【技术实现步骤摘要】
本专利技术涉及工业生产，具体为面向离散制造业的多目标动态智能排产优化方法及系统。
技术介绍
1、在离散制造业中，生产排程的复杂性随着产品种类的增多和制造过程的多样化而大大增加。传统的排产方法通常采用静态规则或基于经验的调度策略，难以在实际生产过程中实时适应复杂多变的生产环境。这种方法往往忽视了多种目标的优化需求，如生产效率、成本控制、交期保证等，导致生产系统资源浪费、生产周期延长及客户满意度下降。
2、传统排程方法主要依赖于经验和简单的数学模型，难以全面获取和利用生产任务、设备状态、库存水平等关键生产要素的实时数据，无法准确预测生产过程中可能出现的交期延误、设备故障和库存短缺等问题，导致生产计划与实际执行偏差较大，缺乏对生产过程的全面感知和预测。此外，传统方法通常按照订单交期或主观经验来确定生产任务的优先级，忽略了生产任务对设备、物料、能源等生产资源的依赖关系以及潜在的风险因素，导致生产任务优先级划分不合理，无法满足实际生产需求。
3、离散制造业通常面临降低生产成本、提高产品质量、缩短生产周期等多个优化目标，传统排程方法往往只关注单一目标，缺乏对多目标之间相互制约关系的权衡，无法实现生产过程的全局最优，生产优化目标单一，难以平衡多个目标之间的冲突。此外，离散制造业生产环境复杂多变，设备状态、物料供应等因素随时间动态变化，传统的静态排产方案难以适应生产过程中的突发情况和优化目标的动态变化，导致排产方案与实际生产脱节，无法及时调整和优化生产过程，排程方案缺乏动态调整能力。
4、鉴于此，本专利技术提
技术实现思路
1、为实现上述目的，本专利技术提供面向离散制造业的多目标动态智能排产优化方法及系统，具体技术方案如下：面向离散制造业的多目标动态智能排产优化方法，包括：
2、获取生产特征数据，所述生产特征数据包括生产任务数据、生产设备数据、库存数据以及能耗数据；
3、利用历史生产特征数据，构建并训练机器学习模型进行生产预测，分别预测生产时的交期延误数据、库存短缺数据以及设备故障数据；
4、构建任务优先级计算模型，根据交期延误数据、库存短缺数据以及设备故障数据，计算生产任务优先级参数；
5、基于生产任务优先级参数为生产任务划分优化目标，构建多种生产任务优化目标，为每种生产任务优化目标创建目标函数，平衡目标函数中的生产条件冲突，根据生产任务优先级参数分配生产任务优化目标；
6、构建生产任务优先级变化策略，计算生产任务优先级变化，根据生产反馈，调整计算当前生产任务优先级参数，并根据生产任务优先级参数的变化，更新优化目标。
7、优选的，获取生产任务数据，包括生产任务开始时间，生产任务交期、生产任务数量；获取生产设备数据，包括加工能力、开机率、故障率；获取库存数据，包括当前库存量、安全库存量以及生产任务期间的需求量；获取能耗数据，包括单个设备能耗量以及能耗单价；其中，表示生产任务编号，表示设备编号，表示物料编号；
8、获取历史生产特征数据，所述历史生产特征数据包括历史生产任务数据、历史生产设备数据、历史能耗数据以及历史库存数据；根据历史生产记录数据，获取对应历史生产任务的交期延误时间、设备故障间隔时间、设备故障次数以及库存短缺次数和库存短缺数量。
9、优选的，基于长短期记忆网络lstm模型构建交期延误预测模型，所述交期延误预测模型由lstm模型的多个lstm层和全连接层组成；lstm模型最后一层全连接层的输出即为预测的交期延误时间；
10、所述交期延误预测模型的训练步骤如下：
11、将历史生产任务数据、历史生产设备数据以及历史能耗数据转化为第一时间序列数据，将第一时间序列数据作为lstm模型的输入特征；
12、根据历史生产记录数据，获取每个历史生产任务的交期延误时间作为标签；将第一时间序列数据与交期延误时间标签组合成交期延误数据集，交期延误数据集划分为交期延误训练集、交期延误验证集和交期延误测试集，使用均方误差作为损失函数，采用adam优化器训练模型；在训练过程中，根据验证集上的性能调整交期延误预测模型的超参数。
13、优选的，基于门控循环单元网络gru模型构建库存短缺预测模型，所述库存短缺预测模型由gru模型的多个gru层和全连接层组成，gru模型最后一层全连接层的输出经过sigmoid激活函数得到预测的库存短缺次数，经过relu激活函数得到预测的库存短缺数量；
14、所述库存短缺预测模型的训练步骤如下：
15、将历史库存数据、历史生产任务数据和历史生产设备数据转化为第二时间序列数据，将第二时间序列数据作为gru模型的输入特征；
16、根据历史生产记录数据，获取每个物料的库存短缺次数和短缺数量作为标签；将第二时间序列数据与库存短缺次数和短缺数量的标签组合成库存短缺数据集，将库存短缺数据集划分为库存短缺训练集、库存短缺验证集和库存短缺测试集，使用二元交叉熵损失函数优化库存短缺的预测，使用均方误差损失函数优化短缺数量的预测，采用adam优化器训练模型；在训练过程中，根据库存短缺验证集上的性能调整库存短缺预测模型的超参数。
17、优选的，基于卷积神经网络cnn模型和长短期记忆网络lstm模型的组合模型构建设备故障预测模型；
18、将历史生产设备数据和故障记录数据转化为第三时间序列数据，并使用一维卷积层提取第三时间序列数据的时间特征；然后，将卷积层的时间特征输出作为设备故障预测模型lstm层的输入，设备故障预测模型的lstm层用于捕捉第三时间序列数据的长期依赖关系；设备故障预测模型lstm层的输出经过两个并列的全连接层，用sigmoid激活函数输出预测的设备故障次数，用relu激活函数输出预测的设备故障间隔时间；
19、所述设备故障预测模型的训练步骤如下：
20、根据历史生产记录数据，获取每个设备的设备故障次数和设备故障间隔时间作为标签；将第三时间序列数据和设备故障次数以及设备故障间隔时间的标签组合为设备故障数据集，将设备故障数据集划分为设备故障训练集、设备故障验证集和设备故障测试集，使用二元交叉熵损失函数优化设备故障次数的预测，使用均方误差损失函数优化设备故障间隔时间的预测，采用adam优化器训练模型；在训练过程中，根据验证集上的性能调整设备故障预测模型的超参数。
21、优选的，构建任务优先级计算模型，根据生产任务的交期延误时间、设备故障间隔时间、设备故障次数以及库存短缺次数和库存短缺数量，计算生产任务优先级参数；对于每个生产任务，计算交期延误风险系数、设备故障风险系数以及库存短缺风险系数；
22、计算交期延误风险系数：；
23、其中，为所有生产任务交期延误时间的平均值，为所有生产任务数量的平均值；
24、计算设备故障风险系数：；
25、其中，为生产任务所需的设备集合，，为所有本文档来自技高网...
【技术保护点】
1.面向离散制造业的多目标动态智能排产优化方法，其特征在于，包括：
2.根据权利要求1所述的面向离散制造业的多目标动态智能排产优化方法，其特征在于，获取生产任务数据，包括生产任务开始时间，生产任务交期、生产任务数量；获取生产设备数据，包括加工能力、开机率、故障率；获取库存数据，包括当前库存量、安全库存量以及生产任务期间的需求量；获取能耗数据，包括单个设备能耗量以及能耗单价；其中，表示生产任务编号，表示设备编号，表示物料编号；
3.根据权利要求2所述的面向离散制造业的多目标动态智能排产优化方法，其特征在于，基于长短期记忆网络LSTM模型构建交期延误预测模型，所述交期延误预测模型由LSTM模型的多个LSTM层和全连接层组成；LSTM模型最后一层全连接层的输出即为预测的交期延误时间；
4.根据权利要求3所述的面向离散制造业的多目标动态智能排产优化方法，其特征在于，基于门控循环单元网络GRU模型构建库存短缺预测模型，所述库存短缺预测模型由GRU模型的多个GRU层和全连接层组成，GRU模型最后一层全连接层的输出经过Sigmoid激活函数得到预测的库存短缺
5.根据权利要求4所述的面向离散制造业的多目标动态智能排产优化方法，其特征在于，基于卷积神经网络CNN模型和长短期记忆网络LSTM模型的组合模型构建设备故障预测模型；
6.根据权利要求5所述的面向离散制造业的多目标动态智能排产优化方法，其特征在于，构建任务优先级计算模型，根据生产任务的交期延误时间、设备故障间隔时间、设备故障次数以及库存短缺次数和库存短缺数量，计算生产任务优先级参数；对于每个生产任务，计算交期延误风险系数、设备故障风险系数以及库存短缺风险系数；
7.根据权利要求6所述的面向离散制造业的多目标动态智能排产优化方法，其特征在于，构建多种生产任务优化目标，为每种生产任务优化目标创建目标函数，平衡目标函数中的生产条件冲突，包括：所述生产任务优化目标包括最小化生产成本、最小化产品不良率以及最小化生产任务时间；
8.根据权利要求7所述的面向离散制造业的多目标动态智能排产优化方法，其特征在于，构建生产任务优先级变化策略，计算生产任务优先级变化，根据生产反馈，调整计算当前生产任务优先级参数，包括：
9.面向离散制造业的多目标动态智能排产优化系统，其用于实现权利要求1至8任一项所述的面向离散制造业的多目标动态智能排产优化方法，其特征在于，包括：数据获取模块、生产预测模块、优先级计算模块、多目标优化模块以及优化更新模块；
...【技术特征摘要】
1.面向离散制造业的多目标动态智能排产优化方法，其特征在于，包括：
2.根据权利要求1所述的面向离散制造业的多目标动态智能排产优化方法，其特征在于，获取生产任务数据，包括生产任务开始时间，生产任务交期、生产任务数量；获取生产设备数据，包括加工能力、开机率、故障率；获取库存数据，包括当前库存量、安全库存量以及生产任务期间的需求量；获取能耗数据，包括单个设备能耗量以及能耗单价；其中，表示生产任务编号，表示设备编号，表示物料编号；
3.根据权利要求2所述的面向离散制造业的多目标动态智能排产优化方法，其特征在于，基于长短期记忆网络lstm模型构建交期延误预测模型，所述交期延误预测模型由lstm模型的多个lstm层和全连接层组成；lstm模型最后一层全连接层的输出即为预测的交期延误时间；
4.根据权利要求3所述的面向离散制造业的多目标动态智能排产优化方法，其特征在于，基于门控循环单元网络gru模型构建库存短缺预测模型，所述库存短缺预测模型由gru模型的多个gru层和全连接层组成，gru模型最后一层全连接层的输出经过sigmoid激活函数得到预测的库存短缺次数，经过relu激活函数得到预测的库存短缺数量；
5.根据权利要求4所述的面向离散制造业的多目标动态智能排产优化...
【专利技术属性】
技术研发人员：汪敏华，郑松波，冯燕，
申请(专利权)人：金华高格软件有限公司，
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。