CN110348686B - 用于连续无缓冲区制造系统的能耗不确定性评估方法 - Google Patents
用于连续无缓冲区制造系统的能耗不确定性评估方法 Download PDFInfo
- Publication number
- CN110348686B CN110348686B CN201910498613.5A CN201910498613A CN110348686B CN 110348686 B CN110348686 B CN 110348686B CN 201910498613 A CN201910498613 A CN 201910498613A CN 110348686 B CN110348686 B CN 110348686B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- time
- machine
- manufacturing system
- event
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 204
- 238000005265 energy consumption Methods 0.000 title claims abstract description 164
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 238000005381 potential energy Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 241000287196 Asthenes Species 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 10
- 238000011160 research Methods 0.000 description 7
- 230000001149 cognitive effect Effects 0.000 description 6
- 238000011144 upstream manufacturing Methods 0.000 description 6
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 5
- 229910052782 aluminium Inorganic materials 0.000 description 5
- 238000001125 extrusion Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003754 machining Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 238000013076 uncertainty analysis Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 102100025752 CASP8 and FADD-like apoptosis regulator Human genes 0.000 description 1
- 101710100501 CASP8 and FADD-like apoptosis regulator Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013476 bayesian approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y02P90/30—Computing systems specially adapted for 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
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种用于连续无缓冲区制造系统的能耗不确定性评估方法，包括以下步骤：采集机器的传感器数据，采用能耗状态空间方程构建制造系统的实时能耗状态模型，得到制造系统的实时能耗状态；定义节能机会函数，构建制造系统的实时能耗损失模型，得到制造系统的能耗损失；构建制造系统的能耗损失实时预测模型，对制造系统的能耗进行评估。本发明提供的一种用于连续无缓冲区制造系统的能耗不确定性评估方法，提出的确定性条件下的能耗损失模型，实现了对每台机器的单个中断事件所造成的潜在能耗损失的预测，并能充分考虑到连续无缓冲区制造系统的每台机器之间的相互作用，提高了能耗建模的精度。
Description
技术领域
本发明涉及能耗评估技术领域，更具体的，涉及一种用于连续无缓冲区制造系统的能耗不确定性评估方法。
背景技术
制造系统在消耗大量能源的同时，对生态环境也造成了很大的影响。随着全球能源价格的上涨以及环境保护意识的提高，在能量密集型制造过程中，通过降低制造系统的能源消耗和提高能源效率来增加生产企业的竞争力显得尤为重要。 Gutowski[1]指出，生产线的能源效率仅为14.8％。制造商必须在不影响生产质量和正常运行的前提下降低能源消耗，从而降低制造产系统的生产成本[2]，当务之急是寻找减少制造系统加工过程中能源浪费的方法。传统上，对制造系统能耗的研究主要集中在能源消耗预测模型[3]、能源政策[4]、系统模型[5]和控制方法[6]，而系统层面的能源消耗却很少受到关注。
