[发明专利]基于SparkR的产品检测总完工时间极小化方法

说明书

本发明提出了一种基于SparkR的检测计划总完工时间极小化方法，用于解决制造企业试验检测计划任务复杂和检测室资源分配不合理的问题，实现步骤为：创建DataFrame，导入原始试验计划任务数据；调用DataFrame操作对数据预处理；设定目标函数和约束条件；建立遗传算法模型优化试验检测计划排序；得到产品最优试验检测计划排序，输出每道工序的开工和完工时间；输出整个检测计划最小完工时间；调用可视化包对试验检测计划排序展示。本发明结合R语言的数据处理功能和可视化能力，借助Spark内存计算和支持多种计算模型的优势，整个过程高效优化，能够对大规模试验任务数据集分析处理，优化产品试验检测计划的完工时间。

技术领域

本发明属于智能制造技术领域，主要涉及智能制造中的产品试验检测计划排序的优化，具体是一种基于SparkR的产品检测总完工时间极小化方法。应用于制造企业解决大规模试验检测任务的排序问题，优化产品制造中的试验检测流程。及智能制

背景技术

智能制造中“产品检测计划总完工时间”，是指在产品试验检测调度中，以优化试验计划的总完工时间为目标，使得试验检测资源能够被稳定有效地利用，以及试验检测总周转时间减少，以提高制造检测中的工作效率。

在智能制造时代，客户对制造企业试验检测服务能力、周期和费用等要求越来越高。但企业自身试验检测能力和水平以及试验检测产能都不足，因此需要提高业务资源的高利用性和可伸缩性，缩短试验周期，满足企业需求，优化试验检测流程，节约时间和资源成本。

当前的制造企业中，试验检测计划主要存在如下问题：①试验计划人员凭借经验估计各检测室检测能力，存在人为因素，会使任务分配存在不合理。检测室在接收任务的时候，试验计划人员无法准确预估完成时间，可能会造成任务闲置或超负荷。②试验项目存在先后顺序、资源数量有限等多种约束，使试验计划调度过程变复杂。不同品种的产品试验检测项目对资源的需求不同，需要对试验项目的资源、所需的时间以及检测的先后顺序进行合理的安排。③针对试验检测计划多项目、多目标以及随机不确定性的问题，随着试验项目数量的增多，试验检测排序的计算量会呈指数级增加。当前制造企业都是一种人工经验排序，没有一种科学高效的试验计划总完工时间极小化方法作为排序依据。

针对以上问题，张腾飞等在其发表的论文“基于遗传算法的多目标车间调度问题的研究”(《组合机床与自动化加工技术》2016，5(5):43-50)，公开了一种通过遗传算法解决多目标车间调度问题(JSP)的方法，并使用了11种测试用例来测试算法的性能，证明了遗传算法在解决这一问题方面的实用性。但该方法的不足之处是，对于大规模的作业调度任务，算法能处理的数据量受限于单机的内存容量，无法适应当前大型制造企业的大规模数据处理。Hadoop是流行的大数据处理平台，它的HDFS分布式文件系统和MapReduce编程模型比较好地解决了大数据分布式存储和处理的问题。例如曹书豪等在其发表的“一种改进的Hadoop多用户作业调度方法”(《计算机应用研究》2015，32(5):1395-1398)，公开提出了一种基于服务质量(QoS)的作业选择量化和基于遗传算法的任务选择均衡化的方法，解决目前Hadoop作业调度方法服务水平不高、资源利用率低的问题。这一方法使得用户具备了处理大数据的处理能力，提高了Hadoop资源调度器的服务水平，而且负载均衡，但是这一方法没有考虑集群问题，不利于算法的扩展性。

R是非常流行的数据统计分析和制图的语言及环境，在数据挖掘分析中的使用程度仅次于SQL。R本身拥有强大的统计分析功能和丰富的第三方扩展包，在R语言环境下编程建立算法模型能方便的调用算法包和函数来解决试验检测计划调度排序问题，但目前R语言的核心运行环境是单线程的，能处理的数据量受限于单机的内存容量，大数据时代的海量数据处理对R构成了挑战。