CN111160741B - 一种复杂工况下再制造车间多层级任务配置的扰动响应方法 - Google Patents

Abstract

本发明涉及一种复杂工况下再制造车间多层级任务配置的扰动响应方法，包括：样本采集；确定历史扰动事件对再制造车间任务配置的扰动程度值；确定历史事件下影响再制造车间任务配置的若干参数值；对各参数进行模糊化处理；将模糊化的各参数作为RBF网络的输入量，取对应的扰动程度值作为RBF网络的输出量，对RBF网络进行训练直到RBF网络满足精度要求，得到训练好的RBF网络；扰动事件发生时，得到所述扰动事件下的扰动程度值，根据所述扰动值采取相应的任务配置响应措施。基于本发明的方法，通过对扰动事件对扰动程度进行评估，定位扰动事件影响的再制造车间任务配置层级，从而可根据需要设计相适应的再制造车间多层级任务配置的扰动响应策略。

Description

一种复杂工况下再制造车间多层级任务配置的扰动响应方法

技术领域

本发明属于车间任务配置领域，具体涉及一种复杂工况下再制造车间多层级任务配置的扰动响应方法。

背景技术

再制造车间生产任务规划问题是异常复杂的系统优化问题，在生产加工过程中由于工艺参数如加工时间、设备状况(设备能力、可靠性、故障状况等)、订单等受到各种不确定性因素的干扰，使得现有任务规划方案不再是最优方案甚至不再是可行方案。由于加工过程中生产信息不能及时的被获取或不能完整的被获取、工件的随机到达以及制造过程中各种随机发生的扰动(设备故障、工序时间误差累积以及工件返工、报废等)，使得制造系统对任务规划方法的适应性降低，因此需要根据实际情况扰动事件的影响程度对再制造车间多层级任务配置方案进行相应的调整以实现缩短产品加工周期、降低生产成本以及降低能耗等多目标要求。

发明内容

本发明解决的技术问题为：提供一种复杂工况下再制造车间多层级任务配置的扰动响应方法，将车间任务配置划分为三个层级子问题：车间层批量划分、工艺单元层任务分配、设备层作业排序，用以根据实际情况扰动事件对扰动程度进行评估，定位扰动事件影响的再制造车间任务配置层级，从而可根据需要设计相适应的再制造车间多层级任务配置的扰动响应策略，从而产生新任务配置方案从而及时有效地调整既定的任务配置方案，保障车间稳定、高效、优化运行。

本发明提供的具体解决方案包括如下步骤：

1)样本采集得到历史扰动事件、历史扰动事件发生前再制造车间任务配置方案以及历史扰动事件发生后再制造车间的任务配置方案；

2)通过历史扰动事件发生前再制造车间任务配置方案以及历史扰动事件发生后再制造车间的任务配置方案确定历史扰动事件对再制造车间任务配置的扰动程度值；

3)通过历史扰动事件发生前再制造车间任务配置方案确定历史事件下影响再制造车间任务配置的若干参数值；

4)利用隶属函数对各参数进行模糊化处理得到模糊化的各参数；

5)将模糊化的各参数作为RBF网络的输入量，取对应的扰动程度值作为RBF网络的输出量，对RBF网络进行训练直到RBF网络满足精度要求，得到训练好的RBF网络；

6)扰动事件发生时，获取历史事件发生前再制造车间的任务配置方案，然后按照步骤3)-4)进行处理得到扰动事件下模糊化的各参数，将模糊化的各参数输入步骤5)中训练好的RBF网络，可得到所述扰动事件下的扰动程度值，根据所述扰动值的大小采取相应的任务配置响应措施，所述任务配置响应措施包括：车间层批量重规划、工艺单元层任务分配重规划和设备层作业排序重规划。

本发明设计一种复杂工况下再制造车间多层级任务配置的扰动响应方法，再制造车间任务配置涉及车间层批量划分、工艺单元层任务分配、设备层作业排序三个层级的子问题，由于存在大量的随机扰动事件，导致原任务配置方案出现不同程度的劣化。因此，开展扰动事件的扰动程度评估，及时有效地调整既定的任务配置方案，是保障车间稳定、高效、优化运行的关键。本发明首先将历史扰动事件对再制造车间任务配置的影响程度(即扰动程度值σ)作为输出参数，将扰动事件下影响车间任务配置的若干参数作为输入参数构成训练样本数据，并将模糊化的各影响参数作为RBF网络的输入量，提出了基于RBF网络的扰动事件识别和量化方法，确定该扰动事件对应的再制造车间任务配置响应策略，基于上述量化结果，当扰动事件发生时，工作人员可对扰动事件的扰动程度进行定量评估，工作人员可定位其作用的对象层级，从而设计相适应的再制造车间多层级任务配置的扰动响应策略，快速产生新任务配置方案。

在上述方案的基础上，本发明还进行如下改进：

进一步，所述历史事件下再制造车间任务配置的扰动程度值采用专家打分法获取。

具体的，通过机器加工成本偏差、完工时间偏差、能耗偏差三个项目构造评分表，通过企业核心管理层以企业经验为标准进行量表打分：如表1所示，评价等级“严重”、”一般”和“轻微”分别对应的分数为(0.66-1]、(0.33-0.66]以及(0-0.33]，取其平均值作为最终扰动程度值σ。

表1扰动程度等级评分等级标准

具体的，当10位专家根据机器加工成本偏差评分等级标准给出的评分依次为：(轻微，0.30)，(轻微，0.20)，(轻微，0.05)，(一般，0.40)，(一般，0.40)，(一般，0.40)，(一般，0.380)，(一般，0.50)，(轻微，0.20)，(严重，0.70)，则最终扰动程度值σ为:

对应的扰动程度等级为一般。

进一步，所述任务配置响应措施包括：车间层批量重规划、工艺单元层任务分配重规划和设备层作业排序重规划，步骤5)中的所述扰动程度值σ所在的区间为[0-0.33]时，采取设备层作业重规划的任务配置响应措施，所述扰动程度值所在的区间为(0.33-0.66]时，采取工艺单元层任务分配重规划的任务配置响应措施，所述扰动程度值所在的区间为(0.66-1]时，采取车间层批量重规划的任务配置响应措施。

具体的，车间层批量划分：再制造企业对再制造产品的市场需求、车间的加工技术和加工能力等约束进行系统评估后，做出车间任务统筹安排，在生产周期内，以启动生产成本，库存持有成本和逾期拖欠成本等为目标，合理规划每个时间段在不同车间投产再制造产品及其零部件的类型和数量，形成各时段的待加工批量任务集；工艺单元层任务分配：工艺单元可根据加工任务或实际生产要求的变化快速调整，适用于多品种、小批量再制造柔性生产，工艺单元层任务分配问题，要求根据批量任务集后，以在综合生产效益(加工效率、加工成本、能耗等)为目标，合理分配加工任务到每个工艺单元，同时从工艺单元中选择最优的加工设备，即为各工艺单元内部各加工设备分配最优的加工批量任务。设备层作业排序：设备层作业任务排序以各设备接收到的生产效益最优的加工批量任务为对象，通过对各设备加工任务中不同零部件划分子批量，并调整子批量的加工顺序，使车间生产任务的完工时间最小。

由此，在调度过程中，当扰动发生时，不用每次发生扰动时都要进行全局的车间层批量重规划，而是通过对扰动事件的扰动程度进行定量评估后，选择相适应的再制造车间任务配置响应措施(车间层批量重规划、工艺单元层任务分配重规划或设备层作业排序重规划)，从而产生新的任务配置方案以便及时有效地调整既定的任务配置方案，从而保障车间稳定、高效、优化运行。

进一步，令δ表示扰动事件对任务规划系统的扰动程度，各所述影响参数包括：扰动事件相对性能偏差指数Q、扰动事件影响范围W、扰动事件紧急程度E：

相对性能偏差Q具有模糊性，模糊子集为T(Q)＝{Q₁,Q₂,Q₃}，其中Q₁、Q₂、Q₃分别表示不确定因素的累计强度为较低、适中与较高，是用来评估当模糊型扰动事件发生时，若不更新任务方案，再制造生产系统性能下降的程度，扰动事件的出现会导致生产效率的下降，并且随着扰动事件持续时间的累积，效率下降的程度也在不断变化，考虑到优化目标偏差对任务规划决策的影响，提出了基于相对成本偏差指标Q的概念，公式如(1)所示：

其中C_z代表原方案的综合成本，C′_x代表扰动发生后未受到影响的工序的综合成本。P(C_z,C′_x)表示扰动事件发生时，不更新任务配置方案，原方案综合成本的相对偏差。综合成本的计算为工序数量乘每个工序的生产成本和能耗成本，每个工序的生产成本和能耗成本是已知量；

扰动事件影响范围W，扰动因素影响范围具有模糊性，模糊子集T(W)＝{W₁,W₂,W₃,W₄,W₅}中W₁、W₂、W₃、W₄和W₅分别表示扰动事件发生强度的级别，即轻微、弱、适中、强以及严重。该参数与受到扰动事件影响的工序数量有关，故用平均相对工序数量对该参数进行评定，如公式(2)所示：

公式(2)中，N_i(i＝1,2,…,t)表示第i台设备，m_Ni表示设备N_i受扰动事件影响时待加工的工序数量，m_均代表每台设备分配的平均工序，如公式(3)所示，用设备受扰动事件影响的平均相对工序数量来描述影响范围。将/>在区间[0,1]内进行划分，W₁、W₂、W₃、W₄和W₅均为高斯型隶属函数；

扰动事件紧急程度E，扰动因素的紧急程度同样具有模糊性，E₁、E₂、E₃、E₄和E₅分别表示扰动因素紧急程度的级别，即轻微、弱、适中、强以及严重。该参数与受扰动因素影响的工序的优先级a有关，本章中定义的不确定因素紧急程度E的各模糊子集的隶属度计算如公式(4)所示；

公式(4)中，a_i为设备加工的工件i的工序在现有方案中的优先级，将E在[0,1]区间范围内通过高斯型隶属函数进行划分获得隶属度，k_i工件i收到影响的工序个数，K_i为工件i的工序个数；

将上述3个参数的模糊子集分别在区间[0,1]内进行划分，如下公式(5)所示。其服从x～N(μ,σ²)的高斯型分布；

其中，c,δ的取值如下表

模糊子集	W1/E1	Q1/W2/E2	Q2/W3/E3	Q3/W4/E4	W5/E5
						(c,δ)	(0,1)	(1,1)	(2，1)	(3,1)	(4,1)

进一步，所述步骤6)中扰动事件发生时，先人为确定扰动事件的类型为确定型扰动事件或模糊型扰动事件，当扰动事件的类型为确定型扰动事件时，对已有调度方案进行全局修正或者制定新调度方案，当扰动事件的类型为模糊型扰动事件时，按照步骤3)-4)进行处理得到扰动事件下模糊化的各参数，将模糊化的各参数输入步骤5)中训练好的RBF网络，可得到所述扰动事件下的扰动程度值。

确定型扰动事件：是指导致现有规划方案失效的确定型扰动事件，如客户追加大量订单、大订单加急等因素，直接影响车间层批量划分。该类扰动事件对原方案规划方案的破坏非常严重，需针对当前工况对已有任务规划方案进行全局修正，需要采取车间层批量重规划响应措施，重新制定新的任务规划方案。

模糊型扰动事件：是指对现有任务规划方案的影响不确定的模糊型扰动事件，如交货期要求提前、取消订单、机床出现故障、工件报废、在制品数量变化等不确定扰动事件，该类扰动事件对原方案的影响程度不明确，可能是轻微影响，也有可能扰动初始是轻微，经过时间积累后，造成原方案的失效，需要根据实际的生产环境与生产条件进行扰动程度的评估分析，从而进一步判断重新进行任务规划的响应措施。

