[发明专利]考虑物料到料时间不确定的鲁棒优化成组生产方法

说明书

本发明涉及一种考虑物料到料时间不确定的鲁棒优化成组生产方法。在物料到达不确定的生产场景中，利用门循环单元深度学习模型对缺料工单的物料到达时间进行预测，将其作为输入数据，并通过生产数据构造鲁棒不确定集，考虑加工时间不确定性在成组生产中的影响，以最小化工单逾期总和为目标，构建鲁棒调度优化模型，合理对产品进行分组，在减少产品切换的同时尽可能避免因成组方案不恰当造成的工单逾期。本发明为电子制造业多品种少批量的复杂成组生产问题提供参考方案，提高生产排程在不确定生产条件下的鲁棒性和稳健性。

技术领域

本发明涉及智能制造的生产调度领域，具体涉及一种考虑物料到料时间不确定的鲁棒优化成组生产方法。

背景技术

电子产品的普及造就了巨大的市场，目前电子产品制造业的全球化竞争不断加剧以及消费者需求表现出的差异性和波动性，造成了产品生命周期的缩短与产品变异性的提高，传统的大批量流程式生产方式已经无法满足市场多样化的需求。随着相关生产技术的不断进步，越来越多的企业开始采用“多品种少批量”生产方式，以适应消费者多样化并且不断变化的需求。在激烈的市场竞争和顾客需求多样化条件下，电子制造业面临着多品种少批量的复杂成组生产问题，尤其物料到料时间、在何种机器上加工以及设备故障、人员经验不确定的情况下，更是给确定成组方案带来了巨大的困难。

发明内容

本发明的目的在于提供一种考虑物料到料时间不确定的鲁棒优化成组生产方法，提高生产排程在不确定条件下的鲁棒性和稳健性。

为实现上述目的，本发明的技术方案是：一种考虑物料到料时间不确定的鲁棒优化成组生产方法，具体包括以下步骤：

步骤S1、采集工单信息，获取各工单的物料情况、物料到料时间和加工时间的历史数据；

步骤S2、利用门循环单元深度学习模型对缺料工单的物料到料时间进行预测；

步骤S3、输入物料到料时间、工单交期、所设定的工单开始加工时间，利用加工时间的历史数据，构造不确定集和工单成组生产的鲁棒优化模型；

步骤S4、进行模型转换并利用对等转换成确定型模型后进行模型求解，得到成组生产方案。

在本发明一实施例中，所述利用门循环单元深度学习模型对缺料工单的物料到料时间进行预测，具体包括：

步骤S2-1、设置滑动窗口大小，划分模型训练集和测试集；

步骤S2-2、根据上一个神经元输出的物料到料时间预测值h_t-1和当前神经元输入的t时间下物料到料时间历史值x_t，计算更新门z_t和重置门r_t：

z_t＝σ(W_z*[h_t-1,x_t])

r_t＝σ(W_r*[h_t-1,x_t])

σ_t＝1/(1+e^-t)

其中，σ表示sigmoid函数，为激活函数，W_z表示更新门的权重，W_r表示重置门的权重；

步骤S2-3、计算当前神经元中待定的物料到料时间预测值

tanh＝(e^t-e^-t)/(e^t+e^-t)

其中，W为更新门的权重，tanh是双曲正切函数，为激活函数；