CN111859039B - 一种基于改进案例推理技术的车间扰动决策方法及装置 - Google Patents
一种基于改进案例推理技术的车间扰动决策方法及装置 Download PDFInfo
- Publication number
- CN111859039B CN111859039B CN202010685906.7A CN202010685906A CN111859039B CN 111859039 B CN111859039 B CN 111859039B CN 202010685906 A CN202010685906 A CN 202010685906A CN 111859039 B CN111859039 B CN 111859039B
- Authority
- CN
- China
- Prior art keywords
- disturbance
- case
- attribute
- similarity
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000005516 engineering process Methods 0.000 title claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 96
- 238000004364 calculation method Methods 0.000 claims description 56
- 238000004519 manufacturing process Methods 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 18
- 239000000463 material Substances 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000013461 design Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 6
- 238000011282 treatment Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000003754 machining Methods 0.000 description 7
- 238000003801 milling Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 201000005947 Carney Complex Diseases 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 240000008791 Antiaris toxicaria Species 0.000 description 1
- 208000021049 Carney complex type 2 Diseases 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007425 progressive decline Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012882 sequential analysis Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
- G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device
- G06K17/0029—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisious for transferring data to distant stations, e.g. from a sensing device the arrangement being specially adapted for wireless interrogation of grouped or bundled articles tagged with wireless record carriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biodiversity & Conservation Biology (AREA)
- Educational Administration (AREA)
- Algebra (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
本发明公开了一种基于改进案例推理技术的车间扰动决策方法及装置,首先获取车间历史扰动案例信息和目标案例信息;以三元表述模型描述扰动案例;按照扰动类型将车间历史扰动案例划分为不同的扰动案例库;根据目标案例的背景描述,计算目标案例与对应的扰动案例库中的历史案例之间的案例相似度;根据案例相似度,获得目标案例的扰动决策。本发明利用基于改进的案例推理技术实现车间扰动决策。
Description
技术领域
本发明涉及车间扰动决策技术领域,具体涉及一种基于改进案例推理技术的车间扰动决策方法,还涉及此方法对应的装置。
背景技术
复杂生产环境下的生产扰动是推动车间动态调度的根本动力,实际生产过程中生产要素类型特点各异,车间扰动的多源性、不确定性为车间的优化调度带来了极大的困难。传统的车间扰动应对方案研究依靠扰动假设,构建基于事件或周期的重调度机制进行应对方案的制定,该方法具有一定的局限性,难以符合车间的实际生产。近年来,智能制造的兴起,使得车间扰动处理有了新的研究思路。
案例辅助决策是一种对于扰动事件处理最有前途的方法之一,大数据技术推动了该技术的进一步发展。案例辅助决策以案例推理应用最为广泛。传统的案例推理检索算法由于属性计算模型过于笼统以及案例属性权重配比的不合理等问题而影响检索效率。因此,设计一种计算模型精确,案例权重配比合理的案例检索方法应用于车间扰动的决策显得颇为关键。
发明内容
为了克服现有技术上的不足,本发明提供了一种基于改进案例推理技术的车间扰动决策方法及装置,解决现有的案例推理检索效率低的技术问题。
为了解决上述技术问题,本发明提供了一种基于改进案例推理技术的车间扰动决策方法,包括以下步骤:
获取车间历史扰动案例信息和目标案例信息;
以三元表述模型描述扰动案例;其中扰动案例描述包括扰动类型和背景描述;
按照扰动类型将车间历史扰动案例划分为不同的扰动案例库;
根据目标案例的扰动类型,确定与此扰动类型对应的扰动案例库;
根据目标案例的背景描述,计算目标案例与对应的扰动案例库中的历史案例之间的案例相似度;
根据案例相似度,获得目标案例的扰动决策。
进一步的,所述背景描述表达为:
Backgrond={InfoMR,Infosch,InfoDbi,InfoDbd} (3)
