本發(fā)明涉及生產(chǎn)設計優(yōu)化與驗證，具體為一種基于人工智能的醫(yī)用輔助襪生產(chǎn)計劃生成方法及系統(tǒng)。

背景技術：

1、醫(yī)用輔助襪作為一種具有彈性的襪子，能夠通過對腿部施加適當壓力，減少下肢靜脈壓力，在緩解腿部不適方面取得了顯著效果，因此受到了廣泛的消費者關注，醫(yī)用輔助襪的生產(chǎn)需求逐步增加。醫(yī)用輔助襪的生產(chǎn)具有小批量、定制化的特點，同時需要經(jīng)過嚴格的質量測試，以確保產(chǎn)品符合標準。這一生產(chǎn)特點對傳統(tǒng)的大規(guī)模、標準化生產(chǎn)模式提出了挑戰(zhàn)。傳統(tǒng)的生產(chǎn)計劃方法已難以高效應對日益增長的市場需求，亟需一種高效的醫(yī)用輔助襪生產(chǎn)計劃生成方法，以更好地協(xié)調生產(chǎn)資源、優(yōu)化生產(chǎn)流程和提升生產(chǎn)效率。

2、不斷發(fā)展的人工智能技術為智能生產(chǎn)計劃生成提供了技術支持和保障。當前，醫(yī)用輔助襪的生產(chǎn)訂單具有款式多樣、交付時間差異大的特點，傳統(tǒng)的生產(chǎn)計劃生成方法通常聚焦于生產(chǎn)線生產(chǎn)效率的優(yōu)化，但往往忽視了訂單之間的差異性，導致在追求產(chǎn)能最大化的同時，容易出現(xiàn)訂單逾期或生產(chǎn)調度不合理的情況。此外，傳統(tǒng)方法大多依賴于單一生產(chǎn)線的效率提升，缺乏對多樣化訂單需求和動態(tài)交付時間的靈活適應能力。對于訂單款式多樣、交付時間不一的復雜生產(chǎn)任務，傳統(tǒng)方法往往無法提供全面的數(shù)據(jù)支持，使得決策者難以理性評估不同策略的優(yōu)劣，增加了決策的風險和不確定性。

3、為此，提出一種基于人工智能的醫(yī)用輔助襪生產(chǎn)計劃生成方法及系統(tǒng)。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于人工智能的醫(yī)用輔助襪生產(chǎn)計劃生成方法及系統(tǒng)，包括：獲取醫(yī)用輔助襪的預期訂單，包括未排產(chǎn)訂單和預測訂單；根據(jù)預期訂單獲取預期訂單數(shù)據(jù)，包括訂單需求信息、產(chǎn)品規(guī)格信息和交付需求信息；將訂單數(shù)據(jù)劃分為多組子類數(shù)據(jù)，根據(jù)庫存情況和多組訂單子類數(shù)據(jù)得到多組待生產(chǎn)訂單數(shù)據(jù)，結合交貨時間、生產(chǎn)批量、設備能力、工序依賴和庫存等約束條件，生成多種候選生產(chǎn)策略。通過建立醫(yī)用輔助襪生產(chǎn)數(shù)字孿生模型，模擬整個生產(chǎn)過程，包括生產(chǎn)、質檢和庫存管理過程，得到各個待生產(chǎn)訂單的虛擬交付時間。將虛擬交付時間與預期交付時間對比后識別逾期和庫存訂單，計算損失成本，最終選擇損失成本最低的候選生產(chǎn)策略作為最優(yōu)生產(chǎn)計劃。

2、為實現(xiàn)上述目的，本發(fā)明提供如下技術方案：

3、一種基于人工智能的醫(yī)用輔助襪生產(chǎn)計劃生成方法，包括：

4、獲取指定醫(yī)用輔助襪的預期訂單，所述預期訂單包括未排產(chǎn)訂單和預測訂單；根據(jù)所述預期訂單獲取預期訂單數(shù)據(jù)，所述預期訂單數(shù)據(jù)包括訂單需求信息、產(chǎn)品規(guī)格信息和交付需求信息；根據(jù)所述訂單需求信息和所述交付需求信息確定訂單優(yōu)先級；所述預測訂單根據(jù)所述醫(yī)用輔助襪的歷史訂單數(shù)據(jù)預測得到；

