CN111581882A - 一种生产单元不确定性条件下的重调度触发判断方法 - Google Patents
一种生产单元不确定性条件下的重调度触发判断方法 Download PDFInfo
- Publication number
- CN111581882A CN111581882A CN202010380873.5A CN202010380873A CN111581882A CN 111581882 A CN111581882 A CN 111581882A CN 202010380873 A CN202010380873 A CN 202010380873A CN 111581882 A CN111581882 A CN 111581882A
- Authority
- CN
- China
- Prior art keywords
- rescheduling
- production
- data
- uncertainty
- disturbance
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 253
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004088 simulation Methods 0.000 claims abstract description 66
- 238000013499 data model Methods 0.000 claims abstract description 38
- 238000013136 deep learning model Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 4
- 239000000463 material Substances 0.000 claims description 42
- 230000001960 triggered effect Effects 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000013461 design Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- 230000005284 excitation Effects 0.000 claims description 5
- 238000013278 delphi method Methods 0.000 claims description 2
- 241001522296 Erithacus rubecula Species 0.000 claims 1
- 238000011156 evaluation Methods 0.000 description 19
- 238000005457 optimization Methods 0.000 description 19
- 230000000694 effects Effects 0.000 description 15
- KAKZBPTYRLMSJV-UHFFFAOYSA-N Butadiene Chemical compound C=CC=C KAKZBPTYRLMSJV-UHFFFAOYSA-N 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 11
- 239000005977 Ethylene Substances 0.000 description 11
- 150000001336 alkenes Chemical class 0.000 description 10
- 238000005336 cracking Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 10
- JRZJOMJEPLMPRA-UHFFFAOYSA-N olefin Natural products CCCCCCCC=C JRZJOMJEPLMPRA-UHFFFAOYSA-N 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 230000000737 periodic effect Effects 0.000 description 8
- -1 polypropylene unit Polymers 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 7
- 239000002994 raw material Substances 0.000 description 7
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical group N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 6
- UHOVQNZJYSORNB-UHFFFAOYSA-N Benzene Chemical compound C1=CC=CC=C1 UHOVQNZJYSORNB-UHFFFAOYSA-N 0.000 description 6
- 238000005984 hydrogenation reaction Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 150000001721 carbon Chemical class 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 5
- 238000011002 quantification Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 239000004698 Polyethylene Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 239000002585 base Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 239000004743 Polypropylene Substances 0.000 description 3
- 239000003513 alkali Substances 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000295 fuel oil Substances 0.000 description 3
- 230000003647 oxidation Effects 0.000 description 3
- 238000007254 oxidation reaction Methods 0.000 description 3
- 229920000573 polyethylene Polymers 0.000 description 3
- 229920001155 polypropylene Polymers 0.000 description 3
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- VXNZUUAINFGPBY-UHFFFAOYSA-N 1-Butene Chemical compound CCC=C VXNZUUAINFGPBY-UHFFFAOYSA-N 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 125000003118 aryl group Chemical group 0.000 description 2
- 238000010923 batch production Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013076 uncertainty analysis Methods 0.000 description 2
- 235000003181 Panax pseudoginseng Nutrition 0.000 description 1
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 241001672648 Vieira Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 150000004945 aromatic hydrocarbons Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- QXBYPBOCFQNLKZ-UHFFFAOYSA-N benzene;buta-1,3-diene Chemical compound C=CC=C.C1=CC=CC=C1 QXBYPBOCFQNLKZ-UHFFFAOYSA-N 0.000 description 1
- 239000001273 butane Substances 0.000 description 1
- 238000003340 combinatorial analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- IJDNQMDRQITEOD-UHFFFAOYSA-N n-butane Chemical compound CCCC IJDNQMDRQITEOD-UHFFFAOYSA-N 0.000 description 1
- OFBQJSOFQDEBGM-UHFFFAOYSA-N n-pentane Natural products CCCCC OFBQJSOFQDEBGM-UHFFFAOYSA-N 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 description 1
- 238000000197 pyrolysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000004230 steam cracking Methods 0.000 description 1
- 125000000383 tetramethylene group Chemical group [H]C([H])([*:1])C([H])([H])C([H])([H])C([H])([H])[*:2] 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000004065 wastewater treatment Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种生产单元不确定性条件下的重调度触发判断方法，先在生产前通过含不确定性扰动仿真和无不确定性扰动仿真收集样本训练深度学习模型得到数据模型；在生产过程中收集实时生产数据和不确定性扰动数据，仿真得到无不确定性扰动理想场景下标准排产方案对应的生产数据数据，预处理后输入数据模型判断是否触发重调度；采集监测到的不确定性扰动筛选得到描述不确定性输入专家系统分析是否触发重调度。本发明的重调度触发判断方法具有较好的经济性和稳定性。
Description
技术领域
本发明涉及生产调度控制技术领域，尤其涉及一种生产单元不确定性条件下的重调度触发判断方法。
背景技术
生产调度是对生产单元的统筹规划，物流排产调度问题是生产调度的核心，而处理生产过程中的生产单元不确定性就是排产调度中的关键问题。工业生产过程中，生产单元不确定性是指由于设备故障、能源供应等因素导致生产停滞或产率波动，是一种相对频繁的不确定性因素。它对生产的影响不容忽视，轻则导致生产计划无法完成，严重时可能造成安全事故。为了抵抗生产单元不确定性的干扰，提高生产效率和稳定性，必须根据制造车间的实时工况及生产系统状态，实施科学合理的重调度。重调度框架一般由重调度因素、重调度策略、重调度方法和重调度评价组成。其中，重调度策略旨在解决重调度触发判断问题。若过早触发重调度，则会导致重调度频率过高，导致生产系统紧张度过高；反之，则导致调度方案更新的时滞，影响生产系统运行绩效。因此，合适的重调度触发判断方法对于生产重调度最终的效果至关重要。
Vieira在《Rescheduling Manufacturing Systems：A Framework ofStrategies，Policies，and Methods》中将重调度策略分为三种类型：周期性、事件驱动型以及混合型。周期性重调度策略是指每过一个周期触发重调度，可保证生产调度的稳定性，但无法及时响应突发事件。事件驱动型重调度是指只要出现了生产不确定性就触发重调度，可以保证生产调度的有效性，但是当生产不确定性频发时，会产生不必要的重调度，造成系统震荡。混合重调度驱动机制是在周期驱动的基础上，当突发生产不确定性时，也会触发重调度。张玺等在《Research on rescheduling strategy optimization inmanufacturing shop based on improved fuzzy petri Net》中指出简单的混合驱动可能增加重调度频率，降低生产系统效率。此外，刘明周在《基于损益云模型的制造车间重调度决策方法》中提出损益云模型通过比较重调度的预损失和预收益判断是否触发重调度。损益模型可解释性好，但计算复杂、实时性差。
通过评估生产系统状态，结合实时工况选择相应的重调度策略也是较为合理的一种方法。目前基于状态评估的方法有两种：基于专家知识的临界阈值和基于数据挖掘的机器学习模型。阈值判断的方法通过设计关键指标作为重调度的触发临界。Suwa在《OnlineScheduling in Manufacturing》中提出基于累积延迟判断是否重调度驱动。张洁等在《Rescheduling Algorithm Based on Rolling Horizon Procedure for aDynamicHybrid Flow Shop with Uncertain Processing Time》中提出基于交货期偏差容忍度的驱动策略。陈鸿海在《基于重调度需度驱动机制的柔性作业车间多目标动态调度研究》中针对柔性作业车间提出重调度需度参数考察生产具体状态，建立驱动机制。基于机器学习的重调度策略在设计关键指标的基础上建立数据模型，判断是否触发重调度。唐秋华等在《不确定性累积下基于机器学习的重调度方式选择》中设计多个状态参数建立机器学习模型进行重调度选择。
无论上述何种基于状态评估的重调度策略，关键指标、特征参数的设计都极其依赖专家知识，其充分性和准确性直接决定着最终的调度效果。
发明内容
本发明提供了一种生产单元不确定性条件下的重调度触发判断方法，该方法的经济性和稳定性较好。
本发明的具体技术方案如下：
一种生产单元不确定性条件下的重调度触发判断方法，包括如下步骤：
(1)搭建实际生产过程的仿真平台，进行含不确定性扰动的真实仿真和不含不确定性扰动的理论仿真，获得真实仿真和理论仿真之间的偏差数据样本；构建深度学习模型并使用偏差数据样本进行训练，获得数据模型；
(2)在实际生产过程中，同步执行步骤(2-a)和步骤(2-b)，对是否需要进行重调度进行判断：
(2-a)实时监测生产现场的不确定性扰动，若检测到不确定性扰动，则使用专家系统判断是否需要重调度；
(2-b)对生产现场进行定周期观测和理论仿真，分别获得观测周期起点至当前观测点的真实生产数据和理论生产数据，根据真实生产数据和理论生产数据获得实际生产过程的偏差数据；
将偏差数据输入至所述的数据模型，对是否需要重调度进行判断；
(3)在步骤(2)中，若判断结果为不需要进行重调度，则继续将当前的排产方案作为标准排产方案；
若判断结果为需要进行重调度，则计算后续时间的排产方案作为标准排产方案，并将当前时刻置为下一观测周期的起点；
(4)重复步骤(2)和步骤(3)，直至生产结束。
本发明的生产单元不确定条件下基于状态的生产重调度触发判断方法，通过仿真平台在生产前收集样本训练深度学习模型；在生产过程中收集生产数据和监测到的故障扰动数据；利用专家系统分析故障扰动数据判断是否触发重调度；通过之前训练好的深度学习模型分析生产数据判断是否触发重调度。深度学习模型主要针对难以用专家知识分析甚至难以检测的隐性不确定性。本发明的重调度触发判断方法避免了机器学习模型所需的特征参数的构建，降低了设计难度，增加了方法的适用性；同时对不同种类的不确定性采用不同的判断方法，增加了对不确定性的针对性，提高了重调度触发判断的准确度。
本发明中，所述的不确定性扰动为描述不确定性扰动和隐性不确定性扰动。
所述的描述不确定性扰动是指历史信息不够充分、不能或难以量化的不确定性参数；包括：样本量太小而导致频率转化为概率的置信度小的参数、不易数值化的参数。
所述的隐性不确定性扰动是指单次发生对生产影响不大但经过时间累积后会干扰生产的不确定性扰动，或者难以检测识别的不确定性扰动。
进行含不确定性扰动的真实仿真时，真实仿真场景所预埋的不确定性扰动必须包含生产过程中常见的可监测的显性不确定性扰动(如设备故障或大幅度降低产能)以及不可监测的隐性不确定性扰动(如产率小范围波动)。
步骤(1)中，通过仿真获得偏差数据样本包括以下步骤：
(i)在真实仿真和理论仿真过程中，随机选取生产过程中任一时刻作为采样时刻；
(ii)在采样时刻分别获取真实仿真场景和理论仿真场景中的相关物料的储量数据、自生产开始至采样时刻各个生产单元的单位时间内相关物料的输入数据；
所述的相关物料包括原料、中间物料和产品；
(iii)根据当前真实仿真场景的储量数据和剩余订单进行重调度，得到新的排产方案，由新的排产方案计算得到剩余产品重调度生产成本和重调度成本；根据原排产方案计算剩余产品的生产成本作为剩余产品的原排产方案生产成本；
根据核算公式获得样本标签；所述的核算公式为：
其中，z为重调度指示参数，为1代表触发重调度，为0代表不触发； costrescehdule为重调度成本；cos tnew为剩余产品重调度生产成本，cos torgin为剩余产品原方案生产成本；
(iv)由如下公式计算采样时刻真实仿真场景与理论仿真场景之间的储量数据的偏差比率、输入数据的偏差比率：
其中，mreal为真实场景仿真数据，mideal为理论场景仿真数据，r为二者偏差比率。
储量数据的偏差比率、输入数据的偏差比率以及对应的样本标签构成带标签的时序数据，即为偏差数据样本。
步骤(iii)中，重调度成本的计算公式为：
式中，t为生产时间；j为生产设备；vj，t为原始调度方案生产设备j在时间t的负荷(批处理则依据批次计算单位负荷)；
为新调度方案生产设备j在时间t的负荷(批处理则依据批次计算单位负荷)；λj为生产设备 j的权重，且权重λj满足
且λj具体数值由德尔菲法确定。
所述的深度学习模型包括若干个门控循环单元(GRU)模型、含有激励函数的线性层以及SoftMax层；
将储量数据的偏差比率、输入数据的偏差比率分别输入对应的门控循环单元模型，所有门控循环单元模型的输出依次输入线性层，线性层的输出经过SoftMax层后得到触发重调度的概率值。
门控循环单元(Gated recurrent unit，GRU)模型对时序数据的处理效果较好，并且该模型中参数数量较少。
优选的，所述的激励函数为RELU函数(Rectified Linear Unit，线性整流函数)。
优选的，训练深度学习模型时，采用的优化方法为随机梯度下降算法 (SGD)。
所述的专家系统由知识库和推理机组成；对监测到的描述不确定性扰动的影响程度进行评估，间接判断重调度触发问题，将描述不确定性事件分为不触发重调度、触发重调度和不确定是否触发重调度。
知识库的设计从生产单元不确定性事件的特点出发，依据事件数量、事件种类、发生时间、变化程度、影响范围、优先级以及组合分析七个因素分析不确定性扰动，确定专家规则。
推理机采用if-then推理。由于事件发生组合的不确定性，需要考虑多事件推理问题。
数据模型定周期观测生产状态判断重调度驱动问题，主要针对隐性不确定性。观测周期由生产车间计算能力决定。
步骤(2-a)中，还包括对监测到的不确定扰动进行筛选，将描述不确定性扰动输入专家系统进行重调度触发判断。
专家系统根据输入的不确定性扰动输出的判断结果包括触发重调度、不触发重调度和不确定是否触发重调度。
若专家系统的判断结果为不确定是否触发重调度，则在当前时刻增加观测点；获取当前时刻的真实生产数据和理论生产数据，计算得到偏差数据；将偏差数据输入至所述的数据模型，对是否需要重调度进行判断；并将当前时刻置为下一观测周期的起点。
所述的数据模型主要针对的不确定性扰动是隐性不确定性扰动。观测周期由生产车间的计算能力决定。
步骤(2-b)中，经偏差数据输入至所述的数据模型后，数据模型输出触发重调度的概率值；
所述的概率值大于0.8时，触发重调度；所述的概率值小于0.2时，不触发重调度；所述的概率值为0.2～0.8时，不触发重调度且将下次观测时间提前。
具体以如下公式表示：
式中，z为重调度指示参数，为1代表触发重调度，为0代表不触发； P(1)为数据模型输出的概率值；T为观测周期；Tnext为当前时刻与下一次观测的时间间隔。
与现有技术相比，本发明的有益效果为：
本发明所提出的重调度策略经济性和稳定性都有着良好的效果。此外，由于周期参数设置没有固定的方法，因此无论是周期驱动还是事件周期混合驱动的设计都比较困难，而本发明所提出的重调度触发方法涉及的观测点数量增多既能增加调度效果，同时对生产几乎没有影响，相对而言观测周期的设置则容易很多，所以本发明所提出的基于状态的触发方法在参数设计上难度也明显降低。
附图说明
图1为本发明提出的重调度触发方法的框架示意图；
图2为本发明提出的不确定性分类示意图；
图3为本发明提出的专家系统对不确定性事件进行分类的示意图；
图4为推理机推理流程图；
图5为本发明提出的数据模型的样本生成流程图；
图6为本发明提出的数据模型的神经网络结构图；
图7为本发明提出的重调度触发流程示意图；
图8为实施例中车间生产流图；
图9为实施例中车间仿真架构；
图10为实施例中重调度框架示意图；
图11为实施例中生产调度甘特图；
图12为实施例中神经网络结构图；
图13为数据模型的测试集准确度曲线；
图14为仿真不确定性分布，其中(a)为隐性产率不确定性，(b)为设备故障不确定性；
图15为重调度策略结果对比图，其中(a)为p＝0.002、q＝0.005时的成本图，(b)为p＝0.002、q＝0.005时的触发次数图，(c)为p＝0.002、q＝0.02 时的成本图，(d)为p＝0.002、q＝0.02时的触发次数图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
本发明的生产单元不确定性条件下的重调度触发判断方法，包含如下步骤：
a)生产前仿真平台通过含不确定性扰动仿真与不含不确定性扰动仿真收集大量样本，构建并训练深度学习模型；
b)生产过程中，数据采集模块收集生产现场得到的生产数据和故障监测得到的扰动。一方面，提前设置定周期观测时间点，在观测时间点收集初始时刻至当前时刻的真实生产数据，仿真得到初始时刻至当前时刻无扰动场景下标准排产方案的对应生产数据，预处理后得到与模型的样本格式一致的偏差数据，输入模型评估模块；另一方面，若监测到故障扰动，则需要对其进行筛选分类，保留描述不确定性，忽略量化不确定性和无效不确定性，输入条件监测模块；
c)对于步骤b)所输入的描述不确定性，条件监测模块利用专家系统将其分为三类：触发重调度、不触发重调度和不确定是否触发重调度。对于不确定是否触发重调度的不确定性则增加一个观测点，收集数据利用模型评估模块进行判断，且置当前时刻为观测周期起点，并调整后续观测点；
d)对于步骤b)所输入的生产数据，模型评估模块利用步骤a)所训练的深度学习模型进行计算，输入数据采集模块所获取的经预处理后的生产数据，将数据模型SoftMax层的输出结果作为数据模型结果的置信度，若置信度较强，则直接触发重调度，若置信度不强，则仅仅提前下一次重调度的观测时间间隔，不触发重调度。如下式所示：
其中，z为重调度指示参数，为1代表触发重调度，为0代表不触发； P(1)为数据模型计算得到的触发重调度的置信度；T为观测周期；Tnext为下一次的观测间隔。
若经判断触发重调度后，置当前时刻为观测周期起点和初始时刻，依据重调度方法计算所得后续时间排产方案为标准排产方案，重复b)c)d) e)步骤至生产结束。
本发明提供了一种生产单元不确定条件下基于状态的生产重调度触发判断方法，由数据采集模块、条件监测模块和模型评估模块组成，仿真平台支持，四者共同实现。仿真平台在生产前收集样本训练深度学习模型；数据采集模块在生产过程中收集生产数据和监测到的扰动数据；条件监测模块利用专家系统分析输入的描述不确定性判断是否触发重调度；模型评估模块通过之前训练好的深度学习模型，分析输入的生产数据判断是否触发重调度，主要针对难以用专家知识分析甚至难以检测的隐性不确定性。本发明所提出的重调度触发判断方法避免了机器学习模型所需的特征参数构建，降低了设计难度，增加了方法的适用性；对不同种类不确定性采用不同方法，增加了对不确定性的针对性，提高了重调度触发的准确度。
对车间不确定性进行分类，可以提高重调度触发策略对不确定性的针对性。本发明将不确定性从有效性、显隐性和历史信息充分度分为量化不确定性、描述不确定性、隐性不确定性和无效不确定性。量化不确定性是指一些生产相关、有充足历史信息的关键不确定性参数，需要对其建立数学模型。描述不确定性是指历史信息不够充分、不能或难以量化的不确定性参数，主要包括两种：样本太小导致频率转化为概率的置信度太小和不易数值化的参数。量化不确定性和描述不确定都属于显性不确定性，即单次发生就会明显影响生产，二者的区分方法为：对于有充分历史信息足以构建量化数学模型且对生产极其关键的参数应作为量化不确定性，除此之外的其他显性不确定性均属于描述不确定性。因此，同一种不确定性，在具体调度时由于对其已知历史信息不同，分类有可能不同。隐性不确定性是指单次发生对生产影响不大但经过时间累积后会干扰生产或者难以检测识别的不确定性。无效不确定性是指对当前生产调度阶段无影响的不确定性，在生产过程中不作处理。量化不确定性应在进行预调度时处理，本文不予考虑。本发明提出基于状态的生产重调度触发判断方法针对的就是描述不确定性和隐性不确定性。
本发明所提出的针对生产单元不确定性的基于系统状态评估的重调度触发判断方法由数据采集模块、条件监测模块和模型评估模块三个模块完成。数据采集模块一方面将获取的生产单元不确定性经过筛选分类后，将描述不确定性输入条件监测模块，条件监测模块运用专家系统将不确定性分为三类，判断是否触发重调度；一方面在观测时间点将预处理后的生产数据输入模型评估模块，模型评估模块运用仿真平台所训练的数据模型得到重调度触发判断。重调度驱动机制结构图如图1所示。
本发明所提出的数据采集模块包含数据获取和数据处理两个流程。数据获取部分获取的数据为自初始时刻至判断时刻的所有相关物料的储量数据、自初始时刻至判断时刻各个生产单元的单位时间生产物料输入数据和自故障监测系统输入的生产过程中的生产单元不确定性数据。数据处理一方面是对输入模型评估模块的数据进行预处理，从实际生产车间获取物料储量数据和各生产单元单位时间物料输入数据，此外利用仿真平台获取无扰动理论场景下标准排产方案对应生产数据，计算得到数据偏差比率，使其与模型的样本格式一致；另一方面是对输入条件监测模块的不确定性进行分类，只输入描述不确定性，忽略量化不确定性和无效不确定性。
依上文所述，判断是否为描述不确定性主要有三大要素：影响有效性、显性和不可量化建模。针对生产单元不确定性的具体分类流程为：首先根据对生产过程的影响有效性分为有效不确定性和无效不确定性，空闲生产单元发生不确定性不影响生产，属于无效不确定性，不作处理；对于有效不确定性则根据其对生产的单次影响不确定性程度分为显性不确定性和隐性不确定性；对于显性不确定性则分析其历史数据充分程度，判断是否可建立量化数学模型，若可以建立量化模型则属于量化不确定性，否则属于描述不确定性。分类流程图如图2所示。
本发明所提出的条件监测模块采用由知识库和推理机组成的专家系统对所检测的描述不确定性的影响程度进行评估，间接判断重调度触发问题，将描述不确定性事件分为不触发重调度、触发重调度和不确定是否触发重调度。如图3所示。
知识库的设计从生产单元不确定性事件的特点出发，依据事件数量、事件种类、发生时间、变化程度、影响范围、优先级以及组合分析(多个事件)七个因素分析不确定性，确定专家规则。
1.事件数量。工业生产是一个复杂庞大的系统，不确定性的发生有很大的随机性，不确定性多种多样，且可能同时发生，所以不确定性分析分为单一不确定性分析和多不确定性时间组合分析。
2.事件种类。专家系统针对的是生产单元不确定性中的描述不确定性，主要有：设备故障、能源供应不足和人员缺失。
3.发生时间。相同的不确定性事件发生在不同的时间对系统的影响程度是不一样的。在生产前期发生的一些小不确定性可能通过系统内部鲁棒性逐渐抵消影响或者逐渐发展越来越严重，而后期的不确定性则因生产时间限制而存在时间较短，不容易产生二次影响。发生时间的量化可以将生产周期划分为三个等份，分为前中后期。
4.变化程度。同一类型的不确定性事件发生，当变化程度不同时，最后的影响自然也不同。根据具体事件的变化幅度，划分为大中小三个程度。
5.影响范围。根据受影响生产任务数量计算，得到事件的影响范围，并将其划分为大中小三个程度。
6.优先级。考虑到一些关键设备故障的影响程度远大于普通设备，所以，还应对各个设备进行优先级分析，将其分别划分为重要、中等、次要三种。
7.组合分析(多个事件)。不同不确定性事件之间互相耦合，共同作用。当同时发生多个不确定性事件时，需要进行组合分析，确定其对生产系统的影响程度。组合分析是在原单个事件分析的基础上的，可以分为增强、无影响、减弱。
推理机则采用最直接的if-then推理，由于事件发生组合的不确定性，需要考虑多事件推理问题，如图4所示。
本发明所提出的模型评估模块建立深度学习数据模型定周期观测生产状态判断重调度驱动问题，主要针对隐性不确定性。观测周期由生产车间计算能力决定，理论上在不小于最小重调度区间间隔的前提下越小越好。数据模型进行重调度驱动的思路是通过对样本数据建模，找到正负样本间的相似性，从而判断重调度触发问题，这是一个二分类问题。深度学习模型的输入可以是原始数据，不需要设计特征参数，避免了机器学习模型准确度受制于所设计的状态特征的影响。本发明采用在生产过程中最直接反应当前生产状态且易获取的原始数据就是物料的储量数据和设备的生产数据作为深度学习模型的分析对象，进而判断是否进行重调度。
数据模型要求大量的生产过程数据，由于大量真实样本难以获取，本发明通过建立仿真平台获取深度学习模型的训练样本。
仿真平台将优化排产得到的排产方案分两部分仿真：无不确定性的理论场景仿真和含生产单元不确定性的真实场景仿真。真实仿真场景所预埋的不确定性必须包含生产过程中常见的可监测的显性不确定性(如设备故障或大幅度降低产能)以及不可监测的隐性不确定性(如产率小范围波动)。
为保证样本在时间上的多样性，随机选取生产过程中任一时刻作为采样时刻。在采样时刻进行如下操作：
(1)收集真实场景仿真中原料、中间物料和产品所有相关物料的储量数据，如下式所示：
其中，M为自初始时刻至采样时刻的每个时间点相关物料的储量矩阵， k为相关物料种类数量，h为样本的时间点数量，
为真实场景下第k种物料在第h个时间点的物料储量。
(2)收集自生产开始至采样时刻每个时间点真实场景各个生产单元的单位时间内物料输入数据，如下式所示：
其中，Munit为所有生产单元自生产至采样时刻内单位时间内物料输入数据矩阵，u为生产单元数量，Mu为第u个生产单元自生产至采样时刻内的单位时间内物料输入数据矩阵，ku为第u个生产单元对应的输入物料种类数量，
为第u个生产单元对应的第ku种输入物料在第h个时间点单位时间输入物料量。
(3)取出当前物料和剩余订单进行重调度，计算重调度成本和剩余产品重调度优化成本。如下式所示：
costnew，costrescehdule＝Model(materialnow，ordernow)；
其中，costrescehdule为重调度成本，costnew为剩余产品重调度优化成本，materialnow为当前物料，ordernow为剩余订单，Model为重调度模型，由重调度整体方案设计中的重调度方法定义。
由原排产方案计算剩余产品原方案优化成本，样本标签由重调度成本、剩余产品原方案优化成本和剩余产品重调度优化成本中核算重调度预收益和预损失参数得到。核算公式如下：
其中，z为重调度指示参数，为1代表触发重调度，为0代表不触发； costrescehdule为重调度成本；cos tnew为剩余产品重调度生产成本，cos torgin为剩余产品原方案生产成本。
(4)为扩展样本的通用性，需要将所获取的真实场景数据和理论场景数据的偏差比率输入模型。通过理论场景仿真分别得到理论场景下自生产至采样时刻的每个时间点相关物料的储量矩阵Mideal和理论场景下所有生产单元自生产至采样时刻内单位时间内物料输入数据矩阵Mideal，unit对矩阵内的所有元素计算偏差比率，将偏差比率输入模型。每个数据点的偏差比率由下式计算：
其中，mreal为真实场景仿真数据，mideal为理论场景仿真数据，r为二者偏差比率。
最终生成一个带标签样本，重复上述步骤即可获取大量样本。
具体样本生产流程图如图5所示。
本发明采用时序数据模型中参数量相对少、而对时序数据的处理效果较好的门控循环单元(Gated recurrent unit，GRU)模型。将所有生产单元单位时间内物料输入数据偏差比率矩阵分别输入GRU模型，将所有的相关物料储量偏差比率数据输入一个GRU模型，然后将所有GRU模型的输出依次输入到含激励函数的线性层，结果经过SoftMax层后得到分类概率。激励函数为RELU。训练的优化方法为SGD(随机梯度下降)。最终模型如图6 所示。
神经网络在经过SoftMax后的输出值满足概率分布。因此，神经网络的输出也就变成了一个概率分布。一方面，可以计算交叉熵判断预测的概率分布和真实答案的概率分布之间的距离。另一方面，这个输出也可以对应一个样例的分类结果正确的概率。当该样例判断触发重调度的概率值较小时，则不应触发重调度，但将下一次观测时间提前；当较大时，则应触发重调度。具体计算如下：
式中，z为重调度指示参数，为1代表触发重调度，为0代表不触发； P(1)为数据模型输出的概率值；T为观测周期；Tnext为当前时刻与下一次观测的时间间隔。
本发明提出一种数据采集模块、条件监控模块和模型评估模块混合、仿真平台辅助的针对生产单元不确定性的基于系统状态评估的重调度触发判断方法。生产前，利用仿真平台所获取的仿真数据或现有的历史数据训练深度学习模型。此外提前选择观测周期，设置定周期观测时间点。生产时，数据采集在生产现场获取生产数据和运行数据，一方面，数据处理模块对故障监测模块所监测到的不确定性扰动进行筛选分类，将描述不确定性输入专家系统进行重调度触发判断，若专家系统无法判断是否进行重调度则触发一次观测点，由数据模型判断，且置当前时刻为观测周期起点；另一方面，在每个观测时间点上收集自初始时刻到观测点的生产数据，仿真得到无扰动理想场景标准排产方案对应的生产数据，经过数据预处理后输入数据模型进行重调度驱动判断，若结果置信度较强，则直接生成重调度驱动结果，若结果置信度较弱，则仅仅提前下一次重调度的时间间隔。每次触发重调度后，置当前时刻为初始时刻和观测周期起点，置重调度得到的新排产方案为标准排产方案，重调度驱动机制流程示意图如图7所示。
实施例1
案例背景是一个烯烃二分公司。公司包含乙烯裂解单元、废碱氧化单元、芳烃抽提单元、丁二烯抽提单元、汽油加氢单元、合成氨单元、OCU 单元、聚丙烯单元、聚乙烯单元九个单元。由于废碱氧化单元是一个废水处理单元，与其他单元没有耦合关系，也不影响产品生产，所以在分析时，我们忽略这个单元的调度控制问题，简化后的生产流程图如图8所示。具体生产产率关系由其生产设计指标换算得到，简化整理后如表1、表2所示。其生产的产品有七种：燃料油、混合苯、丁二烯、加氢碳九、液氨、聚乙烯、聚丙烯。通过车间产品年产量换算后，取这个车间一周的生产订单为生产目标，如表3所示。原料价格和生产成本如表4、表5所示。
表1烯烃二分公司各单元原料年消耗表
表2烯烃二分公司各单元产品年生产表
| 生产单元 | 序号 | 产品名称 | 年产量 | 单位 |
| 乙烯裂解 | 1 | 乙烯 | 494536 | t |
| 乙烯裂解 | 2 | 丙烯 | 399464 | t |
| 乙烯裂解 | 3 | 氢气 | 17168 | t |
| 乙烯裂解 | 4 | 甲烷/氢 | 233472 | t |
| 乙烯裂解 | 5 | 混合碳四 | 370904 | t |
| 乙烯裂解 | 6 | 不饱和碳五 | 91776 | t |
| 乙烯裂解 | 7 | 裂解汽油 | 163888 | t |
| 乙烯裂解 | 8 | 燃料油 | 19456 | t |
| 芳烃抽提 | 1 | 混合苯 | 400000 | t |
| 芳烃抽提 | 2 | 抽余油 | 272001.7 | t |
| 丁二烯 | 1 | 1，3丁二烯 | 63500 | t |
| 丁二烯 | 2 | 抽余碳四(丁烷、丁烯) | 251500 | t |
| 丁二烯 | 3 | 混合碳四 | 15400 | t |
| 汽油加氢 | 1 | 加氢汽油 | 160000 | t |
| 汽油加氢 | 2 | 加氢碳九 | 6500 | t |
| 汽油加氢 | 3 | 加氢碳五 | 24000 | t |
| 烯烃转化 | 1 | 丙烯 | 203100 | t |
| 烯烃转化 | 2 | 丁烯-1 | 20000 | t |
| 合成氨 | 1 | 液氨 | 150000 | t |
| PE | 1 | 聚乙烯 | 430000 | t |
| PP | 1 | 尾气 | 47212 | t |
| PP | 2 | 聚丙烯 | 580000 | t |
表3烯烃二分公司周订单
| 产品名称 | 燃料油 | 混合苯 | 丁二烯 | 加氢碳九 | 液氨 | 聚乙烯 | 聚丙烯 |
| 订单(t) | 408 | 1344 | 1333 | 136.5 | 3150 | 9030 | 12180 |
表4烯烃二分公司生产单元原料价格表
表5烯烃二分公司生产成本表
表6专家系统单事件分析规则
表7专家系统两事件分析规则
烯烃二分公司生产单元不确定性扰动有操作人员缺勤、能源供应缺乏、生产设备故障以及反应固有的产率波动。而由于烯烃二分公司上述单元反应条件要求都很高，如乙烯裂解单元的高温蒸汽裂解反应或者汽油加氢单元的全馏分加氢反应。因此，无论是操作人员缺勤、能源供应缺乏还是生产设备故障都会导致该时间段生产单元无法工作，所以本文将上述不确定性扰动统一为生产单元失效，或称作生产单元故障。而由于传质传热等因素导致的系统固有扰动，称作生产单元产率波动扰动。
本案例中，非运行状态的生产单元所发生的不确定性为无效不确定性。生产单元产率波动扰动由系统固有扰动引起的，不可检测，单次影响小，为隐形不确定性。而由于操作人员缺勤、能源供应缺乏、生产设备故障导致的生产单元失效，属于单次影响明显的显性扰动。由于没有上述扰动的历史数据，无法建立具体量化数学模型，所以没有量化不确定性，均属于描述不确定性。因此，本案例中的生产单元故障便是数据采集模型中需要筛选的描述不确定性。
首先，搭建案例仿真平台。所设计的车间仿真系统架构如图9所示。系统主要由仿真模块和优化模块以及服务二者的数据库组成。优化模块包含四个部分：优化模型管理部分负责问题的表示和优化模型的构建，这里采用的是STN建模方法将流程生产问题转化为MIP问题；求解算法部分包含优化模型求解算法，这里采用的是GAMS软件丰富的求解库；优化初值配置部分配置模型求解的初值；优化参数配置部分配置优化模型内模型参数和求解参数。
一个完整的重调度方案包含预调度、重调度策略、重调度方法以及重调度评价。框架图如图10所示。本文选择了简单常用的基于STN网络连续建模、混合整数规划求解的预调度方案，重调度方法选择整体重调度，重调度评价采用生产成本作为经济性指标，采用重调度频率作为稳定性指标。
具体预调度模型如下：
目标函数为：
其中，s为物料；j为设备单元；ts为生产时刻；Price为原料价格；STP为原料消耗量；Fix cos tj为设备单元j的固定成本单价；Var cos tj为设备单元j的可变成本单价；us为物料s未完成的惩罚成本单价；Us为物料s的短缺量；
为设备单元j在ts时刻的生产状态，为1代表生产，为0代表不生产；
为设备单元j在ts时刻的生产量。
具体的调度公式逻辑模型如下：
上式中，符号含义如下表所示：
符号含义
重调度成本计算方法为：
其中，t为生产时间；j为生产设备；vj，t为原始调度方案生产设备j在时间t的负荷(批处理则依据批次计算单位负荷)；
为新调度方案生产设备j在时间t的负荷(批处理则依据批次计算单位负荷)；λj为生产设备 j的权重，且权重λj满足
且λj具体数值由德尔菲法确定：
[λ1，λ3，λ4，λ5，λ6，λ7，λ8，λ9]＝[0.2，0.1，0.1，0.1，0.1，0.1，0.15，0.15]
在GAMS平台利用CPLEX求解器优化求解可以得到完成该产品需求所排产，作为初始标准排产方案，所求得甘特图如图11所示。
标准总成本：生产成本+惩罚成本＝7704751+0＝7704751(元)
数据采集模块定周期收集初始状态点至调度时刻八个生产单元的单位时间物料输入数据和32种相关物料的储量数据，仿真得到无扰动理想场景标准排产方案对应的生产数据，经预处理后输入数据模型；同时，收集故障监测所提交的生产单元故障，由上文知其为描述不确定性，因此直接输入条件检测模块。
剩下的条件检测模块和模型评估模块的建立关键分别为专家系统和数据模型的建立。
条件检测模块的专家系统的设计主要是专家规则的确定，如上文可知，案例的描述不确定性扰动为生产单元故障。为减少案例相关变量，在进行扰动设计时，通过参数设置固定故障变化程度和影响范围。首先，按照上文所提要素设计专家规则，分别对八个单元在前中后三个时期分析其是否重调度，对于各个单元间同时发生的情况判断程度变化。最终所设计的专家规则有24条单事件规则(八个设备在三个时期对应的触发判断)和28条多事件规则(八个设备两两组合的触发判断及两事件以上的判断规则)如附表所示。最后，推理机按照图4的流程，利用专家规则，判断重调度驱动。
数据模型是通过生产数据分布情况，从而判断生产状态，判断是否进行重调度。但数据模型要求大量的生产过程数据，只能通过仿真得到。因此数据模型的构建有两步：仿真样本获取和模型训练。
依照上文所述样本生产流程，真实场景预埋故障为八个生产单元随机故障，故障率均为0.002，发生故障时间随机，八个生产单元随机产率波动，波动幅度为0.001。采集真实场景和理想场景数据，计算得物料偏差比率数据。接着取出当前物料和剩余订单进行重调度，计算重调度成本、剩余产品原方案生产成本和剩余产品重调度生产成本得出样本对应标签。仿真生产得到5000条样本数据，随机按三七比例划分测试样本和训练样本。依据图6构建神经网络模型如图12所示，并利用pytorch1.1框架进行训练，优化方法为SGD。数据模型训练完成后保存为pkl格式文件待调用。训练过程中测试集准确度曲线如图13所示。
至此，基于状态评估的专家系统和数据模型混合驱动机制建立完成。
具体流程如下：
(1)首先，预调度模块建模优化计算得到排产方案，将其作为初始标准排产方案指导生产。选择观测周期，定周期设置初始观测时间点。
(2)生产过程中，数据采集模块将检测到的生产单元故障输入条件监测模块的专家系统，通过推理机和所定义的52条专家规则推理将其分为不触发重调度、触发重调度和不确定是否触发重调度。若分类为不确定是否触发重调度，则将当前时间点置为观测周期起点，观测周期不变，调整后续观测点。
(3)当时间点为观测点时，数据采集模块收集初始状态点至调度时刻八个生产单元的单位时间物料输入数据和32种相关物料的储量数据，同时，仿真得到无扰动场景下标准排产方案对应数据，经预处理后利用训练好的神经网络模型进行重调度触发判断，若置信度低则调整下一次观测周期。
(4)触发重调度后，重调度模块收集当前物料数据，输入模型计算剩余时间所有生产单元的排产。重置当前时刻为观测周期起点和初始状态点并调整后续观测点，设定所计算得到的重调度方案为新的排产方案。重复(2-4)直至生产完成。
案例不确定性扰动主要设计有生产单元故障不确定性和生产单元产率扰动，生产单元故障不确定性分布为二项分布，故障率为p，生产单元产率扰动分布为高斯分布，变化单位为原产率的q倍。如图14所示。
此外设计经典的重调度驱动策略：周期驱动，事件驱动和周期驱动和事件驱动的混合，与其作为对比。
由于不确定性是概率事件，需要做多次重复试验(100次)得到最终结果。此外考察不同重调度驱动策略最终的总成本和重调度触发频率。如图15所示。其中，对比时选择各个策略表现最好的参数，去除由于优化模型复杂导致的GAMS无解或求解时间过长的情况。
可以发现：
(1)在产率不确定性幅度较小，存在故障不确定性时，事件驱动的效果较之周期驱动更佳，事件周期混合调度的效果相差不大，基于状态的触发判断方法效果比事件驱动经济性更好一些，更关键的是，由于基于状态的触发较事件驱动更加保守，因此总的重调度频率明显要小，总体的稳定性要更好。
(2)增加产率扰动幅度后，对比四者的成本变化，周期驱动的优势有所体现，变化较小；事件驱动则因无法考虑到隐性扰动效果下降，变化较大；周期事件混合驱动的效果则因周期驱动保持下来；基于状态的触发判断方法比周期调度的效果稍好一些。
经对比可知，本发明所提出的重调度策略相较于传统重调度策略的总成本最低，触发次数也是最低的，意味着本发明所提出的基于状态的重调度触发判断方法的经济性和稳定性都可以达到合理效果。此外，由于周期参数设置没有固定的方法，因此无论是周期驱动还是事件周期混合驱动的设计都比较困难，而观测点数量增多既能增加调度效果，同时对生产几乎没有影响，相对而言观测周期的设置则容易很多，所以本发明所提出的基于状态的触发方法在参数设计上难度也明显降低。
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种生产单元不确定性条件下的重调度触发判断方法，其特征在于，包括如下步骤：
(1)搭建实际生产过程的仿真平台，进行含不确定性扰动的真实仿真和不含不确定性扰动的理论仿真，获得真实仿真和理论仿真之间的偏差数据样本；构建深度学习模型并使用偏差数据样本进行训练，获得数据模型；
(2)在实际生产过程中，同步执行步骤(2-a)和步骤(2-b)，对是否需要进行重调度进行判断：
(2-a)实时监测生产现场的不确定性扰动，若检测到不确定性扰动，则使用专家系统判断是否需要重调度；
(2-b)对生产现场进行定周期观测和理论仿真，分别获得观测周期起点至当前观测点的真实生产数据和理论生产数据，根据真实生产数据和理论生产数据获得实际生产过程的偏差数据；
将偏差数据输入至所述的数据模型，对是否需要重调度进行判断；
(3)在步骤(2)中，若判断结果为不需要进行重调度，则继续将当前的排产方案作为标准排产方案；
若判断结果为需要进行重调度，则计算后续时间的排产方案作为标准排产方案，并将当前时刻置为下一观测周期的起点；
(4)重复步骤(2)和步骤(3)，直至生产结束。
2.根据权利要求1所述的生产单元不确定性条件下的重调度触发判断方法，其特征在于，所述的不确定性扰动为描述不确定性扰动和隐性不确定性扰动。
3.根据权利要求1所述的生产单元不确定性条件下的重调度触发判断方法，其特征在于，所述的步骤(1)中，通过仿真获得偏差数据样本包括以下步骤：
(i)在真实仿真和理论仿真过程中，随机选取生产过程中任一时刻作为采样时刻；
(ii)在采样时刻分别获取真实仿真场景和理论仿真场景中的相关物料的储量数据、自生产开始至采样时刻各个生产单元的单位时间内相关物料的输入数据；
(iii)根据当前真实仿真场景的储量数据和剩余订单进行重调度，得到新的排产方案，由新的排产方案计算得到剩余产品重调度生产成本和重调度成本；根据原排产方案计算剩余产品的生产成本作为剩余产品的原排产方案生产成本；
根据核算公式获得样本标签；所述的核算公式为：
其中，z为重调度指示参数，为1代表触发重调度，为0代表不触发；costrescehdule为重调度成本；costnew为剩余产品重调度生产成本，costorgin为剩余产品原方案生产成本；
(iv)由如下公式计算采样时刻真实仿真场景与理论仿真场景之间的储量数据的偏差比率、输入数据的偏差比率：
其中，mreal为真实场景仿真数据，mideal为理论场景仿真数据，r为二者偏差比率。
储量数据的偏差比率、输入数据的偏差比率以及对应的样本标签构成带标签的时序数据，即为偏差数据样本。
4.根据权利要求3所述的生产单元不确定性条件下的重调度触发判断方法，其特征在于，步骤(iii)中，重调度成本的计算公式为：
式中，t为生产时间；j为生产设备；vj，t为原始调度方案生产设备j在时间t的负荷；
为新调度方案生产设备j在时间t的负荷；λj为生产设备j的权重，且权重λj满足
且λj具体数值由德尔菲法确定。
5.根据权利要求1所述的生产单元不确定性条件下的重调度触发判断方法，其特征在于，所述的深度学习模型包括若干个门控循环单元(GRU)模型、含有激励函数的线性层以及SoftMax层；
将储量数据的偏差比率、输入数据的偏差比率分别输入对应的门控循环单元模型，所有门控循环单元模型的输出依次输入线性层，线性层的输出经过SoftMax层后得到触发重调度的概率值。
6.根据权利要求1所述的生产单元不确定性条件下的重调度触发判断方法，其特征在于，所述的专家系统由知识库和推理机组成；
知识库的设计从生产单元不确定性事件的特点出发，依据事件数量、事件种类、发生时间、变化程度、影响范围、优先级以及组合分析七个因素分析不确定性扰动，确定专家规则；
推理机采用if-then推理。
7.根据权利要求2所述的生产单元不确定性条件下的重调度触发判断方法，其特征在于，步骤(2-a)中，还包括对监测到的不确定扰动进行筛选，将描述不确定性扰动输入专家系统进行重调度触发判断。
8.根据权利要求1或7所述的生产单元不确定性条件下的重调度触发判断方法，其特征在于，专家系统根据输入的不确定性扰动输出的判断结果包括触发重调度、不触发重调度和不确定是否触发重调度；
若专家系统的判断结果为不确定是否触发重调度，则在当前时刻增加观测点；获取当前时刻的真实生产数据和理论生产数据，计算得到偏差数据；将偏差数据输入至所述的数据模型，对是否需要重调度进行判断；并将当前时刻置为下一观测周期的起点。
9.根据权利要求1所述的生产单元不确定性条件下的重调度触发判断方法，其特征在于，步骤(2-b)中，经偏差数据输入至所述的数据模型后，数据模型输出触发重调度的概率值；
所述的概率值大于0.8时，触发重调度；所述的概率值小于0.2时，不触发重调度；所述的概率值为0.2～0.8时，不触发重调度且将下次观测时间提前。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010380873.5A CN111581882B (zh) | 2020-05-08 | 2020-05-08 | 一种生产单元不确定性条件下的重调度触发判断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010380873.5A CN111581882B (zh) | 2020-05-08 | 2020-05-08 | 一种生产单元不确定性条件下的重调度触发判断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111581882A true CN111581882A (zh) | 2020-08-25 |
| CN111581882B CN111581882B (zh) | 2024-04-05 |
Family
ID=72112084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010380873.5A Active CN111581882B (zh) | 2020-05-08 | 2020-05-08 | 一种生产单元不确定性条件下的重调度触发判断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111581882B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112650187A (zh) * | 2021-01-22 | 2021-04-13 | 北京理工大学 | 一种车间调度方法、装置和系统 |
| CN112904818A (zh) * | 2021-01-19 | 2021-06-04 | 东华大学 | 一种复杂结构件加工车间预测-反应式调度方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5719787A (en) * | 1996-05-15 | 1998-02-17 | Cornell Research Foundation, Inc. | Method for on-line dynamic contingency screening of electric power systems |
| CN101833319A (zh) * | 2010-05-11 | 2010-09-15 | 同济大学 | 面向多重入制造系统在线调度的单台设备匹配重调度方法 |
| US20130317629A1 (en) * | 2012-05-25 | 2013-11-28 | Statistics & Control, Inc. | Method of large scale process optimization and optimal planning based on real time dynamic simulation |
| CN107767022A (zh) * | 2017-09-12 | 2018-03-06 | 重庆邮电大学 | 一种生产数据驱动的动态作业车间调度规则智能选择方法 |
-
2020
- 2020-05-08 CN CN202010380873.5A patent/CN111581882B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5719787A (en) * | 1996-05-15 | 1998-02-17 | Cornell Research Foundation, Inc. | Method for on-line dynamic contingency screening of electric power systems |
| CN101833319A (zh) * | 2010-05-11 | 2010-09-15 | 同济大学 | 面向多重入制造系统在线调度的单台设备匹配重调度方法 |
| US20130317629A1 (en) * | 2012-05-25 | 2013-11-28 | Statistics & Control, Inc. | Method of large scale process optimization and optimal planning based on real time dynamic simulation |
| CN107767022A (zh) * | 2017-09-12 | 2018-03-06 | 重庆邮电大学 | 一种生产数据驱动的动态作业车间调度规则智能选择方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张玺;刘明周;张铭鑫;葛茂根: "基于改进模糊Petri 网的制造车间重调度策略优化研究", 管理工程学报, vol. 31, no. 2 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112904818A (zh) * | 2021-01-19 | 2021-06-04 | 东华大学 | 一种复杂结构件加工车间预测-反应式调度方法 |
| CN112904818B (zh) * | 2021-01-19 | 2022-07-15 | 东华大学 | 一种复杂结构件加工车间预测-反应式调度方法 |
| CN112650187A (zh) * | 2021-01-22 | 2021-04-13 | 北京理工大学 | 一种车间调度方法、装置和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111581882B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
| CN103914064B (zh) | 基于多分类器和d-s证据融合的工业过程故障诊断方法 | |
| CN101950382B (zh) | 一种带有风险控制的液压设备最优维修计算方法 | |
| CN109685366A (zh) | 基于异变数据的装备健康状态评估方法 | |
| CN106168799A (zh) | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 | |
| CN110320892A (zh) | 基于Lasso回归的污水处理设备故障诊断系统及方法 | |
| CN106371427A (zh) | 基于层次分析法和模糊融合的工业过程故障分类方法 | |
| CN106483947A (zh) | 基于大数据的配电网运行状态评估和预警方法 | |
| CN101788819B (zh) | 大规模生产过程一种基于迭代式分解和流松弛的调度方法 | |
| CN106054104A (zh) | 一种基于决策树的智能电表故障实时预测方法 | |
| CN111581882B (zh) | 一种生产单元不确定性条件下的重调度触发判断方法 | |
| CN103336906A (zh) | 环境传感器的采集数据流中连续异常检测的抽样gpr方法 | |
| CN111738462A (zh) | 电力计量装置故障抢修主动服务预警方法 | |
| CN105930629B (zh) | 一种基于海量运行数据的在线故障诊断方法 | |
| CN102522709B (zh) | 变压器状态检修的决策方法及系统 | |
| CN105976077A (zh) | 一种输变电工程造价动态控制目标计算系统及计算方法 | |
| CN107065834A (zh) | 湿法冶金过程中浓密机的故障诊断方法 | |
| CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
| CN112257914B (zh) | 一种基于随机森林的航空安全因果预测方法 | |
| CN108898285A (zh) | 一种基于信息熵的啤酒包装生产线运行效率定量评估方法 | |
| EP4291957A1 (de) | Vorhersagemodell zum vorhersagen von produktqualitätsparameterwerten | |
| CN106650959A (zh) | 一种基于改进灰色聚类的配电网抢修能力评估方法 | |
| CN114035468A (zh) | 基于XGBoost算法的风机检修流程预测性监控方法与系统 | |
| CN110286668A (zh) | 一种基于大数据的轨交信号系统vim板卡故障预测方法 | |
| Kharitonov et al. | Comparative analysis of machine learning models for anomaly detection in manufacturing |
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 |