5-3 工业数据与智能算法驱动下的生产调度优化研究

战略意义

• 智能制造的三种基本范式：数字化制造、“互联网+”制造到新一代智能制造，强调智能升级和数字化、网络化转型。
• 中国电子信息制造业现状：2021年营收141,285亿元，预计2025年智能生产系统市场规模达4,658亿-5,515亿元。
• 电子制造行业特点：多品种小批量、生命周期短，瓶颈在于印刷电路板封装，需数字化、智能化升级。

具有挑战的问题

• 生产调度优化问题：涉及元件、软件、网板、机台等要素，本质是高不确定环境下的多目标多约束调度。
• 挑战：21条生产线、2000多种设备，人工经验调度缺乏准确性、全局性、持续性，导致生产目标或约束顾此失彼。

数据和算法驱动

• 工业数据驱动优化：采用“预测-优化”模式，利用机器学习、人工经验软件化、排序调度最优规则和智能优化算法。
• 不确定性处理：通过鲁棒优化方法（如均值方差模糊集、Wasserstein距离）应对物料、订单、工时等不确定性。
• 联合预测与优化：结合预测模型（如机器学习）和优化算法，实现物料平衡、工单约束、排序调度和重调度。

关键科学问题

• 如何用工业数据解决生产调度难题：应对不确定性（ambiguity）、强NP难和动态性问题。
• 高效算法设计：通过问题分解机制、基于特性的算法、数学模型+启发式、贝叶斯更新、强化学习等方法提升效率。

数据与算法的关系

• 数据是基础，算法是核心，两者结合实现数据优化，以人为本的技术体系（Data Analytics & Optimization, DAO）。

未来趋势

• 中国APS（高级排程系统）优势：产业链完整、工业数据丰富、应用场景多样。
• 未来发展方向：调度+（学习效应、人机交互、产线配置、设备管理、订货管理、物料配送、工艺优化、DFM、设施布局、政策环境等）。