[发明专利]基于PCA-XGBoost-IRF的作业车间实时调度方法

说明书

本发明公开了一种基于PCA‑XGBoost‑IRF的作业车间实时调度方法，包括步骤一：规范数据样本构建；步骤二：样本数据预处理，包括对样本数据进行异常值处理、类别不平衡处理和归一化处理，并对数据集进行切分以满足决策模型构建的输入要求；步骤三：对训练集进行特征工程处理，包括特征提取、特征重要度计算和特征选择；步骤四：基于改进随机森林的决策模型构建，包括随机森林模型构建、将RF模型进行改进得IRF模型和基于栅格搜索对IRF模型的超参数进行寻优；步骤五：基于最优参数的PCA‑XGBoost‑IRF决策模型训练；步骤六：用基于PCA‑XGBoost‑IRF的决策模型实现对动态作业车间调度规则的实时选择与决策。本发明为基于数据驱动的智能调度研究提供了一种更可靠，鲁棒性、泛化性更强的实时调度方法。

技术领域

本发明涉及一种机器学习与作业车间调度技术领域，具体来说涉及一种基于PCA-XGBoost-IRF的作业车间实时调度方法。

背景技术

随着人工智能、工业互联网、计算机信息技术的飞速发展，在智能制造背景下新一轮次的工业革命浪潮席卷而来。作业车间生产调度问题(Job-shop Scheduling Problem，JSP)是典型的NP难题，工程应用背景很强。其作为一个交叉性的研究领域，自从Johnson在1954年建立了第一个用于两台机器进行调度的数学模型以来，就受到了计算机、运筹学等多个交叉领域专家的广泛关注。车间作为生产制造的直接执行者，承载着大量的生产任务，同时也是大量实时信息的交汇地。随着实际生产调度问题越来越复杂，制造工艺越来越多样化，从而导致制造车间存在众多不确定因素。例如机器故障、工件返工、缺料、紧急插单、加工时间变化等扰动因素，影响了生产系统的稳定运行，甚至使计划变得不可行。因此为了满足实时动态变化的生产环境，对传统动态作业车间调度问题的解决方法提出了更高的要求。

随着云计算、大数据等先进信息技术的推广应用，制造业生产车间智能化水平不断提高，使得制造企业信息系统存中储了海量有价值的数据。这为生产加工过程实现智能化实时决策提供了可能。在智能制造背景下，如何有效地利用制造系统相关历史数据并从中挖掘调度知识来指导实际车间生产活动是目前工业界与学术界的研究热点。由于调度规则具有计算效率高、实际可操作性强、操作简单等优点，而被广泛应用与实时调度研究中。针对不确定环境下基于数据驱动的车间实时调度问题，许多专家学者已经展开深入研究，例如：

Azadeh等针对不确定环境下作业车间动态调度问题，提出了一种基于计算机仿真和自适应神经模糊推理系统的混合算法。以完工时间最小化为调度目标，实现最优调度规则的实时决策与动态选择。Shiue等人提出了一种基于数据挖掘技术的动态最优调度规则选择机制。利用遗传算法进行特征选择，并基于支持向量机构造了一种新的调度规则选择器，实现规则的实时选择。Mouelhi等人针对流水车间调度问题，提出了一种基于神经网络算法的调度规则选择模型。同济大学的马玉敏等人针对于半导体生产调度优化问题，设计了一种基于数据驱动的调度框架。Yu等人提出了一种基于遗传算法的实时调度方法用于解决动态作业车间调度问题。张国辉等人针对柔性作业车间动态调度问题，构建了一种数据驱动的调度模型。Ma等人针对车间不同实时状态的规则组合问题，设计并提出了一种数据驱动的基于SVR的动态调度模型。汤洪涛等人设计了一种基于数据挖掘的柔性作业车间动态调度方法。Nagahara等提出了一种数据驱动的仿真建模方法，对历史生产数据进行仿真分析，并使用机器学习技术来挖掘调度规则。Metan等利用决策树分类算法来根据实时生产数据动态选择最优的调度规则。Shahzad等提出一种基于数据挖掘的调度系统框架，从利用禁忌搜索算法所获得的作业车间调度优化解中提取新的调度知识，指导实际生产。孙琳等人提出了一种基于数据驱动的BP神经网络实时调度方法，用于求解混流车间的生产调度问题，并最终实现了调度规则的实时选取。Shiue等针对柔性制造系统动态调度问题，提出了一种基于强化学习的实时调度模型，实现最优调度规则的动态选择。