【技术实现步骤摘要】
本专利技术涉及柔性制造系统，尤其涉及一种基于petri网和全连接神经网络的柔性流水车间调度方法。
技术介绍
1、工业4.0在世界范围内越来越受到重视，旨在构建一个智能化生产系统，来保证生产的灵活性和高效率。柔性制造系统能满足定制化、多品种、小批量、多批次的柔性生产需求，可以达到更高的操作效率、生产力和自动化水平，其中调度方法的求解面临着更大挑战。存在这样一类柔性制造系统——柔性流水车间，它的调度不仅要合理优化各种不同类型工件的加工顺序，还要有效地规划机器人的物料运送作业。因此，该类柔性流水车间的调度属于加工任务指派和机器人动作规划的联合优化问题。
2、利用启发式搜索算法对其进行调度方法求解时，启发式负责估计从任意状态到达目标状态的时间消耗，其估计精度直接决定着该算法的时间复杂性以及求解调度方法的准确性，而现有基于petri网的启发式搜索研究工作，主要依靠人为设计，如申请号为cn201911066140.8和cn201910261488.6的中国专利技术专利所公开的方法，相对于指数增长的状态空间而言，其估计精度有限，而且没有考虑机器人搬运工件的时间消耗，不利于实际柔性制造系统的应用，因此，在启发式设计的方法上是有缺陷的。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提出了一种引入监督学习的启发式调度方法，发挥库所赋时petri网行为大数据优势，训练高估计精度的全连接神经网络启发式模型，从而有效提高启发式搜索的效率。
2、本专利技术解决其技术问题所
3、s1，利用库所赋时petri网，对柔性流水车间进行建模；所述库所赋时petri网指在普通petri网的库所上赋予时间来表示成本因素；
4、s2，输入训练任务，根据库所赋时petri网的运行规则，设计启发式数据集的生成算法，获取系统动态演化的所有状态集合，所述状态对应完成训练任务的调度方法；
5、s3，设计全连接神经网络学习模型，从数据集中学习库所赋时petri网行为的启发式；
6、s4，输入目标任务，通过全连接神经网络模型结合启发式算法，得到完成目标任务的最优或次优调度方法；
7、所述训练任务与目标任务均为柔性流水车间中的加工任务，加工任务包括需要加工的工件类型与数量，不同的工件类型需要不同的操作，不同的操作需要不同的资源和执行时间；所述操作包括生产操作和搬运操作，所述资源包括机器人和加工站。
8、优选的，所述s1包括以下步骤：
9、s1.1，对每种工件在生产线上的加工过程进行分析，构建工件加工路径子网的库所赋时petri网模型，该路径上的托肯数表示正在进行操作的工件数，库所表示工件进行何种操作，变迁代表着操作的开始和结束；
10、s1.2，对柔性流水车间中搬运工件的机器人的逻辑关系进行分析，根据机器人在加工站之间可能的移动，构建机器人移动路径子网的库所赋时petri网模型，该路径上的托肯表示机器人，库所表示机器人状态，变迁代表着机器人移动的开始和结束；
11、s1.3，当机器人柔性流水车间同时加工多个零件时，有限的加工站资源和机器人资源会导致多个任务竞争同一个资源，添加资源库所来保证加工站每次只允许一个工件进行加工，资源库所中的托肯数表示空闲的加工站数；
12、s1.4，通过弧的连接，将资源库所与工件加工路径子网和机器人移动路径子网的库所赋时petri网模型相结合，得到完整的库所赋时petri网模型。
13、优选的，所述s2具体包括以下步骤：
14、s2.1，输入库所赋时petri网的前置关联矩阵、后置关联矩阵、每个库所赋予的操作时间以及训练任务，前置关联矩阵表示库所到变迁的有向弧的权值，后置关联矩阵表示变迁到库所的有向弧的权值，库所赋予的操作时间表示该库所对应的加工任务的执行时间；根据库所赋时petri网的运行规则，定义一个状态，其中k表示时刻，n为正整数，表示库所赋时petri网的标识，表示库所内托肯已等待的时间，表示从初始状态到当前状态已经消耗的时间，表示从当前状态到达目标状态实际需要的最小消耗时间；
15、s2.2，初始化初始状态,其中为初始标识，，，；同时将作为可达树的根结点，标记为new，执行步骤s2.3；
16、s2.3，如果，为目标标识，将标记为goal，执行步骤s2.10，否则执行步骤s2.4；
17、s2.4，从可达树中任意选择一个new结点，表示为,并将该结点标记为old，执行步骤s2.5；
18、s2.5，计算状态下状态使能的变迁集合，对于每一个在变迁集合的变迁执行步骤s2.6；
19、s2.6，计算激发变迁产生后的状态，然后执行步骤s2.7；
20、s2.7，如果是新状态，在可达树中添加一个表示的结点，并画一条从结点指向的有向弧，弧上标记激发的相应变迁，然后执行步骤s2.8；
21、s2.8，如果，那么，将对应的结点标记为goal，否则标记为new，直到状态下状态使能的变迁集合为0，才执行步骤s2.9；
22、s2.9，如果可达树中存在new结点，那么执行步骤s2.4,否则执行步骤s2.10;
23、s2.10，从goal结点开始，逐次用子结点的来更新父结点的，更新公式为：，然后执行步骤s2.11;
24、s2.11，以txt文件形式输出生成所有状态结点的标识、已等待时间和到达目标状态实际需要的最小消耗时间，组成启发式数据集。
25、优选的，所述s3具体包括以下步骤：
26、s3.1，在输入层，为库所赋时petri网的每个库所设计两个神经元，分别表示该库所的托肯数和托肯已等待时间；
27、s3.2，在输出层，设计唯一一个神经元，表示库所赋时petri网每个状态的最小估计消耗时间；
28、s3.3，在隐藏层，根据经验公式，计算每层神经元个数，使得神经元个数逐层减少，其中为相邻两层神经元个数的差值，为前一层神经元个数，为输出层神经元个数，为[1,10]区间内的经验常数；
29、s3.4，将启发式数据集输入到全连接神经网络中进行训练，通过不断调整参数，降低全连接神经网络中的训练误差，从而得到启发式数据集的全连接神经网络模型。
30、优选的，所述全连接神经网络的输入层包含56个神经元，所述全连接神经网络具有6个隐藏层，各隐藏层神经元个数为48、38、30、23、15和8。
31、优选的，所述启发式数据集的全连接神经网络模型选择训练集平均相对误差满足第一预设值、测试集平均相对误差满足第二预设值的全连接神经网络模型。
32、优选的，所述s4具体为：输入加工任务，将训练得到的启发式数据集全连接神经网络模型作为启发式函数，作为启发式算法中的启发式进行最优或者次优路径的搜索，实现调度方本文档来自技高网...
【技术保护点】
1.一种基于Petri网与全连接神经网络的柔性流水车间调度方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于Petri网与全连接神经网络的柔性流水车间调度方法，其特征在于，所述S1包括以下步骤：
3.根据权利要求1所述的基于Petri网与全连接神经网络的柔性流水车间调度方法，其特征在于，所述S2具体包括以下步骤：
4.根据权利要求1所述的基于Petri网与全连接神经网络的柔性流水车间调度方法，其特征在于，所述S3具体包括以下步骤：
5.根据权利要求4所述的基于Petri网与全连接神经网络的柔性流水车间调度方法，其特征在于，所述全连接神经网络的输入层包含56个神经元，所述全连接神经网络具有6个隐藏层，各隐藏层神经元个数为48、38、30、23、15和8。
6.根据权利要求4所述的基于Petri网与全连接神经网络的柔性流水车间调度方法，其特征在于，所述启发式数据集的全连接神经网络模型选择训练集平均相对误差满足第一预设值、测试集平均相对误差满足第二预设值的全连接神经网络模型。
7.根据权利要求4所述的基
8.根据权利要求1所述的基于Petri网与全连接神经网络的柔性流水车间调度方法，其特征在于，所述S1的启发式算法为A*搜索算法。
...【技术特征摘要】
1.一种基于petri网与全连接神经网络的柔性流水车间调度方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于petri网与全连接神经网络的柔性流水车间调度方法，其特征在于，所述s1包括以下步骤：
3.根据权利要求1所述的基于petri网与全连接神经网络的柔性流水车间调度方法，其特征在于，所述s2具体包括以下步骤：
4.根据权利要求1所述的基于petri网与全连接神经网络的柔性流水车间调度方法，其特征在于，所述s3具体包括以下步骤：
5.根据权利要求4所述的基于petri网与全连接神经网络的柔性流水车间调度方法，其特征在于，所述全连接神经网络的输入层包含56个神经元，所述全连接神经网络具有6个隐藏层，各隐藏层神经元个...
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。