CN111667091B - 一种基于粒子群算法的输送系统智能控制方法 - Google Patents
一种基于粒子群算法的输送系统智能控制方法 Download PDFInfo
- Publication number
- CN111667091B CN111667091B CN202010307186.0A CN202010307186A CN111667091B CN 111667091 B CN111667091 B CN 111667091B CN 202010307186 A CN202010307186 A CN 202010307186A CN 111667091 B CN111667091 B CN 111667091B
- Authority
- CN
- China
- Prior art keywords
- time
- assembly
- product
- cost
- control method
- 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
- 239000002245 particle Substances 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 title claims description 6
- 239000000463 material Substances 0.000 claims abstract description 23
- 238000004519 manufacturing process Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 4
- 238000013178 mathematical model Methods 0.000 claims abstract description 4
- 238000003860 storage Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 20
- 238000002360 preparation method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 230000000712 assembly Effects 0.000 claims description 10
- 238000000429 assembly Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 8
- 206010012186 Delayed delivery Diseases 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000003754 machining Methods 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 2
- 238000010923 batch production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/06313—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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/25—Manufacturing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/30—Control
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Primary Health Care (AREA)
- Accounting & Taxation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于粒子群算法的输送系统智能控制方法,所述智能控制方法根据仓库物料存储情况、加工设备故障情况和产品订单变更情况,判断当前输送系统是否需要重新调度;若判断为需要重新调度,则从工控机调取当前输送系统的数据集,用于数学模型重新求解,生成新的调度方案,新的调度方案将返回新的数据集至工控机,并由工控机执行;本发明能够优化生产线智能调度方案,适用于多线程、多产品和大批量的生产线智能调度。
Description
技术领域
本发明涉及粒子群算法领域,尤其涉及多目标粒子群算法领域的应用。
背景技术
随着智能化产业的推进,智能制造的生产模式逐渐被运用于各行各业的生产线上,面相智能制造的车间调度问题是智能化生产线的主要研究方向之一,为了实现生产线的智能化调度,通常会引入智能算法来解决生产线或流水线上的调度问题,现有技术中比较常见的智能算法是采用遗传算法来解决智能化调度的问题,遗传算法能够在一定程度上提升单件、小批量的多生产任务的调配效率,但是遗传算法存在一定的局限性。
发明内容
本发明所要解决的技术问题是提供一种基于粒子群算法的输送系统智能控制方法,能够优化生产线智能调度方案,适用于多线程、多产品和大批量的生产线智能调度。
本发明解决上述技术问题所采用的技术方案是:
一种基于粒子群算法的输送系统智能控制方法,所述智能控制方法根据仓库物料存储情况、加工设备故障情况和产品订单变更情况,判断当前输送系统是否需要重新调度;若判断为需要重新调度,则从工控机调取当前输送系统的数据集,用于数学模型重新求解,生成新的调度方案,新的调度方案将返回新的数据集至工控机,并由工控机执行;
所述智能控制方法在硬件层面上包括采集系统、控制系统和执行系统,所述采集系统用于采集数据并发送给控制系统,所述控制系统用于根据采集数据发送控制命令,所述执行系统用于执行所述控制系统所发送的命令,所述控制系统包括工控机和单片机,所述单片机用于和所述采集系统连接直接接收采集系统所采集的输送系统的各类运行数据;所述工控机通过交换机和单片机进行数据交互;所述交换机连接至输送系统并能够和输送系统进行数据交互;所述执行系统包括用于为输送系统提供作业动力的装置和设备;所述智能控制方法还包括数据集,所述数据集是智能控制方法中为硬件层面和算法层面建立联系的模块,所述数据集和所述工控机之间具有数据交互的关系;
所述智能控制方法在算法层面上包括以下流程:
(1)判断是否需要重置调度方案;
(2)调用数据集中的当前数据,通过目标函数和约束条件进行多目标粒子群算法:
(3)根据粒子群算法的结果获取新的调度方案,以新的调度方案更新数据集,工控机根据新的数据集重置调度方案。
进一步地,所述采集系统包括对射光电、磁性开关、槽型光电等传感器,还包括人机交互截面、视觉识别模块、RFID读写器以及电子标签。
进一步地,所述执行设备包括伺服系统、电机、气缸和其他执行机构。
进一步地,所述粒子群算法包括粒子速度更新和例子位置更新,
粒子速度更新公式:Vi=ω×vi+c1r1(pbest-pi)+c2r2(gbest-pi),
式中ω表示惯性权重,vi表示上次粒子的运动速度,c1表示个体学习因子,(pbest-pi)表示个体历史最优位置运动的量,c2表示全局学习因子,(gbest-pi)表示全局最优位置运动的量,r1,r2均表示值为[0,1]之间随机数。
粒子位置更新公式:pi=pi+Vi。
进一步地,所述目标函数包括最小化最大完工时间、最小化损耗成本和最大加权订单完成数,定义如下参数:
i 表示N个产品中的任意一个产品;
j 表示产品J个装配体中的任意一个装配体;
k 表示某装配体中K个工序中的任意一个工序;
r 表示M台机器中任意一台设备;
m 表示总装配工位节点;
h 表示订单号;
W 表示总共生产订单数量;
U 表示总装陪工位数量;
T 表示加工时间;
S 表示加工准备和转换时间;
a 表示加工件物料延迟送达的惩罚因子;
β 表示装配体配送到装配线延迟送达的惩罚因子;
Cijkr 表示i产品的j装配体的k工序在r设备加工时物料的需求到达时间;
Eijkr 表示i产品的j装配体的k工序在r设备加工时物料的实际到达时间;
li 表示i产品的数量;
Sijkr 表示i产品的j装配体的k工序在设备r上的加工准备和转换时间;
Tijkr 表示i产品的j装配体的k工序在设备r上的加工时间;
Simr 表示i产品的装配节点m在设备r上所需要的装配准备和转换时间;
Timr 表示i产品的装配节点m在设备r上所需要的装配时间;
Eimr 表示i产品的装配节点m在设备r上所需的装配物料实际到达时间;
Cimr 表示i产品的装配节点m在设备r上所需的装配物料需求到达时间;
表示订单h的完工状态;
dij 表示i产品的j装配体的库存时间;
cm 表示单位时间机器运行成本;
gm 表示单位时间库存成本;
am 表示单位时间机器闲置成本;
bm 表示单位时间效率损耗成本;
δ 表示单位时间效率损耗成本调节系数;
FJ 表示所有零件加工时间;
Fz 表示所有装配体装配时间;
FW 表示完工时间;
CY 表示机器运行成本;
CK 表示库存成本;
CX 表示机器闲置成本;
CL 表示效率损耗成本;
CS 表示总损耗成本;
FD 表示加权订单完成数。
进一步地,所述最小化最大完工时间=加工时间+装配时间;
其中,加工时间
装配时间
最小化最大完工时间minFw=min{max(FJ+FZ)},即
进一步地,所述最小化损耗成本=机器运行成本+库存成本+资源闲置成本+效率损耗成本;
其中,机器运行成本CY=FJ*cm,
库存成本
