一种基于大数据挖掘的针织MES生产计划与调度方法与流程

本发明涉及一种基于大数据挖掘的针织mes生产计划与调度方法，属于纺织工程应用领域。

背景技术：

在针织企业的整个生产过程中，生产计划管理与调度工作占有较为重要的地位，关系着产品质量、成品等级、交货周期以及设备利用率等重要数据。目前，大部分针织企业还是根据车间主任或车间调度员的经验来安排生产，由于订单量比较多，品种翻改频繁，所以纯粹靠经验来排单难免会出现订单调度不及时、灵活性差、责任划分不清楚。大部分生产计划的安排都是依靠纸质文件从上级部门到下级部门逐级传递，审核过程繁琐且纸质文件的可存储性和可追溯性不强。因此，实现针织企业信息化对针织企业的生存和发展至关重要。

针织mes作为企业上层计划管理和底层车间控制之间的车间层的生产管理技术与实时信息系统，可以通过合理、高效的计划与调度车间生产任务来解决上述问题。

随着针织设备自动化、网络化的快速发展，整个织造过程每天以前所未有的速度产生着海量产品工艺、机器能耗和生产过程数据，除此之外还包括传感器感应数据、网络传输数据、疵点图像数据等非结构化数据，故针织生产过程数据基本具备了大数据“4v”(volume、velocity、varity、value)的特点，是一个典型的大数据。在这一背景下，针织企业从“数据时代”进入了“大数据时代”。

技术实现要素：

本发明目的在于帮助针织企业实现生产过程全声明周期实时追踪，利用大数据挖局技术快速安排生产计划和动态调度。

本发明提供一种基于大数据挖掘的针织品生产方法，包括如下步骤，

s1、建立多维针织生产数据模型，包括采集多维针织数据和建立通信协议；

s2、基于hadoop分布式平台构建包括erp数据、zigbee数据和mes系统历史数据的大数据分析平台；

s3、在mapreduce框架下运用apriori关联规则挖掘算法对计划调度的约束因素进行挖掘，得到对应订单的资源约束因素、工艺约束因素、产质量约束因素和计划时间约束因素；

s4、根据合同需求分析订单排产优先级；

s5、综合排产优先级与计划调度的约束因素，得到订单排产甘特图；

s6、实时监控erp与zigbee数据，发现订单变更交货期、织造工艺更新、织机突发故障等异常事件时，动态调整生产计划。

具体地，所述步骤s1中采集多维针织数据包括采集以下6个维度的数据：

1)采集生产车间环境数据：包括影响针织设备性能、坯布质量、车间人员身体健康的环境参数。例如：车间温度、湿度、飞花毛羽情况等。

2)采集针织设备运行状态参数：包括针织设备运行的温度、油压、加速度等。通过传感器完成采集。

3)采集针织设备运行工况数据：包括针织设备主轴转速、运行模式、停机次数。

4)采集针织设备的维修保养记录：包括针织设备的故障原因、维修时长、保养措施、更换记录。

5)采集挡车工操作绩效数据：包括挡车工当班产量、上机工艺、疵点种类和数量记录、能耗数据。

6)采集织造过程类数据：包括订单的实际开始加工时间和预计结束时间以及机上产品当前生产进度。

具体地，所述步骤s1中采集多维针织数据，通过包括以下传感器在内的传感器完成：①温湿度传感器，采集车间温湿度以及机器运行时温度，②油压传感器，采集针织机器油压数据，③速度传感器，采集针织机器的速度，利用光电感应原理、精度高、安装方便；④rfid射频读写器，采集挡车工和机修工的身份信息；⑤二维码扫描器，采集记录坯布的产量、质量信息；⑥智能电表，采集针织机器的能耗数据。

具体地，所述步骤s1中采集多维针织数据还包括在车间里安装至少一台用于生产数据存储及传输的工业计算ipc，在每台针织机器上安装一台用于生产数据采集的终端工控机(以下简称终端机)，并在中央控制室安装web服务端系统。

具体地，所述步骤s1中建立通信协议包括：

1)传感器与终端工控机之间通过rs485串口通信；

2)终端工控机与ipc之间数据传输采用基于ieee802.15.4标准的zigbee无线通信技术；

3)ipc和web服务端系统之间的数据传输遵循相关互联网通信协议。

具体地，所述步骤s2中基于hadoop的大数据分析平台的数据来源为erp数据、bom数据、针织车间终端机zigbee实时采集数据和mes系统历史数据等。

具体地，所述步骤s3中对约束因素进行挖掘时，具体挖掘时的方法如下：

1)设定最小支持度min_support和最小置信度min_confidence，在大数据分析平台中产生候选k项集；其中k为正整数；

2)对候选k项集进行剪枝，获取频繁集，具体的剪枝做法为遍历候选集每一条记录ti，计算ti的支持度support(ti)，若support(ti)<min_support则删除该条记录；同时遍历ti中每一个非空子集，若存在非频繁集也删除该条记录；