式中,InfoMR表示制造资源信息,Infosch表示调度方案信息,InfoDbi表示扰动影响信息,InfoDbd扰动信息描述,此四类属性均属于非末端元素;
InfoMR可以继续按照人person、机Equipment、物Materials、环境Environment四类进行信息划分;制造资源信息的形式化描述:
InfoMR={Person,Equipment,Materials,Environment} (4)
Infosch包含了调度序列Scheme和订单信息Order两个子类:
Infosch={Scheme,Order} (5)
InfoDbi包含三个非末端子属性:扰动工序影响DBProcess,扰动时长影响DBTime以及扰动成本影响DBCost;
InfoDbi={DBProcess,DBTime,DBCost} (6)
InfoDbd扰动信息描述为:
InfoDbd={DBmoment,DBplace,DBsignal} (7)
式中,DBmoment表示扰动时刻;DBplace表示扰动位置;DBsignal表示扰动现象。
进一步的,所述根据目标案例的背景描述,计算目标案例与对应的扰动案例库中的历史案例之间的案例相似度,包括:
根据目标案例的背景描述构建属性阶梯层次结构;
确定属性阶梯层次结构中各属性权重;
计算目标案例与对应的扰动案例库中的历史案例之间属性阶梯层次结构中各属性的相似度,
根据属性阶梯层次结构中各属性的相似度及各属性权重,计算目标案例与对应的扰动案例库中的历史案例之间的案例相似度。
进一步的,所述属性阶梯层次结构,包括:
制造资源层包括员工等级、工件数、设备数、车间温度末端属性;
调度方案层包括加工矩阵、预留时长比末端属性;
扰动影响层包括扰动时长比、干扰工序比、增加成本比末端属性;
扰动描述层包括扰动时刻比、扰动位置、扰动现象末端属性。
进一步的,所述计算目标案例与对应的扰动案例库中的历史案例之间属性阶梯层次结构中各属性的相似度,包括:
定义,FVi表示案例库中编号为i的案例,FV0表示目标案例;FVi,j表示案例库中编号为i的案例的j属性,fvi,j表示FVi,j的属性值;FV0,j表示目标案例的j属性,fv0,j表示FV0,j的属性值;Sim(FVi,j,FV0,j)表示目标案例与历史案例j属性相似度,在下面公式中,可以修改j为其他变量来代表不同的属性;
制造资源层:制造资源层根据人、机、物、环境四类信息划分属性;首先,车间人员基于工作能力及经验进行分级,从I级至IV级分别对应员工操作熟练至生疏,I级员工的属性值为4,后续等级的员工属性值依次减1,IV级员工的属性值为1;本属性采用向下包容原则,即当目标案例员工等级属性值不小于历史案例对应员工等级属性值时,两者完全相似;若相反,则按照改进的逆指函数进行计算:
式中,p表示案例的员工等级属性;
其次,“机”代表设备,本发明中设备属性利用案例的设备数进行度量;“物”代表物料,本发明的“物”属性利用案例的物料数量进行度量;环境属性选择对设备影响较大的车间温度值进行度量,过高的环境温度提高了机床的故障率;这三类属性都属于经典的精确数值属性,因此可以设计通用计算公式:
式中,n表示扰动案例库中的案例个数;
调度方案层:调度方案层共有两类子属性,调度方案与订单信息;首先,调度方案利用加工时间矩阵进行度量,加工时间矩阵中的元素属于向量类型,向量中包含了两个元素:设备型号和加长时长区间;设备型号属于枚举类型,仅存在两种情况:相同和不相同,即相似度值只能取1或0;加工时间区间的相似度匹配公式:
式中,sch表示调度方案属性;“||”表示参考区间长度;I表示i案例加工时长区间与目标案例加工时长区间的交集;Q表示i案例加工时长区间与目标案例加工时长区间的并集;
调度信息引入预留时长比的概念对案例订单交货期进行量化分析,为了消除量纲的影响,利用案例完工时间与交货期之间的差值再与案例的完工时间相比得出预留时长比,再利用数值比例型的相似度计算通用公式:
扰动影响层:扰动影响层包含三个子属性:扰动时长,干扰工序以及成本信息,分别用于度量扰动时间长短,干扰工序数以及扰动增加成本,此三类属性值都属于经典的精确数值型,但是为了消除量纲的影响,对此三类属性进行简单处理,扰动时长比=扰动时长/最大完工时间;干扰工序比=受干扰工序/总工序数;成本增长比=增加成本/原成本;
扰动描述层:扰动描述层主要围绕案例扰动源的相关属性信息进行量化描述,子属性分为扰动时刻DBmoment、扰动位置DBplace以及扰动现象DBsignal。扰动时刻属于数值比例值,其值表示扰动发生时刻与加工开始时刻的差值和最大完工时间之间的比值,后续采用数值比例型的相似度计算通用公式;扰动现象和扰动位置,利用符号记录不同扰动类型案例中的两属性,两属性均属于枚举类型,不同案例的扰动现象和扰动位置判别只存在两种情况:相同或者不同,即1或0。
进一步的,所述确定属性阶梯层次结构中各属性权重,包括:
通过基于序关系分析法求出每位评判者对于扰动案例属性阶梯层次结构中各属性的权重值;
利用核密度估计法从多组案例各属性权重值中确定最终的案例权重。
相应的,本发明还提供了一种基于改进案例推理技术的车间扰动决策装置,包括数据获取模块、案例描述模块、扰动类型划分模块、案例相似度计算模块和扰动决策模块,其中:
数据获取模块,用于获取车间历史扰动案例信息和目标案例信息;
案例描述模块,用于以三元表述模型描述扰动案例;其中扰动案例描述包括扰动类型和背景描述;
扰动类型划分模块,用于按照扰动类型将车间历史扰动案例划分为不同的扰动案例库;根据目标案例的扰动类型,确定与此扰动类型对应的扰动案例库;
案例相似度计算模块,用于根据目标案例的背景描述,计算目标案例与对应的扰动案例库中的历史案例之间的案例相似度;
扰动决策模块,用于根据案例相似度,获得目标案例的扰动决策。
进一步的,所述案例相似度计算模块中,包括:
属性阶梯层次构建单元,用于根据目标案例的背景描述构建属性阶梯层次结构;
属性权重确定单元,用于确定属性阶梯层次结构中各属性权重;
属性相似度计算单元,用于计算目标案例与对应的扰动案例库中的历史案例之间属性阶梯层次结构中各属性的相似度,
案例相似度计算单元,用于根据属性阶梯层次结构中各属性的相似度及各属性权重,计算目标案例与对应的扰动案例库中的历史案例之间的案例相似度。
进一步的,所述属性阶梯层次结构,包括:
制造资源层包括员工等级、工件数、设备数、车间温度末端属性;
调度方案层包括加工矩阵、预留时长比末端属性;
扰动影响层包括扰动时长比、干扰工序比、增加成本比末端属性;
扰动描述层包括扰动时刻比、扰动位置、扰动现象末端属性。
进一步的,所述属性相似度计算单元中,计算目标案例与对应的扰动案例库中的历史案例之间属性阶梯层次结构中各属性的相似度,包括:
制造资源层:制造资源层根据人、机、物、环境四类信息划分属性;首先,车间人员基于工作能力及经验进行分级,从I级至IV级分别对应员工操作熟练至生疏,I级员工的属性值为4,后续等级的员工属性值依次减1,IV级员工的属性值为1;本属性采用向下包容原则,即当目标案例员工等级属性值不小于历史案例对应员工等级属性值时,两者完全相似;若相反,则按照改进的逆指函数进行计算:
