CN110675055A - 一种自动化生产线建模与布局规划方法及系统 - Google Patents

一种自动化生产线建模与布局规划方法及系统 Download PDF

Info

Publication number
CN110675055A
CN110675055A CN201910901661.4A CN201910901661A CN110675055A CN 110675055 A CN110675055 A CN 110675055A CN 201910901661 A CN201910901661 A CN 201910901661A CN 110675055 A CN110675055 A CN 110675055A
Authority
CN
China
Prior art keywords
production line
calculating
fitness
model
mutation
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
CN201910901661.4A
Other languages
English (en)
Inventor
陈子聪
王钦若
刘建圻
张慧
郑银湖
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of 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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910901661.4A priority Critical patent/CN110675055A/zh
Publication of CN110675055A publication Critical patent/CN110675055A/zh
Pending legal-status Critical Current

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
    • G06Q10/06—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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • 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)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Operations Research (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请一种自动化生产线建模与布局规划方法及系统，方法步骤包括：(1)使用训练网络对实际生产线进行数据特征提取建立模型，其中在训练网络的权值更新中使用了邻近梯度算法；(2)使用Petri网构建生产功能对应的TCPN模型，重构实际生产线，联接各生产功能的TCPN模型得到生产线的OOTCPN模型；(3)基于OOTCPN模型使用自适应遗传算法进行布局规划，选择适应度高的个体进行迭代接近最优解，对生产线的工艺布局和物流布局提供了规划方案；对实际生产线进行建模仿真和给出对应的布局规划建议，通过模型对生产过程进行模拟、分析和评估，更好地指导自动化生产线的模块化和标准化。

Description

一种自动化生产线建模与布局规划方法及系统
技术领域
本发明属于自动化生产线领域，具体涉及一种自动化生产线建模与布局规划方法及系统。
背景技术
随着工业4.0、中国制造2025等概念的相继提出，制造业的转型升级越发引起社会的重视，其中尤以小家电制造为典型代表。小家电产品型号多，产品迭代速度快，生产排期调整相对频繁，且随着产品质量亟待改善、人力成本增加、市场需求不断趋向个性化等问题的出现，企业从以往大批量、少批次的传统生产方式向小批量、多批次转变，甚至向个性化需求定制发展，而目前小家电制造企业生产技术储备明显不足。
不少小家电企业通过引入工业机器人自动化生产线来解决上述问题，但自动化生产线的引入也带来了新的问题。在产品生产线需要调整时，难以快速找到最优布局，企业不可避免地需要根据市场需求不断地调整工艺布局和物流布局，但由于机器人体积庞大，调整的过程往往会造成很多不必要的人力物力损失；而现在的生产线建模技术尚未能实时调整模拟生产线模型以最大程度地贴合实际的生产线。
因此有必要提供一种适用于自动化生产线的建模和仿真的方法，以便于企业找到生产线工艺布局和物流布局的最优解，达到在保质保量的基础上提升产品的生产效率的目的。
发明内容
基于此，本发明旨在提供一种自动化生产线建模与布局规划方法及系统，通过对历史状态和在线状态的工业数据进行特征提取和降维，构建包括生产线各个生产功能模块的生产线模型，实现对实际生产线的重构，基于重构的生产线模型利用自适应遗传算法迭代出工艺和物流布局的最优解，解决现阶段无法实时调整生产线模型以提供布局最优解的技术问题。
本发明一种自动化生产线建模与布局规划方法，包括模块化建模和布局规划，
模块化建模步骤包括：
利用训练网络对生产线的工业数据进行特征提取，使用邻近梯度算法对训练网络的权值迭代更新并计算训练网络的梯度和权值的修正梯度，根据修正梯度计算训练网络的前项输出，计算前项输出与设定值的差值获得输出误差，当输出误差满足设定条件时输出生产功能模型；
根据生产功能模型与动态模型的映射关系获得生产功能模型对应的Petri网TCPN模型，根据实际生产线中各生产功能之间的输入输出关系把多个TCPN模型联接得到生产线的OOTCPN模型；
布局规划步骤包括：
基于OOTCPN模型，定义适应度函数，按照随机联赛规则从群体中选择N个个体分别计算各个个体的适应度，计算N个个体的平均适应度favg和最大适应度fmax，根据favg和fmax计算交叉概率Pc和变异概率Pm，根据Pc和Pm对群体进行交叉和变异操作产生新个体，计算新个体的适应度，选取适应度高的新个体遗传到下一代，当群体的进化情况满足终止条件时输出布局最优解。
优选地，工业数据包括：
实际生产线的历史数据和在线数据。
优选地，模块化建模步骤还包括：
把实际生产线的各生产设备根据生产功能聚合分类。
优选地，使用邻近梯度算法对训练网络的权值迭代更新并计算权值的修正梯度包括：
定义训练网络的目标函数为
Figure BDA0002212014170000021
其中，
Figure BDA0002212014170000022
是误差的平方和，是l2正则化项，ti和yi分别表示期望输出值和实际输出值，
Figure BDA0002212014170000024
表示输出层的权值，L是分类器隐含层节点数，
Figure BDA0002212014170000025
为权衡系数；
使用邻近梯度算法对目标函数的最小化解优化，则最小化解表示为
Figure BDA0002212014170000031
其中
Figure BDA0002212014170000032
k表示迭代次数，w表示训练网络的权值，ηk＝k/(k+3)，δl+1是第l+1层的梯度，al为第l层输出层的输出值；
利用下式计算训练网络修正梯度
Figure BDA0002212014170000034
其中，
Figure BDA0002212014170000035
表示第l层输出层的权值，f′(zl)表示所述训练网络激活函数f的导数，zl表示第l层输出层的输入值，“*”表示卷积操作。
优选地，前项输出包括：
权值、网络层数、最大迭代次数中的至少一个。
优选地，根据favg和fmax计算交叉概率Pc，根据Pc对群体进行交叉操作包括：
把群体中的N个体进行随机配对共组成N/2对，对每一对个体，使用下式
Figure BDA0002212014170000036
计算交叉概率Pc并进行交叉操作，其中Pc1，Pc2为算法的设计参数，f′为组合为一对的两个个体的适应度平均值，随机产生组合交叉算子R1，其中0＜R1＜1，当R＜Pc时对配对的个体进行交叉。
优选地，根据favg和fmax计算变异概率Pm，根据Pm对群体进行变异操作包括：
利用下式计算变异概率并进行变异操作
Figure BDA0002212014170000037
其中Pm1，Pm2为设计参数，f为组合为一对的两个个体的适应度平均值，随机产生变异算子R2，其中0＜R2＜1，当R＜Pm时进行变异。
优选地，终止条件包括：
群体的进化代数t满足t≥T，其中T为设定的迭代阈值。
优选地，终止条件还包括：
连续10代布局最优解得到改善。
优选地，选取卷积神经网络作为训练网络。
一种自动化生产线建模与布局规划系统，包括：
工业数据特征提取模块，生产功能模型建立模块，映射建立模块，TCPN模型生成模块，适应度计算模块，群体迭代模块；
生产功能模型建立模块用于根据不断迭代更新的训练网络权值和梯度计算前项输出，当输出误差满足设定条件时输出对应实际生产线各个生产功能的模型；
映射建立模块用于生成生产功能模型与动态模型的映射关系；
TCPN模型生成模块用于根据映射关系生成各生产功能模型的TCPN模型，并根据实际生产线各生产功能之间的输入输出关系把多个TCPN模型联接得到生产线的OOTCPN模型；
适应度计算模块用于定义适应度函数并计算个体适应度，从而确定个体的平均适应度favg和最大适应度fmax；
群体迭代模块还包括交叉单元、变异单元和新群体生成单元，
交叉单元用于计算交叉概率和交叉算子，根据交叉算子和交叉概率的关系进行交叉操作；
变异单元用于计算变异概率和变异算子，根据交叉算子和交叉概率的关系进行变异操作；
新群体生成单元用于把经过交叉和变异操作产生的新个体和父代的群体构成新群体。
从以上技术方案可以看出，本发明具有以下优点：
本发明一种自动化生产线建模与布局规划方法及系统，使用训练网络对实际生产线进行数据特征提取建立模型，在权值更新中使用了邻近梯度算法，加快目标函数的收敛速度；使用Petri网构建生产功能对应的TCPN模型，重构实际生产线，能根据实际生产需求以最小的冗余度对生产线进行调整；基于重构的生产线模型使用自适应遗传算法进行布局规划，选择适应度高的个体进行迭代接近最优解，对生产线的工艺布局和物流布局提供了规划方案，更贴合实际需求，提高运营效率；本发明基于历史数据和在线数据对生产工序进行分解和合并，最大程度地反映了真实的生产情况；对实际生产线进行建模仿真和给出对应的布局规划建议，通过模型对生产过程进行模拟、分析和评估，更好地指导自动化生产线的模块化和标准化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1本发明一种自动化生产线建模与布局规划方法实施流程图
图2本发明一种自动化生产线建模与布局规划系统结构示意图
图3本发明一种实施例中建立OOTCPN模型实施流程图
图4本发明一种实施例中训练网络特征提取实施流程图
图5本发明一种实施例中工艺布局和物流布局规划实施流程图
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本实施例提供一种自动化生产线建模与布局规划方法，包括：
利用训练网络对生产线的工业数据进行特征提取，使用邻近梯度算法对训练网络的权值迭代更新并计算训练网络的梯度和权值的修正梯度，根据修正梯度计算训练网络的前项输出，计算前项输出与设定值的差值获得输出误差，当输出误差满足设定条件时输出生产功能模型；
根据生产功能模型与动态模型的映射关系获得生产功能模型对应的Petri网TCPN模型，根据实际生产线中各生产功能之间的输入输出关系把多个TCPN模型联接得到生产线的OOTCPN模型；
基于OOTCPN模型，定义适应度函数，按照随机联赛规则从群体中选择N个个体分别计算各个个体的适应度，计算N个个体的平均适应度favg和最大适应度fmax，根据favg和fmax计算交叉概率Pc和变异概率Pm，根据Pc和Pm对群体进行交叉和变异操作产生新个体，计算新个体的适应度，选取适应度高的新个体遗传到下一代，当群体的进化情况满足终止条件时输出布局最优解。
请参阅图2，本实施例提供一种自动化生产线建模与布局规划系统，包括：
工业数据特征提取模块100，生产功能模型建立模块110，映射建立模块120，TCPN模型生成模块130，适应度计算模块140，群体迭代模块150；
生产功能模型建立模块110用于根据不断迭代更新的训练网络权值和梯度计算前项输出，当输出误差满足设定条件时输出对应实际生产线各个生产功能的模型；
映射建立模块120用于生成生产功能模型与动态模型的映射关系；
TCPN模型生成模块130用于根据映射关系生成各生产功能模型的TCPN模型，并根据实际生产线各生产功能之间的输入输出关系把多个TCPN模型联接得到生产线的OOTCPN模型；
适应度计算模块140用于定义适应度函数并计算个体适应度，从而确定个体的平均适应度favg和最大适应度fmax；
群体迭代模块150还包括交叉单元151、变异单元152和新群体生成单元153，
交叉单元151用于计算交叉概率和交叉算子，根据交叉算子和交叉概率的关系进行交叉操作；
变异单元152用于计算变异概率和变异算子，根据交叉算子和交叉概率的关系进行变异操作；
新群体生成单元153用于把经过交叉和变异操作产生的新个体和父代的群体构成新群体。
该系统工作时包括如下步骤：
利用工业数据特征提取模块100对生产线的工业数据进行特征提取，把提取得到的数据传输至生产功能模型建立模块110，使其能使用邻近梯度算法对训练网络的权值迭代更新并计算训练网络的梯度和权值的修正梯度，根据修正梯度计算训练网络的前项输出，计算前项输出与设定值的差值获得输出误差，当输出误差满足设定条件时输出生产功能模型至映射建立模块120；
映射建立模块120生成生产功能模型与动态模型的映射关系，把该映射关系传输至TCPN模型生成模块130，以获得生产功能模型对应的Petri网TCPN模型，TCPN模型生成模块130还根据实际生产线中各生产功能之间的输入输出关系把多个TCPN模型联接得到生产线的OOTCPN模型，该OOTCPN模型被传输至适应度计算模块140；
适应度计算模块140基于OOTCPN模型，定义一个适应度函数，按照随机联赛规则从群体中选择N个个体分别计算各个个体的适应度，计算N个个体的平均适应度favg和最大适应度fmax，群体迭代模块150中的交叉单元151根据favg和fmax计算交叉概率和交叉算子，根据交叉算子和交叉概率Pc的关系对群体中的个体进行交叉操作；
变异单元152根据favg和fmax计算变异概率和变异算子，根据交叉算子和交叉概率的关系进行变异操作；
经过交叉和变异获得新的个体，由适应度计算模块140计算新个体的适应度，新群体生成单元153根据从适应度计算模块140获得的适应度值选取适应度高的新个体遗传到下一代，生成新的群体。
下面介绍本发明的另一个实施例，请参阅图3至图5，本实施例提供一种适用于小家电自动化生产的自动化生产线数字化建模和布局规划方法，该方法包括对生成功能进行模块化建模和根据模型进行布局规划，
如图3所示，模块化建模的步骤包括：
获取小家电工业生产线不同生产设备的历史数据和在线数据；
把产线上的生产设备根据生产功能聚合分类，本实施例中把小家电产线的生产功能分成如下四类：
a.加工类设备：主要指的是对小家电产品零件进行加工和组装类的设备，如自动螺丝机、异形插件机等；
b.搬运类设备：主要指的能在各个生产工艺之间进行物料传输的物流运输设备，如传送带、自动导引运输车等；
c.储存类设备：主要指的是用于存放各类原料、设备以及成品的仓库；
d.其他设备：如检测装置等；
利用卷积神经网络(CNN)对生产线的工业数据进行特征提取，如图4所示，对CNN的权值、偏置、滤波器、采样器、网络层数以及最大迭代次数进行初始化，使用邻近梯度算法对CNN的权值迭代更新并计算CNN的梯度和权值修正梯度，根据修正梯度计算训练网络的前项输出，计算前项输出与设定值的差值获得输出误差，当输出误差满足设定条件时输出生产功能模型；
根据生产功能模型与动态模型的映射关系获得生产功能模型对应的Petri网TCPN模型，根据实际生产线中各生产功能之间的输入输出关系例如工艺流程把多个TCPN模型联接得到生产线的OOTCPN模型。
其中，使用邻近梯度算法对训练网络的权值迭代更新并计算权值的修正梯度包括：
定义CNN的目标函数为其中，
Figure BDA0002212014170000082
是误差的平方和，
Figure BDA0002212014170000083
是l2正则化项，ti和yi分别表示期望输出值和实际输出值，表示输出层的权值，L是分类器隐含层节点数，
Figure BDA0002212014170000085
为权衡系数；
使用邻近梯度算法对目标函数的最小化解优化，则最小化解表示为
Figure BDA0002212014170000086
其中
Figure BDA0002212014170000087
k表示迭代次数，w表示训练网络的权值，ηk＝k/(k+3)，
Figure BDA0002212014170000088
δl+1是第l+1层的梯度，al为第l层输出层的输出值；
利用下式计算训练网络修正梯度
Figure BDA0002212014170000089
其中，
Figure BDA00022120141700000810
表示第l层输出层的权值，f′(zl)表示所述训练网络激活函数f的导数，zl表示第l层输出层的输入值，“*”表示卷积操作。
如图5所示，布局规划的步骤包括：
S1.基于OOTCPN模型产生一个含有M个个体的初始群体pop(1)，置初始代数t＝1；
S2.当群体满足t≥12或者连续10代最优解得到改善两个条件中的任意一个即停止计算，输出最优解，否则进入步骤S3；
S3.定义适应度函数为其中ob表示个体目标值，按照随机联赛规则从群体中选择N个个体，分别计算各个个体的适应度fi，i＝1,2,3L N，计算N个个体的平均适应度favg和最大适应度fmax，其中M＞N；
S4.根据favg和fmax计算交叉概率Pc，
把群体中的N个体进行随机配对共组成N/2对，对每一对个体，使用下式
Figure BDA0002212014170000092
计算交叉概率Pc，其中Pc1＝0.9，Pc2＝0.6，f′为组合为一对的两个个体的适应度平均值，随机产生组合交叉算子R1，其中0＜R1＜1，当R＜Pc时对配对的个体进行交叉；
S5.根据favg和fmax计算变异概率Pm，
利用下式计算变异概率并进行变异操作
Figure BDA0002212014170000093
其中Pm1＝0.1，Pm2＝0.001，f为组合为一对的两个个体的适应度平均值，随机产生变异算子R2，其中0＜R2＜1，当R＜Pm时进行变异；
S6.计算由交叉和变异产生的新个体的适应度，新个体和父代群体构成新群体，返回步骤S2。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (10)

1.一种自动化生产线建模与布局规划方法，其特征在于，包括：
利用训练网络对实际生产线的工业数据进行特征提取，使用邻近梯度算法对所述训练网络的权值迭代更新并计算所述训练网络的梯度和所述权值的修正梯度，根据所述修正梯度计算所述训练网络的前项输出，计算所述前项输出与设定值的差值获得输出误差，当所述输出误差满足设定条件时输出生产功能模型；
根据所述生产功能模型与动态模型的映射关系获得与所述生产功能模型对应的Petri网TCPN模型，根据所述实际生产线中各生产功能之间的输入输出关系把多个所述TCPN模型联接得到生产线的OOTCPN模型；
基于所述OOTCPN模型，定义适应度函数，按照随机联赛规则从群体中选择N个个体分别计算各个个体的适应度，计算所述N个个体的平均适应度favg和最大适应度fmax，根据favg和fmax计算交叉概率Pc和变异概率Pm，根据Pc和Pm对群体进行交叉和变异操作产生新个体，计算新个体的适应度，选取适应度高的新个体遗传到下一代，当群体的进化情况满足终止条件时输出布局最优解。
2.根据权利要求1所述的自动化生产线建模与布局规划方法，其特征在于，所述工业数据包括：
所述实际生产线的历史数据和在线数据。
3.根据权利要求1所述的自动化生产线建模与布局规划方法，其特征在于，所述使用邻近梯度算法对所述训练网络的权值迭代更新并计算所述训练网络的梯度和所述权值的修正梯度包括：
定义所述训练网络的目标函数为
Figure FDA0002212014160000011
其中，
Figure FDA0002212014160000012
是误差的平方和，
Figure FDA0002212014160000013
是l2正则化项，ti和yi分别表示期望输出值和实际输出值，
Figure FDA0002212014160000014
表示输出层的权值，L是分类器隐含层节点数，
Figure FDA0002212014160000015
为权衡系数；
使用所述邻近梯度算法对目标函数的最小化解优化，则所述最小化解表示为
Figure FDA0002212014160000016
其中
Figure FDA0002212014160000017
k表示迭代次数，w表示训练网络的权值，ηk＝k/(k+3)，
Figure FDA0002212014160000018
δl+1是第l+1层的梯度，al为第l层输出层的输出值；
利用下式计算训练网络修正梯度
Figure FDA0002212014160000021
其中，
Figure FDA0002212014160000022
表示第l层输出层的权值，f′(zl)表示所述训练网络激活函数f的导数，zl表示第l层输出层的输入值，“*”表示卷积操作。
4.根据权利要求1所述的自动化生产线建模与布局规划方法，其特征在于，所述前项输出包括：
所述训练网络的权值、网络层数、最大迭代次数中的至少一个。
5.根据权利要求1所述的自动化生产线建模与布局规划方法，其特征在于，所述根据favg和fmax计算交叉概率Pc，根据Pc对群体进行交叉操作包括：
把群体中的N个个体进行随机配对共组成N/2对，对每一对个体，使用下式
Figure FDA0002212014160000023
计算交叉概率Pc，其中Pc1，Pc2为算法的设计参数，f'为组合为一对的两个个体的适应度平均值，随机产生组合交叉算子R1，其中0＜R1＜1，当R＜Pc时对配对的个体进行交叉。
6.根据权利要求1所述的自动化生产线建模与布局规划方法，其特征在于，所述根据favg和fmax计算变异概率Pm，根据Pm对群体进行变异操作包括：
利用下式计算变异概率
其中Pm1，Pm2为设计参数，f为组合为一对的两个个体的适应度平均值，随机产生变异算子R2，其中0＜R2＜1，当R＜Pm时进行变异。
7.根据权利要求1所述的自动化生产线建模与布局规划方法，其特征在于，所述终止条件包括：
群体的进化代数t满足t≥T，其中T为设定的迭代阈值。
8.根据权利要求1所述的自动化生产线建模与布局规划方法，其特征在于，所述终止条件还包括：
连续10代布局的最优解得到改善。
9.根据权利要求1所述的自动化生产线建模与布局规划方法，其特征在于，所述训练网络包括卷积神经网络。
10.一种自动化生产线建模与布局规划系统，其特征在于，包括：
工业数据特征提取模块，生产功能模型建立模块，映射建立模块，TCPN模型生成模块，适应度计算模块，群体迭代模块；
所述生产功能模型建立模块用于根据不断迭代更新的训练网络权值和梯度计算前项输出，当输出误差满足设定条件时输出对应实际生产线各个生产功能的模型；
所述映射建立模块用于生成生产功能模型与动态模型的映射关系；
所述TCPN模型生成模块用于根据所述映射关系生成各生产功能模型的TCPN模型，并根据实际生产线各生产功能之间的输入输出关系把多个TCPN模型联接得到生产线的OOTCPN模型；
所述适应度计算模块用于定义适应度函数并计算个体适应度，从而确定个体的平均适应度favg和最大适应度fmax；
所述群体迭代模块还包括交叉单元、变异单元和新群体生成单元，
所述交叉单元用于计算交叉概率和交叉算子，根据所述交叉算子和所述交叉概率的关系进行交叉操作；
所述变异单元用于计算变异概率和变异算子，根据所述交叉算子和所述交叉概率的关系进行变异操作；
所述新群体生成单元用于把经过所述交叉和所述变异操作产生的新个体和父代的群体构成新群体。
CN201910901661.4A 2019-09-23 2019-09-23 一种自动化生产线建模与布局规划方法及系统 Pending CN110675055A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910901661.4A CN110675055A (zh) 2019-09-23 2019-09-23 一种自动化生产线建模与布局规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910901661.4A CN110675055A (zh) 2019-09-23 2019-09-23 一种自动化生产线建模与布局规划方法及系统

Publications (1)

Publication Number Publication Date
CN110675055A true CN110675055A (zh) 2020-01-10

Family

ID=69077527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910901661.4A Pending CN110675055A (zh) 2019-09-23 2019-09-23 一种自动化生产线建模与布局规划方法及系统

Country Status (1)

Country Link
CN (1) CN110675055A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428998A (zh) * 2020-03-23 2020-07-17 山东宜佳成新材料有限责任公司 一种计及铁路运输网络自相似特征的云清洁机器人布局方法
CN113469511A (zh) * 2021-06-18 2021-10-01 武汉理工大学 一种agv小车任务分配、充电管理方法及装置
CN114638117A (zh) * 2022-03-29 2022-06-17 施昆宏 一种基于人工智能的数据处理方法、系统及云平台

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106875071A (zh) * 2017-03-31 2017-06-20 华南理工大学 一种自适应遗传算法的车间设备多目标优化布局方法
CN108389001A (zh) * 2018-03-12 2018-08-10 东北大学 一种基于step-nc的智能非线性工艺规划方法
CN109460859A (zh) * 2018-10-18 2019-03-12 上海海事大学 一种车间布局优化方法
CN110264041A (zh) * 2019-05-24 2019-09-20 澳门大学 一种基于差分的非侵入式负载分解及监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106875071A (zh) * 2017-03-31 2017-06-20 华南理工大学 一种自适应遗传算法的车间设备多目标优化布局方法
CN108389001A (zh) * 2018-03-12 2018-08-10 东北大学 一种基于step-nc的智能非线性工艺规划方法
CN109460859A (zh) * 2018-10-18 2019-03-12 上海海事大学 一种车间布局优化方法
CN110264041A (zh) * 2019-05-24 2019-09-20 澳门大学 一种基于差分的非侵入式负载分解及监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DAZI LI 等: ""Improving Convolutional Neural Network Using"", 《2016 UKACC 11TH INTERNATIONAL CONFERENCE ON CONTROL》 *
ZHAO YUERONG 等: ""The Study on Reconfigurable Algorithm of the Wood Flexible Manufacturing"", 《2017 2ND INTERNATIONAL CONFERENCE ON CONTROL AND ROBOTICS ENGINEERING》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111428998A (zh) * 2020-03-23 2020-07-17 山东宜佳成新材料有限责任公司 一种计及铁路运输网络自相似特征的云清洁机器人布局方法
CN111428998B (zh) * 2020-03-23 2023-05-12 山东宜佳成新材料有限责任公司 一种基于铁路运输网络自相似特征的云清洁机器人布局方法
CN113469511A (zh) * 2021-06-18 2021-10-01 武汉理工大学 一种agv小车任务分配、充电管理方法及装置
CN113469511B (zh) * 2021-06-18 2022-05-13 武汉理工大学 一种agv小车任务分配、充电管理方法及装置
CN114638117A (zh) * 2022-03-29 2022-06-17 施昆宏 一种基于人工智能的数据处理方法、系统及云平台
CN114638117B (zh) * 2022-03-29 2022-11-08 厦门链建科技有限公司 一种基于人工智能的数据处理方法、系统及云平台

Similar Documents

Publication Publication Date Title
CN110675055A (zh) 一种自动化生产线建模与布局规划方法及系统
Amiri et al. Buffer allocation in unreliable production lines based on design of experiments, simulation, and genetic algorithm
JP6820815B2 (ja) 学習制御システム及び学習制御方法
CN104537033B (zh) 基于贝叶斯网络和极限学习机的区间型指标预报方法
CN110570018B (zh) 一种定制生产车间的规划设计方法
CN104866919B (zh) 基于改进nsga-ii的含风电场电网多目标规划方法
CN105608295B (zh) 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法
CN112001526A (zh) 一种基于优化小生境遗传算法的资源调度优化方法
CN109086936B (zh) 一种智能车间的生产系统资源配置方法、装置及设备
Mohtashami A new hybrid method for buffer sizing and machine allocation in unreliable production and assembly lines with general distribution time-dependent parameters
CN110188875A (zh) 一种小样本数据预测方法及装置
Malakooti et al. Multiple criteria approach and generation of efficient alternatives for machine-part family formation in group technology
CN104732067A (zh) 一种面向流程对象的工业过程建模预测方法
CN104281917A (zh) 基于自适应遗传和克隆选择算法的模糊作业车间调度方法
CN104950676B (zh) 时变电力系统自适应控制方法和装置
CN107743071B (zh) 一种网络节点的增强表示方法及装置
Chan et al. Modelling and optimization of fluid dispensing for electronic packaging using neural fuzzy networks and genetic algorithms
CN105427058A (zh) 一种基于遗传算法的发动机测试线工位分配优化方法
Homayouni et al. Development of genetic fuzzy logic controllers for complex production systems
CN111279276B (zh) 用于控制复杂系统的随机化加强学习
CN116702624A (zh) 一种人机交互约束双边拆卸线设置方法
Terway et al. DISPATCH: design space exploration of cyber-physical systems
CN111144569A (zh) 一种基于遗传算法的良率提升适用模型的优化方法
CN113094973B (zh) 一种基于多目标优化算法的民机需求优选方法
CN115630979A (zh) 日前电价的预测方法、装置、存储介质及计算机设备

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: 20200110

WD01 Invention patent application deemed withdrawn after publication