CN112862326A - 一种基于大数据挖掘的系统调度优化方法 - Google Patents
一种基于大数据挖掘的系统调度优化方法 Download PDFInfo
- Publication number
- CN112862326A CN112862326A CN202110188870.6A CN202110188870A CN112862326A CN 112862326 A CN112862326 A CN 112862326A CN 202110188870 A CN202110188870 A CN 202110188870A CN 112862326 A CN112862326 A CN 112862326A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- data
- mining
- optimization method
- complex manufacturing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000005457 optimization Methods 0.000 title claims abstract description 41
- 238000007418 data mining Methods 0.000 title claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 99
- 238000005065 mining Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 21
- 238000004088 simulation Methods 0.000 claims description 21
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 10
- 238000003066 decision tree Methods 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- HQQSBEDKMRHYME-UHFFFAOYSA-N pefloxacin mesylate Chemical compound [H+].CS([O-])(=O)=O.C1=C2N(CC)C=C(C(O)=O)C(=O)C2=CC(F)=C1N1CCN(C)CC1 HQQSBEDKMRHYME-UHFFFAOYSA-N 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06Q10/0633—Workflow 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于大数据挖掘的系统调度优化方法，包括对复杂制造数据预处理；基于预处理数据的调度进行建模；对建模后数据进行调度知识挖掘以实现调度优化。基于大数据挖掘的系统调度优化方法已经在调度问题的建模和优化上有了广泛应用，能够较好地克服了传统调度建模和优化方法求解复杂生产过程调度问题时所存在的不足。
Description
技术领域
本发明涉及半导体生产技术领域，尤其涉及一种基于大数据挖掘的系统调度优化方法。
背景技术
现代工业技术的发展使得制造过程、工艺和设备装置趋于复杂，已经很难通过基于机理模型的传统建模方法为系统精确建模从而优化系统运行性能。例如对于复杂硅片加工生产线，虽然运用了先进的调度思想、精心设计了调度算法并加以实现，但得到的仿真结果精度较差，难以指导实际的调度排产任务。而随着企业信息化程度的提高，制造型企业对数据采集的实时性，精确性有显著提升，从而促进基于数据的方法在生产制造过程中的控制，在线监控与故障诊断，以及调度优化和管理决策优化的应用。尤其是在半导体制造领域，由于其关键性能指标无法由机理模型描述和在线监控检测，基于数据的预测方法得到了广泛的应用。
发明内容
本发明的目的是提供一种基于大数据挖掘的系统调度优化方法，能够较好地克服了传统调度建模和优化方法求解复杂生产过程调度问题时所存在的不足。
本发明为实现上述发明目的采用如下技术方案：
本发明提供了一种基于大数据挖掘的系统调度优化方法，包括：
对复杂制造数据预处理；
基于预处理数据的调度进行建模；
基于建模后数据进行调度优化。
进一步地，对复杂制造数据预处理包括：
复杂制造数据属性选择、复杂制造数据聚类与复杂制造数据属性离散化。
进一步地，复杂制造数据属性选择的方法包括：
属性选择能从条件属性中选取较为重要的属性；
属性选择的方法包括粗糙集和计算智能。
进一步地，复杂制造数据聚类的方法包括：
聚类是对样本数据按相似度进行分类的技术，使相似的样本属于同一类，而相似度低的样本属于不同类；
对于大规模训练样本，使用聚类平滑噪声数据；
聚类中的方法包括SOM、Fuzzy-C均值、K均值、神经网络。
进一步地，复杂制造数据属性离散化的方法包括：
采用属性离散化技术将连续属性值转化为离散属性值。
进一步地，基于预处理数据的调度进行建模的方法包括：
将信息系统中的预处理数据通过模型映射的方式生成描述生产调度过程的模型；
对制造系统的不确定因素构造数据驱动的预测模型实现生产调度过程模型的求精；
构造数据驱动的性能指标预测模型，调用性能指标预测模型快速近似求得实际制造系统和生产调度过程模型在调度环境下采用调度规则的性能指标。
进一步地，对建模后数据进行调度知识挖掘的方法包括：
基于离线仿真的调度知识挖掘；基于离线优化的调度知识挖掘；基于信息系统离线数据的调度知识挖掘。
进一步地，离线仿真是对于不同的生产线状态采用不同的调度决策进行仿真，保留最能满足性能指标的调度决策，以此构造知识库。
本发明的有益效果如下：
基于大数据挖掘的系统调度优化方法已经在调度问题的建模和优化上有了广泛应用，能够较好地克服了传统调度建模和优化方法求解复杂生产过程调度问题时所存在的不足。
具体实施方式
下面结合具体实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明的目的是提供一种基于大数据挖掘的系统调度优化方法，包括：
1.复杂制造数据预处理
制造系统达到一定规模，并且工艺流程较为复杂时，其自动化系统会出现数据量大、生产属性多、数据源中包含一定噪声数据等问题。这些问题对基于数据的调度性能有重要影响。因此，对数据源中的相关数据进行预处理是基于数据的调度的重要组成部分。复杂制造数据预处理主要集中于以下三方面：复杂制造数据属性选择、复杂制造数据聚类与复杂制造数据属性离散化。
(1)复杂制造数据属性选择
属性选择能从条件属性中选取较为重要的属性。条件属性冗余过多会导致分类或回归的精度下降、生成的规则无法使用以及规则之间的冲突较多。属性选择常用的方法包括粗糙集和计算智能等。例如，Kusiak针对半导体制造的质量问题，提出了使用粗糙集从样本数据中获取规则的方法，并使用了特征转换和数据集分解技术，来提高缺陷预测的精度和效率；粗糙集的属性约简是一个NP难问题，Chen等通过特征核的概念缩减了搜索空间，然后使用蚁群算法求得了属性集的约简，提高了知识约简的效率；Shiue等建立了两阶段决策树自适应调度系统，将基于神经网络的权重特征选择算法和遗传算法用于调度属性选择，使用自组织映射(Self-Organizing Maps，SOM)进行数据聚类，应用决策树、神经网络、支持向量机这三种学习算法对每个簇进行学习实现参数优化，提高了自适应调度知识库的泛化能力，并通过仿真验证了成果的有效性。
(2)复杂制造数据聚类
聚类是对样本数据按相似度进行分类的技术，使相似的样本属于同一类，而相似度低的样本属于不同类。对于大规模训练样本，可以使用聚类平滑噪声数据。噪声数据会影响学习的精度，如C4.5在处理含有噪声的样本时会导致生成树的规模庞大，降低预测精度，需要做剪枝处理。聚类中常用的方法包括SOM、Fuzzy-C均值、K均值、神经网络等。
(3)复杂制造数据属性离散化
部分算法和模型只能处理离散数据，如决策树、粗糙集等，因此有必要采用属性离散化技术将连续属性值转化为离散属性值。例如：Knooce和Li在挖掘优化调度方案时，根据面向属性规约算法和决策树的特点，对属性值进行了等距离散划分；Rafinejad提出了基于模糊K均值算法的属性离散化方法，使得从优化调度方案中所提取规则能够更好的逼近优化调度方案。
现在有的复杂制造预处理技术主要集中于属性选择和数据聚类，而针对制造系统数据具有规模大、含噪声、样本分布复杂且存在缺失现象，输入变量数目多、类型多样，输入/输出变量间关系呈非线性、强耦合等特点的数据预处理技术还有待进一步深入研究。
2.基于数据的调度建模
基于数据的调度建模包括：(1)将信息系统中的数据模型通过模型映射的方式生成描述生产调度过程的模型；(2)对制造系统的不确定因素构造数据驱动的预测模型从而实现生产调度过程模型的求精；(3)构造数据驱动的性能指标预测模型，调用性能指标预测模型可以快速近似求得实际制造系统和生产调度过程模型在调度环境下采用调度规则的性能指标。
(1)基于数据的调度描述模型
基于数据的调度描述模型主要体现为Perti网模型、离散事件仿真模型。传统调度建模方式较为琐碎和僵化，如果有设备的更替或者有新工艺的引入就需要修改整个模型；而采用基于数据的方法，可以将繁琐的建模工作集中到从数据模型到生产调度过程模型的映射规则的制定上，模型变更可以通过数据模型中数据的修改方便得到，具有较好的灵活性和扩展性。例如：Gradisar将生产线的设备布局和加工产品的工艺流程等数据映射成描述生产过程调度的赋时Petri网模型，在模型中融入了一些启发式调度规则并评价了调度性能指标，以家具制造过程为例说明了方法的可行性，其不足是未考虑生产系统的一些动态信息，无法用于半导体制造这类带有非零初始状态的制造系统的调度问题建模；Mueller提出了将半导体生产线相关数据映射为面向对象Petri网仿真模型的方法，模型的基本元素由设备加工工序、产品工艺流程、设备以及辅助器具组成，考虑了批加工工序、工具和设备的故障时间、工件返工等因素，不足之处是对生产线做了较大的简化，同样没有考虑半导体制造系统的非零初始调度的特点；Ye等提出了动态建模方法，基于生产线的静态数据和动态数据动态地构造生产线的离散事件仿真模型，可以反映生产线实际工况，其不足在于数据到模型的映射针对特定仿真软件(Plant Simulation)，转换方法的通用性尚有待进一步提高。
(2)复杂制造系统数据驱动的不确定性因素预测
复杂制造系统的大规模、复杂性、不确定性会导致其在制造过程中会面临很多不确定因素，例如模型参数的不确定、随机事件的不确定以及产品质量的不确定。如何采用数据驱动的方法合理利用制造系统的运作的历史数据，对这些不确定因素进行预测，从而提高制造过程的描述模型的运行准确率是一项很有实际意义的工作。
复杂制造系统中的很多模型参数既不是固定值也不满足特定分布，但这些参数对调度性能有重要影响。例如工件加工时间是许多调度规则中都需要使用的重要参数，而在以往的工作中或者直接使用工艺文件中的理论加工时间，或者通过求平均值，或者基于人工的经验估计，效果并不理想。除了这些建模基础参数，很多新的调度策略也引入了新的决策参数，如加工周期、产能等，这些参数亦很难用确定的公式估计，并对这些调度策略的效果有直接影响。因此，如何从历史数据中挖掘出这些参数的预测模型，是基于数据的调度的一个重要组成部分。
(3)复杂制造系统数据驱动的性能指标预测
对于大规模复杂制造过程的制造系统，通过计算机运行其生产调度过程描述模型时会存在运行时间过长的问题。以半导体制造系统为例，会涉及数百台加工设备、数千卡硅片、以及上百道加工工序，以1天为调度周期就需要花费数小时运行其描述模型。为了更方便研究这类大规模复杂制造过程制造系统的调度问题，可以通过其生产调度过程的描述模型的运行历史数据构造数据驱动的预测模型预测其性能指标(例如生产周期、在制品数量、成品率等)，研究性能指标与性能指标影响因素(调度环境与调度策略)之间的关系。
3.基于数据的调度优化
基于数据的调度优化方法指通过数据挖掘技术从优化的调度方案中挖掘出可用于辅助调度决策的知识，其实现方式和构造数据驱动的预测模型一致。根据优化调度方案生成的方式不同，基于数据的调度优化研究主要分为：基于仿真获得的方案挖掘实时调度规则；基于优化算法获得的派工方案挖掘实时调度规则；基于信息系统离线数据挖掘实时调度规则。
(1)基于离线仿真的调度知识挖掘
诸多研究表明，不存在所谓最优的实时调度规则适应于各种类型的制造系统。实时调度规则的有效性和生产线运作状态直接相关，应根据生产的调度环境指导调度规则的选择。仿真是用于比较和选择复杂制造系统调度决策重要的技术之一。一般而言，有两种仿真方式来选择调度决策。一种是离线仿真的方式，对于不同的生产线状态采用不同的调度决策进行仿真，保留最能满足性能指标的调度决策，以此构造知识库。显然，这类方法效率不高，所构造知识库的泛化能力也很弱；另一种是在线仿真的方法，在决策点采用不同的调度决策进行仿真，选择性能指标最优的调度决策来指导实时派工。在线仿真对于仿真时间的要求较为苛刻，稍不满足就无法满足实时派工的需求。
机器学习能够良好地泛化优化的调度决策，对自适应调度系统知识库的构造起着核心的作用。然而，无论是离线学习还是在线学习，都需要依赖制造系统的调度过程模型，建模的质量直接影响了学习效果。此外，离线学习获得的知识库会随着时间的推移有所退化，需要合理的更新机制。在线学习策略虽有较高的鲁棒性，但初期优化效果不明显、学习速度慢。如何将离线学习与在线学习相结合进一步改进调度规则集的构造是值得进一步考虑的问题。
(2)基于离线优化的调度知识挖掘
随着计算机计算能力的加强，使得大规模调度问题的求解成为可能。基于优化算法求解调度问题的更大的瓶颈在于实际复杂制造系统中大量的不确定性扰动因素导致得到的派工方案难以执行。如何从大量的优化方案中挖掘出调度决策，即用合适的实时调度规则来拟合优化算法，使得实时调度规则所生成的调度方案能较好地逼近优化算法的调度方案，以此进一步适应实时派工的需求，是很有实用价值的研究。
(3)基于信息系统离线数据的调度知识挖掘
企业信息系统中的离线数据蕴含了调度相关信息，也可以从中提取实时调度规则。例如：Choi等以多重入制造系统为研究对象，考虑了制造系统的调度环境，使用决策树从离线数据中挖掘出适应调度环境的实时调度规则选择的知识；Kwak和Yih使用决策树方法从制造系统离线运行历史数据中挖掘出短调度周期内在不同的调度环境下，实时调度规则选择对性能指标的影响，并通过仿真获取长期有效的实时调度规则，并将这综合考虑长期调度性能指标和短期调度性能指的方法应用于实时调度规则的选择。Murata针对Flowshop调度问题，使用决策树从实际调度方案中获得以调度规则，改进了调度性能。郭庆强等基于专家经验确定调度知识中各条件属性的重要度,利用粗糙集从生产调度案例数据中挖掘出条件属性与决策属性之间的关系，以提取有效的调度规则,并将该调度规则获取方法应用于某炼油厂生产过程调度知识的获取.
目前，在基于数据的调度优化方法领域取得的成果仍然停留在从既定的实时调度规则集中选取特定的规则或者离线挖掘出某一特定规则运用于实际派工阶段，柔性不足，无法在生产线运作过程中作实时调整。面向的生产系统还主要集中于小型的作业车间或流水车间，有必要进一步深入研究。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种基于大数据挖掘的系统调度优化方法，其特征在于，包括：
对复杂制造数据预处理；
基于预处理数据的调度进行建模；
对建模后数据进行调度知识挖掘以实现调度优化。
2.根据权利要求1所述的一种基于大数据挖掘的系统调度优化方法，其特征在于，对复杂制造数据预处理包括：
复杂制造数据属性选择、复杂制造数据聚类与复杂制造数据属性离散化。
3.根据权利要求2所述的一种基于大数据挖掘的系统调度优化方法，其特征在于，复杂制造数据属性选择的方法包括：
属性选择能从条件属性中选取较为重要的属性；
属性选择的方法包括粗糙集和计算智能。
4.根据权利要求2所述的一种基于大数据挖掘的系统调度优化方法，其特征在于，复杂制造数据聚类的方法包括：
聚类是对样本数据按相似度进行分类的技术，使相似的样本属于同一类，而相似度低的样本属于不同类；
对于大规模训练样本，使用聚类平滑噪声数据；
聚类中的方法包括SOM、Fuzzy-C均值、K均值、神经网络。
5.根据权利要求2所述的一种基于大数据挖掘的系统调度优化方法，其特征在于，复杂制造数据属性离散化的方法包括：
采用属性离散化技术将连续属性值转化为离散属性值。
6.根据权利要求1所述的一种基于大数据挖掘的系统调度优化方法，其特征在于，基于预处理数据的调度进行建模的方法包括：
将信息系统中的预处理数据通过模型映射的方式生成描述生产调度过程的模型；
对制造系统的不确定因素构造数据驱动的预测模型实现生产调度过程模型的求精；
构造数据驱动的性能指标预测模型，调用性能指标预测模型快速近似求得实际制造系统和生产调度过程模型在调度环境下采用调度规则的性能指标。
7.根据权利要求1所述的一种基于大数据挖掘的系统调度优化方法，其特征在于，对建模后数据进行调度知识挖掘的方法包括：
基于离线仿真的调度知识挖掘；基于离线优化的调度知识挖掘；基于信息系统离线数据的调度知识挖掘。
8.根据权利要求7所述的一种基于大数据挖掘的系统调度优化方法，其特征在于，离线仿真是对于不同的生产线状态采用不同的调度决策进行仿真，保留最能满足性能指标的调度决策，以此构造知识库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110188870.6A CN112862326A (zh) | 2021-02-19 | 2021-02-19 | 一种基于大数据挖掘的系统调度优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110188870.6A CN112862326A (zh) | 2021-02-19 | 2021-02-19 | 一种基于大数据挖掘的系统调度优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112862326A true CN112862326A (zh) | 2021-05-28 |
Family
ID=75988505
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110188870.6A Pending CN112862326A (zh) | 2021-02-19 | 2021-02-19 | 一种基于大数据挖掘的系统调度优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112862326A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117406684A (zh) * | 2023-12-14 | 2024-01-16 | 华侨大学 | 基于Petri网与全连接神经网络的柔性流水车间调度方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106022614A (zh) * | 2016-05-22 | 2016-10-12 | 广州供电局有限公司 | 一种基于最近邻聚类的神经网络数据挖掘方法 |
| CN109523136A (zh) * | 2018-10-29 | 2019-03-26 | 同济大学 | 一种面向智能制造的调度知识管理系统 |
-
2021
- 2021-02-19 CN CN202110188870.6A patent/CN112862326A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106022614A (zh) * | 2016-05-22 | 2016-10-12 | 广州供电局有限公司 | 一种基于最近邻聚类的神经网络数据挖掘方法 |
| CN109523136A (zh) * | 2018-10-29 | 2019-03-26 | 同济大学 | 一种面向智能制造的调度知识管理系统 |
Non-Patent Citations (1)
| Title |
|---|
| 吴启迪等: ""基于数据的复杂制造系统调度"", 《第23届过程控制会议论文集》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117406684A (zh) * | 2023-12-14 | 2024-01-16 | 华侨大学 | 基于Petri网与全连接神经网络的柔性流水车间调度方法 |
| CN117406684B (zh) * | 2023-12-14 | 2024-02-27 | 华侨大学 | 基于Petri网与全连接神经网络的柔性流水车间调度方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105045243B (zh) | 一种半导体生产线动态调度装置 | |
| Goyal et al. | Optimization of condition-based maintenance using soft computing | |
| Zhao et al. | Reinforcement learning-based selective disassembly sequence planning for the end-of-life products with structure uncertainty | |
| CN110675005B (zh) | 一种基于人工智能技术与ropn技术的智能决策方法 | |
| Bastos et al. | A maintenance prediction system using data mining techniques | |
| CN117709617A (zh) | 一种基于mes的生产车间智能排程系统 | |
| CN108052020B (zh) | 一种面向智能制造的化工过程仿真器 | |
| CN111401427B (zh) | 一种基于工业大数据的产品成本评估方法及系统 | |
| CN110231808B (zh) | 一种生产过程能效跨尺度智能协同控制系统与方法 | |
| Dolgui et al. | Data mining-based prediction of manufacturing situations | |
| Ouyang et al. | A multi-stage intelligent system for unit commitment | |
| CN117993556A (zh) | 一种智能化生态环境分区管控系统 | |
| Tian et al. | Real-time shop floor scheduling method based on virtual queue adaptive control: Algorithm and experimental results | |
| CN112862326A (zh) | 一种基于大数据挖掘的系统调度优化方法 | |
| Zhou et al. | Mixed-framework-based energy optimization of chemi-mechanical pulping | |
| CN109615115A (zh) | 一种面向任务可靠性的集成生产任务调度方法 | |
| Khoroshev et al. | Adaptive clustering method in intelligent automated decision support systems | |
| Zhang et al. | Smart production line: common factors and data-driven implementation method | |
| Turgay et al. | Digital Twin Based Flexible Manufacturing System Modelling with Fuzzy Approach | |
| Bader et al. | AI and Robotics Leading Industry 4.0 | |
| Chien et al. | Production-level artificial intelligence applications in semiconductor supply chains | |
| CN111766839B (zh) | 一种智能车间调度知识自适应更新的计算机实现系统 | |
| Ma et al. | The research and application of a dynamic dispatching strategy selection approach based on BPSO-SVM for semiconductor production line | |
| Li et al. | Human-system cooperative hybrid augmented intelligence based dynamic dispatching framework of semiconductor wafer fabrication facility | |
| Wang et al. | Data-and rule-based integrated mechanism for job shop scheduling |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |