CN112668863A - 一种基于Hopfield神经网络算法的生产时序表生成方法 - Google Patents
一种基于Hopfield神经网络算法的生产时序表生成方法 Download PDFInfo
- Publication number
- CN112668863A CN112668863A CN202011545092.3A CN202011545092A CN112668863A CN 112668863 A CN112668863 A CN 112668863A CN 202011545092 A CN202011545092 A CN 202011545092A CN 112668863 A CN112668863 A CN 112668863A
- Authority
- CN
- China
- Prior art keywords
- order
- production
- orders
- time
- line
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 294
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims description 73
- 230000008859 change Effects 0.000 claims description 26
- 210000002569 neuron Anatomy 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 4
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000012163 sequencing technique Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 36
- 238000005457 optimization Methods 0.000 description 5
- 239000003990 capacitor Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种基于Hopfield神经网络算法的生产时序表生成方法,该方法包括:S1、接收订单,将订单拆分成子订单;S2、判断每个订单能够进行生产的线体;S3、判断每个订单能够使用生产的线体是否为单个线体:若是单个线体,则进行步骤S5;若是多个线体,则进行步骤S4;S4、选择多条线体中更合适的线体作为订单的线体,使用Hopfield神经网络算法确定排序;S5、使用Hopfield神经网络算法对每条线体上的订单分别进行排序;S6、计算订单的生产结束日期;S7、形成生产时序表。该方法使用智能算法提高线体利用率,使产能利用率最大化,同时提高生产排程效率,可使企业取得良好的经济效益。
Description
技术领域
本发明涉及一种基于Hopfield神经网络算法的生产时序表生成方法,属于生产制造业的生产计划的排程技术领域。
背景技术
生产计划的排程与调度在不同的制造业中都扮演着重要的角色。它的目标是在一定的时间内将客户的订单安排在不同的生产线体或生产设备上,并且遵循特定生产限制的同时对生产的某些性能进行优化。随着针对客户的产品在许多行业变得更加普遍,一种大规模定制趋势导致了许多产品生产形式的变化。由于客户定制带来的生产产品的多样性,在生产设备上需要较为频繁地对设备的某些部件进行切换。而在实际操作中,从一种产品切换到另一种产品往往会导致宝贵资源的浪费,例如由于机器设置的切换带来的总生产时间的延长。因此,寻找使生产某些性能最优的可行的排程方案在生产调度过程中扮演着重要的角色,这样的排程可以减少生产损失,同时确保满足客户的预定日期。
在实际的车间进行生产计划排程,即生成生产时序表,大多由排产人员手工根据订单情况和库存情况使用EXCEL生成生产时序表。而由于多样的产品订单,排产人员需要根据经验安排订单的顺序,并且计算出订单的生产日期和每日的生产数量,这样的排程方式效率较低,并且强依赖于人的记忆与经验,易出现准确度不高的情况。
而传统的排序算法,编码方式比较复杂,寻优时间长,算法的搜索速率慢;且传统群智能算法易于为陷入局部极值的问题。
发明内容
针对现有技术的不足,本发明提供了一种基于Hopfield神经网络算法的生产时序表生成方法,可根据订单情况使用Hopfield神经网络自动生成生产时序表的方法,从而提高企业排产效率和线体的利用率,编码方式简单,寻优时间更短。
术语解释:
1.Hopfield神经网络:Hopfield神经网络是美国加州理工学院物理学教授J.J.Hopfield提出的一种反馈神经网络。离散的Hopfield神经网络可用做分类或联想记忆,而连续Hopfield神经网络则在解决组合优化问题时有着很好的效果。
2.线体:即生产线,完成产品生产的流水线。
本发明的技术方案为:
一种基于Hopfield神经网络算法的生产时序表生成方法,所述方法包括步骤:
S1、接收订单,将订单中的整机订单拆分成子订单,并且给予子订单不同的生产行号;同一个订单拆分成多个子订单,拆分后的子订单仍然有着相同的订单号,为了标识不同的子订单,拥有相同订单号的子订单具有不同的行号;
S2、根据机型和线体的对应关系,判断每个订单能够进行生产的线体,将订单分配到能进行生产的线体上,并根据线体与订单的对应关系生成字典;完成每个订单能够进行生产的线体的初步判断;
S3、判断每个订单能够使用生产的线体是否为单个线体:若是多个线体,则进行步骤S4;若是单个线体,则进行步骤S5;
S4、当订单能够使用生产的线体是多个线体,先从能够使用生产的线体中筛选出合适的线体,然后使用Hopfield神经网络算法确定订单在筛选出合适的线体上的排序,再根据得到的排序计算订单在的生产起始日期,比较交货期和生产起始日期之间的差值,选择差值最大的线体作为该订单的生产线体;再进行步骤S6;
差值大说明留给订单的准备时间就更多,对于生产就更合适,选择计算出来的两个可以选择的线体的生产时间差值中差值较大对应的线体。通过步骤S4从多条线体中选择更为合适的线体。
S5、使用Hopfield神经网络算法确定订单在线体上的排序;S5中,订单进行排序的原则为线体上所有订单的总生产时间最短,即总换产时间最短。因此,需要计算每条线体上每个订单的生产起始日期和所有订单的总生产时间,从而比较排序方案的优劣。
S6、根据订单顺序、每个订单生产用时、订单之间的换产用时和当前生产时序安排的日期范围计算每个订单的生产结束日期;
S7、根据订单的信息、订单的生产结束日期和生产起始日期以及生产结束日期和生产起始日期之间对应的生产数量,汇总形成生产时序表,并且将形成的生产时序表发送至生产部门;
S8、进行生产。
根据本发明优选的,步骤S4和S5中,使用Hopfield神经网络算法确定订单在线体上的排序的具体过程为:
a、初始化换产矩阵F:读入订单的信息,根据订单中的机型,计算依次生产不同订单时需要的换产时间,形成一个大小为n×n的换产矩阵F,n为订单数量,换产矩阵是对角线为0的对称矩阵,其中任一个元素dij为先生产i订单紧接着再生产j订单所用的换产时间,i=1、2、3……n,j=1、2、3……n,i和j均为正整数,且i≠j;
b、初始化Hopfield神经网络的输入,包括初始输入电压U0,输入电压U0为一个常量,迭代次数iter、权值A、权值D,梯度变化时的步长Δt以及神经网络的输入状态uxi(t),梯度变化时的步长Δt、迭代次数iter、权值A、权值D均为设定的常量,输入状态uxi(t)即为在上一代时的订单排序的状态,订单排序的状态就是某个订单的排序;
c、使用动态方程计算输入状态uxi(t)的增量:
式(IV)中,vxi表示第x个订单是否被安排在第i个生产;,vxi=1表示第x个订单被安排在第i个生产;
vyi表示表示第y个订单是否被安排在第i个生产,vyi=1表示第y个订单被安排在第i个生产;
dxy表示订单x和订单y之间的间隔时间,用订单x的生产时间与订单x与y之间的换产时间之和表示;
vy,i+1表示订单y在有效生产顺序中的位置为i+1;
d、使用一阶欧拉方程更新Hopfield神经网络下一个时刻的输入状态uxi(t+1),即在当前迭代次数时的订单排序的状态:
式(V)中,uxi(t)为t代时订单x安排在第i个生产,uxi(t+1)为t+1代时订单x在安排在第i个生产,Δt为梯度变化时的步长;
e、使用sigmoid函数更新神经网络下一个时刻的输出状态,其中sigmoid函数为输入状态和输出状态之间的非线性函数关系;
f、计算当前迭代时的能量函数E:
式(III)中,vxi表示第x个订单是否被安排在第i个生产;vxi为一个神经元的状态,有0和1两种状态;vxi=1表示第x个订单被安排在第i个生产;
dxy表示订单x和订单y之间的间隔时间,用订单x的生产时间与订单x与y之间的换产时间之和表示;
vy,i+1表示第y个订单是否被安排在第i+1个生产;
第一项为行元素两两相乘的和,在同一行中出现的1表示同一个订单生产的次数,因此对于合法解,每一行只出现一次1,即合法解的能量函数的第一项为0;
第二项为列元素两两相乘的和,在同一列出现的1表示同时生产的订单个数和位置,因此对于合法解,每一列只出现一次1,即合法解的能量函数第二项为0;
第三项为问题的目标函数项,为按一定顺序生产所有订单时经历的总时间和,总时间包括生产时间和换产时间;
求能量函数E最小时对应的输出状态集合;对于能量函数而言,合法且排序较优的订单顺序的能量函数越小,因此希望能量函数越小越好;结束迭代的条件是达到设置的总迭代次数;
g、检查当前Hopfield神经网络的输出状态集合的合法性,即判断输出状态集合是否满足订单生产顺序的置换矩阵的规则:
若输出状态集合不满足订单生产顺序的置换矩阵的规则,则输出状态集合不合法,重复步骤b至g;
若输出状态集合满足订单生产顺序的置换矩阵的规则,则输出状态集合合法,进行步骤h;
h、根据得到的合法置换矩阵,转换成为订单的生产顺序序列。
根据本发明优选的,步骤g中,置换矩阵的规则为:
(1)置换矩阵为n*n的矩阵,一个订单只能被安排生产一次,对应置换矩阵中,每行只能有一个1;
(2)每次只能生产一个订单,对应置换矩阵中,每列只能有一个1;
(3)共生产n个订单,对应置换矩阵中,矩阵全部元素的和为n。
置换矩阵为将排产顺序问题映射到神经网络一个辅助矩阵。具体的输出状态和置换矩阵的对应关系为:输出状态可能是各种各样的,也就是在一个n*n的矩阵很可能不满足步骤g中的规定的每行每列中1的个数,而置换矩阵必须是满足步骤g中规则的。当输出状态满足置换矩阵的规则时,置换矩阵即为神经元的输出状态,当不满足时,需要将输出状态转换成满足置换矩阵的规则的样子。
根据本发明优选的,步骤S4中,先从能够使用生产的线体中筛选出合适的线体,具体过程为:
当某个订单能够在多条线体上生产时,选择不会造成其他订单延误的线体作为该订单的生产线体;
如果能够使用生产的线体都不会造成其他订单的延误,则选择生产时间最短的线体作为该订单的生产线体;从而筛选出合适的线体。
根据本发明优选的,所述S6中,计算每个订单的生产结束日期的具体过程为:
S6-1、计算某一线体上所有订单的生产时间;
S6-2、计算该线体上相邻两个订单之间的换产时间;
S6-3、判断订单是否为该线体的第一个订单:
若订单是某一线体的第一个订单,则该订单的生产结束日期为生产起始日期加上该订单的生产时间;
若订单不是某一线体的第一个订单,则该订单的生产结束日期为上一个订单的生产结束日期加上该订单的生产时间和上一个订单与该订单之间的换产时间;
S6-4、判断订单的最后一天的生产时间是否大于日可用生产时间,即用来判断是否需要安排下一个订单在第二天生产,所述日可用生产时间为一天内线体的总可用运行时间;
若子订单的最后一天的生产时间小于日可用生产时间,则重复步骤S6-1-S6-4继续判断下一个订单的生产结束日期;
若子订单的最后一天的生产时间大于日可用生产时间,则该子订单的生产结束日期加一天,且下一个订单的生产起始日期为上一个订单的生产结束日期加一天。
根据本发明优选的,步骤S1中:根据订单与线体的对应关系,将整机订单拆分成子订单,然后根据库存情况确定实际需要生产的子订单内容,所述子订单内容包括订单的机型和生产数量。
根据本发明优选的,步骤S2生成字典中,字典的键为线体的名称,字典的值为在该线体上生产订单的信息,所述生产订单的信息包括序号、备注、销售订单号、行号、订单号、物料号、机型、订单数量、版本、新品、系统日期、出运期、海外订单、国家。部分订单可以由多条线体生产,因此对应的键值为多条线体。
本发明的有益效果为:
1.本发明能根据订单信息和机型对应的生产线体以及同一线体上生产不同机型时的换产情况自动将订单分类到不同的线体上,减少由于人工经验导致的错误,提高生产计划排程工作的效率,同时可以在保证生产计划符合订单交期要求的前提下自动完成复杂的计算。
2.本发明中使用的Hopfield神经网络算法可有效地解决组合优化问题,相较于传统的排序算法如群智能算法、遗传算法等算法而言,Hopfield神经网络算法编码方式简单,寻优时间更短,克服排序算法中常用算法搜索速率慢的缺点。同时相较于传统群智能算法易于为陷入局部极值的问题,由于神经元本身的变化使得Hopfield神经网络的能量函数不是一直在下降,而是可以上升和下降,因此有可能跳出局部最优值。
3.本发明提供的一种生产时序表的生成方法,使企业快速完成生产排程,可以充分减少排产人员的工作量;将排程的方法规范化,从由人的经验排程转换为根据数据排程,提高排程的精度,减少评审时需要调整,即重新安排生产信息的订单数量;提高线体利用率,使产能利用率最大化,可使企业取得良好的经济效益。
附图说明
图1是本发明提供的生产时序表的智能生成方法的步骤流程图;
图2是连续型Hopfield神经网络的等效电路图;
图3是本发明提供的使用Hopfield神经网络进行订单排序的实现流程图;
图4是本发明提供的计算订单生产日期的实现流程图。
具体实施方式
下面结合实施例和说明书附图对本发明做进一步说明,但不限于此。
实施例1
一种基于Hopfield神经网络算法的生产时序表生成方法,如图1所示,所述方法包括步骤:
S1、接收订单,根据订单与线体的对应关系,将订单中的整机订单拆分成子订单,并且给予子订单不同的生产行号;同一个订单拆分成多个子订单,拆分后的子订单仍然有着相同的订单号,为了标识不同的子订单,拥有相同订单号的子订单具有不同的行号;
根据库存情况确定实际需要生产的子订单内容,所述子订单内容包括订单的机型和生产数量。
S2、根据机型和线体的对应关系,判断每个订单能够进行生产的线体,将订单分配到能进行生产的线体上,并根据线体与订单的对应关系生成字典;完成每个订单能够进行生产的线体的初步判断;
步骤S2生成字典中,字典的键为线体的名称,字典的值为在该线体上生产订单的信息,所述生产订单的信息包括序号、备注、销售订单号、行号、订单号、物料号、机型、订单数量、版本、新品、系统日期、出运期、海外订单、国家。部分订单可以由多条线体生产,因此对应的键值为多条线体。
例如:订单1能够被线体1生产,则将其分配到线体1上;订单2能够被线体1和线体2生产,则进行S3中的判断,这里暂时生成这样的字典:【线体1:订单1信息,线体1和线体2:订单2信息……】,后续在步骤S4中选择更合适的线体后再改变字典里的内容。
S3、判断每个订单能够使用生产的线体是否为单个线体:若是多个线体,则进行步骤S4;若是单个线体,则进行步骤S5;
S4、当订单能够使用生产的线体是多个线体,先从能够使用生产的线体中筛选出合适的线体,具体过程为:
当某个订单能够在多条线体上生产时,选择不会造成其他订单延误的线体作为该订单的生产线体;
如果能够使用生产的线体都不会造成其他订单的延误,则选择生产时间最短的线体作为该订单的生产线体;从而筛选出合适的线体。
然后使用Hopfield神经网络算法确定订单在筛选出合适的线体上的排序,再根据得到的排序计算订单在的生产起始日期,比较交货期和生产起始日期之间的差值,选择差值最大的线体作为该订单的生产线体;再进行步骤S6;
差值大说明留给订单的准备时间就更多,对于生产就更合适,选择计算出来的两个可以选择的线体的生产时间差值中差值较大对应的线体。通过步骤S4从多条线体中选择更为合适的线体。
S5、使用Hopfield神经网络算法确定订单在线体上的排序;S5中,订单进行排序的原则为线体上所有订单的总生产时间最短,即总换产时间最短。因此,需要计算每条线体上每个订单的生产起始日期和所有订单的总生产时间,从而比较排序方案的优劣。
Hopfield神经网络英文缩写HNN,主要采用模拟生物网络的记忆机理,使用能量函数来呈现出人工神经网络的稳定过程。Hopfield神经网络根据激活函数可以分为离散型Hopfield神经网络(DHNN)和连续型Hopfield神经网络(CHNN)。CHNN更适合处理组合优化问题。CHNN网络,是单层反馈非线性网络,每一个节点的输出均反馈至节点的输入。
在使用CHNN解决问题时,可以将网络抽象为一个电子放大电路,如图2所示。图2中,电阻Ri0和电容Ci并联,模拟生物神经元的延时特性;电阻Rij(j=1,2,...,n;i=1,2,...,n),模拟突触特性;偏置电流Ii相当于阈值;运算放大器模拟神经元的非线性饱和特性;Ui表示输入电压用于模拟神经元的输入状态;Vj表示输出电压,用于模拟神经元的输出状态,其中,i=1,2,...,n。用于表示第i次迭代。
设电容Ci两端的电压为Ui,存储的电荷量为Q,则
根据基尔霍夫电流定律,CHNN等效电路的电流关系为:
则电流关系可以简化为:
上式即为关于CHNN模型中输入电压Ui和Ui增量的微分方程;
同时,也是CHNN模型的状态方程,其中输出电压Vi满足非线性映射规则fVi=f(Ui)
上式中f(x)为S形激励函数:
在这个网络中,神经元的状态会异质不断更新迭代,随着时间的变化,神经网络最终会收敛到一个稳定的状态,网络的输出也会稳定,这样的稳定的状态可以用能量函数来解释。
Hopfield神经网络的能量函数定义如下:
使用Hopfield神经网络解决生产计划排程问题时,将问题抽象化成以下数学公式:
设共需要生产n个子订单,将每一个子订单对应于神经网络的一个神经元,即n个子订单的生产排程问题用n*n个神经元组成的Hopfield神经网络来求解;所有订单的生产位置状态由置换矩阵表示,在置换矩阵中,每一行表示一个子订单,当第i行中第j个元素为1,表示第i个子订单被安排到第j个生产,i=1、2、3……n,j=1、2、3……n,且i≠j;
对于生产排程问题,在一般CHNN能量函数的基础上,需要使能量函数可以量化置换矩阵的规则,同时在问题的n!个合法路径中,能量函数要有利于量化最短路线的解。
因此,将能量函数表示为:
式(”)中,vxy为置换矩阵中第x行第y列的元素,如果订单x被第y个生产,则vxy=1,否则vxy=0;dxy为订单x和订单y两个订单之间的生产时长,设定为前一个订单的生产时间和两个订单之间换产时间之和;vxi表示第x个订单是否被安排在第i个生产,vxj表示第x个订单是否被安排在第j个生产,vy,i+1第y个订单是否被安排在第i+1个生产,vy,i-1第y个订单是否被安排在第i-1个生产;
A、B、C、D为设定常数,称为权值,订单数为n。第一项表示每行中的每个订单x,必须有且只有一个1;第二项表示每列中的每个订单x,必须有且只有一个1;第三项表示整个矩阵有n个1;第四项表示订单生产路径对应的总生产时间;前三项为满足置换矩阵的约束条件,最后一项为目标函数。
由于上述能量函数过于复杂,将其简化为下式(III):
步骤S4和S5中,使用Hopfield神经网络算法确定订单在线体上的排序的具体过程为:如图3所示,具体过程为:
a、初始化换产矩阵F:读入订单的信息,根据订单中的机型,计算依次生产不同订单时需要的换产时间,形成一个大小为n×n的换产矩阵F,n为订单数量,换产矩阵是对角线为0的对称矩阵,其中任一个元素dij为先生产i订单紧接着再生产j订单所用的换产时间,i=1、2、3……n,j=1、2、3……n,i和j均为正整数,且i≠j;
b、初始化Hopfield神经网络的输入,包括初始输入电压U0,输入电压U0为一个常量,迭代次数iter、权值A、权值D,迭代次数iter、权值A、权值D均为设定的常量,梯度变化时的步长Δt以及神经网络的输入状态uxi(t),梯度变化时的步长Δt为一个常量,输入状态uxi(t)即为在上一代时的订单排序的状态,订单排序的状态就是某个订单的排序;
c、使用动态方程计算输入状态uxi(t)的增量:
式(IV)中,vxi表示第x个订单是否被安排在第i个生产;,vxi=1表示第x个订单被安排在第i个生产;
vyi表示表示第y个订单是否被安排在第i个生产,vyi=1表示第y个订单被安排在第i个生产;
dxy表示订单x和订单y之间的间隔时间,用订单x的生产时间与订单x与y之间的换产时间之和表示;
vy,i+1表示订单y在有效生产顺序中的位置为i+1;
d、使用一阶欧拉方程更新Hopfield神经网络下一个时刻的输入状态uxi(t+1),即在当前迭代次数时的订单排序的状态:
式(V)中,uxi(t)为t代时订单x安排在第i个生产,uxi(t+1)为t+1代时订单x在安排在第i个生产,Δt为梯度变化时的步长;
e、使用sigmoid函数更新神经网络下一个时刻的输出状态,其中sigmoid函数为输入状态和输出状态之间的非线性函数关系;
f、计算当前迭代时的能量函数E:
式(III)中,vxi表示第x个订单是否被安排在第i个生产;vxi为一个神经元的状态,有0和1两种状态;vxi=1表示第x个订单被安排在第i个生产;
dxy表示订单x和订单y之间的间隔时间,用订单x的生产时间与订单x与y之间的换产时间之和表示;
vy,i+1表示第y个订单是否被安排在第i+1个生产;
第一项为行元素两两相乘的和,在同一行中出现的1表示同一个订单生产的次数,因此对于合法解,每一行只出现一次1,即合法解的能量函数的第一项为0;
第二项为列元素两两相乘的和,在同一列出现的1表示同时生产的订单个数和位置,因此对于合法解,每一列只出现一次1,即合法解的能量函数第二项为0;
第三项为问题的目标函数项,为按一定顺序生产所有订单时经历的总时间和,总时间包括生产时间和换产时间;
求能量函数E最小时对应的输出状态集合;对于能量函数而言,合法且排序较优的订单顺序的能量函数越小,因此希望能量函数越小越好;结束迭代的条件是达到设置的总迭代次数;
g、检查当前Hopfield神经网络的输出状态集合的合法性,即判断输出状态集合是否满足订单生产顺序的置换矩阵的规则:
若输出状态集合不满足订单生产顺序的置换矩阵的规则,则输出状态集合不合法,重复步骤b至g;
若输出状态集合满足订单生产顺序的置换矩阵的规则,则输出状态集合合法,进行步骤h;
步骤g中,置换矩阵的规则为:
(1)置换矩阵为n*n的矩阵,一个订单只能被安排生产一次,对应置换矩阵中,每行只能有一个1;
(2)每次只能生产一个订单,对应置换矩阵中,每列只能有一个1;
(3)共生产n个订单,对应置换矩阵中,矩阵全部元素的和为n。
置换矩阵为将排产顺序问题映射到神经网络一个辅助矩阵。具体的输出状态和置换矩阵的对应关系为:输出状态可能是各种各样的,也就是在一个n*n的矩阵很可能不满足步骤g中的规定的每行每列中1的个数,而置换矩阵必须是满足步骤g中规则的。当输出状态满足置换矩阵的规则时,置换矩阵即为神经元的输出状态,当不满足时,需要将输出状态转换成满足置换矩阵的规则的样子。
h、根据得到的合法置换矩阵,转换成为订单的生产顺序序列。
S6、根据订单顺序、每个订单生产用时、订单之间的换产用时和当前生产时序安排的日期范围计算每个订单的生产结束日期;
所述S6中,如图4所示,计算每个订单的生产结束日期的具体过程为:
S6-1、计算某一线体上所有订单的生产时间;
S6-2、计算该线体上相邻两个订单之间的换产时间;
S6-3、判断订单是否为该线体的第一个订单:
若订单是某一线体的第一个订单,则该订单的生产结束日期为生产起始日期加上该订单的生产时间;
若订单不是某一线体的第一个订单,则该订单的生产结束日期为上一个订单的生产结束日期加上该订单的生产时间和上一个订单与该订单之间的换产时间;
S6-4、判断订单的最后一天的生产时间是否大于日可用生产时间,即用来判断是否需要安排下一个订单在第二天生产,所述日可用生产时间为一天内线体的总可用运行时间;
若子订单的最后一天的生产时间小于日可用生产时间,则重复步骤S6-1-S6-4继续判断下一个订单的生产结束日期;
若子订单的最后一天的生产时间大于日可用生产时间,则该子订单的生产结束日期加一天,且下一个订单的生产起始日期为上一个订单的生产结束日期加一天。
S7、根据订单的信息、订单的生产结束日期和生产起始日期以及生产结束日期和生产起始日期之间对应的生产数量,汇总形成生产时序表,并且将形成的生产时序表发送至生产部门;生产时序表包括:生产订单的信息和生产日期,生产订单的信息包括销售订单号,行号,订单号,物料号,机型,订单数量,版本,新品、海外订单号、国家、系统日期、出运期;
S8、进行生产。
在本发明实施例中,接收订单信息,根据订单信息将订单拆分成多个订单;根据订单生产信息和实际产线的线体信息,给每个订单分配生产线,对于有多条线体可选的订单,选择一条最为合适的线体;对每条生产上的所有订单使用Hopfield算法进行排序;根据排序结果自动计算出每个订单的生产日期,最后根据上述结果形成完整的生产时序表,从而实现在机器装配制造领域中的生产排程,其具有以下技术效果:
(1)使企业快速完成生产排程,可以充分减少排产人员的工作量;
(2)将排程的方法规范化,从由人的经验排程转换为根据数据排程,提高排程的精度,减少评审时需要调整,即重新安排生产信息的订单数量;
(3)提高线体利用率,使产能利用率最大化,可使企业取得良好的经济效益。
Claims (7)
1.一种基于Hopfield神经网络算法的生产时序表生成方法,其特征在于,所述方法包括步骤:
S1、接收订单,将订单中的整机订单拆分成子订单,并且给予子订单不同的生产行号;
S2、根据机型和线体的对应关系,判断每个订单能够进行生产的线体,将订单分配到能进行生产的线体上,并根据线体与订单的对应关系生成字典;
S3、判断每个订单能够使用生产的线体是否为单个线体:若是多个线体,则进行步骤S4;若是单个线体,则进行步骤S5;
S4、当订单能够使用生产的线体是多个线体,先从能够使用生产的线体中筛选出合适的线体,然后使用Hopfield神经网络算法确定订单在筛选出合适的线体上的排序,再根据得到的排序计算订单在的生产起始日期,比较交货期和生产起始日期之间的差值,选择差值最大的线体作为该订单的生产线体;再进行步骤S6;
S5、使用Hopfield神经网络算法确定订单在线体上的排序;
S6、根据订单顺序、每个订单生产用时、订单之间的换产用时和当前生产时序安排的日期范围计算每个订单的生产结束日期;
S7、根据订单的信息、订单的生产结束日期和生产起始日期以及生产结束日期和生产起始日期之间对应的生产数量,汇总形成生产时序表,并且将形成的生产时序表发送至生产部门;
S8、进行生产。
2.根据权利要求1所述的一种基于Hopfield神经网络算法的生产时序表生成方法,其特征在于,步骤S4和S5中,使用Hopfield神经网络算法确定订单在线体上的排序的具体过程为:
a、初始化换产矩阵F:读入订单的信息,根据订单中的机型,计算依次生产不同订单时需要的换产时间,形成一个大小为n×n的换产矩阵F,n为订单数量,换产矩阵是对角线为0的对称矩阵,其中任一个元素dij为先生产i订单紧接着再生产j订单所用的换产时间,i=1、2、3……n,j=1、2、3……n,i和j均为正整数,且i≠j;
b、初始化Hopfield神经网络的输入,包括初始输入电压U0,输入电压U0为一个常量,迭代次数iter、权值A、权值D,梯度变化时的步长Δt以及神经网络的输入状态uxi(t),梯度变化时的步长Δt、迭代次数iter、权值A、权值D均为设定的常量,输入状态uxi(t)即为在上一代时的订单排序的状态,订单排序的状态就是某个订单的排序;
c、使用动态方程计算输入状态uxi(t)的增量:
式(IV)中,vxi表示第x个订单是否被安排在第i个生产;,vxi=1表示第x个订单被安排在第i个生产;
vyi表示表示第y个订单是否被安排在第i个生产,vyi=1表示第y个订单被安排在第i个生产;
dxy表示订单x和订单y之间的间隔时间,用订单x的生产时间与订单x与y之间的换产时间之和表示;
vy,i+1表示订单y在有效生产顺序中的位置为i+1;
d、使用一阶欧拉方程更新Hopfield神经网络下一个时刻的输入状态uxi(t+1),即在当前迭代次数时的订单排序的状态:
式(V)中,uxi(t)为t代时订单x安排在第i个生产,uxi(t+1)为t+1代时订单x在安排在第i个生产,Δt为梯度变化时的步长;
e、使用sigmoid函数更新神经网络下一个时刻的输出状态,其中sigmoid函数为输入状态和输出状态之间的非线性函数关系;
f、计算当前迭代时的能量函数E:
式(III)中,vxi表示第x个订单是否被安排在第i个生产;vxi为一个神经元的状态,有0和1两种状态;vxi=1表示第x个订单被安排在第i个生产;
dxy表示订单x和订单y之间的间隔时间,用订单x的生产时间与订单x与y之间的换产时间之和表示;
vy,i+1表示第y个订单是否被安排在第i+1个生产;
求能量函数E最小时对应的输出状态集合;
g、检查当前Hopfield神经网络的输出状态集合的合法性,即判断输出状态集合是否满足订单生产顺序的置换矩阵的规则:
若输出状态集合不满足订单生产顺序的置换矩阵的规则,则输出状态集合不合法,重复步骤b至g;
若输出状态集合满足订单生产顺序的置换矩阵的规则,则输出状态集合合法,进行步骤h;
h、根据得到的合法置换矩阵,转换成为订单的生产顺序序列。
3.根据权利要求2所述的一种基于Hopfield神经网络算法的生产时序表生成方法,其特征在于,步骤g中,置换矩阵的规则为:
(1)置换矩阵为n*n的矩阵,一个订单只能被安排生产一次,对应置换矩阵中,每行只能有一个1;
(2)每次只能生产一个订单,对应置换矩阵中,每列只能有一个1;
(3)共生产n个订单,对应置换矩阵中,矩阵全部元素的和为n。
4.根据权利要求1所述的一种基于Hopfield神经网络算法的生产时序表生成方法,其特征在于,步骤S4中,先从能够使用生产的线体中筛选出合适的线体,具体过程为:
当某个订单能够在多条线体上生产时,选择不会造成其他订单延误的线体作为该订单的生产线体;
如果能够使用生产的线体都不会造成其他订单的延误,则选择生产时间最短的线体作为该订单的生产线体;从而筛选出合适的线体。
5.根据权利要求1所述的一种基于Hopfield神经网络算法的生产时序表生成方法,其特征在于,所述S6中,计算每个订单的生产结束日期的具体过程为:
S6-1、计算某一线体上所有订单的生产时间;
S6-2、计算该线体上相邻两个订单之间的换产时间;
S6-3、判断订单是否为该线体的第一个订单:
若订单是某一线体的第一个订单,则该订单的生产结束日期为生产起始日期加上该订单的生产时间;
若订单不是某一线体的第一个订单,则该订单的生产结束日期为上一个订单的生产结束日期加上该订单的生产时间和上一个订单与该订单之间的换产时间;
S6-4、判断订单的最后一天的生产时间是否大于日可用生产时间,即用来判断是否需要安排下一个订单在第二天生产,所述日可用生产时间为一天内线体的总可用运行时间;
若子订单的最后一天的生产时间小于日可用生产时间,则重复步骤S6-1-S6-4继续判断下一个订单的生产结束日期;
若子订单的最后一天的生产时间大于日可用生产时间,则该子订单的生产结束日期加一天,且下一个订单的生产起始日期为上一个订单的生产结束日期加一天。
6.根据权利要求1所述的一种基于Hopfield神经网络算法的生产时序表生成方法,其特征在于,步骤S1中:根据订单与线体的对应关系,将整机订单拆分成子订单,然后根据库存情况确定实际需要生产的子订单内容,所述子订单内容包括订单的机型和生产数量。
7.根据权利要求1-6任一项所述的一种基于Hopfield神经网络算法的生产时序表生成方法,其特征在于,步骤S2生成字典中,字典的键为线体的名称,字典的值为在该线体上生产订单的信息,所述生产订单的信息包括序号、备注、销售订单号、行号、订单号、物料号、机型、订单数量、版本、新品、系统日期、出运期、海外订单、国家。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011545092.3A CN112668863A (zh) | 2020-12-24 | 2020-12-24 | 一种基于Hopfield神经网络算法的生产时序表生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011545092.3A CN112668863A (zh) | 2020-12-24 | 2020-12-24 | 一种基于Hopfield神经网络算法的生产时序表生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112668863A true CN112668863A (zh) | 2021-04-16 |
Family
ID=75408151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011545092.3A Pending CN112668863A (zh) | 2020-12-24 | 2020-12-24 | 一种基于Hopfield神经网络算法的生产时序表生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668863A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743784A (zh) * | 2021-09-06 | 2021-12-03 | 山东大学 | 一种基于深度强化学习的生产时序表智能生成方法 |
CN117047870A (zh) * | 2023-10-12 | 2023-11-14 | 四川省致链数字科技有限公司 | 一种基于工业互联网的家具打孔工序柔性匹配系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1121372A (zh) * | 1993-04-20 | 1996-04-24 | 英国电讯有限公司 | Hopfield神经网络 |
CN101419688A (zh) * | 2008-12-18 | 2009-04-29 | 金蝶软件(中国)有限公司 | 一种安排生产线产品优先级的方法及装置 |
CN103049801A (zh) * | 2012-12-20 | 2013-04-17 | 四川长虹电器股份有限公司 | 生产线布局优化设计方法 |
CN105427021A (zh) * | 2015-10-30 | 2016-03-23 | 江苏云道信息技术有限公司 | 一种服装智能排产方法 |
CN109670717A (zh) * | 2018-12-25 | 2019-04-23 | 深圳百胜扬工业电子商务平台发展有限公司 | 目标产品的排程方法及装置 |
-
2020
- 2020-12-24 CN CN202011545092.3A patent/CN112668863A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1121372A (zh) * | 1993-04-20 | 1996-04-24 | 英国电讯有限公司 | Hopfield神经网络 |
CN101419688A (zh) * | 2008-12-18 | 2009-04-29 | 金蝶软件(中国)有限公司 | 一种安排生产线产品优先级的方法及装置 |
CN103049801A (zh) * | 2012-12-20 | 2013-04-17 | 四川长虹电器股份有限公司 | 生产线布局优化设计方法 |
CN105427021A (zh) * | 2015-10-30 | 2016-03-23 | 江苏云道信息技术有限公司 | 一种服装智能排产方法 |
CN109670717A (zh) * | 2018-12-25 | 2019-04-23 | 深圳百胜扬工业电子商务平台发展有限公司 | 目标产品的排程方法及装置 |
Non-Patent Citations (1)
Title |
---|
高嵩等: "基于神经网络和遗传算法的工序排序算法", 《机械工程与自动化》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743784A (zh) * | 2021-09-06 | 2021-12-03 | 山东大学 | 一种基于深度强化学习的生产时序表智能生成方法 |
CN117047870A (zh) * | 2023-10-12 | 2023-11-14 | 四川省致链数字科技有限公司 | 一种基于工业互联网的家具打孔工序柔性匹配系统及方法 |
CN117047870B (zh) * | 2023-10-12 | 2023-12-22 | 四川省致链数字科技有限公司 | 一种基于工业互联网的家具打孔工序柔性匹配系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7497342B2 (ja) | 電力システム熱負荷の予測方法及び予測装置 | |
US5432887A (en) | Neural network system and method for factory floor scheduling | |
Nam et al. | Forecasting international airline passenger traffic using neural networks | |
Zhou et al. | Bullwhip and inventory variance in a closed loop supply chain | |
CN110222888A (zh) | 一种基于bp神经网络的日平均电力负荷预测方法 | |
CN112668863A (zh) | 一种基于Hopfield神经网络算法的生产时序表生成方法 | |
Sahin et al. | Forecasting aviation spare parts demand using croston based methods and artificial neural networks | |
CN111832839B (zh) | 基于充分增量学习的能耗预测方法 | |
CN112508286A (zh) | 一种基于Kmeans-BiLSTM-DMD模型的短期负荷预测方法 | |
Wang | Application of BPN with feature-based models on cost estimation of plastic injection products | |
Chen | Estimating job cycle time in a wafer fabrication factory: A novel and effective approach based on post-classification | |
CN115907611A (zh) | 一种基于配件市场价值的配件库存管控方法 | |
Yilmaz et al. | Learning optimal solutions via an LSTM-optimization framework | |
Heydari et al. | Minimizing the maximum tardiness and makespan criteria in a job shop scheduling problem with sequence dependent setup times | |
Ula et al. | Application Of The Fuzzy Time Series Model In Clothing Material Stock Forecasting | |
Guneri et al. | The usage of artificial neural networks for finite capacity planning | |
CN116703644A (zh) | 一种基于Attention-RNN的短期电力负荷预测方法 | |
CN109814389A (zh) | 参数自整定的mimo异因子紧格式无模型控制方法 | |
CN113485278B (zh) | 优化两生产指标的柔性作业车间调度多目标分布估计方法 | |
Janikova et al. | Prediction of production line performance using neural networks | |
Ghomi et al. | A two-stage method for assessing the efficiency of the three-stage series network data envelopment analysis model with two feedback | |
CN112734286B (zh) | 一种基于多策略深度强化学习的车间调度方法 | |
Rodrigues et al. | Forecasting demand in the clothing industry | |
Ahmia et al. | Multi-model approach for electrical load forecasting | |
Billiet et al. | A review on simulation metamodeling for decision support systems using artificial neural networks |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210416 |
|
RJ01 | Rejection of invention patent application after publication |