CN110163436A - 基于动态瓶颈预测的智能车间生产优化方法 - Google Patents

基于动态瓶颈预测的智能车间生产优化方法 Download PDF

Info

Publication number
CN110163436A
CN110163436A CN201910434317.9A CN201910434317A CN110163436A CN 110163436 A CN110163436 A CN 110163436A CN 201910434317 A CN201910434317 A CN 201910434317A CN 110163436 A CN110163436 A CN 110163436A
Authority
CN
China
Prior art keywords
bottleneck
layer
data
task
production
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
Application number
CN201910434317.9A
Other languages
English (en)
Inventor
张映锋
黄彬彬
王文波
景岩
任杉
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.)
Shaanxi Silk Road Robot Intelligent Manufacturing Research Institute Co Ltd
Northwestern Polytechnical University
Original Assignee
Shaanxi Silk Road Robot Intelligent Manufacturing Research Institute Co Ltd
Northwestern Polytechnical University
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 Shaanxi Silk Road Robot Intelligent Manufacturing Research Institute Co Ltd, Northwestern Polytechnical University filed Critical Shaanxi Silk Road Robot Intelligent Manufacturing Research Institute Co Ltd
Priority to CN201910434317.9A priority Critical patent/CN110163436A/zh
Publication of CN110163436A publication Critical patent/CN110163436A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/06316—Sequencing of tasks or work
    • 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)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于动态瓶颈预测的智能车间生产优化方法，用于解决现有车间调度方法实用性差的技术问题。技术方案是首先采用物联网技术给生产车间设备、人员配备无线射频识别设备，获取制造车间的实时生产数据，并根据车间生产状态将数据划分为稳定生产状态数据和异常状态生产数据；其次分别建立稳定状态和异常状态瓶颈预测模型，根据车间生产状态选择对应的瓶颈预测模型预测制造车间的未来瓶颈工序，并在瓶颈工序预测不准时，对瓶颈预测模型进行更新、修正；最后根据预测的制造车间未来瓶颈工序，对制造车间的生产任务进行主动调度，以提前响应瓶颈工序漂移对制造车间生产的影响，提高制造车间的生产效率。

