CN112036707A - 面向时间不确定生产过程协同的节拍控制方法和系统 - Google Patents

Abstract

本发明提供了一种面向时间不确定生产过程协同的节拍控制方法和系统，涉及任务协同技术领域。本发明以预计浪费时间等指标对协同生产过程效率进行度量，并通过加权时间浪费和的期望计算预计浪费时间；面对存在时间不确定的协同生产过程，以设定节拍的方式限制了协同生产过程中不确定性因素的传播和浪费时间的产生；面向侧重生产过程协同效率和完成概率的不同场景，构建了两种节拍协同控制模型，通过求解模型获取对时间不确定生产过程协同的节拍方案；本发明提出的方法能够有效减少生产过程中的时间浪费，提高协同效率，并降低了获取有效协同控制方案的难度，具有更高的鲁棒性，能够为服务主体提供更好的协同指导。

Description

面向时间不确定生产过程协同的节拍控制方法和系统

技术领域

本发明涉及任务协同技术领域，具体涉及一种面向时间不确定生产过程协同的节拍控制方法和系统。

背景技术

新型制造模式与市场环境下，客户需求呈现单件小批量的个性化趋势，制造资源的组织方式由企业内部资源的静态组织向全市场制造服务的动态组织转变，完成客户需求的生产过程从单个企业内部转移到多个企业中，每个服务主体承担一部分生产任务。这些变化对度量生产过程效率造成了影响，单件小批量的生产过程不适用大规模生产中常用的单位时间内生产数量的效率度量指标，生产过程的分散性使得仅仅关注客户需求的完成周期是不够的，还需要对生产过程协同效率进行考虑。

众多学者从不同角度分析了协同效率的影响因素并阐述了生产时间不确定性的来源及其表示方式。大部分的研究主要关注总完成时间等结果型指标，例如，以最早开始时间、最晚开始时间或最可能开始时间为标准进行时间组织和控制以达成总完成时间最短的目标。

但现有的方法缺乏系统的描述而且没有考虑不确定程度、任务完成概率等因素对协同效率的影响。在协同效率的度量方面，大部分的研究主要关注总完成时间等结果型指标，忽略了对服务过程中时间浪费程度等过程效率的度量，缺乏关于协同效率的过程指标。优化模型结合仿真和智能算法是解决存在不确定性的时间协同问题的有效手段，也为本发明提供了研究基础，但是已有研究中无论是使用某一分布还是通用分布对生产时间进行表示，都要求所有生产时间服从同一种分布，缺少了对于不同生产任务具有不同时间分布函数以及多个不确定时间分布综合的考虑。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种面向时间不确定生产过程协同的节拍控制方法和系统，解决了现有技术没有考虑不确定程度、任务完成概率等因素对协同效率的影响的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种面向时间不确定生产过程协同的节拍控制方法，该方法包括：获取协同生产任务信息；

基于协同生产任务信息构建以预计浪费时间最优为目标的节拍协同控制模型，所述节拍协同控制模型包括目标函数和约束条件；

求解节拍协同控制模型，输出预计浪费时间最优的时间区间组合作为节拍ST；

ST＝{[SS₁,SE₁],…,[SS_i,SE_i],…,[SS_n,SE_n]}

其中，SS为任务的设定开始时间；SE为任务的设定结束时间；i为任务和服务主体编号；n为任务和服务主体的数量。

进一步的，所述协同生产任务信息包括：服务结构关系、各任务的生产时间所服从的分布、各任务的历史浪费时间。

进一步的，所述协同生产任务信息还可以包括：服务结构关系、各任务的生产时间所服从的分布、各任务的历史浪费时间、任务完成概率。

进一步的，所述目标函数为：

其中，θ表示历史浪费时间，且计算公式为

θ_e表示预计浪费时间，且计算公式为

A表示直接相邻的服务对的集合；

d为任务的实际结束时间。

进一步的，所述约束条件可以为：

s₀＝d₀＝0

d_i＝s_i+t_i

SS_i,SE_i≥0

SE_i＞SS_i

其中，s为任务的实际开始时间；t为服务主体完成任务的生产时间；A为直接相邻的服务对的集合；D为客户需求的完成期限。

进一步的，所述约束条件还可以为：

s₀＝d₀＝0

d_i＝s_i+t_i

Pr{t_i≤SE_i-SS_i}≥p

SE_i＞SS_i

其中，s为任务的实际开始时间；t为服务主体完成任务的生产时间；A为直接相邻的服务对的集合；D为客户需求的完成期限；p表示任务完成概率；Pr{}为概率函数。

进一步的，所述各任务的生产时间所服从的分布包括：均值为μ、方差为σ²的正态分布N(μ,σ²)、区间[a,b]内的均匀分布Uniform(a,b)或区间[a,b]内且众数为m的三角分布Triangle(a,m,b)。

进一步的，所述求解节拍协同控制模型采用嵌入蒙特卡洛仿真的粒子群优化算法，具体为：

通过蒙特卡洛仿真计算每一组时间区间组合对应的目标函数值作为粒子群算法的适应度，再使用粒子群算法对该问题进行寻优求解，最终获得预计浪费时间最优的时间区间组合即节拍。

第二方面，本发明提供了一种面向时间不确定生产过程协同的节拍控制系统，所述系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

(三)有益效果

本发明提供了一种面向时间不确定生产过程协同的节拍控制方法和系统。与现有技术相比，具备以下有益效果：

本发明以预计浪费时间等指标对协同生产过程效率进行度量，并通过加权时间浪费和的期望计算预计浪费时间；面对存在时间不确定的协同生产过程，以设定节拍的方式限制了协同生产过程中不确定性因素的传播和浪费时间的产生。面向侧重生产过程协同效率和任务完成概率的两种不同场景，构建了两种节拍协同控制模型，通过求解模型获取对时间不确定生产过程协同的节拍方案，本发明对比以最早开始时间、最迟开始时间和最可能开始时间为标准进行时间组织和控制的现有技术，能够减少协同生产过程中的浪费时间，实现更高的过程效率，并降低了获取有效时间控制方案的难度。对比采用加入时间缓冲的时间控制技术，本发明通过节拍在每个生产任务或生产环节都限制了不确定性的传播，具有更高的鲁棒性，能够为服务主体提供更好的时间指导。

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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例的流程图；

图2为本发明实施例1中服务结构关系的示意图；

图3为本发明实施例1中嵌入蒙特卡洛仿真的粒子群优化算法的流程示意图；

图4为本发明实施例中实验1的迭代次数与预计浪费时间的关系示意图；

图5为本发明实施例中实验2的迭代次数与预计浪费时间的关系示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请实施例通过提供一种面向时间不确定生产过程协同的节拍控制方法和系统，解决了现有技术没有考虑不确定程度、任务完成概率等因素对协同效率的影响的问题，实现减少协同生产过程中的浪费时间、更高的过程效率的目的。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

实施例1：

如图1所示，本发明提供了一种面向时间不确定生产过程协同的节拍控制方法，可应用于侧重于协同效率的面向时间不确定生产过程协同的节拍控制问题，该方法由计算机执行，该方法包括：

