CN111985162A - 一种基于深度学习的置换流水车间控制方法及*** - Google Patents
一种基于深度学习的置换流水车间控制方法及*** Download PDFInfo
- Publication number
- CN111985162A CN111985162A CN202010888345.0A CN202010888345A CN111985162A CN 111985162 A CN111985162 A CN 111985162A CN 202010888345 A CN202010888345 A CN 202010888345A CN 111985162 A CN111985162 A CN 111985162A
- Authority
- CN
- China
- Prior art keywords
- workpieces
- processing sequence
- sequence
- network model
- resnet network
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013135 deep learning Methods 0.000 title claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 255
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000003754 machining Methods 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 49
- 238000000137 annealing Methods 0.000 claims description 25
- 238000010276 construction Methods 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Manufacturing & Machinery (AREA)
- Tourism & Hospitality (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于深度学习的置换流水车间控制方法和***。该方法包括:获取关于工件加工时间的时间矩阵,生成工件的初始加工排序;构建ResNet网络模型,所述ResNet网络模型用于预测交换加工序列中相邻工件后总加工时间是否是缩短,采集历史调度数据构建训练数据集,利用所述训练数据集训练所述ResNet网络模型;利用训练好的ResNet网络模型进行预测,根据预测结果,判断是否交换该相邻工序。本发明在保证获取最优加工工序精度的同时,大幅减少控制计算时间,进而提高生产稳定性、生产效率以及产品质量,降低产品制造周期和产品成本。
Description
技术领域
本发明属于车间控制技术领域,更具体地,涉及一种基于深度学习的置换流水车间控制方法及***。
背景技术
车间控制是指如何确定车间内多个工件在多个机器上的加工顺序的问题。随着智能化和柔性化车间的推进,车间数据量越来越庞大,生产工艺越来越多样化,制造***变得越来越复杂,有效的车间控制,可以帮助提高车间生产稳定性、生产效率以及产品质量,降低产品制造周期和产品成本。
车间动态控制问题解空间庞大,同时存在大量的孤立峰区和崎岖不平的地形结构,因此该问题极难求解。当前学者们已经做了大量研究的工作,提出了一系列的优化算法。虽然退火算法等元启发式算法有一定的优势,但在大规模复杂的问题求解中,解的质量可能较差。因为以往的历史数据不能用来挖掘参数的变化规律,特别是对于大规模复杂的问题,可能无法取得良好的效果,而且计算时间呈指数增长。
利用混合算法来进行车间控制是当前研究热点。当前混合算法可分为混合智能优化算法、混合智能与精确算法(如分枝定界法等)两类,均是从智能优化算法开始搜索。由于现有智能算法较少基于问题的模型进行设计,会大量搜索问题的无用解空间,浪费计算时间,也会导致给后续算法提供的初始解质量较差。但是针对控制模型的分析较为困难,解空间地形也暂时没有合适的描述方法。
总而言之,现有的车间控制方法在如何确定最优加工顺序上仍然具有改进空间。
发明内容
针对现有技术的至少一个缺陷或改进需求,本发明提供了一种基于深度学习的置换流水车间控制方法及***,可以在保证获取最优加工工序的同时,大幅减少控制计算时间。
为实现上述目的,按照本发明的第一方面,提供了一种基于深度学习的置换流水车间控制方法,包括:
S1,采集置换流程车间的每个工件在每台机床的加工时间,形成机床、工件和工件加工时间的时间矩阵,生成工件的初始加工序列;
S2,构建ResNet网络模型,所述ResNet网络模型用于预测交换加工序列中相邻工件后总加工时间是否是缩短,采集历史调度数据构建训练数据集,利用所述训练数据集训练所述ResNet网络模型;
S3,将所述初始加工序列中任意两个相邻工件作为目标工件,利用训练好的所述ResNet网络模型预测交换所述目标工件位置后总加工时间是否缩短,若总加工时间缩短,则将交换所述目标工件;
S4,重复步骤S3,直至交换所述初始加工序列中所有相邻工件均无法缩短总加工时间,则将此时的加工序列作为最优加工序列输出,发送加工指令。
优选的,所述采集历史调度数据构建训练数据集包括步骤:从历史调度数据中提取邻域特征块,并将所述邻域特征块转换成所述ResNet网络模型可处理的图像,对所述图像进行标注。
优选的,所述ResNets网络模型包括用于不同规模预测的多个子ResNets网络,所述训练数据集包括不同规模的多个子训练数据集,所述子训练数据集和所述子ResNets网络一一对应,利用一一对应的所述子训练数据集训练所述子ResNets网络;所述步骤S1还包括采集机床数量;所述步骤S3中,所述利用训练好的所述ResNet网络模型预测为:根据所述机床数量调用对应规模的所述子ResNets网络进行预测。
按照本发明的第二方面,提供了一种基于深度学习的置换流水车间控制方法,包括:
S1,采集置换流程车间的每个工件在每台机床的加工时间,形成机床、工件和工件加工时间的时间矩阵,设置退火算法的退火参数,采用所述退火算法生成工件的初始加工序列;
S2,构建ResNet网络模型,所述ResNet网络模型用于预测交换加工序列中相邻工件后总加工时间是否是缩短,采集历史调度数据构建训练数据集,利用所述训练数据集训练所述ResNet网络模型;
S3,对所述初始加工序列进行多邻域搜索操作,生成新加工序列;
S4,将所述新加工序列中任意两个相邻工件作为目标工件,利用训练好的所述ResNet网络模型预测交换所述目标工件位置后总加工时间是否缩短,若总加工时间缩短,则将交换所述目标工件;
S5,重复步骤S4,直至交换所述新加工序列中所有相邻工件均无法缩短总加工时间,则将此时的加工序列作为最优加工序列;
S6,通过Metropolis准则判断是否将所述最优加工序列作为全局最优序列,若是,则将所述最优加工序列作为全局最优加工序列,若否,则将所述初始加工序列作为全局最优加工序列;
S7,判断是否满足所述退火算法结束条件,若满足所述退火算法结束条件,则将所述全局最优加工序列作为最终加工序列输出,发送加工指令,若不满足所述退火算法结束条件,则跳转到所述S3,用所述全局最优加工序列替换所述初始加工序列。
优选的,所述多邻域搜索操作采用二交换方式、三交换方式或点交换方式的任意一种;
所述二交换方式为:在所述初始加工序列中随机选择两个工件,颠倒该两个工件之间所有工件的顺序;
所述三交换方式为:在所述初始加工序列中随机选择三个工件,交换该三个工件之间的两段序列的位置;
所述点交换方式为:在所述初始加工序列中随机选择两个工件,交换该两个工件的位置。
按照本发明的第三方面,提供了一种基于深度学习的置换流水车间控制***,包括:
初始化模块,用于采集置换流程车间的每个工件在每台机床的加工时间,形成机床、工件和工件加工时间的时间矩阵,生成工件的初始加工序列;
ResNet网络构建模块,用于构建ResNet网络模型,所述ResNet网络模型用于预测交换加工序列中相邻工件后总加工时间是否是缩短,采集历史调度数据构建训练数据集,利用所述训练数据集训练所述ResNet网络模型;
交换模块,用于将所述初始加工序列中任意两个相邻的工件作为目标工件,利用训练好的所述ResNet网络预测交换所述目标工件位置后总加工时间是否缩短,若总加工时间缩短,则将交换所述目标工件;
输出模块,用于对所述初始加工序列中所有相邻工件利用所述交换模块进行处理,直至交换所述初始加工序列中所有相邻工件均无法缩短总加工时间,则将此时的加工序列作为最优加工序列输出,发送工件加工指令。
按照本发明的第四方面,提供了一种基于深度学习的置换流水车间控制***,包括:
初始化模块,用于采集置换流程车间的每个工件在每台机床的加工时间,形成机床、工件和工件加工时间的时间矩阵,生成工件的初始加工序列;
ResNet网络构建模块,用于构建ResNet网络模型,所述ResNet网络模型用于预测交换加工序列中相邻工件后总加工时间是否是缩短,采集历史调度数据构建训练数据集,利用所述训练数据集训练所述ResNet网络模型;
多邻域搜索操作模块,用于对所述初始加工序列进行多邻域搜索操作,生成新加工序列;
交换模块,用于将所述新加工序列中任意两个相邻的工件作为目标工件,利用训练好的所述ResNet网络预测交换所述目标工件位置后总加工时间是否缩短,若总加工时间缩短,则将交换所述目标工件;
交换输出模块,用于对所述新加工序列中所有相邻工件利用所述交换模块进行处理,直至交换所述新加工序列中所有相邻工件均无法缩短总加工时间,则将此时的加工序列作为最优加工序列;
全局最优加工序列获取模块,用于通过Metropolis准则判断是否将所述最优加工序列作为全局最优序列,若是,则将所述最优加工序列作为全局最优加工序列,若否,则将所述初始加工序列作为全局最优加工序列;
退火算法输出模块,用于判断是否满足所述退火算法结束条件,若满足所述退火算法结束条件,则将所述全局最优加工序列作为最终加工序列输出,发送加工指令,若不满足所述退火算法结束条件,则跳转到所述S3,用所述全局最优加工序列替换所述初始加工序列。