式中,p表示案例的员工等级属性;
其次,“机”代表设备,本发明中设备属性利用案例的设备数进行度量;“物”代表物料,本发明的“物”属性利用案例的物料数量进行度量;环境属性选择对设备影响较大的车间温度值进行度量,过高的环境温度提高了机床的故障率;这三类属性都属于经典的精确数值属性,因此可以设计通用计算公式:
式中,n表示扰动案例库中的案例个数;
调度方案层:调度方案层共有两类子属性,调度方案与订单信息;首先,调度方案利用加工时间矩阵进行度量,加工时间矩阵中的元素属于向量类型,向量中包含了两个元素:设备型号和加长时长区间;设备型号属于枚举类型,仅存在两种情况:相同和不相同,即相似度值只能取1或0;加工时间区间的相似度匹配公式:
式中,sch表示调度方案属性;“||”表示参考区间长度;I表示i案例加工时长区间与目标案例加工时长区间的交集;Q表示i案例加工时长区间与目标案例加工时长区间的并集;
调度信息引入预留时长比的概念对案例订单交货期进行量化分析,为了消除量纲的影响,利用案例完工时间与交货期之间的差值再与案例的完工时间相比得出预留时长比,再利用数值比例型的相似度计算通用公式:
式中,FVi表示案例库中编号为i的案例,FV0表示目标案例;FVi,j表示案例库中编号为i的案例的j属性,fvi,j表示FVi,j的属性值;FV0,j表示目标案例的j属性,fv0,j表示FV0,j的属性值;Sim(FVi,j,FV0,j)表示目标案例与历史案例j属性相似度;
扰动影响层:扰动影响层包含三个子属性:扰动时长,干扰工序以及成本信息,分别用于度量扰动时间长短,干扰工序数以及扰动增加成本,此三类属性值都属于经典的精确数值型,但是为了消除量纲的影响,对此三类属性进行简单处理,扰动时长比=扰动时长/最大完工时间;干扰工序比=受干扰工序/总工序数;成本增长比=增加成本/原成本;
扰动描述层:扰动描述层主要围绕案例扰动源的相关属性信息进行量化描述,子属性分为扰动时刻DBmoment、扰动位置DBplace以及扰动现象DBsignal。扰动时刻属于数值比例值,其值表示扰动发生时刻与加工开始时刻的差值和最大完工时间之间的比值,后续采用数值比例型的相似度计算通用公式;扰动现象和扰动位置,利用符号记录不同扰动类型案例中的两属性,两属性均属于枚举类型,不同案例的扰动现象和扰动位置判别只存在两种情况:相同或者不同,即1或0。
进一步的,所述属性权重确定单元,包括:
属性权重计算单元,用于通过基于序关系分析法求出每位评判者对于扰动案例属性阶梯层次结构中各属性的权重值;
最终案例权重计算单元,用于利用核密度估计法从多组案例各属性权重值中确定最终的案例权重。
与现有技术相比,本发明的有益效果为:利用RFID系统以及Esper处理引擎完成了车间数据信息的自动获取及处理,利用基于改进的案例推理技术实现车间扰动决策。与传统方法车间扰动处理方法相比,该方法能自动获取扰动事件的发生位置和扰动类型,不需要人工确定和排查,减少了员工的工作量以及对员工技术水平的依赖。其次,本案例推理方法针对不同的案例属性设计对应的计算方法,并利用基于序关系分析法结合核密度估计法确定最终属性权重,与传统的案例推理技术相比,案例属性计算模型更为具体和清晰,案例属性权重设置降低了人为因素的干扰,更具科学性。再者,本发明的案例库不断有新的案例进行更新,保证了案例的实时性和高效性,案例总结部分为后续案例的引用提供了指导意义。该方法为车间扰动处理提供了新的思路,有助于提高车间生产的智能化和生产效率。
附图说明
图1为本发明方法总体流程图;
图2为本发明中数据采集装置布置图;
图3为本发明中RFID数据采集原理图;
图4为本发明中扰动事件类型图;
图5为本发明中案例属性阶梯层次结构图;
图6为本发明实施例中目标案例初始调度甘特图;
图7为本发明实施例中案例权重集概率密度曲线图;
图8为本发明实施例中案例属性权重值图;
图9为本发明实施例中案例扰动决策处理甘特图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明的一种基于改进案例推理技术的车间扰动决策方法,具体参见图1所示,包括以下过程:
步骤一:构建车间扰动信息获取模型;
如图2所示搭建智能车间无线传感网络采集车间制造资源数据;图中工件位置有11个属性,属性值从0至10递增。其中0-代表立体原料仓库,1-代表数控钻床1,2-代表数控车床1,3-代表数控车床2,4-代表数控铣床1,5-代表数控铣床2,6-代表数控钻床2,7-代表成品立体仓库,8、9、10-代表AGV。上述工作区域都布置RFID阅读器,待加工工件贴有包含加工信息的RFID标签。如图3所示,RFID数据采集系统是利用标签和阅读器通过天线通讯完成数据的采集传输。不同工作区域的阅读器借助发射信号在其周围形成一定范围的可识别域。当携带相应信息的标签进行可识别域,标签会受到阅读器信号的影响发送自身所携带的编码信息,阅读器接收到的原始标签格式为<Epc,Location,time>,分别代表了标签ID,标签位置信息和时间信息。阅读器通过调制、解码等一系列操作实现对编码信息的读取。最终,读写模块会通过将信息加密等简单处理后经POE交换机发送至后端服务器。
利用RFID传感器及无线传感网络完成对车间资源的数据采集;通过事件处理引擎Esper实现对车间资源数据的监控,Esper引擎提供的EPL语言可以完成扰动事件捕获规则的制定,实现车间制造资源生产扰动类型的快速判定;例如根据既定的加工工序,假设车间拥有两台数控车床、两台数控铣床,工件W1的加工路径是原料库MS->数控车床2号位NC2->数控铣床2号位CNC2->成品库PS,工序错位扰动事件的EPL监控规则如下:
Eec1=select*from pattern[every e=SEW(Rid in{MS,NC2,CNC2,PS},Eid=W1)->SE(Rid in{NC1,CNC1},Eid=W1)].
Eec1表示工件W1只能在既定的加工工位发生停留事件,若工件W1在数控机床1或者数控铣床1的工位上发生停留事件,则零件工序错位扰动事件触发。
制造资源信息及加工信息获取;案例的工艺信息可以直接调取MES系统中的车间调度模块提取相应的工件、工序、调度方案等信息;
车间管理信息获取;通过ERP系统,可以快速查阅人员信息、订单信息以及其它管理类信息。
步骤二:定义车间案例推理的案例描述方法;
本发明采用经典的三元案例表述模型描述扰动案例:
CaseDV={Problem,Solution,Symptom} (1)
式中,CaseDV表示车间扰动案例,Problem表示扰动案例的扰动类型和扰动背景描述,Solution表示扰动事件解决方案,Symptom表示扰动处理方案的评价结果集。
1)Problem表示对车间扰动案例的具体描述,是后续案例检索的依据,共包含两个子类,扰动类型和扰动背景描述:
