工业数据与智能算法驱动下的生产调度优化研究

时间:2021-11-12 01:07:10

来源:DataFunTalk

导读 本文主题为工业数据与智能算法驱动下的生产调度优化研究,主要运用运筹优化的知识在生产调度方面做一些探索。

全文目录:

1. 战略意义

2. 具有挑战的问题

3. 数据和算法推动

4. 关键科学问题

5. 未来趋势

分享嘉宾|李德彪博士 福州大学经管学院 院长助理

编辑整理|刘兆磊 枣庄学院

出品社区|DataFun


01

战略意义
1. 智能制造的三种基本范式

工业数据与智能算法驱动下的生产调度优化研究

根据中国工程院的报告,智能制造的升级有三种范式的演进。第一种叫做数字化制造,除了数字化也包含了网络化和智能化。第二种叫做数字化网络化制造,数字化、网络化的成分有所增加。第三种被称为新一代智能制造,在智能化方面做了进一步提升。特别要提出,数字化不是简单的机器换人,也不是字面上的数字化,其核心是对流程的再造,通过应用数字化的技术结合精益的思想、约束理论、敏捷制造和柔性制造的理论,重新塑造流程。在数字化采集的数据才是数字化根本的含义,现在很多企业要做数字化,或者产业数字化升级,如果没有用新一代的技术去梳理以前固有的流程,只是进行单纯的机器换人,就是简单的机器数字化,其实没有太多的意义。
网络化最重要的一部分,是将在数字化的基础上收集的数据整合起来,进行信息的提炼,把数据知识化,用于辅助智能决策。
新一代智能制造的智能化比较高级,工程院的定义是通过深度学习、增强学习等技术的应用,增加制造系统的认知能力,使得在制造领域的知识产生、获取应用和传承的效率方面发生变革的变化。智能制造分为设备的智能化和管理的智能化两个层面。我主要研究管理的智能化,更关注在中国的电子信息制造业。
2. 中国的电子信息制造业

工业数据与智能算法驱动下的生产调度优化研究

2021 年中国的电子信息制造业营收 14 万亿,预计 2025 年中国智能生产系统市场规模将达到 4658 亿,可见市场是非常大的,且呈现一个发展的趋势。
3. 电子制造的数字化、智能化

工业数据与智能算法驱动下的生产调度优化研究

在电子制造业方面,有许多企业在做数字化和智能化升级,如果按照德国工业 4.0 的标准来看,很多企业处在 2.0 或者刚刚 3.0 的状态,也有一些头部企业数字化智能化做的非常好,但是大部分企业都处于正在进行数字化和智能化升级的过程中,可能是一步步的依次做数字化、网络化、智能化,也可能是三个并行升级。在电子制造行业方面,大部分企业都已拥有 ERP,很多企业都在进行 MES(生产制造执行系统)的升级改造,有的已经完成,有的还在进行中,有的企业在升级 MES 时也升级了 APS 系统。这些系统主要是应对电子制造行业中,多品种、小批量、生命周期短的特征,多品种小批量对于调度来说比较困难,每天面临着比较多的切换。整个电子制造的过程当中,其实电子产品也在智能化,所以很多电子产品的印刷电路板也变得越来越复杂,所以印刷电路板的封装往往是生产的瓶颈。
02
具有挑战的问题
1. 生产调度优化问题

工业数据与智能算法驱动下的生产调度优化研究

简单介绍一下什么是生产调度优化问题,根据万国华老师《排序与调度的理论、模型和算法》这本书上提出的一个概念图,生产调度问题可以划分为几个层级。首先是生产计划主排序与调度计划,根据订单、需求的预测来执行,根据订单的产量和交货期安排物料的需求计划和产能计划,根据产能状况的反馈调整物料需求计划和产能计划,根据物料到料和工件就绪的时间执行排序与调度,包括已经分派后出现特殊情况,还可以根据分派和生产的情况进行重调度,比如机器突然坏掉,在不知道机器何时修好的情况下,就要根据情况进行应对。

工业数据与智能算法驱动下的生产调度优化研究

问题是相对比较复杂的,首先订单的需求是不确定的,即使收到订单,顾客也可能在还没有生产的时候,对工单的量、交货期进行更改。其次物料也是不确定的,在电子制造行业,物料包含了电子元器件,这些东西在企业内部有各种的不确定因素在里面,造成了工单在什么时候开始生产,以及总体的物料情况存在非常大的不确定性。生产的状况也存在许多不确定性,比如生产一个新的产品时,需要花费较长的时间对设备进行调教,调教后也有非常多的生产状况,包括质量问题等,需要进行订单清尾的操作。在每天的排序与调度时,我们大都将生产时间当作确定或者已知的情况下做生产调度决策,在不确定的情况下,如何进行生产调度是个比较困难的问题。通常情况下生产的流程都是多阶段的,每个阶段之间有个适当的时间间隔当作缓冲,来防止这种不确定性。如果间隔多余就会造成时间浪费,如果间隔太少就会导致另一阶段的生产线停线。
2. 生产调度优化问题的本质

工业数据与智能算法驱动下的生产调度优化研究

我们来看一下生产调度优化问题的本质,生产调度问题首先是存在高度不确定性的,物料不确定、订单异动、工时不确定、机器故障等,同时我们发现人机交互,包括员工的经验,以及不同员工的搭配,对生产效率的影响非常高。其次,这是一个强 NP 难的问题,也是多目标的问题,首先我们要保障的是工单不能逾期,其次是产能最大化,要把合适的工单放到合适的产线上减少切换,包括要线体平衡,这些目标之间都是冲突的,很难进行权衡。高不确定性加强 NP 难再加上这是个动态的问题,每天都在不间断生产,每天都有意外,所以这是个动态循环问题
3. 生产调度优化问题的挑战

工业数据与智能算法驱动下的生产调度优化研究

生产车间通常是用人工经验的方式进行柔性的调度,但是缺乏准确性、全局性和持续性,经验不丰富的员工排序的结果可能不好,而且员工流失后培训新员工的代价很高。上图是 SMT 车间的调度情况,每天都要面对 21 条生产线,两千多种的 PCB 在这里进行生产,每条线的切换都会达到十次左右。
03
数据和算法驱动
1. 工业数据驱动的生产调度优化-1

工业数据与智能算法驱动下的生产调度优化研究

接下来分享如何用工业数据和算法对困难的生产调度问题进行求解,首先介绍的第一种方式是 Predict then optimize,如果有新订单时,前端做外包决策的部分会先对产能进行评估,超出产能的部分进行外包,如果是自制的订单,就要过订单约束的规则,根据 MRP 给出的物料到达的情况,以及生产线的进度和状态,通过预测模型提供的生产时间,在确定的环境进行排序调度。
机器学习主要是结合历史数据建立机器学习的模型,再对学习的结果和历史数据进行平滑,平滑后输入到排序调度的模型中求解,排序调度过程中结合了人工经验,把人工经验固化下来,也包含了排序调度的最优规则,我们排序调度系统的一个亮点是可以赌物料,根据客户预计物料的到达时间进行预测,假设物料会到先将产线的产能提前占住。当生产遇到异常时,会有个重调度机制进行调整,每次生产都会产生生产数据,数据经过人工矫正以后会输入预测模型,进行排序调度的流程闭环。这就是通常使用的两阶段方式,即先预测再优化
2. 工业数据驱动的生产调度优化-2

工业数据与智能算法驱动下的生产调度优化研究

第二种方式是用鲁棒优化的方式去求解问题,鲁棒优化是近十年来火热的研究领域,简单来说,鲁棒优化就是在做决策时,把不确定性用不确定性的集合进行集成的考虑,他表达的方式有多种。上面 a 图中,红点和绿点都是真实的一些场景,如果用第一种方式做研究时,会取其中一个点做优化,有可能会取到红点,但真实的情况是绿色的,所以方案就会非常差。鲁棒优化的思想是用个 Box 把整个可能发生的场景都涵盖进来,如 b 图,这个 Box 其实是不太好的,因为空白部分发生的概率非常低,如果用 Box 的方式去描述这种不确定性的集合,就会浪费很多可能性。2004 年 Bertsimas and sim 发表了一篇文章,用 Budget 的方式做约束,比用 Box 的方式小,如 c 图。目前还有 Data Driven 或者 Machine Learning 结合的方式,如 d 图,可以做到将红色的集合更精准的描述出来,红色的为不确定集合,绿色的会被归为异常。不同的场景可以用不同的策略。
3. 工业数据驱动的生产调度优化-3

工业数据与智能算法驱动下的生产调度优化研究

第三种方式是从数据到决策的端到端优化相结合起来,a 图黑色描述的是真实的情况,绿色和红色描述的是预测的情况,如果是先预测再优化,可以通过 a 图看一下损失函数是怎样的,绿色红色两条线,分别表示预测情况下方案的样子,在预测时要先计算和真实的损失,比如红色方块的虚线就表示方案二预测和真实的损失。我们需要先算出这两条线,然后再进行建模。基于预测的结果可以看到,两条线交织的地方有个平衡的拐点,纵轴表示成本,我们要选择成本比较低的点,在拐点之前方案二比方案一好,拐点之后方案一比方案二好。其实我们不需要做分阶段的先预测再决策,我们可以直接从数据连到决策上。以上是三种主流的研究范式。
04
关键科学问题
1. 关键科学问题

工业数据与智能算法驱动下的生产调度优化研究

关键的科学问题主要总结了两点,第一是如何用工业数据解决生产调度的难题,首先是怎样去刻画不确定性,以及怎样精准的区分不确定性集合,同时这个问题也是强 NP 难问题,随着规模的增大会变得非常困难,我们怎样用工业数据的特性帮助我们建模及算法的设计,来解决强 NP 难问题,其次这也是个动态的问题。要求解就涉及到高效的算法,算法设计方面可以考虑分解方式或者数学模型 + 启发式算法,还可以用到学习机制,涉及计算机性能方面可以用到并行机制等。
2. 数据与算法的关系

工业数据与智能算法驱动下的生产调度优化研究

简单分享一下我对数据与算法的关系的理解,数据可以理解成食材,算法模型理解成厨师,这些算法要以人为本,我们会有无处不在的计算、无处不在的智能,但怎样融合数据和优化是非常关键的。
05

未来趋势

1. 未来趋势-1

工业数据与智能算法驱动下的生产调度优化研究

简单分享一些未来趋势,这样引用了丁珈和万国华老师在管理科学学报上发表的文章,文章展示了研究的架构。为什么现在 APS 在市场上很难应用起来,有的企业花钱购买了 APS,或者想要自己落地 APS,但很多都没有应用起来,很多时候我们过多的关注技术部分,而忽略了社会子系统部分,人的部分或者组织架构部分,所以未来我们不应该只关注在算法的层面上,要更注重的结合技术,把组织人员之间关系梳理清楚。

2. 未来趋势-2

工业数据与智能算法驱动下的生产调度优化研究

中国有非常完整的产业链,有非常丰富的工业数据和应用场景,在未来的发展中 APS 会有很多的优势,APS 后面还需要跟很多方面相结合,包括人、机、料、法、环各个方面。

工业数据与智能算法驱动下的生产调度优化研究

最后给大家分享的是,问题虽然很难,但是最终都是一个线性优化问题,这里用 Jack Dongarra 的一句话来结束今天的分享,就是他眼中的一切都是线性代数。