CN114926075B - 基于工时预测的机械零件生产调度方法 - Google Patents
基于工时预测的机械零件生产调度方法 Download PDFInfo
- Publication number
- CN114926075B CN114926075B CN202210625367.7A CN202210625367A CN114926075B CN 114926075 B CN114926075 B CN 114926075B CN 202210625367 A CN202210625367 A CN 202210625367A CN 114926075 B CN114926075 B CN 114926075B
- Authority
- CN
- China
- Prior art keywords
- machining
- produced
- numerical control
- data
- production scheduling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 215
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 154
- 238000003754 machining Methods 0.000 claims abstract description 178
- 239000002245 particle Substances 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000013136 deep learning model Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 75
- 238000012545 processing Methods 0.000 claims description 60
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000013587 production medium Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000009827 uniform distribution Methods 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
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Educational Administration (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开一种基于工时预测的机械零件生产调度方法,其步骤为:1、生成机械零件数控加工数据集;2、对机械零件数控加工数据集进行预处理;3、生成训练集和测试集;4、以训练集训练机器学习、深度学习模型并通过测试集确定零件数控加工工时预测模型;5、利用该模型预测待排产零件的数控加工工时,以预测工时修正待排产零件的生产排程数据集;6、构建机械零件生产调度优化模型;7、利用离散粒子群算法对生产调度优化模型求解,得到待排产机械零件的生产排程计划。本发明能够在保证车间生产效率的同时获得与实际生产情况相近的生产排程计划。
Description
技术领域
本发明属于机械技术领域,更进一步涉及机械制造技术领域中的一种基于工时预测的机械零件生产调度方法。本发明可用于优化机械零件作业车间中零件生产排程计划。
背景技术
机械零件是构成机械的基本元件,是组成机械和机器的不可分拆的单个制件。伴随着各行业的不断发展,各类机械零件的需求量也急剧上升,而如何提高机械零件例如机械零件的生产效率、缩短制造周期、降低生产成本已经成为机械制造企业面临的问题。由于机械零件种类繁多、工序复杂,所以需要机械零件生产车间合理组织生产活动,而生产排程计划用于指导生产车间组织生产,其制定是否合理直接影响着车间的生产效率以及零件的制造成本。在众多影响车间调度的因素中,工时是最直接也是最重要的影响因素。为了简化这些问题,通常假定工序具有确定的工时,由此得到的生产排程计划可能与实际生产情况产生较大的偏差,使得实际生产中需要频繁进行重调度,导致调度效率低下。产生这种调度效率低下的原因是生产排程计划中忽略了实际加工中存在的扰动因素对机械零件加工工时的影响,由此求解车间生产排程计划无法贴近车间的实际生产情况。
李思远在其发表的论文“机械底盘工件生产车间调度方法研究”(哈尔滨理工大学硕士论文2021年)中提出了一种机械零件生产车间生产过程中机械底盘工件生产车间的工序调度方法。该方法的实现步骤为:第一,对机械底盘零件进行聚类并利用遗传算法对机械底盘零件进行排料;第二,建立机械底盘工件的异速并行机调度数学模型,采用改进的非支配排序遗传算法得到原始调度方案;第三,当扰动事件发生时,计算重调度需度,并判断是否进行重调度以调整调度方案。该方法考虑了底盘机械零件生产车间生产过程中机床故障、紧急订单等不确定因素,使得生产车间生产排程计划制定更加符合实际生产需求。但是,该方法仍然存在的不足之处是,在其所建立的异速并行机调度数学模型中假设零件加工工时服从均匀分布,并未考虑实际加工中零件工时受到设备、数控加工程序等因素的影响,导致求解的生产排程计划与实际生产情况产生较大的偏差,使得实际生产中需要频繁进行重调度,进而降低了车间的生产效率。
对采用数控加工的机械零件,其生产调度方案的优劣非常依赖于零件数控加工程序解析的准确性,而现有的数控程序解析软件通常是根据刀具的更换来划分加工工序,对于加工工序繁多且存在同一把刀具加工多道工序的机械零件而言,采用数控程序解析软件的方法难以正确划分零件的加工工序,进而影响机械零件的生产调度。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于工时预测的机械零件生产调度方法,用以解决机械零件车间实际生产中频繁重复调度,导致车间生产效率较低的问题。
实现本发明目的的思路是:本发明采集机械零件的数控加工数据和车间生产数据,解析机械零件的数控加工数据,得到加工工序样本数据,然后对加工工序样本数据和车间生产数据分别作不同预处理,得到已生产零件的工时预测数据集和待排产零件的工时预测数据集、生产排程数据集。本发明采用随机森林、弹性网络、随机递归消除等算法,从历史工时预测数据集中提取关键特征数据集,再利用该关键特征数据集分别训练机器学习模型、深度学习模型,以模型计算的零件加工工时修正生产排程数据集。以最小化最大完工时间为目标,建立机械零件的生产调度优化数学模型。将修正后的生产排程数据集输入生产调度优化数学模型,并采用离散粒子群算法对模型进行求解,得到最优的生产排程方案,以此解决机械零件车间实际生产中频繁重复调度,导致车间生产效率较低的问题。
为了实现上述目的,本发明技术方案的步骤包括如下:
步骤1,生成机械零件数控加工数据集:
步骤1.1,收集最近3个月的机械零件数控加工工序文件至少20份;
步骤1.2,采用下述提取方法,提取每个数控加工工序文件的加工特征信息,得到至少300个加工工序样本数据的机械零件数控加工数据集;
所述提取方法的步骤如下:
第一步,以设置刀具起始点的数控加工程序代码为分界点,划分零件加工工序;具体方法为:逐行读取数控加工工序文件的内容并对其进行判断,判断方法为对比当前内容是否与设置刀具起始点的数控加工程序代码相符,相符则代表当前代码为该加工工序的起始代码,而两个起始代码间的程序代码即为一道工序的数控程序代码;
第二步,以数控程序中的功能字为标识得到每道工序的数控程序代码的加工特征信息形成一个加工工序样本数据并缓存于计算机内存中;
步骤2,预处理机械零件数控加工数据:
步骤2.1,对机械零件数控加工数据集依次进行异常值处理、独热编码处理和归一化处理,得到数控加工工时预测数据集;
步骤2.2,使用随机森林算法,计算步骤1生成的机械零件数控加工数据集中每个加工工序特征的重要度得分,将所有重要度得分按照降序排列,选取前5的加工工序特征组成第一个工时关键影响因素集;
步骤2.3,使用弹性网络算法,计算步骤1生成的机械零件数控加工数据集中每个加工工序特征与零件工时的相关系数,对所有相关系数按照降序排列,选择前5的加工工序特征组成第二个工时关键影响因素集;
步骤2.4,使用特征递归消除算法,将步骤1生成的机械零件数控加工数据集中的所有加工工序特征组成初始特征子集,递归消除当前特征重要度最低的特征直至特征子集的个数为5个,将该5个加工工序特征组成第三个工时关键影响因素集;
步骤2.5,对三个工时关键影响因素集取并集,得到数控加工工序特征并集;
步骤2.6,从数控加工工时预测数据集中提取数控加工工序特征并集中每个特征所对应的数据,得到关键特征数据集;
步骤3,生成训练集和测试集:
将关键特征数据集中的数据,按照8:2的比例随机划分为训练集和测试集;
步骤4,训练机器学习模型和深度学习模型:
步骤4.1,将训练集分别输入到随机森林模型、KNN模型,SVR模型、决策树模型和XgBoost模型,采用最小二乘法训练这五种机器学习模型,迭代更新每种模型的参数和机械零件预测工时,直至每个模型的预测工时与训练集工时之间的最小误差小于设置的阈值,得到训练好的五种工时预测模型;
步骤4.2,将训练集输入到深度学习模型中,运用反向传播算法,迭代更新模型参数,直至满足迭代终止条件,得到训练好的DNN工时预测模型;
步骤5,确定零件数控加工工时预测模型:
将测试集分别输入到六个训练好的工时预测模型中,分别计算每个模型的预测工时与测试集工时之间的均方根误差和平均绝对误差,分别取均方根误差和平均绝对误差中每种误差中的最小值对应的模型,作为零件数控加工工时预测模型;
步骤6,利用零件数控加工工时预测模型预测待排产零件数控加工工时:
收集待排产机械零件的数控加工工序文件,并采用与步骤1和步骤2相同的处理方法,得到待排产机械零件的数控加工工时预测数据集,将待排产的机械零件的数控加工工时预测数据集,输入到步骤5选定的两个零件加工工时预测模型中,输出两个不同待排产零件数控加工的预测工时;
步骤7,修正零件生产排程数据集:
步骤7.1,采集待排产机械零件的车间生产数据,具体包括:待排产机械零件生产订单数据、待排产机械零件工艺数据,组成待排产机械零件生产排程数据集;
步骤7.2,用两个待排产零件数控加工的预测工时,分别替换待排产机械零件生产排程数据集中的工时数据,得到两个修正后的待排产机械零件生产排程数据集;
步骤8,在同时满足所有约束和限制条件下,构建待排产机械零件生产调度优化模型;
步骤9,利用离散粒子群算法对生产调度优化模型求解:
将两个修正后的待排产机械零件生产排程数据集分别输入到生产调度优化模型中,利用离散粒子群算法对生产调度优化模型求解,得到两个不同的排产机械零件生产排程计划;
步骤10,生成待排产机械零件的生产排程计划:
选取两个待排产机械零件生产排程计划中最大完工时间最小的生产排程计划,作为待排产机械零件的生产排程计划。
本发明与现有技术相比,具有以下优点:
第一,本发明通过获取加工流程中每道工序的加工特征信息生成数控加工工时预测数据集,以预测的每道工序工时修正待排产零件的生产排程数据集,将修正后的待排产零件的生产排程数据集作为生产调度优化模型的输入,克服了现有技术假设零件加工工时服从均匀分布,未考虑实际加工中零件工时受到设备、数控加工程序等因素的影响,导致求解的生产排程计划与实际生产情况产生较大的偏差,使得实际生产中需要频繁进行重调度,进而降低车间生产效率的问题,使得本发明在保证车间生产效率的同时获得与实际生产情况相近的生产排程计划。
第二,本发明以设置刀具起始点的数控加工程序代码为分界点,划分机械零件的加工工序。克服了现有技术中采用数控程序解析软件的方法难以正确划分零件加工工序的问题,使得本发明能够准确提取机械零件每一道工序的加工特征信息,进而用于机械零件的生产调度。
附图说明
图1为本发明的流程图;
图2为本发明实施的未修正零件工时的生产排程计划图;
图3为本发明实施的采用XgBoost算法修正零件工时的生产排程计划图;
图4为本发明实施的采用DNN算法修正零件工时的生产排程计划图。
具体实施方式
下面结合附图实施例,对本发明作进一步的详细描述。
参照图1和本发明实施例的机械白车身零件数控加工工序生产排程计划的实现步骤作进一步的详细描述。
步骤1,生成机械白车身零件数控加工数据集。
步骤1.1,收集最近3个月的机械白车身零件数控加工工序文件至少20份,将每份数控加工工序文件单独另存为txt格式文件。
所收集数控加工工序文件来自所有加工机械白车身零件的数控加工设备,且每台数控加工设备至少收集1份数控加工工序文件。
所述的一份数控加工工序文件是指一个机械白车身零件在一台数控加工设备上,从开始加工到结束加工过程中所使用的全部数控加工程序。
步骤1.2,对于每个txt文件,按照以下步骤进行处理:
第一步,以设置刀具起始点的数控加工程序代码为分界点,划分零件加工工序。具体方法为:逐行读取txt文件的内容并对其进行判断,判断方法为对比当前内容是否与设置刀具起始点的数控加工程序代码相符,相符则代表当前代码为该加工工序的起始代码,而两个起始代码间的程序代码即为一道工序的数控程序代码。
第二步,以数控程序中的功能字为标识获取每道工序的数控程序代码的加工特征信息形成一个加工工序样本数据并缓存于计算机内存中。
步骤1.3,所有txt文件处理完后,将缓存在计算机内存中的所有加工工序样本数据保存到Excel表中,得到机械白车身零件数控加工数据集。其中,得到的机械白车身零件数控加工数据集至少有300个加工工序样本数据,且机械白车身零件数控加工数据集的每一行存储的是一个加工工序样本数据,每一列存储的是一个加工工序特征所对应的数据。
所述的加工工序特征信息是指:刀具刀长、刀具号、加工特征、刀具在X、Y、Z三个轴方向的位移、刀具的进给速度、加工中心主轴的转速、加工循环指令、零件几何体。
步骤2,预处理机械白车身零件数控加工数据。
步骤2.1,异常值处理。分别计算机械白车身零件数控加工数据集中的每一列数据的平均值u和方差σ,遍历机械白车身零件数控加工数据集中的每一个数据,将每个小于该数据所对应列的u-3σ或大于所对应列的u+3σ的数据,判定为异常值,并删除该异常值所对应的行的整行数据,得到待处理数据集A。
步骤2.2,独热编码处理。将待处理数据集A进行独热编码处理得到待处理数据集B。所述的独热编码是指将加工工序特征中的加工特征、加工循环指令、零件几何体等非数值型数据转换为数值型数据。
步骤2.3,归一化处理。将待处理数据集B在[0,1]区间进行归一化处理,消除数据量纲差异,得到数控加工工时预测数据集。
步骤2.4,使用随机森林算法,计算步骤1生成的数控加工数据集中每个加工工序特征的重要度得分,对所有重要度得分按照降序排列,选取重要度得分前5的加工工序特征,组成第一个工时关键影响因素集。
步骤2.5,使用弹性网络算法,计算步骤1生成的数控加工数据集中每个加工工序特征与零件工时的相关系数,对所有相关系数按照降序排列,选择相关系数前5的加工工序特征,组成第二个工时关键影响因素集。
步骤2.6,使用特征递归消除算法,将步骤1生成的数控加工数据集中的所有加工工序特征组成初始特征子集,递归消除当前特征重要度最低的特征直至特征子集的个数为5个,将此特征子集包含的最后5个加工工序特征,组成第三个工时关键影响因素集。
步骤2.7,对三个工时关键影响因素集取并集,得到数控加工工序特征并集。
步骤2.8,从数控加工工时预测数据集中提取数控加工工序特征并集中每个特征所对应的数据,得到关键特征数据集。
步骤3,生成训练集和测试集。
将关键特征数据集中的数据,按照8:2的比例随机划分为训练集和测试集。
步骤4,训练机器学习模型和深度学习模型。
在以往对于工时预测等回归问题的研究中,多采用随机森林模型、K-近邻算法KNN(K-Nearest Neighbor)模型,支持向量回归SVR(Support Vector Regression)模型等机器学习模型或深度学习模型,且这些模型已在长期的工程实践中得到了充分的验证。而机械白车身零件的加工特征数据与加工工时属于非线性关系,随机森林模型、KNN模型,SVR模型、决策树模型和极限梯度提升算法XgBoost(eXtreme Gradient Boosting)模型以及深度神经网络DNN(Deep Neural Networks)模型能够很好地处理非线性数据,因此本发明选用这六个模型解决机械白车身零件数控加工工时的预测问题。
步骤4.1,将训练集分别输入到随机森林模型、KNN模型,SVR模型、决策树模型和XgBoost模型,采用最小二乘法训练这五种机器学习模型,迭代更新每种模型的参数和机械白车身零件预测工时,直至每个模型的预测工时与训练集工时之间的最小误差小于设置的阈值,得到训练好的五种工时预测模型。
所述的阈值是根据机械白车身零件生产车间对该零件的加工工时误差要求来制定,本发明的实施例阈值设定为0.001。
步骤4.2,将训练集输入到深度学习模型中,运用反向传播算法,迭代更新模型参数,直至满足迭代终止条件,得到训练好的DNN工时预测模型。
所述的迭代终止条件为满足下述条件之一的情形:
条件1,模型迭代次数达到设置的最大迭代次数;
条件2,深度学习模型的预测工时与训练集工时之间的最小误差小于设置的阈值。
本发明的实施例中设置的最大迭代次数为1000次。
所述阈值与步骤4.1的相同。
步骤5,确定零件数控加工工时预测模型。
将测试集分别输入到六个训练好的工时预测模型中,分别计算每个模型的预测工时与测试集工时之间的均方根误差和平均绝对误差,分别取均方根误差和平均绝对误差中每种误差中的最小值对应的模型,作为零件数控加工工时预测模型。
所述的平均绝对误差和均方根误差的计算公式分别如下:
其中,MAE表示测试集工时与预测工时的平均绝对误差,表示测试集第i个加工工序的工时,/>表示测试集第i个加工工序的预测工时,N表示测试集数据的总数,RMSE表示测试集工时与预测工时的均方根误差,| |表示取绝对值操作,/>表示求平方根操作,∑表示累计求和操作。
步骤6,利用零件数控加工工时预测模型预测待排产零件数控加工工时。
收集待排产机械白车身零件的数控加工工序文件,并采用与步骤1和步骤2相同的处理方法,得到待排产机械白车身零件的数控加工工时预测数据集,将待排产的机械白车身零件的数控加工工时预测数据集,输入到步骤5选定的两个零件加工工时预测模型中,输出待排产零件数控加工的预测工时C和待排产零件数控加工的预测工时D。
步骤7,以预测工时修正生成的零件生产排程数据集。
步骤7.1,采集待排产机械白车身零件的车间生产数据,具体包括:待排产机械白车身零件生产订单数据、待排产机械白车身零件工艺数据,组成待排产机械白车身零件生产排程数据集。
所述的待排产机械白车身零件生产订单数据包括:零件种类、零件数量。
所述的待排产机械白车身零件工艺数据包括:工艺路线、工序以及工时数据。
步骤7.2,用待排产零件数控加工的预测工时C和待排产零件数控加工的预测工时D,分别替换待排产机械白车身零件生产排程数据集中的工时数据,得到修正后的待排产机械白车身零件生产排程数据集C1和修正后的待排产机械白车身零件生产排程数据集D1。
步骤8,构建机械白车身零件生产调度优化模型如下:
其中,F表示机械白车身零件生产调度优化模型的目标函数,min表示取最小值操作,N表示待排产机械白车身零件数量,max表示取最大值操作,i表示所有待排产机械白车身零件中的第i个待排产机械白车身零件,表示待排产机械白车身零件Ji的完工时间,Cmax表示所有/>中的最大值。
目标函数F需同时满足以下所有约束和限制条件:
条件1,所有待排产机械白车身零件的机加工序在同一生产线加工;
条件2,零时刻默认所有加工待排产机械白车身零件的设备及生产资源齐备,待排产机械白车身零件在各设备间的流转时间不做考虑;
条件3,每台加工待排产机械白车身零件的设备在同一时刻只能加工一道工序;
条件4,待排产机械白车身零件加工优先选择Mij中堆料较多的设备,其中Mij表示第i个待排产机械白车身零件的第j道工序的可选设备集;
条件5,待排产机械白车身零件加工优先选择Mij中工时较短的设备;
条件6,每个待排产机械白车身零件在任何时刻只能在一台设备上加工,描述公式为:
其中,当uijk=1时表示第i个待排产机械白车身零件的第j道工序Oij在Mij中第k台设备Mk上加工,当uijk=0时表示第i个待排产机械白车身零件的第j道工序Oij不在Mij中第k台设备Mk上加工;M表示第i个机械白车身零件的第j道工序的可选设备集Mij中加工设备的数量;∑表示累加操作;
条件7,待排产机械白车身零件Ji的每道工序必须按照其工艺顺序进行加工,即只有在上一道工序加工结束之后,才可以开始下一道工序的加工,但是不同工件之间没有工艺顺序要求,描述公式为:
sij+uijk×tijk≤cij≤si(j+1),i=1,2,...,n;j=1,2,...,ei-1
其中,uijk含义与条件6中uijk的相同;sij表示第i个待排产机械白车身零件的第j道工序Oij的开始加工时刻;tijk表示第i个待排产机械白车身零件的第j道工序Oij在机器k上的加工时间;cij表示第i个待排产机械白车身零件的第j道工序Oij的加工结束时刻;si(j+1)表示表示第i个待排产机械白车身零件的第j+1道工序Oi(j+1)的开始加工时刻;n表示待排产机械白车身零件的数量;ei表示第i个待排产机械白车身零件的工序数。
条件8,每台加工待排产机械白车身零件的设备可以加工不同的工艺,每台设备上的加工工序是可以改变的;
条件9,待排产机械白车身零件加工优先选择设备空闲且设备利用率低的设备;
条件10,待排产机械白车身零件工件所有工序的可选设备集是已知的,且至少存在一道工序。
步骤9,利用改进的离散粒子群算法对生产调度优化模型求解。
将修正后的待排产机械白车身零件生产排程数据集C1和修正后的待排产机械白车身零件生产排程数据集D1,分别输入到生产调度优化模型中,利用改进的离散粒子群算法对生产调度优化模型求解,得到待排产机械白车身零件生产排程计划E1和待排产机械白车身零件生产排程计划E2。
所述的利用改进的离散粒子群算法对生产调度优化模型求解的步骤为:
步骤9.1,粒子编码和粒子解码。
所述粒子编码,是指将粒子携带的信息按照设定的方式排列,形成位串的形式;
所述粒子解码,是指在计算适应度函数之前还原粒子所表示的加工顺序。
本实施例采用工序分段整数编码来表示粒子,第一段编码代表机械白车身零件工序对应的机器分配部分MA(Machines Assignment),用于确定机械白车身零件加工选择的设备,第二段代表机械白车身零件的工序排序部分OS(Operations Sequencing),用于确定机械白车身零件工序加工的先后次序。
以本实施例中的机械白车身零件1和机械白车身零件2为例,机械白车身零件1和机械白车身零件2分别有4道工序,总共8道工序,进行粒子编码后的位串为{2,1,1,2,1,2,2,1,3,6,2,1,2,5,1,5},其中前8个数字{2,1,1,2,1,2,2,1}为工序排序部分为,后8个数字{3,6,2,1,2,5,1,5}为机器分配部分。
工序排序部分{2,1,1,2,1,2,2,1}的第1个2代表机械白车身零件2的第1道加工工序,第2个2代表机械白车身零件2的第2道加工工序,第1个1代表机械白车身零件1的第1个加工工序,其他数字同理。
机器分配部分{3,6,2,1,2,5,1,5}的前4个数字{3,6,2,1}代表机械白车身零件1的各工序所用加工设备在设备集中的排序,即{3,6,2,1}中的数字3代表机械白车身零件1的第1道工序所用加工设备在设备集中的排序,{3,6,2,1}中的数字1代表机械白车身零件1的第4道加工工序所用加工设备在设备集中的排序;机器分配部分{3,6,2,1,2,5,1,5}的后4个数字{2,5,1,5}代表机械白车身零件2各工序所用加工设备在设备集中的排序,{2,5,1,5}第1个数字5代表机械白车身零件2的第2道工序所用加工设备在设备集中的排序,{2,5,1,5}第2个数字5代表机械白车身零件2的第4道工序所用加工设备在设备集中的排序。
步骤9.2,计算适应度。
适应度是指根据模型中目标函数对种群中的个体进行评价,适应度值越大代表种群中的个体越好,适应度值的计算公式如下:
其中,f表示粒子的适应度值,Fi表示第i次迭代的目标函数值。
步骤9.3,粒子位置更新。
在粒子的更新过程中引入了3个操作算子(f1,f2,f3)来更新粒子的工序排序部分和机器分配部分,其中f1为基于工序排序或机器分配的变异、f2为个体最优位置之间进行工序先后顺序保留的交叉(POX)操作、f3为全局最优位置进行随机点保存的交叉(RPX)操作。按照f1,f2,f3的顺序,依次执行这3个算子以完成粒子的一次更新。
所述的f1操作算子实现步骤如下:
f1算子采用基于粒子编码的两种变异操作,分别对粒子向量的工序排序部分OS和机器分配部分MA进行调整。基于OS的变异具体为对OS进行随机排序,如工序排序部分{2,1,1,2,1,2,2,1}经变异后改为{1,2,1,1,2,1,2,2};基于MA的变异具体为随机选择OS的某一维数据,在其对应的可选设备集中另选一台设备代替当前MA中的设备,如随机选择OS中的第1个2,其代表的是机械白车身零件2的第1道工序,在该工序的可选设备集中随机选择另一台设备,以该设备在设备集中的排序数来替换机器分配部分中机械白车身零件2的第1道工序对应位置。采用轮盘赌的方式选择以上两种变异中的一种。
所述的f2操作算子实现步骤如下:
f2表示当前粒子向个体最优位置Pi学习的过程。具体操作为:将机械白车身零件集{1,2,3,…,N}随机地分为两个非空互补子集J1和J2,针对当前粒子/>和个体最优位置Pi的OS部分,依次复制当前粒子/>中属于非空互补子集J1的机械白车身零件号到子代Fi k中,同时复制个体最优位置Pi中属于非空互补子集J2的部分到子代Fi k中,复制到子代Fi k中的顺序是按照各工序在各自原本OS中的顺序进行排序的,若遇到顺序号一样的工序,则随机将两者按相邻的工序进行排列。对于MA而言,则只需要把当前粒子/>和个体最优位置Pi中各自选中的工序对应的机器顺序号复制到子代Fi k的MA中即可。
所述的f3操作算子实现步骤如下:
将子代Fi k中的OS部分复制到第i个粒子在第k+1代时的位置中,随机生成一个各元素范围为(0,1)的一维向量R,其长度为粒子中OS部分的长度T0。将R的各元素与OS的各元素对应起来,找出向量R中元素小于自适应调整概率pf的位置,记录子代Fi k中对应位置的工序,然后将粒子全局最优位置Pg中相同位置的工序的机器顺序号复制到第i个粒子在第k+1代时的位置/>中对应的MA中,其他工序号对应的机器顺序号不变。
所述的自适应调整概率pf计算公式为:
其中,Iter表示算法的最大迭代次数,最大迭代次数根据设备数量和待排产零件数量确定,本实施例设置为200次;k表示当前迭代次数;pfmax表示预先给定的最大调整概率,取值范围为0.8~1之间,本实施例取pfmax=0.8;pfmin表示预先给定的最小整概率,取值范围为0~0.25之间,本实施例取pfmax=0.2;
步骤9.4,对种群中所有粒子执行步骤9.3完成粒子的位置的一次迭代更新,直至迭代次数大于设置的最大迭代次数Iter,得到粒子的全局最优解,全局最优解即为待排产机械白车身零件的生产排程计划。
步骤10,生成机械零件最优的生产排程计划。
选取待排产机械白车身零件生产排程计划E1和E2中最大完工时间最小的生产排程计划作为最优的生产排程计划。
图2为本发明对未修正零件工时的待排产零件生产排程数据集求解的生产排程计划图,图3为本发明对采用XgBoost算法修正零件工时的待排产零件生产排程数据集求解的生产排程计划图,图4为本发明对采用DNN算法修正零件工时的待排产零件生产排程数据集求解的生产排程计划图,以上图中,横坐标均表示零件加工时间(单位:s);纵坐标均表示设备;矩形方块中的数字编号如3-1表示工件3的第一道加工工序;矩形方块在横坐标的长度,表示对应工件工序的加工时间,如3-1代表的矩形方块在横坐标的长度代表工件3的第一道工序的加工时间;矩形方块对应纵坐标对应的设备号,表示对应工件工序的加工设备,如图2中3-1对应的矩形方块纵坐标为M6,表示工件3的第一道工序是在设备编号为M6的设备上加工。
以图2中工件4为例对图进行描述。工件4的第一道工序首先在设备编号为M4的设备上加工,4-1的矩形块长度代表在设备上加工的时间;第1道工序结束后,在设备编号为M4的设备上继续进行第二道工序的加工;第二道工序结束后,在设备编号为M1的设备上进行第三道工序的加工;第三道工序结束后,在设备编号为M3的设备上进行第四道工序的加工;最后,在设备编号为M1的设备上进行第五道工序的加工。整个生产排程计划中,零件4的加工时间最长,为115秒,所以生产排程计划最大完工时间为115秒。
下面结合仿真实验对本发明的效果做进一步的说明:
1.仿真实验条件:
本发明的仿真实验的硬件平台为:处理器为Intel(R)Core(TM)i5-84002.80GHz,内存16GB。
本发明的仿真实验的软件平台为:Windows 10操作系统和python 3.7。
本发明仿真实验所使用的输入数据为某公司机械白车身数控加工生产线数据,数据格式为txt。
2.仿真内容及其结果分析:
本发明仿真实验是分别采用,基于XgBoost修正工时及改进的离散粒子群算法的车间调度模型、基于DNN修正工时及改进的离散粒子群算法的车间调度模型和基于改进的离散粒子群算法的车间调度模型,对本发明实施例中测试集的样本进行生产排程计划制定,并将这三个模型的生产排程计划指标进行评估分析。
所采用的评估方法是分别计算测试样本的最大完工时间。
最大完工时间的计算公式如下:
其中,C'max表示样本的最大完工时间,表示样本中最后一个工件的完工时间,表示样本中第一个工件的开始加工时间。
训练模型所用的输入数据均为本实施例采集的运行数据,评估模型所用的输入数据均为本实施例中所用的测试集数据,仿真实验的评估指标结果如表1所示。
表1仿真对比实验评估指标结果对比表
分析表1,由评估指标结果可知,采用机器学习、深度学习算法修正零件工时后的离散粒子群车间调度模型,求解车间生产排程计划,具有更小的最大完工时间。因此在车间调度模型求解过程前考虑由机器学习或深度学习算法对待排产零件工时进行预测分析,并采用预测工时修正零件的模糊工时,可以有效缩短生产排程计划的最大完工时间,提高车间的生产效率。
Claims (7)
1.一种基于工时预测的机械零件生产调度方法,其特征在于,以设置刀具起始点的数控加工程序代码为分界点,划分机械零件的加工工序,以预测的工时修正待排产零件的生产排程数据集,将修正后的待排产零件的生产排程数据集输入生产调度优化模型,该方法的步骤包括如下:
步骤1,生成机械零件数控加工数据集:
步骤1.1,收集最近3个月的机械零件数控加工工序文件至少20份;
步骤1.2,采用下述提取方法,提取每个数控加工工序文件的加工特征信息,得到至少300个加工工序样本数据的机械零件数控加工数据集;
所述提取方法的步骤如下:
第一步,以设置刀具起始点的数控加工程序代码为分界点,划分零件加工工序;具体方法为:逐行读取数控加工工序文件的内容并对其进行判断,判断方法为对比当前内容是否与设置刀具起始点的数控加工程序代码相符,相符则代表当前代码为该加工工序的起始代码,而两个起始代码间的程序代码即为一道工序的数控程序代码;
第二步,以数控程序中的功能字为标识得到每道工序的数控程序代码的加工特征信息形成一个加工工序样本数据并缓存于计算机内存中;
步骤2,预处理机械零件数控加工数据:
步骤2.1,对机械零件数控加工数据集依次进行异常值处理、独热编码处理和归一化处理,得到数控加工工时预测数据集;
步骤2.2,使用随机森林算法,计算步骤1生成的机械零件数控加工数据集中每个加工工序特征的重要度得分,将所有重要度得分按照降序排列,选取前5的加工工序特征组成第一个工时关键影响因素集;
步骤2.3,使用弹性网络算法,计算步骤1生成的机械零件数控加工数据集中每个加工工序特征与零件工时的相关系数,对所有相关系数按照降序排列,选择前5的加工工序特征组成第二个工时关键影响因素集;
步骤2.4,使用特征递归消除算法,将步骤1生成的机械零件数控加工数据集中的所有加工工序特征组成初始特征子集,递归消除当前特征重要度最低的特征直至特征子集的个数为5个,将该5个加工工序特征组成第三个工时关键影响因素集;
步骤2.5,对三个工时关键影响因素集取并集,得到数控加工工序特征并集;
步骤2.6,从数控加工工时预测数据集中提取数控加工工序特征并集中每个特征所对应的数据,得到关键特征数据集;
步骤3,生成训练集和测试集:
将关键特征数据集中的数据,按照8:2的比例随机划分为训练集和测试集;
步骤4,训练机器学习模型和深度学习模型:
步骤4.1,将训练集分别输入到随机森林模型、KNN模型,SVR模型、决策树模型和XgBoost模型,采用最小二乘法训练这五种机器学习模型,迭代更新每种模型的参数和机械零件预测工时,直至每个模型的预测工时与训练集工时之间的最小误差小于设置的阈值,得到训练好的五种工时预测模型;
步骤4.2,将训练集输入到深度学习模型中,运用反向传播算法,迭代更新模型参数,直至满足迭代终止条件,得到训练好的DNN工时预测模型;
步骤5,确定零件数控加工工时预测模型:
将测试集分别输入到六个训练好的工时预测模型中,分别计算每个模型的预测工时与测试集工时之间的均方根误差和平均绝对误差,分别取平均绝对误差和均方根误差中每种误差中的最小值对应的模型,作为零件数控加工工时预测模型;
步骤6,利用零件数控加工工时预测模型预测待排产零件数控加工工时:
收集待排产机械零件的数控加工工序文件,并采用与步骤1和步骤2相同的处理方法,得到待排产机械零件的数控加工工时预测数据集,将待排产的机械零件的数控加工工时预测数据集,输入到步骤5选定的两个零件加工工时预测模型中,输出两个不同待排产零件数控加工的预测工时;
步骤7,修正零件生产排程数据集:
步骤7.1,采集待排产机械零件的车间生产数据,具体包括:待排产机械零件生产订单数据、待排产机械零件工艺数据,组成待排产机械零件生产排程数据集;
步骤7.2,用两个待排产零件数控加工的预测工时,分别替换待排产机械零件生产排程数据集中的工时数据,得到两个修正后的待排产机械零件生产排程数据集;
步骤8,在同时满足所有约束和限制条件下,构建待排产机械零件生产调度优化模型;
所述的所有约束和限制条件如下:
条件1,所有待排产机械零件的机加工序在同一生产线加工;
条件2,零时刻默认所有加工待排产机械零件的设备及生产资源齐备,待排产机械零件在各设备间的流转时间不做考虑;
条件3,每台加工待排产机械零件的设备在同一时刻只能加工一道工序;
条件4,待排产机械零件加工优先选择Mij中堆料较多的设备,其中Mij表示第i个待排产机械零件的第j道工序的可选设备集;
条件5,待排产机械零件加工优先选择Mij中工时较短的设备;
条件6,每个待排产机械零件在任何时刻只能在一台设备上加工,描述公式为:
其中,当uijk=1时表示第i个待排产机械零件的第j道工序Oij在Mij中第k台设备Mk上加工,当uijk=0时表示第i个待排产机械零件的第j道工序Oij不在Mij中第k台设备Mk上加工;M表示第i个待排产机械零件的第j道工序的可选设备集Mij中加工设备的数量;∑表示累加操作;
条件7,待排产机械零件Ji的每道工序必须按照其工艺顺序进行加工,即只有在上一道工序加工结束之后,才可以开始下一道工序的加工,但是不同工件之间没有工艺顺序要求,描述公式为:
sij+uijk×tijk≤cij≤si(j+1),i=1,2,...,n;j=1,2,...,ei-1
其中,uijk含义与条件6中uijk的相同;sij表示第i个待排产机械零件的第j道工序Oij的开始加工时刻;tijk表示第i个待排产机械零件的第j道工序Oij在机器k上的加工时间;cij表示第i个待排产机械零件的第j道工序Oij的加工结束时刻;si(j+1)表示表示第i个待排产机械零件的第j+1道工序Oi(j+1)的开始加工时刻;n表示待排产机械零件的数量;ei表示第i个待排产机械零件的工序数;
条件8,每台加工待排产机械零件的设备可以加工不同的工艺,每台设备上的加工工序是可以改变的;
条件9,待排产机械零件加工优先选择设备空闲且设备利用率低的设备;
条件10,待排产机械零件工件所有工序的可选设备集是已知的,且至少存在一道工序;
所述的待排产机械零件生产调度优化模型如下:
其中,F表示待排产机械零件生产调度优化模型的目标函数,min表示取最小值操作,N表示待排产机械零件数量,max表示取最大值操作,i表示所有待排产机械零件中的第i个待排产机械零件,表示待排产机械零件Ji的完工时间,Cmax表示所有/>中的最大值;
步骤9,利用离散粒子群算法对生产调度优化模型求解:
将两个修正后的待排产机械零件生产排程数据集分别输入到生产调度优化模型中,利用离散粒子群算法对生产调度优化模型求解,得到两个不同的排产机械零件生产排程计划;
步骤10,生成待排产机械零件的生产排程计划:
选取两个待排产机械零件生产排程计划中最大完工时间最小的生产排程计划,作为待排产机械零件的生产排程计划。
2.根据权利要求1所述的基于工时预测的机械零件生产调度方法,其特征在于,步骤1.2中所述的加工特征信息是指:刀具刀长、刀具号、加工特征、刀具在X、Y、Z三个轴方向的位移、刀具的进给速度、加工中心主轴的转速、加工循环指令、零件几何体。
3.根据权利要求1所述的基于工时预测的机械零件生产调度方法,其特征在于,步骤2.1中所述的异常值处理具体方法为:分别计算待排产机械零件数控加工数据集中的每一列数据的平均值u和方差σ,遍历待排产机械零件数控加工数据集中的每一个数据,将每个小于该数据所对应列的u-3σ或大于所对应列的u+3σ的数据,判定为异常值,并删除该异常值所对应的行的整行数据,得到待处理数据集A。
4.根据权利要求1所述的基于工时预测的机械零件生产调度方法,其特征在于,步骤2.1中所述的独热编码处理是指:将加工工序特征信息中的加工特征、加工循环指令、零件几何体等非数值型数据转换为数值型数据。
5.根据权利要求1所述的基于工时预测的机械零件生产调度方法,其特征在于,步骤5中所述的平均绝对误差和均方根误差的计算公式分别如下:
其中,MAE表示测试集工时与预测工时的平均绝对误差,表示测试集第i个加工工序的工时,/>表示测试集第i个加工工序的预测工时,N表示测试集数据的总数,RMSE表示测试集工时与预测工时的均方根误差,||表示取绝对值操作,/>表示求平方根操作,∑表示累计求和操作。
6.根据权利要求1所述的基于工时预测的机械零件生产调度方法,其特征在于,步骤7.1中所述的待排产机械零件生产订单数据包括:零件种类、零件数量。
7.根据权利要求1所述的基于工时预测的机械零件生产调度方法,其特征在于,步骤7.1中所述的待排产机械零件工艺数据包括:工艺路线、工序以及工时数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210625367.7A CN114926075B (zh) | 2022-06-02 | 2022-06-02 | 基于工时预测的机械零件生产调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210625367.7A CN114926075B (zh) | 2022-06-02 | 2022-06-02 | 基于工时预测的机械零件生产调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114926075A CN114926075A (zh) | 2022-08-19 |
CN114926075B true CN114926075B (zh) | 2024-06-07 |
Family
ID=82812244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210625367.7A Active CN114926075B (zh) | 2022-06-02 | 2022-06-02 | 基于工时预测的机械零件生产调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926075B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976208B (zh) * | 2023-07-28 | 2024-06-18 | 沈阳飞机工业(集团)有限公司 | 一种基于机器学习的航空紧固件划分方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508956A (zh) * | 2018-11-09 | 2019-03-22 | 上海交通大学 | 一种基于物流仿真的电机智能制造排程方法 |
CN111913458A (zh) * | 2020-08-28 | 2020-11-10 | 华中科技大学 | 一种基于深度学习的车间控制方法及系统 |
CN113050553A (zh) * | 2021-02-18 | 2021-06-29 | 同济大学 | 半导体生产线基于联邦学习机制的调度建模方法 |
CN113176761A (zh) * | 2021-04-28 | 2021-07-27 | 西安电子科技大学 | 基于机器学习的多特征薄板零件质量预测与工艺参数优化 |
-
2022
- 2022-06-02 CN CN202210625367.7A patent/CN114926075B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109508956A (zh) * | 2018-11-09 | 2019-03-22 | 上海交通大学 | 一种基于物流仿真的电机智能制造排程方法 |
CN111913458A (zh) * | 2020-08-28 | 2020-11-10 | 华中科技大学 | 一种基于深度学习的车间控制方法及系统 |
CN113050553A (zh) * | 2021-02-18 | 2021-06-29 | 同济大学 | 半导体生产线基于联邦学习机制的调度建模方法 |
CN113176761A (zh) * | 2021-04-28 | 2021-07-27 | 西安电子科技大学 | 基于机器学习的多特征薄板零件质量预测与工艺参数优化 |
Non-Patent Citations (3)
Title |
---|
一种多品种变批量柔性作业车间调度方法;常建涛 等;电子机械工程;20221015;第38卷(第5期);60-64 * |
制造业车间作业计划与调度研究;董鹏;王铁雁;江佳;陈龙虎;欧海燕;;常州工程职业技术学院学报;20111215(04);17-26 * |
生产调度的启发式规则研究综述;李豆豆;;机械设计与制造工程;20140215(02);32-43 * |
Also Published As
Publication number | Publication date |
---|---|
CN114926075A (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220734B (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
CN109472057B (zh) | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 | |
CN108694502B (zh) | 一种基于XGBoost算法的机器人制造单元自适应调度方法 | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN108733003B (zh) | 基于kmeans聚类算法的回转类零件工序工时预测方法及系统 | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
CN108491991B (zh) | 基于工业大数据产品工期的约束条件分析系统与方法 | |
CN114595623A (zh) | 一种基于XGBoost算法的机组设备基准值预测方法及系统 | |
CN113112121B (zh) | 一种基于多目标非支配排序的车间布局调度优化方法 | |
CN114418177B (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN114926075B (zh) | 基于工时预测的机械零件生产调度方法 | |
CN105975701A (zh) | 一种基于混合模糊模型的并行调度拆卸路径生成方法 | |
CN111325487B (zh) | 一种流水生产车间智能调度优化方法及系统 | |
CN117593101B (zh) | 基于多维数据的金融风险数据处理分析方法及系统 | |
CN117290462B (zh) | 一种数据大模型的智能决策系统及方法 | |
CN114611379A (zh) | 一种基于数据驱动的加工工艺节能规划方法 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN112734141B (zh) | 一种多元化负荷区间预测方法及装置 | |
CN117829318A (zh) | 一种基于大模型算法的数字孪生系统 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN115829148A (zh) | 一种设备维护车间调度优化方法及计算机可读介质 | |
CN114912335B (zh) | 一种基于缺失数据的煤气发生量预测方法 | |
CN116540627B (zh) | 基于深度迁移学习的机床热误差预测补偿群控方法及系统 | |
CN115293448A (zh) | 一种离散制造业单产品制造能耗计算方法 |
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 |