数字建模属于先进制造范畴中的技术，拥有数百个传感器的先进制造系统促进了大量数据的收集，并为提高制造过程的性能提供了机会，数字建模和分析几乎是任何数据驱动决策的一个组成部分[8]。近年来，随着传感器在制造系统中的广泛应用，可以获得越来越多的实时详细传感信息，这对于制造系统的能耗建模和评估有着潜在的应用价值。能源管理系统的海量、实时生产数据是实现制造系统能耗建模和评估的关键，但是通常却被忽略掉了，将信息应用在系统层面的实时生产管理相对滞后[7]。需要分析能源管理系统的传感器实时采集到的海量时间序列数据，并转换为可用于制造系统的能耗不确定性建模和能耗评估的可用知识。许多学者利用制造系统上现成的传感器信息来研究动态实时生产性能约束 [9,10]。然而，这些工作并没有明确地建立一个数学模型，并根据现有的传感器信息明确地定义系统参数。制造系统目前面临的挑战是通过智能控制的数据驱动建模来传播和解释信息，以实现整个系统操作和能源消耗的良好协调、连接和及时的重新配置、整个系统更高的能源效率和可持续性。
在制造系统的生产过程中广泛存在多维不确定性中断事件，这将会导致设备停产或设备工作性能下降，并且出现空载时间长、能耗浪费严重等问题。为了提高能耗的分析精度，充分发掘节能的潜力，不确定性评估的研究已成为近年来国内外研究的热点。制造系统既具有稳态特性又具有瞬态特性，传统制造系统的评估方法主要是用于稳态分析和长期性能测量，而并没有考虑多维不确定性[7]。随着大型制造系统的工艺与制造网络的日益复杂，系统性能指标的量化也变得更加复杂，对多维不确定性因素的忽略严重阻碍了制造系统能耗的精确评估。现在的挑战是提出一种能耗实时评估方法，用以提高多维不确定性制造系统能耗实时评估的精确度和鲁棒性。
人们对制造过程中能源的研究，以前的工作集中在孤立的或独立的机器或过程上[11-13]。但是，制造系统中的每台机器的运行状态不仅由其本身决定，而且还取决于上下游机器，具有高度复杂的动态特性。国内外学者开发了很多系统层面的不确定性建模方法，主要分为偶然不确定性建模和认知不确定性建模。其中偶然不确定性可以建模为时间独立量的随机变量、时变量的随机过程和空间变化量的随机场。对于认知不确定性的建模，由于缺乏关于未知量的相关知识，可以使用贝叶斯方法进行建模，以系统地融合现有信息，并且随着更多的信息变得可用时来量化不确定性的减少[14]。也有学者采用贝叶斯概率理论[15]、模糊理论 [16]、证据理论[17]、不精确概率[18]等不确定性表示框架来表征认知不确定性(缺乏认识)。对于不确定性变量的建模可以采用区间变量和证据理论，模糊数和随机数是用来描述不确定性变量的两种方法。模糊逻辑相对于随机方法在计算上更简单、更快，有着更大的灵活性，并且在生产过程中有时很难收集足够的数据来描述不确定变量的分布，所以模糊数方法有很大的优势。Pehlken和Sonnemann 等学者采用模糊集理论[19]与蒙特卡罗模拟来分析制造业领域中的不确定性 [20,21]。
目前在制造系统的性能评估方面已经进行了大量的研究工作，大多数的现有研究主要是分析研究评估系统的稳态性能。最常见和广泛使用的不确定性评估方法包括概率方法、鲁棒方法和证据理论，其中证据理论是一种认识不确定性分析的有效方法[22]。在传统的不确定性评估方法中，MCS、结构奇异值(μ)法和 NIPC法也被广泛应用于处理偶然不确定性[23]。Reza等[24]尝试使用模糊集理论、 Pehlken等[25]采用蒙特卡罗模拟对制造业性能进行不确定性分析。也有人采用证据理论来评估认识不确定性。Shafer[26]展示了证据理论也被称为 Dempster-Shafer理论，可以处理偶然和认知不确定性，但它仍然有一些局限性。Riley[27]采用证据理论，在颤振不确定性量化中引入了模型不确定性和预测不确定性，并且对模拟的设计和模型选择进行了说明。很多学者采用贝叶斯网络(BN) 方法来评估工程系统和模型方面的不确定性。Nannapnaneni等[28]发现贝叶斯网络方法能够有效地聚合复杂制造网络的不确定性，通过贝叶斯网络向前传播可以聚合各种来源信息(例如模型、数据、专家意见)来量化制造工艺的能耗不确定性。Nannapaneni S[29]在工程系统的用于模型可靠性估计中提出了一个概率框架，包含了偶然不确定性和认知不确定性，研究了模型和数据不确定性对可靠性评估的影响，并且采用一种空气弹性变形的案例来证明该方法。Nannapaneni S[30]开发了一个使用分层贝叶斯网络(HBN)对大型制造系统(包括多个层次的工艺)进行不确定性分析的方法，这是贝叶斯网络的一个扩展，并且在注射成型工艺中展示了该方法，对其能耗进行不确定性预测。
然而，许多学者利用制造系统上现成的传感器信息来研究动态实时生产性能约束，并未明确地建立一个数学模型，并根据现有的传感器信息明确地定义系统参数，且现有技术缺乏制造系统在系统层面的实时能源消耗的严格建模方法。随着大型制造系统的工艺与制造网络的日益复杂，系统性能指标的量化也变得更加复杂，对多维不确定性因素的忽略严重制约了制造系统能耗的精确建模和评估，目前的数学理论和计算方法不能灵活而鲁棒地处理这些复杂的制造系统。
发明内容
本发明为克服现有的制造系统能源消耗评估方法无法明确地形成数学模型，存在无法灵活而鲁棒地处理日益复杂的制造系统的技术缺陷，提供一种用于连续无缓冲区制造系统的能耗不确定性评估方法。
为解决上述技术问题，本发明的技术方案如下：
用于连续无缓冲区制造系统的能耗不确定性评估方法，包括以下步骤：
S1：采集机器的传感器数据，采用能耗状态空间方程构建制造系统的实时能耗状态模型，得到制造系统的实时能耗状态；
S2：定义节能机会函数，构建制造系统的实时能耗损失模型，得到制造系统的能耗损失；
S3：构建制造系统的能耗损失实时预测模型，对制造系统的能耗进行评估。
其中，所述步骤S1包括以下步骤：
S11：采集机器Si的传感器数据；
S12：根据传感器数据，采用能耗状态空间方程构建制造系统的实时能耗状态模型，根据实时能耗状态模型计算制造系统在任意时间的实时能耗状态。
其中，所述步骤S12具体包括以下步骤：
S121：所述能耗状态空间方程表示为：
Y(t)＝H(X(t))；
其中，F(*)是状态方程和H(*)是观测方程，X(t),U(t),W(t)和Y(t)的物理意义分别是：
X(t)＝[X1(t),X2(t),...,XM(t)]′，其中，X(t)∈Rn是制造系统的能耗状态， Xi(t)是机器Si在时间t的能耗状态；
F(*)＝[f1(*),f2(*),...,fM(*)]′，其中fi(*)代表机器Si的能耗动态函数；
