CN109615115A - 一种面向任务可靠性的集成生产任务调度方法 - Google Patents
一种面向任务可靠性的集成生产任务调度方法 Download PDFInfo
- Publication number
- CN109615115A CN109615115A CN201811375227.9A CN201811375227A CN109615115A CN 109615115 A CN109615115 A CN 109615115A CN 201811375227 A CN201811375227 A CN 201811375227A CN 109615115 A CN109615115 A CN 109615115A
- Authority
- CN
- China
- Prior art keywords
- quality
- production
- product
- critical
- state
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 221
- 238000000034 method Methods 0.000 title claims abstract description 106
- 230000008569 process Effects 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims description 9
- 238000013139 quantization Methods 0.000 claims description 7
- 230000007704 transition Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000003754 machining Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 claims description 2
- 238000006731 degradation reaction Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 238000012905 input function Methods 0.000 claims description 2
- 230000000750 progressive effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000007812 deficiency Effects 0.000 abstract description 4
- 239000000047 product Substances 0.000 description 46
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000007796 conventional method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
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
- G06Q10/04—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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供一种面向任务可靠性的集成生产任务调度方法。具体步骤是:一、基于制造系统、生产任务及被制造产品的内在联系,确定影响任务可靠性的关键机器及工艺;二、确定各机器的性能状态;三、量化产品质量偏差指标;四、根据任务需求建立QPPN模型;五、给出基于任务可靠性的启发式规则;六、寻找生产任务调度最优解;七、结果分析,将本专利生产调度方法所得结果与未考虑任务可靠性的生产调度方法的结果作对比。该方法充分考虑生产任务调度对于制造工件质量的影响,从根本上弥补了传统制造过程中生产调度和产品质量检测独立考虑的不足,提升了制造系统的任务可靠性,具有很好的实用价值。
Description
技术领域
本发明提供了一种面向任务可靠性的集成生产任务调度方法,属于生产管理领域。
背景技术
