[发明专利]一种生产数据驱动的动态作业车间调度规则智能选择方法

说明书

本发明提供了一种基于生产数据驱动的动态作业车间调度规则智能选择方法，属于制造企业作业车间排产调度应用领域，主要包括：引入Multi‑Pass算法仿真机制，建立作业车间生产调度仿真平台，生成排产调度的样本数据；对获得的样本数据作筛选，生成调度参数集；设计不同调度目标下用于调度知识学习的BP神经网络模型；提出一种改进的萤火虫算法优化BP神经网络模型的训练，获得NFA‑BP模型；将各调度目标下的NFA‑BP模型集合成一个智能调度模块，并与作业车间MES系统进行集成，指导在线调度；人工调整在线排产调度的偏差并更新调度参数集，智能调度模块进行在线优化学习；适应了真实车间生产状况的智能调度模块根据当前作业冲突决策点输出最优调度规则。

技术领域

本发明涉及制造企业作业车间排产调度技术应用领域，更具体地，涉及到一种生产数据驱动的动态作业车间调度规则智能选择方法。

背景技术

作业车间调度问题(JSP)是最重要的生产调度问题，具有多目标性、动态随机性、计算复杂性等特点，并已被证明是NP难问题。经过几十年的发展，研究人员己经提出许多用于解决作业车间调度问题的算法，包括基于分支定界、数学规划等运筹学理论的调度方法，基于调度规则的调度方法，基于瓶颈的调度方法，基于人工神经网络、遗传算法、群体智能等智能计算理论的调度方法。在各种调度方法中，基于调度规则的调度算法以低的计算时间复杂度、便于理解等特点而广泛应用于实际生产作业调度过程中。

但对于具有加工环境动态性、加工订单不确定性、设备故障不确定等综合复杂性的实际生产车间调度问题，上述己提出的调度算法和固定调度规则的方法大多基于对问题的理想化约简模型而来，故在实际应用中仍具有寻优效率低、调度性能差、调度不灵活的局限性，难以适应作业车间生产状态动态变化的情况。作业车间调度问题的特点要求调度系统能够迅速、有效地适应生产加工环境的变化，并快速合理地进行生产过程调度决策，为此须寻求一种更加先进的新方法来有效解决实际作业车间生产调度问题。

随着信息技术在生产制造过程中的广泛应用，制造系统积累了大量的订单、设备、调度方案、生产状态和生产性能指标等与生产调度相关的数据，利用这些历史生产数据和实时生产数据，建立基于数据的生产过程调度方法不失为一种可行有效的技术方案，然而目前鲜有基于生产数据驱动的作业车间排产调度方法的研究成果可供实际生产选用。

发明内容

针对上述背景技术中现有解决作业车间排产调度技术方法的不足和欠缺，本发明的目的是提供一种生产数据驱动的动态作业车间调度规则智能选择方法，基于生产数据驱动的生产过程调度方法首先利用已有历史调度信息获取多种调度环境下的调度知识，然后在此基础上构建基于生产数据的调度决策模块，该调度决策模块能够快速地响应新的调度环境生成新的调度方案。基于生产数据驱动的调度方法对于解决具有动态性和不确定性的作业车间调度问题具有重要意义。

为了实现上述目的，本发明所采用的技术方案主要包括以下过程：

步骤1：基于Multi-Pass算法仿真技术建立作业车间生产调度仿真平台，其中包括预置调度目标集、调度规则集和生产状态参数集，多次运行该仿真平台生成一批调度问题对应的最优调度方案集，其中包括了用于调度知识学习的样本数据集；

步骤2：对获得的样本数据集进行约简和筛选处理，形成调度参数集；

步骤3：设计不同调度目标下用于调度知识学习的BP神经网络模型；

步骤4：提出一种改进的萤火虫算法优化BP神经网络模型的训练，获得NFA-BP模型；

步骤5：将各调度目标下的NFA-BP模型集合成一个智能调度模块，并与作业车间MES系统进行集成，由MES数据API提供当前作业车间关键生产状态数据给智能调度模块，用以指导在线排产调度；

步骤6：人工调整在线排产调度的偏差并适时调整调度知识库，即更新调度参数集，另外智能调度模块进行在线优化学习；