CN111291995B - 一种基于moea的生产线设备资源优化配置方法及装置 - Google Patents

一种基于moea的生产线设备资源优化配置方法及装置 Download PDF

Info

Publication number
CN111291995B
CN111291995B CN202010095087.0A CN202010095087A CN111291995B CN 111291995 B CN111291995 B CN 111291995B CN 202010095087 A CN202010095087 A CN 202010095087A CN 111291995 B CN111291995 B CN 111291995B
Authority
CN
China
Prior art keywords
equipment
production
target
production line
optimization
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
Application number
CN202010095087.0A
Other languages
English (en)
Other versions
CN111291995A (zh
Inventor
林利彬
张昱
凌翔
张东波
秦昊
王佳相
吴丹雯
刘智
杨瑞
魏千洲
郭旭
王晓旭
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.)
Guangdong Institute of Intelligent Manufacturing
Original Assignee
Guangdong Institute of Intelligent Manufacturing
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 Guangdong Institute of Intelligent Manufacturing filed Critical Guangdong Institute of Intelligent Manufacturing
Priority to CN202010095087.0A priority Critical patent/CN111291995B/zh
Publication of CN111291995A publication Critical patent/CN111291995A/zh
Application granted granted Critical
Publication of CN111291995B publication Critical patent/CN111291995B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06313—Resource planning in a project environment
    • 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)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Factory Administration (AREA)

Abstract

本发明提供了一种基于MOEA的生产线设备资源优化配置方法、装置、终端设备及可读存储介质，所述方法包括：获取生产线的设备基本数据和电力成本计费数据；其中，所述设备基本数据包括生产设备种类以及各种生产设备的可用数量、生产节拍时间和功率；结合所述设备基本数据、所述电力成本计费数据以及预设的目标优化条件数据，建立目标优化数学模型；其中，所述目标优化条件数据包括目标生产数量和目标交付时间；利用多目标进化优化算法对所述目标优化数学模型进行求解，得到满足目标优化条件的最优解，以使生产线调度系统按照所述最优解进行生产设备配置调度。通过实施本发明能够对生产车间的设备资源进行科学合理配置。

Description

一种基于MOEA的生产线设备资源优化配置方法及装置
技术领域
本发明涉及设备配置优化技术领域，尤其是涉及一种基于MOEA的生产线设备资源优化配置方法、装置、终端设备及可读存储介质。
背景技术
目前，在自动化生产车间中产品为通过生产线进行批量生产，其中包括多个生产工序，每个生产工序由对应的生产设备完成该环节。每个生产设备都有不同的生产节拍和不同的运行功率，在实际生产中，由于不能根据实际需要对生产设备进行合理配置和调度，为了赶在既定的计划内完成生产任务，往往会过度调用生产设备而导致生产成本较高，增加了生产商的生产成本且带来不必要的能源浪费。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于MOEA的生产线设备资源优化配置方法、装置、终端设备及可读存储介质，能够对生产车间的设备资源进行科学合理配置。
为了解决上述技术问题，本发明实施例提供了一种基于MOEA的生产线设备资源优化配置方法，包括：
获取生产线的设备基本数据和电力成本计费数据；其中，所述设备基本数据包括生产设备种类以及各种生产设备的可用数量、生产节拍时间和功率；
结合所述设备基本数据、所述电力成本计费数据以及预设的目标优化条件数据，建立目标优化数学模型；其中，所述目标优化条件数据包括目标生产数量和目标交付时间；
利用多目标进化优化算法对所述目标优化数学模型进行求解，得到满足目标优化条件的最优解，以使生产线调度系统按照所述最优解进行生产设备配置调度。
进一步地，所述利用多目标进化优化算法对所述目标优化数学模型进行求解，得到满足目标优化条件的最优解，以使生产线调度系统按照所述最优解进行生产设备配置调度，具体包括：
根据所述设备基本数据对设备配置组合策略进行二进制编码；
基于所述目标优化数学模型，利用多目标进化优化算法对二进制编码后的设备配置组合策略进行求解，得到满足目标优化条件的最优解，以使生产线调度系统按照所述最优解进行生产设备配置调度。
进一步地，所述目标优化数学模型包括约束条件，所述约束条件为根据所述设备基本数据、所述目标生产数量和所述目标交付时间进行计算得到。
进一步地，所述多目标进化优化算法为采用NSGAII算法。
进一步地，所述生产线为铝模板锯冲集成生产线；所述生产设备包括上料机器人、锯切机、冲孔组件、码垛机械手四种。
为了解决相同的技术问题，本发明还提供了一种基于MOEA的生产线设备资源优化配置装置，包括：
数据获取模块，用于获取生产线的设备基本数据和电力成本计费数据；其中，所述设备基本数据包括生产设备种类以及各种生产设备的可用数量、生产节拍时间和功率；
数学建模模块，用于结合所述设备基本数据、所述电力成本计费数据以及预设的目标优化条件数据，建立目标优化数学模型；其中，所述目标优化条件数据包括目标生产数量和目标交付时间；
优化求解模块，用于利用多目标进化优化算法对所述目标优化数学模型进行求解，得到满足目标优化条件的最优解，以使生产线调度系统按照所述最优解进行生产设备配置调度。
进一步地，所述优化求解模块，具体用于：
根据所述设备基本数据对设备配置组合策略进行二进制编码；
基于所述目标优化数学模型，利用多目标进化优化算法对二进制编码后的设备配置组合策略进行求解，得到满足目标优化条件的最优解，以使生产线调度系统按照所述最优解进行生产设备配置调度。
进一步地，所述目标优化数学模型包括约束条件，所述约束条件为根据所述设备基本数据、所述目标生产数量和所述目标交付时间进行计算得到。
为了解决相同的技术问题，本发明还提供了一种基于MOEA的生产线设备资源优化配置终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述存储器与所述处理器耦接，且所述处理器执行所述计算机程序时，实现任一项所述的基于MOEA的生产线设备资源优化配置方法。
为了解决相同的技术问题，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行任一项所述的基于MOEA的生产线设备资源优化配置方法。
与现有技术相比，本发明具有如下有益效果：
本发明实施例提供了一种基于MOEA的生产线设备资源优化配置方法、装置、终端设备及可读存储介质，所述方法包括：获取生产线的设备基本数据和电力成本计费数据；其中，所述设备基本数据包括生产设备种类以及各种生产设备的可用数量、生产节拍时间和功率；结合所述设备基本数据、所述电力成本计费数据以及预设的目标优化条件数据，建立目标优化数学模型；其中，所述目标优化条件数据包括目标生产数量和目标交付时间；利用多目标进化优化算法对所述目标优化数学模型进行求解，得到满足目标优化条件的最优解，以使生产线调度系统按照所述最优解进行生产设备配置调度。通过实施本发明能够对生产车间的设备资源进行科学合理配置。
附图说明
图1是本发明一实施例提供的基于MOEA的生产线设备资源优化配置方法的流程示意图；
图2是本发明一实施例提供的NSGAII算法基本流程示意图
图3是本发明一实施例提供的基于MOEA的生产线设备资源优化配置装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参见图1，本发明实施例提供了一种基于MOEA的生产线设备资源优化配置方法，包括步骤：
S1、获取生产线的设备基本数据和电力成本计费数据；其中，所述设备基本数据包括生产设备种类以及各种生产设备的可用数量、生产节拍时间和功率。
在本发明实施例中，进一步地，所述生产线为铝模板锯冲集成生产线；所述生产设备包括上料机器人、锯切机、冲孔组件、码垛机械手四种。
S2、结合所述设备基本数据、所述电力成本计费数据以及预设的目标优化条件数据，建立目标优化数学模型；其中，所述目标优化条件数据包括目标生产数量和目标交付时间。
在本发明实施例中，进一步地，所述目标优化数学模型包括约束条件，所述约束条件为根据所述设备基本数据、所述目标生产数量和所述目标交付时间进行计算得到。
S3、利用多目标进化优化算法对所述目标优化数学模型进行求解，得到满足目标优化条件的最优解，以使生产线调度系统按照所述最优解进行生产设备配置调度。在本发明实施例中，进一步地，所述多目标进化优化算法为采用NSGAII算法。
在本发明实施例中，步骤S3具体包括：
根据所述设备基本数据对设备配置组合策略进行二进制编码；
基于所述目标优化数学模型，利用多目标进化优化算法对二进制编码后的设备配置组合策略进行求解，得到满足目标优化条件的最优解，以使生产线调度系统按照所述最优解进行生产设备配置调度。
需要说明的是，本发明实施例的目的在于提供一种基于MOEA的生产线设备资源优化配置方法，能够根据订单要求的产品数量及交付时间进行生产计划安排，通过调整生产线中设备工作数量的方式，对生产线中的设备进行资源合理配置，达到产线中设备综合消耗电力成本最少，同时产线平均生产节拍时间最少的目标。
以下列举具体例子以对本发明方案进行说明：
铝模板锯冲集成生产线的生产工序主要包括上料、锯切、冲孔和码垛。作为举例，某生产线的生产设备包括2台上料机器人、4台锯切机、4台冲孔组件(包括冲孔机与机器人)，4台码垛机械手。产线的设计产能为480个/小时，假设设备的生产节拍时间和功率如表1所示：
表1设备的生产节拍时间和功率
上料机器人 锯切机 冲孔组件 码垛
节拍时间(秒/个) 7 10 28 20
功率(KW) 5 10.5 27 3
上述步骤S1首先需要获取这些设备基本数据。
假设订单要求的生产数量为30000个，交付时间为3天，每隔12个小时可调整生产线工作设备数量。因此生产线设备资源配置问题为：在6次调整过程中，需要调整4种类型设备的工作数量。该问题的主要目标是在满足作业的约束条件下，最小化电力成本。
许多电力公司的电力是按照不同时刻以不同的价格来计费的，本实施例考虑使用以下的价目表(步骤S1需要获取以下电力成本计费数据)：
低成本(Cl)：0:00-12:00l元
高成本(Ch)：12:00—24:00h元
这种价格的变化对产线的电力成本影响很大，通过使在高成本阶段的设备作业数目最小化，就可显著地节约电力成本。
原料需经过上料、锯切、冲孔和码垛4个工序生产出一个产品，因此本次考虑的生产线生产节拍时间等于工序中的瓶颈节拍时间，如每个工序各使用一台设备工作的情况下，由表1可知瓶颈工序为冲孔，冲孔部分节拍为28秒，因此该设备资源配置方式下，生产线生产节拍时间为28秒。生产工序中，如选用n>＝1台设备时，该工序的节拍时间为Pt/n，Pt为该设备的生产节拍时间。因此通过调整生产线工作设备数量，使得整线的生产节拍最小化，缩短生产时间，提前交付产品。
在本发明实施例中，步骤S2为结合所述设备基本数据、所述电力成本计费数据以及预设的目标优化条件数据，建立目标优化数学模型。
由上述内容可知，设备资源合理配置问题高为电力成本最小化，生产节拍最小化的多目标优化问题，多目标优化描述如下：
miny＝F(x)＝(f1(x),f2(x))
其中，f1(x)为电力成本，f2(x)为生产线平均生产节拍；其中：
f1(x)＝E1+E2+…+Ec
f2(x)＝T
其中，E1为第一次设备配置策略下所有设备低成本电力成本的总和；E2为第二次设备配置策略下所有设备高成本电力成本的总和；Ec为最后一次设备配置策略下所有设备高成本电力成本的总和。
D为产品生产计划交付时间(单位为日)，每日设备配置调整次数为2次，因此c＝2*D。因为生产线具有4个工序，因此决策变量个数i＝c*4；有：
本次考虑的生产线整线生产节拍时间等于工序中的瓶颈节拍时间(各工序中最大节拍时间)，T为平均生产节拍。工序生产节拍等于单个设备生产节拍除以工作的设备数量。
其中，xj为决策变量(配置设备的数量)j∈[1,i]。t为各设备的工作时间，p为各设备的功率，l为低电价，h为高电价。
计算约束条件(约束条件的意义是：设备资源配置的情况下，必须满足交付时间即生产节拍不能少于最低交付生产节拍)：
c1(x)＝24×3600×D/Y-T≥0
其中，Y为计划交付产品数量(个)；
假设订单要求的生产数量为Y＝30000个，交付时间为D＝3天，每隔12个小时，可调整生产线工作设备数量。并且假设每个工序至少都有一台设备工作，3天均计划生产，因此生产线平均最小节拍时间为7.2秒(由于假设每个工序至少都有一台设备工作，3天均计划生产，所以D＝2.5天，因此T＝24×3600×D/Y＝7.2秒。)，由于生产线3天的产量必须大于等于订单数量，满足交付条件，因此生产线平均最大节拍时间为8.64秒(约束条件：c1(x)＝8.64-T≥0；c2(x)＝T-7.2≥0)。当设备全部工作的情况下，电力成本为9786.8元。
在本发明实施例中，利用多目标进化优化算法对所述目标优化数学模型进行求解，具体地：
采用编码方式表示设备工作数量配置生产策略，每个策略就是一个解，该解通过电力成本和平均节拍时间形成的目标向量函数来描述。优化的目标是要寻找到或近似地找到Pareto最优解集，即寻找满意的设备工作数量资源配置策略。该解集以外的其他策略要么具有最高的电力成本，要么平均生产节拍时间较大。采用二进制编码方式，设备组合配置的编码表如下：
由表可知，可能解的个数为27*6＝242(可能组合方式的个数，位串中有7位，所以组合的方式就有27，因为次数为6次，所以总的组合方式为27*6)
)。由于解的个数多，因此优选地可以选用NSGAII多目标进化优化算法进行求解。
NSGAII算法基本流程如图2所示
(1)首先，随机产生规模为N的初始种群，非支配排序后通过遗传算法的选择、交叉、变异三个基本操作得到第一代子代种群；
(2)其次，从第二代开始，将父代种群与子代种群合并，进行快速非支配排序,同时对每个非支配层中的个体进行拥挤度计算，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群；
(3)最后，通过遗传算法的基本操作产生新的子代种群：依此类推，直到满足程序结束的条件。
需要说明的是，作为优选方案，本发明实施例利用NSGAII算法在matlab软件中计算求解，种群规模N设置为100，决策变量为24，每次实验进行10000次函数评估，重复实验30次，实验环境为Intel(R)Core(TM)i7-7700HQ(2.8GHz)24G内存，操作系统为Windows10。最后求得一个最优解，f1为电力成本，f2为生产线平均生产节拍。最优解为(8088.4,7.3889)，最小生产线平均节拍为7.3889秒，最小电力成本为8088.4元。由于只存在一个最优解，即只有一个非支配解，因此HV指标值为0。
在算法主函数中直接调出Population.decs和Population.objs，求得最优解对应决策变量和目标值，其中一组决策变量为1243,1233,1243,1243,1243,1243。即第一天上午1台上料机器人，2台锯切机，4台冲孔机，3台码垛。第一天下午1台上料机器人，2台锯切机，3台冲孔机，3台码垛，其余安排以此类推。
通过实施本发明实施例，能够结合生产设备基本情况和目标优化条件，综合计算出科学合理的生产设备数量配置策略，满足生产效率最高和节约成本的要求。
需要说明的是，对于以上方法或流程实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作并不一定是本发明实施例所必须的。
请参见图3，为了解决相同的技术问题，本发明还提供了一种基于MOEA的生产线设备资源优化配置装置，包括：
数据获取模块1，用于获取生产线的设备基本数据和电力成本计费数据；其中，所述设备基本数据包括生产设备种类以及各种生产设备的可用数量、生产节拍时间和功率；
数学建模模块2，用于结合所述设备基本数据、所述电力成本计费数据以及预设的目标优化条件数据，建立目标优化数学模型；其中，所述目标优化条件数据包括目标生产数量和目标交付时间；
优化求解模块3，用于利用多目标进化优化算法对所述目标优化数学模型进行求解，得到满足目标优化条件的最优解，以使生产线调度系统按照所述最优解进行生产设备配置调度。
在本发明实施例中，进一步地，所述优化求解模块3，具体用于：
根据所述设备基本数据对设备配置组合策略进行二进制编码；
基于所述目标优化数学模型，利用多目标进化优化算法对二进制编码后的设备配置组合策略进行求解，得到满足目标优化条件的最优解，以使生产线调度系统按照所述最优解进行生产设备配置调度。
在本发明实施例中，进一步地，所述目标优化数学模型包括约束条件，所述约束条件为根据所述设备基本数据、所述目标生产数量和所述目标交付时间进行计算得到。
在本发明实施例中，进一步地，所述多目标进化优化算法为采用NSGAII算法。
在本发明实施例中，进一步地，所述生产线为铝模板锯冲集成生产线；所述生产设备包括上料机器人、锯切机、冲孔组件、码垛机械手四种。
可以理解的是上述装置项实施例，是与本发明方法项实施例相对应的，本发明实施例提供的一种基于MOEA的生产线设备资源优化配置装置，可以实现本发明任意一项方法项实施例提供的基于MOEA的生产线设备资源优化配置方法。
为了解决相同的技术问题，本发明还提供了一种基于MOEA的生产线设备资源优化配置终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述存储器与所述处理器耦接，且所述处理器执行所述计算机程序时，实现任一项所述的基于MOEA的生产线设备资源优化配置方法。
所述基于MOEA的生产线设备资源优化配置终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于MOEA的生产线设备资源优化配置终端设备的控制中心，利用各种接口和线路连接整个基于MOEA的生产线设备资源优化配置终端设备的各个部分。
所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
为了解决相同的技术问题，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行任一项所述的基于MOEA的生产线设备资源优化配置方法。
所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述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，这些改进和润饰也视为本发明的保护范围。

Claims (9)

1.一种基于MOEA的生产线设备资源优化配置方法，其特征在于，包括：
获取生产线的设备基本数据和电力成本计费数据；其中，所述设备基本数据包括生产设备种类以及各种生产设备的可用数量、生产节拍时间和功率；
结合所述设备基本数据、所述电力成本计费数据以及预设的目标优化条件数据，建立目标优化数学模型；其中，所述目标优化条件数据包括目标生产数量和目标交付时间；
利用多目标进化优化算法对所述目标优化数学模型进行求解，得到满足目标优化条件的最优解，以使生产线调度系统按照所述最优解进行生产设备配置调度；
其中，根据所述设备基本数据对设备配置组合策略进行二进制编码；基于所述目标优化数学模型，利用多目标进化优化算法对二进制编码后的设备配置组合策略进行求解，得到满足目标优化条件的最优解，以使生产线调度系统按照所述最优解进行生产设备配置调度；
所述目标优化数学模型可以表示为：
miny＝F(x)＝(f1(x),f2(x))，
其中，f1(x)＝E1+E2+…+Ec为电力成本，f2(x)＝T为生产线平均生产节拍；为第一次设备配置策略下所有设备低成本电力成本的总和；为第二次设备配置策略下所有设备高成本电力成本的总和；为最后一次设备配置策略下所有设备高成本电力成本的总和；xj、tj、pj、l和h分别为设备j的决策变量、工作时间、功率、0点至12点的电价和12点至24点的电价；c＝2*D为设备配置调整总次数，D为产品生产计划交付时间，单位为日；每日设备配置调整次数为2次；生产线具有4个工序，因此决策变量个数i＝c*4；为平均生产节拍；7、10、28和20分别为4个工序的节拍时间，单位为秒/个；
所述目标优化数学模型的约束条件为在设备资源配置的情况下，必须满足交付时间即生产节拍不能少于最低交付生产节拍，所述约束条件可以表示为：
c1(x)＝24×3600×D/Y-T≥0，
其中，Y为计划交付产品数量，单位为个。
2.根据权利要求1所述的基于MOEA的生产线设备资源优化配置方法，其特征在于，所述目标优化数学模型包括约束条件，所述约束条件为根据所述设备基本数据、所述目标生产数量和所述目标交付时间进行计算得到。
3.根据权利要求1所述的基于MOEA的生产线设备资源优化配置方法，其特征在于，所述多目标进化优化算法为采用NSGAII算法。
4.根据权利要求1所述的基于MOEA的生产线设备资源优化配置方法，其特征在于，所述生产线为铝模板锯冲集成生产线；所述生产设备包括上料机器人、锯切机、冲孔组件、码垛机械手四种。
5.一种基于MOEA的生产线设备资源优化配置装置，其特征在于，包括：
数据获取模块，用于获取生产线的设备基本数据和电力成本计费数据；其中，所述设备基本数据包括生产设备种类以及各种生产设备的可用数量、生产节拍时间和功率；
数学建模模块，用于结合所述设备基本数据、所述电力成本计费数据以及预设的目标优化条件数据，建立目标优化数学模型；其中，所述目标优化条件数据包括目标生产数量和目标交付时间；
优化求解模块，用于利用多目标进化优化算法对所述目标优化数学模型进行求解，得到满足目标优化条件的最优解，以使生产线调度系统按照所述最优解进行生产设备配置调度；
其中，根据所述设备基本数据对设备配置组合策略进行二进制编码；基于所述目标优化数学模型，利用多目标进化优化算法对二进制编码后的设备配置组合策略进行求解，得到满足目标优化条件的最优解，以使生产线调度系统按照所述最优解进行生产设备配置调度；
所述目标优化数学模型可以表示为：
miny＝F(x)＝(f1(x),f2(x))，
其中，f1(x)＝E1+E2+…+Ec为电力成本，F2(x)＝T为生产线平均生产节拍；为第一次设备配置策略下所有设备低成本电力成本的总和；为第二次设备配置策略下所有设备高成本电力成本的总和；为最后一次设备配置策略下所有设备高成本电力成本的总和；xj、tj、pj、l和h分别为设备j的决策变量、工作时间、功率、0点至12点的电价和12点至24点的电价；c＝2*D为设备配置调整总次数，D为产品生产计划交付时间，单位为日；每日设备配置调整次数为2次；生产线具有4个工序，因此决策变量个数i＝c*4；为平均生产节拍；7、10、28和20分别为4个工序的节拍时间，单位为秒/个；
所述目标优化数学模型的约束条件为在设备资源配置的情况下，必须满足交付时间即生产节拍不能少于最低交付生产节拍，所述约束条件可以表示为：
c1(x)＝24×3600×D/Y-T≥0，
其中，Y为计划交付产品数量，单位为个。
6.根据权利要求5所述的基于MOEA的生产线设备资源优化配置装置，其特征在于，所述优化求解模块，具体用于：
根据所述设备基本数据对设备配置组合策略进行二进制编码；
基于所述目标优化数学模型，利用多目标进化优化算法对二进制编码后的设备配置组合策略进行求解，得到满足目标优化条件的最优解，以使生产线调度系统按照所述最优解进行生产设备配置调度。
7.根据权利要求5所述的基于MOEA的生产线设备资源优化配置装置，其特征在于，所述目标优化数学模型包括约束条件，所述约束条件为根据所述设备基本数据、所述目标生产数量和所述目标交付时间进行计算得到。
8.一种基于MOEA的生产线设备资源优化配置终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述存储器与所述处理器耦接，且所述处理器执行所述计算机程序时，实现如权利要求1至4任一项所述的基于MOEA的生产线设备资源优化配置方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至4任一项所述的基于MOEA的生产线设备资源优化配置方法。
CN202010095087.0A 2020-02-14 2020-02-14 一种基于moea的生产线设备资源优化配置方法及装置 Active CN111291995B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010095087.0A CN111291995B (zh) 2020-02-14 2020-02-14 一种基于moea的生产线设备资源优化配置方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010095087.0A CN111291995B (zh) 2020-02-14 2020-02-14 一种基于moea的生产线设备资源优化配置方法及装置

Publications (2)

Publication Number Publication Date
CN111291995A CN111291995A (zh) 2020-06-16
CN111291995B true CN111291995B (zh) 2024-02-23

Family

ID=71030050

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010095087.0A Active CN111291995B (zh) 2020-02-14 2020-02-14 一种基于moea的生产线设备资源优化配置方法及装置

Country Status (1)

Country Link
CN (1) CN111291995B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112561366A (zh) * 2020-12-22 2021-03-26 珠海格力电器股份有限公司 对象匹配方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104111642A (zh) * 2014-06-11 2014-10-22 华中科技大学 设备预防性维护与柔性作业车间控制集成优化方法
CN108646552A (zh) * 2018-04-16 2018-10-12 杭州电子科技大学信息工程学院 基于遗传算法的天然气分布式能源机组参数的多目标优化方法
CN108846502A (zh) * 2018-04-27 2018-11-20 中车青岛四方机车车辆股份有限公司 车间生产线布局优化方法及装置
CN110782085A (zh) * 2019-10-23 2020-02-11 武汉晨曦芸峰科技有限公司 一种铸造生产调度方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9373960B2 (en) * 2013-03-13 2016-06-21 Oracle International Corporation Computerized system and method for distributed energy resource scheduling
US10474952B2 (en) * 2015-09-08 2019-11-12 The Aerospace Corporation Systems and methods for multi-objective optimizations with live updates

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104111642A (zh) * 2014-06-11 2014-10-22 华中科技大学 设备预防性维护与柔性作业车间控制集成优化方法
CN108646552A (zh) * 2018-04-16 2018-10-12 杭州电子科技大学信息工程学院 基于遗传算法的天然气分布式能源机组参数的多目标优化方法
CN108846502A (zh) * 2018-04-27 2018-11-20 中车青岛四方机车车辆股份有限公司 车间生产线布局优化方法及装置
CN110782085A (zh) * 2019-10-23 2020-02-11 武汉晨曦芸峰科技有限公司 一种铸造生产调度方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴沧浦等.最优控制的理论与方法 第3版.国防工业出版,2013,第293-298页. *
考虑学习曲线的精益生产制造系统双重资源配置方法;肖倩乔等;《计算机集成制造系统》;20161231;第22卷(第12期);第2800-2808页 *

Also Published As

Publication number Publication date
CN111291995A (zh) 2020-06-16

Similar Documents

Publication Publication Date Title
Soares et al. Two-stage stochastic model using benders’ decomposition for large-scale energy resource management in smart grids
Rahmani-Andebili et al. Cooperative distributed energy scheduling for smart homes applying stochastic model predictive control
Wu et al. An improved multi-objective evolutionary algorithm based on decomposition for solving re-entrant hybrid flow shop scheduling problem with batch processing machines
Khezri et al. A sustainable reconfigurable manufacturing system designing with focus on environmental hazardous wastes
CN112736918B (zh) 微电网中源储荷协调的两级优化调度方法、装置及设备
CN105373845A (zh) 制造企业车间的混合智能调度优化方法
CN111291995B (zh) 一种基于moea的生产线设备资源优化配置方法及装置
CN108596375B (zh) 一种装备制造业物料需求方案设计方法及系统
CN114897379A (zh) 一种基于信息反馈的动态生产计划排程系统及方法
CN114626745B (zh) 一种排产计划生成方法、系统、介质及电子终端
Yue et al. Hybrid Pareto artificial bee colony algorithm for multi-objective single machine group scheduling problem with sequence-dependent setup times and learning effects
CN110991732B (zh) 一种基于能耗聚类的建材装备制造过程优化调度方法
Zhang et al. Improved vector evaluated genetic algorithm with archive for solving multiobjective pps problem
CN108767854A (zh) 购电方案优化方法、装置以及电子设备
CN112700109A (zh) 一种订单生产顺序优化方法、系统、设备及可读存储介质
Li et al. Research on dynamic multi-objective fjsp based on genetic algorithm
Wang et al. A multi-objective cuckoo search algorithm based on the record matrix for a mixed-model assembly line car-sequencing problem
Zhou et al. A novel application of PSO algorithm to optimize the disassembly equipment layout of ELV
Mo et al. Coordinating flexible loads via optimization in the majorization order
CN115360768A (zh) 基于muzero和深度强化学习的电力调度方法、装置及存储介质
Yan et al. Flexible Job-Shop Scheduling with Setups and Variable Sublots
CN114021950A (zh) 电力物资需求分配方法、装置、终端设备及存储介质
CN109902851A (zh) 一种生产计划的确定方法以及装置
Ma et al. Task Allocation Method of Multi-Logistics Robots Based on Autoencoder-Embedded Genetic Algorithm
Yang et al. Preference-based adaptive genetic algorithm for multiobjective advanced planning and 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
GR01 Patent grant
GR01 Patent grant