5、將所述預期訂單數(shù)據(jù)劃分為m組訂單子類數(shù)據(jù)；

6、獲取所述醫(yī)用輔助襪的生產(chǎn)計劃約束條件，包括交貨時間約束、生產(chǎn)線最小啟動批量約束、設備生產(chǎn)能力約束、工序順序依賴約束和庫存約束；

7、根據(jù)庫存數(shù)據(jù)和m組所述訂單子類數(shù)據(jù)得到m組待生產(chǎn)訂單數(shù)據(jù)；

8、根據(jù)所述m組待生產(chǎn)訂單數(shù)據(jù)和所述生產(chǎn)計劃約束條件生成多種候選生產(chǎn)策略；

9、建立醫(yī)用輔助襪生產(chǎn)數(shù)字孿生模型；所述醫(yī)用輔助襪生產(chǎn)數(shù)字孿生模型用于模擬所述醫(yī)用輔助襪的完整生產(chǎn)過程，包括生產(chǎn)過程、質檢過程和庫存管理過程；

10、通過所述醫(yī)用輔助襪生產(chǎn)數(shù)字孿生模型模擬所述候選生產(chǎn)策略的所述完整生產(chǎn)過程，得到各待生產(chǎn)訂單的虛擬交付時間；根據(jù)所述虛擬交付時間得到最優(yōu)生產(chǎn)計劃。

11、進一步地，將所述預期訂單數(shù)據(jù)劃分為m組所述訂單子類數(shù)據(jù)包括：所述產(chǎn)品規(guī)格信息包括產(chǎn)品尺寸、產(chǎn)品款式、產(chǎn)品顏色和產(chǎn)品壓力等級；將具有相同所述產(chǎn)品尺寸、所述產(chǎn)品款式、所述產(chǎn)品顏色和所述產(chǎn)品壓力等級的訂單劃分為一組，得到m組所述訂單子類數(shù)據(jù)。

12、進一步地，所述生產(chǎn)計劃約束條件的獲取包括：所述交貨時間約束根據(jù)所述交付需求信息的預期發(fā)貨時間確定；所述生產(chǎn)線最小啟動批量約束根據(jù)歷史生產(chǎn)線數(shù)據(jù)獲?。凰鲈O備生產(chǎn)能力約束根據(jù)歷史設備產(chǎn)能數(shù)據(jù)獲?。凰龉ば蝽樞蛞蕾嚰s束根據(jù)生產(chǎn)線流程圖獲??；所述庫存約束根據(jù)歷史庫存數(shù)據(jù)獲取。

13、進一步地，根據(jù)所述庫存數(shù)據(jù)和m組所述訂單子類數(shù)據(jù)得到m組所述待生產(chǎn)訂單數(shù)據(jù)包括：所述庫存數(shù)據(jù)包括庫存產(chǎn)品規(guī)格信息；所述庫存產(chǎn)品規(guī)格信息包括庫存產(chǎn)品尺寸、庫存產(chǎn)品款式、庫存產(chǎn)品顏色和庫存產(chǎn)品壓力等級；將具有相同所述庫存產(chǎn)品尺寸、所述庫存產(chǎn)品款式、所述庫存產(chǎn)品顏色和所述庫存產(chǎn)品壓力等級的訂單劃分為一組，得到m組庫存子類數(shù)據(jù)；

14、根據(jù)所述m組庫存子類數(shù)據(jù)和所述m組訂單子類數(shù)據(jù)，對比每組所述庫存子類數(shù)據(jù)中的庫存量與對應所述訂單子類數(shù)據(jù)中的需求量；若所述需求量大于所述庫存量，將所述需求量與所述庫存量的差值作為所述待生產(chǎn)訂單，在所述庫存數(shù)據(jù)中增加一列訂單匹配數(shù)據(jù)，用于記錄與庫存對應的訂單編號，形成庫存匹配訂單數(shù)據(jù)；所述訂單匹配數(shù)據(jù)根據(jù)所述產(chǎn)品規(guī)格信息與所述庫存產(chǎn)品規(guī)格信息的匹配結果，并結合所述訂單優(yōu)先級生成；若所述需求量不大于所述庫存量，所述待生產(chǎn)訂單數(shù)據(jù)為空，待生產(chǎn)訂單量為0；

15、將所述訂單匹配數(shù)據(jù)對應的訂單數(shù)據(jù)從對應的所述訂單子類數(shù)據(jù)中剔除，得到預期待生產(chǎn)訂單數(shù)據(jù)；獲取q條生產(chǎn)線的配置數(shù)據(jù)，包括適用產(chǎn)品規(guī)格數(shù)據(jù)和工藝能力數(shù)據(jù)；

16、將所述配置數(shù)據(jù)與所述預期待生產(chǎn)訂單數(shù)據(jù)進行匹配，得到q組訂單組合數(shù)據(jù)；所述訂單組合數(shù)據(jù)包括每條所述生產(chǎn)線所需生產(chǎn)的所述訂單子類數(shù)據(jù)；將q組所述訂單組合數(shù)據(jù)按照所述訂單優(yōu)先級從高到低進行排序，得到q組所述待生產(chǎn)訂單數(shù)據(jù)。

17、進一步地，根據(jù)所述m組待生產(chǎn)訂單數(shù)據(jù)和所述生產(chǎn)計劃約束條件生成多種所述候選生產(chǎn)策略包括：根據(jù)生產(chǎn)線流程圖，將生產(chǎn)過程和質檢過程中各個工序劃分為獨立工序和共享工序，得到工序分類數(shù)據(jù)；根據(jù)所述工序分類數(shù)據(jù)，結合所述生產(chǎn)計劃約束條件，利用智能優(yōu)化算法生成多種所述候選生產(chǎn)策略，每種所述候選生產(chǎn)策略包括每個所述獨立工序和所述共享工序的生產(chǎn)時間和生產(chǎn)順序。

18、進一步地，利用所述智能優(yōu)化算法生成多種所述候選生產(chǎn)策略包括：

19、初始化生產(chǎn)策略種群，所述生產(chǎn)策略種群中的每個生產(chǎn)策略包含每條生產(chǎn)線上每個所述工序的生產(chǎn)時間和生產(chǎn)順序；根據(jù)總排隊時長和產(chǎn)能利用率定義所述智能優(yōu)化算法的適應度函數(shù)；

20、在所述智能優(yōu)化算法的迭代過程中，包括以下步驟：

21、根據(jù)每個所述生產(chǎn)策略中的生產(chǎn)時間、生產(chǎn)順序以及通過排隊時間預測模型計算出的排隊時長，計算每個個體的適應度值；根據(jù)所述適應度值，選擇所述適應度值大于預設閾值的個體作為父代；在所述父代的基礎上，通過交叉操作生成新的子代生產(chǎn)策略；在所述子代生產(chǎn)策略中引入變異操作，隨機調整所述工序的生產(chǎn)順序和/或生產(chǎn)時間，得到變異后子代生產(chǎn)策略；在每次迭代中，根據(jù)所述適應度函數(shù)計算每個生成的所述變異后子代生產(chǎn)策略的適應度值，并根據(jù)所述適應度值更新所述生產(chǎn)策略種群；判斷是否滿足停止條件；在不滿足所述停止條件時，重復所述迭代過程；在滿足所述停止條件時生成多種所述候選生產(chǎn)策略；每種所述候選生產(chǎn)策略用于確定每條所述生產(chǎn)線的每個所述工序針對對應的所述待生產(chǎn)訂單數(shù)據(jù)的生產(chǎn)時間和生產(chǎn)順序。

22、進一步地，所述醫(yī)用輔助襪生產(chǎn)數(shù)字孿生模型的建立過程具體為：創(chuàng)建虛擬物理模型，用于實時模擬生產(chǎn)過程中的設備狀態(tài)和工藝參數(shù)；構建邏輯模型，用于分析和判斷生產(chǎn)過程中的關鍵指標以及檢測異常情況；構建仿真模型，所述仿真模型通過映射所述虛擬物理模型中的所述設備狀態(tài)和所述工藝參數(shù)，得到不同生產(chǎn)策略的評價指標；

23、構建數(shù)據(jù)模型；所述數(shù)據(jù)模型用于為所述虛擬物理模型、所述邏輯模型和所述仿真模型提供數(shù)據(jù)輸入。

24、進一步地，所述生產(chǎn)過程數(shù)據(jù)包括：工藝參數(shù)、各工序生產(chǎn)速度、各工序排隊狀態(tài)和生產(chǎn)結果數(shù)據(jù)。

25、進一步地，根據(jù)所述虛擬交付時間得到所述最優(yōu)生產(chǎn)計劃包括：將所述虛擬交付時間與所述交付需求信息中的預期交付時間進行對比，識別逾期訂單和庫存訂單；根據(jù)所述虛擬交付時間和所述預期交付時間計算所述逾期訂單的逾期時長和所述庫存訂單的庫存時長，根據(jù)所述逾期訂單、所述逾期時長、所述庫存訂單和所述庫存時長生成損失成本；選擇所述損失成本最小的所述候選生產(chǎn)策略作為最優(yōu)生產(chǎn)計劃。

26、一種基于人工智能的醫(yī)用輔助襪生產(chǎn)計劃生成系統(tǒng)，包括：

27、訂單數(shù)據(jù)獲取模塊，獲取指定醫(yī)用輔助襪的預期訂單，所述預期訂單包括未排產(chǎn)訂單和預測訂單；根據(jù)所述預期訂單獲取預期訂單數(shù)據(jù)，所述預期訂單數(shù)據(jù)包括訂單需求信息、產(chǎn)品規(guī)格信息和交付需求信息；根據(jù)所述訂單需求信息和所述交付需求信息確定訂單優(yōu)先級；所述預測訂單根據(jù)所述醫(yī)用輔助襪的歷史訂單數(shù)據(jù)預測得到；

28、訂單分類模塊，將所述預期訂單數(shù)據(jù)劃分為m組訂單子類數(shù)據(jù)；

29、生產(chǎn)計劃約束管理模塊，獲取所述醫(yī)用輔助襪的生產(chǎn)計劃約束條件，包括交貨時間約束、生產(chǎn)線最小啟動批量約束、設備生產(chǎn)能力約束、工序順序依賴約束和庫存約束；

30、待生產(chǎn)訂單生成模塊，根據(jù)庫存數(shù)據(jù)和m組所述訂單子類數(shù)據(jù)得到m組待生產(chǎn)訂單數(shù)據(jù)；

31、生產(chǎn)策略生成模塊，根據(jù)所述m組待生產(chǎn)訂單數(shù)據(jù)和所述生產(chǎn)計劃約束條件生成多種候選生產(chǎn)策略；

32、數(shù)字孿生模型建立模塊，建立醫(yī)用輔助襪生產(chǎn)數(shù)字孿生模型；所述醫(yī)用輔助襪生產(chǎn)數(shù)字孿生模型用于模擬所述醫(yī)用輔助襪的完整生產(chǎn)過程，包括生產(chǎn)過程、質檢過程和庫存管理過程；

33、生產(chǎn)策略仿真模塊，通過所述醫(yī)用輔助襪生產(chǎn)數(shù)字孿生模型模擬所述候選生產(chǎn)策略的所述完整生產(chǎn)過程，得到各待生產(chǎn)訂單的虛擬交付時間；

34、生產(chǎn)計劃獲取模塊，根據(jù)所述虛擬交付時間得到最優(yōu)生產(chǎn)計劃。

35、與現(xiàn)有技術相比，本發(fā)明的有益效果為：

36、1、本發(fā)明提出了一種醫(yī)用輔助襪生產(chǎn)數(shù)字孿生模型，通過精確模擬生產(chǎn)設備和流程的物理特性、業(yè)務邏輯及生產(chǎn)規(guī)則，能夠實時監(jiān)控生產(chǎn)過程中的設備狀態(tài)和工藝參數(shù)。這些模型的結合，不僅能有效分析和評估生產(chǎn)過程中的關鍵指標，還能檢測出潛在的異常情況，并根據(jù)預設的生產(chǎn)規(guī)則及時調整工藝參數(shù)，從而避免了因設備故障或工藝波動導致的生產(chǎn)中斷。此外，數(shù)字孿生模型利用物聯(lián)網(wǎng)設備和傳感器組采集實時數(shù)據(jù)，包括庫存、生產(chǎn)過程和質檢過程等各類關鍵數(shù)據(jù)，通過數(shù)據(jù)模型進行標準化處理，為虛擬物理模型、邏輯模型和仿真模型提供高質量的數(shù)據(jù)支持。這種閉環(huán)式的數(shù)據(jù)流動，使得生產(chǎn)過程中的每一環(huán)節(jié)都能得到實時反饋和精準控制，極大地提升了生產(chǎn)的透明度。通過數(shù)字孿生模型，能夠更清晰地了解不同候選生產(chǎn)策略的執(zhí)行效果和潛在風險，在決策時具備更多的數(shù)據(jù)依據(jù)。這不僅使得生產(chǎn)計劃的調整更加靈活和高效，也極大增強了對生產(chǎn)全過程的可預測性，從而降低了決策風險，確保了生產(chǎn)計劃的穩(wěn)定性和可靠性。

37、2、本發(fā)明通過智能優(yōu)化算法結合機器學習技術，為醫(yī)用輔助襪的生產(chǎn)計劃提供了高效、動態(tài)的解決方案。首先，利用排隊時間預測模型基于歷史生產(chǎn)線數(shù)據(jù)進行訓練，能夠精準預測每條生產(chǎn)線和每個工序的排隊時間，進而優(yōu)化生產(chǎn)計劃的排程和資源分配，減少生產(chǎn)瓶頸和延遲。在生成候選生產(chǎn)策略的過程中，采用遺傳算法的迭代優(yōu)化方式，通過交叉和變異操作，能夠探索不同的生產(chǎn)策略組合，并通過適應度函數(shù)評估每個方案的效果。為后續(xù)數(shù)字孿生模型的應用提供了明確、可行的策略基礎，避免了無限策略空間導致的計算與決策困難，使得候選生產(chǎn)策略的生成過程更加高效、可控。遺傳算法能夠有效應對復雜的生產(chǎn)約束、多目標優(yōu)化問題及龐大的解空間，確保生成的候選生產(chǎn)策略不僅符合生產(chǎn)要求，還能適應生產(chǎn)環(huán)境中的動態(tài)變化，從而提供精準、可靠且高效的解決方案，為生產(chǎn)計劃的調整和執(zhí)行提供強有力的保障，有助于降低生產(chǎn)計劃的決策風險。

38、3、本發(fā)明通過結合數(shù)字孿生模型，在虛擬環(huán)境中根據(jù)候選生產(chǎn)策略模擬醫(yī)用輔助襪的生產(chǎn)過程，并將模擬得到的虛擬交付時間與預期交付時間進行對比。數(shù)字孿生模型能夠真實反映生產(chǎn)過程中各個環(huán)節(jié)的動態(tài)變化，幫助識別各個候選生產(chǎn)策略下的逾期訂單和庫存訂單，從而有效地計算逾期時長和庫存時長。同時，數(shù)字孿生模型通過提供對整個生產(chǎn)過程的全局視圖，能夠提前識別和規(guī)避潛在的生產(chǎn)風險。通過虛擬仿真與實際數(shù)據(jù)的對比分析，生成的損失成本可以更準確地反映出候選生產(chǎn)策略的實際效益。最終，通過選擇損失成本最小的候選生產(chǎn)策略作為最優(yōu)生產(chǎn)計劃，不僅優(yōu)化了生產(chǎn)資源的配置，還能夠清晰地看到各個候選生產(chǎn)策略的執(zhí)行效果和風險，做出更加合理的決策，確保生產(chǎn)計劃的穩(wěn)定性和可靠性。