基于AI工业物联网的车间生产实时调度方法及系统技术方案

本公开涉及车间调度技术领域，提出了一种基于AI工业物联网的车间生产实时调度方法及系统，包括：构建工业物联网调度模型；获取待加工任务，构建车间状态图与工件状态集，并进行向量化处理转换为同维度的向量；根据现在时刻和过去设定时间段内向量化后的车间状态以及工件状态，利用双向长短期记忆网络对工业物联网调度模型进行求解，对求解得到的工件状态进行反向量化处理，得到每个工件所在机器的概率生成调度计划。本公开采用向量化处理以及推理之后进行了反向量化处理，在调度的过程中考虑车间在之前一定时间内的状态，通过长短期记忆网络来评估工件下时刻的调度，来避免由于仅关注当前时刻而可能产生的额外消耗。注当前时刻而可能产生的额外消耗。注当前时刻而可能产生的额外消耗。

【技术实现步骤摘要】
基于AI工业物联网的车间生产实时调度方法及系统


[0001]本公开涉及车间调度相关
，具体的说，是涉及一种基于AI工业物联网的车间生产实时调度方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，并不必然构成在先技术。
[0003]车间调度问题是制造系统最困难的问题之一，其复杂的加工机器和工件的组合方式导致该问题具备很高的计算复杂度，是非常强的NP难问题。
[0004]现有的传统方法，将生产总时间分为多个时间窗T，在每个时间窗T的开始进行决策，生成生产计划。决策时考虑考虑最小化最大完工时间和最小化最大单台机器负荷，生成最终的调度计划；也有使用图神经网络进行调度，通过构建作业车间调度的图模型，并获取作业车间工件加工数据，建立马尔可夫决策模型，利用Actor网络进行调度决策，利用Critic网络评价Actor决策效果，利用图神经网络更新节点状态，从而产出工件调度计划。
[0005]上述方法，无论是采用传统方法、启发式方法、还是深度学习方法进行车间调，其中深度学习方法主要包括图神经网络、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于AI工业物联网的车间生产实时调度方法，其特征在于，包括如下步骤：以使得所有工件的总加工完成时间最短，构建工业物联网调度模型；获取待加工任务，构建车间状态图与工件状态集，并进行向量化处理转换为同维度的向量；根据现在时刻和过去设定时间段内向量化后的车间状态以及工件状态，利用双向长短期记忆网络对工业物联网调度模型进行求解，得到下一时刻工件状态以及预测未来设定时间内的工件状态；针对得到的工件状态，进行反向量化处理，得到每个工件所在机器的概率，最大概率对应的机器为工件的加工机器，基于工件与机器的对应关系生成调度计划。2.如权利要求1所述的基于AI工业物联网的车间生产实时调度方法，其特征在于，工业物联网调度模型的约束条件，包括：待加工任务包括多个待加工工件；每个工件具有多个工序，每道工序的加工顺序需要遵循设定的顺序；车间包括多个加工机器，每个加工机器单独负责一道工序，并且每台机器的加工时间不同，同一机器同一时刻加工一个工件；或者，构建车间状态图为：车间状态图包括顶点集和顶点之间的边构成的边集，顶点表示各机器加工状态；边集为各工序间的依赖关系，用来连接前道工序所可能使用的机器与后道工序所可能使用的机器。3.如权利要求1所述的基于AI工业物联网的车间生产实时调度方法，其特征在于，对车间状态图进行向量化处理，包括如下步骤：根据车间状态图，将车间内机器的占用情况以及机器间的依赖关系用采用二维矩阵来表示，得到车间状态二维矩阵；将车间状态二维矩阵转换为向量形式。4.如权利要求3所述的基于AI工业物联网的车间生产实时调度方法，其特征在于，将车间状态二维矩阵转换为向量形式，包括：将车间状态二维矩阵采用第一卷积核进行第一卷积操作；针对第一卷积操作的结果，依次进行激活、批量归一化操作以及按照第一卷积核进行第二卷积操作；将车间状态二维矩阵采用第二卷积核进行第三卷积操作；对第三卷积操作结果与第二卷积操作结果加权融合后，进行展平操作，展平为一维向量；进行维度变换，将一维向量变换为与双向长短期记忆网络输入同维度的向量。5.如权利要求1所述的基于AI工业物联网的车间生产实时调度方法，其特征在于：工件状态集包含工件加工的起始时间，工件当前所处工序以及所处加工机器；或者，对工件状态集进行向量化处理，...

【专利技术属性】
技术研发人员：王康，李凡平，石柱国，
申请(专利权)人：以萨技术股份有限公司，
类型：发明
国别省市：