CN111382933A - 一种变压器排程方案的生成方法及系统 - Google Patents

一种变压器排程方案的生成方法及系统 Download PDF

Info

Publication number
CN111382933A
CN111382933A CN202010143270.3A CN202010143270A CN111382933A CN 111382933 A CN111382933 A CN 111382933A CN 202010143270 A CN202010143270 A CN 202010143270A CN 111382933 A CN111382933 A CN 111382933A
Authority
CN
China
Prior art keywords
information
transformer
scheduling
production
neural network
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
CN202010143270.3A
Other languages
English (en)
Other versions
CN111382933B (zh
Inventor
耿潇
王维
汤表贤
王康锦
莫祖昱
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.)
Hainan Jinpan Intelligent Technology Co ltd
Original Assignee
Hainan Jinpan Intelligent Technology 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 Hainan Jinpan Intelligent Technology Co ltd filed Critical Hainan Jinpan Intelligent Technology Co ltd
Priority to CN202010143270.3A priority Critical patent/CN111382933B/zh
Publication of CN111382933A publication Critical patent/CN111382933A/zh
Application granted granted Critical
Publication of CN111382933B publication Critical patent/CN111382933B/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
    • G06Q10/06—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • 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

Landscapes

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

Abstract

本发明提供了一种变压器排程方案的生成方法及系统，该方法为：获取变压器厂商对应的生产设备信息和设计能力信息，将生产设备信息和设计能力信息输入预设的人工智能排产模型进行排程生成，得到变压器排程方案。本方案中，利用预先训练好的人工智能排产模型，处理变压器厂商的生产设备信息和设计能力信息，得到变压器排程方案，解决生成变压器排程方案的难度大的问题，从而提高变压器的生产效率和降低变压器的生产成本。

Description

一种变压器排程方案的生成方法及系统
技术领域
本发明涉及数据处理技术领域，具体涉及一种变压器排程方案的生成方法及系统。
背景技术
在生成变压器排程方案的过程中，对变压器排程方案的影响因素较多，例如机床的运行数量、绕线所需技能等级和设计人员技能等级等，从而造成生成变压器排程方案的难度较大。因此，如何生成变压器排程方案是目前亟需解决的问题。
发明内容
有鉴于此，本发明实施例提供一种变压器排程方案的生成方法及系统，以解决生成变压器排程方案的难度大的问题。
为实现上述目的，本发明实施例提供如下技术方案：
本发明实施例第一方面公开一种变压器排程方案的生成方法，所述方法包括：
获取变压器厂商对应的生产设备信息和设计能力信息；
将所述生产设备信息和所述设计能力信息输入预设的人工智能排产模型进行排程生成，得到变压器排程方案，所述人工智能排产模型由基于样本数据训练粒计算神经网络得到。
优选的，所述人工智能排产模型的训练过程，包括：
获取样本生产设备信息和样本设计能力信息；
基于所述样本生产设备信息和所述样本设计能力信息，训练预先构建的粒计算神经网络直至所述粒计算神经网络收敛，得到人工智能排产模型。
优选的，构建所述粒计算神经网络的过程包括：
解析原始数据集和信息粒，得到第一解析结果；
解析隶属函数和模糊集，得到第二解析结果；
基于所述第一解析结果和所述第二解析结果，选择信息粒特征选择算法；
基于所述信息粒特征选择算法，构建信息粒；
根据构建得到的信息粒，进行信息集成性能解析得到第三解析结果；
利用所述第三解析结果进行信息粒集成优化，得到粒计算神经网络。
优选的，所述获取变压器厂商对应的生产设备信息和设计能力信息，包括：
获取设备实际生产状态信息和变压器工业系统对应的排程约束信息；
获取设计人员技能等级信息和设计区域信息。
优选的，所述将所述生产设备信息和所述设计能力信息输入预设的人工智能排产模型进行排程生成，得到变压器排程方案，包括：
将所述设备实际生产状态信息、所述排程约束信息、所述设计人员技能等级信息和所述设计区域信息输入预设的人工智能排产模型进行排程生成，得到变压器排程方案。
优选的，所述方法还包括：
基于新获取的新生产设备信息和新设计能力信息，对所述人工智能排产模型进行优化更新。
本发明实施例第二方面公开一种变压器排程方案的生成系统，所述系统包括：
获取单元，用于获取变压器厂商对应的生产设备信息和设计能力信息；
处理单元，用于将所述生产设备信息和所述设计能力信息输入预设的人工智能排产模型进行排程生成，得到变压器排程方案，所述人工智能排产模型由基于样本数据训练粒计算神经网络得到。
优选的，所述处理单元具体用于：获取样本生产设备信息和样本设计能力信息，基于所述样本生产设备信息和所述样本设计能力信息，训练预先构建的粒计算神经网络直至所述粒计算神经网络收敛，得到人工智能排产模型。
优选的，所述处理单元包括：
第一解析模块，用于解析原始数据集和信息粒，得到第一解析结果；
第二解析模块，用于解析隶属函数和模糊集，得到第二解析结果；
选择模块，用于基于所述第一解析结果和所述第二解析结果，选择信息粒特征选择算法；
构建模块，用于基于所述信息粒特征选择算法，构建信息粒；
第三解析模块，用于根据构建得到的信息粒，进行信息集成性能解析得到第三解析结果；
优化模块，用于利用所述第三解析结果进行信息粒集成优化，得到粒计算神经网络。
优选的，所述获取单元具体用于：获取设备实际生产状态信息和变压器工业系统对应的排程约束信息，获取设计人员技能等级信息和设计区域信息。
基于上述本发明实施例提供的一种变压器排程方案的生成方法及系统，该方法为：获取变压器厂商对应的生产设备信息和设计能力信息，将生产设备信息和设计能力信息输入预设的人工智能排产模型进行排程生成，得到变压器排程方案。本方案中，利用预先训练好的人工智能排产模型，处理变压器厂商的生产设备信息和设计能力信息，得到变压器排程方案，解决生成变压器排程方案的难度大的问题，从而提高变压器的生产效率和降低变压器的生产成本。
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为本发明实施例提供的一种变压器排程方案的生成方法的流程图；
图2为本发明实施例提供的构建粒计算神经网络的过程；
图3为本发明实施例提供的信息粒集成优化的示意图；
图4为本发明实施例提供的粒计算神经网络分解神经网络信息元的示意图；
图5为本发明实施例提供的一种变压器排程方案的生成系统的结构框图。
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。
在本申请中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
由背景技术可知，目前在生成变压器排程方案时，对变压器排程方案的影响因素较多，造成生成变压器排程方案的难度较大。
因此，本发明实施例提供一种变压器排程方案的生成方法及系统，通过利用预先训练好的人工智能排产模型，处理变压器厂商的生产设备信息和设计能力信息，得到变压器排程方案，以解决生成变压器排程方案的难度大的问题。
需要说明的是，排程是指将生产任务分配至生产资源的过程，本发明实施例中所涉及的变压器排程方案的生成方法及系统，应用于变压器的高级计划与排产(AdvancedPlanning and Scheduling，APS)。
参见图1，示出了本发明实施例提供的一种变压器排程方案的生成方法的流程图，该生成方法包括以下步骤：
步骤S101：获取变压器厂商对应的生产设备信息和设计能力信息。
需要说明的是，变压器厂商生产变压器的每个环节，都需要经过设计作业和生产作业两个状态。对于生产变压器的同一个环节而言，需先执行设计作业，再执行生产作业。
可以理解的是，本发明实施例可适用于生成不同类型的变压器的变压器排程方案，例如生成干式变压器的变压器排程方案，在本发明实施例中，对于变压器的类型不做具体限定。
生产设备信息包括但不仅限于设备实际生产状态信息和变压器工业系统对应的排程约束信息。设计能力信息包括但不仅限于设计人员技能等级信息和设计区域信息。
在具体实现步骤S101的过程中，获取设备实际生产状态信息和变压器工业系统对应的排程约束信息。例如获取的设备实际生产状态信息为：设备数量、运行时间、物料数量、运输状态、加工状态、每个设备间的时间约束和空间约束等实际生产状态信息。
需要说明的是，变压器工业系统对应的排程约束信息基于变压器厂商的实际工厂生产情况决定。以干式变压器为例子，干式变压器工业系统对应的排程约束信息如以下内容：
(1)产能约束。
其中，产能约束包括：产能所属工厂或区域约束，产能技能与技能等级约束，每日可提供产能约束，工作日历约束。
(2)前后工序约束。
(3)共享工序约束。
(4)外购周期约束。
(5)调拨资源约束。
(6)工序提前周期约束。
(7)项目最大每日可占用产能数约束。
(8)动态平衡产能负荷约束。
可以理解的是，上述对于干式变压器工业系统对应的排程约束信息的示例内容，仅仅是排程约束信息的部分内容，仅用于举例，其余的排程约束信息就不一一举例说明。
需要说明的是，在生成变压器排程方案时，需要考虑设计人员技能等级，在具体实现步骤S101的过程中，获取设计人员技能等级信息和设计区域信息。
步骤S102：将生产设备信息和设计能力信息输入预设的人工智能排产模型进行排程生成，得到变压器排程方案。
需要说明的是，预先基于粒计算方法和变压器工业系统中的排程约束信息，构建粒计算神经网络。
预先基于样本数据训练粒计算神经网络，得到人工智能排产模型，人工智能排产模型的训练过程为：获取样本生产设备信息和样本设计能力信息，基于样本生产设备信息和样本设计能力信息，训练预先构建的粒计算神经网络直至粒计算神经网络收敛，得到人工智能排产模型。
在具体实现步骤S102的过程中，将设备实际生产状态信息、排程约束信息、设计人员技能等级信息和设计区域信息输入人工智能排产模型进行排程生成，得到变压器排程方案。
由前述内容可知，变压器厂商生产变压器的每个环节都需要经过设计作业和生产作业两个状态。在生成变压器排程方案时，需要同时考虑设计作业和生产作业两个状态，也就是说，所生成的变压器排程方案包括生产排程和设计排程。
可以理解的是，通过上述内容，在生成变压器排程方案的过程中，解决了变压器排程方案中多工序、多机床、多绕线和不同人员技能等级的复杂排程问题。
优选的，在实际应用人工智能排产模型的过程中，会产生新的约束信息，为更加完善人工智能排产模型，需要对人工智能排产模型进行更新和优化。
更新人工智能排产模型的方式为：基于新获取的新生产设备信息和新设计能力信息，对人工智能排产模型进行优化更新。
可以理解的是，在更新人工智能排产模型的过程中，所获取的新生产设备信息包括但不仅限于：生产执行过程中的生产信息和设备信息，设备信息即为设备能力和参数变化等。
在本发明实施例中，获取变压器厂商对应的生产设备信息和设计能力信息，将生产设备信息和设计能力信息输入预设的人工智能排产模型进行排程生成，得到变压器排程方案。解决生成变压器排程方案的难度大的问题，从而提高变压器的生产效率和降低变压器的生产成本。
上述本发明实施例图1步骤S102中涉及的构建粒计算神经网络的过程，参见图2，示出了本发明实施例提供的构建粒计算神经网络的过程，包括以下步骤：
步骤S201：解析原始数据集和信息粒，得到第一解析结果。
步骤S202：解析隶属函数和模糊集，得到第二解析结果。
步骤S203：基于第一解析结果和第二解析结果，选择信息粒特征选择算法。
步骤S204：基于信息粒特征选择算法，构建信息粒。
步骤S205：根据构建得到的信息粒，进行信息集成性能解析得到第三解析结果。
步骤S206：利用第三解析结果进行信息粒集成优化，得到粒计算神经网络。
为更好解释步骤S206中信息粒集成优化的过程，通过图3示出的内容进行举例说明，需要说明的是，图3仅用于举例说明。
参见图3，示出了本发明实施例提供的信息粒集成优化的示意图，包括以下步骤：
步骤S301：获取原始数据集。
步骤S302：基于原始数据集进行特征选择，得到属性子集。
步骤S303：根据属性子集构建神经网络(NeuralNetwork，NN)。
步骤S304：计算所构建的神经网络的误差，确定误差是否小于指定阈值，若误差小于指定阈值，执行步骤S305，若误差大于或等于指定阈值，返回步骤S302。
步骤S305：输出所构建的神经网络。
上述步骤S301至步骤S305的执行过程中，基于原始数据集选择属性子集L，根据属性子集L构建NNL，确定NNL的误差是否小于指定阈值。
若NNL的误差小于指定阈值，则输出NNL。
若NNL的误差大于或等于指定阈值，则返回执行步骤S302，基于原始数据集进行特征选择，得到属性子集M。
根据属性子集M构建NNM，确定NNM的误差是否小于指定阈值。
若NNM的误差小于指定阈值，则输出NNM。
若NNM的误差大于或等于指定阈值，则返回执行步骤S302，基于原始数据集进行特征选择，得到属性子集R。
根据属性子集R构建NNR，确定NNR的误差是否小于指定阈值。
若NNR的误差小于指定阈值，则输出NNR。
若NNR的误差大于或等于指定阈值，则返回执行步骤S302，以此类推，输出误差小于指定阈值的神经网络。
可以理解的是，利用不同属性子集构建得到不同的神经网络元子集，经过上述方式对所构建得到的神经网络元子集进行判断和筛选，利用筛选得到的神经网络元子集构建神经网络体系。
可以理解的是，在应用粒计算神经网络时，粒计算神经网络会分解多个神经网络信息元。为更好解释说明，通过图4示出的粒计算神经网络分解神经网络信息元的示意图进行举例说明，需要说明的是，图4仅用于举例说明。
在图4中，以选择汽车为示例，粒计算神经网络将原始数据集基于不同特征属性子集进行分解，例如将“性能好的汽车”这一原始数据集基于不同特征属性子集进行分解，从而形成多个神经网络信息元。
在本发明实施例中，预先构建粒计算神经网络，基于样本生产设备信息和样本设计能力信息，训练粒计算神经网络直至粒计算神经网络收敛，得到人工智能排产模型。利用人工智能排产模型，处理变压器厂商的生产设备信息和设计能力信息，得到变压器排程方案，解决生成变压器排程方案的难度大的问题，从而提高变压器的生产效率和降低变压器的生产成本。
与上述本发明实施例提供的一种变压器排程方案的生成方法相对应，参见图5，示出了本发明实施例提供的一种变压器排程方案的生成系统的结构框图，该生成系统包括：获取单元501和处理单元502；
获取单元501，用于获取变压器厂商对应的生产设备信息和设计能力信息。
在具体实现中，获取单元501具体用于：获取设备实际生产状态信息和变压器工业系统对应的排程约束信息，获取设计人员技能等级信息和设计区域信息。
处理单元502，用于将生产设备信息和设计能力信息输入预设的人工智能排产模型进行排程生成，得到变压器排程方案，人工智能排产模型由基于样本数据训练粒计算神经网络得到。
在具体实现中，处理单元502具体用于：获取样本生产设备信息和样本设计能力信息，基于样本生产设备信息和样本设计能力信息，训练预先构建的粒计算神经网络直至粒计算神经网络收敛，得到人工智能排产模型。
在另一具体实现中，处理单元502具体用于：将设备实际生产状态信息、排程约束信息、设计人员技能等级信息和设计区域信息输入预设的人工智能排产模型进行排程生成，得到变压器排程方案。
在本发明实施例中，获取变压器厂商对应的生产设备信息和设计能力信息，将生产设备信息和设计能力信息输入预设的人工智能排产模型进行排程生成，得到变压器排程方案。解决生成变压器排程方案的难度大的问题，从而提高变压器的生产效率和降低变压器的生产成本。
优选的，结合图5示出的内容，处理单元502包括：第一解析模块、第二解析模块、选择模块、构建模块、第三解析模块和优化模块，各个模块的执行原理如下：
第一解析模块，用于解析原始数据集和信息粒，得到第一解析结果。
第二解析模块，用于解析隶属函数和模糊集，得到第二解析结果。
选择模块，用于基于第一解析结果和第二解析结果，选择信息粒特征选择算法。
构建模块，用于基于信息粒特征选择算法，构建信息粒。
第三解析模块，用于根据构建得到的信息粒，进行信息集成性能解析得到第三解析结果。
优化模块，用于利用第三解析结果进行信息粒集成优化，得到粒计算神经网络。
在本发明实施例中，预先构建粒计算神经网络，基于样本生产设备信息和样本设计能力信息，训练粒计算神经网络直至粒计算神经网络收敛，得到人工智能排产模型。利用人工智能排产模型，处理变压器厂商的生产设备信息和设计能力信息，得到变压器排程方案，解决生成变压器排程方案的难度大的问题，从而提高变压器的生产效率和降低变压器的生产成本。
优选的，结合图5示出的内容，该生成系统还包括：
更新单元，用于基于新获取的新生产设备信息和新设计能力信息，对人工智能排产模型进行优化更新。
综上所述，本发明实施例提供一种变压器排程方案的生成方法及系统，该方法为：获取变压器厂商对应的生产设备信息和设计能力信息，将生产设备信息和设计能力信息输入预设的人工智能排产模型进行排程生成，得到变压器排程方案。本方案中，利用预先训练好的人工智能排产模型，处理变压器厂商的生产设备信息和设计能力信息，得到变压器排程方案，解决生成变压器排程方案的难度大的问题，从而提高变压器的生产效率和降低变压器的生产成本。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种变压器排程方案的生成方法，其特征在于，所述方法包括：
获取变压器厂商对应的生产设备信息和设计能力信息；
将所述生产设备信息和所述设计能力信息输入预设的人工智能排产模型进行排程生成，得到变压器排程方案，所述人工智能排产模型由基于样本数据训练粒计算神经网络得到。
2.根据权利要求1所述的方法，其特征在于，所述人工智能排产模型的训练过程，包括：
获取样本生产设备信息和样本设计能力信息；
基于所述样本生产设备信息和所述样本设计能力信息，训练预先构建的粒计算神经网络直至所述粒计算神经网络收敛，得到人工智能排产模型。
3.根据权利要求2所述的方法，其特征在于，构建所述粒计算神经网络的过程包括：
解析原始数据集和信息粒，得到第一解析结果；
解析隶属函数和模糊集，得到第二解析结果；
基于所述第一解析结果和所述第二解析结果，选择信息粒特征选择算法；
基于所述信息粒特征选择算法，构建信息粒；
根据构建得到的信息粒，进行信息集成性能解析得到第三解析结果；
利用所述第三解析结果进行信息粒集成优化，得到粒计算神经网络。
4.根据权利要求1所述的方法，其特征在于，所述获取变压器厂商对应的生产设备信息和设计能力信息，包括：
获取设备实际生产状态信息和变压器工业系统对应的排程约束信息；
获取设计人员技能等级信息和设计区域信息。
5.根据权利要求4所述的方法，其特征在于，所述将所述生产设备信息和所述设计能力信息输入预设的人工智能排产模型进行排程生成，得到变压器排程方案，包括：
将所述设备实际生产状态信息、所述排程约束信息、所述设计人员技能等级信息和所述设计区域信息输入预设的人工智能排产模型进行排程生成，得到变压器排程方案。
6.根据权利要求1至5中任一所述的方法，其特征在于，所述方法还包括：
基于新获取的新生产设备信息和新设计能力信息，对所述人工智能排产模型进行优化更新。
7.一种变压器排程方案的生成系统，其特征在于，所述系统包括：
获取单元，用于获取变压器厂商对应的生产设备信息和设计能力信息；
处理单元，用于将所述生产设备信息和所述设计能力信息输入预设的人工智能排产模型进行排程生成，得到变压器排程方案，所述人工智能排产模型由基于样本数据训练粒计算神经网络得到。
8.根据权利要求7所述的系统，其特征在于，所述处理单元具体用于：获取样本生产设备信息和样本设计能力信息，基于所述样本生产设备信息和所述样本设计能力信息，训练预先构建的粒计算神经网络直至所述粒计算神经网络收敛，得到人工智能排产模型。
9.根据权利要求8所述的系统，其特征在于，所述处理单元包括：
第一解析模块，用于解析原始数据集和信息粒，得到第一解析结果；
第二解析模块，用于解析隶属函数和模糊集，得到第二解析结果；
选择模块，用于基于所述第一解析结果和所述第二解析结果，选择信息粒特征选择算法；
构建模块，用于基于所述信息粒特征选择算法，构建信息粒；
第三解析模块，用于根据构建得到的信息粒，进行信息集成性能解析得到第三解析结果；
优化模块，用于利用所述第三解析结果进行信息粒集成优化，得到粒计算神经网络。
10.根据权利要求7所述的系统，其特征在于，所述获取单元具体用于：获取设备实际生产状态信息和变压器工业系统对应的排程约束信息，获取设计人员技能等级信息和设计区域信息。
CN202010143270.3A 2020-03-04 2020-03-04 一种变压器排程方案的生成方法及系统 Active CN111382933B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010143270.3A CN111382933B (zh) 2020-03-04 2020-03-04 一种变压器排程方案的生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010143270.3A CN111382933B (zh) 2020-03-04 2020-03-04 一种变压器排程方案的生成方法及系统

Publications (2)

Publication Number Publication Date
CN111382933A true CN111382933A (zh) 2020-07-07
CN111382933B CN111382933B (zh) 2023-05-09

Family

ID=71217051

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010143270.3A Active CN111382933B (zh) 2020-03-04 2020-03-04 一种变压器排程方案的生成方法及系统

Country Status (1)

Country Link
CN (1) CN111382933B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101261702A (zh) * 2008-04-09 2008-09-10 永凯软件技术（上海）有限公司 一种基于逐层优化的排程方案评价及选择方法
CN103020731A (zh) * 2012-11-15 2013-04-03 北京农业信息技术研究中心 基于粒子群的蔬菜种植茬口的安排方法
CN103439886A (zh) * 2013-07-26 2013-12-11 同济大学 一种半导体生产线自适应动态调度装置
CN103675012A (zh) * 2013-09-22 2014-03-26 浙江大学 Bp粒子群优化的工业熔融指数软测量仪表和方法
CN105741036A (zh) * 2016-01-29 2016-07-06 苏州浙远自动化工程技术有限公司 一种中药智慧工厂的排产排程系统及方法
CN108694474A (zh) * 2018-06-26 2018-10-23 青岛盛景电子科技有限公司 基于粒子群的模糊神经网络池塘溶解氧预测
CN109447333A (zh) * 2018-10-18 2019-03-08 山东师范大学 一种基于不定长模糊信息粒的时间序列预测方法和装置
CN110675005A (zh) * 2019-10-15 2020-01-10 深圳埃克斯工业自动化有限公司 一种基于人工智能技术与ropn技术的智能决策方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101261702A (zh) * 2008-04-09 2008-09-10 永凯软件技术（上海）有限公司 一种基于逐层优化的排程方案评价及选择方法
CN103020731A (zh) * 2012-11-15 2013-04-03 北京农业信息技术研究中心 基于粒子群的蔬菜种植茬口的安排方法
CN103439886A (zh) * 2013-07-26 2013-12-11 同济大学 一种半导体生产线自适应动态调度装置
CN103675012A (zh) * 2013-09-22 2014-03-26 浙江大学 Bp粒子群优化的工业熔融指数软测量仪表和方法
CN105741036A (zh) * 2016-01-29 2016-07-06 苏州浙远自动化工程技术有限公司 一种中药智慧工厂的排产排程系统及方法
CN108694474A (zh) * 2018-06-26 2018-10-23 青岛盛景电子科技有限公司 基于粒子群的模糊神经网络池塘溶解氧预测
CN109447333A (zh) * 2018-10-18 2019-03-08 山东师范大学 一种基于不定长模糊信息粒的时间序列预测方法和装置
CN110675005A (zh) * 2019-10-15 2020-01-10 深圳埃克斯工业自动化有限公司 一种基于人工智能技术与ropn技术的智能决策方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王福斌;潘兴辰;孙宇舸;郭宝军;: "钢坯拉速模糊信息粒化及钢坯定重切割的极限学习机预报" *
王贺;胡志坚;仉梦林;: "基于模糊信息粒化和最小二乘支持向量机的风电功率波动范围组合预测模型" *
蒋城;蔡晋辉;: "电子装配物联制造中智能排程算法研究" *

Also Published As

Publication number Publication date
CN111382933B (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
Jakobović et al. Evolving priority scheduling heuristics with genetic programming
Chica et al. Benefits of robust multiobjective optimization for flexible automotive assembly line balancing
Xhafa A hybrid evolutionary heuristic for job scheduling on computational grids
EP4310676A1 (en) Data processing method and apparatus
CN115098278B (zh) 一种基于微服务的数字孪生车间多场景交互方法
Madureira et al. A coordination mechanism for real world scheduling problems using genetic algorithms
CN117076077A (zh) 基于大数据分析的计划调度优化方法
Xilin et al. Resource allocation optimization of equipment development task based on MOPSO algorithm
CN117271101A (zh) 一种算子融合方法、装置、电子设备及存储介质
Tharumarajah et al. Approaches and issues in scheduling a distributed shop-floor environment
Rabbani et al. Solving a bi-objective cell formation problem with stochastic production quantities by a two-phase fuzzy linear programming approach
Homberger A parallel genetic algorithm for the multilevel unconstrained lot-sizing problem
Shojafar et al. ALATO: an efficient intelligent algorithm for time optimization in an economic grid based on adaptive stochastic Petri net
CN111382933B (zh) 一种变压器排程方案的生成方法及系统
Liu et al. A prediction based iterative decomposition algorithm for scheduling large-scale job shops
US20220327399A1 (en) Problem decomposition in a large scale complex combinatorial problem
In et al. Policy-based scheduling and resource allocation for multimedia communication on grid computing environment
Rajakumar et al. Workflow balancing in parallel machine scheduling with precedence constraints using genetic algorithm
CN115187097A (zh) 一种任务排期方法、装置、电子设备以及计算机存储介质
CN114862045A (zh) 排产优化方法、装置、电子设备及存储介质
CN114327925A (zh) 一种电力数据实时计算调度优化方法及系统
Madureira et al. Using genetic algorithms for dynamic scheduling
Teymourifar et al. Dynamic priority rule selection for solving multi-objective job shop scheduling problems
CN114816691A (zh) 流计算任务并行度优化方法、装置、电子设备及存储介质
Ivaschenko et al. Conditional management technology for multiagent interaction.

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