CN109634231A - 基于遗传模拟退火算法的成形车间节能调度方法 - Google Patents
基于遗传模拟退火算法的成形车间节能调度方法 Download PDFInfo
- Publication number
- CN109634231A CN109634231A CN201811399320.3A CN201811399320A CN109634231A CN 109634231 A CN109634231 A CN 109634231A CN 201811399320 A CN201811399320 A CN 201811399320A CN 109634231 A CN109634231 A CN 109634231A
- Authority
- CN
- China
- Prior art keywords
- individual
- population
- simulated annealing
- stamping parts
- production
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 117
- 238000002922 simulated annealing Methods 0.000 title claims abstract description 83
- 238000000465 moulding Methods 0.000 title claims abstract description 34
- 230000002068 genetic effect Effects 0.000 title claims abstract description 20
- 238000004519 manufacturing process Methods 0.000 claims abstract description 101
- 238000005265 energy consumption Methods 0.000 claims abstract description 46
- 230000035772 mutation Effects 0.000 claims description 19
- 210000000349 chromosome Anatomy 0.000 claims description 12
- 238000004080 punching Methods 0.000 claims description 10
- 108090000623 proteins and genes Proteins 0.000 claims description 9
- 238000003754 machining Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 5
- 238000001816 cooling Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000010094 polymer processing Methods 0.000 claims description 3
- 230000032258 transport Effects 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 claims description 2
- 238000005266 casting Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 12
- 238000012544 monitoring process Methods 0.000 description 6
- 238000013500 data storage Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005070 sampling Methods 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
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- 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
本发明公开了一种基于遗传模拟退火算法的成形车间节能调度方法,其步骤包括:第一:生成初始生产方案;第二:设定分析周期;第三:构建成形车间加工总类能耗及加工时间的生产模型;第四:设定相应约束条件,形成多目标优化模型;第五:采集相关信息,并用遗传模拟退火算法根据采集的信息对多目标优化模型进行求解,得出本分析周期的生产方案;第六:判断本分析周期的生产方案是否优于上一分析周期生产方案,若是则根据本分析周期的生产方案安排生产,否则根据上一分析周期生产方案继续生产;第七:进入下一生产周期并返回第五步。本发明实时获得能耗最低、耗时最短的最优生产方案进行生产加工,从而提高生产率并降低生产成本和能耗。
Description
技术领域
本发明涉及冲压成形车间数据采集及优化控制领域,具体的说,是一种基于遗传模拟退火算法的成形车间节能调度方法。
背景技术
冲压成形行业是我国机械制造业的基础,冲压成形技术被用于众多金属件、金属板材的加工,同时,冲压成形车间由于压力机数量众多,压力机能耗对生产成本的影响不容忽视,因此,每一台压力机的能耗需要实时采集,另外,冲压成形车间也需要操作人员参与设备操作、仪器读表等活动,传统的设备数据采集模式不仅浪费人力物力,而且实时性不高、采集误差较大。另一方面,由于冲压生产过程中,冲压工序多、设备能耗高及成形装备选择不当,都会造成生产能耗和时间的浪费。在当前数据采集模式网络化、机械生产智能化的趋势下,如何将计算机监测控制技术、车间生产优化方法运用到冲压生产行业,是冲压生产行业需要解决的问题之一。
现有的技术中,已有一些方案采用优化算法,对车间生产进行安排调度,但是只是进行基于一些历史数据进行的调度,并不能根据当前实际生产情况进行合理的调度,从而最大程度降低车间生产所需能耗和生产耗时。此外,这些方案没有对采集到的数据进行较好的处理分析,也没有通过采集到的数据对车间生产进行反馈优化,从而降低车间生产所需能耗和时间、保证车间生产安全稳定进行,无法满足车间管理方的要求。
发明内容
本发明为解决上述现有技术存在的不足之处,提出一种基于遗传模拟退火算法的成形车间节能调度方法,以期实时获得能耗最低、耗时最短的最优生产方案进行生产加工,从而提高生产率并降低生产成本和能耗。
为达到上述发明目的,本发明采用如下技术方案:
本发明一种基于遗传模拟退火算法的成形车间节能调度方法的特点是按如下步骤进行:
步骤1、根据历史经验生成初始生产方案;
步骤2、根据实际需求,设定分析周期为τ,令μτ表示第μ个分析周期,并初始化μ=1;令初始生产方案为第μ-1个分析周期(μ-1)τ的生产方案;
步骤3、以车间加工总能耗最低及加工总时间最小为调度目标,构建如式(1)所示的成形车间加工各类能耗及加工时间的生产模型:
Etotal=Ew+Ec+Eu+Et+Ea (1)
式(1)中,Etotal表示生产加工总能耗;Ew表示成形车间中压力机加工冲压件所需能耗;Ec表示成形车间中压力机换模调整所需能耗;Eu表示成形车间中压力机保持运行状态所需能耗;Et表示成形车间中冲压件运输所需能耗;Ea表示成形车间中各类辅助设备所需能耗;
步骤4、根据实际生产情况,设定相应的约束条件,并与所述生产模型共同形成如式(2)所示的多目标生产优化模型;
式(2)中,n和m表示冲压件的批号;p表示冲压件的序号;k表示压力机的序号;i表示冲压件加工工序序号;tnik表示第n批冲压件的第i道工序在第k台压力机上加工完成所需时间;Rnik表示第k台压力机开始加工第n批冲压件的第i道工序的时刻;Znik表示第n批冲压件的第i道工序在第k台压力机上加工完成的时刻;Hnik表示第k台压力机加工第n批冲压件的第i道工序时开始换模调整的时刻;Snik表示第n批冲压件在完成第i-1道工序后,由第k-1台压力机运送到第k台压力上进行第i道工序加工的运输时间;αnmk表示第k台压力机加工第n批冲压件的时间是否早于加工第m批冲压件时间,若是,则令αnmk为1,否则令αnmk为0;βpik表示第p个冲压件的第i道工序是否在第k台压力机上加工,若是,则令βpik为1,否则令βpik为0;Tn为第n批冲压件完工时间,N为冲压件的总批数;
步骤5、采集当前第μ个分析周期μτ的相关信息,并使用遗传模拟退火算法对所述多目标生产优化模型进行求解,得到当前第μ个分析周期μτ的生产方案;
步骤6、判断所述当前第μ个分析周期μτ的生产方案是否优于第μ-1个分析周期(μ-1)τ的生产方案,若是,则表示所述当前第μ个分析周期μτ的生产方案为最优方案,并根据所述最优方案安排生产,否则,仍然根据第μ-1个分析周期(μ-1)τ的生产方案继续生产;
步骤7、令μ+1赋值给μ,并返回步骤5。
本发明所述的成形车间节能管理方法的特点在于,所述步骤5是按如下过程进行:
步骤5.1:生成基于压力机与冲压件工序的双重编码用于初始化种群:
将用来进行加工冲压件的压力机的序号随机排列并组成压力机的染色体;
对于同一冲压件的所有工序都使用相同的序号表示,将所有冲压件工序的序号随机排列并组成冲压件工序的染色体;
将压力机的染色体与冲压件工序的染色体按照从前往后的顺序一一对应并构成多个加工组合形式,任意一个加工组合形式作为一个基因,并表示第p个冲压件的第i道工序在第k台压力机上进行加工;所有的加工组合形式构成一种生产加工方案;
设置种群大小为L,并设置种群个体集合为X={X1,X2,...,Xv,...XL},Xv表示任意第v个种群个体,并作为第v种生产加工方案;v=1,2,…,L;
步骤5.2:设定外层模拟退火循环次数为内层遗传算法最大迭代次数为Gmax,当前迭代次数为G,并初始化
步骤5.3:初始化G=1;
步骤5.4:利用如式(3)所示的加权和方法构建第次模拟退火循环中第G次迭代的第v个种群个体的适应度函数
式(3)中,wT和wE分别为所有冲压件的加工完工时间与加工总能耗的加权系数,且wT+wE=1;为第次模拟退火循环中第G次迭代的第v个种群个体的完工时间,Tmax为所有种群个体完工时间的最大值,Tmin为所有种群个体完工时间的最小值;为第次模拟退火循环中第G次迭代的第v个种群个体的加工能耗,Emax为所有种群个体加工总能耗的最大值,Emin为所有种群个体加工总能耗的最小值;
步骤5.5:计算第次模拟退火循环中第G次迭代的第v个种群个体的选择概率并将第次模拟退火循环中第G次迭代的L个种群个体的选择概率所表示的区域组成第次模拟退火循环中第G次迭代的轮盘,从而采用轮盘赌的方法从第次模拟退火循环中第G次迭代的L个种群个体中选择两个种群个体构成一对组合,并作为第次模拟退火循环中第G次迭代的一对交叉个体组合,共使用L/2次轮盘赌方法进行选择,从而构成第次模拟退火循环中第G次迭代的L/2对交叉个体组合;
步骤5.6:采用基于冲压件工序的POX交叉方法对所述L/2对交叉个体组合进行交叉操作:
在第次模拟退火循环中第G次迭代的L/2对交叉个体组合的每一对组合中均随机选择两个冲压件工序,保持所选择出的两个冲压件工序及其对应的压力机序号在两个交叉个体中的位置不变,并将其余冲压件工序及其相应的压力机序号所组成的基因按序进行交叉操作,从而得到第次模拟退火循环中第G次迭代的交叉操作后的L个种群个体;
步骤5.7:采用多点交换的方式对所述第次模拟退火循环中第G次迭代的交叉操作后的L个种群个体进行变异操作:
对所述第次模拟退火循环中第G次迭代的交叉操作后的L个种群个体分别随机选取多个成对的基因进行相互交换,从而得到第次模拟退火循环中第G次迭代的变异操作后的L个种群个体;
步骤5.8:对第次模拟退火循环中第G次迭代的变异操作后的L个种群个体进行模拟退火操作:
根据Metropolis接受准则,令 为第次模拟退火循环中第G次迭代的变异操作后的第v个种群个体,为第次模拟退火循环中第G-1次迭代的变异操作后的第v个种群个体;当G=1时;为第v种生产加工方案Xv;
当Δ≤0时,接受第次模拟退火循环中第G次迭代的变异操作后的第v个种群个体当Δ>0时,以概率接受第次模拟退火循环中第G次迭代的变异操作后的第v个种群个体从而得到第次模拟退火循环中第G次迭代的L个种群个体;其中,为第次模拟退火循环中第G次迭代对应的温度控制参数;
步骤5.9:判G>Gmax是否成立,若是,则执行步骤5.10,否则,令G+1赋值给G并返回步骤5.4;
步骤5.10:判断第次达到最大迭代次数Gmax时的操作时温度控制参数是否小于终止温度tend,若是则输出第次模拟退火循环中第Gmax次迭代的L个种群个体,并执行步骤5.11,否则进行降温操作,令并将赋值给后,其中ω为衰减系数,返回步骤5.3;
步骤5.11:根据式(3)计算第次模拟退火循环中第Gmax次迭代的L个种群个体的适应度值,并从中选择出适应度值最大的种群个体作为最优生产方案并输出。
与已有技术相比,本发明的有益效果体现在:
1、本发明将现有单一的数据采集模式进行整合,以获得更全面、更精确地数据,同时根据成形车间实际生产情况,设立多个约束条件,对车间生产所需的能耗和完工时间建立多目标优化模型,并使用遗传模拟退火算法对该多目标优化模型进行求解,得出一种所需能耗最低、耗时最短的最优生产方案,并按周期更新最优生产方案,进而提高了车间生产效率,降低了车间生产能耗。
2、本发明定义了分析周期,根据每个分析周期内采集的信息,及时更新该分析周期的最优生产方案,防止了由于生产状况发生变化引起的生产方案无法及时更新而导致时间和资源浪费的发生。
3、本发明使用的遗传模拟退火算法,具有良好的全局搜索能力和较快的搜索速度,同时摆脱了遗传算法容易陷入局部最优解的局限。
4、本发明采用基于压力机与冲压件工序的双重编码,完整的包含了冲压生产调度方案中必须包含的信息:需要加工的冲压件、每个冲压件的工序、每个冲压件的每个工序加工的先后顺序及加工每个冲压的每道工序的压力机,因此相比于采用“二进制编码”、“符号编码”、“实数编码”等编码方式,基于压力机与冲压件工序的双重编码更符合成形车间的生产加工情况,从而使产生的生产调度方案更符合实际。
附图说明
图1为本发明调度方法的流程图;
图2为本发明调度方法应用车间示意图;
图3为本发明遗传模拟退火算法的流程图;
图中标号:1视频监控设备,2压力机信息采集设备,3射频识别设备,4压力机运行控制设备,5计算机显示及控制设备,6数据存储设备。
具体实施方式
本实施例中,压力机,包括冲床和液压机,是一种结构精巧的通用性压力机。具有用途广泛,生产效率高等特点,压力机可广泛应用于切断、冲孔、落料、弯曲、铆合和成形等工艺,通过对金属坯件施加强大的压力使金属发生塑性变形和断裂来加工成零件。压力机是机械制造业的生产手段和物质基础,其质量、技术水平和制造成本,直接关系到机械制造业的发展。
图2为根据基于遗传模拟退火算法的成形车间节能调度方法的调度方法应用车间示意图,包括视频监控设备1,压力机信息采集设备2,压力机运行控制设备4,射频识别设备3,计算机显示及控制设备5,数据存储设备6。
视频监控设备1与计算机显示及控制设备5相连接,并放置在车间的入口、出口及危险区域,实现对进出车间人员和危险区域的监控;每一个压力机信息采集设备2与计算机显示及控制设备5相连接,包括智能电表、压力传感器、流量传感器,智能电表用于采集对应压力机实时的能耗,压力传感器、流量传感器用于采集压力机实时运行参数;每一个压力机运行控制设备4与计算机显示及控制设备5相连接,包括可编程逻辑控制器(PLC),可编程逻辑控制器(PLC)用于接收计算机显示及控制设备的命令,从而控制对应压力机的工作状态,同时,向计算机显示及控制设备反馈该压力机的实时工作状态;射频识别设备3放置在车间入口、出口及每个压力机上,用于确定工件所处位置、工序和工件的运输时间;数据存储设备6用于保存上述各采集工具所采集的信息;计算机显示及控制设备5用于显示各个压力机实时能耗、运行参数、工作状态,监控车间各危险区域和车间出入口,以及工件相关信息,同时控制各个压力机的工作状态,以及数据的存储和读取。
如图1所示,本调度方法的总体实施流程:
(1)、根据历史经验,生成初始生产方案;
(2)、根据实际需求,设定分析周期;
(3)、构建成形车间加工总能耗及加工时间的数学模型;
(4)、根据实际生产情况,设定相应的约束条件;
(5)、由上述(3)、(4)得出本发明的多目标优化模型;
(6)、通过硬件设备采集相关信息,并使用遗传模拟退火算法根据采集的信息对多目标优化模型进行求解,得出本分析周期内的生产方案;
(7)、判断本分析周期内的生产方案是否优于上一分析周期内的方案,若是则根据新方案安排生产,否则根据原方案继续生产;
(8)、当生产总时间为分析周期的整数倍时,返回第(6)步,如此循环直至生产结束。
具体来说,一种基于遗传模拟退火算法的成形车间节能调度方法是按以下步骤进行的:
步骤1、根据历史经验生成初始生产方案;
步骤2、根据实际需求,设定分析周期为τ,令μτ表示第μ个分析周期,并初始化μ=1;令初始生产方案为第μ-1个分析周期(μ-1)τ的生产方案;
步骤3、以车间加工总能耗最低及加工总时间最小为调度目标,构建如式(1)所示的成形车间加工各类能耗及加工时间的生产模型:
Etotal=Ew+Ec+Eu+Et+Ea (1)
式(1)中,Etotal表示生产加工总能耗;Ew表示成形车间中压力机加工冲压件所需能耗;Ec表示成形车间中压力机换模调整所需能耗;Eu表示成形车间中压力机保持运行状态所需能耗;Et表示成形车间中冲压件运输所需能耗;Ea表示成形车间中各类辅助设备所需能耗;
步骤4、根据实际生产情况,设定相应的约束条件:
约束1,Znikαnmk≤Hmik,即:压力机必须在前一批工件加工完成之后,才能开始加工下一批工件;
约束2,Rnik+tnik≤Rn(i+1)k,即:冲压件必须按照规定工序的先后顺序来加工;
约束3,Znik+Snik≤Rn(i+1)k,即:冲压件必须在到达指定压力机后才能开始加工;
约束4,即:每台压力机某个时刻只能加工一个冲压件的一道工序。
将上述约束与生产模型共同形成如式(2)所示的多目标生产优化模型;
式(2)中,n和m表示冲压件的批号;p表示冲压件的序号;k表示压力机的序号;i表示冲压件加工工序序号;tnik表示第n批冲压件的第i道工序在第k台压力机上加工完成所需时间;Rnik表示第k台压力机开始加工第n批冲压件的第i道工序的时刻;Znik表示第n批冲压件的第i道工序在第k台压力机上加工完成的时刻;Hnik表示第k台压力机加工第n批冲压件的第i道工序时开始换模调整的时刻;Snik表示第n批冲压件在完成第i-1道工序后,由第k-1台压力机运送到第k台压力上进行第i道工序加工的运输时间;αnmk表示第k台压力机加工第n批冲压件的时间是否早于加工第m批冲压件时间,若是,则令αnmk为1,否则令αnmk为0;βpik表示第p个冲压件的第i道工序是否在第k台压力机上加工,若是,则令βpik为1,否则令βpik为0;Tn为第n批冲压件完工时间,N为冲压件的总批数;
步骤5、采集当前第μ个分析周期μτ的相关信息,并使用遗传模拟退火算法对多目标生产优化模型进行求解,得到当前第μ个分析周期μτ的生产方案;具体的说,如图3所示,
步骤5.1:生成基于压力机与冲压件工序的双重编码用于初始化种群:
将用来进行加工冲压件的压力机的序号随机排列并组成压力机的染色体;
对于同一冲压件的所有工序都使用相同的序号表示,将所有冲压件工序的序号随机排列并组成冲压件工序的染色体;
将压力机的染色体与冲压件工序的染色体按照从前往后的顺序一一对应并构成多个加工组合形式,任意一个加工组合形式作为一个基因,并表示第p个冲压件的第i道工序在第k台压力机上进行加工;所有的加工组合形式构成一种生产加工方案;
设置种群大小为L,并设置种群个体集合为X={X1,X2,...,Xv,...XL},Xv表示任意第v个种群个体,并作为第v种生产加工方案;v=1,2,…,L;
步骤5.2:设定外层模拟退火循环次数为内层遗传算法最大迭代次数为Gmax,当前迭代次数为G,并初始化
步骤5.3:初始化G=1;
步骤5.4:利用如式(3)所示的加权和方法构建第次模拟退火循环中第G次迭代的第v个种群个体的适应度函数
式(3)中,wT和wE分别为所有冲压件的加工完工时间与加工总能耗的加权系数,且wT+wE=1;为第次模拟退火循环中第G次迭代的第v个种群个体的完工时间,Tmax为所有种群个体完工时间的最大值,Tmin为所有种群个体完工时间的最小值;为第次模拟退火循环中第G次迭代的第v个种群个体的加工能耗,Emax为所有种群个体加工总能耗的最大值,Emin为所有种群个体加工总能耗的最小值;
步骤5.5:计算第次模拟退火循环中第G次迭代的第v个种群个体的选择概率并将第次模拟退火循环中第G次迭代的L个种群个体的选择概率所表示的区域组成第次模拟退火循环中第G次迭代的轮盘,从而采用轮盘赌的方法从第次模拟退火循环中第G次迭代的L个种群个体中选择两个种群个体构成一对组合,并作为第次模拟退火循环中第G次迭代的一对交叉个体组合,共使用L/2次轮盘赌方法进行选择,从而构成第次模拟退火循环中第G次迭代的L/2对交叉个体组合;
步骤5.6:采用基于冲压件工序的POX交叉方法对L/2对交叉个体组合进行交叉操作:
在第次模拟退火循环中第G次迭代的L/2对交叉个体组合的每一对组合中均随机选择两个冲压件工序,保持所选择出的两个冲压件工序及其对应的压力机序号在两个交叉个体中的位置不变,并将其余冲压件工序及其相应的压力机序号所组成的基因按序进行交叉操作,从而得到第次模拟退火循环中第G次迭代的交叉操作后的L个种群个体;
步骤5.7:采用多点交换的方式对第次模拟退火循环中第G次迭代的交叉操作后的L个种群个体进行变异操作:
对第次模拟退火循环中第G次迭代的交叉操作后的L个种群个体分别随机选取多个成对的基因进行相互交换,从而得到第次模拟退火循环中第G次迭代的变异操作后的L个种群个体;
步骤5.8:对第次模拟退火循环中第G次迭代的变异操作后的L个种群个体进行模拟退火操作:
根据Metropolis接受准则,允许以一定的概率接受劣化解,但随着温度参数下降,接受劣化解的概率不断下降,接受优化解的概率不断升高,当温度参数趋于零时,接受劣化解的概率也趋于零,令 为第次模拟退火循环中第G次迭代的变异操作后的第v个种群个体,为第次模拟退火循环中第G-1次迭代的变异操作后的第v个种群个体;当G=1时;为第v种生产加工方案Xv;
当Δ≤0时,接受第次模拟退火循环中第G次迭代的变异操作后的第v个种群个体当Δ>0时,以概率接受第次模拟退火循环中第G次迭代的变异操作后的第v个种群个体从而得到第次模拟退火循环中第G次迭代的L个种群个体;其中,为第次模拟退火循环中第G次迭代对应的温度控制参数;
步骤5.9:判G>Gmax是否成立,若是,则执行步骤5.10,否则,令G+1赋值给G并返回步骤5.4;
步骤5.10:判断第次达到最大迭代次数Gmax时的操作时温度控制参数是否小于终止温度tend,若是则输出第次模拟退火循环中第Gmax次迭代的L个种群个体,并执行步骤5.11,否则进行降温操作,令并将赋值给后,其中ω为衰减系数,返回步骤5.3;
步骤5.11:根据式(3)计算第次模拟退火循环中第Gmax次迭代的L个种群个体的适应度值,并从中选择出适应度值最大的种群个体作为最优生产方案并输出;
步骤6、判断当前第μ个分析周期μτ的生产方案是否优于第μ-1个分析周期(μ-1)τ的生产方案,若是,则表示当前第μ个分析周期μτ的生产方案为最优方案,并根据最优方案安排生产,否则,仍然根据第μ-1个分析周期(μ-1)τ的生产方案继续生产;
步骤7、令μ+1赋值给μ,并返回步骤5。
综上所述,本方法将成形车间的信息采集与生产优化方法结合在一起,实现了对车间相关信息状态的监控和对生产能耗和时间的优化,从而为成形车间管理层的管理提供重要参考数据和有效的排产方案。
Claims (2)
1.一种基于遗传模拟退火算法的成形车间节能调度方法,其特征是按如下步骤进行:
步骤1、根据历史经验生成初始生产方案;
步骤2、根据实际需求,设定分析周期为τ,令μτ表示第μ个分析周期,并初始化μ=1;令初始生产方案为第μ-1个分析周期(μ-1)τ的生产方案;
步骤3、以车间加工总能耗最低及加工总时间最小为调度目标,构建如式(1)所示的成形车间加工各类能耗及加工时间的生产模型:
Etotal=Ew+Ec+Eu+Et+Ea (1)
式(1)中,Etotal表示生产加工总能耗;Ew表示成形车间中压力机加工冲压件所需能耗;Ec表示成形车间中压力机换模调整所需能耗;Eu表示成形车间中压力机保持运行状态所需能耗;Et表示成形车间中冲压件运输所需能耗;Ea表示成形车间中各类辅助设备所需能耗;
步骤4、根据实际生产情况,设定相应的约束条件,并与所述生产模型共同形成如式(2)所示的多目标生产优化模型;
式(2)中,n和m表示冲压件的批号;p表示冲压件的序号;k表示压力机的序号;i表示冲压件加工工序序号;tnik表示第n批冲压件的第i道工序在第k台压力机上加工完成所需时间;Rnik表示第k台压力机开始加工第n批冲压件的第i道工序的时刻;Znik表示第n批冲压件的第i道工序在第k台压力机上加工完成的时刻;Hnik表示第k台压力机加工第n批冲压件的第i道工序时开始换模调整的时刻;Snik表示第n批冲压件在完成第i-1道工序后,由第k-1台压力机运送到第k台压力上进行第i道工序加工的运输时间;αnmk表示第k台压力机加工第n批冲压件的时间是否早于加工第m批冲压件时间,若是,则令αnmk为1,否则令αnmk为0;βpik表示第p个冲压件的第i道工序是否在第k台压力机上加工,若是,则令βpik为1,否则令βpik为0;Tn为第n批冲压件完工时间,N为冲压件的总批数;
步骤5、采集当前第μ个分析周期μτ的相关信息,并使用遗传模拟退火算法对所述多目标生产优化模型进行求解,得到当前第μ个分析周期μτ的生产方案;
步骤6、判断所述当前第μ个分析周期μτ的生产方案是否优于第μ-1个分析周期(μ-1)τ的生产方案,若是,则表示所述当前第μ个分析周期μτ的生产方案为最优方案,并根据所述最优方案安排生产,否则,仍然根据第μ-1个分析周期(μ-1)τ的生产方案继续生产;
步骤7、令μ+1赋值给μ,并返回步骤5。
2.如权利要求1所述的成形车间节能管理方法,其特征在于,所述步骤5是按如下过程进行:
步骤5.1:生成基于压力机与冲压件工序的双重编码用于初始化种群:
将用来进行加工冲压件的压力机的序号随机排列并组成压力机的染色体;
对于同一冲压件的所有工序都使用相同的序号表示,将所有冲压件工序的序号随机排列并组成冲压件工序的染色体;
将压力机的染色体与冲压件工序的染色体按照从前往后的顺序一一对应并构成多个加工组合形式,任意一个加工组合形式作为一个基因,并表示第p个冲压件的第i道工序在第k台压力机上进行加工;所有的加工组合形式构成一种生产加工方案;
设置种群大小为L,并设置种群个体集合为X={X1,X2,...,Xv,...XL},Xv表示任意第v个种群个体,并作为第v种生产加工方案;v=1,2,…,L;
步骤5.2:设定外层模拟退火循环次数为内层遗传算法最大迭代次数为Gmax,当前迭代次数为G,并初始化
步骤5.3:初始化G=1;
步骤5.4:利用如式(3)所示的加权和方法构建第次模拟退火循环中第G次迭代的第v个种群个体的适应度函数
式(3)中,wT和wE分别为所有冲压件的加工完工时间与加工总能耗的加权系数,且wT+wE=1;为第次模拟退火循环中第G次迭代的第v个种群个体的完工时间,Tmax为所有种群个体完工时间的最大值,Tmin为所有种群个体完工时间的最小值;为第次模拟退火循环中第G次迭代的第v个种群个体的加工能耗,Emax为所有种群个体加工总能耗的最大值,Emin为所有种群个体加工总能耗的最小值;
步骤5.5:计算第次模拟退火循环中第G次迭代的第v个种群个体的选择概率并将第次模拟退火循环中第G次迭代的L个种群个体的选择概率所表示的区域组成第次模拟退火循环中第G次迭代的轮盘,从而采用轮盘赌的方法从第次模拟退火循环中第G次迭代的L个种群个体中选择两个种群个体构成一对组合,并作为第次模拟退火循环中第G次迭代的一对交叉个体组合,共使用L/2次轮盘赌方法进行选择,从而构成第次模拟退火循环中第G次迭代的L/2对交叉个体组合;
步骤5.6:采用基于冲压件工序的POX交叉方法对所述L/2对交叉个体组合进行交叉操作:
在第次模拟退火循环中第G次迭代的L/2对交叉个体组合的每一对组合中均随机选择两个冲压件工序,保持所选择出的两个冲压件工序及其对应的压力机序号在两个交叉个体中的位置不变,并将其余冲压件工序及其相应的压力机序号所组成的基因按序进行交叉操作,从而得到第次模拟退火循环中第G次迭代的交叉操作后的L个种群个体;
步骤5.7:采用多点交换的方式对所述第次模拟退火循环中第G次迭代的交叉操作后的L个种群个体进行变异操作:
对所述第次模拟退火循环中第G次迭代的交叉操作后的L个种群个体分别随机选取多个成对的基因进行相互交换,从而得到第次模拟退火循环中第G次迭代的变异操作后的L个种群个体;
步骤5.8:对第次模拟退火循环中第G次迭代的变异操作后的L个种群个体进行模拟退火操作:
根据Metropolis接受准则,令 为第次模拟退火循环中第G次迭代的变异操作后的第v个种群个体,为第次模拟退火循环中第G-1次迭代的变异操作后的第v个种群个体;当G=1时;为第v种生产加工方案Xv;
当Δ≤0时,接受第次模拟退火循环中第G次迭代的变异操作后的第v个种群个体当Δ>0时,以概率接受第次模拟退火循环中第G次迭代的变异操作后的第v个种群个体从而得到第次模拟退火循环中第G次迭代的L个种群个体;其中,为第次模拟退火循环中第G次迭代对应的温度控制参数;
步骤5.9:判G>Gmax是否成立,若是,则执行步骤5.10,否则,令G+1赋值给G并返回步骤5.4;
步骤5.10:判断第次达到最大迭代次数Gmax时的操作时温度控制参数是否小于终止温度tend,若是则输出第次模拟退火循环中第Gmax次迭代的L个种群个体,并执行步骤5.11,否则进行降温操作,令并将赋值给后,其中ω为衰减系数,返回步骤5.3;
步骤5.11:根据式(3)计算第次模拟退火循环中第Gmax次迭代的L个种群个体的适应度值,并从中选择出适应度值最大的种群个体作为最优生产方案并输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811399320.3A CN109634231A (zh) | 2018-11-22 | 2018-11-22 | 基于遗传模拟退火算法的成形车间节能调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811399320.3A CN109634231A (zh) | 2018-11-22 | 2018-11-22 | 基于遗传模拟退火算法的成形车间节能调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109634231A true CN109634231A (zh) | 2019-04-16 |
Family
ID=66068691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811399320.3A Pending CN109634231A (zh) | 2018-11-22 | 2018-11-22 | 基于遗传模拟退火算法的成形车间节能调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109634231A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262432A (zh) * | 2019-07-08 | 2019-09-20 | 哈尔滨工程大学 | 一种基于自适应模拟退火算法的分段车间调度优化方法 |
CN111665799A (zh) * | 2020-05-20 | 2020-09-15 | 同济大学 | 一种基于协同算法的时间约束型并行机节能调度方法 |
CN111667194A (zh) * | 2020-06-15 | 2020-09-15 | 绍兴数智科技有限公司 | 适用于印染企业的生产调度方法、装置及电子设备 |
CN112861320A (zh) * | 2021-01-13 | 2021-05-28 | 安徽理工大学 | 一种提升机节能运行的行程控制方法 |
CN114859832A (zh) * | 2022-04-24 | 2022-08-05 | 合肥工业大学 | 一种t梁生产控制方法和系统 |
CN116090676A (zh) * | 2023-04-10 | 2023-05-09 | 武汉益模科技股份有限公司 | 一种基于多目标优化的aps排产方法及aps排产系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106611279A (zh) * | 2016-05-26 | 2017-05-03 | 四川用联信息技术有限公司 | 一种改进的模拟退火算法解决作业车间调度问题 |
CN107817772A (zh) * | 2017-10-17 | 2018-03-20 | 西南交通大学 | 一种柔性作业车间调度优化方法 |
CN108416523A (zh) * | 2018-03-08 | 2018-08-17 | 中国人民解放军陆军工程大学 | 任务调度方法、装置、电子设备及存储介质 |
-
2018
- 2018-11-22 CN CN201811399320.3A patent/CN109634231A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106611279A (zh) * | 2016-05-26 | 2017-05-03 | 四川用联信息技术有限公司 | 一种改进的模拟退火算法解决作业车间调度问题 |
CN107817772A (zh) * | 2017-10-17 | 2018-03-20 | 西南交通大学 | 一种柔性作业车间调度优化方法 |
CN108416523A (zh) * | 2018-03-08 | 2018-08-17 | 中国人民解放军陆军工程大学 | 任务调度方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
陈帆: ""基于能耗优化的冲压车间调度问题研究"", 《万方数据知识服务平台》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262432A (zh) * | 2019-07-08 | 2019-09-20 | 哈尔滨工程大学 | 一种基于自适应模拟退火算法的分段车间调度优化方法 |
CN111665799A (zh) * | 2020-05-20 | 2020-09-15 | 同济大学 | 一种基于协同算法的时间约束型并行机节能调度方法 |
CN111665799B (zh) * | 2020-05-20 | 2023-08-29 | 同济大学 | 一种基于协同算法的时间约束型并行机节能调度方法 |
CN111667194A (zh) * | 2020-06-15 | 2020-09-15 | 绍兴数智科技有限公司 | 适用于印染企业的生产调度方法、装置及电子设备 |
CN111667194B (zh) * | 2020-06-15 | 2023-08-08 | 绍兴数智科技有限公司 | 适用于印染企业的生产调度方法、装置及电子设备 |
CN112861320A (zh) * | 2021-01-13 | 2021-05-28 | 安徽理工大学 | 一种提升机节能运行的行程控制方法 |
CN112861320B (zh) * | 2021-01-13 | 2022-08-12 | 安徽理工大学 | 一种提升机节能运行的行程控制方法 |
CN114859832A (zh) * | 2022-04-24 | 2022-08-05 | 合肥工业大学 | 一种t梁生产控制方法和系统 |
CN116090676A (zh) * | 2023-04-10 | 2023-05-09 | 武汉益模科技股份有限公司 | 一种基于多目标优化的aps排产方法及aps排产系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109634231A (zh) | 基于遗传模拟退火算法的成形车间节能调度方法 | |
Yu et al. | Review of seru production | |
CN109034633A (zh) | 改进遗传算法求解带移动时间的柔性作业车间调度方法 | |
CN111144710B (zh) | 一种可持续性混合流水车间的构建和动态调度方法 | |
CN112907150B (zh) | 一种基于遗传算法的生产排程方法 | |
CN100401219C (zh) | 基于遗传算法的可重组生产线调度方法 | |
CN105205326B (zh) | 一种电厂实时负荷在线预测方法 | |
CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
CN108805403A (zh) | 一种基于改进遗传算法的单件车间调度方法 | |
CN108665092A (zh) | 一种基于混合萤火虫算法的全流程排产与优化方法 | |
CN108829048A (zh) | 一种基于液晶玻璃基板生产加工的信息分析系统及方法 | |
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 | |
CN107832983B (zh) | 基于动态规划与遗传算法的铸造熔炼批计划与调度方法 | |
CN108647859A (zh) | 知识驱动的置换流水线双种群协同学习策略与优化方法 | |
CN114418177B (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
CN116974230A (zh) | 一种基于物联网的设备运行模式智能控制方法及系统 | |
CN111768081A (zh) | 一种混合制造环境中产品制造能耗的计算方法与系统 | |
CN115982268A (zh) | 一种生产综合管理看板系统 | |
CN111985852A (zh) | 一种基于工业大数据的多业务协同质量管控系统构架方法 | |
CN109784570B (zh) | 基于信息物理融合系统的智慧车间柔性生产调度方法 | |
CN100370453C (zh) | 稀土串级萃取分离组分含量软测量方法 | |
CN109543921A (zh) | 基于改进遗传算法的石油专用管流水车间的生产排产方法 | |
CN109255484A (zh) | 数据驱动的离散制造资源协同优化方法及系统 | |
CN108445853A (zh) | 一种基于云数据的产能共享车间 | |
CN112700109A (zh) | 一种订单生产顺序优化方法、系统、设备及可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |