论文部分内容阅读
生产排产计划在单晶硅生产中起着有序协调生产资源、提高产品生产效率的重要作用。但由于大多数单晶硅生产企业仍采用非智能算法,使得生产排产计划存在响应滞后、预见性不强、全局意识较弱等缺陷。本文基于非稳态单晶硅生产环境,研究了制定单晶硅生产排产计划的关键算法及应用。不同型号的单晶硅具有不同的产出率,这给单晶硅排产计划的制定带来较大的难题。文中提出了一种基于稳态生产环境的多目标优化模型进行单晶硅排产调度。首先利用双隐含层的前馈神经网络(BPNN)对不同型号的单晶硅历史数据进行训练并预测订单的次品率,并以此获得较为准确的投料量。然后使用改进的遗传算法针对投料量及车间生产资源进行排产计划的制定。该调度方案具有并行计算、快速响应、避免二次调度的特点,并能够实现最小完工时间、最小逾期时间及最小能耗之间的综合最优。实际单晶硅生产车间是具有多种扰动因子的非稳态生产环境,因此基于稳态环境制定的排产计划存在较大的局限性。结合稳态多目标优化模型,提出了一种基于非稳态的混合调度模型进行单晶硅排产调度。该模型具备预测投料量能力的同时,使用工序保存机制将临界加工信息存储下来,利用突发扰动重调度机制针对扰动因子和剩余生产任务制定最优调度方案。实验结果表明,在临时订单增加、临时订单减少、突发机器故障三种扰动因子影响下,混合调度方案在最小完工时间、最小逾期时间及最小能耗等指标对比中表现优异,具有一定的理论和实践价值。从日常生产信息中归纳总结出的知识,不仅有利于混合调度模型获取更精准的预测投料量、更合理的排产计划,还有助于管理者详细了解车间动态和市场供需变化。然而这些知识的形成是离散的、碎片化的。因此,文中提出一种基于B/S模式和RESTful接口技术的知识库系统设计方案。该系统除了能针对生产资源快速生成排产计划,还能从海量数据中实现知识的提取、更新和应用。知识资源的合理有序管理为单晶硅生产提供可靠的决策支持。通过对知识库系统的实地部署和测试,验证了系统的稳定性,并在快速获取排产计划的同时,充分挖掘生产信息内在价值,实现了预定的设计目标。