System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于生产自动化调度,尤其是涉及一种基于扰动识别的智能车间双闭环适应性调度方法和系统。
技术介绍
1、生产调度问题是制造业管理的核心内容,也是提高企业核心竞争力的关键。对于生产过程调度问题,其寻优的本质是:在满足生产过程调度问题中的工艺和资源等相关约束条件下,选择最优的调度方案,以使某个或多个调度性能指标达到最优或较优。而在实际生产过程中,由于存在各种扰动如设备故障、紧急工件的加入等,可能导致生产偏离该方案,这时需要及时识别扰动并调整原来的生产方案以适应新的生产状况。
2、针对生产线的扰动问题,部分研究人员结合控制理论,在调度过程中加入反馈环节形成闭环调度系统,通过监测生产线中实际生产性能与期望性能的偏差,来决定是否驱动调度方案的更新。中国专利技术专利cn106444649b公开了一种半导体生产线闭环调度控制方法,通过建立共生仿真系统,并设定采样周期来对系统进行监控,判断是否达到动态调度时刻来完成对生产系统进行在线调度。中国专利申请cn111581882a公开了一种生产单元不确定性条件下的重调度触发判断方法,以实时生产数据和理想生产数据之间的偏差作为扰动判别的依据。中国专利技术专利cn111859039b公开了一种基于改进案例推理技术的车间扰动决策方法及装置,该方法利用rfid系统以及esper处理引擎完成了车间数据信息的自动获取及处理,基于改进的案例推理技术,根据目标案例和扰动案例库中的历史案例之间的相似度,获得目标案例的扰动决策。
3、以上方法大都根据车间的实时数据进行扰动识别。在实际生产中,
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于扰动识别的智能车间双闭环适应性调度方法及系统,避免以长期生产性能指标作为反馈造成智能车间生产调度的滞后性。
2、本专利技术的目的可以通过以下技术方案来实现:
3、一种基于扰动识别的智能车间双闭环适应性调度方法,包括以下步骤:
4、获取实际智能车间与理想智能车间在当前采样周期的短期生产性能,基于二者的差值构建内闭环反馈;
5、获取实际智能车间与理想智能车间在当前采样周期的生产状态,通过生产性能预测模型分别预测实际智能车间与理想智能车间在下一采样周期的长期生产性能,基于二者的差值构建外闭环反馈;
6、根据所述内闭环反馈和所述外闭环反馈进行扰动判定,根据扰动判定结果调整智能车间调度规则,所述智能车间调度规则通过调度规则推荐模型获取。
7、进一步地,所述理想智能车间采用离散事件仿真模型构建,所述理想智能车间在无扰动环境下与实际智能车间同步运行。
8、进一步地,所述离散事件仿真模型包括数据模块和仿真模块,所述数据模块用于获取实际智能车间历史生产数据并分类整理为多个数据表;所述仿真模块用于根据所述数据模块生成的数据表进行建模,获得实际智能车间的加工逻辑关系和事件控制过程。
9、进一步地,采用xgboost回归算法构建所述生产性能预测模型。
10、进一步地,所述生产性能预测模型的训练过程如下:
11、s101、获取实际智能车间历史生产数据,进行归一化处理后提取关键特征;
12、s102、基于提取的关键特征,通过决策树对生产性能进行预测;
13、s103、计算损失函数对实际智能车间历史生产数据中每个样本的预测值的导数,根据导数信息寻找新增树的最优树结构以及叶子节点权重,建立新决策树,利用所述新决策树预测生产性能,并累加到原预测值上;
14、s104、判断预测精度是否在误差允许范围内,若是,则所述生产性能预测模型训练完成;若否,则返回步骤s103。
15、进一步地,步骤s101中,所述实际智能车间历史生产数据为时间序列数据,包括多个生产属性的变化量和生产性能的变化量,所述生产属性包括固有生产属性和变化生产属性。
16、进一步地,步骤s101中,通过剔除低方差特征选择法提取关键特征。
17、进一步地,所述调度规则推荐模型采用xgboost分类算法构建,所述调度规则推荐模型的输入为实际智能车间的生产状态,输出为实际智能车间生产状态对应的最优调度规则。
18、进一步地,所述扰动判定的过程如下:
19、根据所述内闭环反馈和所述外闭环反馈分别计算各采样点短期生产性能和长期生产性能的偏差率,基于计算结果分别选定短期生产性能和长期生产性能的偏差阈值,依次判断各采样点短期生产性能和长期生产性能的偏差率是否超过偏差阈值,若是,则生成重调度指令,根据此时实际智能车间的生产状态更新智能车间调度规则。
20、本专利技术还提供一种基于扰动识别的智能车间双闭环适应性调度系统,包括内闭环反馈模块、外闭环反馈模块、扰动判定模块和调度规则推荐模块,其中,
21、所述内闭环反馈模块用于获取实际智能车间与理想智能车间在当前采样周期的短期生产性能,并计算二者的差值;
22、所述外闭环反馈模块用于获取实际智能车间与理想智能车间在当前采样周期的生产状态,通过训练好的生产性能预测模型分别预测实际智能车间与理想智能车间在下一采样周期的长期生产性能,并计算二者的差值;
23、所述扰动判定模块用于根据所述内闭环反馈回路和所述外闭环反馈回路的输出进行扰动判定,根据扰动判定结果调整智能车间调度规则;
24、所述调度规则推荐模块用于生成所述智能车间调度规则。
25、与现有技术相比,本专利技术具有以下有益效果:
26、1、本专利技术根据内闭环反馈和外闭环反馈进行扰动判定,根据扰动判定结果调整智能车间调度规则,其中内闭环反馈基于实际智能车间与理想智能车间在当前采样周期的短期生产性能构建,外闭环反馈基于实际智能车间与理想智能车间在下一采样周期的长期生产性能构建,可以兼顾短期生产性能和长期生产性能实现智能车间实时扰动判定,有效避免以长期性能指标作为反馈造成智能车间调度的滞后性。
27、2、本专利技术通过生产性能预测模型预测实际智能车间与理想智能车间在下一采样周期的长期生产性能,生产性能预测模型采用xgboost回归算法构建,并通过实际智能车间历史生产数据进行训练,实际智能车间历史生产数据为时间序列数据,包括多个生产属性的变化量和生产性能的变化量,其中生产属性包括固有生产属性和变化生产属性,故本专利技术可以根据生产属性的特点对训练数据进行处理,并基于前一个和当前采样周期的生产状态预测未来一个采样周期的生产性能,通过这种基于多维时间序列的性能预测方法可以使模型的性能预测结果更准确。
本文档来自技高网...【技术保护点】
1.一种基于扰动识别的智能车间双闭环适应性调度方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于扰动识别的智能车间双闭环适应性调度方法,其特征在于,所述理想智能车间采用离散事件仿真模型构建,所述理想智能车间在无扰动环境下与实际智能车间同步运行。
3.根据权利要求2所述的一种基于扰动识别的智能车间双闭环适应性调度方法,其特征在于,所述离散事件仿真模型包括数据模块和仿真模块,所述数据模块用于获取实际智能车间历史生产数据并分类整理为多个数据表;所述仿真模块用于根据所述数据模块生成的数据表进行建模,获得实际智能车间的加工逻辑关系和事件控制过程。
4.根据权利要求1所述的一种基于扰动识别的智能车间双闭环适应性调度方法,其特征在于,采用XGBoost回归算法构建所述生产性能预测模型。
5.根据权利要求4所述的一种基于扰动识别的智能车间双闭环适应性调度方法,其特征在于,所述生产性能预测模型的训练过程如下:
6.根据权利要求5所述的一种基于扰动识别的智能车间双闭环适应性调度方法,其特征在于,步骤S101中,所述实际智能车
7.根据权利要求5所述的一种基于扰动识别的智能车间双闭环适应性调度方法,其特征在于,步骤S101中,通过剔除低方差特征选择法提取关键特征。
8.根据权利要求1所述的一种基于扰动识别的智能车间双闭环适应性调度方法,其特征在于,所述调度规则推荐模型采用XGBoost分类算法构建,所述调度规则推荐模型的输入为实际智能车间的生产状态,输出为实际智能车间生产状态对应的最优调度规则。
9.根据权利要求1所述的一种基于扰动识别的智能车间双闭环适应性调度方法,其特征在于,所述扰动判定的过程如下:
10.一种基于扰动识别的智能车间双闭环适应性调度系统,其特征在于,包括内闭环反馈模块、外闭环反馈模块、扰动判定模块和调度规则推荐模块,其中,
...【技术特征摘要】
1.一种基于扰动识别的智能车间双闭环适应性调度方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于扰动识别的智能车间双闭环适应性调度方法,其特征在于,所述理想智能车间采用离散事件仿真模型构建,所述理想智能车间在无扰动环境下与实际智能车间同步运行。
3.根据权利要求2所述的一种基于扰动识别的智能车间双闭环适应性调度方法,其特征在于,所述离散事件仿真模型包括数据模块和仿真模块,所述数据模块用于获取实际智能车间历史生产数据并分类整理为多个数据表;所述仿真模块用于根据所述数据模块生成的数据表进行建模,获得实际智能车间的加工逻辑关系和事件控制过程。
4.根据权利要求1所述的一种基于扰动识别的智能车间双闭环适应性调度方法,其特征在于,采用xgboost回归算法构建所述生产性能预测模型。
5.根据权利要求4所述的一种基于扰动识别的智能车间双闭环适应性调度方法,其特征在于,所述生产性能预测模型的训练过程如下:
6.根据权利要...
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。