CN110837981B - 一种调度与控制协同处理方法及相关设备 - Google Patents
一种调度与控制协同处理方法及相关设备 Download PDFInfo
- Publication number
- CN110837981B CN110837981B CN201911128205.7A CN201911128205A CN110837981B CN 110837981 B CN110837981 B CN 110837981B CN 201911128205 A CN201911128205 A CN 201911128205A CN 110837981 B CN110837981 B CN 110837981B
- Authority
- CN
- China
- Prior art keywords
- assembly
- scheme
- parts
- processing
- information
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 138
- 238000000034 method Methods 0.000 claims abstract description 125
- 230000008569 process Effects 0.000 claims abstract description 92
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 71
- 238000004519 manufacturing process Methods 0.000 claims description 53
- 238000004088 simulation Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 2
- 238000003754 machining Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 23
- 230000007246 mechanism Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 10
- 230000035772 mutation Effects 0.000 description 8
- 238000012384 transportation and delivery Methods 0.000 description 8
- 230000008878 coupling Effects 0.000 description 7
- 238000010168 coupling process Methods 0.000 description 7
- 238000005859 coupling reaction Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 210000000349 chromosome Anatomy 0.000 description 5
- 230000003139 buffering effect Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 101000685956 Homo sapiens SAP domain-containing ribonucleoprotein Proteins 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 102100023361 SAP domain-containing ribonucleoprotein Human genes 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009257 reactivity Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种调度与控制协同处理方法,用于适应高扰动的现实车间环境。本申请实施例方法包括:处理设备基于两阶段算法和双层迭代进化算法处理总装信息和零部件信息得到总装小组调配方案和分批调度方案,并根据分批调度方案和总装小组调配方案中的时间节点对任务进行投放处理。
Description
技术领域
本申请实施例涉及数据处理领域,特别涉及一种调度与控制协同处理方法及相关设备。
背景技术
整线定制是装备制造企业一个新的发展方向。过去十年,越来越多的装备制造企业开始从低档产品制造向中高档产品研制转变,整线定制考虑客户个性化需求及其现有软硬条件,提供生产线设计,系列非标零部件/设备加工组装,零件/部件/设备及系统控制器的客户现场总装,最后进行多要素调试的全流程服务。
现有技术中的调度计划采用的是整体优化方法(对问题进行整体建模,然后再构建精确或近似算法进行优化求解):将整体的调度方案直接用于指导生产执行。
但是在整线定制过程在实际执行中可能会出现设计变更,零部件加工、装配工时以及紧急项目插入、项目进度计划变更等外在干扰,导致调度计划难以适应高扰动的现实车间环境。
发明内容
本申请实施例提供了一种调度与控制协同处理方法及相关设备,可以适应高扰动的现实车间环境。
本申请实施例第一方面提供了一种调度与控制协同处理方法,包括:
处理设备获取总装信息,该总装信息包括总装工作网络中的任务及总装的工序信息;
