[发明专利]一种生产数据驱动的动态作业车间调度规则智能选择方法

权利要求书

1.一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于，具体实现过程为：

步骤1：基于Multi-Pass算法仿真技术建立作业车间生产调度仿真平台，其中包括预置调度目标集、调度规则集和生产状态参数集，多次运行该仿真平台生成一批调度问题对应的最优调度方案集，其中包括了用于调度知识学习的样本数据集；

步骤2：对获得的样本数据集进行约简和筛选处理，形成调度参数集；

步骤3：设计不同调度目标下用于调度知识学习的BP神经网络模型；

步骤4：提出一种改进的萤火虫算法优化BP神经网络模型的训练，获得NFA-BP模型；

步骤5：将各调度目标下的NFA-BP模型集合成一个智能调度模块，并与作业车间MES系统进行集成，由MES数据API提供当前作业车间关键生产状态数据给智能调度模块，用以指导在线排产调度；

步骤6：人工调整在线排产调度的偏差，并适时调整调度知识库，即更新调度参数集，另外智能调度模块进行在线优化学习；

步骤7：适应了真实车间生产状况的智能调度模块根据当前作业冲突决策点输出最优调度规则。

2.根据权利要求1所述一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于,步骤2中对获得的样本数据集进行约简和筛选处理，形成调度参数集，其中调度参数集主要包括：

21)对生产状态参数集中的生产状态参数进行基于重要性权重比较的筛选处理后形成关键生产状态参数集；

22)对调度规则集中的调度规则进行性能评价，剔除调度规则后形成候选调度规则集；

其中，关键生产状态参数集定义了MES要采集的车间状态数据，而关键生产状态参数集和候选调度规则集则定义了调度知识库。

3.根据权利要求2中所述一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于，21)对生产状态参数集中的生产状态参数进行基于重要性权重比较的筛选处理后形成关键生产状态参数集，主要包括：

211)对状态参数做归一化处理；

212)求各个状态参数的重要性权重；

213)设置权重阈值θ，选取状态参数的重要性权重大于θ的状态参数进而获得关键生产状态参数集，并用主成分分析法计算生产状态参数集中状态参数的贡献率大小以检验入选关键生产状态参数集的参数合理性，如果生产状态参数集中贡献率小的参数入选关键生产状态参数集而贡献率大的参数没有入选关键生产状态参数集，可重新取合适阈值θ进行再次状态参数筛选。

4.根据权利要求2中所述一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于，对调度规则集中的调度规则进行性能评价，剔除调度规则后形成候选调度规则集，这主要通过以下准则进行评价：

221)基于工件流经时间方差准则，评价计算式为下式：

222)基于工件交货期拖期时间方差准则，评价计算式为下式：

其中，F_i表示工件i的流经时间，即工件加工的生命周期；T_i表示工件i的拖期时间，J表示工件数，i＝1,2…J。

5.根据权利要求3中所述一种生产数据驱动的动态作业车间调度规则智能选择方法，其特征在于，212)求各个状态参数的重要性权重通过以下算式计算获得：

其中,

公式说明:a_j(x)即为某个实例调度问题或某个调度目标下状态参数a_j的取值，而a_j∈WorkInfo-set，而WorkInfo-se为车间生产状态参数集，Q为调度问题实例或具体调度目标组成的对象集合，表示生产状态参数a_j下对象集Q中所有对象状态参数值的平均值，为所求状态参数a_j的重要性权重，表示生产状态参数a_j下所有对象偏离均值的程度，即在生产状态参数a_j下对象集Q的分散程度，生产状态参数a_j的重要性权重越大，在生产状态参数a_j下对象集Q的分散程度也就越大，生产状态参数a_j区分对象集Q的能力也就越大。