CN111913458B - 一种基于深度学习的车间控制方法及系统 - Google Patents
一种基于深度学习的车间控制方法及系统 Download PDFInfo
- Publication number
- CN111913458B CN111913458B CN202010886614.XA CN202010886614A CN111913458B CN 111913458 B CN111913458 B CN 111913458B CN 202010886614 A CN202010886614 A CN 202010886614A CN 111913458 B CN111913458 B CN 111913458B
- Authority
- CN
- China
- Prior art keywords
- processing
- workpiece
- time
- stage
- machining
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013135 deep learning Methods 0.000 title claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 200
- 238000012423 maintenance Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000003754 machining Methods 0.000 claims description 67
- 230000008569 process Effects 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000002922 simulated annealing Methods 0.000 claims description 13
- 230000008439 repair process Effects 0.000 claims description 2
- 239000012855 volatile organic compound Substances 0.000 claims 2
- 238000004519 manufacturing process Methods 0.000 abstract description 22
- 230000014509 gene expression Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 238000006757 chemical reactions by type Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000007514 turning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的车间控制方法和系统。该方法包括:采集加工设备的零件全生命周期数据;构建基于人工神经网络的设备故障预测模型,利用所述零件全生命周期数据对所述设备故障预测模型进行训练和测试,利用训练好的设备故障预测模型输出所述加工设备的预测故障发生时刻数据;构建车间调度模型,并获取所述加工设备的维修时长数据,利用所述维修时长数据和所述预测故障发生时刻数据构建所述车间调度模型中的特殊加工约束;对所述车间调度模型进行求解,获取总加工时间最短的工件加工方案,发送工件加工指令。本发明能够进一步缩短工件加工时间,减少或避免重调度,提高车间生产效率。
Description
技术领域
本发明属于车间控制技术领域,更具体地,涉及一种基于深度学习的车间控制方法及系统。
背景技术
车间控制是指确定车间内多个工件在多个加工设备上的加工顺序。随着智能化和柔性化车间的发展,车间数据越来越庞大,制造系统变得越来越复杂,动态事件发生越来越频繁,采用传统车间动态控制方法不足以解决日趋复杂的实际生产问题。
在实际的生产控制过程中,会出现加工设备故障、订单插入等突发事件。现有技术中,最为常见的是针对动态事件采用预-反应式调度方法。预-反应式调度是根据实时的动态事件,修改原始工件加工方案的重调度过程。绝大多数预-反应式调度是基于车间效率的简单调度方案进行调整的。预-反应式调度对车间动态事件的响应能力较高,但是可能导致较差的鲁棒性和稳定性。特别是在动态事件频繁发生、不确定性程度高的生产环境中,频繁地进行重调度会造成生产系统不能稳定运行,制造资源得不到优化配置,严重影响生产系统的性能,工件加工时间长,加工效率低下。
在混合流水车间中,这一问题更加明显,混合流水车间是一般流水车间的推广,但在某些工序中存在并行机加工的特点,因此混合流水车间问题更加复杂,求解难度更大。在混合流水车间中,由于其各阶段存在相同或不同的并行机导致动态事件发生的频率极高,采用预-反应式调度方法解决动态事件难以保证车间的稳定运行,同时在混合流水车间调度过程中涉及到机器分配问题,频繁的重调度会导致车间的生产效率低下,无法按时完成生产任务,给企业造成不可估量的损失。此外,混合流水车间广泛存在于冶金、石化、制药等流程工业生产系统中,因此对现有车间控制技术的改进具有重要的现实意义和应用价值。
现有技术中还提出了采用深度学习的方法对车间设备进行故障预测的方案,但现有技术中仅仅停留在故障的诊断及设备维护层面,在一定程度上能够预防车间机器故障这一动态事件的发生,但是未能从根本上解决机器故障对车间控制的影响。
发明内容
针对现有技术的至少一个缺陷或改进需求,本发明提供了一种基于深度学习的车间控制方法及系统,利用深度学习的方法预测设备故障,为车间控制提供先验知识,实现智能化的车间实时调控和主动运行优化,提高生产效率,保证生产系统稳定运行。
为实现上述目的,按照本发明的第一方面,提供了一种基于深度学习的车间控制方法,包括:
采集加工设备的零件全生命周期数据,构建训练样本集和测试样本集;
构建基于人工神经网络的设备故障预测模型,利用所述训练样本集和所述测试样本集对所述设备故障预测模型进行训练和测试,利用训练好的所述设备故障预测模型输出所述加工设备的预测故障发生时刻数据;
构建车间调度模型,并获取所述加工设备的维修时长数据,利用所述维修时长数据和所述预测故障发生时刻数据构建所述车间调度模型中的一个加工约束;
根据所述车间调度模型获取总加工时间最短的工件加工方案,发送工件加工指令。
优选的,所述采集加工设备的零件全生命周期数据为:采集所述加工设备的零件更换数据;或采集所述加工设备从开始连续运行到零件损坏的数据;或为每个加工设备预先定义要采集的数据。
优选的,所述加工约束为:
优选的,采用模拟退火算法对所述车间调度模型进行求解,以获取总加工时间最短的工件加工方案。
优选的,所述获取总加工时间最短的工件加工方案过程中,预先定义待加工工件的分配策略为:按照工件编码确定工件加工先后顺序;若多个工件同时到达,采用RR规则进行调度,随机确定同时到达的工件的加工先后顺序;
所述获取总加工时间最短的工件加工方案过程中,预先定义为工件分配加工设备的分配策略为:获取该工件的每个可用加工设备的空闲时间,获取该工件上一阶段的加工结束时间,获取每个可用加工设备加工该工件的加工时长;确定每个可用加工设备加工该工件的加工完成时刻,选择加工完成时刻最小的可用加工设备作为该工件的加工设备。
按照本发明的第二方面,提供了一种基于深度学习的车间控制系统,包括:
数据采集模块,用于采集加工设备的零件全生命周期数据,构建训练样本集和测试样本集;
设备故障预测模块,用于构建基于人工神经网络的设备故障预测模型,利用所述训练样本集和所述测试样本集对所述设备故障预测模型进行训练和测试,利用训练好的所述设备故障预测模型输出所述加工设备的预测故障发生时刻数据;
车间调度模型构建模块,用于构建车间调度模型,并获取所述加工设备的维修时长数据,利用所述维修时长数据和所述预测故障发生时刻数据构建所述车间调度模型中的一个加工约束;
获取模块,用于根据所述车间调度模型获取总加工时间最短的工件加工方案,发送工件加工指令。
总体而言,本发明与现有技术相比,具有有益效果:将深度学习与传统的调度模型相结合,通过利用预测故障发生时刻数据和已知维修时长数据,来构建所述车间调度模型中的一个加工约束,能够对车间调度中的动态事件进行主动反应,能够进一步缩短工件加工时间,减少或避免重调度,真正实现智能化的车间实时调控和主动运行优化,提高车间生产效率、缩短产品制造周期和优化制造资源配置。
附图说明
图1是本发明实施例的基于深度学习的车间控制方法示意图;
图2是本发明实施例的设备故障预测模型的训练和预测方法示意图;
图3是本发明实施例的利用模拟退火算法对车间模型求解的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明实施例的一种基于深度学习的车间控制方法,首先,采集加工设备的零件全生命周期数据,构建训练样本集和测试样本集;然后构建基于人工神经网络的设备故障预测模型,采用深度学习的方法对所采集到的零件全生命周期数据进行分析,预测加工设备故障发生时刻;构建车间调度模型,将所得到的预测故障发生时刻与故障维修时长结合,作为车间调度模型中的一个约束条件;最后求解该车间调度模型,得到优化的调度方案,即获取总加工时间最短的工件加工方案,发送工件加工指令。
该基于深度学习的车间控制方法可以应用于各类车间,尤其适用于混合流水车间,以下以混合流水车间作为示例说明。
如图1所示,本发明实施例的一种基于深度学习的车间控制方法可包括下列步骤:
