CN110609531A - 一种基于数字孪生的车间调度方法 - Google Patents
一种基于数字孪生的车间调度方法 Download PDFInfo
- Publication number
- CN110609531A CN110609531A CN201910920571.XA CN201910920571A CN110609531A CN 110609531 A CN110609531 A CN 110609531A CN 201910920571 A CN201910920571 A CN 201910920571A CN 110609531 A CN110609531 A CN 110609531A
- Authority
- CN
- China
- Prior art keywords
- equipment
- workpiece
- scheduling
- equal
- digital twin
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005265 energy consumption Methods 0.000 claims abstract description 39
- 238000004088 simulation Methods 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 19
- 238000003754 machining Methods 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 239000007787 solid Substances 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000001172 regenerating effect Effects 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000005520 cutting process Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
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]
- G05B19/4185—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 the network communication
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31088—Network communication between supervisor and cell, machine group
-
- 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)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (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
本发明公开了一种基于数字孪生的车间调度方法,该方法包括数字孪生模型构建步骤、基于数字孪生模型的设备可用性预测步骤、调度方案生成步骤、以及基于数字孪生模型的调度方案评估步骤四个步骤。本发明将数字孪生这一新兴技术引入到传统的车间调度问题中,利用数字孪生提供的多维虚拟模型与仿真数据增强调度过程中的设备可用性预测与调度方案评估。一方面,能够准确预测设备可用性,从而使生成的调度方案与设备实际状态相匹配;另一方面,能够在调度方案执行前对其进行多维度评估,保证调度方案的性能指标(工件拖期、设备利用率、设备能耗)满足预定义的要求。
Description
技术领域
本发明属于计算机集成制造技术领域,具体涉及一种基于数字孪生的车间调度方法。
背景技术
调度是车间日常面临的生产优化问题,它将一批工件分配给有限个设备加工,每个工件有特定的加工工艺,通过安排工件在每台设备上的加工顺序,优化某些指标,如加工时间、设备能耗、设备利用率等。然而在实际生产过程中,各种动态扰动因素会对调度过程产生巨大干扰,甚至导致原有调度方案无法正常执行。其中,由设备磨损、疲劳、破损等引起的设备不可用是主要扰动之一。当前,随着物联网技术的发展,越来越多的车间数据(如设备运行状态数据、环境数据、工件参数)能够被获取,并用于预测设备可用性。然而,这些数据仍不够全面。这是因为它们主要由传感器测量得到,对于难以直接测量的数据缺乏考虑。而数字孪生技术能够在考虑传感器测量数据的同时,基于数字孪生模型仿真得到大量难以直接测量的数据,并通过融合这两种数据提升预测模型的准确性。同时,基于数字孪生的多维模型能够对设备的尺寸形状、物理参数(如温度分布、应力分布、变形)、能耗行为、规则约束等多维属性进行描述,从而在实际执行前,对调度方案的性能指标(如设备利用率、能耗、工件拖期)进行全面评估,使其满足预定义的要求。
