CN111966049B - 一种混合流水车间生产设备调度控制方法 - Google Patents
一种混合流水车间生产设备调度控制方法 Download PDFInfo
- Publication number
- CN111966049B CN111966049B CN202010575648.7A CN202010575648A CN111966049B CN 111966049 B CN111966049 B CN 111966049B CN 202010575648 A CN202010575648 A CN 202010575648A CN 111966049 B CN111966049 B CN 111966049B
- Authority
- CN
- China
- Prior art keywords
- workpiece
- maintenance
- machine
- time
- production
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 claims abstract description 101
- 238000012423 maintenance Methods 0.000 claims abstract description 72
- 230000002068 genetic effect Effects 0.000 claims abstract description 27
- 238000005265 energy consumption Methods 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 40
- 210000000349 chromosome Anatomy 0.000 claims description 33
- 108090000623 proteins and genes Proteins 0.000 claims description 16
- 238000003754 machining Methods 0.000 claims description 9
- 230000003111 delayed effect Effects 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims 1
- 230000035772 mutation Effects 0.000 description 5
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种混合流水车间生产设备调度控制方法,包括以下步骤:获取待控制的混合流水车间的生产特征;基于所述生产特征,建立考虑设备维护和能源供应峰值的用于调度控制的混合整数规划模型;基于遗传算法和双模因算法对所述混合整数规划模型进行寻优求解,获得最优生产调度信息;基于所述生产调度信息对混合流水车间的生产设备及工件进行控制。与现有技术相比,本发明具有调度控制精准、稳定性高等优点。
Description
技术领域
本发明涉及一种车间生产设备调度方法,尤其是涉及一种混合流水车间生产设备调度控制方法。
背景技术
混合流水车间生产问题一般可以描述为:一批待加工工件按照某种顺序依次经过多道工序加工,每个工件的加工工序相同,且每台设备同一时刻只能加工一个工件对应一道工序,但是工件加工每道工序时可以在可用设备集合中选择任一个机器。在满足生产约束条件下,通过对工件的加工顺序和设备选择进行合理的安排,可以优化一些性能指标。这是一类NP难问题。
现有的研究中,在中国专利申请“一种基于双目标作业车间调度的混合果蝇算法”(公开号:CN108776845A)中,戴佐俊等提出了一种双目标作业车间调度的混合果蝇算法,提升了作业车间的效率。但是在可持续制造的大背景下,该方法并不能达到节能效果。在中国专利申请“一种用于混合流水车间节能调度的建模方法” (公开号CN109634239A)中,孟磊磊等提出了一种用于混合流水车间节能调度的建模方法,根据加工位置占用变量、关机重启策略变量以及机床上两相邻位置间的待机能耗变量建立线性模型约束集,完成线性模型的建立。此建模方法考虑了机器不同状态下的能耗,并建立了节能的调度方法。但是没有考虑到机器会随着服役时间的增加造成性能逐渐下降,不仅会导致生产延迟和能源损耗,更会带来安全隐患,该方法的稳定可靠性不够。并且,在能源日益紧缺的背景下,如何在完成生产任务的同时满足能源使用峰值要求需要进一步深入研究,因此具有重要的现实意义。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种调度控制精准、稳定性高的混合流水车间生产设备调度控制方法。
本发明的目的可以通过以下技术方案来实现:
一种混合流水车间生产设备调度控制方法,包括以下步骤:
获取待控制的混合流水车间的生产特征;
基于所述生产特征,建立考虑设备维护和能源供应峰值的用于调度控制的混合整数规划模型;
基于遗传算法和双模因算法对所述混合整数规划模型进行寻优求解,获得最优生产调度信息;
基于所述生产调度信息对混合流水车间的生产设备及工件进行控制。
进一步地,所述混合整数规划模型的目标为最小化最大完工时间,目标函数f 表示为:
f=min(Cmax)
其中,Cmax代表所有工件的加工完成时间记录。
进一步地,所述混合整数规划模型的约束条件包括生产约束、设备维护约束和能源供应峰值约束。
进一步地,所述生产约束包括:
约束每个工件每道工序只能被加工一次:
约束任意工件j下一道工序s+1的开始加工时间STj(s+1)都大于等于上一道工序 s的完成时间ETjs:
约束任意工件j每道工序s的完成时间ETjs等于开始加工时间STjs与加工用时 Tjs之和:
约束每台设备不能同时加工多个工件:
其中,J为工件集合,S为工序集合,M为设备集合,Ms表示不同工序可加工的机器集合,Xjsm=1代表工件j在第s道工序被分配到机器,ETjm表示机器m加工完工件j的完成时间,ST(j+1)m表示机器m加工工件j+1的开始时间。
进一步地,所述设备维护约束包括:
约束设备已运行的时长与加工下一个工件耗时之和不能高于设备的剩余使用寿命:
约束设备在维护期间,不能对工件进行加工:
Xjm,X(j+1)m=1
约束设备的开始维护时间与结束维护时间:
MSTmk=Zmk×ETjm
METmk=MSTmk+EOHmk
其中,M为设备集合,SOHmk表示机器m第k次维护之后运行的时长,Tjsm表示工件j的工序s在机器m上的加工耗时,RULmk表示机器m第k次维护之后的剩余使用寿命,当机器进入维护期时,Zmk=1,否则,Zmk=0,ETjm表示机器m 加工完工件j的完成时间,EOHmk代表机器m第k次维护所需时长,MSTmk代表机器m第k次维护的开始维护时间,ST(j+1)m表示机器m加工工件j+1的开始时间, METmk代表机器m第k次维护的结束维护时间。
进一步地,所述能源供应峰值约束包括:
约束生产过程中,任意时刻的能耗不能超过能源供应峰值:
E(ti)≤Emax 0≤ti≤Cmax
约束在能耗曲线上,每个单位时间的能耗值是在本单位时间内进行加工的工件的能耗累加和:
其中,J为工件集合,S为工序集合,E(ti)代表ti时刻的能耗曲线,Emax代表能源供应峰值,E(ti)update代表更新后的能源曲线,Yjsti代表第j个工件第s个工序的加工时间是否包含ti,Yjsti=1代表是,Yjsti=0代表不是,代表第j个工件第 s个工序的单位能耗,Cmax代表最后一个工件加工完成的时间。
进一步地,对所述混合整数规划模型进行寻优求解时,采用所述遗传算法的思想进行编码,具体为:
采用实数编码对每个工件和工件每道工序可用的机器进行编码,获得工件编码染色体,每个染色体序列由工件工序和使用机器两层组成。
进一步地,所述双模因算法为以遗传算法为框架,并混合机器维护启发算法以及染色体优先序列启发式算法的算法,所述混合具体为:
在进行遗传操作的过程中,每迭代一次遗传操作,进行一次机器维护启发式算法和染色体优先序列启发式算法;或者
在进行遗传操作的过程中,每迭代一次遗传操作,进行一次机器维护启发式算法,并且在获得初步的最优生产调度信息后,再根据染色体优先序列启发式算法对初步的最优生产调度信息进行修改。
进一步地,所述机器维护启发式算法具体为:
a)若设备m1加工某任务直到完成加工,都不会达到故障条件,则设备m1进行不维护;
b)若设备m1加工某任务直到完成加工,正好达到故障条件,则设备m1加工完此任务后进行维护;
c)若设备m1在开始加工某任务时就达到故障条件,则设备m1放弃加工该任务,转到维护状态,维护完成后,再开始加工此任务;
d)若设备m1在加工某任务未完成时达到故障条件,则设备m1放弃加工该任务,转到维护状态,维护完成后,再开始加工此任务。
进一步地,所述染色体优先序列启发式算法具体为:
a)按前后顺序提取染色体中的每个工件基因j,来表示当前工件;从编码中提取当前工件j所在的工序s,加工当前工件j的机器m;从记录工件加工时间的变量PVal中提取出工件开始加工时间val;
b)从输入的数据中找到当前工件j在s工序m机器上加工所需要的单位能耗 e,记录单位能耗
