智能交期预测方法与系统

技术领域

本申请公开了一种预测交货日期的方法，特别是指一种通过智能手段根据历史数据与生产信息预测交期的方法与系统。

背景技术

在产品制造过程，企业需要针对原物料、生产设备与人员等需求预备生产线，而在工厂端，成交率与生产选择上很大程度影响着企业内部营运与财务状况，若能精准控制上述关键课题将能有效掌控工厂运作、改善营运与财务状况。然而，在目前工厂制作产品的过程往往受到诸多不可控因素导致而无法如预期交货，也无法快速的决定产线变更时该如何应对。

再者，因应少量多样与实时化生产技术(Just In Time，JIT)的趋势，企业回复客户的交期与客户满意度息息相关，现行产业常态为较短期(如72小时至1周)的交期回复常常造成第一线业务的困扰。

发明内容

为了能够准确地提供客户交货日期，说明书提出一种智能交期预测方法以及实现此方法的系统，智能交期预测系统中包括应用计算机技术的软件与搭配硬件实现的功能模块，以执行智能交期预测方法，其中主要提供有提取实体(如公司、工厂)内的一企业资源规划系统(ERP)数据的数据收集手段、利用机器学习算法学习数据收集手段所取得的数据，并学习数据中各种信息的关联性以形成预测交货日期的预测模型的模型训练手段。当数据收集手段接收到一生产需求的数据时，可通过所建立的预测模型预测交货日期，并实现在此交货日期的一种或多种生产组合，形成决策，最终提供公司老板决策。

进一步地，智能交期预测系统还可包括其他功能模块，如一数据清洗手段，用以清洗通过企业资源规划系统取得的数据，以形成符合机器学习算法学习所需的数据格式的数据；还可包括一自动优化手段，当模型训练手段通过一种或多个机器学习算法学习数据得出多个预测模型时，可通过自动优化手段选择或自行组成一表现较优的预测模型，作为预测交期的预测模型；亦可包括一自动学习手段，当通过数据收集手段取得新的数据时，可使得模型训练手段以机器学习算法学习新的数据，使得后续根据学习新的数据得出其中各种信息的关联性优化预测模型。

更者，针对预测模型中可提供一权重设定功能，让所述实体的决策者修正生产组合中物料规划与/或排程规划中的参数的权重改变生产顺序；以及，系统还包括一生产组合选择手段，其中利用另一机器学习算法学习实体的决策者过去选择的生产组合以及修正各生产组合中的参数的权重的历史数据，形成一生产组合选择模型，提供实体进行生产重新规划。

优选地，所述通过企业资源规划系统取得的数据为实体过去生产组合的历史数据，历史数据至少包括至少一客户订单与至少一工厂出货单，再以机器学习算法通过历史数据学习实体过去的生产组合，得出预测交货日期的预测模型。更者，所述通过企业资源规划系统取得的数据还包括工厂的生产数据与其中机台的生产时间。所述物料规划的参数包括生产一产品所需的原料、零部件以及/或半成品的库存；排程规划的参数包括依照日期生产产品的交货比例与数量。

附图说明

图1显示智能交期预测系统运作的概念示意图；

图2显示智能交期预测系统的架构实施例图；

图3显示智能交期预测系统的功能模块实施例图；

图4显示智能交期预测方法的实施例之一流程图；

图5显示智能交期预测方法的实施例之二流程图；

图6显示实现智能交期预测方法的交货模型与产能模型的架构实施例示意图；

图7显示智能交期预测方法中处理产品数据的实施例示意图；以及

图8显示智能交期预测方法中采用企业数据的实施例图。

具体实施方式

为了提供企业能在产品制造之前提供客户准确的交货日期，说明书公开一种智能交期预测方法与系统，其中利用机器学习法(或配合深度学习法)学习企业提供的生产数据，产生预测交期的预测模型，仿真企业决策过程。特别的是，在模拟企业决策的过程中，采用了企业历史数据，并可引用进成本等边界条件，且不影响真实工厂的运作，运用机器人流程自动化(Robotic Process Automation，RPA)方法进行多次模拟，再用机器学习法优化预测模型。进一步地，当取得最终决策合适解时，还可反向推出合适的安全库存解。

根据智能交期预测方法的实施例，主体为一运行于计算器系统的软件解决方案，其中包含应用人工智能(AI)多目标优化核心系统、一个参数化的生产目标决策系统，以及一个可针对生产线定制的生产排成仿真系统。当根据客户需求给定生产参数后，智能交期预测系统可以仿真制造工艺中每一个工序的设备、物料、半成品与人员的关系，以计算出每一批次产品完工时间。智能交期预测系统可以先进规划排程系统(Advanced Planning andScheduling，APS)实现。实现所述方法的计算器系统还包含了对企业资源计划系统(Enterprise Resource Planning，ERP)的接口，可取得企业的财务、人员、设备、物料等数据，以及对制造执行系统(Manufacturing Execution System，MES)的接口，用以读取历史生产数据，并且可由智能交期预测系统主动发起执行命令。

可参考图1所示说明书提出的智能交期预测系统运作的概念示意图，此图显示智能交期预测系统中以智能手段为核心，能够根据从企业得到的历史数据101建立模型，其中提出系统模型103包括了交货模型131与产能模型132，也就是说，通过智能交期预测系统可以根据客户需求与企业的资源预测出交货日期(即交期)外，还可推估出产能与生产相关参数。

在智能交期预测系统运作的概念下，其中交货模型131依照企业提供的信息得出一预期交货日(即天数105)，还可包括交货日的成交机率。产能模型132依照过往历史数据的生产组合选择让机器学习过去决策者选择的生产组合，相关生产数据如产品分类，包括既有商品、既有数量、数量改变、类似新品等信息提出一套生产标准107，之后依照生产中批量时间109与生产规则111，决策者进行生产选择113，最终产生生产选择建议115。

在此一提的是，当系统提供了生产选择建议115，可让企业决策者(如业务、老板等)得知新订单需求可能影响已有订单的生产，并使其根据交期预测与生产组合决定欲接订单的交货日期以及物料与替代的各种可能，最终让决策者选择最终解决方案。

图2显示智能交期预测系统的架构实施例图。

图中显示实现交期预测系统20与其外围提供数据的系统架构示意图，其中的一个为企业资源规划系统24，此为一种运行传统常用于企业内资源规划计算器系统，链接企业内各部门管理服务器，统一管理并记录各种资源与信息，纪录了企业各种层面的销售生产采购库存等数据，形成庞大的历史生产数据库，这些数据即可作为所述智能交期预测系统20中学习的数据，以形成预测模型。

交期预测系统20中主要包括人工智能多目标优化核心21以及生产排程仿真系统22。人工智能多目标优化核心21提供多种智能手段，如算法模块211所描述的一种或多种智能算法，其中示意表示有几个模块，如基因算法A、粒子群优化算法B以及判定树算法C，而实际运行却不受到图示的几种算法限制。

算法模块211中表示系统可应用的几种智能算法，例如基因算法(geneticalgorithm，GA)A，基因算法A为一种计算机仿真方法，在系统中可用于生产时间排程的模拟运算，可解决实际生产制程的问题。

算法模块211提出一粒子群优化(Particle Swarm Optimization，PSO)算法B，粒子群优化算法B在所述交期预测系统20中用于根据历史数据得出提供决策的最佳解，特别是针对生产原物料采购时的优化问题模拟出最佳解。

算法模块211可包括一判定树型算法(RF,XGB)C，判定树型算法C是一种机器学习算法，利用分类和回归方法在数据中进行抽样与随机选取其中特征，得出数据特征后，可以仿真出决策的结果，目的是可以产生提供决策者的多种决策方向。

经算法模块211中一个或多个智能算法针对企业资源规划系统24提供的数据进行机器学习演算与建模后，可以提供排程参数、物料人员规划参数以及多种交期规划组合至智能交期预测系统20中生产排程仿真系统22。生产排程仿真系统22还自加上自制造执行系统27用于收集制程上的实时信息，接收到实际生产在线的数据。生产排程仿真系统22也取得生产系统25中的生产设备251、物料252与产品253等数据。

如此，使得生产排程仿真系统22可以根据历史数据演算得出的生产相关排程、原物料、交期规划、实际历史生产数据，以及生产在线的真实数据，生产排程仿真系统22产生的数据可以回馈给人工智能多目标优化核心21，提供多组态结果以提供优化其中建立的预测模型，通过预测模型提供决策系统23多组产品订单交期、生产成本与分批次生产选项等多重解，由决策系统23做出最终决策，包括提供给业务端29向客户交待的交货日期，以及提供制造执行系统27生产所需资源与生产指令，以进行生产。当决策系统23做出最终的交期判断，还可以回溯提供企业应该有的库存最佳解。

通过智能交期预测系统20，使得企业决策者可以获得模拟得出的交期以及生产信息，主要目的的一个是提供业务端29能够快速且相对精准地响应客户预期交货日，并依照其中建立的预测模型伸出生产组合选择模型，可协助工厂管理者迅速判断如何规划生产并估计出多重选择下的成本变更可能。

图3显示智能交期预测系统中以计算器系统搭配软件手段实现智能交期预测系统20的各种功能手段，各种功能手段以图中显示的功能模块来描述。

智能交期预测系统20中主要的智能手段包括数据收集模块301，实现数据收集的方式如计算器系统通过有线或无线通信方式通过网络或是特定联机取得一实体(如公司、工厂)内数据，实施例如企业资源规划系统(ERP)提供数据，数据主要为实体过去生产组合的历史数据，还可包括工厂的生产数据与其中机台的生产时间，之后可在智能交期预测系统20建立针对此企业的客制化数据库，再以模型训练模块307利用一机器学习算法学习所收集的数据，将数据通过编码让机器学习算法依照提供的数据找出关联规则，学习数据中各种信息的关联性，最后可以形成预测交货日期的预测模型。其中，当以上述数据收集模块301的通信手段接收到生产需求的数据时，可通过预测模型预测出交货日期，以及实现交货日期的一种或多种生产组合，用以提供企业决策者进行决策。

根据智能交期预测系统20的实施例，还可包括其他数据处理与学习的软件搭配硬件实现的功能模块，如一数据清洗模块303，实现的数据清洗手段用以清洗通过企业资源规划系统取得的数据，以形成符合机器学习算法学习所需的数据格式的数据，使得后续手段可依照此格式作为模型训练的数据。

智能交期预测系统20还可包括一自动优化模块309，当模型训练模块307通过一个或多个机器学习算法学习数据得出多个预测模型时，可通过自动优化模块309实现的软件手段相互比对各种模型，选择或自行组成一表现较优的预测模型，作为预测交期的预测模型。

当通过上述数据收集模块301取得新的数据时，系统利用自动学习模块305针对模型训练模块307以机器学习算法学习新的数据的结果，自动提取新的生产流程与学习新的数据，特别可根据学习新的数据得出其中各种信息的关联性，进行微调，以优化预测模型。

智能交期预测系统20可再设有一生产组合选择模块311，这是在智能交期预测系统20得出预测交期后，可利用生产组合选择的软件手段利用另一机器学习算法学习所述实体的决策者过去选择的生产组合以及修正各生产组合中的参数的权重的历史数据，之后形成一生产组合选择模型，提供实体进行一生产重新规划。根据一实施例，所形成的生产组合选择模型用以提出实体部分交货或挪单挪料的建议组合，形成新的物料规划与/或新的排程规划的新的生产组合。

根据智能交期预测系统20可应用的一情境应用。企业执行生产时，业务人员需要在工厂于客户下订单时回复客户批量的预期交货日，但常见是业务人员需要与产线人员与物料管理人员沟通并确认目前工厂产能状况，并依照经验给出预交日，但此预交日与真实交货日往往相差许多。因此，说明书提出的智能交期预测系统20采用了上述各功能模块的智能手段，自企业取得历史数据，如客户订单、工厂出货单等，之后利用机器学习算法学习数据，训练得出预测模型，以进行现有产品的交货预测。而此预测模型因为参考了过去的数据，通过智能手段可以处理将来缺乏完整数据的新品或少量产品的情况，其中主要方式是可以搜集企业的生产信息与机台生产时间等数据，如物料前置时间、机台产能与参数、工序间运行时间等，学习得出符合企业需求的交期以及生产组合。

接着，图4显示智能交期预测方法的实施例的一个流程图，其中动作描述可参考图3。

智能交期预测方法执行于一计算器系统中，通过计算器系统中的处理电路、内存、数据库实现各种学习算法，其中流程包括，一开始，计算器系统通过内部或外部网络取得企业资源规划系统的数据，至少包括至少一客户订单与至少一工厂出货单(步骤S401)，并以其中软件手段清洗数据，主要是清洗通过企业资源规划系统取得的数据，以形成符合机器学习算法学习所需的数据格式的数据，另还可过滤不必要、无效或会影响效能的数据(步骤S403)，之后即开始利用机器学习算法学习数据中信息关联性(步骤S405)，形成预测模型(步骤S407)。其中，若通过一个或多个机器学习算法学习数据得出多个预测模型时，计算器系统还可用以选择或自行组成一表现较优的预测模型，作为预测交期的预测模型。之后，根据一实施例，若产生新的数据，可继续以机器学习算法学习新的数据，根据学习新的数据得出其中各种信息的关联性，回馈给系统以优化预测模型。

完成预测模型后，即接收生产数据(步骤S409)，例如业务端接收客户订单、产品品项、单位数量、订单期望交期等数据，并可以同时接受多个订单。其中细节包括各个产品品项制造所需要的物料、工序、每一工艺阶段的半成品以及完成品的数据，这些数据同样可由企业资源规划系统(ERP)与制造执行系统(MES)导出。

接着可以设定权重(步骤S411)，预测模型提供权重设定功能，这是提供决策者调整生产参数，在此步骤中，可让实体的决策者修正生产组合中物料规划与/或排程规划中的参数的权重改变生产顺序。例如，如果这个客户比其他客户重要，或是这个半成品是很多其他产品的关键零部件，这些系统尚未考虑到的参数可以通过调整权重来增加其优先级。

最后，通过预测模型得出交货日期、生产组合等(步骤S413)，其中，各生产组合可以记载物料规划以及排程规划，以及/或机台生产时间，而物料规划的参数可包括生产一产品所需的原料、零部件以及/或半成品的库存，排程规划的参数则可包括依照日期生产该产品的交货比例与数量。在一实施例中，之后，还可利用另一机器学习算法学习实体的决策者过去选择的生产组合，以及修正各生产组合中的参数的权重的历史数据，用于形成一生产组合选择模型，提供实体进行一生产重新规划。

举例来说，以铝锻造为例，锻造分为粗锻造与精密锻造等两个到数个工序，粗锻造与精密锻造使用的锻造设备各自不同，而部分设备也可以被使用于不同的工序，锻造的原物料为铝材。另有可重复使用多次的模具，锻造的半成品为经过粗锻造的粗胚、完成品为精密锻造形成的铝锻造件、每一个工序所需的工时、需要的人员配置、需用的原料、产生的成品、废料与批量生产的成品率等数据，以及其对于不同设备的依赖性统计数据，均由以上所述的数据源导入，如预测目标为系统执行过的品项，亦可以相同品项的历史数据直接带入，最终完整的生产模型数据经由工程与生管人员确认。

图5显示智能交期预测方法的另一实施例流程图，此流程表达出所提出的智能交期预测系统针对现有产品与新产品的处理流程。第一部分针对企业现有产品，在方法中，先取得现有产品信息(步骤S501)，进行数据处理，包括数据清洗与过滤，目的是得出可建模的数据(步骤S503)，再以机器学习算法学习数据的特征与关联性(步骤S505)，并建立预测模型(步骤S507)。另一方面为针对新产品，取得新产品信息(步骤S509)，包括引入进料时间、机台参数与生产时间、制程工序等数据(步骤S511)，同样地经过数据处理得出可建模的数据后(步骤S513)，以机器学习算法学习新数据中的特征与关联性(步骤S515)，以建立预测模型(步骤S517)。

在此一提的是，针对新产品，这部分往往是缺乏如企业资源规划系统提供的那样完整的内容，因此可以采用相似原物料、机台设备、类似制程工法等的数据作为关联学习目标，数据经清洗后，可对各项目各自建立预测模型，统合成一预测模型。

如此可知，系统针对现有产品与新的产品都形成了预测模型，并且可以是通过多个机器学习算法得出多个预测模型，在步骤S519中，系统可继续利用模型算法得出各自结果，再选择其中的一个预测模型(步骤S521)，预测模型用于产生交期(步骤S525)，同样地，新产生的数据将持续自动优化模型(步骤S523)。

实现以上方法流程的系统架构可继续参考图6所示实现智能交期预测方法的交货模型与产能模型的架构实施例示意图，此图架构涵盖了交货与产能标准双系统，图示上半部示意显示一交货模型架构61，所在意的是时间数据611，根据企业资源规划系统得到的客户需求得到订单信息612、销货信息613以及其他有关企业内人员等其他信息614，进行数据清洗615，以及后续建模、训练616等步骤，最终产生提供交货时间的预测模型617。

另一方面如下半部描述的产能模型架构62，产能包括不容易变动的前置时间621以及生产所需的参数模型622，同样地，都经过数据清洗(623,624)、建模、训练(625,626)等步骤，建立针对前置处理的前置模型627以及处理生产参数的参数模型628，如此，开始规划物料与排程629，导入上述预测模型后，产生交货时间630。

图7接着以示意图表示智能交期预测方法中处理新旧产品数据的细节以及如何通过回馈建立数据以及优化模型的实施例。

根据图示，针对现有产品71，企业资源规划系统(ERP)提供了工厂数据711，并包括出货单712与订单713，经数据清洗后，得出可建模资料714，并据此学习与训练，以建立模型715，预测模型用以预测交期716，直到系统得到真实交货日717为止，这部分形成的预测交货日与真实交货日可以回馈到企业资源规划系统，成为现有产品71中的工厂数据711的一部分。

针对新产品72，经客户开出规格，得到产品数据721，还包括生产所需的各种厂内数据722，如机台723、出入料724与工序725等，各数据经数据清洗后，得出可建模资料(726,727,728)，之后以机器学习算法学习各项目数据，针对各项目建立模型(729,730,731)，通过系统的软件手段，可将各项目模型进行统合，建立统合模型732，能够针对新产品提出新品交货预测733，当得到真实交货日734，产生的新品交货预测733以及真实交货日734都会形成系统中的新品数据，也是将来优化模型的依据。

最后，系统预测的交期还会比对真实交货日，相关程序可参考图8所示智能交期预测方法中采用企业数据的实施例图。

图中显示智能交期预测系统可以自企业资源规划系统80取得的订单数据包括预交日准确的订单801、预交日准确的出货单802、预交日不准确的订单803以及预交日不准确的出货单804，预交日准确与不准确数据都分别进行数据欣喜，分别得出可建模数据(805,807)，并建立预测模型806，经预测交期后，可比对真实交货日808，以此作为确认模型809的依据。

根据上述实施例可知，智能交期预测系统中采用人工智能多目标优化核心(可参考图2，21)提供的数据，能够提供生产排程仿真系统(可参考图2，22)建构一个生产模型，生产模型考虑生产线协同工作，同时生产多个品项与批次，其中的设备与原料的分配使用，各个品项批次使用有限设备资源的优先级，并关于生产订单的拆分或合并、原物料取得的时间与成本等财务规划，皆为多目标优化的可调适的参数。

举例来说，在铝锻造的制程中，不同的工件所需要的预热、加压锻造时间或有差异，同时还需要考虑操作人员的熟练度、各个工序设备加工的良品率等因素，经由以上过程产生的工艺参数以及历史数据，可以得到工序耗时与用料的统计模型。根据实施例，采用统计模型的最坏、标准与最佳情况(Worst Case,Typical Case,Best Case)分析，或是采用更完整的统计采样，可以并行计算蒙地卡罗方法(MC)进行模拟。

而利多目标优化核心建构的模型，可生成多组可调适生产参数，经带入生产排程仿真系统进行仿真，可以并行计算方法可以同时模拟大量的参数，以取得面向交期与财务的优化解。相关人工智能机器学习算法例如图2所提到的基因算法(GA)、粒子群算法(PSO)与判定树型算法(RF,GB,XGB)等算法，可以在高维度的广域参数空间中持续迭代，以极高的效率精准地收敛至最佳的参数组合。

智能交期预测系统最后预测交期经更新模型后将得到愈来愈接近真实交货日的交期，使得智能交期预测系统提供的交期可以成为业务端与客户协商订单交期的准确依据，同时还可求得的生产参数，再经由工程与生管人员的确认后，基于智能交期预测系统与企业资源规划系统、制造执行系统的接口，可以直接进行原料订货与执行生产命令，再确保最后完成的订单交期与预测规划的交期相符合。

综上所述，以上实施例描述一种智能交期预测方法与系统，所提出的智能交期预测系统先取得企业提供的数据，如过去生产的历史数据以及目前物料与生产设备的相关数据，借着智能手段学习数据，以形成预测交货日期的预测模型，藉此仿真决策过程，而提供企业合适的解决方案，最终再由决策者做出生产规划与交期判断。如此，所述方法可以提供企业决策者与经营阶层回答产能吃紧时又要满足客户订单时，在不考虑短期内人工与增加机器设备时决策优先级，并对挪单与替代料提供相对最适合的解。

惟以上所述仅为本发明的优选可行实施例，非因此即局限本发明的专利范围，故举凡运用本发明说明书及图示内容所为的等效结构变化，均同理包含于本发明的范围内，合予陈明。