[发明专利]基于大数据的制造企业生产与物流协同优化调度方法及系统

权利要求书

1.基于大数据的制造企业生产与物流协同优化调度方法，其特征在于，包括如下步骤：

S1、读取实时更新的大数据单元的信息，基于生产车间情况规划生产任务，并生成优化目标及限制，在生产前进行最优调度规划；

S2、基于深度学习算法，结合步骤S1生成的所述最优调度规划进行调度，实时监测调度过程中物流搬运设备的活动情况，针对不同活动情况信息，赋予每个物流搬运设备的活动情况多种类别标识；

S3、自动接收步骤S2赋予了多种类别标识的每个物流搬运设备的活动情况，对每个物流搬运设备的活动情况的多标识进行实时综合加权分析；

S4、自动接收步骤S3生成的多标识实时综合加权，评估每个物流搬运设备的多标识实时综合加权，若多标识实时综合加权高于阈值，则在空间尺度上进行物流搬运设备调度计划，并按照多标识实时综合加权高低生成物流搬运设备调度序列；

S5、系统自动根据步骤S4生成的物流搬运设备调度序列，实时接收物流搬运设备调度变化信息，对当前工业生产环境进行更新；

S6、进行步骤S1到步骤S5的循环，直到处理完所有的生产任务。

2.根据权利要求1所述的协同优化调度方法，其特征在于，步骤S1中，通过式(1)计算本次最优调度目标，最优的物流任务完成时间F为所有物流时间t_d里的最小值：

F＝min t_d (1)；

通过式(2)定义同一任务从装载任务节点i到j的装载总量x_i，j和从卸载任务节点k到m的交付总量x_k，m相同：

∑_i，j∈Px_x，j-∑_k，m∈Nx_k，m＝0 (2)；

其中，P为物流搬运设备等待执行物流任务装载点集，N为物流搬运设备等待执行物流任务卸载点集。

3.根据权利要求2所述的协同优化调度方法，其特征在于，定义任务时间限制，物流搬运设备访问每个装载任务节点i的时间t_i在时间窗[b_i，c_i]内，其中，i为集合P中的任意一个任务节点；

对于等待执行的物流任务，从装载任务节点i到j的装载完成时间t_j需要在从卸载任务节点j开始进行卸载时的时间t_i之前；

定义物流搬运设备负载限制，物流搬运设备运行负载不超过其额定最大负载。

4.根据权利要求1所述的协同优化调度方法，其特征在于，步骤S2中，从现实生产环境中读取当前生产车间环境情况信息，提取状态特征，包括平均机器利用率U(t)、设备负载率F(t)、工件估计延迟率T(t)、工件实际延迟率Y(t)、工件完成率C(t)、工序完成率O(t)，作为深度学习网络输入部分，选择不同的调度规则进行训练，并将选择后的状态特征值反馈到深度学习网络中，最终赋予每个物流搬运设备的活动情况多种类别标识。

5.根据权利要求4所述的协同优化调度方法，其特征在于，步骤S3中，多标识实时综合加权Z(t)如下式(3)表示：

Z(t)＝α·U(t)+β·(1-F(t))+γ·(1-T(t))+δ·(1-Y(t))+ε·C(t)+λ·O(t)(9)；其中α、β、γ、δ、ε和λ表示各个标识的加权参数，各加权参数在0到1之间。

6.基于大数据的制造企业生产与物流协同优化调度系统，用于实现如权利要求1-5任意一项所述的协同优化调度方法，其特征在于，包括：调度规划单元、实时决策单元、加权分析单元、评估调度单元和大数据单元；

所述调度规划单元，用于读取实时更新的大数据单元的信息，基于生产车间情况规划生产任务，生成优化目标及限制，并在生产前进行最优调度规划；

所述实时决策单元，用于基于深度学习算法，结合最优调度规划进行调度，实时监测调度过程中物流搬运设备的活动情况，针对不同活缓解情况信息，赋予每个物流搬运设备的活动情况多种类别标识；

所述加权分析单元，用于自动接收赋予了多种类别标识的每个物流搬运设备的活动情况，对每个物流搬运设备的活动情况的多标识进行实时综合加权分析；

所述评估调度单元，用于自动接收生成的多标识实时综合加权，评估每个物流搬运设备的多标识实时综合加权，若多标识实时综合加权高于阈值，则在空间尺度上进行物流搬运设备调度计划，并按照多标识实时综合加权高低生成物流搬运设备调度序列；

所述大数据单元，用于自动根据评估调度单元生成的物流搬运设备调度序列，实时接收物流搬运设备调度变化信息，对当前工业生产车间情况进行更新。