c)将加到记录能耗曲线的变量中,判断能耗曲线是否有超过能源供应峰值Emax的时刻,如果有,那么将当前工件加工时间延后,直到能耗曲线上的值都不大于Emax;
d)重复a)到c),直到遍历完染色体上的所有工件基因。
与现有技术相比,本发明具有如下有益效果:
1、本发明在构建用于调度控制的混合整数规划模型时,考虑了设备维护和能源供应峰值,在节约能源的同时,提高了生产过程的稳定可靠性。
2、本发明在进行混合整数规划模型的寻优求解时,采用了混合方式,对不同规模的调度控制均有较高的稳定性。
附图说明
图1为本发明的流程示意图;
图2为第一种混合方式的框架示意图;
图3为第二种混合方式的框架示意图;
图4为第一种混合方式下的甘特图;
图5为第二种混合方式下的甘特图;
图6为第一种混合方式下的能耗曲线图;
图7为第二种混合方式下的能耗曲线图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,本发明提供一种混合流水车间生产设备调度控制方法,包括以下步骤:获取待控制的混合流水车间的生产特征;基于所述生产特征,建立考虑设备维护和能源供应峰值的用于调度控制的混合整数规划模型;基于遗传算法和双模因算法对所述混合整数规划模型进行寻优求解,获得最优生产调度信息;基于所述生产调度信息对混合流水车间的生产设备及工件进行控制。
本发明中,混合整数规划模型的目标为最小化最大完工时间,约束条件包括生产约束、设备维护约束和能源供应峰值约束,其中,目标函数f表示为:
f=min(Cmax) (1)
生产约束包括:
约束每个工件每道工序只能被加工一次:
约束任意工件j下一道工序s+1的开始加工时间STj(s+1)都大于等于上一道工序 s的完成时间ETjs:
约束任意工件j每道工序s的完成时间ETjs等于开始加工时间STjs与加工用时 Tjs之和:
约束每台设备不能同时加工多个工件:
设备维护约束包括:
约束设备已运行的时长与加工下一个工件耗时之和不能高于设备的剩余使用寿命:
约束设备在维护期间,不能对工件进行加工:
约束设备的开始维护时间与结束维护时间:
MSTmk=Zmk×ETjm (8)
METmk=MSTmk+EOHmk (9)
能源供应峰值约束包括:
约束生产过程中,任意时刻的能耗不能超过能源供应峰值:
E(ti)≤Emax 0≤ti≤Cmax (10)
约束在能耗曲线上,每个单位时间的能耗值是在本单位时间内进行加工的工件的能耗累加和:
其中,Cmax代表所有工件的加工完成时间记录;J为工件集合,S为工序集合, M为设备集合,Ms表示不同工序可加工的机器集合;Xjsm=1代表工件j在第s道工序被分配到机器;ETjm表示机器m加工完工件j的完成时间,ST(j+1)m表示机器 m加工工件j+1的开始时间;E(ti)代表ti时刻的能耗曲线,Emax代表能源供应峰值, E(ti)update代表更新后的能源曲线;Yjsti代表第j个工件第s个工序的加工时间是否包含ti,Yjsti=1代表是Yjsti=0代表不是;代表第j个工件第s个工序的单位能耗;SOHmk表示机器m第k次维护之后运行的时长,Tjsm表示工件j的工序s在机器m上的加工耗时,RULmk表示机器m第k次维护之后的剩余使用寿命,当机器进入维护期时,Zmk=1,否则,Zmk=0。ETjm表示机器m加工完工件j的完成时间,EOHmk代表机器m第k次维护所需时长,MSTmk代表机器m第k次维护的开始维护时间,ST(j+1)m表示机器m加工工件j+1的开始时间,METmk代表机器 m第k次维护的结束维护时间。
在本实施例中,工件的生产信息和设备的维护信息如表1和表2。
表1 工件生产信息
将此信息扩展为4组,形成12个工件,3道工序,7台设备的混合流水车间调度问题。
表2 设备维护信息
对所述混合整数规划模型进行寻优求解时,采用所述遗传算法的思想进行编码。遗传算法的具体过程包括:
(401)采用实数编码对每个工件和工件每道工序可用的机器进行编码,获得工件编码染色体,每个染色体序列由工件工序和使用机器两层组成。染色体上层的数字代表工件编号,这个数字在上层出现的次数代表此工件加工的第几道工序;染色体下层的数字代表在其对应的染色体上层的数字表示的工序下,可选的机器编号。
例如,3个工件3个工序的染色体可以编码如表3所示。
表3 3个工件3个工序的染色体
基因1上层表示第1个工件的第1道工序,对应下层表示第1个工件的第1 道工序分配到可选机器的第1台;基因5上层表示第1个工件的第2道工序,对应下层表示第1个工件的第2道工序分配到可选机器的第1台。其他基因同理。
(402)初始化种群,设置最大迭代次数,如种群个体数NIND=50,迭代次数gen=150。
(403)设置遗传操作的选择率,交叉率以及变异率,如选择率GGAP=0.8,交叉率XOVR=0.4,变异率MUTR=0.2。
(404)对种群中的个体进行单点交叉操作,即以交叉率为交叉概率,交换染色体以某点为基准的左右两边的基因(不包含目标值)。
在本实施例中,以三个工件为例说明:
父1:1 2 2 3 1↑3 3 2 1
父2:2 1 1 3 3↑2 1 3 2
以箭头为界,进行单点交叉,交叉后生成两个子代个体:
子1:1 2 2 3 1↑2 1 3 2
子2:2 1 1 3 3↑3 3 2 1
(405)对种群中的个体进行变异操作,即以变异率为概率变异染色体上的某个基因。
在本实施例中,随机选取变异基因,在合理范围内重新赋值。本例的变异操作针对染色体的右半部分,即表示机器的基因进行变异。例如基因序列1 2 2 3 1 3 3 2 1|1 3 22 1 1 1 2 2,基因10表示第1个工件的第1道工序分配到可选机器的第1 台,工件1的第1道工序可选的设备由表1可知为{设备1,设备2,设备3},则可以将基因10突变为2或3。
(406)将遗传操作后的新种群与未遗传操作的种群进行合并,形成个体数是进行选择操作后个体数两倍的新种群。
(407)根据原始种群个数,淘汰较劣个体,留下原始个体数个较优个体。
在本实施例中,采用的是基于线性的适应度函数,具体计算过程如下:
假设初始群体中个体个数为N,将1等分为N份,例如N=100,则第一份为1,最后一份为0.01;群体中每个个体根据式(3.1)计算目标函数值,根据目标函数值从小到大将个体排序,第一名(目标函数值最小)分到的适应度值为1,最后一名(目标函数值最大)分到的适应度值为0.01。适应度值越大,代表个体适应性越强,个体越优,在进化过程中越容易被保留。
双模因算法为以遗传算法为框架,并混合机器维护启发算法以及染色体优先序列启发式算法的算法,用于对迭代获得的较优的个体进行解码,其中:
所述机器维护启发式算法具体为:
a)若设备m1加工某任务直到完成加工,都不会达到故障条件,则设备m1进行不维护;
b)若设备m1加工某任务直到完成加工,正好达到故障条件,则设备m1加工完此任务后进行维护;
c)若设备m1在开始加工某任务时就达到故障条件,则设备m1放弃加工该任务,转到维护状态,维护完成后,再开始加工此任务;
d)若设备m1在加工某任务未完成时达到故障条件,则设备m1放弃加工该任务,转到维护状态,维护完成后,再开始加工此任务。
所述染色体优先序列启发式算法具体为:
a)按前后顺序提取染色体中的每个工件基因j,来表示当前工件;从编码中提取当前工件j所在的工序s,加工当前工件j的机器m;从记录工件加工时间的变量PVal中提取出工件开始加工时间val;
b)从输入的数据中找到当前工件j在s工序m机器上加工所需要的单位能耗 e,记录单位能耗
c)将加到记录能耗曲线的变量中,判断能耗曲线是否有超过能源供应峰值Emax的时刻,如果有,那么将当前工件加工时间延后,直到能耗曲线上的值都不大于Emax;
d)重复a)到c),直到遍历完染色体上的所有工件基因。
机器维护启发算法以及染色体优先序列启发式算法的混合方式有两种,具体为:
在进行遗传操作的过程中,每迭代一次遗传操作,进行一次机器维护启发式算法和染色体优先序列启发式算法,如图2所示;或者
在进行遗传操作的过程中,每迭代一次遗传操作,进行一次机器维护启发式算法,并且在获得初步的最优生产调度信息后,再根据染色体优先序列启发式算法对初步的最优生产调度信息进行修改,最后得到满足能源供应峰值要求和机器维护需求的生产调度策略,如图3所示。
通过上述两种混合方式进行解码,生成最优个体的甘特图以及能耗曲线图,如图4-图7所示。
本实施例在三种规模下,分别为:小规模3工件3工序,中规模60工件3工序,大规模144工件3工序,两种混合方式的目标值如表4所示
表4 不同规模下两种混合方式的目标值
从表4可以看出,三种不同规模下,混合方式一目标均值多数情况下比混合方式二优。
最后,根据评定函数计算在不同规模下,两种混合方式的性能,RPD结果如表5所示。
表5 不同规模下两种混合方式的RPD值
从表5可以看出小规模的情况下,两种混合方式的稳定性差不多;在中、大规模,混合方式一的稳定性要比方式二要好。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (6)
1.一种混合流水车间生产设备调度控制方法,其特征在于,包括以下步骤:
获取待控制的混合流水车间的生产特征;
基于所述生产特征,建立考虑设备维护和能源供应峰值的用于调度控制的混合整数规划模型;
基于遗传算法和双模因算法对所述混合整数规划模型进行寻优求解,获得最优生产调度信息;
基于所述生产调度信息对混合流水车间的生产设备及工件进行控制;
所述混合整数规划模型的约束条件包括生产约束、设备维护约束和能源供应峰值约束;
对所述混合整数规划模型进行寻优求解时,采用所述遗传算法的思想进行编码,具体为:
采用实数编码对每个工件和工件每道工序可用的机器进行编码,获得工件编码染色体,每个染色体序列由工件工序和使用机器两层组成;
所述双模因算法为以遗传算法为框架,并混合机器维护启发算法以及染色体优先序列启发式算法的算法,所述混合具体为:
在进行遗传操作的过程中,每迭代一次遗传操作,进行一次机器维护启发式算法和染色体优先序列启发式算法;或者
在进行遗传操作的过程中,每迭代一次遗传操作,进行一次机器维护启发式算法,并且在获得初步的最优生产调度信息后,再根据染色体优先序列启发式算法对初步的最优生产调度信息进行修改;
所述机器维护启发式算法具体为:
a)若设备m1加工某任务直到完成加工,都不会达到故障条件,则设备m1进行不维护;
b)若设备m1加工某任务直到完成加工,正好达到故障条件,则设备m1加工完此任务后进行维护;
c)若设备m1在开始加工某任务时就达到故障条件,则设备m1放弃加工该任务,转到维护状态,维护完成后,再开始加工此任务;
d)若设备m1在加工某任务未完成时达到故障条件,则设备m1放弃加工该任务,转到维护状态,维护完成后,再开始加工此任务。
2.根据权利要求1所述的混合流水车间生产设备调度控制方法,其特征在于,所述混合整数规划模型的目标为最小化最大完工时间,目标函数f表示为:
f=min(Cmax)
其中,Cmax代表最后一个工件加工完成的时间。
3.根据权利要求1所述的混合流水车间生产设备调度控制方法,其特征在于,所述生产约束包括:
约束每个工件每道工序只能被加工一次:
约束任意工件j下一道工序s+1的开始加工时间STj(s+1)都大于等于上一道工序s的完成时间ETjs:
约束任意工件j每道工序s的完成时间ETjs等于开始加工时间STjs与加工用时Tjs之和:
约束每台设备不能同时加工多个工件:
其中,J为工件集合,S为工序集合,M为设备集合,Ms表示不同工序可加工的机器集合,Xjsm=1代表工件j在第s道工序被分配到机器,ETjm表示机器m加工完工件j的完成时间,ST(j+1)m表示机器m加工工件j+1的开始时间。
4.根据权利要求1所述的混合流水车间生产设备调度控制方法,其特征在于,所述设备维护约束包括:
约束设备已运行的时长与加工下一个工件耗时之和不能高于设备的剩余使用寿命:
约束设备在维护期间,不能对工件进行加工:
Xjm=1,X(j+1)m=1
约束设备的开始维护时间与结束维护时间:
MSTmk=Zmk×ETjm
METmk=MSTmk+EOHmk
其中,M为设备集合,SOHmk表示机器m第k次维护之后运行的时长,Tjsm表示工件j的工序s在机器m上的加工耗时,RULmk表示机器m第k次维护之后的剩余使用寿命,当机器进入维护期时,Zmk=1,否则,Zmk=0,ETjm表示机器m加工完工件j的完成时间,EOHmk代表机器m第k次维护所需时长,MSTmk代表机器m第k次维护的开始维护时间,ST(j+1)m表示机器m加工工件j+1的开始时间,METmk代表机器m第k次维护的结束维护时间。
5.根据权利要求1所述的混合流水车间生产设备调度控制方法,其特征在于,所述能源供应峰值约束包括:
约束生产过程中,任意时刻的能耗不能超过能源供应峰值:
E(ti)≤Emax 0≤ti≤Cmax
约束在能耗曲线上,每个单位时间的能耗值是在本单位时间内进行加工的工件的能耗累加和:
其中,J为工件集合,S为工序集合,E(ti)代表ti时刻的能耗曲线,Emax代表能源供应峰值,E(ti)update代表更新后的能源曲线,Yjsti代表第j个工件第s个工序的加工时间是否包含ti,Yjsti=1代表是,Yjsti=0代表不是,代表第j个工件第s个工序的单位能耗,Cmax代表最后一个工件加工完成的时间。
6.根据权利要求1所述的混合流水车间生产设备调度控制方法,其特征在于,所述染色体优先序列启发式算法具体为:
a)按前后顺序提取染色体中的每个工件基因j,来表示当前工件;从编码中提取当前工件j所在的工序s,加工当前工件j的机器m;从记录工件加工时间的变量PVal中提取出工件开始加工时间val;
b)从输入的数据中找到当前工件j在s工序m机器上加工所需要的单位能耗e,记录单位能耗
c)将加到记录能耗曲线的变量中,判断能耗曲线是否有超过能源供应峰值Emax的时刻,如果有,那么将当前工件加工时间延后,直到能耗曲线上的值都不大于Emax;
