基于深度学习的高效智能工厂调度系统技术方案

技术编号:38469732 阅读:25 留言:0更新日期:2023-08-11 14:46
本发明专利技术涉及工厂调度技术领域,具体地说,涉及基于深度学习的高效智能工厂调度系统。其包括调度执行模块以及监控数据反馈模块。本发明专利技术通过调度执行模块根据生产任务调度的规律和模式,得出调度预测结果,即不同异常情况对应的调度方式,结合调度预测结果和实时监控数据,进行生产任务调度的优化,当工厂内出现异常情况时,系统通过深度学习模型匹配对应的调度方式,并将匹配的调度方式应用至该异常流水线,随后通过监控数据反馈模块对优化后的生产任务调度进行实时监控,并将实时监控信息反馈至深度学习模型,从而为不同生产任务规划对应的调度方案,提前响应工厂异常情况,提高调度时效性。时效性。时效性。

【技术实现步骤摘要】
基于深度学习的高效智能工厂调度系统


[0001]本专利技术涉及工厂调度
,具体地说,涉及基于深度学习的高效智能工厂调度系统。

技术介绍

[0002]在互联网、智能制造和人工智能快速崛起的时代,信息技术在制造业中扮演着更重要的角色,从以前的人工制造到现在的智能制造,以“万物感知、万物互联、万物智能”为特征的物联网在生产车间已经有了进一步实现的基础,智能制造已成为现代制造业发展的重要方向。
[0003]工厂在进行生产过程中,由于各个流水线生产的产品不同,其生产流程与生产效率也会有所差异,在进行人员调度分配过程中,如果不能结合各个流水线生产流程与各个工人生产效率,就很容易出现调度失衡现象,例如生产产品工序增加,流水线上人员数量无法适配,导致整条流水线上的工人任务过于繁重,而通过人工进行调度时效性较低,且很容易出现调度错误。
[0004]为了应对上述问题,现亟需基于深度学习的高效智能工厂调度系统。

技术实现思路

[0005]本专利技术的目的在于提供基于深度学习的高效智能工厂调度系统,以解决上述背景技术中提出的问题。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的高效智能工厂调度系统,其特征在于:包括数据采集模块(10)、数据预处理模块(20)、深度学习模型训练模块(30)、调度执行模块(40)以及监控数据反馈模块(50);其中,所述数据采集模块(10)用于采集工厂生产环境中的实时监控数据;所述数据采集模块(10)输出端与所述数据预处理模块(20)输入端连接,所述数据预处理模块(20)用于采集到的数据进行预处理;所述数据预处理模块(20)输出端与所述深度学习模型训练模块(30)输入端连接,所述深度学习模型训练模块(30)结合对预处理的数据,建立深度学习模型,并训练深度学习模型,学习生产任务调度的规律和模式;所述深度学习模型训练模块(30)输出端与所述调度执行模块(40)输入端连接,所述调度执行模块(40)根据生产任务调度的规律和模式,得出调度预测结果,并结合调度预测结果和实时监控数据,进行生产任务调度的优化;所述调度执行模块(40)输出端与所述监控数据反馈模块(50)输入端连接,所述监控数据反馈模块(50)用于对优化后的生产任务调度进行实时监控,并将实时监控信息反馈至深度学习模型。2.根据权利要求1所述的基于深度学习的高效智能工厂调度系统,其特征在于:所述数据采集模块(10)包括数据采集类型确定单元(110)、正常生产阈值规划单元(120)以及异常数据确定单元(130),所述数据采集类型确定单元(110)用于对监控数据进行分类处理,所述数据采集类型确定单元(110)输出端与所述正常生产阈值规划单元(120)输入端连接,所述正常生产阈值规划单元(120)用于确定正常状态下流水线生产效率,所述正常生产阈值规划单元(120)输出端与所述异常数据确定单元(130)输入端连接,所述异常数据确定单元(130)用于记录低于正常状态下流水线生产效率对应的异常数据。3.根据权利要求2所述的基于深度学习的高效智能工厂调度系统,其特征在于:所述数据采集模块(10)采用阈值比对算法,其算法公式如下:;;其中,为流水线中生产不同产品对应的正常工作效率集合,至为流水线中生产不同产品对应的正常工作效率,为阈值比对函数,为当前监控该流水线的生产产品的生产效率,为该生产产品对应正常工作效率,当当前监控该流水线的生产产品的生产效率低于该生产产品对应正常工作效率,此时阈值比对函数输出为,表明此时该流水线出现异常情况,当当前监控该流水线的生产产品的...

【专利技术属性】
技术研发人员:杨斐
申请(专利权)人:深圳凯升联合科技有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1