CN110568826A - 基于不可控事件的自动制造系统最大许可行为控制方法 - Google Patents

基于不可控事件的自动制造系统最大许可行为控制方法 Download PDF

Info

Publication number
CN110568826A
CN110568826A CN201910714151.6A CN201910714151A CN110568826A CN 110568826 A CN110568826 A CN 110568826A CN 201910714151 A CN201910714151 A CN 201910714151A CN 110568826 A CN110568826 A CN 110568826A
Authority
CN
China
Prior art keywords
state
states
bad
uncontrollable
deadlock
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.)
Granted
Application number
CN201910714151.6A
Other languages
English (en)
Other versions
CN110568826B (zh
Inventor
罗鹏
胡核算
马艳
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.)
Xian University of Electronic Science and Technology
Original Assignee
Xian University of Electronic Science and Technology
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 Xian University of Electronic Science and Technology filed Critical Xian University of Electronic Science and Technology
Priority to CN201910714151.6A priority Critical patent/CN110568826B/zh
Publication of CN110568826A publication Critical patent/CN110568826A/zh
Application granted granted Critical
Publication of CN110568826B publication Critical patent/CN110568826B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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]

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)
  • Debugging And Monitoring (AREA)

Abstract

本发明属于自动制造系统技术领域，公开了一种基于不可控事件的自动制造系统最大许可行为控制方法，首先找出因为不可控事件导致的坏状态的变化，原来的好状态或者是临界状态可能因为不可控事件而变成坏状态；其次找出由不可控事件导致的临界状态的变化，原来的临界状态一部分可能变成了坏状态，另外原来的好状态此时可能变成了临界状态；然后好状态因为不可控事件的影响将会在原来的基础上减少，原来的好状态可能变成了坏状态，也可能变成了临界状态；最后输出的好状态即为自动制造系统考虑不可控事件的最大许可行为。本发明能够实现自动制造系统的最大许可行为，充分利用资源，减少不必要的浪费，使得自动制造系统的生产效率不断提高。

Description

基于不可控事件的自动制造系统最大许可行为控制方法
技术领域
本发明属于自动制造系统技术领域，尤其涉及一种基于不可控事件的自动制造系统最大许可行为控制方法。
背景技术
自动制造系统(Automated Manufacturing System，AMS)一般通过计算机控制数控机床、装料、卸料存储以及运输等典型环节，最终实现自动化、可重构和柔性化的生产过程。从当前各个国家制造业的发展历程来看，不管是发达国家还是像我国一样的发展中国家，都迫切需要加大制造业的投入，以推动更加复杂、智能的自动制造系统的发展。Petri网因其在自动制造系统设计中独特的优势，而被广泛用于系统的建模与分析。行为许可性是活性Petri网控制器设计的重要指标之一，因此如何设计一个最大许可或者说是最优Petri网控制器一直是众多学者感兴趣的问题。
受控系统许可行为的多少是评价活性Petri网控制器的一个重要指标。一般说来，受控系统拥有越多的许可行为，在很大程度上则意味着制造系统具有更多的柔性和更高的生产率。因此，最大许可行为的Petri网控制器设计方法的研究不仅具有理论意义，而且具有实际应用价值。在当前已有技术中，众多学者研究自动制造系统的最大许可性可能是基于算法复杂度方面考虑，往往没有考虑不可控事件，这存在一些缺陷，具体体现在：实际的自动制造系统总是或多或少存在一些不可控事件，如果没能考虑，并且予以处理，将会使自动制造系统走向死锁，最终出现自动制造系统停滞的后果。由于实际中存在一些不可控事件，因此在Petri网模型中，有必要考虑不可控事件的自动制造系统的最大许可行为控制。
综上所述，现有技术存在的问题是：当前在基于Petri网模型的最大许可行为控制的研究中，未考虑含有不可控事件，而不可控事件普遍存在于自动制造系统中，一旦不可控事件发生，系统的加工进程将不受控制地走向一条高危路径，则该系统很有可能走向死锁状态，给生产造成重大损失。
解决上述技术问题的难度：
考虑不可控事件的自动制造系统，其Petri网模型中变迁的发射是随机的，对应于生成的可达图是错综复杂的，首先我们必须分析每一处不可控变迁发射到达前后的状态情况，进而将所有的状态进行划分，其次这对于所提出算法的复杂度是一个挑战，对于一个状态数越多的Petri网模型，考虑不可控变迁后，复杂度更高。
解决上述技术问题的意义：
现实生活中的自动制造系统难免会存在不可控事件，而不可控事件的发生，使得外部控制器无法控制行为发生，使得加工进程不受控制地走向一条高危路径。那么就需要在考虑不可控事件的情况下，知道系统输出好状态的边界值，即知道考虑不可控事件的最大许可行为，实施控制。
发明内容
针对现有技术存在的问题，本发明提供了一种基于不可控事件的自动制造系统最大许可行为控制方法。
本发明是这样实现的，一种基于不可控事件的自动制造系统最大许可行为控制方法，所述基于不可控事件的自动制造系统最大许可行为控制方法通过从后往前逆推导，即从死锁状态循环向前搜索；首先找出因为不可控事件导致的坏状态的变化，原来的好状态或者是临界状态可能因为不可控事件而变成坏状态；其次找出由不可控事件导致的临界状态的变化，原来的临界状态一部分可能变成了坏状态，另外原来的好状态此时可能变成了临界状态；然后好状态因为不可控事件的影响将会在原来的基础上减少，原来的好状态可能变成了坏状态，也可能变成了临界状态；最后输出的好状态即为自动制造系统考虑不可控事件的最大许可行为。
进一步，所述基于不可控事件的自动制造系统最大许可行为控制方法具体包括以下步骤：
步骤一，考虑全可控事件的自动制造系统，通过Petri网初始标识以及输入输出变迁，生成整个Petri网的全局可达图，输出所有状态中的死锁状态、坏状态、临界状态以及好状态；
步骤二，考虑不可控事件的自动制造系统，找出此时可达图中因为不可控事件导致产生的坏状态，并加入到原来的坏状态集合中；
步骤三，找出可达图中因为不可控事件导致产生的临界状态，添加到原来的临界状态集合中，去除原来的临界状态因为不可控事件变成的坏状态；
步骤四：将所有的状态除去死锁状态和坏状态，便可得到好状态。
进一步，所述步骤一具体实现过程包括：
(1)输入Petri网的初始标识M0，输入、输出变迁；
(2)初始化当前状态M＝M0，并将其做个标记flag，初始化为false；
(3)若系统中还存在没有被搜索到的状态，则继续执行下面的过程，否则终止；
(4)选择一个状态为“false”，即没有被访问过的标识M；
1)若已搜索过M，则将其标记为“true”，并开始搜索其它“false”标识；
2)若在M下，不存在可以被使能的变迁，则将M标记为“deadlock”，并将其加入死锁状态集合deadlockstates；
(5)对于M下所有满足使能条件的变迁t，执行下面的操作：
1)激发t得到新的标识M'；
2)从M到M'添加弧t；
(6)将M的状态标记为“true”后回到(2)；
(7)遍历除了死锁状态剩余的状态，判断如果一个状态经过变迁t发射不可避免地陷入死锁状态，只能到达死锁状态deadlock，则将该状态加入坏状态集合badstates；
(8)遍历除了死锁状态和坏状态剩余的状态，判断如果一个状态经过两个及以上变迁发射可能到达非死锁状态且非坏状态也可能到达死锁状态或坏状态，不加控制系统有可能进入坏状态，使系统进入死锁或活锁，则将该状态加入临界状态集合criticalstates；
(9)将所有的状态除去死锁状态、坏状态以及临界状态后，剩余的状态即为好状态，并将其加入好状态集合goodstates。
进一步，所述步骤二的具体过程如下：
(1)输入Petri网的输入、输出变迁以及不可控变迁集合TUC，步骤一得到的所有状态中的死锁状态、坏状态及临界状态，并将坏状态和死锁状态合并到一个集合—坏死状态集合badOrdeadstates；
(2)初始化当前状态M＝MbadOrdeadstate，其中MbadOrdeadstate为一个坏死状态；
(3)考虑不可控变迁，遍历所有的非坏死状态，若一个状态经过多个变迁 t发射，若存在发射的变迁t为不可控变迁，则该状态为坏状态，更新坏死状态集合badOrdeadstates，将其加入坏死状态集合badOrdeadstates，得到更新后的坏死状态集合badOrdeadstates’，并判断若该状态原来为临界状态则更新临界状态集合criticalstates，即在原临界状态集合中去除该状态，得到更新后的临界状态集合criticalstates’；若到达的状态不是坏死状态，则该状态不是坏状态；
(4)逐层向上循环搜索，遍历所有的非坏死状态，若一个状态仅经过变迁 t发射，不管发射的变迁t是否为可控变迁，全部到达坏死状态，则该状态为坏状态，更新坏死状态集合badOrdeadstates’，即将其加入坏死状态集合badOrdead states’，得到二次更新后的坏死状态集合badOrdeadstates”，并返回(2)继续执行。
进一步，所述步骤三的具体过程如下：
(1)输入Petri网的输入、输出变迁以及不可控变迁集合TUC，步骤二得到的坏状态和死锁状态更新后的坏死状态集合badOrdeadstates”以及更新后的临界状态集合criticalstates’；
(2)初始化当前状态M＝MbadOrdeadstate，其中MbadOrdeadstate为一个坏死状态；
(3)考虑不可控变迁，遍历所有的非坏死状态，若一个状态经过两个及以上变迁t发射，若存在变迁t发射到达坏死状态MbadOrdeadstate，但不全是到达坏死状态，则该状态为临界状态，并再次更新临界状态集合，即将其加入更新后的临界状态集合criticalstates’，得到二次更新的临界状态集合criticalstates”。
进一步，所述步骤四的具体过程如下：
(1)输入步骤一得到的所有状态以及死锁状态集合，步骤二得到的坏状态和死锁状态更新后的坏死状态集合badOrdeadstates”以及步骤三更新后的临界状态集合criticalstates”；
(2)将所有状态的集合减去坏死状态集合，便得到了好状态集合goodstates，即自动制造系统考虑不可控事件的最大许可行为；
(3)将坏死状态集合减去死锁状态集合，便得到坏状态集合；
(4)输出考虑不可控事件的自动制造系统的好状态、临界状态、坏状态以及死锁状态。
本发明的另一目的在于提供一种应用所述基于不可控事件的自动制造系统最大许可行为控制方法的自动制造系统。
综上所述，本发明的优点及积极效果为：在得到考虑不可控事件的自动制造系统的好状态之后，得到自动制造系统考虑不可控事件的最大许可行为，便可以对所有即将可能到达临界状态的好状态的事件加以控制，使系统永远不会到达死锁状态。
与现有的技术相比，本发明具有以下优势：
本发明能够实现自动制造系统的最大许可行为，充分利用资源，减少不必要的浪费。一旦系统进入死锁状态，系统加工进程将会停滞，那么最终输出的产品将不能正常使用，这样就造成了资源的浪费。
本发明考虑了不可控事件对于自动制造系统的影响，得到了系统的最大许可行为。不可控事件在自动制造系统中是不可避免会出现的，因此必须充分考虑其影响。实现控制器做出恰当的控制决策，决定在当前状态下不应该发射哪个变迁，避免了在加工过程中出现死锁状态，导致生产线停滞，造成巨大的损失。
现有技术得到的自动制造系统的最大许可行为是基于全可控事件的最大许可行为，在现实生活中的自动制造系统中应用，有一定的局限性，不能阻止不可控事件导致的加工进程滞后，自动制造系统死锁等不好的影响，而相对于现有技术，本发明的算法考虑了不可控事件，并且找到了自动制造系统的最大许可行为，进而为后面的控制器设计指引了方向。
附图说明
图1是本发明实施例提供的基于不可控事件的自动制造系统最大许可行为控制方法流程图。
图2是本发明实施例提供的S4R模型示意图。
图3是本发明实施例提供的S4R模型的部分状态示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于不可控事件的自动制造系统最大许可行为控制方法，本发明要控制自动制造系统在这些最后输出的好状态到临界状态之间的事件(变迁)的发生，那么就能够使得自动制造系统一直处于这些状态中，则自动制造系统一定不会走向死锁。下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的基于不可控事件的自动制造系统最大许可行为控制方法包括以下步骤：
S101：考虑全可控事件的自动制造系统，通过Petri网初始标识以及输入输出变迁，生成整个Petri网的全局可达图，输出所有状态中的死锁状态、坏状态、临界状态以及好状态；
S102：考虑不可控事件的自动制造系统，找出此时可达图中因为不可控事件导致产生的坏状态，并把它们加入到原来的坏状态集合中；
S103：找出可达图中因为不可控事件导致产生的临界状态，添加到原来的临界状态集合中，去除原来的临界状态因为不可控事件变成的坏状态；
S104：将所有的状态除去死锁状态和坏状态，便可得到好状态。
下面结合附图对本发明的技术方案作进一步的描述。
下面首先介绍一些关于Petri网的基本定义：
定义1：一个Petri网(结构)PN是一个四元组(P，T，F，W)，其中：
(1)P和T分别称为库所和变迁的集合，P和T非空、有限且不相交，即
(2)称为流关系或有向弧的集合；
(3)是一个映射，该映射为每一条弧分配一个权值，即W(f)＞0。
从图论上讲，Petri网是一种双枝有向图，库所和变迁称为Petri网的节点。用图形表示Petri网时，库所用圆圈表示，变迁用矩形或杠表示。库所和变迁之间用有向弧连接，同一个类型的节点之间不能用有向弧连接。
定义2：(N,M0)＝(P,T,F,W,M0)是Petri网(P，T，F，W)的标识网，其中：M0为初始标识，表示系统的初始状态。
定义3：可控性和可控变迁与不可控变迁
(1)可控性：用来描述系统在运行过程中对被控系统所处的状态以及行为事件发生进行控制的可能性。
(2)可控变迁与不可控变迁：根据事件发生是否能够被控制，将行为事件分为可控事件与不可控事件，对应Petri网中依据变迁激发能否被控制划分为可控变迁与不可控变迁。
本发明实施例提供的基于不可控事件的自动制造系统最大许可行为控制方法具体包括以下步骤：
步骤一：考虑全可控事件的自动制造系统，通过Petri网初始标识以及输入、输出变迁，生成整个Petri网的R(G)，输出所有状态中的deadlockstate、badstate、criticalstate以及goodstate；具体实现过程如下：
(1)输入Petri网的初始标识M0，输入、输出变迁；
(2)初始化当前状态M＝M0，并将其做个标记flag，初始化为false；
(3)若系统中还存在没有被搜索到的状态，则继续执行下面的过程，否则终止；
(4)选择一个状态为“false”，即没有被访问过的标识M；
1)若已搜索过M，则将其标记为“true”，并开始搜索其它“false”标识；
2)若在M下，不存在可以被使能的变迁，则将M标记为“deadlock”，并将其加入deadlockstates；
(5)对于M下所有满足使能条件的变迁t，执行下面的操作：
1)激发t得到新的标识M'；
2)从M到M'添加弧t；
(6)将M的状态标记为“true”后回到(2)；
(7)遍历除了deadlockstates剩余的状态，判断如果一个状态经过变迁t(一个或多个变迁)发射不可避免地陷入deadlockstate，即只能到达deadlockstate，则将该状态加入badstates；
(8)遍历除了deadlockstates和badstates剩余的状态，判断如果一个状态经过两个及以上变迁发射可能到达非死锁状态且非坏状态也可能到达死锁状态或坏状态，即不加控制系统有可能进入badstate，使系统进入死锁或活锁，则将该状态加入criticalstates；
(9)将所有的状态除去deadlockstates、badstates以及criticalstates后，剩余的状态即为goodstate，并将其加入goodstates。
步骤二：考虑不可控事件的自动制造系统，找出此时可达图中因为不可控事件导致产生的坏状态，并把它们加入到原来的坏状态集合中；具体实现过程如下：
(1)输入Petri网的输入、输出变迁以及不可控变迁集合TUC，步骤一得到的所有状态中的deadlockstates、badstates及criticalstates，并将badstates和 deadlockstates合并到一个集合badOrdeadstates；
(2)初始化当前状态M＝MbadOrdeadstate，其中MbadOrdeadstate为一个坏死状态；
(3)考虑不可控变迁，遍历所有的非坏死状态，若一个状态经过多个变迁 t发射，若存在发射的变迁t为不可控变迁，则该状态为badstate，更新badOrdead states，即将其加入badOrdeadstates，得到更新后的badOrdeadstates’，并判断若该状态原来为criticalstate则更新criticalstates，即在criticalstates中去除该状态，得到更新后的criticalstates’；若到达的状态不是badstate，则该状态不是badstate；
(4)逐层向上循环搜索，遍历所有的非badstate，若一个状态经过变迁t发射，不管发射的变迁t是否为可控变迁，全部到达badOrdeadstate，则该状态为 badstate，更新badOrdeadstates’，即将其加入badOrdeadstates’，得到二次更新后的badOrdeadstates”，并返回(2)继续执行。
步骤三：找出可达图中因为不可控事件导致产生的临界状态，将其添加到原来的临界状态集合中，此时还要去除原来的临界状态因为不可控事件变成的坏状态；具体实现过程如下：
(1)输入Petri网的输入、输出变迁以及不可控变迁集合TUC，步骤二得到badOrdeadstates”以及更新后的criticalstates’；
(2)初始化当前状态M＝MbadOrdeadstate，其中MbadOrdeadstate为一个坏死状态；
(3)考虑不可控变迁，遍历所有的非badstate，若一个状态经过两个及以上变迁t发射，若存在变迁t发射到达MbadOrdeadstate，但不全是到达MbadOrdeadstate，则该状态为criticalstate，并再次更新criticalstates’，即将其加入更新后的critical states’，得到二次更新的criticalstates”。
步骤四，将所有的状态除去死锁状态和坏状态，便可得到好状态，具体实现过程如下：
(1)输入步骤一得到的所有状态以及deadlockstates，步骤二得到的badOrdeadstates”以及步骤三更新后的criticalstates”；
(2)将所有状态的集合减去badOrdeadstates”，再减去criticalstates”，便得到了goodstates，即自动制造系统考虑不可控事件的最大许可行为；
(3)将badOrdeadstates”减去deadlock states，便得到了badstates；
(4)输出考虑不可控事件的自动制造系统的Mgoodstate、Mcriticalstate、Mbadstate以及Mdeadlockstate分别是那些。
如图2所示，根据S4R网模型及该模型的部分状态来对以上步骤进行详细论述说明：考虑不可控事件的自动制造系统最大许可行为控制的算法：
如图3所示，假设TUC＝{t5}，即变迁t5为不可控变迁，其余变迁均为可控变迁。根据步骤一，能够得到该Petri网的可达图，共计87个状态，并分别输出 goodstates＝{1，2，3，4，5，6，7，8，9，10，11，13，15，16， 17，19，21，26，28，29，30，36，37，42，43，45，51，53，54，59，61，62，65，67，69，70，73，74，75，77，79，80， 81，83，84，85，86，87}，总共48个goodstate，criticalstates＝{12，14，18，20，22，23，25，27，31，33，34，38，41，44，46，49， 55，60}，总共18个criticalstate，bad states＝{24，32，35，39，40，47，48， 50，52，56，57，58，63，64，66，68，71，72}，总共18个badstate， deadlockstates＝{76，78，82}总共3个deadlockstate。根据步骤二，首先把 deadlockstates和badstates合并为badOrdeadstates＝{24，32，35，39，40，47， 48，50，52，56，57，58，63，64，66，68，71，72，76，78，82}，考虑不可控变迁t5的影响，则原来为criticalstate的{14，22，25，27，38， 41，44，55，60}变成了badOrdeadstate；其次考虑不可控变迁t5，循环向上层搜索，因为M14现在为badOrdeadstate，而M8经过t5发射到达M14，则M8也为badOrdeadstate，因为M25现在为badOrdeadstate，而M16经过t5发射到达M25，则M16也为badOrdeadstate，因为M41现在为badOrdeadstate，而M28经过t5发射到达M41，则M28也为badOrdeadstate；然后因为M86仅有一个变迁t4发射到达 M55，M87仅有一个变迁t4发射到达M60，M81经过变迁t4发射到达M38，经过变迁t1发射到达M86，M83经过变迁t4发射到达M44，经过变迁t1发射到达M87， M70经过变迁t4发射到达M22，经过变迁t2发射到达M81，M73经过变迁t4发射到达M27，经过变迁t1发射到达M83，M74经过变迁t4发射到达M28，经过变迁t2发射到达M83，M59经过变迁t4发射到达M16，经过变迁t2发射到达M73，经过变迁t1发射到达M74，M43经过变迁t4发射到达M8，经过变迁t2发射到达 M59，其中M55，M60，M38，M44，M22，M27，M28，M16，M8为badOrdeadstate，则M86，M87，M81，M83，M70，M73，M74，M59，M43也变成了badOrdeadstate。所以此时badOrdeadstates＝{24，32，35，39，40，47，48，50，52，56， 57，58，63，64，66，68，71，72，76，78，82，14，22，25， 27，38，41，44，55，60，8，16，28，86，87，81，83，70，73， 74，59，43}。根据步骤三，能够得到criticalstates＝{12，18，20，23，31， 33，34，46，49，6，11，13，21，3，7，69，54，42，26}。根据步骤四，最后输出goodstates＝{1，2，4，5，9，10，15，17，19，29， 30，36，37，45，51，53，61，62，65，67，75，77，79，80， 84，85}，总共26个goodstates，即该自动制造系统考虑不可控事件(变迁t5) 的最大许可行为，criticalstates＝{12，18，20，23，31，33，34，46，49， 6，11，13，21，3，7，69，54，42，26}，总共19个criticalstate，badstates＝{24， 32，35，39，40，47，48，50，52，56，57，58，63，64，66，68， 71，72，14，22，25，27，38，41，44，55，60，8，16，28，86， 87，81，83，70，73，74，59，43}，总共39个badstate，deadlockstates＝{76，78，82}，总共3个deadlockstate。从最后输出结果来看，考虑不可控事件的自动制造系统，死锁状态不发生变化，而坏状态将会在原来的基础上增加；临界状态将会发生变化，变化情况是：一部分可能变成坏状态，另外又将增加一些临界状态；好状态将会在原来的基础上减少，变化情况是：一部分可能会变成坏状态，一部分可能会变成临界状态。
根据上面的考虑不可控事件的自动制造系统的最大许可行为控制算法，从后往前推导，即从死锁状态开始向前一步一步走，最终能够得到自动制造系统的最大许可行为，即本发明提出算法最后得出的goodstates，只要控制自动制造系统在这些状态到临界状态之间的事件(变迁)的发生，那么就能够使得自动制造系统一直处于这些状态中，则自动制造系统中即使存在不可控事件，也一定不会走向死锁。
本发明中符号说明：PN表示Petri网，M0表示初始状态，M表示当前状态，TUC表示不可控变迁集合，t表示变迁，Mgoodstate表示好状态，Mcriticalstate表示临界状态，Mbadstate表示坏状态，Mdeadlockstate表示死锁状态，MbadOrdeadstate表示坏死状态，goodstates表示好状态集合，criticalstates表示临界状态集合， badstates表示坏状态集合，badOrdeadstates表示坏死状态集合，deadlockstates 表示死锁状态集合，表示非0自然数。
下面结合具体实施例对本发明的技术方案作进一步的描述。
输入Petri网结构如下所示：
输出结果如下所示：
全为可控变迁时：
Total states count:29
Critical States count：7
5 6 7 12 18 23 26
Deadlock States count:2
11 28
Bad States count：4
14 19 24 29
考虑不可控变迁时：
The number of states containing uncontrollable transitions is asfollows:
Total number of states：29
Good states：14
The good states are：1 2 4 8 9 10 13 15 16 17 20 21 22 27
Critical States：8
The critical States are：26 18 3 5 25 23 7 12
Bad States：5
The bad States are：14 19 24 29 6
Deadlock States：2
The deadlock States are：11 28
从输出结果能够得出，考虑了不可控变迁t5，系统的死锁状态不发生变化，坏状态在原来的基础上增加了状态6；临界状态发生了变化，变化情况是：一个是好状态3变成临界状态，另外状态6变成了坏状态；好状态在原来的基础上减少了，变化情况是：好状态3变成了临界状态。
下面结合实验对本发明的技术效果作详细的描述。
(1)未考虑不可控事件时，算法输出情况如下：
Total states count:87
Critical States count：18
12 14 18 20 22 23 25 27 31 33 34 38 41 44 46 49 55 60
Deadlock States count:3
76 78 82
Bad States count：18
24 32 35 39 40 47 48 50 52 56 57 58 63 64 66 68 71 72
(2)考虑不可控事件时，算法输出情况如下：
The number of states containing uncontrollable transitions is asfollows:
Total number of states：87
Good states：26
The good states are：1 2 4 5 9 10 15 17 19 29 30 36 37 45 51 53 61 6265 67 75 77 79 80 84 85
Critical States：19
The critical States are：12 18 20 23 31 33 34 46 49 6 11 13 21 3 7 6954 42 26
Bad States：39
The bad States are：24 32 35 39 40 47 48 50 52 56 57 58 63 64 66 68 7172 14 22 25 27 38 41 44 55 60 8 16 28 86 87 81 83 70 73 74 59 43
Deadlock States：3
The deadlock States are：76 78 82
从实验结果分析，我们可以知道考虑不可控事件的自动制造系统的最大许可行为是在全可控事件的自动制造系统的最大许可行为上进行裁剪，剔除那些因不可控事件的发生使得一些原本好的状态变成坏状态，从而缩小了系统的最大许可行为。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于不可控事件的自动制造系统最大许可行为控制方法，其特征在于，所述基于不可控事件的自动制造系统最大许可行为控制方法通过从后往前逆推导，即从死锁状态循环向前搜索；首先找出因为不可控事件导致的坏状态的变化，原来的好状态或者是临界状态可能因为不可控事件而变成坏状态；其次找出由不可控事件导致的临界状态的变化，原来的临界状态一部分可能变成了坏状态，另外原来的好状态此时可能变成了临界状态；然后好状态因为不可控事件的影响将会在原来的基础上减少，原来的好状态可能变成了坏状态，也可能变成了临界状态；最后输出的好状态即为自动制造系统考虑不可控事件的最大许可行为。
2.如权利要求1所述的基于不可控事件的自动制造系统最大许可行为控制方法，其特征在于，所述基于不可控事件的自动制造系统最大许可行为控制方法具体包括以下步骤：
步骤一，考虑全可控事件的自动制造系统，通过Petri网初始标识以及输入输出变迁，生成整个Petri网的全局可达图，输出所有状态中的死锁状态、坏状态、临界状态以及好状态；
步骤二，考虑不可控事件的自动制造系统，找出此时可达图中因为不可控事件导致产生的坏状态，并加入到原来的坏状态集合中；
步骤三，找出可达图中因为不可控事件导致产生的临界状态，添加到原来的临界状态集合中，去除原来的临界状态因为不可控事件变成的坏状态；
步骤四：将所有的状态除去死锁状态和坏状态，便可得到好状态。
3.如权利要求2所述的基于不可控事件的自动制造系统最大许可行为控制方法，其特征在于，所述步骤一具体实现过程包括：
(1)输入Petri网的初始标识M0，输入、输出变迁；
(2)初始化当前状态M＝M0，并将其做个标记flag，初始化为false；
(3)若系统中还存在没有被搜索到的状态，则继续执行下面的过程，否则终止；
(4)选择一个状态为“false”，即没有被访问过的标识M；
1)若已搜索过M，则将其标记为“true”，并开始搜索其它“false”标识；
2)若在M下，不存在可以被使能的变迁，则将M标记为“deadlock”，并将其加入死锁状态集合deadlockstates；
(5)对于M下所有满足使能条件的变迁t，执行下面的操作：
1)激发t得到新的标识M'；
2)从M到M'添加弧t；
(6)将M的状态标记为“true”后回到(2)；
(7)遍历除了死锁状态剩余的状态，判断如果一个状态经过变迁t发射不可避免地陷入死锁状态，只能到达死锁状态deadlock，则将该状态加入坏状态集合badstates；
(8)遍历除了死锁状态和坏状态剩余的状态，判断如果一个状态经过两个及以上变迁发射可能到达非死锁状态且非坏状态也可能到达死锁状态或坏状态，不加控制系统有可能进入坏状态，使系统进入死锁或活锁，则将该状态加入临界状态集合criticalstates；
(9)将所有的状态除去死锁状态、坏状态以及临界状态后，剩余的状态即为好状态，并将其加入好状态集合goodstates。
4.如权利要求1所述的基于不可控事件的自动制造系统最大许可行为控制方法，其特征在于，所述步骤二的具体过程如下：
(1)输入Petri网的输入、输出变迁以及不可控变迁集合TUC，步骤一得到的所有状态中的死锁状态、坏状态及临界状态，并将坏状态和死锁状态合并到一个集合—坏死状态集合badOrdeadstates；
(2)初始化当前状态M＝MbadOrdeadstate，其中MbadOrdeadstate为一个坏死状态；
(3)考虑不可控变迁，遍历所有的非坏死状态，若一个状态经过多个变迁t发射，若存在发射的变迁t为不可控变迁，则该状态为坏状态，更新坏死状态集合badOrdeadstates，将其加入坏死状态集合badOrdeadstates，得到更新后的坏死状态集合badOrdeadstates’，并判断若该状态原来为临界状态则更新临界状态集合criticalstates，即在原临界状态集合中去除该状态，得到更新后的临界状态集合criticalstates’；若到达的状态不是坏死状态，则该状态不是坏状态；
(4)逐层向上循环搜索，遍历所有的非坏死状态，若一个状态仅经过变迁t发射，不管发射的变迁t是否为可控变迁，全部到达坏死状态，则该状态为坏状态，更新坏死状态集合badOrdeadstates’，即将其加入坏死状态集合badOrdead states’，得到二次更新后的坏死状态集合badOrdeadstates”，并返回(2)继续执行。
5.如权利要求2所述的基于不可控事件的自动制造系统最大许可行为控制方法，其特征在于，所述步骤三的具体过程如下：
(1)输入Petri网的输入、输出变迁以及不可控变迁集合TUC，步骤二得到的坏状态和死锁状态更新后的坏死状态集合badOrdeadstates”以及更新后的临界状态集合criticalstates’；
(2)初始化当前状态M＝MbadOrdeadstate，其中MbadOrdeadstate为一个坏死状态；
(3)考虑不可控变迁，遍历所有的非坏死状态，若一个状态经过两个及以上变迁t发射，若存在变迁t发射到达坏死状态MbadOrdeadstate，但不全是到达坏死状态，则该状态为临界状态，并再次更新临界状态集合，即将其加入更新后的临界状态集合criticalstates’，得到二次更新的临界状态集合criticalstates”。
6.如权利要求2所述的基于不可控事件的自动制造系统最大许可行为控制方法，其特征在于，所述步骤四的具体过程如下：
(1)输入步骤一得到的所有状态以及死锁状态集合，步骤二得到的坏状态和死锁状态更新后的坏死状态集合badOrdeadstates”以及步骤三更新后的临界状态集合criticalstates”；
(2)将所有状态的集合减去坏死状态集合，便得到了好状态集合goodstates，即自动制造系统考虑不可控事件的最大许可行为；
(3)将坏死状态集合减去死锁状态集合，便得到坏状态集合；
(4)输出考虑不可控事件的自动制造系统的好状态、临界状态、坏状态以及死锁状态。
7.一种应用权利要求1～6任意一项所述基于不可控事件的自动制造系统最大许可行为控制方法的自动制造系统。
CN201910714151.6A 2019-08-03 2019-08-03 基于不可控事件的自动制造系统最大许可行为控制方法 Active CN110568826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910714151.6A CN110568826B (zh) 2019-08-03 2019-08-03 基于不可控事件的自动制造系统最大许可行为控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910714151.6A CN110568826B (zh) 2019-08-03 2019-08-03 基于不可控事件的自动制造系统最大许可行为控制方法

Publications (2)

Publication Number Publication Date
CN110568826A true CN110568826A (zh) 2019-12-13
CN110568826B CN110568826B (zh) 2022-03-29

Family

ID=68774584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910714151.6A Active CN110568826B (zh) 2019-08-03 2019-08-03 基于不可控事件的自动制造系统最大许可行为控制方法

Country Status (1)

Country Link
CN (1) CN110568826B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113359650A (zh) * 2021-07-02 2021-09-07 河北大学 含有不可控事件自动制造系统的控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6681374B1 (en) * 1999-06-09 2004-01-20 Lucent Technologies Inc. Hit-or-jump method and system for embedded testing
US20110098858A1 (en) * 2003-02-26 2011-04-28 Silverbrook Research Pty Ltd System for moving mobile robots in accordance with predetermined algorithm
CN108563425A (zh) * 2018-02-27 2018-09-21 北京邮电大学 一种事件驱动的多流程协同处理系统
CN108762221A (zh) * 2018-07-09 2018-11-06 西安电子科技大学 含有不可控事件的自动制造系统的无死锁控制方法
CN109739196A (zh) * 2019-01-11 2019-05-10 西安电子科技大学 含有不可观与不可控事件的自动制造系统无死锁控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6681374B1 (en) * 1999-06-09 2004-01-20 Lucent Technologies Inc. Hit-or-jump method and system for embedded testing
US20110098858A1 (en) * 2003-02-26 2011-04-28 Silverbrook Research Pty Ltd System for moving mobile robots in accordance with predetermined algorithm
CN108563425A (zh) * 2018-02-27 2018-09-21 北京邮电大学 一种事件驱动的多流程协同处理系统
CN108762221A (zh) * 2018-07-09 2018-11-06 西安电子科技大学 含有不可控事件的自动制造系统的无死锁控制方法
CN109739196A (zh) * 2019-01-11 2019-05-10 西安电子科技大学 含有不可观与不可控事件的自动制造系统无死锁控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AVENIR KOBETSKI: "《Minimization of Expected Cycle Time in Manufacturing Cells with Uncontrollable Behavior》", 《2007 IEEE INTERNATIONAL CONFERENCE ON AUTOMATION SCIENCE AND ENGINEERING》 *
高济: "《SNMG:宏观调控协同制造过程的应用架构模式》", 《计算机辅助设计与图形学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113359650A (zh) * 2021-07-02 2021-09-07 河北大学 含有不可控事件自动制造系统的控制方法

Also Published As

Publication number Publication date
CN110568826B (zh) 2022-03-29

Similar Documents

Publication Publication Date Title
Liu et al. Robust deadlock control for automated manufacturing systems with unreliable resources based on Petri net reachability graphs
Miremadi et al. A BDD-based approach for modeling plant and supervisor by extended finite automata
Luo et al. Approach for transforming linear constraints on Petri nets
Hu et al. Polynomially complex synthesis of distributed supervisors for large-scale AMSs using Petri nets
Mejía et al. A new Hybrid Filtered Beam Search algorithm for deadlock-free scheduling of flexible manufacturing systems using Petri Nets
Huang et al. Deadlock-free supervisor design for robotic manufacturing cells with uncontrollable and unobservable events
Wang et al. Design of optimal monitor-based supervisors for a class of Petri nets with uncontrollable transitions
Kim et al. Time-feasible reachability tree for noncyclic scheduling of timed Petri nets
CN110110402B (zh) 基于二叉决策图的资源分配系统可达状态的快速求解方法
Lei et al. Hybrid heuristic search approach for deadlock-free scheduling of flexible manufacturing systems using Petri nets
CN110568826B (zh) 基于不可控事件的自动制造系统最大许可行为控制方法
Jiang et al. Object-oriented Petri nets with changeable structure (OPNs-CS) for production system modelling
Miremadi et al. Symbolic on-the-fly synthesis in supervisory control theory
CN113157562A (zh) 一种基于扩展有限状态机模型的测试用例生成方法及平台
Guan et al. Deadlock-free multi-attribute dispatching method for AGV systems
CN110727249B (zh) 基于不可观事件自动制造系统最大许可行为信息控制方法
Balbo et al. First passage time computation in tagged GSPNs with queue places
Magnusson et al. Planning transport sequences for flexible manufacturing systems
Miremadi et al. Solving two supervisory control benchmark problems using Supremica
Tigane et al. Reconfigurable stochastic Petri nets: A new formalism for reconfigurable discrete event systems
Asmaran et al. Chemical reaction optimization algorithm to find maximum independent set in a graph
Huang et al. Algorithm of transformation from PLC ladder diagram to structured text
Igawa et al. A design support method for automation system configuration using model-based simulation
Fei et al. EFFICIENT SYMBOLIC SUPERVISORY SYNTHESIS AND GUARD GENERATION-Evaluating Partitioning Techniques for the State-space Exploration
Lee et al. A Petri net based decentralized synthesis approach for the control of 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