一种基于深度学习的车间控制方法及系统技术方案

本发明专利技术公开了一种基于深度学习的车间控制方法和系统。该方法包括：采集加工设备的零件全生命周期数据；构建基于人工神经网络的设备故障预测模型，利用所述零件全生命周期数据对所述设备故障预测模型进行训练和测试，利用训练好的设备故障预测模型输出所述加工设备的预测故障发生时刻数据；构建车间调度模型，并获取所述加工设备的维修时长数据，利用所述维修时长数据和所述预测故障发生时刻数据构建所述车间调度模型中的特殊加工约束；对所述车间调度模型进行求解，获取总加工时间最短的工件加工方案，发送工件加工指令。本发明专利技术能够进一步缩短工件加工时间，减少或避免重调度，提高车间生产效率。

【技术实现步骤摘要】
一种基于深度学习的车间控制方法及系统
本专利技术属于车间控制
，更具体地，涉及一种基于深度学习的车间控制方法及系统。
技术介绍
车间控制是指确定车间内多个工件在多个加工设备上的加工顺序。随着智能化和柔性化车间的发展，车间数据越来越庞大，制造系统变得越来越复杂，动态事件发生越来越频繁，采用传统车间动态控制方法不足以解决日趋复杂的实际生产问题。在实际的生产控制过程中，会出现加工设备故障、订单插入等突发事件。现有技术中，最为常见的是针对动态事件采用预-反应式调度方法。预-反应式调度是根据实时的动态事件，修改原始工件加工方案的重调度过程。绝大多数预-反应式调度是基于车间效率的简单调度方案进行调整的。预-反应式调度对车间动态事件的响应能力较高，但是可能导致较差的鲁棒性和稳定性。特别是在动态事件频繁发生、不确定性程度高的生产环境中，频繁地进行重调度会造成生产系统不能稳定运行，制造资源得不到优化配置，严重影响生产系统的性能，工件加工时间长，加工效率低下。在混合流水车间中，这一问题更加明显，混合流水车间是一般流水车间的推广，但在某些工序中本文档来自技高网...

【技术保护点】
1.一种基于深度学习的车间控制方法，其特征在于，包括：/n采集加工设备的零件全生命周期数据，构建训练样本集和测试样本集；/n构建基于人工神经网络的设备故障预测模型，利用所述训练样本集和所述测试样本集对所述设备故障预测模型进行训练和测试，利用训练好的所述设备故障预测模型输出所述加工设备的预测故障发生时刻数据；/n构建车间调度模型，并获取所述加工设备的维修时长数据，利用所述维修时长数据和所述预测故障发生时刻数据构建所述车间调度模型中的一个加工约束；/n根据所述车间调度模型获取总加工时间最短的工件加工方案，发送工件加工指令。/n

【技术特征摘要】
1.一种基于深度学习的车间控制方法，其特征在于，包括：
采集加工设备的零件全生命周期数据，构建训练样本集和测试样本集；
构建基于人工神经网络的设备故障预测模型，利用所述训练样本集和所述测试样本集对所述设备故障预测模型进行训练和测试，利用训练好的所述设备故障预测模型输出所述加工设备的预测故障发生时刻数据；
构建车间调度模型，并获取所述加工设备的维修时长数据，利用所述维修时长数据和所述预测故障发生时刻数据构建所述车间调度模型中的一个加工约束；
根据所述车间调度模型获取总加工时间最短的工件加工方案，发送工件加工指令。


2.如权利要求1所述的一种基于深度学习的车间控制方法，其特征在于，所述采集加工设备的零件全生命周期数据为：采集所述加工设备的零件更换数据；或采集所述加工设备从开始连续运行到零件损坏的数据；或为每个加工设备预先定义要采集的数据。


3.如权利要求1所述的一种基于深度学习的车间控制方法，其特征在于，所述加工约束为：

或
其中，是工件i在阶段j的加工设备mj上的开始加工时间，是工件i在阶段j的加工设备mj上的完工时间，tb是加工设备mj的预测故障发生时刻，tm是加工设备mj的维修时长。


4.如权利要求1所述的一种基于深度学习的车间控制方法，其特征在于，采用模拟退火算法对所述车间调度模型进行求解，以获取总加工时间最短的工件加工方案。


5.如权利要求1所述的一种基于深度学习的车间控制方法，其特征在于，
所述获取总加工时间最短的工件加工方案过程中，预先定义工件的分配策略为：按照工件编码确定工件加工先后顺序；若多个工件同时到达，采用RR规则进行调度，随机确定同时到达的工件的加工先后顺序；
所述获取总加工时间最短的工件加工方案过程中，预先定义为工件分配加工设备的分配策略为：获取该工件的每个可用加工设备的空闲时间，获取该工件上一阶段的加工结束时间，获取每个可用加工设备加工该工件的加工时长；确定每个可用加工设备加工该工件的加工完成时刻，选择加工完成时刻最小的可用加工设备作为该工件的加工设备。


6.一种基于深度学习的车间控制系...

【专利技术属性】
技术研发人员：李新宇，韩冬，黎阳，冯姣姣，高亮，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42