CN117455208A - 基于人工智能的注塑品生产调度优化方法及*** - Google Patents
基于人工智能的注塑品生产调度优化方法及*** Download PDFInfo
- Publication number
- CN117455208A CN117455208A CN202311792674.5A CN202311792674A CN117455208A CN 117455208 A CN117455208 A CN 117455208A CN 202311792674 A CN202311792674 A CN 202311792674A CN 117455208 A CN117455208 A CN 117455208A
- Authority
- CN
- China
- Prior art keywords
- time
- gate
- injection molding
- production scheduling
- scheduling optimization
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 120
- 238000005457 optimization Methods 0.000 title claims abstract description 111
- 238000001746 injection moulding Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 230000036962 time dependent Effects 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 239000002245 particle Substances 0.000 claims description 56
- 230000006870 function Effects 0.000 claims description 54
- 239000013598 vector Substances 0.000 claims description 19
- 238000001816 cooling Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 7
- 238000000137 annealing Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000003094 perturbing effect Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 239000000243 solution Substances 0.000 description 40
- 238000002922 simulated annealing Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 230000007774 longterm Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Educational Administration (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Biodiversity & Conservation Biology (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
Abstract
本发明提供一种基于人工智能的注塑品生产调度优化方法及***,涉及生产调度技术领域,包括获取目标车间的历史注塑品生产信息以及所述目标车间的当前注塑品订单信息,基于预设的产能预测模型的时间依赖层确定所述历史注塑品生产信息和所述当前注塑品订单信息的时间依赖结果;根据所述时间依赖结果,基于所述产能预测模型的特征聚焦层,通过计算聚焦注意力得分,获得关键特征,经过隐藏状态解析层将所述关键特征通过门控机制筛选出产能预测结果;基于所述产能预测结果,结合所述当前注塑品订单信息,以总完成时间最小构建第一目标函数;以总花费最小构建第二目标函数,通过预设的多目标优化算法进行综合求解,确定生产调度优化方案。
Description
技术领域
本发明涉及生产调度技术,尤其涉及一种基于人工智能的注塑品生产调度优化方法及***。
背景技术
工业发展越来越快,工业产品的产能是衡量一间工厂的一定指标,利用过去的产能数据和与之相关的影响因素的数据,对这些数据进行处理和对数据之间影响程度进行挖掘,利用一定的方法,对未来的产能进行预测,有利于工厂的运营部门进行更好地判断和决策,并可根据决策对工厂的员工数量、设备维护、材料把控等进行调整,以获得理想的盈利。
现有技术方案还存在一些不足之处,预测时只采用一种算法、一个模型,这样可能会导致无法探索出复杂数据与预测目标之间的多层差异性关系,也就无法做出更准确的预测,缺少集成,模型准确率不高。
发明内容
本发明实施例提供一种基于人工智能的注塑品生产调度优化方法及***,至少能够解决现有技术中部分问题。
本发明实施例的第一方面,
提供一种基于人工智能的注塑品生产调度优化方法,包括:
获取目标车间的历史注塑品生产信息以及所述目标车间的当前注塑品订单信息,基于预设的产能预测模型的时间依赖层确定所述历史注塑品生产信息和所述当前注塑品订单信息的时间依赖结果;
根据所述时间依赖结果,基于所述产能预测模型的特征聚焦层,通过计算聚焦注意力得分,获得关键特征,经过隐藏状态解析层将所述关键特征通过门控机制筛选出产能预测结果;
基于所述产能预测结果,结合所述当前注塑品订单信息,以总完成时间最小为目标,构建第一目标函数;以总花费最小为目标,构建第二目标函数,通过预设的多目标优化算法,对所述第一目标函数和所述第二目标函数进行综合求解,确定生产调度优化方案。
在一种可选的实施方式中,
基于预设的产能预测模型的时间依赖层确定所述历史注塑品生产信息和所述当前注塑品订单信息的时间依赖关系包括:
