一种基于智能制造的产品生产流程调度方法及系统与流程

本发明涉及智能制造技术领域，尤其涉及一种基于智能制造的产品生产流程调度方法及系统。

背景技术

服务型制造是全球制造业升级的重要趋势之一，在一些发达国家，服务业增加值占国内生产总值的70％，其中以服务型制造为主体的生产性服务业占服务业增加值的70％。在我国由制造大国努力成为制造强国的背景下，制造企业提升专业化和服务水平，是我国制造业占据全球价值链高端的重要手段。

然而，我国国内制造业的智能化水平非常低，尤其是在智能制造中的生产调度方面存在着众多问题，包括调度效率低，调度程序混乱等严重影响生产效率问题。

技术实现要素：

本发明的目的在于克服现有技术的不足，本发明提供了一种基于智能制造的产品生产流程调度方法及系统能快速对生产线生产产品的调度，节省调度时间，提升调度效率，从而提升产品生产的效率。

为了解决上述技术问题，本发明实施例提供了一种基于智能制造的产品生产流程调度方法，所述产品生产流程调度方法包括：

对待生产产品在生产过程中所需的生产特征进行提取，获取待生产产品的生产特征；

对所述待生产产品的生产特征进行生产特征粒匹配处理，获取所述待生产产品的生产特征粒；

根据所述生产特征粒进行生产工序和对应的生产设备安排处理，获取待生产产品的生产工序和对应的生产设备；

根据用于生产待生产产品的生产工序和对应的生产设备进行优化排序处理，获取优化排序后的生产工序和对应的生产设备的顺序；

根据优化排序后的生产工序和对应的生产设备的顺序进行生产流程的调度。

优选地，所述生产特征至少包括生产材料、生产形状、生产尺寸，生产工艺中的一种或多种组合。

优选地，所述对所述待生产产品的生产特征进行生产特征粒匹配处理，包括：

采用所述待生产产品的生产特征与历史生产产品的特征粒的属性进行语义匹配处理，获取所述待生产产品的生产特征粒。

优选地，所述历史生产产品的特征粒的属性获取步骤包括：

获取历史生产产品的生产特征，所述历史生产产品的生产特征至少包括生产材料、生产形状、生产尺寸，生产工艺中的一种或多种组合；

对所述历史生产产品的生产特征进行粒计算，获取历史生产产品的生产特征粒；

根据所述历史生产产品的生产特征粒提取各个历史生产产品的生产特征粒的公共属性，形成所述历史生产产品的特征粒的属性。

优选地，所述根据所述生产特征粒进行生产工序和对应的生产设备安排处理，包括：

将所述生产特征粒通过训练好的自编神经网络模型进行生产工序和对应的生产设备映射，获取待生产产品的生产工序和对应的生产设备。

优选地，所述自编神经网络模型包括若干个卷积层、生产特征层、生产工序层、生产设备层和全连接层；

所述生产特征层连接在一个卷积层之后，所述生产工序层连接在另一个卷积层之后，所述生产设备层连接在又一个卷积层之后，所述全连接层连接在所述生产设备层之后。

优选地，所述自编神经网络模型的训练过程包括：

将各个历史生产产品的生产特征粒的公共属性作为训练样本进行归一化处理；

将归一化处理后的训练样本输入自编神经网络模型；

所述自编神经网络模型进行特征学习训练，直至收敛；

所述自编神经网络模型进行特征学习训练，包括：

根据所述归一化处理后的训练样本提取所述特征，根据所述特征确定归一化处理后的训练样本属于各个生产工序和生产设备分类概率值；

将最高概率值对应的分类作为激励分类结果；

通过自编神经网络模型中的损失函数和对所述激励分类结果与所述训练样本预先标定的期望分类结果进行比较，若激励分类结果与期望分类结果相同，则所述训练样本的训练结束；

若激励分类结果与期望分类结果不相同，则将所述训练样本重新输入到自编神经网络模型中进行训练，在重新训练之前通过反向算法，对卷积神经网络模型的各个权重进行调节。

优选地，所述根据用于生产待生产产品的生产工序和对应的生产设备进行优化排序处理，包括：

采用群领导优化算法对用于生产待生产产品的生产工序和对应的生产设备进行优化排序处理。

