[发明专利]一种基于深度学习的制造业智能排产方法

权利要求书

1.一种基于深度学习的制造业智能排产方法，其特征是：

(1)根据原料与批次构造作业，根据工段、并行机个数及种类构造设备；

(2)作业加工过程中没有新作业的加入，也不能临时取消作业的加工，建立制造业排产数学模型；

(3)根据每台并行机不同时进行一个工作，每个工作不在一个设备上同时加工，建立约束条件函数；

(4)降低完成多种多批次的原料所对应的工作的工作时间，建立排产问题的目标函数；

(5)基于步骤(1)～(4)生产排产数学模型，进行智能化优化分析，基于人工蜂群算法进行排产编码与解码；

(6)搭建初始化种群；

(7)根据排产数学建模与初始化种群设计适应度计算函数；

(8)设计算法以满足邻域搜索，提出邻域搜索法；

(9)根据人工蜂群算法与步骤(8)，设计雇佣蜂、跟随蜂和侦察蜂；

(10)根据初始化种群中的迭代次数进行迭代，重复步骤(7)-步骤(9)，直到满足迭代次数，输出最优解，即仿真生产数据表。

2.根据权利要求1所述的一种基于深度学习的制造业智能排产方法，其特征是：所述步骤(1)具体为：

设有原料种类数为k，每种原料对应需要生产S_i个批次，工作量N表示为：

设各个作业生产最大需要进行h个工段，各个工段中对应的并行机数量为h_i，设备量M表示为：

3.根据权利要求1所述的一种基于深度学习的制造业智能排产方法，其特征是：步骤(2)中制造业排产数学模型的具体建立过程为：

设P_i，j，k为第i个工作的第j道工序是否在第k台设备上加工，t_i，j，k为第i种原料的第j道工序在第k台设备上的生产加工时间，ST_i，j，k为第i个工作的第j道工序在第k台设备上的生产开始时间，ET_i，j，k为第i个工作的第j道工序在第k台设备上的生产开始时间，有以下数学模型：

ET_i，j，k＝ST_i，j，k+t_i，j，k

4.根据权利要求1所述的一种基于深度学习的制造业智能排产方法，其特征是：步骤(3)中约束条件函数的建立具体为：

设g_i，j，k为当前时刻属于第j个工段的第k个设备完成当前工作i的生产结束时间，有以下约束函数：

g_i，j，k＜ST_i′，j，k

ST_i，j，k+t_i，j，k＝ET_i，j，k＜ST_i′，j，k

ST_i，j，k+t_i，j，k＝ET_i，j，k≤ST_{i，(j+1)，k′}。

5.根据权利要求1所述的一种基于深度学习的制造业智能排产方法，其特征是：步骤(4)中排产问题的目标函数具体为：

6.根据权利要求1所述的一种基于深度学习的制造业智能排产方法，其特征是：步骤(5)中基于人工蜂群算法进行排产编码与解码具体为：

利用N个作业量在M个设备上工作编码：设定每个解为一定的数字组成的序列为染色体，每个染色体中的一部分为基因段，每个染色体上的基因数量设定为N，每个染色体是由S_i个{1，2，…，k}的基因组成；

将每种原料i，按S_i的数量组成一个{i，i，…，i}的序列，其中序列中i的数量有S_i个，并将i＝1，2，…，k的各个序列合并成一个序列，并重复将随机两个序号对应的数字交换，组成随机序列；

根据序列进行解码：设j＝random(i)，i代表要安排的第几个工作的编号j代表第i个安排的任务为第j个工作。