一种生成式动态生产资源排产均衡方法及系统与流程

本发明属于生产排产优化，尤其涉及一种生成式动态生产资源排产均衡方法及系统。

背景技术：

1、生产排产优化一直是制造业中的关键问题，传统的基于时间最小化的策略，过于机械化地产出排产结果，并且这些最优排产计划是在理想情况下的排产结果，实际生产可能与理想条件有所偏差。在大型离散制造行业特别是轨道交通装配的领域中，装配工艺复杂、规模大、工时长，相对于自动化生产制造更依赖人在生产中发挥的作用。而且经常会遇到订单不稳定的情况，导致了一些生产人员在密集工作之后再无工作计划，其工作时间与闲置时间分配极不均衡。而经过计划员人工排产/调产的结果是计划员充分考虑各种生产要素，均衡了各方利益而得到的均衡排产结果。如果能够将计划员的这种行为模式学习并固化，那么在自动排产时将得到理想的生产资源均衡排产结果，从而达到智能排产、智能制造这一最终目标。

技术实现思路

1、为克服相关技术中存在的问题，本发明公开实施例提供了一种生成式动态生产资源排产均衡方法及系统，具体涉及一种基于生成式模型的动态生产资源均衡算法。本发明提出的方法通过线性规划初步得到排产的理想结果，再将理想结果作为输入调用机器学习模型，得到最终的生产资源均衡排产结果，此模型为通过学习计划员的排产历史结果训练得到，学习了计划员的调产行为模式，相当于将计划员的调/排产行为固化为一个算法模型。

2、所述技术方案如下：生成式动态生产资源排产均衡方法，利用线性规划结合机器学习调产行为，通过学习训练后的深度神经网络模型对排产计划进行调整，输出符合生产资源均衡的排产矩阵，使生产效率与成本控制和资源分配均衡；具体包括以下步骤：

3、s1，根据生产资源和生产资源相互之间的约束关系，根据订单和bom得到所需开工的工序任务集合，根据工厂的台位情况得到台位产能列表，根据物料配送计划得到每天的物料配送矩阵；基于上述信息，运用线性规划算法，将每日的排产结果抽象为每日每个工序任务所要完成的工时，调用求解器依次求解第天的排产完工工时，得到排产计划的目标函数，直到第天，每一道工序的完工工时之和为工序所对应额定工时；

4、s2，在目标函数中引入超参数系数，通过深度神经网络模型训练学习，输出超参数系数值，并带入线性规划算法的目标函数中，得到调排产结果；

5、s3，在深度神经网络模型中，通过将损失函数计算扩充，额外调用线性规划算法得到预测值，通过深度神经网络模型输出经过线性规划算法调整后再与教师值比较得到损失值，使经过训练后得到的深度神经网络模型在无人工干预的情况下，作出均衡排产计划。

6、在步骤s1中，所述生产资源，包括：工序、工序任务、台位、台位产能、物料、生产节拍，以及完整产品的物料树bom；

7、所述约束关系，包括：工序所需台位产能小于等于当天的台位产能，所需物料小于等于当天计划物料配送数量，生产节拍周期的工序任务开工时间不小于生产节拍所在周期的开始时间；

8、所述所需开工的工序任务集合为，此集合包括按照生产节拍新增的工单，附加所属工序的所需产能、所需物料、工序顺序、最早开工时间信息；

9、所述根据工厂的台位情况得到台位产能列表为；

10、所述根据物料配送计划得到每天的物料配送矩阵为，为天数，为物料编号，为物料数量。

11、在步骤s1中，运用线性规划算法，将每日的排产结果抽象为每日每个工序任务所要完成的工时，调用求解器依次求解第天的排产完工工时，得到排产计划的目标函数，包括：

12、将每日的排产结果抽象为每日每个工序任务所要完成的工时，第1天的完工工时为，下标1对应当前是第一天，对应工序任务编号，共有八个工序任务，经过调用求解器得到排产结果为：

13、；

14、式中，为排产天数，为工序任务编号，值为当天某道工序的工作工时，；为的最小有效值；

15、排产结果的排产目标为求每天工作完成量之和的最大值，目标公式为：

16、；

17、式中，为工作完成量之和的最大值。

18、进一步，在工序所需台位产能小于等于当天的台位产能中，第一天需要满足产能约束，包括：工序自身约束、物料可供开工的工序；

19、所述工序自身约束，包括：

20、台位一天的产能能做的工序，；

21、台位一天的产能能做的工序，；

22、台位一天的产能能做的工序，；

23、台位一天的产能能做的工序，；

24、所述物料可供开工的工序，包括：

25、物料可供开工的工序，；

26、物料可供开工的工序，；

27、物料可供开工的工序，；

28、物料可供开工的工序，；

29、物料可供开工的工序，；

30、每个工序任务开工百分比不能超过额定工时，包括：

31、；

32、其中，代表1天的第1-8道工序；

33、工序任务之后的工序任务是根据生产节拍开工一周后开始的任务，第一天不能开工，包括：；

34、工序任务等工序任务完工后开工，包括：

35、；

36、式中，为是否是工序任务后的任务，为第天第1道工序的工时；

37、转换为：

38、；

39、式中，为前天不可占用工时；

40、在第天时，前天内工序任务的完工比例之和等于100%；

41、将以上约束和目标公式输入求解器，得到第一天的计划结果。

42、进一步，第二天时，排产目标工时随时间的演变的目标公式为：

43、；

44、式中，为第2天的完工工时；

45、需满足对功能排产时所受到的约束条件，包括以下约束条件；

46、台位产能约束：；

47、物料供应约束：；

48、工时约束：；其中，表示第2天的第1-8道工序；

49、第二天的完工工时小于等于所需额定工时减去之前完工的工时；

50、依次求第天的排产完工工时，得到的结果，为排产天数，为工序任务编号。

51、直到第天，每一道工序的完工工时之和为工序所对应额定工时，满足：

52、；

53、式中，为排产计划总天数，为工序号为的工序任务，为第天工序号为的工序任务排产工时，为工序号为的工序所有排产工时总和。

54、在步骤s2中，在目标函数中引入超参数系数，表达式为：

55、；

56、式中，为超参数矩阵中的第天工序号的工时参数，与排产工时相乘来达到使用系数调整结果的目的。

57、在步骤s2中，通过深度神经网络模型训练学习，输出超参数系数值，并带入线性规划算法的目标函数中，得到调排产结果；包括：根据排产结果初始化一个系数矩阵，初始化数据全部为1，作为一个输入数据规范输出结果的行列数；将模型输入层数据拆分为时间、元素和数量，统一成具有三个维度的向量表示并融合到一起；具体步骤为：

58、step1：特征编码，时间维度以24个小时为表示空间，编码为24维的one-hot编码向量；元素维度对每个元素采用独热编码表示为一个向量，对于数量维度则采用数量原始值；

59、step2：向量融合，对于每个元素维度，将每个元素的独热编码向量与该元素数量相乘，得到该元素的加权向量；将所有元素的加权向量相加，得到该维度最终的向量表示；然后归一化，采用l2归一化方法对每个维度向量进行归一化；

60、工单基本信息矩阵输入：工单基本信息作为对其他物料、产能、工人排班基础必要条件的约束描述，参与隐藏层中第一层所有特征提取神经元的计算；

61、台位产能矩阵输入：在特征提取时，通过工单基本信息去转化成一个工单对应台位的矩阵；

62、工人排班矩阵输入：预期未来一段时间内的工人的排班情况，包含工人的所属班组，可开工的工单类型，休班情况，可工作工时，同时引入激活函数调节；

63、物料供应矩阵输入：处理为一个每天每种物料供应数量的二维矩阵。

64、在步骤s3中，深度神经网络模型由全连接层和激活层构成，全连接层用于记忆理想线性排产与实际调产间的偏差特征，激活层用于带来非线性特征；

65、损失函数采用均方误差函数mse衡量预测值与真实值之间平方差异平均值，对离群值区分正负误差；

66、损失函数计算的损失值采用梯度下降算法更新神经网络参数。

67、本发明的另一目的在于提供一种生成式动态生产资源排产均衡系统，该系统通过所述的生成式动态生产资源排产均衡方法实现，该系统包括：

68、排产计划目标函数获得模块，用于根据生产资源和生产资源相互之间的约束关系，根据订单和bom得到所需开工的工序任务集合，根据工厂的台位情况得到台位产能列表，根据物料配送计划得到每天的物料配送矩阵；基于上述信息，运用线性规划算法，将每日的排产结果抽象为每日每个工序任务所要完成的工时，调用求解器依次求解第天的排产完工工时，得到排产计划的目标函数，直到第天，每一道工序的完工工时之和为工序所对应额定工时；

69、深度神经网络模型调整模块，用于在目标函数中引入超参数系数，通过深度神经网络模型训练学习，输出超参数系数值，并带入线性规划算法的目标函数中，得到调排产结果；

70、在深度神经网络模型训练模块，用于在深度神经网络模型中，通过将损失函数计算扩充，额外调用线性规划算法得到预测值，通过深度神经网络模型输出经过线性规划算法调整后再与教师值比较得到损失值，使经过训练后得到的深度神经网络模型在无人工干预的情况下，作出均衡排产计划。

71、结合上述的所有技术方案，本发明所具备的有益效果为：本发明解决了轨道交通行业装配生产计划的排产方案在实际生产环境中面临的局限性，特别是忽视了计划均衡分配而导致的员工工作时间过于密集或稀疏的情况。提出了一种创新的生成式动态模型，该模型不仅考虑时间效率，还综合考量了台位产能限制、物料供应节奏、人员工时分配等多维度因素，以实现生产资源的最优均衡。核心在于利用线性规划结合机器学习，学习计划员的调产行为，通过学习训练后的模型对排产计划进行智能调整，输出符合生产资源均衡的排产矩阵，确保生产效率与成本控制和资源分配均衡的多赢。