总体而言,本发明与现有技术相比,具有有益效果:
(1)利用深度学习来预测交换相邻工件后总加工时间是否最短,从而在保证获取最优加工工序的同时,大幅减少控制计算时间,进而提高生产稳定性、生产效率以及产品质量,降低产品制造周期和产品成本。另外,使得控制算法的效率大幅上升,能够去除工件数量增加带来的组合***问题,降低了对计算机性能的要求,扩大了应用范围,普适性更高。
(2)通过从时间矩阵中提取邻域特征块的方式,以邻域特征块为对象进行处理,实现对大量时间矩阵的有效处理。
(3)通过采用多邻域搜索操作的方式,避免了单一的搜寻方式易陷入局部最优解,从而避免解的质量下降的问题。
附图说明
图1为本发明实施例的控制方法流程图;
图2为本发明实施例的置换流水车间邻域结构示意图;
图3为本发明实施例的置换流水车间邻域特征块示意图;
图4为本发明另一实施例的深度学习辅助多邻域搜索示意图;
图5为本发明另一实施例的控制方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1:
置换流水车间控制方法是研究多个工件在多台机器上加工的过程。置换流水车间中,每个工件在各台机器上的加工顺序一致,同时限制每个工件只能在各台机器上加工一次,每台机器一次只能加工一个工件,各工件在各台机器上的加工时间已知。控制的最终目的是获取各工件在机器上的加工顺序,使某项优化指标达到最优。
如图1所示,本发明实施例的一种基于深度学习的置换流水车间控制方法,包括以下步骤:
S1:采集置换流水车间的每个工件在每台机床的加工时间,形成机床、工件和工件加工时间的时间矩阵,生成工件的初始加工序列;
S2:构建ResNet网络模型,该ResNet网络模型用于预测交换加工序列中相邻工件后总加工时间是否是缩短,采集历史调度数据构建训练数据集,利用训练数据集训练ResNet网络模型;
S3,将初始加工序列中任意两个相邻工件作为目标工件,利用训练好的ResNet网络模型预测交换目标工件位置后总加工时间是否缩短,若总加工时间缩短,则将交换该目标工件。
S4,重复步骤S3,直至交换该初始加工序列中所有相邻工件均无法缩短总加工时间,则将此时的加工序列作为最优加工序列输出。
下面具体介绍相关名词,以便于更好地理解本发明。
一、置换流水车间邻域定义
在置换流水车间当前的模型中,并未出现相关的邻域搜索的定义。在本发明中定义置换流水车间的邻域如下:
(1)置换流水车间邻域搜索定义
依次交换所有相邻两个工件的加工顺序,如果解的质量变好,则更新,否则继续交换下一组工件,直到序列中任意两个相邻工件交换位置,无法使得结果变好,则默认取得当前邻域下的局部最优解。
如图2所示,在当前邻域搜索下,交换工件9和工件8的位置,如果该交换使得最终的完成时间变小,则进行交换,否则继续判断工件8与工件5是否能使完成时间变小。在多次迭代后,如果该图中任意交换相邻工件均不能使得完成时间变小,则判断达到当前邻域下的局部最优解,完成本次邻域搜索。
二、深度学习辅助邻域搜索计算简化
按照本发明实施例所定义的邻域搜索方式,已经可以对问题进行计算,但是与传统的方式一样,当问题规模增大时,由于需要重复计算整个加工过程的完成时间,所以计算量会出现指数***的问题,计算时间和精度也会大幅下滑,无法满足当前控制的需求。因此,本发明实施例结合深度学习的知识,对该邻域搜索方式进行简化。
下面具体说明训练ResNet网络的过程,如图3、4所示。
采集历史调度数据构建训练数据。该历史调度数据中包括每个工件在每台机床的加工时间,形成机床、工件和工件加工时间的时间矩阵。
由于ResNets网络主要用于解决图像分类问题。采集的原始数据为时间矩阵,为了方便ResNets网络的处理,从大量的时间矩阵划提取多个邻域特征块。邻域特征块包括:(1)两个相邻工件在每一台机床上的加工时间数据,例如工件8、5的开始时间和结束时间4列数据;(2)前一工件在每一台机床上的加工结束时间,例如工件9的结束时间;(3)后一工件在每一台机床上的加工开始时间,例如工件11的开始时间。即每个邻域特征块包括这样的6列数据的时间矩阵。将每个这样邻域特征块转换为ResNet网络模型可处理的图像,作为训练数据输入到ResNets网络。
另外,训练数据还需要标注数据。对邻域特征块,直接求解最大完工时间,根据最大完工时间判断将邻域特征块中的两个相邻工件(例如8、5)交换位置后,总加工时间是否是缩短,根据判断结果对邻域特征块对应的图像进行标注。
准备好训练数据后,就可以利用训练数据训练ResNet网络获得神经网络中的网络参数,利用该网络参数设置ResNet网络,然后利用其进行预测。
ResNets网络可采用ResNet50网络。需要说明的是,上述训练过程可以是预先进行的,可以先于步骤S1进行,并不需要在每次进行控制时重新训练。训练好后的ResNet网络可以直接在控制过程中被用来预测交换相邻工件是否缩短总加工时间。
最后,将经过训练的ResNet网络参数保存起来,用于步骤S3中判断相邻工件交换顺序之后对结果的影响。如果网络输出为“好”,那么我们交换当前的工件。如果网络输出为“差”,我们则不进行操作,继续判断下一组工件,直到交换所有的相邻工件均不能找到更好的解的时候,则默认为达到了当前邻域下的局部最优解。和训练数据集的处理原理相同,也是将步骤S1中的初始加工序列按照训练数据的处理方法,将初始加工序列中任意两个相邻工件作为目标工件,提取目标工件的邻域特征块并转换成图像,输入到ResNet网络模型中。
进一步地,为了适应不同规模的预测,ResNets网络模型包括用于不同规模预测的多个子ResNets网络,采集历史调度数据构建不同规模的多个子训练数据集,子训练数据集和子ResNets网络一一对应。当置换流水车间中的规模不同时,即置换流水车间中的机器数量不同时,则邻域特征块转换后的图像尺寸不同,因此需要分别建立不同规模的子训练数据集,分别构建不同规模的子ResNets网络模型。一个子ResNets网络模型用于预测一个规模下的加工序列中两个相邻工件的交换效果。此时,步骤S1中还需采用机器数量,在步骤S3中,根据机器数量调用对应规模的子ResNets网络进行预测。
实施例2:
本发明实施例的一种基于深度学习的置换流水车间控制方法,也包括实施例1中的所有步骤,与实施例1不同的是,结合退火算法(SA算法),对最优加工序列进行多邻域搜索操作,以得到全局最优解。如图5所示,具体步骤如下:
S1,采集置换流水车间的每个工件在每台机床的加工时间,形成机床、工件和工件加工时间的时间矩阵,设置SA算法的退火参数,采用SA算法生成工件的初始加工序列。
此时,初始加工序列为SA算法的初始解状态S。SA算法的初始解状态S为NEH算法生成的1~n序列。
退火参数包括初始温度,终止温度,温度衰减系数。
选择控制参数初值时,一般要求初始值T0的值要充分大,一开始即处于高温状态,且Metropolis的接收率约为1。
常规SA算法的初始温度均为随机设定,但是常会影响算法的最终收敛性能。因此,本文随机产生一组状态,确定两两状态间的最大目标值差|Δmax|,然后根据差值,利用初始接受概率确定初温,相关的表达式为T0=-|Δmax|/p0,式中p0为初始接受概率。
S2:构建ResNet网络模型,该ResNet网络模型用于预测交换加工序列中相邻工件后总加工时间是否是缩短,采集历史调度数据构建训练数据集,利用训练数据集训练ResNet网络模型。
S3,对步骤S1采用SA算法生成的初始加工序列进行多邻域搜索操作,生成新加工序列。
在大规模问题下,单一的搜寻方式极易陷入局部最优解,从而使解的质量下降。为了提升算法在大规模问题下的普适性,本发明实施例采用基于概率选择的多邻域搜索操作协同的方式生成新解。多邻域搜索操作可采用二交换方式、三交换方式或点交换方式的任意一种。
二交换方式为:在初始加工序列中随机选择两个工件,颠倒该两个工件之间所有工件的顺序。假设初始加工序列为1、2、3、4、5、6,随机选择两个工件2和5,则二交换后的序列为1、5、4、3、2、6。
三交换方式为:在初始加工序列中随机选择三个工件,交换该三个工件之间的两段序列的位置。假设初始加工序列为1、2、3、4、5、6,随机选择两个工件2、4和5,则三交换后的序列为1、5、4、2、3、6。
点交换方式为:在初始加工序列中随机选择两个工件,交换该两个工件的位置。假设初始加工序列为1、2、3、4、5、6,随机选择两个工件2和5,则点交换后的序列为1、5、3、4、2、6。
为了提升算法的运算速度,当按照上述方法所生成新解的最优适应度在一定的迭代次数内仍未改变,则判定算法结束,完成当前温度下的搜索。
S4,将步骤S3中生成的新加工序列中任意两个相邻的工件作为目标工件,利用训练好的ResNet网络预测交换目标工件位置后总加工时间是否缩短,若总加工时间缩短,则将交换该目标工件。
S5,重复步骤S4,直至交换步骤S3中生成的新加工序列中所有相邻工件均无法缩短总加工时间,则将此时的加工序列作为最优加工序列。
S6,通过Metropolis准则判断是否将步骤S5生成的最优加工序列作为全局最优序列,若是,则将步骤S5生成的最优加工序列作为全局最优加工序列,若否,则仍将初始加工序列作为全局最优加工序列。
通过Metropolis准则判断是否接受新解。在判断完后,额外设置变量E_best保存全局最优解,该解不受Metropolis准则判定的影响,以免在之后的迭代中被取代。
S7,判断是否满足SA算法结束条件,若是,则将步骤S6确定的全局最优加工序列输出作为最终加工序列,若否,则重新跳转到步骤S3,用步骤S6确定的全局最优加工序列替换初始加工序列,对步骤S6确定的全局最优加工序列进行多邻域搜索操作,然后再继续执行步骤S4、S5。
与标准的SA算法不同,本文启用“多普勒”型衰减函数代替了原本的指数函数。这种新型的衰减函数可以提升大规模环境下解的收敛速度。多普勒效应型温度递减曲线表达式为:
其中,k为迭代次数,K为总降温次数,a为自定义的迭代系数。利用该函数不断衰减温度T。在每一次完成退火降温操作之后,若是没有达到终止温度,则返回第三步重新进行多邻域搜索以及深度学习辅助的邻域搜索阶段。循环执行降温操作,直到达到终止温度时停止迭代,温度衰减完毕,返回最优目标函数值,得到当前置换流水车间的加工序列。
