一种利用车间RFID数据提高订单完工期预测准确度的方法

摘要

一种利用车间RFID数据提高订单完工期预测准确度的方法，利用RFID系统跟踪每一个订单的制造过程，根据获得的大量RFID数据建立订单完工期预测模型，并利用RFID获取的确定性数据简化车间生产状态描述，建立RFID驱动的生产车间订单完工期预测描述模型，进一步采用深度置信网络实现RFID数据和订单完工期之间的映射关系；本发明基于生产车间确定性制造资源的RFID数据，再结合订单构成就可以进行订单完工日期的评估。

说明书

技术领域

本发明涉及生产经营管理技术，特别涉及一种利用车间RFID数据提高订单完工期预测准确度的方法。

背景技术

企业订单交货日期的确定是车间控制的首要任务。交货日期的设置由生产车间的订单加工完成时间来决定。当订单实际完工时间与预期完工时间出现较大偏差时，会导致实际交货期与承诺日期不一致，最终将导致企业产品成本增加，降低企业的竞争力，所以实现订单完工期的准确预测是关键问题。

传统的订单完工日期预测方法主要有：

1)、经验法，依据车间管理人员的大量生产经验进行人为预估。这种方法随意性大，且不具有继承性。

2)、数学解析法，尝试建立订单信息和完工期之间的数学模型，最终实现完工期的数学求解。这种方法需要在建模过程中充分考虑到生产过程中不确定因素对最终完工期的影响，导致预测结果只能是一个概率性的区间值，对实际的生产组织指导意义不大。并且这种方法只能适用于微小规模生产车间，在一般规模车间中，数学模型将变得很复杂。所以这种方法仅停留在理论阶段。

3)、智能回归法，根据历史生产数据进行统计分析。这种方法依靠过去生产中的一些订单信息和完成日期进行预估。由于这些历史数据中包含了大量的不确定性因素，所以这种方法无法剔除不确定因素对预测结果的影响。此外，这些原始数据的粒度太大，导致最后的预估日期和实际完成日期出入较大。

在以上方法中，进行订单完工期预测的数据中包含了确定性因素，如订单的构成信息，同时也包含了大量的不确定性信息，如加工准备时间等。这些不确定性信息增加了预测结果的不确定性。

发明内容

针对上述问题，本发明的目的在于提供一种利用车间RFID数据提高订单完工期预测准确度的方法，解决传统车间完工期预测时存在不确定信息的问题，实现基于确定性数据的车间订单完工期预测方法，利用RFID系统跟踪每一个订单的制造过程，根据获得大量RFID数据建立订单完工期预测模型，并利用RFID获取的确定性数据简化车间生产状态描述，建立RFID驱动的生产车间订单完工期预测描述模型，进一步采用深度置信网络实现RFID数据和订单完工期之间的映射关系。

为达到上述目的，本发明采用的技术方案是：

一种利用车间RFID数据提高订单完工期预测准确度的方法，包括以下步骤：

步骤一、生产车间进行RFID配置，所有制造资源均贴有RFID标签，一个加工机床配置有一个RFID读写器，三个RFID天线，天线1监控入缓存区工件，天线2监控在加工区工件，天线3监控出缓存区工件；

步骤二、抽取生产车间中确定性制造资源，形成订单加工的确定性制造环境；

假设车间有M台设备，可以生产N种工件，每种设备可以加工n种工件的某道工序(n<＝N),每台机床都配置至少一个操作工人，同时还存在若干在制品、关键刀具、关键夹具和关键量具，则订单的车间制造环境可以描述为：

$>S=\left(\begin{array}{c}{\mathrm{MC}}_1,...{\mathrm{MC}}_i,...,{\mathrm{MC}}_M,\\ {\mathrm{OP}}_1,...{\mathrm{OP}}_i,...,{\mathrm{OP}}_M,\\ {\mathrm{WIP}}_1,...,{\mathrm{WIP}}_i,\\ {\mathrm{CL}}_1,...{\mathrm{CL}}_i,...,{\mathrm{CL}}_I,\\ {\mathrm{FL}}_1,...{\mathrm{FL}}_i,...,{\mathrm{FL}}_J,\\ {\mathrm{ML}}_1,...{\mathrm{ML}}_i,...,{\mathrm{ML}}_K\end{array}\right)$>

其中：

S表示订单的车间制造环境；

MC_i表示车间中第i个加工设备；

OP_i表示车间中第i个加工设备的操作人员；

WIP_i表示车间中第i个在制品；

CL_i表示车间中第i个关键刀具；

FL_i表示车间中第i个关键夹具；

ML_i表示车间中第i个关键量具；

步骤三、将步骤二中除在制品以外的确定性制造资源状态RFID化，即用身份信息和位置信息进行状态描述；

以车间中加工机床的位置为制造资源的位置信息坐标，其他制造资源是在这些位置之间进行移动，形成以机床为中心的制造单元，

MW_i＝{MCID_i,OPID_i,CLID_i,FLID_i,MLID_i}

其中：

MW_i表示车间中以第i个加工设备为中心的制造单元；

MCID_i表示车间中第i个加工设备的ID信息；

OPID_i表示车间中第i个加工设备的操作人员ID信息；

CLID_i表示车间中第i个关键刀具的ID信息；

FLID_i表示车间中第i个关键夹具的ID信息；

MLID_i表示车间中第i个关键量具的ID信息；

步骤四、车间在制品状态RFID化，即以加工机床配置在不同位置的RFID设备确定在制品的位置信息和身份信息；

数学描述为：

IB_i＝{PID_i,1,PID_i,2,…,PID_i,li}

其中：

IB_i表示生产车间中第i个制造单元的等待加工缓存区货架；

PID_i,li表示生产车间中第i个制造单元的等待加工缓存区货架第li个工件的ID信息；

OB_i＝{POD_i,1,POD_i,2,…,POD_i,ri}

其中：

OB_i表示生产车间中第i个制造单元的等待转运缓存区货架；

POD_i,ri表示生产车间中第i个制造单元的等待转运缓存区货架第ri个工件的ID信息；

步骤五、车间在制品的最大数量确定化，即根据每个加工机床的负载能力和历史数据设置每个制造单元入缓存区和出缓存区最大缓存个数，所有缓存区的最大缓存个数之和为车间在制品的最大个数；

步骤六、建立车间实时生产状态的RFID化描述模型；

数学描述为：

$>SRFID=\left(\begin{array}{c}{\mathrm{IB}}_1,{\mathrm{MW}}_1,{\mathrm{OB}}_1,{\mathrm{PD}}_1,\\ {\mathrm{IB}}_2,{\mathrm{MW}}_2,{\mathrm{OB}}_2,{\mathrm{PD}}_2,\\ ...,\\ {\mathrm{IB}}_M,{\mathrm{MW}}_M,{\mathrm{OB}}_M,{\mathrm{PD}}_M,\end{array}\right)$>

其中：

SRFID表示车间实时生产状态的RFID化描述信息；

PD_M表示生产车间中第M个制造单元的正在加工工件的ID信息；

步骤七、利用订单中每种零件的数量描述订单构成；

O＝{k₁,k₂,…,k_j,…,k_N}

其中：

O表示订单构成；

k_j表示订单需求的第j个工件类型(j≤N)的数量；

步骤八、根据步骤六到步骤七，建立订单完工期预测描述模型；

数学描述为：

pt＝f(SRFID,O)

其中：

pt表示订单的完工时间预测值；

f表示SRFID和O到pt的映射函数；

步骤九、借助深度置信网络，建立具有多输入单输出结构的深度神经网络回归模型，实现步骤八中预测描述模型中的映射函数；

步骤十、将历史数据分为订单信息、车间生产实时状态和订单实际完成时间三个部分，将订单信息和车间实时状态作为深度神经网络的训练输入信息，订单实际完成时间作为训练标签信息对步骤九建立的回归模型进行训练；

步骤十一：将待预测订单的各种零件的数量信息以及RFID获取到的当前生产车间实时状态数据，输入到步骤十确定的深度神经网络回归模型当中，即可得到待预测订单的完工期预测结果。

本发明的有益效果是：

1)剔除了不确定影响信息对订单完工期预测结果的影响，提高预测结果的准确性。

2)不需要建立复杂的数序解析模型进行订单完工日期的评估。

3)可以借助智能算法建立订单完工期预测函数，并利用历史数据进行训练，使得历史信息得以继承。

4)在进行订单完工期预测时充分考虑了当前生产车间的实时运行状态，使得最终的预测结果更接近实际完工时间。

附图说明

图1为车间RFID设备配置图。

图2为多输入单输出结构的深度神经网络回归模型。

图3为RFID驱动的生产车间历史生产数据分类。

图4为逐层贪心深度神经网络回归模型训练过程。

具体实施方式

下面结合附图对本发明做详细叙述。

本发明提出一种利用车间RFID数据提高订单完工期预测准确度的方法，该方法的具体的实施步骤为：

步骤一、生产车间进行RFID配置，所有制造资源均贴有RFID标签，一个加工机床配置有一个RFID读写器，三个RFID天线，天线1监控入缓存区工件，天线2监控在加工区工件，天线3监控出缓存区工件；参照图1；

每一个RFID读写器可以监控每个制造单元的实时加工状态：天线1可以捕捉到工件进入入缓存区的先后顺序和ID信息；天线2可以捕捉到工件开始加工的时间和ID信息；天线3可以捕捉到工件进入出缓存区的先后顺序和ID信息。

步骤二、抽取生产车间中确定性制造资源，形成订单加工的确定性制造环境；

假设车间有M台设备，可以生产N种工件，每种设备可以加工n种工件的某道工序(n<＝N),每台机床都配置至少一个操作工人，同时还存在若干在制品、关键刀具、关键夹具和关键量具，则订单的车间制造环境可以描述为：

$>S=\left(\begin{array}{c}{\mathrm{MC}}_1,...{\mathrm{MC}}_i,...,{\mathrm{MC}}_M,\\ {\mathrm{OP}}_1,...{\mathrm{OP}}_i,...,{\mathrm{OP}}_M,\\ {\mathrm{WIP}}_1,...,{\mathrm{WIP}}_i,\\ {\mathrm{CL}}_1,...{\mathrm{CL}}_i,...,{\mathrm{CL}}_I,\\ {\mathrm{FL}}_1,...{\mathrm{FL}}_i,...,{\mathrm{FL}}_J,\\ {\mathrm{ML}}_1,...{\mathrm{ML}}_i,...,{\mathrm{ML}}_K\end{array}\right)$>

其中：

S表示订单的车间制造环境；

MC_i表示车间中第i个加工设备；

OP_i表示车间中第i个加工设备的操作人员；

WIP_i表示车间中第i个在制品；

CL_i表示车间中第i个关键刀具；

FL_i表示车间中第i个关键夹具；

ML_i表示车间中第i个关键量具；

步骤三、将步骤二中除在制品以外的确定性制造资源状态RFID化，即用身份信息和位置信息进行状态描述；

以车间中加工机床的位置为制造资源的位置信息坐标，其他制造资源是在这些位置之间进行移动，形成以机床为中心的制造单元，

MW_i＝{MCID_i,OPID_i,CLID_i,FLID_i,MLID_i}

其中：

MW_i表示车间中以第i个加工设备为中心的制造单元；

MCID_i表示车间中第i个加工设备的ID信息；

OPID_i表示车间中第i个加工设备的操作人员ID信息；

CLID_i表示车间中第i个关键刀具的ID信息；

FLID_i表示车间中第i个关键夹具的ID信息；

MLID_i表示车间中第i个关键量具的ID信息；

步骤四、车间在制品状态RFID化，即以加工机床配置在不同位置的RFID设备确定在制品的位置信息和身份信息；

数学描述为：

IB_i＝{PID_i,1,PID_i,2,…,PID_i,li}

其中：

IB_i表示生产车间中第i个制造单元的等待加工缓存区货架；

PID_i,li表示生产车间中第i个制造单元的等待加工缓存区货架第li个工件的ID信息；

OB_i＝{POD_i,1,POD_i,2,…,POD_i,ri}

其中：

OB_i表示生产车间中第i个制造单元的等待转运缓存区货架；

POD_i,ri表示生产车间中第i个制造单元的等待转运缓存区货架第ri个工件的ID信息；

步骤五、车间在制品的最大数量确定化，即根据每个加工机床的负载能力和历史数据设置每个制造单元入缓存区和出缓存区最大缓存个数,所有缓存区的最大缓存个数之和为车间在制品的最大个数；

步骤六、建立车间实时生产状态的RFID化描述模型；

数学描述为：

$>SRFID=\left(\begin{array}{c}{\mathrm{IB}}_1,{\mathrm{MW}}_1,{\mathrm{OB}}_1,{\mathrm{PD}}_1,\\ {\mathrm{IB}}_2,{\mathrm{MW}}_2,{\mathrm{OB}}_2,{\mathrm{PD}}_2,\\ ...,\\ {\mathrm{IB}}_M,{\mathrm{MW}}_M,{\mathrm{OB}}_M,{\mathrm{PD}}_M,\end{array}\right)$>

其中：

SRFID表示车间实时生产状态的RFID化描述信息；

PD_M表示生产车间中第M个制造单元的正在加工工件的ID信息；

步骤七、利用订单中每种零件的数量描述订单构成；

由于两个订单的唯一不同是订单需求的某种工件的数量的差别，所以一个订单的构成可以描述为：

O＝{k₁,k₂,…,k_j,…,k_N}

其中：

O表示订单构成；

k_j表示订单需求的第j个工件类型(j≤N)的数量；

步骤八、根据步骤六到步骤七，建立订单完工期预测描述模型；

数学描述为：

pt＝f(SRFID,O)

其中：

pt表示订单的完工时间预测值；

f表示SRFID和O到pt的映射函数；

订单完工时间OCT(the order completion time)定义为：订单中最后一个工件在生产车间中的完成时间。OCT受两个定性因素的影响，即：当前车间的实时状态以及订单的构成。

步骤九、借助深度置信网络，建立具有多输入单输出结构的深度神经网络回归模型，实现步骤八中预测描述模型中的映射函数；

所述的步骤九具体方法为：

通过受限的玻尔兹曼机(RBM)的叠置构建具有多输入单输出结构的深度神经网络回归模型，所述具有多输入单输出结构的深度神经网络回归模型为1个输入层、多个隐含层和1个输出层；其中输入层与其相邻的隐含层、隐含层与隐含层之间是使用sigmoid函数并由受限的玻尔兹曼机构成，隐含层与输出层之间是使用BP神经网络构成。

如图2所示的五层深度学习网络的结构示意图。

受限的玻尔兹曼机是一个基于能量的生成型模型。其由一个输入层和一个隐含层构成，层内之间无连接，层间全连接。

对于全体的可见层单元和隐含层单元，给定一个能量函数E(v,h)，受限的玻尔兹曼机的能量函数为：

$>E(v,h)=-{\mathrm{cv}}^T-{\mathrm{bh}}^T-{\mathrm{hwv}}^T=-\underset{i=1}{\overset{I}{\Sigma }}{c}_i{v}_i-\underset{j=1}{\overset{J}{\Sigma }}{b}_j{h}_j-\underset{j=1}{\overset{J}{\Sigma }}\underset{i=1}{\overset{I}{\Sigma }}{w}_{ji}{v}_i{h}_j$>

其中，v_i表示第i个可见层单元，h_j表示第j个隐含层单元，w_ji表示二者的连接权值，c_i表示第i个可见层单元的阈值，b_j表示第j个隐含层单元的阈值。

RBM可以通过给定其中一个层，计算另一个层的后验概率。当给定可见层状态时，隐含层的激活概率为条件独立，其中第j个隐含层节点的概率为：

$>p(h_j=1|v)=signoid(b_j+\underset{k}{\Sigma }{w}_{jk}{h}_k)$>

对于整个隐含层，为

$>p\left(h\right|v)=\underset{j}{\Pi }p(h_j=1|v)$>

同理，给定隐含层状态时，可见层第k个点的激活概率为

$>p(v_k=1|h)=signoid(c_k+\underset{j}{\Sigma }{w}_{jk}{h}_j)$>

对于整个可见层，概率为

$>p\left(v\right|h)=\underset{i}{\Pi }p(v_i=1|h)$>

此处采用散度法(CD)训练一个RBM网络。

步骤十、将历史数据分为订单信息、车间生产实时状态和订单实际完成时间三个部分,参照图3，将订单信息和车间实时状态作为深度神经网络的训练输入信息，订单实际完成时间作为训练标签信息对步骤九建立的回归模型进行训练；

如图4所示，所述的回归模型进行训练，其训练过程为：

首先，把对步骤九建立的深度神经网络回归模型由下至上分层，利用历史数据中的订单信息和车间实时状态作为输入信息，对步骤九中形成的RBM进行无监督的训练；

接着，所述无监督的训练结束后，使用历史数据中的订单信息、车间实时状态和对应的订单实际完成时间对所述深度神经网络回归模型进行有监督的学习，实现每层RBM中链接权重的微调；

步骤十一：将待预测订单的各种零件的数量信息以及RFID获取到的当前生产车间实时状态数据，输入到步骤十确定的深度神经网络回归模型当中，即可得到待预测订单的完工期预测结果。