3)对获取的频繁集进行自连接，形成下一轮的候选集；

4)重复步骤2)和步骤3)直到没有新的项集满足最小支持度；

5)根据形成的最终频繁集，计算频繁集各项之间的置信度，过滤掉小于min_confidence的项集，从而生成强关联规则，得到约束因素数据；

6)将挖掘得到的约束因素数据写入到hbase或edis或nosql数据库，并通过web展示。

具体地，所述步骤s3中订单的资源约束因素由erp订单管理数据和多维针织生产数据模型中的针织设备运行工况数据、针织设备维修保养记录、织造过程类数据挖掘得到；工艺约束因素由mes工艺数据和zigbee实时采集的织机上机工艺数据挖掘得到；产质量约束因素由mes历史数据和多维针织生产数据模型中的挡车工操作绩效数据挖掘得到；计划时间约束因素由mes计划数据和多维针织生产数据模型中的织造过程类数据挖掘得到。

具体地，所述步骤s4中分析合同需求确定排产优先级，具体分析内容为坯布生产工艺要求、坯布生产周期(包括打样和正式投产)、订单总量、客户重要等级、延迟完工罚金和坯布疵点要求等。

具体地，所述步骤s5中，将挖掘得到的约束因素作为前提条件，合同需求作为目标函数，再输入相关参数，最后输出生产计划，并在web端以甘特图形式展现。

具体地，所述步骤s6中，实时监控erp与zigbee数据，发现订单变更或车间生产偏离计划要及时动态调整生产计划。

本发明综合利用大数据、云计算与物联网等新兴技术，设计与实现了针织mes多品种小批量订单自动排产、异常信息及时准确捕捉、生产执行情况实时监控与主动感知，提高了传统针织行业的信息化水平，以自动化代替了传统的人工巡视和手抄报表，在大数据的基础上挖掘订单的资源约束因素、工艺约束因素、产质量约束因素和计划时间的约束因素，实现了智能安排生产计划和动态调度，极大减少了生产过程中信息传递的时间，同时提高了针织车间的生产效率，平均设备综合利用率提高了8％，保证了敏捷化的针织生产过程，大幅提升了企业竞争力和精细化管理程度。

附图说明

图1为本发明一种实施方式中基于大数据挖掘的针织mes生产计划与调度方法的流程图。

图2为本发明一种实施方式中mapreduce框架下运用apriori关联规则算法对数据进行挖掘和分析的流程图。

图3为本发明一种实施方式中大数据挖掘的平台结构框图。

具体实施方式

图1中所示的基于大数据挖掘的针织mes生产计划与调度方法，其具体步骤包括s1、建立多维针织生产数据模型(包括多维针织数据采集技术和通信协议)；s2、基于hadoop分布式平台构建包括erp数据、zigbee数据和mes系统历史数据的大数据分析平台；s3、在mapreduce框架下运用apriori关联规则挖掘算法对计划调度的约束因素进行挖掘，得到对应订单的资源约束因素、工艺约束因素、产质量约束因素和计划时间约束因素；s4、根据合同需求分析订单排产优先级；s5、综合排产优先级与计划调度的约束因素，得到订单排产甘特图；s6、实时监控erp与zigbee数据，发现订单变更交货期、织造工艺更新、织机突发故障等异常事件时，动态调整生产计划。

具体的，

step1：建立多维针织生产数据模型(包括多维针织数据采集技术和通信协议)，主要包括以下内容：

在每台针织机器上安装一台用于生产数据采集的终端工控机(以下简称终端机)，并在车间里安装各种传感器以及至少一台装用于生产数据存储及传输的工业计算机ipc，还可以在中央控制室安装远程云服务器或采用用户终端浏览器、web服务器与数据服务器三层架构的web服务端系统；上述传感器包括：①温湿度传感器，采集车间温湿度以及机器运行时温度，②油压传感器，采集针织机器油压数据，③速度传感器，采集针织机器的速度，利用光电感应原理、精度高、安装方便；④rfid射频读写器，采集挡车工和机修工的身份信息；⑤二维码扫描器，采集记录坯布的产量、质量信息；⑥智能电表，采集针织机器的能耗数据。

