Статья опубликована в рамках: Научного журнала «Студенческий» № 35(373)
Рубрика журнала: Информационные технологии
Скачать книгу(-и): Скачать книгу
ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ ОПЕРАТИВНОМ ПЛАНИРОВАНИИ ПРОИЗВОДСТВА DC-DC-ПРЕОБРАЗОВАТЕЛЕЙ
INTELLIGENT DECISION SUPPORT SYSTEM FOR OPERATIONAL PRODUCTION PLANNING OF DC-DC CONVERTERS
Аннотация
Рассматривается задача оперативного планирования производства DC-DC-преобразователей (DC-DC-конвертеров), для которого характерны мелкосерийность, сжатые сроки и повышенные требования к качеству паяных соединений и выходному контролю. Ручное планирование загрузки SMT-линий и тестовых стендов приводит к простоям, срывам сроков и росту доли брака. Предложена интеллектуальная система поддержки принятия решений (ИСППР), объединяющая модель прогнозирования риска брака (логистическая регрессия) и многокритериальную модель составления расписания (минимизация продолжительности цикла, суммарного опоздания и дисбаланса загрузки). Разработан эвристический алгоритм построения расписания с учётом прогнозного риска и приоритетов заказов. Проведены имитационные эксперименты на модели участка из трёх SMT-линий и двух тестовых стендов: относительно правил FIFO и EDD предложенный подход снижает продолжительность производственного цикла на 12 %, суммарное опоздание — на 34 %, дисбаланс загрузки — на 25 %, а прогнозная доля брака — на 8 %. Система формирует набор альтернативных расписаний и объяснения к ним, оставляя окончательный выбор за лицом, принимающим решения.
Abstract
The problem of operational production planning for DC-DC converters is considered. Such production is characterized by small batches, tight deadlines and strict requirements to the quality of solder joints and final testing. Manual planning of SMT line and test bench loading results in idle time, missed deadlines and a growing defect rate. An intelligent decision support system (IDSS) is proposed that combines a defect risk prediction model (logistic regression) with a multi-criteria scheduling model minimizing the makespan, total weighted tardiness and workload imbalance. A heuristic scheduling algorithm is developed that takes predicted risk and order priorities into account. Simulation experiments on a model of a production area with three SMT lines and two test benches show that, compared with the FIFO and EDD rules, the proposed approach reduces the makespan by 12 %, total tardiness by 34 %, workload imbalance by 25 % and the predicted defect rate by 8 %. The system generates a set of alternative schedules with explanations, leaving the final choice to the decision maker.
Ключевые слова: интеллектуальная система поддержки принятия решений, оперативное планирование, производство DC-DC-преобразователей, многокритериальная оптимизация, прогнозирование брака, расписание, теория расписаний.
Keywords: intelligent decision support system, operational planning, DC-DC converter production, multi-criteria optimization, defect prediction, scheduling, scheduling theory.
1. Введение
Современное производство электронных модулей, в том числе DC-DC-преобразователей, работает в условиях мелкосерийных заказов, коротких сроков поставки и жёстких требований к качеству. Участок производства включает автоматическую установку компонентов (SMT), пайку, сборку и выходной контроль; каждая партия проходит свой маршрут, а оборудование и персонал ограничены. В этих условиях ключевым фактором эффективности становится оперативное планирование — распределение заказов по рабочим центрам и во времени.
На практике планирование нередко выполняется вручную диспетчером на основе опыта и электронных таблиц. Такой подход плохо масштабируется: при росте числа заказов и возмущений (поломки, срочные вставки, нестабильное качество) расписание быстро устаревает. Возникают простои оборудования, срывы сроков, неравномерная загрузка линий и рост брака из-за спешки.
Известные работы по теории расписаний и управлению производством предлагают формальные модели и алгоритмы: правила диспетчеризации, метаэвристики и точные методы оптимизации [1–3]. В области интеллектуальных систем развиваются методы многокритериального выбора [4, 5], механизмы управления организационными системами [6, 7, 8] и модели прогнозирования на основе машинного обучения [9, 10], а концепция киберфизических производственных систем [11, 12] задаёт общую рамку интеграции таких методов в контур управления производством. Однако на практике остаётся противоречие: классические алгоритмы расписания не учитывают прогнозный риск брака, а модели прогнозирования качества не связаны с планированием загрузки и не образуют единого контура принятия решений.
Цель статьи — разработать ИСППР, объединяющую прогнозирование риска брака и многокритериальное планирование производства DC-DC-преобразователей, и оценить её эффективность по сравнению с типовыми правилами диспетчеризации.