制造业是一个国家的经济命脉,强大的制造业支撑是国家稳定发展的前提,而先进的制造技术无疑是制造业的核心竞争力。而随着制造系统的功能、结构日益复杂,市场需求变化加剧,在智能化环境下,在制造系统层面进行优化的生产调度方法在生产中变得越来越重要,其不仅能够保证复杂生产环境下生产任务的按时完成,对于生产产品的质量和制造系统自身的性能都有关键的影响。因此,科学的制造系统生产调度方法逐渐成为影响制造系统市场竞争力的主要因素之一。
生产需求决定了生产任务,具体由制造系统中的制造设备通过一系列的制造工艺生产出满足需求的质量和数量的产品。而对于制造设备和被制造产品来说,性能状态和质量状态都不再是简单的“二态性”参数,尤其在大数据时代的背景下,可利用过程数据对性能状态和质量状态进行更精准的分析和预测。因此制造任务具有明显的多态性特点,而且与制造设备的性能状态和生产产品的质量状态有密切的关系,共同决定了制造系统的任务可靠性水平。然而传统上多是将生产调度与制造设备维修、产品质量控制独立进行,对三者或是其中二者的综合优化已成为一个极具挑战性的研究课题。在智能制造背景下,如何基于对设备状态和产品质量状态的预测来进行集成的生产调度,是制造领域公认的科学难题。
早期的制造系统优化主要集中在系统的功能要求,如可达性,有界性等。随着制造技术的发展,后续研究通过将生产和设备利用等时间投入到研究中来进一步优化制造系统的性能,从而降低生产成本。目前,在广泛品种和小批量的柔性制造模式下,制成品的质量和可靠性的竞争越来越激烈,这就需要系统地定义制造系统的可靠性,特别是扩展生产产品的相关质量参数。在实际的生产过程中,制造设备更高的运行可靠性,所制造产品的更好的质量以及所有生产任务的更短的完工时间已经成为企业的追求目标。因此,本专利通过任务可靠性指标科学地表征制造系统满足生产任务要求的能力,对设备性能状态、任务执行状态和产品质量状态进行具体描述,进而以设备性能状态为基础,在满足最大完成时间等任务需求的前提下,寻找产品质量状态最优的生产计划,该方法从根本上弥补了传统以最大工期为唯一约束条件的生产调度方法的不足。本发明给出的一种面向任务可靠性的集成生产任务调度方法,集成了生产过程中的生产任务要求、质量控制,从系统的层面对生产调度进行了整体的优化,全面考虑了生产过程中的各种因素,能够在满足生产需求的基础上,提升产品质量状态,降低生产过程中的不确定性和总成本,提升了企业的竞争力。
发明内容
(1)本发明的目的:
针对制造系统生产调度方法在考虑忽视生产质量影响的不足,本发明提供一种新的制造系统集成生产调度方法——一种面向任务可靠性的集成生产任务调度方法。首先分析产品质量状态在生产过程中的动态变化,从制造任务的多态性角度出发,建立考虑设备性能状态、任务执行状态以及产品质量状态的任务可靠性模型,随后建立制造系统的质检库所Petri网(QPPN)模型,并确定初始标识和终止标识,进而根据建立考虑产品质量状态和最大工期约束的启发式规则,对于模型求得最优解。最后根据所得出的最优路径绘制生产计划甘特图,实现制造系统的科学的集成生产调度方法,弥补传统生产调度方法中忽视产品质量状态影响的不足。
(2)技术方案:
本发明提出一种面向任务可靠性的集成生产任务调度方法,提出的基本假设如下:
假设1、制造系统各设备之间相互独立,且引入的质量偏差相互独立;
假设2、每台关键加工设备后都有一个检测工位,且检测结果是绝对可靠的;
假设3、制造设备的缓冲区是无限的;
假设4、制造设备故障类型为渐变过程,设备发生性能退化,不会发生偶然故障;
(一)基于上述假设,本发明提出一种面向任务可靠性的集成生产任务调度方法,其特征在于:其实施步骤如下:
步骤一、基于制造系统、生产任务及被制造产品的内在联系,确定影响任务可靠性的关键机器及工艺;
步骤二、确定各机器的性能状态;
步骤三、量化产品质量偏差指标;
步骤四、根据任务需求建立QPPN模型;
步骤五、给出基于任务可靠性的启发式规则;
步骤六、寻找生产任务调度最优解;
步骤七、结果分析,将本专利生产调度方法所得结果与未考虑任务可靠性的生产调度方法的结果作对比;
通过以上步骤,本发明建立了一种面向任务可靠性的集成生产任务调度方法,达到了综合考虑设备性能状态、生产任务执行状态及产品质量状态的目的,解决了传统生产任务调度中仅关注制造设备基本可靠性和生产任务最大完成时间的局限性,提高了生产任务调度决策的科学性,有利于提高企业生产效益和产品竞争力。
