CN110414863A - 一种智能制造车间资源调度方法 - Google Patents
一种智能制造车间资源调度方法 Download PDFInfo
- Publication number
- CN110414863A CN110414863A CN201910721280.8A CN201910721280A CN110414863A CN 110414863 A CN110414863 A CN 110414863A CN 201910721280 A CN201910721280 A CN 201910721280A CN 110414863 A CN110414863 A CN 110414863A
- Authority
- CN
- China
- Prior art keywords
- individual
- intelligence manufacture
- population
- workpiece
- resource regulating
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Abstract
本发明公开了一种智能制造车间调度方法,包括以下步骤:基于工件工序和相应加工设备随机生成初始种群,贪婪解码算法计算每个染色体的的最大完工时间、总延期、总负载、能量消耗,根据排序等级和拥挤度评估每个染色体,使用竞标赛选择方法选择遗传操作的染色体,基于工序、设备的交叉和变异产生新种群,采用精英保留策略在新种群中保留父代优秀个体,迭代结束后,输出最优解。本发明克服了一般遗传算法具有容易陷入早熟,后期搜索速度变慢等缺点,该算法运用到智能制造车间调度中,能够实现车间资源高效利用、快速合理排产,提高生产效率,对突发状况作出快速反应,提高企业的竞争力。
Description
技术领域
本发明属于工业软件运营技术领域,具体涉及一种智能制造车间资源调度方法。
背景技术:
随着全球化的加剧,各生产企业之间的竞争越来越激烈,企业朝着生产品种多样化、零库存或低库存的方向发展。生产管理过程中,车间资源调度是一个NP-hard问题,而且企业在生产加工过程中经常遇到各种扰动问题、例如机器故障、紧急插单、生产延迟等,其中机器故障又是所有动态事件中最普遍的。目前,各个企业都在积极建设智能制造车间。在智能制造车间环境下,大量感知设备部署在车间,机床等设备实现与管理调度系统的数据互联,加工动态实时感知。数据挖掘实现了车间生产性能预测,更准确确定工件加工时间。传统的车间调度方法有求解时间长和解得质量差等问题,当动态事件发生时,企业往往依靠工人经验处理。智能制造车间具有较高的智能化,传统车间调度方法则不适合智能制造车间的生产环境。因此根据智能制造车间特点,设计全局搜索能力强、收敛速度快、计算简单的搜索算法,使其能够在较短的时间内求得性能较好的最优解,同时针对各种扰动问题,设计有效的适合智能制造车间调度方法变得尤为紧迫和重要。
发明内容
本发明的目的在于提供一种基于改进非支配排序遗传算法的智能制造车间资源调度方法,以解决现有技术中导致的上述多项缺陷。
一种智能制造车间资源调度方法,所述方法包括如下步骤:
获取制造车间的工序数据;
设置种群,并根据工序数据进行种群初始化;
根据工序数据和种群建立数学模型;
根据所述数学模型的最优解调度所述制造车间。
优选的,所述制造车间的工序数据包括以下至少一种:
工件工序总个数;工件加工完成时刻;工件最大完成时间;工件总延时;工件总负载;工件总能耗。
优选的,所述种群的初始化包括如下步骤:
设置种群的大小为NIND;
根据待加工工件工序总个数和目标函数个数初始化染色体的长度,目标函数的形式为:
Fgoal=min[f1,f2,f3,f4] (1)
f1=max{CTie} (2)
上式中f1表示最大完工时间;f2表示机床总延期;f3表示机床总负载;f4表示加工能耗;N表示工件数量;Ji表示工件Ni的工序总数;M表示机器数量;CTie表示工件Ni的加工结束时间;DTie工件Ni的交货期;ctijk表示机器Mk加工Oij的时间;xijk表示0-1变量,表示Oij是否在第k台机床上加工,如果为1则是,否则为0。
优选的,所述数学模型的建立包括:
确定Pareto等级;
进行拥挤度排序;
竞标赛选择;
交叉变异操作;
精英保留策略。
优选的,所述确定Pareto等级包括:
根据种群中每个个体被支配的个数和个体支配的个体集合确定每个个体的Pareto等级。
优选的,所述拥挤度排序的方法包括如下步骤:
对第一列目标函数值升序排列,目标函数值最大和最小的个体距离设为无穷大,其余个体间距离按照计算;
其余列目标函数值做同样处理;
最后每个个体4个目标距离值相加得到拥挤度;
式中next_obj代表本个体的后一个目标函数值;previous_obj代表本个体的前一个目标函数值;f_max和f_min分别代表本列目标函数最大值和最小值。
优选的,所述竞标赛选择的方法包括如下步骤:
从种群中随机选择两个个体,优先选择排序等级高的个体;
若排序等级一样,优先选择个体拥挤度大的个体;
如果拥挤度相同,则随机选择其中一个个体。
优选的,所述交叉变异操作的方法包括如下步骤:
包括基于工序交叉和基于设备交叉的混合交叉方式:
使用rand函数生成随机数r(r∈[0,1]),如果r≤0.5,采用基于工序的交叉,否则采用基于设备的交叉;
使用randperm(P_number,cal)函数随机生成染色体变异位置,cal表示染色体基因变异的个数。
优选的,所述精英保留策略的方法包括:
设计比例法,使种群中父代最优个体/子代个体保持一定比例。
优选的,所述最优解的选择方法包括:
采用层次分析法确定各个指标权重,选出最优解。
本发明的优点在于:本发明提供一种智能制造车间调度方法,算法充分考虑了加工时间、总拖期、机床总负载和能量消耗,考虑的指标更加符合实际生产情况;
该算法全局搜索能力强、收敛速度快、计算简单,其能够在较短的时间内求得性能较好的最优解,并且该算法能够根据车间的实时数据情况,当生产过程中发生扰动时,快速生成重调度方案,实现了车间调度的高效率。
附图说明
图1为本发明中改进非支配排序遗传算法总体流程图;
图2为本发明中基于工序交叉示意图;
图3为本发明中基于设备交叉示意图;
图4为本发明中变异操作示意图;
图5为本发明中10×10实例仿真加工甘特图;
图6为本发明中重调度甘特图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
如图1至图6所示,一种智能制造车间资源调度方法,包括如下步骤:
步骤一:种群初始化:每个染色体表示一个待优化问题的可行解。种群的大小为NIND,初始化染色体的长度为所有待加工工件工序总个数P_number的两倍与目标函数个数G_number的总和。前P_number个基因表示工件工序,其后的P_number个基因表示前段工序所对应的加工机器,最后G_number个基因用来表示目标函数值。染色体加工工序随机生成,相应设备基因位上的加工机器从可选机器集中随机选取。
步骤二:计算目标函数适应度值:最大完工时间为所有工件加工完成时刻,在解码计算中引入贪婪解码算法。对于某一工件,比较该工件上一道工序完成时间end_t_p和该机器加工上道工序的完成时间end_t_m,如果end_t_p<end_t_m,则查找满足工件前插的设备加工间隙,设备加工间隙需同时满足设备间隙span大于工件加工时间pro_time和该间隙的最后时刻大于end_t_p+pro_time,若有多个可选择加工间隙,以最早完成时间为选择标准,没有符合条件的插入间隙则该工件开始加工时间为end_t_m;如果end_t_p≥end_t_m,工件开始加工时间为end_t_p。总延期为所有工件超过规定交货期的时间之和,总负载为所有机器加工时间的总和,总能耗为车间固有能耗、机器空载能耗、机器工作能耗和工件转移能耗之和。
步骤三:快速非支配和拥挤度排序:根据种群中每个个体被支配的个数和该个体支配的个体集合确定每个个体的Pareto等级,并在算法中引入拥挤度,首先对第一列目标函数值升序排列,目标函数值最大和最小的个体距离设为无穷大,其余个体间距离按照计算。next_obj代表本个体的后一个目标函数值,previous_obj代表本个体的前一个目标函数值,f_max和f_min分别代表本列目标函数最大值和最小值。其余列目标函数值做同样处理,最后每个个体4个目标距离值相加得到拥挤度。
根据待加工工件工序总个数和目标函数个数初始化染色体的长度,目标函数的形式为:
Fgoal=min[f1,f2,f3,f4] (1)
f1=max{CTie} (2)
上式中f1表示最大完工时间;f2表示机床总延期;f3表示机床总负载;f4表示加工能耗;N表示工件数量;Ji表示工件Ni的工序总数;M表示机器数量;CTie表示工件Ni的加工结束时间;DTie工件Ni的交货期;ctijk表示机器Mk加工Oij的时间;xijk表示0-1变量,表示Oij是否在第k台机床上加工,如果为1则是,否则为0。
步骤四:竞标赛选择:每次从种群中随机选择两个个体,优先选择排序等级高的个体,若排序等级一样,优先选择个体拥挤度大的个体,如果拥挤度相同,则随机选择其中一个个体。
步骤五:交叉变异操作:
1)交叉操作
采用基于工序交叉和基于设备交叉的混合交叉方式。使用rand函数生成随机数r(r∈[0,1]),如果r≤0.5,采用基于工序的交叉,否则采用基于设备的交叉。
在基于工序的交叉中,工件被分为两组,使用函数randi([0,1],[1,N])经过随机生成0,1矩阵R1×N(N为工件个数),矩阵中位置为0的工件为一组,其余工件为一组。举例为(图2):工件1,4,7为一组,工件2,3,5,6,8为一组。父代染色体1中工件1,4,7的基因位和相应的设备基因位保持不变,父代染色体2中工件2,3,5,6,8的基因位和相应的加工设备基因顺次插入父代染色体1的其余基因位。同理,父代染色体2中工件2,3,5,6,8的基因位和相应的设备基因位保持不变,父代染色体1中工件1,4,7的基因和相应的加工设备基因顺次插入父代染色体2的其余基因位。
在基于设备的交叉中,随机生成大小等于工序染色体长度的0,1矩阵,对数字为1的基因位上的父代染色体1工序加工设备进行交叉。举例为(图3):父代染色体1的基因位15为工序O42,由M7加工;父代染色体2上工序O42由M4加工。对两父代染色体中工序O42的加工设备进行交叉,即父代染色体1中工序O42由M4加工,父代染色体2中工序O42由M7加工。
2)变异操作
使用randperm(P_number,cal)函数随机生成染色体变异位置,cal表示染色体基因变异的个数。举例为(图4)假设其中一个变异位置为第4位基因,则对工序O21的加工设备变异,并且O21可选机器集为M3,M4,M5,M6,M8,父代染色体1中O21的加工机器为M4,变异时随机选取机器集中其他加工机器加工,本实例中选取机器M8。
步骤六:精英保留策略:设计比例法,使种群中父代最优个体/子代个体保持一定比例。
步骤七:最优解确定:利用层次分析法确定各个目标函数权重,对最优解集数据按式1进行归一化处理得到矩阵B,其中B=(target_pij)q×4,target_pij表示归一化处理后最优解集中第i行j列的数据。综合评判矩阵中最小值min(C)对应的调度方案为最优方案。
实施例1:
根据智能制造车间实际数据,表1给出了10个工件的释放时刻、工序、交货期及每个工件的可加工机器和相应的加工时间。加工时间列中的数字表示加工时间,符号“-”标志该工序不能被机器Mk加工;交货期列数字表示客户要求的交货期,符号“-”表示工件要求尽快加工,没有时间要求。表2给出了机器的加工功率和空载功率。生成的调度方案甘特图如图5所示。
重调度时,调度系统接收到机器发出的故障信号,调度系统迅速判断机床和工件的最早可用时间、未加工工序等,根据挖掘的历史数据估计机床修理的平均时间,然后基于改进非支配排序遗传算法生成重调度方案。举例为:M3第25min发生故障,根据数据挖掘,机床M3故障平均处理时间为25min,生成调度加工甘特图如图6所示。
表1
表2
M<sub>1</sub> | M<sub>2</sub> | M<sub>3</sub> | M<sub>4</sub> | M<sub>5</sub> | M<sub>6</sub> | M<sub>7</sub> | M<sub>8</sub> | M<sub>9</sub> | M<sub>10</sub> | |
机床加工功率p<sub>mw</sub>/Kw | 20 | 15 | 8 | 12 | 7 | 16 | 14 | 18 | 6.5 | 10 |
机床空载功率p<sub>mr</sub>/Kw | 3 | 2 | 0.5 | 0.64 | 0.45 | 1.4 | 1.1 | 1.5 | 0.35 | 0.8 |
由技术常识可知,本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此,上述公开的实施方案,就各方面而言,都只是举例说明,并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
Claims (10)
1.一种智能制造车间资源调度方法,其特征在于,所述方法包括如下步骤:
获取制造车间的工序数据;
设置种群,并根据工序数据进行种群初始化;
根据工序数据和种群建立数学模型;
根据所述数学模型的最优解调度所述制造车间。
2.根据权利要求1所述的一种智能制造车间资源调度方法,其特征在于:所述制造车间的工序数据包括以下至少一种:
工件工序总个数;工件加工完成时刻;工件最大完成时间;工件总延时;工件总负载;工件总能耗。
3.根据权利要求1所述的一种智能制造车间资源调度方法,其特征在于:所述种群的初始化包括如下步骤:
设置种群的大小为NIND;
根据待加工工件工序总个数和目标函数个数初始化染色体的长度。
4.根据权利要求1所述的一种智能制造车间资源调度方法,其特征在于:所述数学模型的建立包括:
确定Pareto等级;
进行拥挤度排序;
竞标赛选择;
交叉变异操作;
精英保留策略。
5.根据权利要求4所述的一种智能制造车间资源调度方法,其特征在于:所述Pareto的等级包括:
根据种群中每个个体被支配的个数和个体支配的个体集合确定每个个体的Pareto等级。
6.根据权利要求4所述的一种智能制造车间资源调度方法,其特征在于:所述拥挤度排序的方法包括如下步骤:
对第一列目标函数值升序排列,目标函数值最大和最小的个体距离设为无穷大,其余个体间距离按照计算;
其余列目标函数值做同样处理;
最后每个个体4个目标距离值相加得到拥挤度;
式中next_obj代表本个体的后一个目标函数值;previous_obj代表本个体的前一个目标函数值;f_max和f_min分别代表本列目标函数最大值和最小值。
7.根据权利要求4所述的一种智能制造车间资源调度方法,其特征在于:所述竞标赛选择的方法包括如下步骤:
从种群中随机选择两个个体,优先选择排序等级高的个体;
若排序等级一样,优先选择个体拥挤度大的个体;
如果拥挤度相同,则随机选择其中一个个体。
8.根据权利要求4所述的一种智能制造车间资源调度方法,其特征在于:所述交叉变异操作的方法包括如下步骤:
包括基于工序交叉和基于设备交叉的混合交叉方式:
使用rand函数生成随机数r(r∈[0,1]),如果r≤0.5,采用基于工序的交叉,否则采用基于设备的交叉;
使用randperm(P_number,cal)函数随机生成染色体变异位置,cal表示染色体基因变异的个数。
9.根据权利要求4所述的一种智能制造车间资源调度方法,其特征在于:所述精英保留策略的方法包括:
设计比例法,使种群中父代最优个体/子代个体保持一定比例。
10.根据权利要求1所述的一种智能制造车间资源调度方法,其特征在于:所述最优解的选择方法包括:
采用层次分析法确定各个指标权重,选出最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910721280.8A CN110414863A (zh) | 2019-08-06 | 2019-08-06 | 一种智能制造车间资源调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910721280.8A CN110414863A (zh) | 2019-08-06 | 2019-08-06 | 一种智能制造车间资源调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110414863A true CN110414863A (zh) | 2019-11-05 |
Family
ID=68366085
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910721280.8A Withdrawn CN110414863A (zh) | 2019-08-06 | 2019-08-06 | 一种智能制造车间资源调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414863A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956371A (zh) * | 2019-11-18 | 2020-04-03 | 杭州德意电器股份有限公司 | 面向复杂人机耦合的智能制造车间的绿色调度优化方法 |
CN111260181A (zh) * | 2019-12-31 | 2020-06-09 | 同济大学 | 一种基于分布式智能制造单元的车间自适应生产调度装置 |
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 |
CN113177667A (zh) * | 2021-05-24 | 2021-07-27 | 同济大学 | 一种基于改进遗传算法的电气装备制造资源优化配置方法 |
CN113420970A (zh) * | 2021-06-10 | 2021-09-21 | 西安电子科技大学 | 智能仓储环境下的任务调度方法 |
CN113671913A (zh) * | 2021-08-10 | 2021-11-19 | 河海大学 | 一种智能制造车间隐形扰动应对方法 |
CN113762811A (zh) * | 2021-11-08 | 2021-12-07 | 武汉科技大学 | 一种考虑加班的无拖期Job Shop调度问题求解方法及系统 |
-
2019
- 2019-08-06 CN CN201910721280.8A patent/CN110414863A/zh not_active Withdrawn
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110956371A (zh) * | 2019-11-18 | 2020-04-03 | 杭州德意电器股份有限公司 | 面向复杂人机耦合的智能制造车间的绿色调度优化方法 |
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 |