72、本发明提升企业基于生产资源进行排程排产的效率，大幅提升对生产资源利用精细度，从而避免因排产导致生产资源浪费现象，降低企业生产成本；另一方面，精细化排产对企业生产计划人员要求非常高，该方法结合标准化算法和深度网络模型让不具备高级排产员的企业也能做到专业精细排产，赋能企业大规模生产关键环节。

73、企业排产常常面临“计划赶不上变化”的困难，这主要来源于传统方法可处理的维度窄、算法固化等原因。本发明通过深入挖掘排产本质提出标准化算法，再结合深度神经网络模型提供场景泛化能力，解决了这一根本问题。

74、很多企业与个人依赖过往经验，在排产业务中往往使用固有模板、参考固有维度数据或使用一成不变的算法，这能为他们带来预期结果的安全感，也对神经网络这种具有泛化特点的技术抱有偏见。然而企业生产活动受多种因素影响，比如快速变化的市场需求或企业自身快速更新迭代，固守安全感的技术往往难以适应环境变化。本方法基于排产本质算法和神经网络泛化能力，即保留排产基础逻辑不变，又能充分适应变化的场景需求，克服人们对变化可能带来风险的技术偏见。

技术特征：

1.一种生成式动态生产资源排产均衡方法，其特征在于，该方法利用线性规划结合机器学习调产行为，通过学习训练后的深度神经网络模型对排产计划进行调整，输出符合生产资源均衡的排产矩阵，使生产效率与成本控制和资源分配均衡；具体包括以下步骤：

2.根据权利要求1所述的生成式动态生产资源排产均衡方法，其特征在于，在步骤s1中，所述生产资源，包括：工序、工序任务、台位、台位产能、物料、生产节拍，以及完整产品的物料树bom；

3.根据权利要求2所述的生成式动态生产资源排产均衡方法，其特征在于，在步骤s1中，运用线性规划算法，将每日的排产结果抽象为每日每个工序任务所要完成的工时，调用求解器依次求解第天的排产完工工时，得到排产计划的目标函数，包括：

4.根据权利要求2所述的生成式动态生产资源排产均衡方法，其特征在于，在工序所需台位产能小于等于当天的台位产能中，第一天需要满足产能约束，包括：工序自身约束、物料可供开工的工序；

5.根据权利要求4所述的生成式动态生产资源排产均衡方法，其特征在于，第二天时，排产目标工时随时间的演变的目标公式为：

6.根据权利要求5所述的生成式动态生产资源排产均衡方法，其特征在于，直到第天，每一道工序的完工工时之和为工序所对应额定工时，满足：

7.根据权利要求1所述的生成式动态生产资源排产均衡方法，其特征在于，在步骤s2中，在目标函数中引入超参数系数，表达式为：

8.根据权利要求1所述的生成式动态生产资源排产均衡方法，其特征在于，在步骤s2中，通过深度神经网络模型训练学习，输出超参数系数值，并带入线性规划算法的目标函数中，得到调排产结果；包括：根据排产结果初始化一个系数矩阵，初始化数据全部为1，作为一个输入数据规范输出结果的行列数；将模型输入层数据拆分为时间、元素和数量，统一成具有三个维度的向量表示并融合到一起；具体步骤为：

9.根据权利要求1所述的生成式动态生产资源排产均衡方法，其特征在于，在步骤s3中，深度神经网络模型由全连接层和激活层构成，全连接层用于记忆理想线性排产与实际调产间的偏差特征，激活层用于带来非线性特征；

10.一种生成式动态生产资源排产均衡系统，其特征在于，该系统通过权利要求1-9任意一项所述的生成式动态生产资源排产均衡方法实现，该系统包括：

技术总结
本发明属于生产排产优化技术领域，公开了一种生成式动态生产资源排产均衡方法及系统。该方法运用线性规划算法，将每日的排产结果抽象为每日每个工序任务所要完成的工时，经过调用求解器依次求解第天的排产完工工时，得到排产计划的目标函数，直到第天，每一道工序的完工工时之和为工序所对应额定工时；在目标函数中引入超参数系数，通过深度神经网络模型训练学习，输出超参数系数值，并带入线性规划算法的目标函数中，得到与计划员相同的调排产结果；使经过训练后得到的深度神经网络模型在无人工干预的情况下模拟计划员做出正确的均衡排产计划。本发明能有效降低人工成本，从而进一步实现只能排产。

技术研发人员：刘伟
受保护的技术使用者：青岛诺亚信息技术有限公司
技术研发日：
技术公布日：2024/12/5