该处理设备基于两阶段算法对该总装信息进行处理得到总装小组调配方案,该总装小组调配方案包括时间节点和总装小组的派遣;
该处理设备获取零部件信息,该零部件信息包括零部件的信息、该零部件的加工序信息和部装的工序信息,该部装为该零部件的组装;
该处理设备基于双层迭代进化算法对该零部件信息和该时间节点进行处理得到分批调度方案,该分批调度方案包括该零部件的生产批次、生产排序、生产该零部件的开工完工时间、该部装的组装排序和该部装的开工完工时间;
该处理设备根据该分批调度方案和该时间节点将该任务中待处理的零件投放到车间进行有序生产组装。
优选的,该处理设备根据该分批调度方案和该时间节点将该任务中待处理的零件投放到车间进行有序生产组装之前,该方法还包括:
当干扰因素大于预设阈值时,该处理设备基于NSGA-II算法对该总装小组调配方案进行校正,得到目标总装小组调配方案,该干扰因素为干扰该总装小组调配方案的因素,该目标总装小组调配方案包括目标时间节点和目标总装小组的派遣;
该处理设备根据该分批调度方案和该时间节点对该任务中待处理的零件投放到车间进行有序生产组装包括:
该处理设备根据该分批调度方案和该目标时间节点对该任务中待处理的零件投放到车间进行有序生产组装。
优选的,该处理设备根据该分批调度方案和该时间节点将该任务中待处理的零件投放到车间进行有序生产组装包括:
该处理设备根据该分批调度方案和该时间节点将剩余任务划分为优先级顺序从高至低的A级、B级、C级和D级的子任务;
该处理设备根据该子任务的不同获取不同的工时估算值;
该处理设备将该工时估算值进行大量离线方针实验,得到调度计划;
该处理设备根据该调度计划和该优先级顺序进行该剩余任务的投放,该投放包括该零部件的加工工序和该部装的组装工序。
优选的,该任务及该总装的工序信息包括关键任务及该关键任务的工序信息和非关键任务及该非关键任务的工序信息;
该处理设备基于第一阶段算法对该关键任务及其工序信息进行处理得到第一总装小组调配方案,该第一总装小组调配方案包括关键任务的总装小组调配;
该处理设备基于第二阶段算法对该第一总装小组调配方案和该非关键任务及其工序信息进行处理得到该总装小组调配方案,该总装小组调配方案包括关键任务的总装小组调配和非关键任务的总装小组调配。
优选的,该处理设备基于外层分批进化算法对该零部件信息和该时间节点进行处理得到该零部件的分批方案,该分批方案包括该零部件的生产批次;
该处理设备基于内层调度进化算法对该分批方案进行处理得到该分批调度方案。
优选的,该处理设备基于双层迭代进化算法对该零部件信息和该时间节点进行处理得到分批调度方案之后,该方法还包括:
该处理设备获取目标零部件信息,该目标零部件信息由该零部件信息更新得到;
该处理设备基于双层迭代进化算法对该目标零部件信息和该时间节点进行处理得到目标分批调度方案;
该处理设备根据该分批调度方案和该时间节点将该任务中待处理的零件投放到车间进行有序生产组装包括:
该处理设备根据该目标分批调度方案和该时间节点将该任务中待处理的零件投放到车间进行有序生产组装。
本申请实施例第二方面提供了一种处理设备,包括:
获取单元,用于获取总装信息,该总装信息包括总装工作网络中的任务及总装的工序信息;
处理单元,用于基于两阶段算法对该总装信息进行处理得到总装小组调配方案,该总装小组调配方案包括时间节点和总装小组的派遣;
获取单元还用于获取零部件信息,该零部件信息包括零部件的信息、该零部件的加工序信息和部装的工序信息,该部装为该零部件的组装;
处理单元还用于基于双层迭代进化算法对该零部件信息和该时间节点进行处理得到分批调度方案,该分批调度方案包括该零部件的生产批次、生产排序、生产该零部件的开工完工时间、该部装的组装排序和该部装的开工完工时间;
投放单元,用于根据该分批调度方案和该时间节点将该任务中待处理的零件投放到车间进行有序生产组装。
本申请实施例第三方面提供了一种处理设备,包括:
处理设备、存储器、总线、输入输出设备;
该处理设备与该存储器、输入输出设备相连;
该总线分别连接该处理设备、存储器以及输入输出设备相连;
该处理设备执行前述第一方面的方法。
本申请实施例还提供了一种计算机存储介质,该计算机存储介质中存储有指令,该指令在计算机上执行时,使得计算机执行前述第一方面的方法。
本申请实施例还提供了一种计算机程序产品,该计算机程序产品在计算机上执行时,使得计算机执行前述第一方面的方法。
从以上技术方案可以看出,本申请实施例具有以下优点:处理设备基于两阶段算法和双层迭代进化算法处理总装信息和零部件信息得到总装小组调配方案和分批调度方案,并根据分批调度方案和总装小组调配方案中的时间节点对任务进行投放处理,以适应高扰动的现实车间环境。
附图说明
图1为本申请实施例中调度与控制协同处理方法一个流程示意图;
图2为本申请实施例中内层进化算法中编码方式与交叉变异算子示意图;
图3为本申请实施例中投放任务机制示意图;
图4为本申请实施例中调度与控制协同处理方法另一流程示意图;
图5为本申请实施例中NSGA-II算法的流程示意图;
图6为本申请实施例中投放任务机制另一示意图;
图7为本申请实施例中IPPR模型示意图;
图8为本申请实施例中调度与控制协同处理方法的框架结构示意图;
图9为本申请实施例中处理设备一个结构示意图;
图10为本申请实施例中处理设备另一结构示意图。
具体实施方式
本申请实施例提供了一种调度与控制协同处理方法及相关设备,可以适应高扰动的现实车间环境。
请参阅图1,本申请实施例中调度与控制协同处理方法一个实施例包括:
101、处理设备获取总装信息;
总装作业涉及在不同客户地分别进行的多个工作流网络,每个工作流中包含串/并联的多道工序,每道工序可以由熟练程度不同的多个可选总装组中的一个完成,总装组在不同客户地之间往来需要一定的差旅时长(即为不同客户地工序的序列相关setup时间),求解算法需要在满足模型相关约束下,将各总装组分配给未被冻结的总装工序并确定其计划开工时间。
处理设备获取总装信息,总装信息包括总装工作网络中的各工作流网络及总装的工序信息,工序信息可以包括总装组的信息,各 工作流网络的位置信息。
102、处理设备基于两阶段算法对总装信息进行处理得到总装小组调配方案,总装小组调配方案包括时间节点;
处理设备利用两阶段算法进行求解总装小组调配方案,首先利用第一阶段进化算法对各个工作流网络中的各条关键路径上的所有未冻结工序分配总装组,以最优化实现项目进度目标(最小化E/T成本目标);然后将已确定的关键路径总装组分配方案作为输入,启动第二阶段进化算法对非关键路径上的所有未冻结工序分配总装组,此时则以最小化各总装组累计差旅成本为目标;如果两阶段计算结果出现冲突,则使用两个进化算法进行交替计算。
通过利用两阶段算法的求解,得到总装小组调配方案,该总装小组调配方案可以包括时间节点和总装小组的调派,其中,时间节点可以是客户指定的时间节点,也可以是厂商指定的预计时间节点。
为了方便后面描述,可以将基于两阶段算法称为多地总装作业调度算法。
103、处理设备获取零部件信息;
处理设备获取零部件信息,该零部件信息可以包括零件和部件的信息、零件和部件的工序信息、部装的工序信息(组装零件的工序信息)。
其中,零件可以为半共享零件中的共享虚拟件,也可以为半共享零件中的实际所需件,可以理解的是,在实际应用中零件还可以为其他组件,例如:零件还可以为半共享零件。
104、处理设备基于双层迭代进化算法对零部件信息和时间节点进行处理的到分批调度方案;
处理设备基于双层迭代进化算法对零部件信息和时间节点进行处理的到分批调度方案,该分批调度方案可以包括零部件的生产批次、生产排序、生产零部件的开工完工时间、部装的组装排序和部装的开工完工时间。
双层迭代进化算法的流程可以包括:先用外层的试探性分批启发式算法生成一个分批方案,然后将其输入内层的调度进化算法中进行迭代优化,并将相应调度结果对应的目标函数值反馈到外层算法,外层算法再产生下一个分批方案,依此循环直到满足终止条件。
为了方便理解,下面对双层迭代进化算法进行详细描述:
一、外层试探性分批算法:
分批数量过多或过少都会造成目标函数值的增加,批量大小与目标值往往呈现U形分布,从完全分批这一极端情况出发,依次将同一BOM结构中不同父节点中的、需求时间接近且同属一个项目的BOM结构中的、需求时间不接近但同属一个项目的BOM结构中的、需求时间接近但不属于一个项目的BOM结构中的、需求时间不接近且不属于一个项目的BOM结构中的共享零件/共享虚拟件进行试探性组合,并将组合结果输入内层进化算法进行评价,直至找到U形线的最低点为止。
二、内层进化算法的编码方式和交叉变异算子:
内层进化算法需要同时优化任务的加工/部装方法、工艺路径、任务加工/部装顺序及各加工/部装工序的资源分配,拟采用4段编码方式:段1为特征顺序编码;段2为可选工艺编码;段3为可选资源编码;段4为任务顺序编码。
图2给出了一个部件结构中包含的零件/组件/部件任务的编码示例,前3个编码段的编码方式及其交叉变异算子增加了组件/部件任务。第4个编码段的长度为所有任务包含的所有工序数量(包含OR子图中不被选中的工序),生成每条染色体时都需要满足分层耦合约束HCC(即任务C出现的最小基因位要大于A和B出现的最大基因位,G出现的最小基因位要大于E和F出现的最大基因位,而H出现的最小基因位要大于C、G和D出现的最大基因位,其形式化表达见图2中不等式)。为了确保每次交叉操作都能生成可行解,拟采用面向单个HCC所涉任务进行整体交叉的算子,图2给出了第1个HCC中任务(A,B, C)的交叉示例,即两条父代染色体中的(A,B,C)基因位互换。而变异算子则采用将两个HCC约束所涉两组任务之间进行整体交换的方法,前提是这两组任务占有的基因位数量相同,图2给出了第1个HCC中任务(A,B,C)和第2个HCC中任务(E,F,G)基因位进行交换变异的示例。
本申请实施例中的内层进化算法利用柔性作业生产调度(flexible jobshopscheduling problem,FJSP)的进化算法(同时优化零件的加工方法、工艺路线、零件加工顺序以及各工序的机器分配)的各类编码方式和交叉变异算子,确定了“零件-组件-部件”分层耦合约束的改进型编码方式和交叉变异算子(如图2所示),以确保初始化和交叉变异的每次操作都能得到可行解。
105、处理设备根据分批调度方案和时间节点将任务中的待处理的零件投放到车间进行有序生产组装。
处理设备得到分批调度方案和时间节点后,处理设备根据分批调度方案和时间节点将任务中的待处理的零件投放到车间进行有序生产组装。
具体投放任务机制如图3所示,本申请实施例中的投放机制可以采用几类辅助连续性触发机制:一是关键任务过长任务池延迟的避免机制,即通过设置最长延迟时间限制或最少剩余任务限制来连续触发关键任务的投放;二是机器待加工队列中关键任务补充机制,即当机器前任务队列中没有关键任务时,则立即从任务池中拉动一个以该机器作为第1道工序的最紧急的关键任务投放。
本申请实施例中的投放任务机制包括“绑定-释放-更新”机制(如图3所示),任务被投放的同时也将占用其工艺路线上各个生产资源的产能,即需要在其所经过的每个资源上绑定相应的负荷;当该任务在某个资源上加工完成,则释放其绑定在该资源上的负荷;而当该任务下一个要去的资源一旦选择,则更新其绑定在后续待通过资源上的负荷信息 (此时可能涉及整条工艺路线的变更,也可能只是对原负荷的修正),同时向所选定的资源发出转序授权。
