CN106228298A - 云制造环境下加工方案优选方法 - Google Patents

云制造环境下加工方案优选方法 Download PDF

Info

Publication number
CN106228298A
CN106228298A CN201610572676.7A CN201610572676A CN106228298A CN 106228298 A CN106228298 A CN 106228298A CN 201610572676 A CN201610572676 A CN 201610572676A CN 106228298 A CN106228298 A CN 106228298A
Authority
CN
China
Prior art keywords
resource
represent
numbered
antibacterial
evaluation index
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.)
Pending
Application number
CN201610572676.7A
Other languages
English (en)
Inventor
胡艳娟
常幸福
王占礼
石超
武理哲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changchun University of Technology
Original Assignee
Changchun University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changchun University of Technology filed Critical Changchun University of Technology
Priority to CN201610572676.7A priority Critical patent/CN106228298A/zh
Publication of CN106228298A publication Critical patent/CN106228298A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种云制造环境下加工方案优选方法，属于制造资源优化技术领域。本发明的目的是通过采集云制造资源的基本属性作为云制造资源选择的评价指标，建立基于细菌觅食优化的加工方案选择数学模型，进行云制造环境下加工方案的优选方法。本发明的通过生产成本目标函数、生产时间目标函数、加工质量目标函数、其它评价指标目标函数等构建多目标优化数学模型，再进行云制造环境下的加工方案进行优选。本发明旨在为云环境下机械制造过程中制造资源的选择设计一种基于细菌觅食优化算法的加工方案选择方法，为企业决策者在加工方案选择时提供合理性的建议，以便提高产品质量和企业利润。