CN111260181A (zh) * | 2019-12-31 | 2020-06-09 | 同济大学 | 一种基于分布式智能制造单元的车间自适应生产调度装置 |
CN113177667A (zh) * | 2021-05-24 | 2021-07-27 | 同济大学 | 一种基于改进遗传算法的电气装备制造资源优化配置方法 |
CN113420970A (zh) * | 2021-06-10 | 2021-09-21 | 西安电子科技大学 | 智能仓储环境下的任务调度方法 |
CN113420970B (zh) * | 2021-06-10 | 2023-11-24 | 西安电子科技大学 | 智能仓储环境下的任务调度方法 |
CN113671913A (zh) * | 2021-08-10 | 2021-11-19 | 河海大学 | 一种智能制造车间隐形扰动应对方法 |
CN113762811A (zh) * | 2021-11-08 | 2021-12-07 | 武汉科技大学 | 一种考虑加班的无拖期Job Shop调度问题求解方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414863A (zh) | 一种智能制造车间资源调度方法 | |
CN109359884B (zh) | 航空复杂装备结构件车间作业计划及重调度方法 | |
CN107168267B (zh) | 基于改进粒子群与启发式策略的生产排产方法及系统 | |
CN105629927A (zh) | 一种基于混合遗传算法的mes生产计划排产方法 | |
Zhang et al. | Multi-objective scheduling simulation of flexible job-shop based on multi-population genetic algorithm | |
CN110288185B (zh) | 一种分布式柔性流水线调度方法 | |
CN106875094A (zh) | 一种基于多色集合遗传算法的多目标车间调度方法 | |
CN110543151A (zh) | 基于改进nsga-ⅱ求解车间节能调度问题的方法 | |
CN103309316A (zh) | 带有批处理机的多阶段变异混合流水车间调度方法 | |
CN102608916A (zh) | 一种基于元胞机的大型零件柔性作业车间的动态调度方法 | |
CN110956371B (zh) | 面向复杂人机耦合的智能制造车间的绿色调度优化方法 | |
CN110618668A (zh) | 柔性生产的绿色动态调度方法 | |
Wang et al. | Process scheduling using genetic algorithms | |
CN105550825B (zh) | 云计算环境下的基于MapReduce并行化的柔性工厂作业调度方法 | |
CN108053152A (zh) | 基于多色集合的改进遗传算法求解动态车间调度的方法 | |
CN112286152A (zh) | 具有批量交付约束的分布式流水车间调度方法及系统 | |
CN105741181A (zh) | 一种不同并行机混合流水线车间调度方法 | |
CN113219918A (zh) | 一种基于物料齐套的混流装配车间排序方法 | |
CN106327053B (zh) | 一种基于多模式集合的纺织工艺推荐模型的构建方法 | |
CN112699544A (zh) | 一种多目标柔性作业车间调度方法 | |
CN116307008A (zh) | 一种mto和mts混合生产模式下aps排产方法 | |
Liu et al. | Scheduling optimization of flexible flow shop | |
Zhou et al. | A modified column generation algorithm for scheduling problem of reentrant hybrid flow shops with queue constraints | |
Vignier et al. | A hybrid method for a parallel-machine scheduling problem | |
Liu et al. | Adaptive genetic algorithm for scheduling problem in flexible workshop with low carbon constraints |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191105 |
|
WW01 | Invention patent application withdrawn after publication |