Problem={DisturbanceTP,Background} (2)
式中,DisturbanceTP表示扰动案例的扰动类型,扰动类型如图4所示,通过步骤一中的Esper事件处理引擎确定,Background表示扰动案例的背景描述,属于非末端元素(即该元素由不低于2个元素构成),其包含制造信息描述,调度方案描述,表达为:
Backgrond={InfoMR,Infosch,InfoDbi,InfoDbd} (3)
式中,InfoMR表示制造资源信息,Infosch表示调度方案信息,InfoDbi表示扰动影响信息,InfoDbd扰动信息描述,此四类属性均属于非末端元素。
InfoMR可以继续按照人person、机Equipment、物Materials、环境Environment四类进行信息划分。制造资源信息的形式化描述:
InfoMR={Person,Equipment,Materials,Environment} (4)
Infosch包含了调度序列Scheme和订单信息Order两个子类:
Infosch={Scheme,Order} (5)
InfoDbi包含三个非末端子属性:扰动工序影响DBProcess,扰动时长影响DBTime以及扰动成本影响DBCost。
InfoDbi={DBProcess,DBTime,DBCost} (6)
InfoDbd扰动信息描述为:
InfoDbd={DBmoment,DBplace,DBsignal} (7)
式中,DBmoment表示扰动时刻;DBplace表示扰动位置;DBsignal表示扰动现象。
Problem表示对车间扰动案例的具体描述,其子类表示扰动案例的背景描述的background即作为案例检索的依据,由此可以构建如图5所示的案例检索阶梯结构图。制造资源层包括员工等级、工件数、设备数、车间温度末端属性,调度方案层包括加工矩阵、预留时长比末端属性,扰动影响层包括扰动时长比、干扰工序比、增加成本比末端属性,扰动描述层包括扰动时刻比、扰动位置、扰动现象末端属性。
2)Solution表示扰动事件解决方案,该属性具有扰动应对策略以及加工调度信息两个元素,扰动应对策略记录了此次扰动的应对方案,如维修,重调度,不做干预;加工调度信息表示应对此处扰动的调度处理方案。
3)Symptom表示扰动处理方案的评价结果集。
案例推理技术是通过案例检索,实现历史案例的重用,案例评价结果集可以体现出此次案例重用的价值大小。
步骤三:构建扰动案例数据库。
按照以上设置的模型,提取案例属性值作为数据库的存储元素,按照扰动事件的类型构建不同的扰动案例数据库,利用工厂内实际的扰动事件处理案例作为数据库原料。
步骤四:构建扰动案例检索模型,扰动案例检索模型包括末端属性相似度计算模型设计、末端属性权重设计两部分。
本发明的车间扰动处理策略是通过案例检索,搜寻案例库中的历史相似扰动案例的处理方法。首先,利用对案例进行制造资源层、扰动方案层、扰动影响层以及扰动描述层四层属性划分,作为后续相似案例检索的依据,相似度计算就是为了搜寻历史相似案例,量化两个案例之间的相似程度。
1)末端属性相似度计算模型
以如图5所示的案例属性阶梯层次结构为基础,分别定义不同顶级属性下的末端属性的相似度计算公式。
定义,FVi表示案例库中编号为i的案例,FV0表示目标案例;FVi,j表示案例库中编号为i的案例的j属性,fvi,j表示FVi,j的属性值;FV0,j表示目标案例的j属性,fv0,j表示FV0,j的属性值;Sim(FVi,j,FV0,j)表示目标案例与历史案例j属性相似度。在下面公式中,可以修改j为其他变量来代表不同的属性。
制造资源层:制造资源层根据人、机、物、环境四类信息划分属性。首先,车间人员基于工作能力及经验进行分级,从I级至IV级分别对应员工操作熟练至生疏,I级员工的属性值为4,后续等级的员工属性值依次减1,IV级员工的属性值为1。本属性采用向下包容原则,即当目标案例员工等级属性值不小于历史案例对应员工等级属性值时,两者完全相似;若相反,则按照改进的逆指函数进行计算:
式中,p表示案例的员工等级属性。
其次,“机”代表设备,本发明中设备属性利用案例的设备数进行度量。“物”代表物料,本发明的“物”属性利用案例的物料数量进行度量。环境属性选择对设备影响较大的车间温度值进行度量,过高的环境温度提高了机床的故障率。这三类属性都属于经典的精确数值属性,因此可以设计通用计算公式:
式中,n表示扰动案例库中的案例个数。
调度方案层:调度方案层共有两类子属性,调度方案与订单信息。首先,调度方案利用加工时间矩阵进行度量,加工时间矩阵中的元素属于向量类型,向量中包含了两个元素:设备型号和加长时长区间。设备型号属于枚举类型,仅存在两种情况:相同和不相同,即相似度值只能取1或0。加工时间区间的相似度匹配公式:
式中,sch表示调度方案属性;“||”表示参考区间长度;I表示i案例加工时长区间与目标案例加工时长区间的交集;Q表示i案例加工时长区间与目标案例加工时长区间的并集。
调度信息引入预留时长比的概念对案例订单交货期进行量化分析,为了消除量纲的影响,利用案例完工时间与交货期之间的差值再与案例的完工时间相比得出预留时长比,再利用数值比例型的相似度计算通用公式:
扰动影响层:扰动影响层包含三个子属性:扰动时长,干扰工序以及成本信息,分别用于度量扰动时间长短,干扰工序数以及扰动增加成本,此三类属性值都属于经典的精确数值型,但是为了消除量纲的影响,对此三类属性进行简单处理,扰动时长比=扰动时长/最大完工时间;干扰工序比=受干扰工序/总工序数;成本增长比=增加成本/原成本;
扰动描述层:扰动描述层主要围绕案例扰动源的相关属性信息进行量化描述,子属性分为扰动时刻DBmoment、扰动位置DBplace以及扰动现象DBsignal。扰动时刻属于数值比例值,其值表示扰动发生时刻与加工开始时刻的差值和最大完工时间之间的比值,后续采用数值比例型的相似度计算通用公式;扰动现象和扰动位置,本文利用符号记录不同扰动类型案例中的两属性,两属性均属于枚举类型,不同案例的扰动现象和扰动位置判别只存在两种情况:相同或者不同,即1或0。
2)末端属性权重设计
末端权重设计包含两部分,首先,通过基于序关系分析法求出每位评判者对于扰动案例末端属性的权重值;然后,利用核密度估计法从多组案例末端属性权重值中确定最终的案例权重。
2.1)基于序关系分析法的单组案例末端属性求解
首先,构建案例属性阶梯层次结构;案例属性结构如图5所示,分为四个顶级属性,12个末端属性。逐层进行属性权重判别,有助于减少评判者因属性指标个数过多而产生判断能力下降的问题。
其次,确定属性之间的序关系;设A={A1,A2,A3,...,An}为案例属性层的n个属性指标集,存在下标值i,j∈{1,2,3,...,n},若指标Ai的案例匹配贡献率不小于指标Aj,则记为Ai≥Aj。对特征属性集A按照评价准则建立序关系,即评价者按照逐次递减原理从指标集中挑选出最重要的指标,每次评选操作完成后,指标集将去除被选指标,继续进行下一次评选,直至指标集元素为1,如式(12)所示:
式中,表示特征属性集A按照序关系“≥”排列后第i个属性指标的贡献率。
接下来,设定属性值之间的评判表;评判者经过既定多重准则考虑后,设定案例属性值Ah-1与Ah重要度评判标准ωh-1/ωh的定量公式,如式(13)所示:
关于δh的取值,如表1所示。
表1赋值标准
赋值 | 含义 |
属性1/属性2=1.8 | 属性1较属性2对于案例评价的贡献度极度增大 |
属性1/属性2=1.6 | 属性1较属性2对于案例评价的贡献度明显增大 |
属性1/属性2=1.4 | 属性1较属性2对于案例评价的贡献度较微增加 |
属性1/属性2=1.2 | 属性1较属性2对于案例评价的贡献度稍微增加 |
属性1/属性2=1.0 | 属性1较属性2对于案例评价的贡献度一致 |
最后,权重系数计算:利用公式(12)和(13)可以推导出δh的检验公式,如式(14)所示:
δh-1≥1/δh h∈{2,...,n} (14)
评价者设定的δh的合理赋值需要满足式(14),权重ωk的计算如式(15)所示:
2.2)利用核密度估计确定最优权重值;
通过基于序关系分析法可以求解得出每位评判者对于案例属性的权重值。为了案例属性权重设置的合理性,通常选择多位评判者为案例属性集进行重要度评定,由此得到多组案例属性权重值。如何确定最终的案例属性权重,传统的确定最终权重的方法是对多位评判者的权重集进行均化,但部分评判者的误判情况可能会影响案例属性权重的最后评定。因此,本发明利用无参估计中的核密度估计法确定最终的案例属性权重值,即将多位专家的案例属性权重值数据作为样本,构建案例单维属性集合对应的概率密度函数f(ω),函数f(ω)最高点对应的自变量取值即为单个属性权重值集合的最优解。
定义ωi,i={1,2,...,m}是来源于单维属性集ω中的样本值,m代表的是专家个数,每个专家对应一组权重值集合,因为权重值集合所服从的概率分布是未知的,它的真实分布是f(ω),其函数表达式也是未知的,设为函数fh(ω)的核密度估计:
式中,h表示窗宽,设为0.5;K(*)表示核函数;本发明的核函数选择Epanechnikov核函数:
由于评判者评定结果互不影响,因此假设第i个评判者利用基于序关系分析法,对于案例特征属性的权重评定结果集其中i代表所有评判者中的任意一位,评判者的权重集为/>其中e代表评判者个数,从而对于案例任意属性值Aj的评判者判定权重向量/>利用Epanechnikov核函数求解权重样本集/>的概率密度曲线/> 曲线最高点对应的自变量取值即为属性集合的最优解,重复上述步骤,求出每个维度的属性值的最优权重x={x1,x2,...,xn},对该向量做归一化处理。
计算两个扰动案例的末端属性相似度值和案例末端属性权重,对末端属性相似度计算结果进行加权叠加,进而求得两个案例的相似度值。
步骤五:根据案例检索结果决定扰动案例的处理策略。
首先,判断目标案例的扰动类型,根据扰动类型,确定扰动案例库;接下来,对目标案例和案例库中的历史案例中的n个案例进行案例相似度计算,得相似度解集ε={ε1,ε2,...,εn},令σ=max{ε1,ε2,...,εn},得出最大相似度σ对应的案例为Ch*。
根据专家体系,设置相似度阈值点β;若σ为1,则直接重用历史案例,即重用历史案例扰动发生后的工件加工调度序列;若σ在1和β之间,则利用历史案例的扰动处理方法;若σ低于β,则案例检索失败,案例库中的案例不具有指导意义。
本发明提供一种基于改进案例推理技术的车间扰动决策方法,该决策模型充分考虑了车间扰动事件属性的多维性,降低了权重设置误差,能够根据车间的实际数据情况,对扰动进行判别,并快速提供扰动决策方案,实现车间扰动处理的高效性。
实施例1
智能制造车间采用RFID技术作为车间数据采集手段,物料、工作员、设备等都配有RFID标签。2019年6月11日,智能生产制造车间3号基站上传数据信息,经Esper事件处理引擎的分析,报告扰动事件,显示三厂房中数控车床M6发生工序执行时间偏差事件,预计超时时间为8加工单位。该车间应对此订单共有可加工设备10台,此批加工任务包含8个工件,共计24道工序,订单交货期为60,最大完工时间50个加工单位,车间温度30°,负责员工等级为III级,该次生产成本为18793元,预计扰动增加成本2430元,扰动发生时刻为14:29。
案例初始调度甘特图如图4所示,该图代表了目标案例初始加工方案信息,横轴代表时间,纵轴表示不同编号的加工设备;图中的矩形框表示工件的各工序的加工时长,矩形框对应在横轴的投影表示加工时长,纵轴的投影表示加工设备;矩形框上的数字反映了工件的编号和工序信息,例如“401”表示编号为4的第1道工序。案例四项顶级属性的核密度曲线如图5所示,利用上述步骤进行反复计算,求得的案例属性权重值如图6所示。案例检索过程中,利用对目标案例的12个末端属性值进行提取与案例库中的案例进行相似度计算。目标案例与案例库中某案例的计算如表2所示,相似度值是利用上述末端属性相似度计算公式求解得出,权重值是利用上述方法确定的最优权重值。
表2目标案例检索计算表
表3和表4分别表示目标案例和历史案例的加工时间表,其中M代表设备号,J代表工件号,表中的时间区间表示工件加工工序的起始加工时间节点和完成加工时间节点。
表3某厂模具制造车间目标案例加工时间表
表4历史案例C104加工时间表
由于目标案例中三厂房中数控车床M6发生工序执行时间偏差事件,预计超时时间为8加工单位,根据案例检索的结果,目标案例与历史案例库中的案例相似度最大值处于区间[β,1]之间。相似度最高的历史案例信息如表5所示。
表5最优解案例信息表
注:调度评价:耗时/成本/稳定性。
因此调用历史相似度值最高案例的处理策略,选用局部重调度解决此次扰动事件,即只考虑部分受干扰加工工序的调整变动,保持其余加工工序仍然按照扰动发生之前的计划执行。解决此次加工超时扰动,重新制定的调度甘特图如图7所示,将受扰动影响的第8号工件的第3道工序的加工设备由M6调整至M5,原先位于M5设备上加工的第3号工件的第3道工序调整至M8,其余工序仍按原计划进行加工。若扰动发生后,继续按照图6所示的加工计划进行加工,则完工时间需推迟至少8个加工单位,但按照图9的方法进行调整,则原计划的完工时间并未推迟。
实施例2
相应的,本发明还提供了一种基于改进案例推理技术的车间扰动决策装置,包括数据获取模块、案例描述模块、扰动类型划分模块、案例相似度计算模块和扰动决策模块,其中:
数据获取模块,用于获取车间历史扰动案例信息和目标案例信息;
案例描述模块,用于以三元表述模型描述扰动案例;其中扰动案例描述包括扰动类型和背景描述;
扰动类型划分模块,用于按照扰动类型将车间历史扰动案例划分为不同的扰动案例库;根据目标案例的扰动类型,确定与此扰动类型对应的扰动案例库;
案例相似度计算模块,用于根据目标案例的背景描述,计算目标案例与对应的扰动案例库中的历史案例之间的案例相似度;
扰动决策模块,用于根据案例相似度,获得目标案例的扰动决策。
进一步的,所述案例相似度计算模块中,包括:
属性阶梯层次构建单元,用于根据目标案例的背景描述构建属性阶梯层次结构;
属性权重确定单元,用于确定属性阶梯层次结构中各属性权重;
属性相似度计算单元,用于计算目标案例与对应的扰动案例库中的历史案例之间属性阶梯层次结构中各属性的相似度,
案例相似度计算单元,用于根据属性阶梯层次结构中各属性的相似度及各属性权重,计算目标案例与对应的扰动案例库中的历史案例之间的案例相似度。
进一步的,所述属性阶梯层次结构,包括:
制造资源层包括员工等级、工件数、设备数、车间温度末端属性;
调度方案层包括加工矩阵、预留时长比末端属性;
扰动影响层包括扰动时长比、干扰工序比、增加成本比末端属性;
扰动描述层包括扰动时刻比、扰动位置、扰动现象末端属性。
进一步的,所述属性相似度计算单元中,计算目标案例与对应的扰动案例库中的历史案例之间属性阶梯层次结构中各属性的相似度,包括:
制造资源层:制造资源层根据人、机、物、环境四类信息划分属性;首先,车间人员基于工作能力及经验进行分级,从I级至IV级分别对应员工操作熟练至生疏,I级员工的属性值为4,后续等级的员工属性值依次减1,IV级员工的属性值为1;本属性采用向下包容原则,即当目标案例员工等级属性值不小于历史案例对应员工等级属性值时,两者完全相似;若相反,则按照改进的逆指函数进行计算:
式中,p表示案例的员工等级属性;
其次,“机”代表设备,本发明中设备属性利用案例的设备数进行度量;“物”代表物料,本发明的“物”属性利用案例的物料数量进行度量;环境属性选择对设备影响较大的车间温度值进行度量,过高的环境温度提高了机床的故障率;这三类属性都属于经典的精确数值属性,因此可以设计通用计算公式:
式中,n表示扰动案例库中的案例个数;
调度方案层:调度方案层共有两类子属性,调度方案与订单信息;首先,调度方案利用加工时间矩阵进行度量,加工时间矩阵中的元素属于向量类型,向量中包含了两个元素:设备型号和加长时长区间;设备型号属于枚举类型,仅存在两种情况:相同和不相同,即相似度值只能取1或0;加工时间区间的相似度匹配公式:
式中,sch表示调度方案属性;“||”表示参考区间长度;I表示i案例加工时长区间与目标案例加工时长区间的交集;Q表示i案例加工时长区间与目标案例加工时长区间的并集;
调度信息引入预留时长比的概念对案例订单交货期进行量化分析,为了消除量纲的影响,利用案例完工时间与交货期之间的差值再与案例的完工时间相比得出预留时长比,再利用数值比例型的相似度计算通用公式:
扰动影响层:扰动影响层包含三个子属性:扰动时长,干扰工序以及成本信息,分别用于度量扰动时间长短,干扰工序数以及扰动增加成本,此三类属性值都属于经典的精确数值型,但是为了消除量纲的影响,对此三类属性进行简单处理,扰动时长比=扰动时长/最大完工时间;干扰工序比=受干扰工序/总工序数;成本增长比=增加成本/原成本;
扰动描述层:扰动描述层主要围绕案例扰动源的相关属性信息进行量化描述,子属性分为扰动时刻DBmoment、扰动位置DBplace以及扰动现象DBsignal。扰动时刻属于数值比例值,其值表示扰动发生时刻与加工开始时刻的差值和最大完工时间之间的比值,后续采用数值比例型的相似度计算通用公式;扰动现象和扰动位置,利用符号记录不同扰动类型案例中的两属性,两属性均属于枚举类型,不同案例的扰动现象和扰动位置判别只存在两种情况:相同或者不同,即1或0。
进一步的,所述属性权重确定单元,包括:
属性权重计算单元,用于通过基于序关系分析法求出每位评判者对于扰动案例属性阶梯层次结构中各属性的权重值;
最终案例权重计算单元,用于利用核密度估计法从多组案例各属性权重值中确定最终的案例权重。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅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,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (4)
1.一种基于改进案例推理技术的车间扰动决策方法,其特征是,包括以下步骤:
获取车间历史扰动案例信息和目标案例信息;
以三元表述模型描述扰动案例;其中扰动案例描述包括扰动类型和背景描述;
按照扰动类型将车间历史扰动案例划分为不同的扰动案例库;
根据目标案例的扰动类型,确定与此扰动类型对应的扰动案例库;
根据目标案例的背景描述,计算目标案例与对应的扰动案例库中的历史案例之间的案例相似度;
根据案例相似度,获得目标案例的扰动决策;
所述根据目标案例的背景描述,计算目标案例与对应的扰动案例库中的历史案例之间的案例相似度,包括:
根据背景描述构建属性阶梯层次结构;
确定属性阶梯层次结构中各属性权重;
计算目标案例与对应的扰动案例库中的历史案例之间属性阶梯层次结构中各属性的相似度,
根据属性阶梯层次结构中各属性的相似度及各属性权重,计算目标案例与对应的扰动案例库中的历史案例之间的案例相似度;
所述属性阶梯层次结构,包括:
制造资源层包括员工等级、工件数、设备数、车间温度末端属性;
调度方案层包括加工矩阵、预留时长比末端属性;
扰动影响层包括扰动时长比、干扰工序比、增加成本比末端属性;
扰动描述层包括扰动时刻比、扰动位置、扰动现象末端属性;
所述计算目标案例与对应的扰动案例库中的历史案例之间属性阶梯层次结构中各属性的相似度,包括:
定义,FVi表示案例库中编号为i的案例,FV0表示目标案例;FVi,j表示案例库中编号为i的案例的j属性,fvi,j表示FVi,j的属性值;FV0,j表示目标案例的j属性,fv0,j表示FV0,j的属性值;Sim(FVi,j,FV0,j)表示目标案例与历史案例j属性相似度,在下面公式中,修改j为其他变量来代表不同的属性;
制造资源层:制造资源层根据人、机、物、环境四类信息划分属性;首先,车间人员基于工作能力及经验进行分级,从I级至IV级分别对应员工操作熟练至生疏,I级员工的属性值为4,后续等级的员工属性值依次减1,IV级员工的属性值为1;当目标案例员工等级属性值不小于历史案例对应员工等级属性值时,两者完全相似;若相反,则按照改进的逆指函数进行计算:
式中,p表示案例的员工等级属性;
其次,“机”代表设备,设备属性利用案例的设备数进行度量;“物”代表物料,“物”属性利用案例的物料数量进行度量;环境属性选择对设备影响较大的车间温度值进行度量,这三类属性设计通用计算公式:
式中,n表示扰动案例库中的案例个数;
调度方案层:调度方案层共有两类子属性,调度方案与订单信息;首先,调度方案利用加工时间矩阵进行度量,加工时间矩阵中的元素属于向量类型,向量中包含了两个元素:设备型号和加长时长区间;设备型号属于枚举类型,仅存在两种情况:相同和不相同,即相似度值只能取1或0;加工时间区间的相似度匹配公式:
式中,sch表示调度方案属性;“||”表示参考区间长度;I表示i案例加工时长区间与目标案例加工时长区间的交集;Q表示i案例加工时长区间与目标案例加工时长区间的并集;
调度信息引入预留时长比的概念对案例订单交货期进行量化分析,为了消除量纲的影响,利用案例完工时间与交货期之间的差值再与案例的完工时间相比得出预留时长比,再利用数值比例型的相似度计算通用公式:
扰动影响层:扰动影响层包含三个子属性:扰动时长,干扰工序以及成本信息,分别用于度量扰动时间长短,干扰工序数以及扰动增加成本,此三类属性值都属于经典的精确数值型,但是为了消除量纲的影响,对此三类属性进行简单处理,扰动时长比=扰动时长/最大完工时间;干扰工序比=受干扰工序/总工序数;成本增长比=增加成本/原成本;
扰动描述层:扰动描述层主要围绕案例扰动源的相关属性信息进行量化描述,子属性分为扰动时刻DBmoment、扰动位置DBplace以及扰动现象DBsignal;扰动时刻属于数值比例值,其值表示扰动发生时刻与加工开始时刻的差值和最大完工时间之间的比值,后续采用数值比例型的相似度计算通用公式;扰动现象和扰动位置,利用符号记录不同扰动类型案例中的两属性,两属性均属于枚举类型,不同案例的扰动现象和扰动位置判别只存在两种情况:相同或者不同,即1或0。
2.根据权利要求1所述的一种基于改进案例推理技术的车间扰动决策方法,其特征是,所述确定属性阶梯层次结构中各属性权重,包括:
通过基于序关系分析法求出每位评判者对于扰动案例属性阶梯层次结构中各属性的权重值;
利用核密度估计法从多组案例各属性权重值中确定最终的案例权重。
3.一种基于改进案例推理技术的车间扰动决策装置,其特征是,包括数据获取模块、案例描述模块、扰动类型划分模块、案例相似度计算模块和扰动决策模块,其中:
数据获取模块,用于获取车间历史扰动案例信息和目标案例信息;
案例描述模块,用于以三元表述模型描述扰动案例;其中扰动案例描述包括扰动类型和背景描述;
扰动类型划分模块,用于按照扰动类型将车间历史扰动案例划分为不同的扰动案例库;根据目标案例的扰动类型,确定与此扰动类型对应的扰动案例库;
案例相似度计算模块,用于根据目标案例的背景描述,计算目标案例与对应的扰动案例库中的历史案例之间的案例相似度;
扰动决策模块,用于根据案例相似度,获得目标案例的扰动决策;
所述案例相似度计算模块中,包括:
属性阶梯层次构建单元,用于根据目标案例的背景描述构建属性阶梯层次结构;
属性权重确定单元,用于确定属性阶梯层次结构中各属性权重;
属性相似度计算单元,用于计算目标案例与对应的扰动案例库中的历史案例之间属性阶梯层次结构中各属性的相似度,
案例相似度计算单元,用于根据属性阶梯层次结构中各属性的相似度及各属性权重,计算目标案例与对应的扰动案例库中的历史案例之间的案例相似度;
所述属性阶梯层次结构,包括:
制造资源层包括员工等级、工件数、设备数、车间温度末端属性;
调度方案层包括加工矩阵、预留时长比末端属性;
扰动影响层包括扰动时长比、干扰工序比、增加成本比末端属性;
扰动描述层包括扰动时刻比、扰动位置、扰动现象末端属性,
所述属性相似度计算单元中,计算目标案例与对应的扰动案例库中的历史案例之间属性阶梯层次结构中各属性的相似度,包括:
定义,FVi表示案例库中编号为i的案例,FV0表示目标案例;FVi,j表示案例库中编号为i的案例的j属性,fvi,j表示FVi,j的属性值;FV0,j表示目标案例的j属性,fv0,j表示FV0,j的属性值;Sim(FVi,j,FV0,j)表示目标案例与历史案例j属性相似度,在下面公式中,修改j为其他变量来代表不同的属性;
制造资源层:制造资源层根据人、机、物、环境四类信息划分属性;首先,车间人员基于工作能力及经验进行分级,从I级至IV级分别对应员工操作熟练至生疏,I级员工的属性值为4,后续等级的员工属性值依次减1,IV级员工的属性值为1;当目标案例员工等级属性值不小于历史案例对应员工等级属性值时,两者完全相似;若相反,则按照改进的逆指函数进行计算:
式中,p表示案例的员工等级属性;
其次,“机”代表设备,设备属性利用案例的设备数进行度量;“物”代表物料,“物”属性利用案例的物料数量进行度量;环境属性选择对设备影响较大的车间温度值进行度量,这三类属性设计通用计算公式:
式中,n表示扰动案例库中的案例个数;
调度方案层:调度方案层共有两类子属性,调度方案与订单信息;首先,调度方案利用加工时间矩阵进行度量,加工时间矩阵中的元素属于向量类型,向量中包含了两个元素:设备型号和加长时长区间;设备型号属于枚举类型,仅存在两种情况:相同和不相同,即相似度值只能取1或0;加工时间区间的相似度匹配公式:
式中,sch表示调度方案属性;“||”表示参考区间长度;I表示i案例加工时长区间与目标案例加工时长区间的交集;Q表示i案例加工时长区间与目标案例加工时长区间的并集;
调度信息引入预留时长比的概念对案例订单交货期进行量化分析,为了消除量纲的影响,利用案例完工时间与交货期之间的差值再与案例的完工时间相比得出预留时长比,再利用数值比例型的相似度计算通用公式:
扰动影响层:扰动影响层包含三个子属性:扰动时长,干扰工序以及成本信息,分别用于度量扰动时间长短,干扰工序数以及扰动增加成本,此三类属性值都属于经典的精确数值型,但是为了消除量纲的影响,对此三类属性进行简单处理,扰动时长比=扰动时长/最大完工时间;干扰工序比=受干扰工序/总工序数;成本增长比=增加成本/原成本;
扰动描述层:扰动描述层主要围绕案例扰动源的相关属性信息进行量化描述,子属性分为扰动时刻DBmoment、扰动位置DBplace以及扰动现象DBsignal;扰动时刻属于数值比例值,其值表示扰动发生时刻与加工开始时刻的差值和最大完工时间之间的比值,后续采用数值比例型的相似度计算通用公式;扰动现象和扰动位置,利用符号记录不同扰动类型案例中的两属性,两属性均属于枚举类型,不同案例的扰动现象和扰动位置判别只存在两种情况:相同或者不同,即1或0。
4.根据权利要求3所述的一种基于改进案例推理技术的车间扰动决策装置,其特征是,所述属性权重确定单元,包括:
属性权重计算单元,用于通过基于序关系分析法求出每位评判者对于扰动案例属性阶梯层次结构中各属性的权重值;
最终案例权重计算单元,用于利用核密度估计法从多组案例各属性权重值中确定最终的案例权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010685906.7A CN111859039B (zh) | 2020-07-16 | 2020-07-16 | 一种基于改进案例推理技术的车间扰动决策方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010685906.7A CN111859039B (zh) | 2020-07-16 | 2020-07-16 | 一种基于改进案例推理技术的车间扰动决策方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111859039A CN111859039A (zh) | 2020-10-30 |
CN111859039B true CN111859039B (zh) | 2023-08-01 |
Family
ID=72983619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010685906.7A Active CN111859039B (zh) | 2020-07-16 | 2020-07-16 | 一种基于改进案例推理技术的车间扰动决策方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111859039B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561375B (zh) * | 2020-12-23 | 2024-02-20 | 南通河海大学海洋与近海工程研究院 | 一种智能车间数据监控方法 |
CN114066333A (zh) * | 2022-01-17 | 2022-02-18 | 阿里巴巴达摩院(杭州)科技有限公司 | 数据处理方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715342A (zh) * | 2015-03-31 | 2015-06-17 | 国网四川省电力公司电力科学研究院 | 基于案例推理法的电力设备故障处理辅助决策方法 |
WO2016082263A1 (zh) * | 2014-11-28 | 2016-06-02 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于预案的多目标辅助决策平台及其实施方法 |
CN109784684A (zh) * | 2018-12-27 | 2019-05-21 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种基于案例推理的列车运行调整策略决策方法 |
CN111198550A (zh) * | 2020-02-22 | 2020-05-26 | 江南大学 | 基于案例推理的云端智能生产优化调度在线决策方法及系统 |
-
2020
- 2020-07-16 CN CN202010685906.7A patent/CN111859039B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016082263A1 (zh) * | 2014-11-28 | 2016-06-02 | 东莞中国科学院云计算产业技术创新与育成中心 | 一种基于预案的多目标辅助决策平台及其实施方法 |
CN104715342A (zh) * | 2015-03-31 | 2015-06-17 | 国网四川省电力公司电力科学研究院 | 基于案例推理法的电力设备故障处理辅助决策方法 |
CN109784684A (zh) * | 2018-12-27 | 2019-05-21 | 中国铁道科学研究院集团有限公司通信信号研究所 | 一种基于案例推理的列车运行调整策略决策方法 |
CN111198550A (zh) * | 2020-02-22 | 2020-05-26 | 江南大学 | 基于案例推理的云端智能生产优化调度在线决策方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于匹配属性相似度的应急决策方案推荐方法;董庆兴;《控制与决策》;20160731;第1-6页 * |
基于案例推理的扰动作业车间智能调度决策研究;白炜铖;《Value Engineering》;20190123;第1-2页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111859039A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111859039B (zh) | 一种基于改进案例推理技术的车间扰动决策方法及装置 | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN112987666B (zh) | 电厂机组运行优化调控方法及系统 | |
CN113570200B (zh) | 一种基于多维信息的电网运行状态监测方法及系统 | |
CN112132400A (zh) | 一种工序时间规划方法、存储介质及系统 | |
Kabak et al. | A hybrid approach based on ANP and grey relational analysis for machine selection | |
Huang et al. | A weighted fuzzy C-means clustering method with density peak for anomaly detection in IoT-enabled manufacturing process | |
CN114155072B (zh) | 基于大数据分析的财务预测模型构建方法及系统 | |
CN108710502B (zh) | 数控系统的个性化配置方法及其系统 | |
CN109940458A (zh) | 一种刀具未来磨损量在线预测方法 | |
CN117194995A (zh) | 基于数据挖掘的轨道车辆rams数据关联性分析方法 | |
CN109615115A (zh) | 一种面向任务可靠性的集成生产任务调度方法 | |
KR102474332B1 (ko) | 스마트 공장 시스템에서 설비 건강 안정도 예측 방법 및 이를 기록한 기록매체 | |
CN114036452A (zh) | 一种应用于离散型生产线的产能评估方法 | |
CN113592538A (zh) | 一种工程造价概算方法及系统 | |
Fan | Data mining model for predicting the quality level and classification of construction projects | |
CN114626655A (zh) | 一种区域综合能源系统多标准综合评价方法 | |
KR102352658B1 (ko) | 건설 사업 정보 관리 시스템 및 이의 제어 방법 | |
CN111143774B (zh) | 一种基于影响因素多状态模型的电力负荷预测方法和装置 | |
CN114548494B (zh) | 一种可视化造价数据预测智能分析系统 | |
CN118011990B (zh) | 基于人工智能的工业数据品质监控与提升系统 | |
CN117697464B (zh) | 一种高精度数控机床的控制方法及系统 | |
CN107358348A (zh) | 一种基于oee提高计划容错性的方法 | |
CN113010917B (zh) | 面向同期线损管理系统具有隐私保护的降损分析处理方法 | |
CN112381396B (zh) | 一种服务于企业发展规划的集成管理方法及系统 |
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 |