Description

云制造环境下加工方案优选方法
技术领域
本发明属于制造资源优化技术领域。
背景技术
制造业逐渐信息化是工业发展的一个重要方向，伴随着互联网、云计算等高效创造新模式的融入，制造业将步入云制造轨道，实现云端智能制造。云制造是采用当前最新的科学技术理论，将制造资源和其它制造能力等虚拟入云端，并进行统一管理和统筹规划，方便企业和个人用户随时随地方便快捷地按需选择产品全生命周期的全套服务。其中，在产品的制造加工过程中选择合适的制造资源（包括软件和硬件资源）方面仍然存在很多的不足，这对产品的制造加工过程产生了不同程度的阻碍，故找到一种新的资源优化选择方法变得非常迫切需要。在我国，制造行业中大部分是中小型企业，这些企业对我国制造业的发展起着极其重大的推动作用。如何提高这些企业的制造信息化水平，整合分散的资源，提高企业核心竞争力，促进企业升级，是必须着重考虑的问题，因此如何使分散的制造资源集中服务，集中的制造资源分散服务成为资源优选的重中之重。
云制造行业的迅速发展推进机械制造加工业发生重大变化，使得每种零件加工可供选择的方法和制造资源的种类变的越来越多。一个理想的加工方案可以优化加工过程的各个环节，提高产品质量，进而提升企业利润，促进制造行业的发展。因此如何在众多加工方案中找到满足企业生产条件的最优方案是十分必要的。由于传统的加工方案选择主要来自经验和知识，并没有充分考虑各种资源因素对方案选择的影响，故而亟待寻找一种优化加工方案选择方法。细菌觅食优化算法（Bacterial Foraging Optimization, BFO）是由K.M.Passino于2002年基于Ecoli大肠杆菌在人体肠道内觅食的行为，提出的一种新型智能仿生优化算法。细菌觅食算法的主要操作步骤包括趋化、繁殖和迁徙操作，其中趋化操作是指细菌向有利于自身环境的区域移动，包括翻转和游动，翻转是指细菌获取一个新的方向，游动是指细菌向着任意方向移动单位步长；繁殖操作是细菌按照健康度值排序，淘汰掉一半适应度较差的细菌，繁殖适应度较好的剩余一半细菌个体，这就达到了原来的种群大小，繁殖后的细菌与母细菌保持一样的特性；迁徙操作是指细菌以特定的概率选取一部分细菌随机重新产生新的位置，使新产生细菌位置更容易跳出局部最优解，更接近最优解。
发明内容
本发明的目的是通过采集云制造资源的基本属性作为云制造资源选择的评价指标，建立基于细菌觅食优化的加工方案选择数学模型，进行云制造环境下加工方案的优选方法。
本发明的多目标优化数学模型：
1）生产成本目标函数：
（1）
其中表示第j类设备资源中编号为k的设备资源用来加工第i类工序时的成本；，，，，表示编号为k的物料、人员、软件、技术信息资源、名称为n的资源用来加工第i类工序时的成本；表示第j类设备资源中编号为k的设备资源是否能加工第i类工序，若能则记为1，否则为0；表示编号为k 的资源是否可用来加工第i类工序，若能则记为1，否则为0，其中，i=1……m代表可加工工序数，j=1……t代表设备资源类别数；k=1……（）代表资源编号；
2）生产时间目标函数：
（2）
其中i（i=1,2,3…,m）表示加工工序数，j（j=1,2,…,t）表示设备资源中资源类别：机床、刀具、夹具、量具，k=1……（）（k=1,2,…,l其中前三个公式中k的取值上限l与j的取值有关）表示资源编号；，，分别表示第j类设备资源中编号为k的设备资源可用来加工第i类工序时的基本时间，辅助时间，服务时间；表示编号为k的物料资源可用来加工第i类工序时的到达时间；表示编号为k的人员可用来加工第i类工序时的休息时间；表示编号为k的技术信息资源可用来加工第i类工序时的到达时间；表示编号为k的名称为n的资源可用来加工第i类工序时的时间；表示第j类设备资源中编号为k的资源是否能加工第i类工序，若能则记为1，否则为0；表示编号为k的资源是否可用来加工第i类工序，若能则记为1，否则为0 ；
3）加工质量目标函数：
（3）
其中表示第j类设备资源中编号为k的设备资源在加工第i类工序时的加工质量精度，表示编号为k的物料资源在加工第i类工序时的精度，表示编号为k的名称为n的资源在加工第i类工序时的精度，表示第j类设备资源中编号为k的设备资源是否能加工第i类工序，若能则记为1，否则为0，表示编号为k 的资源是否可用来加工第i类工序，若能则记为1，否则为0；
4）其它评价指标目标函数：
（4）
其中i表示可加工工序数，k表示编号为k的物料资源，p=1,2……n1表示物料资源中评价指标个数（有商家信誉度、物料等级等等），表示编号为k的物料资源可用来加工第i类工序时的第p个评价指标值，这里采用为了保证在筛选物料资源时在此类评价指标下选出的物料资源和前面筛选出的物料资源是同一个，防止出现评价指标高的和成本低的不是同一个物料资源；
（5）
其中p=1,2,3,4……n2表示人力资源的评价指标个数，即有知名度、成果著作、人员级别、学历，表示编号为k的人力资源可用来加工第i类工序时的第p个评价指标值；
（6）
其中p=1,2,3,4……n3表示技术信息资源评价指标个数，技术信息资源中的评价指标为信息可靠度记为，表示编号为k的技术信息资源可用来加工第i类工序时的评价指标值；
（7）
其中p=1,2……n4表示软件资源的评价指标个数；表示编号为k的软件资源可用来加工第i类工序时的第p个评价指标值；
……
（8）
其中p=1,2……nn表示名称为N的资源的评价指标个数，表示编号为k的名称为N的资源可用来加工第i类工序时的第p个评价指标值；
故云制造环境下加工方案优选的总的目标函数为：
（9）
其中i=1……n，正负的取值取决于n代表的具体含义，如果为最大化值问题时，则取负值，如果为最小化问题时，则取正值；Wi为各目标函数的权重。
本发明加工方案优选方法是：
a、采用细菌位置编码，用向量表示一个加工方案，m表示工序数；一个细菌代表一个加工方案，对每个细菌个体位置更新方式如下：
（10）
（11）
其中表示细菌个体的位置，i表示种群数目，j、k、l分别表示趋化算子、繁殖算子、迁徙算子，rand随机数，step表示细菌翻转或者游动步长，fix（X）表示取整函数，即取细菌位置的整数值，表示细菌的翻转方向；
b、对细菌位置采用整数取值的编码方式，用集合表示细菌群的加工方案，其中每个子集表示每个细菌对应的一个加工方案，表示细菌的一个加工方案中第m道工序所选择的资源编号，m表示工序数；
c、根据多目标优化数学模型，得到适应度函数为：
（12）
其中约束条件为：，Wi是生产成本、生产时间、加工质量、其它评价指标所对应的各个评价因素的权重值组成的权向量，由层次分析法和熵权法确定；求取适应度函数的最小值；
d、加工方案优化选择核心步骤，即趋化操作：细菌位置发生翻转的方式即为公式（10）和公式（11）；
e、经过趋化、繁殖和迁徙迭代操作，找到适应度值最小的细菌个体，该细菌所在位置记为最优的加工方案。
本发明旨在为云环境下机械制造过程中制造资源的选择设计一种基于细菌觅食优化算法的加工方案选择方法，为企业决策者在加工方案选择时提供合理性的建议，以便提高产品质量和企业利润。具有如下有益效果：
1、本发明提出了一种云制造环境下基于细菌觅食优化的加工方案选择方法，对制造行业制造加工过程中的云制造资源进行了分类，即设备资源、物料资源、人力资源、技术信息资源和软件资源等，通过采集这些云制造资源的基本属性信息作为云制造资源选择评价指标，并建立云环境下制造资源选择数学模型，利用细菌觅食优化理论对云环境下加工方案进行了优选，为中小型企业在云制造资源共享和加工方案选择时提供指导性建议和意见。
2、本发明通过整合云制造资源池的评价指标信息，为云端客户企业提供方便快捷的服务，企业可以随时随地按需获取最优加工方案的方法。
附图说明
图1是本发明是本发明的云制造资源选择过程图；
图2是本发明中细菌觅食优化算法流程图。
具体实施方式
面向云制造环境下基于细菌觅食优化的加工方案选择方法，是将云制造资源划分为设备资源，物料资源，人力资源，技术信息资源和软件资源，其中设备资源包括机床类，刀具类，夹具类，量具类和其它设备资源类，机床可以细分为车床类，钻床类，铣床类，磨床类，镗床类，刨床类，齿轮加工机床类，其他机床类；刀具类可以细分为车刀类，铣刀类，拉刀类，钻头类，砂轮类，齿轮刀具类，其它刀具类；夹具类可以细分为通用夹具类和专用夹具类；量具类可以细分为长度量具，角度量具，齿轮量具，表面质量量具，形位公差量具，螺纹量具；其它设备类包括一些计算设备，存储设备，云端服务器，打印机，热处理设备等等；物料资源包括原材料、毛坯、半成品和成品；人力资源包括技术专家、工人技师、管理人才和一般操作工人；技术信息资源包括行业标准，制造工艺信息，物流信息和管理信息；软件资源包括设计类，分析类，仿真模拟类以及管理类软件。
加工方案选择时的评价指标
不同的加工方案会给企业带来不同经济效益，所以在加工方案选择时，确定合理的制造资源评价指标至关重要。本发明中主要涉及生产成本、生产时间、加工质量和其它评价指标四大类。
生产成本是指企业或者工厂在生产某类产品时所产生的直接和间接费用的总和，主要包括：
1）设备加工费C1：是指工件由设备加工的直接费用。
2）物料总成本C2：是指零件的加工材料所花费用，主要包括物料的直接成本，运输费，存储费。
3）人员聘请费C3：是指聘请技术专家，工人技师，管理人才以及支付操作工人工资所花费用。
4）技术信息费C4：是指在生产加工过程中，获取各种工艺信息，物流信息以及管理信息所花费用。
5）软件使用费C5：是指在加工零件过程中所使用相关软件费用。
生产时间是指企业或工厂生产某类产品从准备开始到生产完成时所耗费的人力和物力上的时间，主要包括：
1）基本时间T1：指使加工对象的尺寸大小、形状、位置、形态、外表或内在性质发生变化所用时间。
2）辅助时间T2：为保证完成基本工艺过程而进行的各种辅助操作所消耗的时间。包括装卸工件，进刀退刀，机器启动和关闭时间等等。
3）服务时间T3：为保证加工的正常进行，工人更换刀具，调整刀具或砂轮，润滑机床、清理切屑和收拾工具等所耗费的时间，这些时间主要是由工人来完成的。
4）物料到达时间T4：指物料由供应商运输到加工工厂所用时间。
5）人员休息时间T5：指人力资源中人员必需的休息时间。
6）技术信息到达时间T6：指由上级人员发布的相关技术信息到达加工车间所用时间。
加工质量是指产品的精度是否达到生产的要求，本发明中影响加工质量的因素只考虑设备资源的精度要求，由于各个影响因素甚多，这里只考虑主要的影响因素，主要包括：
1）机床精度Q1：机械加工质量包括加工精度和表面质量两个方面。其中加工精度包含尺寸精度+形状精度+位置精度。表面质量包括加工表面的几何形貌和表面层材料的物理力学性能两个方面。这里影响机床加工质量的因素总结为：尺寸精度，形状精度，位置精度，表面质量精度。
2）刀具精度Q2：影响刀具选择的主要影响参数包括刀具几何参数（前角，后角，主偏角，副偏角，刃倾角），刀具材料，刀具切削用量，刀具寿命(耐磨程度）。
3）夹具精度Q3：夹具是装夹工件和引导刀具的装置，影响夹具夹紧精度的主要因素有定位精度，夹紧力大小。
4）量具精度Q4：量具用直接用来测量待测工件的精度是否达到加工要求的器材。影响因素主要有测量量程，测量精度。
其它评价指标是指物料资源、人力资源、技术信息资源和软件资源的属性要求对产品加工过程中制造资源选择的影响，主要包括：
1）商家信誉度M1：是指工厂和商家交易活动时，商家对合同、协议等的遵守程度进而影响第二次活动的正常进行的因素，也可以理解为商家在该行业界的口碑。
2）物料等级M2：根据商家提供原材料质量的好坏、耐用程度等，将物料归为不同的分类等级。
3）人员知名度E1：是指参与加工过程中的相关人员在同行业的信誉度（口碑）。
4）人员成果著作E2：指相关人员在其从事行业所作出的成就和成果。
5）人员级别E3：指相关人员通过获取职称或者考取相关证书获得的身份级别。
6）人员学历E4：指相关人员的学历（专科、本科、硕士、博士等）。
7）技术信息可靠度F1：指在产品的加工过程中可能产生的一切与之相关的技术和信息方面的指导内容等，它们来源的可靠程度。
8）软件稳定性S1：指该类软件在使用过程中的是否会出现软件卡顿，崩溃的现象，即稳定性程度。
9）软件分析能力S2：是指在加工过程中，软件本身的分析能力（精确度）对制造加工过程的影响程度。
上述所述加工方案评价指标均可以拓展到n个，根据所加工零件特征属性适时添加或者删除。
本发明多目标优化数学模型：
在建立云环境下加工方案优选多目标优化数学模型时，需要将各个单目标函数进行统一，本发明统一为最小化问题。
1）生产成本目标函数：
（1）
其中表示第j类设备资源中编号为k的设备资源用来加工第i类工序时的成本；，，，，表示编号为k的物料、人员、软件、技术信息资源、名称为n的资源用来加工第i类工序时的成本；表示第j类设备资源中编号为k的设备资源是否能加工第i类工序，若能则记为1，否则为0；表示编号为k 的资源是否可用来加工第i类工序，若能则记为1，否则为0，其中，i=1……m代表可加工工序数，j=1……t代表设备资源类别数；k=1……（）代表资源编号；其中分别表示设备资源编号，物料资源编号，人力资源编号，技术信息资源编号，软件资源编号……名称为n的资源的编号，在下面的公式中的含义与这里相同。Cn：名称为n的成本。
2）生产时间目标函数：
（2）
其中i（i=1,2,3…,m）表示加工工序数，j（j=1,2,…,t）表示设备资源中资源类别：机床、刀具、夹具、量具，k=1……（）（k=1,2,…,l其中前三个公式中k的取值上限l与j的取值有关）表示资源编号；，，分别表示第j类设备资源中编号为k的设备资源可用来加工第i类工序时的基本时间，辅助时间，服务时间；表示编号为k的物料资源可用来加工第i类工序时的到达时间；表示编号为k的人员可用来加工第i类工序时的休息时间；表示编号为k的技术信息资源可用来加工第i类工序时的到达时间；表示编号为k的名称为n的资源可用来加工第i类工序时的时间；表示第j类设备资源中编号为k的资源是否能加工第i类工序，若能则记为1，否则为0；表示编号为k 的资源是否可用来加工第i类工序，若能则记为1，否则为0 ；Tn：名称为n的生产时间。
3）加工质量目标函数：
（3）
加工质量主要考虑加工零件的精度要求是否达标，其中表示第j类设备资源中编号为k的设备资源在加工第i类工序时的加工质量精度，表示编号为k的物料资源在加工第i类工序时的精度，表示编号为k的名称为n的资源在加工第i类工序时的精度，表示第j类设备资源中编号为k的设备资源是否能加工第i类工序，若能则记为1，否则为0，表示编号为k 的资源是否可用来加工第i类工序，若能则记为1，否则为0；k=1……（）代表资源编号，其中分别表示设备资源编号，物料资源编号……名称为n的资源的编号。Qn：名称为n的加工质量。
4）其它评价指标目标函数：
（4）
其中i表示可加工工序数，k表示编号为k的物料资源，p=1,2……n1表示物料资源中评价指标个数（有商家信誉度、物料等级等等），表示编号为k的物料资源可用来加工第i类工序时的第p个评价指标值，这里采用为了保证在筛选物料资源时在此类评价指标下选出的物料资源和前面筛选出的物料资源是同一个，防止出现评价指标高的和成本低的不是同一个物料资源；
（5）
其中p=1,2,3,4……n2表示人力资源的评价指标个数，即有知名度、成果著作、人员级别、学历，表示编号为k的人力资源可用来加工第i类工序时的第p个评价指标值；
（6）
其中p=1,2,3,4……n3表示技术信息资源评价指标个数，技术信息资源中的评价指标为信息可靠度记为，表示编号为k的技术信息资源可用来加工第i类工序时的评价指标值；
（7）
其中p=1,2……n4表示软件资源的评价指标个数；表示编号为k的软件资源可用来加工第i类工序时的第p个评价指标值；
……
（8）
其中p=1,2……nn表示名称为N的资源的评价指标个数，表示编号为k的名称为N的资源可用来加工第i类工序时的第p个评价指标值；
故云制造环境下加工方案优选的总的目标函数为：
（9）
其中i=1……n，正负的取值取决于n代表的具体含义，如果为最大化值问题时，则取负值，如果为最小化问题时，则取正值；Wi为各目标函数的权重。（采用层次分析法和熵权法综合获取目标函数权重值，具体方法详见杨力等.基于熵权法的煤矿应急救援能力评价[J].中国软科学2013年第11期；曾凡伟.基于层次-熵权法的地质公园综合评价.成都理工大学2014年博士论文）。
基于改善层次分析法和熵权法的目标权重计算
层次分析法是一种主观确定评价指标权重的方法，其主观性较强，包含了专家的经验知识和决策者的意见；而熵权法是一种客观确定评价指标权重的方法，能够对原始数据进行非常可观地评价，客观性较强；如果对层析分析法得到的权重值利用熵权法修正，那么就可以中和层次分析法主观性和熵权法的客观性，从而更好地展现评价指标的权重值。具体的操作步骤如下：通过改进层次法求得权重，不需要对其进行一致性检验，而是用熵权法进行修正。
1）改进层次分析法，按照标度0-9构建初始判断矩阵。
2）采用和积法求解权重，首先归一化处理，得到归一化判断矩阵，
再计算权重，其中。
3）对层次分析法建立的判断矩阵A进行归一化处理得到标准矩阵。
4）计算信息熵其中
（0~1）为第j项指标的熵值；是信息熵系数。
5）计算指标的信熵权重
。
6）用熵权法修正层次分析法得出的指标权重，常用乘数合成归一法
其中wuj表示修正后的权重值，wj表示层次分析法求得权重值，uj表示熵权法求得权重值。
Passino等人于2002年通过模拟人体内大肠杆菌的觅食行为，提出一种新型的智能优化算法（Bacterial Foraging Optimization, BFO）。BFO算法是一种全局随机搜索算法，具有简单、易跳出局部最小值、收敛速度快等特点，包括趋向、复制和迁徙三个操作。
本发明云制造环境下加工方案优选方法是：
a、采用细菌位置编码，用向量表示一个加工方案，m表示工序数，例如表示该零件有7道工序，第一道工序采用对应制造资源中编号为3的资源进行加工，第二道工序采用制造资源中编号为2的资源进行加工，以此类推。在优化选择时，采用MATLAB R2015b编程工具进行程序编制，一个细菌代表一个加工方案，对每个细菌个体位置更新方式如下：
（10）
（11）
其中表示细菌个体的位置，i表示种群数目，j、k、l分别表示趋化算子、繁殖算子、迁徙算子，rand随机数，step表示细菌翻转或者游动步长，fix（X）表示取整函数，即取细菌位置的整数值，表示细菌的翻转方向。
b、编码：编码是为了实现智能算法到解空间的映射，是将实际数学问题转化为计算机可识别语言的过程，是算法编程中第一个需要解决的问题。本发明对细菌位置采用整数取值的编码方式，用集合表示细菌群的加工方案，其中每个子集表示每个细菌对应的一个加工方案，表示细菌的一个加工方案中第m道工序所选择的资源编号，m表示工序数。
c、适应度函数构造：适应度函数构造是细菌觅食优化过程中必须实施而且非常重要的一步，适应度函数的取值直接反映了细菌群体觅食寻优的能力，适应度值越小，表明细菌越接近最优解。在本发明中云制造环境下加工方案的选择问题就是最优化问题，我们的目的是选择出最优化的加工方案，即每道工序所选择的资源编号，这里所构造的适应度函数是作为选择资源编号的一个标尺。根据前面多目标优化数学模型小节，多目标函数数学模型就是细菌觅食优化算法中的适应度函数，即：
（12）
其中约束条件为：，Wi是生产成本、生产时间、加工质量、其它评价指标等所对应的各个评价因素的权重值组成的权向量，由层次分析法和熵权法确定；由层次分析法和熵权法确定。求取适应度函数的最小值。
d、加工方案优化选择核心步骤，即趋化操作：细菌位置发生翻转的方式即为公式（10）和公式（11）；
趋化操作：趋化操作是细菌觅食优化算法的核心，决定着细菌搜索食物源位置的改变方式，并对细菌能否找到食物源起着决定性作用。主要包括细菌的翻转和游动两种，其中翻转是指细菌寻找一个新的方向的运动，游动是指细菌保持方向不变的运动。具体来说可以描述为：细菌个体先朝某个随机方向游动一步，如果该方向上的适应度值不如上一个位置的适应度值好，则发生翻转，即改变游动方向；如果该方向上的适应度值比上一个位置的适应度值好，则沿此方向继续游动，一直达到最大游动次数才能停止趋向操作，依次进行下一个细菌。其中细菌位置发生翻转（改变游动方向）的方式为：
至此，细菌位置改变方式和构造的适应度函数就建立了联系，细菌位置的取值代表了每个加工方案中每道工序所选择的资源编号；适应度函数是判断哪个细菌位置的加工方案较优的一种标尺，在本发明中，适应度值越小，表明细菌位置越好，对应的加工方案越好。
e、经过趋化、繁殖和迁徙迭代操作，找到适应度值最小的细菌个体，该细菌所在位置记为最优的加工方案。
繁殖操作：细菌在觅食过程中，部分觅食能力较弱的细菌个体被淘汰，觅食能力较强的个体会被繁殖，从而达到种群规模不变。定义健康度函数作为单个细菌在趋化操作过程中所经历的历代适应度值的代数和，然后对健康度函数进行从小到大排序，将健康度值较高的一半个体淘汰，繁殖健康度值较低的另一半个体，达到和原来同样的种群规模，生成的子代细菌和父代细菌具有相同的位置参数。
迁徙操作：细菌生活区域的环境突然发生改变，可能会导致原本生活在原来区域的细菌迁徙到其它适合生存的区域或者死亡，把这种现象称为迁徙。迁徙操作能够使细菌跳出局部最优值，从而达到全局最优。细菌以给定的迁徙概率发生迁徙，包含加工方案的细菌个体以概率被重新随机分配到解空间，即对满足迁徙概率的细菌个体重新初始化，产生新的个体，在进行寻优。
首先确定待加工零件的加工任务（工序）后，云制造资源的选择过程为如图1所示。若零件有n个加工任务（工序），每道工序有mi（i=1,2,……n）个制造资源满足加工要求，mi不是固定不变的，即每道工序对应的制造资源数可以不同。根据设计要求给每道工序都选择合适的制造资源，把所有工序对应的制造资源全部选择完成后，一个加工方案便随之产生了，然后个根据企业对生产成本，生产时间，加工质量和其它评价指标的不同需求来评价每个方案，最终选择出一个最优的方案。
以下结合附图和实例对本发明作进一步的详细描述：
NGW51型减速机主要零部件包括上箱体、下箱体、输入轴、行星轴、花键轴、太阳轮和行星轮共七个主要部分，下面将以该类型减速机的上箱体，行星轴和太阳轮的三个零件在制造加工过程中的制造资源的选择为例进行描述。
1、减速机零件加工方案优选多目标数学模型建立
按照前面多目标数学模型建立小节可以得到总的目标函数为：
其中约束条件为：，以及其它条件见加工方案评价指标小节。Wi是生产成本、生产时间、加工质量和其它评价指标等所对应的24个评价因素的权重值组成的权向量，由层次分析法和熵权法确定。求取适应度函数的最小值。
生产成本目标函数：
生产时间目标函数：
加工质量目标函数：
其它评价指标目标函数：
由于上述四个均为求最大值问题，为了方便计算，将其它评价指标目标函数统称为上述四个式子之和：
备注：公式具体含义解释见前面数学模型和评价指标小节。
2、确定各个评价指标的目标权重
不同的企业对产品有着不同要求，采用层次分析法和熵权法结合的方式获取目标权重，下面分别计算了两组权重值：生产成本最低为主要影响因素和加工质量最高为主要影响因素
a.生产成本最重要的权重值计算（生产成本最重要，生产时间比加工质量重要，加工质量比其他评价指标重要）
根据上述基于改善层次分析法和熵权法求得权重值，得到生产成本最低的权重值：第一层（0.5,0.26,0.14,0.1），则总的权重值为（0.1750.16,0.055,0.055,0.055,0.0754,0.0312，0.078,0.0312,0.0312,0.013,0.0378,0.0518,0.0126,0.0378,0.0518,0.0126,0.0378,0.016,0.016,0.015, 0.015,0.015,0.015,0.004,0.002,0.002）。
b.加工质量最重要的权重计算（加工质量最重要，生产时间和其它评价指标同等重要，生产时间比生产成本重要）
采用同样的方法在计算这一组权重值是加工质量最高，第一层为（0.09,0.27,0.37,0.27），则总的权重值为（0.0162,0.0288,0.0288,0.0081,0.0081,0.0783,0.0324,0.081,0.0324,0.0324，0.0135,0.0999,0.1369,0.0333,0.,0999,0.0432,0.0432,0.0405,0.0405,0.0405,0.0405,0.0108,0.0054,0.0054）。
3、NGW51型减速机相关准备工作
假定NGW51型减速机的加工工序已经确定，如表1所示。
表1 NGW51减速机加工工序
为了消除各个评价指标之间可能存在单位和数量级上的差别，以便适应度值更好地计算，这里参照实际生产过程，根据经验对所有的数据都进行了处理，表2，表3，表4分别给出了减速机各个主要零部件部分制造资源的相关加工数据。
表2 上箱体制造资源相关加工数据
。
表3 行星轴制造资源相关加工数据
。
表4 太阳轮制造资源相关加工数据
。
4、NGW51型减速机在云制造环境下加工方案优选过程
采用MATLAB编程工具对改进细菌觅食算法编程，在matlab R2015b环境下仿真计算，对两组不同权重值下加工方案进行了筛选。
具体实施流程如下：
1）生成初始种群
初始化种群参数：种群规模N=50，趋化行为次数Nc=50，最大游动次数Ns=5，繁殖行为次数Nre=4，迁徙行为次数Ned=2，迁徙概率Ped=0.25，步长step=0.05。种群初始化细菌个体：根据表2-8对每个细菌个体进行随机初始化，例如，以上箱体为例对初始化资源数量设置可以表示为procedure=[5,5,5,5,1,3,4,4,1,5,4,1,5,4,1,3,4,1,4,4,1,4,4,1,4]，然后随机初始化每个细菌的位置x(i,j)=1+fix(procedure(j)*rand)，式中i表示第i个细菌，j表示第j道工序。
2）对初始化的细菌个体中先进行寻优，找到做一个局部最优细菌个体，保存为当前最优个体。
3）令l=0进行迭代次数为Ned的迁徙循环；令k=0进行迭代次数为Nre的繁殖循环；令t=0进行迭代次数为Nc的趋化循环，趋化循环中包括翻转和游动两步，根据细菌适应度值的来寻优。
4）根据健康度函数从小到大排序，淘汰掉N/2个健康度值较大的细菌个体，保留并复制健康度值较大的N/2个细菌个体，使其达到原来的种群规模。
5）对于每一个细菌，若迁徙概率Ped大于一个（0,1）之间的一个随机数，则该细菌个体死亡，重新随机初始化生成新的细菌个体。
6）根据以上步骤流程，寻找到适应度值最小的细菌个体，输出该细菌的最优位置，即为最优加工方案。
5、结论
运行得到的最优加工方案结果如表5所示。从最终得到最优加工方案可以看出，在企业对云制造资源评价指标的注重程度不同时，即企业用户的决策条件不同时，会得到不同的加工方案，第一组为企业注重生产成本最低时的最优加工方案，第二组为企业注重加工质量最高时的加工方案，通过比较得到最优加工方案，可以看出本发明中提出的云环境下基于细菌觅食优化的加工方案选择方法是有效可行的，能够中小型企业在云端制造资源共享和选择对自身企业有利的最优加工方案时提供指导性建议。
表5 加工方案选择结果
。

Claims (2)

1.一种云制造环境下加工方案优选方法，其特征在于：多目标优化数学模型：
1）生产成本目标函数：
（1）
其中表示第j类设备资源中编号为k的设备资源用来加工第i类工序时的成本；，，，，表示编号为k的物料、人员、软件、技术信息资源、名称为n的资源用来加工第i类工序时的成本；表示第j类设备资源中编号为k的设备资源是否能加工第i类工序，若能则记为1，否则为0；表示编号为k 的资源是否可用来加工第i类工序，若能则记为1，否则为0，其中，i=1……m代表可加工工序数，j=1……t代表设备资源类别数；k=1……（）代表资源编号；
2）生产时间目标函数：
（2）
其中i（i=1,2,3…,m）表示加工工序数，j（j=1,2,…,t）表示设备资源中资源类别：机床、刀具、夹具、量具，k=1……（）（k=1,2,…,l其中前三个公式中k的取值上限l与j的取值有关）表示资源编号；，，分别表示第j类设备资源中编号为k的设备资源可用来加工第i类工序时的基本时间，辅助时间，服务时间；表示编号为k的物料资源可用来加工第i类工序时的到达时间；表示编号为k的人员可用来加工第i类工序时的休息时间；表示编号为k的技术信息资源可用来加工第i类工序时的到达时间；表示编号为k的名称为n的资源可用来加工第i类工序时的时间；表示第j类设备资源中编号为k的资源是否能加工第i类工序，若能则记为1，否则为0；表示编号为k 的资源是否可用来加工第i类工序，若能则记为1，否则为0 ；
3）加工质量目标函数：
（3）
其中表示第j类设备资源中编号为k的设备资源在加工第i类工序时的加工质量精度，表示编号为k的物料资源在加工第i类工序时的精度，表示编号为k的名称为n的资源在加工第i类工序时的精度，表示第j类设备资源中编号为k的设备资源是否能加工第i类工序，若能则记为1，否则为0，表示编号为k 的资源是否可用来加工第i类工序，若能则记为1，否则为0；
4）其它评价指标目标函数：
（4）
其中i表示可加工工序数，k表示编号为k的物料资源，p=1,2……n1表示物料资源中评价指标个数（有商家信誉度、物料等级等等），表示编号为k的物料资源可用来加工第i类工序时的第p个评价指标值，这里采用为了保证在筛选物料资源时在此类评价指标下选出的物料资源和前面筛选出的物料资源是同一个，防止出现评价指标高的和成本低的不是同一个物料资源；
（5）
其中p=1,2,3,4……n2表示人力资源的评价指标个数，即有知名度、成果著作、人员级别、学历，表示编号为k的人力资源可用来加工第i类工序时的第p个评价指标值；
（6）
其中p=1,2,3,4……n3表示技术信息资源评价指标个数，技术信息资源中的评价指标为信息可靠度记为，表示编号为k的技术信息资源可用来加工第i类工序时的评价指标值；
（7）
其中p=1,2……n4表示软件资源的评价指标个数；表示编号为k的软件资源可用来加工第i类工序时的第p个评价指标值；
……
（8）
其中p=1,2……nn表示名称为N的资源的评价指标个数，表示编号为k的名称为N的资源可用来加工第i类工序时的第p个评价指标值；
故云制造环境下加工方案优选的总的目标函数为：
（9）
其中i=1……n，正负的取值取决于n代表的具体含义，如果为最大化值问题时，则取负值，如果为最小化问题时，则取正值；Wi为各目标函数的权重。
2.根据权利要求1所述的云制造环境下加工方案优选方法，其特征在于：
a、采用细菌位置编码，用向量表示一个加工方案，m表示工序数；一个细菌代表一个加工方案，对每个细菌个体位置更新方式如下：
（10）
（11）
其中表示细菌个体的位置，i表示种群数目，j、k、l分别表示趋化算子、繁殖算子、迁徙算子，rand随机数，step表示细菌翻转或者游动步长，fix（X）表示取整函数，即取细菌位置的整数值，表示细菌的翻转方向；
b、对细菌位置采用整数取值的编码方式，用集合表示细菌群的加工方案，其中每个子集表示每个细菌对应的一个加工方案，表示细菌的一个加工方案中第m道工序所选择的资源编号，m表示工序数；
c、根据多目标优化数学模型，得到适应度函数为：
（12）
其中约束条件为：，Wi是生产成本、生产时间、加工质量、其它评价指标所对应的各个评价因素的权重值组成的权向量，由层次分析法和熵权法确定；求取适应度函数的最小值；
d、加工方案优化选择核心步骤，即趋化操作：细菌位置发生翻转的方式即为公式（10）和公式（11）；
e、经过趋化、繁殖和迁徙迭代操作，找到适应度值最小的细菌个体，该细菌所在位置记为最优的加工方案。
CN201610572676.7A 2016-07-20 2016-07-20 云制造环境下加工方案优选方法 Pending CN106228298A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610572676.7A CN106228298A (zh) 2016-07-20 2016-07-20 云制造环境下加工方案优选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610572676.7A CN106228298A (zh) 2016-07-20 2016-07-20 云制造环境下加工方案优选方法

Publications (1)

Publication Number Publication Date
CN106228298A true CN106228298A (zh) 2016-12-14

Family

ID=57531417

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610572676.7A Pending CN106228298A (zh) 2016-07-20 2016-07-20 云制造环境下加工方案优选方法

Country Status (1)

Country Link
CN (1) CN106228298A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316140A (zh) * 2017-06-22 2017-11-03 重庆大学 一种云制造环境下数控机床优选方法
CN107528799A (zh) * 2017-08-23 2017-12-29 湖北工业大学 一种云计算资源分配方法及系统
CN108241911A (zh) * 2018-01-30 2018-07-03 合肥工业大学 一种基于细菌觅食优化算法的配送中心选址方法
CN108663933A (zh) * 2017-03-28 2018-10-16 中移（杭州）信息技术有限公司 一种制造装备组合的获取方法及云平台
CN109447505A (zh) * 2018-11-12 2019-03-08 重庆大学 一种基于用户心理行为的云制造知识服务优选方法
CN110766304A (zh) * 2019-10-15 2020-02-07 江苏科技大学 一种基于多指标评价的装配工艺资源优化配置方法
CN112236730A (zh) * 2018-06-07 2021-01-15 三菱电机株式会社 工序决定辅助装置、工序决定辅助方法、工序决定辅助程序及存储介质
CN112396374A (zh) * 2020-11-17 2021-02-23 山东财经大学 不确定环境下乳制品供应链系统库存优化管理系统及方法
CN116679627A (zh) * 2023-05-04 2023-09-01 安徽机电职业技术学院 一种用于控制多个电气设备的联动控制方法
CN117742270A (zh) * 2023-12-25 2024-03-22 哈尔滨工业大学（威海） 一种面向特征族加工方案选择的重优化细菌觅食算法

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108663933B (zh) * 2017-03-28 2021-07-09 中移（杭州）信息技术有限公司 一种制造装备组合的获取方法及云平台
CN108663933A (zh) * 2017-03-28 2018-10-16 中移（杭州）信息技术有限公司 一种制造装备组合的获取方法及云平台
CN107316140A (zh) * 2017-06-22 2017-11-03 重庆大学 一种云制造环境下数控机床优选方法
CN107528799A (zh) * 2017-08-23 2017-12-29 湖北工业大学 一种云计算资源分配方法及系统
CN108241911A (zh) * 2018-01-30 2018-07-03 合肥工业大学 一种基于细菌觅食优化算法的配送中心选址方法
CN108241911B (zh) * 2018-01-30 2021-06-29 合肥工业大学 一种基于细菌觅食优化算法的配送中心选址方法
CN112236730B (zh) * 2018-06-07 2021-10-08 三菱电机株式会社 工序决定辅助装置、工序决定辅助方法及存储介质
CN112236730A (zh) * 2018-06-07 2021-01-15 三菱电机株式会社 工序决定辅助装置、工序决定辅助方法、工序决定辅助程序及存储介质
CN109447505A (zh) * 2018-11-12 2019-03-08 重庆大学 一种基于用户心理行为的云制造知识服务优选方法
CN110766304A (zh) * 2019-10-15 2020-02-07 江苏科技大学 一种基于多指标评价的装配工艺资源优化配置方法
CN110766304B (zh) * 2019-10-15 2024-02-02 江苏科技大学 一种基于多指标评价的装配工艺资源优化配置方法
CN112396374A (zh) * 2020-11-17 2021-02-23 山东财经大学 不确定环境下乳制品供应链系统库存优化管理系统及方法
CN116679627A (zh) * 2023-05-04 2023-09-01 安徽机电职业技术学院 一种用于控制多个电气设备的联动控制方法
CN117742270A (zh) * 2023-12-25 2024-03-22 哈尔滨工业大学（威海） 一种面向特征族加工方案选择的重优化细菌觅食算法
CN117742270B (zh) * 2023-12-25 2024-09-13 哈尔滨工业大学（威海） 一种面向特征族加工方案选择的重优化细菌觅食算法

Similar Documents

Publication Publication Date Title
CN106228298A (zh) 云制造环境下加工方案优选方法
Salehi et al. Application of genetic algorithm to computer-aided process planning in preliminary and detailed planning
CN107451747B (zh) 基于自适应非支配遗传算法的车间调度系统及其工作方法
CN101694572B (zh) 一种提供自评价的数控刀具智能选取方法
CN106843153B (zh) 面向工艺方案的可重用数控工艺映射方法
Sahu et al. Appraisal of CNC machine tool by integrated MULTI-MOORA-IVGN circumferences: An empirical study
Gaha et al. A new eco-design approach on CAD systems
Gadalla et al. An approach to identify the optimal configurations and reconfiguration processes for design of reconfigurable machine tools
Vatansever et al. Integrated usage of fuzzy multi criteria decision making techniques for machine selection problems and an application
Zahiri et al. An MCDA-DEA approach for mixed-model assembly line balancing problem under uncertainty
Alexandre et al. Interdisciplinary relationship between designer and craftsman based on integrated craft manufacturing systems
Lata et al. Selection of machine tool by using FUZZY TOPSIS method
Nguyen Combining FUCA, CURLI, and weighting methods in the decision-making of selecting technical products
CN111948977B (zh) 一种用于不锈钢加工的多目标优化方法和系统
Musti et al. A novel MS excel tool for multi-criteria decision analysis in energy systems
Ławrynowicz Advanced scheduling with genetic algorithms in supply networks
Singh et al. A genetic algorithm based solution to optimum tolerance synthesis of mechanical assemblies with alternate manufacturing processes—benchmarking with the exhaustive search method using the Lagrange multiplier
Ic et al. Topsis based Taguchi method for multi-response simulation optimization of flexible manufacturing system
Arjun Raj et al. A case study on application of ORESTE for agile concept selection
Mathews New production concepts
Wang et al. Optimization of the tool selection based on big data
CN104008444A (zh) 一种应用于多约束项目下团队构建的模型及方法
Ponnala et al. Modeling and optimization of end milling machining process
Zhong et al. Sequencing problem for a hull mixed-model assembly line considering manufacturing complexity
Carlsson et al. Technological capabilities and international competitiveness in the engineering industries

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20161214

RJ01 Rejection of invention patent application after publication