CN110163409B - 一种应用于置换流水车间的卷积神经网络调度方法 - Google Patents

一种应用于置换流水车间的卷积神经网络调度方法 Download PDF

Info

Publication number
CN110163409B
CN110163409B CN201910275410.XA CN201910275410A CN110163409B CN 110163409 B CN110163409 B CN 110163409B CN 201910275410 A CN201910275410 A CN 201910275410A CN 110163409 B CN110163409 B CN 110163409B
Authority
CN
China
Prior art keywords
time matrix
neural network
convolutional neural
matrix
scale
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.)
Active
Application number
CN201910275410.XA
Other languages
English (en)
Other versions
CN110163409A (zh
Inventor
李新宇
黎阳
高亮
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.)
Wuxi Xuelang Shuzhi Technology Co ltd
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910275410.XA priority Critical patent/CN110163409B/zh
Publication of CN110163409A publication Critical patent/CN110163409A/zh
Application granted granted Critical
Publication of CN110163409B publication Critical patent/CN110163409B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)

Abstract

本发明属于车间调度领域，并公开了一种应用于置换流水车间的卷积神经网络调度方法，该方法包括：(a)建立置换流水车间的时间矩阵和与该时间矩阵对应的最优加工序列；(b)将时间矩阵中进行归一化处理和标准化处理，使其转化为LeNet‑5卷积神经网络算法可识别的灰度图像，处理后的时间矩阵与其相应的最优加工序列构成置换流水车间的数据库；(c)将数据库中的训练数据训练LeNet‑5卷积神经网络获得神经网络中的网络参数，利用该网络参数设置LeNet‑5卷积神经网络，然后利用其进行预测，获得所需的预测加工序列，由此实现置换流水车间的调度。通过本发明，提高生产稳定性和产品质量，降低产品制造周期，提高经济效益。

Description

一种应用于置换流水车间的卷积神经网络调度方法
技术领域
本发明属于车间调度领域，更具体地，涉及一种应用于置换流水车间的卷积神经网络调度方法。
背景技术
随着制造水平的不断提升，传统“少品种，大批量”的制造模式已经越来越不能适应市场的变化，企业急需向着“多品种，小批量”的柔性制造方向发展。为了提高企业整体的竞争力和生存能力，企业对制造系统提出了更高的要求，以便于更好，更快，更省的制造出满足市场需求的产品。
制造系统最为核心的内容之一便是车间调度，它是对将要进入或已经进入加工的零件在车间环境的约束下进行整体优化，是生产准备和具体生产实施的纽带。该类问题具有非线性、多目标、多约束、动态随机性、解空间庞大等特点，导致建模和求解困难。传统的“模型+算法”式车间调度已经非常成熟，人们在相关领域取得了非常丰富的成果。
但是随着智能化和柔性化车间的推进，车间数据量越来越庞大，生产工艺越来越多样化，制造系统变得越来越复杂，采用数学模型的传统车间动态调度理论与方法已经不足以解决日趋复杂的实际生产问题。亟需寻求新的车间动态调度模式。
如果利用传统的调度规则进行调度，则相当于利用车间现场的实践经验，快速的求得满意解，但可能仍然存在一定的改进空间。而如果利用标准的“模型+算法”求解，则一般可以取得更加优秀的理想解，但需要花费更多的时间，在硬件设备的约束下，可能不能满足调度的实时性，因此需要提出一种新的调度方式，求解大规模的车间问题时速度和精度低。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种应用于置换流水车间的卷积神经网络调度方法，利用卷积神经网络算法运用值置换流水车间的调度问题中，实现快速获得满意的最优解，计算时间短，精度高。
为实现上述目的，按照本发明，提供了一种应用于置换流水车间的卷积神经网络调度方法，其特征在于，该方法包括下列步骤：
(a)采集置换流水车间的机床的数量、零件的数量、每个零件在每台机床上的加工时间，以此形成多个关于机床、零件和零件加工时间的时间矩阵，建立所述置换流水车间加工时间最短的调度模型，利用所述时间矩阵计算所述调度模型获得与该时间矩阵对应的最优加工序列；
(b)对于多个所述时间矩阵，将每个时间矩阵中的元素进行归一化处理，以此获得归一化的时间矩阵，根据选取的LeNet-5卷积神经网络算法的输入矩阵的规模将所述归一化的时间矩阵标准化，使其转化为所述LeNet-5卷积神经网络算法可识别的灰度图像，并以此获得标准化后的时间矩阵，该标准化后的时间矩阵与其相应的最优加工序列构成置换流水车间的数据库；
(c)将数据库中的部分数据作为训练数据，另一部分作为待预测数据，利用所述训练数据训练所述LeNet-5卷积神经网络，以此获得该LeNet-5卷积神经网络中的网络参数，根据该网络参数对所述LeNet-5卷积神经网络进行设置获得预测神经网络，然后将所述待预测数据中标准化的时间矩阵输入所述预测神经网络中进行预测，获得所需的预测加工序列，由此实现置换流水车间的调度。
进一步优选地，在步骤(b)中，所述将归一化的时间矩阵标准化优选按照下列方式：
当所述归一化后的时间矩阵的规模小于所述LeNet-5卷积神经网络可识别的灰度图像对输入矩阵规模的要求时，采用0元素补充所述归一化后的时间矩阵进行补充，使其满足所述输入矩阵规模的要求；
当所述归一化后的时间矩阵的规模大于所述LeNet-5卷积神经网络可识别的灰度图像对输入矩阵规模的要求时，按照下列步骤进行：
(b1)调节所述LeNet-5卷积神经网络的控制卷积窗口和池化窗口的参数值；
(b2)根据所述控制卷积窗口和池化窗口的参数值设定池化规模，采用零补充的方式对所述归一化后的时间矩阵进行补充，使其达到所述池化规模，以此获得池化后的时间矩阵；
(b3)设定最终所需时间矩阵的规模，将步骤(b2)中获得的池化后的时间矩阵进行池化降维，使其满足设定的所需时间矩阵的规模。
进一步优选地，在步骤(b2)中，所述池化规模优选按照下列表达式进行：
M＝Nk+1
其中，M是池化规模，N是控制卷积窗口的参数值，k是池化串口的参数值。
进一步优选地，在步骤(b3)中，设定最终所需时间矩阵的规模，获得池化降维后的时间矩阵后，将该池化降维后的时间矩阵训练所述LeNet-5卷积神经网络，将训练获得的加工序列与步骤(a)获得的最优加工序列进行比较获得误差值，调整所述设定的最终所需时间矩阵的规模，直至所述误差值小于预设阈值。
进一步优选地，在步骤(b)中，将每个时间矩阵中的元素进行归一化处理，优选按照下列公式进行：
Figure BDA0002019817040000031
其中，x'是归一化后的元素，x是当前元素，xmin是时间矩阵中的最小值，xmax是时间矩阵中的最大值。
进一步优选地，在步骤(b)中，所述LeNet-5卷积神经网络的输入规模为32×32。
进一步优选地，在步骤(a)中，所述利用时间矩阵计算所述调度模型获得与该时间矩阵对应的最优加工序列，优选采用启发式算法。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、本发明通过将卷积神经网络算法运用至置换流水车间的调度问题上，使得计算调度问题的最优解过程中，缩短计算时间，提高计算精度，进而提高生产稳定性以及产品质量，降低产品制造周期等，以此带来可观的经济效益；
2、本发明中对初始的时间矩阵进行归一化处理和标准化处理，使其满足卷积神经网络对输入规模的要求，也就是说，不管初始时间矩阵的规模如何，均适用于本发明提供的方法，降低了对初始时间矩阵的要求，扩大了应用范围，普适性更高。
附图说明
图1是按照本发明的优选实施例所构建的用于置换流水车间调度方法的示意图；
图2是按照本发明的优选实施例所构建的时间矩阵处理的流程示意图；
图3是按照本发明的优选实施例所构建的对时间矩阵进行零补充的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，一种应用于置换流水车间的卷积神经网络调度方法，首先，将置换流水车间的加工时间整理为一个矩阵，对该矩阵进行归一化处理，转变为-1～1之间的数字，并进行零补充，此时，便可以将这个矩阵看做为一个灰度图像，再利用CNN对该图像进行识别，以之前智能算法求得的优化解作为训练集训练该网络。最终得到能够解决相应规模问题的CNN模型，该方法具体包括下列步骤：
步骤一，训练集与测试集生成
在监督学习的框架下，深度学习需要有大量的数据集作为支撑，才能够保证正确率，所以我们需要从车间的实例出发，选择合适的训练集和测试集。
1、加工时间矩阵生成
首先确定需要解决的问题规模，比如机器数和工件数。然后找到相同规模的实例，记录其每个零件在每台机床上的加工时间。再以此时间矩阵为基础，利用计算机生成一系列的随机数与之相加，从而可以大量生成全新的加工时间矩阵。
为了满足训练集的多样性，在一次生成中可以采用不同的实际案例做基础或者每次随机数的生成都依据当前的系统时钟。这样一来，我们既可以使得数据满足深度学习要求的独立同分布数据源，又可以大幅扩充可利用的数据集。
2、加工序列生成
因为在监督学习下，必须要给出每种情况的理想解。所以在生成大量的加工时间矩阵后，我们仍然需要知道每个加工时间矩阵所对应加工序列的满意解，这样才能去对CNN进行训练。
对于该问题，我们依然采用成熟的调度方式——智能优化算法。虽然在大规模问题中智能算法会花费很长的时间才能求得满意解，但是不以此为基础，便无法完成深度学习的训练过程。而且该求解过程可以放在生产的准备期，与其它非加工类工作同步进行。这样以来，虽然花费的时间长，但是都处于非调度阶段，不会占用宝贵的加工时间。
所以，我们将利用智能优化方法对所有的加工时间矩阵一一求解，得到相应的满意解。此时，深度学习的数据库建立完成。
3、训练集与测试集划分
在完成总的数据库后，本发明以83％的数据作为训练，17％作为测试。
在选取83％的数据时，依然可以利用基于系统时钟的随机数生成。这样比起直接选取前83％的方法更加具有随机性，可以防止耦合现象的发生。
步骤二，对时间矩阵的处理，如图2所示，包括下列步骤：
1、数据归一化
数据归一化可以消除量纲和量纲单位最终的结果造成误差。在本发明中，利用极值归一化，将加工时间矩阵缩放-1～1之间。具体的公式如下：
Figure BDA0002019817040000061
2、输入标准化
因为LeNet-5原始的输入为32×32的图像，而调度问题的规模是千变万化的，所以我们必须对输入值提前进行标准化。
(1)输入规模小于原始规模
当调度问题小于原始的32×32的规模时，我们只需要按照零补充的方法进行补充，具体为用0元素将加工时间矩阵补充为32×32的矩阵即可，网络的其它结构不用改变，如图3所示，图中4×4规模的时间矩阵通过零补充扩充为5×5规模的时间矩阵过程，所以对于小规模调度问题，可以用此种方式标准化。
(2)输入规模大于原始规模
当面临大规模的调度问题时，32×32明显不能满足需求，所以我们需要提前对矩阵进行降维处理，具体操作步骤如下：
Step1网络参数变化：当问题规模扩大时，LeNet-5的原始参数将不再适用，所以需要对其进行重新调参，调参的主要方法就是控制卷积窗口和池化窗口的大小。规模越大，所选取的窗口规模也要相应扩大，具体的参数需要根据实际情况不断尝试。
Step2零补充标准化：将加工时间矩阵规模利用零补充的方法补充至最接近池化规模倍数。比如针对1000×1000的问题，由于采用的网络有两个池化层，每层的大小都是4×4，所以应该将其零补充至42+1的倍数即1024×1024，如果不按照此规则补充的话，就会引起后面每一步池化都需要零补充，这样会大幅影响算法迭代速度。
Step3池化降维：将其按照池化层的规模对其进行补充后，提前对其进行一次池化，将其规模缩小。比如上文中1024×1024的矩阵，进行一次池化后剩下256×256的规模，然后再进行相应的卷积计算。
依据上述的三个步骤调整后，网络也可以适用于大规模问题的求解。合理化的参数设计可以加快网络学习速率，提高网络精度，所以在处理大规模问题时，需要依据实际的情况，适当调整参数。
(四)学习训练
在完成上述的准备工作后，便可以将处理好的加工时间矩阵和对应的加工序列输入到LeNet-5网络中。通过卷积池化等过程进行学习和训练，误差函数为最短加工时间之差。训练的全过程主要为CNN全连接层的训练过程、CNN池化层到卷积层反向传播过程、CNN卷积层到池化层的反向传播过程等组成。在经过训练集的训练之后，记录相关神经网络参数，进入测试阶段。
在测试阶段，重新输入一个加工时间矩阵，网络会自动对其特征进行分析和识别，然后从训练集中找出一个特征最相近的与之匹配，最后给出相应的加工序列，完成调度过程。如果网络给出的序列与对应理想解之间的最短加工时间之差达到误差精度，则说明训练结束。否则，重复上述步骤，继续对网络进行训练。
将训练好的网络参数保存下来后，再遇到相同规模的调度问题，便可以直接求解，达到动态实时调度的要求。
在上述模型和求解算法的基础上，为了证明本发明的实际应用效果，本在flowshop标准测试实例中选择了部分TA类问题进行仿真测试，并和传统的SA算法的运算时间进行对比，其中CNN是本发明中的LeNet-5卷积神经网络算法。
表1算例参数及算例结果
Figure BDA0002019817040000081
从表中计算结果可以看出，采用本发明提出的CNN调度技术，虽然相对标准值存在一定误差，但是可以大幅增加计算速度，而且运算时间不会随着数据量的增加而出现指数增长趋势，可以适用于大规模生产。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种应用于置换流水车间的卷积神经网络调度方法，其特征在于，该方法包括下列步骤：
(a)采集置换流水车间的机床的数量、零件的数量、每个零件在每台机床上的加工时间，以此形成多个关于机床、零件和零件加工时间的时间矩阵，建立所述置换流水车间加工时间最短的调度模型，利用所述时间矩阵计算所述调度模型获得与该时间矩阵对应的最优加工序列；
(b)对于多个所述时间矩阵，将每个时间矩阵中的元素进行归一化处理，以此获得归一化的时间矩阵，根据选取的LeNet-5卷积神经网络算法的输入矩阵的规模将所述归一化的时间矩阵标准化，使其转化为所述LeNet-5卷积神经网络算法可识别的灰度图像，并以此获得标准化后的时间矩阵，该标准化后的时间矩阵与其相应的最优加工序列构成置换流水车间的数据库；
(c)将数据库中的部分数据作为训练数据，另一部分作为待预测数据，利用所述训练数据训练所述LeNet-5卷积神经网络，以此获得该LeNet-5卷积神经网络中的网络参数，根据该网络参数对所述LeNet-5卷积神经网络进行设置获得预测神经网络，然后将所述待预测数据中标准化的时间矩阵输入所述预测神经网络中进行预测，获得所需的预测加工序列，由此实现置换流水车间的调度。
2.如权利要求1所述的一种应用于置换流水车间的卷积神经网络调度方法，其特征在于，在步骤(b)中，所述将归一化的时间矩阵标准化按照下列方式：
当所述归一化后的时间矩阵的规模小于所述LeNet-5卷积神经网络可识别的灰度图像对输入矩阵规模的要求时，采用0元素补充所述归一化后的时间矩阵进行补充，使其满足所述输入矩阵规模的要求；
当所述归一化后的时间矩阵的规模大于所述LeNet-5卷积神经网络可识别的灰度图像对输入矩阵规模的要求时，按照下列步骤进行：
(b1)调节所述LeNet-5卷积神经网络的控制卷积窗口和池化窗口的参数值；
(b2)根据所述控制卷积窗口和池化窗口的参数值设定池化规模，采用零补充的方式对所述归一化后的时间矩阵进行补充，使其达到所述池化规模，以此获得池化后的时间矩阵；
(b3)设定最终所需时间矩阵的规模，将步骤(b2)中获得的池化后的时间矩阵进行池化降维，使其满足设定的所需时间矩阵的规模。
3.如权利要求2所述的一种应用于置换流水车间的卷积神经网络调度方法，其特征在于，在步骤(b2)中，所述池化规模按照下列表达式进行：
M＝Nk+1
其中，M是池化规模，N是控制卷积窗口的参数值，k是池化串口的参数值。
4.如权利要求2所述的一种应用于置换流水车间的卷积神经网络调度方法，其特征在于，在步骤(b3)中，设定最终所需时间矩阵的规模，获得池化降维后的时间矩阵后，将该池化降维后的时间矩阵训练所述LeNet-5卷积神经网络，将训练获得的加工序列与步骤(a)获得的最优加工序列进行比较获得误差值，调整所述设定的最终所需时间矩阵的规模，直至所述误差值小于预设阈值。
5.如权利要求1-4任一项所述的一种应用于置换流水车间的卷积神经网络调度方法，其特征在于，在步骤(b)中，将每个时间矩阵中的元素进行归一化处理，按照下列公式进行：
Figure FDA0002956165010000021
其中，x'是归一化后的元素，x是当前元素，xmin是时间矩阵中的最小值，xmax是时间矩阵中的最大值。
6.如权利要求1所述的一种应用于置换流水车间的卷积神经网络调度方法，其特征在于，在步骤(b)中，所述LeNet-5卷积神经网络的输入规模为32×32。
7.如权利要求1所述的一种应用于置换流水车间的卷积神经网络调度方法，其特征在于，在步骤(a)中，所述利用时间矩阵计算所述调度模型获得与该时间矩阵对应的最优加工序列，采用启发式算法。
CN201910275410.XA 2019-04-08 2019-04-08 一种应用于置换流水车间的卷积神经网络调度方法 Active CN110163409B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910275410.XA CN110163409B (zh) 2019-04-08 2019-04-08 一种应用于置换流水车间的卷积神经网络调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910275410.XA CN110163409B (zh) 2019-04-08 2019-04-08 一种应用于置换流水车间的卷积神经网络调度方法

Publications (2)

Publication Number Publication Date
CN110163409A CN110163409A (zh) 2019-08-23
CN110163409B true CN110163409B (zh) 2021-05-18

Family

ID=67639321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910275410.XA Active CN110163409B (zh) 2019-04-08 2019-04-08 一种应用于置换流水车间的卷积神经网络调度方法

Country Status (1)

Country Link
CN (1) CN110163409B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111376954B (zh) * 2020-06-01 2020-09-29 北京全路通信信号研究设计院集团有限公司 一种列车自主调度方法和系统
CN111985162B (zh) * 2020-08-28 2024-04-26 华中科技大学 一种基于深度学习的置换流水车间控制方法及系统
CN111913458B (zh) * 2020-08-28 2022-06-21 华中科技大学 一种基于深度学习的车间控制方法及系统
CN112734172B (zh) * 2020-12-25 2022-04-01 南京理工大学 一种基于时序差分的混合流水车间调度方法
CN112987665B (zh) * 2021-02-09 2022-04-12 东北大学 一种基于强化学习的流水车间调度方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542411A (zh) * 2011-12-22 2012-07-04 浙江工业大学 基于aca模型的多品种多工艺制造企业车间调度控制方法
CN106610658A (zh) * 2016-05-26 2017-05-03 四川用联信息技术有限公司 一种基于神经网络的算法解决作业车间调度问题
CN108010016A (zh) * 2017-11-20 2018-05-08 华中科技大学 一种基于卷积神经网络的数据驱动故障诊断方法
CN108197739A (zh) * 2017-12-29 2018-06-22 中车工业研究院有限公司 一种城市轨道交通乘客流量预测方法
WO2019001071A1 (zh) * 2017-06-28 2019-01-03 浙江大学 一种基于邻接矩阵的图特征提取系统、图分类系统和方法
CN109215349A (zh) * 2018-10-26 2019-01-15 同济大学 基于深度学习的长时交通流量预测方法
CN109409511A (zh) * 2018-09-25 2019-03-01 西安交通大学 一种用于动态可重构阵列的卷积运算数据流调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6738296B2 (ja) * 2017-03-23 2020-08-12 株式会社日立製作所 畳込みニューラルネットワークによる処理方法、畳込みニューラルネットワークの学習方法、および畳込みニューラルネットワークを備える処理装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102542411A (zh) * 2011-12-22 2012-07-04 浙江工业大学 基于aca模型的多品种多工艺制造企业车间调度控制方法
CN106610658A (zh) * 2016-05-26 2017-05-03 四川用联信息技术有限公司 一种基于神经网络的算法解决作业车间调度问题
WO2019001071A1 (zh) * 2017-06-28 2019-01-03 浙江大学 一种基于邻接矩阵的图特征提取系统、图分类系统和方法
CN108010016A (zh) * 2017-11-20 2018-05-08 华中科技大学 一种基于卷积神经网络的数据驱动故障诊断方法
CN108197739A (zh) * 2017-12-29 2018-06-22 中车工业研究院有限公司 一种城市轨道交通乘客流量预测方法
CN109409511A (zh) * 2018-09-25 2019-03-01 西安交通大学 一种用于动态可重构阵列的卷积运算数据流调度方法
CN109215349A (zh) * 2018-10-26 2019-01-15 同济大学 基于深度学习的长时交通流量预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A New Convolutional Neural Network-Based Data-Driven Fault Diagnosis Method;Li, Xinyu;《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》;20180731;第65卷(第7期);5990-5998 *
智慧制造环境下感知数据驱动的加工作业主动调度方法研究;张存吉;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20170515(第5期);C029-5 *

Also Published As

Publication number Publication date
CN110163409A (zh) 2019-08-23

Similar Documents

Publication Publication Date Title
CN110163409B (zh) 一种应用于置换流水车间的卷积神经网络调度方法
CN107862411B (zh) 一种大规模柔性作业车间调度优化方法
CN106875094A (zh) 一种基于多色集合遗传算法的多目标车间调度方法
CN108460463B (zh) 基于改进遗传算法的高端装备流水线生产调度方法
CN104636871B (zh) 一种基于数据的单阶段多产品批处理的控制方法
CN103745273A (zh) 一种半导体制造过程的多性能预测方法
CN108733003B (zh) 基于kmeans聚类算法的回转类零件工序工时预测方法及系统
CN110472765B (zh) 一种车间布局调度的低熵协同优化方法
CN105373845A (zh) 制造企业车间的混合智能调度优化方法
TW202111618A (zh) 生產排程系統及方法
CN101446804B (zh) 一种工艺控制方法和装置
CN112053037B (zh) 一种柔性pcb车间调度优化方法和系统
CN113298429A (zh) 一种自动化生产线的智能模拟评估方法及系统
CN115049246A (zh) 一种面向订单扰动下的离散制造生产线重调度方法
CN114841106A (zh) 一种基于规则引导的遗传算法的集成电路优化方法及系统
CN109086936B (zh) 一种智能车间的生产系统资源配置方法、装置及设备
CN109034540B (zh) 一种基于在制品工序流的机床序列编排动态预测方法
CN110398942A (zh) 一种用于工业生产过程控制的参数辨识方法
CN111880489B (zh) 一种复杂制造系统回归调度方法
CN106777443A (zh) 时变可靠性灵敏度分析方法及装置
CN110676852B (zh) 考虑潮流特征的改进极限学习机快速概率潮流计算方法
CN111985162A (zh) 一种基于深度学习的置换流水车间控制方法及系统
CN108537456B (zh) 网络柔性设备的综合调度方法
CN116088455A (zh) 基于强化学习与数字孪生的复杂重型装备工艺优化方法
CN113485278B (zh) 优化两生产指标的柔性作业车间调度多目标分布估计方法

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20221215

Address after: F1-3, Building 10, Xuelang Town, No. 99, Qingshu Road, Wuxi Economic Development Zone, Jiangsu Province, 214000

Patentee after: WUXI XUELANG SHUZHI TECHNOLOGY Co.,Ltd.

Address before: 430074 Hubei Province, Wuhan city Hongshan District Luoyu Road No. 1037

Patentee before: HUAZHONG University OF SCIENCE AND TECHNOLOGY

TR01 Transfer of patent right