CN109491342A - 一种多工序智能rgv动态调度方法、装置及系统 - Google Patents
一种多工序智能rgv动态调度方法、装置及系统 Download PDFInfo
- Publication number
- CN109491342A CN109491342A CN201811455200.0A CN201811455200A CN109491342A CN 109491342 A CN109491342 A CN 109491342A CN 201811455200 A CN201811455200 A CN 201811455200A CN 109491342 A CN109491342 A CN 109491342A
- Authority
- CN
- China
- Prior art keywords
- rgv
- workbench
- appeal
- dynamic dispatching
- time
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 142
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000009826 distribution Methods 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 8
- 238000012546 transfer Methods 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 238000004519 manufacturing process Methods 0.000 claims description 38
- 238000003860 storage Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 230000003252 repetitive effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 17
- 239000000463 material Substances 0.000 description 11
- 230000008901 benefit Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003754 machining Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241000208340 Araliaceae Species 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010054949 Metaplasia Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000015689 metaplastic ossification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32015—Optimize, process management, optimize production line
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多工序智能RGV动态调度方法、装置及系统，该方法包括：接收经验参数，进行仿真模拟实验，计算各个工作台的最优位置分布及投入比例参数，进行工作台分配；预测计算各个工作台距完成加工作业时间与RGV到达各个工作台所需时间，基于此计算各个工作台对RGV的吸引力度；计算各个工作台调动RGV的阈值；判断某一工作台对RGV的吸引力度与调动RGV的阈值大小，若吸引力度大于阈值，则输出对RGV的调度指令，否则智能等待并实时更新吸引力度和阈值，直至完成RGV的调度。
Description
技术领域
本公开属于自动化生产的技术领域，涉及一种多工序智能RGV动态调度方法、装置及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
近年来，自动化生产领域的发展和进步为中国经济增长提供了源源不断的动力，但是在自动化生产技术在企业的生产制造过程中已普遍应用的背景下，自动化生产线的不稳定造成的物料浪费，物料质量下降，生产线效率不理想，以及个性化的生产要求无法得到满足等问题也日益凸显。自动化生产线中，自动化生产机械RGV(Rail Guided Vehicle，有轨制导车辆)的运作对自动化生产线的稳定运作起到重要影响。
在自动化生产机械RGV的运作中，目前对于RGV的调度多采用先来先服务的调度方法，也就是对于任一请求按照其请求时间的先后顺序去响应请求，但单一的先来先服务调度方法，必然会降低生产线的整体效率，且无法应用于多工序自动化生产线和具体的生产要求，例如，生产量最大化生产的生产要求以及损失量最小化生产的生产要求。此外该调度方法的稳定性还会受到不同物料的加工时间，上下料时间，以及加工机械的故障和修复时间的影响，大大降低了自动化生产线的稳定性。
综上所述，现代自动化生产线中对于RGV的调度方法及系统对于应用于多工序自动化生产线，以及生产线的稳定性、生产效率、环境客观因素、生产具体要求尚缺乏有效的解决办法。
发明内容
针对现有技术中存在的不足，本公开的一个或多个实施例提供了一种多工序智能RGV动态调度方法、装置及系统，基于改进的人工势场法，进行动态规划得到当前状态的参数，应用于吸引力度计算公式，以此在多工序自动化生产中进行RGV的智能调度。
根据本公开的一个或多个实施例的一个方面，提供一种多工序智能RGV动态调度方法。
一种多工序智能RGV动态调度方法，该方法应用于多道加工工序的智能RGV动态调度，包括：
接收经验参数，进行仿真模拟实验，计算多道工序加工系统中每道加工程序各个工作台的最优位置分布及投入比例参数，进行工作台分配；
预测计算各个工作台距完成加工作业时间与RGV到达各个工作台所需时间，基于此计算各个工作台对RGV的吸引力度；计算各个工作台调动RGV的阈值；
判断某一工作台对RGV的吸引力度与调动RGV的阈值大小，若吸引力度大于阈值，则输出对RGV的调度指令，否则智能等待并实时更新吸引力度和阈值，直至完成RGV的调度。
进一步地，在该方法中，采用改进的人工势场法计算各个工作台对RGV的吸引力度，所述改进的人工势场法为：将RGV的运动视为一种在虚拟的人工受力场中的运动，工作台对RGV产生引力，利用引力大小构建智能RGV动态调度模型，RGV在没有收到工作台的信号之前，计算所有可工作状态的工作台对RGV的吸引力度，吸引力度最大的工作台为RGV的最终目标位置。
进一步地，在该方法中，某一可工作状态的工作台对RGV的吸引力度为RGV出发到完成工作台上下料所需时间与RGV到工作台距离的函数的负梯度大小。
进一步地，在该方法中，计算RGV出发到完成工作台上下料所需时间的步骤为：
计算RGV到达工作台所需时间与工作台距完成加工作业时间的最大值；
计算该最大值与工作台上下料所需时间之和，得到RGV出发到完成工作台上下料所需时间。
进一步地，在该方法中，所述调动RGV阈值的计算方法为：RGV到达工作台所需时间与工作台上下料所需时间之和与RGV到工作台距离的函数的负梯度大小。
进一步地，该方法还包括：预测各个工作台工作结束时间之前加工完成一个物品的时间，根据预测时间与RGV到工作台的剩余时间判断是否能够上料，若预测时间大于RGV到工作台的剩余时间，则继续RGV的作业调度，否则，工作台停止上料，完成所有下料处理。
进一步地，该方法还包括：对故障的处理，当吸引力度小于阈值时，尝试接收工作台回复工作消息或工作台损坏消息，并传输至RGV，更新吸引力度的大小和阈值的大小，重复操作，直至吸引力度大于阈值。
进一步地，该方法还包括：接收用户需求，所述用户需求包括损失最小化或生产最大化，根据用户需求改变调度方法，实现用户需求相对应的工作模式。
根据本公开的一个或多个实施例的另一个方面，还提供一种计算机可读存储介质。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种多工序智能RGV动态调度方法。
根据本公开的一个或多个实施例的另一个方面，还提供一种终端设备。
一种终端设备，采用互联网终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种多工序智能RGV动态调度方法。
根据本公开的一个或多个实施例的另一个方面，还提供一种智能RGV，基于所述的一种多工序智能RGV动态调度方法进行动态调度。
根据本公开的一个或多个实施例的另一个方面，还提供一种多工序智能RGV动态调度系统。
一种多工序智能RGV动态调度系统，基于所述的一种多工序智能RGV动态调度方法，包括智能RVG和工作台，所述工作台根据工作台的最优位置分布及投入比例参数进行分配，所述智能RVG接收调度指令进行调度。
本公开的有益效果：
本发明所述的一种多工序智能RGV动态调度方法、装置及系统，基于改进人工势场法进行智能RGV的调度底层以智能调度算法为核心，进行动态规划得到当前状态的参数，应用于吸引力度计算公式，以此进行智能调度，实现了多工序自动化生产线的多智能RGV动态调度，具有测试可靠性强，较稳定，可复用的有益效果，有效加强自动化生产线的稳定性，提高生产效率，获取更高效益。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1是根据一个或多个实施例的一种多工序智能RGV动态调度方法流程图；
图2是根据一个或多个实施例的另一种多工序智能RGV动态调度方法流程图；
图3是根据一个或多个实施例的一种参数的模型评分折线图；
图4是根据一个或多个实施例的一种最优模型饼状分布图；
图5是根据一个或多个实施例的另一种参数的模型评分折线图；
图6是根据一个或多个实施例的另一种最优模型饼状分布图。
具体实施方式：
下面将结合本公开的一个或多个实施例中的附图，对本公开的一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本公开的一个或多个实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本实施例使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合，下面结合附图与实施例对本公开作进一步说明。
根据本公开的一个或多个实施例的一个方面，一件物品需要多道加工程序才可完成加工的多道工序加工系统，提供一种多工序智能RGV动态调度方法。
如图1所示，一种多工序智能RGV动态调度方法，该方法包括：
步骤(1)：接收经验参数，进行仿真模拟实验，计算多道工序加工系统中每道加工程序各个工作台的最优位置分布及投入比例参数，进行工作台分配。
步骤(2)：预测计算各个工作台距完成加工作业时间与RGV到达各个工作台所需时间，基于此计算各个工作台对RGV的吸引力度；计算各个工作台调动RGV的阈值；
步骤(3)：判断某一工作台对RGV的吸引力度与调动RGV的阈值大小，若吸引力度大于阈值，则输出对RGV的调度指令，否则智能等待，并返回步骤(2)实时更新吸引力度和阈值，直至完成RGV的调度。
在本公开的一个或多个实施例中，采用的数据为双工序智能加工系统CNC和RGV的作业阐述，智能加工系统作业数据如表1所示，其中有8台CNC共两张比例及分布未知，RGV移动所需时间，不同CNC加工所需时间，上下料所需时间，物料清洗所需时间。
表1智能加工系统作业数据
完整的智能RGV动态调度方法流程图如图2所示，
在本实施例的智能加工系统中，一件物料需要两道加工程序先后加工才可完成，基于此在步骤(1)中，求解出CNC的最优分布位置，和不同CNC的分布比例，依据求得的参数，作为经验，从而推出多工道多机械的最优分布和数量比例；
本实例的所有分布结果如图3-图4所示。其中X为各个CNC分布的二进制值，Y值为一次作业内加工好的物料总数/本次作业时长；如图3最优分布值X为89对应二进制位01011001，令一道工序CNC为A，二道工序CNC为B，分布为数量比例为1：1，进行多次实验后，得到数量比例在其加工时间比例向上向下取整。
在步骤(2)中，预测计算各个工作台距完成加工作业时间与RGV到达各个工作台所需时间，时间是根据初始传入的参数来进行预测的。
在步骤(2)中，采用改进的人工势场法(Artifical Potential Field,APF)计算各个工作台对RGV的吸引力度，所述改进的人工势场法为：将RGV的运动视为一种在虚拟的人工受力场中的运动，工作台对RGV产生引力，利用引力大小构建智能RGV动态调度模型，RGV在没有收到工作台的信号之前，计算所有可工作状态的工作台对RGV的吸引力度，吸引力度最大的工作台为RGV的最终目标位置。
因为属于多工序加工系统，我们要注意目前的CNC谁能对RGV产生吸引，定义a为一次加工后的物料，当RGV上无a物料时，既能被A(CNC)吸引，也能被B(CNC)吸引,当RGV上有a物料时，只能被B(CNC)吸引。选择产生最大吸引力度的CNC作为可能目标。
在经典人工势场法路径规划中，假设移动机器人的运动空间是二维的，且在
运动空间中的位置为X＝(x,y)T，则引力场函数定义为如公式(1)所示：
(1)式中：katt为引力势场增益系数；X为机器位置向量；Ｘgo为机器人在势场中的目标位置。
吸引力Fatt(X)为引力场函数的负梯度，如公式(2)所示：
Fatt(X)＝-grad(Uatt)＝-katt(X-Xgo) (2)
斥力场函数为为公式(3)所示：
(3)式中：krep为斥力场正比例增益函数，p0为障碍物的影响范围，X为机器位置向量，Xgo为机器人在势场中的目标位置，Xobs机器人在势场中的障碍位置。
斥力Frep(X)为斥力场函数的负梯度，为公式(4)、公式(5)、公式(6)所示：
在本公开的一个或多个实施例中，定义RGV为人工势场法中的机器人，定义工作台是目标物体，基于改进的人工势场法，建立RGV调度模型。
T＝MAX(t1,t2)+t3 (7)
φ(T)＝X-Xgo (8)
其中，T为RGV出发到完成工作台上下料所需时间，t1为RGV移动至工作台所用的时间，t2为工作台距完成加工作业的时间，t3为工作台上下料所需时间，X为RGV的位置，工作台的位置即为Xgo。
计算RGV出发到完成工作台上下料所需时间T的步骤为：
计算RGV到达工作台所需时间t1与工作台距完成加工作业时间t2的最大值MAX(t1,t2)；
计算该最大值MAX(t1,t2)与工作台上下料所需时间t3之和，得到RGV出发到完成工作台上下料所需时间T＝MAX(t1,t2)+t3。
RGV出发到完成工作台上下料所需时间T与两者之间的距离X-Xgo存在一个函数关系，用φ(T)替换距离，
在该方法中，某一可工作状态的工作台对RGV的吸引力度为RGV出发到完成工作台上下料所需时间与RGV到工作台距离的函数的负梯度大小。工作台对RGV的吸引力为引力场函数的负梯度的大小：
Fatt(X)＝-kattφ(T) (9)
定义吸引力方向始终由RGV指向工作台，φ(T)是关于T的一个正比函数，当时间T越大时，则φ(T)越大，负梯度值小，合力F越小，吸引力越小。
由于自动化生产线中无障碍物，因此无需考虑斥力，工作台对RGV的吸引力度，为公式(10)所示：
F＝Fatt(X)+0＝-kattφ(MAX(t1,t2)+t3) (10)
在步骤(2)中，给每个工作台对RGV的吸引力度再加一个阈值，以便实时更新最优路径，增加RGV与工作台的并行度。计算可能目标对于RGV的阈值，如果当前吸引力度足够大(超过阈值)则进行调度，否则进行智能等待，等待时继续更新吸引力度和阈值的大小，直至RGV被调度。
所述调动RGV阈值的计算方法为：RGV到达工作台所需时间与工作台上下料所需时间之和与RGV到工作台距离的函数的负梯度大小。
F阈＝Fatt(X)+0＝-kattφ(t1+t3) (11)
阈值计算方法是把t1(RGV到达工作台所需时间)与t3(上料时间)之和带入到吸引力度计算公式，得出工作台对RGV吸引力度的阈值。
在本公开的一个或多个实施例中，该方法还包括：预测各个工作台工作结束时间之前加工完成一个物品的时间，根据预测时间与RGV到工作台的剩余时间判断是否能够上料，若预测时间大于RGV到工作台的剩余时间，则继续RGV的作业调度，否则，工作台停止上料，完成所有下料处理。
各个工作台工作结束时间的预测公式为：
T’代表当前工作时间，si代表RGV从当前位置到第i道工序的工作台的经验时间，pi代表第i道工序加工所需的经验时间，udi代表第i道工序所需上下料的经验时间。因为某时刻具体的RGV位置不确定，导致RGV到工作台时间不确定，若si取路程的最大时间则可以使损失最小化，若si取路程的最小时间则可以使生产最大化。因为RGV到CNC路程耗时不确定，有上下界，所以我们可以进行工作模式选择——最大化生产和最小化损失两种生产模式；
该方法还包括：接收用户需求，所述用户需求包括损失最小化或生产最大化，根据用户需求改变调度方法，实现用户需求相对应的工作模式。
基于上述各个工作台工作结束时间的预测，该方法有多种生产方式，根据用户需求可以改变调度方法，达到损失最小化或生产最大化。当用户需求为损失最小化时，RGV从当前位置到第i道工序的工作台的经验时间si取路程的最大时间；当用户需求为生产最大化时，RGV从当前位置到第i道工序的工作台的经验时间si取路程的最小时间。
该方法还包括：对故障的处理，当吸引力度小于阈值时，尝试接收工作台回复工作消息或工作台损坏消息，并传输至RGV，更新吸引力度的大小和阈值的大小，重复操作，直至吸引力度大于阈值。
为了验证本系统的稳定性和调度方法的智能性，我们更改参数如下：
进行如上步骤，如图5-图6所示，最优分布值X为137对应二进制位10001001，令一道工序CNC为A，二道工序CNC为B，分布为数量比例为5：3由此发现，所得数量比例符合。
本发明实施例提出的基于改进人工势场法的智能RGV调度方法及系统，更好地适应了自动化生产线稳定性的需求并有较好的可复用性，能够对调度进行提前预测和智能选择性调度。
根据本公开的一个或多个实施例的另一个方面，还提供一种计算机可读存储介质。
一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种多工序智能RGV动态调度方法。
根据本公开的一个或多个实施例的另一个方面，还提供一种终端设备。
一种终端设备，采用互联网终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种多工序智能RGV动态调度方法。
这些计算机可执行指令在设备中运行时使得该设备执行根据本公开中的各个实施例所描述的方法或过程。
根据本公开的一个或多个实施例的另一个方面，还提供一种智能RGV，基于所述的一种多工序智能RGV动态调度方法进行动态调度。
根据本公开的一个或多个实施例的另一个方面，还提供一种多工序智能RGV动态调度系统。
一种多工序智能RGV动态调度系统，基于所述的一种多工序智能RGV动态调度方法，包括智能RVG和工作台，所述工作台根据工作台的最优位置分布及投入比例参数进行分配，所述智能RVG接收调度指令进行调度。
在本实施例中，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本公开的各个方面的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
本文所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开内容操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开内容的各个方面。
本公开的有益效果：
本发明所述的一种多工序智能RGV动态调度方法、装置及系统，基于改进人工势场法进行智能RGV的调度底层以智能调度算法为核心，进行动态规划得到当前状态的参数，应用于吸引力度计算公式，以此进行智能调度，具有测试可靠性强，较稳定，可复用的有益效果，有效加强自动化生产线的稳定性，提高生产效率，获取更高效益。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种多工序智能RGV动态调度方法，其特征在于，该方法包括：
接收经验参数，进行仿真模拟实验，计算各个工作台的最优位置分布及投入比例参数，进行工作台分配；
预测计算各个工作台距完成加工作业时间与RGV到达各个工作台所需时间，基于此计算各个工作台对RGV的吸引力度；计算各个工作台调动RGV的阈值；
判断某一工作台对RGV的吸引力度与调动RGV的阈值大小，若吸引力度大于阈值，则输出对RGV的调度指令，否则智能等待并实时更新吸引力度和阈值，直至完成RGV的调度。
2.如权利要求1所述的一种多工序智能RGV动态调度方法，其特征在于，在该方法中，采用改进的人工势场法计算各个工作台对RGV的吸引力度，所述改进的人工势场法为：将RGV的运动视为一种在虚拟的人工受力场中的运动，工作台对RGV产生引力，利用引力大小构建智能RGV动态调度模型，RGV在没有收到工作台的信号之前，计算所有可工作状态的工作台对RGV的吸引力度，吸引力度最大的工作台为RGV的最终目标位置。
进一步地，在该方法中，某一可工作状态的工作台对RGV的吸引力度为RGV出发到完成工作台上下料所需时间与RGV到工作台距离的函数的负梯度大小。
3.如权利要求1所述的一种多工序智能RGV动态调度方法，其特征在于，在该方法中，计算RGV出发到完成工作台上下料所需时间的步骤为：
计算RGV到达工作台所需时间与工作台距完成加工作业时间的最大值；
计算该最大值与工作台上下料所需时间之和，得到RGV出发到完成工作台上下料所需时间。
进一步地，在该方法中，所述调动RGV阈值的计算方法为：RGV到达工作台所需时间与工作台上下料所需时间之和与RGV到工作台距离的函数的负梯度大小。
4.如权利要求1所述的一种多工序智能RGV动态调度方法，其特征在于，该方法还包括：预测各个工作台工作结束时间之前加工完成一个物品的时间，根据预测时间与RGV到工作台的剩余时间判断是否能够上料，若预测时间大于RGV到工作台的剩余时间，则继续RGV的作业调度，否则，工作台停止上料，完成所有下料处理。
5.如权利要求1所述的一种多工序智能RGV动态调度方法，其特征在于，该方法还包括：对故障的处理，当吸引力度小于阈值时，尝试接收工作台回复工作消息或工作台损坏消息，并传输至RGV，更新吸引力度的大小和阈值的大小，重复操作，直至吸引力度大于阈值。
进一步地，该方法还包括：接收用户需求，所述用户需求包括损失最小化或生产最大化，根据用户需求改变调度方法，实现用户需求相对应的工作模式。
6.如权利要求1所述的一种多工序智能RGV动态调度方法，其特征在于，该方法还包括：当一件物品需要多道加工程序才可完成加工时，接收经验参数，进行仿真模拟实验，计算多道工序加工系统中每道加工程序各个工作台的最优位置分布及投入比例参数，进行工作台分配。
7.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1-6中任一项所述的一种多工序智能RGV动态调度方法。
8.一种终端设备，采用互联网终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1-6中任一项所述的一种多工序智能RGV动态调度方法。
9.一种智能RGV，其特征在于，基于如权利要求1-6中任一项所述的一种多工序智能RGV动态调度方法进行动态调度。
10.一种多工序智能RGV动态调度系统，其特征在于，基于如权利要求1-6中任一项所述的一种多工序智能RGV动态调度方法，包括智能RVG和工作台，所述工作台根据工作台的最优位置分布及投入比例参数进行分配，所述智能RVG接收调度指令进行调度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811455200.0A CN109491342B (zh) | 2018-11-30 | 2018-11-30 | 一种多工序智能rgv动态调度方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811455200.0A CN109491342B (zh) | 2018-11-30 | 2018-11-30 | 一种多工序智能rgv动态调度方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109491342A true CN109491342A (zh) | 2019-03-19 |
| CN109491342B CN109491342B (zh) | 2019-09-24 |
Family
ID=65698902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811455200.0A Active CN109491342B (zh) | 2018-11-30 | 2018-11-30 | 一种多工序智能rgv动态调度方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109491342B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111291927A (zh) * | 2020-01-20 | 2020-06-16 | 河北环铁技术开发有限公司 | 一种基于svr模型预测的环形rgv小车调度方法 |
| CN115352785A (zh) * | 2022-08-18 | 2022-11-18 | 安歌科技(集团)股份有限公司 | 一种环形rgv搬运的物流仿真系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4138541B2 (ja) * | 2003-03-13 | 2008-08-27 | 独立行政法人科学技術振興機構 | 分散型経路計画装置及び方法、分散型経路計画プログラム |
| CN103023103A (zh) * | 2012-11-27 | 2013-04-03 | 上海交通大学 | 轨道式引导车自动充电装置 |
| CN103136039A (zh) * | 2011-11-30 | 2013-06-05 | 国际商业机器公司 | 用于平衡能量消耗和调度性能的作业调度方法和系统 |
| CN103412593A (zh) * | 2013-08-16 | 2013-11-27 | 成都四威高科技产业园有限公司 | 潜伏式agv移动搬运机器人 |
| CN103625881A (zh) * | 2013-01-16 | 2014-03-12 | 世源科技工程有限公司 | 密闭式自洁净搬运系统 |
| WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
| US9817402B1 (en) * | 2016-07-12 | 2017-11-14 | The Boeing Company | Application of factory automation for an airline assembly and build process |
| CN107792677A (zh) * | 2016-08-30 | 2018-03-13 | 细美事有限公司 | 非接触驱动模块和具有该模块的输送装置 |
| CN108133335A (zh) * | 2018-01-30 | 2018-06-08 | 共享智能铸造产业创新中心有限公司 | 一种基于agv设备的物流多任务控制系统及其控制方法 |
| CN108163481A (zh) * | 2017-12-30 | 2018-06-15 | 芜湖哈特机器人产业技术研究院有限公司 | 一种减震式自动导引运输车 |
| CN108197787A (zh) * | 2017-12-22 | 2018-06-22 | 上海海得控制系统股份有限公司 | 柔性自动化生产线和自动化物流输送线的协同调度系统 |
| CN207631379U (zh) * | 2017-12-20 | 2018-07-20 | 苏州威联加信息科技有限公司 | 一种应用于agv小车上的转向架 |
| CN108540407A (zh) * | 2018-03-01 | 2018-09-14 | 山东大学 | 一种大数据平台中Spark Streaming接收器动态配置方法及装置 |
-
2018
- 2018-11-30 CN CN201811455200.0A patent/CN109491342B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4138541B2 (ja) * | 2003-03-13 | 2008-08-27 | 独立行政法人科学技術振興機構 | 分散型経路計画装置及び方法、分散型経路計画プログラム |
| CN103136039A (zh) * | 2011-11-30 | 2013-06-05 | 国际商业机器公司 | 用于平衡能量消耗和调度性能的作业调度方法和系统 |
| CN103023103A (zh) * | 2012-11-27 | 2013-04-03 | 上海交通大学 | 轨道式引导车自动充电装置 |
| CN103625881A (zh) * | 2013-01-16 | 2014-03-12 | 世源科技工程有限公司 | 密闭式自洁净搬运系统 |
| CN103412593A (zh) * | 2013-08-16 | 2013-11-27 | 成都四威高科技产业园有限公司 | 潜伏式agv移动搬运机器人 |
| WO2016045615A1 (zh) * | 2014-09-25 | 2016-03-31 | 科沃斯机器人有限公司 | 机器人静态路径规划方法 |
| US9817402B1 (en) * | 2016-07-12 | 2017-11-14 | The Boeing Company | Application of factory automation for an airline assembly and build process |
| CN107792677A (zh) * | 2016-08-30 | 2018-03-13 | 细美事有限公司 | 非接触驱动模块和具有该模块的输送装置 |
| CN207631379U (zh) * | 2017-12-20 | 2018-07-20 | 苏州威联加信息科技有限公司 | 一种应用于agv小车上的转向架 |
| CN108197787A (zh) * | 2017-12-22 | 2018-06-22 | 上海海得控制系统股份有限公司 | 柔性自动化生产线和自动化物流输送线的协同调度系统 |
| CN108163481A (zh) * | 2017-12-30 | 2018-06-15 | 芜湖哈特机器人产业技术研究院有限公司 | 一种减震式自动导引运输车 |
| CN108133335A (zh) * | 2018-01-30 | 2018-06-08 | 共享智能铸造产业创新中心有限公司 | 一种基于agv设备的物流多任务控制系统及其控制方法 |
| CN108540407A (zh) * | 2018-03-01 | 2018-09-14 | 山东大学 | 一种大数据平台中Spark Streaming接收器动态配置方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 张殿富: ""基于人工势场法的路径规划方法研究及展望"", 《计算机工程与科学》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111291927A (zh) * | 2020-01-20 | 2020-06-16 | 河北环铁技术开发有限公司 | 一种基于svr模型预测的环形rgv小车调度方法 |
| CN111291927B (zh) * | 2020-01-20 | 2022-11-04 | 河北环铁技术开发有限公司 | 一种基于svr模型预测的环形rgv小车调度方法 |
| CN115352785A (zh) * | 2022-08-18 | 2022-11-18 | 安歌科技(集团)股份有限公司 | 一种环形rgv搬运的物流仿真系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109491342B (zh) | 2019-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | Deep reinforcement learning based AGVs real-time scheduling with mixed rule for flexible shop floor in industry 4.0 | |
