CN109523136A - 一种面向智能制造的调度知识管理*** - Google Patents
一种面向智能制造的调度知识管理*** Download PDFInfo
- Publication number
- CN109523136A CN109523136A CN201811269262.2A CN201811269262A CN109523136A CN 109523136 A CN109523136 A CN 109523136A CN 201811269262 A CN201811269262 A CN 201811269262A CN 109523136 A CN109523136 A CN 109523136A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- knowledge
- sample
- control
- scheduling knowledge
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000009412 basement excavation Methods 0.000 claims abstract description 6
- 230000004044 response Effects 0.000 claims abstract description 4
- 238000007726 management method Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000009826 distribution Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 241001106462 Ulmus Species 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000004377 microelectronic Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 206010021703 Indifference Diseases 0.000 description 1
- 241000131894 Lampyris noctiluca Species 0.000 description 1
- 241001114959 Ulmus procera Species 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000021050 feed intake Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种面向智能制造的调度知识管理***,包括:调度知识学习模块,由数据驱动,用于对调度数据样本进行知识挖掘,获得调度知识;调度知识应用模块,在接收到调度请求时响应,用于调用所述调度知识生成与智能车间生产状态相匹配的调度策略,并获得调度结果;调度知识在线评估模块,在获得调度结果后响应,用于根据所述调度结果,判断调度知识有效性;调度知识更新模块,在判定调度知识失效时响应,用于应用在线学习方法,在增加更新样本的基础上对调度知识进行调整。与现有技术相比,本发明能更好地提高调度知识的适应性,确保调度有效性,并具有可持续优化智能车间整体性能的优势。
Description
技术领域
本发明涉及智能制造领域,尤其是涉及一种面向智能制造的调度知识管理***。
背景技术
在智能车间中,由于物联网技术和各种信息***的广泛应用,如企业资源计划***(Enterprise Resource Planning,ERP)、制造执行***(Manufacturing ExecutionSystem,MES)、质量控制***(Quality Control System,QCS)等,存储了越来越多的数据。这些数据中也包含了与生产运营相关的信息,反映了智能车间的运行情况,蕴藏着丰富的生产调度知识,采用数据挖掘技术可以从数据中提取出与车间运作相关的调度知识,并可将其应用于智能车间运营决策中,指导车间运行,以提高智能车间的自适应性。
中国专利“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”(专利公开号:CN 107767022A)发明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,该方法基于Multi-Pass算法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***均通过时间为调度目标的微电子生产线调度问题上可以产生较好的调度效果。
不难看出,依据调度知识可以指导生产,获得良好的调度效果。在人工调度中,调度决策会随着产品的种类、车间设备的运行负荷、订单交货期、车间中的在制品数量等信息而动态变化,同样,对于由机器学习生成的调度知识,也有同样的要求。而在智能车间中,生产是随着市场的需求动态变化的,因此,调度知识也需要是动态的,这也意味着,若智能车间状态发生较大变化,先前生成的调度知识的训练样本未能涵盖当前生产状态(包括产品种类和设备等因素),则调度知识无法匹配当前生产环境,那么,通过调度知识应用模块获得的调度策略也不能满足调度目标,最终无法保证车间运行性能的持续优化。为此,需要对调度知识进行全生命周期的管理,包括,调度知识的生成、调度知识的应用,调度知识的评估和调度知识的更新四个部分。但目前尚未有调度知识管理相关的文献和专利。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种面向智能制造的调度知识管理***。
本发明的目的可以通过以下技术方案来实现:
一种面向智能制造的调度知识管理***,包括:
调度知识学习模块,由数据驱动,用于对调度数据样本进行知识挖掘,获得调度知识;
调度知识应用模块,在接收到调度请求时响应,用于调用所述调度知识生成与智能车间生产状态相匹配的调度策略,并获得调度结果;
调度知识在线评估模块,在获得调度结果后响应,用于根据所述调度结果,判断调度知识有效性;
调度知识更新模块,在判定调度知识失效时响应,用于应用在线学习方法,在增加更新样本的基础上对调度知识进行调整。
进一步地,所述调度知识表征:在既定的调度目标下,生产状态与调度策略的匹配关系。
进一步地,所述调度知识学习模块中,采用极限学习机算法进行知识挖掘,学习获得调度知识。
进一步地,所述调度知识在线评估模块包括:
控制图生成单元,用于根据所述调度结果获得调度满意度,生成调度满意度控制图;
知识有效性判断单元,用于根据所述调度满意度控制图的分布情况判断调度知识是否有效。
进一步地,所述调度满意度指实际调度结果与期望调度结果的比值,表达式为:
其中,λ为调度满意度,P为实际调度结果,P′为期望调度结果。
进一步地,所述调度满意度控制图的生成过程具体为:
以多个调度满意度值作为一个样本组,计算多个样本组的平均值均值和平均极差,多个样本组的平均值组成调度满意度控制图,并设置上、下控制界限,计算公式为:
其中,分别为上、下控制界限,为样本组的平均值均值,为样本组的平均极差,σ为样本组平均值的标准差,A2为控制图系数。
进一步地,所述有效性判断单元中,当调度满意度控制图的分布情况满足以下任一条件时判定为调度知识失效:
1)样本组的平均值Xi超出控制图中的上下控制界限;
2)连续三个Xi中有两个Xi落于区域A,该区域A包括和
3)连续五个Xi中有四个Xi落于区域B,该区域B包括和
进一步地,所述调度知识在线评估模块还包括:
控制图有效性判断单元,用于记录调度知识失效次数,在连续两次发生调度知识失效时,判定调度满意度控制图失效,调用所述控制图生成单元重新生成调度满意度控制图。
进一步地,所述调度知识更新模块采用在线极限学习机算法,基于新增有更新样本的样本集,训练调整已有的调度知识。
进一步地,所述更新样本的选取方式为:以近似线性依靠条件描述新样本与原样本集的变化,当新样本与原样本线性独立时,将新样本作为更新样本。
与现有技术相比,本发明针对工业4.0环境下大数据技术在智能车间运营管理中大量应用这一趋势,提出调度知识的全生命周期管理,具有以如下有益效果:
1)本发明通过将调度知识的管理应用于智能车间运营中,对调度知识的整个生命周期进行管理,包括调度知识的学习、调度知识的应用、调度知识的在线评估以及调度知识的更新,能更好地提高调度知识的适应性,确保调度有效性,可持续优化智能车间整体性能。
2)本发明通过控制图来分析智能车间在应用调度知识后的调度满意度,判断调度过程是否受控,实现调度知识的在线评估,直观,有效。
3)本发明应用近似线性依靠(ALD)选择用于调度知识更新的新样本数据,同时采用在线学习算法,更新已有的调度知识,提高了调度知识的适应性。
4)本发明对解决数据驱动的智能车间运作具有重要的应用价值,对提高智能车间的生产管理水平具有重要的指导意义。
附图说明
图1为本发明的结构示意图;
图2为本发明实施例中调度知识更新对瓶颈设备等待队长的影响;
图3为本发明实施例中调度知识更新对生产率的影响;
图4为本发明实施例中调度知识更新对日均移动步数的影响;
图5为本发明实施例中调度满意度控制图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本发明提供一种面向智能制造的调度知识管理***,包括调度知识学习模块、调度知识应用模块、调度知识在线评估模块和调度知识更新模块,可对调度知识实现全生命周期管理。调度知识学习模块由数据驱动,用于对调度数据样本进行知识挖掘,获得调度知识,调度知识表征在既定的调度目标下,生产状态与调度策略的匹配关系;调度知识应用模块在接收到调度请求时响应,用于调用所述调度知识生成与智能车间生产状态相匹配的调度策略,并获得调度结果;调度知识在线评估模块在获得调度结果后响应,用于根据所述调度结果,判断调度知识有效性;调度知识更新模块在判定调度知识失效时响应,用于应用在线学习方法,在增加更新样本的基础上对调度知识进行调整。
本实施例以Benchmark模型集为例进行说明。Benchmark模型集是由美国亚利桑那州立大学工业工程系半导体制造实验室提供的一组半导体生产线模型。该套数据全部取自真实的半导体晶圆厂,由若干半导体制造领域知名企业和学者联合发布。其中的BenchMark6模型是一个生产规模较大的一个半导体制造车间模型。该模型包含了104个设备群,228台设备,模型中有9种产品每种产品都有上百道工序,且个别工序的加工时间极其长,最长的可达到18小时,同时,该模型中还考虑了上料和下料的时间,更符合实际情况。该生产线模型规模庞大、工艺流程复杂,蕴含了丰富的数据,是一个典型的智能车间。
