CN110084462B - 一种基于故障rgv智能二道工序加工调度方法 - Google Patents
一种基于故障rgv智能二道工序加工调度方法 Download PDFInfo
- Publication number
- CN110084462B CN110084462B CN201910073178.1A CN201910073178A CN110084462B CN 110084462 B CN110084462 B CN 110084462B CN 201910073178 A CN201910073178 A CN 201910073178A CN 110084462 B CN110084462 B CN 110084462B
- Authority
- CN
- China
- Prior art keywords
- procedure
- cutter head
- product
- rgv
- tool bit
- 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
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
- G06Q10/04—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
- G06Q10/06316—Sequencing of tasks or work
-
- 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—Systems or methods specially adapted for 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- 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
Abstract
本发明公开了一种基于故障RGV智能二道工序加工调度方法,包括:以单次二道工序产品通过RGV系统加工完成的时长数据为系统参数,对单轨道两边各四组对称加工刀头的RGV智能加工系统,选择一道工序产品加工刀头CNC等待时间和二道工序产品加工刀头CNC空闲时间最小为总目标,考虑随机故障发生的系统产品加工物品编号、加工时长、加工刀头CNC标号为系统约束变量,建立生物演化——动态规划预测模型,对批量产品生产和加工进行预测分析,采用随机增量学习机制求出加工刀头CNC的最佳一道和二道工序分配方案,为企业制定工作计划提供依据。
Description
技术领域
本发明涉及RGV技术领域,尤其涉及一种基于故障RGV智能二道工序加工调度方法。
背景技术
随着自动化控制技术的发展,单轨道RGV智能系统凭借着价格低廉、方便灵活的优点,被广泛代替人工应用于各种产品深加工行业。但由于行业应用要求不同,经常需要单组单轨道RGV智能系统进行产品二道工序加工。二道工序加工远比一道工序加工的过程复杂,需要对CNC加工刀头进行合理分配,缺乏合理的分配方案,RGV智能系统利用效率低下,这一直是那些对RGV智能技术要求不高的中小企业难题,尤其对于那些中小企业资金紧缺、陈旧设备老化,RGV智能系统避免不了会经常出现故障停工,更需要优化的决策方案。
目前,对于有故障RGV二道工序加工动态调度模型最常见的是遗传算法,它是一种随机搜索方法,这种方法概率的选取带有一定主观性,同时对于不同的二道工序产品加工分配方案的差异,遗传算法缺乏一定的学习性能。一些将遗传算法或模拟退火法与网络模型如有向图和Petri网等结合的模型,通过网络的构建,将物品加工演化成一定的网络改变,同时通过智能算法求网络最优,能达到任务的最佳安排,网络模型能很好的避免既定的人为模式,但这种智能算法与网络模型结合的模型需要大量的数据训练,求解繁琐,对中小企业实用性不明显。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于故障RGV智能二道工序加工调度方法;
本发明提出的一种基于故障RGV智能二道工序加工调度方法,包括:
S1、预设第一道工序时刀头加工单个产品时的第一道工序加工时长、第一道工序产品编号、第一道工序刀头数目初始值、第一道工序转移次数、第一道工序上下料时间,第二道工序时刀头加工单个产品时的第二道工序加工时长、第二道工序产品编号、第二道工序刀头数目初始值、第二道工序转移次数、第二道工序上下料时间,及状态变量、RGV移动时长、产品的生产数目、刀头的标号、RGV位置、刀头清洗时长、刀头的工作总时长、刀头故障时间节点,所述状态变量包括空闲变量和非空闲变量;
S2、在第一道工序时,根据预设的刀头空闲加工时长优先策略确定RGV到达的刀头,并控制RGV向刀头移动;
S3、获取当前时间,判断当前时间是否为刀头故障时间节点,若是,随机将任一个刀头标记为故障刀头,并执行步骤S4;若否,执行步骤S5;
S4、判断故障刀头是否为RGV到达的刀头,若是,RGV停止向刀头移动,执行步骤S2;若否,执行步骤S5;
S5、获取RGV位置,判断RGV是否到达刀头,若是,执行步骤S6;若否,RGV继续向刀头移动;
S6、判断刀头是否空闲,若是,进行刀头上料,并根据预设的离散化生物演化方程更新第一道工序刀头空闲状态变量,直到上料完成后,更新产品的生产数目,执行步骤S7;若否,进行刀头下料及清洗,并根据预设的离散化生物演化方程更新第一道工序刀头非空闲状态变量,直到下料完成后,更新产品的生产数目,执行步骤S7;
S7、在第二道工序时,根据预设的刀头空闲加工时长优先策略确定RGV到达的刀头,并控制RGV向刀头移动;
S8、获取当前时间,判断当前时间是否为刀头故障时间节点,若是,随机将任一个刀头标记为故障刀头,并执行步骤S9;若否,执行步骤S10;
S9、判断故障刀头是否为RGV到达的刀头,若是,RGV停止向刀头移动,执行步骤S7;若否,执行步骤S10;
S10、获取RGV位置,判断RGV是否到达刀头,若是,执行步骤S11;若否,RGV继续向刀头移动;
S11、判断刀头是否空闲,若是,进行刀头上料,并根据预设的离散化生物演化方程更新第二道工序刀头空闲状态变量,直到上料完成后,更新产品的生产数目,执行步骤S12;若否,进行刀头下料及清洗,并根据预设的离散化生物演化方程更新第二道工序刀头非空闲状态变量,直到下料完成后,更新产品的生产数目,执行步骤S12;
S12、获取当前时间,判断当前时间是否超过预设的刀头的工作总时长,若是,计算第一道工序刀头等待时间和第一道工序刀头等待时间之和M0;若否,执行步骤S2;
S13、令第一道工序刀头数目初始值加1,第二道工序刀头数目初始值减1,并根据机器学习方法对一道工序的刀头进行第一次机器学习,并计算第一次机器学习后第一道工序刀头等待时间和第二道工序刀头等待时间之和M1,并将M1与M0进行比较;
S14、当M1<M0时,令M0=M1,并执行步骤S13,直到M1>M0时,输出当前的第一道工序刀头数目和第二道工序刀头数目;当M1>M0时,执行步骤S15;
S15、令第一道工序刀头数目初始值减1,第二道工序刀头数目初始值加1,并根据机器学习方法对一道工序的刀头进行第二次机器学习,并计算第二次机器学习后第一道工序刀头等待时间和第二道工序刀头等待时间之和M2,并将M2与M0进行比较;
S16、当M2<M0时,令M2=M0,并执行步骤S15,直到M2>M0时,输出当前的第一道工序刀头数目和第二道工序刀头数目;当M2>M0时,输出第一道工序刀头数目初始值和第一道工序刀头数目初始值。
优选地,步骤S1中,所述确定刀头故障时间节点,具体为:根据预设的随机函数按刀头故障发生率生成若干个刀头故障时间节点。
优选地,步骤S2中,所述在第一道工序时,根据预设的刀头空闲加工时长优先策略确定RGV到达的刀头,具体为:
获取进行第一道工序的所有刀头的状态变量和刀头加工的产品的加工时长,根据所有刀头的状态变量判断是否有刀头的状态变量为空闲状态变量,若是,确定RGV到达的刀头为状态变量为空闲状态变量的刀头;若否,确定RGV到达的刀头为产品的加工时长最长对应的刀头;
优选地,步骤S7中,所述在第二道工序时,根据预设的刀头空闲加工时长优先策略确定RGV到达的刀头,具体为:
获取进行第二道工序的所有刀头的状态变量和刀头加工的产品的加工时长,根据所有刀头的状态变量判断是否有刀头的状态变量为空闲状态变量,若是,确定RGV到达的刀头为状态变量为空闲状态变量的刀头;若否,确定RGV到达的刀头为产品的加工时长最长对应的刀头。
优选地,步骤S3中,所述随机将任一个刀头标记为故障刀头,具体为:
随机将一个状态变量为非空闲状态变量的刀头加工的产品的第一道工序产品编号更新为0、第一道工序产品的加工时长更新为预设的停止时间阈值、刀头的工作总时长为刀头故障时间节点;
优选地,步骤S8中,所述随机将任一个刀头标记为故障刀头,具体为:
随机将一个状态变量为非空闲状态变量的刀头加工的产品的第二道工序产品编号更新为0、第二道工序产品的加工时长更新为预设的停止时间阈值、刀头的工作总时长为刀头故障时间节点。
优选地,步骤S6中,所述根据预设的离散化生物演化方程更新第一道工序刀头空闲状态变量,具体为:
通过离散化生物演化方程Fj+1(S1 j+1,N1 j+1,T1 j+1,Nj+1 C1)=aFj(S1 j,N1 j,T1 j,Nj C1)+β进行演化,更新S1 j+1=S1 j+1,N1(w1)=S1 j,T1 j+1=T1 j+tc1/2,T1 j+1(w1)=1,T2 j+1=T2 j+tc1/2,t′=t′+tc1/2,其中,Fj(S1 j,N1 j,T1 j,Nj C1)=[S1 j,N1 j,T1 j,Nj C1]T,α,β为方程系数,S1 j表示第j个产品的第一道工序转移次数,N1 j表示第j个产品的第一道工序产品编号,T1 j表示第j个产品的第一道工序加工时长,Nj C1表示第一道工序工序时第j个刀头的标号,tc1表示第一道工序上下料时间之和,w1表示步骤S2中RGV到达的刀头的标号,t′表示刀头的工作总时长,T2 j表示第j个产品的第二道工序加工时长;
优选地,步骤S6中,所述根据预设的离散化生物演化方程更新第一道工序刀头非空闲状态变量,具体为:
通过离散化生物演化方程Fj+1(S1 j+1,N1 j+1,T1 j+1,Nj+1 C1)=aFj(S1 j,N1 j,T1 j,Nj C1)+β进行演化,更新Sj+1=Sj+1,T1 j+1=T1 j+tc1,T1 j+1(w1)=1,T2 j+1=T2 j+tc1,t′=t′+tc1,其中,Fj(S1 j,N1 j,T1 j,Nj C1)=[S1 j,N1 j,T1 j,Nj C1]T,α,β为方程系数,S1 j表示第j个产品的第一转移次数,N1 j表示第j个产品的第一道工序产品编号,T1 j表示第j个产品的第一道工序加工时长,Nj C1表示第一道工序工序时第j个刀头的标号,tc1表示第一道工序上下料时间之和,w1表示步骤S2中RGV到达的刀头的标号,t′表示刀头的工作总时长,T2 j表示第j个产品的第二道加工时长。
优选地,步骤S11中,所述根据预设的离散化生物演化方程更新第二道工序刀头空闲状态变量,具体为:
通过离散化生物演化方程Fj+1(S2 j+1,N2 j+1,T2 j+1,Nj+1 C2)=aFj(S2 j,N2 j,T2 j,Nj C2)+β进行演化,更新N2(w2)=N1(w1),T1 j+1=T1 j+tc2/2,T2 j+1=T2 j+tc2/2,t′=t′+tc2/2,其中,Fj(S2 j,N2 j,T2 j,Nj C2)=[S2 j,N2 j,T2 j,Nj C2]T,α,β为方程系数,S2 j表示第j个产品的第二道工序转移次数,N1 j表示第j个产品的第一道工序产品编号,N2 j表示第j个产品的第二道工序产品编号,T2 j表示第j个产品的第二道工序加工时长,Nj C2表示第二道工序时第j个刀头的标号,tc2表示第二道工序上下料时间之和,w1表示步骤S2中RGV到达的刀头的标号,w2表示步骤S7中RGV到达的刀头的标号,t′表示刀头的工作总时长;
优选地,步骤S11中,所述根据预设的离散化生物演化方程更新第二道工序刀头非空闲状态变量,具体为:
通过离散化生物演化方程Fj+1(S2 j+1,N2 j+1,T2 j+1,Nj+1 C2)=aFj(S2 j,N2 j,T2 j,Nj C2)+β进行演化,更新N2 j+1(w2)=N1 j(w1),T1 j+1=T1 j+tc2+tq T2 j+1=T2 j+tc2+tq,T2 j+1(w)=tq,Nj+1 C2(w2)=w2,t′=t′+tc2+tq,其中,α,β为方程系数,Fj(S2 j,N2 j,T2 j,Nj C2)=[S2 j,N2 j,T2 j,Nj C2]T,S2 j表示第j个产品的第二道工序转移次数,N1 j表示第j个产品的第一道工序产品编号,N2 j表示第j个产品的第二道工序产品编号,T2 j表示第j个产品的第二道工序加工时长,Nj C2表示第二道工序时第j个刀头的标号,tc2表示第二道工序上下料时间之和,w1表示步骤S2中RGV到达的刀头的标号,w2表示步骤S7中RGV到达的刀头的标号,t′表示刀头的工作总时长,tq表示刀头清洗时长。
优选地,通过公式计算第一道工序刀头等待时间和第二道工序刀头空闲时间之和,其中,T1 j表示第j个产品的第一道工序加工时长,w1表示刀头的标号,tc1表示第一上下料时间,tc2表示第二道工序上下料时间之和,表示第j次CNC加工更新示空闲刀头的累加空闲时间。
本发明中,以刀头空闲加工时长优先策略,选择RGV到达的刀头,避免人为设定概率变化规律,在故障发生情况下,优先考虑故障刀头对应的状态关系,然后再按转移次数、产品的编号、加工时长、刀头的标号四个参数进行作生物演化形式进行时间状态转移,一道工序产品等待时长和二道工序CNC刀头空闲时间之和最小为总目标,目标函数为线性函数,求解简单,采用随机增量机器学习求解,随机增加时长,通过学习一道工序刀头的组数最优,容易得到刀头的分配方案,通过增量学习机制求解,能很有效避免大量数据训练的需求,时效性得到很好的提高,计算过程简单,容易实现,模型预测结果更精确,能客观快速有效的分析预测RGV加工流程,为企业制定产品加工任务提供可靠帮助。
附图说明
图1为本发明提出的一种基于故障RGV智能二道工序加工调度方法的流程示意图。
具体实施方式
参照图1,本发明提出的一种基于故障RGV智能二道工序加工调度方法,包括:
步骤S1、预设第一道工序时刀头加工单个产品时的第一道工序加工时长、第一道工序产品编号、第一道工序刀头数目初始值、第一道工序转移次数、第一道工序上下料时间,第二道工序时刀头加工单个产品时的第二道工序加工时长、第二道工序产品编号、第二道工序刀头数目初始值、第二道工序转移次数、第二道工序上下料时间,及状态变量、RGV移动时长、产品的生产数目、刀头的标号、RGV位置、刀头清洗时长、刀头的工作总时长、刀头故障时间节点,所述状态变量包括空闲变量和非空闲变量。
本步骤中,所述确定刀头故障时间节点,具体为:根据预设的随机函数按刀头故障发生率生成若干个刀头故障时间节点。
在具体方案中,只需取单位个产品单工序加工时长参数,相对于网络模型而言不需要进行大量训练,即可得到产品生产计划。
步骤S2、在第一道工序时,根据预设的刀头空闲加工时长优先策略确定RGV到达的刀头,并控制RGV向刀头移动。
本步骤中,所述在第一道工序时,根据预设的刀头空闲加工时长优先策略确定RGV到达的刀头,具体为:获取进行第一道工序的所有刀头的状态变量和刀头加工的产品的加工时长,根据所有刀头的状态变量判断是否有刀头的状态变量为空闲状态变量,若是,确定RGV到达的刀头为状态变量为空闲状态变量的刀头;若否,确定RGV到达的刀头为产品的加工时长最长对应的刀头。
在具体方案中,以刀头空闲加工时长优先策略,RGV到达的刀头优先选择刀头的状态变量为空闲状态变量的刀头,即空闲的刀头;在所有的刀头均为非空闲状态变量,RGV到达的刀头优先选择产品的加工时长最长对应的刀头,即对当前正在加工的产品已加工时间最长的刀头,避免人为设定概率变化规律。
步骤S3、获取当前时间,判断当前时间是否为刀头故障时间节点,若是,随机将任一个刀头标记为故障刀头,并执行步骤S4;若否,执行步骤S5。
本步骤中,所述随机将任一个刀头标记为故障刀头,具体为:随机将一个状态变量为非空闲状态变量的刀头加工的产品的第一产品编号更新为0、第一产品的加工时长更新为预设的停止时间阈值、刀头的工作总时长为刀头故障时间节点。
步骤S4、判断故障刀头是否为RGV到达的刀头,若是,RGV停止向刀头移动,执行步骤S2;若否,执行步骤S5;
步骤S5、获取RGV位置,判断RGV是否到达刀头,若是,执行步骤S6;若否,RGV继续向刀头移动;
步骤S6、判断刀头是否空闲,若是,进行刀头上料,并根据预设的离散化生物演化方程更新第一道工序刀头空闲状态变量,直到上料完成后,更新产品的生产数目,执行步骤S7;若否,进行刀头下料及清洗,并根据预设的离散化生物演化方程更新第一道工序刀头非空闲状态变量,直到下料完成后,更新产品的生产数目,执行步骤S7。
本步骤中,所述根据预设的离散化生物演化方程更新第一道工序刀头空闲状态变量,具体为:
通过离散化生物演化方程Fj+1(S1 j+1,N1 j+1,T1 j+1,Nj+1 C1)=aFj(S1 j,N1 j,T1 j,Nj C1)+β进行演化,更新S1 j+1=S1 j+1,N1(w1)=S1 j,T1 j+1=T1 j+tc1/2,T1 j+1(w1)=1,T2 j+1=T2 j+tc1/2,t′=t′+tc1/2,其中,Fj(S1 j,N1 j,T1 j,Nj C1)=[S1 j,N1 j,T1 j,Nj C1]T,α,β为方程系数,S1 j表示第j个产品的第一转移次数,N1 j表示第j个产品的第一道工序产品编号,T1 j表示第j个产品的第一道工序加工时长,Nj C1表示第一道工序时第j个刀头的标号,tc1表示第一道工序上下料时间之和,w1表示步骤S2中RGV到达的刀头的标号,t′表示刀头的工作总时长,T2 j表示第j个产品的第二道工序加工时长;
所述根据预设的离散化生物演化方程更新第一道工序刀头非空闲状态变量,具体为:
通过离散化生物演化方程Fj+1(S1 j+1,N1 j+1,T1 j+1,Nj+1 C1)=aFj(S1 j,N1 j,T1 j,Nj C1)+β进行演化,更新Sj+1=Sj+1,T1 j+1=T1 j+tc1,T1 j+1(w1)=1,T2 j+1=T2 j+tc1,t′=t′+tc1,其中,Fj(S1 j,N1 j,T1 j,Nj C1)=[S1 j,N1 j,T1 j,Nj C1]T,α,β为方程系数,S1 j表示第j个产品的第一道工序转移次数,N1 j表示第j个产品的第一道工序产品编号,T1 j表示第j个产品的第一道工序加工时长,Nj C1表示第一道工序时第j个刀头的标号,tc1表示第一道工序上下料时间之和,w1表示步骤S2中RGV到达的刀头的标号,t′表示刀头的工作总时长,T2 j表示第j个产品的第二道工序加工时长。
步骤S7、在第二道工序时,根据预设的刀头空闲加工时长优先策略确定RGV到达的刀头,并控制RGV向刀头移动。
本步骤中,所述在第二道工序时,根据预设的刀头空闲加工时长优先策略确定RGV到达的刀头,具体为:获取进行第二道工序的所有刀头的状态变量和刀头加工的产品的加工时长,根据所有刀头的状态变量判断是否有刀头的状态变量为空闲状态变量,若是,确定RGV到达的刀头为状态变量为空闲状态变量的刀头;若否,确定RGV到达的刀头为产品的加工时长最长对应的刀头。
在具体方案中,以刀头空闲加工时长优先策略,RGV到达的刀头优先选择刀头的状态变量为空闲状态变量的刀头,即空闲的刀头;在所有的刀头均为非空闲状态变量,RGV到达的刀头优先选择产品的加工时长最长对应的刀头,即对当前正在加工的产品已加工时间最长的刀头,避免人为设定概率变化规律。
步骤S8、获取当前时间,判断当前时间是否为刀头故障时间节点,若是,随机将任一个刀头标记为故障刀头,并执行步骤S9;若否,执行步骤S10;
本步骤中,所述随机将任一个刀头标记为故障刀头,具体为:随机将一个状态变量为非空闲状态变量的刀头加工的产品的第一道工序产品编号更新为0、第一道工序产品的加工时长更新为预设的停止时间阈值、刀头的工作总时长为刀头故障时间节点。
步骤S9、判断故障刀头是否为RGV到达的刀头,若是,RGV停止向刀头移动,执行步骤S7;若否,执行步骤S10;
步骤S10、获取RGV位置,判断RGV是否到达刀头,若是,执行步骤S11;若否,RGV继续向刀头移动;
步骤S11、判断刀头是否空闲,若是,进行刀头上料,并根据预设的离散化生物演化方程更新第二道工序刀头空闲状态变量,直到上料完成后,更新产品的生产数目,执行步骤S12;若否,进行刀头下料及清洗,并根据预设的离散化生物演化方程更新第二道工序刀头非空闲状态变量,直到下料完成后,更新产品的生产数目,执行步骤S12。
本步骤中,所述根据预设的离散化生物演化方程更新第二道工序刀头空闲状态变量,具体为:
通过离散化生物演化方程Fj+1(S2 j+1,N2 j+1,T2 j+1,Nj+1 C2)=aFj(S2 j,N2 j,T2 j,Nj C2)+β进行演化,更新N2(w2)=N1(w1),T1 j+1=T1 j+tc2/2,T2 j+1=T2 j+tc2/2,t′=t′+tc2/2,其中,Fj(S2 j,N2 j,T2 j,Nj C2)=[S2 j,N2 j,T2 j,Nj C2]T,α,β为方程系数,S2 j表示第j个产品的第二道工序转移次数,N1 j表示第j个产品的第一道工序产品编号,N2 j表示第j个产品的第二道工序产品编号,T2 j表示第j个产品的第二道工序加工时长,Nj C2表示第二道工序时第j个刀头的标号,tc2表示第二道工序上下料时间之和,w1表示步骤S2中RGV到达的刀头的标号,w2表示步骤S7中RGV到达的刀头的标号,t′表示刀头的工作总时长;
所述根据预设的离散化生物演化方程更新第二道工序刀头非空闲状态变量,具体为:
