[發(fā)明專利]一種生產數(shù)據(jù)驅動的動態(tài)作業(yè)車間調度規(guī)則智能選擇方法

有效

• 申請?zhí)枺?/td>: 201710818166.8
• 申請日: 2017-09-12
• 公開（公告）號: CN107767022B
• 公開（公告）日: 2021-07-06
• 發(fā)明（設計）人: 羅蓉;劉磊;尹勝;羅志勇;沈勛;耿琦琦
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06N3/08;G06N3/12;G06Q10/04
• 代理公司: 重慶輝騰律師事務所 50215
• 代理人: 王海軍

本發(fā)明提供了一種基于生產數(shù)據(jù)驅動的動態(tài)作業(yè)車間調度規(guī)則智能選擇方法，屬于制造企業(yè)作業(yè)車間排產調度應用領域，主要包括：引入Multi?Pass算法仿真機制，建立作業(yè)車間生產調度仿真平臺，生成排產調度的樣本數(shù)據(jù)；對獲得的樣本數(shù)據(jù)作篩選，生成調度參數(shù)集；設計不同調度目標下用于調度知識學習的BP神經(jīng)網(wǎng)絡模型；提出一種改進的螢火蟲算法優(yōu)化BP神經(jīng)網(wǎng)絡模型的訓練，獲得NFA?BP模型；將各調度目標下的NFA?BP模型集合成一個智能調度模塊，并與作業(yè)車間MES系統(tǒng)進行集成，指導在線調度；人工調整在線排產調度的偏差并更新調度參數(shù)集，智能調度模塊進行在線優(yōu)化學習；適應了真實車間生產狀況的智能調度模塊根據(jù)當前作業(yè)沖突決策點輸出最優(yōu)調度規(guī)則。

技術領域

本發(fā)明涉及制造企業(yè)作業(yè)車間排產調度技術應用領域，更具體地，涉及到一種生產數(shù)據(jù)驅動的動態(tài)作業(yè)車間調度規(guī)則智能選擇方法。

背景技術

作業(yè)車間調度問題(JSP)是最重要的生產調度問題，具有多目標性、動態(tài)隨機性、計算復雜性等特點，并已被證明是NP難問題。經(jīng)過幾十年的發(fā)展，研究人員己經(jīng)提出許多用于解決作業(yè)車間調度問題的算法，包括基于分支定界、數(shù)學規(guī)劃等運籌學理論的調度方法，基于調度規(guī)則的調度方法，基于瓶頸的調度方法，基于人工神經(jīng)網(wǎng)絡、遺傳算法、群體智能等智能計算理論的調度方法。在各種調度方法中，基于調度規(guī)則的調度算法以低的計算時間復雜度、便于理解等特點而廣泛應用于實際生產作業(yè)調度過程中。

但對于具有加工環(huán)境動態(tài)性、加工訂單不確定性、設備故障不確定等綜合復雜性的實際生產車間調度問題，上述己提出的調度算法和固定調度規(guī)則的方法大多基于對問題的理想化約簡模型而來，故在實際應用中仍具有尋優(yōu)效率低、調度性能差、調度不靈活的局限性，難以適應作業(yè)車間生產狀態(tài)動態(tài)變化的情況。作業(yè)車間調度問題的特點要求調度系統(tǒng)能夠迅速、有效地適應生產加工環(huán)境的變化，并快速合理地進行生產過程調度決策，為此須尋求一種更加先進的新方法來有效解決實際作業(yè)車間生產調度問題。

隨著信息技術在生產制造過程中的廣泛應用，制造系統(tǒng)積累了大量的訂單、設備、調度方案、生產狀態(tài)和生產性能指標等與生產調度相關的數(shù)據(jù)，利用這些歷史生產數(shù)據(jù)和實時生產數(shù)據(jù)，建立基于數(shù)據(jù)的生產過程調度方法不失為一種可行有效的技術方案，然而目前鮮有基于生產數(shù)據(jù)驅動的作業(yè)車間排產調度方法的研究成果可供實際生產選用。

發(fā)明內容

針對上述背景技術中現(xiàn)有解決作業(yè)車間排產調度技術方法的不足和欠缺，本發(fā)明的目的是提供一種生產數(shù)據(jù)驅動的動態(tài)作業(yè)車間調度規(guī)則智能選擇方法，基于生產數(shù)據(jù)驅動的生產過程調度方法首先利用已有歷史調度信息獲取多種調度環(huán)境下的調度知識，然后在此基礎上構建基于生產數(shù)據(jù)的調度決策模塊，該調度決策模塊能夠快速地響應新的調度環(huán)境生成新的調度方案。基于生產數(shù)據(jù)驅動的調度方法對于解決具有動態(tài)性和不確定性的作業(yè)車間調度問題具有重要意義。

為了實現(xiàn)上述目的，本發(fā)明所采用的技術方案主要包括以下過程：

步驟1：基于Multi-Pass算法仿真技術建立作業(yè)車間生產調度仿真平臺，其中包括預置調度目標集、調度規(guī)則集和生產狀態(tài)參數(shù)集，多次運行該仿真平臺生成一批調度問題對應的最優(yōu)調度方案集，其中包括了用于調度知識學習的樣本數(shù)據(jù)集；

步驟2：對獲得的樣本數(shù)據(jù)集進行約簡和篩選處理，形成調度參數(shù)集；

步驟3：設計不同調度目標下用于調度知識學習的BP神經(jīng)網(wǎng)絡模型；

步驟4：提出一種改進的螢火蟲算法優(yōu)化BP神經(jīng)網(wǎng)絡模型的訓練，獲得NFA-BP模型；

步驟5：將各調度目標下的NFA-BP模型集合成一個智能調度模塊，并與作業(yè)車間MES系統(tǒng)進行集成，由MES數(shù)據(jù)API提供當前作業(yè)車間關鍵生產狀態(tài)數(shù)據(jù)給智能調度模塊，用以指導在線排產調度；

步驟6：人工調整在線排產調度的偏差并適時調整調度知識庫，即更新調度參數(shù)集，另外智能調度模塊進行在線優(yōu)化學習；