CN103942610B - 基于任务的可重组制造系统多态构型优化方法 - Google Patents
基于任务的可重组制造系统多态构型优化方法 Download PDFInfo
- Publication number
- CN103942610B CN103942610B CN201410136086.0A CN201410136086A CN103942610B CN 103942610 B CN103942610 B CN 103942610B CN 201410136086 A CN201410136086 A CN 201410136086A CN 103942610 B CN103942610 B CN 103942610B
- Authority
- CN
- China
- Prior art keywords
- task
- machine tool
- manufacturing system
- space
- dynamic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于任务的可重组制造系统多态构型优化方法,包括以下步骤:步骤一,根据市场需求的变化,获取动态任务的特征信息,分析待加工零件的工艺特点,确定任务的优先级别;步骤二,建立用于描述任务状态变化过程的动态空间模型和用于描述机床数量的机床能力空间模型;步骤三,建立动态任务空间到机床能力空间的映射关系,在此基础上,利用马尔科夫决策过程为动态任务分配合理的工位操作;步骤四,根据机床的加工能力信息建立能使机床能力最优的任务分配机制;步骤五,根据任务分配机制和系统优化目标,建立用于描述任务状态输入输出过程的系统排队模型,并利用ε支配自适应粒子群优化算法对系统构型进行多目标优化分析。
Description
技术领域
本发明属于加工制造技术领域,涉及制造系统构型领域的优化方法,尤其是基于任务的可重组制造系统多态构型优化方法。
背景技术
构型优化是可重组制造系统能够经济、快速地响应多样化市场需求的重要环节,可重组制造系统在全生命周期中的每一个生命周期都有不同的任务需求,而每一个任务需求都需要不同的构型与之相匹配。可重组制造系统的构型主要从以下两个方面考虑:设备层构型和系统层构型。设备层构型主要是确定设备模块化构件之间的组合、联接关系;系统层构型主要解决如何根据任务需求变化对系统原有构型进行重组的问题,主要包括:确定工作站数量和每个工作站中并联机床的数量,选择适当的工位操作并将其合理分配至不同的工作站。根据可重组制造系统的可重组性特点,面对任务多态变化的市场需求,快速找到性能可靠、机床利用率高并且成本合理是进行构型优化亟需解决的主要问题。
在可重组制造环境下,多态复杂的任务需求,为系统最优构型的确定带来了一定难度。因此,构型优化的主要特征是具有动态响应性,能够根据市场多变的任务需求,及时对制造系统原有构型进行适当调整。任务分配是进行构型优化的重要步骤之一,其通过对不同的任务选择相应的机床,并把机床分配到各个工作站,一方面可以提高机床利用率;另一方面,合理的任务分配可以有效降低制造系统的重组成本。
经对现有技术的发明文献检索后发现,对于制造系统的构型优化,Defersha等利用模拟退火方法对动态制造系统的配置和生产过程进行规划研究,建立了满足制造系统生产能力和生产功能约束的系统配置模型。Youssef等利用遗传算法对制造系统构型成本进行了优化分析,提出一种通过从离散域决策变量到连续域决策变量进行映射的方法,以降低搜索空间的复杂程度。窦建平等通过获取各生产周期内的最优和K-1个次优(K优)单零件流水线构型,对可重构制造系统进行构型优化研究,将寻求满足功能和产能约束、空间约束和投资限制的K优构形问题建模为关联所有可行工位操作序列的复合增广有向图上的约束K最短路径问题,获得K优解。陈科在传统机械优化的基础上,提出了一种基于熵增理论的优化算法,该算法将系统的演化过程和优化问题在解空间的寻优过程相对应,将系统的构型参数与优化问题的设计变量相对应,以系统的平衡态作为优化设计问题的最优点,以系统熵最大或系统能量最小作为系统收敛的准则,对系统构型进行优化分析。
综合文献的研究概况可以看出,目前对于制造系统构型优化的研究主要集中在理论层面,缺乏实用性。可重组制造系统在重组过程中,面临并需要完成一系列复杂多变的任务,为了快速响应市场需求,必须不断地对制造系统进行任务的分配和再分配。由于任务的多态性是由市场的不确定因素造成的,必须对随机出现的所有任务,建立相应的动态分配机制,并根据任务分配方法和系统优化目标对其进行构型优化分析。因此,在随机任务的基础上,研究对制造系统的构型进行优化分析更具有实际应用价值。
发明内容
本发明的目的是针对现有制造系统构型优化方法的不足,提出一种基于任务的可重组制造系统多态构型优化方法,以解决背景技术中存在的不足。
为达到上述目的,本发明的技术方案如下:
一种基于任务的可重组制造系统多态构型优化方法,其包括以下步骤:
