一种智能制造系统动态调度方法技术方案

本发明专利技术公开了一种智能制造系统动态调度方法，通过采用基于衰减正则化项的增量型极限学习机构建智能制造系统回归调度模型，引入了衰减正则化项实现了自适应的获取正则化系数，提高了建模精度，加快了网络的训练速度，满足了智能制造系统调度的多目标多约束的要求，为更准确地进行智能制造系统动态调度建模提供了新思路和新途径。了新思路和新途径。了新思路和新途径。

【技术实现步骤摘要】
一种智能制造系统动态调度方法


[0001]本专利技术属于复杂制造系统动态调度
，具体涉及一种智能制造系统动态调度方法。

技术介绍

[0002]智能制造系统是一种由智能机器和人类专家共同组成的人机一体化智能系统，它在制造过程中能以一种高度柔性与集成不高的方式，借助计算机模拟人类专家的智能活动进行分析、推理、判断、构思和决策等，从而取代或者延伸制造环境中人的部分脑力劳动。同时，收集、存贮、完善、共享、集成和发展人类专家的智能。
[0003]智能制造系统生产过程复杂，由多个相关联的生产过程构成。当制造过程比较平稳时，原定调度策略能够持续保证系统生产性能的优化；而当制造系统出现机器故障等扰动时，制造环境发生变化，先前采用的调度策略失效，最终无法得到期望的生产性能。因此，如何根据生产过程状态动态地确定有效的调度策略是提高智能制造系统运行性能的关键。这种根据制造系统生产状态来动态调整调度策略的方法即为智能制造系统动态调度。
[0004]数据驱动建模的方法精确度高且计算效率高，将数据驱动思想运用在生产调度领域，采用有效的方法分析累积的生产数据，提取相关知识并用于指导生产，是制造系统动态调度问题研究的重要方向。
[0005]机器学习是数据驱动建模的有效方法，基于机器学习获得的数据驱动的动态调度模型，大致可分为分类模式和回归模式两大模式，其中，分类模式是指在动态调度过程中从已有的调度策略集中选择某个调度策略来满足制造系统的调度目标；回归模式是指在动态调度过程中采用含有参数的调度策略并给定一组特定的参数值，来实现制造系统的调度目标。
[0006]智能制造系统动态调度是一个多约束、多目标的优化问题，但是，基于分类调度模型通常是以简单的启发式调度规则为调度策略，难以满足制造系统多目标多约束的要求；基于传统的极限学习机回归模型利用岭回归方法，是采用试凑法获取最优正则化系数的方式求取输出权值矩阵，但这种方法计算负担过重、计算效率低，泛化性能较差，难以满足智能制造系统的需求，因此设计高效的回归模型对智能制造系统动态调度具有十分重要的意义。

技术实现思路

[0007]有鉴于此，本专利技术提供了一种智能制造系统动态调度方法，通过采用建立的基于衰减正则化项的增量型极限学习机的智能制造系统回归调度模型，能够实时生成与生产状态相适应的调度规则权重组合，从而实现了满足多目标优化的智能制造系统的动态调度。
[0008]本专利技术提供的一种智能制造系统动态调度方法，包括以下步骤：
[0009]步骤1、采集智能制造系统生产状态与调度组合规则权重系数的历史数据形成训练样本集{X
i
,Y
i
|X
i
∈R
m
,Y
i
∈R
n
,i＝1,2,...,N}，其中，X
i
＝[x
i1
,x
i2
,...,x
im
]T
为第i个输入
表示智能制造系统的生产状态，x
im
为第m个生产状态特征；Y
i
＝[y
i1
,y
i2
,...,y
in
,...,y
iK
]T
为第i个输出表示生产状态X
i
所对应的最优调度组合规则的权重系数；y
in
为第n个调度组合规则的权重，且1≤n≤K，K为调度组合规则总数，N为所述训练样本集中样本的总数；
[0010]步骤2、基于衰减正则化项的增量型极限学习机构建智能制造系统回归调度模型，如公式(1)所示：
[0011][0012][0013][0014][0015]其中，F
n
×
N
∈R
n
×
N
为所述模型的输出矩阵，L为所述模型的隐含层节点的总数，为第i个隐含层节点的输出矩阵，W
in
×1为第i个隐含层节点的输出权值矩阵，α
i
为第i个隐含层节点所对应的衰减正则化项，i为不大于L的正整数；X
m
×
N
∈R
m
×
N
为所述模型的输入矩阵，m为输入的特征维数，为输入到第i个隐含层节点之间的输入权值矩阵，为第i个隐含层节点的偏置矩阵，和均为随机生成且保持不变；φ为非线性激活函数；λ
i
为第i个隐含层节点所对应的衰减正则化系数，c为常数，e
i
为所述模型的网络余差；为的2范数的平方；为e
i
‑1的2范数的i次方；
[0016]步骤3、采用所述步骤1生成的训练样本完成对所述智能制造系统回归调度模型的训练；
[0017]步骤4、应用中，将待调度智能制造系统的生产状态输入所述步骤3中训练得到的智能制造系统回归调度模型中，得到所述待调度智能制造系统的调度组合规则的权重系数，即为调度策略。
[0018]进一步地，所述步骤3采用基于衰减正则化系数的迭代最小二乘算法求取智能制造系统回归调度模型的隐含层节点的输出权值矩阵的方式进行训练，包括以下步骤：
[0019]步骤3.1、采用公式(2)计算第i个隐含层节点所对应的衰减正则化系数：
[0020][0021]步骤3.2、采用基于衰减正则化系数的最小二乘法计算第i个隐含层节点的输出权值矩阵，如公式(3)所示：
[0022][0023]式中，为当所述智能制造系统回归调度模型包含i
‑
1个隐含层节点时模型存
在的误差；为第i个隐含层节点的输出矩阵；W
in
×1为第i个隐含层节点的输出权值矩阵；为与的内积；
[0024]步骤3.3、采用公式(4)计算第i个隐含层节点所对应的衰减正则化项：
[0025][0026]步骤3.4、根据所述步骤3.2和3.3中计算出的所述输出权值和衰减正则化项，采用公式(5)计算模型当前的误差值：
[0027][0028]式中，表示当所述智能制造系统回归调度模型中包含i个隐含层节点时模型存在的误差，初始值为且Y
n
×
N
为所述智能制造系统回归调度模型的理想输出矩阵；
[0029]步骤3.5、令i自加1，当i≤L，执行步骤3.1；否则，则完成训练，输出全部隐含层节点的输出权值矩阵W
n
×
L
，结束本流程。
[0030]有益效果：
[0031]1、本专利技术通过采用基于衰减正则化项的增量型极限学习机构建智能制造系统回归调度模型，引入了衰减正则化项实现了自适应的获取正则化系数，提高了建模精度，加快了网络的训练速度，满足了智能制造系统调度的多目标多约束的要求，为更准确地进行智能制造系统动态调度建模提供了新思路和新途径。
[0032]2、本专利技术利用基于衰减正则化系数的迭代最小二乘算法求取隐含层节点的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能制造系统动态调度方法，其特征在于，包括以下步骤：步骤1、采集智能制造系统生产状态与调度组合规则权重系数的历史数据形成训练样本集{X
i
,Y
i
|X
i
∈R
m
,Y
i
∈R
n
,i＝1,2,...,N}，其中，X
i
＝[x
i1
,x
i2
,...,x
im
]
T
为第i个输入表示智能制造系统的生产状态，x
im
为第m个生产状态特征；Y
i
＝[y
i1
,y
i2
,...,y
in
,...,y
iK
]
T
为第i个输出表示生产状态X
i
所对应的最优调度组合规则的权重系数；y
in
为第n个调度组合规则的权重，且1≤n≤K，K为调度组合规则总数，N为所述训练样本集中样本的总数；步骤2、基于衰减正则化项的增量型极限学习机构建智能制造系统回归调度模型，如公式(1)所示：式(1)所示：式(1)所示：式(1)所示：其中，F
n
×
N
∈R
n
×
N
为所述模型的输出矩阵，L为所述模型的隐含层节点的总数，为第i个隐含层节点的输出矩阵，W
in
×1为第i个隐含层节点的输出权值矩阵，α
i
为第i个隐含层节点所对应的衰减正则化项，i为不大于L的正整数；X
m
×
N
∈R
m
×
N
为所述模型的输入矩...

【专利技术属性】
技术研发人员：邹伟东，王粲，夏元清，李慧芳，张金会，翟弟华，戴荔，刘坤，闫莉萍，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：