基于生产不确定性概率预测的车间多尺度实时鲁棒调度方法研究

Real-time scheduling of workshop production is one of the core techniques for the intelligent production and operation management of manufacturing enterprises. Modern manufacturing enterprises have accumulated a large number of production scheduling data. This makes the data-driven scheduling possible. Aiming at the innovation in efficient data-driven real-time robust scheduling methods, this project focuses on dynamic characterization approaches of scheduling uncertainties, real-time robust scheduling modeling and algorithm designing. By analyzing and extracting uncertain characteristics in the scheduling data, a deep learning model for forecasting the uncertain scheduling parameters is developed. Probabilistic prediction method used for dynamic representing the scheduling uncertainties is subsequently obtained by employing the Bayesian method to analyze the prediction results and prediction errors of the deep learning model. Through considering the probability prediction information of the uncertainties, a chance constrained programming model is built for the robust scheduling under long-term scale, and then a distribution estimation algorithm is proposed to solve the model. Moreover, a deep learning model is developed to predict the local schedule under short-term scale. The optimization and timeliness of scheduling are guaranteed by using the multiscale real-time robust scheduling method. The presented method is validated on a complicated steelmaking workshop. In this project, the multiscale real-time robust scheduling method based on probabilistic prediction of production uncertainties is proposed. The addressed work is helpful in improving the intelligent production and operation management of manufacturing enterprises. The proposed research has therefore evident scientific significances and application values.

车间生产实时调度是制造企业智能化生产运营管理的核心技术之一。现代制造企业积累了大量与调度相关的生产数据，使得数据驱动的调度成为可能。本项目以高效的数据驱动实时鲁棒调度方法创新为目标，围绕调度不确定性动态表征方法和实时鲁棒调度建模及算法设计开展研究工作。通过分析和提取调度过程数据的不确定性特征，建立不确定性调度参数的深度学习预测模型，利用贝叶斯方法对深度学习预测结果及其预测误差进行分析得到调度不确定性动态表征的概率预测方法；研究长期尺度下考虑不确定性概率预测信息的机会约束规划模型及基于分布估计算法的模型求解方法，研究短时尺度下局部调度计划的深度学习预测模型，利用多尺度实时鲁棒调度方法保证调度的优化性和实时性；将所提出的方法在复杂炼钢生产车间进行试验验证。本项目提出基于生产不确定性概率预测的车间多尺度实时鲁棒调度方法，可以提升制造企业的智能化生产运营管理水平，具有显著的科学意义和应用价值。

车间生产调度是制造系统的基础，生产调度的优化是先进制造和现代管理的核心技术。制造车间中通常存在大量的不确定性事件，面对不确定性事件造成的负面影响，如何制定出具有较强抗干扰能力的鲁棒调度方案已成为实时调度研究领域内的热点问题。随着制造企业信息化系统的逐步建设、完善和应用，很多制造企业已积累了与调度相关的大量历史数据，同时也可以采集到与调度相关的大量实时数据。如何利用调度过程数据更好地解决实际复杂制造车间的实时鲁棒调度问题是一个具有挑战性的难题。.本项目通过分析和提取调度过程数据的不确定性特征，建立不确定性调度参数的深度学习预测模型，利用贝叶斯方法对深度学习预测结果及其预测误差进行分析得到调度不确定性动态表征的概率预测方法。通过研究长期尺度下考虑不确定性概率预测信息的机会约束规划模型及基于分布估计算法的模型求解方法，以及研究短时尺度下局部调度计划的深度学习预测模型，利用多尺度实时鲁棒调度方法保证调度的优化性和实时性。最后将所提出的方法在攀钢提钒炼钢生产车间进行试验验证，证明了方法的可行性和有效性。.通过本项目的研究，解析了车间生产不确定性的数据特征，建立了数据驱动的调度不确定性概率预测模型，获得了车间生产不确定性的动态表征方法。通过设计基于不确定性概率预测结果的多尺度实时鲁棒调度模型和算法，初步建立了大数据环境下车间实时鲁棒调度方法体系。在本项目的资助下，发表了SCI检索论文10篇，其中中科院一区6篇，中科院二区3篇，剩下1篇为管理科学与工程领域国际知名期刊《Annals of Operations Research》，并且其中2篇论文入选ESI高被引论文；项目负责人分别以第一主编和第三主编身份出版了2本EI检索会议论文集；获得中国授权发明专利2件。本项目提出基于生产不确定性概率预测的车间多尺度实时鲁棒调度方法，可以为我国制造企业的智能化生产运营管理提供决策支持和技术储备，具有显著的科学意义和应用价值。

内容获取失败，请点击重试