步骤一,加工设备的零件全生命周期数据的采集。
应用深度学习的方法做预测,需要大量的数据集作为支撑,可从某实现数字孪生技术驱动的混合流水车间实例出发,采集所需要的训练数据。
步骤二,使用深度学习的方法进行预测。
可构建基于LSTM神经网络的设备故障预测模型。LSTM神经网络通过增加输入门、输出门和遗忘门解决梯度消失、梯度爆炸等问题。如图2所示,具体可包括以下步骤:
(1)数据标准化
将步骤一中所采集的零件全生命周期的数据使用Python进行标准化处理,从而消除不同变量之间的量纲影响;
(2)特征选择
从原始数据集中选择识别出影响预测效果的关键要素,从而减少特征数量,使模型的泛化能力更强,同时减少过拟合。
(3)建立设备故障预测模型
首先,对数据集进行划分。例如将70%的数据作为训练样本,30%的数据作为验证模型的测试样本;其次,确定设备故障预测模型的超参数,确定网络结构;最后,训练LSTM模型,利用训练好的设备故障预测模型对故障发生时刻进行预测。
预测结果的形式例如:加工设备3在时刻3发生故障。
步骤三,建立车间调度模型。
(1)建立特殊加工约束
就现行技术而言,采用深度学习的方法对车间设备进行故障预测仅仅停留在故障的诊断及设备维护层面,在一定程度上能够预防车间机器故障这一动态事件的发生,但是未能从根本上解决机器故障对车间调度的影响。
车间生产调度计划的稳定运行直接影响车间生产效率与成本。因此本实施例将深度学习与传统的调度模型相结合,进一步挖掘故障预测结果的潜在价值,将其作为特殊的加工约束条件补充到调度模型中,从源头上解决动态事件对车间运行的影响,满足生产异常实时响应和处理需求,保证生产系统运行的全局性能,进一步缩短工件加工时间,减少或避免重调度。
获取加工设备的维修时长数据,利用维修时长数据和预测故障发生时刻数据构建车间调度模型中的一个加工约束,将其称为特殊加工约束。
①当预测表明加工过程中某时刻将会发生机器故障这一动态事件,则根据预测得到的故障发生时刻以及故障维修时长构建特殊加工约束,在这段时间内,故障机器处于失效状态,不可将其作为可用的加工资源将工件安排在该故障机器上加工。因此在调度过程中,安排在故障加工设备上进行加工的工序需要满足以下任意一种情况即可,即该工序的完工时间小于等于故障发生时刻或该工序的开始时间大于等于故障维修结束时刻。因此,所建立的特殊加工约束的数学表达式如下:
考虑到不同加工设备上不同类型的故障维修时长不同,设备故障预测模型还可以输出加工设备发生故障的类型以及预测故障发生时刻,加工设备的维修时长数据可以更具体到同一设备不同类型故障的维修时长数据。此时,构建的特殊加工约束的数学表达式为:
②当预测表明加工过程中不存在机器故障的发生,意味着所有机器在加工过程中均可作为可用的加工资源为其分配相应的工件,此时保持上述特殊约束条件不变,将预测故障发生时刻tb取一极大值F即可。
(2)建立混合流水车间调度模型
结合上述特殊加工约束,建立一种含特殊加工约束的混合流水车间调度问题的MILP模型,具体内容如下:
模型中涉及的符号及其含义如下表所示。
包含特殊加工约束的混合流水车间调度模型如下:
Minimize Cmax (1)
Cmax≥Ei,s,i∈I (2)
Ei,j=Bi,j+pti,j,i∈I,j∈J (3)
Bi,j+1-Bi,j≥pti,j,i∈I,j=1,...s-1 (5)
上述调度模型的优化目标是最小化最大完工时间。其中,式(2)是指最大完工时间大于所有工件在最后一个阶段的完工时间。式(3)是计算每个工件在任何一个阶段的完工时间。式(4)是保证每个工件在每个阶段只能由该阶段的一台加工设备加工。式(5)保证了每个工件必须在上阶段加工完成后才能开始现阶段的加工。式(6)和式(7)是指对于两个在同一台加工设备上加工的工件,只有当一个工件完成加工后,另一个工件才能开始加工。式(8)是特殊加工约束,即安排在故障加工设备上加工的工序完工时间小于等于故障发生时刻或工序的开始时间大于等于故障维修结束时刻。
步骤四,求解车间调度模型
可优选采用模拟退火算法求解车间调度模型。
模拟退火(Simulated Annealing,SA)算法是一种通用的随机搜索算法,是对局部搜索算法的扩展。与一般的局部搜索算法不同,模拟退火以一定的概率选择邻域中目标值相对较小的状态,是一种理论上的全局最优算法。
(1)算法步骤
如图3所示,针对所述的模拟退火算法包含如下步骤:假设A是一个离散的有限状态空间,a代表状态。模拟退火算法的计算步骤描述如下:
Step1:任选初始解,给定初始温度T0和终止温度Tf,令迭代指标k=0,Tk=T0;
Step2:随机产生一个邻域解j,计算目标值的增量Δf=f(j)-f(i);
Step3:若Δf<0,令i=j转Step4;否则产生ξ=U(0,1),若exp(-Δf/Tk)>ξ,则令i=j;
Step4:若达到热平衡转Step5;否则转Step2;
