生产计划生产调度现场管理流程

第一篇：生产计划生产调度现场管理流程

<计调科工作流程图><业务流程>1.盘点昨天生产数据及各工段现有车辆数量<负责人/协助人><所需资料>各车间工段长昨天生产报表、月度批次表等2.简单分析该数据调度3.9点开生产晨会制造本部领导、调度、各车间主任、工段长、生服部等部门负责人各车间的生产情况及遇到的问题4.整理记录晨会内容当日未能解决调度晨会记录表5.跟踪解决晨会问题调度/各车间主任、段长及其他有关人员当日产量、计划、车型等6.协调处理应急事件与该事件有关的部门及人员公司的相关管理规定7.三点半开例会各车间段长当天计划的完成数据及情况8.跟踪解决例会中的问题调度、与问题有关部门人员9.统计当天生产情况调度/各工段长生产报表10.安排班车调度/物流科11.填写调度日志，同夜班人员交接调度/夜班人员调度日志结束

第二篇：生产计划调度

目前大多数仿真是以静态方式运行的：仿真系统仅以启动时确定下来的静态数据集作为输入，仿真运行过程中不能动态地向系统注入数据。如果有新数据到来，必须重新运行仿真系统。这就限制了应用仿真系统的分析和预测能力。而许多领域已形成了对动态应用仿真系统的需求，在此背景下，美国国家自然科学基金会（The National ScienceFoundation，NSF）提出了动态数据驱动应用系统（DynamicData Driven Application Systems，DDDAS）的概念和研究方向，试图将仿真与实验有机地结合起来，构成一种仿真与实验融合为一体的自然和谐的共生动态反馈系统。

各单元模块的功能如下

1．控制单元：控制仿真模型运行，抽取模型的状态特征数据与注入数据对比分析，据此调整模型和分辨率；控制实际生产线运行，根据仿真结果数据反馈生产线调度优化方案；控制数据采集，根据仿真结果数据产生数据采集策略，反馈数据采集模块执行。

2．仿真模型单元：根据控制系统指令，产生新的仿真目标策略。据此，从模型库调用相应模型进行新模型的构建，并动态调整模型或模型参数，达到仿真结果与仿真目标逼近。最后，将模型与仿真结果进行分析评价，并形成知识保存在知识库中，为完善模型库构建和模型选择提供依据。

3．人机接口单元：显示仿真结果，支持用户对仿真策略进行调整和控制，支持用户根据仿真结果对生产线运行进行控制，支持用户根据仿真结果对数据采集策略进行选择控制。

4．数据采集单元：根据控制系统指令，生成新的数据采集策略。据此，采集生产线上的数据，并且具备多信息源数据融合能力。

(一)动态数据驱动仿真单元

此单元由调度模块和仿真模块组成，完成调度方案的生成功能。

其中，调度模块包括相互协同的两个层次：上层模块是生产计划调度器，采用全局优化的方法，利用群体智能蚁群算法进行寻优，可产生一个静态的调度计划，其寻优时间长的问题可以通过多Agent建模的分布式计算能力得到解决。下层模块是实时调度模块，采用启发式的规则对生成的调度计划进行调整，并通过仿真进行分析和验证。当不确定事件发生，生产线上的环境变量发生改变时，该模块负责调整调度计划适应新的系统状态。如果在多个调度目标无法优化的情况下，通知上层模块，重新生成调度计划。整个过程是一个动态反馈过程。采用智能算法的优点在于能够从全局的角度进行优化，缺点在于模型描述的精度不高和易于陷入局部优化解；利用带启发式规则的仿真方法恰恰能够精确地描述模型和改善局部的解的性能，同时在较短的时间内生成优化的调度方案。上层的调度结果不仅会指导下层的调度过程，即带启发式规则的仿真是对智能蚁群算法产生的调度计划的局部修改；而且下层的调度结果也能帮助上层的调度寻优，启发式规则产生的某些局部优化解也可以作为启发信息指导蚁群算法更快地收敛。

