基于大数据的运载火箭总装系统智能优化调度理论与方法

In order to satisfy the demand of high density launch and quick response, this project investigates the scheduling problem of the rocket final assembly system. Against the characteristics of mixed flow, multiple resource constraints, fixed delivery time, and stochastic dynamics, the project breaks through the bottleneck of traditional scheduling theory and methods, and proposes a data driven mechanism of “predictive scheduling + real time monitor + inverse scheduling”. A multi-dimension big data model is developed to support the decision for the scheduling of rocket final assembly. The time series analysis based predictive scheduling approach is proposed to smooth the material consumption and to balance the workload. The correlation analysis based abnormal detecting method is proposed to real time monitor the final assembly system. The unsupervised data mining approach is established to realize the inverse scheduling. On basis of the above research, this project constructs the big data based intelligent scheduling theory and methodology for the rocket final assembly which lays a solid theoretical and technical foundation for the improvement of rocket production efficiency and constant optimization, and plays a significant role to realize the intelligent manufacturing of our country’s aerospace industry.

为了满足航天产品高密度发射和快速响应需求，项目以运载火箭总装系统为研究对象，针对火箭总装系统具有的混流生产、多重资源约束、交货期固定和随机动态性等特点，突破传统调度理论和方法的瓶颈，建立数据驱动的“预测调度+实时预警+逆调度”机制。通过建立总装过程多维大数据模型，为调度提供数据基础；研究基于时间序列分析的预测优化调度方法，在零部件到达时间预测的基础上，实现总装物料消耗平准化和工位负载均衡化；研究基于关联关系分析的总装系统异常预警方法，挖掘总装完工时间关键影响因素，构建总装系统异常评估模型；研究基于无监督数据挖掘的智能逆调度方法，通过数据聚类和无模型自适应控制实现总装系统的逆调度。通过以上研究形成基于大数据的运载火箭总装系统智能优化调度理论与方法体系，为缩短运载火箭制造周期、实现生产持续优化奠定了坚实的理论和方法基础，对提升我国航天产品制造的智能化水平具有重要意义。

本项目针对运载火箭总装系统调度问题具备的混流生产、多重资源约束、交货期固定和多随机动态因素等特性，建立了大数据驱动的“预测调度+实时预警+逆调度”智能调度理论体系与方法，从多维大数据模型、预测调度方法、异常预警方法、智能逆调度方法以及总装调度原型系统等方面对运载火箭总装系统智能调度方法展开了一系列研究工作。.在多维大数据模型方面，提出了基于派系过滤算法的火箭总装数据仓库主题抽取方法，利用社团发现算法建立主题式数据仓库；提出了基于遗传算法与径向基神经网络的特征选择方法，利用遗传算法对特征进行编码和选择，并将选择的低维特征输入到径向基神经网络中还原高维特征，实现多特征数据融合。.在预测调度方面，采用ARIMA算法建立了火箭总装零部件到达时间预测模型；提出了基于多决策树分类的火箭总装调度规则生成方法，利用核主成分分析方法提取决策树复合属性，设计了基于帝国竞争算法的算例抽样算法，提高数据价值密度，进而有效挖掘历史数据中的调度规则。.在异常预警方面，利用栈式自动编码器完成特征提取过程，通过微调网络，实现火箭完工时间的精确预测；针对由火箭总装过程预警数据警度等级分布不平衡而引发的重警度情况下预警准确度下降问题，提出一种基于集成神经网络与动态采样算法的不平衡学习算法，实现工期异常警度预报。.在智能逆调度方面，提出了基于数据聚类的运载火箭总装订单拖期异常辨识方法，通过半模糊核聚类的超球支持向量机分类方法对逆调度因子进行辨识；针对装配站位上工人数目可柔性调整的特性，提出了基于混合遗传算法的总装过程智能逆调度方法，实现了在不变更原装配顺序下的火箭按时交付。.在总装调度原型系统方面，利用VS.net和Python等开发工具，开发了基于大数据分析平台的运载火箭总装调度系统，并对本项目提出的智能调度方法进行了分析验证。.以上研究工作为提升运载火箭总装智能化水平奠定了坚实的理论和方法基础，在实际总装过程中存在着较为广泛的应用价值。