第一篇：生產計劃生產調度現場管理流程

<計調科工作流程圖><業務流程>1.盤點昨天生產數據及各工段現有車輛數量<負責人/協助人><所需資料>各車間工段長昨天生產報表、月度批次表等2.簡單分析該數據調度3.9點開生產晨會制造本部領導、調度、各車間主任、工段長、生服部等部門負責人各車間的生產情況及遇到的問題4.整理記錄晨會內容當日未能解決調度晨會記錄表5.跟蹤解決晨會問題調度/各車間主任、段長及其他有關人員當日產量、計劃、車型等6.協調處理應急事件與該事件有關的部門及人員公司的相關管理規定7.三點半開例會各車間段長當天計劃的完成數據及情況8.跟蹤解決例會中的問題調度、與問題有關部門人員9.統計當天生產情況調度/各工段長生產報表10.安排班車調度/物流科11.填寫調度日志，同夜班人員交接調度/夜班人員調度日志結束

第二篇：生產計劃調度

目前大多數仿真是以靜態方式運行的：仿真系統僅以啟動時確定下來的靜態數據集作為輸入，仿真運行過程中不能動態地向系統注入數據。如果有新數據到來，必須重新運行仿真系統。這就限制了應用仿真系統的分析和預測能力。而許多領域已形成了對動態應用仿真系統的需求，在此背景下，美國國家自然科學基金會（The National ScienceFoundation，NSF）提出了動態數據驅動應用系統（DynamicData Driven Application Systems，DDDAS）的概念和研究方向，試圖將仿真與實驗有機地結合起來，構成一種仿真與實驗融合為一體的自然和諧的共生動態反饋系統。

各單元模塊的功能如下

1．控制單元：控制仿真模型運行，抽取模型的狀態特征數據與注入數據對比分析，據此調整模型和分辨率；控制實際生產線運行，根據仿真結果數據反饋生產線調度優化方案；控制數據采集，根據仿真結果數據產生數據采集策略，反饋數據采集模塊執行。

2．仿真模型單元：根據控制系統指令，產生新的仿真目標策略。據此，從模型庫調用相應模型進行新模型的構建，并動態調整模型或模型參數，達到仿真結果與仿真目標逼近。最后，將模型與仿真結果進行分析評價，并形成知識保存在知識庫中，為完善模型庫構建和模型選擇提供依據。

3．人機接口單元：顯示仿真結果，支持用戶對仿真策略進行調整和控制，支持用戶根據仿真結果對生產線運行進行控制，支持用戶根據仿真結果對數據采集策略進行選擇控制。

4．數據采集單元：根據控制系統指令，生成新的數據采集策略。據此，采集生產線上的數據，并且具備多信息源數據融合能力。

(一)動態數據驅動仿真單元

此單元由調度模塊和仿真模塊組成，完成調度方案的生成功能。

其中，調度模塊包括相互協同的兩個層次：上層模塊是生產計劃調度器，采用全局優化的方法，利用群體智能蟻群算法進行尋優，可產生一個靜態的調度計劃，其尋優時間長的問題可以通過多Agent建模的分布式計算能力得到解決。下層模塊是實時調度模塊，采用啟發式的規則對生成的調度計劃進行調整，并通過仿真進行分析和驗證。當不確定事件發生，生產線上的環境變量發生改變時，該模塊負責調整調度計劃適應新的系統狀態。如果在多個調度目標無法優化的情況下，通知上層模塊，重新生成調度計劃。整個過程是一個動態反饋過程。采用智能算法的優點在于能夠從全局的角度進行優化，缺點在于模型描述的精度不高和易于陷入局部優化解；利用帶啟發式規則的仿真方法恰恰能夠精確地描述模型和改善局部的解的性能，同時在較短的時間內生成優化的調度方案。上層的調度結果不僅會指導下層的調度過程，即帶啟發式規則的仿真是對智能蟻群算法產生的調度計劃的局部修改；而且下層的調度結果也能幫助上層的調度尋優，啟發式規則產生的某些局部優化解也可以作為啟發信息指導蟻群算法更快地收斂。

仿真模塊完成以下三種功能：首先，它能夠實現用戶可視化的生產線建模，模型的復雜程度可以根據用戶研究問題的深度不同進行定義和設置；其次，為適應動態變化的生產環境，在仿真運行過程中，生產模型也可以根據生產線的具體情況進行自動修正，如某個設備失效等；最后，對調度模塊產生的調度方案進行仿真，并把由此生成的對該調度方案的多目標評價值和對瓶頸設備的預測數據反

饋給調度模塊，作為對下一步調度優化判斷的依據。(二)動態數據驅動仿真控制單元

由中心推理機和輔助功能Agent組成，共同構成一個調度決策支持系統。中心推理機實現基于案例庫或規則庫的智能決策功能，輔助功能Agent在中心推理機的協同下工作，包括多目標管理Agent、優化策略管理Agent、調度仿真劇情管理Agent、調度因素分析Agent等四種類型的Agent，它們分別實現不同的控制功能。

多目標管理Agent：負責控制當前調度優化的方向，對調度方案評價函數中多個不同目標的權重進行動態的參數調整，實現調度目標與當前生產線的實際生產情況一致。柔性制造系統生產線調度問題是一個多目標的優化問題。短期優化目標包括：最大化生產量、最大化WIP移動步數、最小訂單交貨延遲率、降低加工周期、降低加工周期方差、降低WIP水平等。目標之間存在相互制約的關系，如何選取各目標優化的權重以平衡各目標優化的能力是需要解決的問題。各目標權值的大小比例是一個動態調適的過程。首先，它必須與我們生產計劃對當前生產的要求和側重點一致。同時，它也在不斷地動態調整，保持與生產線當前的實際生產情況一致，完成這個任務需要中心推理機的協同，如基于案例庫的推理等。

優化策略管理Agent：直接對調度和仿真模塊下達指令，負責監控調度仿真的執行過程。優化策略管理Agent根據控制模塊設定的優化目標或調度模塊反饋的優化目標的達成情況，在中心推理機的幫助下，按照推理規則，進行模型和算法的調整，實現全局優化算法和局部優化算法之間的動態協作，當滿足一定的條件時，返回優化的調度方案作為當前的最優解。

調度仿真劇情管理Agent：協助用戶完成“what—if”分析。與傳統仿真不同，動態數據驅動仿真是一種與生產線生產過程并行的仿真方法。因此，我們可以在仿真過程中設置多個時間斷點，通過改變假設條件來進行生產預測；同時，也可以進行回放分析，這在傳統仿真方法中是無法實現的。對多劇情仿真的管理由仿真劇情管理Agent實現；同時，仿真參數和得到的結果也將作為知識保存在案例庫中。

調度因素分析Agent：接收來自數據采集模塊的實時生產線數據，比較仿真數據與生產數據的差異，如果發現兩者有較大的偏差，即參數超出了允許的域值范圍，則使用中心推理機分析原因，并將分析的調度因素傳遞給優化策略管理Agent，作為調整調度模型和算法的依據。同時，將調度因素反饋給數據采集策略Agent，由后者按一定的策略完成下一步的生產線數據采集工作。(三)動態數據注入單元

由數據采集策略Agent根據調度因素分析A—gent反饋的結果生成下一步的數據采集策略，然后派出對應的移動Agent到生產制造EMS系統中采集生產線上的生產數據。由于柔性制造系統生產線由上百個生產設備構成，如果對所有的生產數據進行采集必然影響數據的采集效率，所以采用移動Agent既縮短時間又提高數據的精確性，同時還可以根據需要對數據作一定的預處理以縮小傳遞的數據量。

(四)用戶界面交互Agent 負責把仿真數據展示給用戶，同時，接收用戶對仿真模型或參數的控制。使用戶可以實時地控制仿真的整個過程，并利用仿真結果指導生產和數據采集過程。

模型運行機制

從圖3中可見，動態數據驅動仿真的過程與生產線的生產過程是并行進行的。仿真系統根據一定的時鐘節拍采樣生產線上的數據；然后，將仿真數據與生產線數據作比較，使用因素分析Agent分析原因。如果發現兩者有較大的偏差，即參數超出了允許的域值范圍，則調整仿真模型，重新進行仿真。其中，仿真模型根據動態注入的生產數據完成自適應調整是整個DDDAS的核心，本文采用分層優化的思想生成調度方案，同時達到全局和局部的優化目標。首先，將智能搜索技術與離散事件仿真技術相結合，得到上層的調度方案；然后，應用優化策略Agent對仿真結果進行分析，找到進一步優化的方向，利用啟發式調度規則進行方案調整得到下層的調度方案，并反復地使用仿真進行驗證。不僅下層的調度方案建立在上層調度方案的基礎上；同時，上層的調度模塊接受下層調度方案的局部優化解作為啟發信息引導搜索過程，以加快收斂，在較短的時間內得到全局的優化解。與傳統的靜態仿真不同，DDDAS仿真能動態地吸收新的數據，并將仿真過程同真實系統相融合，讓二者相互協同起來。一方面，通過真實系統運行過程中產生的參數同步地對仿真系統進行調整，可以大大提高仿真的準確性、時效性、智能化；另一方面，通過仿真提供的數據同步地為真實系統地運行提供決策支持，這些將大大地擴展仿真系統的應用能力。

第三篇：生產計劃與調度管理標準

佛山市順德區華傲電子有限公司企業標準

QG/HD07.16-08

生產計劃與調度管理標準

B版

2004年8月發布2004年8月實施

佛山市順德區華傲電子有限公司發布

目錄

1．范圍

2．引用標準

3．術語及定義

4．管理職責

4.1生產物控部職責

4.2采購處職責

4.3市場部營銷部

4.4技術部職責

4.5經營管理部職責

5．管理內容與要求

5.1生產計劃

5.2月度生產計劃

5.3生產計劃的調整

5.4生產前準備

5.5生產計劃調度

5.6月度生產計劃完成情況的考核

6檢查與考核

附錄和附表

HG07.16-08表1生產計劃

HG07.16-08表2月度生產計劃

HG07.16-08表3月度生產計劃調整（增補）

附加說明

為了制定正確、適宜的季度生產計劃、月度生產計劃，對各項計劃的執行情況進行監控調度完成情況進行考核，確保計劃的順利完成，特制定本標準。

1．范圍

本標準規定了生產計劃管理的調度的職責、內容與要求。

本標準適用于本公司各有關部門。

2．引用標準

QG/HD07.16-09生產過程控制管理標準

QG/HD07.16-11倉庫管理和物料控制管理標準

QZ/HD**.**-*****工作標準

3．術語及定義

（不需用）

4．管理職責

4.1生產物控部職責

a）負責與科龍集團內主機公司與其他外部客戶的生產銜接；

b）負責生產能力的平衡及委外加工的組織；

c）負責根據主機公司的計劃訂單和市場營銷部的生產訂單編制本公司的生產計劃；

d）負責生產計劃、滾動計劃和月度生產計劃編制并組織實施同時對計劃執行情況進行監控調度，并對計劃完成情況進行考核。

e）負責采購和供應工作，保證物資能按計劃需求按質、按量、按時供應。

4.2采購處職責

負責采購和供應工作，保證物資能按計劃需求按質、按量、按時供應。

4.3市場部營銷部

負責提供外部市場產品需求訂單。

4.4技術部職責

負責提供新產品開發項目計劃和月度新產品試制進度計劃。

4.5經營管理部職責

負責根據生產物控部的意見對計劃完成情況進行考核。

5．管理內容與要求

5.1生產計劃

5.1.1生產計劃編制的依據

a）市場部提供的系列產品需求預測；季度分月需求預測；主機公司提供的需求計劃； b）技術部提供的新產品開發項目計劃。

5.1.2生產計劃的編制

5.1.2.1生產調度處在每年11~12月根據上述編制依據，經初步平衡，編制下一的“生產計劃”（HG07.16-08表1），經生產物控部部長審核，生產副總批準后下發各有關部門并作為各相關單位編

制專項計劃的依據。

5.2月度生產計劃

5.2.1月度生產計劃編制的依據

a)市場部提供的市場產品需求訂單；

b）科龍集團空調公司提供的月度生產計劃和出口計劃；

c）科龍集團冰箱公司提供的月度冰箱控制器需求計劃和出口計劃；

d）技術部新產品試制計劃；

5.2.2月度生產計劃包括：

a）空調冰箱控制器月度生產計劃(主計劃)；

b）市場部需求月度生產計劃；

c)電子車間總裝配計劃和制板線計劃。

5.2.3月度生產計劃管理

a)生產調度處每月在收到編制依據的1個工作日內，編制空調電控件冰箱電控件和市場部需求下月“月度生產計劃”（HG07.16-08表2），主計劃必須明確控制器生產型號、數量、交貨日期、以及對應生產的單位名稱（包括電子車間和委外的供方）。對委外供方的計劃必須在同委外供方進行溝通和確認后按中標供方的份額和均衡生產的原則安排。月度生產計劃經生產物控部生產調度處長審核，生產物控部部長簽發后下發各部門實施。同時由生產調度處編制相應的物料采購計劃作為采購處物料采購的依據。

b)月度生產計劃下發后1個工作日內，各業務主辦必須根據生產計劃的進度安排完成成品委外采購訂單的填寫、審批和發到供貨方。

c)采購處根據物料采購計劃的要求編制元器件及結構件的采購訂單，并進行采購。

d)主生產計劃員負責對計劃的執行動態進行跟蹤檢查，對影響主生產計劃完成的因素要及時把握，協調處理，確保交付計劃的順利完成。

5.3生產計劃的調整

5.3.1計劃的調整應遵循盡可能滿足市場需求的同時，兼顧本公司整體效益的原則；

5.3.2所有計劃調整的要求都應以書面形式提出，并由主管部門領導批準后方可生效。

5.3.3生產計劃調整的依據

a)市場部提供的銷售需求調整書面文件或計劃；

b)空調公司生產計劃和冰箱公司控制器需求計劃調整；

c)物料不能按時供應，無法滿足生產的書面報告；

生產調度處依據5.3.3 a)、b)、c)，制訂“月度生產計劃調整（增補）”（HG07.16-08 表3），并下發各部門實施。

5.3.4因生產計劃調整而造成的積壓物資，由相關采購業務員以書面形式提出，數量在《采購物資期量標準》以內的由生產物控部協調消化處理，數量超出《采購物資期量標準》部分所造成的損失由責任部門按本部門的工作標準（QZ/HD**.**-**）實施考核。

5.4生產前準備

5.4.1和月度生產計劃下發到各有關部門后，各部門應根據生產計劃的要求進行相應的生產前準備工作（包括物料、人員、檢驗、技術、設備、工裝等）。對不能滿足生產計劃要求的問題要及時反饋 生產調度處，統一協調處理。

5.4.2生產物控部負責對批量生產的產品設計更改進行跟蹤，并落實新舊制件銜接與配套安排，同時將有關信息反饋各相關部門。

5.5生產計劃調度

生產調度處是生產計劃組織安排和調度指揮的責任部門。負責根據實際的生產組織情況、物料供應情況，工藝、技術準備等情況，結合顧客的需求，平衡生產能力，及時對生產計劃做出相應的調度，以保證生產既滿足顧客的需求又能最大限度地保持生產的連續性和有序性。

5.6月度生產計劃完成情況的考核

5.6.1每月5號前由生產物控部生產調度處對月度生產計劃的完成情況進行匯總、分析并上報部門領導。

5.6.2對影響月度生產計劃執行的個人和部門，生產物控部提出處理意見，由責任部門會簽，生產副總批準后，由經營部進行考核。

6檢查與考核

6.1本標準由生產物控部組織實施；

6.2本標準由管理者代表組織質量管理部檢查并考核。

附錄和附表

HG07.16-08表1生產計劃

HG07.16-08表2月度生產計劃

HG07.16-08表3月度生產計劃調整（增補）

附加說明

本標準由生產物控部起草并負責解釋。

本標準起草人：羅偉堅

第一次修訂人：羅偉堅

本標準審定人：

第四篇：生產調度流程

流程說明：

一、步驟說明

1、生產管理部下達月度生產作業計劃。

2、生產調度員了解原料儲備情況、設備情況、技術情況、質量情況、生產情況等，進行生產準備。

3、根據生產作業計劃安排生產。

4、生產調度員根據在生產過程中發現的問題以及分廠和工藝設計/質檢部提供的生產現場的問題報告協調有關部門處理生產過程中出現的問題。

5、生產過程中出現的設備問題報告設備管理部，由設備部安排維修部門進行設備維修，備件更換；生產過程中出現的質量問題報告工藝設計/質檢部，由工藝設計/質檢部進行質量問題處理；生產過程中出現的原料問題，通知物流公司，物流公司進行原料供給；能源問題通知保障分廠，保障分廠進行協調；中間件轉序問題與各分廠進行協調；生產調度員及時將生產進度情況隨時報告部門領導。對于以上不能解決的問題由生產管理部部長協調相關部門人員進行解決。

6、生產調度員根據分廠的生產狀況和生產過程中發生的各種情況形成調度日志。

二、流程要素說明 步驟 2 3 4 生產準備

按生產計劃安排生產 協調生產

責任人

生產管理部生產調度員 生產管理部生產調度員 生產管理部生產調度員 輸入 生產作業計劃、生產現場問題報告 生產管理部生產計劃員、各廠

協調相關部門處理生產過程中出現生產管理部部長、生產調度員、相的設備、技術、質量、原料、能源關部門 等問題 掌握生產進度狀況 生產管理部生產調度員、工廠、相關部門

生產管理部生產調度員 輸出 形成調度日志

三、流程其它說明

1、流程輸出表單：《調度日志》。

2、流程依據的管理制度、辦法、依據：《調度工作制度》。

3、流程中的時間要求：在保證生產計劃完成的前提下，可對生產作業計劃做出臨時性調整，事后通知計劃員。

4、流程頻次：1次/月

第五篇：生產計劃調度大作業

《作業車間調度的非合作博弈模型與混合自適應遺傳算法》 作者：周光輝，王蕊，江平宇，張國海

摘要：采用博弈理論，建立了一種基于非合作博弈的作業車間任務調度模型，在該任務調度模型中，將源于不同客戶的制造任務映射為非合作博弈模型中的局中人，并將與制造任務包括的工序集所對應的可選加工設備映射為可行方案集，將使各制造任務的加工完成時間和成本組合形成的多目標綜合指標映射為收益函數，從而將對任務調度模型的求解轉換為尋求非合作博弈模型的Nash均衡點，通過設計的爬山搜索混合自適應遺傳算法、自適應交叉和變異算子，實現了對該任務調度非合作博弈模型的Nash均衡點的有效求解，同時算例仿真結果也驗證了所提出的調度方法的正確性。

根據數學模型和假設條件，競爭驅動的作業車間任務調度目標就是尋求使得每個制造任務均能達到綜合目標值最小、利益均衡的調度結果。

《基于自適應遺傳算法的Job Shop 調度問題研究》 作者：沈斌，周瑩君，王家海

Job Shop 求解過程的計算量隨問題的規模呈指數增長，已被證明是NP完全問題。因此近年來傾向于利用人工智能的原理和技術進行搜索，尋找復雜問題的較優解，特別是以效仿生物處理模式以獲得智能信息處理功能的遺傳算法研究最為深入。但是也有不足之處，早熟收斂問題，局部搜索能力，算子的無方向性，正因為這些不足限制了以遺傳算法的進一步推廣和應用，因此對遺傳算法進行改進顯得尤為重要。本文提出一種新的自適應遺傳算法用以求解Job Shop調度問題。

Job Shop問題描述

一個加工系統有m臺設備，要求加工n個工件，第i個工件ji包含m個操作（工序），需要考慮如下假設：

1）每道工序必須按照工藝順尋依次在指定的設備上加工，且必須在前一道工序（如果存在））加工完成后才一開始加工；

2）工件在一臺設備上一旦開始加工，便不能中斷，必須等到加工完成后，才能加工另外工件，即某一時刻一臺設備只能加工一個工件； 3）同一個工件不能同時在兩個設備上加工；

4）同一臺設備不能同時加工兩個工件；

5）每個工件在每臺設備上必須加工一次，也只能加工一次；

6）各工件的工藝路線jsn和每到工序的加工時間jt已知，且不隨加工排序的改變而改變，轉移時間和輔助時間忽略不計或計入加工時間。

《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.