造执行系统可接收的排产指令，并以事务方式写入制造执行系统。

58、与现有技术相比，本发明的有益效果在于：通过将工厂多源生产数据转换为具有语义标注的标准化中间数据，并依据排产领域本体映射为本体实例、构建动态知识图谱，使制造执行系统、企业资源计划系统和仓储管理系统中的工单、工序、设备、人员、物料、约束和事件能够在统一语义层中形成实时关联，从而为人工智能排产单元提供准确的排产上下文，减少因数据孤岛和状态滞后造成的排产偏差；同时，本发明在人工智能排产单元生成候选排产方案后，进一步调用排产领域特定语言规则引擎，基于规则库和从动态知识图谱获取的实时约束参数对候选排产方案进行设备不可抢占、换型时间、工序先后序、物料齐套、人员资质等硬性约束校验，使不满足生产物理约束和业务约束的方案不会直接写入制造执行系统；当校验失败时，通过结构化违规报告向人工智能排产单元反馈违规规则、涉及对象、违规时间窗口和修正指引，使人工智能排产单元能够针对冲突内容进行定向修正，而不是无方向地重新生成方案，由此降低人工智能排产幻觉和制造执行系统数据污染风险；在扰动事件发生时，本发明还能够基于动态知识图谱推导直接受影响和间接受影响的工序及工单，确定局部重排范围并在写入前再次进行硬性约束校验，提高对设备故障、紧急插单、物料短缺、人员缺勤和返修工单插入等动态扰动的响应能力；通过将通过校验的排产方案以事务方式写入制造执行系统，并将最终排产方案、校验结果、评价结果和写入记录沉淀至案例库及审计日志中，本发明能够兼顾排产方案生成效率、执行可靠性、经验复用能力和全过程可追溯性。