一种生产数据驱动的动态作业车间调度规则智能选择方法技术

本发明专利技术提供了一种基于生产数据驱动的动态作业车间调度规则智能选择方法，属于制造企业作业车间排产调度应用领域，主要包括：引入Multi‑Pass算法仿真机制，建立作业车间生产调度仿真平台，生成排产调度的样本数据；对获得的样本数据作筛选，生成调度参数集；设计不同调度目标下用于调度知识学习的BP神经网络模型；提出一种改进的萤火虫算法优化BP神经网络模型的训练，获得NFA‑BP模型；将各调度目标下的NFA‑BP模型集合成一个智能调度模块，并与作业车间MES系统进行集成，指导在线调度；人工调整在线排产调度的偏差并更新调度参数集，智能调度模块进行在线优化学习；适应了真实车间生产状况的智能调度模块根据当前作业冲突决策点输出最优调度规则。

An intelligent selection method for data driven dynamic job shop scheduling rules

The invention provides a dynamic job shop scheduling rule intelligent selection method based on data driven production, which belongs to the manufacturing enterprise workshop production scheduling applications, including: the introduction of simulation mechanism of Multi Pass algorithm, the establishment of job shop production scheduling simulation platform, generation scheduling scheduling data; screening of sample data the generation scheduling parameters set; BP neural network model for scheduling knowledge learning design under different scheduling objectives; put forward an optimized BP neural network model firefly algorithm improved the training, winning the NFA BP model; NFA BP model the scheduling objectives set into an intelligent scheduling module, and integration with the MES system of job shop scheduling, online instruction; Online scheduling scheduling deviation manually adjust and update the scheduling parameters set, intelligent scheduling module On-line optimization learning is carried out, and the intelligent scheduling module adapts the actual production situation of the workshop to output the optimal scheduling rule according to the current job conflict decision point.

【技术实现步骤摘要】
一种生产数据驱动的动态作业车间调度规则智能选择方法
本专利技术涉及制造企业作业车间排产调度技术应用领域，更具体地，涉及到一种生产数据驱动的动态作业车间调度规则智能选择方法。
技术介绍
作业车间调度问题(JSP)是最重要的生产调度问题，具有多目标性、动态随机性、计算复杂性等特点，并已被证明是NP难问题。经过几十年的发展，研究人员己经提出许多用于解决作业车间调度问题的算法，包括基于分支定界、数学规划等运筹学理论的调度方法，基于调度规则的调度方法，基于瓶颈的调度方法，基于人工神经网络、遗传算法、群体智能等智能计算理论的调度方法。在各种调度方法中，基于调度规则的调度算法以低的计算时间复杂度、便于理解等特点而广泛应用于实际生产作业调度过程中。但对于具有加工环境动态性、加工订单不确定性、设备故障不确定等综合复杂性的实际生产车间调度问题，上述己提出的调度算法和固定调度规则的方法大多基于对问题的理想化约简模型而来，故在实际应用中仍具有寻优效率低、调度性能差、调度不灵活的局限性，难以适应作业车间生产状态动态变化的情况。作业车间调度问题的特点要求调度系统能够迅速、有效地适应生产加工环境的变化，并快速合理地进行生产过程调度决策，为此须寻求一种更加先进的新方法来有效解决实际作业车间生产调度问题。随着信息技术在生产制造过程中的广泛应用，制造系统积累了大量的订单、设备、调度方案、生产状态和生产性能指标等与生产调度相关的数据，利用这些历史生产数据和实时生产数据，建立基于数据的生产过程调度方法不失为一种可行有效的技术方案，然而目前鲜有基于生产数据驱动的作业车间排产调度方法的研究成果可供实际生产选用。
技术实现思路
针对上述
技术介绍
中现有解决作业车间排产调度技术方法的不足和欠缺，本专利技术的目的是提供一种生产数据驱动的动态作业车间调度规则智能选择方法，基于生产数据驱动的生产过程调度方法首先利用已有历史调度信息获取多种调度环境下的调度知识，然后在此基础上构建基于生产数据的调度决策模块，该调度决策模块能够快速地响应新的调度环境生成新的调度方案。基于生产数据驱动的调度方法对于解决具有动态性和不确定性的作业车间调度问题具有重要意义。为了实现上述目的，本专利技术所采用的技术方案主要包括以下过程：步骤1：基于Multi-Pass算法仿真技术建立作业车间生产调度仿真平台，其中包括预置调度目标集、调度规则集和生产状态参数集，多次运行该仿真平台生成一批调度问题对应的最优调度方案集，其中包括了用于调度知识学习的样本数据集；步骤2：对获得的样本数据集进行约简和筛选处理，形成调度参数集；步骤3：设计不同调度目标下用于调度知识学习的BP神经网络模型；步骤4：提出一种改进的萤火虫算法优化BP神经网络模型的训练，获得NFA-BP模型；步骤5：将各调度目标下的NFA-BP模型集合成一个智能调度模块，并与作业车间MES系统进行集成，由MES数据API提供当前作业车间关键生产状态数据给智能调度模块，用以指导在线排产调度；步骤6：人工调整在线排产调度的偏差并适时调整调度知识库，即更新调度参数集，另外智能调度模块进行在线优化学习；步骤7：适应了真实车间生产状况的智能调度模块根据当前作业冲突决策点输出最优调度规则。在上述技术方案的基础上，步骤1中的样本数据具体包括：1)生产状态参数集数据WorkInfo-set,其中包括作业车间的加工任务信息和车间设备信息数据；2)调度规则集ScheduleRule-set；3)调度目标集SchedulePerformance-set。在上述技术方案的基础上，步骤2中对样本数据集进行约简和筛选处理主要包括：1)对生产状态参数集数据WorkInfo-set中的生产状态参数进行基于重要性权重比较的筛选处理后形成关键生产状态参数集key-WorkInfo-set,其中具体操作为：A.对状态参数做归一化处理；B.求各个状态参数的重要性权重；C.设置权重阈值θ，选取状态参数的重要性权重大于θ的状态参数获得关键生产状态参数集key-WorkInfo-set，并用主成分分析法计算WorkInfo-set中状态参数的贡献率大小以检验入选key-WorkInfo-set中参数的合理性，若偏差较大可重新取合适阈值θ进行再次生产状态参数筛选。2)对ScheduleRule-set中的调度规则进行性能评价，剔除性能较差的调度规则后形成候选规则集candidate-ScheduleRule-set,其中具体通过以下准则进行调度规则性能评价：A.基于工件流经时间方差准则，评价计算式为下式：B.基于工件交货期拖期时间方差准则，评价计算式为下式：其中，Fi表示工件i的流经时间，即工件加工的生命周期；Ti表示工件i的拖期时间，J表示工件数，i＝1,2…J。在上述技术方案的基础上，求各个生产状态参数的重要性权重通过以下算式计算获得：其中,公式说明:即为所求状态参数aj的重要性权重，aj(x)即为某个实例调度问题或某个调度目标下状态参数aj的取值，而aj∈WorkInfo-set,其中WorkInfo-set为车间生产状态参数集，Q为调度问题实例或具体调度目标组成的对象集合，表示生产状态参数aj下对象集Q中所有对象状态参数值的平均值，表示生产状态参数aj下所有对象偏离均值的程度，即在生产状态参数aj下对象集Q的分散程度，生产状态参数aj的重要性权重越大，在生产状态参数aj下对象集Q的分散程度也就越大，生产状态参数aj区分对象集Q的能力也就越大。在上述技术方案的基础上，步骤3中设计不同调度目标下用于调度知识学习的BP神经网络模型，其主要包括：1)设计BP神经网络模型为一个双隐藏层的四层前馈网络结构；2)神经网络输入层的维数根据不同调度目标下的关键生产状态参数集key-WorkInfo-set中元素个数n确定；3)神经网络输出层的维数根据训练样本中候选规则集candidate-ScheduleRule-set中元素个数m确定，输出值为＂0＂或＂1＂，值为＂1＂表示该调度规则为当前调度时刻的最优调度规则，值为＂0＂则不是，显然任何情况下只允许输出值集合有且只有一个＂1＂，并与candidate-ScheduleRule-set元素进行一一映射可得所选择的调度规则；4)神经网络隐藏层维数通过多次仿真确定，且保持前一隐藏层的维数大于后一层的维数；5)神经网络训练算法采用改进的萤火虫算法(NewFireflyAlgorithm)，神经网络的权和阈值的初值由改进的萤火虫算法(NFA)初始化确定；6)神经网络学习常数设置为η＝0.05；7)神经网络目标函数选为交叉熵函数，不要求样本具有正态分布特性，其为适用于不平衡样本的分类目标函数；8)神经网络隐藏层和输出层的传递函数选为单极性的Sigmoid函数，其函数值域为[0,1].在上述技术方案的基础上，神经网络隐藏层维数通过多次仿真确定，这具体通过以下策略实现：1)利用经验公式缩小隐藏层节点数的取值范围，S为训练样本数，n为输入层维数，C为组合数符号；2)构造初始神经网络,将隐藏层节点数区间内的整数作为隐藏层节点个数分别对训练样本进行训练；3)记录训练误差绘制成曲线图,曲线图中最低点的误差值所对应的区间内的某一值,就是理想的隐藏层维数。在上述技术方案的本文档来自技高网...

【技术保护点】
一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于，具体实现过程为：步骤1：基于Multi‑Pass算法仿真技术建立作业车间生产调度仿真平台，其中包括预置调度目标集、调度规则集和生产状态参数集，多次运行该仿真平台生成一批调度问题对应的最优调度方案集，其中包括了用于调度知识学习的样本数据集；步骤2：对获得的样本数据集进行约简和筛选处理，形成调度参数集；步骤3：设计不同调度目标下用于调度知识学习的BP神经网络模型；步骤4：提出一种改进的萤火虫算法优化BP神经网络模型的训练，获得NFA‑BP模型；步骤5：将各调度目标下的NFA‑BP模型集合成一个智能调度模块，并与作业车间MES系统进行集成，由MES数据API提供当前作业车间关键生产状态数据给智能调度模块，用以指导在线排产调度；步骤6：人工调整在线排产调度的偏差并适时调整调度知识库，即更新调度参数集，另外智能调度模块进行在线优化学习；步骤7：适应了真实车间生产状况的智能调度模块根据当前作业冲突决策点输出最优调度规则。

【技术特征摘要】
1.一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于，具体实现过程为：步骤1：基于Multi-Pass算法仿真技术建立作业车间生产调度仿真平台，其中包括预置调度目标集、调度规则集和生产状态参数集，多次运行该仿真平台生成一批调度问题对应的最优调度方案集，其中包括了用于调度知识学习的样本数据集；步骤2：对获得的样本数据集进行约简和筛选处理，形成调度参数集；步骤3：设计不同调度目标下用于调度知识学习的BP神经网络模型；步骤4：提出一种改进的萤火虫算法优化BP神经网络模型的训练，获得NFA-BP模型；步骤5：将各调度目标下的NFA-BP模型集合成一个智能调度模块，并与作业车间MES系统进行集成，由MES数据API提供当前作业车间关键生产状态数据给智能调度模块，用以指导在线排产调度；步骤6：人工调整在线排产调度的偏差并适时调整调度知识库，即更新调度参数集，另外智能调度模块进行在线优化学习；步骤7：适应了真实车间生产状况的智能调度模块根据当前作业冲突决策点输出最优调度规则。2.根据权利要求1所述一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于，步骤1中通过运行作业车间生产调度仿真平台生成的用于调度知识学习的样本数据包括：11)生产状态参数集数据,其中包括作业车间的加工任务信息和车间设备信息；12)调度规则集；13)调度目标集。3.根据权利要求1所述一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于,步骤2中对获得的样本数据集进行约简和筛选处理，形成调度参数集，其中调度参数集主要包括：21)对生产状态参数集中的生产状态参数进行基于重要性权重比较的筛选处理后形成关键生产状态参数集；22)对调度规则集中的调度规则进行性能评价，剔除性能较差的调度规则后形成候选调度规则集；其中，关键生产状态参数集定义了MES要采集的车间状态数据，而关键生产状态参数集和候选调度规则集则定义了调度知识库。4.根据权利要求3中所述一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于，21)对生产状态参数集中的生产状态参数进行基于重要性权重比较的筛选处理，主要包括：211)对状态参数做归一化处理；212)求各个状态参数的重要性权重；213)设置权重阈值θ，选取状态参数的重要性权重大于θ的状态参数进而获得关键生产状态参数集，并用主成分分析法计算生产状态参数集中状态参数的贡献率大小以检验入选关键生产状态参数集的参数合理性，如果生产状态参数集中贡献率小的参数入选关键状态参数集而贡献率大的参数没有入选关键生产状态参数集，可重新取合适阈值θ进行再次状态参数筛选。5.根据权利要求3中所述一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于，22)对调度规则集中的调度规则进行性能评价，剔除性能较差的调度规则，形成候选调度规则集，这主要通过以下准则进行评价：221)基于工件流经时间方差准则，评价计算式为下式：222)基于工件交货期拖期时间方差准则，评价计算式为下式：其中，Fi表示工件i的流经时间，即工件加工的生命周期；Ti表示工件i的拖期时间，J表示工件数，i＝1,2…J。6.根据权利要求4中所述一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于，212)求各个状态参数的重要性权重通过以下算式计算获得：其中,公式说明:即为所求状态参数aj的重要性权重，aj(x)即为某个实例调度问题或某个调度目标下状态参数aj的取值，而aj∈WorkInfo-set,其中WorkInfo-set为车间生产状态参数集，Q为调度问题实例或具体调度目标组成的对象集合，表示生产状态参数aj下对象集Q中所有对象状态参数值的平均值，表示生产状态参数aj下所有对象偏离均值的程度，即在生产状态参数aj下对象集Q的分散程度，生产状态参数aj的重要性权...

【专利技术属性】
技术研发人员：罗蓉，刘磊，尹胜，罗志勇，沈勋，耿琦琦，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆,50