传感器与终端工控机之间通过rs485串口通信，终端工控机与ipc之间的数据传输采用基于ieee802.15.4标准的zigbee无线通信技术，ipc和远程云服务器之间的数据传输遵循相关互联网通信协议；

1)采集生产车间环境数据：主要包括能影响针织设备性能、坯布质量、车间人员身体健康的环境参数，例如：车间温度、湿度、飞花毛羽情况等。环境数据有利于更科学地分析坯布质量和针织设备运行状态受环境影响的规律；

2)采集针织设备运行状态参数：包括反映针织设备运行的健康状态的参数，例如：温度、油压、加速度等，此类数据采样频率高，通过不同的传感器完成；

3)采集针织设备运行工况数据：主要包括针织设备主轴转速、运行模式、停机次数，用作进行设备检修的参考条件和设备生产水平的分析依据；

4)采集针织设备的维修保养记录：主要包括针织设备的故障原因、维修时长、保养措施、更换记录，这些数据有助于建立高质量的设备运行状态预测模型。

5)采集挡车工操作绩效数据：主要包括挡车工当班产量、上机工艺、疵点种类和数量记录、能耗数据，此类数据用于分析员工平均产量和操作熟练程度，预测产品最终质量效果。

6)采集织造过程类数据：主要指订单的实际开始加工时间和预计结束时间以及机上产品当前生产进度。

step2：基于hadoop分布式平台构建包括erp数据、zigbee数据和mes系统历史数据的大数据分析平台，其结构如图3所示；

step3：在step1和step2的基础上进行约束因素的挖掘，具体步骤如下：

1)如图3所示，将zigbee采集到车间实时生产数据、erp系统数据、mes系统数据上传至hdfs，由hdfs对数据进行管理，存储至nosql或edis或hbase数据库中。

2)利用mapreduce进行数据挖掘，订单的资源约束因素由erp订单管理数据和多维针织生产数据模型中的针织设备运行工况数据、针织设备维修保养记录、织造过程类数据挖掘得到；工艺约束因素由mes工艺数据和zigbee实时采集的织机上机工艺数据挖掘得到；产质量约束因素由mes历史数据和多维针织生产数据模型中的挡车工操作绩效数据挖掘得到；计划时间约束因素由mes计划数据和多维针织生产数据模型中的织造过程类数据挖掘得到。具体地，如图2所示：

①设定最小支持度min_support和最小置信度min_confidence，在大数据分析平台中产生候选k项集；其中k为正整数；

②对候选k项集进行剪枝，获取频繁集，具体的剪枝做法为遍历候选集每一条记录ti，计算ti的支持度support(ti)，若support(ti)<min_support则删除该条记录；同时遍历ti中每一个非空子集，若存在非频繁集也删除该条记录；

③对获取的频繁集进行自连接，形成下一轮的候选集；

④重复步骤②和步骤③直到没有新的项集满足最小支持度；

⑤根据形成的最终频繁集，计算频繁集各项之间的置信度，过滤掉小于min_confidence的项集，从而生成强关联规则，得到约束因素数据；

⑥将挖掘得到的约束因素数据写入到hbase或edis或nosql数据库，并通过web展示。

step4：分析合同需求确定排产优先级，具体分析内容包括坯布生产工艺要求、坯布生产周期(包括打样和正式投产)、订单总量、客户重要等级、延迟完工罚金和坯布疵点要求等。

step5：将step3中挖掘得到的约束因素作为前提条件，step4中合同需求作为目标函数，再输入相关参数，最后得到生产计划，并在web端以甘特图形式展现。

step6：实时监控erp与zigbee数据，发现订单变更或车间生产偏离计划要及时动态调整生产计划。订单变更内容具体为订单变更交货期或加急订单(即插单，订单优先级提高)，车间生产偏离计划具体包括针织设备故障、上机工艺更新、挡车工临时变动等事件。

本发明通过大数据挖掘技术对针织计划调度的约束因素进行挖掘，获取约束因素的准确率和实时效率比传统针织车间人工巡视、抄写报表方式大幅提高；首先利用大数据技术挖掘出计划调度的约束因素，再分析合同需求确定排产优先级，实现针织机器、挡车工、订单的合理安排，节省计划时间，提高设备利用效率。

虽然本发明已以较佳实施例公开如上，但其并非用以限定本发明，任何熟悉此技术的人，在不脱离本发明的精神和范围内，都可做各种的改动与修饰，因此本发明的保护范围应该以权利要求书所界定的为准。