数据-模型混合驱动的车间动态调度理论与方法

Dynamic shop scheduling is a key problem in the production process of manufacturing system. It is also one of the international hot research topics in the manufacturing system field. This project is plan to make the deep researches on dynamic scheduling. In the aspect of “mode”, this project will establish a new joint data-model driven dynamic shop scheduling mode. This mode will introduce the data analytics methods to deal with the dynamic events in the production process quickly. In the aspect of “prediction”, this project will improve the traditional deep learning method, and then use it to predict the dynamic events more accurately. It can provide the reliable input to the dynamic scheduling. In the aspect of “model”, this project will establish a new hybrid rescheduling and inverse scheduling model for the dynamic scheduling. This model can deal with all scales of abnormal production problems. In the “algorithm”, this project will analyze the solution space of the problem firstly. Secondly, based on the analysis of solution space, it will propose a new hybrid algorithm from the viewpoint of “first exact algorithm and post intelligent optimization algorithm”. And then, it will design the effective dynamic programming method based on the mathematical model to cut the solution space of problem largely. This can reduce the computation time greatly and provide high-quality initial solutions for the post algorithm. Finally, the effective intelligent optimization method will be designed to search in the remainder solution space quickly. Based on the above the model and algorithm, this project will develop the dynamic scheduling prototype system software. The real-world case will be used to verify the effectiveness of proposed model and method. This project will provide the new theory and technologies to the optimization of manufacturing system and promote the theoretical results using in the practical applications. Therefore, this project has important theoretical significance and practical application value.

车间动态调度是我国制造系统生产过程中亟需解决的关键问题之一，也是本领域当前国际研究热点之一。本项目针对该问题开展研究，在“模式”上，构建数据-模型混合驱动的车间动态调度新模式，引入数据处理方法，实现对动态事件的快速准确响应和处理；在“预测”上，对深度学习方法进行改进，将其用于对动态事件的预测，提高预测准确度，为动态调度提供可靠的输入；在“模型”上，构建重调度-逆调度的混合车间动态调度模型，以应对各种规模的生产瘫痪问题；在“算法”上，在分析问题解空间的基础上，从“先精确后智能”的角度提出混合算法，设计基于问题数学模型的高效动态规划算法对解空间进行大量裁剪，在减少计算时间的同时为后续算法提供高质量初始解，设计高效的智能算法在剩余解空间内进行快速搜索。结合具体对象开发系统并进行应用验证。本项目将为制造系统的运行与优化提供新理论与技术，促进理论成果的实用化，具有重要的科学研究价值和实际工程意义。

车间动态调度是制造系统生产过程中亟需解决的关键问题之一，也是本领域当前国际研究热点之一。本项目依照计划对数据-模型混合驱动的车间动态调度问题展开了系统深入的研究：. 1、在面向车间不确定数据的深度学习算法方面，针对车间数据样本量少、数据分布不平衡的特点，设计了基于权重小样本的数据增强方法，提出了面向不平衡数据的重采样方法，为车间动态事件的精准预测提供了保障。. 2、在车间动态事件预测方面，针对设备故障等车间动态事件，首次提出了车间时序数据-2D图像的转换方法，建立了基于LeNet-5的改进卷积神经网络模型，提出了基于零样本的变工况迁移学习故障预测方法，为车间动态调度模型的建立提供了可靠输入。. 3、在混合多目标车间动态调度模型方面，以数据驱动的预测方法为基础，提出了基于决策树的重调度-逆调度动态调度策略选择方法，建立了带准备时间的柔性作业车间动态调度模型，为高效调度算法的设计提供了准确模型。. 4、在多目标车间动态调度方法方面，提出了基于残差神经网络的车间邻域快速评价方法，设计了基于贪婪启发式的车间调度多混合整数规划模型协同优化策略，提出了基于深度强化学习的柔性作业车间动态调度方法，实现了动态调度的高效求解。. 5、开发了数据驱动的车间动态调度系统，并在相关企业进行了应用验证。. 本项目出版英文专著1部、中文专著2部；发表论文66篇，其中SCI检索54篇，Engineering封面论文1篇，IEEE Transactions论文17篇，ESI热点论文3篇、ESI高被引论文8篇，获Chinese Journal of Mechanical Engineering 2021 Outstanding Paper Award、《计算机集成制造系统》2020年度优秀论文、第三届智能优化与调度学术会议优秀论文一等奖、第四届智能优化与调度学术会议优秀论文一等奖等论文奖励，Web of Science被引2300余次。申请发明专利5项，其中授权3项；登记计算机软件著作权2项。项目负责人入选2020年教育部青年长江学者，获国基金联合基金重点项目等资助。项目研究成果丰富了车间调度与智能算法的理论研究，具有重要科学意义；也为制造系统高效稳定运行提供了有效手段，具有重要的应用价值。