Step5:降低Tk,k=k+1,若Tk<Tf,则算法停止,否则转Step2。
(2)算法设计
编码:在模拟退火算法中,每一个排列组合对应问题的一个解。这里采用排列编码的形式,即所有工件序号的排列组合顺序代表其在生产加工过程中的顺序,表达形式为[24 5 1 6 3]。其含义为在混合流水车间各阶段的加工顺序,依次是工件2最先加工,接下来是工件4,以此类推,直到工件3最后加工;
解码:对于上述的一个排列,按照加工设备分配规则依次将所有工件分配到各阶段加工设备上,形成一个可行调度并计算目标值的过程称为解码。
混合流水车间的解码分为工件的排序和加工设备的分配两个部分。
工件的分配采用如下策略:各阶段均按照编码所确定的工件加工先后顺序安排加工;当若干个工件同时到达,采用RR规则(RandomRules)进行调度,即随机确定这些工件的加工顺序;
加工设备分配规则采用如下策略:选择加工设备空闲时间与该工件上一工序结束时间中的最大值与加工时间相加后值最小的加工设备。即获取待加工工件的每个可用加工设备的空闲时间,获取该工件上一阶段的加工结束时间,获取每个可用加工设备加工该工件的加工时长;确定每个可用加工设备加工该工件的加工完成时刻,选择加工完成时刻最小的可用加工设备作为该工件的加工设备。
初始解和邻域机制:模拟退火算法的鲁棒性强,最终解的求取不依赖初始解的选取,因此初始解将采用随机生成的方法;采用2变换领域的搜索机制;
参数设置:设初始温度T0=200,终止温度Tf=1,降温函数设定为Tk+1=αTk,其中α=0.95。通过设置内循环的迭代次数n(Tk)来实现热平衡,这里设n(Tk)=50。
在上述模型和算法的基础上,为了证明本发明的实际应用效果,选择某混合流水车间生产实例进行仿真测试,并与现有技术中的预-反应调度的两种策略进行对比。
由上表中的计算结果可知,采用本发明提出的基于深度学习的车间控制方法,可以有效避免加工设备故障这类突发事件对生产调度的影响,尽可能降低其对调度效率的影响,同时能保证生产调度系统的稳定运行,缩短工件加工时间,减少或避免重调度,具有较高的实际应用价值。
本发明实施例的一种基于深度学习的车间控制系统,包括:
数据采集模块,用于采集加工设备的零件全生命周期数据,构建训练样本集和测试样本集;设备故障预测模块,用于构建基于人工神经网络的设备故障预测模型,利用训练样本集和测试样本集对设备故障预测模型进行训练和测试,利用训练好的设备故障预测模型输出加工设备的预测故障发生时刻数据;车间调度模型构建模块,用于构建车间调度模型,并获取加工设备的维修时长数据,利用维修时长数据和预测故障发生时刻数据构建车间调度模型中的一个加工约束;获取模块,用于根据车间调度模型获取总加工时间最短的工件加工计划,发送工件加工指令。
优选的,采集加工设备的零件全生命周期数据为:采集加工设备的零件更换数据;或采集加工设备从开始连续运行到零件损坏的数据;或为每个加工设备预先定义要采集的数据。
优选的,加工约束为:
优选的,采用模拟退火算法对车间调度模型进行求解,以获取总加工时间最短的工件加工计划。
优选的,获取总加工时间最短的工件加工计划的过程中,预先定义待加工工件的分配策略为:按照工件编码确定工件加工先后顺序;若多个工件同时到达,采用RR规则进行调度,随机确定同时到达的工件的加工先后顺序;获取总加工时间最短的工件加工方案过程中,预先定义为工件分配加工设备的分配策略为:获取该工件的每个可用加工设备的空闲时间,获取该工件上一阶段的加工结束时间,获取每个可用加工设备加工该工件的加工时长;确定每个可用加工设备加工该工件的加工完成时刻,选择加工完成时刻最小的可用加工设备作为该工件的加工设备。
必须说明的是,上述任一实施例中,方法并不必然按照序号顺序依次执行,只要从执行逻辑中不能推定必然按某一顺序执行,则意味着可以以其他任何可能的顺序执行。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的车间控制方法,其特征在于,包括:
采集加工设备的零件全生命周期数据,构建训练样本集和测试样本集;
构建基于LSTM人工神经网络的设备故障预测模型,利用所述训练样本集和所述测试样本集对所述设备故障预测模型进行训练和测试,利用训练好的所述设备故障预测模型输出所述加工设备的预测故障发生时刻数据;
构建车间调度模型,并获取所述加工设备的维修时长数据,利用所述维修时长数据和所述预测故障发生时刻数据构建所述车间调度模型中的一个加工约束;
根据所述车间调度模型获取总加工时间最短的工件加工方案,发送工件加工指令;
所述车间调度模型为:
Minimize Cmax
Cmax≥Ei,s,i∈I
Ei,j=Bi,j+pti,j,i∈I,j∈J
Bi,j+1-Bi,j≥pti,j,i∈I,j=1,...s-1
式中,Minimize表示最小化,Cmax表示最大完工时间,Ei,s表示所有工件在最后一个阶段的完工时间,Ei,j表示工件i在阶段j的完工时间,Bi,j表示工件i在阶段j的开始加工时间,pti,j表示工件i在阶段j加工所需的加工时间,I为阶段序号,J为加工阶段集合,Xi,j,k为变量,若工件i在阶段j的加工设备k上加工时Xi,j,k为1,否则Xi,j,k为0,Bi,j+1为表示工件i在阶段j+1的开始加工时间,为0-1变量,在阶段j,若工件i1先于工件i2加工则为1,否则为0,为工件i1在阶段j的开始加工时间,为工件i2在阶段j的完工时间,L为预设整数,为工件i在阶段j的加工设备mj上的开始加工时间,是工件i在阶段j的加工设备mj上的完工时间,是预测得到加工设备mj发生p类故障的时刻,是加工设备mj维修p类故障的维修时长。
2.如权利要求1所述的一种基于深度学习的车间控制方法,其特征在于,所述采集加工设备的零件全生命周期数据为:采集所述加工设备的零件更换数据;或采集所述加工设备从开始连续运行到零件损坏的数据;或为每个加工设备预先定义要采集的数据。
4.如权利要求1所述的一种基于深度学习的车间控制方法,其特征在于,采用模拟退火算法对所述车间调度模型进行求解,以获取总加工时间最短的工件加工方案。
5.如权利要求1所述的一种基于深度学习的车间控制方法,其特征在于,
所述获取总加工时间最短的工件加工方案过程中,预先定义工件的分配策略为:按照工件编码确定工件加工先后顺序;若多个工件同时到达,采用RR规则进行调度,随机确定同时到达的工件的加工先后顺序;
所述获取总加工时间最短的工件加工方案过程中,预先定义为工件分配加工设备的分配策略为:获取该工件的每个可用加工设备的空闲时间,获取该工件上一阶段的加工结束时间,获取每个可用加工设备加工该工件的加工时长;确定每个可用加工设备加工该工件的加工完成时刻,选择加工完成时刻最小的可用加工设备作为该工件的加工设备。
6.一种基于深度学习的车间控制系统,其特征在于,包括:
数据采集模块,用于采集加工设备的零件全生命周期数据,构建训练样本集和测试样本集;
设备故障预测模块,用于构建基于LSTM人工神经网络的设备故障预测模型,利用所述训练样本集和所述测试样本集对所述设备故障预测模型进行训练和测试,利用训练好的所述设备故障预测模型输出所述加工设备的预测故障发生时刻数据;
车间调度模型构建模块,用于构建车间调度模型,并获取所述加工设备的维修时长数据,利用所述维修时长数据和所述预测故障发生时刻数据构建所述车间调度模型中的一个加工约束;
获取模块,用于根据所述车间调度模型获取总加工时间最短的工件加工方案,发送工件加工指令;
所述车间调度模型为:
Minimize Cmax
Cmax≥Ei,s,i∈I
Ei,j=Bi,j+pti,j,i∈I,j∈J
Bi,j+1-Bi,j≥pti,j,i∈I,j=1,...s-1
式中,Minimize表示最小化,Cmax表示最大完工时间,Ei,s表示所有工件在最后一个阶段的完工时间,Ei,j表示工件i在阶段j的完工时间,Bi,j表示工件i在阶段j的开始加工时间,pti,j表示工件i在阶段j加工所需的加工时间,I为阶段序号,J为加工阶段集合,Xi,j,k为变量,若工件i在阶段j的加工设备k上加工时Xi,j,k为1,否则Xi,j,k为0,Bi,j+1为表示工件i在阶段j+1的开始加工时间,为0-1变量,在阶段j,若工件i1先于工件i2加工则为1,否则为0,为工件i1在阶段j的开始加工时间,为工件i2在阶段j的完工时间,L为预设整数,为工件i在阶段j的加工设备mj上的开始加工时间,是工件i在阶段j的加工设备mj上的完工时间,是预测得到加工设备mj发生p类故障的时刻,是加工设备mj维修p类故障的维修时长。
7.如权利要求6所述的一种基于深度学习的车间控制系统,其特征在于,所述采集加工设备的零件全生命周期数据为:采集所述加工设备的零件更换数据;或采集所述加工设备从开始连续运行到零件损坏的数据;或为每个加工设备预先定义要采集的数据。
9.如权利要求6所述的一种基于深度学习的车间控制系统,其特征在于,采用模拟退火算法对所述车间调度模型进行求解,以获取总加工时间最短的工件加工方案。
10.如权利要求6所述的一种基于深度学习的车间控制系统,其特征在于,
所述获取总加工时间最短的工件加工方案过程中,预先定义待加工工件的分配策略为:按照工件编码确定工件加工先后顺序;若多个工件同时到达,采用RR规则进行调度,随机确定同时到达的工件的加工先后顺序;
所述获取总加工时间最短的工件加工方案过程中,预先定义为工件分配加工设备的分配策略为:获取该工件的每个可用加工设备的空闲时间,获取该工件上一阶段的加工结束时间,获取每个可用加工设备加工该工件的加工时长;确定每个可用加工设备加工该工件的加工完成时刻,选择加工完成时刻最小的可用加工设备作为该工件的加工设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010886614.XA CN111913458B (zh) | 2020-08-28 | 2020-08-28 | 一种基于深度学习的车间控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010886614.XA CN111913458B (zh) | 2020-08-28 | 2020-08-28 | 一种基于深度学习的车间控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111913458A CN111913458A (zh) | 2020-11-10 |
CN111913458B true CN111913458B (zh) | 2022-06-21 |
Family
ID=73266283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010886614.XA Active CN111913458B (zh) | 2020-08-28 | 2020-08-28 | 一种基于深度学习的车间控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111913458B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114859832B (zh) * | 2022-04-24 | 2023-04-11 | 合肥工业大学 | 一种t梁生产控制方法和系统 |
CN114675597B (zh) * | 2022-05-30 | 2022-08-26 | 中科航迈数控软件(深圳)有限公司 | 一种数控机床故障预测可视化方法 |
CN114926075B (zh) * | 2022-06-02 | 2024-06-07 | 西安电子科技大学 | 基于工时预测的机械零件生产调度方法 |
CN116485578B (zh) * | 2023-06-25 | 2023-10-27 | 张家港广大特材股份有限公司 | 一种钢材冶炼车间的集成管理方法及系统 |
CN117114352B (zh) * | 2023-09-15 | 2024-04-09 | 北京阿帕科蓝科技有限公司 | 车辆维护方法、装置、计算机设备和存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390195B (zh) * | 2013-05-28 | 2016-11-09 | 重庆大学 | 一种基于强化学习的机械车间任务调度节能优化系统 |
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
CN110084401B (zh) * | 2019-03-21 | 2021-04-23 | 中车工业研究院有限公司 | 一种基于预留维修时间的调度优化方法及装置 |
CN110163409B (zh) * | 2019-04-08 | 2021-05-18 | 华中科技大学 | 一种应用于置换流水车间的卷积神经网络调度方法 |
CN110609531B (zh) * | 2019-09-27 | 2020-08-04 | 北京航空航天大学 | 一种基于数字孪生的车间调度方法 |
-
2020
- 2020-08-28 CN CN202010886614.XA patent/CN111913458B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111913458A (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111913458B (zh) | 一种基于深度学习的车间控制方法及系统 | |
He et al. | Scheduling flexible job shop problem subject to machine breakdown with route changing and right-shift strategies | |
Essafi et al. | A MIP approach for balancing transfer line with complex industrial constraints | |
Li et al. | An optimization method for energy-conscious production in flexible machining job shops with dynamic job arrivals and machine breakdowns | |
CN114186791A (zh) | 一种面向多型号小批量的复杂装备产品装调生产动态调度方法 | |
CN113867299B (zh) | 基于数字孪生的不确定扰动下的ipps问题求解方法 | |
CN114757512B (zh) | 一种基于图神经网络的作业车间调度方法 | |
Cai et al. | Single-machine scheduling with advanced process control constraints | |
CN109634239A (zh) | 一种用于混合流水车间节能调度的建模方法 | |
Shen et al. | Joint optimization of production and maintenance for a serial–parallel hybrid two-stage production system | |
CN111210125B (zh) | 一种基于历史信息指导的多目标工件批调度方法及装置 | |
Cheng et al. | New benchmark algorithms for No-wait flowshop group scheduling problem with sequence-dependent setup times | |
Yuan et al. | A multi-agent double deep-Q-network based on state machine and event stream for flexible job shop scheduling problem | |
CN113568747B (zh) | 基于任务分类与时序预测的云机器人资源调度方法及系统 | |
Xu et al. | Scheduling an automatic IoT manufacturing system with multiple servers | |
Rodler et al. | Randomized problem-relaxation solving for over-constrained schedules | |
Guo et al. | Joint multi-objective dynamic scheduling of machine tools and vehicles in a workshop based on digital twin | |
CN117647960A (zh) | 一种基于深度强化学习的车间调度方法、装置和系统 | |
Sobaszek et al. | The algorithms for robust scheduling of production jobs under machine failure and variable technological operation times | |
Lee et al. | Self-growth learning-based machine scheduler to minimize setup time and tardiness in OLED display semiconductor manufacturing | |
Wójcicki et al. | Cross-level model of a transfer machine energy demand using a two-machine generalized threshold representation | |
Yilmazlar et al. | Mixed-model sequencing with stochastic failures: A case study for automobile industry | |
Siemiatkowski et al. | Planning optimised multi-tasking operations under the capability for parallel machining | |
Zhu et al. | An Adaptive Reinforcement Learning‐Based Scheduling Approach with Combination Rules for Mixed‐Line Job Shop Production | |
Putz et al. | Energy-sensitive control strategies for decoupled production systems |
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 |