应用BenchMark6模型为实施对象,上述面向智能制造的调度知识管理***的工作过程如下:
步骤1,定义样本信息AP={Si,Di|Si∈Rn,Di∈Rm,i=1,2,3,…,N},其中,Si=(si,1,si,2,…,si,n)描述智能车间生产状态的生产特征;Di=(di,1,dx,2,…,di,m)描述在当前状态Si下,在满足调度目标P最优时所使用的最优调度策略。运行仿真模型,采集初始样本,并进行调度策略优化,得到上述最优样本集AP。选取工件的平均加工周期MCT、车间生产率PROD、工件日平均移动步数MDayMOV这三个性能指标作为调度优化目标,样本信息中的生产状态信息S定义见表1。
表1 BenchMark6样本信息中生产状态S定义
步骤2,调度知识学习模块根据智能车间的调度目标,对样本进行离线学习,得到相应的调度知识。根据不同调度目标下的最优样本集,采用ELM算法,以表征生产状态的生产特征S为输入,表征调度策略的D为输出,训练学习,获取生产状态与调度策略的匹配关系,即ELM模型,该模型即为所学习获得的调度知识。应用调度知识,即可得到该调度目标下的最优调度策略。不同调度目标下的调度知识即可组成调度知识库。
采用所述极限学习机算法学习获得调度知识的具体过程为:
1a)设置参数k为加入训练的训练样本批次,此时对初始样本进行训练,即k=0;
1b)选择N0个初始样本(Xi,Yi),其中输入Xi=[xi1,xi2,...xin]T∈Rn为生产状态Si,输出Yi=[yi1,yi2,...yim]T∈Rm为调度策略Di,给定隐层节点个数L,初始化网络参数(Wi,bi),i=1,2,...L,其中,Wi=[wi1,wi2…win]T为第i个隐层节点与输入节点的权重向量,bi为第i个隐层节点的偏置;
1c)计算初始隐层输出矩阵H0,其中G(x)为激励函数:
1d)计算初始输出权重其中
1e)学习得到的调度知识KP:f(X)=H0·β0。
基于ELM算法挖掘调度数据中的调度知识,其具体过程为:
2a)产生训练集和测试集。将样本集分为训练样本集和测试样本集,其中训练样本集用来训练学习调度知识,测试样本集评价所学习得到的调度知识;
2b)调度知识的学习。应用训练样本学习调度知识(即建立ELM模型),生产状态集S作为输入,调度策略D为输出;
2c)用测试样本对学习到的调度知识进行测试,分析测试结果,评价所建立的模型效果。
步骤3,调度知识应用模块应用调度知识对车间进行在线调度。以4小时为采样周期,采集车间的生产状态,应用调度知识获取调度策略,运行调度策略,以一个周期的车间生产性能作为调度结果,来判定调度知识的有效性。记录智能车间一个周期后的生产性能;同时,通过仿真模型得到期望生产性能,调度知识在线评估模块根据记录的实际生产性能和期望生产性能计算每个周期的调度满意度。
所述调度满意度指实际调度结果与期望调度结果的比值,期望调度结果可通过预测或仿真获得,表达式为:
其中,λ为调度满意度,反映了调度知识对当前智能车间生产状态的适用性,P为实际调度结果,P′为期望调度结果。
步骤5,调度知识在线评估模块采用控制图分析调度满意度是否可控(调度知识是否失效),对所记录数据进行分析。
调度满意度控制图的绘制过程是:采集n个样本组,每组样本的容量为4,即将四个调度满意度值合为一个样本组,计算每个样本组的平均值与极差:
Ri=样本组内最大值-样本组内最小值
计算所有样本组平均值的均值以及样本组平均极差
绘制控制图,中心线是样本组平均值的均值,上下控制界限与中心线的距离是样本平均值的标准差σ的3倍,计算公式为:
中心线:
上控制界限:
下控制界限:
其中A2是控制图系数,取自控制图系数表(如表2),取值与样本容量有关。表2控制图系数表(Wayne C.Turner,Joe H.Mize著,张绪柱译,《工业工程概论》,
清华大学出版社,2007)
如表3所示,当调度满意度控制图的分布情况满足以下任一条件时判定为调度知识失效:
1)样本组的平均值Xi超出控制图中的上下控制界限;
2)连续三个Xi中有两个Xi落于区域A,该区域A包括和
3)连续五个Xi中有四个Xi落于区域B,该区域B包括和
表3调度知识更新准则
调度知识在线评估模块还根据调度知识更新的频次判定控制图是否失效,具体为:当连续两次发生调度知识更新时,可判定控制图失效,需要重新绘制控制图,如表4所示。
表4控制图更新准则
表5样本的实际生产率、期望生产率及调度满意度
表5是40条数据记录,包括实际生产率、期望生产率和调度满意度,样本容量定为4,将40条样本确定为10个样本组。查找控制图系数表(表2),此时A2=0.729,根据记录的数据,分别计算控制图的中心线以及上下控制界限,为:
样本组调度满意度均值的平均值为:
样本组调度满意度均值的极差为:
中心线:
上控制界限:
下控制界限:
图5即为所绘控制图,当样本满足表3调度知识的更新准则时,则需要调度知识的更新;当满足表4控制图的更新准则时,对控制图也进行更新。从图5中可以看出前9组样本的均值均在上下控制界限内,不满足表4所述的所有控制图更新准则,表明当前调度知识适用于车间生产状态,不需进行调度知识的更新;而如图5所示第10组样本的均值超出了控制图的下界限,满足调度知识的更新准则,说明当前调度知识与此时的车间生产状态不匹配,需要更新调度知识。
步骤6,判断调度知识失效时,采用近似线性依靠(Approximate lineardependence,ALD)方法获取更新样本,采用ELM的增量式学习算法,即在线极限学习机算法(Online Sequential Extreme Learning Machine,OS-ELM)方法对新样本进行学习,更新调度知识,采用更新后的调度知识继续指导生产调度。
更新样本的选取方式为:以近似线性依靠条件描述新样本与原样本集的变化,当新样本与原样本线性独立时,将新样本作为更新样本。ALD值定义为:
其中,xl为训练样本,即步骤2所述的训练样本,q为样本数,xq+1为新样本,ν为指定阈值,αq+1=[α1 α2… αq]T为权值系数。当近似误差小于阈值ν时,代表新样本与原始样本是线性依靠的,即可以通过原样本线性表示,则不可以作为更新样本。反之说明新样本与原样本是线性独立的,可以作为更新样本。
在线极限学习机算法对现有调度知识KP:f(X)进行调整,具体为:
6a)对于新加入的第k+1批样本数据(Xk+1,Yk+1),计算隐层输出矩阵Hk+1
6b)更新输出权重βk+1:
6c)令k=k+1,继续增量学习直到训练样本训练结束得到输出权重β。即得到更新后的调度知识KP:f(X)=H·β。
分别将调度知识进行在线更新及不进行在线更新的调度方法,应用于BenchMark6模型中,比较两种不同的方式下的调度结果。
调度知识的在线更新是指在调度过程中,采用近似线性依靠(ALD)方法获取新样本,并应用在线极限学习机(OS-ELM)方法学习新的样本数据,以调整已有的调度知识,并采用更新后的调度知识指导生产,即调度知识是动态更新的。
调度知识的不在线更新是指从离线数据中学习调度知识,并应用于智能车间调度过程中,且在整个调度过程中,调度知识不调整,即调度知识是静态固定的。
智能车间运行条件如下:两种方式所作用的智能车间运行条件及设备情况均相同,把整个智能车间运行分为两个时间区,每个时间区包含50个采样周期,每个采样周期间隔为4小时。根据BenchMark6的特点,其生产线上有9种产品,产品的数量及混合比都会影响智能制造车间的运行,在时间区1,设置9种产品每天每种产品投料数为1个;在时间区2,设置每种产品的投料数在[0,3]之间随机分布。分别采用在线更新的调度知识和静态固定的调度知识对BenchMark6进行生产调度,并记录相应的生产性能,结果如图2-图4所示。
分析调度结果,应用在线更新的调度知识进行生产调度,所产生的瓶颈设备等待队长平均值为12.366lot,生产率为6.11Lot/天,日均移动步数为1743.3步。采用静态固定的调度知识进行生产调度,所产生的瓶颈设备等待队长平均值为12.996Lot,生产率为6.01Lot/天,日均移动步数为1720.4步。
因此,由图2-图4可知,在生产过程中,对所应用的调度知识进行更新,即采用动态更新的调度知识进行生产调度,能够获得更优的生产性能。采用在线更新的调度知识进行调度,与采用静态固定的调度知识相比,瓶颈设备等待队长优化比较明显,优化了5%,生产率和日均移动步数分别优化了1.67%和1.34%。分析图2-图4中趋势,在生产过程前期,采用相同的调度知识,生产性能无差别;在生产过程后期,调度知识发生了更新,得到的调度策略不同,导致了不同的生产性能,并且,更新后的调度知识能够适应生产状态的变化,使得生产过程良好运行。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种面向智能制造的调度知识管理***,其特征在于,包括:
调度知识学习模块,由数据驱动,用于对调度数据样本进行知识挖掘,获得调度知识;
调度知识应用模块,在接收到调度请求时响应,用于调用所述调度知识生成与智能车间生产状态相匹配的调度策略,并获得调度结果;
调度知识在线评估模块,在获得调度结果后响应,用于根据所述调度结果,判断调度知识有效性;
调度知识更新模块,在判定调度知识失效时响应,用于应用在线学习方法,在增加更新样本的基础上对调度知识进行调整。
2.根据权利要求1所述的面向智能制造的调度知识管理***,其特征在于,所述调度知识表征:在既定的调度目标下,生产状态与调度策略的匹配关系。
3.根据权利要求1所述的面向智能制造的调度知识管理***,其特征在于,所述调度知识学习模块中,采用极限学习机算法进行知识挖掘,学习获得调度知识。
4.根据权利要求1所述的面向智能制造的调度知识管理***,其特征在于,所述调度知识在线评估模块包括:
控制图生成单元,用于根据所述调度结果获得调度满意度,生成调度满意度控制图;
知识有效性判断单元,用于根据所述调度满意度控制图的分布情况判断调度知识是否有效。
5.根据权利要求4所述的面向智能制造的调度知识管理***,其特征在于,所述调度满意度指实际调度结果与期望调度结果的比值,表达式为:
其中,λ为调度满意度,P为实际调度结果,P′为期望调度结果。
6.根据权利要求4所述的面向智能制造的调度知识管理***,其特征在于,所述调度满意度控制图的生成过程具体为:
以多个调度满意度值作为一个样本组,计算多个样本组的平均值均值和平均极差,多个样本组的平均值组成调度满意度控制图,并设置上、下控制界限,计算公式为:
其中,分别为上、下控制界限,为样本组的平均值均值,为样本组的平均极差,σ为样本组平均值的标准差,A2为控制图系数。
7.根据权利要求6所述的面向智能制造的调度知识管理***,其特征在于,所述有效性判断单元中,当调度满意度控制图的分布情况满足以下任一条件时判定为调度知识失效:
1)样本组的平均值Xi超出控制图中的上下控制界限;
2)连续三个Xi中有两个Xi落于区域A,该区域A包括和
3)连续五个Xi中有四个Xi落于区域B,该区域B包括和
8.根据权利要求4所述的面向智能制造的调度知识管理***,其特征在于,所述调度知识在线评估模块还包括:
控制图有效性判断单元,用于记录调度知识失效次数,在连续两次发生调度知识失效时,判定调度满意度控制图失效,调用所述控制图生成单元重新生成调度满意度控制图。
9.根据权利要求1所述的面向智能制造的调度知识管理***,其特征在于,所述调度知识更新模块采用在线极限学习机算法,基于新增有更新样本的样本集,训练调整已有的调度知识。
10.根据权利要求1或9所述的面向智能制造的调度知识管理***,其特征在于,所述更新样本的选取方式为:以近似线性依靠条件描述新样本与原样本集的变化,当新样本与原样本线性独立时,将新样本作为更新样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811269262.2A CN109523136A (zh) | 2018-10-29 | 2018-10-29 | 一种面向智能制造的调度知识管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811269262.2A CN109523136A (zh) | 2018-10-29 | 2018-10-29 | 一种面向智能制造的调度知识管理*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109523136A true CN109523136A (zh) | 2019-03-26 |
Family
ID=65773071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811269262.2A Pending CN109523136A (zh) | 2018-10-29 | 2018-10-29 | 一种面向智能制造的调度知识管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523136A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862326A (zh) * | 2021-02-19 | 2021-05-28 | 同济大学 | 一种基于大数据挖掘的***调度优化方法 |
US11762376B2 (en) | 2019-12-03 | 2023-09-19 | Industrial Technology Research Institute | Quick dispatching rule screening method and apparatus |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310285A (zh) * | 2013-06-17 | 2013-09-18 | 同济大学 | 可用于半导体生产线动态调度的性能预测方法 |
CN104536412A (zh) * | 2014-12-23 | 2015-04-22 | 清华大学 | 基于指标预报和解相似度分析的光刻工序动态调度方法 |
CN104766100A (zh) * | 2014-10-22 | 2015-07-08 | 中国人民解放军电子工程学院 | 基于机器学习的红外小目标图像背景预测方法与装置 |
CN105045243A (zh) * | 2015-08-05 | 2015-11-11 | 同济大学 | 一种半导体生产线动态调度装置 |
CN108492013A (zh) * | 2018-03-09 | 2018-09-04 | 同济大学 | 一种基于质量控制的制造***调度模型有效性检测方法 |
-
2018
- 2018-10-29 CN CN201811269262.2A patent/CN109523136A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310285A (zh) * | 2013-06-17 | 2013-09-18 | 同济大学 | 可用于半导体生产线动态调度的性能预测方法 |
CN104766100A (zh) * | 2014-10-22 | 2015-07-08 | 中国人民解放军电子工程学院 | 基于机器学习的红外小目标图像背景预测方法与装置 |
CN104536412A (zh) * | 2014-12-23 | 2015-04-22 | 清华大学 | 基于指标预报和解相似度分析的光刻工序动态调度方法 |
CN105045243A (zh) * | 2015-08-05 | 2015-11-11 | 同济大学 | 一种半导体生产线动态调度装置 |
CN108492013A (zh) * | 2018-03-09 | 2018-09-04 | 同济大学 | 一种基于质量控制的制造***调度模型有效性检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11762376B2 (en) | 2019-12-03 | 2023-09-19 | Industrial Technology Research Institute | Quick dispatching rule screening method and apparatus |
CN112862326A (zh) * | 2021-02-19 | 2021-05-28 | 同济大学 | 一种基于大数据挖掘的***调度优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
Liu et al. | Many-objective job-shop scheduling: A multiple populations for multiple objectives-based genetic algorithm approach | |
CN109478045A (zh) | 使用预测来控制目标*** | |
CN102402716B (zh) | 智能生产决策支持*** | |
Peng et al. | Deep reinforcement learning approach for capacitated supply chain optimization under demand uncertainty | |
Papageorgiou et al. | Application of fuzzy cognitive maps to water demand prediction | |
CN107644297B (zh) | 一种电机***节能量计算和验证方法 | |
CN108876001A (zh) | 一种基于孪生支持向量机的短期电力负荷预测方法 | |
CN109919421A (zh) | 基于vmd-pso-bpnn的短期电力负荷预测模型建立方法 | |
CN111898867B (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
Xin et al. | An adaptive BPSO algorithm for multi-skilled workers assignment problem in aircraft assembly lines | |
Tran et al. | Using Fuzzy Clustering Chaotic-based Differential Evolution to solve multiple resources leveling in the multiple projects scheduling problem | |
Wang et al. | An interoperable adaptive scheduling strategy for knowledgeable manufacturing based on SMGWQ-learning | |
CN109523136A (zh) | 一种面向智能制造的调度知识管理*** | |
US20220269835A1 (en) | Resource prediction system for executing machine learning models | |
CN108492013A (zh) | 一种基于质量控制的制造***调度模型有效性检测方法 | |
CN109919374A (zh) | 基于apso-bp神经网络的股票价格预测方法 | |
CN108829846A (zh) | 一种基于用户特征的业务推荐平台数据聚类优化***及方法 | |
Napalkova et al. | Multi-objective stochastic simulation-based optimisation applied to supply chain planning | |
Khoroshev et al. | Adaptive clustering method in intelligent automated decision support systems | |
CN110263173A (zh) | 一种快速提升文本分类性能的机器学习方法和装置 | |
Yashin et al. | Assessment of Material and Intangible Motivation of Top Management in Regions Using Multipurpose Genetic Algorithm | |
CN115016405A (zh) | 一种基于深度强化学习的工艺路线多目标优化方法 | |
Owda et al. | Using artificial neural network techniques for prediction of electric energy consumption |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190326 |