CN103955754B - 基于实时生产数据采集的模具车间调度方法 - Google Patents
基于实时生产数据采集的模具车间调度方法 Download PDFInfo
- Publication number
- CN103955754B CN103955754B CN201410153754.0A CN201410153754A CN103955754B CN 103955754 B CN103955754 B CN 103955754B CN 201410153754 A CN201410153754 A CN 201410153754A CN 103955754 B CN103955754 B CN 103955754B
- Authority
- CN
- China
- Prior art keywords
- equipment
- habitat
- time
- worker
- workpiece
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 126
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 59
- 238000013480 data collection Methods 0.000 title abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000013508 migration Methods 0.000 claims description 66
- 230000005012 migration Effects 0.000 claims description 66
- 238000012545 processing Methods 0.000 claims description 59
- 230000008569 process Effects 0.000 claims description 48
- 230000035772 mutation Effects 0.000 claims description 10
- 238000003754 machining Methods 0.000 claims description 8
- 238000011958 production data acquisition Methods 0.000 claims description 8
- 239000002994 raw material Substances 0.000 claims description 8
- 238000006467 substitution reaction Methods 0.000 claims description 6
- 238000007514 turning Methods 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000008439 repair process Effects 0.000 claims description 3
- 238000005460 biophysical method Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 239000000047 product Substances 0.000 description 6
- 239000000243 solution Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000003780 insertion Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010892 electric spark Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000000195 production control method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
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)
- General Factory Administration (AREA)
Abstract
本发明提供一种基于实时生产数据采集的模具车间调度方法,包括下述步骤:步骤一.确定模具车间作业调度的目标函数;将完工时间F1最小化和总生产成本F2最小化作为目标函数的因子;步骤二.通过事先统计以及进行车间生产现场实时数据的采集和反馈方法,获取步骤一中目标函数所需参数;步骤三.基于BBO算法实现模具车间调度;将调度方案对应BBO算法中的栖息地,待调度的设备、工人和未加工的工件作为决策变量,每个决策变量为各栖息地的适宜度变量SIV,由决策变量得到的目标函数值为适宜度指数HSI;步骤四.当设备发生故障时进行重调度。本发明可有效提高生产效率、缩短生产周期,保证生产过程的顺利进行。
Description
技术领域
本发明涉及车间的生产控制方法,尤其是一种基于实时生产数据采集的模具车间调度方法。
背景技术
模具是工业生产的基础工艺装备,被称为“现代工业之母”,是我国国民经济的重要组成部分。模具企业典型的面向订单的单件多品种的制造业,订单到达具有随机性,生产过程中存在很多不确定性,因此如何在保证模具质量的前提下,以最低的成本和最短的生产周期,将模具给客户,是模具制造业车间调度研究的主要问题。车间调度问题是典型的NP-hard问题,寻找符合实际生产需要的调度方案对企业具有重要的意义。
目前在车间优化调度求解方面,出现了很多方法,常见的方法有最优化方法、仿真方法、专家系统方法、神经网络方法、解析模型法、遗传算法、禁忌搜索方法和多agent方法,很多研究者通过对这些方法的改进得到了更好的调度结果。但是大多数研究与生产现场脱节,影响调度指令执行的现场干扰信息无法及时反馈给调度系统,会导致调度结果的误差不断积累、扩大。
发明内容
本发明的目的在于提供一种基于实时生产数据采集的模具车间调度方法,在静态调度的基础上,结合对生产现场动态干扰事件进行实时数据的收集,对原调度结果进行调整,提供符合实际生产环境的调度方案,可以有效提高生产效率、缩短生产周期,保证生产过程的顺利进行。本发明采用的技术方案是:
一种基于实时生产数据采集的模具车间调度方法,包括下述步骤:
步骤一.确定模具车间作业调度的目标函数;将完工时间F1最小化和总生产成本F2最小化作为目标函数的因子;其中F2包括设备加工成本、员工成本和原材料成本;
F=w1F1+w2F2 (3)
模具车间作业调度的目标函数为:求一个满足F*的工件加工顺序,使得:
F*=max(1/F) (4)
式中:N为待加工的工件数,I为工件的总工序数,M为车间可用的设备总数,P为车间内操作工人总数,Tnim为工件n的第i道工序在设备m上的加工时间,Cni为工件n的第i道工序的完工时间,Em表示设备m的单位加工时间动力燃料费用,Zm表示设备m的折旧费用,Sp表示员工p单位时间的工资,MAn为工件n的原材料成本,Xnimp表示工件n的第i道工序在设备m上的加工,设备由工人p操作时为1,否则为0;w1和w2为权重系数,随机产生,满足w1+w2=1。
步骤二.通过事先统计以及进行车间生产现场实时数据的采集和反馈方法,获取步骤一的公式(1)和公式(2)中所需参数;
所述步骤二中,车间生产现场实时数据的采集和反馈,具体通过在工位、工人、设备处布设RFID阅读器和RFID电子标签,实时地进行采集,并通过Zigbee网络无线反馈。
步骤三.基于改进的生物地理学方法,即BBO算法实现模具车间调度;将调度方案对应BBO算法中的栖息地,待调度的设备、工人和未加工的工件作为决策变量,每个决策变量为各栖息地的适宜度变量SIV,由决策变量得到的目标函数值即由生产周期最小和生产成本最小作为因子的目标F*为适宜度指数HSI;实现步骤如下:
3.1栖息地的编码:将决策变量:待调度的设备、工人和未加工的工件表示成适合BBO求解的码串形式,如式5所示,
第一层编码N表示工件的编码,第二层编码M是该工件相应工序所使用的设备分配编码,第三层编码P是可以操作该设备的工人编码;
3.2栖息地初始化:设存在h个栖息地,每个栖息地表示车间调度的一个可行的调度方案;具体的初始化步骤是:
3.2.1令循环次数k=1;
3.2.2将H栖息地编码的第一行置0;
3.2.3根据各工件n的工序数In,在栖息地编码的第一行随机寻找In个未被占用的空位,将n赋给选中的空位;
3.2.4从左到右,根据各工件n和工序号i,从可选的设备Mni中随机选择一个设备,从可选的工人集Pm中随机选择一个工人,分别赋给H的第二行和第三行,即设备编码和工人编码;
3.2.5令k=k+1;
3.2.6若k≤h,转向步骤3.2.2,否则,退出循环;
3.3栖息地解码:栖息地解码是将栖息地的编码转化为一个调度解的过程,具体步骤是:
3.3.1根据栖息地中工件编号的相对位置,确定每个位置的对应的工序编号,用Oni表示工件n的第i道工序;
3.3.2从左到右依次读取Oni,计算Oni的最早开始时间sni;首先判断Oni是否为工件n的第一道工序,如果是第一道工序,sni=tn,tn为工件释放时间,如果不是第一道工序,则是前一道工序的完工时间sni=cn(i-1),cn(i-1)为工序On(i-1)的完工时间;
3.3.3获取加工Oni的设备m当前所有的空闲时间段,并将最早的空闲时段记为[rm,qm];
3.3.4获取操作设备m的工人p当前所有的空闲时间段,并将最早的空闲时段记为[rp,qp];
3.3.5比较max(sni,rm,rp)+Tnim与qm和qp,Tnim表示Oni在设备m上的加工时间,如果max(sni,rm,rp)+Tnim≤min(qm,qp),将Oni插入到设备和工人空闲时间段[max(sni,rm,rp),max(sni,rm,rp)+Tnim]中,并更新工件的结束时间、设备的开始时间和结束时间和工人的开始时间和结束时间;否则,转向步骤3.3.6;
3.3.6令[rm,qm]和[rp,qp]为下一个可加工Oni的设备的时间段和工人的时间段,转向步骤3.3.5;如果没有符合的空闲时间段,则在该设备和工人加工序列的末尾安排Oni;
3.3.7当所有工件的全部工序安排到指定的设备和操作工人后,获得每个工件的完工时间,设备加工时间、单位费用,及可以操作设备的工人的单位工资成本,根据公式(1)和(2)分别计算F1和F2,根据式(3)和式(4)计算出F*,作为栖息地的适宜度指数HSI;
3.4为栖息地选择迁移模型:对于h个栖息地,每个栖息地具有各自的迁入率和迁出率,选用余弦迁移模型,在余弦迁移模型中,迁入率和迁出率按照下述公式6计算:
X表示最大迁入率,Y表示最大迁出率,根据步骤3.3中计算的目标F*,对其进行从大到小进行排序,取F*最高的栖息地对应的物种数量为smax,其他栖息地所含的物种数量按照优劣排序依次减1,即sr=smax-r,其中r=1,2....h,r表示栖息地按照每个栖息地的F*排序后的标号,sr表示第r个栖息地对应的物种数量;然后根据式(6)计算每个栖息地的迁入率和迁出率;根据迁入率确定栖息地hr′是否发生迁移操作,栖息地的数量h作为循环次数;随机产生(0,1)之间的随机数,如果该随机数小于则hr′被确定发生迁入操作,那么利用其它栖息地的迁出率进行轮盘选择需迁出的栖息地hq′,然后按照迁移策略修改栖息地hr′;
3.5上一步中的迁移策略包括基于工件的迁移操作,基于设备的迁移操作和基于工人的迁移操作;
基于工件的迁移操作具体包括:
3.5.1.1先将工件集{n1,n2,...nN}随机划分为两个非空的集合G1和G2;
3.5.1.2将迁入栖息地hr′工件编码中属于G1的工件直接复制到虚拟栖息地hl′中的工件编码中,并保持它们的顺序和位置;
3.5.1.3将迁出栖息地hq′中工件编码中属于G2的工件依次填到虚拟栖息地hl′空余的位置;
最后用hl′中的工件编码替代hr′中的工件编码;
然后保留工件的顺序不变,进行基于设备的迁移操作和基于工人的迁移操作:
3.5.2.1随机产生一组数列Rand∈[0or1],长度与栖息地中工件编码长度相同;
