CN110675005A - 一种基于人工智能技术与ropn技术的智能决策方法 - Google Patents

一种基于人工智能技术与ropn技术的智能决策方法 Download PDF

Info

Publication number
CN110675005A
CN110675005A CN201910976087.9A CN201910976087A CN110675005A CN 110675005 A CN110675005 A CN 110675005A CN 201910976087 A CN201910976087 A CN 201910976087A CN 110675005 A CN110675005 A CN 110675005A
Authority
CN
China
Prior art keywords
time
industrial system
ropn
data
model
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
CN201910976087.9A
Other languages
English (en)
Other versions
CN110675005B (zh
Inventor
刘斌
李�杰
乔岩
李倓
宋泰然
郭宇翔
曹健
孙国龙
周孟初
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.)
Ax Industries Ltd
Original Assignee
Shenzhen Exx Industrial Automation Co Ltd
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 Shenzhen Exx Industrial Automation Co Ltd filed Critical Shenzhen Exx Industrial Automation Co Ltd
Priority to CN201910976087.9A priority Critical patent/CN110675005B/zh
Publication of CN110675005A publication Critical patent/CN110675005A/zh
Application granted granted Critical
Publication of CN110675005B publication Critical patent/CN110675005B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/04—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (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人工智能技术与ROPN技术的智能决策方法，属于粒神经网络、强化学习等的人工智能技术与ROPN工业系统建模技术领域，解决现有技术中的粒计算无法克服实际生产过程中的死锁问题。基于获取的工业系统实时数据和ROPN技术构建ROPN模型；基于获取工业系统历史数据和粒计算构建粒神经网络决策模型，即智能排产模型，构建好后，通过后续获取的工业系统历史数据训练智能排产模型，得到训练后的智能排产模型；基于ROPN模型和智能排产模型对所要决策问题、工业系统实时数据、实时调度问题中的问题数据和工业系统历史数据进行决策得到最优调度方案。本发明用于获取工业控制和调度过程中的最佳决策。

Description

一种基于人工智能技术与ROPN技术的智能决策方法
技术领域
一种基于人工智能技术与ROPN技术的智能决策方法，用于获取工业控制和调度过程中的最佳决策，属于粒神经网络、强化学习等的人工智能技术与ROPN工业系统建模技术领域。
背景技术
人工智能技术是新一代信息技术的核心之一，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能被视为新一轮科技革命、产业优化升级和生产力整体跃升的重要驱动力，是赢得全球科技竞争主动权的重要战略抓手。
目前绝大部分人工智能的发展集中于消费级人工智能，比如计算机视觉、语音识别、智能生活、服务机器人及商业智能等技术领域。而在工业领域的人工智能技术还存在较大瓶颈。
粒计算是一种模拟人类思考和解决大规模复杂问题的技术，实现对信息多视角多粒度多层次地分析。是智能决策中产生最佳生产方案的方法，但在处理工业人工智能领域的实际问题时，粒信息的构建等方面，难以克服实际生产过程中的死锁难题。
Petri网是一种多用于离散事件建模与分析的技术，主要包括面向过程的Petri网(Process-Oriented Petri Net,POPN)与面向资源的Petri网(Resource-Oriented PetriNet,ROPN)，其中ROPN模型相对于POPN模型规模更小，可以更加有效地分析离散事件系统的死锁、活性等方面问题，相对来说更接近对应实际工业应用。
但目前仍然较多处于研究阶段，之所以尚未普及应用，是因为基于ROPN建模可以得出多个结果，而缺少最佳决策的智能评估方法。因此无法实现决策结果最优化、无法实现决策的实时性。
综上所述，针对工业决策，采用现有技术中的粒计算无法克服实际生产过程中的死锁问题；POPN模型无法实现决策结果最优化、无法实现决策的实时性，从而造成所给的决策不具备实用性等问题。
发明内容
针对上述研究的问题，本发明的目的在于提供一种基于人工智能技术与ROPN技术的智能决策方法，解决现有技术中的粒计算无法克服实际生产过程中的死锁问题；POPN模型无法实现决策结果最优化、无法实现决策的实时性，从而造成所给的决策不具备实用性等问题。
为了实现上述目的，本发明采用的方案为：
一种基于人工智能技术与ROPN技术的智能决策方法，如下步骤：
S1、基于获取的工业系统实时数据和ROPN技术构建ROPN模型；
S2、基于获取的工业系统历史数据和粒计算构建粒神经网络决策模型，即智能排产模型，构建好后，通过后续获取的工业系统历史数据训练智能排产模型，得到训练后的智能排产模型；
S3、根据所要决策问题，将工业系统实时数据输入构建好的ROPN模型，得到控制方案，并将控制方案、实时调度问题中的问题数据和工业系统历史数据输入训练好的智能排产模型得到最优调度方案，同时将最优调度方案运用到实际工业系统得到实际调度结果，将实际调度结果输入本次用于决策的智能排产模型进行实时学习来更新模型，并将最优调度方案输入本次的ROPN模型进行实时学习来更新模型，其中，控制方案即调度方案。
进一步，所述工业系统历史数据和工业系统实时数据的数据类型可相同，也可不同。
进一步，所述步骤S1中的工业系统实时数据包括产线布局数据、设备数量、利用率、理论生产时间、设备维护计划、最长等待时间、生产路径、最大产能、WIP和BatchFactor。
进一步，所述步骤S2中的工业系统历史数据包括产线布局数据、设备数量、设备实际利用率、设备维护计划、理论生产时间、实际生产时间、生产路径、最长等待时间、生产用配方、Lot优先级、计划交期时间和实际交期时间。
进一步，所述步骤S2中的工业系统历史数据为几天、几周或几个月累积的数据，其中，最优情况为几周累积的数据。
进一步，所述步骤S3中获取的工业系统实时数据置后于步骤S1获取的工业系统实时数据，步骤S3中的工业系统实时数据与步骤S1中的工业系统实时数据的数据类型可相同，也可不同。
本发明同现有技术相比，其有益效果表现在：
一、本发明将人工智能技术(如粒神经网络即智能排产模型、强化学习等)与ROPN工业系统建模技术得到的ROPN模型相结合，并创新性地整合应用到工业人工智能体系，真正实现生产计划、排程、调度和控制的调度智能化；
二、本发明根据工业系统实时数据建立的ROPN模型对系统资源进行实时控制，防止系统资源死锁；对工业系统历史数据进行人工智能学习而建立的粒神经网络决策模型提供非死锁方案中最佳决策方案，两者相互联动，高效实时地取得最优调度方案；
三、本发明采用了平行模型训练和实时学习等策略不断优化决策模型，以提高模型的自学习、自适应能力，进而加强了系统快速响应和自进化的能力。
附图说明
图1是本发明的框架流程示意图；
图2为本发明中智能排产模型的构建示意图；
图3为本发明中智能排产模型在决策时的输入示意图；
图4为本发明中智能排产模型的决策过程的示意图；
图5为本发明中智能排产模型结合实际生产过程的不同生产条件，得出实际生产过程中，随时间变化的实时最优调度方案的示意图。
具体实施方式
下面将结合附图及具体实施方式对本发明作进一步的描述。
针对现有技术，无法对工业中的控制和调度过程中进行评估决策，从而无法实现生产计划、排程、调度、控制以及预警功能的调度智能化，现针对上述问题，采用的技术方案如下：
一种基于人工智能技术与ROPN技术的智能决策方法，如下步骤：
S1、基于获取的工业系统实时数据和ROPN技术构建ROPN模型；工业系统实时数据包括产线布局数据、设备数量、利用率、理论生产时间、设备维护计划、最长等待时间、生产路径、最大产能、WIP和Batch Factor，还可为其它工业系统实时数据。
其中，ROPN技术，如2010年公开的“Asian Journal of Control,Vol.12,No.3,pp.267280,May 2010Published online 7April 2010in Wiley InterScience(www.interscience.wiley.com)DOI:10.1002/asjc.184；PROCESS VS RESOURCE-ORIENTEDPETRI NETMODELING OF AUTOMATEDMANUFACTURING SYSTEMS NaiQi Wu and MengChuZhou”。
