CN116562599A - 基于深度学习的高效智能工厂调度系统 - Google Patents

基于深度学习的高效智能工厂调度系统 Download PDF

Info

Publication number
CN116562599A
CN116562599A CN202310833727.7A CN202310833727A CN116562599A CN 116562599 A CN116562599 A CN 116562599A CN 202310833727 A CN202310833727 A CN 202310833727A CN 116562599 A CN116562599 A CN 116562599A
Authority
CN
China
Prior art keywords
scheduling
production
deep learning
data
module
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
Application number
CN202310833727.7A
Other languages
English (en)
Inventor
杨斐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Kaisheng United Technology Co ltd
Original Assignee
Shenzhen Kaisheng United Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Kaisheng United Technology Co ltd filed Critical Shenzhen Kaisheng United Technology Co ltd
Priority to CN202310833727.7A priority Critical patent/CN116562599A/zh
Publication of CN116562599A publication Critical patent/CN116562599A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Manufacturing & Machinery (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及工厂调度技术领域，具体地说，涉及基于深度学习的高效智能工厂调度系统。其包括调度执行模块以及监控数据反馈模块。本发明通过调度执行模块根据生产任务调度的规律和模式，得出调度预测结果，即不同异常情况对应的调度方式，结合调度预测结果和实时监控数据，进行生产任务调度的优化，当工厂内出现异常情况时，系统通过深度学习模型匹配对应的调度方式，并将匹配的调度方式应用至该异常流水线，随后通过监控数据反馈模块对优化后的生产任务调度进行实时监控，并将实时监控信息反馈至深度学习模型，从而为不同生产任务规划对应的调度方案，提前响应工厂异常情况，提高调度时效性。

Description

基于深度学习的高效智能工厂调度系统
技术领域
本发明涉及工厂调度技术领域，具体地说，涉及基于深度学习的高效智能工厂调度系统。
背景技术
在互联网、智能制造和人工智能快速崛起的时代，信息技术在制造业中扮演着更重要的角色，从以前的人工制造到现在的智能制造，以“万物感知、万物互联、万物智能”为特征的物联网在生产车间已经有了进一步实现的基础，智能制造已成为现代制造业发展的重要方向。
工厂在进行生产过程中，由于各个流水线生产的产品不同，其生产流程与生产效率也会有所差异，在进行人员调度分配过程中，如果不能结合各个流水线生产流程与各个工人生产效率，就很容易出现调度失衡现象，例如生产产品工序增加，流水线上人员数量无法适配，导致整条流水线上的工人任务过于繁重，而通过人工进行调度时效性较低，且很容易出现调度错误。
为了应对上述问题，现亟需基于深度学习的高效智能工厂调度系统。
发明内容
本发明的目的在于提供基于深度学习的高效智能工厂调度系统，以解决上述背景技术中提出的问题。
为实现上述目的，提供了基于深度学习的高效智能工厂调度系统，包括数据采集模块、数据预处理模块、深度学习模型训练模块、调度执行模块以及监控数据反馈模块；
其中，所述数据采集模块用于采集工厂生产环境中的实时监控数据；
所述数据采集模块输出端与所述数据预处理模块输入端连接，所述数据预处理模块用于采集到的数据进行预处理；
所述数据预处理模块输出端与所述深度学习模型训练模块输入端连接，所述深度学习模型训练模块结合对预处理的数据，建立深度学习模型，并训练深度学习模型，学习生产任务调度的规律和模式；
所述深度学习模型训练模块输出端与所述调度执行模块输入端连接，所述调度执行模块根据生产任务调度的规律和模式，得出调度预测结果，并结合调度预测结果和实时监控数据，进行生产任务调度的优化；
所述调度执行模块输出端与所述监控数据反馈模块输入端连接，所述监控数据反馈模块用于对优化后的生产任务调度进行实时监控，并将实时监控信息反馈至深度学习模型。
作为本技术方案的进一步改进，所述数据采集模块包括数据采集类型确定单元、正常生产阈值规划单元以及异常数据确定单元，所述数据采集类型确定单元用于对监控数据进行分类处理，所述数据采集类型确定单元输出端与所述正常生产阈值规划单元输入端连接，所述正常生产阈值规划单元用于确定正常状态下流水线生产效率，所述正常生产阈值规划单元输出端与所述异常数据确定单元输入端连接，所述异常数据确定单元用于记录低于正常状态下流水线生产效率对应的异常数据。
作为本技术方案的进一步改进，所述数据采集模块采用阈值比对算法，其算法公式如下：
；
；
其中，为流水线中生产不同产品对应的正常工作效率集合，/>至/>为流水线中生产不同产品对应的正常工作效率，/>为阈值比对函数，/>为当前监控该流水线的生产产品的生产效率，/>为该生产产品对应正常工作效率，当当前监控该流水线的生产产品的生产效率/>低于该生产产品对应正常工作效率/>，此时阈值比对函数输出为/>，表明此时该流水线出现异常情况，当当前监控该流水线的生产产品的生产效率/>不低于该生产产品对应正常工作效率/>，此时阈值比对函数/>输出为，表明此时该流水线处于正常工作状态。
作为本技术方案的进一步改进，所述数据预处理模块中对采集到的数据进行预处理的方法包括如下步骤：
步骤一、对采集到的数据进行清洗，去除异常值和噪声；
步骤二、提取与生产任务调度相关的特征信息。
作为本技术方案的进一步改进，所述深度学习模型训练模块建立的深度学习模型包括：
输入层：采集不同生产任务情况信息以及对应的调度应对方案，记录各个调度方案的调度结果；
卷积层：建立调度结果评估项目表，通过各项评估项目表评估各个调度方案的调度结果，确定应对生产任务的不同调度方案的优先级；
输出层：采集多个生产任务以及对应的调度方案，确定各个调度方案的调度结果，建立评估训练集，确定各个调度方案的平均调度结果，对应对生产任务的不同调度方案的平均优先级进行大小排序，选取平均优先级最高的调度方案作为该生产任务的匹配调度方案。
作为本技术方案的进一步改进，所述深度学习模型训练模块采用优先级评估算法，其算法公式如下：
；
；
其中为应对生产任务的不同调度方案的优先级集合，/>至/>为应对生产任务的不同调度方案的优先级，/>为平均优先级，/>为采集的次数。
作为本技术方案的进一步改进，所述调度执行模块包括任务调度匹配单元以及任务调度应用单元，所述任务调度匹配单元根据生产任务调度的规律和模式，匹配对应的调度方案，所述任务调度匹配单元输出端与所述任务调度应用单元输入端连接，所述任务调度应用单元将匹配后的调度方案应用至对应的流水线。
作为本技术方案的进一步改进，所述监控数据反馈模块对优化后的生产任务调度进行实时监控方法包括如下步骤：
S1、规划单位统计时间，记录调度前后流水线工作效率；
S2、计算出调度前后流水线工作效率差值，得出优化后的生产任务调度对应的优化值；
S3、制定优化阈值，将优化值低于优化阈值的生产任务调度标记为低率优化值，并反馈至深度学习模型，将优化值不低于优化阈值的生产任务调度标记为高率优化值。
与现有技术相比，本发明的有益效果：
该基于深度学习的高效智能工厂调度系统中，通过调度执行模块根据生产任务调度的规律和模式，得出调度预测结果，即不同异常情况对应的调度方式，结合调度预测结果和实时监控数据，进行生产任务调度的优化，当工厂内出现异常情况时，系统通过深度学习模型匹配对应的调度方式，并将匹配的调度方式应用至该异常流水线，随后通过监控数据反馈模块对优化后的生产任务调度进行实时监控，并将实时监控信息反馈至深度学习模型，从而为不同生产任务规划对应的调度方案，提前响应工厂异常情况，提高调度时效性。
附图说明
图1为本发明的整体结构框图；
图2为本发明的数据采集模块结构框图；
图3为本发明的调度执行模块框图。
图中各个标号意义为：
10、数据采集模块；110、数据采集类型确定单元；120、正常生产阈值规划单元；130、异常数据确定单元；
20、数据预处理模块；
30、深度学习模型训练模块；
40、调度执行模块；410、任务调度匹配单元；420、任务调度应用单元；
50、监控数据反馈模块。
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，所描述的实施例仅仅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。
请参阅图1-图3所示，提供了基于深度学习的高效智能工厂调度系统，包括数据采集模块10、数据预处理模块20、深度学习模型训练模块30、调度执行模块40以及监控数据反馈模块50；
其中，数据采集模块10用于采集工厂生产环境中的实时监控数据；
数据采集模块10输出端与数据预处理模块20输入端连接，数据预处理模块20用于采集到的数据进行预处理；
数据预处理模块20输出端与深度学习模型训练模块30输入端连接，深度学习模型训练模块30结合对预处理的数据，建立深度学习模型，并训练深度学习模型，学习生产任务调度的规律和模式；
深度学习模型训练模块30输出端与调度执行模块40输入端连接，调度执行模块40根据生产任务调度的规律和模式，得出调度预测结果，并结合调度预测结果和实时监控数据，进行生产任务调度的优化；
调度执行模块40输出端与监控数据反馈模块50输入端连接，监控数据反馈模块50用于对优化后的生产任务调度进行实时监控，并将实时监控信息反馈至深度学习模型。
具体使用时，工厂在进行生产过程中，由于各个流水线生产的产品不同，其生产流程与生产效率也会有所差异，在进行人员调度分配过程中，如果不能结合各个流水线生产流程与各个工人生产效率，就很容易出现调度失衡现象，例如生产产品工序增加，流水线上人员数量无法适配，导致整条流水线上的工人任务过于繁重，而通过人工进行调度时效性较低，且很容易出现调度错误；
为了应对上述问题，首先通过数据采集模块10采集工厂生产环境中的实时监控数据，例如生产设备状态，例如设备出现迟钝，此时工人操作流畅度降低，相应的工作效率就会降低，随后数据预处理模块20对采集到的数据进行预处理，以供后期进行数据内容识别，此时再通过深度学习模型训练模块30结合对预处理的数据，建立深度学习模型，并训练深度学习模型，学习生产任务调度的规律和模式，例如设备出现迟钝时，多数情况下需要调用其余空闲工人参与该条流水线的工作，且不同设备出现迟钝影响工作效率不同，通过学习不同异常情况对应的处理方式，建立深度学习模型，以用于后期遭遇到相同异常情况时进行对应处理方式调用，减少流水线异常情况响应时间，完成深度学习模型建立工作后，调度执行模块40根据生产任务调度的规律和模式，得出调度预测结果，即不同异常情况对应的调度方式，结合调度预测结果和实时监控数据，进行生产任务调度的优化，当工厂内出现异常情况时，系统通过深度学习模型匹配对应的调度方式，并将匹配的调度方式应用至该异常流水线，随后通过监控数据反馈模块50对优化后的生产任务调度进行实时监控，并将实时监控信息反馈至深度学习模型，用于对深度学习模型进行优化。
此外，数据采集模块10包括数据采集类型确定单元110、正常生产阈值规划单元120以及异常数据确定单元130，数据采集类型确定单元110用于对监控数据进行分类处理，数据采集类型确定单元110输出端与正常生产阈值规划单元120输入端连接，正常生产阈值规划单元120用于确定正常状态下流水线生产效率，正常生产阈值规划单元120输出端与异常数据确定单元130输入端连接，异常数据确定单元130用于记录低于正常状态下流水线生产效率对应的异常数据，在进行生产数据采集过程中，首先通过数据采集类型确定单元110对监控数据进行分类处理，例如生产设备状态以及生产任务信息，正常生产阈值规划单元120确定正常状态下流水线生产效率，即生产不同产品时该条流水线规定的正常生产效率，当某一时间段统计的生产效率低于正常生产效率，表明此时该条流水线出现异常情况，包括设备故障、人员操作失误以及原料供应不足等，此时通过异常数据确定单元130记录低于正常状态下流水线生产效率对应的异常数据，即与正常生产效率产生的差异，确定不同差异类型，以供后期规划不同的调度方案。
进一步的，数据采集模块10采用阈值比对算法，其算法公式如下：
；
；
其中，为流水线中生产不同产品对应的正常工作效率集合，/>至/>为流水线中生产不同产品对应的正常工作效率，/>为阈值比对函数，/>为当前监控该流水线的生产产品的生产效率，/>为该生产产品对应正常工作效率，当当前监控该流水线的生产产品的生产效率/>低于该生产产品对应正常工作效率/>，此时阈值比对函数输出为/>，表明此时该流水线出现异常情况，当当前监控该流水线的生产产品的生产效率/>不低于该生产产品对应正常工作效率/>，此时阈值比对函数/>输出为，表明此时该流水线处于正常工作状态。
再进一步的，数据预处理模块20中对采集到的数据进行预处理的方法包括如下步骤：
步骤一、对采集到的数据进行清洗，去除异常值和噪声；
步骤二、提取与生产任务调度相关的特征信息。
在对采集到的数据进行预处理过程中，首先对采集的数据进行清洗，利用数据冗余方法去除异常值和噪声，并提取与生产任务调度相关的特征信息，例如任务紧急程度以及设备可用等情况。
具体的，深度学习模型训练模块30建立的深度学习模型包括：
输入层：采集不同生产任务情况信息以及对应的调度应对方案，记录各个调度方案的调度结果；
卷积层：建立调度结果评估项目表，通过各项评估项目表评估各个调度方案的调度结果，确定应对生产任务的不同调度方案的优先级；
输出层：采集多个生产任务以及对应的调度方案，确定各个调度方案的调度结果，建立评估训练集，确定各个调度方案的平均调度结果，对应对生产任务的不同调度方案的平均优先级进行大小排序，选取平均优先级最高的调度方案作为该生产任务的匹配调度方案。
此外，深度学习模型训练模块30采用优先级评估算法，其算法公式如下：
；
；
其中为应对生产任务的不同调度方案的优先级集合，/>至/>为应对生产任务的不同调度方案的优先级，/>为平均优先级，/>为采集的次数。
进一步的，调度执行模块40包括任务调度匹配单元410以及任务调度应用单元420，任务调度匹配单元410根据生产任务调度的规律和模式，匹配对应的调度方案，任务调度匹配单元410输出端与任务调度应用单元420输入端连接，任务调度应用单元420将匹配后的调度方案应用至对应的流水线，在进行任务调度匹配过程中，首先通过任务调度匹配单元410根据生产任务调度的规律和模式，匹配对应的调度方案，此调度方案为该生产任务对应的平均优先级最高的匹配调度方案，随后任务调度应用单元420将匹配后的调度方案应用至对应的流水线，进行生产任务调度的优化。
再进一步的，监控数据反馈模块50对优化后的生产任务调度进行实时监控方法包括如下步骤：
S1、规划单位统计时间，记录调度前后流水线工作效率；
S2、计算出调度前后流水线工作效率差值，得出优化后的生产任务调度对应的优化值；
S3、制定优化阈值，将优化值低于优化阈值的生产任务调度标记为低率优化值，并反馈至深度学习模型，将优化值不低于优化阈值的生产任务调度标记为高率优化值。
在对优化后的生产任务调度进行实时监控过程中，首先需要规划单位统计时间，在相同单位统计时间内统计调度前后流水线工作效率，避免无关因素对监控数据的影响，随后计算出调度前后流水线工作效率差值，得出优化后的生产任务调度对应的优化值，即应用调度方案产生的效果，制定优化阈值，将优化值低于优化阈值的生产任务调度标记为低率优化值，并反馈至深度学习模型，为该项生产任务重新规划生产任务调度方案，将优化值不低于优化阈值的生产任务调度标记为高率优化值。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.基于深度学习的高效智能工厂调度系统，其特征在于：包括数据采集模块（10）、数据预处理模块（20）、深度学习模型训练模块（30）、调度执行模块（40）以及监控数据反馈模块（50）；
其中，所述数据采集模块（10）用于采集工厂生产环境中的实时监控数据；
所述数据采集模块（10）输出端与所述数据预处理模块（20）输入端连接，所述数据预处理模块（20）用于采集到的数据进行预处理；
所述数据预处理模块（20）输出端与所述深度学习模型训练模块（30）输入端连接，所述深度学习模型训练模块（30）结合对预处理的数据，建立深度学习模型，并训练深度学习模型，学习生产任务调度的规律和模式；
所述深度学习模型训练模块（30）输出端与所述调度执行模块（40）输入端连接，所述调度执行模块（40）根据生产任务调度的规律和模式，得出调度预测结果，并结合调度预测结果和实时监控数据，进行生产任务调度的优化；
所述调度执行模块（40）输出端与所述监控数据反馈模块（50）输入端连接，所述监控数据反馈模块（50）用于对优化后的生产任务调度进行实时监控，并将实时监控信息反馈至深度学习模型。
2.根据权利要求1所述的基于深度学习的高效智能工厂调度系统，其特征在于：所述数据采集模块（10）包括数据采集类型确定单元（110）、正常生产阈值规划单元（120）以及异常数据确定单元（130），所述数据采集类型确定单元（110）用于对监控数据进行分类处理，所述数据采集类型确定单元（110）输出端与所述正常生产阈值规划单元（120）输入端连接，所述正常生产阈值规划单元（120）用于确定正常状态下流水线生产效率，所述正常生产阈值规划单元（120）输出端与所述异常数据确定单元（130）输入端连接，所述异常数据确定单元（130）用于记录低于正常状态下流水线生产效率对应的异常数据。
3.根据权利要求2所述的基于深度学习的高效智能工厂调度系统，其特征在于：所述数据采集模块（10）采用阈值比对算法，其算法公式如下：
；
；
其中，为流水线中生产不同产品对应的正常工作效率集合，/>至/>为流水线中生产不同产品对应的正常工作效率，/>为阈值比对函数，/>为当前监控该流水线的生产产品的生产效率，/>为该生产产品对应正常工作效率，当当前监控该流水线的生产产品的生产效率/>低于该生产产品对应正常工作效率/>，此时阈值比对函数/>输出为/>，表明此时该流水线出现异常情况，当当前监控该流水线的生产产品的生产效率不低于该生产产品对应正常工作效率 />，此时阈值比对函数/>输出为/>，表明此时该流水线处于正常工作状态。
4.根据权利要求1所述的基于深度学习的高效智能工厂调度系统，其特征在于：所述数据预处理模块（20）中对采集到的数据进行预处理的方法包括如下步骤：
步骤一、对采集到的数据进行清洗，去除异常值和噪声；
步骤二、提取与生产任务调度相关的特征信息。
5.根据权利要求1所述的基于深度学习的高效智能工厂调度系统，其特征在于：所述深度学习模型训练模块（30）建立的深度学习模型包括：
输入层：采集不同生产任务情况信息以及对应的调度应对方案，记录各个调度方案的调度结果；
卷积层：建立调度结果评估项目表，通过各项评估项目表评估各个调度方案的调度结果，确定应对生产任务的不同调度方案的优先级；
输出层：采集多个生产任务以及对应的调度方案，确定各个调度方案的调度结果，建立评估训练集，确定各个调度方案的平均调度结果，对应对生产任务的不同调度方案的平均优先级进行大小排序，选取平均优先级最高的调度方案作为该生产任务的匹配调度方案。
6.根据权利要求5所述的基于深度学习的高效智能工厂调度系统，其特征在于：所述深度学习模型训练模块（30）采用优先级评估算法，其算法公式如下：
；
；
其中为应对生产任务的不同调度方案的优先级集合，/>至/>为应对生产任务的不同调度方案的优先级，/>为平均优先级，/>为采集的次数。
7.根据权利要求1所述的基于深度学习的高效智能工厂调度系统，其特征在于：所述调度执行模块（40）包括任务调度匹配单元（410）以及任务调度应用单元（420），所述任务调度匹配单元（410）根据生产任务调度的规律和模式，匹配对应的调度方案，所述任务调度匹配单元（410）输出端与所述任务调度应用单元（420）输入端连接，所述任务调度应用单元（420）将匹配后的调度方案应用至对应的流水线。
8.根据权利要求1所述的基于深度学习的高效智能工厂调度系统，其特征在于：所述监控数据反馈模块（50）对优化后的生产任务调度进行实时监控方法包括如下步骤：
S1、规划单位统计时间，记录调度前后流水线工作效率；
S2、计算出调度前后流水线工作效率差值，得出优化后的生产任务调度对应的优化值；
S3、制定优化阈值，将优化值低于优化阈值的生产任务调度标记为低率优化值，并反馈至深度学习模型，将优化值不低于优化阈值的生产任务调度标记为高率优化值。
CN202310833727.7A 2023-07-10 2023-07-10 基于深度学习的高效智能工厂调度系统 Pending CN116562599A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310833727.7A CN116562599A (zh) 2023-07-10 2023-07-10 基于深度学习的高效智能工厂调度系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310833727.7A CN116562599A (zh) 2023-07-10 2023-07-10 基于深度学习的高效智能工厂调度系统

Publications (1)

Publication Number Publication Date
CN116562599A true CN116562599A (zh) 2023-08-08

Family

ID=87500441

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310833727.7A Pending CN116562599A (zh) 2023-07-10 2023-07-10 基于深度学习的高效智能工厂调度系统

Country Status (1)

Country Link
CN (1) CN116562599A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117054795A (zh) * 2023-10-11 2023-11-14 深圳浙动机械设备有限公司 一种基于多回路检测的智能配电箱检测系统及其方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487165A (zh) * 2021-07-01 2021-10-08 福州大学 基于深度强化学习的智能工厂生产作业调度方法及系统
CN113837532A (zh) * 2021-08-16 2021-12-24 青岛农业大学 一种作业车间动态调度系统
CN113946424A (zh) * 2021-10-28 2022-01-18 广东工业大学 基于图卷积网络的软硬件划分和任务调度模型及其方法
CN113988627A (zh) * 2021-10-28 2022-01-28 广东工业大学 基于深度强化学习的协同云排产方法及系统
CN115564223A (zh) * 2022-09-29 2023-01-03 合肥宝资智能科技有限公司 一种车间流水线最短生产时间规划方法
CN115759552A (zh) * 2022-09-08 2023-03-07 河海大学常州校区 一种基于多智能体架构的面向智慧工厂的实时调度方法
CN115936377A (zh) * 2022-12-13 2023-04-07 北京腾华宇航智能制造有限公司 一种柔性作业车间调度系统
CN116257345A (zh) * 2023-05-15 2023-06-13 中国华能集团清洁能源技术研究院有限公司 深度学习任务调度方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487165A (zh) * 2021-07-01 2021-10-08 福州大学 基于深度强化学习的智能工厂生产作业调度方法及系统
CN113837532A (zh) * 2021-08-16 2021-12-24 青岛农业大学 一种作业车间动态调度系统
CN113946424A (zh) * 2021-10-28 2022-01-18 广东工业大学 基于图卷积网络的软硬件划分和任务调度模型及其方法
CN113988627A (zh) * 2021-10-28 2022-01-28 广东工业大学 基于深度强化学习的协同云排产方法及系统
CN115759552A (zh) * 2022-09-08 2023-03-07 河海大学常州校区 一种基于多智能体架构的面向智慧工厂的实时调度方法
CN115564223A (zh) * 2022-09-29 2023-01-03 合肥宝资智能科技有限公司 一种车间流水线最短生产时间规划方法
CN115936377A (zh) * 2022-12-13 2023-04-07 北京腾华宇航智能制造有限公司 一种柔性作业车间调度系统
CN116257345A (zh) * 2023-05-15 2023-06-13 中国华能集团清洁能源技术研究院有限公司 深度学习任务调度方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117054795A (zh) * 2023-10-11 2023-11-14 深圳浙动机械设备有限公司 一种基于多回路检测的智能配电箱检测系统及其方法

Similar Documents

Publication Publication Date Title
CN107273688B (zh) 基于原始故障数据的设备寿命与健康度监控方法及系统
CN112613646A (zh) 一种基于多维数据融合的设备状态预测方法及系统
US20210299827A1 (en) Optimization method and system based on screwdriving technology in mobile phone manufacturing
CN116562599A (zh) 基于深度学习的高效智能工厂调度系统
CN116865623B (zh) 基于数据分析的新能源电机运行控制系统
CN112231971B (zh) 基于相对整体趋势扩散故障样本生成的高炉故障诊断方法
CN116187725B (zh) 一种用于锻造自动线的锻造设备管理系统
CN113887749A (zh) 基于云边协同的电力物联网多维度监控处置方法、设备及平台
CN112001511A (zh) 基于数据挖掘的设备可靠性及动态风险评价方法、系统和设备
CN114418042B (zh) 一种基于聚类分析的工业机器人运行趋势诊断方法
CN115660288A (zh) 一种基于互联网大数据的分析管理系统
CN116244765A (zh) 一种基于工业互联网的设备维护管理方法
CN117369399B (zh) 一种基于mom系统的产品生产任务调度方法及系统
CN113043073A (zh) 一种刀具磨损及寿命预测方法及装置
CN115758233A (zh) 一种高速精密带钢冷轧机主传动齿轮箱故障诊断方法
CN115392663A (zh) 一种基于大数据的数据采集处理方法
CN111476383B (zh) 一种泵站机组状态检修动态决策方法
CN113591909A (zh) 电力系统的异常检测方法、异常检测装置以及存储介质
CN112486096A (zh) 一种机床运行状态的监控方法
CN213482933U (zh) 一种基于状态的工件生产设备维护监测装置
CN116777086B (zh) 基于多模数据的钢结构智能生产线预测性维护方法及系统
CN116310258B (zh) 基于变电站实景的三维构建管理系统及方法
CN116955574B (zh) 一种基于人工智能的智能客服机器人及其应用方法
CN117973003A (zh) 流水车间设备运行状态预测方法
CN111882080A (zh) 一种基于状态的工件生产设备维护监测方法

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