[发明专利]一种基于深度学习的车间控制方法及系统

权利要求书

1.一种基于深度学习的车间控制方法，其特征在于，包括：

采集加工设备的零件全生命周期数据，构建训练样本集和测试样本集；

构建基于LSTM人工神经网络的设备故障预测模型，利用所述训练样本集和所述测试样本集对所述设备故障预测模型进行训练和测试，利用训练好的所述设备故障预测模型输出所述加工设备的预测故障发生时刻数据；

构建车间调度模型，并获取所述加工设备的维修时长数据，利用所述维修时长数据和所述预测故障发生时刻数据构建所述车间调度模型中的一个加工约束；

根据所述车间调度模型获取总加工时间最短的工件加工方案，发送工件加工指令；

所述车间调度模型为：

Minimize C_max

C_max≥E_i，s，i∈I

E_i，j＝B_i，j+pt_i，j，i∈I，j∈J

B_i，j+1-B_i，j≥pt_i，j，i∈I，j＝1，...s-1

or

式中，Minimize表示最小化，C_max表示最大完工时间，E_i，s表示所有工件在最后一个阶段的完工时间，E_i，j表示工件i在阶段j的完工时间，B_i，j表示工件i在阶段j的开始加工时间，pt_i，j表示工件i在阶段j加工所需的加工时间，I为阶段序号，J为加工阶段集合，X_i，j，k为变量，若工件i在阶段j的加工设备k上加工时X_i，j，k为1，否则X_i，j，k为0，B_i，j+1为表示工件i在阶段j+1的开始加工时间，为0-1变量，在阶段j，若工件i₁先于工件i₂加工则为1，否则为0，为工件i₁在阶段j的开始加工时间，为工件i₂在阶段j的完工时间，L为预设整数，为工件i在阶段j的加工设备m_j上的开始加工时间，是工件i在阶段j的加工设备m_j上的完工时间，是预测得到加工设备m_j发生p类故障的时刻，是加工设备m_j维修p类故障的维修时长。

2.如权利要求1所述的一种基于深度学习的车间控制方法，其特征在于，所述采集加工设备的零件全生命周期数据为：采集所述加工设备的零件更换数据；或采集所述加工设备从开始连续运行到零件损坏的数据；或为每个加工设备预先定义要采集的数据。

3.如权利要求1所述的一种基于深度学习的车间控制方法，其特征在于，所述加工约束为：

或

其中，是工件i在阶段j的加工设备m_j上的开始加工时间，是工件i在阶段j的加工设备m_j上的完工时间，tb是加工设备m_j的预测故障发生时刻，tm是加工设备m_j的维修时长。

4.如权利要求1所述的一种基于深度学习的车间控制方法，其特征在于，采用模拟退火算法对所述车间调度模型进行求解，以获取总加工时间最短的工件加工方案。

5.如权利要求1所述的一种基于深度学习的车间控制方法，其特征在于，

所述获取总加工时间最短的工件加工方案过程中，预先定义工件的分配策略为：按照工件编码确定工件加工先后顺序；若多个工件同时到达，采用RR规则进行调度，随机确定同时到达的工件的加工先后顺序；

所述获取总加工时间最短的工件加工方案过程中，预先定义为工件分配加工设备的分配策略为：获取该工件的每个可用加工设备的空闲时间，获取该工件上一阶段的加工结束时间，获取每个可用加工设备加工该工件的加工时长；确定每个可用加工设备加工该工件的加工完成时刻，选择加工完成时刻最小的可用加工设备作为该工件的加工设备。