一种基于图神经网络的车间动态瓶颈预测调度优化方法技术

本发明专利技术提出一种基于图神经网络的车间动态瓶颈预测调度优化方法，旨在提前预测瓶颈，优化调度方案，降低瓶颈对生产的约束，提高生产效率。本发明专利技术的技术方案为：一是根据排产任务和排产周期最短时间，使用遗传算法最大优化排产方案。二是从车间采集生产设备的真实数据，经过数据处理和结合图神经网络GAT和Informer的长序列预测模型，预测瓶颈状态与飘移。三是若存在瓶颈，则以最短完工时间的规则进行优化调度方案，提前响应排程，降低对生产效率的影响；若没有瓶颈，则车间按照原来调度方案生产。方案生产。方案生产。

【技术实现步骤摘要】
一种基于图神经网络的车间动态瓶颈预测调度优化方法


[0001]本专利技术属于离散车间制造动态调度优化领域，具体涉及一种基于图神经网络的车间动态瓶颈预测调度优化方法。

技术介绍

[0002]近年来，瓶颈识别逐渐成为车间制造焦点关注的问题。基于离散车间状态信息，对瓶颈识别预测，改善生产策略，可提高生产质量与效率。如今，大数据的发展，使得车间逐渐成为了无人或少人操控车间产线，加大生产效率，降低人工成本。利用大数据进行算法模型“黑箱”操作，对瓶颈识别预测，提前对生产计划进行调整优化，成为了当下研究的发展态势。
[0003]目前，对动态瓶颈预测研究发展现状如下：
[0004]西安建筑科技大学《基于模糊层次分析的多目标作业调度中瓶颈设备识别方法》是基于正交实验计算方案的层次分析法来识别瓶颈，在模糊评判方法评估瓶颈度。西北工业大学《基于动态瓶颈预测的智能车间生产优化方法》利用物联网技术采集多源异构信息，基于稳态信息数据和异常数据信息建立两种深度神经网络算法模型，对未来时刻瓶颈进行预测分析，获取未来预测的瓶颈工序，提前进行响应优化调度。但这些方法在车间未来时刻调度优化，缺乏对车间空间布局的关联考虑。
[0005]离散车间制造瓶颈识别的影响因素很多，评价对象指标不同。一般车间瓶颈影响因素有设备的生产负荷、平均故障与维护时间、生产能力、在制品在缓冲区队列长度和加工时间，系统中的堵塞和饥饿时间等。上述因素在时间序列历史过程会出现相关性问题，相互影响。在离散车间制造过程中，具有向下游关系的工位必定会相互影响。这些因素都会进一步影响瓶颈识别和瓶颈预测的准确性。

技术实现思路

[0006]为了至少解决现有技术中存在的问题之一，本专利技术提供一种基于时间—空间的离散车间动态瓶颈预测方法。基于本专利技术方法对离散车间制造在空间与时间上的全局监控，为离散车间制造实时提供可预测性的信息，借助预测信息动态预测离散车间的瓶颈状态，提前启动调度算法模型，快速应对未来时刻瓶颈，改善生产效能。
[0007]为了实现本专利技术目的，本专利技术提供的一种基于图神经网络的车间动态瓶颈预测调度优化方法，
[0008]步骤1：n个零件在m台设备，每个零件按照给定的工艺路线与加工要求加工。每个零件自身存在工序加工先后顺序约束。多个零件有着相同工序，遵循优先等级的原则。零件的每道工序只能选择一台机器，直到加工完成。对于设备端，每台设备在某个时刻最多只能加工一道工序。
[0009]调度模型中的判断标准指标函数是以最小最大化完工时间作为目标函数:min f1＝min(max(C
o
)；1≤o≤n)。
[0010]其中C
o
为第j个工件最后一道工序完成时间C。
[0011]步骤2：离散车间系统制造数据采集预处理，基于离散车间工位之间的关系构建无向图，通过传感器及MES制造系统获取多源异构数据特征，经过GAT与Informer图神经网络长序列模型动态预测瓶颈，使用Turning
‑
point方法分析未来瓶颈状态与漂移情况。
[0012]多源异构数据特征包括堵塞时间(BT)、饥饿时间(ST)、在制品状态(WIP)、缓冲区长度(BL)、设备利用率(U)、平均故障时间(MTTF)和设备平均故障维修时间(MTTR)和工件相对延迟完工时间(RL)。
[0013]工件相对延迟完工时间(RL)公式：
[0014]RL
i
＝TC
o
(act)
‑
TC
o
(tar)
[0015]其中TC
o
(act)为工件在工作站i实际加工时间；TC
o
(tar)为工件在工作站i预期加工时间。
[0016]步骤2.1：可构建离散车间工位之间的联系变化，构建神经网络图结构关系G＝(V,E),点矩阵(工位矩阵)V＝(v1,
…
,v
N
),邻接矩阵A,点(工位)之间的权重以0为无直接关系与1为有直接关系。通过构建融合相邻相关点的特征关系作为初始特征。
[0017]对有上下有关系的工位(即邻接矩阵中权重为1之间的点有直接关系)，计算相邻相关点的相关性系数：
[0018]e
ij
＝a([Wh
i
||Wh
j
])
[0019]其中e
ij
为相关系数，W为权重矩阵，h为点的特征矩阵，i与j为顶点。
[0020]计算注意力系数：
[0021][0022]其中α
ij
为注意力系数，N
i
为有上下游关系的点(工位)集合。
[0023]把注意力系数α
ij
作为权重，采用多头注意机制融合领域相关点的特征信息。该非线性注意机制，使得融合机制更加稳定，其计算公式如下：
[0024][0025]其中h
′
i
是融合后的点信息特征，σ为激活函数，K是多头关注机制的自注意机制数量，W
K
指的是第K个自注意机制的可学习线性输入权重矩阵。
[0026]步骤2.2：图神经网络融合相邻各个工作站的特征信息h
′
i
作为序列预测的特征输入，通过使用已存在的Informer预测算法模型，通过多头关注机制加强关注临近工作站之间在时间上的连系，同时通过Informer内部结构max
‑
mean权量标准聚焦于预测瓶颈飘移影响较大的工作站的变化，在保证预测精度的情况下，有利于减少计算复杂度，加快算法的处理速度，更快响应瓶颈飘移，以加快优化未来调度方案，消除瓶颈对生产的影响，提高生产效率，降低生产过程成本。
[0027]在编码中，为了减少Query与Key的计算量，加快计算速度，采用Query稀疏矩阵进行点乘运算。经过改善的KL散度值选取差异性较大的q
i
的行向量，其max
‑
mean衡量标准的计算公式如下：
[0028][0029]其中为第i行权重值，Query、Key为经过线性变化的向量矩阵，L
K
为q
i
值的均匀分布。q
i
为Query为经过线性变化的向量矩阵的第i行向量，d表示是Query与Key矩阵维度大小，k
j
为Key为经过线性变化的向量矩阵的第j行向量，﹒
T
表示向量转置标识，为k
j
转置向量。
[0030]步骤2.3：使用Turning
‑
point方法和瓶颈延迟法对步骤2.2图神经网络长预测的特征进行计算与分析，预测下一时间段的瓶颈位置j，分析瓶颈飘移的情况，以便下一步进行优化调度方案。
[0031]瓶颈分析与判断的Turning
‑
point方法的公式如下：
[0032](TB
i，t+T...

【技术保护点】

【技术特征摘要】
1.一种基于图神经网络的车间动态瓶颈预测调度优化方法，其特征在于，包括以下步骤:步骤1：n个零件在m台设备，每个零件按照给定的工艺路线与加工要求加工；步骤2：离散车间系统制造数据采集预处理，基于离散车间工位之间的关系构建无向图，通过传感器及MES制造系统获取多源异构数据特征，基于GAT与Informer图神经网络长序列模型动态预测瓶颈，使用Turning
‑
point方法和瓶颈延迟法分析未来瓶颈状态与漂移情况；步骤3：根据步骤2的图神经网络长序列模型动态瓶颈预测与分析，处理预测的数据特征，以当前各个工作站的加工状态，基于最小最大完工时间原则，使用遗传算法重新优化预测下一时刻的调度方案。2.根据权利要求1所述的一种基于图神经网络的车间动态瓶颈预测调度优化方法，其特征在于，步骤1中，加工时，每个零件自身存在工序加工先后顺序约束，多个零件有着相同工序，遵循优先等级的原则，零件的每道工序只能选择一台机器，直到加工完成，对于设备端，每台设备在某个时刻最多只能加工一道工序。3.根据权利要求1所述的一种基于图神经网络的车间动态瓶颈预测调度优化方法，其特征在于，步骤2中，所述多源异构数据特征包括堵塞时间(BT)、饥饿时间(ST)、在制品状态(WIP)、缓冲区长度(BL)、设备利用率(U)、平均故障时间(MTTF)和设备平均故障维修时间(MTTR)和工件相对延迟完工时间(RL)。4.根据权利要求3所述的一种基于图神经网络的车间动态瓶颈预测调度优化方法，其特征在于，工件相对延迟完工时间(RL)的公式为RL
o
＝TC
o
(act)
‑
TC
o
(tar)其中TC
o
(act)为工件在工作站i实际加工时间；TC
o
(tar)为工件在工作站i预期加工时间。5.根据权利要求1所述的一种基于图神经网络的车间动态瓶颈预测调度优化方法，其特征在于，步骤2包括：步骤2.1：构建离散车间工位之间的联系变化，构建神经网络图结构关系G＝(V,E),工位矩阵V＝(v1,
…
,v
N
),邻接矩阵A,工位之间的权重以0为无直接关系与1为有直接关系，通过构建融合相邻相关点的特征关系作为初始特征；步骤2.2：将图神经网络融合相邻各个工作站的特征信息作为序列预测的特征输入，基于Informer预测算法模型，通过多头关注机制加强关注临近工作站之间在时间上的连系，同时通过Informer内部结构max
‑
mean权量标准聚焦于预测瓶颈飘移影响较大的工作站的变化；步骤2.3：使用Turning
‑
point方法和瓶颈延迟法对步骤2.2图神经网络长预测得到的特征进行计算与分析，预测下一时间段的瓶颈位置j，分析瓶颈飘移的情况。6.根据权利要求5所述的一种基于图神经网络的车间动态瓶颈预测调度优化方法，其特征在于，步骤2.1包括：对有上下有关系的工位，计算相邻相关点的相关性系数：e
ij
＝a([Wh
i
||Wh
j
])其中e
ij
为相关系数，W为权重矩阵，h为点的特征矩阵，i与j为顶点；
计算注意力系数：其中α
ij
为注意力系数，N
i
为有上下游关系的点(工位)集合，LeakyReLU为激活函数，a为可调斜率，k是顶点，e
ik
是工位i与工位k的注意力系数；把注意力系数α
ij
作为权重，采用多头注意机制融合领域相关点的特征信息，多头注意机制的计算公式如下：其中h
′
i
是融合后的点信息特征，σ为激活函数，K是多头关注机制的数量。7.根据权利要求5所述的一种基于图神经网络的车间动态瓶颈预测调度优化方法，其特征在于，步骤2.2中，采用Query稀疏矩阵进行点乘运算，经过改善的KL散度值选取差异性较大的q
i
的行向量，max
‑
mean权量标准的计算公式如下：其中为第i行权重值，Query、Key为经过线性变化的向量矩阵，L
K
为q
i
值的均匀分布。q
i
为Query为经过线性变化的向量矩阵的第i行向量，d表示是Query与Key矩阵维度大小，k
j
为Key为经过线性变化的向量矩阵的第j行向量，T表示向量转置标识，为k
j
转置向量。8.根据权利要求5所述的一种基于图神经网络的车间动态瓶颈预测调度优化方法，其特征在于，步骤2.3中，瓶颈分析与判断的Turning
‑
point方法的公式如下：(TB
i，t+T
‑
T...

【专利技术属性】
技术研发人员：谢龙汉，岑伟洪，陈刚，苏楚鹏，王闯，林泽，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：