| CN108062246B (zh) | 用于深度学习框架的资源调度方法和装置 | |
| Janardhanan et al. | Metaheuristic algorithms for balancing robotic assembly lines with sequence-dependent robot setup times | |
| CN109375601A (zh) | 基于数据驱动建模与仿真优化的流水线规划方法及设备 | |
| CN104408589B (zh) | 基于混合粒子群算法的agv优化调度方法 | |
| CN109491342B (zh) | 一种多工序智能rgv动态调度方法、装置及系统 | |
| CN111882215B (zh) | 一种含有agv的个性化定制柔性作业车间调度方法 | |
| CN111142490B (zh) | Agv智能仓储仿真方法、系统、装置及计算机可读存储介质 | |
| Lin et al. | Modified artificial bee colony algorithm for scheduling optimization for printed circuit board production | |
| Pawlewski | Using PFEP for simulation modeling of production systems | |
| CN114936783B (zh) | 一种基于mmddpg算法的rgv小车调度方法及系统 | |
| CN109709985A (zh) | 一种无人机任务优化方法、装置及系统 | |
| Hani et al. | Simulation based optimization of a train maintenance facility | |
| CN112100899A (zh) | 卷烟辅料调度的agv多线程作业全局优化方法 | |
| Cunkas et al. | Optimization of location assignment for unit-load as/rs with a dual-shuttle | |
| CN112884367B (zh) | 多技能员工约束的装备研发多项目协同调度方法及系统 | |
| Choe et al. | Real-time scheduling of twin stacking cranes in an automated container terminal using a genetic algorithm | |
| CN109557883B (zh) | 一种多工序智能rgv路径规划方法、装置及系统 | |
| CN109850516B (zh) | 一种智能rgv动态调度方法、装置及系统 | |
| CN116643877A (zh) | 算力资源调度方法、算力资源调度模型的训练方法和系统 | |
| Legato et al. | Simulation-based optimization for the quay crane scheduling problem | |
| Zhu et al. | An improved genetic algorithm for production scheduling on FMS with simultaneous use of machines and AGVs | |
| Dang et al. | Simultaneous scheduling of machines and mobile robots | |
| Xu et al. | An efficient recharging task planning method for multi-robot autonomous recharging problem | |
| Galina et al. | Approach to efficient task allocation and cost minimization in collaborative robotic systems |
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: 20240509 Address after: Chengbei oak forest center, No. 88, Section 1, Jiefang Road, Jinniu District, Chengdu, Sichuan 610000 Patentee after: Sichuan Digital Economy Industry Development Research Institute Country or region after: China Address before: 250014 No. 88, Wenhua East Road, Lixia District, Shandong, Ji'nan Patentee before: SHANDONG NORMAL University Country or region before: China |