買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉北京科技大學申請的專利一種面向多工序生產過程的設定參數快速求解方法及系統獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119511978B 。

龍圖騰網通過國家知識產權局官網在2025-09-23發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202411593086.3，技術領域涉及：G05B19/418；該發明授權一種面向多工序生產過程的設定參數快速求解方法及系統是由郭金;劉文可;張慶祥;宋勇設計研發完成，并于2024-11-08向國家知識產權局提交的專利申請。

本一種面向多工序生產過程的設定參數快速求解方法及系統在說明書摘要公布了：本發明提供一種面向多工序生產過程的設定參數快速求解方法及系統，涉及數據處理技術領域，方法包括：構建多工序描述數學模型，確定各個工序的基本信息；以最大化生產效率和生產效益為目標，構建多目標優化模型；通過NSGA?II算法，求解多目標優化模型，確定最佳動態設定策略；將多目標優化模型轉化為單目標優化模型，并確定轉化過程中的約束條件；采用最佳動態設定策略，通過粒子群尋優算法，確定在不同輸入參數下的最優設定參數，并構建訓練集；將轉化過程中的約束條件作為物理信息融合到神經網絡中，構建物理信息神經網絡模型；并通過訓練集進行訓練；通過訓練完成的物理信息神經網絡模型，確定輸入參數的設定參數值。

本發明授權一種面向多工序生產過程的設定參數快速求解方法及系統在權利要求書中公布了：1.一種面向多工序生產過程的設定參數快速求解方法，其特征在于，包括： S1：構建多工序描述數學模型，確定各個工序的基本信息； S2：以最大化生產效率和生產效益為目標，構建多目標優化模型； S3：通過NSGA-II算法，對所述多目標優化模型進行求解，確定最佳動態設定策略； S4：將所述多目標優化模型轉化為單目標優化模型，并確定轉化過程中的約束條件； S5：采用所述最佳動態設定策略，通過粒子群尋優算法，確定在不同輸入參數下的最優設定參數； S6：根據每種輸入參數與所述輸入參數相對應的最優設定參數，構建訓練數據集； S7：將轉化過程中的約束條件作為物理信息融合到神經網絡中，構建物理信息神經網絡模型； S8：通過所述訓練數據集對所述物理信息神經網絡模型進行訓練； S9：獲取輸入參數； S10：通過訓練完成的物理信息神經網絡模型，確定所述輸入參數的設定參數值； 其中，所述單目標優化模型具體為： Ti≤Ti_max, Ri≤Ri_max, Pi≥Pi_min,i＝1,2,…,m 其中，m表示工序總數，Qi表示第i個工序的產量，Ti表示第i個工序的完成時間，Pi表示第i個工序的產出品質，Ci表示第i個工序的成本，Ri表示第i個工序的資源消耗，Ti-max表示第i個工序的最大完成時間，Ri-max表示第i個工序的最大資源消耗，Pi-min表示第i個工序的最低產出品質，ε表示約束值，Ω表示X取值范圍，X表示自變量； 其中，所述S4中轉化過程中的約束條件的確定方式具體為： 確定所述單目標優化模型中的第一目標函數： 其中，f1表示第一目標函數，m表示工序的總數，Qi表示第i個工序的產量函數，Pi表示第i個工序的產出品質函數，Ci表示第i個工序的成本函數； 對所述第一目標函數進行凸性分析，確定所述第一目標函數的一階導函數存在且連續的自變量集合為： 其中，表示第一目標函數的一階導函數存在且連續的自變量集合，D1表示第一目標函數的定義域，ej表示第j個標準基向量，表示偏導數，h表示自變量變化量，r表示自變量的總數； 在一階導函數的基礎上進行二階求導，并確定所述第一目標函數二階導函數存在且連續的自變量集合為： 其中，表示第一目標函數的二階導函數存在且連續的自變量集合，xj表示第一目標函數的第j個自變量； 根據第一目標函數的所述二階導函數構建Hessian矩陣： 其中，表示第一目標函數的所述二階導函數構建的Hessian矩陣； 基于所述Hessian矩陣，對所有非零向量都有vTHfav＞0，確定所述Hessian矩陣正定的集合，作為轉化過程中的約束條件為： 其中，表示第一目標函數的Hessian矩陣正定集合，X0表示第一目標函數定義域中的一個點，表示第一目標函數的定義域，表示n維空間中的任意向量，表示Hessian矩陣的正定性條件。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人北京科技大學，其通訊地址為：100083 北京市海淀區學院路30號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。