获取协同生产任务信息；

基于协同生产任务信息构建以预计浪费时间最优为目标的节拍协同控制模型，所述节拍协同控制模型包括目标函数和约束条件；

求解节拍协同控制模型，输出预计浪费时间最优的时间区间组合作为节拍ST；

ST＝{[SS₁,SE₁],…,[SS_i,SE_i],…,[SS_n,SE_n]}

其中，SS为任务的设定开始时间；SE为任务的设定结束时间；i为任务和服务主体编号；n为任务和服务主体的数量。

本实施例的有益效果为：

本发明实施例1以预计浪费时间等指标对协同生产过程效率进行度量，并通过加权时间浪费和的期望计算预计浪费时间；面对存在时间不确定的协同生产过程，以设定节拍的方式限制了协同生产过程中不确定性因素的传播和浪费时间的产生。面向侧重生产过程协同效率的场景，构建了一种节拍协同控制模型，通过求解模型获取对时间不确定生产过程协同的节拍方案，本发明实施例1对比以最早开始时间、最迟开始时间和最可能开始时间为标准进行时间组织和控制的现有技术，能够减少协同生产过程中的浪费时间，实现更高的过程效率，并降低了获取有效时间控制方案的难度。对比采用加入时间缓冲的时间控制技术，本发明实施例1通过节拍在每个生产任务或生产环节都限制了不确定性的传播，具有更高的鲁棒性，能够为服务主体提供更好的时间指导。

下面以汽车协同制造为例，对本发明实施例的实现过程进行详细说明：

获取协同生产任务信息：

客户定制汽车需求由n＝10个服务主体协同完成，分别为汽车造型设计任务、汽车功能设计任务、工艺规划任务、零部件采购任务、标准件冲压任务、定制件冲压任务、底盘焊装任务、部件焊装任务、汽车涂装任务和整车装配任务。限定客户需求的完成期限为D＝110天。

基于服务结构关系可得到汽车协同生产网络即任务之间的时序约束关系，如图2所示；协同生产网络还包括节点编号为0的开始节点，即节点0和节点编号为n+1的结束节点，即节点11。即整个网络共包括n+2个节点。

同时依据汽车制造任务的不确定性对其生产时间分布f_i(t)进行了假设，得到汽车协同生产任务信息表，如表1所示。其中，N(μ,σ²)表示均值为μ、方差为σ²的正态分布；Uniform(a,b)表示区间[a,b]内的均匀分布；Triangle(a,m,b)表示区间[a,b]内、众数为m的三角分布。

表1汽车协同生产任务信息表

节拍协同控制模型的构建：

为了实现对存在生产时间可变性的生产过程的时间控制，满足物料人工等多维度协同的需要，减少生产过程中的时间浪费，提高协同效率，构建面向不确定生产时间并以预计浪费时间最优为目标的节拍协同控制模型，即TCCM模型，从而为多主体协作过程提供能够实现任务之间高效衔接的时间指导。

由于历史浪费时间θ和预计浪费时间θ_e均为成本型指标，其值越小则协同生产过程的协同效率越高，因此选取最小化预计浪费时间值Γ(θ_e,Fa)＝minθ_e(Fa)作为目标函数：

约束条件为：

①s₀＝d₀＝0，表示开始节点的开始和结束时间均为0，即与开始节点相关联的任务均可以从0时间点开始执行。

②d_i＝s_i+t_i，表示任务实际结束时间与任务实际开始时间和生产时间之间的关系。

③

表示任务要在达到设定开始时间和紧前任务已完成的条件后立即开始，以此减少任务之间的时间空闲。

④

表示整个协同生产过程的完成时间要满足客户限定的最后期限，此条件可松弛为

即所有任务都应在客户限定时间内完成。

⑤

表示存在时序约束关系的直接相邻任务对中紧后任务的设定开始时间必须晚于紧前任务的设定结束时间。

⑥SE_i＞SS_i，表示节拍中单个任务的设定结束时间要大于设定开始时间，即节拍中设定单个任务的时间区间要大于0。

⑦SS_i,SE_i≥0，表示节拍中任意任务的设定开始时间和设定结束时间均大于等于0时刻。

节拍协同控制模型的求解：

本实施例的时间协同控制是一个有限时间范围[0,D]内的组合优化问题，模型中存在作为随机变量的生产时间t_i使得对应同一节拍其预计浪费时间具有可变性，可通过现有的算法进行求解。

因此本发明实施例采用嵌入蒙特卡洛仿真的粒子群优化算法，算法流程如图3所示，通过蒙特卡洛仿真(MonteCarloSimulation，MCS)计算每一组时间区间组合{[SS₁,SE₁],…,[SS_i,SE_i],…,[SS_n,SE_n]}对应的目标函数值作为粒子群算法的适应度，再使用粒子群算法(ParticleSwarm Optimization,PSO)对该问题进行寻优求解，最终获得预计浪费时间最优的时间区间组合即节拍。

