CN108229853B - 一种基于静态调度预测的智慧工厂动态协同调度方法 - Google Patents

一种基于静态调度预测的智慧工厂动态协同调度方法 Download PDF

Info

Publication number
CN108229853B
CN108229853B CN201810100568.9A CN201810100568A CN108229853B CN 108229853 B CN108229853 B CN 108229853B CN 201810100568 A CN201810100568 A CN 201810100568A CN 108229853 B CN108229853 B CN 108229853B
Authority
CN
China
Prior art keywords
bidding
intelligent
information
transportation
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
Application number
CN201810100568.9A
Other languages
English (en)
Other versions
CN108229853A (zh
Inventor
朱海华
王盈聪
唐敦兵
陈鸣
郑杜
张区委
李习军
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.)
Nanjing University Of Aeronautics And Astronautics Wuxi Research Institute
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University Of Aeronautics And Astronautics Wuxi Research Institute
Nanjing University of Aeronautics and Astronautics
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 Nanjing University Of Aeronautics And Astronautics Wuxi Research Institute, Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University Of Aeronautics And Astronautics Wuxi Research Institute
Priority to CN201810100568.9A priority Critical patent/CN108229853B/zh
Publication of CN108229853A publication Critical patent/CN108229853A/zh
Application granted granted Critical
Publication of CN108229853B publication Critical patent/CN108229853B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/0633—Workflow analysis
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • 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
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/08—Auctions

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Finance (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • General Factory Administration (AREA)

Abstract

一种基于静态调度预测的智慧工厂动态协同调度方法,当工件进入生产系统后，自动生成相对应的工件智能体；每当进入生产系统或完成某一道加工工序后，工件智能体选择加工单元智能体进行加工步骤，加工单元智能体选择运输单元智能体运输工件步骤，若所有工序已完成，仓库单元智能体选择运输单元智能体运输产品至仓库。本发明克服现有多智能体方法中单个智能体缺乏远见，缺乏全局观念的问题，通过经验总结机制和全局环境预测机制，提高了单个智能体的远见和全局观念，优化了生产系统的整体性能。

