CN111461459A - 断路器数字制造孪生车间的动态重调度预测方法及系统 - Google Patents
断路器数字制造孪生车间的动态重调度预测方法及系统 Download PDFInfo
- Publication number
- CN111461459A CN111461459A CN202010330590.XA CN202010330590A CN111461459A CN 111461459 A CN111461459 A CN 111461459A CN 202010330590 A CN202010330590 A CN 202010330590A CN 111461459 A CN111461459 A CN 111461459A
- Authority
- CN
- China
- Prior art keywords
- workshop
- breaker
- rescheduling
- dynamic
- prediction
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 105
- 238000003780 insertion Methods 0.000 claims abstract description 70
- 230000037431 insertion Effects 0.000 claims abstract description 70
- 238000013178 mathematical model Methods 0.000 claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 abstract description 16
- 238000005265 energy consumption Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 35
- 230000006870 function Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 7
- 238000012163 sequencing technique Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000035772 mutation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 239000012636 effector Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000003466 welding 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- 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
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Microelectronics & Electronic Packaging (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
本发明提供一种断路器数字制造孪生车间的动态重调度预测方法,包括建立断路器数字制造孪生车间系统;确定基于插单事件的断路器车间生产动态重调度数学模型,并基于时间窗口设置和订单查询的预测机制,对断路器数字制造孪生车间系统的孪生数据进行插单事件相关信息预测,且进一步通过预测的插单事件相关信息来更新断路器车间生产动态重调度数学模型;基于更新后的断路器车间生产动态重调度数学模型,构建以生产效率和设备能耗为多目标优化的断路器车间动态重调度预测模型,且进一步采用多目标回溯搜索优化算法,对断路器车间动态重调度预测模型求最优解,进而得到最终的动态重调度预测方案。实施本发明,能提升断路器制造车间面向动态插单事件的重调度响应效率,从而优化生产。
Description
技术领域
本发明涉及断路器制造车间数字建模技术领域,尤其涉及一种断路器数字制造孪生车间的动态重调度预测方法及系统。
背景技术
断路器是配电网中重要的保护性设备,广泛应用于电力、石油、化工、建筑等国民经济的各个领域,其保护特性在维护电网稳定运行、确保人身和财产安全方面具有重要作用。断路器制造车间一般采取批量式作业模式,具有生产快速、质量高、一致性好的特点。然而,由于工艺和制造过程不同,完整的断路器批量式作业模式流程较长,包括上料、磁系统/热系统焊接、装配、瞬时/延时特性测试、视觉检测等超过30道工艺过程,当遭遇插单、撤单等动态事件时,存在响应慢、效率低、生产紊乱等问题,需要针对性地制定动态重调度预测方案,优化生产。
现有的车间动态调度方法,主要可划分为三种:鲁棒调度、完全反应调度和重调度。其中,鲁棒调度是在调度过程中,充分考虑车间生产过程中将会发生的动态事件,生成具有一定鲁棒性的调度方案的方法;完全反应调度是依据当前系统状态和局部信息做出实时的调度,也称为在线调度或实时调度;重调度是依据一定的驱动响应机制,对调度方案进行相应的修改和重做,以实现对动态扰动因素的响应。
上述调度方法能在一定程度上取得效益,但这些方法都采用事件后的处置方法,即当动态事件发生以后,通过数据采集、计算、反馈等方式对动态事件进行处理,进而重新安排生产。由于数据采集、计算和反馈等环节需要耗费较多时间,使得方案制定的效率及其实时性问题往往无法真实反应生产车间当前的工况及其生产状态,因此对重调度方案的制定和执行有较大影响。尤其是对于批量式作业车间,生产工况快速发生变化,重调度方案的效率和实时性对于优化配置生产的局限性较明显。
因此,亟需一种车间动态重调度预测方法,用于断路器数字制造孪生车间上,能提升断路器车间面向动态插单事件的重调度响应效率,从而优化生产。
发明内容
本发明实施例所要解决的技术问题在于,提供一种断路器数字制造孪生车间的动态重调度预测方法及系统,对动态插单等扰动事件进行事件前的预测处置方式,能提升车间重调度响应效率,优化生产。
为了解决上述技术问题,本发明实施例提供了一种断路器数字制造孪生车间的动态重调度预测方法,所述方法包括以下步骤:
步骤S1、对断路器车间进行多粒度映射建模、运动控制及场景优化,建立断路器数字制造孪生车间系统;
步骤S2、确定基于插单事件的断路器车间生产动态重调度数学模型,并基于时间窗口设置和订单查询的预测机制,在所述断路器数字制造孪生车间系统提供的实时孪生数据上进行插单事件时间及内容预测,且进一步通过所预测的插单事件时间及内容来更新所述断路器车间生产动态重调度数学模型;
步骤S3、基于更新后的断路器车间生产动态重调度数学模型,采用多目标回溯搜索优化算法,结合随机键编码和插入式解码方法,在分布式计算平台中进行对该断路器车间生产动态重调度数学模型的高效求解,进而得到的最优的动态重调度预测方案。
其中,所述对断路器车间进行多粒度映射建模、运动控制及场景优化的步骤具体为:
对断路器车间进行车间几何纹理建模、车间层级关系建模、车间设备动作建模、车间语义建模、车间运动控制和车间场景优化。
其中,所述基于插单事件的断路器车间生产动态重调度数学模型是基于预设定义的断路器车间生产动态调度规则自动更新生成的;其中,
所述断路器车间生产动态调度规则具体为,首先生成并执行初始调度方案,若插单事件到达或搜寻到未来更优调度方案,则解码并执行对应的重调度方案,且进一步重新进行重调度预测;若插单事件未到达且未搜寻到未来更优调度方案,则基于时间窗口内的预测时刻的变动进行相应的重调度预测,直到车间生产作业停止。
其中,所述插单事件时间预测是基于时间窗口设置来实现的;所述插单事件形式预测是基于订单查询方法来实现的。
其中,所述时间窗口设置的步骤具体为:
将断路器车间作业时间分为若干预测时刻,并在实时断路器生产作业时获取未来一段时间内的所有预测时刻作为动态插单事件所发生的时间。
其中,所述订单查询方法的步骤具体为:
逐一查询所有未来可能插入的标准采购订单事件,分别生成无新订单插入和有新订单J1~Jn插入的n+1种工况;其中,设置无新订单插入工况是为了在无插单事件发生时实时优化车间后续的生产作业;设置新订单插入工况是为了对各订单插入后的重调度方案进行优化预测。
本发明实施例还提供了一种断路器数字制造孪生车间的动态重调度预测系统,包括车间系统构建单元、动态重调度数学模型构建及更新单元和动态重调度方案求解单元;其中,
车间系统构建单元,用于对断路器车间进行多粒度映射建模、运动控制及场景优化,建立断路器数字制造孪生车间系统;
动态重调度数学模型构建及更新单元,用于确定基于插单事件的断路器车间生产动态重调度数学模型,并基于时间窗口设置和订单查询的预测机制,在所述断路器数字制造孪生车间系统提供的实时孪生数据上进行插单事件时间及内容预测,且进一步通过所预测的插单事件时间及内容来更新所述断路器车间生产动态重调度数学模型;
动态重调度方案求解单元,用于基于更新后的断路器车间生产动态重调度数学模型,采用多目标回溯搜索优化算法,结合随机键编码和插入式解码方法,在分布式计算平台中进行对该断路器车间生产动态重调度数学模型的高效求解,进而得到的最优的动态重调度预测方案。
其中,所述基于插单事件的断路器车间生产动态重调度数学模型是基于预设定义的断路器车间生产动态调度规则自动更新生成的。
其中,所述插单事件时间预测是基于时间窗口设置来实现的;所述插单事件形式预测是基于订单查询方法来实现的。
实施本发明实施例,具有如下有益效果:
本发明基于时间窗口设置和订单查询的车间重调度预测机制,预测车间未来时间段可能发生动态插单事件的时间及内容,并采用插单事件前的处置方式对断路器数字制造孪生车间进行动态重调度预测,能提升断路器车间面向动态插单事件的重调度响应效率,从而优化生产。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的一种断路器数字制造孪生车间的动态重调度预测方法的流程图;
图2为图1中步骤S1内的断路器数字制造孪生车间搭建的流程图;
图3为图1中步骤S2内的断路器车间生产动态调度规则的流程图;
图4为图1中步骤S2内的断路器车间动态重调度预测机制的流程图;
图5为图1中步骤S2内的基于时间窗口设置的时间预测示意图;
图6为图1中步骤S2内的基于订单查询的形式预测示意图;
图7a~7g为本发明实施例提供的一种断路器数字制造孪生车间的动态重调度预测方法的应用场景图;
图8为本发明实施例提供的一种断路器数字制造孪生车间的动态重调度预测系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图3所示,为本发明实施例中,提供的一种断路器数字制造孪生车间的动态重调度预测方法,所述方法包括以下步骤:
步骤S1、对断路器车间进行多粒度映射建模、运动控制及场景优化,建立断路器数字制造孪生车间系统;
具体过程为,断路器制造车间包括了机器人、单元箱体、物流系统、产品等对象,通过多台装有多功能末端执行器的机器人及其控制系统,将断路器多种零件装配至对应的断路器壳体中,进行对多型号小型断路器的柔性、批量化装配生产。由于断路器车间重调度预测过程需要车间实时数据,因此需要搭建对应的断路器数字孪生车间系统。
该断路器数字制造孪生车间系统通过对断路器车间进行多粒度映射建模、运动控制及场景优化等方式来搭建的,具体为,对断路器车间进行车间几何纹理建模、车间层级关系建模、车间设备动作建模、车间语义建模、车间运动控制和车间场景优化,如图2所示。在该断路器数字制造孪生车间系统中,可通过人机交互设备,自由地观看真实车间所映射的实时虚拟装配动作,同时还可以通过观看数据仪表盘,及时获知设备运行状态、计划装配数量、计划达成率、设备综合效率、设备能耗等信息。应当说明的是,断路器数字制造孪生车间的孪生数据是动态重调度的基本驱动信号。
步骤S2、确定基于插单事件的断路器车间生产动态重调度数学模型,并基于时间窗口设置和订单查询的预测机制,在所述断路器数字制造孪生车间系统提供的实时孪生数据上进行插单事件时间及内容预测,且进一步通过所预测的插单事件时间及内容来更新所述断路器车间生产动态重调度数学模型;
具体过程为,首先,在该断路器数字孪生车间的基础上,为了实现对动态插单事件的重调度预测,设计了插单事件的断路器车间生产动态重调度数学模型,该断路器车间生产动态重调度数学模型是基于预设定义的断路器车间生产动态调度规则自动更新生成的。
如图3所示,断路器车间生产动态调度规则具体为,首先生成并执行初始调度方案,若插单事件到达或搜寻到未来更优调度方案,则解码并执行对应的重调度方案,且进一步重新进行重调度预测;若插单事件未到达且未搜寻到未来更优调度方案,则基于时间窗口内的预测时刻的变动进行相应的重调度预测,直到车间生产作业停止。其中,调度方案过期是指该预测方案对应的插单事件发生时间小于车间当前时间,再无应用价值;执行重调度方案前,需要依据插单事件发生的时间,对其进行解码,而不是直接执行算法优化过程中的调度方案,是因为预测插单事件发生的时间与真实插单事件发生的时间可能存在一定的偏差。
