CN118244729A - 基于mes的生产车间动态管理方法与系统 - Google Patents
基于mes的生产车间动态管理方法与系统 Download PDFInfo
- Publication number
- CN118244729A CN118244729A CN202410678484.9A CN202410678484A CN118244729A CN 118244729 A CN118244729 A CN 118244729A CN 202410678484 A CN202410678484 A CN 202410678484A CN 118244729 A CN118244729 A CN 118244729A
- Authority
- CN
- China
- Prior art keywords
- space
- optimizing
- search
- initial
- production
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 200
- 238000007726 management method Methods 0.000 title claims abstract description 55
- 238000005457 optimization Methods 0.000 claims abstract description 81
- 238000011156 evaluation Methods 0.000 claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000013439 planning Methods 0.000 claims abstract description 23
- 230000008030 elimination Effects 0.000 claims description 33
- 238000003379 elimination reaction Methods 0.000 claims description 33
- 238000010276 construction Methods 0.000 claims description 17
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 238000009825 accumulation Methods 0.000 claims description 10
- 230000006978 adaptation Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 10
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000000717 retained effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 93
- 238000013468 resource allocation Methods 0.000 description 10
- 239000000047 product Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了基于MES的生产车间动态管理方法与系统，涉及车间动态管理技术领域，该方法包括：以MES层读取计划层的生产计划，并同步进行车间内资源状态采集；在搜索空间内建立初始解集；配置搜索个体进行寻优空间搜索，建立第一寻优空间；建立评价适应度函数；在第一寻优空间进行追寻搜索，并进行搜索状态评价，控制更新迭代，当迭代结果满足预设要求，则生成解空间；构建控制参数，执行生产控制生成实时反馈数据集；进行实时优化决策，完成生产车间的动态管理。通过本申请可以解决现有技术中由于MES决策存在滞后性强，进一步影响车间生产效率的技术问题，实现生产车间的资源优化配置的技术目标，达到提高生产效率和质量的技术效果。
Description
技术领域
本申请涉及车间动态管理技术领域，尤其涉及基于MES的生产车间动态管理方法与系统。
背景技术
MES是介于计划层与控制层之间的执行层，主要负责生产管理和调度执行。它通过对包括物料、设备、人员、订单、在制品等在内的工厂生产资源条件约束进行实时分析、计算和处理，以给出当前资源的最优配置和利用方案，作为进行生产调度与决策的依据。
目前，现有的MES决策存在滞后性强，无法及时、准确进行生产调度，存在没有智能进行车间动态管理的技术问题。
综上所述，现有技术中存在由于MES决策存在滞后性强，导致对生产决策的随车间进行实时变化的效率较低，造成生产调度的准确性较低，进一步影响车间生产效率的技术问题。
发明内容
本申请的目的是提供基于MES的生产车间动态管理方法与系统，用以解决现有技术中存在由于MES决策存在滞后性强，导致对生产决策的随车间进行实时变化的效率较低，造成生产调度的准确性较低，进一步影响车间生产效率的技术问题。
鉴于上述问题，本申请提供了基于MES的生产车间动态管理方法与系统。
第一方面，本申请提供了基于MES的生产车间动态管理方法，所述方法通过基于MES的生产车间动态管理系统实现，其中，所述方法包括：搭建MES层，并建立MES层与计划层、控制层的数字通信，其中，控制层设置有传感器组，以MES层读取计划层的生产计划，并同步控制传感器组进行车间内资源状态采集，构建初始数据集，车间内资源状态包括物料状态、设备状态、人员状态；以生产计划作为控制目标，以所述初始数据集建立搜索空间，在搜索空间内建立初始解集后，所述初始解集对应初始寻优空间；配置搜索个体，在初始寻优空间外进行寻优空间搜索，并通过贪婪算法进行新搜索结果与初始寻优空间的适应值比较，建立第一寻优空间，其中，所述第一寻优空间为更新后的寻优空间；建立评价适应度函数，所述评价适应度函数包括稳态适应度函数、负荷适应度函数和效率适应度函数，且稳态适应度函数、负荷适应度函数和效率适应度函数设置有初始权重；配置追随个体，以所述追随个体在第一寻优空间进行追寻搜索，并通过所述评价适应度函数进行搜索状态评价，以搜索状态评价结果控制第一寻优空间和初始解集的更新迭代，当迭代结果满足预设要求，则生成解空间；以所述解空间构建控制参数，并通过控制层以控制参数执行生产控制，以所述传感器组生成实时反馈数据集；根据所述实时反馈数据集进行实时优化决策，以实时优化决策结果完成生产车间的动态管理。
第二方面，本申请还提供了基于MES的生产车间动态管理系统，用于执行如第一方面所述的基于MES的生产车间动态管理方法，其中，所述系统包括：初始数据集构建模块，所述初始数据集构建模块用于搭建MES层，并建立MES层与计划层、控制层的数字通信，其中，控制层设置有传感器组，以MES层读取计划层的生产计划，并同步控制传感器组进行车间内资源状态采集，构建初始数据集，车间内资源状态包括物料状态、设备状态、人员状态；初始解集构建模块，所述初始解集构建模块用于以生产计划作为控制目标，以所述初始数据集建立搜索空间，在搜索空间内建立初始解集后，所述初始解集对应初始寻优空间；第一寻优空间构建模块，所述第一寻优空间构建模块用于配置搜索个体，在初始寻优空间外进行寻优空间搜索，并通过贪婪算法进行新搜索结果与初始寻优空间的适应值比较，建立第一寻优空间，其中，所述第一寻优空间为更新后的寻优空间；评价适应度函数建立模块，所述评价适应度函数建立模块用于建立评价适应度函数，所述评价适应度函数包括稳态适应度函数、负荷适应度函数和效率适应度函数，且稳态适应度函数、负荷适应度函数和效率适应度函数设置有初始权重；解空间生成模块，所述解空间生成模块用于配置追随个体，以所述追随个体在第一寻优空间进行追寻搜索，并通过所述评价适应度函数进行搜索状态评价，以搜索状态评价结果控制第一寻优空间和初始解集的更新迭代，当迭代结果满足预设要求，则生成解空间；实时反馈数据集生成模块，所述实时反馈数据集生成模块用于以所述解空间构建控制参数，并通过控制层以控制参数执行生产控制，以所述传感器组生成实时反馈数据集；动态管理模块，所述动态管理模块用于根据所述实时反馈数据集进行实时优化决策，以实时优化决策结果完成生产车间的动态管理。
本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：
通过搭建MES层，并建立MES层与计划层、控制层的数字通信，其中，控制层设置有传感器组，以MES层读取计划层的生产计划，并同步控制传感器组进行车间内资源状态采集，构建初始数据集，车间内资源状态包括物料状态、设备状态、人员状态；以生产计划作为控制目标，以所述初始数据集建立搜索空间，在搜索空间内建立初始解集后，所述初始解集对应初始寻优空间；配置搜索个体，在初始寻优空间外进行寻优空间搜索，并通过贪婪算法进行新搜索结果与初始寻优空间的适应值比较，建立第一寻优空间，其中，所述第一寻优空间为更新后的寻优空间；建立评价适应度函数，所述评价适应度函数包括稳态适应度函数、负荷适应度函数和效率适应度函数，且稳态适应度函数、负荷适应度函数和效率适应度函数设置有初始权重；配置追随个体，以所述追随个体在第一寻优空间进行追寻搜索，并通过所述评价适应度函数进行搜索状态评价，以搜索状态评价结果控制第一寻优空间和初始解集的更新迭代，当迭代结果满足预设要求，则生成解空间；以所述解空间构建控制参数，并通过控制层以控制参数执行生产控制，以所述传感器组生成实时反馈数据集；根据所述实时反馈数据集进行实时优化决策，以实时优化决策结果完成生产车间的动态管理，也就是说，通过对生产资源调度方案进行动态调整，执行寻优决策，最终实现了生产车间的资源优化配置的技术目标，达到了提高生产效率和质量的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其他特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本申请基于MES的生产车间动态管理方法的流程示意图；
图2为本申请基于MES的生产车间动态管理系统的结构示意图。
附图标记说明：
初始数据集构建模块11，初始解集构建模块12，第一寻优空间构建模块13，评价适应度函数建立模块14，解空间生成模块15，实时反馈数据集生成模块16，动态管理模块17。
具体实施方式
本申请通过提供基于MES的生产车间动态管理方法与系统，解决了现有技术中存在由于MES决策存在滞后性强，导致对生产决策的随车间进行实时变化的效率较低，造成生产调度的准确性较低，进一步影响车间生产效率的技术问题。实现了生产车间的资源优化配置的技术目标，达到了提高生产效率和质量的技术效果。
下面，将参考附图对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。基于本申请的实施例，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，都属于本申请保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部。
实施例一
请参阅附图1，本申请提供了基于MES的生产车间动态管理方法，其中，所述方法应用于基于MES的生产车间动态管理系统，所述方法具体包括如下步骤：
步骤一：搭建MES层，并建立MES层与计划层、控制层的数字通信，其中，控制层设置有传感器组，以MES层读取计划层的生产计划，并同步控制传感器组进行车间内资源状态采集，构建初始数据集，车间内资源状态包括物料状态、设备状态、人员状态；
具体而言，MES层是介于计划层与控制层之间的执行层，主要负责生产管理和调度执行。进一步地，搭建MES层，即建立MES层的整体架构，例如，包括数据库设计、接口设计、功能模块划分等。进一步地，建立MES层分别与计划层和控制层的数字通信，用于MES层分别与计划层和控制层通信连接。进一步地，控制层设置有传感器组，用于通过MES层读取计划层的生产计划后，同步控制传感器组进行车间内物料状态、设备状态、人员状态的资源状态采集，构建初始数据集。
步骤二：以生产计划作为控制目标，以所述初始数据集建立搜索空间，在搜索空间内建立初始解集后，所述初始解集对应初始寻优空间；
具体而言，生产计划是计划层进行生产调度和资源分配的依据。例如，生产计划中可能包含了产品种类、生产数量等信息。通过MES层根据生产计划安排生产流程、调度生产资源，确保生产活动的顺利进行。进一步地，初始数据集是MES层根据传感器组从车间内采集的资源状态信息构建的。车间的资源状态数据反映了车间内物料、设备、人员等资源的实时状态。利用初始数据集建立搜索空间，包含了多个资源配置和生产调度方案。进一步地，在搜索空间内生成一个初始解集。解集代表了不同的生产调度和资源配置方案。例如，初始解集可以通过随机生成、基于规则生成或利用启发式算法生成等方式获得。其中，每个解都对应着一种可能的资源分配和生产流程的安排。
步骤三：配置搜索个体，在初始寻优空间外进行寻优空间搜索，并通过贪婪算法进行新搜索结果与初始寻优空间的适应值比较，建立第一寻优空间，其中，所述第一寻优空间为更新后的寻优空间；
具体而言，在初始解集的基础上，通过特定的搜索策略，如变异、交叉等，生成新的搜索个体。其中，搜索个体代表了可能更优的生产调度和资源配置方案。在初始寻优空间的基础上，通过搜索个体的变异、交叉等操作，拓展搜索空间，探索更多的潜在解，用于发现初始寻优空间之外更优的解。对拓展搜索空间中得到的新解进行评估，计算其适应值。其中，适应值应综合考虑生产效率、资源利用率、生产成本等多个方面，以反映解的综合性能。采用贪婪算法，在每一步选择中，选择当前状态下最优，即适应值最高的解，用于快速收敛到较好的解。将新搜索到的解与初始寻优空间中的解进行适应值比较，若新解的适应值高于初始寻优空间中的任何解，则将新解纳入第一寻优空间。根据贪婪算法的比较结果，更新寻优空间。将新搜索到的更优解替换初始寻优空间中较差的解，形成第一寻优空间。
步骤四：建立评价适应度函数，所述评价适应度函数包括稳态适应度函数、负荷适应度函数和效率适应度函数，且稳态适应度函数、负荷适应度函数和效率适应度函数设置有初始权重；
具体而言，评价适应度函数用于评估生产调度方案的优劣。评价适应度函数基于多个函数，如稳态适应度函数、负荷适应度函数和效率适应度函数的加权和来构建。进一步地，稳态适应度函数用于评估生产过程的稳定性。稳态适应度函数可以基于生产过程中的波动、偏差或变异等指标来计算。其中，若稳态适应度越高，表示生产过程越稳定，产品质量越可靠。反之，则越差。进一步地，负荷适应度函数用于评估生产线的负荷情况。负荷适应度函数可以考虑设备利用率、工作强度等因素。其中，负荷适应度越高，表示生产线的资源利用越充分，生产能力越强。反之，则越弱。进一步地，效率适应度函数用于评估生产过程的效率。效率适应度函数可以基于生产速度、产量、生产成本等指标来计算。其中，效率适应度越高，表示生产过程越高效，经济效益越好。反之，则越差。进一步地，初始权重用于平衡各个函数在评价适应度函数中的贡献。其中，权重的设置应根据生产过程的实际需求、目标以及资源限制来确定。通常，可以通过专家经验、历史数据或优化算法来确定初始权重。例如，若生产过程对稳定性要求较高，可以给予稳态适应度函数较大的权重，若生产线存在明显的资源瓶颈，可以给予负荷适应度函数较大的权重，若追求高效率和低成本，可以给予效率适应度函数较大的权重。进一步地，适应度评价函数的结果是各个函数加权和的结果，即稳态适应度函数与稳态适应度函数的初始权重之积、负荷适应度函数与负荷适应度函数的初始权重之积、效率适应度函数与效率适应度函数的初始权重之积进行加和计算的结果。
步骤五：配置追随个体，以所述追随个体在第一寻优空间进行追寻搜索，并通过所述评价适应度函数进行搜索状态评价，以搜索状态评价结果控制第一寻优空间和初始解集的更新迭代，当迭代结果满足预设要求，则生成解空间；
具体而言，基于问题特性和搜索空间的结构，选择合适的追随策略。在第一寻优空间内，根据追随策略初始化追随个体，在第一寻优空间内探寻更优的解。进一步地，通过追随个体找到的每个解，计算每个解适应度值。根据适应度值对搜索状态进行评价。通过比较不同解的适应度值、分析适应度值的变化趋势等方式进行。进一步地，基于搜索状态评价结果，将表现优秀的解纳入第一寻优空间，替换或补充原有的解，有助于优化第一寻优空间的结构和性能，更接近于最优解集。当迭代结果满足预设要求时，则找到了满足需求的解集。此时，将第一寻优空间作为最终的解空间输出。
步骤六：以所述解空间构建控制参数，并通过控制层以控制参数执行生产控制，以所述传感器组生成实时反馈数据集；
具体而言，解空间包含了多个潜在的生产调度和资源优化方案，每个方案都由一系列参数构成。从解空间中提取与生产控制直接相关的参数，如设备运行速度、物料投放量、生产流程配置等。将与生产控制直接相关的参数映射到控制层可识别的控制参数上。根据映射关系，构建出适用于控制层的控制参数。控制参数满足控制层的输入要求，并且能够准确反映生产调度和资源优化的意图。进一步地，将构建好的控制参数下发到控制层。例如，通过网络传输、数据接口等方式实现，确保控制参数能够准确、及时地到达控制层。控制层接收到控制参数后，根据内置的控制逻辑执行相应的生产控制操作。例如，包括调整设备状态、改变生产流程、优化资源分配等。进一步地，在控制过程中，控制层实时监控生产状态，并根据实时反馈数据进行必要的调整，用于确保生产过程的稳定性和优化效果。进一步地，部署在生产车间的传感器组负责实时采集生产过程中的各种数据，如设备运行状态、物料使用情况、生产进度等。对采集到的原始数据进行预处理，包括数据清洗、格式转换、异常值处理等，以确保数据的准确性和可用性。将预处理后的数据整合成实时反馈数据集，进而为后续的优化决策提供了重要的数据支持。
步骤七：根据所述实时反馈数据集进行实时优化决策，以实时优化决策结果完成生产车间的动态管理。
具体而言，根据所述实时反馈数据集进行异常数据提取，根据异常数据更新适应度函数，进而获得实时反馈数据，用以更新生产计划，根据更新的生产计划执行车间生产，进而完成生产车间的动态管理。
所述基于MES的生产车间动态管理方法应用于基于MES的生产车间动态管理系统，可以实现生产车间的资源优化配置的技术目标，达到了提高生产效率和质量的技术效果。
进一步，本申请还包括如下步骤：
以所述搜索个体进行寻优空间搜索，建立新增寻优空间；
通过所述新增寻优空间和初始寻优空间进行空间适应值比对排序；
设定空间的饱和阈值，以所述饱和阈值执行比对排序结果的末位淘汰约束；
根据末位淘汰约束结果建立第一寻优空间。
具体而言，将生成的搜索个体在搜索空间内进行探索，评估搜索个体对应的生产效率和资源利用率等指标。通过搜索过程，可能发现潜在的更优解。基于搜索个体的评估结果，将潜在的更优解纳入新增寻优空间。其中，新增寻优空间包含了通过搜索策略发现的可能更优解。
然后，对于初始寻优空间和新增寻优空间中的每个解，计算每个解对应的适应值。其中，适应值基于生产效率、资源利用率、生产成本等多个指标进行综合评价。将初始寻优空间和新增寻优空间中的解按照适应值进行比对和排序。通过排序结果识别出整体上表现更优的解。
接着，根据车间的资源限制和生产需求，设定饱和阈值，用于限制寻优空间的大小，避免因为解的数量过多而导致计算复杂度过高。根据比对排序的结果，将适应值较低的解，即表现较差的解进行淘汰，直到寻优空间的大小达到饱和阈值，确保了寻优空间内的解都是相对优秀的，有利于提高优化效率。
接下来，将经过末位淘汰约束后保留的优秀解整合，形成第一寻优空间。空间内的解具有较高的适应值，代表当前已知的最优或次优的生产调度和资源配置方案。
通过获得第一寻优空间，为后续的优化操作提供了基础，可以基于第一寻优空间继续进行搜索和优化，以寻找更好的解决方案。
进一步，本申请还包括如下步骤：
对所述第一寻优空间中的每个寻优空间进行空间标识，并以搜索状态评价结果进行每个寻优空间的非保留结果累计；
判断非保留结果累计是否满足淘汰阈值，若满足淘汰阈值，则淘汰掉对应的寻优空间；
当第一寻优空间内的剩余寻优空间数量低于预设阈值，则触发搜索更新指令，以所述搜索更新指令控制搜索个体进行寻优空间的进一步搜索，以完成第一寻优空间的更新迭代。
具体而言，为第一寻优空间中的每个寻优空间分配唯一标识，获得空间标识。例如，可以是数字、字符串或其他形式。其中，空间标识有助于区分不同的寻优空间，方便后续的数据处理和管理。进一步地，记录与每个寻优空间标识相关联的空间的基本信息，如包含的搜索个体、适应度值、搜索策略等，用于了解每个寻优空间的特性和性能。
接着，对每个寻优空间内的搜索个体进行状态评价，其中，基于搜索个体的适应度值、收敛速度、多样性等指标进行用于确定在当前的搜索过程中表现不佳的搜索个体或寻优空间。进一步地，对于表现不佳的寻优空间，即非保留结果，累计非保留结果出现的次数或频率。其中，通过设置一个计数器来实现，当一个寻优空间被判定为非保留结果时，对应的计数器就增加。
然后，根据问题的规模和复杂度以及优化目标的要求，设定一个淘汰阈值，用于判断当非保留结果的累计达到淘汰阈值时，对应的寻优空间则被淘汰。进一步地，将非保留结果的累计值与淘汰阈值进行比较。若累计值达到或超过阈值，则判定该寻优空间为需要淘汰的对象。进一步地，对满足淘汰阈值的寻优空间从第一寻优空间中移除，不再参与后续的搜索和优化过程。
接下来，当第一寻优空间内的剩余寻优空间数量低于预设阈值时，触发搜索更新指令，用于控制搜索个体进行进一步的搜索，以寻找新的、可能更优的寻优空间。根据搜索更新指令，生成新的搜索个体或调整现有搜索个体的参数，以扩大搜索范围或改变搜索策略。利用更新后的搜索个体在第一寻优空间外进行新的搜索，探索可能存在的更优解。将新搜索到的优秀解纳入第一寻优空间，替换或补充原有的寻优空间，完成第一寻优空间的更新迭代。
通过更新迭代，进而能够持续地优化生产调度和资源分配方案，逐渐逼近最优解，实现生产过程的高效和稳定。
进一步，当第一寻优空间内的剩余寻优空间数量低于预设阈值，则触发搜索更新指令，以所述搜索更新指令控制搜索个体进行寻优空间的进一步搜索，以完成第一寻优空间的更新迭代，还包括如下步骤：
在第一寻优空间生成后，更新所述初始解集，建立更新解集，所述更新解集中每一解集与一寻优空间对应；
当所述追随个体进行第一寻优空间的追随搜索时，通过更新解集记录对应的寻优空间的寻优结果；
比对各个更新解集的解集内最优解，以最优解比对结果生成第一淘汰约束；
以所述第一淘汰约束进行更新解集记录结果内的非保留结果评价；
根据第一淘汰约束和非保留结果完成初始解空间的更新迭代。
具体而言，在第一寻优空间生成后，根据第一寻优空间内的优秀解对初始解集进行更新。其中，通过替换初始解集中性能较差的解，或增加新的优秀解来实现。为每个寻优空间包括第一寻优空间和可能存在的其他寻优空间建立一个对应的更新解集，用于记录每个寻优空间的搜索过程和结果。
然后，当追随个体在第一寻优空间进行追随搜索时，记录搜索过程中找到的所有解及对应的适应度值。将搜索到的解及适应度值添加到对应寻优空间的更新解集中。
接着，从每个更新解集中提取出当前的最优解，即适应度值最高的解。将各个更新解集的最优解进行比对，分析最优解之间的性能差异和优劣关系。根据问题的特性和优化目标，确定淘汰标准。例如，可以基于适应度值的阈值、相对排名或其他评价指标。根据最优解比对结果和淘汰标准，生成第一淘汰约束。
然后，根据第一淘汰约束，识别出更新解集中需要被淘汰的非保留结果。对识别出的非保留结果进行详细的评价，分析它们被淘汰的原因和可能的改进方向。其中，对于非保留结果进行累计，若满足淘汰阈值，代表此空间内寻优结果较差，淘汰掉对应空间，但是解的结果可以保留，可以根据实际的比对情况来淘汰。
接着，根据第一淘汰约束和非保留结果评价，对初始解空间进行更新迭代。其中，包括替换性能较差的解、增加新的优秀解或调整解空间的分布。
通过以搜索状态评价结果控制第一寻优空间和初始解集的更新迭代，从而逐步逼近最优解或近似最优解，有助于提高生产调度和资源优化的效率和质量。
进一步，本申请还包括如下步骤：
对所述实时反馈数据集进行数据分解，获取工作异常；
对所述工作异常进行异常溯源，以异常溯源结果重构所述初始权重，以此更新评价适应度函数，并以实时反馈数据更新生产计划；
以更新后的评价适应度函数和更新的生产计划重新进行实时优化决策，以实时优化决策结果完成生产车间的动态管理。
具体而言，收集来自生产车间的实时反馈数据，例如，包括设备状态、生产进度、物料使用情况等。将实时反馈数据整合到一个统一的数据集中，以便后续分析。对实时反馈数据集进行分解，划分为不同的数据子集或类别，进而用于根据数据的来源、类型或时间戳进行。通过数据分解，可以更好地理解数据的结构和特点，为后续的异常检测打下基础。进一步地，在数据分解的基础上，利用适当的算法或模型进行异常检测。通过比较实时数据与历史数据、设定阈值或利用机器学习等方法实现工作异常的获取。进而通过异常检测识别出生产过程中的工作异常，如设备故障、生产延误等。
然后，针对检测到的工作异常，进行深入的异常溯源。其中，包括分析异常发生的原因、影响范围以及可能的解决方案。通过异常溯源，可以找出问题的根源，为后续的措施制定提供依据。进一步地，根据异常溯源的结果，对评价适应度函数中的初始权重进行重构，例如，通过调整不同因素的权重系数来实现，以更好地反映当前生产环境的实际情况。重构后的初始权重将更准确地反映生产过程中的关键因素，为后续的优化决策提供支持。
接着，利用重构后的初始权重，更新评价适应度函数，进而使评价适应度函数更加贴近当前生产环境，能够更准确地评估生产调度和资源优化方案的效果。进一步地，根据实时反馈数据，对生产计划进行动态调整。例如，包括调整生产任务的优先级、重新分配资源或调整生产流程等。通过利用更新后的评价适应度函数和生产计划，重新进行实时优化决策。其中，包括选择最佳的生产调度方案、优化资源配置或调整生产参数等。通过实时优化决策，确保生产车间的运行始终处于最优状态，进而提高生产效率和资源利用率。进一步地，根据实时优化决策的结果，对生产车间进行动态管理。例如，包括监控生产进度、调整生产策略、处理突发事件等。
通过实时优化决策，进而确保生产过程的稳定性和连续性。
进一步，对所述实时反馈数据集进行数据分解，获取工作异常，还包括如下步骤：
判断所述实时反馈数据集的工作异常是否满足预设异常值；
若不能满足预设异常值，则生成微调指令；
以所述微调指令在所述解空间内进行微调寻优，根据微调寻优结果进行实时优化决策。
具体而言，根据生产过程的实际需求和历史经验，设定一个预设异常值。其中，可以是一个具体的数值，也可以是一个基于统计或机器学习模型得出的阈值。进一步地，将实时反馈数据集中的工作异常与预设异常值进行比较。其中，通过计算异常指标、统计异常频率或使用机器学习模型进行模式识别等方式实现。进一步地，若工作异常超过或达到预设异常值，说明当前生产过程存在较大的问题，需要进行深入地分析和处理。若工作异常低于预设异常值，则说明当前生产过程相对稳定，但仍可能存在一定的优化空间。
然后，当工作异常不能满足预设异常值时，对问题进行定位，例如，通过分析异常发生的具体原因、影响范围以及可能导致的后果来实现。进而根据问题定位的结果，生成相应的微调指令。其中，微调指令可能包括调整生产参数、优化资源分配、改变生产流程等，旨在解决当前生产过程中的问题并提升生产效率。
接着，将微调指令应用于解空间内的不同方案，通过调整方案中的参数或配置，寻找更优的解。例如，可以通过局部搜索、启发式算法或机器学习模型等方法实现。进一步地，对微调寻优的结果进行评估，比较不同方案在评价适应度函数下的表现，选择表现最优的方案作为当前的实时优化决策结果。
通过实时反馈数据集进行实时优化决策，进而可以实现对生产调度和资源优化的实时动态管理，确保生产过程的稳定性和优化效果。
进一步，本申请还包括如下步骤：
记录实时优化决策结果，生成生产车间的决策经验库；
以所述决策经验库生成生产车间的寻优约束，基于所述寻优约束进行后续的生产车间的寻优决策管理。
具体而言，每当MES层进行实时优化决策后，将决策的结果进行记录。其中，包括决策的具体内容、执行的时间、涉及的生产资源、预期的优化效果等信息。进一步地，对记录的决策结果进行整理，按照不同的生产场景、资源类型或优化目标进行分类。这样有助于后续对决策经验的提取和分析。基于整理好的决策结果数据，构建生产车间的决策经验库。例如，决策经验库可以是一个数据库系统，用于存储和管理历史决策经验。
进一步地，随着生产过程的进行和新的优化决策的产生，不断更新和维护决策经验库，确保其中的信息始终反映最新的生产情况和管理智慧。从决策经验库中提取相关的决策经验，进行深入地分析。其中，可以通过数据挖掘、机器学习等技术实现，以发现隐藏在经验数据中的规律和模式。基于提取到的经验和规律，生成生产车间的寻优约束，可以反映生产过程中的实际限制、优化目标和资源限制等信息，用于指导后续的寻优决策。进一步地，根据生成的寻优约束，构建适用于生产车间的寻优空间，用于作为后续优化决策的基础，搜索更优的生产调度和资源配置方案。例如，选择适合的优化算法，如遗传算法、粒子群优化等，并在寻优空间内进行寻优搜索。基于寻优搜索的结果，制定具体的生产调度和资源优化决策，并通过控制层执行决策。同时，持续监控生产过程的实时反馈数据，以便及时调整和优化决策。
通过决策经验库生成寻优约束，进而指导后续的生产车间寻优决策管理。有助于提升生产过程的智能化水平，提高生产效率和资源利用率。
综上所述，本申请所提供的基于MES的生产车间动态管理方法具有如下技术效果：
通过搭建MES层，并建立MES层与计划层、控制层的数字通信，其中，控制层设置有传感器组，以MES层读取计划层的生产计划，并同步控制传感器组进行车间内资源状态采集，构建初始数据集，车间内资源状态包括物料状态、设备状态、人员状态；以生产计划作为控制目标，以所述初始数据集建立搜索空间，在搜索空间内建立初始解集后，所述初始解集对应初始寻优空间；配置搜索个体，在初始寻优空间外进行寻优空间搜索，并通过贪婪算法进行新搜索结果与初始寻优空间的适应值比较，建立第一寻优空间，其中，所述第一寻优空间为更新后的寻优空间；建立评价适应度函数，所述评价适应度函数包括稳态适应度函数、负荷适应度函数和效率适应度函数，且稳态适应度函数、负荷适应度函数和效率适应度函数设置有初始权重；配置追随个体，以所述追随个体在第一寻优空间进行追寻搜索，并通过所述评价适应度函数进行搜索状态评价，以搜索状态评价结果控制第一寻优空间和初始解集的更新迭代，当迭代结果满足预设要求，则生成解空间；以所述解空间构建控制参数，并通过控制层以控制参数执行生产控制，以所述传感器组生成实时反馈数据集；根据所述实时反馈数据集进行实时优化决策，以实时优化决策结果完成生产车间的动态管理，也就是说，通过对生产资源调度方案进行动态调整，执行寻优决策，最终实现了生产车间的资源优化配置的技术目标，达到了提高生产效率和质量的技术效果。
实施例二
基于与前述实施例中基于MES的生产车间动态管理方法，同样发明构思，本申请还提供了基于MES的生产车间动态管理系统，请参阅附图2，所述系统包括：
初始数据集构建模块11，所述初始数据集构建模块11用于搭建MES层，并建立MES层与计划层、控制层的数字通信，其中，控制层设置有传感器组，以MES层读取计划层的生产计划，并同步控制传感器组进行车间内资源状态采集，构建初始数据集，车间内资源状态包括物料状态、设备状态、人员状态；
初始解集构建模块12，所述初始解集构建模块12用于以生产计划作为控制目标，以所述初始数据集建立搜索空间，在搜索空间内建立初始解集后，所述初始解集对应初始寻优空间；
第一寻优空间构建模块13，所述第一寻优空间构建模块13用于配置搜索个体，在初始寻优空间外进行寻优空间搜索，并通过贪婪算法进行新搜索结果与初始寻优空间的适应值比较，建立第一寻优空间，其中，所述第一寻优空间为更新后的寻优空间；
评价适应度函数建立模块14，所述评价适应度函数建立模块14用于建立评价适应度函数，所述评价适应度函数包括稳态适应度函数、负荷适应度函数和效率适应度函数，且稳态适应度函数、负荷适应度函数和效率适应度函数设置有初始权重；
解空间生成模块15，所述解空间生成模块15用于配置追随个体，以所述追随个体在第一寻优空间进行追寻搜索，并通过所述评价适应度函数进行搜索状态评价，以搜索状态评价结果控制第一寻优空间和初始解集的更新迭代，当迭代结果满足预设要求，则生成解空间；
实时反馈数据集生成模块16，所述实时反馈数据集生成模块16用于以所述解空间构建控制参数，并通过控制层以控制参数执行生产控制，以所述传感器组生成实时反馈数据集；
动态管理模块17，所述动态管理模块17用于根据所述实时反馈数据集进行实时优化决策，以实时优化决策结果完成生产车间的动态管理。
进一步，所述系统中的所述第一寻优空间构建模块13还用于：
以所述搜索个体进行寻优空间搜索，建立新增寻优空间；
通过所述新增寻优空间和初始寻优空间进行空间适应值比对排序；
设定空间的饱和阈值，以所述饱和阈值执行比对排序结果的末位淘汰约束；
根据末位淘汰约束结果建立第一寻优空间。
进一步，所述系统中的所述解空间生成模块15还用于：
对所述第一寻优空间中的每个寻优空间进行空间标识，并以搜索状态评价结果进行每个寻优空间的非保留结果累计；
判断非保留结果累计是否满足淘汰阈值，若满足淘汰阈值，则淘汰掉对应的寻优空间；
当第一寻优空间内的剩余寻优空间数量低于预设阈值，则触发搜索更新指令，以所述搜索更新指令控制搜索个体进行寻优空间的进一步搜索，以完成第一寻优空间的更新迭代。
进一步，所述系统中的所述解空间生成模块15还用于：
在第一寻优空间生成后，更新所述初始解集，建立更新解集，所述更新解集中每一解集与一寻优空间对应；
当所述追随个体进行第一寻优空间的追随搜索时，通过更新解集记录对应的寻优空间的寻优结果；
比对各个更新解集的解集内最优解，以最优解比对结果生成第一淘汰约束；
以所述第一淘汰约束进行更新解集记录结果内的非保留结果评价；
根据第一淘汰约束和非保留结果完成初始解空间的更新迭代。
进一步，所述系统中的所述动态管理模块17还用于：
对所述实时反馈数据集进行数据分解，获取工作异常；
对所述工作异常进行异常溯源，以异常溯源结果重构所述初始权重，以此更新评价适应度函数，并以实时反馈数据更新生产计划；
以更新后的评价适应度函数和更新的生产计划重新进行实时优化决策，以实时优化决策结果完成生产车间的动态管理。
进一步，所述系统中的所述动态管理模块17还用于：
判断所述实时反馈数据集的工作异常是否满足预设异常值；
若不能满足预设异常值，则生成微调指令；
以所述微调指令在所述解空间内进行微调寻优，根据微调寻优结果进行实时优化决策。
进一步，所述系统中的所述动态管理模块17还用于：
记录实时优化决策结果，生成生产车间的决策经验库；
以所述决策经验库生成生产车间的寻优约束，基于所述寻优约束进行后续的生产车间的寻优决策管理。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述实施例一中的基于MES的生产车间动态管理方法和具体实例同样适用于本实施例的基于MES的生产车间动态管理系统，通过前述对基于MES的生产车间动态管理方法的详细描述，本领域技术人员可以清楚知道本实施例中基于MES的生产车间动态管理系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (8)
1.基于MES的生产车间动态管理方法，其特征在于，所述方法包括：
搭建MES层，并建立MES层与计划层、控制层的数字通信，其中，控制层设置有传感器组，以MES层读取计划层的生产计划，并同步控制传感器组进行车间内资源状态采集，构建初始数据集，车间内资源状态包括物料状态、设备状态、人员状态；
以生产计划作为控制目标，以所述初始数据集建立搜索空间，在搜索空间内建立初始解集后，所述初始解集对应初始寻优空间；
配置搜索个体，在初始寻优空间外进行寻优空间搜索，并通过贪婪算法进行新搜索结果与初始寻优空间的适应值比较，建立第一寻优空间，其中，所述第一寻优空间为更新后的寻优空间；
建立评价适应度函数，所述评价适应度函数包括稳态适应度函数、负荷适应度函数和效率适应度函数，且稳态适应度函数、负荷适应度函数和效率适应度函数设置有初始权重；
配置追随个体，以所述追随个体在第一寻优空间进行追寻搜索，并通过所述评价适应度函数进行搜索状态评价，以搜索状态评价结果控制第一寻优空间和初始解集的更新迭代，当迭代结果满足预设要求，则生成解空间；
以所述解空间构建控制参数，并通过控制层以控制参数执行生产控制，以所述传感器组生成实时反馈数据集；
根据所述实时反馈数据集进行实时优化决策，以实时优化决策结果完成生产车间的动态管理。
2.如权利要求1所述的方法，其特征在于，所述配置搜索个体，在初始寻优空间外进行寻优空间搜索，并通过贪婪算法进行新搜索结果与初始寻优空间的适应值比较，建立第一寻优空间，包括：
以所述搜索个体进行寻优空间搜索，建立新增寻优空间；
通过所述新增寻优空间和初始寻优空间进行空间适应值比对排序；
设定空间的饱和阈值，以所述饱和阈值执行比对排序结果的末位淘汰约束；
根据末位淘汰约束结果建立第一寻优空间。
3.如权利要求1所述的方法，其特征在于，所述以搜索状态评价结果控制第一寻优空间和初始解集的更新迭代，包括：
对所述第一寻优空间中的每个寻优空间进行空间标识，并以搜索状态评价结果进行每个寻优空间的非保留结果累计；
判断非保留结果累计是否满足淘汰阈值，若满足淘汰阈值，则淘汰掉对应的寻优空间；
当第一寻优空间内的剩余寻优空间数量低于预设阈值，则触发搜索更新指令，以所述搜索更新指令控制搜索个体进行寻优空间的进一步搜索，以完成第一寻优空间的更新迭代。
4.如权利要求3所述的方法，其特征在于，所述当第一寻优空间内的剩余寻优空间数量低于预设阈值，则触发搜索更新指令，以所述搜索更新指令控制搜索个体进行寻优空间的进一步搜索，以完成第一寻优空间的更新迭代，还包括：
在第一寻优空间生成后，更新所述初始解集，建立更新解集，所述更新解集中每一解集与一寻优空间对应；
当所述追随个体进行第一寻优空间的追随搜索时，通过更新解集记录对应的寻优空间的寻优结果；
比对各个更新解集的解集内最优解，以最优解比对结果生成第一淘汰约束；
以所述第一淘汰约束进行更新解集记录结果内的非保留结果评价；
根据第一淘汰约束和非保留结果完成初始解空间的更新迭代。
5.如权利要求1所述的方法，其特征在于，所述根据所述实时反馈数据集进行实时优化决策，包括：
对所述实时反馈数据集进行数据分解，获取工作异常；
对所述工作异常进行异常溯源，以异常溯源结果重构所述初始权重，以此更新评价适应度函数，并以实时反馈数据更新生产计划；
以更新后的评价适应度函数和更新的生产计划重新进行实时优化决策，以实时优化决策结果完成生产车间的动态管理。
6.如权利要求5所述的方法，其特征在于，所述对所述实时反馈数据集进行数据分解，获取工作异常，包括：
判断所述实时反馈数据集的工作异常是否满足预设异常值；
若不能满足预设异常值，则生成微调指令；
以所述微调指令在所述解空间内进行微调寻优，根据微调寻优结果进行实时优化决策。
7.如权利要求6所述的方法，其特征在于，所述方法包括：
记录实时优化决策结果，生成生产车间的决策经验库；
以所述决策经验库生成生产车间的寻优约束，基于所述寻优约束进行后续的生产车间的寻优决策管理。
8.基于MES的生产车间动态管理系统，其特征在于，用于实施权利要求1至7中任意一项所述方法的步骤，所述系统包括：
初始数据集构建模块，所述初始数据集构建模块用于搭建MES层，并建立MES层与计划层、控制层的数字通信，其中，控制层设置有传感器组，以MES层读取计划层的生产计划，并同步控制传感器组进行车间内资源状态采集，构建初始数据集，车间内资源状态包括物料状态、设备状态、人员状态；
初始解集构建模块，所述初始解集构建模块用于以生产计划作为控制目标，以所述初始数据集建立搜索空间，在搜索空间内建立初始解集后，所述初始解集对应初始寻优空间；
第一寻优空间构建模块，所述第一寻优空间构建模块用于配置搜索个体，在初始寻优空间外进行寻优空间搜索，并通过贪婪算法进行新搜索结果与初始寻优空间的适应值比较，建立第一寻优空间，其中，所述第一寻优空间为更新后的寻优空间；
评价适应度函数建立模块，所述评价适应度函数建立模块用于建立评价适应度函数，所述评价适应度函数包括稳态适应度函数、负荷适应度函数和效率适应度函数，且稳态适应度函数、负荷适应度函数和效率适应度函数设置有初始权重；
解空间生成模块，所述解空间生成模块用于配置追随个体，以所述追随个体在第一寻优空间进行追寻搜索，并通过所述评价适应度函数进行搜索状态评价，以搜索状态评价结果控制第一寻优空间和初始解集的更新迭代，当迭代结果满足预设要求，则生成解空间；
实时反馈数据集生成模块，所述实时反馈数据集生成模块用于以所述解空间构建控制参数，并通过控制层以控制参数执行生产控制，以所述传感器组生成实时反馈数据集；
动态管理模块，所述动态管理模块用于根据所述实时反馈数据集进行实时优化决策，以实时优化决策结果完成生产车间的动态管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410678484.9A CN118244729B (zh) | 2024-05-29 | 2024-05-29 | 基于mes的生产车间动态管理方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410678484.9A CN118244729B (zh) | 2024-05-29 | 2024-05-29 | 基于mes的生产车间动态管理方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118244729A true CN118244729A (zh) | 2024-06-25 |
| CN118244729B CN118244729B (zh) | 2024-08-13 |
Family
ID=91564152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410678484.9A Active CN118244729B (zh) | 2024-05-29 | 2024-05-29 | 基于mes的生产车间动态管理方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118244729B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090070281A1 (en) * | 2007-06-01 | 2009-03-12 | Solomon Research Llc | System for hybridized efficient genetic algorithms to solve bi-objective optimization problems with application to network computing |
| CN111291921A (zh) * | 2020-01-15 | 2020-06-16 | 西安建筑科技大学 | 一种基于改进人工蜂群算法的群控电梯调度优化方法 |
| CN112381315A (zh) * | 2020-11-26 | 2021-02-19 | 广西电网有限责任公司电力科学研究院 | 一种基于pso优化的ls-svm智能台区负荷预测方法及系统 |
| CN113904348A (zh) * | 2021-10-22 | 2022-01-07 | 三峡大学 | 一种具有自适应变异能力的多微网低频减载控制方法 |
| CN114566178A (zh) * | 2022-03-04 | 2022-05-31 | 太原科技大学 | 一种基于自学习复数卷积神经网络的鲁棒性语音增强方法 |
| DE202023100249U1 (de) * | 2023-01-18 | 2023-02-03 | Mohammed Azmi Mohammed Al-Betar | Ein System zum Finden und Optimieren eines Zeitplans für die Betriebszeiten von intelligenten Geräten |
| CN116911538A (zh) * | 2023-07-03 | 2023-10-20 | 河海大学 | 一种水库群多目标调度多源信息联合搜索方法、系统与设备 |
| CN117162357A (zh) * | 2023-10-30 | 2023-12-05 | 百佳瑞航天航空新材料(苏州)有限公司 | 碳纤维复合材料的成型优化控制方法及系统 |
| CN117577563A (zh) * | 2024-01-16 | 2024-02-20 | 东屹半导体科技(江苏)有限公司 | 一种半导体划片机的优化控制方法及系统 |
-
2024
- 2024-05-29 CN CN202410678484.9A patent/CN118244729B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090070281A1 (en) * | 2007-06-01 | 2009-03-12 | Solomon Research Llc | System for hybridized efficient genetic algorithms to solve bi-objective optimization problems with application to network computing |
| CN111291921A (zh) * | 2020-01-15 | 2020-06-16 | 西安建筑科技大学 | 一种基于改进人工蜂群算法的群控电梯调度优化方法 |
| CN112381315A (zh) * | 2020-11-26 | 2021-02-19 | 广西电网有限责任公司电力科学研究院 | 一种基于pso优化的ls-svm智能台区负荷预测方法及系统 |
| CN113904348A (zh) * | 2021-10-22 | 2022-01-07 | 三峡大学 | 一种具有自适应变异能力的多微网低频减载控制方法 |
| CN114566178A (zh) * | 2022-03-04 | 2022-05-31 | 太原科技大学 | 一种基于自学习复数卷积神经网络的鲁棒性语音增强方法 |
| DE202023100249U1 (de) * | 2023-01-18 | 2023-02-03 | Mohammed Azmi Mohammed Al-Betar | Ein System zum Finden und Optimieren eines Zeitplans für die Betriebszeiten von intelligenten Geräten |
| CN116911538A (zh) * | 2023-07-03 | 2023-10-20 | 河海大学 | 一种水库群多目标调度多源信息联合搜索方法、系统与设备 |
| CN117162357A (zh) * | 2023-10-30 | 2023-12-05 | 百佳瑞航天航空新材料(苏州)有限公司 | 碳纤维复合材料的成型优化控制方法及系统 |
| CN117577563A (zh) * | 2024-01-16 | 2024-02-20 | 东屹半导体科技(江苏)有限公司 | 一种半导体划片机的优化控制方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 张振兴;杨任农;房育寰;赵克新;: "自适应Tent混沌搜索的蚁狮优化算法", 哈尔滨工业大学学报, no. 05, 25 April 2018 (2018-04-25) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118244729B (zh) | 2024-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116865258B (zh) | 一种层级构造的分布式电源智能电网构建方法 | |
| CN112987666B (zh) | 电厂机组运行优化调控方法及系统 | |
| CN112183896B (zh) | 一种地区电网检修计划智能辨识及辅助编制方法 | |
| KR20180056900A (ko) | 프로세스마이닝을 이용한 공정 관리 방법 | |
| US11340562B2 (en) | Self-adaptive configuration method and system for linkage response of construction type, motion type, control type and optimization type | |
| CN117993556A (zh) | 一种智能化生态环境分区管控系统 | |
| CN117522084B (zh) | 一种自动化混凝土灌浆调度系统 | |
| CN117709617A (zh) | 一种基于mes的生产车间智能排程系统 | |
| CN116466672B (zh) | 基于人工智能的数据中心机房参数调控方法及相关装置 | |
| CN112183895B (zh) | 一种地区电网检修计划智能辨识及辅助编制系统 | |
| CN112734284A (zh) | 一种流程工业能耗优化决策系统及其在异常工况下提高评估结果准确度的操作方法 | |
| CN110555058A (zh) | 基于改进决策树的电力通信设备状态的预测方法 | |
| CN114036452A (zh) | 一种应用于离散型生产线的产能评估方法 | |
| CN117666367A (zh) | 煤矿井下机械远程控制方法及系统 | |
| CN118172040A (zh) | 一种数字孪生变电站智能运维系统及方法 | |
| CN117076077A (zh) | 基于大数据分析的计划调度优化方法 | |
| CN117649027B (zh) | 基于智慧车站的数据处理方法及系统 | |
| CN117557009B (zh) | 一种电源效率监测方法及系统 | |
| CN118095707A (zh) | 一种基于互联网的充电站智能监控管理系统及方法 | |
| CN118244729B (zh) | 基于mes的生产车间动态管理方法与系统 | |
| CN117972827A (zh) | 一种高层厂房的空间布局方法 | |
| CN113222339B (zh) | 基于计量全景数据的同类型企业用能差异分析方法及系统 | |
| CN112417647A (zh) | 一种基于直觉梯形模糊数和ahp-熵权法的数控机床可靠性分配方法 | |
| CN118014165B (zh) | 锂离子电池生产的溯源管理方法及系统 | |
| CN118013253B (zh) | 一种混合型虚拟电厂智能负荷管理方法及系统 |
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 |