仿真模块完成以下三种功能：首先，它能够实现用户可视化的生产线建模，模型的复杂程度可以根据用户研究问题的深度不同进行定义和设置；其次，为适应动态变化的生产环境，在仿真运行过程中，生产模型也可以根据生产线的具体情况进行自动修正，如某个设备失效等；最后，对调度模块产生的调度方案进行仿真，并把由此生成的对该调度方案的多目标评价值和对瓶颈设备的预测数据反

馈给调度模块，作为对下一步调度优化判断的依据。(二)动态数据驱动仿真控制单元

由中心推理机和辅助功能Agent组成，共同构成一个调度决策支持系统。中心推理机实现基于案例库或规则库的智能决策功能，辅助功能Agent在中心推理机的协同下工作，包括多目标管理Agent、优化策略管理Agent、调度仿真剧情管理Agent、调度因素分析Agent等四种类型的Agent，它们分别实现不同的控制功能。

多目标管理Agent：负责控制当前调度优化的方向，对调度方案评价函数中多个不同目标的权重进行动态的参数调整，实现调度目标与当前生产线的实际生产情况一致。柔性制造系统生产线调度问题是一个多目标的优化问题。短期优化目标包括：最大化生产量、最大化WIP移动步数、最小订单交货延迟率、降低加工周期、降低加工周期方差、降低WIP水平等。目标之间存在相互制约的关系，如何选取各目标优化的权重以平衡各目标优化的能力是需要解决的问题。各目标权值的大小比例是一个动态调适的过程。首先，它必须与我们生产计划对当前生产的要求和侧重点一致。同时，它也在不断地动态调整，保持与生产线当前的实际生产情况一致，完成这个任务需要中心推理机的协同，如基于案例库的推理等。

优化策略管理Agent：直接对调度和仿真模块下达指令，负责监控调度仿真的执行过程。优化策略管理Agent根据控制模块设定的优化目标或调度模块反馈的优化目标的达成情况，在中心推理机的帮助下，按照推理规则，进行模型和算法的调整，实现全局优化算法和局部优化算法之间的动态协作，当满足一定的条件时，返回优化的调度方案作为当前的最优解。

调度仿真剧情管理Agent：协助用户完成“what—if”分析。与传统仿真不同，动态数据驱动仿真是一种与生产线生产过程并行的仿真方法。因此，我们可以在仿真过程中设置多个时间断点，通过改变假设条件来进行生产预测；同时，也可以进行回放分析，这在传统仿真方法中是无法实现的。对多剧情仿真的管理由仿真剧情管理Agent实现；同时，仿真参数和得到的结果也将作为知识保存在案例库中。

调度因素分析Agent：接收来自数据采集模块的实时生产线数据，比较仿真数据与生产数据的差异，如果发现两者有较大的偏差，即参数超出了允许的域值范围，则使用中心推理机分析原因，并将分析的调度因素传递给优化策略管理Agent，作为调整调度模型和算法的依据。同时，将调度因素反馈给数据采集策略Agent，由后者按一定的策略完成下一步的生产线数据采集工作。(三)动态数据注入单元

由数据采集策略Agent根据调度因素分析A—gent反馈的结果生成下一步的数据采集策略，然后派出对应的移动Agent到生产制造EMS系统中采集生产线上的生产数据。由于柔性制造系统生产线由上百个生产设备构成，如果对所有的生产数据进行采集必然影响数据的采集效率，所以采用移动Agent既缩短时间又提高数据的精确性，同时还可以根据需要对数据作一定的预处理以缩小传递的数据量。

(四)用户界面交互Agent 负责把仿真数据展示给用户，同时，接收用户对仿真模型或参数的控制。使用户可以实时地控制仿真的整个过程，并利用仿真结果指导生产和数据采集过程。

模型运行机制

从图3中可见，动态数据驱动仿真的过程与生产线的生产过程是并行进行的。仿真系统根据一定的时钟节拍采样生产线上的数据；然后，将仿真数据与生产线数据作比较，使用因素分析Agent分析原因。如果发现两者有较大的偏差，即参数超出了允许的域值范围，则调整仿真模型，重新进行仿真。其中，仿真模型根据动态注入的生产数据完成自适应调整是整个DDDAS的核心，本文采用分层优化的思想生成调度方案，同时达到全局和局部的优化目标。首先，将智能搜索技术与离散事件仿真技术相结合，得到上层的调度方案；然后，应用优化策略Agent对仿真结果进行分析，找到进一步优化的方向，利用启发式调度规则进行方案调整得到下层的调度方案，并反复地使用仿真进行验证。不仅下层的调度方案建立在上层调度方案的基础上；同时，上层的调度模块接受下层调度方案的局部优化解作为启发信息引导搜索过程，以加快收敛，在较短的时间内得到全局的优化解。与传统的静态仿真不同，DDDAS仿真能动态地吸收新的数据，并将仿真过程同真实系统相融合，让二者相互协同起来。一方面，通过真实系统运行过程中产生的参数同步地对仿真系统进行调整，可以大大提高仿真的准确性、时效性、智能化；另一方面，通过仿真提供的数据同步地为真实系统地运行提供决策支持，这些将大大地扩展仿真系统的应用能力。

第三篇：生产计划与调度管理标准

佛山市顺德区华傲电子有限公司企业标准

QG/HD07.16-08

生产计划与调度管理标准

B版

2004年8月发布2004年8月实施

佛山市顺德区华傲电子有限公司发布

目录

1．范围

2．引用标准

3．术语及定义

4．管理职责

4.1生产物控部职责

4.2采购处职责

4.3市场部营销部

4.4技术部职责

4.5经营管理部职责

5．管理内容与要求

5.1生产计划

5.2月度生产计划

5.3生产计划的调整

5.4生产前准备

5.5生产计划调度

5.6月度生产计划完成情况的考核

6检查与考核

附录和附表

HG07.16-08表1生产计划

HG07.16-08表2月度生产计划

HG07.16-08表3月度生产计划调整（增补）

附加说明

为了制定正确、适宜的季度生产计划、月度生产计划，对各项计划的执行情况进行监控调度完成情况进行考核，确保计划的顺利完成，特制定本标准。

1．范围

本标准规定了生产计划管理的调度的职责、内容与要求。

本标准适用于本公司各有关部门。

2．引用标准

QG/HD07.16-09生产过程控制管理标准

QG/HD07.16-11仓库管理和物料控制管理标准

QZ/HD**.**-*****工作标准

3．术语及定义

（不需用）

4．管理职责

4.1生产物控部职责

a）负责与科龙集团内主机公司与其他外部客户的生产衔接；

b）负责生产能力的平衡及委外加工的组织；

c）负责根据主机公司的计划订单和市场营销部的生产订单编制本公司的生产计划；

d）负责生产计划、滚动计划和月度生产计划编制并组织实施同时对计划执行情况进行监控调度，并对计划完成情况进行考核。

e）负责采购和供应工作，保证物资能按计划需求按质、按量、按时供应。

4.2采购处职责

负责采购和供应工作，保证物资能按计划需求按质、按量、按时供应。

4.3市场部营销部

负责提供外部市场产品需求订单。

4.4技术部职责

负责提供新产品开发项目计划和月度新产品试制进度计划。

4.5经营管理部职责

负责根据生产物控部的意见对计划完成情况进行考核。

5．管理内容与要求

5.1生产计划

5.1.1生产计划编制的依据

a）市场部提供的系列产品需求预测；季度分月需求预测；主机公司提供的需求计划； b）技术部提供的新产品开发项目计划。

5.1.2生产计划的编制

5.1.2.1生产调度处在每年11~12月根据上述编制依据，经初步平衡，编制下一的“生产计划”（HG07.16-08表1），经生产物控部部长审核，生产副总批准后下发各有关部门并作为各相关单位编

制专项计划的依据。

5.2月度生产计划

5.2.1月度生产计划编制的依据

a)市场部提供的市场产品需求订单；

b）科龙集团空调公司提供的月度生产计划和出口计划；

c）科龙集团冰箱公司提供的月度冰箱控制器需求计划和出口计划；

d）技术部新产品试制计划；

5.2.2月度生产计划包括：

a）空调冰箱控制器月度生产计划(主计划)；

b）市场部需求月度生产计划；

c)电子车间总装配计划和制板线计划。

5.2.3月度生产计划管理

a)生产调度处每月在收到编制依据的1个工作日内，编制空调电控件冰箱电控件和市场部需求下月“月度生产计划”（HG07.16-08表2），主计划必须明确控制器生产型号、数量、交货日期、以及对应生产的单位名称（包括电子车间和委外的供方）。对委外供方的计划必须在同委外供方进行沟通和确认后按中标供方的份额和均衡生产的原则安排。月度生产计划经生产物控部生产调度处长审核，生产物控部部长签发后下发各部门实施。同时由生产调度处编制相应的物料采购计划作为采购处物料采购的依据。

b)月度生产计划下发后1个工作日内，各业务主办必须根据生产计划的进度安排完成成品委外采购订单的填写、审批和发到供货方。

c)采购处根据物料采购计划的要求编制元器件及结构件的采购订单，并进行采购。

d)主生产计划员负责对计划的执行动态进行跟踪检查，对影响主生产计划完成的因素要及时把握，协调处理，确保交付计划的顺利完成。

5.3生产计划的调整

5.3.1计划的调整应遵循尽可能满足市场需求的同时，兼顾本公司整体效益的原则；

5.3.2所有计划调整的要求都应以书面形式提出，并由主管部门领导批准后方可生效。

5.3.3生产计划调整的依据

a)市场部提供的销售需求调整书面文件或计划；

b)空调公司生产计划和冰箱公司控制器需求计划调整；

c)物料不能按时供应，无法满足生产的书面报告；

生产调度处依据5.3.3 a)、b)、c)，制订“月度生产计划调整（增补）”（HG07.16-08 表3），并下发各部门实施。

5.3.4因生产计划调整而造成的积压物资，由相关采购业务员以书面形式提出，数量在《采购物资期量标准》以内的由生产物控部协调消化处理，数量超出《采购物资期量标准》部分所造成的损失由责任部门按本部门的工作标准（QZ/HD**.**-**）实施考核。

5.4生产前准备

5.4.1和月度生产计划下发到各有关部门后，各部门应根据生产计划的要求进行相应的生产前准备工作（包括物料、人员、检验、技术、设备、工装等）。对不能满足生产计划要求的问题要及时反馈 生产调度处，统一协调处理。

5.4.2生产物控部负责对批量生产的产品设计更改进行跟踪，并落实新旧制件衔接与配套安排，同时将有关信息反馈各相关部门。

5.5生产计划调度

生产调度处是生产计划组织安排和调度指挥的责任部门。负责根据实际的生产组织情况、物料供应情况，工艺、技术准备等情况，结合顾客的需求，平衡生产能力，及时对生产计划做出相应的调度，以保证生产既满足顾客的需求又能最大限度地保持生产的连续性和有序性。

5.6月度生产计划完成情况的考核

5.6.1每月5号前由生产物控部生产调度处对月度生产计划的完成情况进行汇总、分析并上报部门领导。

5.6.2对影响月度生产计划执行的个人和部门，生产物控部提出处理意见，由责任部门会签，生产副总批准后，由经营部进行考核。

6检查与考核

6.1本标准由生产物控部组织实施；

6.2本标准由管理者代表组织质量管理部检查并考核。

附录和附表

HG07.16-08表1生产计划

HG07.16-08表2月度生产计划

HG07.16-08表3月度生产计划调整（增补）

附加说明

本标准由生产物控部起草并负责解释。

本标准起草人：罗伟坚

第一次修订人：罗伟坚

本标准审定人：

第四篇：生产调度流程

流程说明：

一、步骤说明

1、生产管理部下达月度生产作业计划。

2、生产调度员了解原料储备情况、设备情况、技术情况、质量情况、生产情况等，进行生产准备。

3、根据生产作业计划安排生产。

4、生产调度员根据在生产过程中发现的问题以及分厂和工艺设计/质检部提供的生产现场的问题报告协调有关部门处理生产过程中出现的问题。

5、生产过程中出现的设备问题报告设备管理部，由设备部安排维修部门进行设备维修，备件更换；生产过程中出现的质量问题报告工艺设计/质检部，由工艺设计/质检部进行质量问题处理；生产过程中出现的原料问题，通知物流公司，物流公司进行原料供给；能源问题通知保障分厂，保障分厂进行协调；中间件转序问题与各分厂进行协调；生产调度员及时将生产进度情况随时报告部门领导。对于以上不能解决的问题由生产管理部部长协调相关部门人员进行解决。

6、生产调度员根据分厂的生产状况和生产过程中发生的各种情况形成调度日志。

二、流程要素说明 步骤 2 3 4 生产准备

按生产计划安排生产 协调生产

责任人

生产管理部生产调度员 生产管理部生产调度员 生产管理部生产调度员 输入 生产作业计划、生产现场问题报告 生产管理部生产计划员、各厂

协调相关部门处理生产过程中出现生产管理部部长、生产调度员、相的设备、技术、质量、原料、能源关部门 等问题 掌握生产进度状况 生产管理部生产调度员、工厂、相关部门

生产管理部生产调度员 输出 形成调度日志

三、流程其它说明

1、流程输出表单：《调度日志》。

2、流程依据的管理制度、办法、依据：《调度工作制度》。

3、流程中的时间要求：在保证生产计划完成的前提下，可对生产作业计划做出临时性调整，事后通知计划员。

4、流程频次：1次/月

第五篇：生产计划调度大作业

《作业车间调度的非合作博弈模型与混合自适应遗传算法》 作者：周光辉，王蕊，江平宇，张国海

摘要：采用博弈理论，建立了一种基于非合作博弈的作业车间任务调度模型，在该任务调度模型中，将源于不同客户的制造任务映射为非合作博弈模型中的局中人，并将与制造任务包括的工序集所对应的可选加工设备映射为可行方案集，将使各制造任务的加工完成时间和成本组合形成的多目标综合指标映射为收益函数，从而将对任务调度模型的求解转换为寻求非合作博弈模型的Nash均衡点，通过设计的爬山搜索混合自适应遗传算法、自适应交叉和变异算子，实现了对该任务调度非合作博弈模型的Nash均衡点的有效求解，同时算例仿真结果也验证了所提出的调度方法的正确性。

根据数学模型和假设条件，竞争驱动的作业车间任务调度目标就是寻求使得每个制造任务均能达到综合目标值最小、利益均衡的调度结果。

《基于自适应遗传算法的Job Shop 调度问题研究》 作者：沈斌，周莹君，王家海

Job Shop 求解过程的计算量随问题的规模呈指数增长，已被证明是NP完全问题。因此近年来倾向于利用人工智能的原理和技术进行搜索，寻找复杂问题的较优解，特别是以效仿生物处理模式以获得智能信息处理功能的遗传算法研究最为深入。但是也有不足之处，早熟收敛问题，局部搜索能力，算子的无方向性，正因为这些不足限制了以遗传算法的进一步推广和应用，因此对遗传算法进行改进显得尤为重要。本文提出一种新的自适应遗传算法用以求解Job Shop调度问题。

Job Shop问题描述

一个加工系统有m台设备，要求加工n个工件，第i个工件ji包含m个操作（工序），需要考虑如下假设：

1）每道工序必须按照工艺顺寻依次在指定的设备上加工，且必须在前一道工序（如果存在））加工完成后才一开始加工；

2）工件在一台设备上一旦开始加工，便不能中断，必须等到加工完成后，才能加工另外工件，即某一时刻一台设备只能加工一个工件； 3）同一个工件不能同时在两个设备上加工；

4）同一台设备不能同时加工两个工件；

5）每个工件在每台设备上必须加工一次，也只能加工一次；

6）各工件的工艺路线jsn和每到工序的加工时间jt已知，且不随加工排序的改变而改变，转移时间和辅助时间忽略不计或计入加工时间。

《A Hybrid Genetic Algorithm for Job Shop Scheduling Problem to Minimize Makespan》 作者：Lin Liu, Yugeng Xi

In this paper, we present a hybrid genetic algorithm for the job shop scheduling problem to mimize makespan.How to improve GA performance is a critical issue when using a GA to solve optimization problems.The general way focuses on tuning its parameters such as population size, crossover rate and mutation rate.However, if all parameters have attained the useful bounds, the expected improvement is often not worth the efforts of finding even better parameters.More potential improvements can be only explored by modifying the size of search space.The set of active schedules is usually large and includes a lot of schedules with relatively large idle times on machines, and thus with relatively large idle times on machines, and thus with poor performance in terms of makespan.The proposed algorithm used the idea of hybrid scheduler to reduce the search space as well as the computational efforts.The search space can be reduced or increased by controlling the upper bound of idle times allowed on machines.Since the parameters of the hyubrid scheduler are unlikely to be determined appropriately in advance, we search better values of them in the hybrid GA evolution.Dissimilar to Gas in literatures, a chromosome includes not only genes representing the relative priorities of all operations but also genes representing the parameters to determine the upper bound of idle times permitted on a given machine before scheduling an operation.The random keys representation is used to encode a chromosome.Each element of the chromosome is a real number of [0,1].During the schedule generation phase, the SPV rule is used to convert a real number vector into a job repetition representation.Based on the hybrid scheduler, a chromosome is decoded into a feasible schedule.Finally, a local search is executed in the neighborhood determined by the critical active chain to improve the performance of the schedule generated in the schedule generation phase.nd In the 2section, we present the formulation of job shop scheduling problem to minimize makespan.In the 3 section, we describe the proposed hybrid genetic algorithm in detail.In the 4 section, the proposed algorithm is evaluated on benchmark instances.Finally, we conclude the paper with a summary in 5th section.《Hybrid Genetic Algorithm for Solving Job-Shop Scheduling Problem》 作者：S.M.Kamrul Hasan

The Job-Shop Scheduling Problem(JSSP)is a well-known difficult combinatorial optimization problem.Many algorithms have been proposed for solving JSSP in the last few decades, including algorithms based on evolutionary techniques.However, there is room for improvement in solving medium to large scale problems effectively.In this paper, we present a Hybrid Genetic Algorithm(HGA)that includes a heuristic job ordering with a Genetic Algorithm.We apply HGA to a number of benchmark problems.It is found that the algorithm is able to improve the solution the solution obtained by traditional genetic algorithm.《Scheduling jobs and maintenances in flexible job shop with a hybrid genetic algorithm》

Most flexible job shop scheduling models assume that the machines are available all of the time.However, in most realistic situations, machines may be unavailable due to maintenances, pre-schedules and so on.In this paper, we study the flexible job shop scheduling problem with availability constraints.The availability constraints are non-fixed in that the completion time of the maintenance tasks is not fixed and has to be determined during the scheduling procedure.We then propose a hybrid genetic alogorithm to solve the flexible job shop scheduling problem with non-fixed availability constraints.The genetic algorithm uses an innovative representation method thrdand applies genetic operations in phenotype space in order to enhance the inheritability.We also define two kinds of neighbourhood for the problem based on the concept of critical path.A local search procedure is then integrated under the framework of the genetic algorithm.Representative flexible job shop scheduling benchmark problems and fJSP-nfa problems are solved in order to test the the effectiveness and efficiency of the suggested methodology.《A Hybrid genetic algorithm for no-wait job shop scheduling problems》 作者：Jason Chao-Hsien Pan, Han-Chiang Huang

A no-wait job shop describes a situation where every job has its own processing sequence with the constraint that no waiting time is allowed between operations within any job.A NWJS problem with the objective of minimizing total completion time is a NP-hard problem and this paper proposes a hybrid genetic algorithm(HGA)to solve this complex problem.A genetic operation is defined by cutting out a section of genes from a chromosome and treated as a subproblem.This subproblem is then transformed into an asymeetric traveling salesman problem(ATSP)and solved with a heuristic algorithm.Subsequently, this section with new sequence is put back to replace the original section of chromosome.The incorporation of this problem-specific genetic operator is responsible for the hybrid adjective.By doing so, the course of the search of the proposed genetic algorithm is set to more profitable regions in the solution space.The experiemental results show that this hybrid genetic algorithm can accelerate the convergence and improve solution quality as well.