具体步骤如下：

粒子群算法初始化与蒙特卡洛仿真：

一组节拍形成的时间序列构成一个粒子，粒子的每一位代表任务设定开始时间或结束时间节点，根据约束条件随机生成Q个初始粒子的速度和位置，种群中的第q个粒子表示为：

x_q＝(x_q1,x_q2,…,x_q(2n-1),x_q(2n))

以粒子所代表的节拍初始化蒙特卡洛仿真，依据各任务的生产时间t_i所服从的分布进行整数抽样生成样本

并计算一次服务预计浪费时间

重复K次并将其结果累加TW^k＝TW^k-1+tw^k,TW⁰＝0，返回θ_q＝TW^K/K作为粒子q的适应度。

粒子群算法：

根据初始化结果中粒子适应度获取粒子的个体最优值y_qi和种群历史最优值y_gi。依据速度更新公式对粒子进行更新，且速度更新公式如下：

v_qi＝rv_qi+c₁rand()(y_qi-x_qi)+c₂rand()(y_gi-x_qi)

其中，v_qi是粒子q在第i位上的速度，v_qi∈[-v_imax,v_imax],v_imax是粒子q在第i位上的最大速度；c₁和c₂是使得粒子具有自我总结和向群体中优秀个体学习的能力的常数；rand()是[0,1]之间的随机数；q＝1,2,…,Q，Q是种群规模；i＝1,2,…,2n；

r是惯性权重，采用线性微分递减策略：

其中，r_max和r_min分别为最大权重系数和最小权重系数，m为迭代次数，M为最大迭代次数；

x_qi是粒子q在第i位上的位置；

引入回退思想，对更新后不满足约束的粒子进行退化操作，使其回到其个体最优值参与下一次迭代。在较大种群规模下，回退到个体最优值既保证了粒子种群的数量又保证了粒子的多样性，避免过早陷入局部最优。以最大迭代次数M终止准则。

各参数符号及含义见表2：

表2

对前文中的名词进行说明：

节拍(ServiceTakt，ST)是依据协同生产过程相关影响因素并以服务之间预计浪费时间θ_e最优为目标确定的一组时间区间的集合，每个时间区间包含设定开始时间SS_i和设定结束时间SE_i两个变量。记为：

ST＝{[SS₁,SE₁],…,[SS_i,SE_i],…,[SS_n,SE_n]|Γ(θ_e,Fa)}；

其中，预计浪费时间θ_e，是协同生产过程中可能产生时间浪费程度的度量指标，反映多主体协作过程中的预计时间利用效率，属于成本型事前指标。由于生产时间的不确定性，对应相同的节拍生产过程的协同效率可能不同，因此选取加权时间浪费和的期望作为预计浪费时间的度量方式，其数学形式为：

Γ(θ_e,Fa)是预计浪费时间θ_e的最优化函数；由于预计浪费时间为成本型指标，取Γ(θ_e,Fa)＝min θ_e(Fa)。

预计浪费时间是考虑生产时间可变性的服务协同效率的稳定值，θ_iθ_j表示直接相邻服务对的历史浪费时间的乘积，体现历史协作对本次协作的影响，对无历史数据的服务可以使用服务信用度的倒数代替。

Fa是影响协同生产过程的因素集合，即协同生产任务信息，包括服务结构关系、各任务的生产时间t_i所服从的分布f_i(t)、各任务的历史浪费时间θ、服务主体数量n以及任务完成概率p等信息。

服务主体数量n：将平台接收到的订单按客户需求分解为n个任务，每个任务依据优选规则匹配一个服务主体。

生产时间t_i，是各服务主体完成相应任务所需的时间长度，取决于任务的复杂性、难度以及服务主体能力等属性，可以依据先前类似任务的完成时间进行估计并根据不确定程度使用概率分布、模糊数或灰数等方式对其进行建模，f_i(t)表示生产时间t服从的分布。生产时间的可变性使得在协作过程中各服务的实际开始时间s和实际结束时间d有不确定性，而且该不确定性会沿着服务网络传播和累积。