优选地，所述群领导优化算法中至少包括设备实时状态群、生产成本群和完成时间群。

另外，本发明实施例还提供了一种基于智能制造的产品生产流程调度系统，所述产品生产流程调度系统包括：

特征提取模块：用于对待生产产品在生产过程中所需的生产特征进行提取，获取待生产产品的生产特征；

匹配模块：用于对所述待生产产品的生产特征进行生产特征粒匹配处理，获取所述待生产产品的生产特征粒；

安排模块：用于根据所述生产特征粒进行生产工序和对应的生产设备安排处理，获取待生产产品的生产工序和对应的生产设备；

优化模块：用于根据用于生产待生产产品的生产工序和对应的生产设备进行优化排序处理，获取优化排序后的生产工序和对应的生产设备的顺序；

调度模块：用于根据优化排序后的生产工序和对应的生产设备的顺序进行生产流程的调度。

在本方实施方式中，对待生产产品在生产过程中所需的生产特征进行提取，获取待生产产品的生产特征；对所述待生产产品的生产特征进行生产特征粒匹配处理，获取所述待生产产品的生产特征粒；根据所述生产特征粒进行生产工序和对应的生产设备安排处理，获取待生产产品的生产工序和对应的生产设备；根据用于生产待生产产品的生产工序和对应的生产设备进行优化排序处理，获取优化排序后的生产工序和对应的生产设备的顺序；根据优化排序后的生产工序和对应的生产设备的顺序进行生产流程的调度。能节省调度时间，提升调度准确性，提升调度效率，从而提升产品生产的效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本分实施例中的基于智能制造的产品生产流程调度方法的方法流程示意图；

图2是本发明实施例中的基于智能制造的产品生产流程调度系统的系统结构组成示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例一：

图1是本分实施例中的基于智能制造的产品生产流程调度方法的方法流程示意图，如图1所示，所述产品生产流程调度方法包括：

s11：对待生产产品在生产过程中所需的生产特征进行提取，获取待生产产品的生产特征；

在具体实施过程中，影响对产品生产的生产速度或者决策性的属性较多，在本发明实施例中将这些影响产品生产的生产速度或者决策性属性的归结为该产品的生产特征，其中至少包括以下：生产材料、生产形状、生产尺寸，生产工艺中的一种或多种组合。

在获取该需要生产的产品时，首先需要的是提取该需要生产的产品的生产特征，可以通过该需要生产的产品的技术参数中提取这些特征，亦可以在该需要生产的产品所需要的加工工艺等方面获取特征，或者改需要生产产品的自身材质方面获取特征。

s12：对所述待生产产品的生产特征进行生产特征粒匹配处理，获取所述待生产产品的生产特征粒；

在具体实施过程中，是采用待生产产品的生产特征与历史生产产品的特征粒的属性进行语义匹配处理，从而获取到待生产产品的生产特征粒。

在语义匹配中，生产线上的资源具有类型广泛，数量巨大，资源动态性和失效性等的特点。为了支持资源的快速查找、准确匹配，需要对资源的属性信息进行语义化描述，以支持语义匹配。

首先是对生产对产品历史中的历史生产特征提取出来，这些特征至少包括生产材料、生产形状、生产尺寸，生产工艺中的一种或多种组合；具体提取可参考上述的s11。

然后对这些历史生产产品的生产特征进行粒计算，从而获取历史生产产品的生产特征；其中，粒计算包括如下计算：历史生产生产特征的属性进行距离计算，然后进行特征属性相似度即综合相似度计算，并构建相似度矩阵，在相似度矩阵中构建生产特征粒度空间，对该生产特征的粒度空间中的特征进行分层聚类；聚类可以采用birch算法、cure算法、chameleon算法等聚类算法；并设置聚类的有效性阈值，确定最优粒层，在最优粒层中提取历史生产产品的生产特征粒，最后在这些历史生产产品的生产特征粒中提取生产中所需要的各个历史生产产品的生产特征粒的公共属性，形成历史生产产品的特征粒的属性。

然后通过对所需要生产的生产产品特征与历史生产产品的特征粒的属性进行语义匹配，从而获取待生产产品的生产特征粒。

s13：根据所述生产特征粒进行生产工序和对应的生产设备安排处理，获取待生产产品的生产工序和对应的生产设备；

在具体实施过程中，采用训练好的自编神经网络模型进行生产工序和对应的生产设备映射，获取该待生产的产品的生产工序和对应的生产设备。

其中这个自编神经网络模型至少包括下列的若干个卷积层、生产特征层、生产工序层、生产设备层和全连接层；所述生产特征层连接在一个卷积层之后，所述生产工序层连接在另一个卷积层之后，所述生产设备层连接在又一个卷积层之后，所述全连接层连接在所述生产设备层之后。

自编神经网络模型的训练过程如下：将各个历史生产产品的生产特征粒的公共属性作为训练样本进行归一化处理；将归一化处理后的训练样本输入自编神经网络模型；所述自编神经网络模型进行特征学习训练，直至收敛；所述自编神经网络模型进行特征学习训练，包括：根据所述归一化处理后的训练样本提取所述特征，根据所述特征确定归一化处理后的训练样本属于各个生产工序和生产设备分类概率值；将最高概率值对应的分类作为激励分类结果；通过自编神经网络模型中的损失函数和对所述激励分类结果与所述训练样本预先标定的期望分类结果进行比较，若激励分类结果与期望分类结果相同，则所述训练样本的训练结束；若激励分类结果与期望分类结果不相同，则将所述训练样本重新输入到自编神经网络模型中进行训练，在重新训练之前通过反向算法，对卷积神经网络模型的各个权重进行调节。

在本实施例实施过程中，训练样本主要来自历史生产的产品特征，自编神经网络模型可以依次包括输入层、卷积层生、生产特征层、卷积层、产工序层、卷积层、生产设备层、全连接层和输出层，这种为本发明实施例中构造的最为简单的自编神经网络模型，但并不限定为这一模型。

在训练的过程中，首先是将各个历史生产产品的生产特征粒的公共属性作为训练样本进行归一化处理；这里的归一化处理是将训练样本统一归一化至统一的尺度，这里涉及到生产材料、生产形状、生产尺寸、生产工艺的归一化，首先是将这些特征转化为用数字表示，然后再对这些数字进行相应的归一化处理；将归一化处理后的训练样本输入至自编神经网络模型中的输入层，自编神经网络模型通过对输入的训练样本进行相应的学习之后，通过输出层输出。

在自编神经网络模型学习过程中，需要对训练样本属于各个生产工序和生产设备分类概率值进行统计，选定每一个分类的最高概率值作为该分类对应的激励分裂结果。

在自编神经网络模型学习过程中，通过自编神经网络模型自身的损失函数和对应的激励分类结果与训练样本预先标定的期望分类结果进行比较，若激励分类结果与期望分类结果相同，则所述训练样本的训练结束；可以采用的损失函数包括：sigmoid、tanh、relu等，可以根据用户或者模型自身需求进行选择，这些损失函数均为常用的非线性函数；sigmoid、tanh多用于全连接层，relu多用于卷积层；期望结果可以为99.9％；若激励分类结果与期望分类结果不相同，则将所述训练样本重新输入到自编神经网络模型中进行训练，在重新训练之前通过反向算法，对卷积神经网络模型的各个权重进行调节。

s14：根据用于生产待生产产品的生产工序和对应的生产设备进行优化排序处理，获取优化排序后的生产工序和对应的生产设备的顺序；

在具体实施过程中，采用群领导优化算法对用于生产待生产产品的生产工序和对应的生产设备进行优化排序处理；其中，群领导优化算法中至少包括设备实时状态群、生产成本群和完成时间群。

群领导优化算法(groupleaderoptimizationalgorithm,gloa)将解空间随机分成若干个群，每个群包含一个领导者，并且每个群都有搜索全局解的能力。群成员的行为和特征除了受群领导的影响外，同时也受其他群成员的影响；每个群里，接近局部或全局优化最小值的成员是这个群的领导，每个群在搜索全局解时，受这个领导的影响。由于目标函数决定了群领导，因此在迭代后，如果新成员的目标值优于领导者，则旧的群领导被新的领导者取代。

gloa是一个连续迭代和循环的过程。标准gloa共包括六个步骤：

步骤1：参数初始化。采用0-1编码方式给候选解编码，使其成为gloa的群成员形式。成员解被随机分成m个子群，每个子群随机分配p个成员，因此，共有解m*p个。

步骤2：计算适应度函数值。根据适应度函数，计算每个子群中每个群成员的适应度值。

步骤3：指定群领导。适应度函数值是评价群成员能力的标准，每个群有一个群领导，群领导是该群中适应度值最小的成员，它带领群成员搜索最优解。

步骤4：变异重组。为了保证算法搜索全局最优解，需要对群成员变异重组。一般的变异算法是以一定概率，采用随机遍历法、轮盘赌法、锦标赛等方法，从旧的群体里选择优良的个体变异成新个体。群领导优化算法则按照循序遍历法遍历群里的每个成员。被遍历到的成员作为旧成员，与群领导、随机个体及相应权重共同作用生成新的成员，如果新成员的适应度值优于旧成员的适应度值，则新成员代替旧成员，否则，保留旧成员。式中，r1是旧成员的遗传度，r2是群领导在群中的影响因子，r3是随机因子，r1的值决定了一个成员保留它原有特征的程度，在不同迭代中r2将群成员移向群领导，使群成员变得与群领导更相似，r1+r2+r3≤1,r2,r3≤0.5≤r1。

步骤5：单向交叉运算。单向交叉运算是为了算法逃出局部极小值。采用遍历的方式，从第一个群开始，随机选择该群中被交叉的成员以及被交叉的维度，然后，从剩下的群中，随机挑选一个群，并随机选择该群中的一个成员，将这个成员相应的维度参数转移给第一个群中的被交叉成员。如果交叉后，新成员的适应度值优于被交叉成员的值，那么则用新成员替代旧成员，否则，保留原来的成员及其维度参数。在这个步骤中，每个群的交叉次数很重要，交叉次数太多，则算法收敛过快，所有种群很快变得相似。

步骤6：重复步骤3-5。按照给定迭代次数重复步骤3-5，最终选择适应度值最好的群领导作为问题的解。

s15：根据优化排序后的生产工序和对应的生产设备的顺序进行生产流程的调度。

在具体实施过程中，根据s14优化之后的进行相应的生产流程的调度。

在本方实施方式中，对待生产产品在生产过程中所需的生产特征进行提取，获取待生产产品的生产特征；对所述待生产产品的生产特征进行生产特征粒匹配处理，获取所述待生产产品的生产特征粒；根据所述生产特征粒进行生产工序和对应的生产设备安排处理，获取待生产产品的生产工序和对应的生产设备；根据用于生产待生产产品的生产工序和对应的生产设备进行优化排序处理，获取优化排序后的生产工序和对应的生产设备的顺序；根据优化排序后的生产工序和对应的生产设备的顺序进行生产流程的调度。能节省调度时间，提升调度准确性，提升调度效率，从而提升产品生产的效率。

实施例二：

图2是本发明实施例中的基于智能制造的产品生产流程调度系统的系统结构组成示意图，如图2所示，所述产品生产流程调度系统包括：

特征提取模块11：用于对待生产产品在生产过程中所需的生产特征进行提取，获取待生产产品的生产特征；

在具体实施过程中，影响对产品生产的生产速度或者决策性的属性较多，在本发明实施例中将这些影响产品生产的生产速度或者决策性属性的归结为该产品的生产特征，其中至少包括以下：生产材料、生产形状、生产尺寸，生产工艺中的一种或多种组合。

在获取该需要生产的产品时，首先需要的是提取该需要生产的产品的生产特征，可以通过该需要生产的产品的技术参数中提取这些特征，亦可以在该需要生产的产品所需要的加工工艺等方面获取特征，或者改需要生产产品的自身材质方面获取特征。

匹配模块12：用于对所述待生产产品的生产特征进行生产特征粒匹配处理，获取所述待生产产品的生产特征粒；

在具体实施过程中，是采用待生产产品的生产特征与历史生产产品的特征粒的属性进行语义匹配处理，从而获取到待生产产品的生产特征粒。

在语义匹配中，生产线上的资源具有类型广泛，数量巨大，资源动态性和失效性等的特点。为了支持资源的快速查找、准确匹配，需要对资源的属性信息进行语义化描述，以支持语义匹配。

首先是对生产对产品历史中的历史生产特征提取出来，这些特征至少包括生产材料、生产形状、生产尺寸，生产工艺中的一种或多种组合；具体提取可参考上述的s11。

然后对这些历史生产产品的生产特征进行粒计算，从而获取历史生产产品的生产特征；其中，粒计算包括如下计算：历史生产生产特征的属性进行距离计算，然后进行特征属性相似度即综合相似度计算，并构建相似度矩阵，在相似度矩阵中构建生产特征粒度空间，对该生产特征的粒度空间中的特征进行分层聚类；聚类可以采用birch算法、cure算法、chameleon算法等聚类算法；并设置聚类的有效性阈值，确定最优粒层，在最优粒层中提取历史生产产品的生产特征粒，最后在这些历史生产产品的生产特征粒中提取生产中所需要的各个历史生产产品的生产特征粒的公共属性，形成历史生产产品的特征粒的属性。

然后通过对所需要生产的生产产品特征与历史生产产品的特征粒的属性进行语义匹配，从而获取待生产产品的生产特征粒。

安排模块13：用于根据所述生产特征粒进行生产工序和对应的生产设备安排处理，获取待生产产品的生产工序和对应的生产设备；

在具体实施过程中，采用训练好的自编神经网络模型进行生产工序和对应的生产设备映射，获取该待生产的产品的生产工序和对应的生产设备。

其中这个自编神经网络模型至少包括下列的若干个卷积层、生产特征层、生产工序层、生产设备层和全连接层；所述生产特征层连接在一个卷积层之后，所述生产工序层连接在另一个卷积层之后，所述生产设备层连接在又一个卷积层之后，所述全连接层连接在所述生产设备层之后。

自编神经网络模型的训练过程如下：将各个历史生产产品的生产特征粒的公共属性作为训练样本进行归一化处理；将归一化处理后的训练样本输入自编神经网络模型；所述自编神经网络模型进行特征学习训练，直至收敛；所述自编神经网络模型进行特征学习训练，包括：根据所述归一化处理后的训练样本提取所述特征，根据所述特征确定归一化处理后的训练样本属于各个生产工序和生产设备分类概率值；将最高概率值对应的分类作为激励分类结果；通过自编神经网络模型中的损失函数和对所述激励分类结果与所述训练样本预先标定的期望分类结果进行比较，若激励分类结果与期望分类结果相同，则所述训练样本的训练结束；若激励分类结果与期望分类结果不相同，则将所述训练样本重新输入到自编神经网络模型中进行训练，在重新训练之前通过反向算法，对卷积神经网络模型的各个权重进行调节。

在本实施例实施过程中，训练样本主要来自历史生产的产品特征，自编神经网络模型可以依次包括输入层、卷积层生、生产特征层、卷积层、产工序层、卷积层、生产设备层、全连接层和输出层，这种为本发明实施例中构造的最为简单的自编神经网络模型，但并不限定为这一模型。

在训练的过程中，首先是将各个历史生产产品的生产特征粒的公共属性作为训练样本进行归一化处理；这里的归一化处理是将训练样本统一归一化至统一的尺度，这里涉及到生产材料、生产形状、生产尺寸、生产工艺的归一化，首先是将这些特征转化为用数字表示，然后再对这些数字进行相应的归一化处理；将归一化处理后的训练样本输入至自编神经网络模型中的输入层，自编神经网络模型通过对输入的训练样本进行相应的学习之后，通过输出层输出。

在自编神经网络模型学习过程中，需要对训练样本属于各个生产工序和生产设备分类概率值进行统计，选定每一个分类的最高概率值作为该分类对应的激励分裂结果。

在自编神经网络模型学习过程中，通过自编神经网络模型自身的损失函数和对应的激励分类结果与训练样本预先标定的期望分类结果进行比较，若激励分类结果与期望分类结果相同，则所述训练样本的训练结束；可以采用的损失函数包括：sigmoid、tanh、relu等，可以根据用户或者模型自身需求进行选择，这些损失函数均为常用的非线性函数；sigmoid、tanh多用于全连接层，relu多用于卷积层；期望结果可以为99.9％；若激励分类结果与期望分类结果不相同，则将所述训练样本重新输入到自编神经网络模型中进行训练，在重新训练之前通过反向算法，对卷积神经网络模型的各个权重进行调节。

优化模块14：用于根据用于生产待生产产品的生产工序和对应的生产设备进行优化排序处理，获取优化排序后的生产工序和对应的生产设备的顺序；

在具体实施过程中，采用群领导优化算法对用于生产待生产产品的生产工序和对应的生产设备进行优化排序处理；其中，群领导优化算法中至少包括设备实时状态群、生产成本群和完成时间群。

群领导优化算法(groupleaderoptimizationalgorithm,gloa)将解空间随机分成若干个群，每个群包含一个领导者，并且每个群都有搜索全局解的能力。群成员的行为和特征除了受群领导的影响外，同时也受其他群成员的影响；每个群里，接近局部或全局优化最小值的成员是这个群的领导，每个群在搜索全局解时，受这个领导的影响。由于目标函数决定了群领导，因此在迭代后，如果新成员的目标值优于领导者，则旧的群领导被新的领导者取代。

gloa是一个连续迭代和循环的过程。标准gloa共包括六个步骤：

步骤1：参数初始化。采用0-1编码方式给候选解编码，使其成为gloa的群成员形式。成员解被随机分成m个子群，每个子群随机分配p个成员，因此，共有解m*p个。

步骤2：计算适应度函数值。根据适应度函数，计算每个子群中每个群成员的适应度值。

步骤3：指定群领导。适应度函数值是评价群成员能力的标准，每个群有一个群领导，群领导是该群中适应度值最小的成员，它带领群成员搜索最优解。

步骤4：变异重组。为了保证算法搜索全局最优解，需要对群成员变异重组。一般的变异算法是以一定概率，采用随机遍历法、轮盘赌法、锦标赛等方法，从旧的群体里选择优良的个体变异成新个体。群领导优化算法则按照循序遍历法遍历群里的每个成员。被遍历到的成员作为旧成员，与群领导、随机个体及相应权重共同作用生成新的成员，如果新成员的适应度值优于旧成员的适应度值，则新成员代替旧成员，否则，保留旧成员。式中，r1是旧成员的遗传度，r2是群领导在群中的影响因子，r3是随机因子，r1的值决定了一个成员保留它原有特征的程度，在不同迭代中r2将群成员移向群领导，使群成员变得与群领导更相似，r1+r2+r3≤1,r2,r3≤0.5≤r1。

步骤5：单向交叉运算。单向交叉运算是为了算法逃出局部极小值。采用遍历的方式，从第一个群开始，随机选择该群中被交叉的成员以及被交叉的维度，然后，从剩下的群中，随机挑选一个群，并随机选择该群中的一个成员，将这个成员相应的维度参数转移给第一个群中的被交叉成员。如果交叉后，新成员的适应度值优于被交叉成员的值，那么则用新成员替代旧成员，否则，保留原来的成员及其维度参数。在这个步骤中，每个群的交叉次数很重要，交叉次数太多，则算法收敛过快，所有种群很快变得相似。

步骤6：重复步骤3-5。按照给定迭代次数重复步骤3-5，最终选择适应度值最好的群领导作为问题的解。

调度模块15：用于根据优化排序后的生产工序和对应的生产设备的顺序进行生产流程的调度。

在具体实施过程中，根据s14优化之后的进行相应的生产流程的调度。

在本方实施方式中，对待生产产品在生产过程中所需的生产特征进行提取，获取待生产产品的生产特征；对所述待生产产品的生产特征进行生产特征粒匹配处理，获取所述待生产产品的生产特征粒；根据所述生产特征粒进行生产工序和对应的生产设备安排处理，获取待生产产品的生产工序和对应的生产设备；根据用于生产待生产产品的生产工序和对应的生产设备进行优化排序处理，获取优化排序后的生产工序和对应的生产设备的顺序；根据优化排序后的生产工序和对应的生产设备的顺序进行生产流程的调度。能节省调度时间，提升调度准确性，提升调度效率，从而提升产品生产的效率。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(rom，readonlymemory)、随机存取存储器(ram，randomaccessmemory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的一种基于智能制造的产品生产流程调度方法及系统进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。