[发明专利]基于工时预测的机械零件生产调度方法

权利要求书

1.一种基于工时预测的机械零件生产调度方法，其特征在于，以设置刀具起始点的数控加工程序代码为分界点，划分机械零件的加工工序，以预测的工时修正待排产零件的生产排程数据集，将修正后的待排产零件的生产排程数据集输入生产调度优化模型，该方法的步骤包括如下：

步骤1，生成机械零件数控加工数据集：

步骤1.1，收集最近3个月的机械零件数控加工工序文件至少20份；

步骤1.2，采用下述提取方法，提取每个数控加工工序文件的加工特征信息，得到至少300个加工工序样本数据的机械零件数控加工数据集；

所述提取方法的步骤如下：

第一步，以设置刀具起始点的数控加工程序代码为分界点，划分零件加工工序；具体方法为：逐行读取数控加工工序文件的内容并对其进行判断，判断方法为对比当前内容是否与设置刀具起始点的数控加工程序代码相符，相符则代表当前代码为该加工工序的起始代码，而两个起始代码间的程序代码即为一道工序的数控程序代码；

第二步，以数控程序中的功能字为标识得到每道工序的数控程序代码的加工特征信息形成一个加工工序样本数据并缓存于计算机内存中；

步骤2，预处理机械零件数控加工数据：

步骤2.1，对机械零件数控加工数据集依次进行异常值处理、独热编码处理和归一化处理，得到数控加工工时预测数据集；

步骤2.2，使用随机森林算法，计算步骤1生成的机械零件数控加工数据集中每个加工工序特征的重要度得分，将所有重要度得分按照降序排列，选取前5的加工工序特征组成第一个工时关键影响因素集；

步骤2.3，使用弹性网络算法，计算步骤1生成的机械零件数控加工数据集中每个加工工序特征与零件工时的相关系数，对所有相关系数按照降序排列，选择前5的加工工序特征组成第二个工时关键影响因素集；

步骤2.4，使用特征递归消除算法，将步骤1生成的机械零件数控加工数据集中的所有加工工序特征组成初始特征子集，递归消除当前特征重要度最低的特征直至特征子集的个数为5个，将该5个加工工序特征组成第三个工时关键影响因素集；

步骤2.5，对三个工时关键影响因素集取并集，得到数控加工工序特征并集；

步骤2.6，从数控加工工时预测数据集中提取数控加工工序特征并集中每个特征所对应的数据，得到关键特征数据集；

步骤3，生成训练集和测试集：

将关键特征数据集中的数据，按照8:2的比例随机划分为训练集和测试集；

步骤4，训练机器学习模型和深度学习模型：

步骤4.1，将训练集分别输入到随机森林模型、KNN模型，SVR模型、决策树模型和XgBoost模型，采用最小二乘法训练这五种机器学习模型，迭代更新每种模型的参数和机械零件预测工时，直至每个模型的预测工时与训练集工时之间的最小误差小于设置的阈值，得到训练好的五种工时预测模型；

步骤4.2，将训练集输入到深度学习模型中，运用反向传播算法，迭代更新模型参数，直至满足迭代终止条件，得到训练好的DNN工时预测模型；

步骤5，确定零件数控加工工时预测模型：

将测试集分别输入到六个训练好的工时预测模型中，分别计算每个模型的预测工时与测试集工时之间的均方根误差和平均绝对误差，分别取平均绝对误差和均方根误差中每种误差中的最小值对应的模型，作为零件数控加工工时预测模型；

步骤6，利用零件数控加工工时预测模型预测待排产零件数控加工工时：

收集待排产机械零件的数控加工工序文件，并采用与步骤1和步骤2相同的处理方法，得到待排产机械零件的数控加工工时预测数据集，将待排产的机械零件的数控加工工时预测数据集，输入到步骤5选定的两个零件加工工时预测模型中，输出两个不同待排产零件数控加工的预测工时；

步骤7，修正零件生产排程数据集：

步骤7.1，采集待排产机械零件的车间生产数据，具体包括：待排产机械零件生产订单数据、待排产机械零件工艺数据，组成待排产机械零件生产排程数据集；

步骤7.2，用两个待排产零件数控加工的预测工时，分别替换待排产机械零件生产排程数据集中的工时数据，得到两个修正后的待排产机械零件生产排程数据集；

步骤8，在同时满足所有约束和限制条件下，构建待排产机械零件生产调度优化模型；

步骤9，利用离散粒子群算法对生产调度优化模型求解：

将两个修正后的待排产机械零件生产排程数据集分别输入到生产调度优化模型中，利用离散粒子群算法对生产调度优化模型求解，得到两个不同的排产机械零件生产排程计划；

步骤10，生成待排产机械零件的生产排程计划：

选取两个待排产机械零件生产排程计划中最大完工时间最小的生产排程计划，作为待排产机械零件的生产排程计划。