CN114662863A - 基于深度学习的车间分布式运输调度方法 - Google Patents
基于深度学习的车间分布式运输调度方法 Download PDFInfo
- Publication number
- CN114662863A CN114662863A CN202210199943.6A CN202210199943A CN114662863A CN 114662863 A CN114662863 A CN 114662863A CN 202210199943 A CN202210199943 A CN 202210199943A CN 114662863 A CN114662863 A CN 114662863A
- Authority
- CN
- China
- Prior art keywords
- transportation
- workshop
- deep learning
- production
- transport
- 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 36
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000004519 manufacturing process Methods 0.000 claims abstract description 74
- 238000013136 deep learning model Methods 0.000 claims abstract description 20
- 230000002787 reinforcement Effects 0.000 claims abstract description 14
- 239000000463 material Substances 0.000 claims abstract description 13
- 230000002452 interceptive effect Effects 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 7
- 230000005059 dormancy Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 239000002994 raw material Substances 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 12
- 230000006872 improvement Effects 0.000 description 3
- 230000007958 sleep Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- 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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及车间调度技术领域,具体涉及一种基于深度学习的车间分布式运输调度方法,该方法包括以下步骤:S1、与用户建立交互联系;S2、创建深度强化学习模型;S3、通过深度学习模型指定运输车辆运输路径,为每个生产设备运送物料;S4、根据生产任务的要求,完成区域内运输任务,本发明的运输调度方法,基于深度学习,针对车间运输任务,及时生成全局优化的调度方案,选择最优的方案调度运输方式和运输车辆,以达到响应最快、运输最便利、节约能源的目的,本发明方法在提高运输车辆调度效率的基础上,可以根据运输数据更新智能调度方案,使其更符合实际生产环境的需要,保证了运输车辆调度模型在实际生产场景中的有效性。
Description
技术领域
本发明涉及车间调度技术领域,特别是涉及一种基于深度学习的车间分布式运输调度方法。
背景技术
在生产制造类企业中,尤其是智能型的生产制造企业中,在生产车间中配置有智能产线设备,其中智能设备之间的运输任务,通常是通过运输工具完成,其中运输工具的智能调度是企业生产管理的重要组成部分,运输工具效率的高低,很大程度上影响着生产物流效率、工序间的衔接匹配。合理的车间运输工具调度,对于提高企业的整体效益,至关重要。受到生产过程非计划性因素的影响,如:生产工序的时间波动、物料的种类、设备故障导致的运输计划变更等,导致生产车间的运输工具的运输任务,具有一定的不确定性。面对不确定性的运输任务,运输工具调度人员基本只能依靠自身积累的经验,进行数据记录,或通过某种固定的规则,临时制定相应的调度方案。这样的调度方案效率较低、且容易出错,不可避免会导致运输工具负荷不均衡、运输过程冲突次数多、整体调度效率偏低等问题。
深度强化学习是一种解决复杂贯序决策问题的框架,通过对历史性车间运输工具任务试错性的训练和学习,以及对车间内空间信息的实时感知,可以为不确定性的运输任务,提供动态、优化调度方案。现有技术中,往往分别对运输工具的某个运输因素进行监测,监测形式和监测内容单一,不能完全对整个车间的运输调度进行全面的监测和判断。除此之外,现有技术中采用传统的数据处理方式对监测信息进行处理,数据处理过程缺乏高效性和快速性。因而,如何在实际生产过程中,利用深度强化学习方法来实现快速高效的车间分布式运输调度是需要进一步研究的问题。
发明内容
为解决上述问题,本发明提供一种基于深度学习的车间分布式运输调度方法,其借助深度学习算法构建智能调度模型,使得运输资源充分发挥最大能效。
本发明采用的技术方案是:
基于深度学习的车间分布式运输调度方法,该方法包括以下步骤:
S1、与用户建立交互联系;
S2、获取生产车间内运输车辆所在区域的空间布局,并从生产数据库提取产线历史运输任务数据,创建深度强化学习模型;
S3、通过深度学习模型与车间制造执行系统和设备监控管理系统集成交互,获取生产车间的生产数据和实时事件信号,并实时获取区域内当前运输车辆位置和状态,以及正在执行和待执行的运输任务数据,生成每个生产任务的优先级,为运输任务匹配运输车辆,并指定运输车辆运输路径,之后运输车辆开始为每个生产设备智能感知点运送对应的物料;
S4、根据生产任务的要求,完成区域内所有的运输任务,深度学习模型记录多辆运输车辆的运输信息,并对这些数据进行计算、预测和分析,生成最优调度方案。
对上述技术方案的进一步改进为,S2中,获取的运输车辆所在区域的空间布局为生产车间内的俯视布局、长度和宽度,以及区域内所有生产设备智能感知点的横向和纵向的相对距离。
对上述技术方案的进一步改进为,S2中,历史运输任务数据包括生产设备智能感知点编号、原材料类型、上料时间、进料量、进料时间和移动时间。
对上述技术方案的进一步改进为,S3中,通过生产车间区域内的应答器的信息,获取每个运输车辆的位置和方向。
对上述技术方案的进一步改进为,S3中,每辆运输车辆安装有调控模块,所述调控模块连接有若干传感器和定位器,以实现运输车辆的测速定位、起动、停车和障碍物检测。
对上述技术方案的进一步改进为,S3中,运输车辆的调控模块具有休眠/唤醒功能,在接受到休眠命令后,断开车上用电电源,运输车辆进入休眠状态;处于休眠状态的运输车辆收到唤醒命令后,接通车上各用电设备的电源,使运输车辆投入正常工作状态。
对上述技术方案的进一步改进为,S3中,指定运输车辆运输路径时,深度学习模型为各个运输车辆进行路径规划,给出由一系列路径点构成的参考路径,参考路径由起始点,多个的中途子节点和最终目的地构成,使各个运输车辆的运输路径之间无障碍的、流畅的运动到最终目标运输位置。
对上述技术方案的进一步改进为,S3中,所述智能感知点包括具有运算和存储能力的智能感知器,所述智能感知器用于采集、处理和存储网络节点的数据。
对上述技术方案的进一步改进为,S3中,深度学习模型根据各个智能感知点录入的生产数据中的物料需求信息,进行物料配送优先级制定,根据需求信息中的申请时间、需求时间、配送距离等将配送优先级划为不同的等级,并根据运输车辆运输任务数据,生成每个生产任务的优先级。
对上述技术方案的进一步改进为,S4中,根据前面运输车辆的运输数据的计算、预测和分析,对所述深度强化学习模型进行参数优化和训练,完成深度学习模型的更新,以生成后面的最优调度方案。
本发明的有益效果如下:
本发明提供的运输调度方法,基于深度学习,针对车间运输任务,及时生成全局优化的调度方案,选择最优的方案调度运输方式和运输车辆,以达到响应最快、运输最便利、节约能源的目的,本发明方法在提高运输车辆调度效率的基础上,可以根据运输数据更新智能调度方案,使其更符合实际生产环境的需要,保证了运输车辆调度模型在实际生产场景中的有效性。
附图说明
图1为本发明实施例中的的车间调度方法流程示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的,其中为了清楚表达的目的,放大了某些细节,并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的,实际中可能由于制造公差或技术限制而有所偏差,并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供的基于深度学习的车间分布式运输调度方法,该方法包括以下步骤:
S1、通过人机交互界面,与用户建立交互联系,其中的人机交互界面可适配主流手机的手机APP和运输调度状态管理终端;
