技术领域
[0001] 本
发明涉及生产调度技术领域，尤其涉及一种基于数据挖掘和工艺模型的优化排程方法、系统、介质及设备。
背景技术
[0002] 生产调度，就是在处理好企业内部各种约束的情况下，合理规划资源的生产测试路径，以期达到企业产能的最大化和资源利用的最优化。但是目前市场上常见的高级优化排程都是基于静态的，没有考虑到加工环境中的变化，市场变化等更多因素，此外，对于一些特定行业也缺乏专业的工艺模型，无法达到良好的应用。
发明内容
[0003] 本发明所要解决的技术问题是针对
现有技术存在的问题，提供一种基于数据挖掘和工艺模型的优化排程方法、系统、介质及设备。
[0004] 为解决上述技术问题，本发明
实施例提供一种基于数据挖掘和工艺模型的优化排程系统，包括：
[0005] 数据挖掘模
块，用于获取预设时段的历史数据，根据所述历史数据进行数据挖掘分析，获得历史数据分析结果；
[0006] 工艺模型模块，用于利用初始模型结合特定行业工艺模型建立特定行业的数学物理模型；
[0007] 计划排程模块，用于根据所述历史数据分析结果和/或所述特定行业的数学物理模型进行优化排程。
[0008] 为解决上述技术问题，本发明实施例还提供一种基于数据挖掘和工艺模型的优化排程方法，包括：
[0009] 获取预设时段的历史数据，根据所述历史数据进行数据挖掘分析，获得历史数据分析结果；
[0010] 利用初始模型结合特定行业工艺模型建立特定行业的数学物理模型；
[0011] 根据所述历史数据分析结果和/或所述特定行业的数学物理模型进行优化排程。
[0012] 为解决上述技术问题，本发明实施例提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使所述计算机执行上述技术方案所述的基于数据挖掘和工艺模型的优化排程方法。
[0013] 为解决上述技术问题，本发明实施例提供一种计算机设备，包括
存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的
计算机程序，所述处理器执行所述程序时实现上述技术方案所述的基于数据挖掘和工艺模型的优化排程方法。
[0014] 本发明的有益效果是：本发明通过历史数据挖掘分析，充分考虑了各种变化因素对计划排程的影响，如加工环境变化和市场变化等，通过历史数据挖掘可以有效预测这些因素的变化情况，将预测数据传给计划排程模块从而进行更加合理地计划排程；此外，本发明结合特定行业的工艺模型，从而更加符合特定的工业环境；本发明上述是三个模块相互关联，数据挖掘模块和工艺模型模块相互印证，同时又都作为计划排程模块的输入部分；本发明可以有效提高计划排程的
精度，把控特定的工业环境，达到更好的应用效果。
附图说明
[0015] 图1为本发明实施例提供的基于数据挖掘和工艺模型的优化排程系统结构
框图；
[0016] 图2为本发明实施例提供的基于数据挖掘和工艺模型的优化排程方法
流程图。
具体实施方式
[0017] 以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
[0018] 图1为本发明实施例提供的基于数据挖掘和工艺模型的优化排程系统结构框图。如图1所示，该系统包括：数据挖掘模块、工艺模型模块和计划排程模块。
[0019] 其中，数据挖掘模块用于获取预设时段的历史数据，根据所述历史数据进行数据挖掘分析，获得历史数据分析结果；工艺模型模块用于利用初始模型结合特定行业工艺模型建立特定行业的数学物理模型；计划排程模块用于根据所述历史数据分析结果和/或所述特定行业的数学物理模型进行优化排程。
[0020] 需要的的是，当计划排程模块根据所述历史数据分析结果和所述特定行业的数学物理模型进行优化排程时，具体为依据数据挖掘模块的历史数据分析结果对工艺模型模块中的数学物理模型进行修正，形成一个灰盒模型；所述计划排程模块根据所述灰盒模型进行优化排程。
[0021] 上述实施例中，通过数据挖掘模块对获取的预设时段的特定工艺过程的历史数据进行挖掘分析，充分考虑了各种变化因素对计划排程的影响，如加工环境变化和市场变化等，通过历史数据挖掘可以有效预测这些因素的变化情况，将预测数据传给计划排程模块从而进行更加合理地计划排程；此外，本发明结合特定行业的工艺模型，从而更加符合特定的工业环境；本发明上述是三个模块相互关联，数据挖掘模块和工艺模型模块相互印证，同时又都作为计划排程模块的输入部分；本发明可以有效提高计划排程的精度，把控特定的工业环境，达到更好的应用效果。
[0022] 可选地，所述数据挖掘模块具体用于，
[0023] 获取预设时段的历史数据，根据实际情况采用
聚类分析算法、
随机森林算法或平滑指数
预测模型进行数据挖掘分析，对市场上订单变化、设备故障情况和产品
质量情况进行预测，获得历史数据分析结果。
[0024] 可选地，所述工艺模型模块具体用于，
[0025] 根据实际工程经验建立初始模型，根据实际情况采用
贝叶斯网络算法或
决策树模型算法对特定行业的工艺模型进行数据挖掘，将挖掘获得的模型数据与所述初始模型结合，获得特定行业的数学物理模型。
[0026] 需要说明的是，特定行业的工艺模型可以指特定的车间的工艺过程的需求。例如，生产
锅炉蛇形管的。要求
焊接位置距离弯折处至少有70mm的距离，对此需要建立
力学模型。
[0027] 本发明实施例提供的优化排程方案是针对于特定行业的，也就是说行业不同，其中工艺会有很大的差异。例如
半导体行业，在工艺模型的建立过程中需要考虑到存在的测试阶段；钣金行业，在工艺模型的建立过程中没有测试阶段，却存在自动套料的阶段。
[0028] 可选地，所述工艺模型模块，还用于将所述数学物理模型的模型数据作为历史数据返回给所述数据挖掘模块。
[0029] 可选地，所述计划排程模块，还用于获取优化排程结果数据，并确定所述优化排程结果数据和实际生产数据之间的差值数据，将所述差值数据返回给所述数据挖掘模块和所述工艺模型模块进行校验修正。
[0030] 计划排产的目的是为了保证各车间生产环节的协同性，不至于产生因某些零部件不到位导致整个生产的停工，从而使得市场交期延误。但是，实际上通过计算机计划排产计算出的结果跟实际的生产是存在一定的误差；这个误差可以有很多指标来表示，如订单延误率，某些车间或环节的精准生产率。等。本发明实施例通过计算优化排程结果数据和实际生产数据之间的差值数据，并将差值数据返回给所述数据挖掘模块和所述工艺模型模块进行校验修正，以不断提高数据挖掘模块和工艺模型模块的准确性，进而提高计划排程模块的准确性，有效提高计划排程的精度。
[0031] 具体地，模型修正是计算机建模中必然存在的环节，主要原因是所建模型与真实的模型之间存在一定的差异。通过修正，使得计算机模型符合当时的应用场景。具体涉及的修正参数和修正过程需要根据实际情况而定。
[0032] 在进行优化排程时，用户选择操作的时间段，数据挖掘模块会根据以往历史数据采用聚类分析算法、随机森林算法或平滑指数预测模型等算法预测市场销售情况以及设备故障运行情况，供应链物料情况；再根据上述预测结果，进行计划排程，如什么时候应该多生产，哪台机器上应该多生产，那些物料应该提前配置等。
[0033] 另外，在计划排程时，除了可以根据上述预测结果自动计划排程外，还可以由计划员或管理员手工调整拖拽工序工作时间进行计划排程。
[0034] 本发明实施例工艺模型模块根据特的行业和工业环境，选择特定的工艺模型，工艺模型包括：优先级工序、车间和物料库存等。
[0035] 并且，如果出现紧急插但的情况，则可先
修改工艺模型中的优先级，再继续进行优化排程。
[0036] 需要说明的是，上述三个模块可以联合使用，同时作为单独模块也可以两两组合使用，也可以达到比较良好的效果。组合使用包括：一、数据挖掘模块结合计划排程模块，这种情况需要依靠大量的数据，不断的与实际生产情况进行对比；二、工艺模型模块结合计划排产模块，这种情况指得是对于特定的工艺进行计划排产，准确率有限，排产时间较长；三、数据挖掘模块、工艺模型模块和计划排程模块三者结合，这种情况指的是依据数据挖掘模块的历史数据分析结果对工艺模型模块中的数学物理模型进行修正，形成一个灰盒模型。这种排程方式准确率高，排产耗时短。
[0037] 另外，本发明实施例可采用
云部署，以解决计算过程种需要耗费大量计算资源的问题。
[0038] 上文结合图1，详细描述了根据本发明实施例提供的基于数据挖掘和工艺模型的优化排程系统。下面结合图2，详细描述本发明实施例提供的基于数据挖掘和工艺模型的优化排程方法。
[0039] 如图2所示，本发明实施例还提供一种基于数据挖掘和工艺模型的优化排程方法，包括：
[0040] 获取预设时段的历史数据，根据所述历史数据进行数据挖掘分析，获得历史数据分析结果；
[0041] 利用初始模型结合特定行业工艺模型建立特定行业的数学物理模型；
[0042] 根据所述历史数据分析结果和/或所述特定行业的数学物理模型进行优化排程。
[0043] 上述实施例中，通过历史数据挖掘分析，充分考虑了各种变化因素对计划排程的影响，如加工环境变化和市场变化等，通过历史数据挖掘可以有效预测这些因素的变化情况，将预测数据传给计划排程模块从而进行更加合理地计划排程；此外，本发明结合特定行业的工艺模型，从而更加符合特定的工业环境；本发明上述是三个模块相互关联，数据挖掘模块和工艺模型模块相互印证，同时又都作为计划排程模块的输入部分；本发明可以有效提高计划排程的精度，把控特定的工业环境，达到更好的应用效果。
[0044] 可选地，所述获取预设时段的历史数据，根据所述历史数据进行数据挖掘分析，获得历史数据分析结果，包括：
[0045] 获取预设时段的历史数据，采用聚类分析算法、随机森林算法或平滑指数预测模型进行数据挖掘分析，对市场上订单变化、设备故障情况和产品质量情况进行预测，获得历史数据分析结果。
[0046] 可选地，所述利用初始模型结合特定行业工艺模型建立特定行业的数学物理模型，包括：
[0047] 根据实际工程经验建立初始模型，采用贝叶斯网络算法或决策树模型算法对特定行业的工艺模型进行数据挖掘，将挖掘获得的模型数据与所述初始模型结合，获得特定行业的数学物理模型。
[0048] 本发明实施例还提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使所述计算机执行上述实施例所述的基于数据挖掘和工艺模型的优化排程方法。
[0049] 本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例所述的基于数据挖掘和工艺模型的优化排程方法。
[0050] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0051] 在本
申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
[0052] 作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
[0053] 另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用
硬件的形式实现，也可以采用
软件功能单元的形式实现。
[0054] 集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，
服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动
硬盘、
只读存储器(ROM，Read-Only Memory)、
随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0055] 以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