服务结构关系，服务结构关系是服务对(i,j)之间的非资源约束时序关系，A表示直接相邻的服务对的集合，当(i,j)∈A，表示服务i是服务j紧前服务，服务之间具有时序关系，表现为当且仅当服务i完成服务j可以开始，当

服务i和服务j间无直接的时序约束关系。

历史浪费时间θ，是多服务主体协作过程中总时间浪费的均值，反映已完成的生产过程时间利用效率，历史浪费时间θ越大，协同的效率越低。该值属于成本型事后指标，可以作为服务主体协同能力的参考指标。

其数学形式为：

实施例2

本发明实施例提供了另一种面向时间不确定生产过程协同的节拍控制方法。可应用于侧重于任务完成概率的面向时间不确定生产过程协同的节拍控制问题。

实施例1中的节拍协同控制模型只要求节拍中分配给任一任务的时间跨度大于0，却没有考虑服务主体在所设定时间区间内的完成能力即任务完成概率。如果服务主体在节拍分配的时间区间内任务完成概率过低，则整个生产过程按时完成的概率都会降低，节拍的可行性和鲁棒性也会下降。帕森金定律(Parkinson’sLaw)和学生综合征(studentsyndrome)理论表明，无论分配多长时间服务主体大概率会在截止时间才完成任务，一味地追求高完成概率会造成总完成时间的延长和无形的时间浪费。因此，合理的任务完成概率设定既可以保证任务的完成又能提高协同效率。

为了实现上述目的，本实施例与实施例1相比，本实施例的方法的区别在于，本实施例还考虑了任务完成概率来构建节拍协同控制模型(TCCM-p)；即在实施例1中的TCCM模型基础上增加了该约束条件。

具体为：

本实施例中，所述协同生产任务信息包括：服务结构关系、各任务的生产时间t_i所服从的分布f_i(t)、各任务的历史浪费时间θ、服务主体数量n以及任务完成概率p。

节拍协同控制模型中目标函数为：

约束条件为：

⑧s₀＝d₀＝0，表示开始节点的开始和结束时间均为0，即与开始节点相关联的任务均可以从0时间点开始执行。

⑨d_i＝s_i+t_i，表示任务实际结束时间与任务实际开始时间和生产时间之间的关系。

⑩

表示任务要在达到设定开始时间和紧前任务已完成的条件后立即开始，以此减少任务之间的时间空闲。

表示整个协同生产过程的完成时间要满足客户限定的最后期限，此条件可松弛为

即所有任务都应在客户限定时间内完成。

表示存在时序约束关系的直接相邻任务对中紧后任务的设定开始时间必须晚于紧前任务的设定结束时间。

表示节拍中各任务的设定时间区间长度应满足的任务完成概率，等价于SE_i-SS_i≥F_i ^-1(p)，由于生产时间t_i＞0,i＝1,…,n，所以SE_i-SS_i＞0，即SE_i＞SS_i已包含在本约束条件中，因此使用约束条件13替换约束条件6。

SS_i,SE_i≥0，表示节拍中任意任务的设定开始时间和设定结束时间均大于等于0时刻。

本实施例的有益效果除实施例1中记载的以外，还包括：现有技术未考虑任务完成概率对结果的影响，本实施例面向侧重生产过程完成概率的场景，构建了另一种节拍协同控制模型，通过求解模型获取对时间不确定生产过程协同的节拍方案，本实施例通过合理的概率设定既可以保证任务的完成又能提高协同效率，不同的设定概率能够满足不同客户或者云平台对协同生产过程的时间控制需求。

其他有关内容的解释、举例、有益效果等部分可以参考实施例1中的相应内容，此处不再赘述。

验证实验

为了验证本发明中实施例1和2的可行性，结合表1，设计了两组生产时间分布(生产时间单位：天)即对应表3中的实验1和实验2、不设置任务完成概率(对应TCCM模型)、4种任务完成概率(对应TCCM-p模型)构成的10组对比实验，以表明生产时间不确定性、任务完成概率和预计浪费时间之间的关系，其中，对于TCCM-p模型，分别设定p值为0.8、0.9、0.95和0.99，预计浪费时间保留4位小数，节拍为整数区间。

表3

输出结果如表4所示：

表4

实验1、2的迭代次数与预计浪费时间的关系分别如图4-5所示；

依据图4和图5可得，无论是否存在任务完成概率设定要求，实验1和实验2均在实验设定次数内收敛，说明实验1和实验2可以寻找到预计浪费时间最优的节拍以对时间不确定性的协同生产过程进行时间控制，验证了TCCM模型和TCCM-p模型的可行性。

且无任务完成概率设定条件相较于有任务完成概率设定条件得到的预计浪费时间较低即可预计协同效率较高；在有任务完成概率设定条件下，随着任务完成概率的增加，预计浪费时间增高，预计协同效率降低。

依据表4中节拍分配给服务主体的时间长度可以计算出其相应任务完成概率，任务完成概率代表着该服务主体在此时间范围内完成任务的可能性，并得到10项服务的平均任务完成概率如表5所示：

表5

根据表5可知，在无任务完成概率设定要求条件下，得到的节拍平均任务完成概率较低，存在节拍中某些任务的时间跨度较短导致其任务完成概率较低的情况，这增加了任务拖延完成和打乱服务规划进程的风险，因此，合理的任务完成概率设定是任务完成可能性和预计服务协同效率权衡的保证，有助于寻找到最合理的节拍以对协同生产过程进行时间控制。

依据表3中各项生产时间分布计算可得实验2中生产时间的标准差均大于实验1，说明实验2的生产时间不确定性大于实验1。从表3中可以看出在同等任务完成概率设定条件下，实验2的预计浪费时间均大于实验1，因此，可以得出随着不确定性的增加，预计浪费时间越高，预计协同效率越低。而且，有任务完成概率设定条件下的预计时间浪费的差值明显大于无任务完成概率设定条件下的预计时间浪费差值，相同条件下的预计浪费时间差值随着生产时间不确定性的增加而增加，说明TCCM模型相较于TCCM-p模型具有更高的鲁棒性，更加注重预计协同效率。

实施例3

本发明还提供了一种面向时间不确定生产过程协同的节拍控制系统，所述系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。

可理解的是，本发明实施例提供的面向时间不确定生产过程协同的节拍控制系统与上述面向时间不确定生产过程协同的节拍控制方法相对应，其有关内容的解释、举例、有益效果等部分可以参考面向时间不确定生产过程协同的节拍控制方法中的相应内容，此处不再赘述。

综上所述，与现有技术相比，本发明的有益效果至少包括：

(一)本发明实施例1以预计浪费时间等指标对协同生产过程效率进行度量，并通过加权时间浪费和的期望计算预计浪费时间；面对存在时间不确定的协同生产过程，以设定节拍的方式限制了协同生产过程中不确定性因素的传播和浪费时间的产生。面向侧重生产过程协同效率的场景，构建了一种节拍协同控制模型，通过求解模型获取对时间不确定生产过程协同的节拍方案，本发明实施例1对比以最早开始时间、最迟开始时间和最可能开始时间为标准进行时间组织和控制的现有技术，能够减少协同生产过程中的浪费时间，实现更高的过程效率，并降低了获取有效时间控制方案的难度。对比采用加入时间缓冲的时间控制技术，本发明实施例1通过节拍在每个生产任务或生产环节都限制了不确定性的传播，具有更高的鲁棒性，能够为服务主体提供更好的时间指导。

(二)其次，现有技术未考虑任务完成概率对结果的影响，面向侧重生产过程完成概率的场景，构建了另一种节拍协同控制模型，通过求解模型获取对时间不确定生产过程协同的节拍方案，本发明实施例2通过合理的概率设定既可以保证任务的完成又能提高协同效率，不同的设定概率能够满足不同客户或者云平台对协同生产过程的时间控制需求。

(三)本发明通过蒙特卡洛仿真和粒子群寻优算法结合将因生产时间可变性造成的服务提前完成和推迟完成等不确定性纳入考虑之中，并解除了已有时间协同控制模型中要求不确定生产时间服从同一种分布类型的限制，使得可以使用均匀分布、正态分布、三角分布等任意符合生产时间不确定特征的形式对生产时间进行建模表示，增加了节拍协同控制模型的实用性。当协同生产过程中发生服务主体变更、服务内容变化等突发事件，本发明可以调整输入参数并随着新的时间属性发生一致性改变，产生新的节拍对接下来的服务过程进行时间控制，易于操作和实现。

需要说明的是，通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种面向时间不确定生产过程协同的节拍控制方法，其特征在于，该方法包括：

获取协同生产任务信息；

基于协同生产任务信息构建以预计浪费时间最优为目标的节拍协同控制模型，所述节拍协同控制模型包括目标函数和约束条件；

求解节拍协同控制模型，输出预计浪费时间最优的时间区间组合作为节拍ST；

ST＝{[SS₁,SE₁],…,[SS_i,SE_i],…,[SS_n,SE_n]}

其中，SS为任务的设定开始时间；SE为任务的设定结束时间；i为任务和服务主体编号；n为任务和服务主体的数量。

2.如权利要求1所述的一种面向时间不确定生产过程协同的节拍控制方法，其特征在于，所述协同生产任务信息包括：服务结构关系、各任务的生产时间所服从的分布、各任务的历史浪费时间。

3.如权利要求1所述的一种面向时间不确定生产过程协同的节拍控制方法，其特征在于，所述协同生产任务信息包括：服务结构关系、各任务的生产时间所服从的分布、各任务的历史浪费时间、任务完成概率。

4.如权利要求1至3中任一所述的一种面向时间不确定生产过程协同的节拍控制方法，其特征在于，所述目标函数为：

其中，θ表示历史浪费时间，且计算公式为

θ_e表示预计浪费时间，且计算公式为

A表示直接相邻的服务对的集合；

d为任务的实际结束时间。

5.如权利要求2所述的一种面向时间不确定生产过程协同的节拍控制方法，其特征在于，所述约束条件为：

s₀＝d₀＝0

d_i＝s_i+t_i

SS_i,SE_i≥0

SE_i＞SS_i

其中，s为任务的实际开始时间；t为服务主体完成任务的生产时间；A为直接相邻的服务对的集合；D为客户需求的完成期限。

6.如权利要求3所述的一种面向时间不确定生产过程协同的节拍控制方法，其特征在于，所述约束条件为：

s₀＝d₀＝0

d_i＝s_i+t_i

Pr{t_i≤SE_i-SS_i}≥p

SE_i＞SS_i

其中，s为任务的实际开始时间；t为服务主体完成任务的生产时间；A为直接相邻的服务对的集合；D为客户需求的完成期限；p表示任务完成概率；Pr{}为概率函数。

7.如权利要求1所述的一种面向时间不确定生产过程协同的节拍控制方法，其特征在于，所述各任务的生产时间所服从的分布包括：均值为μ、方差为σ²的正态分布N(μ,σ²)、区间[a,b]内的均匀分布Uniform(a,b)或区间[a,b]内且众数为m的三角分布Triangle(a,m,b)。

8.如权利要求1所述的一种面向时间不确定生产过程协同的节拍控制方法，其特征在于，所述求解节拍协同控制模型采用嵌入蒙特卡洛仿真的粒子群优化算法，具体为：

通过蒙特卡洛仿真计算每一组时间区间组合对应的目标函数值作为粒子群算法的适应度，再使用粒子群算法对该问题进行寻优求解，最终获得预计浪费时间最优的时间区间组合即节拍。

9.一种面向时间不确定生产过程协同的节拍控制系统，所述系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至8任一所述方法的步骤。

Images