一种基于大模型的MES智能排程与动态插单优化系统及方法与流程

摘要: 本发明涉及工业信息化与智能制造,具体为一种基于大模型的mes智能排程与动态插单优化系统及方法。背景技术:1、制造执行系统(mes)是企业车间级生产管理核心,排程...
一种基于大模型的MES智能排程与动态插单优化系统及方法与流程

本发明涉及工业信息化与智能制造,具体为一种基于大模型的mes智能排程与动态插单优化系统及方法。

背景技术:

1、制造执行系统(mes)是企业车间级生产管理核心,排程是mes最关键模块之一,直接决定产能利用率、交期达成率与生产成本。

2、现有mes排程存在明显痛点:

3、约束复杂、人工依赖强:排程需同时考虑订单优先级、交期、设备负荷、换线时间、物料齐套、人员技能等多约束,人工排程耗时久、易出错、主观性强;

4、插单响应慢、重排成本高:紧急插单时,人工重新计算、调整顺序、校验产能,耗时数小时,易导致交期延误、资源浪费;

5、异常处理被动、重排效率低:设备故障、物料延迟、人员缺勤时,现有系统仅能告警,无法快速全局重排,依赖调度员经验,易造成生产线停滞;

6、无法自然语言交互、操作门槛高:调度员需在复杂界面中操作,无法直接用口语/文字下达插单、改期、暂停等指令,学习成本高、效率低。

7、随着制造业“智改数转”推进,企业迫切需要智能、高效、自适应、支持自然语言交互的新一代mes排程方案。

技术实现思路

1、针对现有技术存在的不足,本发明的目的在于提供一种基于大模型的mes智能排程与动态插单优化系统及方法,通过利用大模型强大的自然语言理解、多约束推理、全局优化、动态决策能力,提升排程效率、缩短插单响应时间、提高订单准时交付率、降低人工依赖、减少资源浪费。

2、为实现上述目的,本发明提供如下技术方案:

3、一种基于大模型的mes智能排程与动态插单优化系统,包括通过工业数据总线实现数据交互的数据采集与融合模块、大模型推理引擎、智能排程优化模块、动态插单处理模块、异常识别与重排模块、mes指令下发与反馈模块;

4、所述数据采集与融合模块,用于采集多源生产数据并执行清洗、格式统一与融合处理,输出标准化的生产数字孪生数据集并传输至所述大模型推理引擎;

5、所述大模型推理引擎,以通用大语言模型为底座,经领域微调、挂载工业排程知识库并设置工业硬规则校验层构建得到,用于接收所述生产数字孪生数据集,完成生产约束解析与排程优化推理;

6、所述智能排程优化模块,用于接收大模型推理结果,结合全局生产约束构建排程优化目标,生成初始全局最优排程计划并提供可视化展示;

7、所述动态插单处理模块,用于接收并解析自然语言插单指令,完成插单可行性校验后,向所述智能排程优化模块发送重排触发信号以触发全局排程重计算,或输出不可行场景的替代方案;

8、所述异常识别与重排模块,用于实时监测生产运行数据并识别异常事件,评估异常影响后向所述智能排程优化模块发送重排触发信号;

9、所述mes指令下发与反馈模块,用于接收排程计划并下发排程执行指令,同时将mes执行反馈数据回流至所述大模型推理引擎,形成排程策略迭代优化闭环。

10、进一步的,所述数据采集与融合模块采集的多源生产数据包括以下三类:

11、mes基础数据,包括订单信息、工单、bom、工艺路线、设备台账、产能日历与换线规则;

12、实时生产动态数据,包括设备状态、设备综合效率、物料库存与齐套率、人员排班与技能信息、在制品进度;

13、外部协同数据,包括采购到货计划、仓储出库计划、质检结果与能源消耗数据。

14、进一步的,所述大模型推理引擎的领域微调,是指基于企业历史mes工单、工艺路线、历史排程方案及异常处理案例,对通用大语言模型进行的指令微调;

15、所述工业排程知识库存储行业标准、企业工艺规范、设备能力上限、换线成本模型、交期优先级策略与物料替代关系,所述大模型推理引擎通过向量检索方式从所述工业排程知识库中召回相关知识,为推理过程提供支撑;所述工业硬规则校验层用于对大模型输出结果进行产能校核、设备负荷校验、物料齐套性校验与工艺合规性校验,过滤不符合生产实际的无效输出。

16、进一步的,所述智能排程优化模块以交期满足率最大化、产能利用率最大化、换线时间最小化、综合成本最低化为排程优化目标函数,输出的初始排程计划包含工单加工顺序、设备分配方案、开工与完工时间、换线安排及人员分配方案;所述可视化展示包括排程甘特图、设备负荷图与物料齐套分析图,并支持人工对排程计划进行微调确认。

17、进一步的,所述动态插单处理模块支持语音与文字形式的口语化插单指令输入,自动解析提取订单号、优先级、交期、工艺要求与特殊约束参数;所述插单可行性校验维度包括产能余量、物料齐套状态、设备可用时段与工艺兼容性;不可行场景下生成的替代方案包括加班生产、外协加工与调整其他订单交期的优化建议。

18、进一步的,所述异常识别与重排模块可识别的生产异常包括设备故障停机、物料短缺、采购到货延迟、人员缺勤、质量异常与能源中断;所述异常识别与重排模块自动分类异常类型、评估影响范围与预测恢复时间,当异常影响核心产能或订单交期时触发全局重排,重排过程中优先保障高优先级订单的交付。

19、进一步的,所述mes指令下发与反馈模块通过api接口对接外部mes系统,下发的指令包括工单调度指令、工单调整指令、设备分配指令、人员排班指令与换线作业指令;接收的执行反馈数据包括工单开工状态、完工进度、异常告警与执行结果,反馈数据用于迭代优化大模型的排程推理策略与决策精度。

20、一种基于大模型的mes智能排程与动态插单优化方法,包括以下步骤:

21、s1、数据采集与融合:采集多源生产数据,经清洗、格式统一处理后融合生成标准化的生产数字孪生数据集;

22、s2、大模型增强推理:将所述生产数字孪生数据集输入经领域微调、知识库挂载与工业硬规则校验增强的通用大语言模型,完成生产约束解析与排程优化推理;

23、s3、初始全局排程生成:基于大模型推理结果,结合全局生产约束构建排程优化目标,生成初始全局最优排程计划并进行可视化展示,确认后下发至mes系统执行;

24、s4、动态插单处理:排程执行过程中,若接收自然语言插单指令,则解析提取插单约束参数并开展可行性校验,校验通过则自动完成全局排程重计算,校验不通过则生成不可行场景的替代方案;

25、s5、异常识别与重排:排程执行过程中,实时监测生产运行数据,识别生产异常并评估影响范围,达到重排触发条件时触发全局重排,生成调整后的排程计划并下发执行;

26、s6、指令下发与闭环优化:将排程计划下发至mes系统执行,采集mes执行反馈数据并回流至大模型,迭代优化排程推理策略。

27、进一步的,步骤s2中,所述领域微调为基于企业历史mes排程方案与异常处理案例对通用大语言模型进行的指令微调;所述知识库挂载为接入存储工业排程规则与经验的向量知识库,推理过程中实时召回相关知识;所述工业硬规则校验为对大模型推理结果进行产能校核、设备负荷校验、物料齐套性校验与工艺合规性校验。

28、进一步的,步骤s3中,排程优化目标包括交期满足率最大化、产能利用率最大化、换线时间最小化与综合成本最低化;生成的初始排程计划包含工单加工顺序、设备分配、开工完工时间、换线安排与人员分配方案;可视化展示形式包括甘特图、设备负荷图与物料齐套分析图,支持人工对排程计划进行微调确认。

29、该基于大模型的mes智能排程与动态插单优化系统运行时,数据采集与融合模块先对三类生产数据执行3σ准则去噪、最小-最大归一化与置信度加权融合,生成标准化生产数字孪生数据集,为全流程计算提供统一可信的数据基础。大模型推理引擎采用“领域微调+向量知识库+工业硬规则校验层”三层增强架构,完成非结构化约束解析、领域知识召回与物理约束兜底,兼顾推理灵活性与工业可行性。

30、智能排程优化模块接收结构化约束后,以交期、产能、换线、成本为维度构建线性加权多目标函数,结合遗传算法与启发式规则完成全局寻优,输出初始排程计划并支持可视化人工微调。动态插单处理与异常识别重排构成双动态支路,分别解析自然语言插单指令、识别生产异常,经多维度校验与影响评估后触发全局重排,调高高优先级订单权重完成自适应调整,实现分钟级扰动响应。

31、最终由mes指令下发与反馈模块完成排程指令下发与执行数据回采,通过偏差计算将真实生产案例补充至样本库,对大模型进行增量微调,持续提升排程推理精度,形成自进化的优化闭环。

32、与现有技术相比,本发明的有益效果是:

33、1、排程效率大幅提升:人工排程从数小时缩短至10分钟内自动生成,效率提升;

34、2、插单响应极速化:紧急插单缩短至10分钟内完成解析、校验、重排、下发,订单准时交付率提升20%;

35、3、异常处理智能化:生产异常自动识别、快速重排,非计划停机时间减少40%,产能利用率提升15%;

36、4、人工依赖显著降低:减少70%以上人工排程、调整、校验工作,降低对资深调度员的依赖,降低人力成本;