CN113627087B - 基于物流仿真与机器学习的生产系统参数自适应优化方法 - Google Patents
基于物流仿真与机器学习的生产系统参数自适应优化方法 Download PDFInfo
- Publication number
- CN113627087B CN113627087B CN202110967881.4A CN202110967881A CN113627087B CN 113627087 B CN113627087 B CN 113627087B CN 202110967881 A CN202110967881 A CN 202110967881A CN 113627087 B CN113627087 B CN 113627087B
- Authority
- CN
- China
- Prior art keywords
- parameter
- machine learning
- simulation
- data
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 79
- 238000010801 machine learning Methods 0.000 title claims abstract description 56
- 238000005457 optimization Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000009472 formulation Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种基于物流仿真与机器学习的生产系统参数自适应优化方法，属于物流仿真与机器学习领域，包括以下步骤：P1：随机数据模拟训练阶段，通过物流仿真模型产生大量模拟数据，用于机器学习模型的训练；P2：迭代优化阶段，通过P1阶段获得的机器学习模型产生新的数据，并输入至物流仿真模型进行运算，将仿真结果与原结果进行对比，不断迭代优化，直至两结果差值在误差允许范围内为止。本发明通过将物流仿真与机器学习算法巧妙结合并应用于复杂的生产系统中，既规避了物流仿真软件在处理复杂系统问题时优化能力偏弱的问题，也通过物流仿真技术解决了在运用机器学习技术所需的大量有效数据的问题，提高了复杂系统参数配置的优化效率。
Description
技术领域
本发明属于物流仿真、机器学习技术领域，涉及一种基于物流仿真与机器学习的生产系统参数自适应优化方法。
背景技术
一般的物流仿真系统更加侧重于既有方案(规划方案、实施方案、运营方案等)的验证，并根据仿真结果，结合设计人员自身经验优化方案并验证，此方式受人为经验影响较大。同时，常用的物流仿真软件一般配置有优化模块，但多限于非连续优化，且采用枚举方式，优化效率低。
机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，其作为人工智能的核心，现广泛运用于人工智能的各个领域，大量且有效的数据是机器学习发挥其强大作用的基础。而当前在运用机器学习技术时，普遍面临着数据杂乱、有效数据少、数据分散等问题，尤其是针对未建项目(项目处于前期规划阶段)，获取大量且有效的数据更是难题，机器学习技术的优势难以有效发挥。
发明内容
有鉴于此，本发明的目的在于提供一种基于物流仿真与机器学习算法相结合的生产系统参数自适应优化方法，用于解决复杂生产系统参数优化难、物流仿真软件优化弱、机器学习算法的基础数据难以获取等问题。
为达到上述目的，本发明提供如下技术方案：
一种基于物流仿真与机器学习的生产系统参数自适应优化方法，包括以下步骤：
P1：随机数据模拟训练阶段，通过物流仿真模型产生大量模拟数据，用于机器学习模型的训练；
P2：迭代优化阶段，通过P1阶段获得的机器学习模型产生新的数据，并输入至物流仿真模型进行运算，将仿真结果与原结果进行对比，不断迭代优化，直至两结果差值在误差允许范围内为止，输出优化后的模型，用于生产系统参数快速配置及优化。
进一步，所述物流仿真模型和机器学习模型均建立在物流仿真平台上，所述物流仿真平台包括参数生成及输入模块、仿真运行模块、性能参数输出及评价模块、数据模块、机器学习模块。
进一步，所述物流仿真模型的输入参数包括基本输入参数ibk，其中k∈K，K为数据样本容量，下同)和决策输入参数idk，所述基本输入参数ibk为无需优化的参数，所述决策输入参数idk为优化对象。
进一步，所述物流仿真模型的基本输入参数需采用最小二乘法对实际数据进行拟合来获取。
进一步，所述机器学习模型采用监督学习算法，通过封装为Dll文件供物流仿真模型调用。
进一步，步骤P1具体包括以下步骤：
P11：通过参数生成及输入模块根据拟合函数生成随机数据并输入至所述物流仿真模型，同时将输入数据传输至数据模块；
P12：仿真运行模块根据已建立的逻辑开始运行和计算；
P13：性能参数输出及评价模块记录仿真结果并对其进行评价，并将输出参数oik和评价参数eik传输至数据模块；
P14：机器学习模块从数据模块读取输入参数ibk和idk，读取输出参数oik以及评价参数eik，进行模型训练，并获取训练后的机器学习模型。
进一步，步骤P2具体包括以下步骤：
P21：从数据模块中获取P1阶段中的基本输入参数ibk、输出参数oik以及评价参数eik，并将其输入至机器学习模型中，得到与之相对应的决策参数idk’；
P22：将基本输入参数ibk和通过机器学习模型获得的决策参数idk’作为一组新的数据输入至所述物流仿真模型，通过仿真运算，获得输出参数oik’、评价参数eik’；
P23：判断oik和oik’差值是否在误差允许范围之内，若是，转至步骤P26，反之，转至步骤P24；
P24：将基本输入参数ibk、决策参数idk’、新的输出参数oik’、新的评价参数eik’作为一组新的数据传输至机器学习模块和数据模块，分别用于机器学习模型的迭代优化和数据记录；
P25：令k＝k+1，重复步骤P21至步骤P23，直至输出参数oik与经模型优化后的输出参数oik’的差值在误差允许范围内为止；
P26：输出迭代优化后的机器学习模型。
进一步，所述物流仿真模型为Plant Simulation、DELMIA、FlexSim、VisualComponents、Simio、Arena、AutoMod、SIMUL8、AnyLogic、AutoMod、ExtendSim、Demo3d中的一种。
本发明的有益效果在于：本发明通过将物流仿真与机器学习算法巧妙结合并应用于复杂的生产系统中，既规避了物流仿真软件在处理复杂系统问题时优化能力偏弱的问题，也通过物流仿真技术解决了在运用机器学习技术所需的大量有效数据的问题，提高了复杂系统参数配置的优化效率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为基于物流仿真与机器学习算法相结合的生产系统参数自适应优化方法流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
请参阅图1，本发明提供一种基于物流仿真与机器学习算法相结合的生产系统参数自适应优化方法，具体包括：
P1：随机数据模拟训练阶段，该阶段通过仿真模型产生大量模拟数据，用于机器学习模型的训练；
P2：迭代优化阶段，通过P1阶段获得的训练模型产生新的数据，并输入至仿真模型进行运算，将仿真结果与原结果进行对比，不断迭代优化，直至两结果差值在误差允许范围内为止，输出优化后的模型，用于生产系统参数快速配置及优化。
可选的，所述物流仿真模型和机器学习模型均建立在物流仿真平台上，所述物流仿真平台包括参数生成及输入模块、仿真运行模块、性能参数输出及评价模块、数据模块、机器学习模块。
可选的，所述物流仿真模型的输入参数分为基本输入参数ibk(代表基本输入参数集合，并非仅指代一个基本输入参数,其中k∈(1，2，...K)，K为数据样本容量，下同)和决策输入参数idk两类，基本输入参数为无需优化的参数，如：设备加工工时参数；决策输入参数为本发明方法优化对象，其决定了产线整体性能的优劣，如：产线上运输设备数量、运输设备运行速度(空载/满载)、各工序间的缓存位数量等。
可选的，所述物流仿真模型的基本输入参数需采用最小二乘法对实际数据进行拟合来获取。
可选的，所述物流仿真模型中的机器学习模块为监督学习算法代码，通过封装为Dll文件供物流仿真模型调用，两者之间通过数据模块来读取和写入数据。
可选的，还包括以下步骤：
步骤1，参数生成及输入模块根据拟合函数生成随机数据并输入至所述物流仿真模型，同时将输入数据传输至数据模块；
步骤2，仿真运行模块根据已建立的逻辑开始运行和计算；
步骤3：性能参数输出及评价模块将记录仿真结果并对其进行评价，并将输出参数oik和评价参数eik传输至数据模块；
步骤4：机器学习模块从数据模块读取输入参数ibk、idk、输出参数oik以及评价参数eik等数据，进行模型训练，并获取训练后模型。
可选的，还包括P21，具体步骤为：
步骤1，从数据模块中获取P1阶段中的基本输入参数ibk、输出参数oik以及评价参数eik，并将其输入至训练模型中，得到与之相对应的决策参数idk’；
步骤2，将基本输入参数ibk和通过训练模型获得的决策参数idk’作为一组新的数据输入至所述物流仿真模型，通过仿真运算，获得输出参数oik’、评价参数eik’；
步骤3，判断oik和oik’差值是否在误差允许范围之内，若是，转至步骤6，反之，转至步骤4；
步骤4，将基本输入参数ibk、决策参数idk’、新的输出参数oik’、新的评价参数eik’作为一组新的数据传输至机器学习模块和数据模块，分别用于机器学习模型的迭代优化和数据记录；
步骤5，令k＝k+1，重复步骤1至步骤3，直至输出参数oik与经模型优化后的输出参数oik’的差值在误差允许范围内为止；
步骤6，基于物流仿真与机器学习算法相结合的参数自适应优化方法所述流程结束，输出迭代优化后的训练模型，该模型可用于类似生产系统在给定基本输入参数ib以及期望获得的输出参数oi时，可快速获取最优决策参数，而无需重新进行仿真模拟，提高决策效率。
可选的，所述物流仿真软件为Plant Simulation、DELMIA、FlexSim、VisualComponents、Simio、Arena、AutoMod、SIMUL8、AnyLogic、AutoMod、ExtendSim、Demo3d中的一种。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种基于物流仿真与机器学习的生产系统参数自适应优化方法，其特征在于：包括以下步骤：
P1：随机数据模拟训练阶段，通过物流仿真模型产生大量模拟数据，用于机器学习模型的训练；所述物流仿真模型和机器学习模型均建立在物流仿真平台上，所述物流仿真平台包括参数生成及输入模块、仿真运行模块、性能参数输出及评价模块、数据模块、机器学习模块；所述物流仿真模型的输入参数包括基本输入参数ibk，其中k∈K，K为数据样本容量，和决策输入参数idk，所述基本输入参数ibk为无需优化的参数，所述决策输入参数idk为优化对象；所述物流仿真模型的基本输入参数采用最小二乘法对实际数据进行拟合来获取；所述机器学习模型采用监督学习算法，通过封装为Dll文件供物流仿真模型调用；
步骤P1具体包括以下步骤：
P11：通过参数生成及输入模块根据拟合函数生成随机数据并输入至所述物流仿真模型，同时将输入数据传输至数据模块；
P12：仿真运行模块根据已建立的逻辑开始运行和计算；
P13：性能参数输出及评价模块记录仿真结果并对其进行评价，并将输出参数oik和评价参数eik传输至数据模块；
P14：机器学习模块从数据模块读取输入参数ibk和idk，读取输出参数oik以及评价参数eik，进行模型训练，并获取训练后的机器学习模型；
P2：迭代优化阶段，通过P1阶段获得的机器学习模型产生新的数据，并输入至物流仿真模型进行运算，将仿真结果与原结果进行对比，不断迭代优化，直至两结果差值在误差允许范围内为止，输出优化后的模型，用于生产系统参数快速配置及优化；具体包括以下步骤：
P21：从数据模块中获取P1阶段中的基本输入参数ibk、输出参数oik以及评价参数eik，并将其输入至机器学习模型中，得到与之相对应的决策参数idk,；
P22：将基本输入参数ibk和通过机器学习模型获得的决策参数idk,作为一组新的数据输入至所述物流仿真模型，通过仿真运算，获得输出参数oik,、评价参数eik,；
P23：判断oik和oik,差值是否在误差允许范围之内，若是，转至步骤P26，反之，转至步骤P24；
P24：将基本输入参数ibk、决策参数idk,、新的输出参数oik,、新的评价参数eik,作为一组新的数据传输至机器学习模块和数据模块，分别用于机器学习模型的迭代优化和数据记录；
P25：令k＝k+1，重复步骤P21至步骤P23，直至输出参数oik与经模型优化后的输出参数oik,的差值在误差允许范围内为止；
P26：输出迭代优化后的机器学习模型。
2.根据权利要求1所述的基于物流仿真与机器学习的生产系统参数自适应优化方法，其特征在于：所述物流仿真平台为Plant Simulation、DELMIA、FlexSim、VisualComponents、Simio、Arena、AutoMod、SIMUL8、AnyLogic、AutoMod、ExtendSim、Demo3d中的一种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110967881.4A CN113627087B (zh) | 2021-08-23 | 2021-08-23 | 基于物流仿真与机器学习的生产系统参数自适应优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110967881.4A CN113627087B (zh) | 2021-08-23 | 2021-08-23 | 基于物流仿真与机器学习的生产系统参数自适应优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113627087A CN113627087A (zh) | 2021-11-09 |
| CN113627087B true CN113627087B (zh) | 2023-11-03 |
Family
ID=78387478
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110967881.4A Active CN113627087B (zh) | 2021-08-23 | 2021-08-23 | 基于物流仿真与机器学习的生产系统参数自适应优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113627087B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116186806A (zh) * | 2023-02-17 | 2023-05-30 | 华中科技大学 | 一种钣金成形仿真智能化类比驱动前处理系统、电子设备及存储介质 |
| CN117077459B (zh) * | 2023-10-17 | 2024-01-30 | 中国电子工程设计院股份有限公司 | 一种融合物流的半导体制造仿真模型构建方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3404497A1 (en) * | 2017-05-15 | 2018-11-21 | Siemens Aktiengesellschaft | A method and system for providing an optimized control of a complex dynamical system |
| CN110110466A (zh) * | 2019-05-17 | 2019-08-09 | 中冶华天工程技术有限公司 | 一种机器学习和工艺仿真的污水处理目标参数预测方法 |
| CN110187647A (zh) * | 2018-02-23 | 2019-08-30 | 北京京东尚科信息技术有限公司 | 模型训练方法及系统 |
| CN110245436A (zh) * | 2019-06-19 | 2019-09-17 | 山东大学 | 一种基于遗传算法和机器学习的并行模拟电路优化方法 |
| CN112384924A (zh) * | 2018-07-26 | 2021-02-19 | 西门子股份公司 | 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11537876B2 (en) * | 2018-11-28 | 2022-12-27 | Bank Of America Corporation | Targeted variation of machine learning input data |
| CN112052642A (zh) * | 2019-05-20 | 2020-12-08 | 台湾积体电路制造股份有限公司 | 用于机器学习的esl建模的系统和方法 |
-
2021
- 2021-08-23 CN CN202110967881.4A patent/CN113627087B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3404497A1 (en) * | 2017-05-15 | 2018-11-21 | Siemens Aktiengesellschaft | A method and system for providing an optimized control of a complex dynamical system |
| CN110187647A (zh) * | 2018-02-23 | 2019-08-30 | 北京京东尚科信息技术有限公司 | 模型训练方法及系统 |
| CN112384924A (zh) * | 2018-07-26 | 2021-02-19 | 西门子股份公司 | 产品性能预测模型的建立方法和装置、计算机设备、计算机可读存储介质、产品性能预测方法及预测系统 |
| CN110110466A (zh) * | 2019-05-17 | 2019-08-09 | 中冶华天工程技术有限公司 | 一种机器学习和工艺仿真的污水处理目标参数预测方法 |
| CN110245436A (zh) * | 2019-06-19 | 2019-09-17 | 山东大学 | 一种基于遗传算法和机器学习的并行模拟电路优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于计算机仿真技术的企业生产物流系统优化研究;卢步;;商场现代化(第22期);47-48 * |
| 复杂系统安全性建模、分析、控制与仿真研究;胡剑波;李俊;郑磊;邢晓波;;火力与指挥控制(第07期);3-11、15 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113627087A (zh) | 2021-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113627087B (zh) | 基于物流仿真与机器学习的生产系统参数自适应优化方法 | |
| Lempert | Robust decision making (RDM) | |
| Karen et al. | Hybrid approach for genetic algorithm and Taguchi's method based design optimization in the automotive industry | |
| CN109949219B (zh) | 一种超分辨率图像的重构方法、装置及设备 | |
| TWI752349B (zh) | 風險識別方法及裝置 | |
| Bombara et al. | Offline and online learning of signal temporal logic formulae using decision trees | |
| CN109710691A (zh) | 一种基于深度学习的混合区块链模型构建方法 | |
| CN109409504A (zh) | 一种数据处理方法、装置、计算机及存储介质 | |
| CN111177135B (zh) | 一种基于界标的数据填补方法及装置 | |
| CN110717555B (zh) | 一种基于自然语言和生成对抗网络的图片生成系统及装置 | |
| CN115456150A (zh) | 一种强化学习模型构建方法及系统 | |
| Maeda et al. | Black boxes and the role of modeling in environmental policy making | |
| CN111428869A (zh) | 模型生成的方法、装置、计算机设备和存储介质 | |
| Hu et al. | A generative adversarial neural network model for industrial boiler data repair | |
| WO2020115706A1 (en) | Modification of a neural network topology | |
| CN110400129A (zh) | 一种事项审批的方法和装置 | |
| CN112131587A (zh) | 一种智能合约伪随机数安全检验方法、系统、介质和装置 | |
| CN116992892A (zh) | 基于数据增强和多任务训练改善ape模型的方法、系统及可读存储介质 | |
| Yildiz et al. | Virtual prototyping: evaluating the digital twin based virtual factory for new product introduction | |
| Li et al. | A hierarchical deep reinforcement learning model with expert prior knowledge for intelligent penetration testing | |
| Tilbury | Reinforcement Learning for Economic Policy: A New Frontier? | |
| Dhouibi et al. | Safety driven optimization approach for automotive systems | |
| CN116527411B (zh) | 数据安全智能防护模型构建方法、装置及协作平台 | |
| CN113486898B (zh) | 一种基于改进ShuffleNet的雷达信号RD图像干扰辨识方法及系统 | |
| CN116521584B (zh) | 一种基于多智能体的mpc缓存更新方法及系统 |
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 |