因此,本发明提出一种基于数字孪生的车间调度方法,该方法包括数字孪生模型构建、基于数字孪生模型的设备可用性预测、调度方案生成、以及基于数字孪生模型的调度方案评估4个步骤。该方法能够实现对设备可用性的准确预测与调度方案的多维度评估,从而使生成的调度方案与设备实际状态相匹配,并能够提升调度方案的性能指标。
发明内容
本发明要解决的技术问题为:提供一种基于数字孪生的车间调度方法,一方面能够准确预测设备的可用性,从而使生成的调度方案与设备实际状态相匹配;另一方面,基于多维仿真对调度方案进行评估,保证方案的性能指标(如工件拖期、设备利用率、设备能耗)满足预定义的要求。
本发明解决其技术问题是采取以下技术方案实现的:一种基于数字孪生的车间调度方法,包括以下步骤(假设调度涉及n个设备,m个工件):
步骤(1):调度涉及n个设备,m个工件,构建设备i的多维数字孪生模型,1≤i≤n;首先,采用CAD工具建立设备i的三维实体模型;然后,使用有限元分析工具对设备i关键零部件的物理参数进行计算模拟,包括温度分布、应力分布、零部件变形;接着,考虑设备工作、空闲及待机三种类型能耗,建立设备的能耗行为模型;最后,设定设备i的利用率Ui最低值为U,能耗Ei最大值为E,加工工件j(1≤j≤m)拖期的最大值为D,将其作为设备运行规则约束设备加工工件的过程;
步骤(2):基于数字孪生模型预测设备的可用性,对设备i,首先将传感器采集的设备真实运行数据,包括温度、振动、电压、电流进行异常值去除与数据去噪预处理,并使用集合R={rp|1≤p≤a}表示处理后的参数,其中,rp为设备i的第p个运行参数,a为参数个数;基于步骤(1)构建的数字孪生模型,仿真计算难以由传感器直接测量的参数,包括零部件的应力分布、温度分布及变形,并将参数表示为M={mq|1≤q≤b},其中,mq为第q个仿真参数,b为参数个数;仿真数据M是对真实数据R的补充与完善;接着,对R与M中的数据同时进行特征提取,将提取得到的特征和其预警的设备状态进行一一对应,所述状态包括如正常、疲劳、破损;使用神经网络方法融合R与M的数据特征,并建立设备状态预测模型,基于该预测模型预测设备i的状态;若设备i正常,则判定该设备可用,即可被调用并用于工件加工;否则,安排设备维修,在维修期间设备不可调用;
步骤(3):调度方案生成,首先,建立以完工时间最短为优化目标的调度模型,以及设备不可调用时段不能加工工件等作为约束条件;接着,根据式S=β1×Tijk+β2×Eijk+β3×Wi决定工件j的第k个工序分配给哪个设备,其中,Tijk表示设备i加工工件j的第k个工序所需时间,Eijk表示对应能耗,Wi表示设备i已被占用的时间,所述已被占用的时间用已分配的工件所需的加工总时长与维修时间之和表示,β1,β2及β3分别为Tijk,Eijk及Wi的权值,表示这三个量的重要程度,0≤β1≤1,0≤β2≤1,0≤β3≤1,β1+β2+β2=1;根据计算结果,将该工序分配给S值最小的设备;最后,基于工序的分配结果,在满足各约束条件的前提下,使用遗传算法求解调度模型,从而得到工件的加工顺序,生成调度方案;
步骤(4):基于步骤(1)构建的设备i的数字孪生模型评估生成的调度方案,首先,基于三维实体模型,对调度方案的整个流程进行模拟,从而得到各工件的完成时间Cj与各设备利用率Ui;基于能耗行为模型,计算各设备在调度方案中的能耗值Ei;然后,判断以上仿真得到的Cj,Ui及Ei能否处于数字孪生模型预定义的阈值范围内;若满足,则该调度方案通过方案评估,执行即可;否则,需返回步骤(3)重新生成调度方案。
本发明与现有技术相比的优点在于:
(1)考虑传感器测量数据的同时,基于数字孪生多维模型仿真得到难以直接测量的数据,并通过融合这两种数据提升设备可用性预测的准确性,从而使生成的调度方案与设备实际状态相匹配;
(2)在调度方案执行前,基于数字孪生的多维模型对调度方案的性能指标(如设备利用率、能耗、工件拖期)进行评估,保证满足预定义的要求。
附图说明
图1为本发明的方法的流程框图。
具体实施方式
下面结合附图对本发明做进一步详细的描述。
本发明涉及一种基于数字孪生的车间调度方法,该方法包括数字孪生模型构建、基于数字孪生模型的设备可用性预测、调度方案生成、以及基于数字孪生模型的调度方案评估4个步骤。本发明一方面能够准确预测设备的可用性,从而使生成的调度方案与设备实际状态相匹配;另一方面,在调度方案执行前基于多维仿真对其进行评估,保证调度方案的性能指标(工件拖期、设备利用率、设备能耗)满足预定义的要求。
本发明的流程框图如图1所示,假设调度涉及n个设备,m个工件,具体实施方式如下:
步骤(1):传统模型在映射物理实体时,多考虑三维几何模型的构建。而数字孪生集成多维模型,不仅包括几何模型,还包括物理参数(如应力、温度场、磁场)仿真模型,行为模型(如能耗行为)以及规则约束模型,能够更加全面地映射对应的物理实体。图1中步骤(1)数字孪生模型构建,具体实施方式如下:
构建设备i(1≤i≤n)的数字孪生模型,该模型描述了设备i的多维属性:首先,采用CAD工具建立设备i的三维实体模型;然后,使用有限元分析工具(如ANSYS)对设备i关键零部件的物理参数进行计算模拟,包括温度分布、应力分布、零部件变形;将设备i的能耗Ei分为工作能耗、空闲能耗及待机能耗三种类型,利用计算调度过程中各设备能耗,其中Pw是设备i的工作功率,Pi是空闲功率,Ps是待机功率,t1、t2、t3是三种状态对应的时长;最后,设定设备i的利用率Ui最低值为U,能耗Ei最大值为E,加工工件j拖期(如工件j的实际完工时间为Cj,交货期为Dj,则拖期为Cj-Dj,且Cj-Dj>0)的最大值为D,将其作为规则约束设备加工工件的过程。
步骤(2):图1中步骤(2)基于数字孪生模型的设备可用性预测,具体实现如下:
①以设备i为例,将传感器采集的设备真实的历史运行参数(如温度、振动、电压、电流等)进行异常值去除与数据去噪预处理,并使用集合R={rp|1≤p≤a}表示处理后的参数,其中,rp为设备i的第p个运行参数,a为参数个数。基于步骤(1)构建的数字孪生模型,仿真计算难以由传感器直接测量的参数,包括零部件的应力分布、温度分布及变形,并将其表示为M={mq|1≤q≤b},其中,mq为第q个仿真参数,b为参数个数。仿真计算M中的不同参数时,需输入不同参量。以机床刀具的应力分布仿真为例,需输入切削材料与刀具材料的属性(如弹性模量、泊松比),刀具的切削深度、切削宽度、转速以及进给速度。得到的仿真数据M是对真实数据R的补充与完善。
②对R与M中的数据进行特征(如均值、方差、斜率、最大值及最小值)提取,其中,从真实数据集R中提取的特征表示为frv,1≤v≤V,V表示特征个数;从仿真数据集M中提取的特征表示为fsw,1≤w≤W,W表示特征个数;将这些特征和其预警的设备状态(如正常、疲劳、破损等)进行一一对应;使用神经网络训练设备i的状态预测模型Fi,神经网络的输入为frv(1≤v≤V)和fsw(1≤w≤W),输出为预警的设备状态。
③利用训练好的Fi预测设备可用性:Fi的输入为设备最近一次运行中,R与M的数据特征(frv与fsw,1≤v≤V,1≤w≤W),得到的输出即为设备状态。若设备i状态为正常,则判定该设备可用;否则,安排维修,在维修期间设备不可用,即不能加工任何工件。
步骤(3):图1中调度方案生成(3),所述方案生成是指得到调度方案的过程,具体实施方式如下:
①根据步骤(2)的预测结果,将不可用的设备表示为设备x,1≤x≤n,维修时长为tx;可用设备表示为设备y,1≤y≤n,x+y=n。假设调度的总时长为T(T>tx),则设备x的不可用时段为[0,tx],可用时段为[tx,T];设备y的可用时段为[0,T]。
②建立以完工时间最短为优化目标的调度模型,具体表示如下:
a.目标函数
Min(Max1≤j≤m(Cj))
b.约束条件
约束1:每个工件至少分配给一个设备进行加工
约束2:任意时刻,每个工件最多只能被一个设备加工
约束3:任意时刻,每台设备最多只能加工一个工件
约束4:每个工件的上一个工序完成后,下一个工序才可开始
Sjk+Pjk≤Sj(k+1)
约束5:维修期间设备不可用,不加工任何工件
式中,m是工件数量,j表示第j个工件,Cj表示工件j的完成时间;n是设备个数,i表示第i个设备,t为调度时间段[0,T]内任意时间点;Xij=1表示将工件j分配给设备i,Xij=0表示工件j未分配给设备i;Yijt=1表示在时间t,设备i正在加工工件j,Yijt=0表示在时间t,设备i未加工工件j;Sjk表示工件j第k个工序的加工起始时间,Pjk表示工件j第k个工序的加工时长;x表示第x个不可用的设备,tx是设备x的维修时长。
③根据式S=β1×Tijk+β2×Eijk+β3×Wi决定工件j的第k个工序分配的设备。其中,Tijk表示在设备i上加工工件j的第k个工序所需时间,Eijk表示对应能耗,Wi表示设备i已被占用的时间,β1,β2及β3分别为Tijk,Eijk及Wi的权值,表示这三个量的重要程度,0≤β1≤1,0≤β2≤1,0≤β3≤1,β1+β2+β2=1。对于设备y,工作量用已分配的工件所需的加工总时长表示,即∑j,kTyjk;对于设备x,工作量用已分配的工件所需的加工总时长与维修时间之和表示,即∑j,k Txjk+tx。根据计算结果,将该工序分配给S值最小的设备。
④根据③中的分配结果,使用遗传算法在满足②中的优化目标及约束条件的前提下,求解工件的加工顺序,从而生成调度方案。
步骤(4):图1中(4)基于数字孪生模型的调度方案评估,是基于仿真检查步骤(3)得到的调度方案的指标(工件拖期、设备利用率、能耗)是否在设定的阈值范围内。(需要说明的是,步骤(3)方案生成的输入是调度的目标与约束条件,这里依靠遗传算法求解得到调度方案;步骤(4)方案评估的输入是步骤(3)得到的调度方案,这里通过虚拟仿真判断该方案的指标是否在设定的阈值范围内)具体实施方式如下:
①基于步骤(1)构建的设备i(1≤i≤n)的数字孪生模型,评估步骤(3)生成的调度方案。依次模拟计算步骤(3)生成的调度方案的指标,具体包括:基于三维实体模型,使用Flexsim软件对调度方案的整个流程进行模拟,从而得到各工件的完成时间Cj与各设备利用率Ui;基于能耗计算公式(见步骤(1)),计算各设备在调度方案中的能耗值Ei。
②判断仿真得到的Cj,Ui及Ei能否处于数字孪生模型预定义的阈值范围内(见步骤(1)),即是否满足下式,其中Dj代表工件j的交货期,
Cj-Dj≤D
Ui≥U
Ei≤E
若满足,则该调度方案通过方案评估,执行即可;否则,需返回步骤(3)调整参数β1,β2及β3改变工件与设备的分配关系,并重新生成调度方案。另外,为了保证该调度问题总能获得可行解,也可考虑放宽阈值范围,即增大D值和E值,以及减小U值。
综上所述,本发明公开了一种基于数字孪生模型的车间调度方法,该方法包括数字孪生模型构建、基于数字孪生模型的设备可用性预测、调度方案生成、以及基于数字孪生模型的调度方案评估4个步骤。本发明能够准确预测设备的可用性,从而使生成的调度方案与设备实际状态相匹配;并在调度方案执行前对其进行多维度评估,保证调度方案的性能指标(工件拖期、设备利用率、设备能耗)满足预定义的要求。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种基于数字孪生的车间调度方法,其特征在于,包括以下步骤:
步骤(1):调度涉及n个设备,m个工件,构建设备i的多维数字孪生模型,1≤i≤n;首先,采用CAD工具建立设备i的三维实体模型;然后,使用有限元分析工具对设备i关键零部件的物理参数进行计算模拟,包括温度分布、应力分布、零部件变形;接着,考虑设备工作、空闲及待机三种类型能耗,建立设备的能耗行为模型;最后,设定设备i的利用率Ui最低值为U,能耗Ei最大值为E,加工工件j(1≤j≤m)拖期的最大值为D,将其作为设备运行规则约束设备加工工件的过程;
步骤(2):基于数字孪生模型预测设备的可用性,对设备i,首先将传感器采集的设备真实运行数据,包括温度、振动、电压、电流进行异常值去除与数据去噪预处理,并使用集合R={rp|1≤p≤a}表示处理后的参数,其中,rp为设备i的第p个运行参数,a为参数个数;基于步骤(1)构建的数字孪生模型,仿真计算难以由传感器直接测量的参数,包括零部件的应力分布、温度分布及变形,并将参数表示为M={mq|1≤q≤b},其中,mq为第q个仿真参数,b为参数个数;仿真数据M是对真实数据R的补充与完善;接着,对R与M中的数据同时进行特征提取,将提取得到的特征和其预警的设备状态进行一一对应,所述状态包括如正常、疲劳、破损;使用神经网络方法融合R与M的数据特征,并建立设备状态预测模型,基于该预测模型预测设备i的状态;若设备i正常,则判定该设备可用,即可被调用并用于工件加工;否则,安排设备维修,在维修期间设备不可调用;
步骤(3):调度方案生成,首先,建立以完工时间最短为优化目标的调度模型,以及设备不可调用时段不能加工工件等作为约束条件;接着,根据式S=β1×Tijk+β2×Eijk+β3×Wi决定工件j的第k个工序分配给哪个设备,其中,Tijk表示设备i加工工件j的第k个工序所需时间,Eijk表示对应能耗,Wi表示设备i已被占用的时间,所述已被占用的时间用已分配的工件所需的加工总时长与维修时间之和表示,β1,β2及β3分别为Tijk,Eijk及Wi的权值,表示这三个量的重要程度,0≤β1≤1,0≤β2≤1,0≤β3≤1,β1+β2+β2=1;根据计算结果,将该工序分配给S值最小的设备;最后,基于工序的分配结果,在满足各约束条件的前提下,使用遗传算法求解调度模型,从而得到工件的加工顺序,生成调度方案;
步骤(4):基于步骤(1)构建的设备i的数字孪生模型评估生成的调度方案,首先基于三维实体模型,对调度方案的整个流程进行模拟,从而得到各工件的完成时间Cj与各设备利用率Ui;基于能耗行为模型,计算各设备在调度方案中的能耗值Ei;然后,判断以上仿真得到的Cj,Ui及Ei能否处于数字孪生模型预定义的阈值范围内;若满足,则该调度方案通过方案评估,执行即可;否则,需返回步骤(3)重新生成调度方案。
2.如权利要求1所述的一种基于数字孪生的车间调度方法,其特征在于:所述步骤(1)的具体实现还包括:
将设备i的能耗Ei分为工作能耗、空闲能耗及待机能耗三种类型,利用 计算调度过程中各设备能耗,其中Pw是设备i的工作功率,Pi是空闲功率,Ps是待机功率,t1、t2、t3是三种状态对应的时长;设定设备i的利用率Ui最低值为U,能耗Ei最大值为E,加工工件j拖期的最大值为D,(所述工件j的实际完工时间为Cj,交货期为Dj,则拖期为Cj-Dj,且Cj-Dj>0)将其作为规则约束设备加工工件的过程。
3.如权利要求1所述的一种基于数字孪生的车间调度方法,其特征在于:所述步骤(2)的具体实现还包括:
对R与M中的数据进行特征提取,其中,从真实数据集R中提取的特征表示为frv,1≤v≤V,V表示特征个数;从仿真数据集M中提取的特征表示为fsw,1≤w≤W,W表示特征个数;将这些特征和其预警的设备状态,正常、疲劳、破损进行一一对应;使用神经网络训练设备i的状态预测模型Fi,神经网络的输入为frv和fsw,其中1≤v≤V,1≤w≤W,输出为预警的设备状态。
4.如权利要求1所述的一种基于数字孪生的车间调度方法,其特征在于:所述步骤(3)的具体实现还包括:
①根据步骤(2)的预测结果,将不可用的设备表示为设备x,1≤x≤n,维修时长为tx;可用设备表示为设备y,1≤y≤n,x+y=n;假设调度的总时长为T,T>tx,则设备x的不可用时段为[0,tx],可用时段为[tx,T];设备y的可用时段为[0,T];
②建立以完工时间最短为优化目标的调度模型,具体表示如下:
a.目标函数
Min(Max1≤j≤m(Cj))
b.约束条件
约束1:每个工件至少分配给一个设备进行加工
约束2:任意时刻,每个工件最多只能被一个设备加工
约束3:任意时刻,每台设备最多只能加工一个工件
约束4:每个工件的上一个工序完成后,下一个工序才可开始
Sjk+Pjk≤Sj(k+1)
约束5:维修期间设备不可用,不加工任何工件
式中,m是工件数量,j表示第j个工件,Cj表示工件j的完成时间;n是设备个数,i表示第i个设备,t为调度时间段[0,T]内任意时间点;Xij=1表示将工件j分配给设备i,Xij=0表示工件j未分配给设备i;Yijt=1表示在时间t,设备i正在加工工件j,Yijt=0表示在时间t,设备i未加工工件j;Sjk表示工件j第k个工序的加工起始时间,Pjk表示工件j第k个工序的加工时长;x表示第x个不可用的设备,tx是设备x的维修时长;
③根据式S=β1×Tijk+β2×Eijk+β3×Wi决定工件j的第k个工序分配的设备;其中,Tijk表示在设备i上加工工件j的第k个工序所需时间,Eijk表示对应能耗,Wi表示设备i已被占用的时间,β1,β2及β3分别为Tijk,Eijk及Wi的权值,表示这三个量的重要程度,0≤β1≤1,0≤β2≤1,0≤β3≤1,β1+β2+β2=1。对于设备y,工作量用已分配的工件所需的加工总时长表示,即∑j, kTyjk;对于设备x,工作量用已分配的工件所需的加工总时长与维修时间之和表示,即∑j, kTxjk+tx;根据计算结果,将该工序分配给S值最小的设备;
④根据③中的分配结果,使用遗传算法在满足②中的优化目标及约束条件的前提下,求解工件的加工顺序,从而生成调度方案。
5.如权利要求1所述的一种基于数字孪生的车间调度方法,其特征在于:所述步骤(4)还具体包括:
①基于步骤(1)构建的设备i的数字孪生模型,评估步骤(3)生成的调度方案;依次模拟计算步骤(3)生成的调度方案的指标,具体包括:基于三维实体模型,使用Flexsim软件对调度方案的整个流程进行模拟,从而得到各工件的完成时间Cj与各设备利用率Ui;基于步骤(1)中的能耗计算公式,计算各设备在调度方案中的能耗值Ei;
②判断仿真得到的Cj,Ui及Ei能否处于数字孪生模型预定义的阈值范围内,即是否满足下式,其中Dj代表工件j的交货期,
Cj-Dj≤D
Ui≥U
Ei≤E
若满足,则该调度方案通过方案评估,执行即可;否则,需返回步骤(3)调整参数β1,β2及β3从而改变工件与设备的分配关系,并重新生成调度方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910920571.XA CN110609531B (zh) | 2019-09-27 | 2019-09-27 | 一种基于数字孪生的车间调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910920571.XA CN110609531B (zh) | 2019-09-27 | 2019-09-27 | 一种基于数字孪生的车间调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110609531A true CN110609531A (zh) | 2019-12-24 |
CN110609531B CN110609531B (zh) | 2020-08-04 |
Family
ID=68893741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910920571.XA Active CN110609531B (zh) | 2019-09-27 | 2019-09-27 | 一种基于数字孪生的车间调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110609531B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111103860A (zh) * | 2020-01-15 | 2020-05-05 | 江苏古卓科技有限公司 | 一种基于数字孪生平台的工厂管理系统及方法 |
CN111353225A (zh) * | 2020-02-26 | 2020-06-30 | 洛阳中科晶上智能装备科技有限公司 | 一种使用数字孪生体进行预测性维护的方法及应用 |
CN111461431A (zh) * | 2020-03-31 | 2020-07-28 | 广东工业大学 | 一种基于手机制造中锁螺丝工艺的优化方法和系统 |
CN111695734A (zh) * | 2020-06-12 | 2020-09-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法 |
CN111913458A (zh) * | 2020-08-28 | 2020-11-10 | 华中科技大学 | 一种基于深度学习的车间控制方法及系统 |
CN111924659A (zh) * | 2020-07-08 | 2020-11-13 | 北自所(北京)科技发展有限公司 | 基于孪生模型的化纤长丝落卷方法、系统及自动落卷设备 |
CN111924660A (zh) * | 2020-07-08 | 2020-11-13 | 北自所(北京)科技发展有限公司 | 基于孪生模型的化纤长丝落卷方法、系统及自动落卷设备 |
CN112130534A (zh) * | 2020-09-18 | 2020-12-25 | 北京理工大学 | 一种构建车间数字孪生体的处理方法及控制器 |
CN112199898A (zh) * | 2020-11-11 | 2021-01-08 | 北京三维天地科技股份有限公司 | 一种基于大数据的仪器设备故障预测与健康管理算法 |
CN112418651A (zh) * | 2020-11-19 | 2021-02-26 | 江西农业大学 | 一种基于数字孪生的共享农机实时调度方法 |
CN112836353A (zh) * | 2021-01-12 | 2021-05-25 | 中国航空工业集团公司北京长城航空测控技术研究所 | 一种面向批次生产的锻造调度方法 |
CN113867299A (zh) * | 2021-10-18 | 2021-12-31 | 郑州轻工业大学 | 基于数字孪生的不确定扰动下的ipps问题求解方法 |
CN114512003A (zh) * | 2022-04-19 | 2022-05-17 | 北京交研智慧科技有限公司 | 一种交通控制方法、装置及控制设备 |
CN114527714A (zh) * | 2022-01-19 | 2022-05-24 | 北京工业大学 | 一种基于数字孪生及扰动监测的车间动态调度方法 |
CN114580846A (zh) * | 2022-01-28 | 2022-06-03 | 广东开放大学(广东理工职业学院) | 一种视觉和数字孪生结合的加工路径实时修正方法 |
CN114897447A (zh) * | 2022-07-12 | 2022-08-12 | 北京智芯微电子科技有限公司 | 综合能源协同控制方法及系统 |
CN115373290A (zh) * | 2022-10-27 | 2022-11-22 | 极晨智道信息技术(北京)有限公司 | 一种基于数字孪生的数字化车间仿真方法与系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160247129A1 (en) * | 2015-02-25 | 2016-08-25 | Siemens Corporation | Digital twins for energy efficient asset maintenance |
CN107844098A (zh) * | 2016-09-17 | 2018-03-27 | 青岛海尔模具有限公司 | 一种数字化工厂管理系统及管理方法 |
CN108107841A (zh) * | 2017-12-26 | 2018-06-01 | 山东大学 | 一种数控机床数字孪生建模方法 |
CN110196575A (zh) * | 2019-03-08 | 2019-09-03 | 上海大学 | 一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法 |
-
2019
- 2019-09-27 CN CN201910920571.XA patent/CN110609531B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160247129A1 (en) * | 2015-02-25 | 2016-08-25 | Siemens Corporation | Digital twins for energy efficient asset maintenance |
CN107844098A (zh) * | 2016-09-17 | 2018-03-27 | 青岛海尔模具有限公司 | 一种数字化工厂管理系统及管理方法 |
CN108107841A (zh) * | 2017-12-26 | 2018-06-01 | 山东大学 | 一种数控机床数字孪生建模方法 |
CN110196575A (zh) * | 2019-03-08 | 2019-09-03 | 上海大学 | 一种基于数字孪生与机器学习技术的智能车间生产加工系统及方法 |
Non-Patent Citations (1)
Title |
---|
刘志峰等: "基于数字孪生的零件智能制造车间调度云平台", 《计算机集成制造系统》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111103860A (zh) * | 2020-01-15 | 2020-05-05 | 江苏古卓科技有限公司 | 一种基于数字孪生平台的工厂管理系统及方法 |
CN111353225A (zh) * | 2020-02-26 | 2020-06-30 | 洛阳中科晶上智能装备科技有限公司 | 一种使用数字孪生体进行预测性维护的方法及应用 |
CN111461431A (zh) * | 2020-03-31 | 2020-07-28 | 广东工业大学 | 一种基于手机制造中锁螺丝工艺的优化方法和系统 |
CN111695734A (zh) * | 2020-06-12 | 2020-09-22 | 中国科学院重庆绿色智能技术研究院 | 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法 |
CN111924659B (zh) * | 2020-07-08 | 2022-04-19 | 北自所(北京)科技发展有限公司 | 基于孪生模型的化纤长丝落卷方法、系统及自动落卷设备 |
CN111924659A (zh) * | 2020-07-08 | 2020-11-13 | 北自所(北京)科技发展有限公司 | 基于孪生模型的化纤长丝落卷方法、系统及自动落卷设备 |
CN111924660A (zh) * | 2020-07-08 | 2020-11-13 | 北自所(北京)科技发展有限公司 | 基于孪生模型的化纤长丝落卷方法、系统及自动落卷设备 |
CN111924660B (zh) * | 2020-07-08 | 2022-04-19 | 北自所(北京)科技发展有限公司 | 基于孪生模型的化纤长丝落卷方法、系统及自动落卷设备 |
CN111913458A (zh) * | 2020-08-28 | 2020-11-10 | 华中科技大学 | 一种基于深度学习的车间控制方法及系统 |
CN112130534B (zh) * | 2020-09-18 | 2021-11-16 | 北京理工大学 | 一种构建车间数字孪生体的处理方法及控制器 |
CN112130534A (zh) * | 2020-09-18 | 2020-12-25 | 北京理工大学 | 一种构建车间数字孪生体的处理方法及控制器 |
CN112199898A (zh) * | 2020-11-11 | 2021-01-08 | 北京三维天地科技股份有限公司 | 一种基于大数据的仪器设备故障预测与健康管理算法 |
CN112418651A (zh) * | 2020-11-19 | 2021-02-26 | 江西农业大学 | 一种基于数字孪生的共享农机实时调度方法 |
CN112418651B (zh) * | 2020-11-19 | 2024-02-02 | 江西农业大学 | 一种基于数字孪生的共享农机实时调度方法 |
CN112836353A (zh) * | 2021-01-12 | 2021-05-25 | 中国航空工业集团公司北京长城航空测控技术研究所 | 一种面向批次生产的锻造调度方法 |
CN112836353B (zh) * | 2021-01-12 | 2024-02-27 | 中国航空工业集团公司北京长城航空测控技术研究所 | 一种面向批次生产的锻造调度方法 |
CN113867299A (zh) * | 2021-10-18 | 2021-12-31 | 郑州轻工业大学 | 基于数字孪生的不确定扰动下的ipps问题求解方法 |
CN113867299B (zh) * | 2021-10-18 | 2023-02-28 | 郑州轻工业大学 | 基于数字孪生的不确定扰动下的ipps问题求解方法 |
CN114527714A (zh) * | 2022-01-19 | 2022-05-24 | 北京工业大学 | 一种基于数字孪生及扰动监测的车间动态调度方法 |
CN114580846A (zh) * | 2022-01-28 | 2022-06-03 | 广东开放大学(广东理工职业学院) | 一种视觉和数字孪生结合的加工路径实时修正方法 |
CN114512003B (zh) * | 2022-04-19 | 2022-06-24 | 北京交研智慧科技有限公司 | 一种交通控制方法、装置及控制设备 |
CN114512003A (zh) * | 2022-04-19 | 2022-05-17 | 北京交研智慧科技有限公司 | 一种交通控制方法、装置及控制设备 |
CN114897447A (zh) * | 2022-07-12 | 2022-08-12 | 北京智芯微电子科技有限公司 | 综合能源协同控制方法及系统 |
CN115373290A (zh) * | 2022-10-27 | 2022-11-22 | 极晨智道信息技术(北京)有限公司 | 一种基于数字孪生的数字化车间仿真方法与系统 |
CN115373290B (zh) * | 2022-10-27 | 2023-01-24 | 极晨智道信息技术(北京)有限公司 | 一种基于数字孪生的数字化车间仿真方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110609531B (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110609531B (zh) | 一种基于数字孪生的车间调度方法 | |
CN109977464B (zh) | 一种基于bp神经网络的活塞切削加工变形量的预测方法 | |
CN105974794B (zh) | 基于改进的猫群算法的离散制造车间调度方法 | |
CN112907057B (zh) | 基于改进mopso算法的生产调度优化方法及系统 | |
CN109725606B (zh) | 加工条件调整装置以及机器学习装置 | |
CN113867295A (zh) | 一种基于数字孪生的制造车间agv动态调度方法、系统、设备及存储介质 | |
CN114186791A (zh) | 一种面向多型号小批量的复杂装备产品装调生产动态调度方法 | |
CN112926152A (zh) | 一种数字孪生驱动的薄壁件装夹力精准控制与优化方法 | |
CN106845729A (zh) | 一种基于灰色理论的电子产品机柜装配工时确定方法 | |
CN115965154A (zh) | 一种基于知识图谱的数字孪生机械加工过程调度方法 | |
CN110147596B (zh) | 一种航空产品生产能力评估方法 | |
Mason et al. | Improving the design process for factories: Modeling human performance variation | |
CN113762754A (zh) | 一种混合车间低熵自适应调度方法 | |
CN108563201B (zh) | 一种dmaic驱动的小批量零件加工工艺过程质量改进方法 | |
CN112084580B (zh) | 基于回归分析和满意度函数法的agv系统优化配置方法 | |
Florescu et al. | Operational parameters estimation for a flexible manufacturing system. A case study | |
CN109446721B (zh) | 基于标识符软件线程执行顺序排列的机床工艺交互算法 | |
CN105005210B (zh) | 机电一体化仿真系统及使用其的方法 | |
CN116088333A (zh) | 工业设备控制方法、装置、计算机设备、存储介质和产品 | |
CN115202294A (zh) | 一种基于数字孪生的制造车间生产调度方法 | |
Cheng et al. | An integrated modeling mechanism for optimizing the simulation model of the construction operation | |
CN109117597B (zh) | 一种基于对应分析法的加工关键因素分级方法 | |
Chen et al. | Modeling Production scheduling problem and its solution by genetic algorithm. | |
Denkena et al. | Adaptive process chain optimisation of manufacturing systems | |
CN113609772B (zh) | 基于卷积准循环神经网络的水泥成品比表面积预测方法 |
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 |