步骤一,根据市场需求的变化,获取动态任务的特征信息,分析待加工零件的工艺特点,确定任务的优先级别;
步骤二,建立用于描述任务状态变化过程的动态空间模型和用于描述机床数量的机床能力空间模型;
步骤三,建立动态任务空间到机床能力空间的映射关系,在此基础上,利用马尔科夫决策过程为动态任务分配合理的工位操作;
步骤四,根据机床的加工能力信息建立能使机床能力最优的任务分配机制;
步骤五,根据任务分配机制和系统优化目标,建立用于描述任务状态输入输出过程的系统排队模型,并利用ε支配自适应粒子群优化算法对系统构型进行多目标优化分析。
所述可重组制造系统多态构型,是指制造系统中的机床布局结构在不同任务需求下所呈现出的多种状态。
所述市场需求的变化,是指顾客在一定的地区、一定的时间、一定的市场营销环境下对某种产品购买数量的变化或对某种产品设计要求的变化。
所述可重组制造系统动态任务特征,是指制造系统在每一个重组周期内所面临且需要执行的一系列不同的生产任务特征,主要包括:任务需求特征、待加工零件工艺特征、机床配置特征、空间约束特征和成本约束特征等。
所述任务的优先级别,是指工件在加工过程中需要完成的每道工序的先后顺序。
所建立的用于描述任务状态变化过程的动态空间为制造系统在全生命周期内各个阶段上要完成的任务的集合,记为W。该集合包含x个不同的任务,即W={W1,W2,...Wx},在第t个生命周期时,所要分配并执行的任务为Wt,则Wt∈W。
所建立的用于描述机床数量的机床能力空间模型为:假设每个工作站中并联机床的数量为m,每个机床都有自己的加工能力空间,设第i台机床的加工能力空间为Vi,则整个工作站的机床能力空间为V={V1×V2×…×Vi×…×Vm}。
所建立的动态任务空间到机床能力空间的映射关系为将动态任务实时地分配给相应机床的行动过程。在系统每个生命周期的状态下,动态任务的分配方案,均可用有序数对进行描述,其对应的元素为机床编码。当机床能力未超过系统剩余缓存任务时,任务空间中的任务均可以被分配。
利用马尔科夫决策过程对动态任务选择合理的工位操作是基于动态任务特征和机床能力信息与过去其他特征信息无关,任务分配决策过程具有马尔科夫性。制造系统在各生命周期的状态变化过程可用状态转移概率进行描述,随机任务在输入过程中反映了市场需求的变化规律,相对于机床能力信息是独立存在的,而整个系统的状态是由动态任务和机床能力信息共同作用的结果,因此,可用任务状态转移率与机床能力状态转移率的乘积,来描述整个系统的任务状态从一种工位操作分配到另一种工位操作的状态转移概率。
根据机床的加工能力信息所建立的能使机床能力最优的任务分配机制指的是构建任务特征与机床信息相匹配的动态响应方案,该方案既能体现任务和机床的特征信息,还可以保证机床利用率最优。
所建立的用于描述任务状态输入输出过程的系统排队模型如下:A/B/N
其中,A表示任务的输入过程服从泊松分布,B表示任务执行时间为负指数分布,N表示在任务从输入到输出整个过程中,所要经过的所有工作站数量。
工作站数量水平的有限状态空间为N={1,2,…n-1,n},n≥1,任务分别以λ1,λ2,…,λn到达,服务率分别为μ1,μ2,…,μn,形成的队长分别为n1,n2,…,nn。
任务在执行过程中的排队规则如下:
(ⅰ)机床选择
根据待加工零件的工艺任务特点,在满足约束条件的情况下,对现有制造系统的机床组进行数量和类型的移除,或从机床库中选择并添加一定数量和类型的机床,使制造系统完成设备级的重组过程。
其约束条件为生产能力约束和车间空间约束。这里,生产能力Pc指的是单台类型为t的机床在单位工作时间内所完成与工位操作s相关的零件数量,为满足任务需求,通常规定Pc≥V;车间空间约束指的是制造系统中的工作站数量和每个工作站中所包含的并联机床数量均不能超过车间允许的最大数量,其约束函数为
其中,zs,t指的是二元决策变量,如果工位操作s被分配到机床r,zs,t=1,否则zs,t=0,ns,t指的是完成与工位操作s相关的机床数量(取整),Pc指的是生产能力,Mmax指的是每个工作站的并联机床最大允许数量,Nmax指的是制造系统所允许的工作站最大数量。
(ⅱ)服务优先
加工任务信息在输入到制造系统之前,先要根据工艺规划要求,确定工序优先关系。所有工序按照树状结构排列,优先级别最高的工序排在树状结构的顶端,随着优先级别的降低,对应的工序依次向下排列。
(ⅲ)任务分配
组成制造系统的设备有很多种,常见的有数控机床,专用机床和可重构机床等,每种机床都有各自不同的成本和功能,如何在不违反任务优先的前提下把工位操作合理地分配到相应的机床,以达到成本最优是进行任务分配的首要任务。
将加工任务按照特征进行如下划分:①相同任务,在相同的时间内,使用相同的切削工具加工出相同的几何特征;②相似任务,使用不同的切削工具加工出相同的几何特征,或者是使用相同的切削工具,但加工出的几何特征具有不同的公差参数要求;③特定任务,使用切削工具加工出不同于其他几何特征的特征。
把相同任务和相似任务分配在相同的工作站,特定任务在确保各机床负荷平衡的前提下可做灵活处理。
任务状态输入输出过程的系统排队模型,主要性能指标包括:每个服务台的机床数量和机床的平均繁忙率等。通过制造系统在任务输入过程中的实际特征信息,分析机床参与服务的概率分布,进而分析模型在任务配置和系统构型优化问题中的应用价值。
以重组资本最小化和机床利用率最大化为目标,构造出系统构型优化的目标函数分别为:
(c)重组资本最小
其中,Ct表示所需类型为t的机床成本,τs,t表示类型为t的机床在进行工位操作s时所需花费的总时间(包括工件安装、卸载时间,和加工时间),V表示任务需求率,|τs,t×V|表示所需类型为t的机床的数量(取整),ωt表示单台类型为t的机床初始成本,D表示机床年折旧率,I表示资本年利率。
(d)机床利用率最大
其中,n表示机床数量,x表示待加工零件的种类数,yi表示第i个待加工零件的工序数,tyxn表示每件x类型待加工零件的第y道工序在第n台机床上所需要的加工时间,zyxn表示决策变量,当zyxn=1时,表示第x类型待加工零件的第y道工序在第n台机床上进行加工,当zyxn=0时,表示第x类型待加工零件的第y道工序未在第n台机床上进行加工。
上述两个优化目标函数,可整合为一个多目标优化模型为Min(Max)f(x)=(Ct(x),f(x)),0<f(x)≤1,minxd≤xd≤maxxd
其中,x为d维向量,Ct(x),f(x)为目标函数,minxd和maxxd分别为每一维向量搜索的上下限。
引入ε支配策略,利用自适应粒子群优化算法进行求解。在无需附加类聚和小生境环境下,增加粒子的支配空间,使粒子排列更加均匀,同时可以有效舍去近距离非劣解。
前边所述的优化算法,其步骤包括:①初始化粒子种群,设随机产生的每个粒子最优值为初始位置,初始化速度为0,并将其存储在psolist中;②对所有粒子的目标函数值进行求解,并根据最大最小方法确定所有粒子的适应度值,并将非劣解统一存储在nonpsolist中;③对psolist中所有粒子进行迭代运算,通过轮盘赌法在nonpsolist中选取一个非劣粒子作为全局最优值,若该粒子优于当前值,则可用其替代当前值,否则保持当前值不变,根据粒子的位置和速度的变化,求出每个粒子的后代并存贮至psolist;④调整ε值,使迭代次数增加1次;⑤判断是否收敛,若收敛则输出nonpsolist,否则,返回至步骤③继续迭代。
由于采用了以上的技术方案,本发明的有益效果是:可根据市场需求的变化,迅速进行任务配置,并根据资金和空间约束条件,对可重组制造系统构型进行优化设计。基于任务的可重组制造系统多态构型优化方法,以动态任务为载体,以可重组制造系统全生命周期为研究对象,对系统的构型及其性能指标进行优化分析,使现代制造业能快速适应复杂多变的市场需求,并能降低制造成本,在同类生产企业中具有更强的竞争力。
附图说明
图1为本发明的基于任务的可重组制造系统多态构型优化方法流程图。
图2为基于排队论的制造系统任务输入输出过程流程图。
具体实施方式
以下结合本发明的内容和附图所述实施例对本发明作进一步的说明。
本发明是一种基于任务的可重组制造系统多态构型优化方法,其包括以下步骤:
步骤一,获取动态任务的特征信息,分析待加工零件的工艺特点,确定任务的优先级别。
任务特征信息主要包括任务需求特征、待加工零件工艺特征、机床配置特征、空间约束特征和成本约束特征等。
步骤二,建立用于描述任务状态变化过程的动态空间模型和用于描述机床数量的机床能力空间模型。
用于描述任务状态变化过程的状态空间为制造系统在全生命周期内各个阶段上要完成的任务的集合,记为W。该集合包含x个不同的任务,即W={W1,W2,...Wx},在第t个生命周期时,所要分配并执行的任务为Wt,则Wt∈W。
任务主体具有输入、输出和执行能力要求,待加工零件的工序或者是精度等要求发生改变时,对任务的加工主体会有不同的能力要求。
任务的动态分配过程即为将任务实时地分配给相应机床的行动过程,在系统每个生命周期的状态下,动态任务的分配方案,均可用有序数对进行描述,其对应的元素为机床编码。在进行任务分配前,首先要检查系统的总体能力是否大于新出现的任务,当机床能力未超过系统剩余缓存任务时,任务空间中的任务才可以被分配。
步骤三,利用马尔科夫决策过程对动态任务选择合理的工位操作。制造系统在各生命周期的状态变化过程可用状态转移概率进行描述,随机任务在输入过程中反映了市场需求的变化规律,相对于机床能力信息是独立存在的,而整个系统的状态是由动态任务和机床能力信息共同作用的结果,因此,可用任务状态转移率与机床能力状态转移率的乘积,来描述整个系统的任务状态从一种工位操作分配到另一种工位操作的状态转移概率。先算出系统在当前任务状态下采取的任务分配方案转移到下一个任务状态时的概率,确定在此转移过程中的优化目标函数。一般情况下,任务分配方案有多种,不同的方案会直接影响到优化目标的结果。
步骤四,根据机床的加工能力信息建立能使机床能力最优的任务分配机制。构建任务特征与机床信息相匹配的动态响应方案,该方案既能体现任务和机床的特征信息,还可以保证机床利用率最优。
步骤五,建立用于描述任务状态输入输出过程的系统排队模型。以任务为顾客,机床为服务机构,分析系统在任务执行过程中的主要指标性能。根据制造系统在任务输入过程中的实际特征信息,分析机床参与服务的概率分布。在此基础上,结合ε支配自适应粒子群优化算法对系统构型进行多目标优化分析。
本发明的流程如图1所示。主要包括市场需求、待加工零件工艺特征、机床配置特征、空间特征、成本约束特征、任务空间特征、映射、机床能力空间、任务状态、状态转移、机床、工作站、马尔科夫决策过程、任务分配机制、ε支配策略、自适应粒子群优化算法。其详细步骤如下:
先对市场需求进行分析,获取待加工零件的工艺特征、机床配置特征、车间空间特征及成本约束特征。
分别建立用于描述任务状态变化过程的动态空间模型和用于描述机床数量的机床能力空间模型。
建立任务空间到机床能力空间的映射,给动态任务分配合理的工位操作,使制造系统在重组过程中性能最优。在进行任务分配前,首先要检查系统的总体能力是否大于新出现的任务,当机床能力未超过系统剩余缓存任务时,任务空间中的任务才可以被分配。
利用马尔科夫决策过程对整个系统的任务状态从一种工位操作分配到另一种工位操作的状态转移概率进行描述。先算出系统在当前任务状态下所采取的任务分配方案在转移到下一个任务状态时的概率,然后确定在此转移过程中的优化目标函数。
以待执行任务为顾客,机床为服务机构,建立用于描述任务状态输入输出过程的系统排队模型,分析系统在任务执行过程中的主要指标性能。根据制造系统在任务输入过程中的实际特征信息,分析机床参与服务的概率分布。在此基础上,结合ε支配自适应粒子群优化算法对系统构型进行多目标优化分析。
本发明一方面基于任务的可重组制造系统多态构型优化提供一种以动态任务为载体,以制造系统的机床利用率和重组成本为优化目标的方法,具有突出的实际应用价值;另一方面基于排队理论的马尔科夫随机模型,能有效地反映制造系统在响应市场变化所做出的一系列重组动作,实现任务合理配置和机床最大利用率。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于这里的实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (9)
1.一种基于任务的可重组制造系统多态构型优化方法,其特征在于,包括以下步骤:
步骤一,根据市场需求的变化,获取动态任务的特征信息,分析待加工零件的工艺特点,确定任务的优先级别;
步骤二,建立用于描述任务状态变化过程的动态空间模型和用于描述机床数量的机床能力空间模型;
步骤三,建立动态任务空间到机床能力空间的映射关系,在此基础上,利用马尔科夫决策过程为动态任务分配合理的工位操作;
步骤四,根据机床的加工能力信息建立能使机床能力最优的任务分配机制;
步骤五,根据任务分配机制和系统优化目标,建立用于描述任务状态输入输出过程的系统排队模型,并利用ε支配自适应粒子群优化算法对系统构型进行多目标优化分析,所建立的用于描述任务状态输入输出过程的系统排队模型如下:A/B/N,其中,A表示任务的输入过程服从泊松分布,B表示任务执行时间为负指数分布,N表示在任务从输入到输出整个过程中,需要经过的所有工作站数量。
2.根据权利要求1所述的基于任务的可重组制造系统多态构型优化方法,其特征在于:所述可重组制造系统多态构型,是指制造系统中的机床布局结构在不同任务需求下所呈现出的多种状态;
所述市场需求的变化,是指顾客在一定的地区、一定的时间、一定的市场营销环境下对某种产品购买数量的变化或对某种产品设计要求的变化;
所述可重组制造系统动态任务特征,是指制造系统在每一个重组周期内所面临且需要执行的一系列不同的生产任务特征,主要包括:任务需求特征、待加工零件工艺特征、机床配置特征、空间约束特征和成本约束特征;
所述任务的优先级别,是指工件在加工过程中需要完成的每道工序的先后顺序;
所建立的用于描述任务状态变化过程的动态空间为制造系统在全生命周期内各个阶段上要完成的任务的集合,记为W;该集合包含x个不同的任务,即W={W1,W2,...Wx},在第t个生命周期时,所要分配并执行的任务为Wt,则Wt∈W;
所建立的用于描述机床数量的机床能力空间模型为:假设每个工作站中并联机床的数量为m,每个机床都有自己的加工能力空间,设第i台机床的加工能力空间为Vi,则整个工作站的机床能力空间为V={V1×V2×…×Vi×…×Vm}。
3.根据权利要求1所述的基于任务的可重组制造系统多态构型优化方法,其特征在于:所建立的动态任务空间到机床能力空间的映射关系为将动态任务实时地分配给相应机床的行动过程;在系统每个生命周期的状态下,动态任务的分配方案,均可用有序数对进行描述,其对应的元素为机床编码;当机床能力未超过系统剩余缓存任务时,任务空间中的任务均可以被分配。
4.根据权利要求1所述的基于任务的可重组制造系统多态构型优化方法,其特征在于:利用马尔科夫决策过程对动态任务选择合理的工位操作是基于动态任务特征和机床能力信息与过去其他特征信息无关,任务分配决策过程具有马尔科夫性;制造系统在各生命周期的状态变化过程可用状态转移概率进行描述,随机任务在输入过程中反映了市场需求的变化规律,相对于机床能力信息是独立存在的,而整个系统的状态是由动态任务和机床能力信息共同作用的结果,因此,可用任务状态转移率与机床能力状态转移率的乘积,来描述整个系统的任务状态从一种工位操作分配到另一种工位操作的状态转移概率。
5.根据权利要求1所述的基于任务的可重组制造系统多态构型优化方法,其特征在于:根据机床的加工能力信息所建立的能使机床能力最优的任务分配机制指的是构建任务特征与机床信息相匹配的动态响应方案,该方案既能体现任务和机床的特征信息,还可以保证机床利用率最优。
6.根据权利要求书1所述的基于任务的可重组制造系统多态构型优化方法,其特征在于:工作站数量水平的有限状态空间为N={1,2,…n-1,n},n≥1,任务分别以λ1,λ2,...,λn表达,服务率分别为μ1,μ2,...,μn,形成的队长分别为n1,n2,...,nn;
所建立的用于描述任务状态输入输出过程的系统排队模型,任务在执行过程中的排队规则如下:
(ⅰ)机床选择
根据待加工零件的工艺任务特点,在满足约束条件的情况下,对现有制造系统的机床组进行数量和类型的移除,或从机床库中选择并添加一定数量和类型的机床,使制造系统完成设备级的重组过程;
其约束条件为生产能力约束和车间空间约束;这里,生产能力Pc指的是单台类型为t的机床在单位工作时间内所完成与工位操作s相关的零件数量,为满足任务需求,通常规定Pc≥V;车间空间约束指的是制造系统中的工作站数量和每个工作站中所包含的并联机床数量均不能超过车间允许的最大数量,其约束函数为
<mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<msub>
<mi>n</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<msub>
<mi>P</mi>
<mi>c</mi>
</msub>
<mo>&le;</mo>
<msub>
<mi>M</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mo>&ForAll;</mo>
<mi>s</mi>
</msub>
<mo>&Element;</mo>
<mi>S</mi>
<mo>,</mo>
<msub>
<mo>&ForAll;</mo>
<mi>t</mi>
</msub>
<mo>&Element;</mo>
<mi>T</mi>
</mrow>
<mrow>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>s</mi>
<mo>&Element;</mo>
<mi>S</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>&Element;</mo>
<mi>T</mi>
</mrow>
</munder>
<msub>
<mi>z</mi>
<mrow>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>&le;</mo>
<msub>
<mi>N</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
其中,zs,t指的是二元决策变量,如果工位操作s被分配到机床r,zs,t=1,否则zs,t=0,ns,t指的是完成与工位操作s相关的取整的机床数量,Pc指的是生产能力,Mmax指的是每个工作站的并联机床最大允许数量,Nmax指的是制造系统所允许的工作站最大数量;
(ⅱ)服务优先
加工任务信息在输入到制造系统之前,先要根据工艺规划要求,确定工序优先关系;所有工序按照树状结构排列,优先级别最高的工序排在树状结构的顶端,随着优先级别的降低,对应的工序依次向下排列;
(ⅲ)任务分配
将加工任务按照特征进行如下划分:①相同任务,在相同的时间内,使用相同的切削工具加工出相同的几何特征;②相似任务,使用不同的切削工具加工出相同的几何特征,或者是使用相同的切削工具,但加工出的几何特征具有不同的公差参数要求;③特定任务,使用切削工具加工出不同于其他几何特征的特征;
把相同任务和相似任务分配在相同的工作站,特定任务在确保各机床负荷平衡的前提下可做灵活处理;
所建立的用于描述任务状态输入输出过程的系统排队模型,主要性能指标包括:每个服务台的机床数量和机床的平均繁忙率;通过制造系统在任务输入过程中的实际特征信息,分析机床参与服务的概率分布,进而分析模型在任务配置和系统构型优化问题中的应用价值;
所建立的用于描述任务状态输入输出过程的系统排队模型,以重组资本最小化和机床利用率最大化为目标,构造出系统构型优化的目标函数分别为:
(a)重组资本最小
其中,Ct表示所需类型为t的机床成本,τs,t表示类型为t的机床在进行工位操作s时所需花费的包括工件安装、卸载时间和加工时间的总时间,V表示任务需求率,表示所需类型为t的机床的取整的数量,ωt表示单台类型为t的机床初始成本,D表示机床年折旧率,I表示资本年利率;
(b)机床利用率最大
<mrow>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
<mi>f</mi>
<mo>=</mo>
<mi>M</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>{</mo>
<mrow>
<munderover>
<mi>max</mi>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>X</mi>
</munderover>
<munderover>
<mi>&Sigma;</mi>
<mi>y</mi>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
</munderover>
<msub>
<mi>t</mi>
<mrow>
<mi>y</mi>
<mi>x</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>y</mi>
<mi>x</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>/</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>x</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>X</mi>
</munderover>
<munderover>
<mi>&Sigma;</mi>
<mi>y</mi>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
</munderover>
<msub>
<mi>t</mi>
<mrow>
<mi>y</mi>
<mi>x</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>z</mi>
<mrow>
<mi>y</mi>
<mi>x</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mo>}</mo>
</mrow>
</mrow>
其中,N表示机床数量,X表示待加工零件的种类数,Yi表示第i个待加工零件的工序数,tyxn表示每件x类型待加工零件的第y道工序在第n台机床上所需要的加工时间,zyxn表示决策变量,当zyxn=1时,表示第x类型待加工零件的第y道工序在第n台机床上进行加工,当zyxn=0时,表示第x类型待加工零件的第y道工序未在第n台机床上进行加工。
7.根据权利要求6所述的基于任务的可重组制造系统多态构型优化方法,其特征在于:所构造的两个优化目标函数,可整合为一个多目标优化模型为Min(Max)f(x)=(Ct(x),f(x)),0<f(x)≤1,minxd≤xd≤maxxd
其中,x为d维向量,Ct(x),f(x)为目标函数,minxd和maxxd分别为每一维向量搜索的上下限。
8.根据权利要求7所述的基于任务的可重组制造系统多态构型优化方法,其特征在于:所述的多目标优化模型,引入ε支配策略,利用自适应粒子群优化算法进行求解;在无需附加类聚和小生境环境下,增加粒子的支配空间,使粒子排列更加均匀,同时可以有效舍去近距离非劣解。
9.根据权利要求8所述的基于任务的可重组制造系统多态构型优化方法,其特征在于:所述的优化算法,其步骤包括:①初始化粒子种群,设随机产生的每个粒子最优值为初始位置,初始化速度为0,并将其存储在psolist中;②对所有粒子的目标函数值进行求解,并根据最大最小方法确定所有粒子的适应度值,并将非劣解统一存储在nonpsolist中;③对psolist中所有粒子进行迭代运算,通过轮盘赌法在nonpsolist中选取一个非劣粒子作为全局最优值,若该粒子优于当前值,则可用其替代当前值,否则保持当前值不变,根据粒子的位置和速度的变化,求出每个粒子的后代并存贮至psolist;④调整ε值,使迭代次数增加1次;⑤判断是否收敛,若收敛则输出nonpsolist,否则,返回至步骤③继续迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410136086.0A CN103942610B (zh) | 2014-04-04 | 2014-04-04 | 基于任务的可重组制造系统多态构型优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410136086.0A CN103942610B (zh) | 2014-04-04 | 2014-04-04 | 基于任务的可重组制造系统多态构型优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103942610A CN103942610A (zh) | 2014-07-23 |
CN103942610B true CN103942610B (zh) | 2017-12-26 |
Family
ID=51190272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410136086.0A Expired - Fee Related CN103942610B (zh) | 2014-04-04 | 2014-04-04 | 基于任务的可重组制造系统多态构型优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103942610B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548260A (zh) * | 2015-09-16 | 2017-03-29 | 北汽福田汽车股份有限公司 | 一种定制车辆生产的方法及装置 |
CN106371908A (zh) * | 2016-08-31 | 2017-02-01 | 武汉鸿瑞达信息技术有限公司 | 基于粒子群算法的图像视频过滤任务分配的优化方法 |
CN107292043A (zh) * | 2017-06-29 | 2017-10-24 | 同济大学 | 一种基于uml‑opn建模的可重组制造系统分析方法 |
CN107730032B (zh) * | 2017-09-25 | 2021-10-26 | 新奥能源动力科技(上海)有限公司 | 一种泛能网电冷热三联供优化调度系统及方法 |
CN107944726B (zh) * | 2017-11-29 | 2021-07-16 | 上海交通大学 | 面向动态重构制造系统的系统层维护调度方法 |
CN108681789B (zh) * | 2018-05-09 | 2021-10-08 | 浙江财经大学 | 一种云制造服务优化方法 |
JP6570775B1 (ja) | 2018-06-07 | 2019-09-04 | 三菱電機株式会社 | 工程決定支援装置、工程決定支援方法、工程決定支援プログラムおよび記憶媒体 |
CN109358503B (zh) * | 2018-10-22 | 2022-04-08 | 重庆大学 | 一种面向节能的机床运动部件多目标结构优化方法 |
CN109543896B (zh) * | 2018-11-16 | 2021-07-27 | 闽江学院 | 一种基于绝对值和函数最小化与粒子群优化的车间设备双行布局方法 |
CN109634229A (zh) * | 2018-11-19 | 2019-04-16 | 东莞理工学院 | 一种基于大数据的智能工厂制造管理系统 |
CN110103762A (zh) * | 2019-04-04 | 2019-08-09 | 苏州奇才电子科技股份有限公司 | 充电桩分配系统及方法 |
CN110334919B (zh) * | 2019-06-20 | 2022-05-27 | 西北工业大学 | 一种生产线资源匹配方法及装置 |
CN113177667A (zh) * | 2021-05-24 | 2021-07-27 | 同济大学 | 一种基于改进遗传算法的电气装备制造资源优化配置方法 |
CN116362407B (zh) * | 2023-04-06 | 2024-01-16 | 湘南学院 | 一种考虑制造系统运行性能的设施布局优化方法 |
CN117236923B (zh) * | 2023-09-08 | 2024-07-30 | 北京理工大学 | 一种多态系统的双运行策略下的运维策略优化方法 |
CN118195557B (zh) * | 2024-05-17 | 2024-08-16 | 吉林大学 | 可配置订单下产品族设计和流水线构型设计协同优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1776554A (zh) * | 2005-10-20 | 2006-05-24 | 同济大学 | 基于遗传算法的可重组生产线调度方法 |
CN102831318A (zh) * | 2012-08-25 | 2012-12-19 | 北京科技大学 | 异构多机器人系统中基于个体能力的任务分配算法 |
CN103023703A (zh) * | 2012-12-18 | 2013-04-03 | 北京航空航天大学 | 基于M/M/s排队模型的网络及时可靠性加速试验方法 |
-
2014
- 2014-04-04 CN CN201410136086.0A patent/CN103942610B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1776554A (zh) * | 2005-10-20 | 2006-05-24 | 同济大学 | 基于遗传算法的可重组生产线调度方法 |
CN102831318A (zh) * | 2012-08-25 | 2012-12-19 | 北京科技大学 | 异构多机器人系统中基于个体能力的任务分配算法 |
CN103023703A (zh) * | 2012-12-18 | 2013-04-03 | 北京航空航天大学 | 基于M/M/s排队模型的网络及时可靠性加速试验方法 |
Non-Patent Citations (1)
Title |
---|
面向多工序加工系统的可重构工艺规划;段建国 等;《计算机集成制造系统》;20110615;第17卷(第6期);第1215-1223页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103942610A (zh) | 2014-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103942610B (zh) | 基于任务的可重组制造系统多态构型优化方法 | |
CN106971235B (zh) | 一种存在中间存储约束的柔性作业车间分批优化调度方法 | |
CN110796355B (zh) | 一种基于动态解码机制的柔性作业车间调度方法 | |
CN102323952A (zh) | 基于改进遗传算法的可重构装配线排序方法 | |
Goyal et al. | Design of reconfigurable flow lines using MOPSO and maximum deviation theory | |
CN112882449B (zh) | 一种多品种小批量多目标柔性作业车间能耗优化调度方法 | |
CN108460463B (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
CN101533274A (zh) | 数控机床加工任务与刀具的调度方法 | |
CN110597213A (zh) | 一种分布式混合流水车间的生产调度方法及系统 | |
Janardhanan et al. | Artificial bee colony algorithms for two-sided assembly line worker assignment and balancing problem | |
CN117075545A (zh) | 一种多目标柔性作业车间调度方法、电子设备、介质 | |
Wang et al. | Design principles of scalable reconfigurable manufacturing systems | |
CN113705978B (zh) | 一种多机任务刀具静态与动态集成决策方法及系统 | |
CN116880424A (zh) | 一种基于多目标优化的多机器人调度方法以及装置 | |
CN105550825A (zh) | 云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法 | |
CN115034143A (zh) | 一种多资源协同的智能车间设备配置优化方法 | |
CN114310423A (zh) | 一种加工单元多刀库联动配置方法 | |
CN113283755A (zh) | 一种车间智能调度决策方法 | |
CN114442578B (zh) | 复杂型面智能生产单元任务的刀具联合动态调度方法 | |
CN116300756A (zh) | 带运输机器人柔性制造车间的双目标优化调度方法及系统 | |
Goyal et al. | Applying swarm intelligence to design the reconfigurable flow lines | |
CN114839930B (zh) | 一种用于分布式装配阻塞流水车间集成调度系统 | |
Bergmann | Optimization of the Design of Modular Production Systems | |
CN110400073B (zh) | 一种基于多方向收敛粒子群优化算法的fsp方法及系统 | |
CN114021901A (zh) | 用于柔性作业车间面向紧急订单的资源调度协同优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171226 Termination date: 20200404 |