CN109034540B - 一种基于在制品工序流的机床序列编排动态预测方法 - Google Patents
一种基于在制品工序流的机床序列编排动态预测方法 Download PDFInfo
- Publication number
- CN109034540B CN109034540B CN201810693793.8A CN201810693793A CN109034540B CN 109034540 B CN109034540 B CN 109034540B CN 201810693793 A CN201810693793 A CN 201810693793A CN 109034540 B CN109034540 B CN 109034540B
- Authority
- CN
- China
- Prior art keywords
- machine tool
- work
- sequence
- machine
- tool sequence
- 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 96
- 238000004519 manufacturing process Methods 0.000 claims abstract description 26
- 230000007704 transition Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000003754 machining Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 206010063385 Intellectualisation Diseases 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G06Q10/0633—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
- G06Q10/06—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
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Numerical Control (AREA)
Abstract
本发明提供一种基于在制品工序流的机床序列编排动态预测方法,包括建立预测模型和设计预测算法两个阶段。对以往在制品制造过程中的机床序列进行统计,建立机床序列预测模型,所述预测算法包括四个步骤:(1)定义t时刻具有最大概率的机床序列;(2)从第一道o1工序开始,预测确定以最大概率执行后一道ot+1工序的机床编号it+1;(3)加入最后一道工序oT,动态预测确定与在制品加工工序流对应的、拥有最大概率的机床序列i1~iT;(4)确定与在制品工序流对应的机床序列。由于本发明将车间机床、在制品的实时数据引入到机床序列编排中,并对执行当前工序流的机床序列进行动态预测,确保机床序列更好地适应动态变化的制造车间,提高制造车间的智能化、自治化程度。
Description
技术领域
本发明属于智能制造与生产系统工程领域,具体涉及一种基于在制品工序流的机床序列编排动态预测方法。
背景技术
作为智能制造模式实施的载体,制造车间应能通过人、机、物等多种生产主体之间的自主交互与协同,来提高车间的智能化、自治化水平。
随着物联网、信息物理融合系统、数字孪生等新兴技术在制造业的发展应用,已经实现了对制造车间运行状态数据的实时采集、处理与分析,提高了制造车间生产过程的透明化程度。然而,目前制造车间生产过程的智能化程度相对较低,缺乏对采集的车间实时运行状态数据的应用,难以实现生产过程扰动与异常的实时决策处理、机床的动态分配与任务编排、人-机-物的自主竞合博弈等,也就难以实现制造车间的自治化、智能化生产与管理。
针对车间机床的动态分配与任务编排问题,已知车间内各机床的实时状态数据、在制品的加工工序流程,如何动态预测确定基于在制品工序流的机床编排序列就成为了瓶颈问题。
发明内容
本发明的目的在于针对上述车间自治生产过程中存在的问题,提供一种基于在制品工序流的机床序列编排动态预测方法,能够在采集车间实时运行状态数据的基础上,实现围绕在制品工序流的机床动态分配与任务编排,得出基于在制品工序流的机床序列预测最优解。
为了实现上述目的,本发明的技术方案是:包括建立预测模型和设计预测算法两个阶段。
阶段一:建立预测模型
围绕在制品加工工序流程,对以往在制品制造过程中的机床序列进行历史数据统计,确定发生概率最大的机床序列,通过前向训练学习建立机床序列预测模型为:
F={O,I,V,M,B,A};
式中:O表示长度为T的在制品工序流序列,O={o1,o2,...,oT};I表示与之对应的机床序列,I={i1,i2,...,iT};V表示在制品所有工序编号的集合,V={v1,v2,...,vS};M表示机床之间的转移概率矩阵;B表示在制品加工工序之间的转移概率矩阵;A表示初始的机床选择概率向量;
机床之间的转移概率矩阵M的数学描述为:
M=[mij]N×N;
mij=p(it+1=qj|it=qi);
在制品加工工序之间的转移概率矩阵B的数学描述为:
B=[bik]N×S;
初始的机床选择概率向量A的数学描述为:
A=[ai];
阶段二:设计预测算法
步骤一:定义与在制品工序流相对应的机床序列的最大发生概率为:
步骤二:从第一道工序o1开始,依次递推计算与前ot道工序相对应的机床序列的最大发生概率,计算公式如下:
