CN110221585B - 一种用于混合流水车间考虑设备维护的节能调度控制方法 - Google Patents

一种用于混合流水车间考虑设备维护的节能调度控制方法 Download PDF

Info

Publication number
CN110221585B
CN110221585B CN201910516943.2A CN201910516943A CN110221585B CN 110221585 B CN110221585 B CN 110221585B CN 201910516943 A CN201910516943 A CN 201910516943A CN 110221585 B CN110221585 B CN 110221585B
Authority
CN
China
Prior art keywords
workpiece
time
maintenance
machine
equipment
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
Application number
CN201910516943.2A
Other languages
English (en)
Other versions
CN110221585A (zh
Inventor
乔非
邢俊霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN201910516943.2A priority Critical patent/CN110221585B/zh
Publication of CN110221585A publication Critical patent/CN110221585A/zh
Application granted granted Critical
Publication of CN110221585B publication Critical patent/CN110221585B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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]
    • G05B19/41885—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 modeling, simulation of the manufacturing system
    • 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
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
    • 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
    • Y02P90/80—Management or planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明涉及一种用于混合流水车间考虑设备维护的节能调度控制方法，该方法包括以下步骤：步骤1：根据混合流水车间的生产特征获得生产约束和求解目标函数，并引入能耗目标，建立多目标规划模型；步骤2：根据设备的维护数据分析设备维护对生产调度的影响，将设备维护作对应的约束条件加入至多目标规划模型中形成完整多目标规划模型；步骤3：采用GA算法对实际混合流水车间进行编码遗传操作，得到子代个体；步骤4：采用NSGA‑II算法与启发式算法协同的混合算法并结合子代个体对完整多目标规划模型进行寻优求解并根据最终得到的寻优求解结果对混合流水车间进行调度控制。与现有技术相比，本发明具有运算速度快、鲁棒性好等优点。

Description

一种用于混合流水车间考虑设备维护的节能调度控制方法
技术领域
本发明涉及考虑设备维护的生产调度控制技术领域，尤其是涉及一种用于混合流水车间考虑设备维护的节能调度控制方法。
背景技术
混合流水车间问题一般可以描述为：一批待加工工件按照某种顺序依次通过多道工序进行加工，每个工件的加工工序相同，且每台设备对应一道工序，但是工件在每道工序可以选择不同的可用设备。在满足生产约束条件下，通过对工件的加工顺序和设备选择进行合理的安排，可以优化一些性能指标。这是一类NP难问题。
在现有的研究中，在中国专利“一种基于双目标作业车间调度的混合果蝇算法”(公开号：CN108776845A)中，提出了一种双目标作业车间调度的混合果蝇算法，提升了作业车间的效率。但是在可持续制造的大背景下，考虑能耗的生产调度问题成为许多学者的研究重点。在中国专利“调整时间与顺序相关的柔性流水车间能耗优化调度方法”(公开号：CN104391488A)中，杨海东等以能耗优化为目标，利用NEH(启发式)算法求解问题，优化了能耗，节省了成本。但是以上文献虽然解决了流水车间工件调度问题，且将能耗目标加入到生产调度中，但是在实际生产中，由于机器会随着服役时间的增加造成性能逐渐下降，不仅会导致生产延迟和能源损耗，更会带来安全隐患，所以不得不考虑设备的运行状态，而文献中对考虑设备运行状态的节能的生产调度方法研究很少。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种用于混合流水车间考虑设备维护的节能调度控制方法。
本发明的目的可以通过以下技术方案来实现：
一种用于混合流水车间考虑设备维护的节能调度控制方法，该方法包括以下步骤：
步骤1：根据混合流水车间的生产特征获得生产约束和求解目标函数，并引入能耗目标，建立多目标规划模型；
步骤2：根据设备的维护数据分析设备维护对生产调度的影响，将设备维护作对应的约束条件加入至多目标规划模型中形成完整多目标规划模型；
步骤3：采用GA算法对实际混合流水车间进行编码遗传操作，得到子代个体；
步骤4：采用NSGA-II算法与启发式算法协同的混合算法并结合子代个体对完整多目标规划模型进行寻优求解并根据最终得到的寻优求解结果对混合流水车间进行调度控制。
进一步地，所述的步骤1中的求解目标函数包括确定最小化最大完工时间的目标函数和确定最小化能耗的目标函数。
进一步地，所述确定最小化最大完工时间的目标函数，其描述函数公式为：
Figure BDA0002095348620000021
式中，Xjsm表示工件j在第s道工序被分配到机器m的决策变量，Tjsm表示工件j的工序s在机器m上所需加工时间，M表示所有机器，S表示所有工序，J表示所有工件，f1表示确定最小化最大完工时间的目标函数；
所述确定最小化能耗的目标函数，其描述函数公式为：
Figure BDA0002095348620000022
式中，f2表示确定最小化能耗的目标函数，Ejsm表示工件j的工序s在机器m上所需加工能耗。
进一步地，所述步骤1中的生产约束包括约定每个工件每道工序只能被加工一次、约定每个工件一道工序的开始加工时间在其上一道工序完成加工后、约定每个工件每道工序的完成时间为其开始加工时间与加工耗时之和、约定每台设备不同同时加工多个工件。
进一步地，所述约定每个工件每道工序只能被加工一次，其描述公式为：
Figure BDA0002095348620000023
所述约定每个工件一道工序的开始加工时间在其上一道工序完成加工后，其描述公式为：
Figure BDA0002095348620000031
式中，ETjs表示工件j在第s道工序的加工完成时间，STj(s+1)表示工件j在第s+1道工序的加工开始时间；
所述约定每个工件每道工序的完成时间为其开始加工时间与加工耗时之和，其描述公式为：
Figure BDA0002095348620000032
式中，STjs表示工件j在第s道工序的加工开始时间，Tjs表示工件j在第s道工序的实际加工耗时；
所述约定每台设备不同同时加工多个工件，其描述公式为：
Figure BDA0002095348620000033
式中，ST(q+1)m表示机器m加工第q+1个工件的开始时间，ETqm表示机器m加工第q个工件的完成时间，Xqm,X(q+1)m分别为工件q和q+1各自被分配到同一机器m上的决策变量。
进一步地，所述步骤2中的设备维护作对应的约束条件包括约束设备已运行的时长与加工下一个工件耗时总和不能高于设备的剩余使用寿命、约束设备在维护期间，不能对工件进行加工、约束设备的开始维护时间与结束维护时间。
进一步地，所述约束设备已运行的时长与加工下一个工件耗时总和不能高于设备的剩余使用寿命，其描述公式为：
Figure BDA0002095348620000034
式中，SOHm表示机器m已运行时长，Tqsm表示工件q的工序s在机器m上的加工耗时，μm表示当机器进入维护期时的调节系数，RULm表示机器m的剩余使用寿命；
所述约束设备在维护期间，不能对工件进行加工，其描述公式为：
Figure BDA0002095348620000035
式中，EOHm表示机器m维护所需时长，MSTm表示机器m开始维护时间；
所述约束设备的开始维护时间与结束维护时间，其描述公式为：
MSTm＝μm*ETqm
METm＝MSTm+EOHm
式中，METm表示机器维护结束时间。
进一步地，所述步骤3具体包括以下分步骤：
步骤31：采用实数编码对实际混合流水车间的相关信息，即每个工件和工件每道工序可用的及其进行编码，获得工件编码染色体，每个染色体的序列由用于作为第一层的工件工序和用于作为第二层的使用机器组成；
步骤32：针对工件编码染色体设置遗传操作的选择率、交叉率、最大迭代次数并初始化种群，得到子代个体。
进一步地，所述步骤4具体包括以下分步骤：
步骤41：计算子代个体中每个个体两个目标函数的值，并将其新增至工件编码染色体的最后两列；
步骤42：若任意两个个体间各自的所有目标函数值至少有一个优于比较对象，则设置该个体支配比较个体，对于不受任何其他比较个体支配的个体，其评定等级为r；
步骤43：受评定等级为r的个体支配的解，再次进行步骤42中的支配判断，并分配新评定等级r+1，循环执行步骤42和43直至所有个体都被分配到评定等级；
步骤44：根据拥挤度函数获取每个个体拥挤度，将其与评定等级相结合并作为个体适应度值，根据个体适应度值对子代个体进行选择操作，留下在选择率范围内的个体；
步骤45：对在选择率范围内的个体分别进行单点交叉操作和变异操作后并重新获取经遗传操作后的新种群，将新种群与在选择率范围外的未经过遗传操作的种群合并得到经过选择操作后种群，并根据原始种群个数对其淘汰并留下原始种群个数的初始最优个体；
步骤46：对原始种群个数的初始最优个体解码并跳回至步骤41循环迭代至到达最大迭代次数后从中选取评定等级最小，拥挤度最大的个体作为最终最优个体，并利用对应解码后时间信息对实际混合流水车间进行调度控制。
与现有技术相比，本发明具有以下优点：
(1)本发明方法中在目标函数中考虑了最大完工时间和能耗，首先利用目标规划模型对此复杂问题进行建模；调度策略可以在生产过程中充分考虑设备维护的影响，而且能够得到耗能更低的生产调度策略。
(2)本发明方法中在传统生产调度的基础上，在约束条件中增加了设备维护的约束，更符合实际生产环境；
(3)本发明方法中步骤4采用NSGA-II和启发式算法融合的混合算法，通过多次迭代的选择、交叉、变异操作来更新种群，同时通过计算个体的等级和拥挤度保留优良个体，扩大了采样空间，防止最佳个体的丢失，提高算法的运算速度和鲁棒性。
附图说明
图1为本发明的方法流程图；
图2为本发明实施例得到的帕累托pareto解的双目标散点图；
图3为本发明实施例得到的最优解的甘特图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
如图1所示为本发明一种用于混合流水车间考虑设备维护的节能调度控制方法的流程图，该方法具体包括如下步骤：
步骤1：根据混合流水车间的生产特征获得生产约束和求解目标函数，并引入能耗目标，建立多目标规划模型；
步骤2：根据设备的维护数据分析设备维护对生产调度的影响，将设备维护作对应的约束条件加入至多目标规划模型中形成完整多目标规划模型；
步骤3：采用GA(遗传)算法对实际混合流水车间进行编码遗传操作，得到子代个体；
步骤4：采用NSGA-II(带精英策略的非支配排序的遗传)算法与启发式算法协同的混合算法并结合子代个体对完整多目标规划模型进行寻优求解并根据最终得到的寻优求解结果对混合流水车间进行调度控制。
步骤1确定生产调度的双目标函数，以及生产约束，具体为：
目标函数部分：
101)确定最小化最大完工时间的目标函数，其描述函数公式为：
Figure BDA0002095348620000061
式中，Xjsm表示工件j在第s道工序被分配到机器m的决策变量，Tjsm表示工件j的工序s在机器m上所需加工时间，M表示所有机器，S表示所有工序，J表示所有工件，f1表示确定最小化最大完工时间的目标函数；
102)确定最小化能耗的目标函数，其描述函数公式为：
Figure BDA0002095348620000062
式中，f2表示确定最小化能耗的目标函数，Ejsm表示工件j的工序s在机器m上所需加工能耗。
生产约束部分：
103)约定每个工件每道工序只能被加工一次，其描述公式为：
Figure BDA0002095348620000063
104)约定每个工件一道工序的开始加工时间在其上一道工序完成加工后，其描述公式为：
Figure BDA0002095348620000064
式中，ETjs表示工件j在第s道工序的加工完成时间，STj(s+1)表示工件j在第s+1道工序的加工开始时间；
105)约定每个工件每道工序的完成时间为其开始加工时间与加工耗时之和，其描述公式为：
Figure BDA0002095348620000065
式中，STjs表示工件j在第s道工序的加工开始时间，Tjs表示工件j在第s道工序的实际加工耗时；
106)约定每台设备不同同时加工多个工件，其描述公式为：
Figure BDA0002095348620000066
式中，ST(q+1)m表示机器m加工第q+1个工件的开始时间，ETqm表示机器m加工第q个工件的完成时间，Xqm,X(q+1)m分别为工件q和q+1各自被分配到同一机器m上的决策变量。
步骤2将设备维护作为生产过程的约束条件加入到双目标规划模型中，具体为：
201)约束设备已运行的时长与加工下一个工件耗时总和不能高于设备的剩余使用寿命，其描述公式为：
Figure BDA0002095348620000071
式中，SOHm表示机器m已运行时长，Tqsm表示工件q的工序s在机器m上的加工耗时，μm表示当机器进入维护期时的调节系数，RULm表示机器m的剩余使用寿命；
202)约束设备在维护期间，不能对工件进行加工，其描述公式为：
Figure BDA0002095348620000072
式中，EOHm表示机器m维护所需时长，MSTm表示机器m开始维护时间；
203)约束设备的开始维护时间与结束维护时间，其描述公式为：
MSTm＝μm*ETqm
METm＝MSTm+EOHm
式中，METm表示机器维护结束时间。
在本实施例中，工件的生产信息和设备的维护信息如表1，表2所示：
表1工件生产信息
Figure BDA0002095348620000073
将此信息扩展为4组，形成12个工件，3道工序，7台设备的混合流水车间调度问题。
表2设备维护信息
设备号 设备1 设备2 设备3 设备4 设备5 设备6 设备7
剩余使用寿命(第1次)(min) 7 6 6 5 8 6 10
维护时间(第1次)(min) 1 1 1.5 1 0.5 1.5 1
剩余使用寿命(第2次)(min) 20 19 16 19 17 18 20
维护时间(第2次)(min) 2.5 1 2 2 0.5 1.5 3
剩余使用寿命(第3次)(min) 18 19 15 18 16 17 19
维护时间(第3次)(min) 2.5 1 2 2 0.5 1.5 3
步骤3采用GA算法的思想对上述问题进行编码和遗传操作，具体为：
301)采用实数编码对每个工件和工件每道工序可用的机器进行编码，获得工件编码染色体，每个染色体序列由工件工序和使用机器两层组成，染色体的第一层为工件的工序，第二层为使用的机器；染色体上层的数字代表工件编号，这个数字在上层出现的次数代表此工件加工的第几道工序；染色体下层的数字代表在其对应的染色体上层的数字表示的工序下，可选的机器编号。
例如：3个工件的染色体编码可以为：
基因序号 基因1 基因2 基因3 基因4 基因5 基因6 基因7 基因8 基因9
染色体上层 1 2 2 3 1 3 3 2 1
染色体下层 1 3 2 2 1 1 1 2 2
基因1上层表示第1个工件的第1道工序，对应下层表示第1个工件的第1道工序分配到可选机器的第1台；基因5上层表示第1个工件的第2道工序，对应下层表示第1个工件的第2道工序分配到可选机器的第1台。其他基因同理。
302)设置遗传操作的选择率，交叉率，变异率；
303)初始化种群，设置最大迭代次数和种群个体数，得到表3：
表3，步骤3得到的局部信息
种群个体数NIND＝50
迭代次数gen＝150
选择率GGAP＝0.8
交叉率XOVR＝0.4
变异率MUTR＝0.2
步骤4采用NSGA-II算法与启发式算法协同的混合算法对上述双目标模型寻优求解，具体为：
401)计算每个个体两个目标函数的值，并新增到在染色体的最后两列；
402)对于任意两个个体(S1，S2)的所有目标，S1至少有一个目标值优于S2，其余与S2同，则设置S1支配S2；
403)对于所有解，若S1不受任何其他解支配，则评定S1的等级为r；
404)受等级为r支配的解，再进行402)的支配判断，将根据403)再次得到的非支配解评定为等级r+1；循环403)、404)，直到所有个体都分配到等级；
405)按照拥挤度计算函数对每个个体计算拥挤度，将同一等级中第一个个体和最后一个个体的拥挤度设为无穷大，中间个体拥挤度nd为其与最近两边个体形成的正方形的长宽之和；
1d=kd=Inf
Figure BDA0002095348620000091
406)将403)，404)和405)计算出的等级和拥挤度作为个体的适应度值；
407)根据等级越小，个体越好；同级情况下，拥挤度越大，个体越好；等级和拥挤度都相等时，随机选取的原则对种群进行选择操作，留下在选择率范围内的个体；
408)对种群中的个体进行单点交叉操作，即以交叉率为交叉概率，交换染色体以某点为基准的左右两边的基因(不包含目标值)；
在本实施例中，以三个工件为例说明：
父1:1 2 2 3 1↑3 3 2 1
父2:2 1 1 3 3↑2 1 3 2
以箭头为界，进行单点交叉，交叉后生成两个子代个体：
子1:1 2 2 3 1↑2 1 3 2
子2:2 1 1 3 3↑3 3 2 1
409)对种群中的个体进行变异操作，即以变异率为概率变异染色体上的某个基因；
在本例中，随机选取变异基因，在合理范围内重新赋值。本例的变异操作针对染色体的右半部分，即表示机器的基因进行变异。例如基因序列1 2 2 3 1 3 3 2 1|1 3 2 2 11 1 2 2，基因10表示第1个工件的第1道工序分配到可选机器的第1台，工件1的第1道工序可选的设备由表1可知为{设备1,设备2,设备3}，则可以将基因10突变为2或3。
410)重新计算经遗传操作后的种群中个体的等级和拥挤度；
411)将遗传操作后的新种群与未遗传操作的种群进行合并，形成个体数是进行选择操作后个体数两倍的新种群；
412)根据原始种群个数，淘汰较劣个体，留下原始个体数个较优个体；在本例中，图2显示了循环结束后，所有个体的双目标散点图，。(部分个体双目标相同，因此重合)。
413)当设备当前总加工时长小于其可使用时长时，假定设备不出现故障，设备的可使用时长由设备维护数据作为已知量给出。结合启发式算法，对最优个体进行解码：
a)若机器m1加工某任务(直到完成加工)，都不会达到故障条件，则m1不进行维护操作；
b)若机器m1加工某任务(直到完成加工)，正好达到故障条件，则m1正常加工此任务，加工完成后进行维护操作；
c)若机器m1在开始加工某任务时就达到故障条件，则m1放弃加工该任务，转到维护状态，维护完成后，再开始加工此任务；
d)若机器m1在加工某任务未完成时达到故障条件，则m1放弃加工该任务，转到维护状态，维护完成后，再开始加工此任务。
414)解码后得到工件的开始加工时间，设备维护的开始时间，迭代次数加一，跳到401)循环寻优，直到迭代次数到达最大迭代次数；
415)选择种群中等级最小，拥挤度最大的个体作为当前寻优的最优个体；图3显示了最优个体的甘特图。
416)最后，根据评定函数
Figure BDA0002095348620000101
计算在不同方法下，考虑设备维护的混合流水车间节能生产调度方法的性能，RPD结果如表4：
表4：RPD比较结果
GA SA-GA NSGA-II HMOA
O1best 35.5 43 35.5 32
O2best 248.06 259.66 242.98 239.98
RPD 0.25 0.607 0.273 0.219
由表4可以看出，本发明用的混合多目标算法HMOA相比单独的GA算法、SA-GA(模拟退火-遗传)算法和NSGA-II算法，RPD分别降低12.4％，63.9％，19.8％，说明本发明的方法能够获得更优的调度策略。
以上所述，仅为本发明的具体实施方式，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，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (8)

1.一种用于混合流水车间考虑设备维护的节能调度控制方法，其特征在于，该方法包括以下步骤：
步骤1：根据混合流水车间的生产特征获得生产约束和求解目标函数，并引入能耗目标，建立多目标规划模型；
步骤2：根据设备的维护数据分析设备维护对生产调度的影响，将设备维护作对应的约束条件加入至多目标规划模型中形成完整多目标规划模型；
步骤3：采用GA算法对实际混合流水车间进行编码遗传操作，得到子代个体；
步骤4：采用NSGA-II算法与启发式算法协同的混合算法并结合子代个体对完整多目标规划模型进行寻优求解并根据最终得到的寻优求解结果对混合流水车间进行调度控制；
所述步骤2中的设备维护作对应的约束条件包括约束设备已运行的时长与加工下一个工件耗时总和不能高于设备的剩余使用寿命、约束设备在维护期间不能对工件进行加工、约束设备的开始维护时间与结束维护时间。
2.根据权利要求1所述的一种用于混合流水车间考虑设备维护的节能调度控制方法，其特征在于，所述的步骤1中的求解目标函数包括确定最小化最大完工时间的目标函数和确定最小化能耗的目标函数。
3.根据权利要求2所述的一种用于混合流水车间考虑设备维护的节能调度控制方法，其特征在于，所述确定最小化最大完工时间的目标函数，其描述函数公式为：
Figure FDA0003149602740000011
式中，Xjsm表示工件j在第s道工序被分配到机器m的决策变量，Tjsm表示工件j的工序s在机器m上所需加工时间，M表示所有机器，S表示所有工序，J表示所有工件，f1表示确定最小化最大完工时间的目标函数；
所述确定最小化能耗的目标函数，其描述函数公式为：
Figure FDA0003149602740000012
式中，f2表示确定最小化能耗的目标函数，Ejsm表示工件j的工序s在机器m上所需加工能耗。
4.根据权利要求1所述的一种用于混合流水车间考虑设备维护的节能调度控制方法，其特征在于，所述步骤1中的生产约束包括约定每个工件每道工序只能被加工一次、约定每个工件一道工序的开始加工时间在其上一道工序完成加工后、约定每个工件每道工序的完成时间为其开始加工时间与加工耗时之和、约定每台设备不同时加工多个工件。
5.根据权利要求4所述的一种用于混合流水车间考虑设备维护的节能调度控制方法，其特征在于，所述约定每个工件每道工序只能被加工一次，其描述公式为：
Figure FDA0003149602740000021
式中，S表示所有工序，J表示所有工件；
所述约定每个工件一道工序的开始加工时间在其上一道工序完成加工后，其描述公式为：
Figure FDA0003149602740000022
式中，ETjs表示工件j在第s道工序的加工完成时间，STj(s+1)表示工件j在第s+1道工序的加工开始时间；
所述约定每个工件每道工序的完成时间为其开始加工时间与加工耗时之和，其描述公式为：
Figure FDA0003149602740000023
式中，STjs表示工件j在第s道工序的加工开始时间，Tjs表示工件j在第s道工序的实际加工耗时；
所述约定每台设备不同时加工多个工件，其描述公式为：
Figure FDA0003149602740000024
式中，ST(q+1)m表示机器m加工第q+1个工件的开始时间，ETqm表示机器m加工第q个工件的完成时间，Xqm,X(q+1)m分别为工件q和q+1各自被分配到同一机器m上的决策变量。
6.根据权利要求1所述的一种用于混合流水车间考虑设备维护的节能调度控制方法，其特征在于，所述约束设备已运行的时长与加工下一个工件耗时总和不能高于设备的剩余使用寿命，其描述公式为：
Figure FDA0003149602740000025
式中，SOHm表示机器m已运行时长，Tqsm表示工件q的工序s在机器m上的加工耗时，μm表示当机器进入维护期时的调节系数，RULm表示机器m的剩余使用寿命，M表示所有机器；
所述约束设备在维护期间不能对工件进行加工，其描述公式为：
Figure FDA0003149602740000031
式中，EOHm表示机器m维护所需时长，MSTm表示机器m开始维护时间；
所述约束设备的开始维护时间与结束维护时间，其描述公式为：
MSTm＝μm*ETqm
METm＝MSTm+EOHm
式中，METm表示机器维护结束时间，ST(q+1)m表示机器m加工第q+1个工件的开始时间，ETqm表示机器m加工第q个工件的完成时间，Xqm,X(q+1)m分别为工件q和q+1各自被分配到同一机器m上的决策变量。
7.根据权利要求1所述的一种用于混合流水车间考虑设备维护的节能调度控制方法，其特征在于，所述步骤3具体包括以下分步骤：
步骤31：采用实数编码对实际混合流水车间的相关信息，即每个工件和工件每道工序可用的机器进行编码，获得工件编码染色体，每个染色体的序列由用于作为第一层的工件工序和用于作为第二层的使用机器组成；
步骤32：针对工件编码染色体设置遗传操作的选择率、交叉率、最大迭代次数并初始化种群，得到子代个体。
8.根据权利要求1所述的一种用于混合流水车间考虑设备维护的节能调度控制方法，其特征在于，所述步骤4具体包括以下分步骤：
步骤41：计算子代个体中每个个体两个目标函数的值，并将其新增至工件编码染色体的最后两列；
步骤42：若任意两个个体间各自的所有目标函数值至少有一个优于比较对象，则设置该个体支配比较个体，对于不受任何其他比较个体支配的个体，其评定等级为r；
步骤43：受评定等级为r的个体支配的解，再次进行步骤42中的支配判断，并分配新评定等级r+1，循环执行步骤42和43直至所有个体都被分配到评定等级；
步骤44：根据拥挤度函数获取每个个体拥挤度，将其与评定等级相结合并作为个体适应度值，根据个体适应度值对子代个体进行选择操作，留下在选择率范围内的个体；
步骤45：对在选择率范围内的个体分别进行单点交叉操作和变异操作后并重新获取经遗传操作后的新种群，将新种群与在选择率范围外的未经过遗传操作的种群合并得到经过选择操作后种群，并根据原始种群个数对其淘汰并留下原始种群个数的初始最优个体；
步骤46：对原始种群个数的初始最优个体解码并跳回至步骤41循环迭代至到达最大迭代次数后从中选取评定等级最小拥挤度最大的个体作为最终最优个体，并利用对应解码后时间信息对实际混合流水车间进行调度控制。
CN201910516943.2A 2019-06-14 2019-06-14 一种用于混合流水车间考虑设备维护的节能调度控制方法 Active CN110221585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910516943.2A CN110221585B (zh) 2019-06-14 2019-06-14 一种用于混合流水车间考虑设备维护的节能调度控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910516943.2A CN110221585B (zh) 2019-06-14 2019-06-14 一种用于混合流水车间考虑设备维护的节能调度控制方法

Publications (2)

Publication Number Publication Date
CN110221585A CN110221585A (zh) 2019-09-10
CN110221585B true CN110221585B (zh) 2021-10-08

Family

ID=67817181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910516943.2A Active CN110221585B (zh) 2019-06-14 2019-06-14 一种用于混合流水车间考虑设备维护的节能调度控制方法

Country Status (1)

Country Link
CN (1) CN110221585B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990515A (zh) * 2019-12-02 2021-06-18 中船重工信息科技有限公司 一种基于启发式优化算法的车间资源调度方法
CN111290358B (zh) * 2020-03-20 2021-05-18 北京理工大学 一种面向柔性制造系统的产品节能调度优化方法
CN111966049B (zh) * 2020-06-22 2023-08-29 同济大学 一种混合流水车间生产设备调度控制方法
CN112859761B (zh) * 2020-12-06 2022-04-22 北京工业大学 一种考虑集中热处理的分布式锻造流水车间节能调度方法
CN112561194B (zh) * 2020-12-22 2023-10-03 华中科技大学 一种混合流水车间生产与物流集成调度方法及系统
CN115116588A (zh) * 2021-03-23 2022-09-27 基蛋生物科技股份有限公司 一种流水线仪器任务调度方法及系统
CN113034047B (zh) * 2021-04-21 2023-06-30 河南工业职业技术学院 一种柔性制造车间优化调度方法及系统
CN113361860B (zh) * 2021-05-12 2023-04-07 同济大学 考虑疲劳度的柔性流水车间调度控制方法、介质及设备
CN113344304A (zh) * 2021-07-19 2021-09-03 安徽理工大学 一种新型煤矿井下机车调度优化方法
CN114066065B (zh) * 2021-11-18 2024-07-12 福州大学 一种多目标混合零空闲置换流水车间调度方法及系统
CN116300763B (zh) * 2023-03-31 2024-05-24 华中科技大学 考虑机器配置的混合流水车间数学启发式调度方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604418A (zh) * 2009-06-29 2009-12-16 浙江工业大学 基于量子粒子群算法的化工企业智能生产计划控制系统
CN104111642A (zh) * 2014-06-11 2014-10-22 华中科技大学 设备预防性维护与柔性作业车间控制集成优化方法
CN104268722A (zh) * 2014-10-20 2015-01-07 南京信息工程大学 基于多目标进化算法的动态柔性作业车间调度方法
CN104504540A (zh) * 2015-01-13 2015-04-08 郑州航空工业管理学院 基于多阶段智能优化算法的动态柔性作业车间调度控制方法
CN105824304A (zh) * 2016-05-18 2016-08-03 重庆大学 一种考虑机加工设备可用性的柔性作业车间动态调度方法
CN107862411A (zh) * 2017-11-09 2018-03-30 西南交通大学 一种大规模柔性作业车间调度优化方法
CN109359884A (zh) * 2018-10-31 2019-02-19 南京航空航天大学 航空复杂装备结构件车间作业计划及重调度方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101604418A (zh) * 2009-06-29 2009-12-16 浙江工业大学 基于量子粒子群算法的化工企业智能生产计划控制系统
CN104111642A (zh) * 2014-06-11 2014-10-22 华中科技大学 设备预防性维护与柔性作业车间控制集成优化方法
CN104268722A (zh) * 2014-10-20 2015-01-07 南京信息工程大学 基于多目标进化算法的动态柔性作业车间调度方法
CN104504540A (zh) * 2015-01-13 2015-04-08 郑州航空工业管理学院 基于多阶段智能优化算法的动态柔性作业车间调度控制方法
CN105824304A (zh) * 2016-05-18 2016-08-03 重庆大学 一种考虑机加工设备可用性的柔性作业车间动态调度方法
CN107862411A (zh) * 2017-11-09 2018-03-30 西南交通大学 一种大规模柔性作业车间调度优化方法
CN109359884A (zh) * 2018-10-31 2019-02-19 南京航空航天大学 航空复杂装备结构件车间作业计划及重调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于快速非支配排序遗传算法的多目标流水车间调度研究;周严伟;《中国优秀硕士学位论文全文数据库经济与管理科学辑》;20151215;第二、三、四章 *
考虑能耗约束的并行机组批调度;李国臣等;《中南大学学报（自然科学版）》;20170831;第48卷(第8期);全文 *

Also Published As

Publication number Publication date
CN110221585A (zh) 2019-09-10

Similar Documents

Publication Publication Date Title
CN110221585B (zh) 一种用于混合流水车间考虑设备维护的节能调度控制方法
CN104268722B (zh) 基于多目标进化算法的动态柔性作业车间调度方法
CN106779372B (zh) 基于改进免疫禁忌算法的农机调度方法
CN101901425A (zh) 一种基于多种群协同进化的柔性作业车间调度方法
CN111966049B (zh) 一种混合流水车间生产设备调度控制方法
CN108460463B (zh) 基于改进遗传算法的高端装备流水线生产调度方法
CN109872046B (zh) 混流装配线任务分配与投产排序集成优化方法
CN105629927A (zh) 一种基于混合遗传算法的mes生产计划排产方法
CN112882449B (zh) 一种多品种小批量多目标柔性作业车间能耗优化调度方法
CN111047272B (zh) 一种用于多语言协同开发的项目调度方法及装置
CN106610654A (zh) 针对柔性作业车间调度的改进遗传算法
CN104111642A (zh) 设备预防性维护与柔性作业车间控制集成优化方法
CN112686474B (zh) 一种基于改进的水波优化算法的可并行装配线平衡方法
CN114912346A (zh) 基于学习能力的技能规划配置和车间调度集成优化方法
CN106611219A (zh) 针对多目标优化问题的导引式局部搜索遗传算法
CN114926033A (zh) 基于改进nsgaii的柔性作业车间动态事件调度方法
CN117035364A (zh) 基于改进混合模因算法的分布式异构流水车间调度方法
CN115796510A (zh) 一种基于改进的变邻域遗传算法的多目标柔性作业车间调度方法
CN112990716A (zh) 一种双资源约束柔性车间调度和布局集成优化方法及系统
Fakhrzad et al. A new multi-objective job shop scheduling with setup times using a hybrid genetic algorithm
CN104281917A (zh) 基于自适应遗传和克隆选择算法的模糊作业车间调度方法
CN117077975A (zh) 基于混合初始化模因算法的分布式异构流水车间调度方法
CN110705844B (zh) 基于非强制空闲时间的作业车间调度方案鲁棒优化方法
CN110889534A (zh) 一种基于改进nsga-ii的产品原则布置方法
CN114415615B (zh) 不确定需求下混流装配线平衡分配方法及装置

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