机器闲置成本CX=(M-1)*FJ*am,
效率损耗成本CL=δ*FJ*bm,
最小化损耗成本Cs=min{CY+CK+CX+CL},
进一步地,所述最大加权订单完成数
进一步地,所述约束条件包括:
(1)时间状态量为正数,即,
Sijkr≥0,Tijkr≥0,Eijkr≥0,Cijkr≥0,Eim≥0,Cim≥0,Zim≥0,dij≥0;
(2)当最小化完工时间FW小于交货期Dh时,订单h完成,否则不能满足交货期;表示i产品订单h的完工状态,则,/>
(3)所有的机器在t=0时刻都可用,在0时刻所有的零件都可以进行加工生产;
(4)i产品j装配体的k工序在设备r上的加工先后顺序约束;
Sij(k+1)r表示i产品的j装配体的k+1工序在设备r上的加工准备和转换时间。
进一步地,所述多目标粒子群算法具体包括以下步骤:
(1)初始化粒子的位置、速度和个体引导者,并输入目标函数和约束条件;
(2)评价粒子的适应值;
(3)保存非劣解到储备集中;
(4)选择粒子的全局引导着;
(5)更新粒子的速度与位置公式;
(6)评价粒子的适应值和支配关系;
(7)更新粒子的个体引导者;
(8)更新外部储备集;
(9)判断是否达到迭代次数,如果已经达到,继续下一步,如果未达到,则返回到第(4)步。
(10)达到迭代次数,结束算法,形成新的调度方案。
本发明的有益效果是:本发明采用多目标粒子群算法的调度设置了3个目标函数分别为最小化最大完工时间、最小化损失效率和最大化加权订单完成数,由于粒子群算法是一种随机智能搜索算法,粒子的下一个位置和速度都会受到自身历史经验和全局引导者的影响,粒子群体中一旦出现全局更优,后续的粒子将应用新的全局最优来更新自身,以尝试进一步达到全局最优。
附图说明
图1是本发明的整体流程图。
图2是根据本发明的智能控制方法所得到的零件加工调度甘特图。
图3是根据本发明的智能控制方法得到的装配体装配调度甘特图。
图4是本发明的Pareto非劣解图。
图5是本发明的目标函数迭代收敛图。
具体实施方式
以下结合附图对本发明的具体实施方式做进一步详细说明,应当指出的是,实施例只是对本发明的具体阐述,不应视为对本发明的限定。
假定以某专业研发生产智能家居,生产的产品具有多品种和多批次特点的生产型企业的智能调度需求为背景,随着企业规模的扩大和企业转型升级,亟需高柔性和高智能的输送生产调度系统。
例如,该公司有2款产品N1,N2,其中N1由装配体J1和装配体J2装配而成,J1有K1和K2这两道加工工序,J2有1道加工工序K1。N2由J1,J2,J3装配而成,均是1道加工工序。有M1,M2,M3,M4,M5,M6这6台机器可供使用。
用于智能控制算法的参数由表1-表13定义,具体如下:
表1 i产品的j装配体的k工序在设备r上的加工准备和转换时间(单位:分)
表2 i产品的j装配体的k工序在设备r上的加工时间(单位:分)
表3 i产品的j装配体的k工序在r设备加工时物料的需求到达时间(单位:分)
表4 i产品的j装配体的k工序在r设备加工时物料的实际到达时间(单位:分)
表5 i产品的j装配体的k工序的机器顺序
表6 i产品的装配节点m在设备r上所需要的装配准备和转换时间(单位:分)
注明:m1(J1-J2),表示J1装配体与J2装配体相互装配记为m1;
同理,m2(J1-J2)-J3,表示J1,J2相互装配后的装配体与J3相装配记为m2。
表7 i产品的装配节点m在设备r上所需要的装配时间(单位:分)
表8 i产品的装配节点m在设备r所需要的装配物料需求到达时间(单位:分)
表9 i产品的装配节点m在设备r上所需的装配物料实际到达时间(单位:分)
表10 i产品的装配节点m的机器顺序
表11生产订单数量
表12生产成本参数
参数 | 单位时间成本(单位:元/分钟) |
cm | 10 |
gm | 2 |
am | 1 |
bm | 1 |
表13算法运行所需基本参数设置表
参数 | 参数数值 |
粒子种群数量 | 100 |
最大迭代次数 | 100 |
ω | 0.729 |
c1 | 1.49445 |
c2 | 1.49445 |
α | 1.0 |
β | 1.0 |
δ | 0.5 |
根据上述定义,
结合以下公式设定本发明的约束条件和目标函数:
所述约束条件包括:
(1)时间状态量为正数,即,
Sijkr≥0,Tijkr≥0,Eijkr≥0,Cijkr≥0,Eim≥0,Cim≥0,Zim≥0,dij≥0;
(2)当最小化完工时间FW小于交货期Dh时,订单h完成,否则不能满足交货期;表示i产品订单h的完工状态,则,/>
(3)所有的机器在t=0时刻都可用,在0时刻所有的零件都可以进行加工生产;
(4)i产品j装配体的k工序在设备r上的加工先后顺序约束;
Sij(k+1)r表示i产品的j装配体的k+1工序在设备r上的加工准备和转换时间。
