一种基于进化神经网络的纺织排产调度方法技术

本发明专利技术涉及一种基于进化神经网络的纺织排产调度方法，其包括如下工艺步骤：1)，获取纺织车间排产历史数据；2)，选取纺织排产关键过程变量，进行神经网络模型训练；3)，构建纺织排产初始神经网络，生成初始排产方案集群；4)，构建纺织排产约束条件及其目标优化方法，建立集群进化策略；5)，在集群进化策略中引入纺织车间排产扰动变量，更新进化神经网络；6)，将现有排产数据输入进化神经网络，获得最优纺织排产调度方案。本发明专利技术的基于进化神经网络的纺织排产调度方法克服了现有纺织排产调度方法的不足，提高纺织生产排产调度方案制定有效性，提高排产质效。高排产质效。高排产质效。

【技术实现步骤摘要】
一种基于进化神经网络的纺织排产调度方法


[0001]本专利技术涉及一种排产调度方法，具体涉及一种基于进化神经网络的纺织排产调度方法，属于纺织制造


技术介绍

[0002]纺织排产中存在经纱拼缸、整经、准备等调度关系，穿经准备工序和织造生产工序调度关系，多织轴、多设备、多产品等调度关系。传统调度方法主要在纺织生产前进行方案制定，当面对纺织生产现场多源随机动态扰动时，无法做出快速响应，导致原定排产方案失效。
[0003]另外，纺织生产是一种长周期、不间断的制造过程，在生产过程中时常发生突发订单、急单、设备维护等需求，生产车间需要快速制定排产方案。目前大多数纺织企业仍然依靠人工经验排产，无法对突发情况进行及时的排产调度，造成生产资料浪费，生产质效低下问题。提高纺织排产数字化和智能化水平是节约能源、节省人力的有效途径。
[0004]因此，为解决上述技术问题，确有必要提供一种创新的基于进化神经网络的纺织排产调度方法，以克服现有技术中的所述缺陷。

技术实现思路

[0005]本专利技术的目的在于提供一种基于进化神经网络的纺织排产调度方法，其能针对织造生产中经纱拼缸、经纱准备和织造三个排产关键点，以进化算法优化神经网络搜索空间，解决纺织生产中多目标、多约束、多关联、多冲突等排产调度问题。
[0006]为实现上述目的，本专利技术采取的技术方案为：一种基于进化神经网络的纺织排产调度方法，其包括如下工艺步骤：
[0007]1)，获取纺织车间排产历史数据；
[0008]2)，选取纺织排产关键过程变量，进行神经网络模型训练；
[0009]3)，构建纺织排产初始神经网络，生成初始排产方案集群；
[0010]4)，构建纺织排产约束条件及其目标优化方法，建立集群进化策略；
[0011]5)，在集群进化策略中引入纺织车间排产扰动变量，更新进化神经网络；
[0012]6)，将现有排产数据输入进化神经网络，获得最优纺织排产调度方案。
[0013]本专利技术的基于进化神经网络的纺织排产调度方法进一步为：所述步骤1)中，所述纺织车间排产历史数据包括订单数、纺织机器数、产品数量、单匹布长度、经纱绕长、经纱总根数、织轴落布次数、经轴个数、加工时间、动态预留时间以及交期时间。
[0014]本专利技术的基于进化神经网络的纺织排产调度方法进一步为：所述步骤2)中，所述关键过程变量包括织轴数量、加工时间、机器数量、机器转速以及钢筘数量；训练时，对纺织排产历史数据进行归一化，获得排产方案训练样本集。
[0015]本专利技术的基于进化神经网络的纺织排产调度方法进一步为：所述步骤4)中，所述约束条件包括织轴不可拆分，即织轴具有订单、纱线材料、纱线绕长、纱线根数的属性；织机
与织轴的时间同一性，即织造时间由机器转速、经纱绕长和产品参数决定；穿经机与织轴的时间同一性，即穿经时间由机器转速和经纱根数决定；以及，钢筘与织轴的时间同一性，即钢筘型号、织轴、经纱根数具有参数约束关系。
[0016]本专利技术的基于进化神经网络的纺织排产调度方法进一步为：所述步骤4)中，所述目标优化方法包括订单预期损失最小化目标、订单完成时间最小化目标、以及织机闲置时间最小化目标。
[0017]本专利技术的基于进化神经网络的纺织排产调度方法进一步为：所述步骤4)中，所述集群进化策略如下：
[0018]4‑
1)，初始集群，设置进化代数G＝1；
[0019]4‑
2)，对初始种群进行非支配排序，对排产方案集群进行交叉变位及变异，计算集群适应度，选择生成新集群，并设置进化代数G＝2；
[0020]4‑
3)，进行父子集群合并，产生新集群；
[0021]4‑
4)，生成新的排产方案集群，计算目标函数，执行快速非支配排序、计算拥挤度、精英策略等操作生成新的集群，并设置进化代数G+1；
[0022]4‑
5)，判断进化代数是否等于最大进化代数，若没有则进化代数G+1并返回步骤4
‑
3)，反之继续进化。
[0023]本专利技术的基于进化神经网络的纺织排产调度方法还可为：所述步骤5)中，所述纺织车间排产扰动变量包括临时打样任务、急需插单任务、订单变更，还包括纱线断头、装置维修保养以及原材料供给日期变更。
[0024]与现有技术相比，本专利技术具有如下有益效果：本专利技术的基于进化神经网络的纺织排产调度方法以纺织车间排产历史数据为基础，建立排产方案神经网络模型，生产初始排产方案集群，利用非支配排序进化策略进行排产神经网络优化，引入车间实时生产扰动变量，对纺织排产方案做出快速响应，并进一步优化排产神经网络，使纺织车间排产调度处于不断学习强化中，提高排产方案可行性。
【附图说明】
[0025]图1是本专利技术的基于进化神经网络的纺织排产调度方法的流程框图。
[0026]图2是本专利技术的步骤4)神经网络集群进化策略的流程图。
【具体实施方式】
[0027]请参阅说明书附图1和附图2所示，本专利技术涉及一种基于进化神经网络的纺织排产调度方法，其技术思路是：首先获取纺织车间历史排产数据，并建立初始排产神经网络模型；然后进行纺织车间需求、动态扰动和排产目标的平衡优化，并建立纺织排产进化策略；最后生成进化神经网络，并依据织机排产特征进行最优排产方案。
[0028]具体的说，本专利技术的基于进化神经网络的纺织排产调度方法包括如下工艺步骤：
[0029]1)，获取纺织车间排产历史数据。
[0030]所述纺织车间排产历史数据包括订单数、纺织机器数、产品数量、单匹布长度、经纱绕长、经纱总根数、织轴落布次数、经轴个数、加工时间、动态预留时间以及交期时间等。
[0031]2)，选取纺织排产关键过程变量，进行神经网络模型训练。
[0032]其中，所述关键过程变量包括织轴数量、加工时间、机器数量、机器转速以及钢筘数量。训练时，对纺织排产历史数据进行归一化，获得排产方案训练样本集。
[0033]3)，构建纺织排产初始神经网络，生成初始排产方案集群。
[0034]4)，构建纺织排产约束条件及其目标优化方法，建立集群进化策略。
[0035]其中，所述约束条件包括织轴不可拆分，即织轴具有订单、纱线材料、纱线绕长、纱线根数等属性；织机与织轴的时间同一性，即织造时间由机器转速、经纱绕长和产品参数决定；穿经机与织轴的时间同一性，即穿经时间由机器转速和经纱根数决定；以及，钢筘与织轴的时间同一性，即钢筘型号、织轴、经纱根数具有参数约束关系。
[0036]所述目标优化方法包括订单预期损失最小化目标、订单完成时间最小化目标、以及织机闲置时间最小化目标。
[0037]进一步的，所述集群进化策略建立方法如下：
[0038]4‑
1)，初始集群，设置进化代数G＝1；
[0039]4‑
2)，对初始种群进行非支配排序，对排产方案集群进行交叉变位及变异，计算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于进化神经网络的纺织排产调度方法，其特征在于：包括如下工艺步骤：1)，获取纺织车间排产历史数据；2)，选取纺织排产关键过程变量，进行神经网络模型训练；3)，构建纺排产初始神经络，生成初始排产方案集群；4)，构建纺织排产约束条件及其目标优化方法，建立集群进化策略；5)，在集群进化策略中引入纺织车间排产扰动变量，更新进化神经网络；6)，将现有排产数据输入进化神经网络，获得最优纺织排产调度方案。2.如权利要求1所述的基于进化神经网络的纺织排产调度方法，其特征在于：所述步骤1)中，所述纺织车间排产历史数据包括订单数、纺织机器数、产品数量、单匹布长度、经纱绕长、经纱总根数、织轴落布次数、经轴个数、加工时间、动态预留时间以及交期时间。3.如权利要求1所述的基于进化神经网络的纺织排产调度方法，其特征在于：所述步骤2)中，所述关键过程变量包括织轴数量、加工时间、机器数量、机器转速以及钢筘数量；训练时，对纺织排产历史数据进行归一化，获得排产方案训练样本集。4.如权利要求1所述的基于进化神经网络的纺织排产调度方法，其特征在于：所述步骤4)中，所述约束条件包括织轴不可拆分，即织轴具有订单、纱线材料、纱线绕长、纱线根数等属性；织机与织轴的时间同一性，即织造时间由机器转速、经纱绕长和产品参数决定；穿经机与织轴的时间同一性，即穿经时间由机器转速和经纱根数决定；以及，钢筘...

【专利技术属性】
技术研发人员：应志平，沈春亚，胡旭东，吴震宇，向忠，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：