U(t)＝[u1(t),u2(t),...,uM(t)]′，其中，U(t)∈Rm是已知的输入或控制，ui(t)是机器Si在时间t的控制输入，表示为：
W(t)＝[W1(t),W2(t),...,WM(t)]′，W(t)是制造系统在时间t由于离散事件导致的不确定性中断；Wi(t)是指机器Si在时间t由于离散事件导致的不确定性机器中断，从传感器中获得，由二进制变量表示为：
其中，λ为机器Si在时间t，由于不确定性事件而处于待机状态，机器Si相对于正常加工速度的比率，用以表征待机状态能耗与正常加工能耗之间的关系；
S122：用于流守恒，有
在时间区间[0,t]内，连续无缓冲区制造系统中的任意两台机器Si和Sj之间的累积生产量满足以下方程：
Oi-Oj＝0；
其中，Oi和Oj分别表示机器Si和Sj的生产量；在连续无缓冲区制造系统中，机器Si的加工将会受到机器Sj的约束，也就是Si的加工速度将会随着机器Sj的加工速度而改变，因此当机器Si的加工速度小于或者等于相邻机器Sj的加工速度，可以按自己的额定速度加工或者按照邻近机器的速度加工；
S123：设加工速度为
则：
其中，每台机器的额定加工速度为1/Ti，i＝1,...,M，Ti是机器Si的基本周期时间；在生产过程中，机器的生产能耗与生产量成正比，即有KiOi＝Xi(t)， KjOj＝Xj(t)，其中Ki和Kj分别为机器Si和Sj的单位生产量的能耗系数，则有：
其中，
表示能耗速率，用于表征连续无缓冲制造系统中任意机器的能源消耗速度；
S124：在与机器Si比较时，将能耗速率计算公式扩展到制造系统的所有机器，得：
因此得
的状态空间函数为：
S125：得到制造系统的不确定性能耗Y(t)∈Rl测量方程，具体表示为：
Y(t)＝∑Xi(t)＝[1,...,1,1]X(t)＝H(X(t))；
其中，根据传感器数据得到的能耗状态X(t)、控制输入U(t)、多维不确定性生产中断W(t)进行计算，得到制造系统在任意时间的实时能耗状态Y(t)。
其中，所述步骤S2具体包括以下步骤：
S21：对于在时间区间[0,T]内发生的中断事件
机器Sj从时间tj发生生产中断，中断事件的持续时间为dj，定义节能机会函数，用于表征机器能耗损失的状态，具体表示为：
S22：不考虑多维不确定性，机器Sj在时间区间[0,T]内存在一系列的离散事件导致的中断事件
并且
不与任何其他中断事件重叠的情况下，构建制造系统的实时能耗损失模型；
S23：根据模型计算导致制造系统的确定性能耗损失DELj(T)，具体表示为：
其中，
表示发生在机器Sj上的中断事件
在时间区间 [tj,tj+dj]内导致的制造系统的确定性能耗损失。
上述方案中，在连续无缓冲区制造系统中并非所有的中断事件都会导致能耗损失，当dj-Tj+1≤0时，也就是中断事件的持续时间dj小于下游机器Sj+1的加工的基本周期时间Tj+1时，机器Sj的所有下游机器不会出现能耗损失。只有当 dj-Tj+1＞0时，机器Sj的所有下游机器将会出现能耗损失
而机器Sj的所有上游机器Si，取决于机器Si关于能耗最大加工速度最慢
的相对位置，将会出现或者不出现能耗损失。
上述方案中，状态空间函数
表明在机器Sj处于制造系统中能耗最高且加工速度最慢的机器
的下游(M*＜j)或者上游(M*＞j)的情况下，能耗损失将开始积累。如果离散事件导致的中断事件
与其它中断事件重叠，那么重叠期间导致的能耗损失，可以在相应事件之间平均分担。
其中，在步骤S3所述制造系统的能耗损失实时预测模型具体通过定义时间窗口Δt，评估时间区间[t,t+△t]内的中断事件所导致的能耗状态来预测制造系统的潜在能耗损失，并随着时间t向前推移，连续更新能耗损失预测评估。
其中，所述步骤S3具体包括以下步骤：
S31：定义系统的潜在能耗损失为PELj(j,t*,σ)，表示中断事件
在时间区间[t,t+△t)内作用在机器Sj上所导致制造系统的潜在能耗损失；具体表示为：
其中，节能机会函数η(σ)和η(t+Δt-t*)是分段函数，定义为：
事件
t+Δt＞t*≥t表示时间区间[t,t+Δt]内的单个中断事件，其中，j,t*和σ分别是中断机器号、中断时间和中断事件的持续时间；如果中断事件
在时间区间[t,t+△t)内开始，并且在时间t+△t之后结束，即 t*∈[t,t+Δt)andσ＞t+Δt-t*，那么，中断事件
在时间区间[t,t+△t)内对制造系统的影响，相当于中断事件在时间t*开始但是在时间t+△t结束，即表示为
S32：构建能耗损失实时预测模型E[PELj(t,t*,σ)]，表示在时间区间[t,t+Δt)内，由于机器Sj的单个中断事件所导致的制造系统的预期未来潜在能耗损失，具体表示为：
其中，PELj(t,t*,σ)代表多维不确定性中断事件
在时间区间[t,t+△t)内作用在机器Sj上所导致的潜在能耗损失；p(j,t*,σ)为j、t*和σ的多维不确定性联合概率密度函数；
S33：根据能耗损失实时预测模型，对制造系统的能耗进行预测评估。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供的一种用于连续无缓冲区制造系统的能耗不确定性评估方法，提出的确定性条件下的能耗损失模型，实现了对每台机器的单个中断事件所造成的潜在能耗损失的预测，并能充分考虑到连续无缓冲区制造系统的每台机器之间的相互作用，提高了能耗建模的精度。
附图说明
图1为本方法的流程示意图；
图2为实施例2的系统生产线示意图；
图3为生产线的实时能耗状态示意图；
图4为生产线的实施能耗损失示意图；
图5位生产线的实时能耗损失预测结果示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
将制造系统简化为一条由M台机器(由矩形表示)组成的串行生产线，其中
表示能耗最高且加工速度最慢的机器。该制造系统是一种离散事件驱动的连续无缓冲区的、非线性的动态系统。制造系统在理想的生产条件下，从机器
到最后一台机器SM，每台机器连续生产，此时每台机器的加工速度相同，此时能耗损失最小。但是由于经常出现生产准备、更换模具和参数调整等多维不确定中断事件，导致制造系统各机器的停顿以及加工速度重新匹配，在此过程中出现能耗损失。
因此，作出以下假设：
制造系统中的任意两台相邻机器Si和Sj之间的累积生产量为0；机器
作为制造系统中能耗最高、加工速度最慢的核心设备。
在理想的生产条件下，从机器
到最后一台机器SM，每台机器既不待料(starvation)也不被阻塞，每台机器的加工速度相同。此时能耗损失最小；
将制造系统中的高能耗的运输设备视为加工机器，因此忽略掉任意两台相邻机器Si和Sj之间小的运输能耗；
机器的生产能耗与生产量成正比，比例系数为Ki，通过采集到的传感器数据计算得到；
机器的加工速度可从零到额定加工速度连续调整，额定加工速度为1/Ti， i＝1,...,M，其中，Ti是机器Si的基本加工周期，采用进料时间与出料时间之间的差值计算得到；
机器Si的加工将会受到邻近机器Sj的约束，也就是说机器Si可以按自己的额定速度加工或者按照邻近机器的速度加工；
进料系统双向运输，为机器
供料之后，工件反向运输至机器S1储存。然后继续正向运输工件，以保证机器
连续不间断地生产。并且，工件不在进料系统中的机器中停留；
在出料系统中，工件单向输出，下游机器的加工速度大于等于上游机器的加工速度，在正常生产条件下，不会出现堵塞的情况。
由此得到一种用于连续无缓冲区制造系统的能耗不确定性评估方法，如图1 所示，包括以下步骤：
S1：采集机器的传感器数据，采用能耗状态空间方程构建制造系统的实时能耗状态模型，得到制造系统的实时能耗状态；
S2：定义节能机会函数，构建制造系统的实时能耗损失模型，得到制造系统的能耗损失；
S3：构建制造系统的能耗损失实时预测模型，对制造系统的能耗进行评估。
更具体的，所述步骤S1包括以下步骤：
S11：采集机器Si的传感器数据；
S12：根据传感器数据，采用能耗状态空间方程构建制造系统的实时能耗状态模型，根据实时能耗状态模型计算制造系统在任意时间的实时能耗状态。
更具体的，所述步骤S12具体包括以下步骤：
S121：所述能耗状态空间方程表示为：
Y(t)＝H(X(t))；
其中，F(*)是状态方程和H(*)是观测方程，X(t),U(t),W(t)和Y(t)的物理意义分别是：
X(t)＝[X1(t),X2(t),...,XM(t)]′，其中，X(t)∈Rn是制造系统的能耗状态， Xi(t)是机器Si在时间t的能耗状态；
F(*)＝[f1(*),f2(*),...,fM(*)]′，其中fi(*)代表机器Si的能耗动态函数；
U(t)＝[u1(t),u2(t),...,uM(t)]′，其中，U(t)∈Rm是已知的输入或控制，ui(t)是机器Si在时间t的控制输入，表示为：
W(t)＝[W1(t),W2(t),...,WM(t)]′，W(t)是制造系统在时间t由于离散事件导致的不确定性中断；Wi(t)是指机器Si在时间t由于离散事件导致的不确定性机器中断，从传感器中获得，由二进制变量表示为：
其中，λ为机器Si在时间t，由于不确定性事件而处于待机状态，机器Si相对于正常加工速度的比率，用以表征待机状态能耗与正常加工能耗之间的关系；
S122：用于流守恒，有
在时间区间[0,t]内，连续无缓冲区制造系统中的任意两台机器Si和Sj之间的累积生产量满足以下方程：
Oi-Oj＝0；
其中，Oi和Oj分别表示机器Si和Sj的生产量；在连续无缓冲区制造系统中，机器Si的加工将会受到机器Sj的约束，也就是Si的加工速度将会随着机器Sj的加工速度而改变，因此当机器Si的加工速度小于或者等于相邻机器Sj的加工速度，可以按自己的额定速度加工或者按照邻近机器的速度加工；
S123：设加工速度为
则：
其中，每台机器的额定加工速度为1/Ti，i＝1,...,M，Ti是机器Si的基本周期时间；在生产过程中，机器的生产能耗与生产量成正比，即有KiOi＝Xi(t)， KjOj＝Xj(t)，其中Ki和Kj分别为机器Si和Sj的单位生产量的能耗系数，则有：
其中，
表示能耗速率，用于表征连续无缓冲制造系统中任意机器的能源消耗速度；
S124：在与机器Si比较时，将能耗速率计算公式扩展到制造系统的所有机器，得：
因此得
的状态空间函数为：
S125：得到制造系统的不确定性能耗Y(t)∈Rl测量方程，具体表示为：
Y(t)＝∑Xi(t)＝[1,...,1,1]X(t)＝H(X(t))；
其中，根据传感器数据得到的能耗状态X(t)、控制输入U(t)、多维不确定性生产中断W(t)进行计算，得到制造系统在任意时间的实时能耗状态Y(t)。
更具体的，所述步骤S2具体包括以下步骤：
S21：对于在时间区间[0,T]内发生的中断事件
机器Sj从时间tj发生生产中断，中断事件的持续时间为dj，定义节能机会函数，用于表征机器能耗损失的状态，具体表示为：
S22：不考虑多维不确定性，机器Sj在时间区间[0,T]内存在一系列的离散事件导致的中断事件
并且
不与任何其他中断事件重叠的情况下，构建制造系统的实时能耗损失模型；
S23：根据模型计算导致制造系统的确定性能耗损失DELj(T)，具体表示为：
其中，
表示发生在机器Sj上的中断事件
在时间区间 [tj,tj+dj]内导致的制造系统的确定性能耗损失。
在具体实施过程中，在连续无缓冲区制造系统中并非所有的中断事件都会导致能耗损失，当dj-Tj+1≤0时，也就是中断事件的持续时间dj小于下游机器Sj+1的加工的基本周期时间Tj+1时，机器Sj的所有下游机器不会出现能耗损失。只有当dj-Tj+1＞0时，机器Sj的所有下游机器将会出现能耗损失
而机器Sj的所有上游机器Si，取决于机器Si关于能耗最大加工速度最慢
的相对位置，将会出现或者不出现能耗损失。
在具体实施过程中，状态空间函数
表明在机器Sj处于制造系统中能耗最高且加工速度最慢的机器
的下游
或者上游
的情况下，能耗损失将开始积累。如果离散事件导致的中断事件
与其它中断事件重叠，那么重叠期间导致的能耗损失，可以在相应事件之间平均分担。
更具体的，在步骤S3所述制造系统的能耗损失实时预测模型具体通过定义时间窗口Δt，评估时间区间[t,t+△t]内的中断事件所导致的能耗状态来预测制造系统的潜在能耗损失，并随着时间t向前推移，连续更新能耗损失预测评估。
更具体的，所述步骤S3具体包括以下步骤：
S31：定义系统的潜在能耗损失为PELj(j,t*,σ)，表示中断事件
在时间区间[t,t+△t)内作用在机器Sj上所导致制造系统的潜在能耗损失；具体表示为：
其中，节能机会函数η(σ)和η(t+Δt-t*)是分段函数，定义为：
事件
t+Δt＞t*≥t表示时间区间[t,t+Δt]内的单个中断事件，其中，j,t*和σ分别是中断机器号、中断时间和中断事件的持续时间；如果中断事件
在时间区间[t,t+△t)内开始，并且在时间t+△t之后结束，即 t*∈[t,t+Δt)andσ＞t+Δt-t*，那么，中断事件
在时间区间[t,t+△t)内对制造系统的影响，相当于中断事件在时间t*开始但是在时间t+△t结束，即表示为
S32：构建能耗损失实时预测模型E[PELj(t,t*,σ)]，表示在时间区间[t,t+Δt)内，由于机器Sj的单个中断事件所导致的制造系统的预期未来潜在能耗损失，具体表示为：
其中，PELj(t,t*,σ)代表多维不确定性中断事件
在时间区间[t,t+△t)内作用在机器Sj上所导致的潜在能耗损失；p(j,t*,σ)为j、t*和σ的多维不确定性联合概率密度函数；
S33：根据能耗损失实时预测模型，对制造系统的能耗进行预测评估。
在具体实施过程中，本发明提出的方法可以协调地传播和解释能耗信息，迭代地计算得到连续无缓冲区制造系统在任意时间的实时能耗状态；提出的节能机会函数用来表征机器能耗损失的状态，可以用于识别和预测制造系统的节能机会；提出的确定性条件下的能耗损失模型，实现了对每台机器的单个中断事件所造成的潜在能耗损失的预测，并能充分考虑到连续无缓冲区制造系统的每台机器之间的相互作用，提高了能耗建模的精度。
实施例2
更具体的，在实施例1的基础上，通过MATLAB编程来实现本发明提出的方法，编译工具：MATLAB R2018a。运行环境：建议Windows 7及以上版本。硬件：客户端计算机要求CPU3.30G以上，内存4.0M。能源管理系统的能耗数据作为本发明所提出的模型的输入，那么相应的模型输出就是对应的制造系统的实时能耗状态、实时能耗损失及所预测的能耗损失。
在具体实施过程中，如图2所示，为案例研究的铝型材挤压生产线，它是生产线的简化版本，用于验证本发明提出的能耗不确定性评估方法的有效性；从铝型材挤压生产线实际生产中得到的数据记录和操作规程，得到各机器的生产参数如表1所示，用于所观测到的生产数据，模具更换间隔时间(MRIT)和模具更换时间(MRT)；生产准备间隔时间(PRITi)和生产准备时间(PRTi)；参数调整间隔时间(PAITi)和参数调整时间(PATi)均被假定服从于指数分布。
表1生产线中十二台机器的生产参数
更具体的，如图3所示，将实时采集得到的机器的传感器数据作为本发明提出的制造系统的实时能耗状态模型的输入，计算得到的铝型材挤压生产线的实时能耗状态；如图4所示，将实时采集得到的机器的传感器数据作为本发明提出的制造系统的实时能耗损失模型的输入，计算得到的铝型材挤压生产线的实时能耗损失；如图5所示，将实时采集得到的机器的传感器数据作为本发明提出的制造系统的能耗损失实时预测模型的输入，计算得到的铝型材挤压生产线的实时能耗损失预测。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
[1]Gutowski T G,Branham M S,Dahmus J B,et al.Thermodynamic analysisof resources used in manufacturing processes[J].Environmental Science&Technology, 2009,43(5):1584.
[2]Brundage M P,Chang Q,Zou J,et al.Energy economics in themanufacturing industry:A return on investment strategy[J].Energy,2015,93:1426-1435.
[3]Liu F,Xie J,Liu S.A method for predicting the energy consumptionofthe main driving system ofa machine tool in a machining process[J].JournalofCleaner Production,2014,105:171-177.
[4]Zhao Y,Ke J,Ni C C,et al.A comparative study ofenergy consumptionand efficiency ofJapanese and Chinese manufacturing industry[J].EnergyPolicy,2014, 70(7):45-56.
[5]DeifA M.A system model for green manufacturing[J].JournalofCleaner Production,2011,19(14):1553-1559.
[6]Figueiredo J,Martins J.Energy Production System Management–Renewable energy power supply integration with Building Automation System[J].Energy Conversion&Management,2010,51(6):1120-1126.
[7]Li J.Overlapping decomposition:a system-theoretic method formodeling and analysis ofcomplex manufacturing systems[J].IEEE Transactions onAutomation Science&Engineering,2005,2(1):40-53.
[8]Brundage M P,Chang Q,Zou J,et al.Energy economics in themanufacturing industry:A return on investment strategy[J].Energy,2015,93:1426-1435.
[9]Brundage M P,Chang Q,Li Y,et al.Sustainable ManufacturingPerformance Indicators for a Serial Production Line[J].IEEE Transactions onAutomation Science &Engineering,2016,13(2):676-687.
[10]Chiang S Y,Kuo C T,Meerkov S M.DT-bottlenecks in serialproduction lines:theory and application[J].Robotics&Automation IEEETransactions on,2000, 16(5):567-580.
[11]Behrendt T,Zein A,Min S.Development ofan energy consumptionmonitoring procedure for machine tools[J].CIRP Annals-ManufacturingTechnology, 2012,61(1):43-46.
[12]Schudeleit T,Züst S,Wegener K.Methods for evaluation ofenergyefficiency ofmachine tools[J].Energy,2015,93:1964-1970.
[13]Li J.Overlapping decomposition:A system-theoretic method formodeling and analysis ofcomplex manufacturing systems[J].IEEE Transactions onAutomation Science and Engineering,2005,2(1):40-53.
[14]Hu Z,Mahadevan S.Uncertainty quantification in predictionofmaterial properties during additive manufacturing[J].Scripta Materialia,2016.
[15]Sankararaman,S.and Mahadevan,S.,2011.“Likelihoodbasedrepresentation ofepistemic uncertainty due to sparse point data and/orinterval data”,Reliability Engineering&System Safety,96(7),pp.814-824.
[16]Alola,A.A.,Tunay,M.,and Alola,V.,2013,“Analysis ofPossibilityTheory for Reasoning under Uncertainty.”International Journal of Statisticsand Probability,2(2),12–23.
[17]Bae,H.-R.,Grandhi,R.V.,and Canfield,R.,2004,“Epistemicuncertainty quantification techniques including evidence theory for large-scale structures” Computers&Structures,82(13-14),1101–1112.
[18]Beer,M.,Ferson,S.,and Kreinovich,V.,2013,“Imprecise probabilitiesin engineering analyses.”Mechanical Systems and Signal Processing,37(1-2),4–29.
[19]Reza,B.,Sadiq,R.,Hewage,K.,2013.A fuzzy-based approach forcharacterization ofuncertainties in emergy synthesis:an example ofpaved roadsystem.J.Clean.Prod.59,99e110.
[20]Pehlken A,Decker A,Kottowski C,et al.Energy efficiency inprocessing of natural raw materials under consideration ofuncertainties[J].Journal ofCleaner Production,2015,106(1):351-363.
[21]Sonnemann G W,Schuhmacher M,Castells F.Uncertainty assessment bya Monte Carlo simulation in a life cycle inventory ofelectricity produced bya waste incinerator[J].Journal ofCleaner Production,2003,11(3):279-292.
[22]Paralikas J,Salonitis K,Chryssolouris G.Robust optimization oftheenergy efficiency ofthe cold roll forming process[J].International JournalofAdvanced Manufacturing Technology,2013,69(1-4):461-481.
[23]Jian T,Wu Z,Chao Y.Epistemic uncertainty quantification influtter analysis using evidence theory[J].
[24]Reza B,Sadiq R,Hewage K.A fuzzy-based approach forcharacterization of uncertainties in emergy synthesis:an example ofpaved roadsystem[J].Journal of Cleaner Production,2013,59(59):99-110.
[25]Pehlken A,Decker A,Kottowski C,et al.Energy efficiency inprocessing of natural raw materials under consideration ofuncertainties[J].Journal ofCleaner Production,2015,106(1):351-363.
[26]Shafer G.A mathematical theory ofevidence[M].Princeton:Princetonuniversity press,1976.
[27]Riley M E.Evidence-Based Quantification ofModel-FormUncertainties in Simulation-Based Analyses[C]//Aiaa/asme/asce/ahs/ascStructures,Structural Dynamics,and Materials Conference.2013.
[28]Nannapaneni S,Mahadevan S,Rachuri S.Performance evaluation ofamanufacturing process under uncertainty using Bayesian networks[J].Journal ofCleaner Production,2016,113:947-959.
[29]Nannapaneni S,Mahadevan S.Model and Data Uncertainty Effects onReliability Estimation[C]//Aiaa Non-Deterministic Approaches Co-Located with2015 Aiaa Scitech Conference.2015.