所述目标函数包括最小化最大完工时间、最小化损耗成本和最大加权订单完成数,定义如下参数:
i 表示N个产品中的任意一个产品;
j 表示产品J个装配体中的任意一个装配体;
k 表示某装配体中K个工序中的任意一个工序;
r 表示M台机器中任意一台设备;
m 表示总装配工位节点;
h 表示订单号;
W 表示总共生产订单数量;
U 表示总装陪工位数量;
T 表示加工时间;
S 表示加工准备和转换时间;
a 表示加工件物料延迟送达的惩罚因子;
β 表示装配体配送到装配线延迟送达的惩罚因子;
Cijkr 表示i产品的j装配体的k工序在r设备加工时物料的需求到达时间;
Eijkr 表示i产品的j装配体的k工序在r设备加工时物料的实际到达时间;
li 表示i产品的数量;
Sijkr 表示i产品的j装配体的k工序在设备r上的加工准备和转换时间;
Tijkr 表示i产品的j装配体的k工序在设备r上的加工时间;
Simr 表示i产品的装配节点m在设备r上所需要的装配准备和转换时间;
Timr 表示i产品的装配节点m在设备r上所需要的装配时间;
Eimr 表示i产品的装配节点m在设备r上所需的装配物料实际到达时间;
Cimr 表示i产品的装配节点m在设备r上所需的装配物料需求到达时间;
表示订单h的完工状态;
dij 表示i产品的j装配体的库存时间;
cm 表示单位时间机器运行成本;
gm 表示单位时间库存成本;
am 表示单位时间机器闲置成本;
bm 表示单位时间效率损耗成本;
δ 表示单位时间效率损耗成本调节系数;
FJ 表示所有零件加工时间;
Fz 表示所有装配体装配时间;
FW 表示完工时间;
CY 表示机器运行成本;
CK 表示库存成本;
CX 表示机器闲置成本;
CL 表示效率损耗成本;
CS 表示总损耗成本;
FD 表示加权订单完成数。
上述参数可以构成算法层面所调用的数据集。
其中,所述最小化最大完工时间=加工时间+装配时间;
加工时间
装配时间
最小化最大完工时间minFw=min{max(FJ+FZ)},即
所述最小化损耗成本=机器运行成本+库存成本+资源闲置成本+效率损耗成本;
机器运行成本CY=FJ*cm,
库存成本
机器闲置成本CX=(M-1)*FJ*am,
效率损耗成本CL=δ*FJ*bm,
最小化损耗成本Cs=min{CY+CK+CX+CL},
所述最大加权订单完成数
本发明的硬件层面如图1所示,单个输送系统使用单片机集成控制,采集对射光电、磁性开关和槽型光电等传感器输出的数据信号,同时实时采集从人机界面输入的外部信息、从视觉系统识别的信息和RFID读写器配合电子标签读取的信息。另一方面,输送系统单片机接收到工控机的执行信息后,输出执行信号,驱动伺服系统、普通电机和气缸等执行机构,实现输送系统的集成控制。N个输送系统之间通过RS232串口、RS485串口和以太网等组网形式,形成一个庞大的网络系统,并由工控机完成全局控制和计算。
本发明的算法层面如图1所示,基于多目标粒子群算法进行调度求解,根据仓库物料存储情况、加工设备故障情况和产品订单变更情况,判断当前生产输送系统是否需要重新调度。
若判断为需要重新调度,则从工控机调取当前输送系统的数据集,用于数学模型重新求解,生成新的调度方案,新的调度方案将返回新的数据集至工控机。
具体来说,算法层面包括以下步骤:
(1)初始化粒子的位置、速度和个体引导者,并输入目标函数和约束条件;
(2)评价粒子的适应值,获得如图4所示的非劣解;
(3)保存非劣解到储备集中;
(4)选择粒子的全局引导着;
(5)更新粒子的速度与位置公式;
(6)评价粒子的适应值和支配关系;
(7)更新粒子的个体引导者;
(8)更新外部储备集;
(9)判断目标函数是否达到迭代次数,如果已经达到,继续下一步,如果未达到,则返回到第(4)步,目标函数的迭代收敛如图5所示。
(10)达到迭代次数,结束算法,形成新的调度方案。
其中,粒子速度更新公式:Vi=ω×vi+c1r1(pbest-pi)+c2r2(gbest-pi),式中ω表示惯性权重,vi表示上次粒子的运动速度,c1表示个体学习因子,(pbest-pi)表示个体历史最优位置运动的量,c2表示全局学习因子,(gbest-pi)表示全局最优位置运动的量,r1,r2均表示值为[0,1]之间随机数。
粒子位置更新公式:pi=pi+Vi。
根据以上算法,得到如图2所示的零件加工调度甘特图和图3所示的装配体装配调度甘特图。
在图2中,横坐标表示加工时间,纵坐标表示加工设备编号,方框中的数字表示加工模式编号,以设备1为例,从第19小时到第35小时,设备1运行并根据加工模式3进行加工,在第35-38小时,设备1停止作业,在第38-57小时,设备1运行并根据加工模式6进行加工,在第57-77小时,设备1运行并根据加工模式2进行加工,……,以此类推。根据图2的最佳调度方案可以进行间隔地有选择地零件加工,从而达到生产资源的最合理配置。
在图3中,横坐标表示装配时间,纵坐标表示装配节点设备,方框中的数字表示装配模式编号,以装配设备1为例,从第0-15小时,装配设备1运行并按照装配模式1进行装配,从第15-16小时,装配设备1停止运行,从第16小时-26小时,装配设备1运行并按照装配模式2进行装配,从第26-42小时,装配设备1运行并按照装配模式2进行装配,……,以此类推。
Claims (4)
1.一种基于粒子群算法的输送系统智能控制方法,其特征是,所述智能控制方法根据仓库物料存储情况、加工设备故障情况和产品订单变更情况,判断当前输送系统是否需要重新调度;若判断为需要重新调度,则从工控机调取当前输送系统的数据集,用于数学模型重新求解,生成新的调度方案,新的调度方案将返回新的数据集至工控机,并由工控机执行;
所述智能控制方法在硬件层面上包括采集系统、控制系统和执行系统,所述采集系统用于采集数据并发送给控制系统,所述控制系统用于根据采集数据发送控制命令,所述执行系统用于执行所述控制系统所发送的命令,所述控制系统包括工控机和单片机,所述单片机用于和所述采集系统连接直接接收采集系统所采集的输送系统的各类运行数据;所述工控机通过交换机和单片机进行数据交互;所述交换机连接至输送系统并能够和输送系统进行数据交互;所述执行系统包括用于为输送系统提供作业动力的装置和设备;所述智能控制方法还包括数据集,所述数据集是智能控制方法中为硬件层面和算法层面建立联系的模块,所述数据集和所述工控机之间具有数据交互的关系;
所述智能控制方法在算法层面上包括以下流程:
(1)判断是否需要重置调度方案;
(2)调用数据集中的当前数据,通过目标函数和约束条件进行多目标粒子群算法:
(3)根据粒子群算法的结果获取新的调度方案,以新的调度方案更新数据集,工控机根据新的数据集重置调度方案;
所述粒子群算法包括粒子速度更新和粒子位置更新,
粒子速度更新公式:Vi=ω×vi+c1r1(pbest-pi)+c2r2(gbest-pi),
式中ω表示惯性权重,vi表示上次粒子的运动速度,c1表示个体学习因子,(pbest-pi)表示个体历史最优位置运动的量,c2表示全局学习因子,(gbest-pi)表示全局最优位置运动的量,r1,r2均表示值为[0,1]之间随机数;
粒子位置更新公式:pi=pi+Vi;
所述目标函数包括最小化最大完工时间、最小化损耗成本和最大加权订单完成数,定义如下参数:
i表示N个产品中的任意一个产品;
j表示产品J个装配体中的任意一个装配体;
k表示某装配体中K个工序中的任意一个工序;
r表示M台机器中任意一台设备;
m表示总装配工位节点;
h表示订单号;
W表示总共生产订单数量;
U表示总装陪工位数量;
T表示加工时间;
S表示加工准备和转换时间;
a表示加工件物料延迟送达的惩罚因子;
β表示装配体配送到装配线延迟送达的惩罚因子;
Cijkr表示i产品的j装配体的k工序在r设备加工时物料的需求到达时间;
Eijkr表示i产品的j装配体的k工序在r设备加工时物料的实际到达时间;
li表示i产品的数量;
Sijkr表示i产品的j装配体的k工序在设备r上的加工准备和转换时间;
Tijkr表示i产品的j装配体的k工序在设备r上的加工时间;
Simr表示i产品的装配节点m在设备r上所需要的装配准备和转换时间;
Timr表示i产品的装配节点m在设备r上所需要的装配时间;
Eimr表示i产品的装配节点m在设备r上所需的装配物料实际到达时间;
Cimr表示i产品的装配节点m在设备r上所需的装配物料需求到达时间;
表示i产品订单h的完工状态;
dij表示i产品的j装配体的库存时间;
cm表示单位时间机器运行成本;
gm 表示单位时间库存成本;
am 表示单位时间机器闲置成本;
bm 表示单位时间效率损耗成本;
δ 表示单位时间效率损耗成本调节系数;
FJ 表示所有零件加工时间;
Fz 表示所有装配体装配时间;
FW 表示完工时间;
CY 表示机器运行成本;
CK 表示库存成本;
CX 表示机器闲置成本;
CL 表示效率损耗成本;
FD 表示加权订单完成数;
所述最小化最大完工时间=加工时间+装配时间;
其中,加工时间
装配时间
最小化最大完工时间minFw=min{max(FJ+FZ)},即
所述最小化损耗成本=机器运行成本+库存成本+机器闲置成本+效率损耗成本;
其中,机器运行成本CY=FJ*cm,
库存成本
机器闲置成本CX=(M-1)*FJ*am,
效率损耗成本CL=δ*FJ*bm,
最小化损耗成本Cs=min{CY+CK+CX+CL},
所述最大加权订单完成数
所述约束条件包括:
(1)时间状态量为正数,即,
Sijkr≥0,Tijkr≥0,Eijkr≥0,Cijkr≥0,Eimr≥0,Cimr≥0,dij≥0;
(2)当完工时间FW小于交货期Dh时,订单h完成,否则不能满足交货期;表示i产品订单h的完工状态,则,/>
(3)所有的机器在t=0时刻都可用,在0时刻所有的零件都可以进行加工生产;
(4)i产品j装配体的k工序在设备r上的加工先后顺序约束;
Sij(k+1)r表示i产品的j装配体的k+1工序在设备r上的加工准备和转换时间。
2.根据权利要求1所述的一种基于粒子群算法的输送系统智能控制方法,其特征是,所述采集系统包括传感器、人机交互界面、视觉识别模块、RFID读写器以及电子标签,所述传感器包括对射光电传感器、磁性开关传感器和槽型光电传感器。
3.根据权利要求1所述的一种基于粒子群算法的输送系统智能控制方法,其特征是,所述执行系统包括伺服系统、电机、气缸和其他执行机构。
4.根据权利要求1所述的一种基于粒子群算法的输送系统智能控制方法,其特征是,所述多目标粒子群算法具体包括以下步骤:
(1)初始化粒子的位置、速度和个体引导者,并输入目标函数和约束条件;
(2)评价粒子的适应值;
(3)保存非劣解到储备集中;
(4)选择粒子的全局引导着;
(5)更新粒子的速度与位置公式;
(6)评价粒子的适应值和支配关系;
(7)更新粒子的个体引导者;
(8)更新外部储备集;
(9)判断是否达到迭代次数,如果已经达到,继续下一步,如果未达到,则返回到第(4)步;
(10)达到迭代次数,结束算法,形成新的调度方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010307186.0A CN111667091B (zh) | 2020-04-17 | 2020-04-17 | 一种基于粒子群算法的输送系统智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010307186.0A CN111667091B (zh) | 2020-04-17 | 2020-04-17 | 一种基于粒子群算法的输送系统智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111667091A CN111667091A (zh) | 2020-09-15 |
CN111667091B true CN111667091B (zh) | 2024-04-30 |
Family
ID=72382784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010307186.0A Active CN111667091B (zh) | 2020-04-17 | 2020-04-17 | 一种基于粒子群算法的输送系统智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111667091B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592275B (zh) * | 2021-07-23 | 2024-03-05 | 深圳依时货拉拉科技有限公司 | 一种货运调度方法、计算机可读存储介质及计算机设备 |
CN113960969A (zh) * | 2021-10-27 | 2022-01-21 | 陈凯妍 | 一种基于大数据的物流仓储的调度方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007148635A (ja) * | 2005-11-25 | 2007-06-14 | Toshiba Corp | 生産スケジューリングプログラム及び生産スケジューリング装置 |
CN101706886A (zh) * | 2009-08-28 | 2010-05-12 | 华南理工大学 | 一种以订单驱动的加工车间单件小批量混流生产方法 |
CN104536828A (zh) * | 2014-12-26 | 2015-04-22 | 湖南强智科技发展有限公司 | 基于量子粒子群算法的云计算的任务调度方法和系统 |
CN204667451U (zh) * | 2015-03-12 | 2015-09-23 | 济南腾实信息科技有限公司 | 一种矿山下井人员安全监察管理设备 |
CN105590143A (zh) * | 2015-12-17 | 2016-05-18 | 兰州理工大学 | Pcb板组装工艺中多机流水生产线贴片机负荷均衡优化方法 |
CN107831745A (zh) * | 2017-11-09 | 2018-03-23 | 西南交通大学 | 一种柔性作业车间插单动态调度优化方法 |
CN108009739A (zh) * | 2017-12-14 | 2018-05-08 | 沈阳工业大学 | 一种智能机加车间生产计划与调度一体化方法 |
CN108133260A (zh) * | 2018-01-17 | 2018-06-08 | 浙江理工大学 | 基于实时状态监控的多目标粒子群优化的工作流调度方法 |
CN109255465A (zh) * | 2018-07-19 | 2019-01-22 | 中国矿业大学 | 一种基于粒子群算法的焊接生产线工类分配系统与方法 |
CN110598941A (zh) * | 2019-09-18 | 2019-12-20 | 河海大学常州校区 | 一种基于仿生策略的粒子群优化制造系统双目标排产方法 |
CN110738365A (zh) * | 2019-10-09 | 2020-01-31 | 湖北工业大学 | 一种基于粒子群算法的柔性作业车间生产调度方法 |
-
2020
- 2020-04-17 CN CN202010307186.0A patent/CN111667091B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007148635A (ja) * | 2005-11-25 | 2007-06-14 | Toshiba Corp | 生産スケジューリングプログラム及び生産スケジューリング装置 |
CN101706886A (zh) * | 2009-08-28 | 2010-05-12 | 华南理工大学 | 一种以订单驱动的加工车间单件小批量混流生产方法 |
CN104536828A (zh) * | 2014-12-26 | 2015-04-22 | 湖南强智科技发展有限公司 | 基于量子粒子群算法的云计算的任务调度方法和系统 |
CN204667451U (zh) * | 2015-03-12 | 2015-09-23 | 济南腾实信息科技有限公司 | 一种矿山下井人员安全监察管理设备 |
CN105590143A (zh) * | 2015-12-17 | 2016-05-18 | 兰州理工大学 | Pcb板组装工艺中多机流水生产线贴片机负荷均衡优化方法 |
CN107831745A (zh) * | 2017-11-09 | 2018-03-23 | 西南交通大学 | 一种柔性作业车间插单动态调度优化方法 |
CN108009739A (zh) * | 2017-12-14 | 2018-05-08 | 沈阳工业大学 | 一种智能机加车间生产计划与调度一体化方法 |
CN108133260A (zh) * | 2018-01-17 | 2018-06-08 | 浙江理工大学 | 基于实时状态监控的多目标粒子群优化的工作流调度方法 |
CN109255465A (zh) * | 2018-07-19 | 2019-01-22 | 中国矿业大学 | 一种基于粒子群算法的焊接生产线工类分配系统与方法 |
CN110598941A (zh) * | 2019-09-18 | 2019-12-20 | 河海大学常州校区 | 一种基于仿生策略的粒子群优化制造系统双目标排产方法 |
CN110738365A (zh) * | 2019-10-09 | 2020-01-31 | 湖北工业大学 | 一种基于粒子群算法的柔性作业车间生产调度方法 |
Non-Patent Citations (5)
Title |
---|
"Modified Hungarian algorithm and fuzzy logic control-based scheduling method for interbay material handling system";Zhang Jie etal.;《Journal of Shanghai Jiaotong University》;20160528;第50卷(第5期);第647-53, 659页 * |
"云计算环境下基于粒子群算法的任务调度研究";韦湘夫等;《信息技术与信息化》;20190228(第2期);第188-189页 * |
Wu Kaijun et al.."Model and optimization algorithm of multi-depot emergency materials dispatching with time limits".《Computer Engineering and Applications》.2012,第48卷(第30期),第19-23页. * |
汪涛等."基于粒子群算法的应急物资调度研究".《军事交通学院学报》.2011,第13卷(第5期),第70-74页. * |
黄英杰."基于目标级联法和智能优化算法的车间调度问题研究".《中国博士学位论文全文数据库工程科技Ⅱ辑》.2012,C029-13. * |
Also Published As
Publication number | Publication date |
---|---|
CN111667091A (zh) | 2020-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Dynamic job shop scheduling based on deep reinforcement learning for multi-agent manufacturing systems | |
Zhou et al. | Multi-agent reinforcement learning for online scheduling in smart factories | |
Jiang et al. | How to model and implement connections between physical and virtual models for digital twin application | |
CN111667091B (zh) | 一种基于粒子群算法的输送系统智能控制方法 | |
Matzka et al. | Buffer sizing of a Heijunka Kanban system | |
Zäh et al. | The cognitive factory | |
Dimopoulos et al. | Recent developments in evolutionary computation for manufacturing optimization: problems, solutions, and comparisons | |
Zhou et al. | Reinforcement learning with composite rewards for production scheduling in a smart factory | |
CN112147960B (zh) | 一种柔性制造系统优化调度方法及装置 | |
Li et al. | Data-based scheduling framework and adaptive dispatching rule of complex manufacturing systems | |
CN112465333B (zh) | 一种基于多时间尺度的智能生产线调度优化方法 | |
Zaeh et al. | Adaptive job control in the cognitive factory | |
Wang et al. | An interoperable adaptive scheduling strategy for knowledgeable manufacturing based on SMGWQ-learning | |
CN113050553A (zh) | 半导体生产线基于联邦学习机制的调度建模方法 | |
CN101727622A (zh) | 一种面向复杂制造系统的层次化建模与优化方法 | |
Chawla et al. | A synergic framework for cyber-physical production systems in the context of industry 4.0 and beyond | |
CN115239199A (zh) | 一种汽车行业中基于混线柔性生产的分布式调度方法 | |
CN107133703A (zh) | 一种基于需求驱动的不相容工件组在线分批加工方法 | |
CN113485278B (zh) | 优化两生产指标的柔性作业车间调度多目标分布估计方法 | |
CN115685912A (zh) | 基于大数据的制造企业生产与物流协同优化调度方法及系统 | |
Baker et al. | Automatic factories | |
TW202226088A (zh) | 智能交期預測方法與系統 | |
Deng et al. | A digital twin-driven dynamic prediction method for robotized production line operational performance | |
CN116540658B (zh) | 基于监督控制理论和强化学习的自动制造系统调度方法 | |
Qin et al. | Multi-Agent-Based Self-Organizing Manufacturing Network Towards Mass Personalization |
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 |