【技术实现步骤摘要】
本专利技术涉及深度学习，尤其涉及一种基于深度学习时序模型的产业玻璃排产方法、系统及装置。
技术介绍
1、为提高玻璃生产企业的市场竞争力，大多数企业通过提高生产工艺、更新设备等方法，但是对不断变化的市场需求没有相应的对策，传统采用人工制定排产计划的生产方式具有较多限制性因素，严重依赖人工计算和经验，对订单、库存、生产设备及人力资源等方面综合分析来指定排产计划，分析每个工序的生产能力和生产时间要求，结合产品的交货时间和数量要求等因素，制定排产计划。但是此类方法不能及时应对变化的市场需求，不同产品的工序及需要的加工时间存在差异，整条生产线在非必要的时候是一直处于生产状态，因此对于排产计划的实时性及准确性有较高的要求。传统方法多为静态的、一次性的计划，无法适应生产环境的动态变化，容易受到人为因素的影响，难以进行多目标优化，无法灵活迎合市场变化需求。
2、随着深度学习的快速发展，但是由于玻璃的特殊性，在此之前，将比较简单或者未结合玻璃领域使用的深度学习算法应用于产业玻璃排产计划制定其实精确度不高，导致会出现较大的偏差，并且还会存在耗时较长及重复性低的问题。
技术实现思路
1、本专利技术针对现有技术中的缺点，提供了一种基于深度学习时序模型的产业玻璃排产方法、系统及装置。
2、为了解决上述技术问题，本专利技术通过下述技术方案得以解决：
3、一种基于深度学习时序模型的产业玻璃排产方法，包括以下步骤：
4、获取产业玻璃的历史生产数据，将历史生产数据进行
5、搭建排产计划制定网络；
6、基于生产向量对排产计划制定网络进行训练，对训练所得初始模型进行评估及优化，得到排产计划制定模型；
7、使用排产计划制定模型对输入的当前订单数据做推理，并对推理结果进行类型转换，得到产业玻璃的排产计划。
8、作为一种可实施方式，所述获取产业玻璃的历史生产数据，将历史生产数据进行类型转换，得到整数型生产数据，对整数型生产数据进行归一化得到生产数据，对所述生产数据进行编码得到生产向量，包括以下步骤：
9、所述获取产业玻璃的历史生产数据，其中，包括产品编码、出货数量、出货日期、工艺路线、当前在制品数量及条件约束；
10、获取生产约束条件，其中，包括生产工序间衔接、特殊工艺处理、设备保养限制及扣除在制品排产，根据所述生产约束条件筛除历史生产数据中不合理部分；
11、将筛除后历史生产数据进行类型转换，其中，依据字符型数据所表达含义确定转换方式，实现字符型数据转换成整数型数据，得到整数型生产数据；
12、对整数型生产数据进行归一化，将数据压缩至同一范围，得到生产数据，进而通过对生产数据进行编码处理，得到生产向量。
13、作为一种可实施方式，所述对整数型生产数据进行归一化，表示如下：
14、
15、其中，gi表示一组整数型历史生产数据中的第i位数据，gmin表示一组整数型历史生产数据中的最小值，gmax表示一组整数型历史生产数据中的最大值，g'是归一化后所得生产数据。
16、作为一种可实施方式，所述搭建排产计划制定网络，包括以下步骤：
17、所述排产计划制定网络包括输入层、编码层及输出层；
18、输入层包括多层lstm结构；
19、编码层包括多层多头注意力机制、残差结构、归一化模块及一层卷积模块，所述编码层将多维输入转为一维；
20、输出层代替transformer网络解码层。
21、作为一种可实施方式，所述多层多头注意力机制，包括以下步骤：
22、将缩放点注意力的输出进行特征融合得到最终输出，每一个注意力的输出称作一个头，即单头缩放点注意力，表示如下：
23、
24、则多头缩放点注意力，表示如下：
25、multihead(q,k,v)＝concat(head1,head2,...,headh)wo
26、headi＝attention(qwiq,kwik,vwiv)
27、dk＝dmodel/h
28、其中，q表示查询矩阵，wiq∈rdmodel×dk，wik∈rdmodel×dk，wiv∈rdmodel×dk，wo∈rhdv×dmodel，h表示注意力头的数量，d表示向量的维度，t表示矩阵的转置，k表示键矩阵，v表示值矩阵，wq、wk、wv、wo分别表示能学习的参数矩阵。
29、作为一种可实施方式，所述基于生产向量对排产计划制定网络进行训练，对训练所得初始模型进行评估及优化，得到排产计划制定模型，包括以下步骤：
30、基于所述生产向量进行模型训练，评估优化模型训练结果，并进行验证，得到符合精度要求的排产计划制定模型；
31、其中，评估优化模型训练结果，优化模型所采用的指标为最小化最大完工时间，具体表达式如下所示：
32、fmax＝max{f1,m,f2,m,...,fn,m}
33、index＝min{fmax}
34、其中，fmax表示所有工件最大完工时间，fn,m表示工件n完成最后一道工序m所需要的时间，index表示优化模型所采用的指标。
35、作为一种可实施方式，所述使用排产计划制定模型对输入的当前订单数据做推理，并对推理结果进行类型转换，得到产业玻璃的排产计划，包括以下步骤：
36、加载排产计划制定模型参数，对当前订单数据进行编码，得到当前订单向量，输入当前订单向量进行推理，得到初始排产计划；
37、对初始排产计划进行类型转换，由数值型转为字符型，得到排产计划。
38、一种基于深度学习时序模型的产业玻璃排产系统，包括数据处理模块、网络搭建模块、模型训练模块及推理计算模块；
39、所述数据处理模块，获取产业玻璃的历史生产数据，将历史生产数据进行类型转换，得到整数型生产数据，对整数型生产数据进行归一化得到生产数据，对所述生产数据进行编码得到生产向量；
40、所述网络搭建模块，搭建排产计划制定网络；
41、所述模型训练模块，基于生产向量对排产计划制定网络进行训练，对训练所得初始模型进行评估及优化，得到排产计划制定模型；
42、所述推理计算模块，使用排产计划制定模型对输入的当前订单数据做推理，并对推理结果进行类型转换，得到产业玻璃的排产计划。
43、作为一种可实施方式，所述数据处理模块，被设置为：
44、
45、其中，gi表示一组整数型历史生产数据中的第i位数据，gmin表示一组整数型历史生产数据中的最小值，gmax表示一组整数型历史生产数据中的最大值，g'是归一化后所得生产数据。
46、作为一种可实施方式，所述网络搭建本文档来自技高网...
【技术保护点】
1.一种基于深度学习时序模型的产业玻璃排产方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于深度学习时序模型的产业玻璃排产方法，其特征在于，所述获取产业玻璃的历史生产数据，将历史生产数据进行类型转换，得到整数型生产数据，对整数型生产数据进行归一化得到生产数据，对所述生产数据进行编码得到生产向量，包括以下步骤：
3.根据权利要求2所述基于深度学习时序模型的产业玻璃排产方法，其特征在于，所述对整数型生产数据进行归一化，表示如下：
4.根据权利要求1所述基于深度学习时序模型的产业玻璃排产方法，其特征在于，所述搭建排产计划制定网络，包括以下步骤：
5.根据权利要求4所述的一种基于深度学习时序模型的产业玻璃排产方法，其特征在于，所述多层多头注意力机制，包括以下步骤：
6.根据权利要求1所述基于深度学习时序模型的产业玻璃排产方法，其特征在于，基于生产向量对排产计划制定网络进行训练，对训练所得初始模型进行评估及优化，得到排产计划制定模型，包括以下步骤：
7.根据权利要求1所述基于深度学习时序模型的产业玻璃排产方法
8.一种基于深度学习时序模型的产业玻璃排产系统，其特征在于，包括数据处理模块、网络搭建模块、模型训练模块及推理计算模块；
9.根据权利要求8所述的一种基于深度学习时序模型的产业玻璃排产系统，其特征在于，所述数据处理模块，被设置为：
10.根据权利要求8所述的一种基于深度学习时序模型的产业玻璃排产系统，其特征在于，所述多层多头注意力机制，包括以下步骤：
11.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述的方法。
12.一种基于深度学习时序模型的产业玻璃排产装置，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述的方法。
...【技术特征摘要】
1.一种基于深度学习时序模型的产业玻璃排产方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于深度学习时序模型的产业玻璃排产方法，其特征在于，所述获取产业玻璃的历史生产数据，将历史生产数据进行类型转换，得到整数型生产数据，对整数型生产数据进行归一化得到生产数据，对所述生产数据进行编码得到生产向量，包括以下步骤：
3.根据权利要求2所述基于深度学习时序模型的产业玻璃排产方法，其特征在于，所述对整数型生产数据进行归一化，表示如下：
4.根据权利要求1所述基于深度学习时序模型的产业玻璃排产方法，其特征在于，所述搭建排产计划制定网络，包括以下步骤：
5.根据权利要求4所述的一种基于深度学习时序模型的产业玻璃排产方法，其特征在于，所述多层多头注意力机制，包括以下步骤：
6.根据权利要求1所述基于深度学习时序模型的产业玻璃排产方法，其特征在于，基于生产向量对排产计划制定网络进行训练，对训练所得初始模型进行评估及优化，得到排产计划制定模型，包括以下步骤：
7.根据权利要...
【专利技术属性】
技术研发人员：张郑结，唐家军，童勤，
申请(专利权)人：杭州聚玻科技有限公司，
类型：发明
国别省市：
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。