其中:N表示智能车间内机床的总数量;WT表示动态调整参数;
步骤三:加入最后一道工序oT,动态预测确定与在制品加工工序流对应的机床序列I={i1,i2,...,iT}的最大发生概率,计算公式如下:
步骤四:对拥有最大概率的机床序列I={i1,i2,...,iT}进行逆向解析,首先确定与P*对应的机床编号iT,代表与工序oT对应的机床编号;其次由步骤二找出得出P*的δt-1(i),记录机床编号为iT-1,代表与工序oT-1对应的机床编号;循环以上步骤,直至确定与工序o1对应的机床编号i1。
所述设计预测算法的步骤二中,设计影响因子WT作为动态调整参数,当机床为故障状态时,WT→∞;当机床为空闲状态时,WT=0;当机床为占用状态时,WT为机床从占用状态到释放为空闲状态的等待时间。
与现有技术相比,本发明提出的一种基于在制品工序流的机床序列编排动态预测方法,将车间机床、在制品的实时状态数据引入到机床分配与任务编排中,并对执行工序流的机床序列进行动态预测,能够确保所预测的机床序列更好地适应动态变化的制造车间环境,实现自适应、自治生产,提高制造车间的智能化、自治化程度。
附图说明
图1是机床序列编排动态预测方法的实施步骤图;
图2是根据在制品工序流确定机床序列的原理图;
图3是在制品加工工序之间的转移概率的示意图;
图4是机床之间的转移概率的示意图;
具体实施方式
下面结合附图对本发明做进一步的详细说明。
本发明一种基于在制品工序流的机床序列编排动态预测方法,具体实施步骤如图1所示,包括建立预测模型和设计预测算法两个阶段:
(1)阶段一:建立预测模型
如图2所示,机床序列预测的原理是依据在制品工序流和制造车间的实时状态数据,按概率最大原则,动态预测确定与在制品工序流相对应的机床序列。
围绕制造车间在制品工序流,对以往在制品制造过程中的机床序列历史数据进行统计,确定发生概率最大的机床序列,通过前向训练学习建立机床序列预测模型为:
F={O,I,V,M,B,A};
式中:O表示长度为T的在制品工序流序列,O={o1,o2,...,oT};I表示与之对应的机床序列,I={i1,i2,...,iT};V表示在制品所有工序编号的集合,V={v1,v2,...,vS};M表示机床之间的转移概率矩阵;B表示在制品加工工序之间的转移概率矩阵;A表示初始的机床选择概率向量;
如图3所示,机床之间的转移概率矩阵M的示意图,数学描述为:
M=[mij]N×N;
mij=p(it+1=qj|it=qi);
如图4所示,在制品加工工序之间的转移概率矩阵B的示意图,数学描述为:
B=[bik]N×S;
初始的机床选择概率向量A的数学描述为:
A=[ai];
(2)阶段二:设计预测算法
步骤一:定义与在制品工序流相对应的机床序列的最大发生概率为:
步骤二:从第一道工序o1开始,依次递推计算与前ot道工序相对应的机床序列的最大发生概率,计算公式如下:
本步骤考虑各候选机床的实时状态数据对机床选择的影响,设计影响因子WT作为动态调整参数,当机床为故障状态时,WT→∞;当机床为空闲状态时,WT=0;当机床为占用状态时,WT为机床从占用状态到释放为空闲状态的等待时间;
步骤三:加入最后一道工序oT,动态预测确定与在制品加工工序流对应的机床序列的I={i1,i2,...,iT}最大发生概率,计算公式如下:
步骤四:对拥有最大概率的机床序列I={i1,i2,...,iT}进行逆向解析,首先确定与P*对应的机床编号iT,代表与oT工序对应的机床编号;其次由步骤二找出得出P*的δt-1(i),记录机床编号为iT-1,代表与oT-1工序对应的机床编号;循环以上步骤,直至确定与o1工序对应的机床编号i1。
Claims (2)
1.一种基于在制品工序流的机床序列编排动态预测方法,其特征在于,包括建立预测模型和设计预测算法两个阶段:
阶段一:建立预测模型
围绕在制品加工工序流程,对以往在制品制造过程中的机床序列进行历史数据统计,确定发生概率最大的机床序列,通过前向训练学习建立机床序列预测模型为:
F={O,I,V,M,B,A}
式中:O表示长度为T的在制品工序流序列,O={o1,o2,...,oT};I表示与之对应的机床序列,I={i1,i2,...,iT};V表示在制品所有工序编号的集合,V={v1,v2,...,vS};M表示机床之间的转移概率矩阵;B表示在制品加工工序之间的转移概率矩阵;A表示初始的机床选择概率向量;
机床之间的转移概率矩阵M的数学描述为:
M=[mij]N×N
mij=p(it+1=qj|it=qi)
在制品加工工序之间的转移概率矩阵B的数学描述为:
B=[bik]N×S
bik=p(ot=vk|it=qi)
初始的机床选择概率向量A的数学描述为:
A=[ai]
阶段二:设计预测算法
步骤一:定义与在制品工序流相对应的机床序列的最大发生概率为:
步骤二:从第一道工序o1开始,依次递推计算与前ot道工序相对应的机床序列的最大发生概率,计算公式如下:
其中:N为智能车间内机床的总数量;WT表示动态调整参数;
步骤三:加入最后一道工序oT,动态预测确定与在制品加工工序流对应的机床序列I={i1,i2,...,iT}的最大发生概率,计算公式如下:
步骤四:对拥有最大概率的机床序列I={i1,i2,...,iT}进行逆向解析,首先确定与P*对应的机床编号iT,代表与工序oT对应的机床编号;其次由步骤二找出得出P*的δt-1(i),记录机床编号为iT-1,代表与工序oT-1对应的机床编号;循环以上步骤,直至确定与工序o1对应的机床编号i1。
2.根据权利要求1所述的一种基于在制品工序流的机床序列编排动态预测方法,其特征在于,所述的设计预测算法的步骤二中,设计影响因子WT作为动态调整参数,当机床为故障状态时,WT→∞;当机床为空闲状态时,WT=0;当机床为占用状态时,WT为机床从占用状态到释放为空闲状态的等待时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810693793.8A CN109034540B (zh) | 2018-06-29 | 2018-06-29 | 一种基于在制品工序流的机床序列编排动态预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810693793.8A CN109034540B (zh) | 2018-06-29 | 2018-06-29 | 一种基于在制品工序流的机床序列编排动态预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109034540A CN109034540A (zh) | 2018-12-18 |
CN109034540B true CN109034540B (zh) | 2021-09-07 |
Family
ID=65520875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810693793.8A Active CN109034540B (zh) | 2018-06-29 | 2018-06-29 | 一种基于在制品工序流的机床序列编排动态预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034540B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978395B (zh) * | 2019-03-29 | 2022-12-13 | 长安大学 | 一种智能车间加工任务自治分配模型的创成方法 |
CN112130534B (zh) * | 2020-09-18 | 2021-11-16 | 北京理工大学 | 一种构建车间数字孪生体的处理方法及控制器 |
CN113139702B (zh) * | 2021-05-28 | 2024-04-30 | 上海华力微电子有限公司 | 在制品数量的预测方法及预测系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006048373A (ja) * | 2004-08-04 | 2006-02-16 | Ntn Corp | 機械要素商品の生産管理方法 |
CN103729694A (zh) * | 2013-12-26 | 2014-04-16 | 陕西科技大学 | 基于多色集合层次结构的改进ga求解柔性车间调度的方法 |
CN104504540A (zh) * | 2015-01-13 | 2015-04-08 | 郑州航空工业管理学院 | 基于多阶段智能优化算法的动态柔性作业车间调度控制方法 |
CN105426590A (zh) * | 2015-11-04 | 2016-03-23 | 中国电子科技集团公司第三十八研究所 | 一种机加工艺特征树及其构建方法 |
CN107403271A (zh) * | 2017-07-27 | 2017-11-28 | 许文远 | 一种用于电镀生产的柔性作业车间调度方法 |
CN107944890A (zh) * | 2017-12-22 | 2018-04-20 | 大连运明自动化技术有限公司 | 一种基于rfid技术的工件加工过程智能追溯方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103064340B (zh) * | 2011-10-21 | 2014-12-03 | 沈阳高精数控技术有限公司 | 一种面向数控机床的故障预测方法 |
CN102541032B (zh) * | 2012-02-11 | 2013-10-16 | 北京化工大学 | 一种可重入制造系统瓶颈设备预测方法 |
CN102750617A (zh) * | 2012-06-26 | 2012-10-24 | 苏州纳华美纳米科技有限公司 | 服装缝制生产工序编排方法 |
CN104573955B (zh) * | 2014-12-31 | 2018-01-05 | 中冶南方工程技术有限公司 | 炼钢车间生产与检修计划一体化时序控制系统与方法 |
CN107704985A (zh) * | 2017-08-11 | 2018-02-16 | 浙江工业大学 | 一种动态策略的差分进化柔性车间优化调度方法 |
CN108182545B (zh) * | 2018-01-24 | 2020-10-02 | 华中科技大学 | 一种带有阻塞限制的柔性开放车间调度方法 |
-
2018
- 2018-06-29 CN CN201810693793.8A patent/CN109034540B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006048373A (ja) * | 2004-08-04 | 2006-02-16 | Ntn Corp | 機械要素商品の生産管理方法 |
CN103729694A (zh) * | 2013-12-26 | 2014-04-16 | 陕西科技大学 | 基于多色集合层次结构的改进ga求解柔性车间调度的方法 |
CN104504540A (zh) * | 2015-01-13 | 2015-04-08 | 郑州航空工业管理学院 | 基于多阶段智能优化算法的动态柔性作业车间调度控制方法 |
CN105426590A (zh) * | 2015-11-04 | 2016-03-23 | 中国电子科技集团公司第三十八研究所 | 一种机加工艺特征树及其构建方法 |
CN107403271A (zh) * | 2017-07-27 | 2017-11-28 | 许文远 | 一种用于电镀生产的柔性作业车间调度方法 |
CN107944890A (zh) * | 2017-12-22 | 2018-04-20 | 大连运明自动化技术有限公司 | 一种基于rfid技术的工件加工过程智能追溯方法 |
Non-Patent Citations (1)
Title |
---|
一种动态识别瓶颈机床的前向启发算法;王荪馨;《工业工程》;20081027;第11卷(第4期);127-131 * |
Also Published As
Publication number | Publication date |
---|---|
CN109034540A (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109946965B (zh) | 一种基于改进的多目标Jaya算法的离散制造车间排产方法 | |
CN109034540B (zh) | 一种基于在制品工序流的机床序列编排动态预测方法 | |
CN108694502B (zh) | 一种基于XGBoost算法的机器人制造单元自适应调度方法 | |
CN112987664B (zh) | 一种基于深度强化学习的流水车间调度方法 | |
CN111260181B (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 | |
CN113792924A (zh) | 一种基于Deep Q-network深度强化学习的单件作业车间调度方法 | |
CN112381343B (zh) | 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法 | |
CN111738578A (zh) | 一种动态环境下的离散型生产车间调度方法 | |
CN110910277A (zh) | 一种基于XGBoost的水泥磨系统电耗指标预测方法 | |
CN107609668A (zh) | 一种基于抽象凸自适应策略的生产排产调度优化方法 | |
CN114297912B (zh) | 基于深度学习的刀具磨损预测方法 | |
CN112785080B (zh) | 一种基于水泥工业的实时动态水泥粉磨系统能耗优化方法 | |
CN105975701A (zh) | 一种基于混合模糊模型的并行调度拆卸路径生成方法 | |
CN115759552A (zh) | 一种基于多智能体架构的面向智慧工厂的实时调度方法 | |
CN116466659A (zh) | 一种基于深度强化学习的分布式装配流水车间调度方法 | |
CN116880424A (zh) | 一种基于多目标优化的多机器人调度方法以及装置 | |
Li et al. | Bottleneck identification and alleviation in a blocked serial production line with discrete event simulation: A case study. | |
CN111390648A (zh) | 基于对抗神经网络的车刀磨损判定方法 | |
CN117010666B (zh) | 一种汽修工具生产工作站智能管理方法及系统 | |
CN116757562B (zh) | 一种具有自学习能力的智能制造调度方法 | |
CN116562584A (zh) | 一种基于Conv-Dueling与泛化表征的动态车间调度方法 | |
CN113297185A (zh) | 一种特征衍生方法及装置 | |
CN113657742B (zh) | 车间调度方法、装置、电子设备及存储介质 | |
Meerkov et al. | Cellular production lines with asymptotically reliable Bernoulli machines: Lead time analysis and control | |
CN110147078B (zh) | 一种无故障rgv智能系统二道工序加工动态调度方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231114 Address after: Room 301, Unit 3, Building 9, Beautiful New Coast Community, 156-1 Sanya Bay Road, Tianya District, Sanya City, Hainan Province, 572022 Patentee after: Zhenshu Technology (Sanya) Co.,Ltd. Address before: 710054 middle section of south 2nd Ring Road, Xi'an, Shaanxi Patentee before: CHANG'AN University |
|
TR01 | Transfer of patent right |