CN117273395A - 一种基于深度学习的生产计划与调度方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的生产计划与调度方法，涉及生产计划与调度技术领域，包括收集市场需求数据、历史生产要素数据和资源约束数据，并对收集的数据进行预处理；基于LSTM架构建立市场需求预测模型；建立考虑资源约束和劣化效应的成本预测模型；根据成本预测模型和市场需求预测模型，生成生产计划与调度方案。本发明所述方法通过使用双向LSTM结构和注意力机制，能够更准确地捕捉市场需求的时间序列特性，能够帮助企业更准确地预测市场需求，制定更经济高效的生产计划，从而提高生产效率，降低生产成本。

Description

一种基于深度学习的生产计划与调度方法

技术领域

本发明涉及生产计划与调度技术领域，特别是一种基于深度学习的生产计划与调度方法。

背景技术

随着工业4.0和智能制造的快速发展，生产计划与调度的自动化和智能化已成为制造业的关键需求。在传统的生产计划与调度方法中，企业通常依赖于历史数据和经验来预测市场需求，并基于这些预测来制定生产计划。然而，这种方法往往不能准确地预测市场的实际需求，导致生产过剩或生产不足。此外，传统方法往往没有考虑到生产过程中的资源约束和设备劣化效应，这可能导致生产成本的增加和生产效率的降低。因此，如何准确地预测市场需求，从而制定有效的生产计划与调度方案，是当前生产企业面临的一个重要技术问题。

发明内容

鉴于上述现有的基于深度学习的生产计划与调度方法中存在的问题，提出了本发明。

因此，本发明所要解决的问题在于如何提供一种基于深度学习的生产计划与调度方法。

为解决上述技术问题，本发明提供如下技术方案：一种基于深度学习的生产计划与调度方法，其包括，收集市场需求数据、历史生产要素数据和资源约束数据，并对收集的数据进行预处理；基于LSTM架构建立市场需求预测模型；建立考虑资源约束和劣化效应的成本预测模型；根据成本预测模型和市场需求预测模型，生成生产计划与调度方案；所述基于LSTM架构建立市场需求预测模型包括如下步骤，使用双向LSTM结构，初始化前向和后向LSTM单元；输入数据同时传递给前向和后向LSTM单元，合并两个方向的输出以形成最终隐藏状态，公式表示为，

式中，x_t表示在时间t的输入，表示在时间t的前向隐藏状态，/>表示在时间t的后向隐藏状态，/>表示在时间t的最终隐藏状态，/>表示将/>和/>进行连接；

堆叠多层LSTM，每一层LSTM的输出都作为下一层LSTM的输入，最后一层LSTM的输出用于预测；在每个时间步上，计算当前时间步的关联权重，所述关联权重表示当前时间步与其他时间步的关联程度；使用所述关联权重来加权输入序列，得到一个加权的上下文向量；将所述上下文向量与当前时间步的最终隐藏状态结合，形成市场需求预测模型。

作为本发明所述基于深度学习的生产计划与调度方法的一种优选方案，其中：通过如下公式计算当前时间步的关联权重，

式中，表示时间步t和t'之间的原始注意力分数，/>表示时间步t和k之间的原始注意力分数，T表示输入序列的长度，/>表示时间步t和t'之间的标准化注意力权重，表示注意力权重的权重矩阵，/>表示注意力权重的偏置向量；

所述上下文向量表示为，

式中，表示时间步t的上下文向量，/>表示时间步t'的隐藏状态；

所述市场需求预测模型表示为，

式中，当前时间步的最终输出，也即预测出的市场需求，/>表示时间步t的隐藏状态，/>表示全连接层的权重矩阵，/>表示全连接层的偏置向量，/>表示将/>和/>拼接在一起。

作为本发明所述基于深度学习的生产计划与调度方法的一种优选方案，其中：所述成本预测模型表示为，

式中，TC表示总成本，I表示生成计划的数量，K表示第i个生成计划中所需要的可再生资源的总量，L表示第i个生成计划中所需要的不可再生资源的总量，表示第i个生成计划中第k个可再生资源的单个成本，/>表示第i个生成计划中第k个可再生资源的数量，/>表示第i个生成计划中第k个不可再生资源的单个成本，/>表示第i个生成计划中第k个不可再生资源的数量，d_i表示第i个生成计划的设备劣化成本，z_i表示第i个生成计划的执行指示器，如果第i个生成计划被执行，则z_i=1，否则z_i=0。

作为本发明所述基于深度学习的生产计划与调度方法的一种优选方案，其中：设备劣化成本计算公式如下，

式中，是指劣化系数，t₁是设备操作时间，/>和/>是劣化加速参数。

作为本发明所述基于深度学习的生产计划与调度方法的一种优选方案，其中：生成生产计划与调度方案包括如下步骤，根据市场需求预测模型的输出，获取未来N天的市场需求预测值，记为G={g₁、g₂、……、g_N}，其中g_N表示第N天的市场需求预测值；根据历史数据及市场分析，确定各个产品在总需求中的占比，记为F={f₁、f₂、……、f_s}，其中f_s表示第s种产品在总需求中的占比；使用以下公式计算每个产品的需求预测值，

g_Ns=f_s×g_N

式中，g_Ns表示第N天第s种产品的需求预测值；

对于每个产品，考虑库存和生产能力，确定每天的生产计划，记为V={v₁₁，v₁₂,……，v_Ns}，其中v_Ns是指第N天生产第s种产品的数量；根据生产计划，计算N天内生产所有产品所需要的计划成本，并与总成本TC进行比较，若计划成本≤总成本TC，则执行生产计划，若计划成本＞总成本TC，则调整生产计划，直至计划成本≤总成本TC。

作为本发明所述基于深度学习的生产计划与调度方法的一种优选方案，其中：当确定生产计划与调度方案后，通过如下方式进行监控，基于生产计划与调度方案，生成详细的生产计划，包括每个产品的生产批次、生产数量、生产开始和结束时间；实时监控每个生产批次的进度，与生产计划进行对比，记录任何偏差；对生产出的产品进行质量检测，对于不合格的产品，记录其数量和原因；收集生产过程中的各种数据，包括生产速度、机器工作时间和原材料消耗；基于生产进度监控和质量控制的结果，对生产计划进行相应的调整。

一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现基于深度学习的生产计划与调度方法的步骤。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现基于深度学习的生产计划与调度方法的步骤。

本发明有益效果为：通过使用双向LSTM结构和注意力机制，能够更准确地捕捉市场需求的时间序列特性，能够帮助企业更准确地预测市场需求，制定更经济高效的生产计划，从而提高生产效率，降低生产成本。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为基于深度学习的生产计划与调度方法的流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

实施例1

参照图1，为本发明第一个实施例，该实施例提供了一种基于深度学习的生产计划与调度方法，基于深度学习的生产计划与调度方法如下步骤：

S1、使用自动化工具从数据库、ERP系统等来源收集市场需求数据、历史生产要素数据和资源约束数据，并对收集的数据进行预处理，其中市场需求数据为生产计划提供了基础信息，这是生产计划的核心，其来源于历史销售数据、市场调查、客户订单等。历史生产要素数据为成本预测模型提供了训练和验证数据。成本预测模型可以通过学习历史生产要素数据（如生产量、生产时间、生产成本等）来预测未来的生产成本，而资源约束数据是为成本预测模型提供限制条件。在预测成本时，需要考虑到生产所需的原材料、设备等资源的可用情况。

S2、基于LSTM架构建立市场需求预测模型；

S3、建立考虑资源约束和劣化效应的成本预测模型；

S4、根据成本预测模型和市场需求预测模型，生成生产计划与调度方案。

在步骤S1中，所述预处理操作包括数据清洗，通过中位数或均值填充缺失值，并进行标准化处理。

在步骤S2中，所述基于LSTM架构建立市场需求预测模型包括如下步骤，

使用双向LSTM结构，初始化前向和后向LSTM单元；

输入数据同时传递给前向和后向LSTM单元，合并两个方向的输出以形成最终隐藏状态，公式表示为，

式中，x_t表示在时间t的输入，表示在时间t的前向隐藏状态，/>表示在时间t的后向隐藏状态，/>表示在时间t的最终隐藏状态，/>表示将/>和/>进行连接；

堆叠多层LSTM，每一层LSTM的输出都作为下一层LSTM的输入，最后一层LSTM的输出用于预测；

在每个时间步上，计算当前时间步的关联权重，所述关联权重表示当前时间步与其他时间步的关联程度；

使用所述关联权重来加权输入序列，得到一个加权的上下文向量；

将所述上下文向量与当前时间步的最终隐藏状态结合，形成市场需求预测模型。

需要说明的是，考虑到生产数据的时序性，LSTM是最适合处理此类数据的深度学习模型，而使用双向LSTM可以同时捕捉过去和未来的信息，这对于生产计划和调度尤为重要，因为未来的订单可能会影响当前的生产决策，并且通过堆叠多个LSTM层，可以捕捉更复杂的时间序列模式，通过关联权重可以捕捉输入序列中的长距离依赖关系，这对于生产计划和调度尤为重要，因为长期的生产数据可能会影响当前的生产决策。

通过如下公式计算当前时间步的关联权重，

式中，表示时间步t和t'之间的原始注意力分数，/>表示时间步t和k之间的原始注意力分数，T表示输入序列的长度，/>表示时间步t和t'之间的标准化注意力权重，表示注意力权重的权重矩阵，/>表示注意力权重的偏置向量；

所述上下文向量表示为，

式中，表示时间步t的上下文向量，/>表示时间步t'的隐藏状态；

所述市场需求预测模型表示为，

式中，当前时间步的最终输出，也即预测出的市场需求，/>表示时间步t的隐藏状态，/>表示全连接层的权重矩阵，/>表示全连接层的偏置向量，/>表示将/>和/>拼接在一起。

在步骤S3中，所述成本预测模型表示为，

式中，TC表示总成本，I表示生成计划的数量，K表示第i个生成计划中所需要的可再生资源的总量，L表示第i个生成计划中所需要的不可再生资源的总量，表示第i个生成计划中第k个可再生资源的单个成本，/>表示第i个生成计划中第k个可再生资源的数量，/>表示第i个生成计划中第k个不可再生资源的单个成本，/>表示第i个生成计划中第k个不可再生资源的数量，d_i表示第i个生成计划的设备劣化成本，z_i表示第i个生成计划的执行指示器，如果第i个生成计划被执行，则z_i=1，否则z_i=0。

优选的，设备劣化成本计算公式如下，

式中，是指劣化系数，t₁是设备操作时间，/>和/>是劣化加速参。

其中，劣化系数可以通过历史数据进行估计，具体步骤如下：

收集机器或设备在不同操作时间下的劣化损失或维护成本数据；

使用简单的线性回归或其他回归方法，将劣化损失或维护成本作为因变量，操作时间作为自变量进行拟合；

从回归模型中提取斜率，该斜率即为基本劣化系数。

进一步的，确定劣化加速参和/>的步骤如下，

收集机器或设备在不同操作时间下的劣化损失或维护成本数据；

使用非线性回归方法，如指数回归，将劣化损失或维护成本作为因变量，操作时间作为自变量进行拟合；

选择一个形式为的模型进行拟合；

从非线性回归模型中提取β和γ的估计值。

在步骤S4中，生成生产计划与调度方案包括如下步骤，

根据市场需求预测模型的输出，获取未来N天的市场需求预测值，记为G={g₁、g₂、……、g_N}，其中g_N表示第N天的市场需求预测值；

根据历史数据及市场分析，确定各个产品在总需求中的占比，记为F={f₁、f₂、……、f_s}，其中f_s表示第s种产品在总需求中的占比；

使用以下公式计算每个产品的需求预测值，

g_Ns=f_s×g_N

式中，g_Ns表示第N天第s种产品的需求预测值；

对于每个产品，考虑库存和生产能力，确定每天的生产计划，记为V={v₁₁，v₁₂,……，v_Ns}，其中v_Ns是指第N天生产第s种产品的数量；

根据生产计划，计算N天内生产所有产品所需要的计划成本，并与总成本TC进行比较，若计划成本≤总成本TC，则执行生产计划，若计划成本＞总成本TC，则调整生产计划，直至计划成本≤总成本TC。

较佳的，当确定生产计划与调度方案后，通过如下方式进行监控，

基于生产计划与调度方案，生成详细的生产计划，包括每个产品的生产批次、生产数量、生产开始和结束时间；

实时监控每个生产批次的进度，与生产计划进行对比，记录任何偏差；

对生产出的产品进行质量检测，对于不合格的产品，记录其数量和原因；

收集生产过程中的各种数据，包括生产速度、机器工作时间和原材料消耗；

基于生产进度监控和质量控制的结果，对生产计划进行相应的调整。

实施例2

本发明第二个实施例，其不同于上一个实施例的是：

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。

计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置）、便携式计算机盘盒（磁装置）、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编辑只读存储器（EPROM或闪速存储器）、光纤装置以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

应说明的是，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，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种基于深度学习的生产计划与调度方法，其特征在于：包括，

收集市场需求数据、历史生产要素数据和资源约束数据，并对收集的数据进行预处理；

基于LSTM架构建立市场需求预测模型；

建立考虑资源约束和劣化效应的成本预测模型；

根据成本预测模型和市场需求预测模型，生成生产计划与调度方案；

所述基于LSTM架构建立市场需求预测模型包括如下步骤，

使用双向LSTM结构，初始化前向和后向LSTM单元；

输入数据同时传递给前向和后向LSTM单元，合并两个方向的输出以形成最终隐藏状态，公式表示为，

;

式中，x_t表示在时间t的输入，表示在时间t的前向隐藏状态，/>表示在时间t的后向隐藏状态，/>表示在时间t的最终隐藏状态，/>表示将/>和/>进行连接；

堆叠多层LSTM，每一层LSTM的输出都作为下一层LSTM的输入，最后一层LSTM的输出用于预测；

在每个时间步上，计算当前时间步的关联权重，所述关联权重表示当前时间步与其他时间步的关联程度；

使用所述关联权重来加权输入序列，得到一个加权的上下文向量；

将所述上下文向量与当前时间步的最终隐藏状态结合，形成市场需求预测模型。

2.如权利要求1所述的基于深度学习的生产计划与调度方法，其特征在于：通过如下公式计算当前时间步的关联权重，

;

式中，表示时间步t和t'之间的原始注意力分数，/>表示时间步t和k之间的原始注意力分数，T表示输入序列的长度，/>表示时间步t和t'之间的标准化注意力权重，/>表示注意力权重的权重矩阵，/>表示注意力权重的偏置向量；

所述上下文向量表示为，

;

式中，表示时间步t的上下文向量，/>表示时间步t'的隐藏状态；

所述市场需求预测模型表示为，

;

式中，当前时间步的最终输出，也即预测出的市场需求，/>表示时间步t的隐藏状态，表示全连接层的权重矩阵，/>表示全连接层的偏置向量，/>表示将/>和/>拼接在一起。

3.如权利要求2所述的基于深度学习的生产计划与调度方法，其特征在于：所述成本预测模型表示为，

;

式中，TC表示总成本，I表示生成计划的数量，k表示第i个生成计划中所需要的可再生资源的总量，L表示第i个生成计划中所需要的不可再生资源的总量，表示第i个生成计划中第k个可再生资源的单个成本/>表示第i个生成计划中第k个可再生资源的数量，/>表示第i个生成计划中第k个不可再生资源的单个成本，/>表示第i个生成计划中第k个不可再生资源的数量，d_i表示第i个生成计划的设备劣化成本，z_i表示第i个生成计划的执行指示器，如果第i个生成计划被执行，则z_i=1，否则z_i=0。

4.如权利要求3所述的基于深度学习的生产计划与调度方法，其特征在于：设备劣化成本计算公式如下，

;

式中，是指劣化系数，t₁是设备操作时间，/>和/>是劣化加速参数。

5.如权利要求4所述的基于深度学习的生产计划与调度方法，其特征在于：生成生产计划与调度方案包括如下步骤，

根据市场需求预测模型的输出，获取未来N天的市场需求预测值，记为G={g₁、g₂、……、g_N}，其中g_N表示第N天的市场需求预测值；

根据历史数据及市场分析，确定各个产品在总需求中的占比，记为F={f₁、f₂、……、f_s}，其中f_s表示第s种产品在总需求中的占比；

使用以下公式计算每个产品的需求预测值，

g_Ns=f_s×g_N

式中，g_Ns表示第N天第s种产品的需求预测值；

对于每个产品，考虑库存和生产能力，确定每天的生产计划，记为V={v₁₁，v₁₂,……，v_Ns}，其中v_Ns是指第N天生产第s种产品的数量；

根据生产计划，计算N天内生产所有产品所需要的计划成本，并与总成本TC进行比较，若计划成本≤总成本TC，则执行生产计划，若计划成本＞总成本TC，则调整生产计划，直至计划成本≤总成本TC。

6.如权利要求5所述的基于深度学习的生产计划与调度方法，其特征在于：当确定生产计划与调度方案后，通过如下方式进行监控，

基于生产计划与调度方案，生成详细的生产计划，包括每个产品的生产批次、生产数量、生产开始和结束时间；

实时监控每个生产批次的进度，与生产计划进行对比，记录任何偏差；

对生产出的产品进行质量检测，对于不合格的产品，记录其数量和原因；

收集生产过程中的各种数据，包括生产速度、机器工作时间和原材料消耗；

基于生产进度监控和质量控制的结果，对生产计划进行相应的调整。