益的技术效果：
[0044] 本发明通过构建大数据分析平台，使得产品在设计、制造、试验、运维等阶段的数 据通过传感器数据、控制器数据和设备网络化数据能够都融入到大数据分析平台，并通过 运用并行化的关联规则算法挖掘出较为全面的影响因素，在全面考虑计划调度约束因素的 情况下对计划进行编制，通过约束因素在整个执行时间段内对工序开工、完工时间的控制 和约束，从而获得相对最优的计划调度方案，能够有效提高约束因素的准确度，有效节省成 本，提高企业运行效率。采用本发明所述的通过大数据挖掘的方法可以更为准确的挖掘出 计划调度的约束与影响因素，例如临时工序约束因素在未使用大数据挖掘方法时容易被忽 略，从而使得计划调度的效果在完工时间上能够缩短10%左右。
【附图说明】
[0045] 图1是本发明实例所述的计划调度优化方法的流程图。
[0046] 图2是本发明实例所述的MapReduce计算框架并行化的Apriori关联规则算法对 数据进行挖掘和分析的流程图。
[0047] 图3是本发明实例所述的大数据分析及约束因素挖掘平台结构框图。
[0048] 图4为本发明实例中所述的基于约束因素得到工序开工、完工时间的流程图。
[0049] 图5为本发明实例中所述的某企业测试计划大数据分析平台结构框图。
[0050] 图6为本发明实例中所述的某企业测试计划的甘特图。
【具体实施方式】
[0051] 下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而 不是限定。
[0052] 本发明所述的基于大数据分析的计划调度优化方法，如图1所示，首先，基于 Hadoop构建大数据分析挖掘平台，运用关联规则算法对计划调度的约束因素进行分析和挖 掘，计算得到计划中每道工序的加工或测试周期，计算每道工序的开工和完工时间，完成对 其的优化，从而能够计算整个计划的开工完工时间，并在最后进行可视化的展示。
[0053] 具体的，如图1所示，包括如下步骤。
[0054] STEPl: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，其结构如图3所示；
[0055] STEP2 :在STEPl的基础上挖掘约束因素，步骤和方法如下：
[0056] (1)如图3所示，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，由HDFS对数据进行管理，存储至NoSQL或Hbase或者MongDB或 者redis数据库中。
[0057] (2)利用MapReduce计算框架对数据进行挖掘分析；对约束因素进行挖掘时，由传 感网络数据和控制器数据挖掘得到资源约束因素；由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；如图2所示。
[0058] 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；
[0059] 2. 2在k项候选集中由Map函数产生〈key，value〉对；
[0060] 2. 3对产生的所有〈key，value〉对进行combiner整合；
[0061] 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；
[0062] 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；
[0063] 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。
[0064] (3)将分析好的数据写入HDFS或Hbase或Mongdb或edis。
[0065] STEP3 :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。
[0066] 在挖掘约束因素时，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。
[0067] 在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，
[0068] 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。
[0069] 在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，
[0070] 当PT〈MS时，M=PT，则工序i加工周期按（1)式计算；
[0072] 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;
[0073] 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：
[0075] 在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，
[0076] 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；
[0077] 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)；
[0078] c)根据临时工序约束因素，判定是否有临时工序加入；
[0079] 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);
[0080] 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;
[0081] 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；
[0082] 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);
[0083] 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);
[0084] 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+Oi，跳转到步骤b);
[0085] 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；
[0086] k)计算得到工序的开工、完工时间。
[0087] 在实际应用当中，随着设计、工艺、制造、测试、维修中数据量的急剧增加以及大数 据技术的出现，运用基于大数据分析的计划调度优化方法进行计划编制是很有必要的，它 对提高企业生产效率、增强企业竞争力有很强的现实意义。下面利用某制造企业试验检测 计划的调度优化为例说明实施过程。
[0088] STEPl和STEP2 :大数据平台的建立与约束因素挖掘；
[0089] 根据图5所示，建立所需要的工业大数据分析平台。底层数据包括设备转速、设备 加工工时、生产/测试计划数据、试验项目数据、作业记录数据、工单数据、设备维修数据、 试验成/废品数据、试验工位负荷、试验次数数据等，在MapReduce编程框架运用Apriori 算法并行挖掘约束因素。再结合车间调度的实际，即尽可能地保证任务流动线和资源流动 线的顺畅流动，任务流动线是指测试项目或零件任务内各工序的工艺顺序，而资源流动线 是指各加工或测试设备上的加工或测试工序的排序队列，我们得到计划编制需要考虑的约 束限制条件有：
[0090] (1)工序顺序约束因素，测试工序约束表现为同测试子项目内各道测试工序