S2、基于的获取工业系统历史数据和粒计算(也可为与粒计算类似的技术)构建粒神经网络决策模型，即智能排产模型，构建好后，通过后续获取的工业系统历史数据训练智能排产模型，得到训练后的智能排产模型，如有客户订单进来以后，按什么样的规则或办法进行生产计划的编排，不同的编排办法得到的生产结果不一样，工业系统历史数据中含有不同编排办法产生的生产结果(指标可以是生产时间或者一定时间内的产能等)，通过对工业系统历史数据的深度学习，可以得到最佳模型，即训练后的智能排产模型；工业系统历史数据包括产线布局数据、设备数量、设备实际利用率、设备维护计划、理论生产时间、实际生产时间、生产路径、最长等待时间、生产用配方、Lo优先级、计划交期时间和实际交期时间，还可为其它工业系统历史数据。粒计算的参考文件如：“Timely Compendium on GranularComputing,Both Fundamentals And Applications”或“A Fundamental Material onGranular Computing Forming One of The Backbones of Artificial Intelligence”。
S3、根据所要决策问题，将工业系统实时数据输入构建好的ROPN模型，得到控制方案，并将控制方案、实时调度问题中的问题数据和工业系统历史数据输入训练好的智能排产模型得到最优调度方案，同时将最优调度方案运用到实际工业系统得到实际调度结果，将实际调度结果输入本次用于决策的智能排产模型进行实时学习来更新模型，并将最优调度方案输入本次的ROPN模型进行实时学习来更新模型，其中，控制方案即调度方案。
所述工业系统历史数据和工业系统实时数据的数据类型可相同，也可不同。
所述工业系统历史数据为几天(如5天、7天)、几周(如3周、4周)或几个月(如2个月、3个月)累积的数据，其中，最优情况为几周累积的数据。
所述步骤S3中的工业系统实时数据与步骤S1中的工业系统实时数据的数据类型可相同，也可不同。
本发明首次将包括粒神经网络、强化学习等的人工智能技术与ROPN工业系统建模技术整合，并应用到工业人工智能体系，实现具有生产计划、排程、调度、控制以及预警功能的调度智能化决策系统。
本发明根据粒计算能通过发现数据间的关系，去掉冗余输入信息，简化输入数据的表达维度，根据实际工业系统实时数据建立的ROPN模型对系统资源进行实时控制，防止系统资源死锁；对工业系统历史数据进行人工智能学习而建立的决策模型提供最佳决策方案；两者相互联动，高效实时地取得最佳控制决策结果。
本发明针对工业数据的特点，可实现基于粒算法的工业大数据分析、挖掘技术。该技术能够实现对各种工业数据(声音、影像、数字等)的智能分析，通过分析海量复杂度高、变化性强的工业数据发现有价值的隐藏信息，提高生产能力。除此之外，通过强化数据分析和挖掘算法，本项目还将开发基于粒人工智能(如粒神经网络)的生产和客户订单预测算法。
实施例
以半导体生产为例，参见Y.Qiao,N.Q.Wu,and M.C.Zhou,“Real-time schedulingof single-arm cluster tools subject to residency time constraints and boundedactivity time variation,”IEEE Transactions on Automation Science andEngineering,vol.9,no.3,pp.564-577,July 2012。
以带时间约束的单臂机械手组合设备调度问题为例，介绍了ROPN模型构建方法和过程，并针对调度过程的时间特性、实时控制规则、晶圆驻留时间延迟等方面做了详细的论证和分析，得出四种不同生产条件下的可行调度算法。
为了便于理解，以下将生产条件抽象为a、b、c、d、e和f表示，调度方案用A、B、C、D、E、F和G等大写字母表示，并做出以下假设：
假设1：我们用小写字母a、b、c、d、e和f代表不同的生产条件，比如晶圆的驻留时间、等待时间、运动时间等，生产条件受实时生产情况的影响，大的层面上与订单种类、数量、交期、设备性能等均相关，小的层面与设备实时运行状态、产线实时情况等相关。
假设2：实际生产条件之间可能会有交叉重叠，不同生产条件之间可能是不连续的，也可能是连续的，假定我们抽象之后的a、b、c、d、e和f是连续的。
假设3：我们用大写字母A、B、C、D、E、F和G表示调度方案，实际生产过程中，可能有无限种调度方案，有可调度的，也有不可调度的。
实现过程如下：
基于上述假设，将工业系统实时数据输入ROPN模型，通过ROPN模型得出在满足不同生产条件ab区间、bc区间、cd区间、de区间和ef区间时，ab区间对应的调度方案有A、B、C和D，bc区间对应的调度方案有A、B、C、D、E和F，cd区间对应的调度方案有A、B、C、D和E，de区间对应的调度方案有A、B、C、D、E、F和G，ef区间对应的调度方案有A、B和C。具体如下表所示：
Figure BDA0002233677530000091
智能排产模型以调度方案、实时调度问题中的问题数据和工业系统历史数据作为输入进行预测，实际调度结果作为输入，进行模型学习更新，如图3所示，利用神经网络等技术进行数据处理与整合。
智能排产模型的决策过程如图4所示，得到的最终决策结果如下表所示，其中，B>A>C表示B调度方案更优：
生产条件 调度方案
ab区间 B>A>C
bc区间 B>C>A
cd区间 C>B>A
de区间 C>A>B
ef区间 A>C>B
综上所述，智能排产模型综合调度方案、实时调度问题中的问题数据和工业系统历史数据作为输入进行预测，实际调度结果作为输入，进行模型学习更新，结合实际生产过程的不同生产条件，可以得出实际生产过程中，随时间变化的实时最优调度方案,如图5所示。
以上仅是本发明众多具体应用范围中的代表性实施例，对本发明的保护范围不构成任何限制。凡采用变换或是等效替换而形成的技术方案，均落在本发明权利保护范围之内。

