一种基于深度学习的置换流水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置换流水车间控制方法和系统。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。本发明专利技术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。

【技术实现步骤摘要】
一种基于深度学习的置换流水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置换流水车间控制方法及系统。
技术介绍
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，制造系统变得越来越复杂，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本文档来自技高网...

【技术保护点】
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：/nS1，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；/nS2，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；/nS3，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；/nS4，重复步骤S3，直至交换所述初始...

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：李新宇，黎阳，王翠雨，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