3.5.2.2如果随机数是1,则直接将迁入栖息地hr′中的设备和工人编码复制到虚拟栖息地hl′中对应的设备和工人编码中;
3.5.2.3如果随机数是0则将迁出栖息地hq′中的设备和工人编码复制到虚拟栖息地hl′中对应的设备和工人编码中;
最后用hl′中设备和工人编码替代hr′中设备和工人编码;
3.6进行变异操作;定义某栖息地对应的sr个物种时的概率是其变异概率是
其中,表示栖息地对应物种数量为sr时的变异概率,mmax为预定义的最大突变率;和分别是栖息地的迁入率和迁出率;随机产出(0,1)的随机数,如果小于则该栖息地发生变异;
为车间调度问题中每个选择的栖息地按照以下方式进行变异:
3.6.1基于工件的变异:对于需要变异的栖息地个体,在基于工件编码的部分,随机选择两个位置上的工件编码,然后将一个工件编码插入到另一个工件编码的前面,并保持所分配的设备和工人不变;
3.6.2基于设备的变异:在基于设备的编码部分,随机选择两个位置上的设备编号,然后在其对应位置上的工序的可加工设备集合中选择加工时间小于先前加工该道工序的设备,如果与现在的不同,则使用被选中的设备加工这道工序,如果没有,则采用原来的加工设备;
3.6.3基于工人的变异:在基于工人的编码部分,随机选择两个位置上的工人编号,然后在其对应位置上设备的可操作工人集合中随机选择一个工人标号代替原来的操作工人;
3.7当上述步骤3.5和3.6的迁移、变异操作次数达到预设的最大计划迭代次数后,停止迭代,输出调度甘特图;
步骤四.当采集到设备发生故障时按照步骤一至三中的方法进行重调度;
当采集到生产现场发生设备故障时,记录当前故障发生时间和目前正在加工的任务,然后根据采集到的故障类型及修复时间来判断是大故障还是小故障;当设备发生大故障时,将当前可用设备中去除该故障设备,对未完成的作业按照按照步骤一至三中的方法进行重新调度;当设备发生小故障时,等其修复好后,继续加工未完成的任务;通过以下公式来判别设备故障类型:
tm表示设备故障修复所需时间,T1为一个给的阈值,满足式(9)的为设备大故障,否则为小故障。
本发明的优点在于:本发明在车间生产现场,采用Zigbee技术和RFID技术跟踪采集生产现场数据和资源状态动态变化的数据,并将采集到的数据实时、准确的上传,建立多目标车间调度模型,利用改进的生物地理学优化调度方法对车间作业进行调度。如果在生产过程中出现设备故障、插单等动态事件时,会评估原调度方案的可行性,如果会明显影响生产进度,进行重新调度,修正调度结果,并将调度指令下达到车间,从而实现调度指令-车间现场-数据采集-调度方案这样一个闭环调度过程。
附图说明
图1为基于RFID和Zigbee技术的数据采集车间结构图。
图2为基于实时生产数据的闭环调度流程图。
图3为余弦迁移模型图。
图4为基于工件编码的迁移操作示意图。
图5为基于设备编码的迁移操作示意图。
图6为基于工件编码的变异操作示意图。
图7为基于设备编码的变异操作示意图。
图8为面向设备的调度甘特图。
图9为面向工人的调度甘特图。
图10为面向设备的重调度甘特图。
图11为面向工人的重调度甘特图。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
一种基于实时生产数据采集的模具车间调度方法,其具体实施方式如下:
步骤1.确定模具车间作业调度的目标函数。
模具制造的特点是周期长短不同、产品种类不同,任务重,一旦签订了某一订单后,满足客户所要求的交货期,并且最大限度的降低生产成本才是最重要的目标。如此才能提高企业经济效益。因此将完工时间F1最小化和总生产成本F2最小化作为目标函数的因子;其中F2包括设备加工成本、员工成本和原材料成本;
F=w1F1+w2F2 (3)
模具车间作业调度的目标函数为:求一个满足F*的工件加工顺序,使得:
F*=max(1/F) (4)
式中:N为待加工的工件数,I为工件的总工序数,M为车间可用的设备总数,P为车间内操作工人总数,Tnim为工件n的第i道工序在设备m上的加工时间,Cni为工件n的第i道工序的完工时间,Em表示设备m的单位加工时间动力燃料费用,Zm表示设备m的折旧费用,Sp表示员工p单位时间的工资,MAn为工件n的原材料成本,Xnimp表示工件n的第i道工序在设备m上的加工,设备由工人p操作时为1,否则为0;w1和w2为权重系数,随机产生,要满足w1+w2=1。
步骤2:实现车间生产现场实时数据的采集和反馈。
公式(1)和(2)中的有些参数可以通过事先统计的方式取得,比如设备的单位加工时间动力燃料费用Em、设备的折旧费用Zm、员工单位时间的工资Sp和工件的原材料成本MAn等可以通过事先的统计获得。
而其它一些参数可以通过车间生产现场实时数据的采集和反馈得到。比如某个调度周期内车间可用的设备总数M、车间内操作工人总数P、工件n的第i道工序的完工时间Cni、工件n的第i道工序在设备m上的加工时间Tnim和Xnimp可以通过利用Zigbee和RFID技术采集生产现场数据,如图1所示,在车间生产现场根据产品工艺路线,选择多个数据采集站点,并根据采集站点之间的距离合理的配备固定式RFID阅读器,用来读取生产执行过程数据、员工信息、设备数据,并通过Zigbee网络传送到车间服务器中。
具体采集流程为:
1.生产执行过程的数据采集是对加工进度数据、加工过程所使用的制造资源数据进行采集。可以在每个工位布置RFID阅读器,待加工模具零件上线前,通过RFID发卡机,将型号规格、批次、加工要求等关键内容写入电子标签中,作为生产跟踪的关键标识。在生产过程中工位上的阅读器自动获取到达该工位在制品的关键标识信息,只要零件进入各工序所在的阅读器读取范围内,将自动记录工序、设备情况和工人工号、开始加工时间和完工时间,通过Zigbee网络发送到与服务器相连的Sink节点(汇聚节点)。当一副模具所需零件全部加工完成后,装配成模具产品。整个过程可以实现对模具从原材料到最终产品的全面跟踪。
2.工人数据的采集主要是获得车间现场工人状态及有关绩效的数据。首先给每个作业工人配备RFID工人卡,并在信息系统中为每个工人建立了工人信息库。车间工人通过扫描工人卡登录系统,系统自动记录此工人开始工作时间,在同一天时间内再次刷卡,表示工人退出系统,此时记录工人的工作结束时间。如果工人在某一天一次都没有刷卡,表示此作业人员在当天处于缺勤状态。工人的绩效数据(任务完成量、出勤时间、工时等)采集则是和生产现场作业加工过程数据的采集同时获得的。
3.设备数据采集是对设备运行状态和设备加工工序数据进行采集。用RFID发卡机,将相应设备的基本属性信息,如设备编号、设备名称、设备类型、安装地点写入RFID电子标签中,然后将其固定在不影响正常运作的部位,可以用手持式RFID阅读器采集状态信息,经Zigbee网络传输到车间数据库服务器中,从而完成对设备数据采集。当车间里的某个设备工作出现故障时,工人可通过在RFID读写器上规定的几个键来记录故障原因,并向设备维修部门汇报。加工工序的数据是和生产现场作业加工过程数据的采集同时获得的。
如图2所示,将采集到的生产数据反馈到车间调度数学模型中,从而实现车间—数据采集系统—调度系统—车间这样一个闭环控制过程,生产过程反馈数据包括在制品加工数据(所在的加工设备、操作工人、加工时间、加工进度即最新的加工工序)、车间故障信息(车间故障、工件返工等)、工人和设备等状态信息,利用这些数据对车间进行调度,可以增强抗干扰能力,提高车间调度方案的准确性。
步骤3:基于改进的生物地理学方法(BBO)的车间调度实现。
在模具车间调度问题中,可行的调度方案对应BBO算法中的栖息地,待调度的设备、员工和未加工的工件作为决策变量,每个决策变量为各栖息地的适宜度变量SIV,由决策变量得到的目标函数值(由生产周期最小和生产成本作为因子的目标F*)为适宜度指数HSI。具体实现步骤如下:
3.1栖息地的编码
首先将栖息地中的SIV(决策变量)编码,根据车间调度的特点,将决策变量(待调度的设备、员工和未加工的工件)表示成适合BBO求解的码串形式。在车间作业调度中,不仅要确定工序的加工顺序,还需为每道工序选择一台合适的设备,还要为每个设备选择合适的工人,仅采用基于工件的编码方法不能得到问题的解。因此,其相应的编码由三部分组成。
第一层编码N表示工件的编码,用相同的符号表示同一个工件的所有工序,根据这些符号在数组N中出现的次数确定是第几道工序,I为所有工件的工序数总和。第二层编码M是该零件相应工序所使用的设备分配编码,第三层编码P是可以操作该设备的工人编码。将三段编码对应起来,可得到调度的一个可行解。表1表示一个编码示例,表中工件2的第一道工序在可用设备3上加工,由工人1操作该设备。
表1栖息地的编码
3.2栖息地初始化
在BBO算法中,设存在h个栖息地,每个栖息地表示车间调度的一个可行的调度方案;具体的初始化步骤是:
3.2.1令循环次数k=1;
3.2.2将H栖息地编码的第一行置0;
3.2.3根据各工件n的工序数In(比如表1中工件1前后出现了2次,那么加工工件1需要2个工序),在栖息地编码的第一行随机寻找In个未被占用的空位(0位),将n赋给选中的空位。
3.2.4从左到右,根据各工件n和工序号i,从可选的设备Mni中随机选择一个设备,从可选的工人集Pm中随机选择一个工人,分别赋给H的第二行和第三行(即设备编码和工人编码)。
3.2.5令k=k+1;
3.2.6若k≤h,转向步骤3.2.2,否则,退出循环;
3.3栖息地解码:栖息地解码是将栖息地的编码转化为一个调度解的过程,具体步骤是:
3.3.1根据栖息地中工件编号的相对位置,确定每个位置的对应的工序编号,用Oni表示工件n的第i道工序;
3.3.2从左到右依次读取Oni,计算Oni的最早开始时间sni;首先判断Oni是否为工件n的第一道工序,如果是第一道工序,sni=tn(tn为工件释放时间,比如车间中出现插单现象时的时间),如果不是第一道工序,则是前一道工序的完工时间sni=cn(i-1)(cn(i-1)为工序On(i-1)的完工时间);
3.3.3可以从步骤2中的设备数据采集获取加工Oni的设备m当前所有的空闲时间段,并将最早的空闲时段记为[rm,qm];
3.3.4可以从步骤2中的工人数据采集获取操作设备m的工人p当前所有的空闲时间段,并将最早的空闲时段记为[rp,qp];
3.3.5比较max(sni,rm,rp)+Tnim与qm和qp,Tnim表示Oni在设备m上的加工时间,如果max(sni,rm,rp)+Tnim≤min(qm,qp),将Oni插入到设备和工人空闲时间段[max(sni,rm,rp),max(sni,rm,rp)+Tnim]中,并更新工件的结束时间、设备的开始时间和结束时间和工人的开始时间和结束时间;否则,转向步骤3.3.6;
3.3.6令[rm,qm]和[rp,qp]为下一个可加工Oni的设备的时间段和工人的时间段,转向步骤3.3.5;如果没有符合的空闲时间段,则在该设备和工人加工序列的末尾安排Oni;
3.3.7当所有工件的全部工序安排到指定的设备和操作工人后,获得每个工件的完工时间,设备加工时间、单位费用,及可以操作设备的工人的单位工资成本,根据公式(1)和(2)分别计算F1和F2,根据式(3)和式(4)计算出F*,作为栖息地的适宜度指数HSI;
3.4为栖息地选择迁移模型:
BBO算法是通过迁入和迁出的方式来实现不同栖息地之间SIV的交换和共享。设存在h个栖息地,每个栖息地具有各自的迁入率λ和迁出率μ,本发明选用符合自然规律的余弦迁移模型,从图3可以看出,当栖息地中有较少或较多物种时,λ和μ的变化比较平稳,而当栖息地中物种数量达到平衡点时,λ和μ的变化比较快。余弦迁移模型计算下:
X表示最大迁出率,Y表示最大迁出率,根据步骤3中计算的目标F*,对其进行从大到小进行排序,并将每个栖息地的F*转换成物种数量来衡量其优劣。取F*最高的栖息地对应的物种数量为smax,其他栖息地所含的物种数量按照优劣排序依次减1,即sr=smax-r,(r=1,2....h,r表示栖息地按照每个栖息地的F*排序后的标号,sr表示第r个栖息地对应的物种数量)。然后根据式(6)计算每个栖息地的迁入率和迁出率;根据迁入率确定栖息地hr′是否发生迁移操作,栖息地的数量h作为循环次数;随机产生(0,1)之间的随机数,如果该随机数小于则hr′被确定发生迁入操作,那么利用其它栖息地的迁出率进行轮盘选择需迁出的栖息地hq′,然后按照迁移策略修改栖息地hr′。