其次,为了在孪生数据的基础上进行车间重调度预测,提出如图4所示的重调度预测机制,执行对应的重调度预测过程,具体步骤如下:
在开始重调度预测时,首先获取孪生数据,并分别通过时间窗口设置和订单查询方法,依次进行插单事件时间和形式的预测。然后,通过所预测的插单事件时间和形式进行断路器车间生产动态重调度数学模型的更新;其中,插单事件时间预测是基于时间窗口设置来实现的;插单事件形式预测是基于订单查询方法来实现的。
应当说明的是,时间窗口设置的步骤具体为:将断路器车间作业时间分为若干预测时刻,并在实时断路器生产作业时获取未来一段时间内的所有预测时刻作为动态插单事件所发生的时间。订单查询方法的步骤具体为:逐一查询所有未来可能插入的标准采购订单事件,分别生成无新订单插入和有新订单J1~Jn插入的n+1种工况;其中,设置无新订单插入工况是为了在无插单事件发生时实时优化车间后续的生产作业;设置新订单插入工况是为了对各订单插入后的重调度方案进行优化预测。
如图5所示,基于时间窗口设置的时间预测方法,对断路器车间插单时间进行预测,设有三台机器M1~M3参与生产,若干预测时刻t0~t30、若干工序、当前时间线lr、时间窗口的上阈时间线lm、预测时刻对应的时间线lp1、lp2和绿色区域的时间窗口,其中各元素的作用和特性如下:
1)预测时刻t0~t30是为了实现对插单事件的发生时间进行近似预测的时刻,且相邻时刻之间的差值Δt会影响预测精度、计算机负载和算法求解质量;
2)当前时间线lr是车间当前时间对应的线;
3)时间线lm是为了对插单事件进行预测而设定的时间线,且lr与lm之间的区域代表用于预测的时间窗口,在进行预测调度时需要对时间窗口中所有预测时刻进行重调度预测;
4)lp1和lp2分别为时间窗口内的两个预测时刻对应的时间线,且调度平台会以这两条时间线对应的时刻tp1和tp2作为动态事件发生的近似时刻,从而进行相应的预测计算。
因此,以时间窗口内的预测时刻为动态插单事件的发生时间,可以实现对插单事件的时间的预测。
如图6所示,基于订单查询的形式预测方法,对断路器车间插单内容进行预测。该订单查询方法主要基于断路器作业车间发生订单变化的特点:订单之间的内容区别较小,所包含的工件型号、产品数量等信息相对固定。订单查询的主要方法为:逐一查询所有未来可能插入的标准采购订单事件,分别生成无新订单插入和有新订单J1~Jn插入的n+1种工况;其中,设置无新订单插入工况是为了在无插单事件发生时实时优化车间后续的生产作业;设置新订单插入工况是为了对各订单插入后的重调度方案进行优化预测。
步骤S3、基于更新后的断路器车间生产动态重调度数学模型,采用多目标回溯搜索优化算法,结合随机键编码和插入式解码方法,在分布式计算平台中进行对该断路器车间生产动态重调度数学模型的高效求解,进而得到的最优的动态重调度预测方案。动态重调度数学模型具体过程为,依据断路器作业车间实时工况和动态订单变化进行重调度预测问题的本质,是实现对工序分配和工序排序的优化求解。并在此基础上,通过解码获取各工序在各机器人单元上的开始时间和结束时间,从而获取真实断路器车间作业调度方案。因此基于更新后的断路器车间生产动态重调度数学模型,构建以生产效率和设备能耗为多目标优化的断路器车间动态重调度预测模型,并采用多目标回溯搜索优化算法,对断路器制造孪生车间的动态重调度预测问题进行求解,共包括种群初始化、选择I、变异、交叉和选择II一共五个步骤,分别表述为:
(1)种群初始化
首先进行种群初始化操作,以获得历史种群oldP和当前种群P。其中,历史种群是用于确定每次迭代进化过程搜索方向的种群,用于实现回溯搜索操作,从而提高算法的全局收敛性能;当前种群是算法迭代过程中的实时种群,通过交叉、变异、选择等操作,实现对小型断路器柔性作业车间调度方案的优化搜寻,并通过精英保留策略实现优质小型断路器柔性作业调度方案的记忆。种群初始化的方法表示为如下:
Pr,s~U(lows,ups) (1)
oldPr,s~U(lows,ups) (2)
在方程(1)和(2)中,满足r=1,2,3,...,R和s=1,2,3,...,S,且在小型断路器柔性作业车间重调度方式预测问题中,R表示种群规模,S表示车间待调度工序数量;lows和ups分别表示第s个工序编码的下界和上界,且满足lows=0,ups=1;U表示均匀分布函数。其中,种群和历史种群个体的编码均采用随机键的方法,实现对基于车间调度的工序排序和工序分配的两段式编码。
(2)选择I
选择I算子主要用于确定每次迭代过程中的历史种群oldP,共包括两个步骤:第一个步骤是通过对比随机数来实现回溯操作;第二个步骤是通过随机扰动历史种群,提高算法的全局收敛性。选择I算子的公式表示为如下:
oldP:=permutting(oldP) (4)
其中,“:=”是赋值操作;a和b是两个服从U(0,1)均匀分布的随机变量;permutting是随机洗牌函数,用于随机扰乱历史种群中各柔性作业车间调度方案编码的排序。
(3)变异
变异算子主要用于生成实验种群T的最初形态,分别包含了对工序分配和工序排序的变异,其公式表示为如下:
Mutant=P+F·(oldP-P) (5)
其中,F=3·rndn是方向决定矩阵(oldP-P)的幅度控制函数,且rndn是服从标准正态分布的随机数;
(4)交叉
交叉算子主要用于生成实验种群T的最终形态,而实验种群T的初始形态为变异算子所产生的Mutant。交叉算子主要分为两个步骤,且第一个步骤是搭建维度为R×S的二进制整数值映射矩阵map,该映射矩阵map的计算公式表示为如下:
map1:R,1:S=1 (6)
其中,a和b是符合U(0,1)分布的随机数;mixrate是交叉概率,也是该算法中唯一需要设定的寻优参数,可取mixrate=1;randi(D)表示在[0,D]上均匀分布的随机取整函数。u=permutting(<1,2,3,...,D>)是随机排序的整数向量。
第二个步骤是以映射矩阵map为引导,完成实验种群T的搭建。将当前种群个体Pi,j和Mutant的工序分配编码和工序排序编码通过方程(8)选择性地映射在实验种群的个体上,并通过方程(9)的边界控制策略,以实现搜索空间的设定,其公式表示为如下:
其中,方程(8)用于完成实验种群T的构建,方程(9)用于对工序分配随机键和工序排序随机键的搜索边界设定,且rnd为服从U(0,1)均匀分布的随机数。
(5)选择II
在选择II算子中,主要是通过对当前种群P和实验种群T中的个体进行加权目标函数(即最大完工时间和设备能耗)的比较,实现对小型断路器柔性作业车间的多目标优化调度。同时,选择II算子还通过精英保留策略,实现对优质个体的记忆,其公式表示为如下:
其中,Pr代表当前种群P的第r个个体,Tr代表实验种群T的第r个个体,F代表使用方程(11)计算出来的加权目标函数。同时,方程(12)表示车间调度方案的最大完工时间的计算方法;方程(13)代表车间调度方案的设备能耗的计算方法;方程(14)代表各机器的闲置时间的计算方法。在这些方程中,β1、β2代表目标函数的加权系数;Dihjk代表工序Qihj在机器k上的结束时间;Uk代表机器人Mk的闲置功率;Xihjk为0-1变量,且如果断路器工序Qihj被分配在机器人k上,则Xihjk=1;否则Xihjk=0;Tijk为断路器i的工序j在机器k上的工作时间;Ni为断路器Ji各批次对应的断路器数量;SMk代表机器Mk可开始工作的最早时间,由车间孪生数据确定;Bi代表断路器Ji的批次总数;SPih、EPih分别为批次Hih的开始工序号和结束工序号。
F=min(β1×f1+β2×f2),β1,β2∈(0,1) (11)
为了计算方程(11)-(14),还需对断路器车间调度方案进行解码,以获取真实车间作业调度方案。
本发明实施例直接采用作业车间调度的插入式解码方法,对工序排序和工序分配进行解码。在获取工序分配和工序排序之后,还需对问题进行解码,以获取最终车间作业调度方案。插入式解码步骤为:逐一获取工序排序对应的各工序,并依照工序分配方案,将其插至该机器人单元上第一个可行的间隔中;若不存在这些可行的间隔,则将该工序插至该机器已分配的最后一个工序结束时刻后面。
如图7a~图7g所示,将本发明实施例中的断路器数字制造孪生车间的动态重调度预测方法实施于实际车间作业,并采用分布式计算的思想,通过多个下位机并行优化,进一步提高断路器数字制造孪生车间的动态重调度预测的效率。
此时,分别设定参数:断路器批次数量Ni、作业时间Tijk、作业功率Pijk、机器人闲置功率Uk、算法交叉率、算法变异率、种群规模、加权系数β1/β2、时间窗口的长度、预测时间间隔等。
在车间实验过程的初始时刻时,该车间的生产订单状态为:4台机器人M1~M4,4种断路器J1~J4各一批。随着车间作业的进行,该车间发生了以下事件:
1)该车间在时刻t=0s时,车间生成并执行了如图7a所示的初始调度方案;
2)该车间在时刻t=645s时,插入了一个断路器J6的订单,并实时执行了如图7b所示的重调度方案;
3)该车间在时刻t=832s时,调度平台搜寻到了更优的调度作业方案,并实时执行了如图7c所示的重调度方案;
4)该车间在时刻t=1246s时,插入了一个断路器J3的订单,并实时执行了如图7d所示的重调度方案;
5)该车间在时刻t=1572s时,调度平台搜寻到了更优的调度作业方案,并实时执行了如图7e所示的重调度方案;
6)该车间在时刻t=1985s时,插入了一个断路器J5的订单,并实时执行了如图7f所示的重调度方案;
7)该车间在时刻t=2179s时,调度平台搜寻到了更优的调度作业方案,并实时执行了如图7g所示的重调度方案。
以上对插单事件的响应和执行更优重调度方案是依据如图1所示的车间生产调度规则,记录其过程得到:图7b过程的重调度响应时间为62.4ms;图7c过程的重调度响应时间为17.2ms;图7d过程的重调度响应时间为71.7ms;图7e过程的重调度响应时间为19.8ms;图7f过程的重调度响应时间为69.6ms;图7g过程的重调度响应时间为18.1ms。由此可见采用本发明提出的重调度预测方法能快速、有效地响应动态插单事件,且其响应时间约为可以忽略的几十微秒。
采用该动态重调度方法计算出的断路器作业车间调度方案的最大完工时间为5130s,设备能耗为10.9kwh。而该车间采用传统的基于周期性重调度方法计算出的作业车间调度方案的最大完工时间为4158s,设备能耗为10.0kwh。该动态重调度预测方法通过快速、有效地重调度决策,并不断地优化当前调度方案,使得最大完工时间降低了18.9%,设备能耗降低了9.0%。
如图8所示,为本发明实施例中,提供的一种断路器数字制造孪生车间的动态重调度预测系统,包括车间系统构建单元110、动态重调度数学模型构建及更新单元120和动态重调度方案求解单元130;其中,
车间系统构建单元110,用于对断路器车间进行多粒度映射建模、运动控制及场景优化,建立断路器数字制造孪生车间系统;
动态重调度数学模型构建及更新单元120,用于确定基于插单事件的断路器车间生产动态重调度数学模型,并基于时间窗口设置和订单查询的预测机制,在所述断路器数字制造孪生车间系统提供的实时孪生数据上进行插单事件时间及内容预测,且进一步通过所预测的插单事件时间及内容来更新所述断路器车间生产动态重调度数学模型;
动态重调度方案求解单元130,用于基于更新后的断路器车间生产动态重调度数学模型,构建以生产效率和设备能耗为多目标优化的断路器车间动态重调度预测模型,且进一步采用多目标回溯搜索优化算法,对所述断路器车间动态重调度预测模型求最优解,进而得到的最优的动态重调度方案。
其中,所述基于插单事件的断路器车间生产动态重调度数学模型是基于预设定义的断路器车间生产动态调度规则自动更新生成的。
其中,所述插单事件时间预测是基于时间窗口设置来实现的;所述插单事件形式预测是基于订单查询方法来实现的。
实施本发明实施例,具有如下有益效果:
本发明基于时间窗口设置和订单查询的车间重调度预测机制,预测车间未来时间段可能发生动态插单事件的时间及内容,并采用插单事件前的处置方式对断路器数字制造孪生车间进行动态重调度预测,提升断路器车间面向动态插单事件的重调度响应效率,从而优化生产。
值得注意的是,上述系统实施例中,所包括的各个系统单元只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (9)
1.一种断路器数字制造孪生车间的动态重调度预测方法,其特征在于,所述方法包括以下步骤:
步骤S1、对断路器车间进行多粒度映射建模、运动控制及场景优化,建立断路器数字制造孪生车间系统;
步骤S2、确定基于插单事件的断路器车间生产动态重调度数学模型,并基于时间窗口设置和订单查询的预测机制,在所述断路器数字制造孪生车间系统提供的实时孪生数据上进行插单事件时间及内容预测,且进一步通过所预测的插单事件时间及内容来更新所述断路器车间生产动态重调度数学模型;
步骤S3、基于更新后的断路器车间生产动态重调度数学模型,采用多目标回溯搜索优化算法,结合随机键编码和插入式解码方法,在分布式计算平台中进行对该断路器车间生产动态重调度数学模型的高效求解,进而得到的最优的动态重调度预测方案。
2.如权利要求1所述的断路器数字制造孪生车间的动态重调度预测方法,其特征在于,所述对断路器车间进行多粒度映射建模、运动控制及场景优化的步骤具体为:
对断路器车间进行车间几何纹理建模、车间层级关系建模、车间设备动作建模、车间语义建模、车间运动控制和车间场景优化。
3.如权利要求1所述的断路器数字制造孪生车间的动态重调度预测方法,其特征在于,所述基于插单事件的断路器车间生产动态重调度数学模型是基于预设定义的断路器车间生产动态调度规则自动更新生成的;其中,
所述断路器车间生产动态调度规则具体为,首先生成并执行初始调度方案,若插单事件到达或搜寻到未来更优调度方案,则解码并执行对应的重调度方案,且进一步重新进行重调度预测;若插单事件未到达且未搜寻到未来更优调度方案,则基于时间窗口内的预测时刻的变动进行相应的重调度预测,直到车间生产作业停止。
4.如权利要求1所述的断路器数字制造孪生车间的动态重调度预测方法,其特征在于,所述插单事件时间预测是基于时间窗口设置来实现的;所述插单事件形式预测是基于订单查询方法来实现的。
5.如权利要求4所述的断路器数字制造孪生车间的动态重调度预测方法,其特征在于,所述时间窗口设置的步骤具体为:
将断路器车间作业时间分为若干预测时刻,并在实时断路器生产作业时获取未来一段时间内的所有预测时刻作为动态插单事件所发生的时间。
6.如权利要求4所述的断路器数字制造孪生车间的动态重调度预测方法,其特征在于,所述订单查询方法的步骤具体为:
逐一查询所有未来可能插入的标准采购订单事件,分别生成无新订单插入和有新订单J1~Jn插入的n+1种工况;其中,设置无新订单插入工况是为了在无插单事件发生时实时优化车间后续的生产作业;设置新订单插入工况是为了对各订单插入后的重调度方案进行优化预测。
7.一种断路器数字制造孪生车间的动态重调度预测系统,其特征在于,包括车间系统构建单元、动态重调度数学模型构建及更新单元和动态重调度方案求解单元;其中,
车间系统构建单元,用于对断路器车间进行多粒度映射建模、运动控制及场景优化,建立断路器数字制造孪生车间系统;
动态重调度数学模型构建及更新单元,用于确定基于插单事件的断路器车间生产动态重调度数学模型,并基于时间窗口设置和订单查询的预测机制,在所述断路器数字制造孪生车间系统提供的实时孪生数据上进行插单事件时间及内容预测,且进一步通过所预测的插单事件时间及内容来更新所述断路器车间生产动态重调度数学模型;
动态重调度方案求解单元,用于基于更新后的断路器车间生产动态重调度数学模型,采用多目标回溯搜索优化算法,结合随机键编码和插入式解码方法,在分布式计算平台中进行对该断路器车间生产动态重调度数学模型的高效求解,进而得到的最优的动态重调度预测方案。
8.如权利要求7所述的断路器数字制造孪生车间的动态重调度预测系统,其特征在于,所述基于插单事件的断路器车间生产动态重调度数学模型是基于预设定义的断路器车间生产动态调度规则自动更新生成的。
9.如权利要求8所述的断路器数字制造孪生车间的动态重调度预测系统,其特征在于,所述插单事件时间预测是基于时间窗口设置来实现的;所述插单事件形式预测是基于订单查询方法来实现的。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010330590.XA CN111461459B (zh) | 2020-04-24 | 2020-04-24 | 断路器数字制造孪生车间的动态重调度预测方法及系统 |
US17/015,032 US20210334428A1 (en) | 2020-04-24 | 2020-09-08 | Method for prediction of dynamic rescheduling with digital twin workshop for circuit breaker and system using the same |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010330590.XA CN111461459B (zh) | 2020-04-24 | 2020-04-24 | 断路器数字制造孪生车间的动态重调度预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461459A true CN111461459A (zh) | 2020-07-28 |
CN111461459B CN111461459B (zh) | 2023-06-30 |
Family
ID=71683803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010330590.XA Active CN111461459B (zh) | 2020-04-24 | 2020-04-24 | 断路器数字制造孪生车间的动态重调度预测方法及系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20210334428A1 (zh) |
CN (1) | CN111461459B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270508A (zh) * | 2020-11-25 | 2021-01-26 | 东北大学 | 一种满足个性化定制生产的数字孪生智慧云调度方法 |
CN112926792A (zh) * | 2021-03-19 | 2021-06-08 | 重庆大学 | 基于滚动时间窗的焊接车间订单变更动态调度方法及系统 |
CN113406941A (zh) * | 2021-08-19 | 2021-09-17 | 领伟创新智能系统(浙江)有限公司 | 基于仿真的双目标并行机开放车间自适应动态调度方法 |
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 |
CN113962470A (zh) * | 2021-10-29 | 2022-01-21 | 上海新科乾物联技术有限公司 | 一种基于扰动预测的优化排产方法和系统 |
CN115114268A (zh) * | 2022-06-30 | 2022-09-27 | 北京亚控科技发展有限公司 | 一种组织未来状态孪生方法、装置及设备 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116149192B (zh) * | 2023-04-14 | 2023-06-30 | 山西联创新港信息科技有限公司 | 基于数字孪生技术的传输机润滑策略控制方法及装置 |
CN116777192B (zh) * | 2023-08-23 | 2023-12-08 | 成都飞机工业(集团)有限责任公司 | 一种装配生产线动态排程方法 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030109950A1 (en) * | 2000-03-31 | 2003-06-12 | International Business Machines Corporation | Methods and systems for planning operations in manufacturing plants |
JP2006048088A (ja) * | 2004-07-30 | 2006-02-16 | Ns Solutions Corp | スケジューリングシステム及びスケジューリング方法 |
JP2010257383A (ja) * | 2009-04-28 | 2010-11-11 | Kobe Steel Ltd | スケジューリング方法及びスケジューリングプログラム、並びにスケジューリングシステム |
KR20120076636A (ko) * | 2010-12-08 | 2012-07-09 | 한국타이어 주식회사 | 현장변동을 반영한 타이어 생산계획 자동 재수립 시스템 |
CN102609805A (zh) * | 2012-01-16 | 2012-07-25 | 浙江工业大学 | 一种基于改进遗传算法的解决复杂生产环境下作业车间调度控制方法 |
KR20120133362A (ko) * | 2011-05-31 | 2012-12-10 | (주)브이엠에스 솔루션스 | 로딩 시뮬레이션 기반 동적 피드백 스케줄링 알고리즘을 장착한 최적화된 생산 스케줄링 시스템 |
CN103955754A (zh) * | 2014-04-16 | 2014-07-30 | 江南大学 | 基于实时生产数据采集的模具车间调度方法 |
CN104268722A (zh) * | 2014-10-20 | 2015-01-07 | 南京信息工程大学 | 基于多目标进化算法的动态柔性作业车间调度方法 |
EP3151075A1 (en) * | 2015-09-29 | 2017-04-05 | Siemens Aktiengesellschaft | Method, digital tool and automation device for managing and operating job shop type of production within the infrastructure of a plant |
CN107065803A (zh) * | 2017-05-15 | 2017-08-18 | 安徽工程大学 | 基于可变重调度区间的柔性作业车间动态调度方法 |
CN109359884A (zh) * | 2018-10-31 | 2019-02-19 | 南京航空航天大学 | 航空复杂装备结构件车间作业计划及重调度方法 |
CN109657354A (zh) * | 2018-12-20 | 2019-04-19 | 华中科技大学 | 一种基于数字孪生的混流装配车间快速重构方法及系统 |
US20190130260A1 (en) * | 2017-10-30 | 2019-05-02 | DoorDash, Inc. | System for dynamic estimated time of arrival predictive updates |
US20190227533A1 (en) * | 2018-01-19 | 2019-07-25 | Industrial Technology Research Institute | Method and apparatus for dynamic intelligent scheduling |
CN110059908A (zh) * | 2019-01-23 | 2019-07-26 | 渤海大学 | 基于自适应遗传算法的新工件重调度优化方法 |
WO2020007016A1 (zh) * | 2018-07-05 | 2020-01-09 | 长安大学 | 一种基于数字孪生的智能车间自治生产过程动态联动控制方法 |
CN110850818A (zh) * | 2019-10-21 | 2020-02-28 | 温州大学 | 一种实现断路器自动化装配车间的数字孪生建模的方法 |
CN110989507A (zh) * | 2019-11-02 | 2020-04-10 | 温州大学 | 一种断路器自动化检测生产数字孪生车间生成装置 |
-
2020
- 2020-04-24 CN CN202010330590.XA patent/CN111461459B/zh active Active
- 2020-09-08 US US17/015,032 patent/US20210334428A1/en not_active Abandoned
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030109950A1 (en) * | 2000-03-31 | 2003-06-12 | International Business Machines Corporation | Methods and systems for planning operations in manufacturing plants |
JP2006048088A (ja) * | 2004-07-30 | 2006-02-16 | Ns Solutions Corp | スケジューリングシステム及びスケジューリング方法 |
JP2010257383A (ja) * | 2009-04-28 | 2010-11-11 | Kobe Steel Ltd | スケジューリング方法及びスケジューリングプログラム、並びにスケジューリングシステム |
KR20120076636A (ko) * | 2010-12-08 | 2012-07-09 | 한국타이어 주식회사 | 현장변동을 반영한 타이어 생산계획 자동 재수립 시스템 |
KR20120133362A (ko) * | 2011-05-31 | 2012-12-10 | (주)브이엠에스 솔루션스 | 로딩 시뮬레이션 기반 동적 피드백 스케줄링 알고리즘을 장착한 최적화된 생산 스케줄링 시스템 |
CN102609805A (zh) * | 2012-01-16 | 2012-07-25 | 浙江工业大学 | 一种基于改进遗传算法的解决复杂生产环境下作业车间调度控制方法 |
CN103955754A (zh) * | 2014-04-16 | 2014-07-30 | 江南大学 | 基于实时生产数据采集的模具车间调度方法 |
CN104268722A (zh) * | 2014-10-20 | 2015-01-07 | 南京信息工程大学 | 基于多目标进化算法的动态柔性作业车间调度方法 |
EP3151075A1 (en) * | 2015-09-29 | 2017-04-05 | Siemens Aktiengesellschaft | Method, digital tool and automation device for managing and operating job shop type of production within the infrastructure of a plant |
CN107065803A (zh) * | 2017-05-15 | 2017-08-18 | 安徽工程大学 | 基于可变重调度区间的柔性作业车间动态调度方法 |
US20190130260A1 (en) * | 2017-10-30 | 2019-05-02 | DoorDash, Inc. | System for dynamic estimated time of arrival predictive updates |
US20190227533A1 (en) * | 2018-01-19 | 2019-07-25 | Industrial Technology Research Institute | Method and apparatus for dynamic intelligent scheduling |
WO2020007016A1 (zh) * | 2018-07-05 | 2020-01-09 | 长安大学 | 一种基于数字孪生的智能车间自治生产过程动态联动控制方法 |
CN109359884A (zh) * | 2018-10-31 | 2019-02-19 | 南京航空航天大学 | 航空复杂装备结构件车间作业计划及重调度方法 |
CN109657354A (zh) * | 2018-12-20 | 2019-04-19 | 华中科技大学 | 一种基于数字孪生的混流装配车间快速重构方法及系统 |
CN110059908A (zh) * | 2019-01-23 | 2019-07-26 | 渤海大学 | 基于自适应遗传算法的新工件重调度优化方法 |
CN110850818A (zh) * | 2019-10-21 | 2020-02-28 | 温州大学 | 一种实现断路器自动化装配车间的数字孪生建模的方法 |
CN110989507A (zh) * | 2019-11-02 | 2020-04-10 | 温州大学 | 一种断路器自动化检测生产数字孪生车间生成装置 |
Non-Patent Citations (4)
Title |
---|
CUNJI ZHANG: "Proactive Scheduling for Job-Shop Based on Abnormal Event Monitoring of Workpieces and Remaining Useful Life Prediction of Tools in Wisdom Manufacturing Workshop" * |
DAVY PREUVENEERS: "Robust digital twin compositions for Industry 4.0 smart manufacturing systems" * |
李聪波;寇阳;雷焱绯;肖溱鸽;李玲玲;: "基于动态事件的柔性作业车间重调度节能优化", 计算机集成制造系统, no. 02 * |
潘颖;孙伟;马跃;马沁怡;: "基于多Agent的柔性作业车间调度研究", 大连理工大学学报, no. 05 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270508A (zh) * | 2020-11-25 | 2021-01-26 | 东北大学 | 一种满足个性化定制生产的数字孪生智慧云调度方法 |
CN112926792A (zh) * | 2021-03-19 | 2021-06-08 | 重庆大学 | 基于滚动时间窗的焊接车间订单变更动态调度方法及系统 |
CN112926792B (zh) * | 2021-03-19 | 2024-03-29 | 重庆大学 | 基于滚动时间窗的焊接车间订单变更动态调度方法及系统 |
CN113406941A (zh) * | 2021-08-19 | 2021-09-17 | 领伟创新智能系统(浙江)有限公司 | 基于仿真的双目标并行机开放车间自适应动态调度方法 |
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 |
CN113962470A (zh) * | 2021-10-29 | 2022-01-21 | 上海新科乾物联技术有限公司 | 一种基于扰动预测的优化排产方法和系统 |
CN115114268A (zh) * | 2022-06-30 | 2022-09-27 | 北京亚控科技发展有限公司 | 一种组织未来状态孪生方法、装置及设备 |
CN115114268B (zh) * | 2022-06-30 | 2023-08-11 | 北京亚控科技发展有限公司 | 一种组织未来状态孪生方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111461459B (zh) | 2023-06-30 |
US20210334428A1 (en) | 2021-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461459B (zh) | 断路器数字制造孪生车间的动态重调度预测方法及系统 | |
Abdou et al. | Unit Commitment Problem in Electrical Power System: A Literature Review. | |
Wong et al. | Genetic and genetic/simulated-annealing approaches to economic dispatch | |
Datta | Unit commitment problem with ramp rate constraint using a binary-real-coded genetic algorithm | |
Hadavandi et al. | Tourist arrival forecasting by evolutionary fuzzy systems | |
Park et al. | A hybrid genetic algorithm/dynamic programming approach to optimal long-term generation expansion planning | |
Hsu | Using improved grey forecasting models to forecast the output of opto-electronics industry | |
Pavez-Lazo et al. | A deterministic annular crossover genetic algorithm optimisation for the unit commitment problem | |
Wen et al. | Optimally co-ordinated bidding strategies in energy and ancillary service markets | |
Torkaman et al. | Multi-stage multi-product multi-period production planning with sequence-dependent setups in closed-loop supply chain | |
Zhou et al. | Energy-efficient scheduling of a single batch processing machine with dynamic job arrival times | |
Chen et al. | Economic maintenance planning of complex systems based on discrete artificial bee colony algorithm | |
Chen et al. | Effective hot rolling batch scheduling algorithms in compact strip production | |
CN115310936A (zh) | 基于数字孪生的智慧物流工厂可视化与数据服务技术系统 | |
Almuhtady et al. | A degradation-informed battery-swapping policy for fleets of electric or hybrid-electric vehicles | |
Acar Yildirim et al. | Time-cost optimization model proposal for construction projects with genetic algorithm and fuzzy logic approach | |
Liu et al. | Multi-component manufacturing system maintenance scheduling based on degradation information using genetic algorithm | |
Zhang et al. | Intelligent demand response resource trading using deep reinforcement learning | |
KR20230070779A (ko) | 제약 강화 학습이 적용된 이산 산업 제조 시스템의 수요반응 관리 방법 | |
Jia et al. | A reinforcement-learning-based bidding strategy for power suppliers with limited information | |
Shivaie et al. | MULTI OBJECTIVE TRANSMISSION EXPANSION PLANNING USING FUZZY–GENETIC ALGORITHM | |
CN109919688B (zh) | 一种考虑市场因素的电子烟产品线规划方法 | |
Shrestha et al. | An efficient stochastic self-scheduling technique for power producers in the deregulated power market | |
Yang et al. | Multi-period locally-facet-based MIP formulations for unit commitment problems | |
Bouddou et al. | Solving Bid-Based Dynamic Economic Dispatch in Competitive Electricity Market Using Improved Simulated Annealing Algorithm. |
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 |