d)重复a)到c),直到遍历完染色体上的所有工件基因。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010575648.7A CN111966049B (zh) | 2020-06-22 | 2020-06-22 | 一种混合流水车间生产设备调度控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010575648.7A CN111966049B (zh) | 2020-06-22 | 2020-06-22 | 一种混合流水车间生产设备调度控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111966049A CN111966049A (zh) | 2020-11-20 |
CN111966049B true CN111966049B (zh) | 2023-08-29 |
Family
ID=73362198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010575648.7A Active CN111966049B (zh) | 2020-06-22 | 2020-06-22 | 一种混合流水车间生产设备调度控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111966049B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561194B (zh) * | 2020-12-22 | 2023-10-03 | 华中科技大学 | 一种混合流水车间生产与物流集成调度方法及系统 |
CN112633810B (zh) * | 2020-12-29 | 2022-11-29 | 上海拓扑丝路供应链科技有限公司 | 一种基于国际货运服务标准价格转换装置的价格转换方法 |
CN113361860B (zh) * | 2021-05-12 | 2023-04-07 | 同济大学 | 考虑疲劳度的柔性流水车间调度控制方法、介质及设备 |
CN116300763B (zh) * | 2023-03-31 | 2024-05-24 | 华中科技大学 | 考虑机器配置的混合流水车间数学启发式调度方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08315028A (ja) * | 1995-05-22 | 1996-11-29 | Nippon Telegr & Teleph Corp <Ntt> | ジョブショップスケジューリング方法及び装置 |
CN103309316A (zh) * | 2013-05-28 | 2013-09-18 | 北京理工大学 | 带有批处理机的多阶段变异混合流水车间调度方法 |
CN104376369A (zh) * | 2014-09-17 | 2015-02-25 | 广东工业大学 | 一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法 |
CN109765862A (zh) * | 2018-12-26 | 2019-05-17 | 同济大学 | 基于自适应遗传算法的混合流水车间可持续调度控制方法 |
CN110221585A (zh) * | 2019-06-14 | 2019-09-10 | 同济大学 | 一种用于混合流水车间考虑设备维护的节能调度控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT201700056428A1 (it) * | 2017-05-24 | 2018-11-24 | Telespazio Spa | Innovativo metodo di scheduling satellitare basato su algoritmi genetici e simulated annealing e relativo pianificatore di missione |
-
2020
- 2020-06-22 CN CN202010575648.7A patent/CN111966049B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08315028A (ja) * | 1995-05-22 | 1996-11-29 | Nippon Telegr & Teleph Corp <Ntt> | ジョブショップスケジューリング方法及び装置 |
CN103309316A (zh) * | 2013-05-28 | 2013-09-18 | 北京理工大学 | 带有批处理机的多阶段变异混合流水车间调度方法 |
CN104376369A (zh) * | 2014-09-17 | 2015-02-25 | 广东工业大学 | 一种基于混合遗传算法的轮胎硫化车间能耗优化调度方法 |
CN109765862A (zh) * | 2018-12-26 | 2019-05-17 | 同济大学 | 基于自适应遗传算法的混合流水车间可持续调度控制方法 |
CN110221585A (zh) * | 2019-06-14 | 2019-09-10 | 同济大学 | 一种用于混合流水车间考虑设备维护的节能调度控制方法 |
Non-Patent Citations (1)
Title |
---|
考虑运输的柔性流水车间多处理器任务调度的混合遗传优化算法;轩华;王潞;李冰;王薛苑;;计算机集成制造系统(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111966049A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111966049B (zh) | 一种混合流水车间生产设备调度控制方法 | |
CN110221585B (zh) | 一种用于混合流水车间考虑设备维护的节能调度控制方法 | |
CN107450498B (zh) | 基于改进人工蜂群算法的生产调度方法及系统 | |
CN104504540B (zh) | 基于多阶段智能优化算法的动态柔性作业车间调度控制方法 | |
CN110543151B (zh) | 基于改进nsga-ⅱ求解车间节能调度问题的方法 | |
CN108460463B (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
CN108182518B (zh) | 一种基于改进遗传算法的在制状态人员调度方法 | |
CN112381273B (zh) | 一种基于u-nsga-iii算法的多目标作业车间节能优化方法 | |
CN113361860B (zh) | 考虑疲劳度的柔性流水车间调度控制方法、介质及设备 | |
CN112686474B (zh) | 一种基于改进的水波优化算法的可并行装配线平衡方法 | |
CN112580922A (zh) | 一种基于多级邻域结构和混合遗传算法的柔性作业车间调度方法 | |
CN117035364A (zh) | 基于改进混合模因算法的分布式异构流水车间调度方法 | |
CN115796510A (zh) | 一种基于改进的变邻域遗传算法的多目标柔性作业车间调度方法 | |
CN115169798A (zh) | 一种带准备时间分布式柔性作业车间调度方法及系统 | |
CN109214695B (zh) | 基于改进eda的高端装备研发制造协同调度方法及系统 | |
CN112990716B (zh) | 一种双资源约束柔性车间调度和布局集成优化方法及系统 | |
CN116985146B (zh) | 退役电子产品的机器人并行拆解规划方法 | |
CN117077975A (zh) | 基于混合初始化模因算法的分布式异构流水车间调度方法 | |
CN111665799A (zh) | 一种基于协同算法的时间约束型并行机节能调度方法 | |
CN113792494B (zh) | 基于迁徙鸟群算法和交叉融合的多目标柔性作业车间调度方法 | |
CN116360355A (zh) | 基于nsga-iii算法求解车间调度问题的方法 | |
CN115470977A (zh) | 基于帝国竞争算法的多目标柔性作业车间分批调度方法 | |
CN113283819B (zh) | 基于规则解码的Job Shop调度问题求解方法及系统 | |
CN115936342A (zh) | 一种基于多目标算法的柔性作业车间批量调度方法 | |
Esquivel et al. | Parameter settings and representations in Pareto-based optimization for job shop scheduling |
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 |