CN105955209A - 一种基于数据挖掘制造业工厂设备布局方法 - Google Patents

一种基于数据挖掘制造业工厂设备布局方法 Download PDF

Info

Publication number
CN105955209A
CN105955209A CN201610264061.8A CN201610264061A CN105955209A CN 105955209 A CN105955209 A CN 105955209A CN 201610264061 A CN201610264061 A CN 201610264061A CN 105955209 A CN105955209 A CN 105955209A
Authority
CN
China
Prior art keywords
machine
item
frequent
collection
sequencing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201610264061.8A
Other languages
English (en)
Other versions
CN105955209B (zh
Inventor
帖军
毛腾跃
孙翀
王江晴
雷建云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei Yunlong Technology Co Ltd
Original Assignee
South Central University for Nationalities
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South Central University for Nationalities filed Critical South Central University for Nationalities
Priority to CN201610264061.8A priority Critical patent/CN105955209B/zh
Publication of CN105955209A publication Critical patent/CN105955209A/zh
Application granted granted Critical
Publication of CN105955209B publication Critical patent/CN105955209B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于数据挖掘制造业工厂设备布局方法，该方法包括以下步骤：清理柔性工厂工作调度数据并生成事物数据库；使用APriori算法挖掘事务数据库中的频繁项：根据频繁项生产直线设备布局方案。本发明的有益效果为：克服经典的求解单行直线型布局过程中需要提供各种参数的问题。帮助车间在建设初期对设备布局进行规划。克服了经典算法基于的假设是设备是被等概率使用的，在实际情况生产情况中，根据生产订单工件是被批量的生产的，所以很少会出现单个工件独占所有设备的情况，更普遍的情况是多个工件共享设备，多个工件并发的进行生产。仅需要使用FJSP问题的调度结果，或者是已有的生产调度计划即可完成布局问题。

Description

一种基于数据挖掘制造业工厂设备布局方法
技术领域
本发明涉及工厂设备布局技术领域，尤其涉及一种基于数据挖掘制造业工厂设备布局方法。
背景技术
随着全球经济日益发展，企业之间的竞争愈演愈烈，因此降低生产成本，缩短生产周期，提高产品质量及服务水平，增强市场竞争力，成为目前企业所面临的主要问题，为了在竞争中不被淘汰，企业不得不顺应市场的变化而做出相应的调整，这就牵涉到制造资源的合理安排与管理。在我国，很多老的制造企业里的生产设施布局严重阻碍了企业的经济发展，但是由于资金、技术、土地、思想等各方面的原因又根本不可能抛弃旧的设施去另建新的工厂，再说这也是一种巨大的浪费，所以这就需要有效的利用现有的设施，通过技术等各方面对设施布局进行调整规划，因此设施布局的研究与规划有着重大的研究意义和价值。
生产设施布局设计不仅仅包括新系统的形成还包括对旧系统的改进。生产设施布局的优劣直接影响着产品的生产率、质量、成本、安全以及现场管理的有效性。生产设施的合理布局有利于减小占用厂房或车间内的面积，有利于增强生产系统的柔性，使在制品顺畅流通，缩短工位与工位之间的物料运送时间。国内外资料表明，产品从原材料进厂到出厂在整个生产周期中处于加工检验的时间只占整个生产周期的而处于停滞和搬运的时间占了这严重影响了企业的经济效益，从费用来看，总经营费用的是物料搬运费用，合理的设施布局可使物料搬运费用减少。由此可见合理的设施布局可为企业节约很大的成本。因此，从经济效益上来看，对制造系统的设施布局的优化研究也是很有必要的。
在研究生产设施布局问题中，单行设施布局问题是比较特殊的一种布局形式，它是将所有的设备按照一定的要求安排在一行内，满足产品加工需求。常见的单行布局主要有单行直线型单行布局，U型布局和半圆型布局三种。由于设施布局的组合特性，启发式技术是解决实际布局问题的最有效方法。遗传算法被首次提出后，许多学者将遗传算法应用在求解各种设备布局问题上。随着对启发式算法研究的不断深入，陆续出现了蚁群算法、模拟退火算法、禁忌搜索算法等各种算法在设施布局问题上的研究与应用。单行直线型布局问题是常见的一种布局形式，它是指将所有的设备按照一定的要求安排在一行内，满足产品加工需求。这种布局形式较以往的二次分配问题而言，带有自身的复杂性。针对其布局特点，釆用搬运总费用最小作为衡量该种布局模型的优化目标。
经典算法虽然可以很好的求解布局最优解，但模型要求提供的参数却不易获得。特别是车间建成初期，由于无法获得相关的设备间物流代价无法根据设备间物流代价矩阵来求解最优直线布局方案，所以传统算法更适合用于对车间已有设备进行优化。另一方面，经典算法的设计均基于“设备等概率被使用”的假设，即：其独立考虑了每个工件在独占所有设备的情况下的加工工艺路线图，然而，在实际情况生产情况中，根据生产订单工件是被批量的生产的，所以很少会出现单个工件独占所有设备的情况，更普遍的情况是多个工件共享设备，多个工件并发的进行生产。综上所诉。在实际的生产环境下，该假设常常无法满足。
发明内容
针对上述问题中存在的不足之处，本发明提供一种基于数据挖掘制造业工厂设备布局方法。
为实现上述目的，本发明提供一种基于数据挖掘制造业工厂设备布局方法，该方法包括以下步骤：
步骤1：清理柔性工厂工作调度数据并生成事物数据库；
步骤2：使用APriori算法挖掘事务数据库中的频繁项：
步骤3：根据频繁项生产直线设备布局方案；
选择若干频繁项集，形成候选布局方案，要求这些频繁项集的并集为机器集，且频繁项集个数尽量小，首先选择{M1，M2}，然后按照选择与已选频繁项集交集最小的最长频繁项集的标准，选择{M3}，合并这个两个集合后产生的频繁项集为{M1,M2,M3},再次按照上述标准选择频繁项集{M4}，再次合并后的频繁项集为{M1,M2,M3,M4},此时并集为机器集，停止合并；
调整布局方案中每个频繁项中机器顺序，将每个频繁项内的机器序列按事务数据库中出现频度非降排序，所选的三个频繁项中机器顺序分别为{M1，M2},{M3},{M4}；
调整布局方案中频繁项集之间的顺序，三个频繁项的顺序可能有6种及利用调度解计算这6个序列的编辑距离值如下
步骤301：{M1，M2},{M3},{M4}，产生的机器序列为{M1，M2，M3，M4}，每个工序步骤的编辑距离为{0,1,1,0,0,3,0,1,2,0,1,1}，此机器序列的编辑距离为10；
步骤302：{M1，M2},{M4},{M3}，产生的机器序列为{M1，M2，M4，M3}，每个工序步骤的编辑距离为{0,1,2,0,0,2,0,1,1,0,1,1}，此机器序列的编辑距离为9；
步骤303：{M3},{M1，M2},{M4}，产生的机器序列为{M3，M1，M2，M4}，每个工序步骤的编辑距离为{0,1,2,0,2,2,0,3,1,0,1,1}，此机器序列的编辑距离为13；
步骤304：{M3},{M4},{M1，M2}，产生的机器序列为{M3，M4，M1，M2}，每个工序步骤的编辑距离为{0,1,3,0,0,1,0,1,2,0,1,1}，此机器序列的编辑距离为10；
步骤305：{M4},{M3},{M1，M2}，产生的机器序列为{M4，M3，M1，M2}，每个工序步骤的编辑距离为{0,1,2,0,0,2,0,1,3,0,1,1}，此机器序列的编辑距离为11；
步骤306：{M4},{M1，M2},{M3}，产生的机器序列为{M4，M1，M2，M3}，每个工序步骤的编辑距离为{0,1,1,0,0,1,0,3,2,0,1,1}，此机器序列的编辑距离为10；
通过比较每个机器序列的编辑距离，距离最小的是方案步骤302为9，即最优的机器序列为{M1，M2，M4，M3}。
作为本发明进一步改进，在步骤1包括：
顺序扫描FJSP(柔性作业工厂调度问题的)调度结果集，针对每条柔性作业调度结果元组，检查事物数据库是否存在信息缺失，对信息缺失的结果元组，将其从事务数据库中移除，检查每条结果元组是否能构成任务的可行解，若不能，通过检查删除该调度结果元组；
以设定转换规则，将每条柔性作业调度结果元组转换为事务数据表中的若干元组，事务数据表为二维表包含事务ID属性和事务项属性；结果集为{J1:M1->M2->M3}，{J2:M4->M4->M1},{J3:M3->M4->M2}，{M2->M1->M2}，通过检查，将每条柔性作业调度结果元组转换为事务数据表中的若干元组。
作为本发明进一步改进，所述转换规则为：
步骤A：读取一条调度结果集，获得当前调度结果集中的工件集合和当前调度结果集对应调度编码，所述调度编码包括工件码和机器码；
步骤B：在当前工件集合中取出一个工件，为当前工件新建一个事务元组，并分配一个唯一的事务ID号；
步骤C：根据当前调度结果集中的机器码获得在当前调度结果中当前工件的机器序列项集，并将该机器序列项集写入事务项属性。
作为本发明进一步改进，重复步骤B和步骤C，直到当前工件集为空；
若所有调度信息都处理完则结束转换，否则跳转到步骤A中。
作为本发明进一步改进，在步骤2包括：
步骤20，顺序扫描步骤1所得的事务数据库，根据最小支持度获得频繁一项机器集；所述频繁一项机器集为在事务数据库中出现的事务数大于最小支持度技术的机器的集合；
步骤21，根据频繁K项机器集生成频繁K+1项候选机器集；
步骤22，顺序扫描事务数据库来判断K+1项候选机器集中的每个候选项，检查其是否大于最小支持度计数，若不大于则删除，从而获得K+1项频繁机器集；
步骤23，若不再产生新的频繁项集，则结束，否则重复步骤(21)和步骤(22)。
作为本发明进一步改进，步骤22包括：
将K频繁项集中的条目两两连接生成候选的K+1项条目，每次连接，需连接前K-1项相同的两个条目；
当生成完成所有的候选项后，以先生成的K+1项集的任意规模为K的子集必须在K频繁项集中为剪枝原则进行剪枝。
本发明的有益效果为：克服经典的求解单行直线型布局过程中需要提供各种参数(如设备间物流量矩阵参数)的问题。这可以帮助车间在建设初期对设备布局进行规划。克服了经典算法基于的假设是设备是被等概率使用的，即：其独立考虑了每个工件在独占所有设备的情况下的加工工艺路线图。然而，在实际情况生产情况中，根据生产订单工件是被批量的生产的，所以很少会出现单个工件独占所有设备的情况，更普遍的情况是多个工件共享设备，多个工件并发的进行生产。仅需要使用FJSP问题的调度结果，或者是已有的生产调度计划即可完成布局问题。
附图说明
图1为本发明一种基于数据挖掘制造业工厂设备布局方法的流程图。
图2为本发明一种基于数据挖掘制造业工厂设备布局方法的流程图。
图3位本发明一种基于数据挖掘制造业工厂设备布局方法的柔性作业调度元组图。
图4位本发明一种基于数据挖掘制造业工厂设备布局方法的调度解的甘特图。
图5位本发明一种基于数据挖掘制造业工厂设备布局方法的AP算法求解频繁机器集过程流程图。
具体实施方式
如图1-5所示，本发明实施例所述的一种基于数据挖掘制造业工厂设备布局方法，分为下列三个步骤。
步骤1、清理柔性工厂作业调度数据集并生成事务数据库；
步骤2、使用APriori算法挖掘事务数据中的频繁项；
步骤3、根据频繁项生产直线设备布局方案；
选择若干频繁项集，形成候选布局方案，要求这些频繁项集的并集为机器集，且频繁项集个数尽量小，首先选择{M1，M2}，然后按照选择与已选频繁项集交集最小的最长频繁项集的标准，选择{M3}，合并这个两个集合后产生的频繁项集为{M1,M2,M3},再次按照上述标准选择频繁项集{M4}，再次合并后的频繁项集为{M1,M2,M3,M4},此时并集为机器集，停止合并；
调整布局方案中每个频繁项中机器顺序，将每个频繁项内的机器序列按事务数据库中出现频度非降排序，所选的三个频繁项中机器顺序分别为{M1，M2},{M3},{M4}；
调整布局方案中频繁项集之间的顺序，三个频繁项的顺序可能有6种及利用调度解计算这6个序列的编辑距离值如下
步骤301：{M1，M2},{M3},{M4}，产生的机器序列为{M1，M2，M3，M4}，每个工序步骤的编辑距离为{0,1,1,0,0,3,0,1,2,0,1,1}，此机器序列的编辑距离为10；
步骤302：{M1，M2},{M4},{M3}，产生的机器序列为{M1，M2，M4，M3}，每个工序步骤的编辑距离为{0,1,2,0,0,2,0,1,1,0,1,1}，此机器序列的编辑距离为9；
步骤303：{M3},{M1，M2},{M4}，产生的机器序列为{M3，M1，M2，M4}，每个工序步骤的编辑距离为{0,1,2,0,2,2,0,3,1,0,1,1}，此机器序列的编辑距离为13；
步骤304：{M3},{M4},{M1，M2}，产生的机器序列为{M3，M4，M1，M2}，每个工序步骤的编辑距离为{0,1,3,0,0,1,0,1,2,0,1,1}，此机器序列的编辑距离为10；
步骤305：{M4},{M3},{M1，M2}，产生的机器序列为{M4，M3，M1，M2}，每个工序步骤的编辑距离为{0,1,2,0,0,2,0,1,3,0,1,1}，此机器序列的编辑距离为11；
步骤306：{M4},{M1，M2},{M3}，产生的机器序列为{M4，M1，M2，M3}，每个工序步骤的编辑距离为{0,1,1,0,0,1,0,3,2,0,1,1}，此机器序列的编辑距离为10；
通过比较每个机器序列的编辑距离，距离最小的是方案步骤302为9，即最优的机器序列为{M1，M2，M4，M3}。
本发明可有效提高设备直线型布局问题求解的时间效率，并能从一定程度上提高解的质量。下面展开具体说明。
对于步骤1，主要完成数据预处理的工作。产生事务数据库是其主要工作。步骤(11)顺序扫描FJSP的结果集，针对每条柔性作业调度结果元组，检查其是否存在信息缺失，并检查其是否能构成任务的可行解，若不能通过检查就删除该调度结果元组；结果集为{J1:M1->M2->M3}，{J2:M4->M4->M1},{J3:M3->M4->M2}，{M2->M1->M2}，通过检查，将每条柔性作业调度结果元组转换为事务数据表中的若干元组。
事务数据库表
步骤(12)对每条柔性作业调度结果转换为事务数据表中的若干元组。事务数据表为二维表包含事务ID属性和事务项属性。转换规则描述如下。步骤(121)读取一条调度结果集，并获得当前结果集中的工件集合和当前调度结果集对应的调度编码(工件码和机器码)。
步骤(122)从当前工件集中取出一个工件，为当前工件，新建一个事
务元组，并分配一个唯一的事务id号；步骤(123)根据当前调度结果中的机器码获得在当前调度结果中当前工件的机器序列项集，并将该项集写入事务项属性；步骤(124)重复步骤(122)和步骤(123)直到当前工件集为空；步骤(125)若所有调度信息都处理完则步骤(12)结束，否则跳转步骤(121)。
对于步骤(2)，主要完成数据挖掘工作，通过对事务数据库(根据已有的生产调度信息转换而来)进行频繁项挖掘，可以获得指导信息。为了挖掘频繁项，主要使用APriori算法进行，保留极大频繁项集。
在Apriori算法中，寻找最大频繁项目集的基本思想是:算法需要对数据集进行多步处理，第一步，简单统计所有含一个元素项目集出现的频率，并找出那些不小于最小支持度的项目集，即一维最大项目集，从第二步开始循环处理直到再没有最大项目集生成，循环过程是:第k步中，根据第k-1步生成的(k-1)维最大项目集产生k维侯选项目集，然后对数据库进行搜索，得到侯选项目集的项集支持度，与最小支持度比较，从而找到k维最大项目集，APriori算法的核心思想是：若某K+1项集为频繁的，则其任意K项子集必然也是频繁的；若某K项集是不频繁的，则其任意K+1项超集是不频繁的。
下面就具体细节进行说明。
步骤(20)顺序扫描步骤(1)所得的事务数据库，根据最小支持度获得频繁的一项机器集。所谓频繁一项机器集是指在事务数据库中出现的事务数大于最小支持度技术的机器的集合。
步骤(21)根据频繁K项机器集生成频繁K+1项候选机器集。
步骤(22)顺序扫描事务数据库来判断K+1项候选机器集中的每个候选项，检查其是否大于最小支持度计数，若不大于则删除，从而获得K+1项频繁机器集。
步骤(23)若不再产生新的频繁项集，则算法结束，否则重复步骤(21)和步骤(22)。
下面针对步骤(22)进行详细说明。
通过K频繁项集生成K+1频繁项集分为连接和剪枝两个步骤。连接步骤中，将K频繁项集中的条目两两连接生成候选的K+1项条目，每次连接前K-1项相同的两个条目，当生成完成所有的候选项后可以通过剪枝策略来进行剪枝，剪枝依靠的原则是任何频繁项集的子集必频繁，所以先生成的K+1项集的任意规模为K的子集必须在K频繁项集中。
对于步骤(3)，利用步骤(2)产生的频繁项集来产生机器布局方案。该过程主要涉及两个步骤。
步骤(31)选择若干频繁项集，形成候选布局方案。要求这些频繁项集的并集为机器集，且频繁项集个数尽量小。这是一个集合覆盖问题，采用如下的贪心策略：每次选择与已选频繁项集交集最小的最长频繁项集，直到并集为机器集。
步骤(32)调整布局方案中每个频繁项中机器顺序。将每个频繁项调整为事务数据库中出现频度最高的顺序。
步骤(33)调整布局方案中频繁项集之间的顺序。随机产生频繁项集的一个序列，利用事务数据库计算该序列的编辑距离值，反复多次选择最优方案即为所得。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于数据挖掘制造业工厂设备布局方法，其特征在于，该方法包括以下步骤：
步骤1：清理柔性工厂工作调度数据并生成事物数据库；
步骤2：使用APriori算法挖掘事务数据库中的频繁项：
步骤3：根据频繁项生产直线设备布局方案；
选择若干频繁项集，形成候选布局方案，要求这些频繁项集的并集为机器集，且频繁项集个数尽量小，首先选择{M1，M2}，然后按照选择与已选频繁项集交集最小的最长频繁项集的标准，选择{M3}，合并这个两个集合后产生的频繁项集为{M1,M2,M3},再次按照上述标准选择频繁项集{M4}，再次合并后的频繁项集为{M1,M2,M3,M4},此时并集为机器集，停止合并；
调整布局方案中每个频繁项中机器顺序，将每个频繁项内的机器序列按事务数据库中出现频度非降排序，所选的三个频繁项中机器顺序分别为{M1，M2},{M3},{M4}；
调整布局方案中频繁项集之间的顺序，三个频繁项的顺序可能有6种及利用调度解计算这6个序列的编辑距离值如下；
步骤301：{M1，M2},{M3},{M4}，产生的机器序列为{M1，M2，M3，M4}，每个工序步骤的编辑距离为{0,1,1,0,0,3,0,1,2,0,1,1}，此机器序列的编辑距离为10；
步骤302：{M1，M2},{M4},{M3}，产生的机器序列为{M1，M2，M4，M3}，每个工序步骤的编辑距离为{0,1,2,0,0,2,0,1,1,0,1,1}，此机器序列的编辑距离为9；
步骤303：{M3},{M1，M2},{M4}，产生的机器序列为{M3，M1，M2，M4}，每个工序步骤的编辑距离为{0,1,2,0,2,2,0,3,1,0,1,1}，此机器序列的编辑距离为13；
步骤304：{M3},{M4},{M1，M2}，产生的机器序列为{M3，M4，M1，M2}，每个工序步骤的编辑距离为{0,1,3,0,0,1,0,1,2,0,1,1}，此机器序列的编辑距离为10；
步骤305：{M4},{M3},{M1，M2}，产生的机器序列为{M4，M3，M1，M2}，每个工序步骤的编辑距离为{0,1,2,0,0,2,0,1,3,0,1,1}，此机器序列的编辑距离为11；
步骤306：{M4},{M1，M2},{M3}，产生的机器序列为{M4，M1，M2，M3}，每个工序步骤的编辑距离为{0,1,1,0,0,1,0,3,2,0,1,1}，此机器序列的编辑距离为10；
通过比较每个机器序列的编辑距离，距离最小的是方案步骤302为9，即最优的机器序列为{M1，M2，M4，M3}。
2.根据权利要求1所述的基于数据挖掘制造业工厂设备布局方法，其特征在于，
在步骤1包括：
顺序扫描FJSP调度结果集，针对每条柔性作业调度结果元组，检查事物数据库是否存在信息缺失，对信息缺失的结果元组，将其从事务数据库中移除，检查每条结果元组是否能构成任务的可行解，若不能，通过检查删除该调度结果元组；
以设定转换规则，将每条柔性作业调度结果元组转换为事务数据表中的若干元组，事务数据表为二维表包含事务ID属性和事务项属性；结果集为{J1:M1->M2->M3}，{J2:M4->M4->M1},{J3:M3->M4->M2}，{M2->M1->M2}，通过检查，将每条柔性作业调度结果元组转换为事务数据表中的若干元组。
3.根据权利要求2所述的基于数据挖掘制造业工厂设备布局方法，其特征在于：所述转换规则为：
步骤A：读取一条调度结果集，获得当前调度结果集中的工件集合和当前调度结果集对应调度编码，所述调度编码包括工件码和机器码；
步骤B：在当前工件集合中取出一个工件，为当前工件新建一个事务元组，并分配一个唯一的事务ID号；
步骤C：根据当前调度结果集中的机器码获得在当前调度结果中当前工件的机器序列项集，并将该机器序列项集写入事务项属性。
4.根据权利要求3所述的基于数据挖掘制造业工厂设备布局方法，其特征在于：
重复步骤B和步骤C，直到当前工件集为空；
若所有调度信息都处理完则结束转换，否则跳转到步骤A中。
5.根据权利要求1所述的基于数据挖掘制造业工厂设备布局方法，其特征在于：
在步骤2包括：
步骤20，顺序扫描步骤1所得的事务数据库，根据最小支持度获得频繁一项机器集；所述频繁一项机器集为在事务数据库中出现的事务数大于最小支持度技术的机器的集合；
步骤21，根据频繁K项机器集生成频繁K+1项候选机器集；
步骤22，顺序扫描事务数据库来判断K+1项候选机器集中的每个候选项，检查其是否大于最小支持度计数，若不大于则删除，从而获得K+1项频繁机器集；
步骤23，若不再产生新的频繁项集，则结束，否则重复步骤(21)和步骤(22)。
6.根据权利要求5所述的基于数据挖掘制造业工厂设备布局方法，其特征在于：步骤22包括：
将K频繁项集中的条目两两连接生成候选的K+1项条目，每次连接，需连接前K-1项相同的两个条目；
当生成完成所有的候选项后，以先生成的K+1项集的任意规模为K的子集必须在K频繁项集中为剪枝原则进行剪枝。
CN201610264061.8A 2016-04-26 2016-04-26 一种基于数据挖掘制造业工厂设备布局方法 Active CN105955209B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610264061.8A CN105955209B (zh) 2016-04-26 2016-04-26 一种基于数据挖掘制造业工厂设备布局方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610264061.8A CN105955209B (zh) 2016-04-26 2016-04-26 一种基于数据挖掘制造业工厂设备布局方法

Publications (2)

Publication Number Publication Date
CN105955209A true CN105955209A (zh) 2016-09-21
CN105955209B CN105955209B (zh) 2018-05-08

Family

ID=56915574

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610264061.8A Active CN105955209B (zh) 2016-04-26 2016-04-26 一种基于数据挖掘制造业工厂设备布局方法

Country Status (1)

Country Link
CN (1) CN105955209B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108133281A (zh) * 2017-12-05 2018-06-08 国网内蒙古东部电力有限公司电力科学研究院 基于改进近邻传播算法的电费缴纳点选址优化方法
CN112884614A (zh) * 2019-11-29 2021-06-01 北京金山云网络技术有限公司 基于频繁序列的路线推荐方法、装置和电子设备
CN113592190A (zh) * 2021-04-19 2021-11-02 北京联合大学 智慧工厂中一种大规模单行设施布局规划方法
CN115794801A (zh) * 2022-12-23 2023-03-14 东南大学 一种挖掘自动驾驶事故致因链式关系的数据分析方法
CN112884614B (zh) * 2019-11-29 2024-05-14 北京金山云网络技术有限公司 基于频繁序列的路线推荐方法、装置和电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005532671A (ja) * 2001-07-30 2005-10-27 アプライド マテリアルズ インコーポレイテッド 製造データ分析方法及び装置
CN101271543A (zh) * 2008-04-23 2008-09-24 永凯软件技术（上海）有限公司 一种应用了基于精英解池的遗传算法的生产排程系统和方法
CN102012918A (zh) * 2010-11-26 2011-04-13 中金金融认证中心有限公司 一种规律挖掘和执行系统及其方法
GB2484644A (en) * 2009-07-22 2012-04-18 Carolyn Patricia Mcgregor System, method and computer program for multi-dimensional temporal data mining
CN103413196A (zh) * 2013-07-12 2013-11-27 西北工业大学 改进的基于关系链的作业车间调度关键外协工序辨识方法
US20150162180A1 (en) * 2013-12-09 2015-06-11 Globalfoundries Inc. Method, storage medium and system for controlling the processing of lots of workpieces

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005532671A (ja) * 2001-07-30 2005-10-27 アプライド マテリアルズ インコーポレイテッド 製造データ分析方法及び装置
CN101271543A (zh) * 2008-04-23 2008-09-24 永凯软件技术（上海）有限公司 一种应用了基于精英解池的遗传算法的生产排程系统和方法
GB2484644A (en) * 2009-07-22 2012-04-18 Carolyn Patricia Mcgregor System, method and computer program for multi-dimensional temporal data mining
CN102012918A (zh) * 2010-11-26 2011-04-13 中金金融认证中心有限公司 一种规律挖掘和执行系统及其方法
CN103413196A (zh) * 2013-07-12 2013-11-27 西北工业大学 改进的基于关系链的作业车间调度关键外协工序辨识方法
US20150162180A1 (en) * 2013-12-09 2015-06-11 Globalfoundries Inc. Method, storage medium and system for controlling the processing of lots of workpieces

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
AKSHITA BHANDARI ETC: "Improvised Apriori Algorithm Using Frequent Pattern Tree for Real Time Applications in Data Mining", 《PROCEDIA COMPUTER SCIENCE》 *
MAO WU ETC: "On Parallelization of the NIS-apriori Algorithm for Data Mining", 《PROCEDIA COMPUTER SCIENCE》 *
吴立锋 等: "改进的关联规则增量更新算法", 《计算机工程与应用》 *
谢英星: "典型改模工艺描述语句及工序顺序获取方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑(月刊)》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108133281A (zh) * 2017-12-05 2018-06-08 国网内蒙古东部电力有限公司电力科学研究院 基于改进近邻传播算法的电费缴纳点选址优化方法
CN112884614A (zh) * 2019-11-29 2021-06-01 北京金山云网络技术有限公司 基于频繁序列的路线推荐方法、装置和电子设备
CN112884614B (zh) * 2019-11-29 2024-05-14 北京金山云网络技术有限公司 基于频繁序列的路线推荐方法、装置和电子设备
CN113592190A (zh) * 2021-04-19 2021-11-02 北京联合大学 智慧工厂中一种大规模单行设施布局规划方法
CN113592190B (zh) * 2021-04-19 2023-06-23 北京联合大学 智慧工厂中一种大规模单行设施布局规划方法
CN115794801A (zh) * 2022-12-23 2023-03-14 东南大学 一种挖掘自动驾驶事故致因链式关系的数据分析方法
CN115794801B (zh) * 2022-12-23 2023-08-15 东南大学 一种挖掘自动驾驶事故致因链式关系的数据分析方法

Also Published As

Publication number Publication date
CN105955209B (zh) 2018-05-08

Similar Documents

Publication Publication Date Title
CN101339575B (zh) 三维可视化工艺设计系统及其设计方法
CN104391948B (zh) 数据仓库的数据标准化构建方法及系统
CN104808627A (zh) 一种离散制造系统的车间布局方法
CN103824136A (zh) 一种mes动态车间调度制造执行系统
CN104537503B (zh) 数据处理方法和系统
EC et al. Improvement of facility layout using systematic layout planning
KR102042318B1 (ko) 스마트 팩토리 레이아웃 설계 방법 및 시스템
CN102385364B (zh) 一种柔性路径下跨作业单元调度方法
CN101957954A (zh) 离散型制造业生产管控优化方法
CN107807623A (zh) 柔性机加生产线的动态排产方法、系统及在高铁动车零部件组柔性机加生产线中的应用
CN105069524A (zh) 基于大数据分析的计划调度优化方法
CN105955209A (zh) 一种基于数据挖掘制造业工厂设备布局方法
CN106611232A (zh) 一种求解多工艺路线作业车间调度的分层优化算法
CN113139710B (zh) 一种基于遗传算法的多资源并行任务高级计划排程方法
CN109784656A (zh) 一种离散制造协同生产计划排程方法
CN107230023A (zh) 基于改进和声搜索的生产和运输协同调度方法和系统
CN101727622A (zh) 一种面向复杂制造系统的层次化建模与优化方法
CN105550825A (zh) 云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法
CN110968950A (zh) 一种基于人员疲劳度的人机协作拆卸序列规划方法
Yan et al. A case study on integrated production planning and scheduling in a three-stage manufacturing system
CN104281134B (zh) 基于人机交互的原矿选别过程多生产指标优化系统及方法
CN109085804A (zh) 一种用于电子产品在多工厂车间生产过程的优化调度方法
Grabowik et al. A survey on CAPP systems development methods
CN117132181A (zh) 一种分布式柔性生产与运输协同调度方法
Chan et al. Considerations for using cellular manufacturing

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20191225

Address after: 430000 business incubator phase II, Zhongnan University for nationalities, Minzu Avenue, Hongshan District, Wuhan City, Hubei Province 311

Patentee after: Hubei Yunlong Technology Co., Ltd

Address before: 430074, South-Central University For Nationalities, 182 National Road, Hongshan District, Hubei, Wuhan

Patentee before: South-Central University for Nationalities