附图说明

图1为复杂工况下再制造车间多层级任务配置的扰动响应流程图。

图2为实施例1中设备故障发生前任务配置方案的甘特图。

图3为实施例1中设备故障发生后任务配置方案的甘特图。

图4为RBF神经网络图。

具体实施方式

尽管上面已经详细描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

实施例1

以一家再制造企业车间1x4x7(1个车间内的7台机器负责的4个工艺单元)为例，获取发生的历史扰动事件并通过专家打分法获得扰动程度值，对各参数值进行模糊化处理得到模糊化的各所述参数，具体结果如表1所示。

表1：历史扰动事件数据表

结合附图1，基于本发明的复杂工况下再制造车间多层级任务配置的扰动响应方法，包括如下步骤：

(1)样本采集得到历史扰动事件以及历史扰动事件发生前再制造车间任务配置方案以及历史扰动事件发生后再制造车间的任务配置方案。

1.1、以表1中历史扰动事件6-设备故障“设备2发生故障，在90min-133min时处于维护状态”为例,扰动事件发生前再制造车间的任务配置部分情况见表2-4以及图2-3。如表2所示，任务配置周期分为7个时段，且给出了待加工的4种零件在不同时段的需求(即需要加工的零件种类和数量)，表2还给出了4种零件的单位启动预算成本、单位逾期成本、单位存储成本等与相关生产成本信息；表3为工艺单元与加工设备信息表，给出了各工艺单元的设备分配、各设备的加工能力以及待机运行功率；表4为零件加工过程中加工能耗和成本信息表，记录了各工件加工所需工艺单元、所用设备编号、设备用时和设备加工能耗。图2为扰动事件发生前该车间任务配置的甘特图，横坐标代表加工时间，纵坐标代表设备编号，第一排代表设备7的加工工序排序，加工工序P_1,14次后，加工工序P_4,13次，再加工工序P_1,13次，再加工工序P_4,13次，最后加工工序P_2,35次，甘特图清楚的显示了每个设备在各时间段的任务配置；图3所示为扰动事件发生后该车间任务配置的甘特图。具体的，原任务的规划方案以及重新任务规划后方案后各设备作业排序，见表5作业排序前后明细表。扰动事件(即设备2发生故障，在90min～133min时处于维护状态)产生导致设备任务重新配置，其中设备2的工序P_3,1/2→P_3,3/2→P_4,3/3→P_1,3/1→P_4,3/1→P_1,3/2→P_4,3/2，重规划后为P_3,1/2→P_3,3/2→P_4,3/3→P1,3/3→P_4,3/3，设备5的工序P_3,2/2→P_4,2/3→P_3,2/2→P_1,4/9→P_3,4/6→P_4,4/6，重规划后工序为P_3,2/2→P_4,2/3→P_3,2/2→P_1,4/6→P_3,4/6→P_1,4/3→P_4,4/6。

表2:4种零件在不同时段的需求分布与生产成本

注：该批订单分为7个加工时段，时段1加工零件W₁10个；W₂5个；W₃6个；W₄6个；启动预算成本代表时段1预计花费的成本；逾期成本代表时段1规定时间结束之后时段1的任务量没有完成需要多支出的延期成本；存储成本代表每件存储的成本。

表3:工艺单元与加工设备信息表

注：工艺1可以由设备M₁,M₂加工，工艺2可由设备M₃,M₄加工，工艺3可由M₅，M₆加工，工艺4可由M₇加工，待机运行功率代表设备闲置时的空载功率，用来算空载能耗。

表4:零件加工过程中加工能耗和成本信息表

注：P_1,1在设备4上加工工艺单元4需要时间7min，加工能耗为3131KJ。

表5:作业排序前后明细表

注：以M₁为例解释：其中P_3,1/4代表设备1加工工序P3,14次，然后加工工序P(1,3)5次，然后加工工序P(3,3)3次，然后加工工序P(1,3)一次，然后加工P(3,3)一次。

1.2、通过专家打分法获取历史扰动事件6下的扰动程度值，结果如表1所示。

1.3、通过表1-5中数据计算得到历史扰动事件6下各参数相对性能偏差指数Q、影响范围W、紧急程度E的值，对各参数进行模糊化处理得到各参数的模糊子集的隶属度Q₁、Q₂、Q₃、W₁、W₂、W₃、W₄、W₅、E₁、E₂、E₃、E₄、E₅，结果如表1所示，具体计算如下：

如表5所示，设备1，3,4,6,7受影响的工序为0，设备2受影响的工序为P_1,3/1→P_4,3/1→P_1,3/2→P_4,3/2,有4个，设备5受影响的工序为P_1,4/9→P_3,4/6→P_4,4/6有三个，计算相对性能偏差指数Q：

利用高斯隶属函数对相对性能偏差指数Q进行模糊化处理,得到的各模糊子集的隶属度：Q₁＝0.90、Q₂＝0.10、Q₃＝0；

对受扰动事件影响的平均相对工序数量进行计算，用以衡量扰动事件影响范围W：

通过隶属度函数计算的各模糊子集的隶属度分别为：W₁＝0、W₂＝0.02、W₃＝0.86、W₄＝0.02以及W₅＝0；

对受扰动因素影响的工艺单元的优先级a进行计算，工件i的工序优先级a_i分别为：1，3，4，2，用以衡量不确定因素紧急程度E：

因此通过隶属度函数计算的各模糊子集的隶属度为：E₁＝0.06、E₂＝0.12、E₃＝0.30、E₄＝0.46以及E₅＝0.06。

(2)按照上述步骤(1)对各历史扰动事件下各参数的模糊子集的隶属度进行计算，得到各历史事件下，各参数的模糊子集的隶属度Q₁、Q₂、Q₃、W₁、W₂、W₃、W₄、W₅、E₁、E₂、E₃、E₄、E₅，结果如表1所示。

(3)如图4所示，将各参数的模糊子集的隶属度Q₁、Q₂、Q₃、W₁、W₂、W₃、W₄、W₅、E₁、E₂、E₃、E₄、E₅作为径向基神经网络的输入量，对应的扰动程度值σ作为输出量，对RBF网络进行训练得到训练好的RBF网络。

(4)扰动事件发生时，按照上述步骤(1)进行处理得到所述扰动事件下模糊化的各参数。

(5)将模糊化的各参数输入步骤(3)中训练好的RBF网络，可得到所述扰动事件下的扰动程度值，扰动程度值所在的区间为[0-0.33)时，采取设备层作业重规划的任务配置响应措施，所述扰动程度值所在的区间为[0.33-0.66)时，采取工艺单元层任务分配重规划的任务配置响应措施，所述扰动程度值所在的区间为[0.66-1]时，采取车间层批量重规划的任务配置响应措施。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

Claims (5)

1.一种复杂工况下再制造车间多层级任务配置的扰动响应方法，其特征在于，包括如下步骤：

1)样本采集得到历史扰动事件、历史扰动事件发生前再制造车间任务配置方案以及历史扰动事件发生后再制造车间的任务配置方案；

2)通过历史扰动事件发生前再制造车间任务配置方案以及历史扰动事件发生后再制造车间的任务配置方案确定历史扰动事件对再制造车间任务配置的扰动程度值；

3)通过历史扰动事件发生前再制造车间任务配置方案确定历史事件下影响再制造车间任务配置的若干参数；

4)利用隶属函数对各参数进行模糊化处理得到模糊化的各参数，各所述参数包括：扰动事件的相对性能偏差指数Q、扰动事件影响范围W、扰动事件紧急程度E；

5)将模糊化的各参数作为RBF网络的输入量，取对应的扰动程度值作为RBF网络的输出量，对RBF网络进行训练直到RBF网络满足精度要求，得到训练好的RBF网络；

6)扰动事件发生时，获取历史事件发生前再制造车间的任务配置方案，然后按照步骤3)-4)进行处理得到扰动事件下模糊化的各参数，将模糊化的各参数输入步骤5)中训练好的RBF网络，可得到所述扰动事件下的扰动程度值，根据所述扰动程度值的大小采取相应的任务配置响应措施，所述任务配置响应措施包括：车间层批量重规划、工艺单元层任务分配重规划和设备层作业排序重规划。

2.根据权利要求1所述的一种复杂工况下再制造车间多层级任务配置的扰动响应方法，其特征在于，所述历史事件下再制造车间任务配置的扰动程度值采用专家打分法获取。

3.根据权利要求1所述的一种复杂工况下再制造车间多层级任务配置的扰动响应方法，其特征在于，步骤6)中的所述扰动程度值所在的区间为[0-0.33)时，采取设备层作业重规划的任务配置响应措施，所述扰动程度值所在的区间为[0.33-0.66)时，采取工艺单元层任务分配重规划的任务配置响应措施，所述扰动程度值所在的区间为[0.66-1]时，采取车间层批量重规划的任务配置响应措施。

4.根据权利要求1所述的一种复杂工况下再制造车间多层级任务配置的扰动响应方法，其特征在于，

相对性能偏差Q具有模糊性，模糊子集为T(Q)＝{Q₁,Q₂,Q₃}，其中Q₁、Q₂、Q₃分别表示不确定因素的累计强度为较低、适中与较高，是用来评估当模糊型扰动事件发生时，若不更新任务方案，再制造生产系统性能下降的程度，扰动事件的出现会导致生产效率的下降，并且随着扰动事件持续时间的累积，效率下降的程度也在不断变化，考虑到优化目标偏差对任务规划决策的影响，提出了基于相对成本偏差指标Q的概念，公式如(1)所示：

其中C_z代表原方案的综合成本，C_x′代表扰动发生后未受到影响的工序的综合成本；Q(C_z,C′_x)表示扰动事件发生时，不更新任务配置方案，原方案综合成本的相对偏差；综合成本的计算为工序数量乘每个工序的生产成本和能耗成本，每个工序的生产成本和能耗成本是已知量；

扰动事件影响范围W，扰动因素影响范围具有模糊性，模糊子集T(W)＝{W₁,W₂,W₃,W₄,W₅}中W₁、W₂、W₃、W₄和W₅分别表示扰动事件发生强度的级别，即轻微、弱、适中、强以及严重；该参数与受到扰动事件影响的工序数量有关，故用平均相对工序数量对该参数进行评定，如公式(2)所示：

上式中，N_i(i＝1,2,…,t)表示第i台设备，表示设备N_i受扰动事件影响时待加工的工序数量，m_均代表每台设备分配的平均工序，如公式(3)所示，用设备受扰动事件影响的平均相对工序数量/>来描述影响范围；将/>在区间[0,1]内进行划分，W₁、W₂、W₃、W₄和W₅均为高斯型隶属函数；

扰动事件紧急程度E，扰动因素的紧急程度同样具有模糊性，E₁、E₂、E₃、E₄和E₅分别表示扰动因素紧急程度的级别，即轻微、弱、适中、强以及严重；该参数与受扰动因素影响的工序的优先级a有关，本章中定义的不确定因素紧急程度E的各模糊子集的隶属度计算如公式(4)所示；式中，a_i为设备加工的工件i的工序在现有方案中的优先级，将E在[0,1]区间范围内通过高斯型隶属函数进行划分获得隶属度，k_i工件i收到影响的工序个数，K_i为工件i的工序个数；

将上述3个参数的模糊子集分别在区间[0,1]内进行划分，如下公式(5)所示；其服从x～N(μ,σ²)的高斯型分布；

其中，c,δ的取值如下表所示：

5.根据权利要求1-4任一所述的一种复杂工况下再制造车间多层级任务配置的扰动响应方法，其特征在于，所述步骤6)中扰动事件发生时，先人为确定扰动事件的类型为确定型扰动事件或模糊型扰动事件，当扰动事件的类型为确定型扰动事件时，对已有调度方案进行全局修正或者制定新调度方案，当扰动事件的类型为模糊型扰动事件时，按照步骤3)-4)进行处理得到扰动事件下模糊化的各参数，将模糊化的各参数输入步骤5)中训练好的RBF网络，可得到所述扰动事件下的扰动程度值。