(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111656550.5 (22)申请日 2021.12.3 0 (71)申请人 北京深度奇点科技有限公司 地址 100084 北京市海淀区双清路甲79号 配楼3层A3 02室(东升地区) (72)发明人 魏红茂　李昊天　戚骁亚　孙广集　 (74)专利代理 机构 常州品益专利代理事务所 (普通合伙) 32401 代理人 侯慧娜 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/04(2012.01) G06N 3/12(2006.01) G06N 20/00(2019.01) (54)发明名称 APS动态生产计划排 程系统 (57)摘要 本发明涉及一种APS动态生产计划排程系 统， 包括以下排程流程， S1、 输入生产计划信息； S2、 交由APS完成数据建模， 并通过生产排程算法 制定生产计划， 进行排程； S3、 输 出排程结果并反 馈； S4、 根据结果反馈， 如果满意， 则可以下发生 产计划， 与第三方系统集成， 完成流转， 至此结 束； S5、 根据结果反馈， 如果不满意， 则修改输入 信息， 调整 订单， 重复步骤S1～S4。 本发明通过构 建动态生产计划排程方法， 实现了数字化工厂计 划排程的动态调整； 针对制造时间的波动、 机器 故障、 预防性维护、 动态插单等情况， 通过神经网 络来学习到各类不确定性的概率 分布， 同时通过 强化学习提供的在线学习机制， 来动态地应对各 类不确定性， 为工厂的智能制造升级提供完整的 解决方案 。 权利要求书2页 说明书6页 附图2页 CN 114298426 A 2022.04.08 CN 114298426 A 1.一种AP S动态生产计划排 程系统， 其特 征在于： 包括以下排 程流程， S1、 输入生产计划信息， 包括原材 料信息， 工序信息和订单信息； S2、 交由AP S完成数据建模， 并通过生产排 程算法制定生产计划， 进行排 程； S3、 输出排 程结果并反馈； S4、 根据结果反馈， 如果满意， 则可以下发生产计划， 与第三方系 统集成， 完成流转， 至 此结束； S5、 根据结果反馈， 如果 不满意， 则修改输入信息， 调整订单， 重复步骤S1～S4。 2.如权利 要求1所述的APS动态生产计划排程系统， 其特征在于： 所述的步骤S1中， 原材 料信息， 工序信息和订单信息具有配比关系。 3.如权利 要求1所述的APS动态生产计划排程系统， 其特征在于： 所述的步骤S2中， 生产 排程算法包括以下步骤： 1)使用GA遗传算法， 在不 考虑动态特性的前提下， 生成静态排 程计划； 2)当动态特性出现时， 通过强化学习在线调整GA遗传算法排程中的工单释放规则与关 键参数， 使用GA遗传算法重新进行排 程； 3)通过神经网络， 承载不确定性的概率分布， 并将此概率分布作为前馈预测， 指导与调 整下一次GA遗传算法的排 程结果； 4)不断重复步骤1)～3)， 从而实现从个体智能涌现到群体智能， 再从群体智能到进化 个体智能的正反馈闭环， 直至智能收敛。 4.如权利要求3所述的APS动态生产计划排程系 统， 其特征在于： 所述的步骤1)包括以 下步骤： A、 问题初始化； B、 使用遗传算子运 算， 通过群 体智能涌现出较优解； 遗传算子包括， 选择算子， 即通过 Fitness健壮函数， 判断个 体的健壮性； 交叉算子， 即将两个个体的父代染色体进行交叉重组， 从而生成子代， 其中交叉位置的 设置为多种； 以及， 变异算子， 即子代的染色体随机化改变； 通过遗传算子， 完成 从父代到 子代的进化过程； C、 不断重复步骤B中的进化过程， 直到满足结束条件； 结束条件可以是运行的一段时 间、 满足对目标函数的期望或达 到一定迭代次数； D、 根据生成的最优解， 按照与编码完全相反的过程进行解码， 从而生成实际的排程计 划。 5.如权利要求4所述的APS动态生产计划排程系 统， 其特征在于： 所述的步骤A中， 问题 初始化包括以下步骤： a)根据PPM的建模结果， 对P PM模型进行编码； b)根据设置的目标函数， 将其 转换为Fitnes s健壮函数； c)通过随机的方式生成初始种群。 6.如权利 要求3所述的APS动态生产计划排程系统， 其特征在于： 所述的步骤2)中， 预先权　利　要　求　书 1/2 页 2 CN 114298426 A 2对动态特性进 行分类， 分为随机因素导致的不确定性和系统动力学特性导致的不确定性两 种； 同时预 先设立工单释放 规则池。 7.如权利要求6所述的APS动态生产计划排程系统， 其特征在于： 当不确定性产生时， 包 括以下步骤， I、 将动态排程问题看作MDP马尔可夫时序模型， 即由GA遗传算法生成的排程计划作为 t‑1时刻的状态， 当前不确定性产生后为t时刻的状态； II、 使用强化学习的Q ‑learning方法， 将环境参数、 原目标函数、 动态特性作为模型输 入， 通过试错方法进行训练， 与工单释放 规则池中的具体规则进行匹配； III、 将原 目标函数作为奖励函数， 学习奖励值最大的映射方式， 将学习结果存放到Q ‑ learning查询表中。 8.如权利 要求7所述的APS动态生产计划排程系统， 其特征在于： 所述的步骤II中， 采用 epsilon‑greedy算法增 加搜索的随机性。 9.如权利 要求6所述的APS动态生产计划排程系统， 其特征在于： 所述的步骤3)中， 若动 态特性为随机因素导致的不确定性， 则根据特性出现的预测概率， 通过设置缓冲、 预留产能 的方式， 预先调整物理模型 的建模参数应对； 若动态特性为系统动力学特性导致的不确定 性， 则根据特性出现的预测概 率， 调整建模中的参数， 并将其用作预防性维护的参 考指标。 10.如权利要求1所述的APS动态生产计划排程系 统， 其特征在于： 所述的步骤S3中， 生 产计划通过甘特图形式显示； 结合生产计划和库存 数量， 可以得知原材料的消耗情况， 以及 整个生产过程库存变化； 并根据生产计划推算资源的利用率。权　利　要　求　书 2/2 页 3 CN 114298426 A 3