[30]Nannapaneni S,Mahadevan S.Manufacturing Process Evaluation UnderUncertainty:A Hierarchical Bayesian Network Approach[C]//ASME 2016International Design Engineering Technical Conferences and Computers andInformation in Engineering Conference.2016:V01BT02A026。
Claims (3)
1.用于连续无缓冲区制造系统的能耗不确定性评估方法，其特征在于：包括以下步骤：
S1：采集机器Si的传感器数据；根据传感器数据，采用能耗状态空间方程构建制造系统的实时能耗状态模型，根据实时能耗状态模型计算制造系统在任意时间的实时能耗状态；所述能耗状态空间方程表示为：
Y(t)＝H(X(t))；
其中，F(*)是状态方程和H(*)是观测方程，X(t),U(t),W(t)和Y(t)的物理意义分别是：
X(t)＝[X1(t),X2(t),...,XM(t)]′，其中，X(t)∈Rn是制造系统的能耗状态，Xi(t)是机器Si在时间t的能耗状态；
F(*)＝[f1(*),f2(*),...,fM(*)]′，其中fi(*)代表机器Si的能耗动态函数；
U(t)＝[u1(t),u2(t),...,uM(t)]′，其中，U(t)∈Rm是已知的输入或控制，ui(t)是机器Si在时间t的控制输入，表示为：
W(t)＝[W1(t),W2(t),...,WM(t)]′，W(t)是制造系统在时间t由于离散事件导致的不确定性中断；Wi(t)是指机器Si在时间t由于离散事件导致的不确定性机器中断，从传感器中获得，由二进制变量表示为：
其中，λ为机器Si在时间t，由于不确定性事件而处于待机状态，机器Si相对于正常加工速度的比率，用以表征待机状态能耗与正常加工能耗之间的关系；所述能耗状态空间方程表示为：
Y(t)＝H(X(t))；
其中，F(*)是状态方程和H(*)是观测方程，X(t),U(t),W(t)和Y(t)的物理意义分别是：
X(t)＝[X1(t),X2(t),...,XM(t)]′，其中，X(t)∈Rn是制造系统的能耗状态，Xi(t)是机器Si在时间t的能耗状态；
F(*)＝[f1(*),f2(*),...,fM(*)]′，其中fi(*)代表机器Si的能耗动态函数；
U(t)＝[u1(t),u2(t),...,uM(t)]′，其中，U(t)∈Rm是已知的输入或控制，ui(t)是机器Si在时间t的控制输入，表示为：
W(t)＝[W1(t),W2(t),...,WM(t)]′，W(t)是制造系统在时间t由于离散事件导致的不确定性中断；Wi(t)是指机器Si在时间t由于离散事件导致的不确定性机器中断，从传感器中获得，由二进制变量表示为：
其中，λ为机器Si在时间t，由于不确定性事件而处于待机状态，机器Si相对于正常加工速度的比率，用以表征待机状态能耗与正常加工能耗之间的关系；
用于流守恒，有
j∈{1,...,M},i≠j，在时间区间[0,t]内，连续无缓冲区制造系统中的任意两台机器Si和Sj之间的累积生产量满足以下方程：
Oi-Oj＝0；
其中，Oi和Oj分别表示机器Si和Sj的生产量；
设加工速度为
则：
其中，每台机器的额定加工速度为1/Ti，i＝1,...,M，Ti是机器Si的基本周期时间；在生产过程中，机器的生产能耗与生产量成正比，即有KiOi＝Xi(t)，KjOj＝Xj(t)，其中Ki和Kj分别为机器Si和Sj的单位生产量的能耗系数，则有：
其中，
表示能耗速率，用于表征连续无缓冲制造系统中任意机器的能源消耗速度；
在与机器Si比较时，将能耗速率计算公式扩展到制造系统的所有机器，得：
因此得
的状态空间函数为：
得到制造系统的不确定性能耗Y(t)∈Rl测量方程，具体表示为：
Y(t)＝∑Xi(t)＝[1,...,1,1]X(t)＝H(X(t))；
其中，根据传感器数据得到的能耗状态X(t)、控制输入U(t)、多维不确定性生产中断W(t)进行计算，得到制造系统在任意时间的实时能耗状态Y(t)；
S2：对于在时间区间[0,T]内发生的中断事件
机器Sj从时间tj发生生产中断，中断事件的持续时间为dj，定义节能机会函数，用于表征机器能耗损失的状态，具体表示为：
不考虑多维不确定性，机器Sj在时间区间[0,T]内存在一系列的离散事件导致的中断事件
并且
不与任何其他中断事件重叠的情况下，构建制造系统的实时能耗损失模型；
根据模型计算导致制造系统的确定性能耗损失DELj(T)，具体表示为：
其中，
表示发生在机器Sj上的中断事件
在时间区间[tj,tj+dj]内导致的制造系统的确定性能耗损失；
S3：构建制造系统的能耗损失实时预测模型，对制造系统的能耗进行评估。
2.根据权利要求1所述的用于连续无缓冲区制造系统的能耗不确定性评估方法，其特征在于：在步骤S3所述制造系统的能耗损失实时预测模型具体通过定义时间窗口Δt，评估时间区间[t,t+△t]内的中断事件所导致的能耗状态来预测制造系统的潜在能耗损失，并随着时间t向前推移，连续更新能耗损失预测评估。
3.根据权利要求2所述的用于连续无缓冲区制造系统的能耗不确定性评估方法，其特征在于：所述步骤S3具体包括以下步骤：
S31：定义系统的潜在能耗损失为PELj(j,t*,σ)，表示中断事件
在时间区间[t,t+△t)内作用在机器Sj上所导致制造系统的潜在能耗损失；具体表示为：
其中，节能机会函数η(σ)和η(t+Δt-t*)是分段函数，定义为：
事件
t+Δt>t*≥t表示时间区间[t,t+Δt]内的单个中断事件，其中，j,t*和σ分别是中断机器号、中断时间和中断事件的持续时间；如果中断事件
在时间区间[t,t+△t)内开始，并且在时间t+△t之后结束，即t*∈[t,t+Δt)andσ>t+Δt-t*，那么，中断事件
在时间区间[t,t+△t)内对制造系统的影响，相当于中断事件在时间t*开始但是在时间t+△t结束，即表示为
S32：构建能耗损失实时预测模型E[PELj(t,t*,σ)]，表示在时间区间[t,t+Δt)内，由于机器Sj的单个中断事件所导致的制造系统的预期未来潜在能耗损失，具体表示为：
其中，PELj(t,t*,σ)代表多维不确定性中断事件
在时间区间[t,t+△t)内作用在机器Sj上所导致的潜在能耗损失；p(j,t*,σ)为j、t*和σ的多维不确定性联合概率密度函数；
S33：根据能耗损失实时预测模型，对制造系统的能耗进行预测评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910498613.5A CN110348686B (zh) | 2019-06-10 | 2019-06-10 | 用于连续无缓冲区制造系统的能耗不确定性评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910498613.5A CN110348686B (zh) | 2019-06-10 | 2019-06-10 | 用于连续无缓冲区制造系统的能耗不确定性评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110348686A CN110348686A (zh) | 2019-10-18 |
| CN110348686B true CN110348686B (zh) | 2022-11-15 |
Family
ID=68181694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910498613.5A Active CN110348686B (zh) | 2019-06-10 | 2019-06-10 | 用于连续无缓冲区制造系统的能耗不确定性评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110348686B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104680339A (zh) * | 2015-03-26 | 2015-06-03 | 中国地质大学（武汉） | 一种基于实时电价的家用电器调度方法 |
| CN104933627A (zh) * | 2015-06-26 | 2015-09-23 | 江南大学 | 机床产品制造系统的能效组合评价方法 |
| CN106228270A (zh) * | 2016-07-27 | 2016-12-14 | 广东工业大学 | 一种大数据驱动的挤压设备的能耗预测方法及其系统 |
| CN108959676A (zh) * | 2017-12-22 | 2018-12-07 | 北京航空航天大学 | 一种考虑有效冲击的退化建模与寿命预测方法 |
| CN109087016A (zh) * | 2018-08-15 | 2018-12-25 | 交通运输部天津水运工程科学研究所 | 港口岸桥节能操作量化评定方法及系统 |
| CN109598088A (zh) * | 2018-12-20 | 2019-04-09 | 中国矿业大学 | 一种带式输送机带速设定控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9129231B2 (en) * | 2009-04-24 | 2015-09-08 | Rockwell Automation Technologies, Inc. | Real time energy consumption analysis and reporting |
-
2019
- 2019-06-10 CN CN201910498613.5A patent/CN110348686B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104680339A (zh) * | 2015-03-26 | 2015-06-03 | 中国地质大学（武汉） | 一种基于实时电价的家用电器调度方法 |
| CN104933627A (zh) * | 2015-06-26 | 2015-09-23 | 江南大学 | 机床产品制造系统的能效组合评价方法 |
| CN106228270A (zh) * | 2016-07-27 | 2016-12-14 | 广东工业大学 | 一种大数据驱动的挤压设备的能耗预测方法及其系统 |
| CN108959676A (zh) * | 2017-12-22 | 2018-12-07 | 北京航空航天大学 | 一种考虑有效冲击的退化建模与寿命预测方法 |
| CN109087016A (zh) * | 2018-08-15 | 2018-12-25 | 交通运输部天津水运工程科学研究所 | 港口岸桥节能操作量化评定方法及系统 |
| CN109598088A (zh) * | 2018-12-20 | 2019-04-09 | 中国矿业大学 | 一种带式输送机带速设定控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 零件再制造过程的不确定能耗建模与评估方法;郭燕春等;《大连理工大学学报》;20190131;第59卷(第1期);第1-8页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110348686A (zh) | 2019-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | A big data driven analytical framework for energy-intensive manufacturing industries | |
| He et al. | A generic energy prediction model of machine tools using deep learning algorithms | |
| Li et al. | Data-driven hybrid petri-net based energy consumption behaviour modelling for digital twin of energy-efficient manufacturing system | |
| Xia et al. | Energy-oriented maintenance decision-making for sustainable manufacturing based on energy saving window | |
| Lechevalier et al. | Towards a domain-specific framework for predictive analytics in manufacturing | |
| Bhinge et al. | An intelligent machine monitoring system for energy prediction using a Gaussian Process regression | |
| Zhang et al. | A remanufacturing cost prediction model of used parts considering failure characteristics | |
| Li et al. | Modelling and simulation of energy consumption of ceramic production chains with mixed flows using hybrid Petri nets | |
| Ak et al. | Data analytics and uncertainty quantification for energy prediction in manufacturing | |
| Cao et al. | Multi-level energy efficiency evaluation for die casting workshop based on fog-cloud computing | |
| Wang et al. | Operation optimization of Shell coal gasification process based on convolutional neural network models | |
| Zhou et al. | An energy-oriented maintenance policy under energy and quality constraints for a multielement-dependent degradation batch production system | |
| Yin et al. | Dynamic real–time abnormal energy consumption detection and energy efficiency optimization analysis considering uncertainty | |
| Wen et al. | A dual energy benchmarking methodology for energy-efficient production planning and operation of discrete manufacturing systems using data mining techniques | |
| Zhang et al. | An integrated energy efficiency evaluation method for forging workshop based on IoT and data-driven | |
| Jin et al. | A methodology for equipment condition simulation and maintenance threshold optimization oriented to the influence of multiple events | |
| Hua et al. | Physics-informed neural networks with weighted losses by uncertainty evaluation for accurate and stable prediction of manufacturing systems | |
| CN110348686B (zh) | 用于连续无缓冲区制造系统的能耗不确定性评估方法 | |
| Wang et al. | Energy consumption model and its simulation for manufacturing and remanufacturing systems | |
| Li et al. | Event-based production control for energy efficiency improvement in sustainable multistage manufacturing systems | |
| Bezsonov et al. | Intelligent Identification System of the Process Liquid Solutions Composition. | |
| Yan et al. | Precognitive maintenance and probabilistic assessment of tool wear using particle filters | |
| Shi | Data fusion for in-process quality improvement | |
| Medojević et al. | Design and development of industrial IoT-based system for behavior profiling of non-linear dynamic production systems based on energy flow theory | |
| Shen et al. | An efficient genetic method for multi-objective continuous production scheduling in Industrial Internet of Things |
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 |