印刷产线工单管控方法及系统与流程

本发明涉及产线工单规划，尤其涉及一种印刷产线工单管控方法及系统。

背景技术：

1、随着数字化和自动化技术的迅速发展，印刷产业也在向更高效、更智能的生产模式转型。传统的印刷产线管理主要依赖于人工操作和经验判断，从工单的创建、排程到执行监控，往往需要大量的人工干预，这不仅降低了生产效率，也增加了生产成本。此外，传统方法在应对紧急工单调整、设备故障处理和生产进度实时更新等方面存在明显不足，难以满足现代印刷产业对于灵活性和响应速度；

2、现有技术中，虽然已经有采用计算机辅助设计和企业资源规划系统来辅助印刷产线的管理，但这些系统往往关注于设计优化和资源配置，而在工单的实时管控和动态调度方面功能有限。尤其是在生产线出现不可预测的变化时，如设备故障或紧急订单插入，现有系统难以提供有效的解决方案，导致生产效率下降和交货期延误；对于印刷品质量的监控大多还是依赖于后期检验，缺乏有效的实时质量控制机制。这不仅延长了生产周期，也增加了废品率和成本。因此，如何实现印刷产线工单的自动化管控，特别是如何在生产过程中实现工单的实时监控和动态调度，成为了亟待解决的技术问题。

3、综上所述，有必要开发一种新的印刷产线工单管控方法及系统，该系统能够实现工单的自动化管理，支持工单的实时监控和动态调度，同时提供实时质量控制机制，以提高印刷产线的生产效率和产品质量，降低生产成本，本发明的应用至少能够解决现有技术的部分问题。

技术实现思路

1、本发明实施例提供一种印刷产线工单管控方法及系统，至少能够解决现有技术中部分问题。

2、本发明实施例的第一方面，

3、提供一种印刷产线工单管控方法，包括：

4、采集与集成印刷产线环节的多源异构数据,通过滑动窗口机制将数据流分割为时间片段,在每个所述滑动窗口内对数据增量聚合计算统计指标,以及对多个相关联的所述数据流的计算结果进行时间对齐与综合分析,生成工单粒度的实时指标；

5、将所述实时指标作为状态输入,通过调度策略学习模型生成最优工单调度决策，其中所述调度策略学习模型，基于产线调度需求，确定调度决策，构建动作空间，以加权调度损失作为奖励信号，通过最小化估值网络在经验回放数据上的均方误差，更新调度策略学习模型；

6、基于混合神经网络，构建异常诊断模型，对工单执行过程的多源异构数据进行实时异常诊断，通过端到端学习建立状态特征到异常根因概率的非线性映射，当工单中的工序发生异常时，将对应的所述状态特征输入训练完成的所述异常诊断模型，推导出所述异常根因概率，并按重要性排序，确定第一异常根因，指导产线调整，结合所述实时指标，确定调整后的最优工单调度决策。

7、在一种可选的实施例中，

8、采集与集成印刷产线环节的多源异构数据，通过滑动窗口机制将数据流分割为时间片段，在每个所述滑动窗口内对数据增量聚合计算统计指标，以及对多个相关联的所述数据流的计算结果进行时间对齐与综合分析，生成工单粒度的实时指标包括：

9、针对印刷产线各工序的数据源，采集多源异构数据,并进行数据填充，以及数据降噪清洗；

10、对每个设备产生的数据流，设置滑动窗口的窗口大小和滑动步长，构建滑动窗口机制，通过所述滑动窗口机制将所述数据流分割为多个时间片段，每个所述时间片段对应一个所述滑动窗口；

11、在每个所述滑动窗口内，构建增量计算函数，对所述滑动窗口内的数据进行增量聚合运算，确定统计指标聚合值，并将所述统计指标聚合值累加到前一个滑动窗口对应的所述统计指标聚合值上；

12、针对每个工单,确定关联规则函数,对与所述工单相关的所有设备数据流的片段对应的所述统计指标聚合值进行时间对齐,并按照预先设置的业务流程进行综合分析，生成工单粒度的实时指标。

13、在一种可选的实施例中，

14、还包括：

15、所述滑动窗口机制将所述数据流分割为多个时间片段，其公式如下：

16、

17、其中，表示第i个设备产生数据的第k个滑动窗口，表示第i个设备产生的第j个时间单位到达的数据，v表示滑动步长，w表示窗口大小；

18、所述增量计算函数，其公式如下：

19、

20、其中，表示在第k个滑动窗口内，针对第i个设备计算出的指标m的值，()表示特定于指标m在第i个设备的数据流中的计算函数，表示表示第k个滑动窗口相对于第k-1个滑动窗口新增的数据。

21、在一种可选的实施例中，

22、所述调度策略学习模型，基于产线调度需求，确定调度决策，构建动作空间，以加权调度损失作为奖励信号，通过最小化估值网络在经验回放数据上的均方误差，更新调度策略学习模型包括：

23、基于印刷产线的调度需求，确定调度决策，每个所述调度决策对应一个原子动作，通过将领域知识对应的动作与原子动作组合，生成复合调度动作空间；将加权调度损失函数作为奖励函数，结合印刷产线调度目标，将多个所述印刷产线调度目标，将多目标调度优化问题转化为加权调度损失最小化问题；构建估值网络和目标网络,两个网络的输入为产线状态特征向量和调度动作,输出为对应的状态-动作值函数估计值；

24、在一种可选的实施例中，

25、还包括：

26、利用产线历史调度数据构建经验回放池,通过与环境交互采样获得状态转移序列,将状态转移序列存储到经验回放池中；从经验回放池中随机采样小批量状态转移样本,利用目标网络估算每个样本的学习目标值,并通过随机梯度下降算法最小化估值网络在采样样本上的均方误差损失,更新估值网络参数；

27、以设定频率软更新目标网络的参数,即将估值网络的参数以一定比例复制给目标网络；重复执行步骤,直至估值网络收敛,得到优化后的调度策略学习模型。

28、在一种可选的实施例中，

29、基于混合神经网络，构建异常诊断模型，对工单执行过程的多源异构数据进行实时异常诊断，通过端到端学习建立状态特征到异常根因概率的非线性映射，当工单中的工序发生异常时，将对应的所述状态特征输入训练完成的所述异常诊断模型，推导出所述异常根因概率，并按重要性排序，确定第一异常根因，指导产线调整，结合所述实时指标，确定调整后的最优工单调度决策包括：

30、设计混合神经网络结构,包括用于提取局部特征的卷积层、用于提取时序特征的循环层和用于特征融合的全连接层,并在网络输出端添加softmax层,实现状态特征到异常根因概率的非线性映射；

31、构建异常诊断模型的训练数据集,采集历史工单执行记录,对已发生异常的样本数据进行标注,将状态特征向量和对应的异常根因标签作为训练样本对；

32、采用端到端学习方式训练异常诊断模型,利用标注样本对,通过随机梯度下降算法最小化交叉熵损失函数,优化混合神经网络的参数,并在验证数据集上评估诊断准确率,选择性能最优的模型参数；

33、在工单执行过程中,当某工序发生异常时,提取对应的状态特征向量,输入训练完成的异常诊断模型,推理得到可能的异常根因及其概率分布；

34、根据异常根因的先验知识和概率排序结果,确定最可能导致异常的第一根因,生成相应的产线调整指令,并将其与实时调度指标相结合,通过强化学习模型确定调整后的最优工单调度决策。

35、在一种可选的实施例中，

36、采用端到端学习方式训练异常诊断模型,利用标注样本对,通过随机梯度下降算法最小化交叉熵损失函数,优化混合神经网络的参数,并在验证数据集上评估诊断准确率,选择性能最优的模型参数包括：；

37、所述交叉熵损失函数，其公式如下：

38、

39、其中，表示交叉熵损失函数的值，n表示样本的总数量，yi第i个样本的真实标签；

40、所述优化混合神经网络的参数，其公式如下：

41、

42、其中，mt表示在时间步t的一阶矩估计，vt表示在时间步t的二阶矩估计，β1表示一阶矩估计的衰减率，β2表示二阶矩估计的衰减率，θt表示在时间步t+1的参数更新值。

43、本发明实施例的第二方面，

44、提供一种印刷产线工单管控系统，包括：

45、第一单元，用于采集与集成印刷产线环节的多源异构数据,通过滑动窗口机制将数据流分割为时间片段,在每个所述滑动窗口内对数据增量聚合计算统计指标,以及对多个相关联的所述数据流的计算结果进行时间对齐与综合分析,生成工单粒度的实时指标；

46、第二单元，用于将所述实时指标作为状态输入,通过调度策略学习模型生成最优工单调度决策，其中所述调度策略学习模型，基于产线调度需求，确定调度决策，构建动作空间，以加权调度损失作为奖励信号，通过最小化估值网络在经验回放数据上的均方误差，更新调度策略学习模型；

47、第三单元，用于基于混合神经网络，构建异常诊断模型，对工单执行过程的多源异构数据进行实时异常诊断，通过端到端学习建立状态特征到异常根因概率的非线性映射，当工单中的工序发生异常时，将对应的所述状态特征输入训练完成的所述异常诊断模型，推导出所述异常根因概率，并按重要性排序，确定第一异常根因，指导产线调整，结合所述实时指标，确定调整后的最优工单调度决策。

48、本发明实施例的第三方面，

49、提供一种电子设备，包括：

50、处理器；

51、用于存储处理器可执行指令的存储器；

52、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

53、本发明实施例的第四方面，

54、提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。

55、本发明实施例的有益效果可以参考具体实施方式中技术特征对应的效果，在此不再赘述。