CN109557883A - 一种多工序智能rgv路径规划方法、装置及系统 - Google Patents
一种多工序智能rgv路径规划方法、装置及系统 Download PDFInfo
- Publication number
- CN109557883A CN109557883A CN201811455199.1A CN201811455199A CN109557883A CN 109557883 A CN109557883 A CN 109557883A CN 201811455199 A CN201811455199 A CN 201811455199A CN 109557883 A CN109557883 A CN 109557883A
- Authority
- CN
- China
- Prior art keywords
- workbench
- rgv
- appeal
- unloading
- loading
- 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
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], 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], 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]
Abstract
本发明公开了一种多工序智能RGV路径规划方法、装置及系统,该方法包括:接收工作台的状态,当工作台处于工作状态时,接收智能RGV的抓握信息;当接收的抓握信息为未抓握产品时,计算所接收需求信号对应工作台对RGV的吸引力度,并比较判断是否存在唯一最大值;若是,直接确定RGV至唯一最大值对应工作台的最优路径;否则,判断最大值对应工作台的工作状态,确定RGV待移动至的工作台,确定RGV至该工作台的最优路径;当接收的抓握信息为抓握产品时,计算所接收下一道工序工作台的需求信号对应工作台对RGV的吸引力度,并判断吸引力度最大值对应工作台的工作状态,确定RGV至该工作台的最优路径。
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路径规划方法、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的路径规划多采用先来先服务的方法,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路径规划方法,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。此外该路径规划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路径规划方法、装置及系统,基于改进的人工势场法计算吸引力度,将多工序工作台的工作状态与智能RGV的工作状态进行细致划分,在多工序自动化生产中进行RGV的智能路径规划。
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路径规划方法。
一种多工序智能RGV路径规划方法,包括:
接收工作台的状态,当工作台处于工作状态时,接收智能RGV的抓握信息,所述抓握信息为已抓握产品或未抓握产品;
当接收的抓握信息为未抓握产品时,等待接收工作台需求信号;接收工作台需求信号,计算所接收需求信号对应工作台对RGV的吸引力度,并比较判断是否存在唯一最大值;若是,直接确定RGV至唯一最大值对应工作台的最优路径;否则,进入下一步;判断最大值对应工作台的工作状态,根据相同吸引力的工作台的工作状态确定RGV待移动至的工作台,确定RGV至该工作台的最优路径;
当接收的抓握信息为抓握产品时,接收抓握产品下一道工序工作台的需求信号,计算所接收需求信号对应工作台对RGV的吸引力度,并判断吸引力度最大值对应工作台的工作状态,根据相同吸引力的工作台的工作状态确定RGV待移动至的工作台,确定RGV至该工作台的最优路径。
进一步地,在该方法中,当接收的抓握信息为未抓握产品时,所述判断吸引力度最大值对应工作台的工作状态,根据相同吸引力的工作台的工作状态确定RGV待移动至的工作台,具体步骤包括:
当仅需求上料的工作台的吸引力度与需求上下料的同一工序工作台的吸引力度相同,判断其他工序工作台的工作时间是否多于该工序工作台,若是,RGV待移动至的工作台为该工序仅需求上料的工作台;否则,为该工序需求上下料的工作台;
当仅需求上料的工作台的吸引力度与仅需求下料的不同工序工作台的吸引力度相同,判断仅需求下料工作台对应工序的工作台的工作时间是否多于仅需求上料工作台对应工序的工作台,若是,RGV待移动至的工作台为该工序仅需求下料的工作台;否则,为该工序需求上料的工作台;
当需求上下料的工作台的吸引力度与仅需求下料的不同工序工作台的吸引力度相同,选择需求上下料的工作台为RGV待移动至的工作台;
当相同吸引力的工作台为相同工作状态的工作台,选择预设上下料所需时间长数位的工作台;为奇数位工作台预设同一上下料所需时间,为偶数位工作台预设同一上下料所需时间。
进一步地,在该方法中,当接收的抓握信息为抓握产品时,所述判断吸引力度最大值对应工作台的工作状态,根据相同吸引力的工作台的工作状态确定RGV待移动至的工作台,具体步骤包括:
判断相同吸引力的工作台是否为相同工作状态的工作台,若是,选择预设上下料所需时间长数位的工作台;为奇数位工作台预设同一上下料所需时间,为偶数位工作台预设同一上下料所需时间;否则,进入下一步;
判断仅需求上料的工作台的吸引力度与需求上下料的工作台的吸引力度是否相同,若是,选择RGV待移动至的工作台为仅需求上料的工作台,否则,所求吸引力度为唯一最大值的工作台为RGV待移动至的工作台。
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,利用引力大小构建多工序智能RGV路径规划模型,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,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,根据用户需求改变智能RGV路径规划方法,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路径规划方法。
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路径规划方法。
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路径规划方法进行动态调度。
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路径规划系统。
一种多工序智能RGV路径规划系统,基于所述的一种多工序智能RGV路径规划方法,包括智能RVG和工作台。
本公开的有益效果:
本发明所述的一种多工序智能RGV路径规划方法、装置及系统,基于改进人工势场法应用于吸引力度计算公式,以此进行RGV路径规划,实现了多工序自动化生产线的多工序智能RGV路径规划,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路径规划方法流程图。
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路径规划方法。
如图1所示,一种多工序智能RGV路径规划方法,该方法包括:
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路径规划方法。
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工作台和RGV的作业阐述,根据本例中RGV的工作特点,在该加工系统中RGV在奇数序号的工作台上料时间总小于在偶数序号工作台的上料时间,智能加工系统作业数据如表1所示,其中有8台工作台共两张比例及分布未知,RGV移动所需时间,不同工作台加工所需时间,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
系统作业参数 | 时间 |
RGV移动1个单位所需时间 | 20s |
RGV移动2个单位所需时间 | 33s |
RGV移动3个单位所需时间 | 46s |
CNC加工完成一个两道工序物料的第一道工序所需时间 | 560s |
CNC加工完成一个两道工序物料的第二道工序所需时间 | 400s |
RGV为CNC1#,3#,5#,7#一次上下料所需时间 | 378s |
RGV为CNC2#,4#,6#,8#一次上下料所需时间 | 28s |
RGV完成一个物料的清洗作业所需时间 | 31s |
自动化生产线单次作业时长 | 8h |
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,在对RGV路径规划前,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;
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。
因为属于多工序加工系统,我们要注意目前的工作台谁能对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工作台作为可能目标。
一种多工序智能RGV路径规划方法,包括:
步骤(1):接收工作台的状态,当工作台处于工作状态时,接收智能RGV的抓握信息,所述抓握信息为已抓握产品或未抓握产品;
所述工作台的状态包括睡眠态、故障态和工作状态;
工作台处于睡眠态,RGV对其不做任何处理;睡眠态:由于剩余时间已不允许物件通过该工作台被送至下料传送带,该工作台置于休眠状态,不再发送需求信号;
工作台处于故障态,人工修复进行中,RGV对其不做任何处理;
当工作台处于工作状态时,接收智能RGV的抓握信息,判断抓握信息为已抓握产品或未抓握产品,RGV机械臂上方手爪无a时,正停止等待工作台的需求信号,进入步骤(2);RGV机械手臂上方手爪有a时,正在寻求工作台B的需求信号,进入步骤(3);
步骤(2):当接收的抓握信息为未抓握产品时,等待接收工作台需求信号;
步骤(2-1):接收工作台需求信号,计算所接收需求信号对应工作台对RGV的吸引力度,即在所有发送需求信号的工作台A与工作台B中计算最大吸引力;
步骤(2-2):比较判断是否存在唯一最大值;若是,直接确定RGV至唯一最大值对应工作台的最优路径;否则,进入下一步;
步骤(2-3):判断最大值对应工作台的工作状态,根据相同吸引力的工作台的工作状态确定RGV待移动至的工作台,确定RGV至该工作台的最优路径;
进一步地,在该方法步骤(2-3)中,当接收的抓握信息为未抓握产品时,所述判断吸引力度最大值对应工作台的工作状态,根据相同吸引力的工作台的工作状态确定RGV待移动至的工作台,具体步骤包括:
当仅需求上料的工作台A的吸引力度与需求上下料的同一工序工作台A的吸引力度相同,判断其他工序工作台B的工作时间是否多于该工序工作台A,若是,RGV待移动至的工作台为该工序仅需求上料的工作台A;否则,为该工序需求上下料的工作台A;
当仅需求上料的工作台A的吸引力度与仅需求下料的不同工序工作台B的吸引力度相同,判断仅需求下料工作台对应工序的工作台B的工作时间是否多于仅需求上料工作台对应工序的工作台A,若是,RGV待移动至的工作台为该工序仅需求下料的工作台B;否则,为该工序需求上料的工作台A;
当需求上下料的工作台A的吸引力度与仅需求下料的不同工序工作台B的吸引力度相同,选择需求上下料的工作台A为RGV待移动至的工作台;保证尽可能得到A物品后选择最优满足的B物品,实现时间尽可能短。
当相同吸引力的工作台为相同工作状态的工作台,选择预设上下料所需时间长数位的工作台;为奇数位工作台预设同一上下料所需时间,为偶数位工作台预设同一上下料所需时间。
当工作台B运作时间比工作台A短时,选择仅需要上料的工作台,为了保证让B一只工作,增加并行运作的可能性,提高生产效率。
当且仅当RGV机械手臂的上机械爪无a时可以接收到工作台B的需求信号为仅为下料。
因奇偶编号上下料用时不同,采用奇位优先原则。
步骤(3):当接收的抓握信息为抓握产品时,
步骤(3-1):接收抓握产品下一道工序工作台B的需求信号,计算所接收需求信号对应工作台B对RGV的吸引力度,
步骤(3-2):判断吸引力度最大值对应工作台的工作状态,根据相同吸引力的工作台的工作状态确定RGV待移动至的工作台,确定RGV至该工作台的最优路径。
进一步地,在该方法步骤(3-2)中,当接收的抓握信息为抓握产品时,所述判断吸引力度最大值对应工作台的工作状态,根据相同吸引力的工作台的工作状态确定RGV待移动至的工作台,具体步骤包括:
步骤(3-2-1):判断相同吸引力的工作台B是否为相同工作状态的工作台,若是,选择预设上下料所需时间长数位的工作台B;为奇数位工作台预设同一上下料所需时间,为偶数位工作台预设同一上下料所需时间;否则,进入下一步;
步骤(3-2-2):判断仅需求上料的工作台B的吸引力度与需求上下料的工作台B的吸引力度是否相同,若是,选择RGV待移动至的工作台为仅需求上料的工作台B,否则,所求吸引力度为唯一最大值的工作台为RGV待移动至的工作台。
仅需求上料的工作台的吸引力度与需求上下料的工作台的吸引力度不相同时,为所求得的吸引力度存在唯一最大值,可以直接求最优路径。
在步骤步骤(2)和步骤(3)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。
在步骤步骤(2)和步骤(3)中,采用改进的人工势场法(Artifical PotentialField,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,利用引力大小构建多工序智能RGV路径规划模型,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,ρ0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)和步骤(3)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。
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路径规划方法。
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路径规划方法。
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路径规划方法进行动态调度。
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路径规划系统。
一种多工序智能RGV路径规划系统,基于所述的一种多工序智能RGV路径规划方法,包括智能RVG和工作台。
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路径规划方法、装置及系统,基于改进人工势场法应用于吸引力度计算公式,以此进行RGV路径规划,实现了多工序自动化生产线的多工序智能RGV路径规划,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路径规划方法,其特征在于,包括:
接收工作台的状态,当工作台处于工作状态时,接收智能RGV的抓握信息,所述抓握信息为已抓握产品或未抓握产品;
当接收的抓握信息为未抓握产品时,等待接收工作台需求信号;接收工作台需求信号,计算所接收需求信号对应工作台对RGV的吸引力度,并比较判断是否存在唯一最大值;若是,直接确定RGV至唯一最大值对应工作台的最优路径;否则,判断最大值对应工作台的工作状态,根据相同吸引力的工作台的工作状态确定RGV待移动至的工作台,确定RGV至该工作台的最优路径;
当接收的抓握信息为抓握产品时,接收抓握产品下一道工序工作台的需求信号,计算所接收需求信号对应工作台对RGV的吸引力度,并判断吸引力度最大值对应工作台的工作状态,根据相同吸引力的工作台的工作状态确定RGV待移动至的工作台,确定RGV至该工作台的最优路径。
2.如权利要求1所述的一种多工序智能RGV路径规划方法,其特征在于,在该方法中,当接收的抓握信息为未抓握产品时,所述判断吸引力度最大值对应工作台的工作状态,根据相同吸引力的工作台的工作状态确定RGV待移动至的工作台,具体步骤包括:
当仅需求上料的工作台的吸引力度与需求上下料的同一工序工作台的吸引力度相同,判断其他工序工作台的工作时间是否多于该工序工作台,若是,RGV待移动至的工作台为该工序仅需求上料的工作台;否则,为该工序需求上下料的工作台;
当仅需求上料的工作台的吸引力度与仅需求下料的不同工序工作台的吸引力度相同,判断仅需求下料工作台对应工序的工作台的工作时间是否多于仅需求上料工作台对应工序的工作台,若是,RGV待移动至的工作台为该工序仅需求下料的工作台;否则,为该工序需求上料的工作台;
当需求上下料的工作台的吸引力度与仅需求下料的不同工序工作台的吸引力度相同,选择需求上下料的工作台为RGV待移动至的工作台;
当相同吸引力的工作台为相同工作状态的工作台,选择预设上下料所需时间长数位的工作台;为奇数位工作台预设同一上下料所需时间,为偶数位工作台预设同一上下料所需时间。
3.如权利要求1所述的一种多工序智能RGV路径规划方法,其特征在于,在该方法中,当接收的抓握信息为抓握产品时,所述判断吸引力度最大值对应工作台的工作状态,根据相同吸引力的工作台的工作状态确定RGV待移动至的工作台,具体步骤包括:
判断相同吸引力的工作台是否为相同工作状态的工作台,若是,选择预设上下料所需时间长数位的工作台;为奇数位工作台预设同一上下料所需时间,为偶数位工作台预设同一上下料所需时间;否则,进入下一步;
判断仅需求上料的工作台的吸引力度与需求上下料的工作台的吸引力度是否相同,若是,选择RGV待移动至的工作台为仅需求上料的工作台,否则,所求吸引力度为唯一最大值的工作台为RGV待移动至的工作台。
4.如权利要求1所述的一种多工序智能RGV路径规划方法,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,利用引力大小构建多工序智能RGV路径规划模型,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。
5.如权利要求4所述的一种多工序智能RGV路径规划方法,其特征在于,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。
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。
6.如权利要求1所述的一种多工序智能RGV路径规划方法,其特征在于,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,根据用户需求改变智能RGV路径规划方法,实现用户需求相对应的工作模式。
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路径规划方法。
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路径规划方法。
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路径规划方法进行动态调度。
10.一种多工序智能RGV路径规划系统,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路径规划方法,包括智能RVG和工作台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811455199.1A CN109557883B (zh) | 2018-11-30 | 2018-11-30 | 一种多工序智能rgv路径规划方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811455199.1A CN109557883B (zh) | 2018-11-30 | 2018-11-30 | 一种多工序智能rgv路径规划方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109557883A true CN109557883A (zh) | 2019-04-02 |
CN109557883B CN109557883B (zh) | 2019-07-26 |
Family
ID=65868323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811455199.1A Active CN109557883B (zh) | 2018-11-30 | 2018-11-30 | 一种多工序智能rgv路径规划方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109557883B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200301748A (en) * | 2001-12-27 | 2003-07-16 | Tokyo Electron Ltd | Carrier system of polishing processing body and conveying method of polishing processing body |
CN201188187Y (zh) * | 2007-12-24 | 2009-01-28 | 四川普什宁江机床有限公司 | 一种用于柔性制造系统的rgv实时动态调度系统 |
JP2017068455A (ja) * | 2015-09-29 | 2017-04-06 | 株式会社エヌエステイー | 搬送車システム |
CN107036618A (zh) * | 2017-05-24 | 2017-08-11 | 合肥工业大学(马鞍山)高新技术研究院 | 一种基于最短路径深度优化算法的agv路径规划方法 |
CN108008704A (zh) * | 2017-11-20 | 2018-05-08 | 北京起重运输机械设计研究院 | 一种穿梭车调度方法和系统 |
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 |
-
2018
- 2018-11-30 CN CN201811455199.1A patent/CN109557883B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200301748A (en) * | 2001-12-27 | 2003-07-16 | Tokyo Electron Ltd | Carrier system of polishing processing body and conveying method of polishing processing body |
CN1505836A (zh) * | 2001-12-27 | 2004-06-16 | 东京毅力科创株式会社 | 被处理体的搬运系统、无人搬运车系统、无人搬运车及被处理体的搬运方法 |
CN201188187Y (zh) * | 2007-12-24 | 2009-01-28 | 四川普什宁江机床有限公司 | 一种用于柔性制造系统的rgv实时动态调度系统 |
JP2017068455A (ja) * | 2015-09-29 | 2017-04-06 | 株式会社エヌエステイー | 搬送車システム |
CN107036618A (zh) * | 2017-05-24 | 2017-08-11 | 合肥工业大学(马鞍山)高新技术研究院 | 一种基于最短路径深度优化算法的agv路径规划方法 |
CN108008704A (zh) * | 2017-11-20 | 2018-05-08 | 北京起重运输机械设计研究院 | 一种穿梭车调度方法和系统 |
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 |
Non-Patent Citations (4)
Title |
---|
JIAN LUO,CHANG-QING WU,WEN-CAI HONG,YONG CHENG: "Research on scheduling of the RGV system based on QPSO", 《CONTROL AND AUTOMATION (ICCA), 2010 8TH IEEE INTERNATIONAL CONFERENCE ON XIAMEN, CHINA》 * |
咚咚怪: "2018CUMCM(数学建模国赛)_B——智能RGV的动态调度策略", 《CSDN博客》 * |
张甜,宗泽华: "基于遗传算法的RGV的动态调度模型研究", 《数字技术与应用》 * |
裴文祥: "基于人工势场的制造系统车间自适应调度研究", 《中国优秀硕士学位沦为全文数据库工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109557883B (zh) | 2019-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109375601B (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 | |
CN111882215B (zh) | 一种含有agv的个性化定制柔性作业车间调度方法 | |
CN105279630A (zh) | 立体仓库多任务优化调度控制方法 | |
CN114936783B (zh) | 一种基于mmddpg算法的rgv小车调度方法及系统 | |
Nielsen et al. | Scheduling of mobile robots with preemptive tasks | |
CN111079988B (zh) | 任务的执行方法、装置、存储介质及电子装置 | |
CN109491342B (zh) | 一种多工序智能rgv动态调度方法、装置及系统 | |
CN110347161B (zh) | 自动导引运输车的调度方法及装置 | |
CN109840725A (zh) | 货物拣选方法、装置、电子装置及计算机可读存储介质 | |
CN109557883B (zh) | 一种多工序智能rgv路径规划方法、装置及系统 | |
Basile et al. | A cyber-physical view of automated warehouse systems | |
Guan et al. | Deadlock-free multi-attribute dispatching method for AGV systems | |
CN116703104A (zh) | 一种基于决策大模型的料箱机器人订单拣选方法及装置 | |
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 | |
CN109850516B (zh) | 一种智能rgv动态调度方法、装置及系统 | |
Dang et al. | Simultaneous scheduling of machines and mobile robots | |
CN101414170B (zh) | 用于集成电路生产线的amhs系统及其实现方法 | |
CN112862351A (zh) | 一种服务器及调度机器人自动到位装货的方法和装置 | |
Nguyen et al. | Dispatching vehicles considering uncertain handling times at port container terminals | |
Basile et al. | A Colored Timed Petri Net model for a cyber-physical view of automated warehouse systems | |
CN116468346A (zh) | 一种智能物流控制方法及系统 | |
Ham | Transfer robot task scheduling in semiconductor manufacturing | |
CN110516894A (zh) | 货场调度方法及装置 | |
CN109709916B (zh) | 一种基于Gibbs取样法的调度方法 | |
KR101568644B1 (ko) | 이벤트 기반 생산-물류 통합 시뮬레이션 시스템 및 시뮬레이션 방법 |
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 |