S2、获取生产车间内运输车辆所在区域的空间布局,并从生产数据库提取产线历史运输任务数据,创建深度强化学习模型,深度学习模型根据所述运输任务数据形成一个运行的进程,从而开始执行深度学习程序;通过深度强化学习模型的分布式学习框架,有效地提高了分布式学习框架的运算效率,从而完成整个深度学习过程,指导车间的运输调度;
S3、通过深度学习模型与车间制造执行系统和设备监控管理系统集成交互,获取生产车间的生产数据和实时事件信号,并实时获取区域内当前运输车辆位置和状态,以及正在执行和待执行的运输任务数据,生成每个生产任务的优先级,为运输任务匹配运输车辆,并指定运输车辆运输路径,之后运输车辆开始为每个生产设备智能感知点运送对应的物料;
S4、根据生产任务的要求,完成区域内所有的运输任务,深度学习模型记录多辆运输车辆的运输信息,并对这些数据进行计算、预测和分析,生成最优调度方案。
具体地,S2中,获取的运输车辆所在区域的空间布局为生产车间内的俯视布局、长度和宽度,以及区域内所有生产设备智能感知点的横向和纵向的相对距离,通过获取生产车间内的空间布局,可以更好地规划运输车辆的移动路径,并通过获取所有生产设备的智能感知点的相对距离,在调度过程中,深度学习模型可以根据指定更近距离的运输车辆进行运输,从而进一步优化运输路径,此外,相对距离的获取,可以根据不同的生产设备的不同生产需求,进行更加合理的运输调度。
S2中,历史运输任务数据包括生产设备智能感知点编号、原材料类型、上料时间、进料量、进料时间和移动时间,通过以上运输任务数据的获取,可以准确地计算运输车辆的运输状态,并减少误差,将其中的上料时间、进料时间和移动时间均考虑进去,并通过智能感知点的编号,确定原材料的类型,从而进行精准的送料。
S3中,通过生产车间区域内的应答器的信息,获取每个运输车辆的位置和方向,通过应答器进行运输车辆的位置信息获取,准确方便,监测精度好。
S3中,每辆运输车辆安装有调控模块,所述调控模块连接有若干传感器和定位器,以实现运输车辆的测速定位、起动、停车和障碍物检测,通过调控模块的设置,可以控制运输车辆按规划的路径安全精确地移动到指定位置,实现运输车辆与生产设备的对位,并可进行运输车辆的故障报障和处理,从而更好地适用于现实中动态的生产环境,比如机器故障等紧急情况。
S3中,运输车辆的调控模块具有休眠/唤醒功能,在接受到休眠命令后,断开车上用电电源,运输车辆进入休眠状态;处于休眠状态的运输车辆收到唤醒命令后,接通车上各用电设备的电源,使运输车辆投入正常工作状态,通过设置休眠/唤醒功能,可以减少待机过程中的能耗,从而达到节约能耗的目的。
S3中,指定运输车辆运输路径时,深度学习模型为各个运输车辆进行路径规划,给出由一系列路径点构成的参考路径,参考路径由起始点,多个的中途子节点和最终目的地构成,使各个运输车辆的运输路径之间无障碍的、流畅的运动到最终目标运输位置,具体地,其中的运输车辆的位置移动,可以通过在其控制模块设置360度导航系统,进行精准的导航,以此实现精准的位置移动。
S3中,所述智能感知点包括具有运算和存储能力的智能感知器,所述智能感知器用于采集、处理和存储网络节点的数据,通过智能感知点的数据数据储存和运算,从而提高深度学习模型的数据处理效率。
S3中,深度学习模型根据各个智能感知点录入的生产数据中的物料需求信息,进行物料配送优先级制定,根据需求信息中的申请时间、需求时间、配送距离等将配送优先级划为不同的等级,并根据运输车辆运输任务数据,生成每个生产任务的优先级。
S4中,根据前面运输车辆的运输数据的计算、预测和分析,对所述深度强化学习模型进行参数优化和训练,完成深度学习模型的更新,进行运输调度方案的优化,以生成后面的最优调度方案。
以下为某手机壳生产车间分布式运输调度优化的具体实施例
此实施例中的生产车间工序设备间通过智能运输车辆连接实现物料转运。
参见图1所示,具体采用以下步骤进行车间运输调度优化:
S1、通过APP和运输调度状态管理终端,与用户建立交互联系;
S2、获取生产车间内运输车辆所在区域的空间布局,并从生产数据库提取产线历史智能感知点编号、原材料类型、上料时间、进料量、进料时间和移动时间数据,创建深度强化学习模型,深度学习模型根据所述运输任务数据形成一个运行的进程,从而开始执行深度学习程序;通过深度强化学习模型的分布式学习框架,有效地提高了分布式学习框架的运算效率,从而完成整个深度学习过程,模型达到满意效果后,结束训练,输出模型,指导车间的运输调度;
S3、通过深度学习模型与车间制造执行系统和设备监控管理系统集成交互,获取生产车间的生产数据和实时事件信号,并实时获取区域内当前运输车辆位置和状态,以及正在执行和待执行的运输任务数据,生成每个生产任务的优先级,为运输任务匹配运输车辆,并指定运输车辆运输路径,之后运输车辆开始为每个生产设备智能感知点运送对应的物料;
S4、根据生产任务的要求,完成区域内所有的运输任务,深度学习模型记录多辆运输车辆的运输信息,并对这些数据进行计算、预测和分析,生成最优调度方案。
本发明中按照上述方式,模拟实验采集了10000条实验数据,训练调度模型,在验证过程中,有92%以上的请求被正确调度到云主机上运行,实现了对运输车辆资源的正确调度。通过模拟实验验证,本方法具有可行性,可实施,并可推广使用。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.基于深度学习的车间分布式运输调度方法,其特征在于,该方法包括以下步骤:
S1、与用户建立交互联系;
S2、获取生产车间内运输车辆所在区域的空间布局,并从生产数据库提取产线历史运输任务数据,创建深度强化学习模型;
S3、通过深度学习模型与车间制造执行系统和设备监控管理系统集成交互,获取生产车间的生产数据和实时事件信号,并实时获取区域内当前运输车辆位置和状态,以及正在执行和待执行的运输任务数据,生成每个生产任务的优先级,为运输任务匹配运输车辆,并指定运输车辆运输路径,之后运输车辆开始为每个生产设备智能感知点运送对应的物料;
S4、根据生产任务的要求,完成区域内所有的运输任务,深度学习模型记录多辆运输车辆的运输信息,并对这些数据进行计算、预测和分析,生成最优调度方案。
2.根据权利要求1所述的基于深度学习的车间分布式运输调度方法,其特征在于:S2中,获取的运输车辆所在区域的空间布局为生产车间内的俯视布局、长度和宽度,以及区域内所有生产设备智能感知点的横向和纵向的相对距离。
3.根据权利要求1所述的基于深度学习的车间分布式运输调度方法,其特征在于:S2中,历史运输任务数据包括生产设备智能感知点编号、原材料类型、上料时间、进料量、进料时间和移动时间。
4.根据权利要求1所述的基于深度学习的车间分布式运输调度方法,其特征在于:S3中,通过生产车间区域内的应答器的信息,获取每个运输车辆的位置和方向。
5.根据权利要求1所述的基于深度学习的车间分布式运输调度方法,其特征在于:S3中,每辆运输车辆安装有调控模块,所述调控模块连接有若干传感器和定位器,以实现运输车辆的测速定位、起动、停车和障碍物检测。
6.根据权利要求5所述的基于深度学习的车间分布式运输调度方法,其特征在于:S3中,运输车辆的调控模块具有休眠/唤醒功能,在接受到休眠命令后,断开车上用电电源,运输车辆进入休眠状态;处于休眠状态的运输车辆收到唤醒命令后,接通车上各用电设备的电源,使运输车辆投入正常工作状态。
7.根据权利要求1所述的基于深度学习的车间分布式运输调度方法,其特征在于:S3中,指定运输车辆运输路径时,深度学习模型为各个运输车辆进行路径规划,给出由一系列路径点构成的参考路径,参考路径由起始点,多个的中途子节点和最终目的地构成,使各个运输车辆的运输路径之间无障碍的、流畅的运动到最终目标运输位置。
8.根据权利要求1所述的基于深度学习的车间分布式运输调度方法,其特征在于:S3中,所述智能感知点包括具有运算和存储能力的智能感知器,所述智能感知器用于采集、处理和存储网络节点的数据。
9.根据权利要求1所述的基于深度学习的车间分布式运输调度方法,其特征在于:S3中,深度学习模型根据各个智能感知点录入的生产数据中的物料需求信息,进行物料配送优先级制定,根据需求信息中的申请时间、需求时间、配送距离等将配送优先级划为不同的等级,并根据运输车辆运输任务数据,生成每个生产任务的优先级。
10.根据权利要求1所述的基于深度学习的车间分布式运输调度方法,其特征在于:S4中,根据前面运输车辆的运输数据的计算、预测和分析,对所述深度强化学习模型进行参数优化和训练,完成深度学习模型的更新,以生成后面的最优调度方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210199943.6A CN114662863A (zh) | 2022-03-01 | 2022-03-01 | 基于深度学习的车间分布式运输调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210199943.6A CN114662863A (zh) | 2022-03-01 | 2022-03-01 | 基于深度学习的车间分布式运输调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114662863A true CN114662863A (zh) | 2022-06-24 |
Family
ID=82027784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210199943.6A Pending CN114662863A (zh) | 2022-03-01 | 2022-03-01 | 基于深度学习的车间分布式运输调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114662863A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050808A (zh) * | 2023-03-31 | 2023-05-02 | 中科尚昇新能源汽车有限公司 | 一种电动吸污车的无人化作业系统及方法 |
-
2022
- 2022-03-01 CN CN202210199943.6A patent/CN114662863A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050808A (zh) * | 2023-03-31 | 2023-05-02 | 中科尚昇新能源汽车有限公司 | 一种电动吸污车的无人化作业系统及方法 |
CN116050808B (zh) * | 2023-03-31 | 2023-10-31 | 中科尚昇新能源汽车有限公司 | 一种电动吸污车的无人化作业系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111210184B (zh) | 一种数字孪生车间物料准时配送方法及系统 | |
CN106527373B (zh) | 基于多智能体的车间自主调度系统和方法 | |
CN108891838B (zh) | 订单处理方法、装置、电子设备以及计算机可读存储介质 | |
CN102231233B (zh) | 自动引导车分布式自主协同控制系统的控制方法 | |
US8983657B2 (en) | System and method of managing vehicles deployed in a worksite | |
Zhang et al. | Digital twin-driven carbon emission prediction and low-carbon control of intelligent manufacturing job-shop | |
CN109884996B (zh) | 生产控制系统、方法及生产管理系统 | |
Zhang et al. | Energy-efficient path planning for a single-load automated guided vehicle in a manufacturing workshop | |
CN107036618A (zh) | 一种基于最短路径深度优化算法的agv路径规划方法 | |
CN111224443A (zh) | 基于大数据的配送机器人充电方法、系统及处理终端 | |
CN106156888A (zh) | 一种巡检机器人的巡检路径规划方法及装置 | |
CN103197614B (zh) | 基于plc控制的自动物料搬送系统及其控制方法 | |
CN109857072A (zh) | Agv自主调度系统和agv自主调度方法 | |
CN111882215A (zh) | 一种含有agv的个性化定制柔性作业车间调度方法 | |
CN109032135A (zh) | 一种自动引导车的调度方法及系统 | |
CN113268804A (zh) | 基于数字孪生的船舶建造方法、系统、介质及终端 | |
CN108549386A (zh) | Agv小车管控系统及方法 | |
CN114662863A (zh) | 基于深度学习的车间分布式运输调度方法 | |
Hu et al. | Energy consumption monitoring for the order fulfilment in a ubiquitous manufacturing environment | |
CN113822528A (zh) | 用于板坯搬运的天车调度方法、终端、调度系统及运营调度中心 | |
CN116224926A (zh) | 面向单件小批柔性制造车间的动态调度优化方法及装置 | |
Rozs et al. | Collaborative systems, operation and task of the manufacturing execution systems in the 21st century industry | |
CN105427028A (zh) | 一种智能炼钢底层运输设备调度方法 | |
CN114859883A (zh) | 一种检修机器人多机协作控制方法、系统及储存介质 | |
WO2024114543A1 (zh) | 一种无人驾驶航空器的权限管控方法、系统和存储介质 |
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 |