融合LSTM预测需求的线型材料多批次优化下料方法

针对小批量多批次生产模式下的线型材料优化下料问题,提出利用长短期记忆网络(LSTM)对后续批次的下料需求进行预测的方法.按照集中下料思想,将预测得到的多个批次下料需求整合成一个较大规模的优化下料问题进行求解,并通过补偿下料对预测误差产生的缺料进行补偿以满足实际下料需求.基于LSTM和经典的列生成法构建型材优化下料模型,根据收集到的下料需求历史数据对模型进行训练和测试.仿真实验结果表明,该模型对切割零件需求预测精度较高(平均决定系数R2达到0.93),相比批次下料方法和基于库存下料方法,原材料利用率分别提升了0.14％和0.03％,原材料成本分别减少了14963.4元和14332.4元,证明了模型的有效性.