一种流程化工企业智能排程系统设计.pdf

-111-CHINA SCIENCE AND TECHNOLOGY INFORMATION Jan.2024中国科技信息 2024 年第 2 期三星推荐概述生产计划与调度的概念生产计划和调度是制造业中的两个关键过程。生产计划是一项关键的战略决策过程，用于确定最优生产策略和资源分配。通过综合考虑市场需求、销售预测和内部生产能力，生产计划制定全面决策，包括产品种类、生产数量和时间安排，以确保资源高效利用并保持市场竞争优势。这个过程在整体业务战略与生产运营方面的相互协调中发挥着至关重要的作用，主要目标包括：预测客户需求和市场趋势设定生产目标确定应该生产的产品类型和数量确定必要的资源（材料、设备、劳动力等）高效地分配资源制定制造计划和时间表生产调度也是一项重要的决策过程，它将创建一个全面、详细的生产时间表，包括生产活动的具体顺序和时间。调度决策的优化能够将生产需求与可用资源在合适的时间内以最具成本效益的方式相结合，促成制造过程尽可能顺利、高效地运行，通过精确安排制造工序的进行顺序和时间，生产调度决策可以最大限度地减少资源时间的闲置和浪费，提高设备的利用率。生产计划与调度的方法生产排程（计划与调度）是一个运筹优化问题，涉及如何合理安排生产线上的各项任务，以最大化生产效率、最小化成本，以及满足客户需求等为目标。生产排程问题的难度取决于业务需求、生产环境的复杂性，如生产线的数量、任务的数量、任务的持续时间、任务之间的依赖关系，资源限制等。传统的生产计划和调度通常依靠人工管理（辅助工具如 Excel 表格），其考虑的复杂度较低，制定的计划精度也较低，难以对生产进度进行实时展控和考量。所以近年来，制造型企业开始应用智能算法来代替人工进行生产计划和调度，业界目前应用到的生产排程算法主要如下。启发式算法：启发式算法也被称作规则式算法，这种算法的优点在于其简单易用、计算效率高，适用于动态变化的生产环境，然而它的缺点在于无法保证找到最优解，并且解的质量可能随着问题规模的增加而下降。一种常见的启发式算法是最短处理时间规则（Shortest Processing Time，行业曲线开放度创新度生态度互交度持续度可替代度影响力可实现度行业关联度真实度一种流程化工企业智能排程系统设计张 伟 王海洋 杨 巍 李 彬 魏晓琪 范甜甜张 伟 王海洋 杨 巍 李 彬 魏晓琪 范甜甜中海油信息科技有限公司中国科技信息 2024 年第 2 期CHINA SCIENCE AND TECHNOLOGY INFORMATION Jan.2024-112-三星推荐SPT）。该规则的思想是优先处理时间最短的任务，以便尽快完成任务并释放资源。另一种启发式算法是最早截止时间规则（Earliest Due Date，EDD）该规则的思想是优先处理截止时间最早的任务，以确保按时交付客户订单。还有一种启发式算法是临界比率规则（Critical Ratio，CR）该规则的思想是根据任务的剩余处理时间和截止时间之间的比率来确定任务的优先级，即 CR=剩余处理时间/截止时间。这些启发式算法可以根据具体情况和任务调度的目标进行组合和调整，虽然它们不能保证找到全局最优解，但在实际生产排程中，它们往往能够在合理的时间内找到接近最优的解，提高生产效率和满足客户需求。同时，结合实时数据和优化模型，可以进一步提高启发式算法的性能，并实现更好的生产调度和进度控制。元启发式算法：元启发式算法是通过模拟自然界或人类智慧中的一些现象或原理，来寻找近似最优解的搜索优化过程。这种算法具有灵活性和通用性，能够处理多目标、多约束、非线性和非凸等复杂问题。然而，元启发式算法的缺点在于选择和调整算法参数的困难，且无法保证收敛性和稳定性。目前业界主要应用的元启发算法有如下几种。1.遗传算法：基于生物进化的原理，通过模拟遗传过程中的交叉和变异操作来搜索最优解。遗传算法适用于复杂的生产环境，可以考虑多个约束条件和目标，并考虑复杂非线性约束如清洗消毒和换型约束，以及最大化生产效率和最小化成本等多个目标。2.蚁群算法：启发于蚂蚁在寻找食物过程中的行为，通过模拟蚂蚁的路径选择和信息交流来找到最佳路径，蚁群算法适用于任务之间存在依赖关系和资源分配问题的生产环境，能够优化任务的调度顺序和资源的分配。3.禁忌搜索算法：通过维护一个禁忌表，记录已经搜索过的解，避免陷入局部最优解。禁忌搜索算法适用于复杂的生产环境，可以解决任务之间存在约束关系和资源限制的排程问题。4.蒙特卡洛模拟算法：基于随机采样和重复试验的原理，通过大量的随机抽样来估计不同排程策略的性能。蒙特卡洛模拟算法适用于解决不确定性因素较多的排程问题，可以考虑任务的持续时间的随机变化和需求的不确定性。这些智能算法的应用可以提高生产排程的准确性和效率，帮助化工型企业更好地应对复杂的生产环境和业务需求，同时，结合实时数据和优化模型，可以实现实时的生产调度和进度追踪，使生产线更加灵活、高效地运行。数学规划法：数学规划法是一种基于数学模型和优化技术的精确算法，可以找到最优解或最优解的下界。这种方法的优点在于解的质量高，并且能够提供最优解的证明。然而，数学规划法的缺点在于建立和求解数学模型的过程相对复杂，特别是在问题规模较大时，计算效率较低。其中一种常见的数学规划法是整数规划。该方法要求问题的决策变量为整数，通过构建数学模型并应用优化技术来求解最优解。整数规划适用于在决策过程中存在离散选择的问题，如选址问题、资源分配问题等。另一种数学规划法是线性规划。该方法假设问题中的变量和约束关系可以用线性函数表示，通过线性优化方法来寻找最优解。线性规划在工程排程、资源调度等问题中广泛应用。非线性规划是另一种常见的数学规划法。该方法考虑问题中的变量和约束关系可能是非线性的，通过使用非线性优化技术来求解最优解。非线性规划适用于涉及复杂非线性关系的问题，如生产调度中的任务数量的影响、资源分配中的限制等。这些数学规划法在解决精确优化问题和确定最优解的方面具有重要的应用价值。虽然建立和求解数学模型的过程相对复杂，但数学规划法可以提供可靠的最优解，并在决策过程中提供理论支持和决策依据，同时，结合近年来的算法优化和计算方面的进展，数学规划法在解决大规模复杂问题的效率也在不断提高。流程型生产行业的排程问题在流程型化工企业中，生产排程有以下几个业务挑战和算法难点：提高设备利用率：通过合理的生产计划，尽可能地实现连续生产，最大限度地提高设备利用率，这将有助于减少空闲时间和产能浪费，提高生产效率和经济效益。优化交付时间：根据不同产品的交货紧急程度，考虑交付时间的优先级，避免交付延迟问题。这要求生产计划能够灵活应对客户需求的变化，合理安排生产和交付时间。多部门需求综合考量：生产计划不仅需要考虑销售部门和市场部门的需求，还需要综合考虑其他部门的需求，这涉及整合多个部门的数据和利益，以实现整体生产调度的协调与平衡。设备清洗触发的复杂决策：在流程型生产行业中，由于大量容器采用管道相连，某些产品品种切换过程中可能会触发设备清洗，这增加了生产调度决策的复杂性，需要考虑清洗时间、产品切换时间和生产效率之间的平衡。为了应对这些挑战，本文基于相关企业的实践经验，提出了一套创新的自动化计划排程算法，该算法能够集成多部门的数据，统筹市场策略、销售预测和库存生产，快速生成未来一段时间的主生产计划，并在日计划中综合考虑需求满足度、产能最大化和换型时间最短的因素，制定最优的生产排产计划，通过引入自动化和优化技术，该算法显著减少了方案生成时间，提高了排产计划的准确性和效率，进一步优化了生产运营的整体业绩。流程型生产行业的自动排程通过实际业务场景的探索，提出了一套以两阶段遗传算法为计算引擎的自动化排程系统，专为流程型生产行业而设计。这个系统的核心包括两部分，一部分是上层的主计划（Master Production Schedule，MPS）模块，能够综合考虑多个部门的库存需求、新品计划和销售预测，从宏观角度提供多种场景和多维度的排产方案评估。主计划模块对整个生产过程进行规划，以满足各个部门的需求，并在系统中进行大规模优化。它能够在不同的情景下进行排产方案的评估，通过考虑生产能力、资源约束和优先级等因素，制定最佳的生产计划。随后，系统将预估的排产量传递给下层，系统的第二部分，高级计划与排程（Advanced Production and Scheduling，APS）模块，-113-CHINA SCIENCE AND TECHNOLOGY INFORMATION Jan.2024中国科技信息 2024 年第 2 期三星推荐在更细粒度上进行日计划的排程和调配。这个模块会根据实际情况和约束条件，对生产计划进行进一步优化和细化，确保最终的生产计划能够满足各项要求和约束。最后，系统将优化后的生产计划与工厂的产线进行同步，作为实际的生产计划。这将保证生产线按照最佳的排产方案进行生产，进一步提高生产效率和资源利用率。这套以智能算法为计算引擎的自动化排程系统，能够为流程型生产行业提供全面且精确的排产方案，它将宏观和微观的维度相结合，充分利用数据处理和算法技术优势，实现生产计划的优化和自动化，通过这个系统的应用，企业可以在复杂的生产环境中提高生产效率、降低成本，并更好地满足市场需求。主计划 MPS 模块概述MPS 计划，作为 APS 日计划的上层模块，为 APS 提供上层指引，并基于多月的供应计划和销售预测，制定代加工计划和库存计划，对工厂自有生产线及 OEM 代加工厂的生产线进行颗粒度到每周的产量供应规划，以测算整体产能是否可以满足各工厂需求以收入目标的达成，在此前提下，系统也将提供最优生产供应成本及和供应网络的供应链布局以及最佳的优产成品代加工计划时间，以期使用最小的资源投入达到最大的收益回报。主生产计划结果在日常运营过程中将指引日排程计划的制定，以及支持主要原材料的采购计划和库存计划的制定。系统在 MPS 系统框架下，不同流程跨越多个部门时，可以将不同部门的业务功能与数据整合到统一的 MPS 架构中，实现多部门的协同合作。具体流程包括如下。1.主数据录入：不同部门可以通过 MPS 系统进行主数据录入，包括产品信息、供应商信息、客户信息等。这些数据将在整个MPS 系统中被共享和使用，确保不同部门之间的数据一致性。一般为系统初始化时进行的一次性维护，日常使用中仅需对个别信息进行修改，包含的信息主要有产线工艺信息、SKU 信息、工艺 BOM 单、生产速度效率和清洗规则。其中，生产日历维护包含每个工厂下的每条产线的产能信息，每次系统运行时，会调取已同步到 MPS 系统数据库中的产能信息用于下层决策，工厂可根据实际情况在系统中实时更新同步。2.库存目标与销售预测：涉及库存覆盖和满足销售两方面对生产计划的需求，库存覆盖需要由生产技术部门提供期末的分 SKU 库存目标，即库存覆盖天数 DOI；销售预测方面，需要市场部导入新品上市计划，再由销售部提供销售预测，不同部门可以通过MPS 系统的协同功能，在实时环境下进行信息共享和数据交流，以达成一致意见。之后 MPS 将对库存需求和预测数据进行集成，可以基于颗粒度到周、SKU、DC 的销售预测和需求进行计划运行。3.多维销售预测对比：MPS 系统可以支持多维销售预测对比分析。不同部门可以基于不同的维度（如产品类别、地区、时间等）对销售预测进行对比，以获得更全面准确的销售预测结果。4.系统多场景测算对比分析：在 MPS 系统中，不同部门可以进行多场景测算和对比分析。通过在系统中设定不同的场景和参数，可以模拟并比较各种不同情况下的库存和销售情况，帮助部门制定最佳的方案和决策。通过以上流程，MPS 系统可以实现不同部门之间的协同合作，将各个部门的业务功能和数据统筹整合到统一的架构中。这样可以自动化、实时化地进行信息共享和数据交流，提高部门之间的协同效率，优化库存管理和销售预测，提升整体业务运营的效果。日计划 APS 模块概述日计划模块根据主计划模块同步过来的各 SKU 分周供应量信息，以生产线产能、转换时间等为基础输入数据，同时结合需求满足最大化、产能最大化、换型时间（包含清洗时间，消毒时间等）最短的排产优先级设置，制定出综合考虑产能、转换时间最优的日排产计划，并获取实际生产进度信息，将最新的排产信息反馈到主计划系统，同时自动更新SAP 系统的生产订单。系统APS 负责承接 MPS 系统中的排产量约束并生成数量相应的工单。每个工单根据生产工艺被拆分成多个工序，作为待排工序进入算法模块。算法综合考虑排产需求、产线产能、换型矩阵、清洗策略、连续生产要求等多个因素，并给出对应工单中每个工序的加工产线和具体加工时间。最终生成分工厂、分生产线、分 SKU、分班次的日生产计划，并下发给各生产车间。其中，APS 算法采用了两阶段的遗传算法，第一阶段的解决方案编码只决定每个工单分配的顺序，第二阶段则遵循常规方法来搜索邻域解，这样就有效地利用了遗传算法能够处理多目标、非线性约束的特点，同时也有效地改善了原始遗传算法的收敛性和稳定性问题。算法遗传算法是一种用于搜索优化的元启发式方法，它模拟了自然界中生物进化的过程。其核心思想是通过模仿自然选择和遗传机制，在一个初始的候选解集合（种群）中进行操作。首先，将种群的特征编码为基因型的密码子，然后进行交叉图 1 主计划 MPS 流程示意图中国科技信息 2024 年第 2 期CHINA SCIENCE AND TECHNOLOGY INFORMATION Jan.2024-114-三星推荐和变异等操作来改变基因型。这些基因型再解码为表现型，通过适应度评估对种群中的个体优胜劣汰。接下来，产生新的种群，并继续迭代，不断改进种群的质量。最终，可以得到问题的最优解或近似最优解。APS 系统的遗传算法分为两个阶段。第一阶段使用一种不同于常规方法的基因型编码，该基因型的编码仅仅决定了工序被分配的顺序如图 2 所示。在基因型解码为表现型时，按照工序在基因型上出现的顺序对每一个工序进行产线匹配，并读取换型矩阵，读取到当前工序在不同产线上的前工序之间的清洗消毒和换型时间，综合选择能够最快完成该工序的产线。这样的一阶段编码，在密码子上避开了工序与产线匹配的维度，将这一维度转移到表现型的解码过程中，大幅提升了遗传算法的收敛速度。而二阶段的编码则为常规的遗传编码，编码包括了每个工单中各个工序安排的产线以及顺序。整个遗传算法中，基因型中只包含了每道工序的指派产线和加工顺序，而在适应性评估中，可以根据表现型中的每条产线上的加工顺序来确定相邻加工工序之间，发生换型的时间和成本，是否需要清洗、消毒以及整条产线的产能上限等，解决了自动化排程中换型的非线性约束难求解的问题。在算法求解策略上，一阶段的遗传算法，使用了单点交叉、分配交叉和分配调整变异等操作，通过贪心策略，可以快速生成高质量的初始解。第二阶段从第一阶段的最终解集开始，采用常规的遗传算法进行搜索，通过随机过程确定操作的分配和顺序，并增加了工序交叉、工序交换变异两个新的工序顺序层级的操作，从而在产线分配维度上进一步优化解的质量。通过这样两阶段的算法求解，不仅能够精确还原出自动化排程的复杂工况环境，如多产品品种换型和清洗消毒判断，还通过一阶段的贪心快速收敛和二阶段的深度优化，使得算法既能够快速地得到优质的生产方案，还能够在时间宽裕的情况下，根据需求进一步的探索更优质的方案，实现算法的灵活调配。应用案例该自动化排程系统已成功应用于某流程型化工企业，系统覆盖了千余种产品和工艺，能够满足复杂的生产需求，提供高效的排产方案。在功能层面，该系统依托于 MPS 多平台统筹主计划系统，实现了自动化数据同步，使得公司主计划能够一次性进行测算和优化，并与工厂的日排产系统进行协同联动。同时，系统生成的方案甘特图支持手工拖拽调整工单的产线指派和加工顺序，实现了人机交互和柔性作业，这样的系统使得排产流程更加灵活、高效，适应了产线的实际需求，并且能够更好地应对突发事件和变动需求。在性能层面，相较于之前烦琐的手工操作和 Excel 表格方式，该自动化排程系统能够灵活选择最小化成本、切换时间，最大化交付率、机组利用率等多种优化目标，并在短短五分钟内生成与目标匹配的最优生产方案。使用该自动化排程系统节约了 46 个小时的人工成本，并实现了人工无法统筹的多维度、多目标、多场景的生产方案。结语通过 MPS 系统、APS 系统之间的上下游联动，替代了人工表格制定方案的陈旧方式，使得各部门的信息能统筹在同一个系统中，所有信息在系统中实时更新展示，大幅加强了信息共享和工作效率，也使得多部门协同，统筹各维度来生成最优的生产计划成为可能。同时在APS系统中，创新性地使用两阶段的遗传算法，在满足了流程型化工企业的特殊清洗消毒约束和多品种换型的同时，能够在分钟级时间颗粒度下，生成最优方案，同时还能够向需求满足最大化、产能最大化、换型时间最短排产优先级设置，制定综合考虑产能、转换时间最优等多个目标进一步进行优化，为流程型化工企业的市场营销和生产制造提供快速多维的智能助力。图 4 APS 系统生成的生产计划甘特图图2 一阶段遗传算法的基因型，每个密码子为一个数组（a，b）代表第 a 个工单的第 b 道工序图3 二阶段遗传算法的基因型，每个密码子为一个数组（a，b，c）代表第 a 个工单的第 b 道工序被分配给了第 c 条产线上生产