CN109685386A - 基于数据信息的多目标作业车间的复杂网络模型构建方法 - Google Patents
基于数据信息的多目标作业车间的复杂网络模型构建方法 Download PDFInfo
- Publication number
- CN109685386A CN109685386A CN201811638971.3A CN201811638971A CN109685386A CN 109685386 A CN109685386 A CN 109685386A CN 201811638971 A CN201811638971 A CN 201811638971A CN 109685386 A CN109685386 A CN 109685386A
- Authority
- CN
- China
- Prior art keywords
- node
- network
- network model
- data
- job shop
- 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.)
- Pending
Links
- 238000010276 construction Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 87
- 238000004519 manufacturing process Methods 0.000 claims abstract description 82
- 230000008569 process Effects 0.000 claims abstract description 69
- 230000000694 effects Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 7
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000003754 machining Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 3
- 230000008278 dynamic mechanism Effects 0.000 abstract description 2
- 239000000047 product Substances 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 239000003365 glass fiber Substances 0.000 description 8
- 238000013507 mapping Methods 0.000 description 8
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- PNEYBMLMFCGWSK-UHFFFAOYSA-N Alumina Chemical compound [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 239000012188 paraffin wax Substances 0.000 description 2
- 238000011009 performance qualification Methods 0.000 description 2
- 239000010453 quartz Substances 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 239000000377 silicon dioxide Substances 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 239000004411 aluminium Substances 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007600 charging Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000014599 transmission of virus Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开公开了基于数据信息的多目标作业车间的复杂网络模型构建方法,包括:针对多目标作业车间进行参数定义;构建多目标有向加权网络模型:将作业车间生产活动涉及到的每一个采集数据信息点作为一个网络节点,将所关联的各个网络节点的工业流程作为网络的边,节点之间连接边的方向由工序的优先关系决定,每个环节都设置一个流程节点来连接流程走向;基于多目标有向加权网络模型构建能够反映生产过程是随着时间而改变的动态加权复杂网络模型。本公开基于数据信息的多目标作业车间的动态加权复杂网络模型在一定程度上能够反映真实的车间生产机制,模型具备的动态性证明了能较好刻画显示网络的动态机理。
Description
技术领域
本公开涉及计算机信息处理技术领域,特别是涉及基于数据信息的多目标作业车间的复杂网络模型构建方法。
背景技术
随着智能制造的推进和全球贸易化的发展,多目标制造系统以由最初的链式结构发展成为复杂的网络化组织。智能制造是一个集产品全生命周期、智能功能和系统层次于一身的庞大的制造过程。在这种制造方式下,品种多、规模小,造成生产作业过程中信息复杂,从而使得企业的生产作业计划安排工作难度加大,难以控制,容易造成不能按期交货、产品质量不能保证、经济效益降低等问题。
