[发明专利]学习型派工系统以及派工方法

权利要求书

1.一种学习型派工系统，其特征在于，包括：

存储装置，存储先进规划排程系统、制造执行系统以及关联性推理模块；以及

处理器，耦接所述存储装置，并且执行所述先进规划排程系统、所述制造执行系统以及所述关联性推理模块，

其中所述处理器将所述先进规划排程系统以及所述制造执行系统所产生的输入数据输入至所述关联性推理模块，以使所述关联性推理模块产生输出数据，并且所述处理器根据所述输出数据控制工作站进行在制品的派工操作，其中所述输出数据包括派工时间信息以及建议机台信息。

2.根据权利要求1所述的学习型派工系统，其特征在于，生产规划数据以及机台数据皆作为所述输入数据。

3.根据权利要求2所述的学习型派工系统，其特征在于，所述输入数据为向量特征数据或张量特征数据。

4.根据权利要求1所述的学习型派工系统，其特征在于，所述处理器取得参考输入数据，并对所述参考输入数据进行初始化，以产生训练数据，所述处理器根据所述训练数据预先训练所述关联性推理模块，

其中所述输入数据包括参考生产规划特征向量、参考报工数据特征向量、现场资源信息以及现场物料资源信息。

5.根据权利要求4所述的学习型派工系统，其特征在于，所述处理器根据经由训练所述关联性推理模块所产生的参考输出数据控制所述工作站，并且取得由所述工作站产生的回馈数据，

其中所述处理器比对所述回馈数据与先进规划排程系统所产生的排程数据，以决定是否修正所述关联性推理模块。

6.根据权利要求5所述的学习型派工系统，其特征在于，当所述处理器判断所述回馈数据与所述排程数据之间的数值误差小于或等于阈值时，所述处理器持续根据所述参考输出数据控制所述工作站；以及

当所述处理器判断所述回馈数据与所述排程数据之间的所述数值误差大于所述阈值时，所述处理器修正所述关联性推理模块中的决策因子。

7.根据权利要求1所述的学习型派工系统，其特征在于，所述关联性推理模块为通过自注意力机制模型所建构的神经网路模块。

8.一种派工方法，其特征在于，包括：

通过先进规划排程系统以及所述制造执行系统产生输入数据；

将所述输入数据输入至关联性推理模块；

通过所述关联性推理模块产生输出数据；以及

根据所述输出数据控制工作站进行在制品的派工操作。

9.根据权利要求8所述的派工方法，其特征在于，生产规划数据以及机台数据皆作为所述输入数据。

10.根据权利要求9所述的派工方法，其特征在于，所述输入数据为向量特征数据或张量特征数据。

11.根据权利要求8所述的派工方法，其特征在于，还包括：

取得参考输入数据；

对参考输入数据进行初始化，以产生训练数据；以及

根据所述训练数据预先训练所述关联性推理模块，

其中所述输入数据包括参考生产规划特征向量、参考报工数据特征向量、现场资源信息以及现场物料资源信息。

12.根据权利要求11所述的派工方法，其特征在于，还包括：

根据经由训练所述关联性推理模块所产生的参考输出数据控制所述工作站；

取得由所述工作站产生的回馈数据；以及

比对所述回馈数据与先进规划排程系统所产生的排程数据，以决定是否修正所述关联性推理模块。

13.根据权利要求12所述的派工方法，其特征在于，还包括：

当判断所述回馈数据与所述排程数据之间的数值误差小于或等于阈值时，持续根据所述参考输出数据控制所述工作站；以及

当判断所述回馈数据与所述排程数据之间的所述数值误差大于所述阈值时，修正所述关联性推理模块中的决策因子。

14.根据权利要求8所述的派工方法，其特征在于，所述关联性推理模块为通过自注意力机制模型所建构的神经网路模块。