Description

一种基于静态调度预测的智慧工厂动态协同调度方法
技术领域
本发明涉及车间调度控制技术领域，尤其涉及一种基于静态调度预测的智慧工厂动态协同调度方法
背景技术
在当今这个提倡智能，提倡大数据的时代，智慧工厂成为了现代工厂信息化发展的新阶段。智慧工厂是数字化工厂的一种新的形态，利用物联网技术对生产设备，生产产品进行监控和管理，作为助手协助管理者掌握整个流程，同时也能运用自身采集到的数据来自适应、自学习，最后实现生产过程中的自组织、自决策。
在智慧工厂环境下，扰动多，订单杂，生产具有极大的不确定性和变化性，调度非常复杂。如何在符合生产目标的同时满足实时性要求，已成为实际生产中的一个重要问题。一种动态调度方法——多智能体方法(Multi Agent System,MAS)的提出与发展为复杂生产调度问题的解决提供了一种新的思路。在提高生产柔性，鲁棒性的同时，多智能体方法也存在如下缺陷：(1)当前多智能技术的协商方式以招投标机制为主。在这种协商机制中，每个智能体仅根据自身的状况来进行任务选择，并不会“顾全大局，做出牺牲”。这种“自私性”会导致智能体做出消极工作或恶性竞争等行为。(2)在招投标机制的作用下，系统并不能对将来的环境变化作出预测，也不能对过去的历史经验作出总结。招投标时，仅仅根据当前的状态进行判断，这是一种单步最优，有很大的局限性，对整个系统性能的提升没有帮助。总而言之，这些缺陷极大地限制了多智能体方法在调度中的应用。
发明内容
本发明的目的在于通过一种基于静态调度预测的智慧工厂动态协同调度方法，来解决以上背景技术中提到的问题。
为实现目的，本发明采用以下技术方案：一种基于静态调度预测的智慧工厂动态协同调度方法,包括在物理车间中的仓库，加工单元，运输单元，工件上分别建立对应的仓库智能体，加工单元智能体，运输单元智能体和工件智能体,当工件进入生产系统后，自动生成相对应的工件智能体；方法包括以下步骤：S1：每当进入生产系统或完成某一道加工工序后，工件智能体向加工单元智能体进行招标，接收到招标信息的加工单元智能体进行投标，工件智能体选择加工单元智能体进行加工步骤；S2：加工单元智能体向运输单元智能体进行招标运输工件，接收到招标信息的运输单元智能体进行投标，加工单元智能体选择运输单元智能体运输工件步骤；S3：若还有工序未完成，继续执行S1、S2步骤；若所有工序已完成，则仓库智能体向运输单元智能体进行招标运输工件，接收到招标信息的运输单元智能体进行投标，仓库单元智能体选择运输单元智能体运输产品至仓库。
进一步地，一种基于静态调度预测的智慧工厂动态协同调度方法，所述S1包括以下步骤：S11：每当进入生产系统或完成某一道加工工序后，工件智能体查询所属工件的下一步待加工工序，根据工序类型查询系统内具有对应加工能力的加工单元，并把这些加工单元放入投标列表中；S12：工件智能体向投标列表中的加工单元所对应的智能体发起招标，同时发送相关任务信息；S13：加工单元智能体接收到相应的招标信息后，根据自身的负载状态选择是否参与竞标，若参与竞标，发送包含接受招标信息，当前自身状态以及一个时间窗口内的历史加工任务完成质量的标书，若拒绝竞标，返回包含拒绝竞标信息的标书；S14：工件智能体对加工下一步工序的加工单元进行选择，对选取的加工单元智能体发送竞标成功信息，对其余加工单元智能体发送竞标失败信息；S15：加工单元智能体接收到竞标成功的信息，则把中标加工任务放置到待运输列表中并向工件智能体发送确认信息，并更新当前生产负载状态，准备开始下一次竞标；若收到竞标失败信息，直接准备开始下一次竞标。
进一步地，一种基于静态调度预测的智慧工厂动态协同调度方法，所述S2包括以下步骤：S21：中标的加工单元智能体将运用合同网的机制选择运输单元来运输待运输列表中的工件，将读取待运输列表中的工件运输信息(出发地，目的地)封装，向运输单元发起招标；S22：运输单元智能体接收到招标信息后，提取自身负载情况，做出参与竞标或拒绝竞标的选择；若参与竞标，发送带有自身信息(包括位置信息，负载信息)的标书，若拒绝竞标，发送包含拒绝竞标信息的标书；S23：加工单元智能体对运输单元智能体进行选择，对选取的运输单元智能体发送竞标成功信息，对其余运输单元智能体发送竞标失败信息；同时加工单元智能体将该任务从待运输列表中删除，放入正在运输列表；S24：运输单元智能体接收到竞标成功的信息，则把中标运输任务放置到运输列表中并向加工单元智能体发送确认信息，并更新当前运输负载状态，并准备开始下一次竞标；若收到竞标失败信息，直接准备开始下一次竞标；S25：当运输单元智能体将工件运抵加工单元智能体后，运输单元智能体将该任务删除，然后读取运输列表中的下一个工件进行运输，加工单元智能体将该工件信息从待运输列表中取出，放入待加工列表中；
进一步地，一种基于静态调度预测的智慧工厂动态协同调度方法，所述S3包括以下步骤：S31：仓库智能体在收到工件智能体的取货通知后，会将该工件放入自身的待运输列表中；仓库智能体读取自身待运输列表中的工件信息，然后向运输单元智能体发送待运输工件的运输信息(出发地，目的地)，运用合同网机制向运输单元智能体招标；S32：运输单元智能体接收到招标信息后，首先会提取自身状态，主要是负载情况，然后做出参与竞标或拒绝竞标的选择；若参与竞标，发送带有自身信息(包括位置信息，负载信息)的标书，若拒绝竞标，发送包含拒绝竞标信息的标书；S33：仓库单元智能体对选取的运输单元智能体发送竞标成功信息，对其余运输单元智能体发送竞标失败信息；同时仓库智能体将该任务从待运输列表中删除，放入正在运输列表；S34：运输单元智能体接收到竞标成功的信息，则把中标运输任务放置到运输列表中并向加工单元智能体发送确认信息，并更新当前运输负载状态，并准备开始下一次竞标；若收到竞标失败信息，直接准备开始下一次竞标；S35：当运输单元智能体将产品运抵仓库智能体后，运输单元智能体将该任务删除，然后读取运输列表中的下一个工件进行运输，仓库智能体将该产品信息从待运输列表中取出。
进一步地，一种基于静态调度预测的智慧工厂动态协同调度方法，设定一个招标后的等待时间区间，只处理在等待时间区间内接收到的标书；如果接收到的标书内容均为拒绝，或在这个等待时间区间内没有接收到任何标书，则取消该次招标，进行等待后重新发起招标；对在等待时间区间超出后接收到的该轮投标标书回复拒绝信息。
进一步地，一种基于静态调度预测的智慧工厂动态协同调度方法，所述S14中工件智能体对加工单元智能体的选择依据单步指标和全局指标；所述单步指标通过加工单元当前加工能力进行计算获得，所述全局指标通过遗传算法进行预测获得。
进一步地，一种基于静态调度预测的智慧工厂动态协同调度方法，所述S23、S33对运输单元智能体进行选择基于任务运输时间和运输单元距离远近两个指标。
进一步地，一种基于静态调度预测的智慧工厂动态协同调度方法，每当加工单元加工完一个任务后，会将相应工件释放，通知工件智能体该道任务已经加工完成，同时读取待加工列表中的下一个任务进行加工。
进一步地，一种基于静态调度预测的智慧工厂动态协同调度方法，当某一工件的所有工序都被加工完成后，对应工件智能体会将工件信息发送给仓库智能体，通知仓库智能体取货，然后将自身注销。
进一步地，一种基于静态调度预测的智慧工厂动态协同调度方法，所述通过遗传算法进行预测全局指标具体包括以下步骤：S141：对工序信息做处理，在工件开始加工前和加工完成后以及各工序之间加入运输步骤；S142：按照规则生成初始种群；S143：设定初始代数为1；S144：若当前代数小于最大代数，跳转到S145，否则结束；S145：对当前种群实施选择，遗传，变异操作；S146：代数自加1，然后跳转到步骤S144。
本发明提出一种基于静态调度预测的智慧工厂动态协同调度方法，在运用基于多智能体技术的动态调度方法的基础上，建立数学模型，设计优化算法，设计各智能体的招投标规则，创建经验库，建立智能体经验总结机制，引入基于遗传算法的静态调度方法，建立全局环境预测机制，并将经验总结机制和全局环境预测机制嵌入到招投标规则中，实现了生产调度系统的实时调度及生产资源的实时分配，解决了传统多智能体方法的缺陷，同时实现了运输单元和加工单元的协同调度，能够在不损失实时性的条件下获取较优的全局性能，提升了系统整体的性能，实现了反应敏捷的实时调度。本发明克服现有多智能体方法中单个智能体缺乏远见，缺乏全局观念的问题，通过经验总结机制和全局环境预测机制，提高了单个智能体的远见和全局观念，优化了生产系统的整体性能。
附图说明
图1为本发明实施例提供的基于静态调度预测的智慧工厂动态协同调度方法流程图；
图2为本发明实施例一种面向智慧工厂的组成结构示意图；
图3为本发明实施例提供的工件智能体的运行流程示意图；
图4为本发明实施例提供的工件智能体和加工单元智能体之间的招投标流程示意图；
图5为本发明实施例提供的加工单元智能体的运行流程示意图；
图6为本发明实施例提供的加工单元智能体和运输单元智能体之间的招投标流程图；
图7为本发明实施例提供的运输单元智能体的运行流程图；
图8为本发明实施例提供的仓储单元智能体和运输单元智能体之间的招投标流程图；
图9为本发明实施例中在一个有车，钻，磨三道工序的工件中加入运输步骤的示例图；
图10为本发明实施例中所运用的遗传算法的流程图。
具体实施方式
为便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容理解的更加透彻全面。需要说明的是，除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。本文中所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参照图1所示，图1为本发明实施例提供的基于静态调度预测的智慧工厂动态协同调度方法流程图。一种基于静态调度预测的智慧工厂动态协同调度方法,包括在物理车间中的仓库，加工单元，运输单元，工件上分别建立对应的仓库智能体，加工单元智能体，运输单元智能体和工件智能体,当工件进入生产系统后，自动生成相对应的工件智能体；本发明实施例提供的工件智能体在系统中的运行流程参照图3，方法包括以下步骤：S1：每当进入生产系统或完成某一道加工工序后，工件智能体向加工单元智能体进行招标，接收到招标信息的加工单元智能体进行投标，工件智能体选择加工单元智能体进行加工步骤；S2：加工单元智能体向运输单元智能体进行招标运输工件，接收到招标信息的运输单元智能体进行投标，加工单元智能体选择运输单元智能体运输工件步骤；S3：若还有工序未完成，继续执行S1、S2步骤；若所有工序已完成，则仓库智能体向运输单元智能体进行招标运输工件，接收到招标信息的运输单元智能体进行投标，仓库单元智能体选择运输单元智能体运输产品至仓库。
图2为本发明实施例提供的智慧工厂模拟平台的示意图。该智慧工厂是运用多智能体技术进行实时调度的分布式制造系统。该系统中包含自动仓储单元，运输单元，加工单元三种生产单元。其中，自动仓储单元包含原料库，机械手，产品库三部分，原料库存储原料，产品库存储产品，机械手负责原料，成品的出入库。加工单元包括加工区，机械手，缓冲区，工件运输到加工单元后先放入缓冲区，待上一个工件加工完成离开后，就移至加工区进行加工，机械手负责完成上述操作。运输单元负责在各个加工单元和自动仓储单元之间执行运输操作。
本发明实施例提供的工件智能体和加工单元智能体之间的招投标流程参考图4，包括以下步骤：S11：每当进入生产系统或完成某一道加工工序后，工件智能体查询所属工件的下一步待加工工序，根据工序类型查询系统内具有对应加工能力的加工单元，并把这些加工单元放入投标列表中；S12：工件智能体向投标列表中的加工单元所对应的智能体发起招标，同时发送相关任务信息；S13：加工单元智能体接收到相应的招标信息后，根据自身的负载状态选择是否参与竞标，若参与竞标，发送包含接受招标信息，当前自身状态以及一个时间窗口内的历史加工任务完成质量的标书，若拒绝竞标，返回包含拒绝竞标信息的标书，本发明实施例提供的加工单元智能体在系统中的运行流程参照图5；S14：工件智能体对加工下一步工序的加工单元进行选择，对选取的加工单元智能体发送竞标成功信息，对其余加工单元智能体发送竞标失败信息；S15：加工单元智能体接收到竞标成功的信息，则把中标加工任务放置到待运输列表中并向工件智能体发送确认信息，并更新当前生产负载状态，准备开始下一次竞标；若收到竞标失败信息，直接准备开始下一次竞标。
本发明实施例提供的加工单元智能体和运输单元智能体之间的招投标流程参照图6，包括以下步骤：S21：中标的加工单元智能体将运用合同网的机制选择运输单元来运输待运输列表中的工件，将读取待运输列表中的工件运输信息(出发地，目的地)封装，向运输单元发起招标；S22：运输单元智能体接收到招标信息后，提取自身负载情况，做出参与竞标或拒绝竞标的选择；若参与竞标，发送带有自身信息(包括位置信息，负载信息)的标书，若拒绝竞标，发送包含拒绝竞标信息的标书，本发明实施例提供的运输单元智能体的运行流程流程参照图7；S23：加工单元智能体对运输单元智能体进行选择，对选取的运输单元智能体发送竞标成功信息，对其余运输单元智能体发送竞标失败信息；同时加工单元智能体将该任务从待运输列表中删除，放入正在运输列表；S24：运输单元智能体接收到竞标成功的信息，则把中标运输任务放置到运输列表中并向加工单元智能体发送确认信息，并更新当前运输负载状态，并准备开始下一次竞标；若收到竞标失败信息，直接准备开始下一次竞标；S25：当运输单元智能体将工件运抵加工单元智能体后，运输单元智能体将该任务删除，然后读取运输列表中的下一个工件进行运输，加工单元智能体将该工件信息从待运输列表中取出，放入待加工列表中；
本发明实施例提供的仓库单元智能体和运输单元智能体之间的招投标流程参考图8，包括以下步骤：S31：仓库智能体在收到工件智能体的取货通知后，会将该工件放入自身的待运输列表中；仓库智能体读取自身待运输列表中的工件信息，然后向运输单元智能体发送待运输工件的运输信息(出发地，目的地)，运用合同网机制向运输单元智能体招标；S32：运输单元智能体接收到招标信息后，首先会提取自身状态，主要是负载情况，然后做出参与竞标或拒绝竞标的选择；若参与竞标，发送带有自身信息(包括位置信息，负载信息)的标书，若拒绝竞标，发送包含拒绝竞标信息的标书；S33：仓库单元智能体对选取的运输单元智能体发送竞标成功信息，对其余运输单元智能体发送竞标失败信息；同时仓库智能体将该任务从待运输列表中删除，放入正在运输列表；S34：运输单元智能体接收到竞标成功的信息，则把中标运输任务放置到运输列表中并向加工单元智能体发送确认信息，并更新当前运输负载状态，并准备开始下一次竞标；若收到竞标失败信息，直接准备开始下一次竞标；S35：当运输单元智能体将产品运抵仓库智能体后，运输单元智能体将该任务删除，然后读取运输列表中的下一个工件进行运输，仓库智能体将该产品信息从待运输列表中取出。
本发明实施例中，设定一个招标后的等待时间区间，只处理在等待时间区间内接收到的标书；如果接收到的标书内容均为拒绝，或在这个等待时间区间内没有接收到任何标书，则取消该次招标，进行等待后重新发起招标；对在等待时间区间超出后接收到的该轮投标标书回复拒绝信息。
本发明实施例中，所述S14中工件智能体对加工单元智能体的选择依据单步指标和全局指标；所述单步指标通过加工单元当前加工能力进行计算获得，所述全局指标通过遗传算法进行预测获得。
本发明实施例中，所述S23、S33对运输单元智能体进行选择基于任务运输时间和运输单元距离远近两个指标。
本发明实施例中，每当加工单元加工完一个任务后，会将相应工件释放，通知工件智能体该道任务已经加工完成，同时读取待加工列表中的下一个任务进行加工。
本发明实施例中，当某一工件的所有工序都被加工完成后，对应工件智能体会将工件信息发送给仓库智能体，通知仓库智能体取货，然后将自身注销。
图9本发明实施例提供的用于预测系统全局性能的遗传算法流程图，所述通过遗传算法进行预测全局指标具体包括以下步骤：S141：对工序信息做处理，在工件开始加工前和加工完成后以及各工序之间加入运输步骤；S142：按照规则生成初始种群；S143：设定初始代数为1；S144：若当前代数小于最大代数，跳转到S145，否则结束；S145：对当前种群实施选择，遗传，变异操作；S146：代数自加1，然后跳转到步骤S144。
该遗传算法中，优化目标的函数表达式如下所示：
Figure BDA0001566200630000121
Figure BDA0001566200630000122
f1＝max(eij) (3)
Figure BDA0001566200630000123
其中，由于两个目标函数之间有量纲差异，不具备可比性，所以要运用去量纲的处理方式，即：先对各个目标函数单独进行多次优化，再利用统计学的方法去量纲。第一个目标函数如式(3)所示,指的是系统中最大的加工时间，要使其最小化。第二个目标函数如式(4)所示,指的是系统中机器之间最大的负载差值，也要使其最小化来保持系统负载均衡。
sij＜eij (5)
eij＜si(j+1) (6)
Figure BDA0001566200630000131
Figure BDA0001566200630000132
Figure BDA0001566200630000133
式中：
sij——某零件i的某步骤j的开始时间；
eij——某零件i的某步骤j的结束时间；
WPij——某零件i的某步骤j所属加工单元；
dur(a,b)——两加工单元a,b之间的运输时间；
tij——某零件i某步骤j的加工/运行时间；
Ny——某机床y上加工任务的总数；
iym——机床y的第m个任务的零件号；
jym——机床y的第m个任务的步骤号；
ixm——加工单元x的第m个任务的零件号；
jxm——加工单元x的第m个任务的步骤号；
上式(5)到式(9)为约束条件，上式(5)、(6)确保每个工件要按照自身的工序进行加工；上式(7)约束了加工单元加工，运输单元运输的加工时间；上式(8)、(9)约束了每个步骤的开始时间。
图10为本发明实施例中在一个有车，钻，磨三道工序的工件中加入运输步骤的示例，描述如下：
S1：当进入生产系统，工件智能体向加工单元智能体进行招标，接收到招标信息的加工单元智能体进行投标，工件智能体选择加工单元智能体进行加工步骤；
S11：当进入生产系统，工件智能体查询所属工件的下一步待加工工序为车床加工，根据工序类型查询系统内具有对应加工能力的车床加工单元，并把这些车床加工单元放入投标列表中；
S12：工件智能体向投标列表中的车床加工单元所对应的智能体发起招标，同时发送相关任务信息；设定一个招标后的等待时间区间，只处理在等待时间区间内接收到的标书；如果接收到的标书内容均为拒绝，或在这个等待时间区间内没有接收到任何标书，则取消该次招标，进行等待后重新发起招标；对在等待时间区间超出后接收到的该轮投标标书回复拒绝信息。
S13：车床加工单元智能体接收到相应的招标信息后，根据自身的负载状态选择是否参与竞标，若参与竞标，发送包含接受招标信息，当前自身状态以及一个时间窗口内的历史加工任务完成质量的标书，若拒绝竞标，返回包含拒绝竞标信息的标书；
S14：工件智能体依据单步指标和全局指标对车床加工单元进行选择，对选取的车床加工单元智能体发送竞标成功信息，对其余车床加工单元智能体发送竞标失败信息；
S15：车床加工单元智能体接收到竞标成功的信息，则把中标加工任务放置到待运输列表中并向工件智能体发送确认信息，并更新当前生产负载状态，准备开始下一次竞标；若收到竞标失败信息，直接准备开始下一次竞标；
S2：车床加工单元智能体向运输单元智能体进行招标运输工件，接收到招标信息的运输单元智能体进行投标，车床加工单元智能体选择运输单元智能体运输工件步骤；
S21：中标的车床加工单元智能体将运用合同网的机制选择运输单元来运输待运输列表中的工件，将读取待运输列表中的工件运输信息(出发地，目的地)封装，向运输单元发起招标；设定一个招标后的等待时间区间，只处理在等待时间区间内接收到的标书；如果接收到的标书内容均为拒绝，或在这个等待时间区间内没有接收到任何标书，则取消该次招标，进行等待后重新发起招标；对在等待时间区间超出后接收到的该轮投标标书回复拒绝信息。
S22：运输单元智能体接收到招标信息后，提取自身负载情况，做出参与竞标或拒绝竞标的选择；若参与竞标，发送带有自身信息(包括位置信息，负载信息)的标书，若拒绝竞标，发送包含拒绝竞标信息的标书；
S23：车床加工单元智能体基于任务运输时间和运输单元距离远近两个指标对运输单元智能体进行选择，对选取的运输单元智能体发送竞标成功信息，对其余运输单元智能体发送竞标失败信息；同时车床加工单元智能体将该任务从待运输列表中删除，放入正在运输列表；
S24：运输单元智能体接收到竞标成功的信息，则把中标运输任务放置到运输列表中并向车床加工单元智能体发送确认信息，并更新当前运输负载状态，并准备开始下一次竞标；若收到竞标失败信息，直接准备开始下一次竞标；
S25：当运输单元智能体将工件运抵车床加工单元智能体后，运输单元智能体将该任务删除，然后读取运输列表中的下一个工件进行运输，车床加工单元智能体将该工件信息从待运输列表中取出，放入待加工列表中；
S3：继续执行S1、S2步骤完成钻、磨加工工序；每当加工单元加工完一个任务后，会将相应工件释放，通知工件智能体该道任务已经加工完成，同时读取待加工列表中的下一个任务进行加工；
直至所有工序已完成，对应工件智能体会将工件信息发送给仓库智能体，通知仓库智能体取货，然后将自身注销，仓库智能体向运输单元智能体进行招标运输工件，接收到招标信息的运输单元智能体进行投标，仓库单元智能体选择运输单元智能体运输产品至仓库。
S31：仓库智能体在收到工件智能体的取货通知后，会将该工件放入自身的待运输列表中；仓库智能体读取自身待运输列表中的工件信息，然后向运输单元智能体发送待运输工件的运输信息(出发地，目的地)，运用合同网机制向运输单元智能体招标；设定一个招标后的等待时间区间，只处理在等待时间区间内接收到的标书；如果接收到的标书内容均为拒绝，或在这个等待时间区间内没有接收到任何标书，则取消该次招标，进行等待后重新发起招标；对在等待时间区间超出后接收到的该轮投标标书回复拒绝信息。
S32：运输单元智能体接收到招标信息后，首先会提取自身状态，主要是负载情况，然后做出参与竞标或拒绝竞标的选择；若参与竞标，发送带有自身信息(包括位置信息，负载信息)的标书，若拒绝竞标，发送包含拒绝竞标信息的标书；
S33：仓库单元智能体基于任务运输时间和运输单元距离远近两个指标选择运输单元，对选取的运输单元智能体发送竞标成功信息，对其余运输单元智能体发送竞标失败信息；同时仓库智能体将该任务从待运输列表中删除，放入正在运输列表；
S34：运输单元智能体接收到竞标成功的信息，则把中标运输任务放置到运输列表中并向加工单元智能体发送确认信息，并更新当前运输负载状态，并准备开始下一次竞标；若收到竞标失败信息，直接准备开始下一次竞标；
S35：当运输单元智能体将产品运抵仓库智能体后，运输单元智能体将该任务删除，然后读取运输列表中的下一个工件进行运输，仓库智能体将该产品信息从待运输列表中取出。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能过进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围有所附的权利要求范围决定。

Claims (1)

1.一种基于静态调度预测的智慧工厂动态协同调度方法,包括在物理车间中的仓库，加工单元，运输单元，工件上分别建立对应的仓库智能体，加工单元智能体，运输单元智能体和工件智能体,其特征在于：当工件进入生产系统后，自动生成相对应的工件智能体；
所述方法包括以下步骤：
S1：每当进入生产系统或完成某一道加工工序后，工件智能体向加工单元智能体进行招标，接收到招标信息的加工单元智能体进行投标，工件智能体选择加工单元智能体进行加工步骤；
S2：加工单元智能体向运输单元智能体进行招标运输工件，接收到招标信息的运输单元智能体进行投标，加工单元智能体选择运输单元智能体运输工件步骤；
S3：若还有工序未完成，继续执行S1、S2步骤；
若所有工序已完成，则仓库智能体向运输单元智能体进行招标运输工件，接收到招标信息的运输单元智能体进行投标，仓库单元智能体选择运输单元智能体运输产品至仓库；
所述S1包括以下步骤：
S11：每当进入生产系统或完成某一道加工工序后，工件智能体查询所属工件的下一步待加工工序，根据工序类型查询系统内具有对应加工能力的加工单元，并把这些加工单元放入投标列表中；
S12：工件智能体向投标列表中的加工单元所对应的智能体发起招标，同时发送相关任务信息；
S13：加工单元智能体接收到相应的招标信息后，根据自身的负载状态选择是否参与竞标，若参与竞标，发送包含接受招标信息，当前自身状态以及一个时间窗口内的历史加工任务完成质量的标书，若拒绝竞标，返回包含拒绝竞标信息的标书；
S14：工件智能体对加工下一步工序的加工单元进行选择，对选取的加工单元智能体发送竞标成功信息，对其余加工单元智能体发送竞标失败信息；
S15：加工单元智能体接收到竞标成功的信息，则把中标加工任务放置到待运输列表中并向工件智能体发送确认信息，并更新当前生产负载状态，准备开始下一次竞标；若收到竞标失败信息，直接准备开始下一次竞标；
所述S2包括以下步骤：
S21：中标的加工单元智能体将运用合同网的机制选择运输单元来运输待运输列表中的工件，将读取待运输列表中的工件运输信息封装，向运输单元发起招标；所述工件运输信息包括出发地和目的地；
S22：运输单元智能体接收到招标信息后，提取自身负载情况，做出参与竞标或拒绝竞标的选择；若参与竞标，发送带有自身信息的标书，若拒绝竞标，发送包含拒绝竞标信息的标书；所述自身信息包括位置信息和负载信息；
S23：加工单元智能体对运输单元智能体进行选择，对选取的运输单元智能体发送竞标成功信息，对其余运输单元智能体发送竞标失败信息；同时加工单元智能体将该任务从待运输列表中删除，放入正在运输列表；
S24：运输单元智能体接收到竞标成功的信息，则把中标运输任务放置到运输列表中并向加工单元智能体发送确认信息，并更新当前运输负载状态，并准备开始下一次竞标；若收到竞标失败信息，直接准备开始下一次竞标；
S25：当运输单元智能体将工件运抵加工单元智能体后，运输单元智能体将该任务删除，然后读取运输列表中的下一个工件进行运输，加工单元智能体将该工件信息从待运输列表中取出，放入待加工列表中；
所述S3包括以下步骤：
S31：仓库智能体在收到工件智能体的取货通知后，会将该工件放入自身的待运输列表中；仓库智能体读取自身待运输列表中的工件信息，然后向运输单元智能体发送待运输工件的运输信息，运用合同网机制向运输单元智能体招标，其中运输信息包括出发地和目的地；
S32：运输单元智能体接收到招标信息后，首先会提取自身状态，主要是负载情况，然后做出参与竞标或拒绝竞标的选择；若参与竞标，发送带有自身信息的标书，若拒绝竞标，发送包含拒绝竞标信息的标书；所述自身信息包括位置信息和负载信息；
S33：仓库单元智能体对选取的运输单元智能体发送竞标成功信息，对其余运输单元智能体发送竞标失败信息；同时仓库智能体将该任务从待运输列表中删除，放入正在运输列表；
S34：运输单元智能体接收到竞标成功的信息，则把中标运输任务放置到运输列表中并向加工单元智能体发送确认信息，并更新当前运输负载状态，并准备开始下一次竞标；若收到竞标失败信息，直接准备开始下一次竞标；
S35：当运输单元智能体将产品运抵仓库智能体后，运输单元智能体将该任务删除，然后读取运输列表中的下一个工件进行运输，仓库智能体将该产品信息从待运输列表中取出；
所述S23、S33对运输单元智能体进行选择基于任务运输时间和运输单元距离远近两个指标；
所述S14中工件智能体对加工单元智能体的选择依据单步指标和全局指标；所述单步指标通过加工单元当前加工能力进行计算获得，所述全局指标通过遗传算法进行预测获得；
所述通过遗传算法进行预测全局指标具体包括以下步骤：
S141：对工序信息做处理，在工件开始加工前和加工完成后以及各工序之间加入运输步骤；
S142：按照规则生成初始种群；
S143：设定初始代数为1；
S144：若当前代数小于最大代数，跳转到S145，否则结束；
S145：对当前种群实施选择，遗传，变异操作；
S146：代数自加1，然后跳转到步骤S144；
设定一个招标后的等待时间区间，只处理在等待时间区间内接收到的标书；如果接收到的标书内容均为拒绝，或在这个等待时间区间内没有接收到任何标书，则取消该次招标，进行等待后重新发起招标；对在等待时间区间超出后接收到的该轮投标标书回复拒绝信息；
每当加工单元加工完一个任务后，会将相应工件释放，通知工件智能体该道任务已经加工完成，同时读取待加工列表中的下一个任务进行加工；
当某一工件的所有工序都被加工完成后，对应工件智能体会将工件信息发送给仓库智能体，通知仓库智能体取货，然后将自身注销。
CN201810100568.9A 2018-02-01 2018-02-01 一种基于静态调度预测的智慧工厂动态协同调度方法 Active CN108229853B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810100568.9A CN108229853B (zh) 2018-02-01 2018-02-01 一种基于静态调度预测的智慧工厂动态协同调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810100568.9A CN108229853B (zh) 2018-02-01 2018-02-01 一种基于静态调度预测的智慧工厂动态协同调度方法

Publications (2)

Publication Number Publication Date
CN108229853A CN108229853A (zh) 2018-06-29
CN108229853B true CN108229853B (zh) 2020-06-19

Family

ID=62670488

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810100568.9A Active CN108229853B (zh) 2018-02-01 2018-02-01 一种基于静态调度预测的智慧工厂动态协同调度方法

Country Status (1)

Country Link
CN (1) CN108229853B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111368950B (zh) * 2020-03-03 2021-04-27 南京云岗智能科技有限公司 生产线产品身份信息识别方法、设备、存储介质及装置
CN111813066B (zh) * 2020-07-17 2022-07-29 北京理工大学 一种五金柔性生产车间多加工机器人协作方法
CN112163755A (zh) * 2020-09-23 2021-01-01 华南理工大学 一种智能生产线云辅助自组织动态重构方法及其应用
CN113428540A (zh) * 2021-05-28 2021-09-24 南京航空航天大学 模块化产线智能自治生产系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106094759A (zh) * 2016-07-19 2016-11-09 南京航空航天大学 一种复杂生产环境下车间调度实时控制方法
CN106249738A (zh) * 2016-07-19 2016-12-21 南京航空航天大学 一种车间环境下agv智能动态调度方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916404A (zh) * 2010-08-06 2010-12-15 沈阳工业大学 一种装备制造过程多厂协同调度优化方法
CN105354648B (zh) * 2015-12-12 2020-02-14 深圳力子机器人有限公司 Agv调度管理的建模及其优化方法
CN105976030B (zh) * 2016-03-15 2019-08-20 武汉宝钢华中贸易有限公司 基于多智能体月台调度智能排序模型的构造

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106094759A (zh) * 2016-07-19 2016-11-09 南京航空航天大学 一种复杂生产环境下车间调度实时控制方法
CN106249738A (zh) * 2016-07-19 2016-12-21 南京航空航天大学 一种车间环境下agv智能动态调度方法

Also Published As

Publication number Publication date
CN108229853A (zh) 2018-06-29

Similar Documents

Publication Publication Date Title
CN108229853B (zh) 一种基于静态调度预测的智慧工厂动态协同调度方法
Yoshitake et al. New automated guided vehicle system using real-time holonic scheduling for warehouse picking
Rahman et al. An integrated approach for line balancing and AGV scheduling towards smart assembly systems
CN106249738B (zh) 一种车间环境下agv智能动态调度方法
CN107036618A (zh) 一种基于最短路径深度优化算法的agv路径规划方法
CN110554673B (zh) 智能rgv加工系统调度方法和装置
KR20230095117A (ko) 창고 관리 시스템 및 방법
CN112488606B (zh) 一种生产物流智能优化和自动调度系统
Gania et al. Flexible manufacturing systems: Industry 4.0 solution
Nageswara et al. Integrated scheduling of machines and AGVs in FMS by using dispatching rules
CN116224926A (zh) 面向单件小批柔性制造车间的动态调度优化方法及装置
Pandey Simultaneous scheduling of machines and tools in a multimachine FMS with alternative routing using symbiotic organisms search algorithm
Mareddy et al. Development of scheduling methodology in a multi-machine flexible manufacturing system without tool delay employing flower pollination algorithm
Aksyonov et al. Rules for construction of simulation models for production processes optimization
Li et al. Design and simulation analysis of PDER: A multiple-load automated guided vehicle dispatching algorithm
CN111703802A (zh) 出入库流程的控制方法和装置、仓储系统
Wang et al. Ship Block Transportation Scheduling Problem Based on Greedy Algorithm.
Kumar et al. Integrated scheduling of part, tool and automated guided vehicles in a flexible manufacturing system using modified genetic algorithm
Ba et al. A mathematical model for multiworkshop IPPS problem in batch production
Reddy et al. Simultaneous scheduling of machines and AGVs in FMS by using symbiotic organisms search (SOS) algorithm
CN110716522B (zh) 基于任意时间a*启发式搜索的制造企业车间调度优化方法
Reddy et al. Simultaneous scheduling of machines and tools considering tool transfer times in multimachine FMS using CSA
Zhao et al. Hybrid particle swarm optimization for two-stage cross docking scheduling
Bożejko et al. Minimization of the number of employees in manufacturing cells
CN116663857B (zh) 带agv的柔性作业车间稳定的反应性动态调度方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant