智能制造：为什么智能计划排产如此之难？

发布时间：2017-06-01 作者：佚名来源：研联国际质量管理

关键字：智能制造智能计划

收藏好文推荐打印

我们知道生产计划与排程是生产管理之核心，是企业的指挥调度中心，那为什么大部分企业计划管理的效果都不理想，这不能全怪企业高层的重视程度，也不是靠个人英雄主义（主计划、总调度）所能驾驭的。真相是，智能计划与排程的复杂性，我们必须了解与正视。

在工厂车间建模方面的难度：

我们知道确定性的模型可以使用一些的优先法则，同时也采用许多算法技术与启发式程序。不确定的随机模型使我们对优先规则的鲁棒性有了更深人的认识。随机模型的结果说明了这样一个结论：随着系统的随机性增大，采用复杂优化技术是不明智的。也就是说，系统的随机性越大，排程策略应该采用场景化规则处理，就可以使系统优化简化。

如何应用这些知识来排程实际问题呢？答案并不是很明确。这些问题在学术界标准化模型的研究中有着相当大的差异。在解决实际问题的时候，这些规则与方法往往被包含在一些更复杂的结构中。

现实排程问题往往与理论研究中的数学模型有很大三别。因为实际中的排程问题都有白己的特点，所以要找出所有的区别是一件很困难的事情。不过，有一些区别是共有的，因此值得关注。

1、理论模型往往假设有n项工作需要排程，并且在排程之后，这个有n项工作的问题被解决。但是在现实中，系统中往往会出现在同一时刻有n项工作需要解决，但是新的工作还在不断增加。调度当前的n项工作需要在没有将来情形确切信息的条件下进行。因此，需要对这些未知的情形做出推测。我们需要一个动态的环境，例如：在排程中加入宽裕时间，来适应紧急工作或是设备故障。

2、理论模型住往不强调重排程问题。在现实中，经常会出现这样的情况：在根据确定的假设做出了一个排程之后，由于随机事件的发生需要对这个排程进行一些调整。这种重新排程问题也可以被认为是反应式调度，它往往用来满足某些具体的约束。举个例子，人们往往希望只对原有的排程做出尽可能小的调整，即使这样并不是最优的排程。更确切地说在重新排程的时候只需对原有排程做出一些微小的调整，这就意味着做出一个具有一定“强壮性”的排程是相当有利的。也就说过于灵敏的重排，会导致计划排产脆弱不可执行。

3、现实中的机器环境往往比理论假设的机器环境更为复杂。加工限制以及约束也更加棘手。在机器、工作或是时间方面，有可能是相互关联而不是独立的。

4、在数学模型中，每一件工作的权重（优先级）是固定的（它们不随时间的变化而变化）。而在现实中，每一件工作的权重往往随着时间的变化而变化，这种变化可能是随机的。一件低优先级的任务单有可能突然变为高优先级的任务单。

5、数学模型往往不考虑“偏好”这个因素。在一个模型中，一件任务要么能够，要么不能够被一台机器处理。换句话说，一件任务能否被一台机器处理可用0和1来表示。在现实中，经常会出现这样一种情况：一件任务能够由给定的机器来加工，但是出于一些原因，任务执行者更偏好用另一台机器加工这项工作。用第一种情况下的机器处理这项任务往往是在一些紧急并且可能带来额外费用的情况下。

6、多数的理论生产模型并没有考虑机器的可用性约束。一台机器往往被假定为在任何情况下均可用。在现实中，一台机器并不一定是连续可用的。有许多原因会导致机器不在操作状态下。一部分原因是基于一些确定性过程，而另一部分原因是基于随机过程。设备的轮班模式会造成机器不是一直运行的。预防性的维护也会造成这种情况。还有就是机器可能受到随机故障以及维修的影响导致不能连续运作。

7、在研究中，大多数惩罚函数是分段线性的（例如：一项任务的滞后、单位惩罚等）。在现实中，存在可以商定的发货日期或是工期，所以惩罚函数往往是非分段线性的。

8、大多数理论关注单目标模型。在现实中，一个问题往往存在多个目标，也就是多目标加权优化。。不仅仅是多目标，它们各自的权重还可能随着时间的变化而变化，甚至还与不同排程者的经验相关。各个目标对象之间似乎经常会存在一种特殊的联系，例如最小化总加权滞后时间和最小化顺序相关的总准备时间(特别对于那些瓶颈机器）。

最小化总加权滞后时间是很重要的，这是因为保持服务的质量往往是一个有很大权重的日标。最小化与顺序相关的准备时间总和也是重要的。这是因为对于—个确定的生产环境，它可以使产量增加。当这种联系成为全部目标时，这两种目标的权重不能是简单的常数。这些权重可能与时间相关或者可以说与当前生产环境的状态相关。如果工作负荷相对偏重，那么最小化顺序相关准备时间将更加重要，如果工作负荷相对较小，最小化总加权滞后时间将更加重要。

9、现实中的排程过程，往往同分配工人班次和调度加班时间紧密结合。当工作负荷将要超过实际能力，工期非常紧迫的时候，排产调度员将会增加加班时间或是增加班次来按时发货。

10、理论研究的随机模型常常假设加工时间服从一些非常典型的分布。例如，已经深入研究过的指数分布。在现实中，加工时间往往不是符合指数分布的。一些观测结果显示，加工时间有着不同的密度函数。我们可以把这个密度函数看作一个确定值和一个分布的卷积。这样的密度函数会发生在确定任务的手工操作中。加工时间有这样的密度函数看似是有道理的。如果完成一项任务所需的最少时间已经确定，那么即使是最优秀的工人都不能用低于这个标准的时间完成这项工作（包括等于这个标准）。然而，加工时间存在许多变数，它们取决于操作者在任务中的表现。完成率随着时间的增加而增加。有可能加工时间有98％的概率是一个固定的值；而另有2％的概率是一个均值很大的指数分布。这种类型的概率函数往往出现在自动生产或装配线上。如果一个机器人来执行操作，那么加工时间往往是固定的（通过系统设定好的），但是当遇到一些突发事故的时候，加工时间立刻显著增大。

11、随机加工时间的另一个重要方面是相关性。在现实中，同一台机器上的连续加工时间是高度正相关的。在随机模型研究中，常常将所有加工时间假设或—个（或多个）相互独立的分布。

12、加工时间的分布可能因受到学习曲线因素以及老化因素的影响而改变。—个人工操作的加工时间分布可能受到学习因素的影响。通过人来不断加工作业有可能减少完作业的平均时间。如果一个操作对应的分布包含机器的影响，那么机器的使用年限（机器老化）将会导致平均加工时间增长。

尽管我们研究的数学模型与现实情形有许多不同，但这些理论研究绝对不是在浪费时间。这些研究让我们更深人地认识了许多排程问题，同时这些认识对于解决砚实中大部分排程系统的算法模型的发展是有很大帮助。

在现实中，排程问题常常通过看上去不那么准确的启发式算法（场景化规则）来解决。不采用更加精确数学算法的原因在于现实中往往存在大量的随机事件，这些事件往往导致在执行原有排程时被迫做出调整。

所以，我们必须建立一个高效的计划排产执行的闭环体系，形成可以不断自我改善、学习、进化的系统，提供坚实的应用功能来满足企业的智能指挥计划调度中心，其目标是:按需生产、精益制造、柔性运作。

我们必须需要引进新的智能计划系统。传统的计划的方法，已佷难适应快速多变的市场环境，很多企业正在转向按需生产模式C2M（Customer to Manufacturing ）。按需生产的最大的挑战就是计算CTP（Capable to Promise）承诺的交货期和准时交货。不仅需要订单需求可以直接进入计划排程的物料和能力系统，还要和供应商互动供应信息。

当精益运作拓展到敏捷供应链的智能制造时，按最终客户的需求所拉动快速客户反应时，将会给企业带来巨大利益。但是，实施所需要的投入和精力也是巨大的。

共2页

上一页 1 2

本文来源于互联网，e-works本着传播知识、有益学习和研究的目的进行的转载，为网友免费提供，并以尽力标明作者与出处，如有著作权人或出版方提出异议，本站将立即删除。如果您对文章转载有任何疑问请告之我们，以便我们及时纠正。联系方式：editor@e-works.net.cn tel：027-87592219/20/21。

上一篇文章：采用PLC控制的铣床液压传动系统设计
下一篇文章：条码技术在汽车制造业中的应用