其中,在步骤一中所述的“确定影响任务可靠性的关键机器及工艺”,是指从系统工程的角度出发,分析制造设备、生产任务和产品质量之间的内在联系以及对制造系统任务可靠性的影响关系,确定产品关键质量特性和关键工序,具体可由智能制造背景下的生产过程数据确定。
其中,在步骤一中所述的“基于制造系统、生产任务及被制造产品的内在联系,确定影响任务可靠性的关键机器及工艺”,其具体作法如下:
列出加工过程中涉及的具体加工工序和需要的设备硬件,基于生产过程质量数据和售后反馈数据,并结合设计人员的实践经验,确定产品的关键质量特性,根据具体的加工工序,识别制造系统关键节点,确定关键工序。
其中,在步骤二中所述的“确定各机器的性能状态”,是指依次确定第j个制造设备的加工状态Sjp及其所制造产品的质量状态Sjq;
其具体作法如下:由于制造设备的加工能力通常以单位时间内的加工量进行表征,因此,设备的加工状态Sjp可表示为:
这里Pmax在制造设备在理想状态下最佳的生产能力,表示设备在上一个制造周期内的生产能力,Pmin表示设备最差的生产能力,即最低可接受状态;
由于设备所制造产品的质量水平通常基于产品的质量检验数据确定,因此,设备所制造产品的质量状态Sjq可表示为:
这里k是指在计算该制造设备所制造产品质量状态时,所需要采集的历史数据的样本量大小,ρi表示产品第i个关键质量特性的权重系数;对于相似的加工过程或者与当前任务间隔较短的产品,其对应更高的系数;这里历史产品状态qi是指KQC的实际加工参数与产品的工序要求的一致性程度,其具体计算方法为:
这里xn是指关键质量特性的实际加工值,是指工序要求值,xn′是指生产要求的最低可接受值。
其中,在步骤三中所述的“量化产品质量偏差指标”,是指基于产品各关键质量特性指标在生产过程中的过程模型,计算产品各关键质量特性的偏差值,评估产品质量状态QP;
其具体作法如下:假设产品共有m项关键质量特性,则根据生产经验给出对应每一项关键质量特性的偏差指标qk(t),则对应该关键质量特性指标的一致性Qk(t)为:
这里ak是指第k项关键质量特性指标在产品设计规范中的阈值;因此,产品质量状态QP可由各项关键质量特性指标的一致性加权求和求得,其具体计算方法为:
这里是指第k项关键质量特性的权重系数。
其中,在步骤四中所述的“根据任务需求建立QPPN模型”,是指确定任务需求中的任务集、设备集以及工序集,并进一步建立质检库所Petri网(QPPN)模型,确定其初始标识;
这里任务集为P={pi},i=1,2,K,n,设备集为M={mj},j=1,2,K,m,
工序集为OP={opijk},k=1,2,K;这里QPPN模型是指七元数组:
QPPN=(P,T,I,O,Mi,D,Q)
这里P={p1,p2,…pn},n>0是由圆圈标识的库所集合,T={t1,t2,…tm},m>0是由方框标识的变迁集合,I:P×T→N是定义P到T的有向弧的输入函数,其中N={0,1,…},O:T×P→N是定义T到P的有向弧的输出函数,Mi:P→N表示系统的状态标识,M0为系统的初始标识,M′为系统的终止标识,D={d1,…,dn}表示变迁所对应时延的集合,Q={q1,…,qn}表示库所所对应质量状态的集合。
其中,在步骤五中所述的“给出基于任务可靠性的启发式规则”,是指给出考虑产品质量状态的生产调度的启发式规则,其具体启发式为:
fr(m)=gr(m)+hr(m)
ft(m)=gt(m)+ht(m)
这里fr(m)和ft(m)分别对应搜索路径中的质量状态和时间成本,gr(m)表示已搜索路径的质量状态,hr(m)表示剩余路径的预计质量状态,gt(m)表示已搜索路径的时间状态,ht(m)表示剩余路径的预计时间成本,具体计算方法为:
ht(m)=min(rt1m,rt2m,L,rtjm,);
式中:表示关键质量特性一致性程度Qk(t)对应的权重,l表示已搜索的路径中关键质量特性数目,n为关键质量特性总数目,rtjm表示标识m对应下一个变迁的时间。
其中,在步骤六中所述的“寻找生产任务调度最优解”,是指依据步骤四中所建立的QPPN模型和系统初始标识m0,寻优规则为,对于后续每一个可触发标识,计算选择此路径的质量状态fr(m)和时间成本ft(m),并在时间成本不超过阈值ft0(m)的路径中,选择质量状态最高的路径,进行下一步的寻优过程;如果某一个状态标识对应的后续路径的时间成本均高于阈值,则返回至上一标识选择质量状态次优解;依此类推,直至系统标识变为终止标识m′,所选择的路径代表的工序即为生产调度结果。
(二)本发明提出一种面向任务可靠性的集成生产任务调度方法,其特征在于:其实施的方法步骤如下:
步骤(一)、基于制造系统、生产任务及被制造产品的内在联系,确定影响任务可靠性的关键机器及工艺;
步骤(二)、确定各机器的性能状态;
步骤(三)、量化产品质量偏差指标;
步骤(四)、根据任务需求建立QPPN模型;
步骤(五)、给出基于任务可靠性的启发式规则;
步骤(六)、寻找生产任务调度最优解;
步骤(七)、结果分析,将本专利生产调度方法所得结果与未考虑任务可靠性的生产调度方法的结果作对比。
(3)优点和功效:
面向任务可靠性的集成生产任务调度方法,其优点是:
1>.本发明在挖掘制造系统过程质量数据等运行数据的基础上,进一步分析了产品质量状态,提出了量化生产过程中产品质量状态的方法;
2>.本发明提出了集成设备性能状态、产品质量状态的任务可靠性建模方法,提高了系统状态分析与评价的科学性。
3>.本发明提出的生产调度方法集成了生产任务分析与产品质量控制,具有极高的针对性、科学性和实用性,突破了传统生产调度方法在调度约束的局限性。
附图说明
图1是本发明所述方法流程图。
图2是集成生产任务调度机理示意图。
图3是制造系统任务可靠性模型示意图。
图4是制造系统QPPN模型示意图。
图4(a)是库所的完整示意图。
图4(b)是多任务制造系统的QPPN模型示意图。
图4(c)是制造系统完整QPPN模型示意图。
图5是生产调度计划甘特示意图(所提出方法)。
图6是生产调度计划甘特示意图(传统方法)。
图7是各制造工艺质量状态对比图。
图中序号、符号、代号说明如下:
pi是QPPN模型中的库所,表示产品加工状态及其质量
ti是QPPN模型中的变迁,表示设备加工过程及其时间
Mi表示第i个加工设备
Ji表示第i个制造任务
具体实施方式
下面结合附图和实例对本发明做进一步详细说明。
本发明是一种面向任务可靠性的集成生产任务调度方法,其流程图见图1所示,调度机理示意图见图2所示,任务可靠性概念模型示意图见图3所示,具体其实施步骤如下:
步骤1收集某型号发动机缸盖的制造工艺数据和过程质量数据,识别缸盖制造系统关键工艺及生产设备,确定关键质量特性及要求,见下表1。
表1.关键质量特性及其制造工艺信息
步骤2选取工序3、4、5作为研究对象,确定各相关制造设备的性能状态,确定在工序中符合设备性能状态要求的可选设备,见下表2。
表2.工序中可选加工设备及工序时长
步骤3量化产品质量偏差,qij(t)表示由设备Mi所加工的第j项关键质量特性的制造偏差值,如下式所示
q11(t)=2.26×10-8t2+1.78×10-5t+1.32×10-5
q13(t)=1.42×10-8t2+1.39×10-5t+0.79×10-5
q22(t)=1.35×10-8t2+1.71×10-5t+2.76×10-6
q23(t)=2.41×10-8t2+2.37×10-5t+4.54×10-6
q31(t)=1.32×10-8t2+1.92×10-5t+0.87×10-5
q32(t)=1.93×10-8t2+1.68×10-5t+2.72×10-6
q33(t)=1.95×10-8t2+1.64×10-5t+2.95×10-6
每个质量偏差的波动阈值是a1=0.008,a2=0.012,a3=0.010。
步骤4、建立制造系统的QPPN模型,见图4所示。其中,初始标识为所有物料均处于待加工状态,终止标识为所有物料均已完成加工工序。
步骤5、其具体启发式为:
fr(m)=gr(m)+hr(m)
ft(m)=gt(m)+ht(m)
这里fr(m)和ft(m)分别对应搜索路径中的质量状态和时间成本,gr(m)表示已搜索路径的质量状态,hr(m)表示剩余路径的预计成本,gt(m)表示已搜索路径的时间状态,ht(m)表示剩余路径的预计时间成本,具体计算方法为:
ht(m)=min(rt1m,rt2m,L,rtjm,)
步骤6、寻找生产任务调度最优解。根据上述优化算法,最低成本的生产调度路径为OP211→OP113→OP311→OP122→OP223→OP131→OP322→OP231→OP333。相应的甘特图如图5所示。
根据甘特图所对应的生产调度计划,总的生产周期为22,对应三项生产任务的质量状态由高到低分别为0.9852、0.9764和0.9725。
步骤7、与传统生产调度方法进行对比。传统生产调度大部分均以总生产工期为约束目标,因此取启发式规则式如下式:
f(m)=g(m)+h(m).
进而得到的最低成本的生产路径为OP211→OP313→OP222→OP111→OP323→OP122→OP231→OP333→OP132。对应的甘特图如图6所示。
将所提出方法分别给三项制造任务带来的质量偏差与传统方法进行对比,如下表所示。
表3.两种方法下制造工艺质量偏差对比
每个制造工艺的质量状态如图7所示
根据传统方法中甘特图的生产计划,总生产周期仅为20,但传统方法中每个生产任务的质量状态分别为0.9820、0.9760和0.9669(从高到低),可知所提出方法使在制品的质量状态平均增加了0.3%,制造系统的任务可靠性提高了2.7%。
对比发现,本发明方法较现有的生产调度方法具有明显的优势,这是因为本发明是基于具体生产任务要求,集成考虑设备性能状态、任务执行状态、产品质量状态对于任务可靠性的影响,将产品质量和最大工期共同作为生产调度的约束指标,较其他方法具有更好的针对性、科学性和实用性,提升制造系统的任务可靠性,能够指导企业制定合理的生产调度计划,降低企业生产成本。
Claims (9)
1.一种面向任务可靠性的集成生产任务调度方法,基本假设如下:
假设1、制造系统各设备之间相互独立,且引入的质量偏差相互独;
假设2、每台关键加工设备后都有一个检测工位,且检测结果是绝对可靠的;
假设3、制造设备的缓冲区是无限的;
假设4、制造设备故障类型为渐变过程,设备发生性能退化,不会发生偶然故障;
基于上述假设,本发明一种面向任务可靠性的集成生产任务调度方法,其特征在于:其实施步骤如下:
步骤一、基于制造系统、生产任务及被制造产品的内在联系,确定影响任务可靠性的关键机器及工艺;
步骤二、确定各机器的性能状态;
步骤三、量化产品质量偏差指标;
步骤四、根据任务需求建立QPPN模型;
步骤五、给出基于任务可靠性的启发式规则;
步骤六、寻找生产任务调度最优解;
步骤七、结果分析,将本专利生产调度方法所得结果与未考虑任务可靠性的生产调度方法的结果作对比。
2.根据权利要求1所述的一种面向任务可靠性的集成生产任务调度方法,其特征在于:
在步骤一中所述的“确定影响任务可靠性的关键机器及工艺”,是指从系统工程的角度出发,分析制造设备、生产任务和产品质量之间的内在联系以及对制造系统任务可靠性的影响关系,确定产品关键质量特性和关键工序,具体由智能制造背景下的生产过程数据确定。
3.根据权利要求1所述的一种面向任务可靠性的集成生产任务调度方法,其特征在于:
在步骤一中所述的“基于制造系统、生产任务及被制造产品的内在联系,确定影响任务可靠性的关键机器及工艺”,其具体作法如下:
列出加工过程中涉及的具体加工工序和需要的设备硬件,基于生产过程质量数据和售后反馈数据,并结合设计人员的实践经验,确定产品的关键质量特性,根据具体的加工工序,识别制造系统关键节点,确定关键工序。
4.根据权利要求1所述的一种面向任务可靠性的集成生产任务调度方法,其特征在于:
在步骤二中所述的“确定各机器的性能状态”,是指依次确定第j个制造设备的加工状态Sjp及其所制造产品的质量状态Sjq;
其具体作法如下:由于制造设备的加工能力通常以单位时间内的加工量进行表征,因此,设备的加工状态Sjp表示为:
这里Pmax在制造设备在理想状态下最佳的生产能力,表示设备在上一个制造周期内的生产能力,Pmin表示设备最差的生产能力,即最低能接受状态;
由于设备所制造产品的质量水平通常基于产品的质量检验数据确定,因此,设备所制造产品的质量状态Sjq表示为:
这里k是指在计算该制造设备所制造产品质量状态时,所需要采集的历史数据的样本量大小,ρi表示产品第i个关键质量特性的权重系数;对于相似的加工过程及与当前任务间隔较短的产品,其对应更高的系数;这里历史产品状态qi是指KQC的实际加工参数与产品的工序要求的一致性程度,其具体计算方法为:
这里xn是指关键质量特性的实际加工值,是指工序要求值,xn′是指生产要求的最低接受值。
5.根据权利要求1所述的一种面向任务可靠性的集成生产任务调度方法,其特征在于:
在步骤三中所述的“量化产品质量偏差指标”,是指基于产品各关键质量特性指标在生产过程中的过程模型,计算产品各关键质量特性的偏差值,评估产品质量状态QP;
其具体作法如下:假设产品共有m项关键质量特性,则根据生产经验给出对应每一项关键质量特性的偏差指标qk(t),则对应该关键质量特性指标的一致性Qk(t)为:
这里ak是指第k项关键质量特性指标在产品设计规范中的阈值;因此,产品质量状态QP是由各项关键质量特性指标的一致性加权求和求得,其具体计算方法为:
这里是指第k项关键质量特性的权重系数。
6.根据权利要求1所述的一种面向任务可靠性的集成生产任务调度方法,其特征在于:
在步骤四中所述的“根据任务需求建立QPPN模型”,是指确定任务需求中的任务集、设备集以及工序集,并进一步建立质检库所Petri网即QPPN模型,确定其初始标识;
这里任务集为P={pi},i=1,2K,,n,设备集为M={mj},j=1,2,K,m,工序集为OP={opijk},k=1,2K,;这里QPPN模型是指七元数组:
QPPN=(P,T,I,O,Mi,D,Q)
这里P={p1,p2,…pn},n>0是由圆圈标识的库所集合,T={t1,t2,…tm},m>0是由方框标识的变迁集合,I:P×T→N是定义P到T的有向弧的输入函数,其中N={0,1,…},O:T×P→N是定义T到P的有向弧的输出函数,Mi:P→N表示系统的状态标识,M0为系统的初始标识,M′为系统的终止标识,D={d1,…,dn}表示变迁所对应时延的集合,Q={q1,…,qn}表示库所所对应质量状态的集合。
7.根据权利要求1所述的一种面向任务可靠性的集成生产任务调度方法,其特征在于:
在步骤五中所述的“给出基于任务可靠性的启发式规则”,是指给出考虑产品质量状态的生产调度的启发式规则,其具体启发式为:
fr(m)=gr(m)+hr(m)
ft(m)=gt(m)+ht(m)
这里fr(m)和ft(m)分别对应搜索路径中的质量状态和时间成本,gr(m)表示已搜索路径的质量状态,hr(m)表示剩余路径的预计质量状态,gt(m)表示已搜索路径的时间状态,ht(m)表示剩余路径的预计时间成本,具体计算方法为:
ht(m)=min(rt1m,rt2m,L,rtjm,);
式中:表示关键质量特性一致性程度Qk(t)对应的权重,l表示已搜索的路径中关键质量特性数目,n为关键质量特性总数目,rtjm表示标识m对应下一个变迁的时间。
8.根据权利要求1所述的一种面向任务可靠性的集成生产任务调度方法,其特征在于:
在步骤六中所述的“寻找生产任务调度最优解”,是指依据步骤四中所建立的QPPN模型和系统初始标识m0,寻优规则为,对于后续每一个可触发标识,计算选择此路径的质量状态fr(m)和时间成本ft(m),并在时间成本不超过阈值的路径中,选择质量状态最高的路径,进行下一步的寻优过程;如果一个状态标识对应的后续路径的时间成本均高于阈值,则返回至上一标识选择质量状态次优解;依此类推,直至系统标识变为终止标识m′,所选择的路径代表的工序即为生产调度结果。
9.根据权利要求1所述的一种面向任务可靠性的集成生产任务调度方法,其特征在于:
其实施的方法步骤如下:
步骤(一)、基于制造系统、生产任务及被制造产品的内在联系,确定影响任务可靠性的关键机器及工艺;
步骤(二)、确定各机器的性能状态;
步骤(三)、量化产品质量偏差指标;
步骤(四)、根据任务需求建立QPPN模型;
步骤(五)、给出基于任务可靠性的启发式规则;
步骤(六)、寻找生产任务调度最优解;
步骤(七)、结果分析,将本专利生产调度方法所得结果与未考虑任务可靠性的生产调度方法的结果作对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811375227.9A CN109615115B (zh) | 2018-11-19 | 2018-11-19 | 一种面向任务可靠性的集成生产任务调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811375227.9A CN109615115B (zh) | 2018-11-19 | 2018-11-19 | 一种面向任务可靠性的集成生产任务调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109615115A true CN109615115A (zh) | 2019-04-12 |
CN109615115B CN109615115B (zh) | 2022-09-06 |
Family
ID=66003240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811375227.9A Active CN109615115B (zh) | 2018-11-19 | 2018-11-19 | 一种面向任务可靠性的集成生产任务调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615115B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288265A (zh) * | 2019-07-03 | 2019-09-27 | 重庆大学 | 基于模块化的多元关键质量特性耦合分析方法 |
CN112639848A (zh) * | 2019-07-22 | 2021-04-09 | 日东电工株式会社 | 设备异常处置定时决定系统、设备异常处置定时决定方法及计算机程序 |
CN117472014A (zh) * | 2023-12-28 | 2024-01-30 | 山东焦易网数字科技股份有限公司 | 一种智能制造数字化车间生产任务优化调度方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016110592A (ja) * | 2014-12-10 | 2016-06-20 | 新日鐵住金株式会社 | 生産・物流スケジュール作成方法、装置及びプログラム |
CN107025523A (zh) * | 2017-04-14 | 2017-08-08 | 北京航空航天大学 | 一种基于mqr链的产品装配过程质量风险分析方法 |
CN107122832A (zh) * | 2017-04-01 | 2017-09-01 | 北京航空航天大学 | 一种质量控制与可靠性分析的制造系统预防性维修方法 |
CN107194826A (zh) * | 2017-06-16 | 2017-09-22 | 北京航空航天大学 | 一种基于质量状态任务网的制造系统健康诊断与预测方法 |
CN108665164A (zh) * | 2018-05-10 | 2018-10-16 | 北京航空航天大学 | 基于运行质量数据的多态制造系统任务可靠性评估方法 |
-
2018
- 2018-11-19 CN CN201811375227.9A patent/CN109615115B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016110592A (ja) * | 2014-12-10 | 2016-06-20 | 新日鐵住金株式会社 | 生産・物流スケジュール作成方法、装置及びプログラム |
CN107122832A (zh) * | 2017-04-01 | 2017-09-01 | 北京航空航天大学 | 一种质量控制与可靠性分析的制造系统预防性维修方法 |
CN107025523A (zh) * | 2017-04-14 | 2017-08-08 | 北京航空航天大学 | 一种基于mqr链的产品装配过程质量风险分析方法 |
CN107194826A (zh) * | 2017-06-16 | 2017-09-22 | 北京航空航天大学 | 一种基于质量状态任务网的制造系统健康诊断与预测方法 |
CN108665164A (zh) * | 2018-05-10 | 2018-10-16 | 北京航空航天大学 | 基于运行质量数据的多态制造系统任务可靠性评估方法 |
Non-Patent Citations (7)
Title |
---|
C.-F.CHIEN等: ""Using genetic algorithm(GA) and a coloured timed Petri net(CTPN) for modelling the optimization-based schedule generator of a generic production scheduling system "", 《INTERNATIONAL JOURNAL OF PRODUCTION RESEARCH》 * |
C.-F.CHIEN等: ""Using genetic algorithm(GA) and a coloured timed Petri net(CTPN) for modelling the optimization-based schedule generator of a generic production scheduling system "", 《INTERNATIONAL JOURNAL OF PRODUCTION RESEARCH》, vol. 45, no. 8, 9 March 2007 (2007-03-09), pages 1763 - 1789 * |
HANG LEI等: ""Hybrid heuristic search approach for deadlock-free scheduling of flexible manufacturing systems using Petri nets"", 《APPLIED SOFT COMPUTING》 * |
HANG LEI等: ""Hybrid heuristic search approach for deadlock-free scheduling of flexible manufacturing systems using Petri nets"", 《APPLIED SOFT COMPUTING》, vol. 55, 20 February 2017 (2017-02-20), pages 413 - 423, XP029990206, DOI: 10.1016/j.asoc.2017.01.045 * |
张玺等: "基于改进模糊Petri网的制造车间重调度策略优化研究", 《管理工程学报》, vol. 31, no. 02, 15 April 2017 (2017-04-15) * |
王雯等: "《复杂供应链系统动力学及其混合建模仿真真研究》", 31 August 2011, 陕西科学技术出版社, pages: 53 - 55 * |
金阳: ""信息物理融合生产系统优化调度研究"", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》, vol. 2017, no. 06, 15 June 2017 (2017-06-15), pages 2 - 5 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288265A (zh) * | 2019-07-03 | 2019-09-27 | 重庆大学 | 基于模块化的多元关键质量特性耦合分析方法 |
CN110288265B (zh) * | 2019-07-03 | 2021-09-07 | 重庆大学 | 基于模块化的多元关键质量特性耦合分析方法 |
CN112639848A (zh) * | 2019-07-22 | 2021-04-09 | 日东电工株式会社 | 设备异常处置定时决定系统、设备异常处置定时决定方法及计算机程序 |
CN112639848B (zh) * | 2019-07-22 | 2022-05-13 | 日东电工株式会社 | 设备异常处置定时决定系统、设备异常处置定时决定方法及存储介质 |
CN117472014A (zh) * | 2023-12-28 | 2024-01-30 | 山东焦易网数字科技股份有限公司 | 一种智能制造数字化车间生产任务优化调度方法 |
CN117472014B (zh) * | 2023-12-28 | 2024-04-02 | 山东焦易网数字科技股份有限公司 | 一种智能制造数字化车间生产任务优化调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109615115B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902954B (zh) | 一种基于工业大数据的柔性作业车间动态调度方法 | |
CN109615115A (zh) | 一种面向任务可靠性的集成生产任务调度方法 | |
Xu et al. | Optimization approaches for solving production scheduling problem: A brief overview and a case study for hybrid flow shop using genetic algorithms | |
CN101408769A (zh) | 一种基于乘积arima模型的在线能源预测系统及方法 | |
CN109685386A (zh) | 基于数据信息的多目标作业车间的复杂网络模型构建方法 | |
CN117709617A (zh) | 一种基于mes的生产车间智能排程系统 | |
CN104699890A (zh) | 一种城网配变重过载短期预警模型的建模方法 | |
CN112327621B (zh) | 一种基于蚁群算法的柔性生产线自适应控制系统及方法 | |
CN103353895A (zh) | 一种配电网线损数据的预处理方法 | |
CN111859039B (zh) | 一种基于改进案例推理技术的车间扰动决策方法及装置 | |
Bai et al. | An OEE improvement method based on TOC | |
CN109857817A (zh) | 全网域电子式互感器高频度计量数据甄别及数据处理方法 | |
Qiu et al. | A novel predictive–reactive scheduling method for parallel batch processor lot-sizing and scheduling with sequence-dependent setup time | |
Zhu et al. | A carbon efficiency upgrading method for mechanical machining based on scheduling optimization strategy | |
Zhao et al. | Model for Selecting Optimal Dispatching Rules Based Real‐time Optimize Job Shop Scheduling Problem | |
Quan et al. | Multi-objective evolutionary scheduling based on collaborative virtual workflow model and adaptive rules for flexible production process with operation reworking | |
Chen et al. | Modeling Production scheduling problem and its solution by genetic algorithm. | |
Ongpeng et al. | Sustainable project schedule management using pinch analysis | |
CN118536410B (zh) | 基于大数据驱动建模的能耗优化决策分析方法及系统 | |
CN118394666B (zh) | 基于低代码平台的智能业务流程自动化和优化方法 | |
CN117973813B (zh) | 一种可视化的模具柔性生产调度方法及系统 | |
CN110705858B (zh) | 一种进度偏差驱动的混凝土坝生长策略及差异化资源调配方法 | |
CN118244729B (zh) | 基于mes的生产车间动态管理方法与系统 | |
Hang et al. | Research on workshop manufacturing resource scheduling control method based on industrial internet of things | |
CN112508276B (zh) | 一种电网快速诊断与优化系统及优化方法 |
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 |