在上述模型和求解算法的基础上,为了证明本发明实施例的实际应用效果,本发明实施例在标准测试实例中选择了大规模TA类问题进行仿真测试(工件数量大于100),并和其它目前已有的算法效果进行对比,其中SARes是本发明实施例中的邻域搜索嵌套在SA算法后的结果。
表1算例参数及算例结果
Problem | SARes | ISA | NS-SGDE | EDA-VNS | ECEDA | ODDE | eACGA |
100*5 | 0.036 | 0.129 | 0.056 | 0.631 | 0.089 | 0.076 | 0.078 |
100*10 | 0.330 | 0.704 | 0.358 | 1.216 | 0.743 | 0.877 | 0.559 |
100*20 | 1.584 | 1.978 | 1.933 | 1.827 | 1.013 | 3.420 | 2.616 |
200*10 | 0.328 | 0.460 | 0.414 | 0.457 | 0.122 | 0.702 | 0.662 |
200*20 | 1.782 | 2.032 | 2.360 | 1.815 | 1.566 | 3.392 | 3.179 |
500*20 | 1.189 | 1.515 | 1.257 | 1.333 | 0.822 | 1.967 | 2.264 |
ARPD | 0.875 | 1.136 | 1.063 | 1.213 | 0.726 | 1.734 | 1.560 |
如表1所示,表中数值表示相应算法求得的最优解与已知最优解的相对误差,可以看出,本发明提出的方法远远优于同类型的控制方法,在置换流水车间问题的求解中,取得了巨大的优势,而且计算结果相当稳定和高效,在实际生产中具有极大的应用价值。
必须说明的是,上述任一实施例中,方法并不必然按照序号顺序依次执行,只要从执行逻辑中不能推定必然按某一顺序执行,则意味着可以以其他任何可能的顺序执行。
本发明实施例的一种基于深度学习的置换流水车间控制***,包括:
初始化模块,用于采集置换流程车间的每个工件在每台机床的加工时间,形成机床、工件和工件加工时间的时间矩阵,生成工件的初始加工序列;
ResNet网络构建模块,用于构建ResNet网络模型,所述ResNet网络模型用于预测交换加工序列中相邻工件后总加工时间是否是缩短,采集历史调度数据构建训练数据集,利用所述训练数据集训练所述ResNet网络模型;
交换模块,用于将所述初始加工序列中任意两个相邻的工件作为目标工件,利用训练好的所述ResNet网络预测交换所述目标工件位置后总加工时间是否缩短,若总加工时间缩短,则将交换所述目标工件;
输出模块,用于对所述初始加工序列中所有相邻工件利用所述交换模块进行处理,直至交换所述初始加工序列中所有相邻工件均无法缩短总加工时间,则将此时的加工序列作为最优加工序列输出,发送工件加工指令。
上述基于深度学习的置换流水车间控制***和上述任一实施例的基于深度学习的置换流水车间控制方法的实现原理及效果相同,此处不再赘述。
本发明实施例的一种基于深度学习的置换流水车间控制***,包括:
初始化模块,用于采集置换流程车间的每个工件在每台机床的加工时间,形成机床、工件和工件加工时间的时间矩阵,生成工件的初始加工序列;
ResNet网络构建模块,用于构建ResNet网络模型,ResNet网络模型用于预测交换加工序列中相邻工件后总加工时间是否是缩短,采集历史调度数据构建训练数据集,利用训练数据集训练ResNet网络模型;
多邻域搜索操作模块,用于对初始加工序列进行多邻域搜索操作,生成新加工序列;
交换模块,用于将新加工序列中任意两个相邻的工件作为目标工件,利用训练好的ResNet网络预测交换目标工件位置后总加工时间是否缩短,若总加工时间缩短,则将交换目标工件;
交换输出模块,用于对新加工序列中所有相邻工件利用交换模块进行处理,直至交换新加工序列中所有相邻工件均无法缩短总加工时间,则将此时的加工序列作为最优加工序列;
全局最优加工序列获取模块,用于通过Metropolis准则判断是否将最优加工序列作为全局最优序列,若是,则将最优加工序列作为全局最优加工序列,若否,则将初始加工序列作为全局最优加工序列;
退火算法输出模块,用于判断是否满足退火算法结束条件,若满足退火算法结束条件,则将全局最优加工序列作为最终加工序列输出,发送加工指令,若不满足退火算法结束条件,则跳转到S3,用全局最优加工序列替换初始加工序列。
优选的,多邻域搜索操作采用二交换方式、三交换方式或点交换方式的任意一种;
二交换方式为:在初始加工序列中随机选择两个工件,颠倒该两个工件之间所有工件的顺序;
三交换方式为:在初始加工序列中随机选择三个工件,交换该三个工件之间的两段序列的位置;
点交换方式为:在初始加工序列中随机选择两个工件,交换该两个工件的位置。
上述基于深度学习的置换流水车间控制***和上述任一实施例的基于深度学习的置换流水车间控制方法的实现原理及效果相同,此处不再赘述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的置换流水车间控制方法,其特征在于,包括:
S1,采集置换流程车间的每个工件在每台机床的加工时间,形成机床、工件和工件加工时间的时间矩阵,生成工件的初始加工序列;
S2,构建ResNet网络模型,所述ResNet网络模型用于预测交换加工序列中相邻工件后总加工时间是否是缩短,采集历史调度数据构建训练数据集,利用所述训练数据集训练所述ResNet网络模型;
S3,将所述初始加工序列中任意两个相邻工件作为目标工件,利用训练好的所述ResNet网络模型预测交换所述目标工件位置后总加工时间是否缩短,若总加工时间缩短,则将交换所述目标工件;
S4,重复步骤S3,直至交换所述初始加工序列中所有相邻工件均无法缩短总加工时间,则将此时的加工序列作为最优加工序列输出,发送加工指令。
2.如权利要求1所述的一种基于深度学习的置换流水车间控制方法,其特征在于,所述采集历史调度数据构建训练数据集包括步骤:从历史调度数据中提取邻域特征块,并将所述邻域特征块转换成所述ResNet网络模型可处理的图像,对所述图像进行标注。
3.如权利要求1所述的一种基于深度学习的置换流水车间控制方法,其特征在于,所述ResNets网络模型包括用于不同规模预测的多个子ResNets网络,所述训练数据集包括不同规模的多个子训练数据集,所述子训练数据集和所述子ResNets网络一一对应,利用一一对应的所述子训练数据集训练所述子ResNets网络;
所述步骤S1还包括采集机床数量;
所述步骤S3中,所述利用训练好的所述ResNet网络模型预测为:根据所述机床数量调用对应规模的所述子ResNets网络进行预测。
4.一种基于深度学习的置换流水车间控制方法,其特征在于,包括:
S1,采集置换流程车间的每个工件在每台机床的加工时间,形成机床、工件和工件加工时间的时间矩阵,设置退火算法的退火参数,采用所述退火算法生成工件的初始加工序列;
S2,构建ResNet网络模型,所述ResNet网络模型用于预测交换加工序列中相邻工件后总加工时间是否是缩短,采集历史调度数据构建训练数据集,利用所述训练数据集训练所述ResNet网络模型;
S3,对所述初始加工序列进行多邻域搜索操作,生成新加工序列;
S4,将所述新加工序列中任意两个相邻工件作为目标工件,利用训练好的所述ResNet网络模型预测交换所述目标工件位置后总加工时间是否缩短,若总加工时间缩短,则将交换所述目标工件;
S5,重复步骤S4,直至交换所述新加工序列中所有相邻工件均无法缩短总加工时间,则将此时的加工序列作为最优加工序列;
S6,通过Metropolis准则判断是否将所述最优加工序列作为全局最优序列,若是,则将所述最优加工序列作为全局最优加工序列,若否,则将所述初始加工序列作为全局最优加工序列;
S7,判断是否满足所述退火算法结束条件,若满足所述退火算法结束条件,则将所述全局最优加工序列作为最终加工序列输出,发送加工指令,若不满足所述退火算法结束条件,则跳转到所述S3,用所述全局最优加工序列替换所述初始加工序列。
5.如权利要求4所述的一种基于深度学习的置换流水车间控制方法,其特征在于,所述多邻域搜索操作采用二交换方式、三交换方式或点交换方式的任意一种;
所述二交换方式为:在所述初始加工序列中随机选择两个工件,颠倒该两个工件之间所有工件的顺序;
所述三交换方式为:在所述初始加工序列中随机选择三个工件,交换该三个工件之间的两段序列的位置;
所述点交换方式为:在所述初始加工序列中随机选择两个工件,交换该两个工件的位置。
6.如权利要求4所述的一种基于深度学习的置换流水车间控制方法,其特征在于,所述采集历史调度数据构建训练数据集包括步骤:从历史调度数据中提取邻域特征块,并将所述邻域特征块转换成所述ResNet网络模型可处理的图像,对所述图像进行标注。
7.如权利要求4所述的一种基于深度学习的置换流水车间控制方法,其特征在于,所述ResNets网络模型包括用于不同规模预测的多个子ResNets网络,所述训练数据集包括不同规模的多个子训练数据集,所述子训练数据集和所述子ResNets网络一一对应,利用一一对应的所述子训练数据集训练所述子ResNets网络;
所述步骤S1还包括采集机床数量;
所述步骤S3中,所述利用训练好的所述ResNet网络模型预测为:根据所述机床数量调用对应规模的所述子ResNets网络进行预测。
8.一种基于深度学习的置换流水车间控制***,其特征在于,包括:
初始化模块,用于采集置换流程车间的每个工件在每台机床的加工时间,形成机床、工件和工件加工时间的时间矩阵,生成工件的初始加工序列;
ResNet网络构建模块,用于构建ResNet网络模型,所述ResNet网络模型用于预测交换加工序列中相邻工件后总加工时间是否是缩短,采集历史调度数据构建训练数据集,利用所述训练数据集训练所述ResNet网络模型;
交换模块,用于将所述初始加工序列中任意两个相邻的工件作为目标工件,利用训练好的所述ResNet网络预测交换所述目标工件位置后总加工时间是否缩短,若总加工时间缩短,则将交换所述目标工件;
输出模块,用于对所述初始加工序列中所有相邻工件利用所述交换模块进行处理,直至交换所述初始加工序列中所有相邻工件均无法缩短总加工时间,则将此时的加工序列作为最优加工序列输出,发送工件加工指令。
9.一种基于深度学习的置换流水车间控制***,其特征在于,包括:
初始化模块,用于采集置换流程车间的每个工件在每台机床的加工时间,形成机床、工件和工件加工时间的时间矩阵,生成工件的初始加工序列;
ResNet网络构建模块,用于构建ResNet网络模型,所述ResNet网络模型用于预测交换加工序列中相邻工件后总加工时间是否是缩短,采集历史调度数据构建训练数据集,利用所述训练数据集训练所述ResNet网络模型;
多邻域搜索操作模块,用于对所述初始加工序列进行多邻域搜索操作,生成新加工序列;
交换模块,用于将所述新加工序列中任意两个相邻的工件作为目标工件,利用训练好的所述ResNet网络预测交换所述目标工件位置后总加工时间是否缩短,若总加工时间缩短,则将交换所述目标工件;
交换输出模块,用于对所述新加工序列中所有相邻工件利用所述交换模块进行处理,直至交换所述新加工序列中所有相邻工件均无法缩短总加工时间,则将此时的加工序列作为最优加工序列;
全局最优加工序列获取模块,用于通过Metropolis准则判断是否将所述最优加工序列作为全局最优序列,若是,则将所述最优加工序列作为全局最优加工序列,若否,则将所述初始加工序列作为全局最优加工序列;
退火算法输出模块,用于判断是否满足所述退火算法结束条件,若满足所述退火算法结束条件,则将所述全局最优加工序列作为最终加工序列输出,发送加工指令,若不满足所述退火算法结束条件,则跳转到所述S3,用所述全局最优加工序列替换所述初始加工序列。
10.如权利要求9所述的一种基于深度学习的置换流水车间控制***,其特征在于,所述多邻域搜索操作采用二交换方式、三交换方式或点交换方式的任意一种;
所述二交换方式为:在所述初始加工序列中随机选择两个工件,颠倒该两个工件之间所有工件的顺序;
所述三交换方式为:在所述初始加工序列中随机选择三个工件,交换该三个工件之间的两段序列的位置;
所述点交换方式为:在所述初始加工序列中随机选择两个工件,交换该两个工件的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010888345.0A CN111985162B (zh) | 2020-08-28 | 2020-08-28 | 一种基于深度学习的置换流水车间控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010888345.0A CN111985162B (zh) | 2020-08-28 | 2020-08-28 | 一种基于深度学习的置换流水车间控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111985162A true CN111985162A (zh) | 2020-11-24 |
CN111985162B CN111985162B (zh) | 2024-04-26 |
Family
ID=73440357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010888345.0A Active CN111985162B (zh) | 2020-08-28 | 2020-08-28 | 一种基于深度学习的置换流水车间控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985162B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112987665A (zh) * | 2021-02-09 | 2021-06-18 | 东北大学 | 一种基于强化学习的流水车间调度方法 |
CN113435735A (zh) * | 2021-06-24 | 2021-09-24 | 华中科技大学 | 一种作业车间中间调度方案的评估方法和*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108170529A (zh) * | 2017-12-26 | 2018-06-15 | 北京工业大学 | 一种基于长短期记忆网络的云数据中心负载预测方法 |
US20190079975A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Scheduling method and system based on hybrid variable neighborhood search and gravitational search algorithm |
CN110163409A (zh) * | 2019-04-08 | 2019-08-23 | 华中科技大学 | 一种应用于置换流水车间的卷积神经网络调度方法 |
-
2020
- 2020-08-28 CN CN202010888345.0A patent/CN111985162B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190079975A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Scheduling method and system based on hybrid variable neighborhood search and gravitational search algorithm |
CN108170529A (zh) * | 2017-12-26 | 2018-06-15 | 北京工业大学 | 一种基于长短期记忆网络的云数据中心负载预测方法 |
CN110163409A (zh) * | 2019-04-08 | 2019-08-23 | 华中科技大学 | 一种应用于置换流水车间的卷积神经网络调度方法 |
Non-Patent Citations (1)
Title |
---|
黎阳;李新宇;牟健慧;: "基于改进模拟退火算法的大规模置换流水车间调度", 计算机集成制造***, no. 02, 15 February 2020 (2020-02-15), pages 366 - 375 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112987665A (zh) * | 2021-02-09 | 2021-06-18 | 东北大学 | 一种基于强化学习的流水车间调度方法 |
CN113435735A (zh) * | 2021-06-24 | 2021-09-24 | 华中科技大学 | 一种作业车间中间调度方案的评估方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN111985162B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985162B (zh) | 一种基于深度学习的置换流水车间控制方法及*** | |
CN105974799A (zh) | 一种基于差分进化-局部单峰采样算法的模糊控制***优化方法 | |
CN108460463B (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
CN110163409B (zh) | 一种应用于置换流水车间的卷积神经网络调度方法 | |
CN110378583B (zh) | 一种拟关键路径同设备相邻工序互换方法 | |
CN105373845A (zh) | 制造企业车间的混合智能调度优化方法 | |
CN105654187A (zh) | 控制***中点定位方法之网格二叉树法 | |
CN117314078B (zh) | 基于Petri网和神经网络的柔性制造***的无死锁调度方法 | |
CN110532291B (zh) | 基于最小执行代价的深度学习框架间模型转换方法及*** | |
CN116739179A (zh) | 一种离散制造混流生产的人机协同效率优化方法 | |
CN115169798A (zh) | 一种带准备时间分布式柔性作业车间调度方法及*** | |
CN115577865B (zh) | 一种用于制剂工艺的生产房间布局优化方法及装置 | |
CN113792927B (zh) | 基于遗传算法的航空航天柔性产品工序优化方法 | |
CN116502779A (zh) | 基于局部注意力机制的旅行商问题生成式求解方法 | |
CN111652412B (zh) | 一种应用于置换流水车间的邻域搜索调度方法及装置 | |
CN109447408B (zh) | 一种基于复杂网络理论的跨单元调度方法 | |
CN114089699B (zh) | 一种基于细胞型膜计算模型求解混合流水车间调度的方法 | |
CN113505910B (zh) | 一种含多路径有限连续输出库存的混合车间生产调度方法 | |
CN113552881B (zh) | 一种用于神经网络训练的多路径规划数据集生成方法 | |
CN115700647A (zh) | 一种基于禁忌搜索遗传算法的车间柔性作业调度方法 | |
CN112330221A (zh) | 一种具有充分必要条件邻域结构的作业车间调度优化方法 | |
CN113657742A (zh) | 车间调度方法、装置、电子设备及存储介质 | |
Zhang et al. | An improved genetic algorithm for solving flexible job shop | |
CN104570759A (zh) | 控制***中点定位问题的快速二叉树法 | |
CN114610034B (zh) | 一种移动机器人路径规划方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |