本發(fā)明涉及多目標(biāo)全局動(dòng)態(tài)排產(chǎn)，更具體地說(shuō)，本發(fā)明涉及一種制造資源動(dòng)態(tài)排產(chǎn)數(shù)據(jù)綜合處理方法。
背景技術(shù)：
1、隨著制造業(yè)對(duì)柔性生產(chǎn)和智能排產(chǎn)的需求日益增長(zhǎng)，傳統(tǒng)制造資源排產(chǎn)系統(tǒng)多依賴于固定規(guī)則引擎和離線優(yōu)化算法，例如基于aps(高級(jí)計(jì)劃與排程)的靜態(tài)排產(chǎn)模型和人工經(jīng)驗(yàn)驅(qū)動(dòng)的調(diào)度策略。然而，這些方法在面對(duì)多源異構(gòu)數(shù)據(jù)融合、動(dòng)態(tài)設(shè)備狀態(tài)波動(dòng)以及突發(fā)生產(chǎn)擾動(dòng)時(shí)，普遍存在響應(yīng)滯后、優(yōu)化粒度粗放等問(wèn)題。近年來(lái)，工業(yè)物聯(lián)網(wǎng)(iiot)和邊緣計(jì)算技術(shù)的引入為實(shí)時(shí)數(shù)據(jù)采集與處理提供了新思路，但現(xiàn)有技術(shù)在多模態(tài)數(shù)據(jù)協(xié)同、動(dòng)態(tài)權(quán)重分配及全局-局部?jī)?yōu)化協(xié)同方面仍存在顯著短板。
2、現(xiàn)有技術(shù)主要集中在單一傳感器或局部?jī)?yōu)化策略的應(yīng)用上，例如依賴固定負(fù)載閾值或靜態(tài)路徑規(guī)劃，而較少整合多源數(shù)據(jù)(如erp訂單、iot傳感器流)與智能化分析；此外，設(shè)備狀態(tài)判定未融合多維度信息(如erp訂單進(jìn)度、人工反饋)，導(dǎo)致結(jié)果片面；排產(chǎn)優(yōu)化缺乏全局多目標(biāo)算法支持，難以平衡資源利用率與交付時(shí)效；異常事件處理依賴固定規(guī)則，未能實(shí)時(shí)關(guān)聯(lián)訂單狀態(tài)、傳感器告警及人工描述生成根因標(biāo)簽；同時(shí)，知識(shí)庫(kù)與設(shè)備參數(shù)依賴人工維護(hù)，缺乏基于執(zhí)行數(shù)據(jù)的閉環(huán)校準(zhǔn)機(jī)制，而虛擬仿真與實(shí)際執(zhí)行未實(shí)現(xiàn)動(dòng)態(tài)聯(lián)動(dòng)，進(jìn)一步限制了排產(chǎn)策略的自適應(yīng)能力；邊緣層與云端層協(xié)同不足，全局策略與局部執(zhí)行存在脫節(jié)，導(dǎo)致資源調(diào)度效率低下。
技術(shù)實(shí)現(xiàn)思路
1、為了克服現(xiàn)有技術(shù)的上述缺陷，為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種制造資源動(dòng)態(tài)排產(chǎn)數(shù)據(jù)綜合處理方法，包括：
2、s1：獲取多源異構(gòu)數(shù)據(jù)，提取關(guān)鍵字段，構(gòu)建跨系統(tǒng)的字段映射表；結(jié)合歷史設(shè)備性能數(shù)據(jù)生成設(shè)備指紋向量與設(shè)備類別基準(zhǔn)模板，構(gòu)建設(shè)備指紋庫(kù)；根據(jù)設(shè)備指紋庫(kù)，實(shí)時(shí)計(jì)算傳感器穩(wěn)定性指數(shù)，動(dòng)態(tài)調(diào)整置信度權(quán)重，進(jìn)而判定設(shè)備狀態(tài)；
3、s2：基于設(shè)備狀態(tài)判定結(jié)果，對(duì)齊多源異構(gòu)數(shù)據(jù)時(shí)間戳，通過(guò)預(yù)置規(guī)則庫(kù)觸發(fā)事件；整合操作工上報(bào)數(shù)據(jù)與多源異構(gòu)數(shù)據(jù)，生成帶上下文標(biāo)簽的異常事件流；
4、s3：基于異常事件類型及設(shè)備狀態(tài)判定結(jié)果，調(diào)用預(yù)置微流程，通過(guò)排產(chǎn)知識(shí)圖譜構(gòu)建推薦方案，進(jìn)而生成排產(chǎn)指令集；
5、s4：根據(jù)排產(chǎn)指令集，通過(guò)邊緣代理驅(qū)動(dòng)設(shè)備執(zhí)行指令，生成本地的局部?jī)?yōu)化方案；云端整合多工廠數(shù)據(jù)，通過(guò)黑盒多目標(biāo)算法生成全局優(yōu)化策略，進(jìn)而形成最終執(zhí)行方案；對(duì)比執(zhí)行結(jié)果生成閉環(huán)分析數(shù)據(jù)集，反向更新排產(chǎn)知識(shí)圖譜與預(yù)置規(guī)則庫(kù)；
6、s5：將最終執(zhí)行方案加載至3d虛擬車間模型，計(jì)算資源利用率和瓶頸工序指標(biāo)；進(jìn)而對(duì)比最終執(zhí)行方案與實(shí)際執(zhí)行數(shù)據(jù)，生成差異分析報(bào)告，反向校準(zhǔn)設(shè)備指紋庫(kù)與預(yù)置規(guī)則庫(kù)，觸發(fā)設(shè)備狀態(tài)重新判定，形成端到端閉環(huán)迭代。
7、進(jìn)一步地，所述字段映射表的生成方式包括：
8、多源異構(gòu)數(shù)據(jù)包括erp訂單數(shù)據(jù)、mes設(shè)備狀態(tài)數(shù)據(jù)、iot傳感器流數(shù)據(jù)和供應(yīng)鏈庫(kù)存數(shù)據(jù)，erp訂單數(shù)據(jù)包括訂單基本信息、產(chǎn)品明細(xì)、狀態(tài)信息和關(guān)聯(lián)信息，mes設(shè)備狀態(tài)數(shù)據(jù)包括實(shí)時(shí)運(yùn)行狀態(tài)、性能指標(biāo)、理論產(chǎn)能、維護(hù)記錄、生產(chǎn)進(jìn)度和備選設(shè)備清單，iot傳感器流數(shù)據(jù)包括設(shè)備健康數(shù)據(jù)、環(huán)境數(shù)據(jù)、事件告警、位置與狀態(tài)，供應(yīng)鏈庫(kù)存數(shù)據(jù)包括庫(kù)存水平、庫(kù)存變動(dòng)、供應(yīng)鏈協(xié)同和需求預(yù)測(cè)；
9、使用自然語(yǔ)言處理技術(shù)解析多源異構(gòu)數(shù)據(jù)中的非結(jié)構(gòu)化數(shù)據(jù)，提取得到關(guān)鍵字段；進(jìn)而基于關(guān)鍵字段建立跨系統(tǒng)字段映射關(guān)系，生成字段映射表。
10、進(jìn)一步地，所述動(dòng)態(tài)調(diào)整置信度權(quán)重的方式包括：
11、獲取歷史設(shè)備性能數(shù)據(jù)，包括設(shè)備運(yùn)行效率指標(biāo)、傳感器基準(zhǔn)參數(shù)、環(huán)境與負(fù)載數(shù)據(jù)；
12、通過(guò)特征提取法對(duì)歷史設(shè)備性能數(shù)據(jù)進(jìn)行特征提取，得到設(shè)備的硬件靜態(tài)特征和動(dòng)態(tài)行為特征；
13、將字段映射表內(nèi)不同字段的重要性作為硬件靜態(tài)特征與動(dòng)態(tài)行為特征的初始權(quán)重，構(gòu)建得到初始權(quán)重矩陣，并通過(guò)熵權(quán)法根據(jù)特征的信息熵實(shí)時(shí)更新權(quán)重矩陣；
14、基于權(quán)重矩陣，對(duì)硬件靜態(tài)特征與動(dòng)態(tài)行為特征進(jìn)行加權(quán)，進(jìn)而使用主成分分析技術(shù)對(duì)所有加權(quán)后的特征進(jìn)行降維處理，形成設(shè)備指紋向量；
15、同時(shí)，使用高斯混合模型對(duì)降維后的特征進(jìn)行無(wú)監(jiān)督聚類，生成設(shè)備類別基準(zhǔn)模板；
16、通過(guò)聯(lián)邦學(xué)習(xí)框架對(duì)設(shè)備指紋向量和設(shè)備類別基準(zhǔn)模板進(jìn)行分布式協(xié)同優(yōu)化，進(jìn)而得到優(yōu)化后的設(shè)備指紋向量和設(shè)備類別基準(zhǔn)模板；
17、將優(yōu)化后的設(shè)備指紋向量和設(shè)備類別基準(zhǔn)模板整合，得到設(shè)備指紋庫(kù)；
18、基于設(shè)備的不同傳感器，讀取傳感器的實(shí)時(shí)數(shù)據(jù)，并與設(shè)備指紋庫(kù)中對(duì)應(yīng)類別的設(shè)備類別基準(zhǔn)模板進(jìn)行差值計(jì)算，得到傳感器相對(duì)于基準(zhǔn)的誤差值；
19、取傳感器過(guò)去t時(shí)刻的誤差值均值作為歷史標(biāo)準(zhǔn)差，進(jìn)而取當(dāng)前的誤差值與歷史標(biāo)準(zhǔn)差的比值，作為誤差比值；并取1與誤差比值之和的倒數(shù)作為傳感器的穩(wěn)定性指數(shù)；
20、設(shè)定誤差閾值和穩(wěn)定性閾值，基于穩(wěn)定性指數(shù)與預(yù)設(shè)的誤差閾值，定義傳感器的置信度權(quán)重動(dòng)態(tài)調(diào)整規(guī)則，包括：
21、若誤差值小于或等于誤差閾值且穩(wěn)定性指數(shù)大于或等于穩(wěn)定性閾值，則判定傳感器采集的數(shù)據(jù)穩(wěn)定；
22、若誤差值大于誤差閾值且穩(wěn)定性指數(shù)小于穩(wěn)定性閾值，則判定傳感器采集的數(shù)據(jù)存在潛在誤差，將傳感器數(shù)據(jù)的置信度權(quán)重按預(yù)設(shè)的調(diào)整比例進(jìn)行降低；
23、若傳感器的誤差值連續(xù)n個(gè)時(shí)刻大于誤差閾值，則判定傳感器異常，將傳感器的置信度權(quán)重按調(diào)整比例降低至最低；
24、根據(jù)調(diào)整后的傳感器數(shù)據(jù)的置信度權(quán)重，若置信度權(quán)重大于預(yù)設(shè)的置信度權(quán)重閾值，則標(biāo)記為高置信度傳感器數(shù)據(jù)；若置信度權(quán)重小于或等于預(yù)設(shè)的置信度權(quán)重閾值，則標(biāo)記為低置信度傳感器數(shù)據(jù)。
25、進(jìn)一步地，所述設(shè)備狀態(tài)的判定方式包括：
26、根據(jù)字段映射表將傳感器的實(shí)時(shí)數(shù)據(jù)和多源異構(gòu)數(shù)據(jù)映射為標(biāo)準(zhǔn)化字段，并按數(shù)據(jù)類型分類為傳感器數(shù)據(jù)、人工數(shù)據(jù)和erp訂單數(shù)據(jù)；
27、將傳感器數(shù)據(jù)的置信度權(quán)重作為傳感器數(shù)據(jù)的權(quán)重，并為人工數(shù)據(jù)和erp訂單數(shù)據(jù)分配固定權(quán)重；
28、分別對(duì)傳感器數(shù)據(jù)、人工數(shù)據(jù)和erp訂單數(shù)據(jù)的所有標(biāo)準(zhǔn)化字段進(jìn)行加權(quán)求和，分別得到傳感器綜合值、人工綜合值和erp綜合值；進(jìn)而水平拼接形成綜合狀態(tài)向量；
29、根據(jù)綜合狀態(tài)向量，分別定義傳感器綜合值閾值、erp綜合值閾值和人工綜合值閾值，并定義設(shè)備狀態(tài)判定規(guī)則為：
30、若傳感器綜合值大于或等于傳感器綜合值閾值，且erp綜合值大于或等于erp綜合值閾值，且人工綜合值大于或等于人工綜合值閾值，則設(shè)備狀態(tài)判定為正常運(yùn)行；
31、若傳感器綜合值、人工綜合值和erp綜合值中，任意一項(xiàng)小于相應(yīng)閾值，則設(shè)備狀態(tài)判定為部分故障；
32、若傳感器綜合值連續(xù)n個(gè)時(shí)刻低于傳感器綜合值閾值，且erp綜合值小于erp綜合值閾值，且人工綜合值小于人工綜合值閾值，則設(shè)備狀態(tài)判定為停機(jī)維護(hù)。
33、進(jìn)一步地，所述異常事件流的生成方式包括：
34、基于設(shè)備狀態(tài)判定結(jié)果，將判定的設(shè)備狀態(tài)作為狀態(tài)標(biāo)簽，與多源異構(gòu)數(shù)據(jù)的時(shí)間戳對(duì)齊到同一時(shí)間軸，進(jìn)而為每個(gè)時(shí)刻的多源異構(gòu)數(shù)據(jù)添加當(dāng)前設(shè)備狀態(tài)判定結(jié)果作為標(biāo)簽；
35、構(gòu)建預(yù)置規(guī)則庫(kù)，實(shí)時(shí)監(jiān)控設(shè)備狀態(tài)判定結(jié)果和多源異構(gòu)數(shù)據(jù)，當(dāng)預(yù)置規(guī)則庫(kù)內(nèi)的條件被滿足時(shí)，生成觸發(fā)事件；
36、基于生成的觸發(fā)事件，將erp訂單數(shù)據(jù)中的訂單狀態(tài)、mes工序進(jìn)度和iot傳感器異常作為多源數(shù)據(jù)標(biāo)簽，進(jìn)而與操作工實(shí)時(shí)上報(bào)的描述和相應(yīng)的設(shè)備狀態(tài)判定結(jié)果結(jié)合，形成根因標(biāo)簽，作為上下文標(biāo)簽；
37、將上下文標(biāo)簽、觸發(fā)事件的類型、優(yōu)先級(jí)和觸發(fā)事件的原始數(shù)據(jù)來(lái)源與對(duì)應(yīng)的時(shí)間戳整合成異常事件流。
38、進(jìn)一步地，所述預(yù)置規(guī)則庫(kù)的構(gòu)建方式包括：
39、根據(jù)行業(yè)標(biāo)準(zhǔn)和歷史設(shè)備性能數(shù)據(jù)，將設(shè)備狀態(tài)判定結(jié)果作為規(guī)則動(dòng)態(tài)調(diào)整依據(jù)，從行業(yè)標(biāo)準(zhǔn)、歷史設(shè)備性能數(shù)據(jù)和時(shí)間戳對(duì)齊后的多源異構(gòu)數(shù)據(jù)中提取閾值規(guī)則基礎(chǔ)參數(shù)，包括靜態(tài)規(guī)則參數(shù)和動(dòng)態(tài)規(guī)則參數(shù)；
40、定義預(yù)置規(guī)則庫(kù)的規(guī)則包括靜態(tài)規(guī)則和動(dòng)態(tài)規(guī)則，根據(jù)靜態(tài)規(guī)則參數(shù)定義靜態(tài)規(guī)則，根據(jù)動(dòng)態(tài)規(guī)則參數(shù)定義動(dòng)態(tài)規(guī)則；
41、靜態(tài)規(guī)則表示基于行業(yè)標(biāo)準(zhǔn)和歷史設(shè)備性能數(shù)據(jù)預(yù)設(shè)的固定閾值，包括工序超時(shí)閾值、訂單延遲閾值和庫(kù)存安全閾值；動(dòng)態(tài)規(guī)則表示根據(jù)設(shè)備狀態(tài)判定結(jié)果定義條件與調(diào)整邏輯，包括設(shè)備oee動(dòng)態(tài)調(diào)整、傳感器告警聯(lián)動(dòng)和庫(kù)存聯(lián)動(dòng)。
42、進(jìn)一步地，所述排產(chǎn)指令集的生成方式包括：
43、根據(jù)設(shè)備狀態(tài)判定結(jié)果和異常事件流，將異常事件流中的事件類型與預(yù)置微流程庫(kù)進(jìn)行匹配，生成初步調(diào)整方案；
44、根據(jù)設(shè)備的事件類型，獲取同類故障平均修復(fù)時(shí)間、備選設(shè)備性能記錄和關(guān)聯(lián)的解決方案；
45、提取時(shí)間戳對(duì)齊后的多源異構(gòu)數(shù)據(jù)中的設(shè)備、訂單、工序和備選設(shè)備作為實(shí)體，根據(jù)初步調(diào)整方案，提取異常事件流和預(yù)置規(guī)則庫(kù)中每個(gè)實(shí)體之間的關(guān)系，并將同類故障平均修復(fù)時(shí)間、備選設(shè)備性能記錄和關(guān)聯(lián)的解決方案作為屬性添加進(jìn)關(guān)系內(nèi)，進(jìn)而構(gòu)建排產(chǎn)知識(shí)圖譜；
46、使用推理引擎根據(jù)事件類型和上下文標(biāo)簽，通過(guò)排產(chǎn)知識(shí)圖譜查詢同類故障歷史修復(fù)時(shí)間和備選設(shè)備性能記錄，構(gòu)建推薦方案；基于推薦方案生成排產(chǎn)指令集。
47、進(jìn)一步地，所述最終執(zhí)行方案的形成方式包括：
48、將排產(chǎn)指令集同步至車間級(jí)邊緣代理，驅(qū)動(dòng)設(shè)備控制層和生產(chǎn)管理系統(tǒng)對(duì)排產(chǎn)指令進(jìn)行執(zhí)行，在指令執(zhí)行過(guò)程中，通過(guò)iot傳感器實(shí)時(shí)采集設(shè)備的實(shí)時(shí)運(yùn)行狀態(tài)和生產(chǎn)進(jìn)度，形成執(zhí)行反饋流；并通過(guò)邊緣代理基于設(shè)備健康狀態(tài)和備選設(shè)備清單，即時(shí)生成局部?jī)?yōu)化方案；
49、在指令執(zhí)行完成后，通過(guò)執(zhí)行反饋流匯總得到指令最終的執(zhí)行結(jié)果；
50、將執(zhí)行結(jié)果與預(yù)置規(guī)則庫(kù)中的條件、設(shè)備狀態(tài)判定結(jié)果和設(shè)備狀態(tài)數(shù)據(jù)、訂單數(shù)據(jù)進(jìn)行比對(duì)，識(shí)別得到執(zhí)行的偏差值；
51、通過(guò)云端服務(wù)器收集多工廠的執(zhí)行反饋流和異常事件流，形成全局資源視圖；
52、通過(guò)黑盒多目標(biāo)算法根據(jù)全局資源視圖和設(shè)備的歷史偏差值，得到全局優(yōu)化策略；
53、將云端服務(wù)器的全局優(yōu)化策略與邊緣代理的局部?jī)?yōu)化方案整合，形成最終執(zhí)行方案；
54、將偏差值與排產(chǎn)指令集中原始的排產(chǎn)指令、異常事件流的上下文標(biāo)簽關(guān)聯(lián)，形成閉環(huán)分析數(shù)據(jù)集；進(jìn)而基于閉環(huán)分析數(shù)據(jù)集更新排產(chǎn)知識(shí)圖譜和預(yù)置規(guī)則庫(kù)。
55、進(jìn)一步地，所述資源利用率表示衡量設(shè)備資源和物料資源的使用效率，包括設(shè)備利用率、物料周轉(zhuǎn)率和人力利用率；
56、瓶頸工序指標(biāo)表示識(shí)別生產(chǎn)流程中的關(guān)鍵瓶頸環(huán)節(jié)，包括關(guān)鍵路徑延遲時(shí)間和瓶頸設(shè)備吞吐量；
57、將最終執(zhí)行方案加載至3d虛擬車間模型，通過(guò)甘特圖根據(jù)3d虛擬車間模型的仿真結(jié)果，得到訂單的最長(zhǎng)依賴路徑，取訂單最長(zhǎng)依賴路徑上的工序延遲總和，作為關(guān)鍵路徑延遲時(shí)間；
58、設(shè)定設(shè)備理論產(chǎn)能的標(biāo)準(zhǔn)產(chǎn)能閾值，若設(shè)備的實(shí)際產(chǎn)能小于標(biāo)準(zhǔn)產(chǎn)能閾值，則判定設(shè)備為瓶頸設(shè)備，取瓶頸設(shè)備的實(shí)際產(chǎn)能與理論產(chǎn)能的比值作為瓶頸設(shè)備吞吐量。
59、進(jìn)一步地，所述差異分析報(bào)告的生成方式包括：
60、根據(jù)最終執(zhí)行方案，執(zhí)行排產(chǎn)計(jì)劃，實(shí)時(shí)監(jiān)測(cè)實(shí)際的執(zhí)行數(shù)據(jù)，將最終執(zhí)行方案與實(shí)際執(zhí)行數(shù)據(jù)進(jìn)行對(duì)比，生成差異分析報(bào)告，包括資源利用率差異分析和瓶頸工序指標(biāo)差異分析。
61、本發(fā)明一種制造資源動(dòng)態(tài)排產(chǎn)數(shù)據(jù)綜合處理方法的技術(shù)效果和優(yōu)點(diǎn)：
62、本發(fā)明通過(guò)字段映射表與動(dòng)態(tài)置信度權(quán)重機(jī)制，整合多源異構(gòu)數(shù)據(jù)并提升傳感器數(shù)據(jù)可靠性；其次，采用多維度加權(quán)分析法綜合多源數(shù)據(jù)判定設(shè)備狀態(tài)，顯著提升判定準(zhǔn)確率；然后，基于邊緣-云端協(xié)同架構(gòu)，通過(guò)黑盒多目標(biāo)算法生成全局優(yōu)化策略，實(shí)現(xiàn)跨工廠資源動(dòng)態(tài)協(xié)調(diào)；接著，整合多源數(shù)據(jù)生成帶根因標(biāo)簽的異常事件流，縮短故障響應(yīng)時(shí)間；進(jìn)一步通過(guò)差異分析報(bào)告閉環(huán)校準(zhǔn)知識(shí)庫(kù)與設(shè)備參數(shù)，替代人工維護(hù)；同時(shí)，3d虛擬車間與實(shí)際執(zhí)行數(shù)據(jù)聯(lián)動(dòng)，動(dòng)態(tài)優(yōu)化排產(chǎn)策略；最后，邊緣與云端實(shí)時(shí)參數(shù)同步確保全局與局部執(zhí)行協(xié)同；綜上，本方案突破傳統(tǒng)系統(tǒng)瓶頸，實(shí)現(xiàn)全局資源調(diào)度、動(dòng)態(tài)自適應(yīng)及閉環(huán)迭代，顯著提升生產(chǎn)效率與系統(tǒng)魯棒性。