一种面向电网物资检测流程的智能调度方法技术

本发明专利技术涉及一种面向电网物资检测流程的智能调度方法，通过将整个电网检测流程的决策与控制建模成柔性车间调度问题，而数据驱动搭配知识模型的算法将该新问题作为输入，能够快速解出一个符合实际场景的调度方案

【技术实现步骤摘要】
一种面向电网物资检测流程的智能调度方法


[0001]本专利技术属于电网物资调度
，尤其是一种面向电网物资检测流程的智能调度方法
。

技术介绍

[0002]电网是重要的国民经济基础部门，电网中用到的关键设备需要经过合理检测
、
确认合格才能投运到电网生产中
。
检测中心可以检测变压器
、
熔断器
、
电容器
、
电抗器
、
一二次融合设备
、
物联网传感器等数十种物资，有一般检测
、
力学性能检测
、
高温实验室
、
低温实验室
、
放电检测
、
油理化检测等多种检测流程构成检测线，每个具体设备对应的检测流程也不相同
。
被检物资往往体积
、
质量比较大，中间的转运需要用到
AGV
设备
。
[0003]检测中心内通过人工智能技术对检测工位
、
仓储物流等系统信息进行分析
、
推理
、
决策与控制得到越来越多的关注
。
其中的调度问题是制造流程规划和仓库内
AGV
路径优化中最关键的问题，也是众所周知的
NP
‑
难问题
。
而智能车间调度技术是解决这一问题，并实现全面控制和柔性生产的一项关键技术
。
[0004]在调度算法研究方面，最相近的现有技术方案是由罗梓珲等人1于
2022
年发表在物联网学报上的一种基于深度强化学习的智能调度车间算法
。
该架构将深度强化学习引入到调度算法中，使用
Actor
‑
Critic
架构对编码器提取出的特征进行决策，再由解码器转换为实际动作进行执行
。
[0005]现有的车间调度算法大致包含两类，一类是基于优先权的规则调度算法2，另一类方法是以遗传算法
(GA
，
genetic algorithm)
和深度强化学习
(DRL
，
deep reinforcement learning)
为代表的智能车间调度算法，需要数据或者仿真器进行一定时间的学习，然后不断迭代得到最优算法
。
[0006]第一类工作的核心是基于一些传统工业车间中常用的调度规则来进行调度，包括
FIFO(
先进先出
)、LIFO(
后进先出
)、LPT(
最长处理时间
)
和
SPT(
最短处理时间
)
等，这些规则大多数人类专家根据过往的生产经验总结出的一些较好的调度规则，可以应对一般的调度场景
。
[0007]第二类方法的核心是使用
DRL
等智能算法来在车间调度问题中取得近似较优解
。
其具体操作包括选择传统调度规则，即智能调度和规则调度的结合，或者直接进行调度决策
。DRL
将会在仿真器中不断地试错来获得当前决策动作的奖励，从优化当前策略
。
[0008]第一类基于优先权的规则调度算法只能解决简单的车间调度问题，对于当今物联网中包含物流系统的复杂车间调度问题优化效果不佳
。
第二类基于
DRL
的智能车间调度对数据和仿真器有较高的要求，且训练的学习效率慢，同时
DRL
对于仿真器和实际场景间的差异也比较敏感，导致算法在实际部署时可能解的质量不高
。

技术实现思路

[0009]本专利技术的目的在于克服现有技术的不足，提出一种面向电网物资检测流程的智能
调度方法，将整个电网检测流程的决策与控制建模成柔性车间调度问题，而数据驱动搭配知识模型的算法将该新问题作为输入，能够快速解出一个符合实际场景的调度方案
。
[0010]本专利技术解决其技术问题是采取以下技术方案实现的：
[0011]一种面向电网物资检测流程的智能调度方法，包括以下步骤：
[0012]步骤
1、
建立电网物资监测中心中仓储物流系统
AGV
的模型，得到加入
AGV
作为新任务后作业数据；
[0013]步骤
2、
根据作业数据，构建知识模型；
[0014]步骤
3、
使用基于模拟器数据驱动的常用强化学习算法作为热启动计算知识模型，得到调度方法
。
[0015]而且，所述步骤1的具体实现方法为：
[0016][0017]其中，
m
i
,i
＝
1,2,3,4
代表机器，
t
i
,i
＝
1,2,3,4
代表任务用时，
a
i
,i
＝
1,2,3
代表
AGV
任务，
t
a
代表
AGV
任务用时
。
[0018]而且，所述步骤2中知识模型为带有约束的整数规划算法，算法的优化目标函数为完成最后一个作业的时间：
[0019][0020][0021][0022]其中，任一作业
i
在工序
k
分派的机器
m
上加工的完工时间
ct
ikm
等于该作业在该道工序的完工时间，开始加工时间
st
ikm
等于该作业在该道工序的完工时间
ct
ikm
与加工时间
pt
ikm
的差值，
ct
ik
为作业
i
在工序
k
的完工时间
。
[0023]而且，所述约束条件包括：
[0024](1)
作业
i
到达系统后才能进行第一道工序的加工，因此其到达系统的时间
rt
i
应早于开始加工时间
st
i1
：
[0025][0026](2)
机器
m
正在加工时，分配到该机器上的作业都需要进入缓冲区等待，任一作业
i
在机器
m
上开始加工的条件为：该作业的上一道工序已经完成；该机器的上一道工序已经完成，作业
i
在工序
k
的开始加工时间
st
ik
晚于该作业在上一道工序
k
‑1的完工时间和已经分派到同一台机器的其他作业的完工时间，应等于两者的最大值：
[0027][0028][0029](本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种面向电网物资检测流程的智能调度方法，其特征在于：包括以下步骤：步骤
1、
建立电网物资监测中心中仓储物流系统
AGV
的模型，得到加入
AGV
作为新任务后作业数据；步骤
2、
根据作业数据，构建知识模型；步骤
3、
使用基于模拟器数据驱动的常用强化学习算法作为热启动计算知识模型，得到调度方法
。2.
根据权利要求1所述的一种面向电网物资检测流程的智能调度方法，其特征在于：所述步骤1的具体实现方法为：其中，
m
i
,i
＝
1,2,3,4
代表机器，
t
i
,i
＝
1,2,3,4
代表任务用时，
a
i
,i
＝
1,2,3
代表
AGV
任务，
t
a
代表
AGV
任务用时
。3.
根据权利要求1所述的一种面向电网物资检测流程的智能调度方法，其特征在于：所述步骤2中知识模型为带有约束的整数规划算法，算法的优化目标函数为完成最后一个作业的时间：业的时间：业的时间：其中，任一作业
i
在工序
k
分派的机器
m
上加工的完工时间
ct
ikm
等于该作业在该道工序的完工时间，开始加工时间
st
ikm
等于该作业在该道工序的完工时间
ct
ikm
与加工时间
pt
ikm
的差值，
ct
ik
为作业
i
在工序
k
的完工时间
。4.
根据权利要求3所述的一种面向电网物资检测流程的智能调度方法，其特征在于：所述约束条件包括：
(1)
作业
i
到达系统后才能进行第一道工序的加工，因此其到达系统的时间
rt
i
应早于开始加工时间
st
i1
：
(2)
机器
m
正在加工时，分配到该机器上的作业都需要进入缓冲区等待，任一作业
i
在机器
m
上开始加工的条件为：该作业的上一道工序已经完成；该机器的上一道工序已经完成，作业
i
在工序
k
的开始加工时间
st
ik
晚于该作业在上一道工序
k
‑1的完工时间和已经分派到同一台机器的其他作业的完工时间，应等于两者的最大值：
(3)
作业
i
在工序
k
的完工时间
ct
ik
等于该工序的可开始加工时间
st...

【专利技术属性】
技术研发人员：郭博文，刘浏，赵滨滨，李舒扬，张迅达，周晨曦，贺春，刘宝成，张弛，付保军，李维博，齐鸣，王伟，孙成，王汉良，彭晟，陈刚，周永良，
申请(专利权)人：国网天津市电力公司国家电网有限公司，
类型：发明
国别省市：