所述时间依赖层基于长短时记忆模型构建;
设置初始隐藏状态和初始单元状态,基于所述历史注塑品生产信息,提取时间序列数据,对所述时间序列数据的每个时间步进行如下操作:
通过遗忘门、输入门,计算遗忘门输出、输入门输出和候选值向量,利用所述遗忘门输出、所述输入门输出和所述候选值向量进行单元状态更新,通过输出门,计算输出门输出,基于单元状态更新的结果,结合所述输出门输出,计算该时间步的隐藏状态,并传递给下一个时间步;
重复操作,直到所述时间序列数据的全部时间步计算完成;
在隐藏状态之间按照预设的间隔步数设置跳跃连接,并对每个时间步扩展隐藏状态,为每个所述跳跃连接引入跳跃权重,基于所述扩展隐藏状态,结合所述跳跃权重,通过融合加权得到时间依赖结果。
在一种可选的实施方式中,
对所述时间序列数据的每个时间步进行操作,包括:
通过遗忘门、输入门、输出门和单元状态更新,对所述时间序列数据进行操作,其公式如下:
;
其中,f t 表示在时间步t的遗忘门输出,σ表示sigmoid激活函数,W f 表示遗忘门的权重,h t-1 表示前一个时间步的隐藏状态,x t 表示当前时间步的输入,b f 表示遗忘门的偏置,i t 表示在时间步t的输入门输出,W i 表示输入门的权重,b i 表示输入门的偏置,C' t 表示在时间步t的候选值向量,W C 表示候选值向量权重,b C 表示候选值向量的偏置,C t 表示在时间步t的单元状态,C t-1 表示前一个时间步的单元状态,o t 表示在时间步t的输出门输出,W o 表示输出门的权重,b o 表示输出门的偏置,h t 表示当前时间步t的隐藏状态。
在一种可选的实施方式中,
经过隐藏状态解析层将所述关键特征通过门控机制筛选出产能预测结果包括:
所述隐藏状态解析层是基于门控循环单元构建的;
将所述特征聚焦层输出的所述关键特征,作为所述隐藏状态解析层的输入数据,基于每个时间步进行操作:
依次通过更新门、重置门,计算更新门输出、重置门输出,基于所述重置门输出,创建候选隐藏状态,基于所述更新门输出,结合所述候选隐藏状态,形成更新隐藏状态;
重复操作,直到所述输入数据的全部时间步计算完成,得到产能预测结果。
在一种可选的实施方式中,
计算更新门输出、重置门输出,创建候选隐藏状态,更新隐藏状态,其公式如下:
;
其中,z t 表示在时间步t的更新门输出,σ表示sigmoid激活函数,W z 表示更新门的权重,v t-1 表示前一个时间步的隐藏状态,y t 表示当前时间步的输入,b z 表示更新门的偏置,r t 表示在时间步t的重置门输出,W r 表示重置门的权重,b r 表示重置门的偏置,v' t 表示候选隐藏状态,W表示候选隐藏状态的权重矩阵,b表示候选隐藏状态的偏置,v t 表示更新后的隐藏状态。
在一种可选的实施方式中,
通过预设的多目标优化算法,对所述第一目标函数和所述第二目标函数进行综合求解,确定生产调度优化方案包括:
随机生成粒子群,每个所述粒子代表一个生产调度优化方案,初始化所述粒子的位置和速度,同时设置初始温度、冷却速率、扰动范围;
对所述粒子对应的所述生产调度优化方案进行评估,将所述第一目标函数和所述第二目标函数结合为综合目标函数,计算所述综合目标函数对应的适应度值,并开始粒子群的更新迭代:
更新每个所述粒子的个体最优位置,同时更新所述粒子群的全局最优位置,根据所述个体最优位置和所述全局最优位置更新所述粒子的速度,再依据更新后的速度更新所述粒子位置;
经过所述更新迭代的后,在所述扰动范围之内扰动所述粒子对应的生产调度优化方案,产生新生产调度优化方案,计算所述新生产调度优化方案的适应度值,如果适应度值最优,则接受新生产调度优化方案,否则根据温度和退火概率决定是否接受新生产调度优化方案;
按照预设的冷却速率降低温度,重新开始粒子群的更新迭代以及扰动,直到符合预设的迭代阈值,评估最终生产调度优化方案的适应度值,选取适应度值最高的方案作为最终生产调度优化方案。
在一种可选的实施方式中,
根据温度和退火概率决定是否接受新生产调度优化方案包括:
获取初始温度、更新前生产调度优化方案对应的适应度值和更新后生产调度优化方案对应的适应度值,确定适应度差值;
若所述适应度差值小于等于0,则接受新生产调度优化方案;
若所述适应度差值大于0,则生成随机数,并根据Metropolis准则计算接受概率,若所述随机数小于等于所述接受概率,则接受新生产调度优化方案,否则设置降温因子逐渐降低温度并保持更新前生产调度优化方案。
本发明实施例的第二方面,
提供一种基于人工智能的注塑品生产调度优化***,用于实现前述中任一项所述的基于人工智能的注塑品生产调度优化方法,包括:
第一单元,用于获取目标车间的历史注塑品生产信息以及所述目标车间的当前注塑品订单信息,基于预设的产能预测模型的时间依赖层确定所述历史注塑品生产信息和所述当前注塑品订单信息的时间依赖结果;
第二单元,用于根据所述时间依赖结果,基于所述产能预测模型的特征聚焦层,通过计算聚焦注意力得分,获得关键特征,经过隐藏状态解析层将所述关键特征通过门控机制筛选出产能预测结果;
第三单元,用于基于所述产能预测结果,结合所述当前注塑品订单信息,以总完成时间最小为目标,构建第一目标函数;以总花费最小为目标,构建第二目标函数,通过预设的多目标优化算法,对所述第一目标函数和所述第二目标函数进行综合求解,确定生产调度优化方案。
本发明实施例的第三方面,
提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
在本发明实施例中,综合不同模型可以更全面地理解和预测产能;设计时间依赖捕捉层,能够更好地理解和利用历史数据中的时间相关性,使得模型能够更灵活地适应不同时间段的变化和趋势;通过跳跃连接的设置,提高了信息在隐藏状态之间的传递效率,有助于缓解梯度消失问题,使模型在处理长序列数据时更具有效性;引入跳跃权重和加权融合,使模型在得到时间依赖结果时能够更灵活地对不同时间步的信息进行加权,有助于提高模型对历史数据中关键时间点的关注度。
通过计算聚焦注意力得分,模型能够从时间依赖结果中提取关键特征,提高模型对关键特征的聚焦度,有助于准确捕捉产能预测中的重要时间依赖关系;通过多头自注意力机制,使模型能够并行地学习不同的表示子空间,提高了模型对复杂关系的建模能力;通过基于门控循环单元建模,能够更好地建模时序数据,包括对时间依赖关系的捕捉,门控机制允许模型根据输入和先前隐藏状态动态地调整信息的权重,有助于更准确地表示时间序列中的模式。
由于更新门和重置门的作用,模型能够有效处理长期依赖性,对于产能预测等任务中需要考虑长期趋势的场景至关重要;不同多目标优化算法相组合,利用了粒子群优化算法的全局搜索能力和模拟退火算法的局部搜索及逃逸局部最优的能力;结合两种算法可以扩大搜索空间,提高找到全局最优解或非劣解的可能性,更好地匹配问题的特性,提高算法的适应性。
附图说明
图1为本发明实施例基于人工智能的注塑品生产调度优化方法的流程示意图;
图2为本发明实施例多个算法寻优效率示意图;
图3为本发明实施例基于人工智能的注塑品生产调度优化***的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例基于人工智能的注塑品生产调度优化方法的流程示意图,如图1所示,所述方法包括:
S101. 获取目标车间的历史注塑品生产信息以及所述目标车间的当前注塑品订单信息,基于预设的产能预测模型的时间依赖层确定所述历史注塑品生产信息和所述当前注塑品订单信息的时间依赖结果;
示例性地,历史注塑品生产信息包括产线运行的时长、产出数量、生产成本、产线执行订单消耗的时长等,对历史注塑品生产信息进行清洗处理,提升生产数据质量,使缺失值得到补全,异常值得到修正,重复值得到删除,数据标准化之后,对数据的时间点标志进行进一步核对,使时间数据格式统一,能够以时间步的方式顺序传递,对处理完成的历史注塑品生产信息按照特定的时间步进行时间序列解析;
构建综合产能预测模型,产能预测模型划分多个数据处理层进行进一步的训练和预测;
输入层接收清洗处理好的历史生产数据,传递给下一步进行操作,通过时间依赖捕捉层,捕捉时间依赖关系,通过历史生产数据的反复训练,使模型能够准确的在接收新的历史生产数据后,给出相应的时间依赖结果。
在本实施例中,综合不同模型可以更全面地理解和预测产能;设计时间依赖捕捉层,能够更好地理解和利用历史数据中的时间相关性,使得模型能够更灵活地适应不同时间段的变化和趋势。
所述遗忘门具体是指用于决定前一个时间步的记忆状态中哪些信息应该保留,哪些信息应该被遗忘,通过计算遗忘门输出,影响记忆单元的更新,遗忘门输出值在0到1之间,其中0表示完全遗忘,1表示完全保留;
所述输入门具体是指用于控制新的输入信息对当前时间步记忆状态的影响,通过计算输入门输出,将新的信息融合到记忆单元中;
所述候选值向量具体是指由当前时间步的输入信息生成的,是一个包含了潜在新信息的向量,用于更新细胞状态,提供一个待选的更新值;
设置初始的隐藏状态和初始的记忆单元状态,通常都是零或预设的值,开始对历史生产数据的每个时间步进行操作,利用当前时间步的输入和前一个时间步的隐藏状态,计算遗忘门输出,确定需要保留的历史信息;通过对当前时间步的输入和前一个时间步的隐藏状态的操作,计算输入门输出,确定要引入记忆单元的新信息;利用当前时间步的输入和前一个时间步的隐藏状态,计算候选值向量,得到一个潜在的记忆状态更新;利用遗忘门输出、输入门输出和候选值向量,对记忆单元状态进行更新;基于更新后的记忆单元状态,计算输出门输出,计算当前时间步的隐藏状态,将当前隐藏状态传递给下一个时间步,依次循环;
在隐藏状态之间按照预设的间隔步数设置跳跃连接,促进信息的流动,其中,间隔的步数通常是2步、3步、4步等;为每个跳跃连接引入跳跃权重,并根据跳跃权重对扩展隐藏状态进行加权,扩展每个时间步的隐藏状态,引入对不同时间步之间信息传递的灵活性;基于扩展隐藏状态和跳跃权重,通过加权融合的方式得到最终的时间依赖结果。
在一种可选的实施方式中,
基于预设的产能预测模型的时间依赖层确定所述历史注塑品生产信息和所述当前注塑品订单信息的时间依赖结果包括:
所述时间依赖层基于长短时记忆模型构建;
设置初始隐藏状态和初始单元状态,基于所述历史注塑品生产信息,提取时间序列数据,对所述时间序列数据的每个时间步进行如下操作:
通过遗忘门、输入门,计算遗忘门输出、输入门输出和候选值向量,利用所述遗忘门输出、所述输入门输出和所述候选值向量进行单元状态更新,通过输出门,计算输出门输出,基于单元状态更新的结果,结合所述输出门输出,计算该时间步的隐藏状态,并传递给下一个时间步;
重复操作,直到所述时间序列数据的全部时间步计算完成;
在隐藏状态之间按照预设的间隔步数设置跳跃连接,并对每个时间步扩展隐藏状态,为每个所述跳跃连接引入跳跃权重,基于所述扩展隐藏状态,结合所述跳跃权重,通过融合加权得到时间依赖结果。
在一种可选的实施方式中,
对所述时间序列数据的每个时间步进行操作,包括:
通过遗忘门、输入门、输出门和单元状态更新,对所述时间序列数据进行操作,其公式如下:
;
其中,f t 表示在时间步t的遗忘门输出,σ表示sigmoid激活函数,W f 表示遗忘门的权重,h t-1 表示前一个时间步的隐藏状态,x t 表示当前时间步的输入,b f 表示遗忘门的偏置,i t 表示在时间步t的输入门输出,W i 表示输入门的权重,b i 表示输入门的偏置,C' t 表示在时间步t的候选值向量,W C 表示候选值向量权重,b C 表示候选值向量的偏置,C t 表示在时间步t的单元状态,C t-1 表示前一个时间步的单元状态,o t 表示在时间步t的输出门输出,W o 表示输出门的权重,b o 表示输出门的偏置,h t 表示当前时间步t的隐藏状态。
在所述的实施例中,通过时间依赖捕捉层,更好的建模历史生产数据中的时间依赖关系,能够捕捉长期和短期的时间依赖,提高了对时间序列数据的建模能力;通过跳跃连接的设置,提高了信息在隐藏状态之间的传递效率,有助于缓解梯度消失问题,使模型在处理长序列数据时更具有效性;引入跳跃权重和加权融合,使模型在得到时间依赖结果时能够更灵活地对不同时间步的信息进行加权,有助于提高模型对历史数据中关键时间点的关注度;通过这些操作步骤,模型能够对历史生产数据进行综合理解,更好地捕捉时间序列中的关键模式和趋势,有助于提高产能预测的准确性和鲁棒性。
S102. 根据所述时间依赖结果,基于所述产能预测模型的特征聚焦层,通过计算聚焦注意力得分,获得关键特征,经过隐藏状态解析层将所述关键特征通过门控机制筛选出产能预测结果;
时间依赖结果的维度和特征聚焦层期望的输入维度相匹配,将时间依赖结果作为特征聚焦层的输入,对时间依赖结果进行线性投影,获得注意力得分的初始表示,应用激活函数对得分进行归一化,获得聚焦注意力得分;将聚焦注意力得分应用到时间依赖结果上,通过对每个时间步的结果进行加权求和,得到关键特征;
将获得的关键特征传递给隐藏状态解析层,使用门控机制对关键特征进行筛选,进一步提取和强化与产能相关的信息,通过门控机制的输出,得到产能预测结果,将隐藏状态解析层的输出传递给产能预测模型的输出层,获得最终的产能预测结果。
在一种可选的实施方式中,
经过隐藏状态解析层将所述关键特征通过门控机制筛选出产能预测结果包括:
所述隐藏状态解析层是基于门控循环单元构建的;
将所述特征聚焦层输出的所述关键特征,作为所述隐藏状态解析层的输入数据,基于每个时间步进行操作:
依次通过更新门、重置门,计算更新门输出、重置门输出,基于所述重置门输出,创建候选隐藏状态,基于所述更新门输出,结合所述候选隐藏状态,形成更新隐藏状态;
重复操作,直到所述输入数据的全部时间步计算完成,得到产能预测结果。
示例性地,所述更新门具体是指用于控制是否将新的信息纳入候选隐藏状态,更新门输出接近1的时候,模型更多地考虑新的信息,而输出接近0时则更多地保留旧的信息;
所述重置门具体是指用于决定是否忘记过去的隐藏状态,重置门输出接近 1 时,模型更多地遗忘过去的信息;而输出接近 0 时,模型更多地保留过去的信息;
将特征聚焦层输出的关键特征作为隐藏状态解析层的输入数据,设置初始隐藏状态和初始单元状态,准备进行门控循环单元的计算,针对输入数据的每个时间步,依次进行以下操作:
利用输入数据和上一时间步的隐藏状态,计算当前时间步的更新门输出;
利用输入数据和上一时间步的隐藏状态,计算当前时间步的重置门输出;
基于重置门的输出,创建一个候选隐藏状态,所述候选隐藏状态包含当前时间步的信息,利用更新门的输出和候选隐藏状态,结合上一时间步的隐藏状态,计算当前时间步的更新隐藏状态;循环操作,直到输入数据的全部时间步都完成计算,得到产能预测结果。
在一种可选的实施方式中,
计算更新门输出、重置门输出,创建候选隐藏状态,更新隐藏状态,其公式如下:
;
其中,z t 表示在时间步t的更新门输出,σ表示sigmoid激活函数,W z 表示更新门的权重,v t-1 表示前一个时间步的隐藏状态,y t 表示当前时间步的输入,b z 表示更新门的偏置,r t 表示在时间步t的重置门输出,W r 表示重置门的权重,b r 表示重置门的偏置,v' t 表示候选隐藏状态,W表示候选隐藏状态的权重矩阵,b表示候选隐藏状态的偏置,v t 表示更新后的隐藏状态。
在所述实施例中,通过基于门控循环单元建模,能够更好地建模时序数据,包括对时间依赖关系的捕捉,门控机制允许模型根据输入和先前隐藏状态动态地调整信息的权重,有助于更准确地表示时间序列中的模式;门控循环单元参数较少,减轻了梯度消失问题,有助于更好地优化模型参数,提高训练效率;通过更新门和重置门的调控,模型能够动态地遗忘或保留过去的信息,更好地适应不同时间步的输入,由于更新门和重置门的作用,模型能够有效处理长期依赖性,对于产能预测等任务中需要考虑长期趋势的场景至关重要。
S103. 基于所述产能预测结果,结合所述当前注塑品订单信息,以总完成时间最小为目标,构建第一目标函数;以总花费最小为目标,构建第二目标函数,通过预设的多目标优化算法,对所述第一目标函数和所述第二目标函数进行综合求解,确定生产调度优化方案。
利用所述产能预测模型,获取每条产线未来的一段时间内的产能预测结果,分析待完成的订单数据,包括订单的生产数量、预计完成时间、需要的资源等;
基于产能预测和订单信息构建第一目标函数,使总完成时间最小化;结合产线成本等信息构建第二目标函数,使总花费最小化;
采用基于粒子群优化算法和模拟退火算法建立的多目标优化算法,生成初始解的集合,通过迭代计算和生成新的粒子,最终使综合目标函数趋于最优解,在所有非劣解中,选择适应度最高的生产调度优化方案。
在所述实施例中,多目标优化算法能够搜索并找到在多个目标维度上的非劣解,从而实现全局优化,有助于确保生产调度优化方案在不同目标下都具有较好的性能,而不是仅在某一方面优秀;不同多目标优化算法相组合,利用了粒子群优化算法的全局搜索能力和模拟退火算法的局部搜索及逃逸局部最优的能力;结合两种算法可以扩大搜索空间,提高找到全局最优解或非劣解的可能性,更好地匹配问题的特性,提高算法的适应性。
在一种可选的实施方式中,
通过预设的多目标优化算法,对所述第一目标函数和所述第二目标函数进行综合求解,确定生产调度优化方案包括:
随机生成粒子群,每个所述粒子代表一个生产调度优化方案,初始化所述粒子的位置和速度,同时设置初始温度、冷却速率、扰动范围;
对所述粒子对应的所述生产调度优化方案进行评估,将所述第一目标函数和所述第二目标函数结合为综合目标函数,计算所述综合目标函数对应的适应度值,并开始粒子群的更新迭代:
更新每个所述粒子的个体最优位置,同时更新所述粒子群的全局最优位置,根据所述个体最优位置和所述全局最优位置更新所述粒子的速度,再依据更新后的速度更新所述粒子位置;
经过所述更新迭代的后,在所述扰动范围之内扰动所述粒子对应的生产调度优化方案,产生新生产调度优化方案,计算所述新生产调度优化方案的适应度值,如果适应度值最优,则接受新生产调度优化方案,否则根据温度和退火概率决定是否接受新生产调度优化方案;
按照预设的冷却速率降低温度,重新开始粒子群的更新迭代以及扰动,直到符合预设的迭代阈值,评估最终生产调度优化方案的适应度值,选取适应度值最高的方案作为最终生产调度优化方案。
在所有生产调度优化方案的集合中,随机生成一群粒子,每个粒子代表一个可能得生产调度优化方案,同时设置初始温度、冷却速率、扰动范围,用于影响模拟退火的调整和扰动的幅度;
对每个粒子对应的生产调度优化方案进行评估,使用综合目标函数计算适应度值,衡量每个粒子的性能,通过比较适应度值,更新每个粒子个体的最优位置,更新整个粒子群的全局最优位置,再更新每个粒子的速度和位置,使粒子进行有效的搜索;
每次执行所述更新之后,对每个粒子进行模拟退火操作,扰动当前生产调度优化方案,生成新的生产调度优化方案;如果新生产调度优化方案的适应度值更高,则接受新的生产调度优化方案;如果适应度值较低,根据当前温度和退火概率决定是否接受新的生产调度优化方案;根据初始化冷却速率降低温度;
重复进行粒子的位置和速度的迭代以及对每个粒子进行模拟退火操作,直到适应度值满足预设的值或者迭代次数满足预设的迭代阈值,结束循环迭代;
对最终的生产调度优化方案进行全面的评估,使用综合目标函数计算适应度值,确保最终的生产调度优化方案是在多个目标下都具有良好性能的,从所有的粒子中选择适应度值最高的生产调度优化方案作为最终的排产最优解。
图2为本发明实施例多个算法寻优效率示意图,如图2所示,将本申请的方案与粒子群优化算法和模拟退火算法进行对比,可以看出,多目标优化算法收敛速度最快,在执行4次时,达到了最优解,并且最优解为55,粒子群优化算法在执行6次的时候,达到了最优解,最优解为58,模拟退火算法在执行次数到7次时,达到了最优解,最优解为59。总体而言,与粒子群优化算法和模拟退火算法相比,本申请多目标优化算法的全局寻优能力最强,并且收敛速度最快。
在本实施例中,粒子群优化算法和模拟退火算法的相互影响与结合能够在全局和局部之间找到平衡,可以实现更快速的全局收敛和更精细的局部搜索,提高了优化效率,确保在搜索空间中更全面地寻找最优解,有助于增加解的多样性,避免陷入局部最优解,提高算法的鲁棒性,可以提高整体算法的适应性,更适合不同阶段的优化需求。
在一种可选的实施方式中,
根据温度和退火概率决定是否接受新生产调度优化方案包括:
获取初始温度、更新前生产调度优化方案对应的适应度值和更新后生产调度优化方案对应的适应度值,确定适应度差值;
若所述适应度差值小于等于0,则接受新生产调度优化方案;
若所述适应度差值大于0,则生成随机数,并根据Metropolis准则计算接受概率,若所述随机数小于等于所述接受概率,则接受新生产调度优化方案,否则设置降温因子逐渐降低温度并保持更新前生产调度优化方案。
示例性地,可以初始化温度(T)、初始解(current_solution)、当前适应度值(current_fitness)以及其他相关参数:
初始温度 T_0、冷却速率 alpha、最大迭代次数或其他停止条件;初始邻域大小(neighborhood_size)
进入迭代循环,直到满足停止条件:在每次迭代中,生成一个新的候选解(new_solution)。新的候选解可以通过在当前解的邻域内随机选择一个邻居来获得,邻域大小可以动态调整。初始时,邻域大小等于初始值(neighborhood_size)。
计算新解的适应度值(new_fitness),计算适应度差异(delta_fitness):delta_fitness = new_fitness - current_fitness。
根据Metropolis准则计算接受概率(acceptance_probability):
如果 delta_fitness 小于等于0,表示新解更好或与当前解同样好,接受新解:acceptance_probability = 1;如果 delta_fitness 大于0,表示新解更差,接受概率为:acceptance_probability = e^(-delta_fitness / T);生成一个随机数 r 介于 [0, 1]之间。
根据随机数 r 和接受概率决定是否接受新解:
如果 r<= acceptance_probability,则接受新解,将 new_solution 设置为当前解,并更新 current_fitness。
否则,保持当前解不变。
评估当前搜索进程,例如,监测一定数量的迭代并记录接受新解的概率(average_acceptance_probability)。
基于评估结果动态调整邻域大小(neighborhood_size):
如果 average_acceptance_probability 较高,表示搜索过于局部,增加邻域大小以扩大搜索范围。如果 average_acceptance_probability 较低,表示搜索过于全局,减小邻域大小以更加专注于局部搜索。
降低温度(冷却过程):T = T * alpha,alpha 通常在 (0, 1) 之间。
返回找到的最优解(current_solution)和对应的适应度值(current_fitness)。
图2为本发明实施例基于人工智能的注塑品生产调度优化***的结构示意图,如图2所示,所述***包括:
第一单元,用于获取目标车间的历史注塑品生产信息以及所述目标车间的当前注塑品订单信息,基于预设的产能预测模型的时间依赖层确定所述历史注塑品生产信息和所述当前注塑品订单信息的时间依赖结果;
第二单元,用于根据所述时间依赖结果,基于所述产能预测模型的特征聚焦层,通过计算聚焦注意力得分,获得关键特征,经过隐藏状态解析层将所述关键特征通过门控机制筛选出产能预测结果;
第三单元,用于基于所述产能预测结果,结合所述当前注塑品订单信息,以总完成时间最小为目标,构建第一目标函数;以总花费最小为目标,构建第二目标函数,通过预设的多目标优化算法,对所述第一目标函数和所述第二目标函数进行综合求解,确定生产调度优化方案。
本发明实施例的第三方面,
提供一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、***和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种基于人工智能的注塑品生产调度优化方法,其特征在于,包括:
获取目标车间的历史注塑品生产信息以及所述目标车间的当前注塑品订单信息,基于预设的产能预测模型的时间依赖层确定所述历史注塑品生产信息和所述当前注塑品订单信息的时间依赖结果;
根据所述时间依赖结果,基于所述产能预测模型的特征聚焦层,通过计算聚焦注意力得分,获得关键特征,经过隐藏状态解析层将所述关键特征通过门控机制筛选出产能预测结果;
基于所述产能预测结果,结合所述当前注塑品订单信息,以总完成时间最小为目标,构建第一目标函数;以总花费最小为目标,构建第二目标函数,通过预设的多目标优化算法,对所述第一目标函数和所述第二目标函数进行综合求解,确定生产调度优化方案;
通过预设的多目标优化算法,对所述第一目标函数和所述第二目标函数进行综合求解,确定生产调度优化方案包括:
随机生成粒子群,每个所述粒子代表一个生产调度优化方案,初始化所述粒子的位置和速度,同时设置初始温度、冷却速率、扰动范围;
对所述粒子对应的所述生产调度优化方案进行评估,将所述第一目标函数和所述第二目标函数结合为综合目标函数,计算所述综合目标函数对应的适应度值,并开始粒子群的更新迭代:
更新每个所述粒子的个体最优位置,同时更新所述粒子群的全局最优位置,根据所述个体最优位置和所述全局最优位置更新所述粒子的速度,再依据更新后的速度更新所述粒子位置;
经过所述更新迭代的后,在所述扰动范围之内扰动所述粒子对应的生产调度优化方案,产生新生产调度优化方案,计算所述新生产调度优化方案的适应度值,如果适应度值最优,则接受新生产调度优化方案,否则根据温度和退火概率决定是否接受新生产调度优化方案;
按照预设的冷却速率降低温度,重新开始粒子群的更新迭代以及扰动,直到符合预设的迭代阈值,评估最终生产调度优化方案的适应度值,选取适应度值最高的方案作为最终生产调度优化方案。
2.根据权利要求1所述的方法,其特征在于,基于预设的产能预测模型的时间依赖层确定所述历史注塑品生产信息和所述当前注塑品订单信息的时间依赖结果包括:
所述时间依赖层基于长短时记忆模型构建;
设置初始隐藏状态和初始单元状态,基于所述历史注塑品生产信息,提取时间序列数据,对所述时间序列数据的每个时间步进行如下操作:
通过遗忘门、输入门,计算遗忘门输出、输入门输出和候选值向量,利用所述遗忘门输出、所述输入门输出和所述候选值向量进行单元状态更新,通过输出门,计算输出门输出,基于单元状态更新的结果,结合所述输出门输出,计算该时间步的隐藏状态,并传递给下一个时间步;
重复操作,直到所述时间序列数据的全部时间步计算完成;
在隐藏状态之间按照预设的间隔步数设置跳跃连接,并对每个时间步扩展隐藏状态,为每个所述跳跃连接引入跳跃权重,基于所述扩展隐藏状态,结合所述跳跃权重,通过融合加权得到时间依赖结果。
3.根据权利要求2所述的方法,其特征在于,对所述时间序列数据的每个时间步进行操作,包括:
通过遗忘门、输入门、输出门和单元状态更新,对所述时间序列数据进行操作,其公式如下:
;
其中,f t 表示在时间步t的遗忘门输出,σ表示sigmoid激活函数,W f 表示遗忘门的权重,h t-1 表示前一个时间步的隐藏状态,x t 表示当前时间步的输入,b f 表示遗忘门的偏置,i t 表示在时间步t的输入门输出,W i 表示输入门的权重,b i 表示输入门的偏置,C' t 表示在时间步t的候选值向量,W C 表示候选值向量权重,b C 表示候选值向量的偏置,C t 表示在时间步t的单元状态,C t-1 表示前一个时间步的单元状态,o t 表示在时间步t的输出门输出,W o 表示输出门的权重,b o 表示输出门的偏置,h t 表示当前时间步t的隐藏状态。
4.根据权利要求1所述的方法,其特征在于,经过隐藏状态解析层将所述关键特征通过门控机制筛选出产能预测结果包括:
所述隐藏状态解析层是基于门控循环单元构建的;
将所述特征聚焦层输出的所述关键特征,作为所述隐藏状态解析层的输入数据,基于每个时间步进行操作:
依次通过更新门、重置门,计算更新门输出、重置门输出,基于所述重置门输出,创建候选隐藏状态,基于所述更新门输出,结合所述候选隐藏状态,形成更新隐藏状态;
重复操作,直到所述输入数据的全部时间步计算完成,得到产能预测结果。
5.根据权利要求4所述的方法,其特征在于,计算更新门输出、重置门输出,创建候选隐藏状态,更新隐藏状态,其公式如下:
;
其中,z t 表示在时间步t的更新门输出,σ表示sigmoid激活函数,W z 表示更新门的权重,v t-1 表示前一个时间步的隐藏状态,y t 表示当前时间步的输入,b z 表示更新门的偏置,r t 表示在时间步t的重置门输出,W r 表示重置门的权重,b r 表示重置门的偏置,v' t 表示候选隐藏状态,W表示候选隐藏状态的权重矩阵,b表示候选隐藏状态的偏置,v t 表示更新后的隐藏状态。
6.根据权利要求1所述的方法,其特征在于,根据温度和退火概率决定是否接受新生产调度优化方案包括:
获取初始温度、更新前生产调度优化方案对应的适应度值和更新后生产调度优化方案对应的适应度值,确定适应度差值;
若所述适应度差值小于等于0,则接受新生产调度优化方案;
若所述适应度差值大于0,则生成随机数,并根据Metropolis准则计算接受概率,若所述随机数小于等于所述接受概率,则接受新生产调度优化方案,否则设置降温因子逐渐降低温度并保持更新前生产调度优化方案。
7.一种基于人工智能的注塑品生产调度优化***,用于实现前述权利要求1-6中任一项所述的基于人工智能的注塑品生产调度优化方法,其特征在于,包括:
第一单元,用于获取目标车间的历史注塑品生产信息以及所述目标车间的当前注塑品订单信息,基于预设的产能预测模型的时间依赖层确定所述历史注塑品生产信息和所述当前注塑品订单信息的时间依赖结果;
第二单元,用于根据所述时间依赖结果,基于所述产能预测模型的特征聚焦层,通过计算聚焦注意力得分,获得关键特征,经过隐藏状态解析层将所述关键特征通过门控机制筛选出产能预测结果;
第三单元,用于基于所述产能预测结果,结合所述当前注塑品订单信息,以总完成时间最小为目标,构建第一目标函数;以总花费最小为目标,构建第二目标函数,通过预设的多目标优化算法,对所述第一目标函数和所述第二目标函数进行综合求解,确定生产调度优化方案。
8.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至6中任意一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311792674.5A CN117455208B (zh) | 2023-12-25 | 2023-12-25 | 基于人工智能的注塑品生产调度优化方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311792674.5A CN117455208B (zh) | 2023-12-25 | 2023-12-25 | 基于人工智能的注塑品生产调度优化方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117455208A true CN117455208A (zh) | 2024-01-26 |
CN117455208B CN117455208B (zh) | 2024-03-12 |
Family
ID=89589650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311792674.5A Active CN117455208B (zh) | 2023-12-25 | 2023-12-25 | 基于人工智能的注塑品生产调度优化方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117455208B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851922A (zh) * | 2024-03-08 | 2024-04-09 | 山东新泽仪器有限公司 | 一种空气浓度监测仪器运行监测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203689A (zh) * | 2016-07-04 | 2016-12-07 | 大连理工大学 | 一种梯级水电站群联合运行多目标优化调度方法 |
CN107609816A (zh) * | 2017-09-11 | 2018-01-19 | 大连交通大学 | 基于混合量子算法的智慧车辆调度管理***及其工作方法 |
CN108828942A (zh) * | 2018-06-12 | 2018-11-16 | 昆明理工大学 | 一种橡胶轮胎生产中硫化工艺过程的优化调度方法 |
US20210373888A1 (en) * | 2019-08-29 | 2021-12-02 | Huazhong University Of Science And Technology | Multi-objective optimization method and system for master production plan of casting parallel workshops |
CN114186791A (zh) * | 2021-11-10 | 2022-03-15 | 大连理工大学 | 一种面向多型号小批量的复杂装备产品装调生产动态调度方法 |
WO2022087962A1 (zh) * | 2020-10-29 | 2022-05-05 | 西门子股份公司 | 基于仿真的闭环aps调度优化方法、***及存储介质 |
US20220405129A1 (en) * | 2021-06-22 | 2022-12-22 | Nanjing University Of Posts And Telecommunications | Workflow scheduling method and system based on multi-target particle swarm algorithm, and storage medium |
CN116402574A (zh) * | 2023-03-29 | 2023-07-07 | 淮阴工学院 | 一种根据直播信息反馈的柔性智能制造方法及*** |
CN116414093A (zh) * | 2023-04-13 | 2023-07-11 | 暨南大学 | 基于物联网***和强化学习的车间生产方法 |
CN116562514A (zh) * | 2023-07-12 | 2023-08-08 | 苏州简诺科技有限公司 | 基于神经网络的企业生产状况即时分析方法及*** |
CN116610083A (zh) * | 2023-07-18 | 2023-08-18 | 成都飞机工业(集团)有限责任公司 | 一种面向大型复杂产品生产装配的动态调度方法 |
CN117035373A (zh) * | 2023-10-09 | 2023-11-10 | 中国电建集团山东电力管道工程有限公司 | 一种管道预制生产线智能管理方法及*** |
-
2023
- 2023-12-25 CN CN202311792674.5A patent/CN117455208B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203689A (zh) * | 2016-07-04 | 2016-12-07 | 大连理工大学 | 一种梯级水电站群联合运行多目标优化调度方法 |
CN107609816A (zh) * | 2017-09-11 | 2018-01-19 | 大连交通大学 | 基于混合量子算法的智慧车辆调度管理***及其工作方法 |
CN108828942A (zh) * | 2018-06-12 | 2018-11-16 | 昆明理工大学 | 一种橡胶轮胎生产中硫化工艺过程的优化调度方法 |
US20210373888A1 (en) * | 2019-08-29 | 2021-12-02 | Huazhong University Of Science And Technology | Multi-objective optimization method and system for master production plan of casting parallel workshops |
WO2022087962A1 (zh) * | 2020-10-29 | 2022-05-05 | 西门子股份公司 | 基于仿真的闭环aps调度优化方法、***及存储介质 |
US20220405129A1 (en) * | 2021-06-22 | 2022-12-22 | Nanjing University Of Posts And Telecommunications | Workflow scheduling method and system based on multi-target particle swarm algorithm, and storage medium |
CN114186791A (zh) * | 2021-11-10 | 2022-03-15 | 大连理工大学 | 一种面向多型号小批量的复杂装备产品装调生产动态调度方法 |
CN116402574A (zh) * | 2023-03-29 | 2023-07-07 | 淮阴工学院 | 一种根据直播信息反馈的柔性智能制造方法及*** |
CN116414093A (zh) * | 2023-04-13 | 2023-07-11 | 暨南大学 | 基于物联网***和强化学习的车间生产方法 |
CN116562514A (zh) * | 2023-07-12 | 2023-08-08 | 苏州简诺科技有限公司 | 基于神经网络的企业生产状况即时分析方法及*** |
CN116610083A (zh) * | 2023-07-18 | 2023-08-18 | 成都飞机工业(集团)有限责任公司 | 一种面向大型复杂产品生产装配的动态调度方法 |
CN117035373A (zh) * | 2023-10-09 | 2023-11-10 | 中国电建集团山东电力管道工程有限公司 | 一种管道预制生产线智能管理方法及*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851922A (zh) * | 2024-03-08 | 2024-04-09 | 山东新泽仪器有限公司 | 一种空气浓度监测仪器运行监测方法 |
CN117851922B (zh) * | 2024-03-08 | 2024-06-07 | 山东新泽仪器有限公司 | 一种空气浓度监测仪器运行监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117455208B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Bilateral LSTM: A two-dimensional long short-term memory model with multiply memory units for short-term cycle time forecasting in re-entrant manufacturing systems | |
CN117455208B (zh) | 基于人工智能的注塑品生产调度优化方法及*** | |
CN111950810B (zh) | 一种基于自演化预训练的多变量时间序列预测方法和设备 | |
CN111508000B (zh) | 基于参数空间噪声网络的深度强化学习目标跟踪方法 | |
Alfred | A genetic-based backpropagation neural network for forecasting in time-series data | |
CN114651261A (zh) | 用于持续学习的条件计算 | |
CN111951901A (zh) | 优化设备、优化***、优化方法及记录介质 | |
Yue et al. | Effective, efficient and robust neural architecture search | |
CN116562514B (zh) | 基于神经网络的企业生产状况即时分析方法及*** | |
CN113743011A (zh) | 一种基于pso-bp神经网络的设备寿命预测方法和*** | |
CN117148197A (zh) | 一种基于集成Transformer模型的锂离子电池寿命预测方法 | |
CN117688846A (zh) | 用于建筑能耗的强化学习预测方法及***、存储介质 | |
CN114330090A (zh) | 一种缺陷检测方法、装置、计算机设备和存储介质 | |
CN117807542A (zh) | 基于遗传lm算法的电网非正常模式数据识别方法及*** | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及*** | |
Wang et al. | Time series prediction with incomplete dataset based on deep bidirectional echo state network | |
CN116245259A (zh) | 基于深度特征选择的光伏发电预测方法、装置和电子设备 | |
Zheng et al. | Data-driven optimization based on random forest surrogate | |
CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
CN115775231A (zh) | 一种基于Cascade R-CNN的金具缺陷检测方法及*** | |
CN115620046A (zh) | 一种基于半监督性能预测器的多目标神经架构搜索方法 | |
Al Haromainy et al. | Improving Performance of RNN-Based Models With Genetic Algorithm Optimization For Time Series Data | |
Huang et al. | Learning to reweight imaginary transitions for model-based reinforcement learning | |
CN118114836A (zh) | 基于人工智能的产能预测与排产方法及*** | |
Maged et al. | Machine Learning Aided Six Sigma: Perspective and Practical Implementation |
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 |