CN113050567B - 一种智能制造系统动态调度方法 - Google Patents
一种智能制造系统动态调度方法 Download PDFInfo
- Publication number
- CN113050567B CN113050567B CN202110286011.0A CN202110286011A CN113050567B CN 113050567 B CN113050567 B CN 113050567B CN 202110286011 A CN202110286011 A CN 202110286011A CN 113050567 B CN113050567 B CN 113050567B
- Authority
- CN
- China
- Prior art keywords
- manufacturing system
- intelligent manufacturing
- hidden layer
- scheduling
- model
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000007246 mechanism Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 38
- 150000001875 compounds Chemical class 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification 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]
- G05B19/41865—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 job scheduling, process planning, material flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种智能制造系统动态调度方法,通过采用基于衰减正则化项的增量型极限学习机构建智能制造系统回归调度模型,引入了衰减正则化项实现了自适应的获取正则化系数,提高了建模精度,加快了网络的训练速度,满足了智能制造系统调度的多目标多约束的要求,为更准确地进行智能制造系统动态调度建模提供了新思路和新途径。
Description
技术领域
本发明属于复杂制造系统动态调度技术领域,具体涉及一种智能制造系统动态调度方法。
背景技术
智能制造系统是一种由智能机器和人类专家共同组成的人机一体化智能系统,它在制造过程中能以一种高度柔性与集成不高的方式,借助计算机模拟人类专家的智能活动进行分析、推理、判断、构思和决策等,从而取代或者延伸制造环境中人的部分脑力劳动。同时,收集、存贮、完善、共享、集成和发展人类专家的智能。
智能制造系统生产过程复杂,由多个相关联的生产过程构成。当制造过程比较平稳时,原定调度策略能够持续保证系统生产性能的优化;而当制造系统出现机器故障等扰动时,制造环境发生变化,先前采用的调度策略失效,最终无法得到期望的生产性能。因此,如何根据生产过程状态动态地确定有效的调度策略是提高智能制造系统运行性能的关键。这种根据制造系统生产状态来动态调整调度策略的方法即为智能制造系统动态调度。
数据驱动建模的方法精确度高且计算效率高,将数据驱动思想运用在生产调度领域,采用有效的方法分析累积的生产数据,提取相关知识并用于指导生产,是制造系统动态调度问题研究的重要方向。
机器学习是数据驱动建模的有效方法,基于机器学习获得的数据驱动的动态调度模型,大致可分为分类模式和回归模式两大模式,其中,分类模式是指在动态调度过程中从已有的调度策略集中选择某个调度策略来满足制造系统的调度目标;回归模式是指在动态调度过程中采用含有参数的调度策略并给定一组特定的参数值,来实现制造系统的调度目标。
智能制造系统动态调度是一个多约束、多目标的优化问题,但是,基于分类调度模型通常是以简单的启发式调度规则为调度策略,难以满足制造系统多目标多约束的要求;基于传统的极限学习机回归模型利用岭回归方法,是采用试凑法获取最优正则化系数的方式求取输出权值矩阵,但这种方法计算负担过重、计算效率低,泛化性能较差,难以满足智能制造系统的需求,因此设计高效的回归模型对智能制造系统动态调度具有十分重要的意义。
发明内容
有鉴于此,本发明提供了一种智能制造系统动态调度方法,通过采用建立的基于衰减正则化项的增量型极限学习机的智能制造系统回归调度模型,能够实时生成与生产状态相适应的调度规则权重组合,从而实现了满足多目标优化的智能制造系统的动态调度。
本发明提供的一种智能制造系统动态调度方法,包括以下步骤:
步骤1、采集智能制造系统生产状态与调度组合规则权重系数的历史数据形成训练样本集{Xi,Yi|Xi∈Rm,Yi∈Rn,i=1,2,...,N},其中,Xi=[xi1,xi2,...,xim]T为第i个输入表示智能制造系统的生产状态,xim为第m个生产状态特征;Yi=[yi1,yi2,...,yin,...,yiK]T为第i个输出表示生产状态Xi所对应的最优调度组合规则的权重系数;yin为第n个调度组合规则的权重,且1≤n≤K,K为调度组合规则总数,N为所述训练样本集中样本的总数;
步骤2、基于衰减正则化项的增量型极限学习机构建智能制造系统回归调度模型,如公式(1)所示:
其中,Fn×N∈Rn×N为所述模型的输出矩阵,L为所述模型的隐含层节点的总数,为第i个隐含层节点的输出矩阵,Wi n×1为第i个隐含层节点的输出权值矩阵,αi为第i个隐含层节点所对应的衰减正则化项,i为不大于L的正整数;Xm×N∈Rm×N为所述模型的输入矩阵,m为输入的特征维数,为输入到第i个隐含层节点之间的输入权值矩阵,为第i个隐含层节点的偏置矩阵,和均为随机生成且保持不变;φ为非线性激活函数;λi为第i个隐含层节点所对应的衰减正则化系数,c为常数,ei为所述模型的网络余差;为的2范数的平方;为ei-1的2范数的i次方;
步骤3、采用所述步骤1生成的训练样本完成对所述智能制造系统回归调度模型的训练;
步骤4、应用中,将待调度智能制造系统的生产状态输入所述步骤3中训练得到的智能制造系统回归调度模型中,得到所述待调度智能制造系统的调度组合规则的权重系数,即为调度策略。
进一步地,所述步骤3采用基于衰减正则化系数的迭代最小二乘算法求取智能制造系统回归调度模型的隐含层节点的输出权值矩阵的方式进行训练,包括以下步骤:
步骤3.1、采用公式(2)计算第i个隐含层节点所对应的衰减正则化系数:
步骤3.2、采用基于衰减正则化系数的最小二乘法计算第i个隐含层节点的输出权值矩阵,如公式(3)所示:
步骤3.3、采用公式(4)计算第i个隐含层节点所对应的衰减正则化项:
步骤3.4、根据所述步骤3.2和3.3中计算出的所述输出权值和衰减正则化项,采用公式(5)计算模型当前的误差值:
步骤3.5、令i自加1,当i≤L,执行步骤3.1;否则,则完成训练,输出全部隐含层节点的输出权值矩阵Wn×L,结束本流程。
有益效果:
1、本发明通过采用基于衰减正则化项的增量型极限学习机构建智能制造系统回归调度模型,引入了衰减正则化项实现了自适应的获取正则化系数,提高了建模精度,加快了网络的训练速度,满足了智能制造系统调度的多目标多约束的要求,为更准确地进行智能制造系统动态调度建模提供了新思路和新途径。
2、本发明利用基于衰减正则化系数的迭代最小二乘算法求取隐含层节点的输出权值矩阵,减小了迭代前期输出权重之间的差异,优化了网络结构增加了网络的稳定性,并在一定程度上加快了网络的收敛速度,进一步提高了计算效率,从而进一步满足了智能制造系统动态调度多目标优化的需要。
附图说明
图1为本发明提供的一种智能制造系统动态调度方法的流程图。
具体实施方式
下面结合附图,对本发明进行详细描述。
本发明提供的一种智能制造系统动态调度方法,其基本思想是:基于衰减正则化项的增量型极限学习机构建智能制造系统回归调度模型,以智能制造系统生产状态与组合规则权重系数的历史数据作为样本,完成智能制造系统回归调度模型的训练,将智能制造系统的生产状态输入训练得到的智能制造系统回归调度模型即可得到智能制造系统的调度方案。
本发明提供的一种智能制造系统动态调度方法,如图1所示,具体包括以下步骤:
步骤1、采集智能制造系统生产状态与调度组合规则权重系数的历史数据形成训练样本集。样本为{Xi,Yi|Xi∈Rm,Yi∈Rn,i=1,2,...,N},其中Xi=[xi1,xi2,...,xim]T为模型的第i个输入表示智能制造系统的生产状态,xim为第m个生产状态特征;Yi=[yi1,yi2,...,yin,...,yiK]T为模型的第i个输出表示生产状态Xi所对应的最优调度组合规则的权重系数,即最优调度策略;yin为第n个调度组合规则的权重,n为调度组合规则的编号且满足1≤n≤K,K为设定的调度组合规则总数,N为训练样本集中样本的总数。
步骤2、基于衰减正则化项的增量型极限学习机构建智能制造系统回归调度模型,如公式(1)所示:
其中,Fn×N∈Rn×N为智能制造系统回归调度模型的输出矩阵,N为训练样本的总数,L为隐含层节点的总数,为第i个隐含层节点的输出矩阵,Wi n×1为第i个隐含层节点的输出权值矩阵,αi为第i个隐含层节点所对应的衰减正则化项,i为不大于L的正整数(i的初始值为i=1,且1≤i≤L);Xm×N∈Rm×N为智能制造系统回归调度模型的输入矩阵,m为每个输入样本向量的特征维数,为输入到第i个隐含层节点之间的输入权值矩阵,为第i个隐含层节点的偏置矩阵;φ为可选择的非线性激活函数;和均为随机生成,且生成后保持不变;λi表示第i个隐含层节点所对应的衰减正则化系数,c为人为设定的常数,ei为智能制造系统回归调度模型的网络余差;为的2范数的平方;为ei-1的2范数的i次方。
步骤3、采用步骤1生成的训练样本完成对步骤2建立的智能制造系统回归调度模型的训练。
训练样本分为两个部分,一部分用于训练,另一部分用于测试;当智能制造系统回归调度模型的训练完成后,利用测试样本进行测试。
步骤4、应用中,将待调度的智能制造系统的生产状态输入步骤3中训练得到的智能制造系统回归调度模型中,得到待调度的智能制造系统的调度组合规则的权重系数,根据权重系数生成调度策略。
为了进一步优化网络结构、增加网络的稳定性,加快网络的收敛速度提高计算效率,本发明还提出了采用基于衰减正则化系数的迭代最小二乘算法求取智能制造系统回归调度模型的隐含层节点的输出权值矩阵的方式,具体包括如下步骤:
步骤1.1、人为设置常数c,采用公式(2)计算第i个隐含层节点所对应的衰减正则化系数:
步骤1.2、采用基于衰减正则化系数的最小二乘法计算第i个隐含层节点的输出权值矩阵,如公式(3)所示:
步骤1.3、采用公式(4)计算第i个隐含层节点所对应的衰减正则化项:
步骤1.4、根据步骤1.2和1.3中计算出的输出权值和衰减正则化项,采用公式(5)计算智能制造系统回归调度模型当前的误差值:
步骤1.5、令i自加1,当i≤L,执行步骤1.1;否则,则完成训练,输出全部隐含层节点的输出权值矩阵Wn×L,结束本流程。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种智能制造系统动态调度方法,其特征在于,包括以下步骤:
步骤1、采集智能制造系统生产状态与调度组合规则权重系数的历史数据形成训练样本集{Xi,Yi|Xi∈Rm,Yi∈Rn,i=1,2,...,N},其中,Xi=[xi1,xi2,...,xim]T为第i个输入表示智能制造系统的生产状态,xim为第m个生产状态特征;Yi=[yi1,yi2,...,yin,...,yiK]T为第i个输出表示生产状态Xi所对应的最优调度组合规则的权重系数;yin为第n个调度组合规则的权重,且1≤n≤K,K为调度组合规则总数,N为所述训练样本集中样本的总数;
步骤2、基于衰减正则化项的增量型极限学习机构建智能制造系统回归调度模型,如公式(1)所示:
其中,Fn×N∈Rn×N为所述模型的输出矩阵,L为所述模型的隐含层节点的总数,为第i个隐含层节点的输出矩阵,Wi n×1为第i个隐含层节点的输出权值矩阵,αi为第i个隐含层节点所对应的衰减正则化项,i为不大于L的正整数;Xm×N∈Rm×N为所述模型的输入矩阵,m为输入的特征维数,为输入到第i个隐含层节点之间的输入权值矩阵,为第i个隐含层节点的偏置矩阵,和均为随机生成且保持不变;φ为非线性激活函数;λi为第i个隐含层节点所对应的衰减正则化系数,c为常数,ei为所述模型的网络余差;为的2范数的平方;为ei-1的2范数的i次方;
步骤3、采用所述步骤1生成的训练样本完成对所述智能制造系统回归调度模型的训练;
步骤4、应用中,将待调度智能制造系统的生产状态输入所述步骤3中训练得到的智能制造系统回归调度模型中,得到所述待调度智能制造系统的调度组合规则的权重系数,即为调度策略;
进一步地,所述步骤3采用基于衰减正则化系数的迭代最小二乘算法求取智能制造系统回归调度模型的隐含层节点的输出权值矩阵的方式进行训练,包括以下步骤:
步骤3.1、采用公式(2)计算第i个隐含层节点所对应的衰减正则化系数:
步骤3.2、采用基于衰减正则化系数的最小二乘法计算第i个隐含层节点的输出权值矩阵,如公式(3)所示:
步骤3.3、采用公式(4)计算第i个隐含层节点所对应的衰减正则化项:
步骤3.4、根据所述步骤3.2和3.3中计算出的所述输出权值和衰减正则化项,采用公式(5)计算模型当前的误差值:
步骤3.5、令i自加1,当i≤L,执行步骤3.1;否则,则完成训练,输出全部隐含层节点的输出权值矩阵Wn×L,结束本流程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110286011.0A CN113050567B (zh) | 2021-03-17 | 2021-03-17 | 一种智能制造系统动态调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110286011.0A CN113050567B (zh) | 2021-03-17 | 2021-03-17 | 一种智能制造系统动态调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113050567A CN113050567A (zh) | 2021-06-29 |
CN113050567B true CN113050567B (zh) | 2022-02-01 |
Family
ID=76513002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110286011.0A Active CN113050567B (zh) | 2021-03-17 | 2021-03-17 | 一种智能制造系统动态调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113050567B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107466816A (zh) * | 2017-07-24 | 2017-12-15 | 东华大学 | 一种基于动态多层极限学习机的灌溉方法 |
CN108562709A (zh) * | 2018-04-25 | 2018-09-21 | 重庆工商大学 | 一种基于卷积自编码器极限学习机的污水处理系统水质监测预警方法 |
CN109445906A (zh) * | 2018-10-11 | 2019-03-08 | 北京理工大学 | 一种虚拟机需求数量预测方法 |
CN111476299A (zh) * | 2020-04-07 | 2020-07-31 | 国家电网有限公司华东分部 | 一种改进型卷积神经网络及基于其的电网智能告警系统 |
CN112270650A (zh) * | 2020-10-12 | 2021-01-26 | 西南大学 | 基于稀疏自编码器的图像处理方法、系统、介质、设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11580376B2 (en) * | 2017-06-09 | 2023-02-14 | Korea Advanced Institute Of Science And Technology | Electronic apparatus and method for optimizing trained model |
CN111880489B (zh) * | 2020-07-07 | 2022-12-09 | 北京理工大学 | 一种复杂制造系统回归调度方法 |
-
2021
- 2021-03-17 CN CN202110286011.0A patent/CN113050567B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107466816A (zh) * | 2017-07-24 | 2017-12-15 | 东华大学 | 一种基于动态多层极限学习机的灌溉方法 |
CN108562709A (zh) * | 2018-04-25 | 2018-09-21 | 重庆工商大学 | 一种基于卷积自编码器极限学习机的污水处理系统水质监测预警方法 |
CN109445906A (zh) * | 2018-10-11 | 2019-03-08 | 北京理工大学 | 一种虚拟机需求数量预测方法 |
CN111476299A (zh) * | 2020-04-07 | 2020-07-31 | 国家电网有限公司华东分部 | 一种改进型卷积神经网络及基于其的电网智能告警系统 |
CN112270650A (zh) * | 2020-10-12 | 2021-01-26 | 西南大学 | 基于稀疏自编码器的图像处理方法、系统、介质、设备 |
Non-Patent Citations (1)
Title |
---|
基于压缩动量项的增量型 ELM 虚拟机能耗预测;邹伟东 等;《自动化学报》;20190731;第45卷(第7期);第1290-1297页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113050567A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108448610B (zh) | 一种基于深度学习的短期风功率预测方法 | |
CN106529818B (zh) | 基于模糊小波神经网络的水质评价预测方法 | |
CN110070228B (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
CN111260124A (zh) | 一种基于注意力机制深度学习的混沌时间序列预测方法 | |
CN109255726A (zh) | 一种混合智能技术的超短期风功率预测方法 | |
CN113094860B (zh) | 一种基于注意力机制的工控网络流量建模方法 | |
AU2021106540A4 (en) | Prediction method and system for river algal blooms | |
CN113468817A (zh) | 一种基于igoa优化elm的超短期风电功率预测方法 | |
CN115689070A (zh) | 基于帝王蝶算法优化bp神经网络模型的能源预测方法 | |
Ren et al. | Multivariate time series predictor with parameter optimization and feature selection based on modified binary salp swarm algorithm | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN111880489B (zh) | 一种复杂制造系统回归调度方法 | |
CN112202196B (zh) | 一种双馈风力发电机的量子深度强化学习控制方法 | |
CN113050567B (zh) | 一种智能制造系统动态调度方法 | |
CN111524348A (zh) | 一种长短期交通流预测模型及方法 | |
CN114881338A (zh) | 基于最大互信息系数与深度学习的配电网线损预测方法 | |
CN115186884A (zh) | 一种基于小波分解的超短期风电功率预测方法及存储介质 | |
CN114638421A (zh) | 一种发电机组备件需求的预测方法 | |
Lin et al. | A novel evolution learning for recurrent wavelet-based neuro-fuzzy networks | |
CN113420492A (zh) | 一种基于gan与gru神经网络的风光火耦合系统频率响应模型建模方法 | |
CN112183814A (zh) | 一种短期风速预测方法 | |
Shao et al. | A new improved echo state network with multiple output layers for time series prediction | |
CN116579479B (zh) | 风电场功率超短期预测方法、系统、计算机及存储介质 | |
Li et al. | Fuzzy Control Algorithm of Intelligent Cantilever Based on Neural Network | |
Jones et al. | Optimization techniques applied to neural networks: Line search implementation for back propagation |
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 |