CN108762221B - 含有不可控事件的自动制造系统的无死锁控制方法 - Google Patents

Abstract

含有不可控事件的自动制造系统的无死锁控制方法，通过部分可控全可观的自动制造系统的可行步长在线生成算法，得到含有不可控事件的自动制造系统可行步长；再通过部分可控全可观的自动制造系统的最优步长在线生成算法，得到含有不可控事件的自动制造系统最优步长；通过部分可控全可观的自动制造系统的死锁避免算法，从当前状态以含有不可控事件的自动制造系统最优步长进行预测，避免死锁。本发明采用边预测、边控制的实时在线运行方针，不需要提前设计控制器。根据在当前状态下预测到的状态进行分析判断，根据判断的结果及时地反馈给控制器，控制器做出恰当的控制决策，来决定在当前状态下需要发射那个变迁，从而避免在加工过程中出现死锁状态。

Description

含有不可控事件的自动制造系统的无死锁控制方法

技术领域

本发明属于自动制造系统技术领域，涉及含有不可控事件的自动制造系统的无死锁控制方法。

背景技术

制造业水平是一个国家工业化程度的一个重要标志，制造产业也是一个国家经济尤其是像中国这样的人口密集的发展中国家稳定发展的重要根基。在过去的数十年里，随着信息技术、自动化技术和计算机技术的广泛应用，传统的制造系统逐渐转变为自动制造系统，从而极大地降低制造成本、提高产品质量并且确保生产安全。由于自动制造系统中的死锁能够直接导致部分或整个系统运行的停顿，降低生产率，甚至在某些情况下，可能造成重大的经济损失。因此死锁问题得到了许多研究者的关注。

在过去的数十年里，有很多研究者研究了含有不可控事件的自动制造系统的各种死锁避免策略，但是还是存在一些缺陷，具体体现在：1.传统的死锁避免方案往往是基于全局信息的，不可避免地需要列举所有的可达状态，从而导致状态爆炸问题，从而对于复杂的系统难以进行无死锁的控制。2.大部分的控制方法是离线的计算机制，相对保守且具有很强的约束性，不能充分的利用资源，降低了生产的效率。

发明内容

为解决现有技术中存在的问题，本发明的目的是提供一种含有不可控事件的自动制造系统的无死锁控制方法。

为实现上述目的，本发明所采用的技术方案是:

含有不可控事件的自动制造系统的无死锁控制方法，包括以下步骤：

步骤一：通过部分可控全可观的自动制造系统的可行步长在线生成算法，得到含有不可控事件的自动制造系统可行步长S_ufs；

步骤二：在含有不可控事件的自动制造系统可行步长S_ufs基础上，通过部分可控全可观的自动制造系统的最优步长在线生成算法，得到含有不可控事件的自动制造系统最优步长S_uop；

步骤三：通过部分可控全可观的自动制造系统的死锁避免算法，从当前状态以含有不可控事件的自动制造系统最优步长S_uop进行预测，避免死锁。

本发明进一步的改进在于，步骤一的具体过程如下：

1.输入PN的初始状态M₀以及初始步长stepsize，不可控变迁集合T_UC；

2.初始化：令当前状态M＝M₀，初始步长stepsize＝1，给一个时间T₀；

3.从当前状态M，以初始步长stepsize预测，得到当面状态M下可以使能的变迁集合T_en及预测到的可达状态集合Q；

4.若在当前状态M下可以使能的变迁集合

则令stepsize＝stepsixe*2，更新初始步长stepsize，回到步骤2重新执行；

5.若在当前状态M下可以使能的变迁集合

5.1若

5.1.1若

且t∈T_en，则随机发射变迁t∈T_en，到达新的状态M^*；

5.1.2若

且t∈T_en，则随机发射变迁t∈T_uc，到达新的状态M^*；

5.2若

5.2.1若临界状态集合

则stepisze＝stepsixe*2，更新初始步长stepsize，回到步骤2重新执行；

5.2.2若临界状态集合

5.2.2.1若当前状态M∈M_good：

5.2.2.1.1若

且t∈T_en，则随机发射t∈T_en，到达新的状态M^*；

5.2.2.1.2若

且t∈T_en，则随机发射t∈T_uc，到达新的状M^*；

5.2.2.2若M∈M_CR：

5.2.2.2.1若

且t∈T_en，则从T_en中将发射到达坏死或者死锁状态的变迁剔除掉的集合中随机选择一个变迁t进行发射，到达新的状态M*；

5.2.2.2.2若

且t∈T_en，则随机发射t∈T_uc，到达新的状态M^*；

6.若程序运行的时间T<T₀则更新当前状态M，即M＝M^*，回到步骤2重新执行，否则令S_ufs＝stepsize，输出含有不可控事件的自动制造系统可行步长S_ufs。

本发明进一步的改进在于，步骤二的具体过程如下：

1.输入PN的初始状态M₀以及初始步长stepsize，不可控变迁集合T_UC，步骤一中的时间T₀及含有不可控事件的自动制造系统可行步长S_ufs；

2.初始化：令当前状态M＝M₀，stepsize＝1；

3.令参数

参数S₁＝S_ufs；

4.若含有不可控事件的自动制造系统可行步长S_ufs≤2则含有不可控事件的自动制造系统最优步长S_uop＝S_ufs，则输出含有不可控事件的自动制造系统最优步长S_uop，结束；

5.若含有不可控事件的自动制造系统可行步长S_ufs>2：

5.1若

则从初始状态M₀，以步长

预测：

5.1.1在T₀时间内一旦系统走到了死锁状态则令含有不可控事件的自动制造系统最优步长

5.1.2在T₀时间没有走到了死锁状态则令含有不可控事件的自动制造系统最优步长

5.1.3输出含有不可控事件的自动制造系统最优步长S_uop，结束；

5.2若

则从初始状态M₀，以步长

预测：

5.2.1在T₀时间内系统一旦走到了死锁状态，则令

更新S₀，回到步骤3，重新执行；

5.2.2在T₀时间没有走到了死锁状态，则令

更新S₁，回到步骤3，重新执行。

本发明进一步的改进在于，步骤三的具体过程如下：

1.输入PN的初始状态M₀，不可控变迁集合T_UC及步骤二的输出的含有不可控事件的自动制造系统最优步长S_uop；

2.初始化：令当前状态M＝M₀，stepsize＝S_uop；

3.从当前状态M，以初始步长stepsize预测，得到在当前状态M下可以使能的变迁集合T_en及预测到的可达状态集合Q；

4.若

4.1若

且t∈T_en，则随机发射t∈T_en，到达新的状态M^*；

4.2若

且t∈T_en，则随机发射t∈T_uc，到达新的状态M^*；

5.若

5.1若M∈M_good：

5.1.1若

且t∈T_en，则随机发射t∈T_en，到达新的状态M^*；

5.1.2若

且t∈T_en，则随机发射t∈T_uc，到达新的状态M^*；

5.2若M∈M_CR

5.2.1若

且t∈T_en，则从T_en中将发射到达坏死或者死锁状态的变迁剔除掉的集合中随机选择一个变迁t进行发射，到达新的状态M^*；

5.2.2若

且t∈T_en，则随机发射t∈T_uc，到达新的状态M^*；

6.更新当前状态M即M＝M^*，回到步骤3重新执行。

与现有的技术相比，本发明具有有益的效果为：

1.本发明的死锁避免方法不需要检测全局信息，只需要关注当前状态预测的局部信息，避免了穷举所有的状态，从而计算和存储复杂度大大地简化。

2.本发明采用边预测、边控制的实时在线运行方针，不需要提前设计控制器。根据在当前状态下预测到的状态进行分析判断，根据判断的结果及时地反馈给控制器。控制器做出恰当的控制决策，来决定在当前状态下需要发射那个变迁，从而避免在加工过程中出现死锁状态，导致生产线停滞，造成巨大的损失。

3.本发明的方法是根据算法随机发射变迁的性质从而极大地改善系统的许可性，使系统的许可性尽可能的达到最大。

附图说明

图1是S⁴R模型示意图。

图2是S⁴R模型的部分状态示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

定义1:Petri网(PN)的结构是由4要元描述的一有向图：

PNS＝(P，T，I，O)

此处：

(1)P＝{p₁,…,p_n}是库所的有限集合，n>0为库所的个数；

(2)T＝{t₁,…,t_n}是变迁的有限集合，m>0为变迁的个数。

(3)I:P×T→N是输入函数，它定义了从P到T的有向弧的权的集合，这里N＝{0,1,…}为非整数集；

(4)O:T×P→N是输出函数，它定义了从T到P的有向弧的重复数或权的集合，

在表示PN结构的有向图中，库所以圆表示；变迁以长方形或粗实线段表示；若从库所p到变迁t的输入函数取值为非负整数w，记为I(p,t)＝w；则用从p到t的一有向弧并旁注w表示；从变迁t到库所p的输出函数取值为非负整数w，记为O(t，p)＝w；则用从t到p的一有向弧并旁注w表示。

定义2：标识(状态)PN为一5要元：

PN＝{PNS，m}

此处：

(1)PNS＝{P，T，I，O}为PN结构，它由定义1确定。

(2)m:P→N为标识PN的标识，它为一列向量，其第i个元素表示第i个库所中的托肯的数目。特别地，m₀为初始标识，表示系统的初始状态。

定义3：可控变迁与可观变迁

(1)可控变迁：系统在运行的时候可以人为的控制变迁的发射，通俗的说就是可以让该变迁发射也可以不让该变迁发射，这样的变迁则称为可控变迁。当然，不可控变迁与之相反。

(2)可观变迁：变迁的是否发射，是能看到的，这样的变迁称其为可观变迁。

本发明包括以下步骤：

步骤一：通过部分可控全可观的自动制造系统的可行步长在线生成算法，得到含有不可控事件的自动制造系统可行步长S_ufs；

步骤一的具体过程如下：

1.输入PN的初始状态M₀以及初始步长stepsize，不可控变迁集合T_UC；

2.初始化：令当前状态M＝M₀，初始步长stepsize＝1，给一个时间T₀；

3.从当前状态M，以初始步长stepsize预测，得到当面状态M下可以使能的变迁集合T_en及预测到的可达状态集合Q；

4.若在当前状态M下可以使能的变迁集合

(当然在初始状态T_en不可能为空，如果初始状态下T_en为空说明网已经死锁了)，则令stepsize＝stepsize*2，更新初始步长stepsize，回到步骤2重新执行；

5.若在当前状态M下可以使能的变迁集合

5.1若

5.1.1若

且t∈T_en，则随机发射t∈T_en，到达新的状态M^*。

5.1.2若

且t∈T_en，则随机发射t∈T_uc，到达新的状态M^*。

5.2若

5.2.1若临界状态集合

则stepsize＝stepsize*2，更新初始步长stepsize，回到步骤2重新执行。

5.2.2若临界状态集合

5.2.2.1若当前状态M∈M_good：

5.2.2.1.1若

且t∈T_en，则随机发射t∈T_en，到达新的状态M^*。

5.2.2.1.2若

且t∈T_en，则随机发射t∈T_uc，到达新的状M^*。

5.2.2.2若M∈M_CR：

5.2.2.2.1若

且t∈T_en，则从T_en中将发射到达坏死或者死锁状态的变迁剔除掉的集合中随机选择一个变迁t进行发射，到达新的状态M^*。

5.2.2.2.2若

且t∈T_en，则随机发射t∈T_uc，到达新的状M^*。

6.若程序运行的时间T<T₀则更新当前状态M即M＝M^*，回到步骤2重新执行，否则令S_ufs＝stepsize，输出含有不可控事件的自动制造系统可行步长S_ufs。

步骤二：在含有不可控事件的自动制造系统可行步长S_ufs基础上，通过部分可控全可观的自动制造系统的最优步长在线生成算法，得到含有不可控事件的自动制造系统最优步长S_uop；

步骤二的具体过程如下：

1.输入PN的初始状态M₀以及初始步长stepsize，不可控变迁集合T_UC，步骤一中的时间T₀及步骤一中的含有不可控事件的自动制造系统可行步长S_ufs。

2.初始化：令当前状态M＝M₀，stepsize＝1；

3.令参数

参数S₁＝S_ufs。

4.若含有不可控事件的自动制造系统可行步长S_ufs≤2则含有不可控事件的自动制造系统最优步长S_uop＝S_ufs，则输出含有不可控事件的自动制造系统最优步长S_uop，结束。

5.若含有不可控事件的自动制造系统可行步长S_ufs>2：

5.1若

则从初始状态M₀，以步长

预测：

5.1.1在T₀时间内一旦系统走到了死锁状态则令含有不可控事件的自动制造系统最优步长

5.1.2在T₀时间没有走到了死锁状态则令含有不可控事件的自动制造系统最优步长

5.1.3输出含有不可控事件的自动制造系统最优步长S_uop，结束。

5.2若

则从初始状态M₀，以步长

预测：

5.2.1在T₀时间内系统一旦走到了死锁状态，则令

更新S₀，回到步骤3，重新执行。

5.2.2在T₀时间没有走到了死锁状态，则令

更新S₁，回到步骤3，重新执行。

步骤三：通过部分可控全可观的自动制造系统的死锁避免算法，从当前状态以以含有不可控事件的自动制造系统最优步长S_uop进行预测，避免死锁；

步骤三的具体过程如下：

1.输入PN的初始状态M₀，不可控变迁集合T_UC及步骤二的输出的含有不可控事件的自动制造系统最优步长S_uop。

2.初始化：令当前状态M＝M₀，stepsize＝S_uop；

3.从当前状态M，以初始步长stepsize预测，得到在当前状态M下可以使能的变迁集合T_en及预测到的可达状态集合Q。

4.若

4.1若

且t∈T_en，则随机发射t∈T_en，到达新的状态M^*。

4.2若

且t∈T_en，则随机发射t∈T_uc，到达新的状态M^*

5.若

5.1若M∈M_good：

5.1.1若

且t∈T_en，则随机发射t∈T_en，到达新的状态M^*。

5.1.2若

且t∈T_en，则随机发射t∈T_uc，到达新的状态M^*。

5.2若M∈M_CR

5.2.1若

且t∈T_en，则从T_en中将发射到达坏死或者死锁状态的变迁剔除掉的集合中随机选择一个变迁t进行发射，到达新的状态M^*。

5.2.2若

且t∈T_en，则随机发射t∈T_uc，到达新的状态M^*。

6.更新当前状态M即M＝M^*，回到步骤3重新执行。

参见图1，下面根据S⁴R模型及该模型的部分状态来对以上步骤进行详细说明：

(1)部分可控全可观的自动制造系统的可行步长在线生成算法可行与最优步长在线生成算法：

如图2所示，假设T_UC＝{t₁}不可控但是可观，其他的所有变迁均可控可观，假设系统当前状态为14，以stepsize为1进行预测，预测到的状态为Q＝{22,24,25}，Q里无死锁状态即

并且在状态14，不存在可以使能的变迁

T_uc为当前状态下可以使能的不可控的变迁集合，则随机选择一个变迁t∈T_EN进行发射，这里假设发射t₂则到达25；从状态25再次以步长stepsize＝1进行预测，预测到状态Q′＝{38,39,40,41},Q里无死锁状态，但在状态25，

这时随机选择一个变迁t∈T_uc进行发射，当然这里发射的是变迁t₁，然后到达状态41；按照上面的可行步长的在线生成算法进行得到整个系统的可行步长。然后根据最优步长算法得到最优步长S_uop。

(2)无死锁控制

根据最优的步长S_uop初始状态M₀进行预测。假设最优步长为6，当前状态为14，可以预测出死锁状态集合M_DE＝{76，78，82}和含有不可控的变迁的临界状态集合M_CR＝{41}，坏死状态集合M_CR＝{22，24}，因此在状态14，会控制让变迁t₂发射，从而到达状态25，而在状态25下含有不可控的变迁t₁,则让t₁发射，这时到达状态41,状态41下可以使能的变迁集合T_EN＝{t₆，t₅，t₂}，该集合不包含不可控的变迁，由于预测到状态57,58为坏死状态则此状态下发射变迁t₆到达55状态，同理55状态下可发射的变迁有t₅和t₃,而t₅的发射会走到坏死状态68，从而发射t₃,根据上面的考虑不可控变迁的死锁避免算法，一步一步走，对于以其他的当前状态和步长预测的时候，同样的按照考虑不可控变迁的死锁避免算法一步一步执行从而避免死锁。

本发明中符号说明：

PN Petri网；

stepsize 预测步长；

S_fs 可行步长；

M₀ 初始状态；

M 当前状态；

T_en 在当前状态M下可以使能的变迁集合；

M_dead 死锁状态

Q 预测到的可达状态集合

M_CR 临界状态集合；

T_UC 不可控变迁集合；

T_uc 在当前状态M可以使能的不可控的变迁集合；

T₀ 时间，由系统本身决定；

t 变迁；

S_ufs 含有不可控事件的自动制造系统可行步长；

S_fs 全可控全可观事件的自动制造系统的可行步长；

S_uop 含有不可控事件的自动制造系统最优步长；

M_good 可达的好状态。

Claims (1)

1.含有不可控事件的自动制造系统的无死锁控制方法，其特征在于，包括以下步骤：

步骤一：对于含有不可控事件的自动制造系统，通过部分可控全可观的自动制造系统的可行步长在线生成算法，得到含有不可控事件的自动制造系统可行步长S_ufs；

步骤二：在含有不可控事件的自动制造系统可行步长S_ufs基础上，通过部分可控全可观的自动制造系统的最优步长在线生成算法，得到含有不可控事件的自动制造系统最优步长S_uop；

步骤三：通过部分可控全可观的自动制造系统的死锁避免算法，从当前状态以含有不可控事件的自动制造系统最优步长S_uop进行预测，避免死锁；

步骤一的具体过程如下：

1.输入PN的初始状态M₀以及初始步长stepsize，不可控变迁集合T_UC；

2.初始化：令当前状态M＝M₀，初始步长stepsize＝1，给一个时间T₀；

3.从当前状态M，以初始步长stepsize预测，得到当面状态M下可以使能的变迁集合T_en及预测到的可达状态集合Q；

4.若在当前状态M下可以使能的变迁集合

则令stepsize＝stepsize*2，更新初始步长stepsize，回到步骤2重新执行；

5.若在当前状态M下可以使能的变迁集合

5.1若

5.1.1若

且t∈T_en，则随机发射变迁t∈T_en，到达新的状态M^*；

5.1.2若

且t∈T_en，则随机发射变迁t∈T_uc，到达新的状态M^*；

5.2若

5.2.1若临界状态集合

则stepsize＝stepsize*2，更新初始步长stepsize，回到步骤2重新执行；

5.2.2若临界状态集合

5.2.2.1若当前状态M∈M_good：

5.2.2.1.1若

且t∈T_en，则随机发射t∈T_en，到达新的状态M^*；

5.2.2.1.2若

且t∈T_en，则随机发射t∈T_uc，到达新的状M^*；

5.2.2.2若M∈M_CR：

5.2.2.2.1若

且t∈T_en，则从T_en中将发射到达坏死或者死锁状态的变迁剔除掉的集合中随机选择一个变迁t进行发射，到达新的状态M^*；

5.2.2.2.2若

且t∈T_en，则随机发射t∈T_uc，到达新的状态M^*；

6.若程序运行的时间T＜T₀则更新当前状态M即M＝M^*，回到步骤2重新执行，否则令S_ufs＝stepsize，输出含有不可控事件的自动制造系统可行步长S_ufs；

步骤二的具体过程如下：

1.输入PN的初始状态M₀以及初始步长stepsize，不可控变迁集合T_UC，步骤一中的时间T₀及含有不可控事件的自动制造系统可行步长S_ufs；

2.初始化：令当前状态M＝M₀，stepsize＝1；

3.令参数

参数S₁＝S_ufs；

4.若含有不可控事件的自动制造系统可行步长S_ufs≤2则含有不可控事件的自动制造系统最优步长S_uop＝S_ufs，则输出含有不可控事件的自动制造系统最优步长S_uop，结束；

5.若含有不可控事件的自动制造系统可行步长S_ufs＞2：

5.1若

则从初始状态M₀，以步长

预测：

5.1.1在T₀时间内一旦系统走到了死锁状态则令含有不可控事件的自动制造系统最优步长

5.1.2在T₀时间没有走到了死锁状态则令含有不可控事件的自动制造系统最优步长

5.1.3输出含有不可控事件的自动制造系统最优步长S_uop，结束；

5.2若

则从初始状态M₀，以步长

预测：

5.2.1在T₀时间内系统一旦走到了死锁状态，则令

更新S₀，回到步骤3，重新执行；

5.2.2在T₀时间没有走到了死锁状态，则令

更新S₁，回到步骤3，重新执行；

步骤三的具体过程如下：

1.输入PN的初始状态M₀，不可控变迁集合T_UC及步骤二的输出的含有不可控事件的自动制造系统最优步长S_uop；

2.初始化：令当前状态M＝M₀，stepsize＝S_uop；

3.从当前状态M，以初始步长stepsize预测，得到在当前状态M下可以使能的变迁集合T_en及预测到的可达状态集合Q；

4.若

4.1若

且t∈T_en，则随机发射t∈T_en，到达新的状态M^*；

4.2若

且t∈T_en，则随机发射t∈T_uc，到达新的状态M^*；

5.若

5.1若M∈M_good：

5.1.1若

且t∈T_en，则随机发射t∈T_en，到达新的状态M^*；

5.1.2若

且t∈T_en，则随机发射t∈T_uc，到达新的状态M^*；

5.2若M∈M_CR

5.2.1若

且t∈T_en，则从T_en中将发射到达坏死或者死锁状态的变迁剔除掉的集合中随机选择一个变迁t进行发射，到达新的状态M^*；

5.2.2若

且t∈T_en，则随机发射t∈T_uc，到达新的状态M^*；

6.更新当前状态M，即M＝M^*，回到步骤3重新执行。

Images