【技术实现步骤摘要】
本专利技术涉及生产线加工，具体来说，涉及一种用于航空生产线工件与刀具的协同调度方法及系统。
技术介绍
1、航空制造中的工序非常多样化，涉及到金属加工、装配、涂装、检验等多个环节。每个工序都需要特定类型和规格的刀具来完成，例如钻头、刀片、螺纹刀等。这些刀具的选择和使用必须严格符合工件的要求和加工工艺，否则可能导致生产质量问题或者加工效率低下。
2、传统的调度方法通常基于静态规则和经验，例如按照工艺路线、生产订单或者固定的时间周期来安排工件和刀具的使用顺序。这种方法虽然简单易行，但往往无法灵活应对生产线上的变化和需求，导致调度效率低下。此外，由于缺乏对实时数据和需求的准确分析，传统调度方法也无法充分利用生产线资源，造成资源浪费和成本增加的问题。
3、现有技术中，出现了面向航空柔性机加生产线工件与刀具的协同调度方法，其是通过刀具流信息与加工中心刀库容量进行对比，舍弃超出加工中心刀库容量部分的排产结果，且根据排产结果生成刀具调度方案。但是现有技术还存在以下不足：在排产时考虑的是静态的刀库容量限制，未能充分考虑生产过程中的动态变化，如紧急订单插入、刀具磨损或损坏等情况，导致实际生产中的调度方案缺乏必要的灵活性。
4、针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
1、针对相关技术中的问题，本专利技术提出一种用于航空生产线工件与刀具的协同调度方法及系统，以克服现有相关技术所存在的上述技术问题。
2、为此，本专利技术采用的具体技术
3、根据本专利技术的一个方面，提供了一种用于航空生产线工件与刀具的协同调度方法，该用于航空生产线工件与刀具的协同调度方法包括以下步骤：
4、s1、收集航空生产线中设备的使用数据、环境数据以及操作员的操作数据，并使用模糊匹配技术对使用数据、环境数据及操作数据进行去重和清洗，设备包括机床、刀具及工件。
5、s2、将清洗后的数据转化为标准化数据，并根据航空生产线的特点，构建知识点描述网络。
6、s3、对知识点描述网络进行分团，识别航空生产线中的关键环节，并对关键环节进行分析，得到优化点数据。
7、s4、基于标准化数据及优化点数据，建立预测模型并对工件和刀具的使用活跃度进行预测，且利用强化学习算法对预测模型进行动态优化。
8、s5、根据预测模型的预测结果，进行航空生产线的粗粒度调度分析与细粒度调度分析，并基于细粒度调度分析的结果进行生产调度的调整。
9、进一步的，将清洗后的数据转化为标准化数据，并根据航空生产线的特点，构建知识点描述网络包括以下步骤：
10、s21、将清洗后的数据进行数据类型转换及标准化处理；
11、s22、基于生产流程获取航空生产线的若干关键环节，并获取关键环节之间的依赖关系；
12、s23、利用图论算法，将关键环节表示为节点，各个关键环节之间的依赖关系表示为边，构建出知识点描述网络。
13、进一步的，对知识点描述网络进行分团，识别航空生产线中的关键环节，并对关键环节进行分析，得到优化点数据包括以下步骤：
14、s31、预先设定分团标准，并识别知识点描述网络中连接数大于预设数量阈值的节点团体；
15、s32、在知识点描述网络中执行分团操作，并将知识点描述网络划分为若干个紧密相关的子团；
16、s33、基于分团结果，识别每个子团中关键环节的数据需求，并基于数据需求收集实时和历史数据；
17、s34、利用相关性分析法分析不同子团及子团内部节点之间的相关性，识别影响生产效率的关键因素；
18、s35、根据影响生产效率的关键因素得到优化点数据。
19、进一步的，基于标准化数据及优化点数据，建立预测模型并对工件和刀具的使用活跃度进行预测，且利用强化学习算法对预测模型进行动态优化包括以下步骤：
20、s41、基于标准化数据及优化点数据，选择与工件和刀具使用活跃度预测相关的特征变量；
21、s42、对特征变量进行多重共线性检验，若存在共线性问题，则调整特征变量选择；
22、s43、根据被解释变量与解释变量之间的弹性关系，设定预测模型；
23、s44、使用普通最小二乘法估计预测模型参数，且预测模型参数反映当解释变量变百分之一时，被解释变量的百分比变化；
24、s45、根据预测模型的初步结果，利用强化学习算法动态优化预测模型参数。
25、进一步的，基于标准化数据及优化点数据，选择与工件和刀具使用活跃度预测相关的特征变量包括以下步骤：
26、s411、在标准化数据及优化点数据中利用统计方法初步筛选出与工件、刀具使用活跃度之间的相关性大于预设的相关性阈值的特征；
27、s412、利用梯度提升机评估各个特征的重要性；
28、s413、根据重要性评估，选择重要性大于预设的重要性阈值的特征。
29、进一步的，根据被解释变量与解释变量之间的弹性关系，设定预测模型时，预测模型的公式为：
30、；
31、式中， ln（ y）表示被解释变量 y的自然对数；
32、 x1， x2，…， x n表示与预测工件和刀具使用活跃度相关的特征变量；
33、 n表示选定的特征变量的总数；
34、 β 0表示截距项；
35、 β1， β2，…， β n表示各个特征变量的系数；
36、表示误差项。
37、进一步的，根据预测模型的初步结果，利用强化学习算法动态优化预测模型参数包括以下步骤：
38、s451、获取预测模型的当前性能指标，并构建目标函数；
39、s452、创建模拟环境，并模拟预测模型在不同参数设置下的性能；
40、s453、构建决策网络及价值网络，决策网络用于生成优化动作，价值网络用于估算当前决策的价值，且选择深度确定性策略梯度算法处理连续动作空间，用于模型参数的连续调整；
41、s454、基于被解释变量及解释变量构建训练数据集和测试数据集，且通过与模拟环境的交互，交替训练决策网络及价值网络，不断更新决策网络及价值网络参数；
42、s455、使用价值网络评估当前决策的效果，并根据评估结果调整决策网络，生成优本文档来自技高网...
【技术保护点】
1.一种用于航空生产线工件与刀具的协同调度方法，其特征在于，该用于航空生产线工件与刀具的协同调度方法包括以下步骤：
2.根据权利要求1所述的一种用于航空生产线工件与刀具的协同调度方法，其特征在于，所述将清洗后的数据转化为标准化数据，并根据航空生产线的特点，构建知识点描述网络包括以下步骤：
3.根据权利要求2所述的一种用于航空生产线工件与刀具的协同调度方法，其特征在于，所述对知识点描述网络进行分团，识别航空生产线中的关键环节，并对关键环节进行分析，得到优化点数据包括以下步骤：
4.根据权利要求3所述的一种用于航空生产线工件与刀具的协同调度方法，其特征在于，所述基于标准化数据及优化点数据，建立预测模型并对工件和刀具的使用活跃度进行预测，且利用强化学习算法对预测模型进行动态优化包括以下步骤：
5.根据权利要求4所述的一种用于航空生产线工件与刀具的协同调度方法，其特征在于，所述基于标准化数据及优化点数据，选择与工件和刀具使用活跃度预测相关的特征变量包括以下步骤：
6.根据权利要求5所述的一种用于航空生产线工件与刀具的协同调度方法
7.根据权利要求6所述的一种用于航空生产线工件与刀具的协同调度方法，其特征在于，所述根据预测模型的初步结果，利用强化学习算法动态优化预测模型参数包括以下步骤：
8.根据权利要求7所述的一种用于航空生产线工件与刀具的协同调度方法，其特征在于，所述通过与模拟环境的交互，交替训练决策网络及价值网络，不断更新决策网络及价值网络参数包括以下步骤：
9.根据权利要求8所述的一种用于航空生产线工件与刀具的协同调度方法，其特征在于，所述根据预测模型的预测结果，进行航空生产线的粗粒度调度分析与细粒度调度分析，并基于细粒度调度分析的结果进行生产调度的调整包括以下步骤：
10.一种用于航空生产线工件与刀具的协同调度系统，用于实现权利要求1-9任一项所述的用于航空生产线工件与刀具的协同调度方法，其特征在于，该用于航空生产线工件与刀具的协同调度系统包括数据收集模块、网络构建模块、优化点获取模块、预测模型优化模块及生产调度模块；
...【技术特征摘要】
1.一种用于航空生产线工件与刀具的协同调度方法，其特征在于，该用于航空生产线工件与刀具的协同调度方法包括以下步骤：
2.根据权利要求1所述的一种用于航空生产线工件与刀具的协同调度方法，其特征在于，所述将清洗后的数据转化为标准化数据，并根据航空生产线的特点，构建知识点描述网络包括以下步骤：
3.根据权利要求2所述的一种用于航空生产线工件与刀具的协同调度方法，其特征在于，所述对知识点描述网络进行分团，识别航空生产线中的关键环节，并对关键环节进行分析，得到优化点数据包括以下步骤：
4.根据权利要求3所述的一种用于航空生产线工件与刀具的协同调度方法，其特征在于，所述基于标准化数据及优化点数据，建立预测模型并对工件和刀具的使用活跃度进行预测，且利用强化学习算法对预测模型进行动态优化包括以下步骤：
5.根据权利要求4所述的一种用于航空生产线工件与刀具的协同调度方法，其特征在于，所述基于标准化数据及优化点数据，选择与工件和刀具使用活跃度预测相关的特征变量包括以下步骤：
6.根据权利要求5所述的一种用于航空生产线工件...
【专利技术属性】
技术研发人员：顾志忠，梁仕利，顾鼎顶，杨勇，
申请(专利权)人：恒诚航空科技南通有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。