大模型与智能排产结合
大模型与智能排产结合？
把现在的规则排产改为真的智能排产？
生产制造环节蕴含有大量工业知识和工业数据，这些过去都只存在与老工程师的右脑里，并没有及时转化为企业知识资产，伴随大模型技术在工业制造领域的快速渗透，在生产计划与组织、工艺与质量管理、设备与技术应用、安全生产的应用，势在必得。
智能排产
排产类型复杂多样，工业制造过程分成离散，每个环节又分为多个程序
涉及要素众多，如客户订单计划及其转成生产计划，加工设备的状态，以及配套的零部件、物料调度等
难以通用化，实际业务中很难统一业务语言来定义排产条件。
技术 局限性，例如典型的车间调度问题涉及混合流水车间中多订单、多工序、多机台的生产过程调度，属于NP-hard问题，不能在合理的时间内容找到一个解
启发式专家规则，通过预定义规则来排产，简单快速，但是无法实现全局最优，不能应对复杂情况
运筹优化可以实现全局最优，但是建模过程复杂、实时性差
优化算法可寻找交优解，且适应性好，但是计算时间较长
随着大模型的广发渗透，智能排产耶开始融合AI技术，利用历史数据训练模型预测生产中的不确定性因素，结合传统优化算法进行更精准的决策。
大模型结合启发式算法、遗传算法、深度强化学习，预测结果，寻求最优或者近似最优生产计划。
NLP自然语言处理（Natural Language Processing），是人工智能和计算机科学领域的一个重要分支，主要研究如何让计算机理解和处理人类自然语言，实现人与计算机之间用自然语言进行有效通信。
Transformer是一种用于处理序列数据的深度学习架构，在自然语言处理、计算机视觉等多个领域都有广泛应用，核心思想：自注意力机制Self-Attention，它能够让模型在处理序列数据是，自动学习到序列中哥哥位置之间的依赖关系，而不是想传统的循环神经网络RNN或卷积神经网络CNN那样依赖与顺序处理或局部卷积操作。通过自注意力机制，模型可以并行计算序列中每个位置与其他位置的关联程度，从而更搞笑的捕捉序列中的全局信息。
时序大模型是一种基于深度学习的人工智能模型，主要用于处理具有时序特征的数据，定义：时序大模型在大规模数据基础上，采用深度学习架构，如递归神经网络RNN，长短时记忆网络LSTM、门控循环单元GRU或者Transformer等，对具有实践序列特性的数据进行学习和建模的模型，它能够自动提取数据中时序模式长期依赖关系和动态特征，从而实现对未来数据的预测、对序列数据的分类、生成等任务。
工业上计划排产是指企业根据市场需求预测、客户订单情况、自身生产能力、原材料供应状况等多方面因素，对生产任务进行合理安排和规划的过程，以确定生产什么产品、生产数量、生产时间、生产顺序以及所需要的资源，从而确保生产活动高效、有序的进行。
混合证书线性规划（Mixed Integer Linear Programming， MILP）是数学规划中的一个重要分支。
- 定义：混合整数线性规划是一种优化问题，其决策变量即包含连续变量，又包含整数变量，并且目标函数和约束条件都是线性的，也就是说，在MILP问题中，一部分变量可以取任意实数（连续变量），而另一部分变量则只能去整数值，通过对目标函数的优化（求最大值或者最小值），同时满足所有给定的线性约束条件，来找到最优的决策方案。
- 模型构成：目标函数：是一个关于决策变量的线性函数，用于表示需要优化的目标，如最大利润、最小成本。例如Z = 3x1 + 5x2 - 2x3，其中x1，x2，x3就是决策变量，z为目标函数值
工业跨模态协同难：通用大模型擅长处理文本、图像、视频等常见数据模态，其数据多来源于互联网等公开渠道。但对于工业制造中难以获取的特有数据模态，如CAX模型、传感信号、工艺文件、机器指令等了解甚少。
工业高可信输出难：工业应用对准确性和可靠性要求极高，如机械臂协作装配的精确控制。现在大模型是基于概率预测，输出结果不确定性高，难以满足工业任务的高精度要求。
工业多场景泛化难：工业领域涵盖研发设计、生产制造、运维服务等多种不同场景，不同行业不同长吉岗呢任务需求各异，且生产任务徐记起设备执行才能完成。
工业大模型不是通用大模型在工业领域的简单垂直应用，需开展全新的工业大模型基础理论和关键技术研究。
工业大模型的构建采用三种模式：
- 预训练工业大模型：基于工业领域数据（如设备日志、工艺参数、设计图纸）与通用预料进行联合训练，形成基础能力
- 领域微调：针对特定场景（如半导体制造、汽车装配），利用行业专属数据几对预训练模型进行微调
- 检索增强生成RAG：在不修改模型参数的前提下，提供外挂知识库实现实时检索上下文信息，降低幻觉风险。例如：星云语言大模型与私欲知识库，实现制度文档的智能问答，效率提升60%
4. 烟草企业生产计划优化工具
- 背景：烟草企业需要根据市场需求和资源约束（如劳动力、原材料、能源等）制定生产计划。传统工具依赖经验，难以应对快速变化的市场需求。
- 技术应用
- 使用优化算法（如混合整数线性规划MILP）进行生产计划排产。
- 结合AI进行动态调整和预测。
- 代码示例
- 使用Python的
Pyomo或PuLP进行优化建模。 - 示例代码可能涉及线性规划、整数规划和动态规划。
- 使用Python的
什么是智能排产？
智能排产是一种利用智能技术（如机器学习和人工智能）优化生产计划的管理方法。它通过分析市场数据、生产数据和资源限制，生成高效、个性化的生产排产方案，从而提高生产效率和降低成功。智能排产能够动态的调整生产计划，应归市场变化和生产环境的复杂性，确保资源的最优利用。随着技术的进步，智能排产将变的更加智能化。
数据收集与整合
- 收集生产数据：包括设备的运行状态、原材料库存、工单优先级、生产周期
- 整合数据：将这些数据整合到一个中央数据库中，便于后续分析和处理
选择合适的优化模型：
- 线性规划LP：适用于资源有限的情况，最大化利润和最小化成本
- 动态规划DP：适用于多阶段决策问题，处理复杂的变化和不确定性
- 遗传算法GA：基于生物进化过程，适用于复杂的非线性问题，寻找全局最优解
- 模拟退火算法SA：通过模拟物理退火过程，适用于复杂的优化问题
- 机器学习模型：如深度学习模型，通过分析历史和实时数据，预测市场需求和生产瓶颈。