CN110245842B - 一种面向设备突发大故障的生产线风险调度方法 - Google Patents

Abstract

本发明涉及生产线调度领域，尤其是涉及一种面向设备突发大故障的生产线风险调度方法。本发明通过在生产线设备故障风险的评估过程中考虑了生产线设备突发大故障的影响，通过引入突发大故障健康状态，使得采用的风险评估方案能够更准确评估生产线设备风险；通过建立生产线设备健康状态模型，明确生产线设备突发大故障状态在整个生产线设备健康状态所占的权重，通过线性加权综合评估生产线设备风险；改进的差分局部算法在保持原有搜索方法优点的同时，增加了个体的多样性，有效防止搜索陷入局部最优解。本发明能够考虑生产线设备突发大故障带来的风险，实现生产线的多目标风险调度。

Description

一种面向设备突发大故障的生产线风险调度方法

技术领域

本发明涉及生产线调度领域，尤其是涉及一种面向设备突发大故障的生产线风险调度方法。

背景技术

由于现代制造系统机电生产线设备的复杂性，加之生产过程中材料和生产线设备部件不可预测的失效等诸多不确定性，现实生产中会随机出现生产线设备突发大故障。这种生产线设备突发大故障虽然发生概率低，但一旦发生就会带来严重的生产线设备非计划停机或重大产品事故，从而降低生产能力、严重扰乱正常生产计划的执行、延迟交货期。

南京信息工程大学的中国专利公布号CN104635772A,公布日为2015年5月20日，发明名称为“一种制造系统自适应动态调度方法”，该方法虽然能面对动态生产环境实现自适应动态调度，但未能综合考虑生产线设备突发大故障发生的概率与严重程度，难以反应制造系统的实际运行风险水平，更不能从安全、经济和风险的全局视角进行统筹协调给出规避风险的调度策略。

发明内容

针对生产线设备突发大故障是一种发生概率低但影响大的极端风险以及其具有累积性特点，为克服现有风险评估方法难以反应生产线设备的实际运行风险水平的缺点，本发明提供了一种面向设备突发大故障的生产线风险调度方法。

一种面向设备突发大故障的生产线风险调度方法，该方法包括以下步骤：

1)建立基于隐马尔可夫模型的生产线设备健康状态评估模型；所述生产线设备健康状态包括健康、亚健康、正常、异常、常规故障、突发大故障状态；

2)根据步骤1的生产线设备健康状态评估模型获取生产线设备处于突发大故障状态的概率；

3)度量生产线设备常规故障风险和突发大故障的风险，根据步骤2获取的生产线设备处于突发大故障状态概率，基于线性加权综合评估生产线设备故障风险；

4)围绕步骤3获取的生产线设备风险性及其经济性两者关系进行分析，构建一种多目标风险调度模型；

5)结合差分进化方法和多目标非支配遗传算法，优化步骤4建立的多目标风险调度模型，得到生产线的最终调度方案。

所述的步骤1)具体为：

1.1)采用分段K-means方法进行模型参数的初始化，通过不断迭代模型聚

类中心，获得隐马尔可夫模型初始化参数λ，即λ＝(π，A，B)。

式中π表示初始状态分布向量，A表示状态转移概率分布矩阵，B表示观察值概率矩阵。

1.2)输入生产线设备性能参数跟踪数据，训练模型参数，直至使观测序列O的概率的值最大，且模型参数收敛为止，此时的模型

为所求的隐马尔科夫链。

所述的步骤2)具体为：

利用Forward-Backward算法，计算出生产线设备在t时刻处于状态θ_i的概率：

式中

为给定λ在t时刻输出的观测序列为{o₁,…,o_t}、状态为θ_i的概率，

为给定λ在t时刻输出的观测序列为{o_t+1,…,o_T}、状态为θ_j的概率，

为给定λ对应的观测序列O的最大概率。

计算生产线设备处于突发大故障状态θ_k的概率p_k：

所述的步骤3)具体为：

根据步骤2)中计算的生产线设备突发大故障状态概率p_k，利用信息熵确定线性组合的生产线设备突发大故障权重因子δ：

式中H_k为生产线设备突发大故障状态对应的信息熵，H_i为生产线设备各健康状态对应的信息熵，m为生产线设备健康状态的个数。

基于生产线设备突发大故障权重因子δ，评估生产线设备故障风险c。

c＝δCVaR_c+(1-δ)B_i

式中CVaR_c为生产线设备突发大故障风险，B_i为生产线设备常规故障风险。

所述的步骤4)构建多目标风险调度模型从经济性和风险性两方面统筹考虑，以工位负荷平衡和生产线设备故障风险为优化目标，构建一种多目标风险调度模型：

min f(x)＝{Cost,Risk}

4.1)为均衡每一个瓶颈工位的过载时间与空闲时间，平衡工位负载将作为风险调度的经济性指标，具体定义为：

式中：idt_ij为第i次序的车在第j工位的闲置时间，ovt_ij为第i次序的车在第j工位的超载时间。

4.2)根据步骤3)计算调度模型风险指标：

RISK＝δCVaR_c+(1-δ)B_i

所述风险调度模型约束条件包括：工序顺序约束、机器约束和连续性约束。

1)工序约束：要求同一工件的工序间有先后约束，即工件i的第j道工序必须在第(j-1)道工序结束后才可以进行：

式中b_ijm表示工序R_ij在m台机器上的开始加工时间，S_ijm＝S_i(j-1)m＝1。

2)机器约束:同一台机器在同一时刻只能加工一道工序，即对工序R_ij在时刻t,t>0，若

则S_xym＝1必不成立(i＝x时j≠y)。

3)连续性约束：工序R_ij在加工过程中不能中断：

式中c_ijm表示工序R_ij的完工时间。

作为本发明一种面向设备突发大故障的生产线风险调度方法进一步的优化方案，所述步骤5的多目标非支配遗传算法包括以下步骤：

①随机初始化一个父种群P₀，其包含N个个体，对种群中的个体进行快速非支配排序得到种群P_t，并根据非支配等级对每个个体进行分级；

②对种群P_t二元锦标赛得到种群P_t′，随机选择个体p，利用差分变异模型以差分概率P_d进行变异；

③将步骤②的变异个体与其它个体进行二项式交叉生成个体q′；

④对个体q′以变异概率P_m产生新的变异个体q″,并将q′、q″合并成子代种群Q_t；

⑤合并P_t和Q_t生成组合种群R_t；

⑥对R_t进行快速非支配排序，比较R_t的拥挤距离，并利用精英策略选择R_t中的N个个体组成新一代种群P_t+1；

⑦判断是否满足终止条件，若满足条件，循环结束，输出结果；否则，转到步骤②继续执行。

作为本发明一种面向设备突发大故障的生产线风险调度方法进一步的优化方案，所述步骤5中的差分变异模型如下：

式中x_best表示当前种群中最优个体，F是缩放因子，

是在种群P_t随机选择的。

本发明的技术方案，具有以下成效：

1)本发明通过在生产线设备故障风险的评估过程中考虑了生产线设备突发大故障的影响，通过引入突发大故障健康状态，使得采用的风险评估方案能够更准确评估生产线设备风险。

2)本发明通过建立生产线设备健康状态模型，明确生产线设备突发大故障状态在整个生产线设备健康状态所占的权重，通过线性加权综合评估生产线设备风险，以解决生产线设备突发大故障发生概率低但危害严重的问题。

3)本发明设计改进多目标非支配遗传算法进行求解风险调度模型不确定性因素所引起的风险成本。本发明设计的改进的差分局部算法在保持原有搜索方法具有流程简单易实现、算法参数少、收敛速度快等优点的同时，可以增加个体的多样性，有效防止搜索陷入局部最优解。

综上所述，本发明提供的一种面向设备突发大故障的生产线风险调度方法，能够考虑生产线设备突发大故障带来的风险，实现生产线的多目标风险调度。

附图说明

图1为本发明生产线设备健康状态转移过程；

图2为本发明风险调度方法实施方式流程；

图3为本发明结合差分进化和多目标非支配遗传算法的调度算法流程图；

图4为实施例DENSGA-II和NSGA-II算法得到的Pareto曲线。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明公开了一种面向设备突发大故障的生产线风险调度方法，如图1所示，生产线设备健康状态包括健康、亚健康、正常、异常、常规故障、突发大故障状态。

步骤1)：

1.1)采用分段K-means方法进行模型参数的初始化，通过不断迭代模型聚类中心，获得隐马尔可夫模型初始化参数λ，即λ＝(π，A，B)。

式中π表示初始状态分布向量，A表示状态转移概率分布矩阵，B表示观察值概率矩阵。

1.2)输入生产线设备性能参数跟踪数据，训练模型参数，直至使观测序列O的概率的值最大，且模型参数收敛为止，此时的模型

为所求的隐马尔科夫链。

步骤2)：

利用Forward-Backward算法，计算出生产线设备在t时刻处于状态θ_i的概率：

式中

为给定λ在t时刻输出的观测序列为{o₁,…,o_t}、状态为θ_i的概率，

为给定λ在t时刻输出的观测序列为{o_t+1,…,o_T}、状态为θ_j的概率，

为给定λ对应的观测序列O的最大概率。

计算生产线设备处于突发大故障状态θ_k的概率p_k：

步骤3)：

根据2)中计算的生产线设备突发大故障状态概率p_k，利用信息熵确定线性组合的生产线设备突发大故障权重因子δ：

式中H_k为生产线设备突发大故障状态对应的信息熵，H_i为生产线设备各健康状态对应的信息熵，m为生产线设备健康状态的个数。

基于生产线设备突发大故障权重因子δ，评估设故障风险c。

c＝δCVaR_c+(1-δ)B_i

式中CVaR_c为生产线设备突发大故障风险，B_i为生产线设备常规故障风险。

步骤4)：

构建多目标风险调度模型从经济性和风险性两方面统筹考虑，以工位负荷平衡和生产线设备故障风险为优化目标，构建一种多目标风险调度模型：

min f(x)＝{Cost,Risk}

4.1)为均衡每一个瓶颈工位的过载时间与空闲时间，平衡工位负载将作为风险调度的经济性指标，具体定义为：

式中：idt_ij为第i次序的车在第j工位的闲置时间，ovt_ij为第i次序的车在第j工位的超载时间。

4.2)根据步骤3)计算调度模型风险指标：

RISK＝δCVaR_c+(1-δ)B_i

所述风险调度模型约束条件包括：工序顺序约束、机器约束和连续性约束。

工序约束：要求同一工件的工序间有先后约束，即工件i的第j道工序必须在第(j-1)道工序结束后才可以进行：

式中b_ijm表示工序R_ij在m台机器上的开始加工时间，S_ijm＝S_i(j-1)m＝1。

机器约束:同一台机器在同一时刻只能加工一道工序，即对工序R_ij在时刻t,t>0，若

则S_xym＝1必不成立(i＝x时j≠y)。

连续性约束：工序R_ij在加工过程中不能中断：

式中c_ijm表示工序R_ij的完工时间。

如图3所示，所述步骤5的多目标非支配遗传算法包括以下步骤：

①随机初始化一个父种群P₀，其包含N个个体，对种群中的个体进行快速非支配排序得到种群P_t，并根据非支配等级对每个个体进行分级；

②对种群P_t二元锦标赛得到种群P_t′，随机选择个体p，利用差分变异模型以差分概率P_d进行变异；

③将步骤②的变异个体与其它个体进行二项式交叉生成个体q′；

④对个体q′以变异概率P_m产生新的变异个体q″,并将q′、q″合并成子代种群Q_t；

⑤合并P_t和Q_t生成组合种群R_t；

⑥对R_t进行快速非支配排序，比较R_t的拥挤距离，并利用精英策略选择R_t中的N个个体组成新一代种群P_t+1；

⑦判断是否满足终止条件，若满足条件，循环结束，输出结果；否则，转到步骤②继续执行。

所述步骤5中的差分变异模型如下：

式中x_best表示当前种群中最优个体，F是缩放因子，

是在种群P_t随机选择的。

为了验证本文提出的改进的多目标非支配遗传算法(DENSGA-II)的效果，将其与标准的多目标非支配遗传算法(NSGA-II)进行对比，对某车间的焊接生产批次计划进行调度。其生产计划如表1所示，这12种车型在10个瓶颈工位的额定工时如表2所示，用于对工位负载平衡进行研究。

表1生产线批次生产计划

车型	A	B	C	D	E	F	G	H	I	J	K	L
													数量	4	3	5	2	3	1	6	3	4	2	6	1

表2生产线的12种车型瓶颈工位需要的工位时间

车型	MB02	MB05	MB07	MB08	MB10	MB13	MB19	MB20	MB21	MB24
											A	74	84	61	74	77	78	72	63	78	75
B	86	78	70	78	81	82	75	68	77	83
											C	83	75	74	65	84	66	77	80	84	68
D	78	84	84	76	78	83	74	69	77	76
											E	61	83	76	85	84	65	78	74	71	64
F	91	83	61	76	79	78	72	62	83	93
											G	68	77	81	69	78	84	66	73	78	66
H	79	68	73	84	75	65	76	79	83	67
											I	75	77	64	85	77	82	84	64	83	63
J	72	75	86	88	65	74	85	65	68	76
											K	83	75	74	70	86	74	75	64	78	84
L	74	92	86	68	74	72	84	64	78	68

在算法参数设置方面，DENSGA-II和NSGA-II都采用整数编码，DENSGA-II的缩放因子设置为0.5，差分概率为0.9，变异概率为0.25，多项式变异指数为20；NSGA-II的交叉概率为0.9，变异概率为0.1，均设置种群规模为100，存档种群规模为50，迭代次数为250。

基于以上设置的实验参数，分别使用DENSGA-II算法和NSGA-II算法对白车身焊接生产线进行风险调度，运行10次，图4记录了DENSGA-II和NSGA-II算法得到的Pareto曲线。通过图4分析，在Pareto最优解的数量及其分布的均匀性上，DENSGA-II算法的结果都好于NSGA-II算法。因此，DENSGA-II在搜索性能上好于NSGA-II算法。

从上述验证结果可以看出，本发明提供的方法在生产线调度时，能在保证工位负载均衡时，同时降低生产线设备故障风险。

Claims (1)

1.一种面向生产线设备突发大故障的生产线风险调度方法，其特征在于，包括以下步骤：

步骤1、建立基于隐马尔可夫模型的生产线设备健康状态评估模型；所述生产线设备健康状态包括健康、亚健康、正常、异常、常规故障和突发大故障状态；

步骤1-1、采用分段K-means方法进行模型参数的初始化，通过不断迭代模型聚类中心，获得模型初始化参数λ，即λ=（π，A，B）；式中π表示初始状态分布向量，A表示状态转移概率分布矩阵，B表示观察值概率矩阵；

步骤1-2、输入生产线设备性能参数跟踪数据，训练模型参数，直至使观测序列O的概率最大，且模型参数收敛为止，此时的模型

为所求的隐马尔科夫链；

步骤2、根据步骤1的生产线设备健康状态评估模型获取生产线设备处于突发大故障状态的概率；

利用Forward-Backward算法，计算出生产线设备在t时刻处于状态

的概率：

式中

为给定λ在t时刻输出的观测序列为{o ₁,…o _t }、状态为

的概率，

为给定λ在t时刻输出的观测序列为{o _t+1,…o _T }、状态为

的概率，

为给定λ对应的观测序列O的最大概率；

计算生产线设备处于突发大故障状态

的概率P _k ：

；

步骤3、度量生产线设备常规故障风险和突发大故障的风险，根据步骤2获取的生产线设备处于突发大故障状态概率P _k ，基于线性加权综合评估生产线设备故障风险；

根据P _k 利用信息熵确定线性组合的生产线设备突发大故障权重因子：

式中H _k 为生产线设备突发大故障状态对应的信息熵，H _i 为生产线设备各健康状态对应的信息熵，m为生产线设备健康状态的个数；

基于生产线设备突发大故障权重因子δ，评估生产线设备故障风险；

式中CVaR _c 为生产线设备突发大故障风险，B _i 为生产线设备常规故障风险；

步骤4、围绕步骤3获取的生产线设备风险性及其经济性两者关系进行分析，构建多目标风险调度模型从经济性和风险性两方面统筹考虑，以工位负荷平衡和生产线设备故障风险为优化目标，构建一种多目标风险调度模型；

步骤4-1、为均衡每一个瓶颈工位的过载时间与空闲时间，平衡工位负载将作为风险调度的经济性指标，具体定义为：

式中：idt _ij 为第i次序的车在第j工位的闲置时间，ovt _ij 为第i次序的车在第j工位的超载时间；

步骤4-2、根据步骤3计算调度模型风险指标：

所述风险调度模型约束条件包括：工序顺序约束、机器约束和连续性约束；

工序约束：要求同一工件的工序间有先后约束，即工件i的第j道工序必须在第(j-1)道工序结束后才可以进行：

式中b _ijm 表示工序R _ij 在m台机器的开始加工时间，S _ijm = S _i(j-1)m =1；

机器约束:同一台机器在同一时刻只能加工一道工序，即对工序R _ij 在时刻t, t＞0若

，则S _xym =1必不成立，i=x时j≠y；

连续性约束：工序R _ij 在加工过程中不能中断：

式中c _ijm 表示工序R _ij 的完工时间；

步骤5、结合差分进化方法和多目标非支配遗传算法，优化步骤4建立的多目标风险调度模型，得到生产线的最终调度方案；

具体的多目标非支配遗传算法包括以下步骤：

步骤5-1、随机初始化一个父种群P ₀，其包含N个个体，对种群中的个体进行快速非支配排序得到种群P _t ，并根据非支配等级对每个个体进行分级；

步骤5-2、对种群P _t 二元锦标赛得到种群P _t '，随机选择个体p，利用差分变异模型以差分概率P _d 进行变异；差分变异模型如下：

式中x _best 表示当前种群中最优个体，F是缩放因子，x _r1 、x _r2 、x _r3 、x _r4 是在种群P _t 随机选择的；

步骤5-3、将步骤5-2的变异个体与其它个体进行二项式交叉生成个体q'；

步骤5-4、对个体q'以变异概率P _m 产生新的变异个体q''，并将q'、q''合并成子代种群

；

步骤5-5、合并P _t 和

生成组合种群R _t ；

步骤5-6、对R _t 进行快速非支配排序，比较R _t 的拥挤距离，并利用精英策略选择R _t 中的N个个体组成新一代种群P _t+1；

步骤5-7、判断是否满足终止条件，若满足条件，循环结束，输出结果；否则，转到步骤5-2继续执行。

Images