通过离散化生物演化方程Fj+1(S2 j+1,N2 j+1,T2 j+1,Nj+1 C2)=aFj(S2 j,N2 j,T2 j,Nj C2)+β进行演化,更新T1 j+1=T1 j+tc2+tq T2 j+1=T2 j+tc2+tq,T2 j+1(w)=tq,Nj+1 C2(w2)=w2,t′=t′+tc2+tq,其中,α,β为方程系数,Fj(S2 j,N2 j,T2 j,Nj C2)=[S2 j,N2 j,T2 j,Nj C2]T,S2 j表示第j个产品的第二道工序转移次数,N1 j表示第j个产品的第一道工序产品编号,N2 j表示第j个产品的第二道工序产品编号,T2 j表示第j个产品的第二道工序加工时长,Nj C2表示第二道工序时第j个刀头的标号,tc2表示第二道工序上下料时间之和,w1表示步骤S2中RGV到达的刀头的标号,w2表示步骤S7中RGV到达的刀头的标号,t′表示刀头的工作总时长,tq表示刀头清洗时长,表示j次更新后二道工序空闲刀头的空闲时间。
步骤S12、获取当前时间,判断当前时间是否超过预设的刀头的工作总时长,若是,计算第一道工序刀头等待时间和第一道工序刀头等待时间之和M0;若否,执行步骤S2;
本步骤中,通过公式计算第一道工序刀头等待时间和第二道工序刀头空闲时间之和,其中,T1 j表示第j个产品的第一道工序加工时长,w1表示刀头的标号,tc1表示第一上下料时间,tc2表示第二上下料时间,表示第j次CNC加工更新示空闲刀头的累加空闲时间。
步骤S13、令第一道工序刀头数目初始值加1,第二道工序刀头数目初始值减1,并根据机器学习方法对第一道工序的刀头进行第一次机器学习,并计算第一次机器学习后第一道工序刀头等待时间和第二道工序刀头等待时间之和M1,并将M1与M0进行比较;
步骤S14、当M1<M0时,令M0=M1,并执行步骤S13,直到M1>M0时,输出当前的第一道工序刀头数目和第二道工序刀头数目;当M1>M0时,执行步骤S15;
步骤S15、令第一道工序刀头数目初始值减1,第二道工序刀头数目初始值加1,并根据机器学习方法对第一道工序的刀头进行第二次机器学习,并计算第二次机器学习后第一道工序刀头等待时间和第二道工序刀头等待时间之和M2,并将M2与M0进行比较;
步骤S16、当M2<M0时,令M2=M0,并执行步骤S15,直到M2>M0时,输出当前的第一道工序刀头数目和第二道工序刀头数目;当M2>M0时,输出第一道工序刀头数目初始值和第一道工序刀头数目初始值。
在具体方案中,在故障发生情况下,优先考虑故障刀头对应的状态关系,然后按转移次数、产品的编号、加工时长、刀头的标号四个参数进行作生物演化形式进行时间状态转移,一道工序产品等待时长和二道工序CNC刀头空闲时间之和最小为总目标,目标函数为线性函数,求解简单,采用随机增量机器学习求解,随机增加时长,通过学习一道工序刀头的组数最优,容易得到刀头的分配方案,通过增量学习机制求解,能很有效避免大量数据训练的需求,时效性得到很好的提高。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于故障RGV智能二道工序加工调度方法,其特征在于,包括:
S1、预设第一道工序时刀头加工单个产品时的第一道工序加工时长、第一道工序产品编号、第一道工序刀头数目初始值、第一道工序转移次数、第一道工序上下料时间,第二道工序时刀头加工单个产品时的第二道工序加工时长、第二道工序产品编号、第二道工序刀头数目初始值、第二道工序转移次数、第二道工序上下料时间,及状态变量、RGV移动时长、产品的生产数目、刀头的标号、RGV位置、刀头清洗时长、刀头的工作总时长、刀头故障时间节点,所述状态变量包括空闲变量和非空闲变量;
S2、在第一道工序时,根据预设的刀头空闲加工时长优先策略确定RGV到达的刀头,并控制RGV向刀头移动;
S3、获取当前时间,判断当前时间是否为刀头故障时间节点,若是,随机将任一个刀头标记为故障刀头,并执行步骤S4;若否,执行步骤S5;
S4、判断故障刀头是否为RGV到达的刀头,若是,RGV停止向刀头移动,执行步骤S2;若否,执行步骤S5;
S5、获取RGV位置,判断RGV是否到达刀头,若是,执行步骤S6;若否,RGV继续向刀头移动;
S6、判断刀头是否空闲,若是,进行刀头上料,并根据预设的离散化生物演化方程更新第一道工序刀头空闲状态变量,直到上料完成后,更新产品的生产数目,执行步骤S7;若否,进行刀头下料及清洗,并根据预设的离散化生物演化方程更新第一道工序刀头非空闲状态变量,直到下料完成后,更新产品的生产数目,执行步骤S7;
S7、在第二道工序时,根据预设的刀头空闲加工时长优先策略确定RGV到达的刀头,并控制RGV向刀头移动;
S8、获取当前时间,判断当前时间是否为刀头故障时间节点,若是,随机将任一个刀头标记为故障刀头,并执行步骤S9;若否,执行步骤S10;
S9、判断故障刀头是否为RGV到达的刀头,若是,RGV停止向刀头移动,执行步骤S7;若否,执行步骤S10;
S10、获取RGV位置,判断RGV是否到达刀头,若是,执行步骤S11;若否,RGV继续向刀头移动;
S11、判断刀头是否空闲,若是,进行刀头上料,并根据预设的离散化生物演化方程更新第二道工序刀头空闲状态变量,直到上料完成后,更新产品的生产数目,执行步骤S12;若否,进行刀头下料及清洗,并根据预设的离散化生物演化方程更新第二道工序刀头非空闲状态变量,直到下料完成后,更新产品的生产数目,执行步骤S12;
S12、获取当前时间,判断当前时间是否超过预设的刀头的工作总时长,若是,计算第一道工序刀头等待时间和第一道工序刀头等待时间之和M0;若否,执行步骤S2;
S13、令第一道工序刀头数目初始值加1,第二道工序刀头数目初始值减1,并根据机器学习方法对一道工序的刀头进行第一次机器学习,并计算第一次机器学习后第一道工序刀头等待时间和第二道工序刀头等待时间之和M1,并将M1与M0进行比较;
S14、当M1<M0时,令M0=M1,并执行步骤S13,直到M1>M0时,输出当前的第一道工序刀头数目和第二道工序刀头数目;当M1>M0时,执行步骤S15;
S15、令第一道工序刀头数目初始值减1,第二道工序刀头数目初始值加1,并根据机器学习方法对一道工序的刀头进行第二次机器学习,并计算第二次机器学习后第一道工序刀头等待时间和第二道工序刀头等待时间之和M2,并将M2与M0进行比较;
S16、当M2<M0时,令M2=M0,并执行步骤S15,直到M2>M0时,输出当前的第一道工序刀头数目和第二道工序刀头数目;当M2>M0时,输出第一道工序刀头数目初始值和第一道工序刀头数目初始值。
2.根据权利要求1所述的基于故障RGV智能二道工序加工调度方法,其特征在于,步骤S1中,所述确定刀头故障时间节点,具体为:根据预设的随机函数按刀头故障发生率生成若干个刀头故障时间节点。
3.根据权利要求1所述的基于故障RGV智能二道工序加工调度方法,其特征在于,步骤S2中,所述在第一道工序时,根据预设的刀头空闲加工时长优先策略确定RGV到达的刀头,具体为:
获取进行第一道工序的所有刀头的状态变量和刀头加工的产品的加工时长,根据所有刀头的状态变量判断是否有刀头的状态变量为空闲状态变量,若是,确定RGV到达的刀头为状态变量为空闲状态变量的刀头;若否,确定RGV到达的刀头为产品的加工时长最长对应的刀头;
步骤S7中,所述在第二道工序时,根据预设的刀头空闲加工时长优先策略确定RGV到达的刀头,具体为:
获取进行第二道工序的所有刀头的状态变量和刀头加工的产品的加工时长,根据所有刀头的状态变量判断是否有刀头的状态变量为空闲状态变量,若是,确定RGV到达的刀头为状态变量为空闲状态变量的刀头;若否,确定RGV到达的刀头为产品的加工时长最长对应的刀头。
4.根据权利要求1所述的基于故障RGV智能二道工序加工调度方法,其特征在于,步骤S3中,所述随机将任一个刀头标记为故障刀头,具体为:
随机将一个状态变量为非空闲状态变量的刀头加工的产品的第一道工序产品编号更新为0、第一道工序产品的加工时长更新为预设的停止时间阈值、刀头的工作总时长为刀头故障时间节点;
步骤S8中,所述随机将任一个刀头标记为故障刀头,具体为:
随机将一个状态变量为非空闲状态变量的刀头加工的产品的第二道工序产品编号更新为0、第二道工序产品的加工时长更新为预设的停止时间阈值、刀头的工作总时长为刀头故障时间节点。
5.根据权利要求1所述的基于故障RGV智能二道工序加工调度方法,其特征在于,步骤S6中,所述根据预设的离散化生物演化方程更新第一道工序刀头空闲状态变量,具体为:
通过离散化生物演化方程Fj+1(S1 j+1,N1 j+1,T1 j+1,Nj+1 C1)=aFj(S1 j,N1 j,T1 j,Nj C1)+β进行演化,更新S1 j+1=S1 j+1,N1(w1)=S1 j,T1 j+1=T1 j+tc1/2,T1 j+1(w1)=1,T2 j+1=T2 j+tc1/2,t′=t′+tc1/2,其中,Fj(S1 j,N1 j,T1 j,Nj C1)=[S1 j,N1 j,T1 j,Nj C1]T,α,β为方程系数,S1 j表示第j个产品的第一道工序转移次数,N1 j表示第j个产品的第一道工序产品编号,T1 j表示第j个产品的第一道工序加工时长,Nj C1表示第一道工序工序时第j个刀头的标号,tc1表示第一道工序上下料时间之和,w1表示步骤S2中RGV到达的刀头的标号,t′表示刀头的工作总时长,T2 j表示第j个产品的第二道工序加工时长,N1(w1)为第一道工序刀头对应产品初始状态,T1 j+1(w1)为第j+1个产品到达的刀头的标号w1的第一道工序加工时长,为第一道工序第j+1个产品到达的刀头的标号w1的产品编号,S1 j+1为第j+1个产品的第一道工序转移次数,T1 j+1为第j+1个产品的第一道工序加工时长,N1 j+1为表示第j+1个产品的第一道工序产品编号,Nj+1 C1为第一道工序时第j+1个刀头的标号;
步骤S6中,所述根据预设的离散化生物演化方程更新第一道工序刀头非空闲状态变量,具体为:
通过离散化生物演化方程Fj+1(S1 j+1,N1 j+1,T1 j+1,Nj+1 C1)=aFj(S1 j,N1 j,T1 j,Nj C1)+β进行演化,更新Sj+1=Sj+1,T1 j+1=T1 j+tc1,T1 j+1(w1)=1,T2 j+1=T2 j+tc1,t′=t′+tc1,其中,Fj(S1 j,N1 j,T1 j,Nj C1)=[S1 j,N1 j,T1 j,Nj C1]T,α,β为方程系数,S1 j表示第j个产品的第一转移次数,N1 j表示第j个产品的第一道工序产品编号,T1 j表示第j个产品的第一道工序加工时长,Nj C1表示第一道工序工序时第j个刀头的标号,tc1表示第一道工序上下料时间之和,w1表示步骤S2中RGV到达的刀头的标号,t′表示刀头的工作总时长,T2 j表示第j个产品的第二道加工时长。
6.根据权利要求1所述的基于故障RGV智能二道工序加工调度方法,其特征在于,步骤S11中,所述根据预设的离散化生物演化方程更新第二道工序刀头空闲状态变量,具体为:
通过离散化生物演化方程Fj+1(S2 j+1,N2 j+1,T2 j+1,Nj+1 C2)=aFj(S2 j,N2 j,T2 j,Nj C2)+β进行演化,更新N2(w2)=N1(w1),T1 j+1=T1 j+tc2/2,T2 j+1=T2 j+tc2/2,t′=t′+tc2/2,其中,Fj(S2 j,N2 j,T2 j,Nj C2)=[S2 j,N2 j,T2 j,Nj C2]T,α,β为方程系数,S2 j表示第j个产品的第二道工序转移次数,N1 j表示第j个产品的第一道工序产品编号,N2 j表示第j个产品的第二道工序产品编号,T2 j表示第j个产品的第二道工序加工时长,Nj C2表示第二道工序时第j个刀头的标号,tc2表示第二道工序上下料时间之和,w1表示步骤S2中RGV到达的刀头的标号,w2表示步骤S7中RGV到达的刀头的标号,t′表示刀头的工作总时长,N2(w2)为第二道工序刀头对应产品初始状态,T2 j+1(w2)为第j+1个产品到达的刀头的标号w2的第二道工序加工时长,为第二道工序第j+1个产品到达的刀头的标号w2的产品编号,S2 j+1为第j+1个产品的第二道工序转移次数,T2 j+1为第j+1个产品的第二道工序加工时长,N2 j+1为表示第j+1个产品的第二道工序产品编号,Nj+1 C2为第二道工序时第j+1个刀头的标号,为表示第j次CNC加工更新示空闲刀头的累加空闲时间,为表示第j-1次CNC加工更新示空闲刀头的累加空闲时间,tj+1为到j+1个产品的总工作时长,tj为到j个产品总工作时长;
步骤S11中,所述根据预设的离散化生物演化方程更新第二道工序刀头非空闲状态变量,具体为:
通过离散化生物演化方程进行演化,更新T1 j+1=T1 j+tc2+tq T2 j+1=T2 j+tc2+tq,T2 j+1(w)=tq,Nj+1 C2(w2)=w2,t′=t′+tc2+tq,其中,α,β为方程系数,Fj(S2 j,N2 j,T2 j,Nj C2)=[S2 j,N2 j,T2 j,Nj C2]T,S2 j表示第j个产品的第二道工序转移次数,N1 j表示第j个产品的第一道工序产品编号,N2 j表示第j个产品的第二道工序产品编号,T2 j表示第j个产品的第二道工序加工时长,Nj C2表示第二道工序时第j个刀头的标号,tc2表示第二道工序上下料时间之和,w1表示步骤S2中RGV到达的刀头的标号,w2表示步骤S7中RGV到达的刀头的标号,t′表示刀头的工作总时长,tq表示刀头清洗时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910073178.1A CN110084462B (zh) | 2019-01-25 | 2019-01-25 | 一种基于故障rgv智能二道工序加工调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910073178.1A CN110084462B (zh) | 2019-01-25 | 2019-01-25 | 一种基于故障rgv智能二道工序加工调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110084462A CN110084462A (zh) | 2019-08-02 |
CN110084462B true CN110084462B (zh) | 2023-05-05 |
Family
ID=67413011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910073178.1A Active CN110084462B (zh) | 2019-01-25 | 2019-01-25 | 一种基于故障rgv智能二道工序加工调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110084462B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110989535B (zh) * | 2019-12-20 | 2022-12-16 | 华南理工大学 | 一种应对加工次序变动的生产计划动态调整方法 |
CN112036693B (zh) * | 2020-07-28 | 2022-04-08 | 成都飞机工业(集团)有限责任公司 | 基于有限加权工序故障率的工序排序法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006059316A (ja) * | 2004-07-21 | 2006-03-02 | Hitachi Kiden Kogyo Ltd | 搬送装置の設計支援システム |
CN109032150A (zh) * | 2018-10-16 | 2018-12-18 | 山东师范大学 | 基于遗传算法分段优化的轨道式自动引导车动态调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6372177B2 (ja) * | 2014-06-11 | 2018-08-15 | 株式会社ジェイテクト | 搬送システム |
-
2019
- 2019-01-25 CN CN201910073178.1A patent/CN110084462B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006059316A (ja) * | 2004-07-21 | 2006-03-02 | Hitachi Kiden Kogyo Ltd | 搬送装置の設計支援システム |
CN109032150A (zh) * | 2018-10-16 | 2018-12-18 | 山东师范大学 | 基于遗传算法分段优化的轨道式自动引导车动态调度方法 |
Non-Patent Citations (2)
Title |
---|
基于效率和稳定性的智能RGV动态调度研究;刘凯 等;《青岛远洋船员职业学院学报》;20181231;全文 * |
基于遗传算法的分序RGV动态调度策略;林铠 等;《计算机应用》;20181231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110084462A (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zanchettin et al. | Prediction of human activity patterns for human–robot collaborative assembly tasks | |
Asokan et al. | Application of adaptive genetic algorithm and particle swarm optimisation in scheduling of jobs and AS/RS in FMS | |
CN106527373B (zh) | 基于多智能体的车间自主调度系统和方法 | |
CN109270904A (zh) | 一种柔性作业车间批量动态调度优化方法 | |
CN110084462B (zh) | 一种基于故障rgv智能二道工序加工调度方法 | |
CN103310285A (zh) | 可用于半导体生产线动态调度的性能预测方法 | |
Xu et al. | Optimization approaches for solving production scheduling problem: A brief overview and a case study for hybrid flow shop using genetic algorithms | |
CN113656156A (zh) | 一种基于禁忌搜索算法和遗传算法结合的调度优化方法 | |
Tian et al. | Real-time shop floor scheduling method based on virtual queue adaptive control: Algorithm and experimental results | |
CN114282370B (zh) | 考虑操作者体力和脑力负荷的拆卸线设置方法 | |
Jiang et al. | Application and dynamic simulation of improved genetic algorithm in production workshop scheduling | |
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 | |
CN115049246A (zh) | 一种面向订单扰动下的离散制造生产线重调度方法 | |
CN114460908A (zh) | 一种螺狮粉生产企业柔性生产车间调度方法 | |
CN110147078B (zh) | 一种无故障rgv智能系统二道工序加工动态调度方法 | |
CN113406939A (zh) | 一种基于深度q网络的无关并行机动态混合流水车间调度方法 | |
Sobaszek et al. | The algorithms for robust scheduling of production jobs under machine failure and variable technological operation times | |
CN109919355B (zh) | 一种基于故障的rgv单工序产品加工数量预测方法 | |
CN116414094A (zh) | 一种焊接装配智能调度方法及系统 | |
Ma et al. | A hybrid discrete differential evolution algorithm for dynamic scheduling in robotic cells | |
JP2023120168A (ja) | 半導体工場における待ち時間予測のための方法 | |
CN115437321A (zh) | 基于深度强化学习网络的微服务-多代理工厂调度模型 | |
Vosniakos et al. | Neural network simulation metamodels and genetic algorithms in analysis and design of manufacturing cells | |
CN111985848A (zh) | 一种基于启发式算法的轴承端盖生产排产调度优化方法 | |
ElMaraghy et al. | Deadlock-free rescheduling in flexible manufacturing 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 |