本申请实施例中,处理设备基于两阶段算法和双层迭代进化算法处理总装信息和零部件信息得到总装小组调配方案和分批调度方案,并根据分批调度方案和总装小组调配方案中的时间节点对任务进行投放处理,以适应高扰动的现实车间环境。
请参阅图4,本申请实施例中调度与控制协同处理方法另一实施例包括:
401、处理设备获取总装信息,该总装信息包括关键任务及关键任务的工序信息和非关键任务及非关键任务的工序信息;
402、处理设备基于两阶段算法对总装信息进行处理得到总装小组调配方案,总装小组调配方案包括时间节点;
403、处理设备获取零部件信息;
404、处理设备基于双层迭代进化算法对零部件信息和时间节点进行处理得到分批调度方案;
本实施例中的步骤401至404与前述图1所示实施例中的步骤101至104类似,此处不再赘述。
405、处理设备获取目标零件信息;
当零部件信息有更新,处理设备获取更新后的零部件信息(目标零件信息)。
406、处理设备基于双层迭代进化算法对目标零件信息和时间节点进行处理得到目标分批调度方案;
本步骤将目标零件信息作为零部件信息进行处理,处理过程与前述图1所示实施例中的步骤104的处理方法类似,此处不再赘述。
407、当干扰因素大于预设阈值时,处理设备基于NSGA-II算法对总装小组调配方案进行校正,得到目标总装小组调配方案,目标总装小组调配方案包括目标时间节点;
客户或者厂商可以预先设置预设阈值,例如:阈值可以设置为比计划时间多5天,也可以设置为比计划多1天,可以理解的是,在实际应用中,阈值可以根据需要进行设置,具体此处不再限定。
当干扰因素大于预设阈值时,处理设备基于NSGA-II算法对总装小组调配方案进行校正,得到目标总装小组调配方案。
其中的NSGA-II算法为多目标遗传算法中的一种结合抽样仿真技术和缓冲时间插入策略的改进型NSGA-Ⅱ算法,具体流程如图5所示:初始化种群;染色体解码(基于染色体编码中确定的总装任务的优先级、总装小组的分配和缓冲时间大小,确定前摄性计划中总装任务的开始时间);在前摄性调配方案中的总装工序开工时间中适当加入时间缓冲。首先通过全局搜索确定总装工序的优先级、总装工序的总装组分配方案和以及总装工序的缓冲时间大小;然后基于带时间缓冲的前摄性计划算法对染色体进行解码生成前摄性调度方案;最后通过物料齐套时间的抽样仿真信息(即基于偏差范围的均匀分布随机生成),对前摄性调度方案进行模拟执行以计算适应度值,并对种群适应度值进行非支配排序,经过多次迭代最终获得Pareto解集。
408、处理设备根据目标分批调度方案和目标时间节点将剩余任务划分为优先级顺序从高至低的A级、B级、C级和D级的子任务;
通过全局优化调度(目标分批调度方案和目标总装小组调配方案)确定了每个任务的计划投产时间PRD,因而对于原材料已经就位的任务都将基于全局调度所定的PRD来划分紧急性(紧急任务是指PRD落在当前投放周期内或已经早于当前投放时刻的任务),另外还将基于任务对于所属部件完成进度的制约程度来划分关键性(主要取决于未加工工序数量和累计工时),可以分成四个任务子集:A级(紧急/关键任务集)、B级(非紧急/关键任务集)、C级(紧急/非关键任务集)和D级(非紧急/非关键任务集)。这四个任务集合将被依次考虑投放,从而让更加紧急和更加关键的任务优先投放,这也能一定程度的缓解负荷均衡和进度协同之间的矛盾。
409、处理设备根据子任务的不同获取不同的工时估算值;
基于工艺路径位置系数的工时折算法扩展到具有路径柔性和可重入性的车间环境中,同时对于工时波动问题(通常无法提前预知工时的精确值,而是以期望±偏差的形式给出),针对不同任务类型取不同的工时估算值(该处理设备取该A级的子任务的工时最小值为该A级的子任务工时估算值;该处理设备取该B级和C级的子任务的工时期望值为该 B级和C级的子任务工时估算值;该处理设备取该D级的子任务的工时最大值为该D级的子任务工时估算值):对紧急/关键任务取工时最小值,以利于此类任务及时投放(不容易违反上界);对非紧急/关键和紧急/非关键任务取工时的期望值;最后对非紧急/非关键任务则取工时最大值,目的是防止此类任务的过早投放。各资源的负荷上界区别于通常意义的额定能力参数,负荷上界考查的是相对长期的系统稳态特性,即需要找到负荷水平、产出量和车间流水时间/提前期之间的临界点,鉴于精确建模方式难以解决此类问题,采用了仿真优化方法对负荷上界和投放周期进行合理设置。
410、处理设备将工时估算值进行大量离线仿真实验,得到调度计划;
处理设备可以预先进行大量的离线仿真实验,收集数据并进行统计分析,以此获取各种规则组合的场景适应性知识,以得到支持在线决策自适应选择最佳的调度计划。
411、处理设备根据调度计划和优先级顺序进行剩余任务的投放。
处理设备得到调度计划之后,处理设备根据调度计划和任务的优先级顺序进行投放。
本申请实施例中的投放任务机制还可以附加约束,如图6所示,前摄性规划基于周期性触发方式,滚动给出即将齐套的总装工序的总装组调配方案,滚动周期依据实际班次制度、总装工序的平均装配工时和客户地之间的平均差旅时长等综合确定。当出现物料或总装组未如期就位等突发干扰时,则对前摄性方案进行反应性调整。前摄反应性总装组调配决策中考虑了当前零部件加工/部装的预期完成进度,为了进一步确保其可执行性,所获调配方案又反过来用于指引加工/部装的作业分派决策,但该方案中只包括了总装工序中直接需要的零件/部件/设备的预计需求时间,作业分派决策中将动态评估这些零部件中包含的所有关联任务的关键程度(即对于最终装配物料准备完成进度的制约程度),并基于关键任务的实际生产进度动态协同相应非关键任务的生产进度(通过优先级的动态更新)。
面向负荷总体均衡的任务投放方法核心是集成工艺规划与投放(Integratedprocess planning and releasing,IPPR)模型,如图7所示:任务1可以包含2条可选的工序路径(第1条是1-2-4-6;第2条是1-3-5-6),任务1可以选择其中1条路径进行加工,任务2可以包含4条可选的工序路径(1-3-4-6;1-3-5-6;2-3-4-6;2-3-5-6),任务2可以选择其中1条路径进行加工,每道工序中又包含多台可选的非同等能力加工机器。图7 仅以任务1有两条路径,任务2有4条路径为例进行示意性说明,可以理解的是,在实际应用中,任务的数量和任务所包含的路径数量可以根据需要设置,具体此处不做限定。
IPPR模型以车间负荷均衡化为目标,只决定哪些任务需要投放,而并不确定机器前的最优加工序列,因而其模型和算法都更为简单,并且不强制规定任务需要通过的工艺路径 /设备,所以能给后续控制决策以更大的自主性。
本申请实施例通过集成优化调度(总装小组调配方案和分批调度方案)与松散耦合控制(任务投放和校正)结合的协同生产管控模式,其中的集成优化调度用以确立理想的进度协同目标,而松散耦合控制则用以实现鲁棒的生产过程管控。
请参阅图8,本申请实施例中调度与控制协同处理方法的框架:
将问题分解成多地总装作业调度(SP1)和加工/部装作业调度(SP2)两个子问题,首先在不考虑物料齐套约束的前提下求解SP1,把所获得的各总装工序计划开工时间转换为所需零部件的交货期,并将它们作为SP2的输入,然后求解SP2,如果SP2结果中有零部件的计划完成时间晚于SP1结果中的相应需求交货期,则再基于多种协调策略(如调整非关键总装工序的物料需求时间、零件外协等)进行往复协调。
集成优化调度通过对所涉目标函数的全局优化,可以一次生成总装/部装/加工工序以及各类资源最精细的调度方案,确立出了需要追赶的进度协同目标靶点(即零部件的需求时间点),这能够为分散化和短时域的生产过程管控提供参数输入、条件约束和前瞻性指引,负荷均衡型任务投放即在全局调度方案指引下按一定决策逻辑进行任务投产,其通过充分利用路径柔性来实现车间负荷的总体均衡和最大化车间产出率,并将车间在制品维持在一个合理水平,以此简化现场生产管控和提高加工/部装进度的可预测性(源于对占生产周期绝大比例的等待时间的控制)。前摄反应性总装组调配考虑现实生产中总装物料齐套时间的渐次不确定性(距离部装完成的程度越远则越不确定),对物料即将齐套的总装工序进行前摄性规划(同时考虑对全局调度中协同基准的实现和解的鲁棒性两个优化目标),从而确定总装组多地调配的鲁棒性方案及总装工序预计开工时间,这实际上就是对全局调度中给出的协同基准的现实化校正,这些被校正后的基准又反向拉动之前的加工/ 部装作业分派。任务投放控制决定了车间当前可以生产什么任务,而前摄反应性规划则决定了这些任务应该按什么顺序完成,这两股推拉信息流将综合作用于车间内部的路径/设备选择决策、加工机器作业分派决策与部装组作业分派决策中,从而构成了一个松散耦合的控制网络。该控制网络中的各个分散控制模块通过预定时点或事件触发方式驱动它们进行有序的控制活动,以实现干扰及时响应和维持车间生产的稳态运行。
本实施例中,建立了一种高扰动复杂车间环境下全局调度与过程控制结合的生产进度协同新方法,提出了解决复杂柔性装配作业车间协同生产管控的新思路,丰富了现有复杂非重复性制造系统的生产调度与控制理论和方法。
上面对本申请实施例中的调度与控制协同处理方法进行了描述,下面对本申请实施例中的处理设备进行描述,请参阅图9,本申请实施例中处理设备一个实施例包括:
获取单元901,用于获取总装信息,该总装信息包括总装工作网络中的任务及总装的工序信息;
处理单元902,用于基于两阶段算法对该总装信息进行处理得到总装小组调配方案,该总装小组调配方案包括时间节点和总装小组的派遣;
获取单元901还用于获取零部件信息,该零部件信息包括零部件的信息、该零部件的加工序信息和部装的工序信息,该部装为该零部件的组装;
处理单元902还用于基于双层迭代进化算法对该零部件信息和该时间节点进行处理得到分批调度方案,该分批调度方案包括该零部件的生产批次、生产排序、生产该零部件的开工完工时间、该部装的组装排序和该部装的开工完工时间;
投放单元903,用于根据该分批调度方案和该时间节点将该任务中待处理的零件投放到车间进行有序生产组装。
本实施例中,处理设备各单元所执行的操作与前述图1和图4所示实施例中描述的类似,此处不再赘述。
本实施例中通过获取单元901获取总装信息和零部件信息,并通过处理单元902基于两阶段算法和双层迭代进化算法处理总装信息和零部件信息得到总装小组调配方案和分批调度方案,投放单元903根据分批调度方案和总装小组调配方案中的时间节点对任务进行投放处理,以适应高扰动的现实车间环境。
下面对本申请实施例中的处理设备进行描述,请参阅图10,本申请实施例中处理设备另一实施例包括:
该处理设备1000可以包括一个或一个以上中央处理器(central processingunits, CPU)1001和存储器1005,该存储器1005中存储有一个或一个以上的应用程序或数据。
其中,存储器1005可以是易失性存储或持久存储。存储在存储器1005的程序可以包括一个或一个以上模块,每个模块可以包括对处理设备中的一系列指令操作。更进一步地,中央处理器1001可以设置为与存储器1005通信,在处理设备1000上执行存储器1005 中的一系列指令操作。
处理设备1000还可以包括一个或一个以上电源1002,一个或一个以上有线或无线网络接口1003,一个或一个以上输入输出接口1004,和/或,一个或一个以上操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等。
该中央处理器1001可以执行前述图1和图4所示实施例中处理设备所执行的操作,具体此处不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM, read-onlymemory)、随机存取存储器(RAM,random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种调度与控制协同处理方法,其特征在于,包括:
处理设备获取总装信息,所述总装信息包括总装工作网络中的任务及总装的工序信息;
所述处理设备基于两阶段算法对所述总装信息进行处理得到总装小组调配方案,所述总装小组调配方案包括时间节点和总装小组的派遣;
所述处理设备获取零部件信息,所述零部件信息包括零部件的信息、所述零部件的工序信息和部装的工序信息,所述部装为所述零部件的组装;
所述处理设备基于双层迭代进化算法对所述零部件信息和所述时间节点进行处理得到分批调度方案,所述分批调度方案包括所述零部件的生产批次、生产排序、生产所述零部件的开工完工时间、所述部装的组装排序和所述部装的开工完工时间;
所述处理设备根据所述分批调度方案和所述时间节点将所述任务中待处理的零件投放到车间进行有序生产组装。
2.根据权利要求1所述的调度与控制协同处理方法,其特征在于,所述处理设备根据所述分批调度方案和所述时间节点将所述任务中待处理的零件投放到车间进行有序生产组装之前,所述方法还包括:
当干扰因素大于预设阈值时,所述处理设备基于NSGA-II算法对所述总装小组调配方案进行校正,得到目标总装小组调配方案,所述干扰因素为干扰所述总装小组调配方案的因素,所述目标总装小组调配方案包括目标时间节点和目标总装小组的派遣;
所述处理设备根据所述分批调度方案和所述时间节点对所述任务中待处理的零件投放到车间进行有序生产组装包括:
所述处理设备根据所述分批调度方案和所述目标时间节点对所述任务中待处理的零件投放到车间进行有序生产组装。
3.根据权利要求1所述的调度与控制协同处理方法,其特征在于,所述处理设备根据所述分批调度方案和所述时间节点将所述任务中待处理的零件投放到车间进行有序生产组装包括:
所述处理设备根据所述分批调度方案和所述时间节点将剩余任务划分为优先级顺序从高至低的A级、B级、C级和D级的子任务;
所述处理设备根据所述子任务的不同获取不同的工时估算值;
所述处理设备将所述工时估算值进行大量离线仿真实验,得到调度计划;
所述处理设备根据所述调度计划和所述优先级顺序进行所述剩余任务的投放,所述投放包括所述零部件的加工工序和所述部装的组装工序。
4.根据权利要求1所述的调度与控制协同处理方法,其特征在于,所述任务及所述总装的工序信息包括关键任务及所述关键任务的工序信息和非关键任务及所述非关键任务的工序信息,其中,所述关键任务和所述非关键任务为按照所述总装工作网络中的任务对于所属部件完成进度的制约程度是否关键进行划分后得到的任务类型;
所述处理设备基于两阶段算法对所述总装信息进行处理得到总装小组调配方案包括:
所述处理设备基于第一阶段算法对所述关键任务及其工序信息进行处理得到第一总装小组调配方案,所述第一总装小组调配方案包括关键任务的总装小组调配;
所述处理设备基于第二阶段算法对所述第一总装小组调配方案和所述非关键任务及其工序信息进行处理得到所述总装小组调配方案,所述总装小组调配方案包括关键任务的总装小组调配和非关键任务的总装小组调配。
5.根据权利要求1所述的调度与控制协同处理方法,其特征在于,所述处理设备基于双层迭代进化算法对所述零部件信息和所述时间节点进行处理得到分批调度方案包括:
所述处理设备基于外层分批进化算法对所述零部件信息和所述时间节点进行处理得到所述零部件的分批方案,所述分批方案包括所述零部件的生产批次;
所述处理设备基于内层调度进化算法对所述分批方案进行处理得到所述分批调度方案。
6.根据权利要求1所述的调度与控制协同处理方法,其特征在于,所述处理设备基于双层迭代进化算法对所述零部件信息和所述时间节点进行处理得到分批调度方案之后,所述方法还包括:
所述处理设备获取目标零部件信息,所述目标零部件信息由所述零部件信息更新得到;
所述处理设备基于双层迭代进化算法对所述目标零部件信息和所述时间节点进行处理得到目标分批调度方案;
所述处理设备根据所述分批调度方案和所述时间节点将所述任务中待处理的零件投放到车间进行有序生产组装包括:
所述处理设备根据所述目标分批调度方案和所述时间节点将所述任务中待处理的零件投放到车间进行有序生产组装。
7.一种处理设备,其特征在于,包括:
获取单元,用于获取总装信息,所述总装信息包括总装工作网络中的任务及总装的工序信息;
处理单元,用于基于两阶段算法对所述总装信息进行处理得到总装小组调配方案,所述总装小组调配方案包括时间节点和总装小组的派遣;
获取单元还用于获取零部件信息,所述零部件信息包括零部件的信息、所述零部件的加工序信息和部装的工序信息,所述部装为所述零部件的组装;
处理单元还用于基于双层迭代进化算法对所述零部件信息和所述时间节点进行处理得到分批调度方案,所述分批调度方案包括所述零部件的生产批次、生产排序、生产所述零部件的开工完工时间、所述部装的组装排序和所述部装的开工完工时间;
投放单元,用于根据所述分批调度方案和所述时间节点将所述任务中待处理的零件投放到车间进行有序生产组装。
8.一种处理设备,其特征在于,包括:
处理器、存储器、总线、输入输出设备;
所述处理器与所述存储器、输入输出设备相连;
所述总线分别连接所述处理器、存储器以及输入输出设备相连;
所述处理器执行如权利要求1至6中任一项所述的方法。
9.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有指令,所述指令在计算机上执行时,使得所述计算机执行如权利要求1至6中任一项所述的方法。
10.一种计算机程序产品,其特征在于,所述计算机程序产品在计算机上执行时,使得所述计算机执行如权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911128205.7A CN110837981B (zh) | 2019-11-18 | 2019-11-18 | 一种调度与控制协同处理方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911128205.7A CN110837981B (zh) | 2019-11-18 | 2019-11-18 | 一种调度与控制协同处理方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110837981A CN110837981A (zh) | 2020-02-25 |
CN110837981B true CN110837981B (zh) | 2022-06-24 |
Family
ID=69576607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911128205.7A Active CN110837981B (zh) | 2019-11-18 | 2019-11-18 | 一种调度与控制协同处理方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110837981B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112150035B (zh) * | 2020-10-13 | 2023-06-13 | 中国农业银行股份有限公司 | 数据处理方法和装置 |
CN112749879B (zh) * | 2020-12-18 | 2022-03-15 | 成都飞机工业(集团)有限责任公司 | 一种基于异地厂所协同环境下的工程全局变更方法 |
CN113110336B (zh) * | 2021-04-20 | 2022-07-15 | 南京富岛信息工程有限公司 | 一种考虑调度约束的原油动态调合方法 |
CN113837532B (zh) * | 2021-08-16 | 2024-01-26 | 青岛农业大学 | 一种作业车间动态调度系统 |
CN114692069B (zh) * | 2022-03-25 | 2022-11-15 | 广西鸿凯家具有限公司 | 一种钢制金属家具喷涂加工控制方法、系统及装置 |
CN116151599B (zh) * | 2023-04-21 | 2023-07-07 | 湖南维胜科技有限公司 | 一种基于深度强化学习的排产数据处理方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6654376B1 (en) * | 1999-12-28 | 2003-11-25 | Nortel Networks Limited | ATM packet scheduler |
CN101794147A (zh) * | 2010-02-25 | 2010-08-04 | 北京理工大学 | 一种基于扰动事件驱动的车间作业动态调度方法 |
RO127578A2 (ro) * | 2010-11-19 | 2012-06-29 | Universitatea "Dunărea De Jos" Galaţi | Metodă de conducere holarhic-atributivă a sistemelor tehnologice, bazată pe învăţare online nesupervizată şi planificarea reactivă a procesului |
CN102929263A (zh) * | 2012-11-16 | 2013-02-13 | 北京理工大学 | 一种混合流水车间调度方法 |
CN104155931B (zh) * | 2014-07-04 | 2015-11-18 | 广东工业大学 | 基于nsga-ii的轮胎模具加工及装配集成优化方法 |
CN105974891B (zh) * | 2016-01-18 | 2018-07-13 | 广东工业大学 | 一种基于动态看板的模具生产过程自适应控制方法 |
CN106339774B (zh) * | 2016-08-18 | 2020-09-29 | 广东工业大学 | 一种模具热处理车间动态批调度方法 |
-
2019
- 2019-11-18 CN CN201911128205.7A patent/CN110837981B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110837981A (zh) | 2020-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837981B (zh) | 一种调度与控制协同处理方法及相关设备 | |
Wang et al. | An improved particle swarm optimization algorithm for dynamic job shop scheduling problems with random job arrivals | |
Gupta et al. | From rescheduling to online scheduling | |
US8606386B2 (en) | Multi-agent system for distributed manufacturing scheduling with Genetic Algorithms and Tabu Search | |
Zhou et al. | A review of methods and algorithms for optimizing construction scheduling | |
Li et al. | An agent-based approach for integrated process planning and scheduling | |
Frantzén et al. | A simulation-based scheduling system for real-time optimization and decision making support | |
Chen et al. | Research on priority rules for the stochastic resource constrained multi-project scheduling problem with new project arrival | |
Jaśkowski et al. | Scheduling construction projects using evolutionary algorithm | |
Mendez et al. | An MILP framework for batch reactive scheduling with limited discrete resources | |
Genova et al. | A survey of solving approaches for multiple objective flexible job shop scheduling problems | |
CN107656799B (zh) | 一种多云环境下考虑通信和计算代价的工作流调度方法 | |
CN105974891A (zh) | 一种基于动态看板的模具生产过程自适应控制方法 | |
CN110414826A (zh) | 一种云制造环境下柔性多任务前摄性调度优化方法 | |
Jiang et al. | Dynamic scheduling in the engineer-to-order (ETO) assembly process by the combined immune algorithm and simulated annealing method | |
JP7432087B2 (ja) | エネルギースケジュールを含むデータ構造、およびエネルギースケジュールを含むデータ構造を提供するための方法 | |
Mhasawade et al. | A survey of hybrid metaheuristics to minimize makespan of job shop scheduling problem | |
CN112488542A (zh) | 基于机器学习的智慧工地智能物料调度方法及系统 | |
Ahmed et al. | Centralized and hierarchical scheduling frameworks for copper smelting process | |
Ananth et al. | Cooperative game theoretic approach for job scheduling in cloud computing | |
Liu et al. | Multi-objective adaptive large neighbourhood search algorithm for dynamic flexible job shop schedule problem with transportation resource | |
Qi et al. | Solving resource availability cost problem in project scheduling by pseudo particle swarm optimization | |
Zaman et al. | Evolutionary algorithm for project scheduling under irregular resource changes | |
Lin et al. | Integrated optimization of supplier selection and service scheduling in cloud manufacturing environment | |
CN115421885A (zh) | 一种分布式多目标云任务的调度方法、装置及云服务系统 |
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 |