基于工时预测的机械零件生产调度方法技术

本发明专利技术公开一种基于工时预测的机械零件生产调度方法，其步骤为：1、生成机械零件数控加工数据集；2、对机械零件数控加工数据集进行预处理；3、生成训练集和测试集；4、以训练集训练机器学习、深度学习模型并通过测试集确定零件数控加工工时预测模型；5、利用该模型预测待排产零件的数控加工工时，以预测工时修正待排产零件的生产排程数据集；6、构建机械零件生产调度优化模型；7、利用离散粒子群算法对生产调度优化模型求解，得到待排产机械零件的生产排程计划。本发明专利技术能够在保证车间生产效率的同时获得与实际生产情况相近的生产排程计划。获得与实际生产情况相近的生产排程计划。获得与实际生产情况相近的生产排程计划。

【技术实现步骤摘要】
基于工时预测的机械零件生产调度方法


[0001]本专利技术属于机械
，更进一步涉及机械制造
中的一种基于工时预测的机械零件生产调度方法。本专利技术可用于优化机械零件作业车间中零件生产排程计划。

技术介绍

[0002]机械零件是构成机械的基本元件，是组成机械和机器的不可分拆的单个制件。伴随着各行业的不断发展，各类机械零件的需求量也急剧上升，而如何提高机械零件例如机械零件的生产效率、缩短制造周期、降低生产成本已经成为机械制造企业面临的问题。由于机械零件种类繁多、工序复杂，所以需要机械零件生产车间合理组织生产活动，而生产排程计划用于指导生产车间组织生产，其制定是否合理直接影响着车间的生产效率以及零件的制造成本。在众多影响车间调度的因素中，工时是最直接也是最重要的影响因素。为了简化这些问题，通常假定工序具有确定的工时，由此得到的生产排程计划可能与实际生产情况产生较大的偏差，使得实际生产中需要频繁进行重调度，导致调度效率低下。产生这种调度效率低下的原因是生产排程计划中忽略了实际加工中存在的扰动因素对机械零件加工工时的影响，由此求解车间生产排程计划无法贴近车间的实际生产情况。
[0003]李思远在其发表的论文“机械底盘工件生产车间调度方法研究”(哈尔滨理工大学硕士论文2021年)中提出了一种机械零件生产车间生产过程中机械底盘工件生产车间的工序调度方法。该方法的实现步骤为：第一，对机械底盘零件进行聚类并利用遗传算法对机械底盘零件进行排料；第二，建立机械底盘工件的异速并行机调度数学模型，采用改进的非支配排序遗传算法得到原始调度方案；第三，当扰动事件发生时，计算重调度需度，并判断是否进行重调度以调整调度方案。该方法考虑了底盘机械零件生产车间生产过程中机床故障、紧急订单等不确定因素，使得生产车间生产排程计划制定更加符合实际生产需求。但是，该方法仍然存在的不足之处是，在其所建立的异速并行机调度数学模型中假设零件加工工时服从均匀分布，并未考虑实际加工中零件工时受到设备、数控加工程序等因素的影响，导致求解的生产排程计划与实际生产情况产生较大的偏差，使得实际生产中需要频繁进行重调度，进而降低了车间的生产效率。
[0004]对采用数控加工的机械零件，其生产调度方案的优劣非常依赖于零件数控加工程序解析的准确性，而现有的数控程序解析软件通常是根据刀具的更换来划分加工工序，对于加工工序繁多且存在同一把刀具加工多道工序的机械零件而言，采用数控程序解析软件的方法难以正确划分零件的加工工序，进而影响机械零件的生产调度。

技术实现思路

[0005]本专利技术的目的在于针对上述现有技术的不足，提出一种基于工时预测的机械零件生产调度方法，用以解决机械零件车间实际生产中频繁重复调度，导致车间生产效率较低的问题。
[0006]实现本专利技术目的的思路是：本专利技术采集机械零件的数控加工数据和车间生产数
据，解析机械零件的数控加工数据，得到加工工序样本数据，然后对加工工序样本数据和车间生产数据分别作不同预处理，得到已生产零件的工时预测数据集和待排产零件的工时预测数据集、生产排程数据集。本专利技术采用随机森林、弹性网络、随机递归消除等算法，从历史工时预测数据集中提取关键特征数据集，再利用该关键特征数据集分别训练机器学习模型、深度学习模型，以模型计算的零件加工工时修正生产排程数据集。以最小化最大完工时间为目标，建立机械零件的生产调度优化数学模型。将修正后的生产排程数据集输入生产调度优化数学模型，并采用离散粒子群算法对模型进行求解，得到最优的生产排程方案，以此解决机械零件车间实际生产中频繁重复调度，导致车间生产效率较低的问题。
[0007]为了实现上述目的，本专利技术技术方案的步骤包括如下：
[0008]步骤1，生成机械零件数控加工数据集：
[0009]步骤1.1，收集最近3个月的机械零件数控加工工序文件至少20份；
[0010]步骤1.2，采用下述提取方法，提取每个数控加工工序文件的加工特征信息，得到至少300个加工工序样本数据的机械零件数控加工数据集；
[0011]所述提取方法的步骤如下：
[0012]第一步，以设置刀具起始点的数控加工程序代码为分界点，划分零件加工工序；具体方法为：逐行读取数控加工工序文件的内容并对其进行判断，判断方法为对比当前内容是否与设置刀具起始点的数控加工程序代码相符，相符则代表当前代码为该加工工序的起始代码，而两个起始代码间的程序代码即为一道工序的数控程序代码；
[0013]第二步，以数控程序中的功能字为标识得到每道工序的数控程序代码的加工特征信息形成一个加工工序样本数据并缓存于计算机内存中；
[0014]步骤2，预处理机械零件数控加工数据：
[0015]步骤2.1，对机械零件数控加工数据集依次进行异常值处理、独热编码处理和归一化处理，得到数控加工工时预测数据集；
[0016]步骤2.2，使用随机森林算法，计算步骤1生成的机械零件数控加工数据集中每个加工工序特征的重要度得分，将所有重要度得分按照降序排列，选取前5的加工工序特征组成第一个工时关键影响因素集；
[0017]步骤2.3，使用弹性网络算法，计算步骤1生成的机械零件数控加工数据集中每个加工工序特征与零件工时的相关系数，对所有相关系数按照降序排列，选择前5的加工工序特征组成第二个工时关键影响因素集；
[0018]步骤2.4，使用特征递归消除算法，将步骤1生成的机械零件数控加工数据集中的所有加工工序特征组成初始特征子集，递归消除当前特征重要度最低的特征直至特征子集的个数为5个，将该5个加工工序特征组成第三个工时关键影响因素集；
[0019]步骤2.5，对三个工时关键影响因素集取并集，得到数控加工工序特征并集；
[0020]步骤2.6，从数控加工工时预测数据集中提取数控加工工序特征并集中每个特征所对应的数据，得到关键特征数据集；
[0021]步骤3，生成训练集和测试集：
[0022]将关键特征数据集中的数据，按照8:2的比例随机划分为训练集和测试集；
[0023]步骤4，训练机器学习模型和深度学习模型：
[0024]步骤4.1，将训练集分别输入到随机森林模型、KNN模型，SVR模型、决策树模型和
XgBoost模型，采用最小二乘法训练这五种机器学习模型，迭代更新每种模型的参数和机械零件预测工时，直至每个模型的预测工时与训练集工时之间的最小误差小于设置的阈值，得到训练好的五种工时预测模型；
[0025]步骤4.2，将训练集输入到深度学习模型中，运用反向传播算法，迭代更新模型参数，直至满足迭代终止条件，得到训练好的DNN工时预测模型；
[0026]步骤5，确定零件数控加工工时预测模型：
[0027]将测试集分别输入到六个训练好的工时预测模型中，分别计算每个模型的预测工时与测试集工时之间的均方根误差和平均绝对误差，分别取均方根误差和平均绝对误差中每种误差中的最小值对应的模型，作为零件数控加工工时预测模型；
[0028]步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于工时预测的机械零件生产调度方法，其特征在于，以设置刀具起始点的数控加工程序代码为分界点，划分机械零件的加工工序，以预测的工时修正待排产零件的生产排程数据集，将修正后的待排产零件的生产排程数据集输入生产调度优化模型，该方法的步骤包括如下：步骤1，生成机械零件数控加工数据集：步骤1.1，收集最近3个月的机械零件数控加工工序文件至少20份；步骤1.2，采用下述提取方法，提取每个数控加工工序文件的加工特征信息，得到至少300个加工工序样本数据的机械零件数控加工数据集；所述提取方法的步骤如下：第一步，以设置刀具起始点的数控加工程序代码为分界点，划分零件加工工序；具体方法为：逐行读取数控加工工序文件的内容并对其进行判断，判断方法为对比当前内容是否与设置刀具起始点的数控加工程序代码相符，相符则代表当前代码为该加工工序的起始代码，而两个起始代码间的程序代码即为一道工序的数控程序代码；第二步，以数控程序中的功能字为标识得到每道工序的数控程序代码的加工特征信息形成一个加工工序样本数据并缓存于计算机内存中；步骤2，预处理机械零件数控加工数据：步骤2.1，对机械零件数控加工数据集依次进行异常值处理、独热编码处理和归一化处理，得到数控加工工时预测数据集；步骤2.2，使用随机森林算法，计算步骤1生成的机械零件数控加工数据集中每个加工工序特征的重要度得分，将所有重要度得分按照降序排列，选取前5的加工工序特征组成第一个工时关键影响因素集；步骤2.3，使用弹性网络算法，计算步骤1生成的机械零件数控加工数据集中每个加工工序特征与零件工时的相关系数，对所有相关系数按照降序排列，选择前5的加工工序特征组成第二个工时关键影响因素集；步骤2.4，使用特征递归消除算法，将步骤1生成的机械零件数控加工数据集中的所有加工工序特征组成初始特征子集，递归消除当前特征重要度最低的特征直至特征子集的个数为5个，将该5个加工工序特征组成第三个工时关键影响因素集；步骤2.5，对三个工时关键影响因素集取并集，得到数控加工工序特征并集；步骤2.6，从数控加工工时预测数据集中提取数控加工工序特征并集中每个特征所对应的数据，得到关键特征数据集；步骤3，生成训练集和测试集：将关键特征数据集中的数据，按照8:2的比例随机划分为训练集和测试集；步骤4，训练机器学习模型和深度学习模型：步骤4.1，将训练集分别输入到随机森林模型、KNN模型，SVR模型、决策树模型和XgBoost模型，采用最小二乘法训练这五种机器学习模型，迭代更新每种模型的参数和机械零件预测工时，直至每个模型的预测工时与训练集工时之间的最小误差小于设置的阈值，得到训练好的五种工时预测模型；步骤4.2，将训练集输入到深度学习模型中，运用反向传播算法，迭代更新模型参数，直至满足迭代终止条件，得到训练好的DNN工时预测模型；
步骤5，确定零件数控加工工时预测模型：将测试集分别输入到六个训练好的工时预测模型中，分别计算每个模型的预测工时与测试集工时之间的均方根误差和平均绝对误差，分别取平均绝对误差和均方根误差中每种误差中的最小值对应的模型，作为零件数控加工工时预测模型；步骤6，利用零件数控加工工时预测模型预测待排产零件数控加工工时：收集待排产机械零件的数控加工工序文件，并采用与步骤1和步骤2相同的处理方法，得到待排产机械零件的数控加工工时预测数据集，将待排产的机械零件的数控加工工时预测数据集，输入到步骤5选定的两个零件加工工时预测模型中，输出两个不同待排产零件数控加工的预测工时；步骤7，修正零件生产排程数据集：步骤7.1，采集待排产机械零件的车间生产数据，具体包括：待排产机械零件生产订单数据、待排产机械零件工艺数据，组成待排产机械零件生产排程数据集；步骤7.2，用两个待排产零件数控加工的预测工时，分别替换待排产机械零件生产排程数据集中的工时数据，得到两个修正后的待排产机械零件生产排程数据集；步骤8，在同时满足所有约束和限制条件下，构建待排产机械零件生产调度优化模型；步骤9，利用离散粒子群算法对生产调度优化模型求解：将两个修正后的待排产机械零件生产排程数据集分别输入到生产调度优化模型中，利用离散粒子群算法对生产调度优化模型求解，得到两个不同的排产机械零件生产排程计划；步骤10，生成待排产机械零件的生产排程计划：选取两个待排产机械零件生产排程计划中最大完工时间最小的生产排程计划，作为待排产机械零件的生产排程计划。2.根据权利要求1所述的基于工时预测的机械零件生产调度方法，其特征在于，步骤1.2中所述的加工特征信息是指：刀具刀长、刀具号、加工特征、刀具在X、Y、Z三个轴方向的位移、刀具的进给速度、加工中心主轴的转速、加工循环指令、零件几何体。3.根据权利要求1所述的基于工时预测的机械零件生产调度方法，其特征在于，步骤2.1中所述的异常值处理具体方法为：分别计算待排产机械零件数控加工数据集中的每一列数据的平均值u和方差σ，遍历待排产机械零件数控加工数据集中的...

【专利技术属性】
技术研发人员：常建涛，韩来新，孔宪光，马洪波，殷磊，莫谊胜，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：