3.5迁移策略
根据栖息地的编码方案,可分为基于工件的迁移操作,基于设备的迁移操作和基于工人的迁移操作。对于基于工件的迁移操作,由于在模具车间工件加工工序约束条件可知,同一个工件的工序加工先后顺序不能颠倒,因此,在迁入和迁出时要保证每个工件出现的顺序不能变化,则采用一种基于工件编码的迁移操作,并且保持迁移前的设备号和工人号。具有方式是:
3.5.1.1先将工件集{n1,n2,...nN}随机划分为两个非空的集合G1和G2;
3.5.1.2将迁入栖息地hr′工件编码中属于G1的工件直接复制到虚拟栖息地hl′中的工件编码中,并保持它们的顺序和位置;
3.5.1.3将迁出栖息地hq′中工件编码中属于G2的工件依次填到虚拟栖息地hl′空余的位置;
最后用hl′中的工件编码替代hr′中的工件编码;以3个工件,每个工件有4道加工工序为列,G1中包括工件1,G2中包含工件2和3,如图4所示。
在对设备和工人进行迁移操时,保留工件的顺序不变,具体实现方式是:
3.5.2.1随机产生一组数列Rand∈[0or1],长度与栖息地中工件编码长度相同;
3.5.2.2如果随机数是1,则直接将迁入栖息地hr′中的设备和工人编码复制到虚拟栖息地hl′中对应的设备和工人编码中;
3.5.2.3如果随机数是0则将迁出栖息地hq′中的设备和工人编码复制到虚拟栖息地hl′中对应的设备和工人编码中;
最后用hl′中设备和工人编码替代hr′中设备和工人编码;图5是基于设备编码的迁移操作示意图。
3.6变异操作;
BBO算法的变异策略对算法是否会陷入局部最优和收敛精度均有较大影响。定义某栖息地对应的sr个物种时的概率是其变异概率是
其中,表示栖息地对应物种数量为sr时的变异概率,mmax为预定义的最大突变率;和分别是栖息地的迁入率和迁出率,公式6中已给出计算方法;随机产出(0,1)的随机数,如果小于则该栖息地发生变异;
在车间调度问题中,对于每个选择的栖息地(即调度方案)按照以下方式进行变异:
(1)基于工件的变异:对于需要变异的栖息地个体,在基于工件编码的部分,随机选择两个位置上的工件编码,然后将一个工件编码插入到另一个工件编码的前面,并保持所分配的设备和工人不变。如图6所示。
(2)基于设备的变异:在基于设备的编码部分,随机选择两个位置上的设备编号,然后在其对应位置上的工序的可加工设备集合中选择加工时间小于先前加工该道工序的设备,如果与现在的不同,则使用被选中的设备加工这道工序,如果没有,则采用原来的加工设备。如图7所示。
(3)基于工人的变异:在基于工人的编码部分,随机选择两个位置上的工人编号,然后在其对应位置上设备的可操作工人集合中随机选择一个工人标号代替原来的操作工人。
3.7终止条件的判断;
上述步骤3.5和3.6的迁移、变异操作的次数即是迭代的次数,预设一个最大计划迭代次数。本发明采用的是终止条件是否达到最大计划迭代次数。如果是,则停止迭代,输出调度甘特图。
步骤4:当采集到设备发生故障时重调度;重调度按照上述步骤1~3方式进行。
当采集到生产现场发生设备故障时,记录当前故障发生时间和目前正在加工的任务,然后根据采集到的故障类型及修复时间来判断是需要很长时间能修复的大故障还是短时期内能修复的小故障。当设备发生大故障时,对作业加工进度有很多的影响,很可能使某个产品不能按时交货,将当前可用设备中去除该故障设备,对未完成的作业进行重新调度。当设备发生小故障时,在很短时间内可以修复,对生产进度影响不大时,则不需寻找另外的设备,等其修复好后,继续加工未完成的任务。可以通过以下公式来判别设备故障类型:
tm表示设备故障修复所需时间,T1为一个给的阈值,满足式(9)的为设备大故障,否则为小故障。
为验证本发明提出的基于实时生产数据的车间优化调度方法的可行性与正确性,对下面的应用实例进行仿真,某离散模具车间拥有数控车床、普通车床、摇臂钻床、万向摇臂钻床、电火花、铣床6台多功能设备(M1~M6),每个设备可以加工不同的工序。在一个生产周期内,需要为一套注塑模具加工不同的6种模具工件(N1~N6),每个工件有4道加工工序(I1~I4),有4个工人(P1~P4)可操作这6台设备。具体描述信息如表2-表5。
设置调度方法初始参数,包括车间调度模型中的工件数量,每个工件对应的工序、设备参数、员工参数、约束参数等。BBO算法参数,设定栖息地数量h,迁入率最大值X,迁出率最大值Y,并且初始化栖息地,每个栖息地就是由三个决策变量组成,表示车间调度的一个调度方案。
表2制造单元工艺信息
表3工人和设备关系表
表4设备的相关参数(元/小时)
表5工人费用(元/小时)
BBO算法参数设置如下:栖息地个数h=100,最大迭代次数Kmax=150,最大变异率mmax=0.05,最大迁入概率和最大迁出概率取X=Y=1.0。面向设备的调度甘特图如图7,面向工人的调度甘特图如图8。在面向设备的调度甘特图中,方块中的第一个数为工件号,第二个数为工件对应工序号,第三个数为操作该设备的工人号。如第一行中的‘311’表示第3个工件的第1道工序在设备1上加工,由工人1操作。在面向工人的调度甘特图中,方块中的第一个数为工件号,第二个数为工件对应工序号,第三个数为该工人操作到的设备号。如第二行中的‘513’表示第5个工件的第1道工序在设备3上加工,在由工人2操作。从甘特图的结果可以看出,设备和工人双资源的利用率比较均衡,所有加工工件均可按时完成。
当设备发生故障时,如t=38时,设备4发生故障,退出本次调度,故障信息通过车间现场数据采集终端实时传送到调度系统,触发并立即重新执行调度运算。除工人2和设备3以外(t=38时,工人2和设备3刚好有任务,如图8中方块122所示),其它工人和设备进入到新的调度中,工人2和设备3只等当前工序加工结束后它(t=54)后执行新的调度,面向设备的重调度如图10,面向工人的重调度如图11。
Claims (3)
1.一种基于实时生产数据采集的模具车间调度方法,其特征在于:包括下述步骤:
步骤一.确定模具车间作业调度的目标函数;将完工时间F1最小化和总生产成本F2最小化作为目标函数的因子;其中F2包括设备加工成本、员工成本和原材料成本;
F=w1F1+w2F2 (3)
模具车间作业调度的目标函数为:求一个满足F*的工件加工顺序,使得:
F*=max(1/F) (4)
式中:N为待加工的工件数,I为工件的总工序数,M为车间可用的设备总数,P为车间内操作工人总数,Tnim为工件n的第i道工序在设备m上的加工时间,Cni为工件n的第i道工序的完工时间,Em表示设备m的单位加工时间动力燃料费用,Zm表示设备m的折旧费用,Sp表示员工p单位时间的工资,MAn为工件n的原材料成本,Xnimp表示工件n的第i道工序在设备m上的加工,设备由工人p操作时为1,否则为0;w1和w2为权重系数,随机产生,满足w1+w2=1;
步骤二.通过事先统计以及进行车间生产现场实时数据的采集和反馈方法,获取步骤一的公式(1)和公式(2)中所需参数;
步骤三.基于改进的生物地理学方法,即BBO算法实现模具车间调度;
步骤三具体包括:
将调度方案对应BBO算法中的栖息地,待调度的设备、工人和未加工的工件作为决策变量,每个决策变量为各栖息地的适宜度变量SIV,由决策变量得到的目标函数值即由生产周期最小和生产成本最小作为因子的目标F*为适宜度指数HSI;实现步骤如下:
3.1栖息地的编码:将决策变量:待调度的设备、工人和未加工的工件表示成适合BBO求解的码串形式,如式5所示,
第一层编码N表示工件的编码,第二层编码M是该工件相应工序所使用的设备分配编码,第三层编码P是可以操作该设备的工人编码;
3.2栖息地初始化:设存在h个栖息地,每个栖息地表示车间调度的一个可行的调度方案;具体的初始化步骤是:
3.2.1令循环次数k=1;
3.2.2将H栖息地编码的第一行置0;
3.2.3根据各工件n的工序数In,在栖息地编码的第一行随机寻找In个未被占用的空位,将n赋给选中的空位;
3.2.4从左到右,根据各工件n和工序号i,从可选的设备Mni中随机选择一个设备,从可选的工人集Pm中随机选择一个工人,分别赋给H的第二行和第三行,即设备编码和工人编码;
3.2.5令k=k+1;
3.2.6若k≤h,转向步骤3.2.2,否则,退出循环;
3.3栖息地解码:栖息地解码是将栖息地的编码转化为一个调度解的过程,具体步骤是:
3.3.1根据栖息地中工件编号的相对位置,确定每个位置的对应的工序编号,用Oni表示工件n的第i道工序;
3.3.2从左到右依次读取Oni,计算Oni的最早开始时间sni;首先判断Oni是否为工件n的第一道工序,如果是第一道工序,sni=tn,tn为工件释放时间,如果不是第一道工序,则是前一道工序的完工时间sni=cn(i-1),cn(i-1)为工序On(i-1)的完工时间;
3.3.3获取加工Oni的设备m当前所有的空闲时间段,并将最早的空闲时段记为[rm,qm];
3.3.4获取操作设备m的工人p当前所有的空闲时间段,并将最早的空闲时段记为[rp,qp];
3.3.5比较max(sni,rm,rp)+Tnim与qm和qp,Tnim表示Oni在设备m上的加工时间,如果max(sni,rm,rp)+Tnim≤min(qm,qp),将Oni插入到设备和工人空闲时间段[max(sni,rm,rp),max(sni,rm,rp)+Tnim]中,并更新工件的结束时间、设备的开始时间和结束时间和工人的开始时间和结束时间;否则,转向步骤3.3.6;
3.3.6令[rm,qm]和[rp,qp]为下一个可加工Oni的设备的时间段和工人的时间段,转向步骤3.3.5;如果没有符合的空闲时间段,则在该设备和工人加工序列的末尾安排Oni;
3.3.7当所有工件的全部工序安排到指定的设备和操作工人后,获得每个工件的完工时间,设备加工时间、单位费用,及可以操作设备的工人的单位工资成本,根据公式(1)和(2)分别计算F1和F2,根据式(3)和式(4)计算出F*,作为栖息地的适宜度指数HSI;
3.4为栖息地选择迁移模型:对于h个栖息地,每个栖息地具有各自的迁入率和迁出率,选用余弦迁移模型,在余弦迁移模型中,迁入率和迁出率按照下述公式6计算:
X表示最大迁入率,Y表示最大迁出率,根据步骤3.3中计算的目标F*,对其进行从大到小进行排序,取F*最高的栖息地对应的物种数量为smax,其他栖息地所含的物种数量按照优劣排序依次减1,即sr=smax-r,其中r=1,2....h,r表示栖息地按照每个栖息地的F*排序后的标号,sr表示第r个栖息地对应的物种数量;然后根据式(6)计算每个栖息地的迁入率和迁出率;根据迁入率确定栖息地hr′是否发生迁移操作,栖息地的数量h作为循环次数;随机产生(0,1)之间的随机数,如果该随机数小于则hr′被确定发生迁入操作,那么利用其它栖息地的迁出率进行轮盘选择需迁出的栖息地hq′,然后按照迁移策略修改栖息地hr′;
3.5上一步中的迁移策略包括基于工件的迁移操作,基于设备的迁移操作和基于工人的迁移操作;
基于工件的迁移操作具体包括:
3.5.1.1先将工件集{n1,n2,...nN}随机划分为两个非空的集合G1和G2;
3.5.1.2将迁入栖息地hr′工件编码中属于G1的工件直接复制到虚拟栖息地hl′中的工件编码中,并保持它们的顺序和位置;
3.5.1.3将迁出栖息地hq′中工件编码中属于G2的工件依次填到虚拟栖息地hl′空余的位置;
最后用hl′中的工件编码替代hr′中的工件编码;
然后保留工件的顺序不变,进行基于设备的迁移操作和基于工人的迁移操作:
3.5.2.1随机产生一组数列Rand∈[0or1],长度与栖息地中工件编码长度相同;
3.5.2.2如果随机数是1,则直接将迁入栖息地hr′中的设备和工人编码复制到虚拟栖息地hl′中对应的设备和工人编码中;
3.5.2.3如果随机数是0则将迁出栖息地hq′中的设备和工人编码复制到虚拟栖息地hl′中对应的设备和工人编码中;
最后用hl′中设备和工人编码替代hr′中设备和工人编码;
3.6进行变异操作;定义某栖息地对应的sr个物种时的概率是其变异概率是
其中,表示栖息地对应物种数量为sr时的变异概率,mmax为预定义的最大突变率;和分别是栖息地的迁入率和迁出率;随机产出(0,1)的随机数,如果小于则该栖息地发生变异;
为车间调度问题中每个选择的栖息地按照以下方式进行变异:
3.6.1基于工件的变异:对于需要变异的栖息地个体,在基于工件编码的部分,随机选择两个位置上的工件编码,然后将一个工件编码插入到另一个工件编码的前面,并保持所分配的设备和工人不变;
3.6.2基于设备的变异:在基于设备的编码部分,随机选择两个位置上的设备编号,然后在其对应位置上的工序的可加工设备集合中选择加工时间小于先前加工该道工序的设备,如果与现在的不同,则使用被选中的设备加工这道工序,如果没有,则采用原来的加工设备;
3.6.3基于工人的变异:在基于工人的编码部分,随机选择两个位置上的工人编号,然后在其对应位置上设备的可操作工人集合中随机选择一个工人标号代替原来的操作工人;
3.7当上述步骤3.5和3.6的迁移、变异操作次数达到预设的最大计划迭代次数后,停止迭代,输出调度甘特图。
2.如权利要求1所述的基于实时生产数据采集的模具车间调度方法,其特征在于:
所述步骤二中,车间生产现场实时数据的采集和反馈,具体通过在工位、工人、设备处布设RFID阅读器和RFID电子标签,实时地进行采集,并通过Zigbee网络无线反馈。
3.如权利要求1所述的基于实时生产数据采集的模具车间调度方法,其特征在于:步骤三之后,还包括下述步骤:
步骤四.当采集到设备发生故障时按照步骤一至三中的方法进行重调度;
当采集到生产现场发生设备故障时,记录当前故障发生时间和目前正在加工的任务,然后根据采集到的故障类型及修复时间来判断是大故障还是小故障;当设备发生大故障时,将当前可用设备中去除该故障设备,对未完成的作业按照按照步骤一至三中的方法进行重新调度;当设备发生小故障时,等其修复好后,继续加工未完成的任务;通过以下公式来判别设备故障类型:
tm表示设备故障修复所需时间,T1为一个给的阈值,满足式(9)的为设备大故障,否则为小故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410153754.0A CN103955754B (zh) | 2014-04-16 | 2014-04-16 | 基于实时生产数据采集的模具车间调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410153754.0A CN103955754B (zh) | 2014-04-16 | 2014-04-16 | 基于实时生产数据采集的模具车间调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103955754A CN103955754A (zh) | 2014-07-30 |
CN103955754B true CN103955754B (zh) | 2017-01-25 |
Family
ID=51333027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410153754.0A Active CN103955754B (zh) | 2014-04-16 | 2014-04-16 | 基于实时生产数据采集的模具车间调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103955754B (zh) |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105414910B (zh) * | 2015-04-20 | 2017-10-27 | 广东工业大学 | 一种模具全自动制造系统及方法 |
CN105785884B (zh) * | 2016-05-18 | 2018-12-25 | 天津市中马骏腾精密机械制造有限公司 | 一种缝纫设备维护管理系统 |
CN105843197B (zh) * | 2016-05-26 | 2017-05-31 | 江南大学 | 基于教与学算法的离散制造车间静态调度优化系统 |
CN106920036B (zh) * | 2017-02-15 | 2020-05-01 | 南京司辰信息技术有限公司 | 一种作业车间装备全活跃节能排程方法和系统 |
CN109299839B (zh) * | 2017-07-25 | 2021-09-14 | 中国科学院沈阳自动化研究所 | 基于有限人力资源的双线计划调度方法和系统 |
CN107515597B (zh) * | 2017-08-15 | 2020-02-21 | 江苏大学 | 一种工件的关键工位流水线自组织的方法 |
CN111095313A (zh) * | 2017-09-27 | 2020-05-01 | 富士通株式会社 | 人员配置制定装置、人员配置制定方法及人员配置制定程序 |
CN110083126A (zh) * | 2018-01-26 | 2019-08-02 | 北京龙腾智控科技有限公司 | 一种模具行业加工工时评估系统、计算模型及计算方法 |
CN108549977B (zh) * | 2018-03-29 | 2022-07-26 | 华南理工大学 | 基于多Agent的面向订单的柔性生产动态调度系统 |
CN109343485A (zh) * | 2018-10-22 | 2019-02-15 | 中船第九设计研究院工程有限公司 | 一种船厂信息化车间生产管理系统 |
CN109816243A (zh) * | 2019-01-24 | 2019-05-28 | 浙江财经大学 | 面向动态任务感知的云制造协同任务调度方法 |
CN110363402B (zh) * | 2019-06-26 | 2023-08-29 | 同济大学 | 一种基于分组策略的工厂人员调度方法 |
CN110264167A (zh) * | 2019-07-19 | 2019-09-20 | 宋岳 | 一种模具智能制造方法及平台 |
CN111461459B (zh) * | 2020-04-24 | 2023-06-30 | 温州大学乐清工业研究院 | 断路器数字制造孪生车间的动态重调度预测方法及系统 |
CN111768080B (zh) * | 2020-06-01 | 2024-05-24 | 浙江大学 | 一种在制产品完工进度的评估方法与系统 |
CN111861167A (zh) * | 2020-07-07 | 2020-10-30 | 东北大学 | 基于分解的多目标优化算法的生产线在线动态调度方法 |
CN111985841B (zh) * | 2020-08-31 | 2023-10-24 | 华中科技大学 | 一种基于改进遗传算法的注塑车间调度方法及系统 |
CN112364961A (zh) * | 2020-11-27 | 2021-02-12 | 北京工业大学 | 一种面向车间调度的rfid采集方法 |
CN112631224B (zh) * | 2020-12-19 | 2022-09-30 | 北京工业大学 | 一种考虑返工的不确定性批量调度模型建模方法 |
CN112859785B (zh) * | 2021-01-19 | 2021-12-17 | 嘉兴学院 | 基于多目标优化算法的纸盆车间生产调度方法及调度系统 |
CN112884370B (zh) * | 2021-03-23 | 2022-10-28 | 合肥工业大学 | 考虑订单插单的高端装备研制过程多项目重调度方法及系统 |
CN113343356B (zh) * | 2021-06-18 | 2022-01-18 | 哈尔滨工业大学 | 凿岩台车伸缩臂极限工况计算方法 |
CN118171585B (zh) * | 2024-05-16 | 2024-08-27 | 中建三局城建有限公司 | 一种超长桩基结构设计和质量控制方法及系统 |
-
2014
- 2014-04-16 CN CN201410153754.0A patent/CN103955754B/zh active Active
Non-Patent Citations (2)
Title |
---|
"复杂制造环境下的改进非支配排序遗传算法";刘爱军 等;《计算机集成制造系统》;20121130;第18卷(第11期);2446-2458 * |
"生物地理学算法求解柔性作业车间调度问题";张国辉 等;《计算机应用研究》;20140415;第31卷(第4期);1005-1008 * |
Also Published As
Publication number | Publication date |
---|---|
CN103955754A (zh) | 2014-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103955754B (zh) | 基于实时生产数据采集的模具车间调度方法 | |
CN109359884B (zh) | 航空复杂装备结构件车间作业计划及重调度方法 | |
Guo et al. | Synchronization of shop-floor logistics and manufacturing under IIoT and digital twin-enabled graduation intelligent manufacturing system | |
CN107844098A (zh) | 一种数字化工厂管理系统及管理方法 | |
CN103824136A (zh) | 一种mes动态车间调度制造执行系统 | |
CN105427021A (zh) | 一种服装智能排产方法 | |
CN111738578A (zh) | 一种动态环境下的离散型生产车间调度方法 | |
CN108665092B (zh) | 一种基于混合萤火虫算法的全流程排产与优化方法 | |
CN110501978B (zh) | 一种机器人产品生产车间排产调度方法 | |
CN111260181A (zh) | 一种基于分布式智能制造单元的车间自适应生产调度装置 | |
CN110363402B (zh) | 一种基于分组策略的工厂人员调度方法 | |
CN110232504A (zh) | 一种质量制造执行系统平台及终端 | |
CN111144710A (zh) | 一种可持续性混合流水车间的构建和动态调度方法 | |
CN103500375A (zh) | 一种基于eM-Plant的MES调度控制方法 | |
Kovalev et al. | Application of agile methodology at industrial manufacturing as part of the Industry 4.0 | |
CN108445853B (zh) | 一种基于云数据的产能共享车间 | |
CN101739010A (zh) | 嵌入式数据采集装置 | |
CN106325232A (zh) | 一种模具制造自动化生产控制系统及方法 | |
CN104636610B (zh) | 一种应用于动态环境下的制造系统派工信息修正方法 | |
CN107544451B (zh) | 一种加工车间数控机床集中调度系统及方法 | |
CN106300673B (zh) | 一种基于bpm业务流程管理的智能变电站调试方法及系统 | |
Wang et al. | Multi-objective optimization model for seru production system formation under uncertain condition | |
Teufl et al. | Optimised–developing a state of the art system for production planning for industry 4.0 in the construction industry using simulation-based optimisation | |
Zhongyi et al. | Automated planning and scheduling system for the composite component manufacturing workshop | |
CN111754085B (zh) | 一种调度生产计划的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |