一种复杂制造系统回归调度方法技术方案

本发明专利技术公开了一种复杂制造系统回归调度方法，通过构建基于极限学习机的复杂制造系统回归调度模型，实现了获取实时生成与生产状态相适应的调度规则权重组合，达到了制造系统的多目标优化的目的，同时，利用基于比例‑积分‑微分(PID)梯度下降算法求取隐含层节点的输出权值矩阵完成对极限学习机模型的训练，能够在降低计算负担过重和提高计算效率的情况下提高算法的泛化性能。

【技术实现步骤摘要】
一种复杂制造系统回归调度方法
本专利技术涉及复杂制造系统动态调度
，具体涉及一种复杂制造系统回归调度方法。
技术介绍
复杂制造系统生产过程复杂，由多个相关联的生产过程构成。当制造过程比较平稳时，原定调度策略能够持续保证系统生产性能的优化；而当制造系统出现机器故障等扰动时，制造环境发生变化，先前采用的调度策略失效，最终无法得到期望的生产性能。因此，如何根据生产过程状态动态地确定有效的调度策略是提高复杂制造系统运行性能的关键。这种根据制造系统生产状态来动态调整调度策略的方法即为复杂制造系统动态调度。数据驱动建模的方法精确度高且计算效率高,将数据驱动思想运用在生产调度领域，采用有效的方法分析累积的生产数据，提取相关知识并用于指导生产，是制造系统动态调度问题研究的重要方向。机器学习是数据驱动建模的有效方法，基于机器学习获得的数据驱动的动态调度模型，大致可分为两大模式：(1)分类模式，是指在动态调度过程中从已有的调度策略集中选择其中的一个调度策略来满足制造系统的调度目标；(2)回归模式，是指在动态调度过程中为含参数的调度策略给定一组本文档来自技高网...

【技术保护点】
1.复杂制造系统回归调度方法，其特征在于，包括以下步骤：/n步骤1、采集复杂制造系统生产状态与组合式调度规则的权重系数的历史数据形成训练样本，所述样本为{X

【技术特征摘要】
1.复杂制造系统回归调度方法，其特征在于，包括以下步骤：
步骤1、采集复杂制造系统生产状态与组合式调度规则的权重系数的历史数据形成训练样本，所述样本为{Xi,Yi|Xi∈Rm,Yi∈Rl,i＝1,2,...,N}，其中，Xi＝[xim，m＝1,2,...,M]T表示复杂制造系统的生产状态，xim为生产状态的第m个特征，M为特征的总数；Yi＝[yil，l＝1,2,...,L]T表示当前复杂制造系统的生产状态Xi对应的最优调度策略，所述最优调度策略为组合式调度规则的权重系数，yil为第l个组合式调度规则的权重，L为组合式调度规则的总数；i为样本编号，N为训练样本集中样本的总数；R为实数域；
步骤2、基于极限学习机模型建立复杂制造系统回归调度模型，如公式(1)：



其中，Yl×N∈Rl×N为所述回归调度模型的输出矩阵，b为隐含层节点的个数，Hb×N为隐含层节点矩阵，Wl×b为隐含层节点输出权值矩阵，Xm×N∈Rm×N为所述回归调度模型的输入矩阵，Xi＝[xim，m＝1,2,...,M]T为输入矩阵Xm×N中的第i个输入，Yi＝[yil，l＝1,2,...,L]T为输出矩阵Yl×N中的第i个...

【专利技术属性】
技术研发人员：邹伟东，夏元清，李慧芳，张金会，翟弟华，戴荔，刘坤，闫莉萍，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11