Объект исследования — участок производства DC-DC-преобразователей как организационно-техническая система. Предмет — процессы оперативного планирования и поддержки принятия решений. Новизна — гибридная модель «прогноз риска → многокритериальное расписание → объяснимые альтернативы для ЛПР» и эвристический алгоритм, учитывающий прогнозный риск брака при назначении приоритетов.
2. Постановка задачи
Пусть на участке выполняются заказы i = 1…N, каждый из которых состоит из партии изделий и проходит маршрут по рабочим центрам j = 1…M (SMT-линии, пайка, тестовые стенды). Для заказа заданы: трудоёмкость pi, директивный срок di, важность (вес) wi и характеристики партии xi (тип компонентов, сложность платы, параметры пайки и т. п.).
Требуется построить расписание, минимизирующее три группы потерь:
1) продолжительность производственного цикла (makespan) Cmax;
2) суммарное опоздание заказов Ti = max(0, Ci − di) с весами wi;
3) дисбаланс загрузки рабочих центров.
При этом необходимо учитывать прогнозный риск брака qi: чем выше риск, тем ниже приоритет заказа при прочих равных (чтобы не «гонять» в спешке рискованные партии и снижать потери качества).
Управляющие воздействия — назначение заказов на рабочие центры и порядок их выполнения. Ограничения — доступность оборудования, маршрутная технология, фонд рабочего времени. Возмущения — внеплановые заказы, отказы оборудования, колебания качества.
3. Предлагаемое решение
3.1. Модель прогнозирования риска брака
Вероятность брака партии оценивается логистической регрессией [9] по признакам xik (сложность платы, число компонентов, режим пайки, тип партии, загрузка линии и др.):
qi = 1/(1 + exp(−(β0 + Σk βk · xik))) (1)
Модель обучается на исторических данных участка; она даёт интерпретируемые коэффициенты, что важно для объяснения решений диспетчеру. При необходимости используются и более сложные модели (градиентный бустинг), но логистическая регрессия остаётся базовой из-за прозрачности.
3.2. Многокритериальный критерий расписания
Качество расписания оценивается аддитивно-нормированным критерием [4, 5, 8]:
F = α · Cmax/Cmax0 + β · (Σi wi · Ti)/(Σi wi · di) + γ · (Σi pi · qi)/(Σi pi) (2)
где Cmax0 — нормирующая (базовая) продолжительность цикла, α + β + γ = 1 — веса критериев, задаваемые ЛПР. Третье слагаемое — ожидаемые потери качества: оно тем больше, чем больше трудоёмкость и риск брака.
Дисбаланс загрузки рабочих центров оценивается коэффициентом вариации:
CV = σ(L1, …, LM)/L̄ (3)
где Lj — суммарная загрузка центра j, L̄ — средняя загрузка. В модель (2) дисбаланс может входить как дополнительный штраф или как ограничение CV ≤ CVmax.
3.3. Эвристический алгоритм планирования
Предлагается жадный алгоритм с локальным улучшением [1, 3], использующий прогнозный риск:
1) сбор данных: заказы, маршруты, доступность оборудования, исторические данные о качестве;
2) прогноз риска qi по модели (1);
3) расчёт приоритета заказа с учётом важности, срока и риска:
πi = wi(1 − qi)/(pi · max(1, di − t)) (4)
где t — текущий момент планирования;
4) назначение на рабочие центры: заказы в порядке убывания πi распределяются на центр с минимальной текущей загрузкой, допускаемый маршрутом;
5) локальное улучшение: попарные перестановки соседних заказов, уменьшающие значение F (2) при сохранении ограничений;
6) формирование альтернатив: ЛПР предъявляются 2–3 варианта с разными весами (α, β, γ) и объяснением, за счёт чего достигнуто улучшение.
Алгоритм полиномиален по числу итераций локального поиска и пригоден для оперативного перепланирования при возмущениях. Состав стадий создания системы определён в соответствии с ГОСТ Р 34.601 – 90 [13], а требования к роли руководителя разработки программного обеспечения учтены согласно профессиональному стандарту [14].
3.4. Пример на малой размерности
Рассмотрим 3 заказа и 2 рабочих центра. Пусть p = (4, 3, 2) ч, d = (6, 8, 7) ч, w = (3, 2, 1), q = (0,10; 0,05; 0,20).
При правиле FIFO порядок (1, 2, 3) даёт Cmax = 9 ч и опоздание заказа 3. Приоритет (4) выдвигает вперёд важный заказ 1, а заказ 3 с высоким риском не ставится в начало — формируется порядок (1, 3, 2), который уменьшает суммарное опоздание и ожидаемые потери качества. Значение критерия (2) при α = 0,4, β = 0,4, γ = 0,2 снижается примерно на 9 %.
4. Эксперименты
Эксперименты проводились на имитационной модели участка: 3 SMT-линии и 2 тестовых стенда, горизонт планирования — 50 заказов, 100 прогонов с варьированием параметров (число срочных заказов, отказы оборудования, разброс качества). Сравнивались три стратегии: FIFO, EDD (ранний срок — раньше) и предложенный алгоритм. Результаты приведены в таблице 1.
Таблица 1.
Результаты имитационных экспериментов
| Показатель | FIFO | EDD | Предложенный |
|---|---|---|---|
| Продолжительность цикла Cmax, % | 100 | 96 | 88 |
| Суммарное опоздание, % | 100 | 82 | 66 |
| Дисбаланс загрузки CV | 0,42 | 0,38 | 0,31 |
| Прогнозная доля брака, % | 2,4 | 2,3 | 2,2 |
Предложенный подход снижает продолжительность цикла на 12 %, суммарное опоздание — на 34 %, дисбаланс загрузки — на 25 %, прогнозную долю брака — на 8 % относительно FIFO. Анализ чувствительности показал, что выигрыш сохраняется при изменении весов (α, β, γ) и при доле срочных заказов до 30 %.
5. Обсуждение
Предложенная ИСППР даёт количественно измеримый эффект и, что важно для практики, объясняет решения: диспетчер видит, какой критерий улучшился и за счёт чего. Гибридная схема «прогноз риска + расписание» позволяет учитывать качество уже на этапе планирования, а не только на выходном контроле, и соответствует тенденции интеграции аналитических моделей в киберфизические производственные системы [11, 12].
Границы применимости: модель прогнозирования требует накопленных данных о качестве; при малом объёме данных её следует заменять экспертной оценкой. Результаты получены на имитационной модели и требуют проверки на реальном участке.
Управленческая интерпретация: система поддерживает решения диспетчера, а не заменяет его; окончательный выбор альтернативы остаётся за ЛПР.
6. Заключение
Разработана ИСППР оперативного планирования производства DC-DC-преобразователей, объединяющая прогнозирование риска брака и многокритериальную модель расписания. Предложен эвристический алгоритм, учитывающий прогнозный риск при назначении приоритетов. Имитационные эксперименты показали снижение продолжительности цикла, опозданий, дисбаланса загрузки и прогнозной доли брака.
Научная новизна:
1) гибридная модель «прогноз риска брака → многокритериальное расписание → объяснимые альтернативы для ЛПР»;
2) эвристический алгоритм планирования, использующий прогнозный риск в приоритете заказа;
3) схема формирования объяснимых альтернатив расписания для диспетчера.
Практическая значимость: предложенный подход применим на мелкосерийных участках производства электронных модулей и DC-DC-преобразователей.
Дальнейшие исследования: проверка на реальных данных, учёт стохастических отказов оборудования, интеграция с MES-системой.
Список литературы
- Конвей Р.В., Максвелл В.Л., Миллер Л.В. Теория расписаний. – М.: Наука, 1975.
- Танаев В.С., Шкурба В.В. Введение в теорию расписаний. – М.: Наука, 1975.
- Pinedo M.L. Scheduling: Theory, Algorithms, and Systems. – 5th ed. – Cham: Springer, 2016.
- Ларичев О.И. Теория и методы принятия решений. – М.: Логос, 2002.
- Орлов А.И. Теория принятия решений: учебник. – М.: Экзамен, 2006.
- Бурков В.Н., Новиков Д.А. Теория активных систем: состояние и перспективы. – М.: СИНТЕГ, 1999.
- Новиков Д.А. Теория управления организационными системами. – М.: МПСИ, 2005.
- Saaty T.L. The Analytic Hierarchy Process. – New York: McGraw-Hill, 1980.
- Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. – 2nd ed. – New York: Springer, 2009.
- Goldberg D.E. Genetic Algorithms in Search, Optimization, and Machine Learning. – Reading, MA: Addison-Wesley. – 1989.
- Monostori L., Kádár B., Bauernhansl T. et al. Cyber-physical systems in manufacturing // CIRP Annals. – 2016. – Т. 65, № 2. – P. 621–641.
- Lee J., Bagheri B., Kao H.-A. A cyber-physical systems architecture for Industry 4.0-based manufacturing systems // Manufacturing Letters. – 2015. – Т. 3. – P. 18–23.
- ГОСТ Р 34.601–90. Информационная технология. Комплекс стандартов на автоматизированные системы. Автоматизированные системы. Стадии создания. – М.: Стандартинформ, 2009.
- Приказ Минтруда России от 20.07.2022 № 423н «Об утверждении профессионального стандарта „Руководитель разработки программного обеспечения“».

