基于大数据分析的计划调度优化方法
【技术领域】
[0001] 本发明涉及工程应用领域，具体为一种基于大数据分析的计划调度优化方法。
【背景技术】
[0002] 计划调度主要进行资源优化和计划编排，并为计划的执行和控制提供指导。调度 优化过程即寻找合理调度方案的过程，即对生产对象在不同的生产主体进行生产时，如何 合理安排生产的匹配关系，以优化生产进程，在满足现有生产条件下，使生产收益最大化， 调度优化直接控制生产的稳定和有序执行。良好的生产调度能够预先解决生产及试验中的 干扰，缩短产品或项目在车间的流动时间，减少在制品及在制项目数量，保证准时交工。
[0003] 在工程应用中，广泛存在着计划调度优化的需求。例如，在试验检测领域，检测项 目的合理调度也影响着试验检测项目的交工期，只有充分考虑试验检测过程中的瓶颈因 素，如设备因素、人员因素、第三方要求因素等环节，才能更好的对试验检测计划进行调度 优化，准时交工。再如，在批量生产企业中，生产任务具有批次多、批量大、不确定性大等特 点，车间生产过程中容易出现资源瓶颈，例如发生设备使用冲突等情况。因此车间编制生产 计划时必须对生产资源加以重点考虑，尽量避免产生资源的冲突，避免造成资源不足，从而 提高计划可行性。对生产过程中的关键设备，车间更要做到计划使用合理、设备利用充分的 目标。同时，车间接收的生产任务类型复杂：生产任务中包含的零件有重要零件和非重要零 件。重要零件一般针对军用产品零件和加工工艺复杂的零件，非重要零件一般指民用产品 零件和工艺简单的零件。企业在编排车间计划时，对以上不同种类的零件需要采用不同的 优先级别加以生产。因此，一个好的计划调度优化方法对提高企业生产效率、增强企业竞争 力具有很强的现实意义。
[0004] 随着大数据技术的发展，影响计划调度及优化因素的挖掘又有了新的手段，不仅 仅只局限于传统的产品或项目设计数据、制造数据等环节，其影响因素应当蕴含于包含传 感器数据、控制器数据及设备系统的网络化数据等组成的大数据中。因此，计划调度优化与 大数据分析有机融合就成了必然趋势，通过大数据的分析获取影响计划调度优化的影响因 素，进而利用这些影响因素及相关的其它历史数据完成相对最优计划编制方案的制定。
[0005] 对于工程应用领域及制造企业中的计划调度优化方法已有了很多研究，但到目前 为止，尚无一种在大数据分析前提下对影响因素进行分析挖掘，进而进行计划调度优化的 方法。
【发明内容】
[0006] 针对现有技术中存在的问题，本发明提供一种分析准确，应用范围广，节省成本， 提高企业运行效率的基于大数据分析的计划调度优化方法。
[0007] 本发明是通过以下技术方案来实现：
[0008] 基于大数据分析的计划调度优化方法，包括如下步骤，
[0009] S1、基于Hadoop分布式平台构建包括传感网络数据、控制器数据和制造信息系统 数据的大数据分析平台；
[0010] S2、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，得到对应计划项目的工序顺序约束因素、资源约束因素、临时工序约束因素和计 划时间约束因素；
[0011] S3、根据挖掘出的计划调度约束因素，依次得到计划项目周期和计划项目中各工 序加工周期及工序开工、完工时间，最后得到计划项目的开工和完工时间，以该开工和完工 时间对计划项目进行计划调度。
[0012] 优选的，步骤S2中对约束因素进行挖掘时，具体挖掘时的方法如下，
[0013] 2. 1初始化设定迭代参数k及其最大值，在大数据分析平台中产生候选k项集；其 中，k为正整数；
[0014] 2. 2在k项候选集中由Map函数产生〈key，value〉对；
[0015] 2. 3对产生的所有〈key，value〉对进行combiner整合；
[0016] 2. 4在整合后〈key，value〉对的基础上通过Reduce规约产生频繁k项集；
[0017] 2. 5根据设定k的最大值，判断k是否达到最大值K，如果否则进行合并，并使k= k+1，重复以上步骤，直到k达到最大值；如果是则结束，得到K项约束因素及其数据；
[0018] 2. 6将挖掘得到的K项约束因素及其数据写入NoSQL或Hbase或Mongdb或edis 型数据库，并通过Web展示。
[0019] 进一步，由大数据分析平台中的传感网络数据和控制器数据挖掘得到资源约束因 素；由大数据分析平台中的制造信息系统数据挖掘得到工序顺序约束因素、临时工序约束 因素和计划时间约束因素。
[0020] 优选的，步骤S3中根据计划项目的要求和所需设备的加工能力得到计划项目周 期；具体包括如下步骤，
[0021] 设计划项目中工序的开工、完工时间分别为TS和TF，工序个数定义由 {1，2,…，i，…，N}共N道工序依次组成，每道工序生产工时为Pi，根据资源约束因数得到使 用的设备满负荷状态下的测试或加工能力为ESS，要求设定的完成周期为PT，则计划项目 周期1^ = 了?13，计划项目取11 = 1^11(?1'，1^)为最终加工周期；若？1'>1^，则计划项目的周 期为要求设定的完成周期，需要在加班或者超负荷的情况下完成任务；若PT〈MS，则计划项 目的周期按照设备能力安排。
[0022] 进一步，步骤S3中根据计划项目周期得到计划项目中每个工序加工周期；具体包 括如下步骤，
[0023] 当PT〈MS时，M=PT，则工序i加工周期按（1)式计算；
[0025] 其中，加工时间为Ti_P，第i道工序的加工定额工时为SSi，使用的设备的加工能 力为GGs;
[0026] 当PT>MS时，M=MS，则按照要求设定的完成周期生产，工序i加工周期Oi为：
[0028] 再进一步，步骤S3中根据每个工序的加工周期以及工序顺序约束因素、资源约束 因素和临时计划约束因素得到该工序的开工和完工时间；具体包括如下步骤，
[0029] a)根据工序顺序约束因素，检索工序i上一道工序的开工、完工时间；
[0030]b)工序i上一道工序完工时间为工序i开工时间Ti_S，则工序i的加工时间为 (Ti_S,Ti_S+0i)；
[0031] c)根据临时工序约束因素，判定是否有临时工序加入；
[0032] d)若无临时工序加入，则确定工序i按照（Ti_S，Ti_S+0i)进行，转到步骤k);
[0033] e)若有临时工序增加，设增加为工序M，则工序M按照（Ti_S，Ti_S+0m)进行，并设 定工序i的Ti_S=Tm_F;
[0034] f)根据资源约束因素，判定工序i按照（Ti_S，Ti_S+0i)进行是否和其它工序产生 资源冲突；
[0035] g)若无冲突，则确定工序i按照（Ti_S,Ti_S+0i)进行，转到步骤k);
[0036] h)若有冲突，则根据工序顺序约束因素，比较此工序i与冲突工序的优先级，设冲 突工序为工序J，若工序J优先级高，转到步骤（i)，若工序i优先级高，转到步骤j);
[0037] i)工序i的开工时间Ti_S为工序J的完工时间Tj_F，工序i的完工时间Ti_F= Tj_F+0i，跳转到步骤b);
[0038] j)确定工序i按照（Ti_S，Ti_S+0i)生产；工序J接着工序i按照（Tj_F，Tj_F+0j) 进行，用工序J取代工序i，跳转到步骤b)，直至所有工序不再资源冲突；
[0039] k)计算得到工序的开工、完工时间。
[0040] 再进一步，步骤S3中根据全部工序的周期，以及工序的开工、完工时间，得到计划 项目周期的执行时段；具体包括如下步骤，
[0041] 整个计划由1，2,…，i，…，N共N道工序依次组成，各个工序的开工、完工时间分 别为（T1_S，T1_F)，（T2_S，T2_F)，…，（Ti_S，Ti_F)…，（Tn_S，Tn_F)，则整个计划件的执行 时段为（T1_S，Tn_F)，根据计划时间约束因素，保证执行时间段中的Tn_F不超出设定的截 止时间。
[0042] 优选的，步骤Sl将传感网络数据、控制器数据和制造信息系统数据通过Sqoop上 传至分布式文件系统HDFS，并存储至NoSQL数据库中。
[0043] 与现有技术相比，本发明具有以下有