[发明专利]一种基于深度学习的制造业智能排产方法

说明书

本发明的目的在于提供一种基于深度学习的制造业智能排产方法，包括以下步骤：构造作业、设备；建立制造业排产数学模型；建立约束条件函数；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；基于人工蜂群算法进行排产编码与解码；搭建初始化种群；设计适应度计算函数；设计算法以满足邻域搜索，提出邻域搜索法；设计雇佣蜂、跟随蜂和侦察蜂；根据初始化种群中的迭代次数进行迭代，直到满足迭代次数，输出最优解，即仿真生产数据表。本发明设计了一种应用在制造行业排产的人工蜂群算法，解决了传统人工排产效率低、可靠性不足等问题。联合人工蜂群算法对制造行业排产进行分析，提高计算精度，算法稳定性。

技术领域

本发明涉及的是一种人工智能方法，具体地说是智能排产方法。

背景技术

在制造行业中，生产排产由于切实关系到车间生产效率而得到了广泛关注。为了防止资源浪费，车间往往根据设备种类、年需求量进行生产排产。然而，加工原料和设备种类都比较多，在多种条件约束下，考虑人工经验排产可靠性不足，严重影响全流程效率。因此，如何解决制造行业的排产问题是一个需要重点研究的问题。

发明内容

本发明的目的在于提供能实现从单个设备至产线乃至车间的智能决策、显著提升全流程生产效率、提高生产质量、降低成本的一种基于深度学习的制造业智能排产方法。

本发明的目的是这样实现的：

本发明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。

本发明还可以包括：

1、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：

2、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：