5-3 工业数据与智能算法驱动下的生产调度优化研究

工业数据与智能算法驱动的生产调度优化研究报告

1. 战略意义

• 智能制造的三种基本范式：从数字化制造、“互联网+”制造到新一代智能制造。
• 中国电子信息制造业：2016年至2021年，营收和利润持续增长，预计2025年中国智能生产系统市场规模将达到4,658亿至5,515亿。

2. 具有挑战的问题

• 生产调度优化问题：涉及元件、软件、网板、机台程序等。
• 高不确定性：物料不确定、订单异动工时不确定、机器故障等。
• 挑战：21条生产线，2000多种PCB装载机、锡膏机、SMT机台等设备，涉及复杂的人机交互和柔性生产调度。

3. 数据和算法驱动

• 预测与优化：利用机器学习（集成学习）、排序调度最优规则、智能优化算法等。
• 鲁棒优化：使用不确定集合、鲁棒优化方法（如均值方差不确定性集、Wasserstein距离等）。
• 联合预测与优化：结合预测模型和优化策略，提高生产调度的准确性和鲁棒性。

4. 关键科学问题

• 如何用工业数据解决生产调度难题：处理不确定性、强NP难问题和动态变化。
• 如何设计高效的生产调度算法：包括问题分解机制、基于特性的算法、数学模型+启发式方法、贝叶斯更新和强化学习等。

5. 未来趋势

• 中国APS的优势：完整的产业链、丰富的工业数据和多样化的应用场景。
• 未来方向：目标导向、人机交互、产线配置、设备管理、订货管理和物料配送等。
• 技术展望：学习效应、设施布局优化和政策环境支持（如碳中和）。