[发明专利]一种基于深度学习的车间控制方法及系统

说明书

本发明公开了一种基于深度学习的车间控制方法和系统。该方法包括：采集加工设备的零件全生命周期数据；构建基于人工神经网络的设备故障预测模型，利用所述零件全生命周期数据对所述设备故障预测模型进行训练和测试，利用训练好的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特殊加工约束；对所述车间调度模型进行求解，获取总加工时间最短的工件加工方案，发送工件加工指令。本发明能够进一步缩短工件加工时间，减少或避免重调度，提高车间生产效率。

技术领域

本发明属于车间控制技术领域，更具体地，涉及一种基于深度学习的车间控制方法及系统。

背景技术

车间控制是指确定车间内多个工件在多个加工设备上的加工顺序。随着智能化和柔性化车间的发展，车间数据越来越庞大，制造系统变得越来越复杂，动态事件发生越来越频繁，采用传统车间动态控制方法不足以解决日趋复杂的实际生产问题。

在实际的生产控制过程中，会出现加工设备故障、订单插入等突发事件。现有技术中，最为常见的是针对动态事件采用预-反应式调度方法。预-反应式调度是根据实时的动态事件，修改原始工件加工方案的重调度过程。绝大多数预-反应式调度是基于车间效率的简单调度方案进行调整的。预-反应式调度对车间动态事件的响应能力较高，但是可能导致较差的鲁棒性和稳定性。特别是在动态事件频繁发生、不确定性程度高的生产环境中，频繁地进行重调度会造成生产系统不能稳定运行，制造资源得不到优化配置，严重影响生产系统的性能，工件加工时间长，加工效率低下。

在混合流水车间中，这一问题更加明显，混合流水车间是一般流水车间的推广，但在某些工序中存在并行机加工的特点，因此混合流水车间问题更加复杂，求解难度更大。在混合流水车间中，由于其各阶段存在相同或不同的并行机导致动态事件发生的频率极高，采用预-反应式调度方法解决动态事件难以保证车间的稳定运行，同时在混合流水车间调度过程中涉及到机器分配问题，频繁的重调度会导致车间的生产效率低下，无法按时完成生产任务，给企业造成不可估量的损失。此外，混合流水车间广泛存在于冶金、石化、制药等流程工业生产系统中，因此对现有车间控制技术的改进具有重要的现实意义和应用价值。

现有技术中还提出了采用深度学习的方法对车间设备进行故障预测的方案，但现有技术中仅仅停留在故障的诊断及设备维护层面，在一定程度上能够预防车间机器故障这一动态事件的发生，但是未能从根本上解决机器故障对车间控制的影响。

发明内容

针对现有技术的至少一个缺陷或改进需求，本发明提供了一种基于深度学习的车间控制方法及系统，利用深度学习的方法预测设备故障，为车间控制提供先验知识，实现智能化的车间实时调控和主动运行优化，提高生产效率，保证生产系统稳定运行。

为实现上述目的，按照本发明的第一方面，提供了一种基于深度学习的车间控制方法，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。

优选的，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。

优选的，所述加工约束为：

或