为了解决这一系列问题,必须要进行多目标制造的优化。多目标制造的优化是指要在满足约束条件的前提下,按照制造流程和计划,为实现缩短产品的生产周期、降低成本、提高生产效率、提高生产资源利用率等目标,制定生产计划以及调度指令来进行任务的分配。如何在满足约束条件的前提之下达到生产的目的,怎样将目的最大化,是多目标制造主要探索的方向,它的研究主要可以分为调度建模和调度算法设计两方面。其中,建模主要研究调度模型、目标函数、调度规则等内容;算法主要研究算法设计、算法收敛性和复杂性分析等内容。现有的调度模型大多针对工件的完成情况,以最大完成时间,延迟时间,流经时间,延迟工件个数等作为优化目标。然而,研究者很少从多目标制造的数据特征出发,缺乏对数据的深入分析,没有考虑在大数据时代下,数据在生产中起到的作用,模型大多与真实的车间生产存在一定的差距。
多目标作业车间的生产数据具有多元性、异构性、模糊性等特征,数据节点的选择又有自身的连接偏好。复杂网络是具有自组织、自相似、吸引子、小世界、无标度中部分或全部性质的网络,它是一种有数据巨大的节点和节点之间错综复杂的关系共同构成的网络结构,是一个足够复杂的拓扑结构特征图。实证分析方面,复杂网络理论已被广泛应用于因特网、产品供应链网络、病毒传播网络、电力网络和交通运输网络等的研究中。
利用复杂网络建模,恰好是多目标车间生产调度问题转型的新思路,多目标作业车间的生产数据特征与复杂网络的节点特征类似,所以可以将它抽象为复杂网络模型。
多目标作业车间问题描述:现阶段研究成果:作业车问调度问题(Job-Shopscheduling Problem,JSP)作为许多实际生产调度问题的抽象模型,是一类典型的NP-hard复杂优化问题。启发式算法和精确算符是多目标作业车间调度的主要求解方法。目前启发式算法更容易被广泛接受,因为它能在可接受的时间内获得问题满意的答案。复杂网络在多目标作业车间上的应用处于起步阶段,尚未收到广泛关注,但在工业制造的相关领域也取得了不错的进展。针对供应链的应用较为广泛,存在现有文献采用复杂网络理论构建了带有可调参数的供应链网络演化模型。存在现有文献针对供应链网络的复杂性及其内外环境变化的不确定性,将供应链网络中的企业和企业间关系抽象为网络的节点和边,运用复杂网络理论对供应链进行建模分析。存在现有文献在快速扩散制造模式下获取和重用制造知识,提高系统的决策效率,提出一种基于复杂网络的知识评价和关联性分析方法。存在现有文献提出了一个面向离散制造过程的复杂网络理论应用研究框架。
因此,如何基于生产数据信息实现多目标作业车间的动态复杂网络模型的构建时本申请技术方案所主要解决的技术问题。
公开内容
为了解决现有技术的不足,本公开的实施例子提供了基于数据信息的多目标作业车间的复杂网络模型构建方法,该模型具有无标度特性,为以后在模型中发现关键节点提供了参考。
为了实现上述目的,本申请采用以下技术方案:
基于数据信息的多目标作业车间的复杂网络模型构建方法,包括:
针对多目标作业车间进行参数定义;
构建多目标有向加权网络模型:将作业车间生产活动涉及到的每一个采集数据传感器点作为一个网络节点,将工业流程中机器作为流程节点,将所关联的各个节点的工业流程作为网络的边,节点之间连接边的方向由工序的优先关系决定,流程节点不设置权重,完成多目标有向加权网络模型的构建;
对搭建的多目标有向加权网络模型进行降维处理,完成任务到网络节点的投影;
基于多目标有向加权网络模型构建能够反映生产过程是随着时间而改变的动态加权复杂网络模型。
作为本申请的进一步的技术方案,多目标作业车间进行参数定义时,具体包括:
设在M台设备上加工N个任务,其中第k台机器用Mk表示,Jj表示第j个任务,每个任务包含nj个工序,其中Oij表示任务Jj上的第i个工序,对每个工序Oij提供若干个机器加工,机器的集合表示为Mk,工序Oij在机器k上的加工时间用Tijk表示,j=1,2,3......n。
作为本申请的进一步的技术方案,每个加工环节上设置多个采集数据点,整个加工流程各环节的用料和时间,成品性价比合格率信息数据都要进行采集,在采集数据信息时,数据每一秒进行一次采集,将十分钟作为一个时间单位,在十分钟内采集到的所有原始数据求平均数,再将其转化为逻辑数据,如遇到故障则整个单位时间内该数据显示为零,停滞状态时当前秒记为零。
作为本申请的进一步的技术方案,建模的前提还包括:
初始状态下所有设备处于闲置状态,各工序存在工艺上的先后时间约束,每道工序对需要的生产资源以及该资源上的加工时间已经确定;
每道工序必须在指定的设备加工,某一时刻一台设备只能加工一个任务;
车间内允许在多个订单任务同时加工,并且新的订单任务可随即加入;
设备准备时间、更换时间、维修时间预先设定。
作为本申请的进一步的技术方案,在网络节点采集到的数据信息做预处理,权值的大小用资源协作关系的紧密程度来表示。
作为本申请的进一步的技术方案,动态加权复杂网络模型用一个三元组来描述G=(R,E,W),其中R表示的是节点集合;E表示的是边的集合;W表示的是权重集合;
将十分钟作为一个时间单位,在该时间内采集到的数据求平均数处理,再将该数据处理为逻辑数据,若数据两个节点有关联,则上游节点产生的数据和下游节点产生的数据具有一定的函数关系。两点间函数关系可以用最小二乘法多项式进行函数拟合,拟合结果即为所求函数关系式;
作业车间系统动态网络由一系列网络场景叠加而成,G=(G0,G1,G2......Gx),T={1,2......T},每个t时刻代表十分钟内节点采集到的数据,因此t时刻的复杂网络场景可以描述为Gt=(Rt,Et,Wt)。
作为本申请的进一步的技术方案,动态加权复杂网络模型具体构建过程为:
首先初始化模型G,节点集合R,边集合E和权重集合W;
对任务集合的每项任务进行工序的分解,将任务等价成一个时间序列,由任务分解后的制造活动及其时间关系组成;
如果该任务的某项工序从时刻t开始,这个工序对应的资源节点并不存在于网络中,则新增相应的节点边和权重;
在t时刻创建子图图像Gt,并将该子图添加到动态加权复杂网络,网络演化就可以看成是一系列动态网络场景的叠加,包括初始、增加和减退,这就完成了整个模型的构建。
作为本申请的进一步的技术方案,针对动态加权复杂网络模型利用动态加权复杂网络特征参数进行定量描述,包括:网络节点度、网络平均路径长度、网络聚类系数、节点介数;网络节点度等于入度与出度,入度在动态加权复杂网络中表示有多少上游节点直接与该节点相连:
出度在动态加权复杂网络中表示有多少下游节点被直接连接到所观察的节点的数目;
网络节点度:
D(i)=id(i)+od (i)。
作为本申请的进一步的技术方案,网络平均路径长度:
其中,dij表示的是连接节点i和节点j的最短路径的边数,R代表的是网络节点数。
作为本申请的进一步的技术方案,网络聚类系数:
聚类系数表示的是网络中节点聚集程度的系数,公式中的Ei表示的是与i节点的邻居节点有关系的数目。
作为本申请的进一步的技术方案,节点介数:
其中,δst表示从节点s到t的所有最短路径的条数,δst(r)表示从顶点s到t经过顶点r的所有最短路径的条数。
本公开的实施例子还公开了基于数据信息的多目标作业车间的复杂网络模型构建系统,包括:
参数定义单元,针对多目标作业车间进行参数定义;
多目标有向加权网络模型构建单元:将作业车间生产活动涉及到的每一个采集数据传感器点作为一个网络节点,将工业流程中机器作为流程节点,将所关联的各个节点的工业流程作为网络的边,节点之间连接边的方向由工序的优先关系决定,流程节点不设置权重,完成多目标有向加权网络模型的构建;
对搭建的多目标有向加权网络模型进行降维处理,完成任务到网络节点的投影;
动态加权复杂网络模型构建单元,基于多目标有向加权网络模型构建能够反映生产过程是随着时间而改变的动态加权复杂网络模型。
本公开的实施例子还公开了一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的基于数据信息的多目标作业车间的复杂网络模型构建方法。
本公开的实施例子还公开了一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的基于数据信息的多目标作业车间的复杂网络模型构建方法。
与现有技术相比,本公开的有益效果是:
本公开基于数据信息的多目标作业车间的动态加权复杂网络模型在一定程度上能够反映真实的车间生产机制,模型具备的动态性证明了能较好刻画显示网络的动态机理。
通过仿真分析该模型的网络特征参数,可以发现该模型是具备行业特色的无标度网络。实现了将多目标作业车间问题的流程模型转化为数据模型,为下一步寻找网络关键节点以及车间生产优化做了铺垫。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本公开一个或多个实施例子的任务逻辑划分图;
图2为本公开一个或多个实施例子的任务—网络映射图;
图3为本公开一个或多个实施例子的玻璃纤维生产工业流程的任务流程图;
图4为本公开一个或多个实施例子的熔制环节复杂网络模型图;
图5为本公开一个或多个实施例子的入度分布统计图;
图6为本公开一个或多个实施例子的出度分布统计图;
图7为本公开一个或多个实施例子的误差结果统计图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本公开使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本公开实施例子中的多目标作业车间数据信息共有以下几个特点:
1、数据多样性以及多种数据结构:数据信息可以简单分为:生产信息、价值信息、产品信息和外部信息等,其中每类信息又可以展开分解为子类信息。例如生产信息包括设备信息、人力管控、生产过程、目标计划等;产品信息包括:产品质量、产品合格率、产品生产时间等。在实际车间生产中统计与测量的数据存在多种数据结构,例如以表格、扫描图、报表等多种形式存在。若将这些信息直接应用不仅会造成数据的堆积还会失去数据原本的价值,所以需要将数据进行预处理后整理到数据库。
2、数据信息模糊性:在实际的车间生产过程中,由于信息技术和智能系统的覆盖不全面,设备测量存在不准确,会导致得到的数据与实际数据存在误差。另外数据与数据之间也存在着定量与定性、缺少与冗余等模糊问题。
3、时序随机动态性:随着任务的增加或减少,任务所使用到的资源随时都在发生着变化,其他随机的因素,例如生产资源供应的波动、加工设备出现的故障,都会给任务处理时间和效率带来影响,这就造成了信息数据具备随机动态性,并且该动态性以时序变化为基础。
4、相互关联性:数据与数据之间存在着相互关联的关系,某一项数据的变化会引起相关数据发生改变。在实际生产过程中某一个环节用料的多少,加工细节数据,都会引起下一个环节以及最终成品数据的变化。
本公开实施例子中,针对智能制造中多目标作业车间生产过程的数据具有多样性、模糊性、异构性和随机动态性的特点,结合复杂网络理论,利用网络建模算法,搭建了一个基于数据信息的多目标作业车间动态加权复杂网络模型。该模型将数据信息作为节点,数据与数据之间的关系作为边,关系间的强弱作为边的权重,引入了时间上的动态变化,考虑到了不同时刻内部节点、边以及权重的动态演化,将多目标作业车间问题的流程优化模型转化为数据优化模型。分析了模型的特征参数,最后用仿真实验验证了模型具有无标度的网络特性,证明了该模型可以较好刻画实际的车间生产。
本申请的一种典型的实施方式中,基于数据信息的多目标作业车间的复杂网络模型构建方法,包括:
首先进行参数的定义,具体为:
在M台设备上加工N个任务,其中第k台机器用Mk表示,Jj(j=1,2,3......n)(n代表的是所有的任务集合)表示第j个任务,每个任务包含nj个工序,其中Oij表示任务Jj上的第i个工序(i=1、2.....nj),对每个工序Oij提供若干个机器加工,机器的集合表示为Mk,工序Oij在机器k上的加工时间用Tijk表示。每个加工环节上设置多个采集数据点,例如设备A采集电压电流温度等数据集。
整个加工流程各工序的用料和时间,成品性价比合格率等信息数据都要进行采集。在采集数据信息时,数据每一秒进行一次采集,将十分钟作为一个时间单位,在十分钟内采集到的所有原始数据求平均数,再将其转化为逻辑数据,如遇到故障则整个单位时间内该数据显示为零,停滞状态时当前秒记为零。
在进行作业车间问题的描述与建模时,还需要遵循以下条件:
初始状态下所有设备处于闲置状态,各工序存在工艺上的先后时间约束,每道工序对需要的生产资源以及该资源上的加工时间已经确定;
每道工序必须在指定的设备加工,某一时刻一台设备只能加工一个任务;
车间内允许在多个订单任务同时加工,并且新的订单任务可随即加入;
设备准备时间、更换时间、维修时间预先设定。
在本申请具体实施例子中,复杂网络模型的搭建,包括:
任务—节点网络映射、动态加权复杂网络模型、动态加权复杂网络特征参数;
具体的,要搭建一个复杂网络,首先要搭建一个任务—节点网络模型,生产中的数据直接来源于分布于各个车间的各个生产单元中的传感器,比如温度传感器、压力传感器、速度传感器等。这些传感器按照设定参数每隔一段时间便会返回当前的数据到服务器,服务器写入到数据库之中。网络的节点分为两类,一类节点代表的是工业流程中机器的节点即流程节点,另外一类节点是将作业车间生产活动涉及到的每一个采集数据传感器点作为一个网络节点(数据信息包括生产信息、设备信息、人力信息、产品信息等),每部分流程节点都会涉及到很多与该流程相关的数据信息节点。将所关联的各个流程节点的工业流程作为网络的边,若信息数据节点与该部分相关则与该部分的流程节点相连接,流程节点之间连接边的方向由工序的优先关系决定,具有很强的确定性。
另外每个环节都设置一个流程节点来连接流程走向,流程节点不设置权重。在节点采集到的数据信息做预处理,权值的大小用资源协作关系的紧密程度来表示,这样就能构建一个多目标有向加权网络。由于任务是动态的,时间的变化,任务的增加,都会引发网络拓扑结构的变化。所以要对搭建的多目标有向加权网络模型进行降维处理,完成任务到节点的投影。例如图1描述了两个任务将它进行逻辑上的划分,图2对应的是这个任务到构建网络的映射。将任务分为多个工序,每个工序使用到资源产生的数据定义为Ri(i=1,2,......),Ri之间存在逻辑和物理的流程关系,这样就完成了任务到网络的映射过程。但是由于整个生产过程是随着时间而改变的,所以这样一个简单的任务—网络映射网络模型并不能充分描述实际生产中错综复杂的关系,需要构建一个动态加权复杂网络模型。
以某无碱窑炉工艺生产玻璃纤维的加工流程为实例,图3是以无碱窑炉工艺生产玻璃纤维的加工流程,该流程共有133个节点Ri(i=1,2,......103),分11个流程节点,70个信息数据节点和52个其他信息相关节点分布于各个环节之中。其中原料加工有8个,包括主要材料和辅料用量的记录;配合料制备为4个,包括石英石引入二氧化硅,石蜡石引入氧化铝等;熔制为5个,主要包括电助熔功率,液面温度,窑底温度,电导率,热导率;成丝为4个,主要包括拉丝速度,漏板温度等,另有两个浸润剂的数据记录;烘干为9个,主要包括含水率,软质沙硬质沙,时间温度等;两个包装入库环节个为5个,包括成品的产量,成本,合格率等数据;其他环节为7个,主要记录的是各个环节生产的数据。将所关联的各个节点的工业流程作为网络的边,且某单位环节内各个节点互相连接,节点之间连接边的方向由工序的优先关系决定。但是由于整个生产过程是随着时间而改变的,所以这样一个简单的任务—网络映射网络模型并不能充分描述实际生产中错综复杂的关系,需要构建一个动态加权复杂网络模型。
动态加权复杂网络模型可以用一个三元组来描述G=(R,E,W),其中R表示的是节点集合;E表示的是边的集合;W表示的是权重集合。将十分钟作为一个时间单位,在该时间内采集到的数据求平均数处理,再将该数据处理为逻辑数据。
若数据两个节点有关联,则上游节点产生的数据和下游节点产生的数据具有一定的函数关系。两点间函数关系可以用最小二乘法多项式进行函数拟合,拟合结果即为所求函数关系式。设节点Ri与节点Rj为两个相邻节点,边的方向由Ri指向Rj,给定数据点p(Ri,Rj),求近似曲线y=φ(x),并且使得近似曲线与y=f(x)的偏差最小,则最终某一时刻两节点存在函数关系Rj=f(Ri),该函数表达式可以由两节点的数据序列求得,那么节点Ri与节点Rj的权值可以表示为:
Wij=f’(Ri)
作业车间系统动态网络由一系列网络场景叠加而成,G=(G0,G1,G2......Gx),T={1,2......t}(表示该搭建模型的时间集合),每个t时刻代表十分钟内节点采集到的数据,因此t时刻的复杂网络场景可以描述为Gt=(Rt,Et,Wt)。
算法中用到的其他参数:U表示任务集合,U={1,2,......x}(x表示搭建该模型的任务集合数);Oij表示任务Jj上的第i个工序。建立动态加权复杂网络模型算法,算法如下:
首先初始化模型G,节点集合R,边集合E和权重集合W,对任务集合的每项任务进行工序的分解,将任务等价成一个时间序列,由任务分解后的制造活动及其时间关系组成。如果该任务的某项工序从时刻t开始,这个工序对应的资源节点并不存在于网络中,则新增相应的节点边和权重。在t时刻创建子图图像Gt,并将该子图添加到动态加权复杂网络,网络演化就可以看成是一系列动态网络场景的叠加,包括初始、增加和减退,这就完成了整个模型的构建。
动态加权复杂网络特征参数,在本公开中主要采用以下几个相关的网络拓扑参数来进行定量描述:
(1)度
入度:在动态加权复杂网络中表示有多少上游节点直接与该节点相连,定义为:
出度:在动态加权复杂网络中表示有多少下游节点被直接连接到所观察的节点的数目,定义为:
因此,网络节点度等于入度与出度:
D(i)=id(i)+od(i) (3)
(2)网络平均路径长度
其中dij表示的是连接节点i和节点j的最短路径的边数,R代表的是网络节点数。
(3)网络聚类系数
聚类系数表示的是网络中节点聚集程度的系数,在现实网络中由于相对高密度连接点的关系,节点总是趋向于一组严密的组织关系,这种关系可以用聚类系数来量化表示。公式中的Ei表示的是与i节点的邻居节点有关系的数目。
(4)节点介数
δst表示从节点s到t的所有最短路径的条数,δst(r)表示从顶点s到t经过顶点r的所有最短路径的条数。在复杂网络中该指标表示一个节点的中心性和重要性,当然实际的车间生产并不一定按照网络的最短路径设置,但是介数高一眼可以表明它的强连通性。
本公开的实施例子还公开了基于数据信息的多目标作业车间的复杂网络模型构建系统,包括:
参数定义单元,针对多目标作业车间进行参数定义;
多目标有向加权网络模型构建单元:将作业车间生产活动涉及到的每一个采集数据信息点作为一个网络节点,将所关联的各个网络节点的工业流程作为网络的边,节点之间连接边的方向由工序的优先关系决定,每个环节都设置一个流程节点来连接流程走向,流程节点不设置权重,完成多目标有向加权网络模型的构建;
对搭建的多目标有向加权网络模型进行降维处理,完成任务到网络节点的投影;
动态加权复杂网络模型构建单元,基于多目标有向加权网络模型构建能够反映生产过程是随着时间而改变的动态加权复杂网络模型。
本公开的实施例子还公开了一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的基于数据信息的多目标作业车间的复杂网络模型构建方法。
本公开的实施例子还公开了一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的基于数据信息的多目标作业车间的复杂网络模型构建方法。
为了更好的说明本申请技术方案所具有技术效果,下面结合仿真实验分析进行说明:
本公开以无碱窑炉工艺生产玻璃纤维的加工流程为实例,图3是以无碱窑炉工艺生产玻璃纤维的加工流程。该流程共有133个节点Ri(i=1,2,......103),分11个流程节点,70个信息数据节点和52个其他信息相关节点分布于各个环节之中。其中原料加工有8个,包括主要材料和辅料用量的记录;配合料制备为4个,包括石英石引入二氧化硅,石蜡石引入氧化铝等;熔制为5个,主要包括电助熔功率,液面温度,窑底温度,电导率,热导率;成丝为4个,主要包括拉丝速度,漏板温度等,另有两个浸润剂的数据记录;烘干为9个,主要包括含水率,软质沙硬质沙,时间温度等;两个包装入库环节节点各为5个,包括成品的产量,成本,合格率等数据;其他环节为7个,主要记录的是各个环节生产的数据。选取一年的数据集作为实验样本(这样的数据集包含所有波动性对生产造成的影响),每天工作8个小时,该车间的生产组织形式遵循了多目标作业车间的原则。加工任务通过处理多种进料包括原料或半成品,产生相应的出料,并将其传递给下游其他任务。将流程过程,某个环节的相关信息采集点相连接,构成该网络模型的边。
根据本公开上述的加权动态复杂网络模型,搭建基于数据的无碱窑炉工艺生产玻璃纤维多目标作业车间复杂网络模型。本公开将车间原始数据转化为制造系统网络模型需经过以下四个步骤:
Step1:抽取所有节点和连边。针对每一个独立操作都提供一组数据表格,该表格包含:任务,设备,任务开始时间,标准工作时间及任务结束时间。通过该工作系统数据,可以将网络节点抽取出来。将任务按照任务和完工时间进行分组和排序,这样将它等价为时间序列,以此为基础根据工艺流程和材料流程连接边。
Step2:将节点和连边信息进行网络化映射,通过网络化映射后,建立网络模型。每一个时间单位是十分钟,每十分钟内采集到的数据进行求取平均数,利用权重公式Wij=f’(Ri)求出两点间的权重值。
Step3:给节点和连边赋予实际性能特征信息。
Step4:计算网络特征参数。
以熔制这个小环节为例,该环节有5个信息采集节点,分别是电助熔功率,液面温度,窑底温度,电导率,热导率。由于篇幅限制,得到的数据不整体罗列,表1是熔制环节某十分钟内采集的5个节点的信息,将十分钟内统计到的数据进行求平均数的处理。统计完该十分钟内的数据信息后,再拿下一组信息作对比来确定权重。图4是通过算法和模型搭建后构造的某时刻该部分复杂网络模型图,该图内节点6到节点9代表的是人力、产品等相关信息,但由于该部分统计信息过少所以并不能构成复杂网络,只作为整体复杂网络的选取部分。同时可以构造出某个时刻无碱窑炉工艺生产玻璃纤维作业车间整体流程的复杂网络模型最大连通子图。
表1熔制环节采集部分信息
网络特征分析:在生产加工过程中,节点和连边是不断动态变化的,这种连接的变化可以充分的描述制造系统网络的拓扑结构。文中主要选取复杂网络经典指标:度、平均路径长度、聚类系数和介数。表2总结了网络的主要拓扑结构连接关系特性,其中R为节点数,E为边数,L为平均路径长度,C为聚类系数,<Din>为节点平均入度,<Dout>为节点平均出度。
表2网络的主要拓扑结构连接关系特性
由上表2可以看出,基于数据的玻璃纤维制造复杂网络模型除了规模比任务-资源网络大之外出度和入度也是不对称的。这是因为在生产过程中许多数据的变动是需要人为干预,而不受其他节点影响,因此这些节点只存在出度而没有入度。同时,基于数据的复杂网络模型也表现出了幂律分布的特点,其度分布图如图5和图6所示。
由于该模型应用于多目标作业车间生产的研究目前尚未展开,所以对比实验较少。模型可以准确反映生产过程,在分析网络模型特征值的基础上我们对模型的准确性进行了评价,随机选取了距离1到9的节点,两点间权重利用上文中获得的拟合函数求得,由函数得到的数据与真实的数据比对,验证起始点的数据经过模型终边的传递后最终结果与真实结果的误差,统计结果如图7所示。利用从图中可以看出随路径长度的增加误差累计现象逐渐增大,但路径长度小于等于网络直径相同误差不超过2%,因此模型可以较为准确的反应实际生产的关系。
基于数据信息的多目标作业车间的动态加权复杂网络模型在一定程度上能够反映真实的车间生产机制,模型具备的动态性证明了能较好刻画显示网络的动态机理。通过仿真分析该模型的网络特征参数,可以发现该模型是具备行业特色的无标度网络。实现了将多目标作业车间问题的流程模型转化为数据模型,为下一步寻找网络关键节点以及车间生产优化做了铺垫。
通过以上仿真实验的分析,可以充分证明该模型可以应用在多目标作业车间的生产问题上,该模型的成功搭建为以后将该问题的流程优化转变为了数据优化的研究奠定了基础。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.基于数据信息的多目标作业车间的复杂网络模型构建方法,其特征是,包括:
针对多目标作业车间进行参数定义;
构建多目标有向加权网络模型:将作业车间生产活动涉及到的每一个采集数据传感器点作为一个网络节点,将工业流程中机器作为流程节点,将所关联的各个节点的工业流程作为网络的边,节点之间连接边的方向由工序的优先关系决定,流程节点不设置权重,完成多目标有向加权网络模型的构建;
对搭建的多目标有向加权网络模型进行降维处理,完成任务到网络节点的投影;
基于多目标有向加权网络模型构建能够反映生产过程是随着时间而改变的动态加权复杂网络模型。
2.如权利要求1所述的基于数据信息的多目标作业车间的复杂网络模型构建方法,其特征是,多目标作业车间进行参数定义时,具体包括:
设在M台设备上加工N个任务,其中第k台机器用Mk表示,Jj表示第j个任务,每个任务包含nj个工序,其中Oij表示任务Jj上的第i个工序,对每个工序Oij提供若干个机器加工,机器的集合表示为Mk,工序Oij在机器k上的加工时间用Tijk表示,j=1,2,3......n。
3.如权利要求1所述的基于数据信息的多目标作业车间的复杂网络模型构建方法,其特征是,每个加工环节上设置多个采集数据点,整个加工流程各环节的用料和时间,成品性价比合格率信息数据都要进行采集,在采集数据信息时,数据每一秒进行一次采集,将十分钟作为一个时间单位,在十分钟内采集到的所有原始数据求平均数,再将其转化为逻辑数据,如遇到故障则整个单位时间内该数据显示为零,停滞状态时当前秒记为零。
4.如权利要求1所述的基于数据信息的多目标作业车间的复杂网络模型构建方法,其特征是,建模的前提还包括:
初始状态下所有设备处于闲置状态,各工序存在工艺上的先后时间约束,每道工序对需要的生产资源以及该资源上的加工时间已经确定;
每道工序必须在指定的设备加工,某一时刻一台设备只能加工一个任务;
车间内允许在多个订单任务同时加工,并且新的订单任务可随即加入;
设备准备时间、更换时间、维修时间预先设定。
5.如权利要求3所述的基于数据信息的多目标作业车间的复杂网络模型构建方法,其特征是,在网络节点采集到的数据信息做预处理,权值的大小用资源协作关系的紧密程度来表示。
6.如权利要求1所述的基于数据信息的多目标作业车间的复杂网络模型构建方法,其特征是,动态加权复杂网络模型用一个三元组来描述G=(R,E,W),其中R表示的是节点集合;E表示的是边的集合;W表示的是权重集合;
将十分钟作为一个时间单位,在该时间内采集到的数据求平均数处理,再将该数据处理为逻辑数据,若数据两个节点有关联,则上游节点产生的数据和下游节点产生的数据具有一定的函数关系。两点间函数关系可以用最小二乘法多项式进行函数拟合,拟合结果即为所求函数关系式;
作业车间系统动态网络由一系列网络场景叠加而成,G=(G0,G1,G2......Gx),T={1,2......T},每个t时刻代表十分钟内节点采集到的数据,因此t时刻的复杂网络场景可以描述为Gt=(Rt,Et,Wt)。
作为本申请的进一步的技术方案,动态加权复杂网络模型具体构建过程为:
首先初始化模型G,节点集合R,边集合E和权重集合W;
对任务集合的每项任务进行工序的分解,将任务等价成一个时间序列,由任务分解后的制造活动及其时间关系组成;
如果该任务的某项工序从时刻t开始,这个工序对应的资源节点并不存在于网络中,则新增相应的节点边和权重;
在t时刻创建子图图像Gt,并将该子图添加到动态加权复杂网络,网络演化就可以看成是一系列动态网络场景的叠加,包括初始、增加和减退,这就完成了整个模型的构建。
7.如权利要求1所述的基于数据信息的多目标作业车间的复杂网络模型构建方法,其特征是,针对动态加权复杂网络模型利用动态加权复杂网络特征参数进行定量描述,包括:网络节点度、网络平均路径长度、网络聚类系数、节点介数;网络节点度等于入度与出度,入度在动态加权复杂网络中表示有多少上游节点直接与该节点相连:
出度在动态加权复杂网络中表示有多少下游节点被直接连接到所观察的节点的数目;
网络节点度:
D(i)=id(i)+od(i)。
作为本申请的进一步的技术方案,网络平均路径长度:
其中,dij表示的是连接节点i和节点j的最短路径的边数,R代表的是网络节点数。
作为本申请的进一步的技术方案,网络聚类系数:
聚类系数表示的是网络中节点聚集程度的系数,公式中的Ei表示的是与i节点的邻居节点有关系的数目。
作为本申请的进一步的技术方案,节点介数:
其中,δst表示从节点s到t的所有最短路径的条数,δst(r)表示从顶点s到t经过顶点r的所有最短路径的条数。
8.基于数据信息的多目标作业车间的复杂网络模型构建系统,其特征是,包括:
参数定义单元,针对多目标作业车间进行参数定义;
多目标有向加权网络模型构建单元:将作业车间生产活动涉及到的每一个采集数据传感器点作为一个网络节点,将工业流程中机器作为流程节点,将所关联的各个节点的工业流程作为网络的边,节点之间连接边的方向由工序的优先关系决定,流程节点不设置权重,完成多目标有向加权网络模型的构建;
对搭建的多目标有向加权网络模型进行降维处理,完成任务到网络节点的投影;
动态加权复杂网络模型构建单元,基于多目标有向加权网络模型构建能够反映生产过程是随着时间而改变的动态加权复杂网络模型。
9.一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-7任一所述的基于数据信息的多目标作业车间的复杂网络模型构建方法。
10.一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行权利要求1-7任一所述的基于数据信息的多目标作业车间的复杂网络模型构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811638971.3A CN109685386A (zh) | 2018-12-29 | 2018-12-29 | 基于数据信息的多目标作业车间的复杂网络模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811638971.3A CN109685386A (zh) | 2018-12-29 | 2018-12-29 | 基于数据信息的多目标作业车间的复杂网络模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109685386A true CN109685386A (zh) | 2019-04-26 |
Family
ID=66190265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811638971.3A Pending CN109685386A (zh) | 2018-12-29 | 2018-12-29 | 基于数据信息的多目标作业车间的复杂网络模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685386A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111256697A (zh) * | 2020-02-24 | 2020-06-09 | 哈尔滨工业大学 | 一种针对路径点聚类机器学习的无人机航迹规划方法 |
CN111612221A (zh) * | 2020-04-29 | 2020-09-01 | 杭州拓深科技有限公司 | 一种基于电流指纹技术的工厂工效统计方法 |
CN112486107A (zh) * | 2019-09-12 | 2021-03-12 | 威保控股股份有限公司 | 多工序流程式产品生产排程方法 |
CN112559594A (zh) * | 2020-12-15 | 2021-03-26 | 第四范式(北京)技术有限公司 | 生产流水线中的异常环节定位方法、装置及电子设备 |
CN112801499A (zh) * | 2021-01-26 | 2021-05-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种适用于水-能源-粮食社会经济复杂网络系统的降维分析方法及系统 |
CN114862290A (zh) * | 2022-07-07 | 2022-08-05 | 广东西江建设发展有限公司 | 一种基于水利工程精细化管理的监测监控系统 |
CN116739470A (zh) * | 2022-09-27 | 2023-09-12 | 荣耀终端有限公司 | 网络分析方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324165A (zh) * | 2013-05-27 | 2013-09-25 | 西北工业大学 | 一种考虑生产线稳定性的工艺路线优化方法 |
CN107544450A (zh) * | 2017-10-11 | 2018-01-05 | 齐鲁工业大学 | 基于数据的流程工业网络模型构建方法及系统 |
-
2018
- 2018-12-29 CN CN201811638971.3A patent/CN109685386A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103324165A (zh) * | 2013-05-27 | 2013-09-25 | 西北工业大学 | 一种考虑生产线稳定性的工艺路线优化方法 |
CN107544450A (zh) * | 2017-10-11 | 2018-01-05 | 齐鲁工业大学 | 基于数据的流程工业网络模型构建方法及系统 |
Non-Patent Citations (2)
Title |
---|
卢素伟: ""基于有向加权图的复杂产品生产线性能分析与优化"", 《中国优秀硕士学位论文全文数据库 信息科技辑(月刊)》 * |
李晓娟: ""复杂产品制造过程加权演化模型与节点重要度分析"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112486107A (zh) * | 2019-09-12 | 2021-03-12 | 威保控股股份有限公司 | 多工序流程式产品生产排程方法 |
CN111256697A (zh) * | 2020-02-24 | 2020-06-09 | 哈尔滨工业大学 | 一种针对路径点聚类机器学习的无人机航迹规划方法 |
CN111612221A (zh) * | 2020-04-29 | 2020-09-01 | 杭州拓深科技有限公司 | 一种基于电流指纹技术的工厂工效统计方法 |
CN111612221B (zh) * | 2020-04-29 | 2022-07-15 | 杭州拓深科技有限公司 | 一种基于电流指纹技术的工厂工效统计方法 |
CN112559594A (zh) * | 2020-12-15 | 2021-03-26 | 第四范式(北京)技术有限公司 | 生产流水线中的异常环节定位方法、装置及电子设备 |
WO2022127797A1 (zh) * | 2020-12-15 | 2022-06-23 | 第四范式(北京)技术有限公司 | 生产流水线中的异常环节定位方法、装置及电子设备 |
CN112801499A (zh) * | 2021-01-26 | 2021-05-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种适用于水-能源-粮食社会经济复杂网络系统的降维分析方法及系统 |
CN112801499B (zh) * | 2021-01-26 | 2023-10-27 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种适用于水-能源-粮食社会经济复杂网络系统的降维分析方法及系统 |
CN114862290A (zh) * | 2022-07-07 | 2022-08-05 | 广东西江建设发展有限公司 | 一种基于水利工程精细化管理的监测监控系统 |
CN116739470A (zh) * | 2022-09-27 | 2023-09-12 | 荣耀终端有限公司 | 网络分析方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685386A (zh) | 基于数据信息的多目标作业车间的复杂网络模型构建方法 | |
Bean | Genetic algorithms and random keys for sequencing and optimization | |
CN105302096B (zh) | 一种工厂智能调度方法 | |
WO2023246568A1 (zh) | 一种数字孪生架构、模型评价体系以及模型运行方法 | |
CN110058573B (zh) | 吞吐柔性智能装配物流路径规划平台 | |
Li et al. | Survey of integrated flexible job shop scheduling problems | |
CN107944765B (zh) | 智能制造生产调度协同管控能力的评估系统和评估方法 | |
Fang et al. | Flexible worker allocation in aircraft final assembly line using multiobjective evolutionary algorithms | |
Deng | Research on evaluation of intelligent manufacturing capability and layout superiority of supply chains by big data analysis | |
CN109409746A (zh) | 一种生产调度方法及装置 | |
CN107220168B (zh) | 一种基于集成的信息系统体系成熟度评价方法 | |
Rifai et al. | Reentrant FMS scheduling in loop layout with consideration of multi loading-unloading stations and shortcuts | |
Xilin et al. | Resource allocation optimization of equipment development task based on MOPSO algorithm | |
CN109615115A (zh) | 一种面向任务可靠性的集成生产任务调度方法 | |
CN116976839A (zh) | 一种基于网络协同制造的铅蓄电池生产管控方法 | |
Li et al. | Optimizing combination of aircraft maintenance tasks by adaptive genetic algorithm based on cluster search | |
Klar et al. | A framework for automated multiobjective factory layout planning using reinforcement learning | |
Xiao et al. | A Construction Method of Intelligent Manufacturing System under Industry 4.0 Model | |
Yang et al. | Cloud-edge-device Collaboration Mechanisms of Cloud Manufacturing for Customized and Personalized Products | |
CN112760727B (zh) | 基于免疫内分泌算法优化总服务成本的聚酯纤维生产工艺 | |
Li | Multi-ant colony-based sequencing method for semiconductor wafer fabrication facilities with multi-bottleneck | |
Wang et al. | Dynamic Spatiotemporal scheduling of hull parts under complex constraints in shipbuilding workshop | |
Wang et al. | The multi-varieties small-batch gas monitor flexible digital job shop design and integration technology research | |
Quan et al. | Multi-objective evolutionary scheduling based on collaborative virtual workflow model and adaptive rules for flexible production process with operation reworking | |
Xu et al. | An Improved Gaming Particle Swarm Algorithm Based the Rules of Flexible Job Shop Scheduling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |