CN110750920A - 基于模糊Petri网的制造系统节能运行决策方法及设备 - Google Patents
基于模糊Petri网的制造系统节能运行决策方法及设备 Download PDFInfo
- Publication number
- CN110750920A CN110750920A CN201910940175.3A CN201910940175A CN110750920A CN 110750920 A CN110750920 A CN 110750920A CN 201910940175 A CN201910940175 A CN 201910940175A CN 110750920 A CN110750920 A CN 110750920A
- Authority
- CN
- China
- Prior art keywords
- energy
- machine
- decision
- saving operation
- proposition
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000000872 buffer Substances 0.000 claims abstract description 98
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 48
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 230000007704 transition Effects 0.000 claims description 24
- 230000007958 sleep Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- 230000005059 dormancy Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 abstract description 33
- 230000008569 process Effects 0.000 abstract description 15
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 description 10
- 235000003642 hunger Nutrition 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000037351 starvation Effects 0.000 description 4
- 206010062519 Poor quality sleep Diseases 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于生产制造行业节能优化领域,公开了一种基于模糊Petri网的制造系统节能运行决策方法及设备。该方法包括:(1)获取机器实时状态信息以及机器上下游缓冲区的实时在制品水平,作为节能决策的输入变量;(2)将机器的决策状态作为输出变量,建立节能运行决策的模糊推理规则库,确定输入变量和输出变量的影响权重;(3)根据输入和输出变量、影响权重以及模糊推理规则库,建立节能运行决策的模糊Petri网模型;(4)经过模糊Petri网推理计算得到结论命题的可信度;(5)具有最大可信度的结论命题所对应的决策即为当前时刻的机器决策状态。本发明在有效维持生产系统产量的同时,能够实现显著的能耗节省,且执行过程简单、适用范围广。
Description
技术领域
本发明属于生产制造行业节能优化领域,更具体地,涉及一种基于模糊Petri网的制造系统节能运行决策方法及设备。
背景技术
作为全球经济发展的支柱产业,制造业在为人类创造大量财富的同时,也不可避免地加剧了全球能源紧缺、气候变暖、环境污染等问题。绿色节能制造已成为21世纪国际制造业的主要发展趋势。此外,物联网等新兴技术的发展也为制造系统的高效低碳运行奠定了基础。
目前针对制造系统节能生产的研究主要包括节能型机器设备的研发、制造系统能耗建模与仿真预测、能量感知的调度优化算法等方面。然而,由于制造系统的动态性、随机不确定性,以及机器设备能耗的高度非线性,往往难以用简单的数学模型对制造系统的能耗进行建模分析和预测,机器的可靠性、缓冲区等实际随机因素在优化模型中也较难描述。
因此,亟需一种能够从生产制造系统的实时运行过程出发,对机器设备的工作与能耗状态进行实时动态的调整,减少机器空闲能耗,实现系统层节能生产的方法。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于模糊Petri网的制造系统节能运行决策方法及设备,其目的在于,结合生产实际,建立包含影响权重的节能推理规则库,基于节能运行决策的模糊Petri网模型,计算条件命题、推理规则、结论命题的可信度,根据可信度的大小,对机器运行状态进行实时决策,从而实现在保证系统产量的前提下,让高能耗状态的机器切换至节能休眠状态,进而实现节能生产,具有适用范围广,操作简便等优点。
为实现上述目的,按照本发明的一个方面,提供了一种基于模糊Petri网的制造系统节能运行决策方法,其包括如下步骤:
(1)获取制造系统中各机器的实时运行状态信息,以及机器上下游缓冲区的实时在制品水平,作为节能运行决策的输入变量;
(2)将输入变量对应的各机器的决策状态作为相应的输出变量,建立节能运行决策的模糊推理规则库,其包含输入变量与输出变量之间的对应关系,并确定输入变量和输出变量对推理规则的影响权重;
(3)根据上述输入和输出变量、影响权重、以及模糊推理规则库,建立节能运行决策的模糊Petri网模型;
(4)根据缓冲区的实时水平计算输入条件命题的可信度,经过模糊Petri网推理计算,从而得到输出结论命题的可信度;其中,条件命题即机器上下游缓冲区的实时在制品水平,结论命题即机器的节能运行决策状态;
(5)比较各结论命题的可信度大小,具有最大可信度的结论命题所对应的决策即为当前时刻的机器决策状态,根据该决策将机器切换为加工运行或者节能休眠状态。
进一步地,步骤(1)具体包括如下子步骤:
(1.1)缓冲区水平划分:对于机器的上游及下游缓冲区,根据各自容量大小,将其缓冲区水平划分为低、中、高三个区域;
(1.2)机器实时状态:包括开机运行和故障停机两种状态,当机器处于开机运行状态时,对其进行节能运行决策。
进一步地,步骤(2)具体包括如下子步骤:
(2.1)确定输出变量:当机器开机运行时,将机器的三种节能运行决策状态作为节能运行决策的输出变量,所述三种节能运行决策状态分别为加工运行、浅度休眠以及深度休眠;
(2.2)建立节能推理规则库:当上游缓冲区快要空或者下游缓冲区快要满时,将机器切换至浅度休眠或深度休眠状态;当上游缓冲区在制品数量充足或者下游缓冲区剩余空间足够时,将机器切换至加工运行状态;
(2.3)按照经验值确定条件命题的输入权重与结论命题的输出权重。
进一步地,步骤(3)具体实施过程为:将条件命题作为模糊Petri网的输入库所;将结论命题作为模糊Petri网的输出库所;将模糊推理规则库中的推理规则作为模糊Petri网的变迁;将条件命题的输入权重以及结论命题的输出权重与模糊Petri网的各个连接库所和变迁的有向弧相对应。
进一步地,步骤(4)具体包括如下子步骤:
(4.1)获取条件命题的可信度:根据缓冲区的实时水平及其隶属度函数计算条件命题的可信度;
(4.2)根据条件命题的可信度和输入权重,计算变迁的等效模糊值;
(4.3)基于上述变迁的等效模糊值和输出变量的权重,计算结论命题的可信度。
进一步地,步骤(4.2)中,变迁的等效模糊值为:
μj×Σ[α(pIi)×wIij]
其中,下标I表示输入,α(pIi)为输入库所pIi的可信度,wIij为输入库所pIi对第j个变迁tj的输入权重,μj为变迁tj的可信度;输入库所pIi对应第i个条件命题;
步骤(4.3)中,结论命题的可信度为:
μj×Σ[α(pIi)×wIij]×wOjk
其中,下标O表示输出,wOjk为第j个变迁tj对输出库所pOk的输出权重,输出库所pOk即第k个结论命题。
进一步地,每一台机器独立进行节能运行决策。
进一步地,对瓶颈机器和最后一台机器不进行节能运行决策。
为实现上述目的,本发明还提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如前所述的任意一种方法。
为实现上述目的,本发明还提供了一种基于模糊Petri网的制造系统节能运行决策方法的设备,包括如前所述的计算机可读存储介质以及处理器,处理器用于调用和处理计算机可读存储介质中存储的计算机程序。
总体而言,本发明所构思的以上技术方案与现有技术相比,主要具备以下的技术优点:
(1)本发明针对生产制造系统中因加工速度不平衡或随机故障的发生使得机器存在较多的空闲运行状态(包括阻塞和饥饿),造成大量的能耗浪费问题,利用模糊Petri网(Fuzzy Petri Net,FPN)适于描述具有模糊行为的并行或并发系统的特点,基于实时获取的机器及缓冲区状态信息,对机器的运行状态进行实时决策,从而驱动高能耗空载运行的机器切换至低能耗的节能休眠状态,实现节能生产。
(2)本发明在物联互通背景下,对生产系统的状态信息进行实时的采集,并进行实时的节能决策,从而能够迅速对机器能耗状态变化做出响应,保证机器在整个运行阶段都不会进入高能耗空闲状态,在不影响系统产量的情况下,具有非常理想的节能效果。
(3)模糊Petri网具有强大的可视化图形描述能力及形式化的数学分析能力,能够对制造系统中的动态不确定信息进行有效的描述与分析,本发明将机器的实时运行状态和决策状态与模糊Petri网多样化的网参数相结合,从而使制造系统的节能运行知识更加丰富和完善,使节能推理具有动态适应性,更加符合生产实际的需求,能够取得更好的节能优化效果以及更广的应用范围。
附图说明
图1是机器设备的节能运行机理;
图2是一个典型的串行生产系统及其基本的节能决策结构;
图3是上下游缓冲区水平的隶属度函数示例;
图4是节能运行决策的模糊Petri网模型;
图5是获取条件命题真实度的方法;
图6是一个6M5B的典型串行生产系统;
图7是机器M5在各个状态下的时间分布对比;
图8是本发明的方法流程示意图。
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,以下结合附图及实施例,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。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明通过生产现场的传感器,实时采集机器及其上游、下游缓冲区的状态信息,作为模糊Petri网节能运行决策模型的输入,依次计算条件命题、推理规则以及结论命题的可信度,根据结论命题可信度的大小作出相应的节能决策,驱动机器设备由高能耗状态向低能耗状态转移,从而实现节能生产。机器设备的节能运行机理如图1所示。
由于采用传感器检测机器运行状态是本领域的惯用做法,例如利用振动传感器检测机器是否振动或利用电流传感器检测电流通断等方式判断机器是否运行,利用压力传感器或接触传感器检测区域内的压力或红外线信号变化、或者基于视频识别技术等判断是否存在物料以及识别物料数量。因此,具体采用何种传感器来判断机器的运行状态,并非本发明研究的重点,本领域技术人员按照自己习惯的方式自由实施即可。本发明默认传感器采集的数据已经转化为可直接识别和使用的机器状态数据以及缓冲区状态数据。
具体地,以典型的制造系统——具有n个机器n-1个缓冲区的串行生产线为例(如图2所示),本发明实施例提供的一种基于模糊Petri网的制造系统节能运行决策方法如图8所示,其包括如下步骤:
(1)获取制造系统中各机器的实时状态信息,以及机器上下游缓冲区的实时在制品水平,作为节能运行决策的输入参数信息;
(2)根据实际生产经验以及专家知识,建立节能运行决策的模糊推理规则库,并确定输入变量和输出变量对推理规则的影响权重;
(3)根据上述输入和输出变量、影响权重、以及模糊推理规则库,建立节能运行决策的模糊Petri网模型;
(4)根据缓冲区的实时水平计算输入条件命题的可信度,经过模糊Petri网推理计算,从而得到输出结论命题的可信度;
(5)比较各结论命题的可信度大小,具有最大可信度的结论命题所对应的决策即为当前时刻的机器决策状态,根据该决策将机器切换为加工运行或者节能休眠状态。
具体的,步骤(1)中,通过生产现场的传感器,实时采集机器当前的运行状态、以及上下游缓冲区的实时在制品水平;其中,缓冲区的实时在制品水平以及机器实时状态的划分如下:
缓冲区水平划分:对于机器的上游及下游缓冲区,根据实际生产过程中的操作经验,以三角形分布函数将其实时水平的模糊子集的论域划分为{Low,Medium,High},即“低”、“中”、“高”三个语言值,表示相应的三个水平,如图2和图3所示,其中,Ci表示第i个缓冲区Bi的容量,i=1~n。
机器实时状态:根据实际生产情况,将机器实时状态的论域划分为{Up,Down},包含两个语言值,分别表示机器的“开机运行”(Up)与“故障停机”(Down)。其中“开机运行”包括机器的“加工运行”、以及“节能休眠”状态。若机器当前状态为“Up”,则通过节能运行决策模型来判断机器在下一个决策周期的状态;若机器当前状态为“Down”,即发生故障停机时,节能运行决策模型不发挥作用。
具体的,步骤(2)包括如下子步骤:
(2.1)基于缓冲区水平确定节能推理规则:
以一条串行生产线为例(图2),假设第一台机器永远不会饥饿,其上游的虚拟缓冲区B0能够无限为其供应工件;假设最后一台机器永远不会阻塞,其下游的虚拟缓冲区Bn能够无限容纳工件:
a)对于中间部分的机器来说,当其上游缓冲区的在制品水平(指在缓冲区存放了多少个工件)接近于零(即上游缓冲区将空,机器即将发生饥饿,具体达到何种程度视为将空可根据实际生产情况进行调整),或者其下游缓冲区的在制品水平即将达到缓冲区容量(即下游缓冲区将满,机器即将发生阻塞,具体达到何种程度视为将满可根据实际生产情况进行调整)时,机器即将进入空载运行状态,主轴电机高速运转却无法带来实际的有效产出,此时更加倾向于将机器切换为低能耗的“节能休眠”状态。当机器只有上游缓冲区快要空或者只有下游缓冲区快要满时,更加倾向于将机器切换至“浅度休眠”状态;当机器上游缓冲区快要空并且下游缓冲区也快要满时,更加倾向于将机器切换至“深度休眠”状态。
b)对于第一台机器而言,由于其上游缓冲区永远不会空,所以当其下游缓冲区快要满时,更加倾向于将其切换至“浅度休眠”状态;
c)对于最后一台机器而言,由于其下游缓冲区永远不会满,所以当其上游缓冲区快要空时,更加倾向于将其切换至“浅度休眠”状态。基于上述节能知识的一种优选的模糊推理规则库如表1所示。
表1基于缓冲区水平的节能推理规则库
表1中,Any表示Low、Medium、High中的任意一种。
优选地,表1中的Low、Medium、High是划分的隶属度水平,由于实际生产过程中通常没有绝对地属于空或者满,缓冲区的实时在制品水平对Low、Medium、High都有不同程度的隶属度。例如,缓冲区的实时在制品水平对Low的隶属度最高,则可以认为缓冲区的实时在制品水平为low。
此外,基于模糊Petri网的基本特性,推理规则的判断没有绝对的优先级,即并没有实质上的先后区别,所有的推理规则全部是同时进行判断的。表1中的推理规则仅是一个说明性的示例,不同的生产情况有不同的具体规则,但总体上符合前面(a)(b)(c)三条规律。
(2.2)确定输入权重与输出权重:
当对机器做出“加工运行”或者“节能休眠”的状态决策时,上游及下游缓冲区的在制品水平对该决策的影响程度是不同的,即推理规则所对应的输入权重不同。当对机器做出“节能休眠”的决策时,推理规则对“浅度休眠”和“深度休眠”这两个不同的休眠决策影响程度也是不同的,即推理规则的输出权重不同。
具体地,在本实施例中:
a)当上游缓冲区的在制品水平不低并且下游缓冲区的在制品水平不高时,倾向于让机器进入“加工运行”状态。由于“加工运行”这个状态决策只有一个输出,所以其输出权重始终为1。
b)当上游缓冲区的在制品水平不低时,随着下游缓冲区在制品水平的增加,下游水平越来越接近于缓冲区容量,有越来越大的可能造成机器的阻塞,此时下游水平对“加工运行”这个决策的影响程度(即输入权重)不断降低,而上游水平对“加工运行”这个决策的影响程度(即输入权重)则不断增加。
反之,当下游缓冲区的在制品水平不高时,随着上游缓冲区在制品水平的减少,上游水平越来越接近于零,有越来越大的可能造成机器的饥饿,此时上游水平对“加工运行”这个决策的影响程度(即输入权重)不断降低,而下游水平对“加工运行”这个决策的影响程度(即输入权重)则不断增加。当上游缓冲区的在制品水平接近于零或者下游缓冲区的在制品水平接近于缓冲区容量时,更加倾向于让机器进入“节能休眠”状态。
c)对于“节能休眠”状态,当上游缓冲区的在制品水平即将为零时,随着下游缓冲区在制品水平的不断增加,下游水平越来越接近于缓冲区容量,有越来越大的可能造成机器的阻塞,因此让机器进入节能休眠的意愿也越来越强烈,并且越来越倾向于将机器切换至“深度休眠”状态。此时,“深度休眠”决策所对应的输出权重将逐渐增加,“浅度休眠”决策所对应的输出权重将逐渐减少,并且,下游水平对“节能休眠”这个决策的影响程度(即输入权重)不断增加,而上游水平对“节能休眠”决策的影响程度(即输入权重)则不断减少。
反之,当下游缓冲区的在制品水平即将达到缓冲区容量时,随着上游缓冲区在制品水平的不断减少,上游水平越来越接近于零,有越来越大的可能造成机器的饥饿,因此让机器进入“节能休眠”状态的意愿也越来越强烈,并且越来越倾向于将机器切换至“深度休眠”状态。此时,“深度休眠”决策所对应的输出权重将逐渐增加,“浅度休眠”决策所对应的输出权重将逐渐减少,并且,上游水平对“节能休眠”这个决策的影响程度(即输入权重)不断增加,相对地,下游水平对“节能休眠”决策的影响程度(即输入权重)则不断减少。
上述引入输入和输出权重后的节能推理规则库如表2所示,其中,UBL、UBM、UBH分别表示上游缓冲区(Upstream Buffer)的在制品水平为“Low”、“Medium”、“High”,DBL、DBM、DBH分别表示下游缓冲区(Downstream Buffer)的在制品水平为“Low”、“Medium”、“High”,输入权重的具体数值仅作为对推理规则进行定量描述的示例,根据不同的实际生产情况,权重数值会有出入。
表2引入输入和输出权重后的节能推理规则库
具体的,步骤(3)具体实施过程为:
确定模糊Petri网模型中输入库所所对应的条件命题,即机器上游及下游缓冲区的不同在制品水平;六个输入库所分别对应于表2中的六个输入命题,即UBL、UBM、UBH和DBL、DBM、DBH。
确定模糊Petri网模型中输出库所所对应的结论命题,即机器的不同决策状态;三个输出库所分别对应于表2中的三种决策状态,即“Running”、“Low Sleep”、“Deep Sleep”。
确定模糊Petri网模型中各个变迁所对应的推理规则,并将条件命题的输入权重以及结论命题的输出权重与连接库所和变迁的各个有向弧相对应。基于上述过程所得到的模糊Petri网节能运行决策模型如图4所示。
具体的,步骤(4)包括如下子步骤:
(4.1)获取条件命题的可信度:根据上游缓冲区和下游缓冲区的实时水平及其隶属度函数计算条件命题的可信度。以上游缓冲区水平的论域集合中的“Low”为例,按照图5所示的方法,根据上游缓冲区当前的实时水平,可以通过“Low”的隶属度函数得出上游缓冲区水平为“Low”的真实程度,即条件命题“UBL”的可信度。
(4.2)根据条件命题的可信度和输入权重,计算变迁的等效模糊值:
μij×Σ[α(pIi)×wIij]
其中,下标I表示输入,α(pIi)为第i个输入库所pIi的可信度,wIij为第i个输入库所pIi对第j个变迁tj的输入权重,μj为变迁tj的确定性因子(也称为变迁tj的可信度)。
(4.3)基于上述变迁的等效模糊值和输出变量的权重,计算结论命题的可信度:
μj×∑[α(pIi)×wIij]×wOjk
其中,下标O表示输出,wOjk为第j个变迁tj对第k个输出库所pOk的输出权重。
步骤(5)中,结论命题,即机器的决策状态包括三种:加工运行、浅度休眠、深度休眠。根据步骤(4.3)得到三个结论命题的可信度之后,比较各结论命题的可信度大小,具有最大可信度的结论命题所对应的决策即为当前时刻的机器决策状态,根据该决策将机器切换为加工运行或者浅度休眠、深度休眠。如果不区分浅度休眠和深度休眠,则结论命题只有加工运行和节能休眠两种。
下面以一个更为具体的应用实例,对本发明的节能运行决策方法进行说明。
在硬件配置为2.0GHz的CPU和8GB RAM的电脑上进行仿真,在MATLAB/Simulink仿真环境下,利用Simulink中的Simevents工具箱搭建典型的生产制造系统模型。将本发明中的模糊Petri网节能运行决策模型在该仿真环境中实现,能够保证产量损失在可接受范围内(2%以内)的同时,显著地减少系统总能耗,并通过仿真实验进行验证。
将图2所示的典型串行生产系统分解为N个基本决策模块,每个基本决策模块均由一台机器Mi及其上下游缓冲区Bi-1和Bi组成,即缓冲区-机器-缓冲区(B-M-B)的基本生产单元。其中,第一台机器M1与其上游的虚拟缓冲区B0及下游缓冲区B1构成一个基本决策模块,并假设B0能够无限供应工件,因此M1永远不会饥饿;最后一台机器Mn与其下游的虚拟缓冲区Bn及上游缓冲区Bn-1构成一个基本决策模块,并假设Bn能够无限容纳工件,因此Mn永远不会阻塞。每个基本决策模块都添加有一个模糊Petri网节能运行决策模型。
以一个6M5B的典型串行生产制造系统(图6)为例进行仿真实验,生产系统的基本参数如表3和表4所示。假设第一台机器M1的上游缓冲区B0能够无限供应工件,因此将其初始值设为1000,容量设为1000;假设最后一台机器M6的下游缓冲区B6能够无限容纳工件,因此将其初始值设为0,容量设为1000。
仿真运行总时长为3周,即30240分钟。在Simulink环境中,每次仿真取不同的初始种子,每个场景连续仿真20次取平均值。通过三种仿真情景进行对比分析:(1)无节能运行;(2)单个机器节能运行;(3)多个机器联合节能运行。节能决策周期取各个机器加工周期的5倍。
表3 6M5B生产系统中机器设备的基本参数
表4 6M5B生产系统中缓冲区的基本参数
(1)无节能运行场景
在无节能运行场景下进行仿真所得到的生产系统各项参数如表5和表6所示。根据瓶颈机器判定方法(生产系统工程Production systems engineering,李京山,谢米扬·密尔科夫著,北京理工大学出版社,2012,P107~P110),可以得出该生产系统中M4为瓶颈机器。
表5展示了机器在各个运行状态下的时间分布,可以看到,在瓶颈M4之前的机器,存在大量的阻塞状态,而在瓶颈M4之后的机器,存在大量的饥饿状态。生产系统在整个运行过程中,存在大量的空载运行状态,其中最高占比86.4%,最低占比35.2%,因此具有很大的节能潜力。
表5机器在各个运行状态下的时间分布
表6展示了无节能运行场景下各个机器及整个生产系统的产量和能耗情况。其中,生产系统的产量为生产线上最后一台机器M6的产量。每个机器单件能耗的计算方式为:机器在整个运行期间内的总能耗/机器在整个运行期间内的总产值;系统单件能耗的计算方式为:生产系统在整个运行期间内的总能耗/生产系统在整个运行期间内的总产值。
表6机器产量及能耗性能参数
(2)单机器节能运行场景
对串行生产线上的各个机器进行单独的节能运行。其中,瓶颈机器M4对生产线整体性能的影响最大,而最后一台机器M6决定了整个系统的产量,因此,对这两台机器不进行节能运行,避免对系统产量产生过大影响。下面以机器M5为例,对单机器节能运行的效果进行分析。
机器M5单独节能运行后,生产线上各个机器的产量及能耗情况如表7所示。可以看到,与无节能运行情况相比,单独节能运行机器M5后,系统产量仅有0.5%的损失,而机器M5自身总能耗显著下降,减少了53.7%,单件产品能耗减少了53.5%;整个系统的总能耗也下降了14.4%,单件产品能耗减少了13.9%,在产量损失微小的情况下实现了大量的能耗节省。
表7M5单独节能运行后机器产量及能耗性能参数
单独节能运行机器M5后,其在各个状态下的时间分布与无节能控制时其在各个状态下的时间分布如图7所示。可以发现,机器M5节能运行后,由于产量轻微减少,M5的加工时间略微减小,而其饥饿时间由26117.8分钟显著减少为零,休眠时间由零增加为26134.9分钟,这表明大量的空载运行时间转化为了节能休眠时间,实现了有效节能。
(3)多机器联合节能运行
除瓶颈机器M4和生产线上最后一台机器M6外,对M1、M2、M3、M5同时进行节能运行,生产线上各机器的性能参数如表8所示。
从表中我们可以发现,与无节能运行情况相比,多机器联合节能运行后,系统产量仅有0.5%的损失(M6的产量即系统产量),各个机器的产量损失在0.5%~3.4%的范围之内变化。而生产系统的总能耗减少了29.5%,对于单个机器来说,除了未节能运行的M4和M6之外,其它机器的总能耗节省最高达到53.7%,最低为30%。系统的单件能耗减少了13.9%,各机器单件能耗节省在27.9%~53.5%范围之内。结果表明,在轻微损失系统产量的情况下,实现了可观的能耗资源节省。
表8多机器联合节能运行后产量及能耗性能参数
本领域的技术人员容易理解,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 (10)
1.一种基于模糊Petri网的制造系统节能运行决策方法,其特征在于,包括如下步骤:
(1)获取制造系统中各机器的实时运行状态信息,以及机器上下游缓冲区的实时在制品水平,作为节能运行决策的输入变量;
(2)将机器的决策状态作为输出变量,建立节能运行决策的模糊推理规则库,其包含输入变量与输出变量之间的对应关系,并确定输入变量和输出变量对推理规则的影响权重;
(3)根据上述输入和输出变量、影响权重、以及模糊推理规则库,建立节能运行决策的模糊Petri网模型;
(4)根据缓冲区的实时水平计算输入条件命题的可信度,经过模糊Petri网推理计算,从而得到输出结论命题的可信度;其中,条件命题即机器上下游缓冲区的实时在制品水平,结论命题即机器的节能运行决策状态;
(5)比较各结论命题的可信度大小,具有最大可信度的结论命题所对应的决策即为当前时刻的机器决策状态,根据该决策将机器切换为加工运行或者节能休眠状态。
2.如权利要求1所述的基于模糊Petri网的制造系统节能运行决策方法,其特征在于,步骤(1)具体包括如下子步骤:
(1.1)缓冲区水平划分:对于机器的上游及下游缓冲区,根据各自容量大小,将其缓冲区水平划分为低、中、高三个区域;
(1.2)机器实时状态:包括开机运行和故障停机两种状态,当机器处于开机运行状态时,对其进行节能运行决策。
3.如权利要求1所述的基于模糊Petri网的制造系统节能运行决策方法,其特征在于,步骤(2)具体包括如下子步骤:
(2.1)确定输出变量:当机器开机运行时,将机器的三种节能运行决策状态作为节能运行决策的输出变量,所述三种节能运行决策状态分别为加工运行、浅度休眠以及深度休眠;
(2.2)建立节能推理规则库:当上游缓冲区快要空或者下游缓冲区快要满时,将机器切换至浅度休眠或深度休眠状态;当上游缓冲区在制品数量充足或者下游缓冲区剩余空间足够时,将机器切换至加工运行状态;
(2.3)按照经验值确定条件命题的输入权重与结论命题的输出权重。
4.如权利要求1所述的基于模糊Petri网的制造系统节能运行决策方法,其特征在于,步骤(3)具体实施过程为:将条件命题作为模糊Petri网的输入库所;将结论命题作为模糊Petri网的输出库所;将模糊推理规则库中的推理规则作为模糊Petri网的变迁;将条件命题的输入权重以及结论命题的输出权重与模糊Petri网中各个连接库所和变迁的有向弧相对应。
5.如权利要求1所述的基于模糊Petri网的制造系统节能运行决策方法,其特征在于,步骤(4)具体包括如下子步骤:
(4.1)获取条件命题的可信度:根据缓冲区的实时水平及其隶属度函数计算条件命题的可信度;
(4.2)根据条件命题的可信度和输入权重,计算变迁的等效模糊值;
(4.3)基于上述变迁的等效模糊值和输出变量的权重,计算结论命题的可信度。
6.如权利要求5所述的基于模糊Petri网的制造系统节能运行决策方法,其特征在于,步骤(4.2)中,变迁的等效模糊值为:
μj×∑[α(pIi)×wIij]
其中,下标I表示输入,α(pIi)为输入库所pIi的可信度,wIij为输入库所pIi对第j个变迁tj的输入权重,μj为变迁tj的可信度;输入库所pIi对应第i个条件命题;
步骤(4.3)中,结论命题的可信度为:
μj×∑[α(pIi)×wIij]×wOjk
其中,下标O表示输出,wOjk为第j个变迁tj对输出库所pOk的输出权重,输出库所pOk即第k个结论命题。
7.如权利要求1~6任意一项所述的基于模糊Petri网的制造系统节能运行决策方法,其特征在于,每一台机器独立进行节能运行决策。
8.如权利要求1~6任意一项所述的基于模糊Petri网的制造系统节能运行决策方法,其特征在于,对瓶颈机器和最后一台机器不进行节能运行决策。
9.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现如权利要求1~8任一项所述的方法。
10.一种基于模糊Petri网的制造系统节能运行决策方法的设备,其特征在于,包括如权利要求9所述的计算机可读存储介质以及处理器,处理器用于调用和处理计算机可读存储介质中存储的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910940175.3A CN110750920A (zh) | 2019-09-30 | 2019-09-30 | 基于模糊Petri网的制造系统节能运行决策方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910940175.3A CN110750920A (zh) | 2019-09-30 | 2019-09-30 | 基于模糊Petri网的制造系统节能运行决策方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110750920A true CN110750920A (zh) | 2020-02-04 |
Family
ID=69277567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910940175.3A Pending CN110750920A (zh) | 2019-09-30 | 2019-09-30 | 基于模糊Petri网的制造系统节能运行决策方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110750920A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114167823A (zh) * | 2021-11-11 | 2022-03-11 | 合肥欣奕华智能机器有限公司 | 机器人控制方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101276437A (zh) * | 2008-05-15 | 2008-10-01 | 王坚 | 企业能耗过程建模与仿真方法 |
KR20120042278A (ko) * | 2010-10-25 | 2012-05-03 | 성균관대학교산학협력단 | 퍼지 페트리 네트를 사용한 로봇의 인지 정서 표현 장치 |
CN104765965A (zh) * | 2015-04-15 | 2015-07-08 | 国家电网公司 | 基于模糊Petri的GIS故障诊断与可靠性分析方法 |
CN107688294A (zh) * | 2017-08-02 | 2018-02-13 | 华中科技大学 | 一种基于实时生产数据的制造系统模糊控制节能方法 |
CN109039739A (zh) * | 2018-08-01 | 2018-12-18 | 南瑞集团有限公司 | 一种改进模糊Petri的电力通信现场故障诊断方法 |
-
2019
- 2019-09-30 CN CN201910940175.3A patent/CN110750920A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101276437A (zh) * | 2008-05-15 | 2008-10-01 | 王坚 | 企业能耗过程建模与仿真方法 |
KR20120042278A (ko) * | 2010-10-25 | 2012-05-03 | 성균관대학교산학협력단 | 퍼지 페트리 네트를 사용한 로봇의 인지 정서 표현 장치 |
CN104765965A (zh) * | 2015-04-15 | 2015-07-08 | 国家电网公司 | 基于模糊Petri的GIS故障诊断与可靠性分析方法 |
CN107688294A (zh) * | 2017-08-02 | 2018-02-13 | 华中科技大学 | 一种基于实时生产数据的制造系统模糊控制节能方法 |
CN109039739A (zh) * | 2018-08-01 | 2018-12-18 | 南瑞集团有限公司 | 一种改进模糊Petri的电力通信现场故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
JUNFENG WANG 等: "Energy Saving Operation of Manufacturing System Based on Dynamic Adaptive Fuzzy Reasoning Petri Net", 《ENERGIES》 * |
JUNFENG WANG 等: "Multi-state decision of unreliable machines for energy-efficient production considering work-in-process inventory", 《THE INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY》 * |
X. LI 等: "Adaptive fuzzy petri nets for dynamic knowledge representation and inference", 《EXPERT SYSTEMS WITH APPLICATIONS》 * |
ZICHENG FEI 等: "Fuzzy Petri Net Based Intelligent Machine Operation of Energy Efficient Manufacturing System", 《2018 IEEE 14TH INTERNATIONAL CONFERENCE ON AUTOMATION SCIENCE AND ENGINEERING(CASE)》 * |
杜明芳 等: "多皮带机节能群控系统模糊Petri网建模", 《机械设计与制造》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114167823A (zh) * | 2021-11-11 | 2022-03-11 | 合肥欣奕华智能机器有限公司 | 机器人控制方法、装置、电子设备和存储介质 |
CN114167823B (zh) * | 2021-11-11 | 2023-11-14 | 合肥欣奕华智能机器股份有限公司 | 机器人控制方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110389838B (zh) | 一种适用于虚拟资源的实时调度和在线迁移管控方法 | |
Zussman et al. | Design and implementation of an adaptive process planner for disassembly processes | |
CN112904811A (zh) | 一种基于数字孪生技术的多设备协同作业系统及方法 | |
Zou et al. | Resilient adaptive control based on renewal particle swarm optimization to improve production system energy efficiency | |
Naik et al. | Performance improvement of MapReduce framework in heterogeneous context using reinforcement learning | |
US20190041810A1 (en) | Fuzzy energy saving control method for manufacturing system based on real-time production data | |
CN110750920A (zh) | 基于模糊Petri网的制造系统节能运行决策方法及设备 | |
CN103150634B (zh) | 一种面向机械车间加工任务的能耗仿真方法 | |
CN107423109B (zh) | 基于匿名随机变量的虚拟机节能调度方法 | |
Frigerio et al. | Modelling the startup of machine tools for energy efficient multi-sleep control policies | |
Duque et al. | Energy consumption control of one machine manufacturing system with stochastic arrivals based on fuzzy logic | |
CN116244081A (zh) | 一种多核存算一体加速器网络拓扑结构控制系统 | |
CN109034540B (zh) | 一种基于在制品工序流的机床序列编排动态预测方法 | |
CN116028193B (zh) | 一种混部集群的大数据任务动态高能效调度方法和系统 | |
CN111290360B (zh) | 一种铸造生产线多目标优化方法 | |
CN117251044A (zh) | 一种基于arima技术的云服务器动态能耗管理方法和系统 | |
Pierreval | Expert system for selecting priority rules in flexible manufacturing systems | |
CN112068940A (zh) | 实时任务调度方法、装置、调度系统及存储介质 | |
Wang et al. | A cooperative algorithm for energy-efficient scheduling of distributed no-wait flowshop | |
CN113220094A (zh) | 调度器优化方法、装置、终端及存储介质 | |
CN106648834B (zh) | 基于批装箱问题的虚拟机调度方法 | |
CN110187989B (zh) | 雾环境下基于Markov Chain的容错策略选择方法 | |
Jimenez Leudo et al. | Sufficient conditions for optimality and asymptotic stability in two-player zero-sum hybrid games | |
CN110045951B (zh) | 一种神经网络硬件低功耗定制化的开发工具 | |
Bao et al. | A Multi-action Reinforcement Learning Algorithm for Energy-efficiency Blocking Flow-shop Scheduling Problem |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200204 |
|
WD01 | Invention patent application deemed withdrawn after publication |