Description

基于动态瓶颈预测的智能车间生产优化方法
技术领域
本发明涉及一种车间调度方法，特别涉及一种基于动态瓶颈预测的智能车间生产优化方法。
背景技术
文献“基于TOC理论的大规模作业车间调度问题研究，机械科学与技术，2015， 34(8)，p1222-1228”公开了一种基于瓶颈设备分解的大规模制造车间调度方法。该方法依据约束理论中瓶颈设备约束生产系统性能的思想，采用关键路径法识别制造车间的瓶颈设备，对车间的瓶颈设备和非瓶颈设备采用不同的调度策略，以使瓶颈设备得到优化调度。在此基础上，对瓶颈设备和非瓶颈设备进行分类编码，并建立车间调度的初始方案种群，采用免疫遗传算法对初始方案进行迭代优化，在较短的时间内获得令人满意的调度方案，从而提高制造车间的生产效率。文献所述方法在进行调度时考虑的是制造车间已经存在的瓶颈设备，然而实际制造车间的生产过程中，由于生产异常的影响，制造车间的瓶颈设备会存在漂移现象，该方法对于瓶颈设备的识别具有滞后性，导致该方法的调度总是落后于实际瓶颈设备的变化过程，无法提前应对瓶颈设备漂移对生产带来的消极影响。
发明内容
为了克服现有车间调度方法实用性差的不足，本发明提供一种基于动态瓶颈预测的智能车间生产优化方法。该方法首先采用物联网技术给生产车间设备、人员配备无线射频识别设备，获取制造车间的实时生产数据，并根据车间生产状态将数据划分为稳定生产状态数据和异常状态生产数据；其次分别建立稳定状态和异常状态瓶颈预测模型，根据车间生产状态选择对应的瓶颈预测模型预测制造车间的未来瓶颈工序，并在瓶颈工序预测不准时，对瓶颈预测模型进行更新、修正；最后根据预测的制造车间未来瓶颈工序，对制造车间的生产任务进行主动调度，以提前响应瓶颈工序漂移对制造车间生产的影响，提高制造车间的生产效率。
本发明解决其技术问题所采用的技术方案：一种基于动态瓶颈预测的智能车间生产优化方法，其特点是包括以下步骤：
步骤一：利用物联技术对制造资源配置无线射频识别设备，采集生产过程中的数据，根据车间生产状态将采集到的数据划分为稳定生产状态数据和异常状态生产数据；
步骤1.1：给托盘、无人搬运车和关键物料配备无线射频识别标签，给生产设备配置固定式无线射频识别读写设备，为员工配备手持式无线射频识别读写设备，自动获取生产过程中关键物料、托盘、无人搬运车位置和状态数据，并且通过生产设备自身的输入输出接口，获取生产设备的加工时间和加工状态数据；
步骤1.2：在采集制造车间数据的过程中，根据制造车间生产状态的不同，将制造车间正常加工时获取的数据作为稳定生产状态数据，并将制造车间存在生产扰动时获取的数据作为异常状态生产数据。
步骤二：基于深度神经网络，使用稳定生产状态数据建立稳定状态瓶颈预测模型，并使用异常状态生产数据建立异常状态瓶颈预测模型。在预测制造车间未来瓶颈时，根据生产状态的不同选择对应的模型来预测，并且将瓶颈预测结果和实际瓶颈进行对比，在预测不准时修正、更新相应的瓶颈预测模型，保证瓶颈预测的准确性；
步骤2.1：基于深度神经网络，分别建立稳定状态瓶颈预测模型和异常状态瓶颈预测模型，每种瓶颈预测模型的建立过程相同；
步骤2.1.1：确立基于深度神经网络的瓶颈预测模型的输入和输出：
模型输入为设备利用率、缓冲区队列长、设备平均加工时间、设备平均修复时间、设备平均故障时间、饥饿时间、堵塞时间，记为(X1,...,X7×(m-1)+j,...,X7M)，其中X7×(m-1)+j表示t时刻制造车间生产工序m的第j个关键生产参数；j＝1，2，…，7；m＝1，2，…， M，其中M表示制造车间工序的总数。
模型输出为向量(Y1,Y2,...,YM)，向量中元素的下标代表该工序在制造车间中的顺序，向量元素数值的大小代表该工序在t+1时刻成为瓶颈工序的概率大小；M表示制造车间工序的总数。
步骤2.1.2：采用自编码器对基于深度神经网络的瓶颈预测模型进行预训练，获得基于深度神经网络的瓶颈预测模型的初始参数；
①：自编码器建立过程
自编码器是包含输入层、单层隐含层和输出层的三层神经网络，目的是使得经过神经网络的传递后，提取出数据的特征。自编码器要保证输出层数据保持和输入层数据相同，分为编码过程和解码过程；
编码过程是将输入层神经元的数据传递到隐含层神经元，记为：
hk＝f1(ω1xk+b1)
式中，hk是隐含层神经元的数据，xk是第k个样本的输入数据，ω1和b1分别为输入层到隐含层的权重和偏置，f1(·)是激活函数。
解码过程是将隐含层神经元的数据传递到输出层神经元，记为：
式中，是第k个样本的输出层神经元的数据，ω2和b2分别为隐含层到输出层的权重和偏置，f2(·)是实现重构功能的激活函数。
在利用自编码器确定神经网络参数过程中，对自编码器中输出层相对于输入层的误差进行控制，定义损失函数来不断训练自编码器，使得自编码器的输入层和输出层的误差达标，从而获得训练好的自编码器。损失函数记为表示如下：
式中，K为样本数目，xk是第k个样本的输入数据，是第k个样本的输出层神经元的数据
②：构建自编码器初始化深度神经网络各隐含层的参数。
对于含有n层隐含层的深度神经网络需要建立n个自编码器，来获取各个隐含层的参数。自编码器的建立方式如步骤①所述，第1个自编码器的输入层和隐含层数据分别为深度神经网络的输入层和第1层隐含层数据，训练好第1个自编码器后，该自编码器输入层到隐含层的权重和偏置参数用来初始化深度神经网络输入层到第1层隐含层权重和偏置参数；第2个自编码器的输入层和隐含层数据分别为深度神经网络的第1层隐含层数据和第2层隐含层数据，训练好第2个自编码器后，该自编码器输入层到隐含层的权重和偏置参数用来初始化深度神经网络第1层隐含层到第2层隐含层权重和偏置参数；以此类推，直到深度神经网络n层隐含层的参数都被初始化。
③：确立神经网络隐含层n到输出层的参数。
深度神经网络的隐含层的层数设定为n，则输入层约定为第1层神经元，隐含层约定为第2～n+1层神经元，输出层约定为第n+2层神经元。输出层神经元的数据由第 n层隐含层神经元的数据计算出来，记为：
hk,n+2＝fn+2(ωn+2·hk,n+1+bn+2)
式中，是输出层神经元的数据，是第n层隐含层神经元的数据，ωn+2和bn+2分别为第n层隐含层到输出层的权重和偏置，fn+2(·)是隐含层n 到输出层的激活函数，K为样本数目。
步骤2.1.3：基于反向传播算法对瓶颈预测模型进行参数微调，获得训练好的基于深度神经网络的瓶颈预测模型；
①：构建出深度神经网络各相邻两层神经元之间的映射关系，表示如下：
hk,i＝fi(ωi·hk,i-1+bi)＝fi(zk,i),i＝2,...,n+2
式中，和分别为第i-1层和第i层神经元的数据，ωi和bi为第i-1层神经元到第i层神经元的权重和偏置参数，fi(·)为第i-1层神经元到第i层神经元的激活函数，代表fi(·)函数中的变量整体，K为样本数目。
②：计算深度神经网络的误差函数，记为J(ω,b,hn+2,o)，表示如下：
式中，为深度神经网络的模型输出数据，为深度神经网络的期望输出数据，K为样本数目。
③：在有n层隐含层的深度神经网络中，计算误差函数对隐含层以及输出层各个神经元的连接权重和偏置值的偏导数，分别记为和表示如下：
i＝2,3,...,n+2
其中：
式中，⊙表示Hadamard积，对于两个维度相同的向量A(a1,a2,...,an)T和 B(b1,b2,...,bn)T，则A⊙B＝(a1b1,a2b2,...,anbn)T。
④：修正神经网络的权重参数ωi和偏置参数bi
i＝2,3,...,n+2
式中，μ是设置的学习率，K为样本数目。
⑤：当网络误差达到可接受的范围或者迭代次数达到设定值时，结束深度神经网络参数的调整，得到基于深度神经网络的瓶颈预测模型。
步骤2.2：基于综合瓶颈指数和瓶颈判断规则，识别制造车间的实时瓶颈工序；
制造车间的各工序的综合瓶颈指数记为BINm，表示如下：
m＝1,2,...,M
式中，wm为工序m处生产设备的相对生产负荷，M是生产车间工序的总数；qr为第r种产品在工序m处等待加工的数目，R为制造车间生产的产品类型总数；trm为产品r的第m道工序的加工时间，Mr为产品r的工序数；μm为工序m处的生产设备的加工能力系数，Tm为工序m处的生产设备的可用加工时间。um为工序m处生产设备的利用率，tsm、twm、tbm和tfm分别为工序m处生产设备的饥饿时间、正常运行时间、堵塞时间、故障时间；lm为工序m处缓冲区的瞬时瓶颈程度，用来抽象表示缓冲区队列长，Lm为工序m处缓冲区的工件数目，L为该缓冲区的最大容量。ω1和ω2为表示瓶颈程度的内部特征指数和外部特征指数的权重，且ω1+ω2＝1。
制造车间瓶颈工序记为BIN，其判断过程表示如下：
式中，BINm表示制造车间第m个工序的综合瓶颈指数，γ为判断制造车间工序是否为瓶颈的阈值。
步骤2.3：根据制造车间工序中生产设备饥饿和堵塞时间的变化趋势，评估异常对生产的影响是否消除；
车间设备的饥饿和堵塞的变化趋势表示如下：
式中，和分别为工序m在一个预测时间段Δt内的饥饿时间和堵塞时间，α是稳定状态判断的一个阈值，当设备饥饿时间和堵塞时间变化率不大于阈值α，则说明异常事件的影响已经消除。
步骤2.4：在步骤2.1～2.3基础上，执行制造车间未来瓶颈工序预测和瓶颈预测模型更新过程，制造车间未来瓶颈预测时采用t时刻的生产数据预测t+1时刻的制造车间瓶颈工序，并在瓶颈工序预测不准确时触发瓶颈预测模型更新过程；
①：获取t时刻的瓶颈相关数据。此处，t时刻是指当前时刻。然后进入瓶颈工序预测过程，并跳转至步骤②；
②：判断在t时刻是否有异常发生，如果没有异常发生，跳转至步骤③，否则，跳转至步骤⑥；
③：判断在之前的G时间段，是否有异常发生。如果有异常发生，跳转至步骤④，否则，跳转至步骤⑤。此处，G时间段是一个经验值，在G时间段内，任何生产异常的影响都能够被消除掉；
④：评估发生的异常对生产过程的影响是否消除。如果影响已经消除，跳转至步骤⑤，否则，跳转至步骤⑥。其中，判断异常的影响是否消除由步骤2.3的方法确定：
⑤：基于稳定状态瓶颈预测模型，采用t时刻瓶颈相关数据预测瓶颈工序，然后跳转至步骤⑦；
⑥：基于异常状态瓶颈预测模型，采用t+1时刻瓶颈相关数据预测瓶颈工序，然后跳转至步骤⑦；
⑦：输出t+1时刻的瓶颈工序预测结果，记为Y*(t+1)。
⑧：当t+1时刻到来时，获取t+1时刻的瓶颈相关数据。然后进入瓶颈预测模型更新过程，并跳转至步骤⑨；
⑨：依据步骤2.2的实时瓶颈识别方法，由t+1时刻的数据获取制造车间t+1时刻的瓶颈工序，记为Y(t+1)，然后跳转至步骤⑩；
⑩：比较瓶颈工序预测结果Y*(t+1)和实际瓶颈工序Y(t+1)，若二者不相同，则重新训练相应的瓶颈预测模型，以保证瓶颈预测模型的准确性。
步骤三：在预测出制造车间的未来瓶颈工序时，执行基于制造车间未来瓶颈工序的生产任务主动调度过程；
步骤3.1：依据步骤二中的瓶颈预测模型，根据获取的车间实时数据，预测制造车间的未来瓶颈工序；
步骤3.2：给制造车间的作业所属订单分配优先级，订单优先级的高低按照任务所对应的订单到达的顺序，先到达的订单具有较高优先级，对于紧急订单，则给予最高优先级，订单的优先级记为Por；
步骤3.3：计算制造车间基于未来瓶颈工序调度所需要的参数，包括到达瓶颈工序的时间、工序上的任务平均流动时间和任务在工序上的估计完成时间，其中，一个任务代表一个产品的加工过程，上述三个参数具体表示如下：
任务到达瓶颈工序的时间记为Rr，表示如下：
式中，bk表示瓶颈工序的位置，Pr,m是任务r在工序m上的加工时间。
工序上的任务平均流动时间记为FRm，表示如下：
式中，Pr,m是任务r在工序m上的加工时间，n是加工任务的种类数，br表示相关订单中的任务r的数目，dm表示工序m上的生产设备的数目。
任务在工序上的估计完成时间记为Dr,m，表示如下：
式中，表示所有工序上的任务平均流动时间之和，表示任务r在工序m的后续工序上的加工时间之和，M表示制造车间工序的总数。
步骤3.4：根据订单优先级和调度参数对瓶颈工序、瓶颈上游工序和瓶颈下游工序的生产任务进行调度；
步骤3.4.1：对预测的瓶颈工序上的任务进行调度。先按照订单的优先级Por对任务进行调度，当任务拥有相同的订单优先级Por时，按照Pr,m的升序对任务进行调度。当任务拥有相同的Pr,m时，按照Rr的升序对任务进行调度。当任务拥有相同的Rr时，按照Dr,m的升序对任务进行调度，确定瓶颈工序上任务的调度顺序，后续到达的任务，在到达时按照上述规则进行调度；
步骤3.4.2：对预测的瓶颈上游工序上的任务进行调度。类似步骤3.4.1的过程，分别按照Por、Dr,m、Rr和Pr,m的升序对任务进行调度，确定瓶颈上游工序上任务的加工顺序；
步骤3.4.3：对预测的瓶颈下游工序上的任务进行调度。瓶颈下游工序上任务的加工按照先到先加工的顺序进行，当多个任务同时到达时，则在该工序加工时间较短的任务先加工。
本发明的有益效果是：该方法首先采用物联网技术给生产车间设备、人员配备无线射频识别设备，获取制造车间的实时生产数据，并根据车间生产状态将数据划分为稳定生产状态数据和异常状态生产数据；其次分别建立稳定状态和异常状态瓶颈预测模型，根据车间生产状态选择对应的瓶颈预测模型预测制造车间的未来瓶颈工序，并在瓶颈工序预测不准时，对瓶颈预测模型进行更新、修正；最后根据预测的制造车间未来瓶颈工序，对制造车间的生产任务进行主动调度，以提前响应瓶颈工序漂移对制造车间生产的影响。
本发明将制造车间的数据划分为稳定生产状态数据和异常生产状态数据，进而建立基于深度神经网络的制造车间未来瓶颈工序预测模型，在瓶颈工序预测时使用自动的模型选择方法选择相应的模型进行预测，使得瓶颈预测模型在预测过程中不需要人为干预，并提高了在制造车间在不同生产状态下的瓶颈工序预测的准确率，使得制造车间中未来瓶颈工序的信息能够被准确获取；考虑瓶颈工序的变化因素，基于未来瓶颈工序对制造车间的生产任务进行主动调度，避免了只考虑当前瓶颈工序所带来的生产调度滞后性，进而提高了制造车间的生产效率。
下面结合附图和具体实施方式对本发明作详细说明。
附图说明
图1是本发明基于动态瓶颈预测的智能车间生产优化方法的流程图。
图2是本发明方法中制造车间未来瓶颈工序预测和瓶颈预测模型更新过程示意图。
图3是本发明方法中基于制造车间未来瓶颈工序的生产任务主动调度过程示意图。
具体实施方式
参照图1-3。本发明基于动态瓶颈预测的智能车间生产优化方法具体步骤如下：
步骤一：将物联技术应用到制造车间，对制造资源配置无线射频识别设备，采集生产过程中的数据，在采集数据的过程中，根据车间生产状态将采集到的数据划分为稳定生产状态数据和异常状态生产数据，具体包括以下步骤：
步骤1.1：给托盘、无人搬运车、关键物料配备无线射频识别标签，给生产设备配置固定式无线射频识别读写设备，为员工配备手持式无线射频识别读写设备，自动获取生产过程中关键物料、托盘、无人搬运车位置和状态数据，并且通过生产设备自身的输入输出接口，获取生产设备的加工时间、加工状态数据；
步骤1.2：在采集制造车间数据的过程中，根据制造车间生产状态的不同，将制造车间正常加工时获取的数据作为稳定生产状态数据，并将制造车间存在生产扰动时获取的数据作为异常状态生产数据。
步骤二：基于深度神经网络，使用稳定生产状态数据建立稳定状态瓶颈预测模型，并使用异常状态生产数据建立异常状态瓶颈预测模型。在预测制造车间未来瓶颈时，根据生产状态的不同选择对应的模型来预测，并且将瓶颈预测结果和实际瓶颈进行对比，在预测不准时修正、更新相应的瓶颈预测模型，保证瓶颈预测的准确性，具体包括以下步骤：
步骤2.1：基于深度神经网络，分别建立稳定状态瓶颈预测模型和异常状态瓶颈预测模型，每种瓶颈预测模型的建立过程相同，具体包括以下步骤：
步骤2.1.1：确立基于深度神经网络的瓶颈预测模型的输入和输出：
模型输入为设备利用率、缓冲区队列长、设备平均加工时间、设备平均修复时间、设备平均故障时间、饥饿时间、堵塞时间，记为(X1,...,X7×(m-1)+j,...,X7M)，其中X7×(m-1)+j表示t时刻制造车间生产工序m的第j个关键生产参数；j＝1，2，…，7；m＝1，2，…， M，其中M表示制造车间工序的总数。
模型输出为向量(Y1,Y2,...,YM)，向量中元素的下标代表该工序在制造车间中的顺序，向量元素数值的大小代表该工序在t+1时刻成为瓶颈工序的概率大小；M表示制造车间工序的总数。
步骤2.1.2：采用自编码器对基于深度神经网络的瓶颈预测模型进行预训练，获得基于深度神经网络的瓶颈预测模型的初始参数，具体包括以下三个子步骤：
①：自编码器建立过程
自编码器是包含输入层、单层隐含层和输出层的三层神经网络，目的是使得经过神经网络的传递后，提取出数据的特征。自编码器要保证输出层数据保持和输入层数据相同，分为编码过程和解码过程，其运作过程如下：
编码过程是将输入层神经元的数据传递到隐含层神经元，记为：
hk＝f1(ω1xk+b1)
式中，hk是隐含层神经元的数据，xk是第k个样本的输入数据，ω1和b1分别为输入层到隐含层的权重和偏置，f1(·)是激活函数。
解码过程是将隐含层神经元的数据传递到输出层神经元，记为：
式中，是第k个样本的输出层神经元的数据，ω2和b2分别为隐含层到输出层的权重和偏置，f2(·)是实现重构功能的激活函数。
在利用自编码器确定神经网络参数过程中，要对自编码器中输出层相对于输入层的误差进行控制，定义损失函数来不断训练自编码器，使得自编码器的输入层和输出层的误差达到可接受的范围，从而获得训练好的自编码器。损失函数记为表示如下：
式中，K为样本数目，xk是第k个样本的输入数据，是第k个样本的输出层神经元的数据
②：构建自编码器初始化深度神经网络各隐含层的参数
对于含有n层隐含层的深度神经网络需要建立n个自编码器，来获取各个隐含层的参数。自编码器的建立方式如步骤①所述，第1个自编码器的输入层和隐含层数据分别为深度神经网络的输入层和第1层隐含层数据，训练好第1个自编码器后，该自编码器输入层到隐含层的权重和偏置参数用来初始化深度神经网络输入层到第1层隐含层权重和偏置参数；第2个自编码器的输入层和隐含层数据分别为深度神经网络的第1层隐含层数据和第2层隐含层数据，训练好第2个自编码器后，该自编码器输入层到隐含层的权重和偏置参数用来初始化深度神经网络第1层隐含层到第2层隐含层权重和偏置参数；以此类推，直到深度神经网络n层隐含层的参数都被初始化。
③：确立神经网络隐含层n到输出层的参数
深度神经网络的隐含层的层数设定为n，则输入层约定为第1层神经元，隐含层约定为第2～n+1层神经元，输出层约定为第n+2层神经元。输出层神经元的数据由第 n层隐含层神经元的数据计算出来，记为：
hk,n+2＝fn+2(ωn+2·hk,n+1+bn+2)
式中，是输出层神经元的数据，是第n层隐含层神经元的数据，ωn+2和bn+2分别为第n层隐含层到输出层的权重和偏置，fn+2(·)是隐含层n 到输出层的激活函数，K为样本数目。
步骤2.1.3：基于反向传播算法对瓶颈预测模型进行参数微调，获得训练好的基于深度神经网络的瓶颈预测模型，具体包括以下五个子步骤：
①：构建出深度神经网络各相邻两层神经元之间的映射关系，表示如下：
hk,i＝fi(ωi·hk,i-1+bi)＝fi(zk,i),i＝2,...,n+2
式中，和分别为第i-1层和第i层神经元的数据，ωi和bi为第i-1层神经元到第i层神经元的权重和偏置参数，fi(·)为第i-1层神经元到第i层神经元的激活函数，代表fi(·)函数中的变量整体，K为样本数目。
②：计算深度神经网络的误差函数，记为J(ω,b,hn+2,o)，表示如下：
式中，为深度神经网络的模型输出数据，为深度神经网络的期望输出数据，K为样本数目。
③：在有n层隐含层的深度神经网络中，计算误差函数对隐含层以及输出层各个神经元的连接权重和偏置值的偏导数，分别记为和表示如下：
i＝2,3,...,n+2
其中：
式中，⊙表示Hadamard积，对于两个维度相同的向量A(a1,a2,...,an)T和 B(b1,b2,...,bn)T，则A⊙B＝(a1b1,a2b2,...,anbn)T。
④：修正神经网络的权重参数ωi和偏置参数bi
i＝2,3,...,n+2
式中，μ是设置的学习率，K为样本数目。
⑤：当网络误差达到可接受的范围或者迭代次数达到设定值时，结束深度神经网络参数的调整，得到基于深度神经网络的瓶颈预测模型。
步骤2.2：基于综合瓶颈指数和瓶颈判断规则，识别制造车间的实时瓶颈工序，具体包括以下步骤：
制造车间的各工序的综合瓶颈指数记为BINm，表示如下：
m＝1,2,...,M
式中，wm为工序m处生产设备的相对生产负荷，M是生产车间工序的总数；qr为第r种产品在工序m处等待加工的数目，R为制造车间生产的产品类型总数；trm为产品r的第m道工序的加工时间，Mr为产品r的工序数；μm为工序m处的生产设备的加工能力系数，Tm为工序m处的生产设备的可用加工时间。um为工序m处生产设备的利用率，tsm、twm、tbm和tfm分别为工序m处生产设备的饥饿时间、正常运行时间、堵塞时间、故障时间；lm为工序m处缓冲区的瞬时瓶颈程度，用来抽象表示缓冲区队列长，Lm为工序m处缓冲区的工件数目，L为该缓冲区的最大容量。ω1和ω2为表示瓶颈程度的内部特征指数和外部特征指数的权重，且ω1+ω2＝1。
制造车间瓶颈工序记为BIN，其判断过程表示如下：
式中，BINm表示制造车间第m个工序的综合瓶颈指数，γ为判断制造车间工序是否为瓶颈的阈值。
步骤2.3：根据制造车间工序中生产设备饥饿和堵塞时间的变化趋势，评估异常对生产的影响是否消除，具体包括以下过程：
车间设备的饥饿和堵塞的变化趋势表示如下：
式中，和分别为工序m在一个预测时间段Δt内的饥饿时间和堵塞时间，α是稳定状态判断的一个阈值，当设备饥饿时间和堵塞时间变化率不大于阈值α，则说明异常事件的影响已经消除。
步骤2.4：在步骤2.1～2.3实施的基础上，执行制造车间未来瓶颈工序预测和瓶颈预测模型更新过程，制造车间未来瓶颈预测时采用t时刻的生产数据预测t+1时刻的制造车间瓶颈工序，并在瓶颈工序预测不准确时触发瓶颈预测模型更新过程，具体包括以下十个步骤：
①：获取t时刻的瓶颈相关数据。此处，t时刻是指当前时刻。然后进入瓶颈工序预测过程，并跳转至步骤②；
②：判断在t时刻是否有异常发生，如果没有异常发生，跳转至步骤③，否则，跳转至步骤⑥；
③：判断在之前的G时间段，是否有异常发生。如果有异常发生，跳转至步骤④，否则，跳转至步骤⑤。此处，G时间段是一个经验值，在G时间段内，任何生产异常的影响都能够被消除掉；
④：评估发生的异常对生产过程的影响是否消除。如果影响已经消除，跳转至步骤⑤，否则，跳转至步骤⑥。其中，判断异常的影响是否消除由步骤2.3的方法确定：
⑤：基于稳定状态瓶颈预测模型，采用t时刻瓶颈相关数据预测瓶颈工序，然后跳转至步骤⑦；
⑥：基于异常状态瓶颈预测模型，采用t+1时刻瓶颈相关数据预测瓶颈工序，然后跳转至步骤⑦；
⑦：输出t+1时刻的瓶颈工序预测结果，记为Y*(t+1)。
⑧：当t+1时刻到来时，获取t+1时刻的瓶颈相关数据。然后进入瓶颈预测模型更新过程，并跳转至步骤⑨；
⑨：依据步骤2.2的实时瓶颈识别方法，由t+1时刻的数据获取制造车间t+1时刻的瓶颈工序，记为Y(t+1)，然后跳转至步骤⑩；
⑩：比较瓶颈工序预测结果Y*(t+1)和实际瓶颈工序Y(t+1)，若二者不相同，则重新训练相应的瓶颈预测模型，以保证瓶颈预测模型的准确性。
步骤三：在预测出制造车间的未来瓶颈工序时，执行基于制造车间未来瓶颈工序的生产任务主动调度过程，具体包括以下步骤：
步骤3.1：依据步骤二中的瓶颈预测模型，根据获取的车间实时数据，预测制造车间的未来瓶颈工序；
步骤3.2：给制造车间的作业所属订单分配优先级，订单优先级的高低按照任务所对应的订单到达的顺序，先到达的订单具有较高优先级，对于紧急订单，则给予最高优先级，订单的优先级记为Por；
步骤3.3：计算制造车间基于未来瓶颈工序调度所需要的参数，包括到达瓶颈工序的时间、工序上的任务平均流动时间和任务在工序上的估计完成时间，其中，一个任务代表一个产品的加工过程，上述三个参数具体表示如下：
任务到达瓶颈工序的时间记为Rr，表示如下：
式中，bk表示瓶颈工序的位置，Pr,m是任务r在工序m上的加工时间。
工序上的任务平均流动时间记为FRm，表示如下：
式中，Pr,m是任务r在工序m上的加工时间，n是加工任务的种类数，br表示相关订单中的任务r的数目，dm表示工序m上的生产设备的数目。
任务在工序上的估计完成时间记为Dr,m，表示如下：
式中，表示所有工序上的任务平均流动时间之和，表示任务r在工序m的后续工序上的加工时间之和，M表示制造车间工序的总数。
步骤3.4：根据订单优先级和调度参数对瓶颈工序、瓶颈上游工序和瓶颈下游工序的生产任务进行调度，具体包括以下步骤：
步骤3.4.1：对预测的瓶颈工序上的任务进行调度。先按照订单的优先级Por对任务进行调度，当任务拥有相同的订单优先级Por时，按照Pr,m的升序对任务进行调度。当任务拥有相同的Pr,m时，按照Rr的升序对任务进行调度。当任务拥有相同的Rr时，按照Dr,m的升序对任务进行调度，确定瓶颈工序上任务的调度顺序，后续到达的任务，在到达时按照上述规则进行调度；
步骤3.4.2：对预测的瓶颈上游工序上的任务进行调度。类似步骤3.4.1的过程，分别按照Por、Dr,m、Rr和Pr,m的升序对任务进行调度，确定瓶颈上游工序上任务的加工顺序；
步骤3.4.3：对预测的瓶颈下游工序上的任务进行调度。瓶颈下游工序上任务的加工按照先到先加工的顺序进行，当多个任务同时到达时，则在该工序加工时间较短的任务先加工。

Claims (1)

1.一种基于动态瓶颈预测的智能车间生产优化方法，其特征在于包括以下步骤：
步骤一：利用物联技术对制造资源配置无线射频识别设备，采集生产过程中的数据，根据车间生产状态将采集到的数据划分为稳定生产状态数据和异常状态生产数据；
步骤1.1：给托盘、无人搬运车和关键物料配备无线射频识别标签，给生产设备配置固定式无线射频识别读写设备，为员工配备手持式无线射频识别读写设备，自动获取生产过程中关键物料、托盘、无人搬运车位置和状态数据，并且通过生产设备自身的输入输出接口，获取生产设备的加工时间和加工状态数据；
步骤1.2：在采集制造车间数据的过程中，根据制造车间生产状态的不同，将制造车间正常加工时获取的数据作为稳定生产状态数据，并将制造车间存在生产扰动时获取的数据作为异常状态生产数据；
步骤二：基于深度神经网络，使用稳定生产状态数据建立稳定状态瓶颈预测模型，并使用异常状态生产数据建立异常状态瓶颈预测模型；在预测制造车间未来瓶颈时，根据生产状态的不同选择对应的模型来预测，并且将瓶颈预测结果和实际瓶颈进行对比，在预测不准时修正、更新相应的瓶颈预测模型，保证瓶颈预测的准确性；
步骤2.1：基于深度神经网络，分别建立稳定状态瓶颈预测模型和异常状态瓶颈预测模型，每种瓶颈预测模型的建立过程相同；
步骤2.1.1：确立基于深度神经网络的瓶颈预测模型的输入和输出：
模型输入为设备利用率、缓冲区队列长、设备平均加工时间、设备平均修复时间、设备平均故障时间、饥饿时间、堵塞时间，记为(X1,...,X7×(m-1)+j,...,X7M)，其中X7×(m-1)+j表示t时刻制造车间生产工序m的第j个关键生产参数；j＝1，2，…，7；m＝1，2，…，M，其中M表示制造车间工序的总数；
模型输出为向量(Y1,Y2,...,YM)，向量中元素的下标代表该工序在制造车间中的顺序，向量元素数值的大小代表该工序在t+1时刻成为瓶颈工序的概率大小；M表示制造车间工序的总数；
步骤2.1.2：采用自编码器对基于深度神经网络的瓶颈预测模型进行预训练，获得基于深度神经网络的瓶颈预测模型的初始参数；
①：自编码器建立过程
自编码器是包含输入层、单层隐含层和输出层的三层神经网络，目的是使得经过神经网络的传递后，提取出数据的特征；自编码器要保证输出层数据保持和输入层数据相同，分为编码过程和解码过程；
编码过程是将输入层神经元的数据传递到隐含层神经元，记为：
hk＝f1(ω1xk+b1)
式中，hk是隐含层神经元的数据，xk是第k个样本的输入数据，ω1和b1分别为输入层到隐含层的权重和偏置，f1(·)是激活函数；
解码过程是将隐含层神经元的数据传递到输出层神经元，记为：
式中，是第k个样本的输出层神经元的数据，ω2和b2分别为隐含层到输出层的权重和偏置，f2(·)是实现重构功能的激活函数；
在利用自编码器确定神经网络参数过程中，对自编码器中输出层相对于输入层的误差进行控制，定义损失函数来不断训练自编码器，使得自编码器的输入层和输出层的误差达标，从而获得训练好的自编码器；损失函数记为表示如下：
式中，K为样本数目，xk是第k个样本的输入数据，是第k个样本的输出层神经元的数据
②：构建自编码器初始化深度神经网络各隐含层的参数；
对于含有n层隐含层的深度神经网络需要建立n个自编码器，来获取各个隐含层的参数；自编码器的建立方式如步骤①所述，第1个自编码器的输入层和隐含层数据分别为深度神经网络的输入层和第1层隐含层数据，训练好第1个自编码器后，该自编码器输入层到隐含层的权重和偏置参数用来初始化深度神经网络输入层到第1层隐含层权重和偏置参数；第2个自编码器的输入层和隐含层数据分别为深度神经网络的第1层隐含层数据和第2层隐含层数据，训练好第2个自编码器后，该自编码器输入层到隐含层的权重和偏置参数用来初始化深度神经网络第1层隐含层到第2层隐含层权重和偏置参数；以此类推，直到深度神经网络n层隐含层的参数都被初始化；
③：确立神经网络隐含层n到输出层的参数；
深度神经网络的隐含层的层数设定为n，则输入层约定为第1层神经元，隐含层约定为第2～n+1层神经元，输出层约定为第n+2层神经元；输出层神经元的数据由第n层隐含层神经元的数据计算出来，记为：
hk,n+2＝fn+2(ωn+2·hk,n+1+bn+2)
式中，是输出层神经元的数据，是第n层隐含层神经元的数据，ωn+2和bn+2分别为第n层隐含层到输出层的权重和偏置，fn+2(·)是隐含层n到输出层的激活函数，K为样本数目；
步骤2.1.3：基于反向传播算法对瓶颈预测模型进行参数微调，获得训练好的基于深度神经网络的瓶颈预测模型；
①：构建出深度神经网络各相邻两层神经元之间的映射关系，表示如下：
hk,i＝fi(ωi·hk,i-1+bi)＝fi(zk,i),i＝2,...,n+2
式中，和分别为第i-1层和第i层神经元的数据，ωi和bi为第i-1层神经元到第i层神经元的权重和偏置参数，fi(·)为第i-1层神经元到第i层神经元的激活函数，代表fi(·)函数中的变量整体，K为样本数目；
②：计算深度神经网络的误差函数，记为J(ω,b,hn+2,o)，表示如下：
式中，为深度神经网络的模型输出数据，为深度神经网络的期望输出数据，K为样本数目；
③：在有n层隐含层的深度神经网络中，计算误差函数对隐含层以及输出层各个神经元的连接权重和偏置值的偏导数，分别记为和表示如下：
其中：
式中，⊙表示Hadamard积，对于两个维度相同的向量A(a1,a2,...,an)T和B(b1,b2,...,bn)T，则A⊙B＝(a1b1,a2b2,...,anbn)T；
④：修正神经网络的权重参数ωi和偏置参数bi
式中，μ是设置的学习率，K为样本数目；
⑤：当网络误差达到可接受的范围或者迭代次数达到设定值时，结束深度神经网络参数的调整，得到基于深度神经网络的瓶颈预测模型；
步骤2.2：基于综合瓶颈指数和瓶颈判断规则，识别制造车间的实时瓶颈工序；
制造车间的各工序的综合瓶颈指数记为BINm，表示如下：
式中，wm为工序m处生产设备的相对生产负荷，M是生产车间工序的总数；qr为第r种产品在工序m处等待加工的数目，R为制造车间生产的产品类型总数；trm为产品r的第m道工序的加工时间，Mr为产品r的工序数；μm为工序m处的生产设备的加工能力系数，Tm为工序m处的生产设备的可用加工时间；um为工序m处生产设备的利用率，tsm、twm、tbm和tfm分别为工序m处生产设备的饥饿时间、正常运行时间、堵塞时间、故障时间；lm为工序m处缓冲区的瞬时瓶颈程度，用来抽象表示缓冲区队列长，Lm为工序m处缓冲区的工件数目，L为该缓冲区的最大容量；ω1和ω2为表示瓶颈程度的内部特征指数和外部特征指数的权重，且ω1+ω2＝1；
制造车间瓶颈工序记为BIN，其判断过程表示如下：
式中，BINm表示制造车间第m个工序的综合瓶颈指数，γ为判断制造车间工序是否为瓶颈的阈值；
步骤2.3：根据制造车间工序中生产设备饥饿和堵塞时间的变化趋势，评估异常对生产的影响是否消除；
车间设备的饥饿和堵塞的变化趋势表示如下：
式中，和分别为工序m在一个预测时间段Δt内的饥饿时间和堵塞时间，α是稳定状态判断的一个阈值，当设备饥饿时间和堵塞时间变化率不大于阈值α，则说明异常事件的影响已经消除；
步骤2.4：在步骤2.1～2.3基础上，执行制造车间未来瓶颈工序预测和瓶颈预测模型更新过程，制造车间未来瓶颈预测时采用t时刻的生产数据预测t+1时刻的制造车间瓶颈工序，并在瓶颈工序预测不准确时触发瓶颈预测模型更新过程；
①：获取t时刻的瓶颈相关数据；此处，t时刻是指当前时刻；然后进入瓶颈工序预测过程，并跳转至步骤②；
②：判断在t时刻是否有异常发生，如果没有异常发生，跳转至步骤③，否则，跳转至步骤⑥；
③：判断在之前的G时间段，是否有异常发生；如果有异常发生，跳转至步骤④，否则，跳转至步骤⑤；此处，G时间段是一个经验值，在G时间段内，任何生产异常的影响都能够被消除掉；
④：评估发生的异常对生产过程的影响是否消除；如果影响已经消除，跳转至步骤⑤，否则，跳转至步骤⑥；其中，判断异常的影响是否消除由步骤2.3的方法确定：
⑤：基于稳定状态瓶颈预测模型，采用t时刻瓶颈相关数据预测瓶颈工序，然后跳转至步骤⑦；
⑥：基于异常状态瓶颈预测模型，采用t+1时刻瓶颈相关数据预测瓶颈工序，然后跳转至步骤⑦；
⑦：输出t+1时刻的瓶颈工序预测结果，记为Y*(t+1)；
⑧：当t+1时刻到来时，获取t+1时刻的瓶颈相关数据；然后进入瓶颈预测模型更新过程，并跳转至步骤⑨；
⑨：依据步骤2.2的实时瓶颈识别方法，由t+1时刻的数据获取制造车间t+1时刻的瓶颈工序，记为Y(t+1)，然后跳转至步骤⑩；
⑩：比较瓶颈工序预测结果Y*(t+1)和实际瓶颈工序Y(t+1)，若二者不相同，则重新训练相应的瓶颈预测模型，以保证瓶颈预测模型的准确性；
步骤三：在预测出制造车间的未来瓶颈工序时，执行基于制造车间未来瓶颈工序的生产任务主动调度过程；
步骤3.1：依据步骤二中的瓶颈预测模型，根据获取的车间实时数据，预测制造车间的未来瓶颈工序；
步骤3.2：给制造车间的作业所属订单分配优先级，订单优先级的高低按照任务所对应的订单到达的顺序，先到达的订单具有较高优先级，对于紧急订单，则给予最高优先级，订单的优先级记为Por；
步骤3.3：计算制造车间基于未来瓶颈工序调度所需要的参数，包括到达瓶颈工序的时间、工序上的任务平均流动时间和任务在工序上的估计完成时间，其中，一个任务代表一个产品的加工过程，上述三个参数具体表示如下：
任务到达瓶颈工序的时间记为Rr，表示如下：
式中，bk表示瓶颈工序的位置，Pr,m是任务r在工序m上的加工时间；
工序上的任务平均流动时间记为FRm，表示如下：
式中，Pr,m是任务r在工序m上的加工时间，n是加工任务的种类数，br表示相关订单中的任务r的数目，dm表示工序m上的生产设备的数目；
任务在工序上的估计完成时间记为Dr,m，表示如下：
式中，表示所有工序上的任务平均流动时间之和，表示任务r在工序m的后续工序上的加工时间之和，M表示制造车间工序的总数；
步骤3.4：根据订单优先级和调度参数对瓶颈工序、瓶颈上游工序和瓶颈下游工序的生产任务进行调度；
步骤3.4.1：对预测的瓶颈工序上的任务进行调度；先按照订单的优先级Por对任务进行调度，当任务拥有相同的订单优先级Por时，按照Pr,m的升序对任务进行调度；当任务拥有相同的Pr,m时，按照Rr的升序对任务进行调度；当任务拥有相同的Rr时，按照Dr,m的升序对任务进行调度，确定瓶颈工序上任务的调度顺序，后续到达的任务，在到达时按照上述规则进行调度；
步骤3.4.2：对预测的瓶颈上游工序上的任务进行调度；类似步骤3.4.1的过程，分别按照Por、Dr,m、Rr和Pr,m的升序对任务进行调度，确定瓶颈上游工序上任务的加工顺序；
步骤3.4.3：对预测的瓶颈下游工序上的任务进行调度；瓶颈下游工序上任务的加工按照先到先加工的顺序进行，当多个任务同时到达时，则在该工序加工时间较短的任务先加工。
CN201910434317.9A 2019-05-23 2019-05-23 基于动态瓶颈预测的智能车间生产优化方法 Pending CN110163436A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910434317.9A CN110163436A (zh) 2019-05-23 2019-05-23 基于动态瓶颈预测的智能车间生产优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910434317.9A CN110163436A (zh) 2019-05-23 2019-05-23 基于动态瓶颈预测的智能车间生产优化方法

Publications (1)

Publication Number Publication Date
CN110163436A true CN110163436A (zh) 2019-08-23

Family

ID=67632410

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910434317.9A Pending CN110163436A (zh) 2019-05-23 2019-05-23 基于动态瓶颈预测的智能车间生产优化方法

Country Status (1)

Country Link
CN (1) CN110163436A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111427323A (zh) * 2020-04-22 2020-07-17 Oppo（重庆）智能科技有限公司 一种产能瓶颈监控方法、装置、设备及存储介质
CN112465274A (zh) * 2020-12-30 2021-03-09 镇江龙源铝业有限公司 生产车间智能化管理系统
CN113064388A (zh) * 2021-02-24 2021-07-02 同济大学 一种半导体生产线的调度优化方法及装置
CN113408915A (zh) * 2021-06-25 2021-09-17 中国科学院重庆绿色智能技术研究院 生产线瓶颈识别方法及其系统
CN113408760A (zh) * 2021-07-14 2021-09-17 西安邮电大学 一种基于sir的不可逆恢复车间关键制造资源的识别方法
CN113671913A (zh) * 2021-08-10 2021-11-19 河海大学 一种智能制造车间隐形扰动应对方法
CN115860278A (zh) * 2023-02-27 2023-03-28 深圳市利和兴股份有限公司 一种基于数据分析的电机组装生产管理方法及系统
CN116502474A (zh) * 2023-06-27 2023-07-28 中国电子工程设计院有限公司 一种基于动态模拟的医药设备组线的布局优化方法及装置
US20230317256A1 (en) * 2019-10-18 2023-10-05 Teletracking Technologies, Inc. Systems and methods for computer modeling for healthcare bottleneck prediction and mitigation
CN117726144A (zh) * 2024-02-07 2024-03-19 青岛国彩印刷股份有限公司 一种基于数据处理的智能数字印刷管理系统及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005190031A (ja) * 2003-12-25 2005-07-14 Renesas Technology Corp 半導体デバイス製造におけるボトルネック発生回避方法およびシステム
CN103676881A (zh) * 2013-12-16 2014-03-26 北京化工大学 一种半导体生产线动态瓶颈分析方法
US20150294048A1 (en) * 2014-04-11 2015-10-15 Hartford Steam Boiler Inspection And Insurance Company Future Reliability Prediction Based on System Operational and Performance Data Modelling
CN106228268A (zh) * 2016-07-26 2016-12-14 北京航空航天大学 一种基于收费数据的高速公路旅行时间的预测方法
CN107742168A (zh) * 2017-10-20 2018-02-27 西北工业大学 一种基于物联技术的生产车间动态瓶颈预测方法
CN109743656A (zh) * 2019-03-15 2019-05-10 南京邮电大学 基于脑电意念的智能运动耳机及其实现方法与系统
CN109766844A (zh) * 2019-01-14 2019-05-17 电子科技大学 一种基于胸针设备的移动终端身份鉴别与记忆方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005190031A (ja) * 2003-12-25 2005-07-14 Renesas Technology Corp 半導体デバイス製造におけるボトルネック発生回避方法およびシステム
CN103676881A (zh) * 2013-12-16 2014-03-26 北京化工大学 一种半导体生产线动态瓶颈分析方法
US20150294048A1 (en) * 2014-04-11 2015-10-15 Hartford Steam Boiler Inspection And Insurance Company Future Reliability Prediction Based on System Operational and Performance Data Modelling
CN106228268A (zh) * 2016-07-26 2016-12-14 北京航空航天大学 一种基于收费数据的高速公路旅行时间的预测方法
CN107742168A (zh) * 2017-10-20 2018-02-27 西北工业大学 一种基于物联技术的生产车间动态瓶颈预测方法
CN109766844A (zh) * 2019-01-14 2019-05-17 电子科技大学 一种基于胸针设备的移动终端身份鉴别与记忆方法
CN109743656A (zh) * 2019-03-15 2019-05-10 南京邮电大学 基于脑电意念的智能运动耳机及其实现方法与系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
BINBIN HUANG等: "A proactive task dispatching method based on future bottleneck prediction for the smart factory" *
刘明周;凌琳;唐娟;: "基于漂移瓶颈的制造车间生产批量/提前期研究" *
邓伟;鲁建厦;翁耀炜;: "加工车间生产物流时间瓶颈的调度研究" *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12020809B2 (en) * 2019-10-18 2024-06-25 Teletracking Technologies, Inc. Systems and methods for computer modeling for healthcare bottleneck prediction and mitigation
US20230317256A1 (en) * 2019-10-18 2023-10-05 Teletracking Technologies, Inc. Systems and methods for computer modeling for healthcare bottleneck prediction and mitigation
CN111427323A (zh) * 2020-04-22 2020-07-17 Oppo（重庆）智能科技有限公司 一种产能瓶颈监控方法、装置、设备及存储介质
CN111427323B (zh) * 2020-04-22 2021-09-24 Oppo（重庆）智能科技有限公司 一种产能瓶颈监控方法、装置、设备及存储介质
CN112465274A (zh) * 2020-12-30 2021-03-09 镇江龙源铝业有限公司 生产车间智能化管理系统
CN112465274B (zh) * 2020-12-30 2024-03-29 镇江龙源铝业有限公司 生产车间智能化管理系统
CN113064388A (zh) * 2021-02-24 2021-07-02 同济大学 一种半导体生产线的调度优化方法及装置
CN113064388B (zh) * 2021-02-24 2022-05-03 同济大学 一种半导体生产线的调度优化方法及装置
CN113408915B (zh) * 2021-06-25 2023-02-28 中国科学院重庆绿色智能技术研究院 生产线瓶颈识别方法及其系统
CN113408915A (zh) * 2021-06-25 2021-09-17 中国科学院重庆绿色智能技术研究院 生产线瓶颈识别方法及其系统
CN113408760A (zh) * 2021-07-14 2021-09-17 西安邮电大学 一种基于sir的不可逆恢复车间关键制造资源的识别方法
CN113671913A (zh) * 2021-08-10 2021-11-19 河海大学 一种智能制造车间隐形扰动应对方法
CN115860278A (zh) * 2023-02-27 2023-03-28 深圳市利和兴股份有限公司 一种基于数据分析的电机组装生产管理方法及系统
CN115860278B (zh) * 2023-02-27 2023-04-28 深圳市利和兴股份有限公司 一种基于数据分析的电机组装生产管理方法及系统
CN116502474A (zh) * 2023-06-27 2023-07-28 中国电子工程设计院有限公司 一种基于动态模拟的医药设备组线的布局优化方法及装置
CN116502474B (zh) * 2023-06-27 2023-11-21 中国电子工程设计院有限公司 一种基于动态模拟的医药设备组线的布局优化方法及装置
CN117726144A (zh) * 2024-02-07 2024-03-19 青岛国彩印刷股份有限公司 一种基于数据处理的智能数字印刷管理系统及方法
CN117726144B (zh) * 2024-02-07 2024-05-07 青岛国彩印刷股份有限公司 一种基于数据处理的智能数字印刷管理系统及方法

Similar Documents

Publication Publication Date Title
CN110163436A (zh) 基于动态瓶颈预测的智能车间生产优化方法
Li et al. Prediction for tourism flow based on LSTM neural network
CN106315319B (zh) 一种电梯智能预调度方法及系统
CN110274609B (zh) 一种基于行程时间预测的实时路径规划方法
CN108694502B (zh) 一种基于XGBoost算法的机器人制造单元自适应调度方法
CN103105246A (zh) 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN109409587A (zh) 一种基于天气数据挖掘的机场进离场交通流量预测方法
CN107742168A (zh) 一种基于物联技术的生产车间动态瓶颈预测方法
CN104217258B (zh) 一种电力负荷条件密度预测方法
CN102346964A (zh) 道路交通网络区域拥堵实时预测与智能管理系统
CN110210648B (zh) 基于灰色长短期记忆网络的管制空域战略流量预测方法
CN109214581A (zh) 一种考虑风向和置信区间的铁路沿线风速预测方法
US11815863B2 (en) Predictive modeling and control for water resource infrastructure
CN102609805A (zh) 一种基于改进遗传算法的解决复杂生产环境下作业车间调度控制方法
CN106203683A (zh) 一种电力客户用电负荷预测系统的建模方法
CN109242265A (zh) 基于误差平方和最小的城市需水量组合预测方法
CN107945534A (zh) 一种基于gmdh神经网络的交通车流量预测方法
CN114418177B (zh) 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法
CN103997044A (zh) 电力负荷控制方法及系统
CN110070228A (zh) 一种神经元分支进化的bp神经网络风速预测方法
CN104599500A (zh) 基于灰熵分析和改进贝叶斯融合的交通流预测方法
Ezzat et al. Optimization using simulation of traffic light signal timings
CN107481523A (zh) 一种交通流速度预测方法及系统
CN108964023A (zh) 一种用于电网的母线电压态势短期预测方法及系统
Chen et al. Dynamic traffic light optimization and Control System using model-predictive control method

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190823

WD01 Invention patent application deemed withdrawn after publication