Claims (6)

1.一种基于人工智能技术与ROPN技术的智能决策方法，其特征在于：如下步骤：
S1、基于获取的工业系统实时数据和ROPN技术构建ROPN模型；
S2、基于获取的工业系统历史数据和粒计算构建粒神经网络决策模型，即智能排产模型，构建好后，通过后续获取的工业系统历史数据训练智能排产模型，得到训练后的智能排产模型；
S3、根据所要决策问题，将工业系统实时数据输入构建好的ROPN模型，得到控制方案，并将控制方案、实时调度问题中的问题数据和工业系统历史数据输入训练好的智能排产模型得到最优调度方案，同时将最优调度方案运用到实际工业系统得到实际调度结果，将实际调度结果输入本次用于决策的智能排产模型进行实时学习来更新模型，并将最优调度方案输入本次的ROPN模型进行实时学习来更新模型，其中，控制方案即调度方案。
2.根据权利要求1所述的一种基于人工智能技术与ROPN技术的智能决策方法，其特征在于：所述工业系统历史数据和工业系统实时数据的数据类型可相同，也可不同。
3.根据权利要求2所述的一种基于人工智能技术与ROPN技术的智能决策方法，其特征在于：所述步骤S1中的工业系统实时数据包括产线布局数据、设备数量、利用率、理论生产时间、设备维护计划、最长等待时间、生产路径、最大产能、WIP和Batch Factor。
4.根据权利要求2所述的一种基于人工智能技术与ROPN技术的智能决策方法，其特征在于：所述步骤S2中的工业系统历史数据包括产线布局数据、设备数量、设备实际利用率、设备维护计划、理论生产时间、实际生产时间、生产路径、最长等待时间、生产用配方、Lot优先级、计划交期时间和实际交期时间。
5.根据权利要求2所述的一种基于人工智能技术与ROPN技术的智能决策方法，其特征在于：所述步骤S2中的工业系统历史数据为几天、几周或几个月累积的数据，其中，最优情况为几周累积的数据。
6.根据权利要求1所述的一种基于人工智能技术与ROPN技术的智能决策方法，其特征在于：所述步骤S3中获取的工业系统实时数据置后于步骤S1获取的工业系统实时数据，步骤S3中的工业系统实时数据与步骤S1中的工业系统实时数据的数据类型可相同，也可不同。
CN201910976087.9A 2019-10-15 2019-10-15 一种基于人工智能技术与ropn技术的智能决策方法 Active CN110675005B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910976087.9A CN110675005B (zh) 2019-10-15 2019-10-15 一种基于人工智能技术与ropn技术的智能决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910976087.9A CN110675005B (zh) 2019-10-15 2019-10-15 一种基于人工智能技术与ropn技术的智能决策方法

Publications (2)

Publication Number Publication Date
CN110675005A true CN110675005A (zh) 2020-01-10
CN110675005B CN110675005B (zh) 2021-12-07

Family

ID=69082481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910976087.9A Active CN110675005B (zh) 2019-10-15 2019-10-15 一种基于人工智能技术与ropn技术的智能决策方法

Country Status (1)

Country Link
CN (1) CN110675005B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382933A (zh) * 2020-03-04 2020-07-07 海南金盘智能科技股份有限公司 一种变压器排程方案的生成方法及系统
CN111539556A (zh) * 2020-04-02 2020-08-14 北京北方华创微电子装备有限公司 晶片调度方法及装置
CN113420500A (zh) * 2021-06-10 2021-09-21 北京宜能高科科技有限公司 智能常减压系统
WO2022048164A1 (zh) * 2020-09-03 2022-03-10 哈尔滨工业大学 一种基于粒计算的智能机器人对话策略生成方法
CN114210766A (zh) * 2021-12-15 2022-03-22 中国林业科学研究院木材工业研究所 一种圆锯片智能化整平方法
CN114818395A (zh) * 2022-06-29 2022-07-29 埃克斯工业(广东)有限公司 一种基于ropn模型的生产调度仿真方法及其装置
CN114864456A (zh) * 2022-07-08 2022-08-05 埃克斯工业(广东)有限公司 半导体清洗设备调度方法、系统、装置及存储介质
CN117332992A (zh) * 2023-11-24 2024-01-02 北京国联视讯信息技术股份有限公司 一种用于产业互联网的协同制造方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW583560B (en) * 2002-03-01 2004-04-11 Li-Chen Fu Modeling and scheduling of a semiconductor wafer fab
US7460920B1 (en) * 2006-02-22 2008-12-02 Advanced Micro Devices, Inc. Determining scheduling priority using fabrication simulation
CN101424919A (zh) * 2008-11-20 2009-05-06 上海交通大学 半导体制造系统的重调度决策系统
CN101493857A (zh) * 2009-02-13 2009-07-29 同济大学 基于Petri网与免疫算法的半导体生产线建模与优化调度方法
US20110040596A1 (en) * 2009-08-11 2011-02-17 National Cheng Kung University Virtual Production Control System and Method and Computer Program Product Thereof
CN104835026A (zh) * 2015-05-15 2015-08-12 重庆大学 基于Petri网与改进遗传算法的自动化立体仓库拣选作业调度建模优化方法
CN106295878A (zh) * 2016-08-09 2017-01-04 广东技术师范学院 一种基于Petri网与改进遗传算法的柔性作业车间调度系统
CN104965763B (zh) * 2015-07-21 2019-03-15 国家计算机网络与信息安全管理中心 一种老化感知的任务调度系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW583560B (en) * 2002-03-01 2004-04-11 Li-Chen Fu Modeling and scheduling of a semiconductor wafer fab
US7460920B1 (en) * 2006-02-22 2008-12-02 Advanced Micro Devices, Inc. Determining scheduling priority using fabrication simulation
CN101424919A (zh) * 2008-11-20 2009-05-06 上海交通大学 半导体制造系统的重调度决策系统
CN101493857A (zh) * 2009-02-13 2009-07-29 同济大学 基于Petri网与免疫算法的半导体生产线建模与优化调度方法
US20110040596A1 (en) * 2009-08-11 2011-02-17 National Cheng Kung University Virtual Production Control System and Method and Computer Program Product Thereof
CN104835026A (zh) * 2015-05-15 2015-08-12 重庆大学 基于Petri网与改进遗传算法的自动化立体仓库拣选作业调度建模优化方法
CN104965763B (zh) * 2015-07-21 2019-03-15 国家计算机网络与信息安全管理中心 一种老化感知的任务调度系统
CN106295878A (zh) * 2016-08-09 2017-01-04 广东技术师范学院 一种基于Petri网与改进遗传算法的柔性作业车间调度系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
NAIQI WU: "Necessary and sufficient conditions for deadlock-free operation in flexible manufacturing systems using a colored Petri net model", 《IEEE TRANSACTIONS ON SYSTEMS,MAN,AND CYBERNETICS,PART C》 *
YAN QIAO: "Real-Time Scheduling of Single-Arm Cluster Tools Subject to Residency Time Constraints and Bounded Activity Time Variation", 《IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING》 *
乔岩: "半导体制造中组合设备的建模、优化调度与控制", 《中国博士学位论文全文数据库 信息科技辑》 *
邵志芳等: "Petri网与优化算法结合求解FMS调度研究综述", 《计算机工程与应用》 *
郝东等: "基于Petri网与GA算法的FMS调度优化", 《计算机学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382933A (zh) * 2020-03-04 2020-07-07 海南金盘智能科技股份有限公司 一种变压器排程方案的生成方法及系统
CN111539556A (zh) * 2020-04-02 2020-08-14 北京北方华创微电子装备有限公司 晶片调度方法及装置
WO2022048164A1 (zh) * 2020-09-03 2022-03-10 哈尔滨工业大学 一种基于粒计算的智能机器人对话策略生成方法
CN113420500A (zh) * 2021-06-10 2021-09-21 北京宜能高科科技有限公司 智能常减压系统
CN114210766A (zh) * 2021-12-15 2022-03-22 中国林业科学研究院木材工业研究所 一种圆锯片智能化整平方法
CN114210766B (zh) * 2021-12-15 2024-02-02 中国林业科学研究院木材工业研究所 一种圆锯片智能化整平方法
CN114818395A (zh) * 2022-06-29 2022-07-29 埃克斯工业(广东)有限公司 一种基于ropn模型的生产调度仿真方法及其装置
CN114864456A (zh) * 2022-07-08 2022-08-05 埃克斯工业(广东)有限公司 半导体清洗设备调度方法、系统、装置及存储介质
CN114864456B (zh) * 2022-07-08 2022-09-13 埃克斯工业(广东)有限公司 半导体清洗设备调度方法、系统、装置及存储介质
CN117332992A (zh) * 2023-11-24 2024-01-02 北京国联视讯信息技术股份有限公司 一种用于产业互联网的协同制造方法及系统
CN117332992B (zh) * 2023-11-24 2024-02-09 北京国联视讯信息技术股份有限公司 一种用于产业互联网的协同制造方法及系统

Also Published As

Publication number Publication date
CN110675005B (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN110675005B (zh) 一种基于人工智能技术与ropn技术的智能决策方法
CN111539583B (zh) 一种基于数字孪生的生产过程仿真优化方法
CN110058573B (zh) 吞吐柔性智能装配物流路径规划平台
CN112800668A (zh) 基于数字孪生的复杂产品运维与制造集成总体模型
CN114296408A (zh) 一种数字孪生环境中的生产制造车间人工智能优化算法模型系统及其算法
CN110084405B (zh) 吞吐柔性智能装配物流路径规划方法
Cámara et al. A single front genetic algorithm for parallel multi-objective optimization in dynamic environments
CN103676881A (zh) 一种半导体生产线动态瓶颈分析方法
Huo et al. Smart control of the assembly process with a fuzzy control system in the context of Industry 4.0
CN103279075A (zh) 一种间歇化工生产过程及其控制方法
Kim et al. Designing fuzzy logic controllers using a multiresolutional search paradigm
Fang et al. Flexible worker allocation in aircraft final assembly line using multiobjective evolutionary algorithms
Qin et al. Energy-efficient iterative greedy algorithm for the distributed hybrid flow shop scheduling with blocking constraints
Qin et al. Multi-objective multi-verse optimizer for multi-robotic u-shaped disassembly line balancing problems
Ghaleb et al. Reinforcement learning-based real-time scheduling under random machine breakdowns and other disturbances: A case study
Martinez-Soto et al. Fuzzy logic controllers optimization using genetic algorithms and particle swarm optimization
Gómez-Marín et al. Integrating multi-agent system and microsimulation for dynamic modeling of urban freight transport
Gen et al. Advances in Hybrid Evolutionary Algorithms for Fuzzy Flexible Job-shop Scheduling: State-of-the-Art Survey.
Gao et al. Neuron synergy based explainable neural network for manufacturing cycle time forecasting
Li et al. Human-system cooperative hybrid augmented intelligence based dynamic dispatching framework of semiconductor wafer fabrication facility
Laili et al. DSAC-configured Differential Evolution for Cloud-Edge-Device Collaborative Task Scheduling
Zhang et al. Robust Control of Multi-Line Re-Entrant Manufacturing Plants via Stochastic Continuum Models
Zhong et al. Proximal policy optimization algorithm for multi-objective disassembly line balancing problems
Ouazzani-Chahidi et al. Classification of coordinators’ limitations in cyber-physical production system management
CN116540658B (zh) 基于监督控制理论和强化学习的自动制造系统调度方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 518000 room 701, building 6, Shenzhen Bay science and technology ecological park, no.6, Gaoxin South 9th Road, high tech Zone community, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province

Applicant after: Exxon industries (Guangdong) Co.,Ltd.

Address before: 518000 room C7, 1st floor, building 8, Zhongxing Industrial City, Chuangye Road, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province

Applicant before: SHENZHEN IKAS INDUSTRIAL AUTOMATION Co.,Ltd.

GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 401123 Building 4, No. 101, Zizhu Road, Liangjiang New District, Yubei District, Chongqing

Patentee after: Ax Industries Ltd.

Address before: 518000 room 701, building 6, Shenzhen Bay science and technology ecological park, No. 6, Gaoxin South ninth Road, Gaoxin community, Yuehai street, Nanshan District, Shenzhen, Guangdong

Patentee before: Exxon industries (Guangdong) Co.,Ltd.