CN112327621B - 一种基于蚁群算法的柔性生产线自适应控制系统及方法 - Google Patents
一种基于蚁群算法的柔性生产线自适应控制系统及方法 Download PDFInfo
- Publication number
- CN112327621B CN112327621B CN202011203683.2A CN202011203683A CN112327621B CN 112327621 B CN112327621 B CN 112327621B CN 202011203683 A CN202011203683 A CN 202011203683A CN 112327621 B CN112327621 B CN 112327621B
- Authority
- CN
- China
- Prior art keywords
- information
- equipment
- data
- modeling
- module
- 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 232
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 128
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 56
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000005094 computer simulation Methods 0.000 claims abstract description 28
- 238000013523 data management Methods 0.000 claims abstract description 26
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims description 163
- 230000000694 effects Effects 0.000 claims description 114
- 239000003016 pheromone Substances 0.000 claims description 68
- 241000257303 Hymenoptera Species 0.000 claims description 29
- 238000007689 inspection Methods 0.000 claims description 24
- 239000000463 material Substances 0.000 claims description 23
- 230000006399 behavior Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 16
- 230000003068 static effect Effects 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000002994 raw material Substances 0.000 claims description 11
- 230000008020 evaporation Effects 0.000 claims description 10
- 238000001704 evaporation Methods 0.000 claims description 10
- 238000003754 machining Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 230000006855 networking Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 108010046685 Rho Factor Proteins 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims 1
- 238000003780 insertion Methods 0.000 abstract description 3
- 230000037431 insertion Effects 0.000 abstract description 3
- 230000005484 gravity Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 210000000078 claw Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000007514 turning Methods 0.000 description 1
Images
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
- 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
- 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]
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Automation & Control Theory (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于蚁群算法的柔性生产线自适应控制系统及方法,包括基础数据模块、数据管理模块、全要素建模模块、动态仿真模块、控制模块五部分,利用物联网感知技术,针对生产过程动态事件例如设备故障、缺件、插单等,系统动态仿真模块能够通过蚁群算法引擎快速得到当前最优可执行解,然后把相关数据下发给控制模块,驱动柔性产线运行,解决航空零件多品种、变批量的柔性加工模式下的动态自适应控制问题。
Description
技术领域
本发明涉及一种基于蚁群算法的柔性生产线自适应控制系统及方法,特别是面向航空制造领域多品种、变批量、多约束的生产模式下的柔性生产线自适应控制系统及方法,属于计算机控制管理技术领域。
背景技术
在航空离散装备制造领域,随着生产装备水平的提高,零件加工等生产过程中的数控化率和自动化水平不断提升,在典型的机加车间,通过机器人、AGV、柔性工装的应用构建智能柔性加工单元,实现单元内零件工艺过程的全自动化,同时实现高度柔性和动态调度。应对航空零件的多品种、变批量、制造流程复杂、质量要求高等特点。
伴随着智能制造与柔性制造技术带来的生产组织模式演进,生产单元控制与全局优化的复杂性已经超出传统的生产管理机制,传统生产管理软件无法满足工业互联、动态调度和自适应生产组织的需求。迫切需要在传统制造执行系统基础上,从生产管理层向控制执行层下沉,实现软件定义生产过程,建立能够对生产过程进行建模仿真,基于物联网数据和人工智能算法实时驱动生产过程的自适应控制系统成为数字转型的重要路径。
航空领域多个使用国外软件支撑的自动化单元面临着缺乏柔性、运行维护无法脱离原厂商技术支持等问题,而国产柔性单元控制系统在功能、性能和可靠性等方面无法满足复杂产品生产的应用要求,因此需要我们能够自主可控打造一款基于智能算法且能够全要素建模和动态仿真调度的柔性单元自适应控制系统。
发明内容
本发明解决问题:为应对航空零件的多品种、变批量、制造流程复杂、质量要求高等特点,航空企业推出一种面向单元化生产模式的柔性生产线,针对这种柔性生产线无法很好的解决柔性作业调度问题(FJSP),同时基于物联网数据无法对柔性单元运行的动态事件(设备故障、缺件、插单)进行快速有效的响应,缺少自组织自适应的决策能力。针对这种问题,提供一种基于蚁群算法的柔性生产线自适应控制系统及方法,利用物联网技术对生产运行中的动态事件快速感知,然后通过蚁群算法较强的鲁棒性和优良的分布式计算机制等特点进行快速构造可行解,达到生产计划的自动排产和动态调整仿真,然后再根据全要素模型和数据将当前最优排产结果或调整结果进行精准执行,形成“感知-分析-决策-控制”闭环,达到柔性化、自动化、无人化的生产单元自适应控制的目的。
本发明技术解决方案为:一种基于蚁群算法的柔性生产线自适应控制系统,包括基础数据模块、数据管理模块、全要素建模模块、动态仿真模块、控制模块,其中:
基础数据模块:用于进行车间的基础数据输入和维护、设置,所述基础数据包括物料基本信息、设备及设备组信息、库位数据、工装工具、NC程序、刀具、监测数据;
全要素建模模块:用于进行基础活动/指令定义、工序活动/指令集建模、零件活动/指令集建模、资源关系建模,通过以最小可调度活动为对象,将整个零件加工过程中的活动、活动所需的生产要素、活动之间的关系、行为、规则进行模型化表达;
数据管理模块:用于进行基础数据信息、任务订单信息、工艺路线信息、检验测量信息、物理运行实时数据信息的获取与加载,其中,所述基础数据信息为基础数据模块定义的静态数据,任务订单信息为任务及其优先级信息和所需原材料或通过接口从外部集成系统(ERP或MES)获取,工艺路线信息为全要素建模模块构建的零件指令集,检验测量信息为零件的检验方式、检验项、检验流程信息,物理运行实时数据信息为柔性单元内设备运行的状态信息、报警信息和动态事件信息;
动态仿真模块:用于读取数据管理模块的数据和全要素建模模块构建的生产过程的模型,输入蚁群算法初始参数α,β,ρ,m,Q,G,α代表信息素启发式因子,β代表期望启发因子,ρ代表信息素蒸发系数,m代表蚂蚁数量,Q代表信息素强度,G代表最大进化代数,调用基于柔性作业车间调度问题(P-FJSP)的蚁群算法引擎,输出动态仿真结果,即设备和工序维度甘特图;
控制模块:用于在最小可调度活动的顺序、活动之间的关系及设备监测数据约束下,通过判断活动执行中资源元素和过程元素的状态及变化将动态仿真模块输出的结果数据转化为生产过程中的控制行为,进而达到控制柔性单元精准运行的目的。
进一步的,所述基础数据模块用于:
(1)对单元的工作日历设置,包括工作日和非工作日的指定,不同的单元设置不同的工作日历;
(2)对单元中的设备/设备组数据定义,包括设备的基本属性信息、设备的状态信息、设备的控制信息、设备的关系信息;
(3)对单元所要加工的物料设置,包括物料编码、名称、主制生产部门,以及其他的属性信息;
(4)对单元中的库位信息设置,包括库位编码、库位大小、库位类型、存放物料、是否控制,以及其他属性信息设置;
(5)对单元中用到的夹具信息设置,包括夹具编码、名称、类型、部件数量、位置信息,以及其他属性信息设置;
(6)对单元中用到的刀具信息设置,包括刀具编码、名称、类型、寿命信息、位置信息,以及其他属性信息设置;
(7)对系统中用到的NC程序信息设置,包括程序编号、名称、运行时间、版本号、对应加工坐标系,以及其他属性信息设置;
(8)对系统运行的设备状态监控数据设置,包括状态编码、状态描述、初始值、监控类型、是否有效,以及其他属性信息设置。
进一步的,所述数据管理模块用于:
(1)获取与加载基础数据,包括:设备、物料、库位、夹具、刀具、NC程序、设备状态监控数据,进行数据初始化加载操作;
(2)获取与加载任务、订单数据,进行数据初始化加载操作;
(3)获取与加载零件工艺路线数据,进行数据初始化加载操作;
(4)获取与加载检验测量数据,进行数据初始化加载操作;
(5)获取与加载物理运行结果数据,进行数据初始化加载操作。
进一步的,所述动态仿真模块中蚁群算法包括动态排程方法,方法具体过程为:
(1)初始化各参数,确定信息素启发式因子α、期望启发因子β、信息素蒸发系数ρ、蚂蚁数量m、最大进化代数G;
(2)对工序进行编码,对工序和设备进行编码,创建工序设备加工时间矩阵,计算初始信息素矩阵τij(0),计算方法为取各工序设备加工时间倒数后进行归一化处理生成的矩阵;
(3)设备约束处理,基于初始信息素矩阵以轮盘赌方式生成随机数,为每台设备的每个时刻建立可加工集合allowed(mj,t)、下一步可移动集合tovisit(t);
(4)操作排序,判断t时刻设备状态是否空闲,假如空闲,从下一步可移动集合中依据转移状态规则对于不同设备同一工序进行选择,计算t时刻概率该概率表示第k只蚂蚁在工序i转移到工序j的概率,其中ηij(t)为启发式信息,计算方法为工序在设备上的加工时间的倒数,若工序不在某机器上加工,则将其加工时间定位无穷大,保证了蚂蚁选择该机器的概率为0;加工完成后通过禁忌表记录该工序并从步骤(4)的两个集合中剔除;
(5)重复步骤四,直至所有工序均在禁忌表中存储,且所有机器的可加工集合与下一步可移动集合为空;
(6)按照信息素更新规则进行路径信息素更新,即在蚂蚁搜索过程中,从工序i移动到工序j后进行局部信息素更新,蚂蚁每遍历一次只针对本次搜索过程中最优的蚂蚁进行全局信息素更新;
(7)判断循环次数是否达到最大进化代数G,若为是则进行下一步,若为否则进行步骤(2);
(8)算法循环截止,输出最优解并进行解码后输出工序设备加工甘特图。
进一步的,所述全要素建模模块用于:
(1)制造资源建模
通过本体建模技术,构建物联网模式下信息共享的设备本体模型,使得车间所有接入物联网的设备都能够用该模型描述自身信息、以及由该设备接入网络后所产生的信息,从而实现对设备的统一接入、控制和管理;物联网设备资源信息共享模型的本体描述包括三个方面:第一,描述物联网设备本身所携带的信息;第二,描述由设备接入所产生的信息;第三,描述设备之间的相互依赖关系;
(2)生产要素静态建模
要素静态建模是对制造资源、辅助工具、原材料、工艺活动等要素进行全面的属性结构定义,以及对各个要素关联关系进行定义;
(3)生产要素行为建模
对工艺过程分解成最小可调度活动,把活动、活动所需的生产要素、活动之间的关系、行为、规则进行模型化表达,描述生产过程中的活动行为,以及在活动执行中资源要素和过程要素的变化状态;
(4)生产过程建模
在上述建模的基础上,将整个生产过程以最小可调度活动为对象和纽带,把整个生产过程内的工艺过程、控制过程、调度过程进行全面真实的表达,形成单件级的生产过程全要素、全过程模型。
根据本发明的另一方面,提出一种基于蚁群算法的柔性生产线自适应控制方法,包括如下步骤:
步骤1、基础数据输入、维护和设置:进行车间的基础数据输入和维护、设置,所述基础数据包括物料基本信息、设备及设备组信息、库位数据、工装工具、NC程序、刀具、监测数据;
步骤2、全要素建模步骤,进行基础活动/指令定义、工序活动/指令集建模、零件活动/指令集建模、资源关系建模,通过以最小可调度活动为对象,将整个零件加工过程中的活动、活动所需的生产要素、活动之间的关系、行为、规则进行模型化表达;
步骤3、数据管理步骤,进行基础数据信息、任务订单信息、工艺路线信息、检验测量信息、物理运行实时数据信息的获取与加载,其中,所述基础数据信息为基础数据模块定义的静态数据,任务订单信息为任务及其优先级信息和所需原材料或通过接口从外部集成系统ERP或MES获取,工艺路线信息为全要素建模模块构建的零件指令集,检验测量信息为零件的检验方式、检验项、检验流程信息,物理运行实时数据信息为柔性单元内设备运行的状态信息、报警信息和动态事件信息;
步骤4、动态仿真步骤,读取数据管理模块的数据和全要素建模模块构建的生产过程的模型,输入蚁群算法初始参数α,β,ρ,m,Q,G,α代表信息素启发式因子,β代表期望启发因子,ρ代表信息素蒸发系数,m代表蚂蚁数量,Q代表信息素强度,G代表最大进化代数,调用基于柔性作业车间调度问题P-FJSP的蚁群算法引擎,输出动态仿真结果,即设备和工序维度甘特图;
步骤5、控制步骤,在最小可调度活动的顺序、活动之间的关系及设备监测数据约束下,通过判断活动执行中资源元素和过程元素的状态及变化将动态仿真模块输出的结果数据转化为生产过程中的控制行为,进而控制柔性单元精准运行。
进一步的,所述动态仿真步骤具体包括如下步骤:
(1)读取数据管理模块中工序任务信息,包括工件编码、工件名称、工序号、工序名称;
(2)读取数据管理模块中工艺路线数据,获取工件-工序任务-工序加工顺序-设备-工序时间对应关系;
(3)通过工序任务和设备对应关系读取数据管理模块中设备日历信息;
(4)基于蚁群算法进行动态实时仿真。
进一步的,基于蚁群算法进行动态实时仿真具体包括:
(1)初始化各参数,确定信息素启发式因子α、期望启发因子β、信息素蒸发系数ρ、蚂蚁数量m、最大进化代数G;
(2)对工序进行编码,对工序和设备进行编码,创建工序设备加工时间矩阵,计算初始信息素矩阵τij(0),计算方法为取各工序设备加工时间倒数后进行归一化处理生成的矩阵;
(3)设备约束处理,基于初始信息素矩阵以轮盘赌方式生成随机数,为每台设备的每个时刻建立可加工集合allowed(mj,t)、下一步可移动集合tovisit(t);
(4)操作排序,判断t时刻设备状态是否空闲,假如空闲,从下一步可移动集合中依据转移状态规则对于不同设备同一工序进行选择,计算t时刻概率该概率表示第k只蚂蚁在工序i转移到工序j的概率,其中ηij(t)为启发式信息,计算方法为工序在设备上的加工时间的倒数,若工序不在某机器上加工,则将其加工时间定位无穷大,保证了蚂蚁选择该机器的概率为0;加工完成后通过禁忌表记录该工序并从步骤(4)的两个集合中剔除;
(5)重复步骤四,直至所有工序均在禁忌表中存储,且所有机器的可加工集合与下一步可移动集合为空;
(6)按照信息素更新规则进行路径信息素更新,即在蚂蚁搜索过程中,从工序i移动到工序j后进行局部信息素更新,蚂蚁每遍历一次只针对本次搜索过程中最优的蚂蚁进行全局信息素更新;
(7)判断循环次数是否达到最大进化代数G,若为是则进行下一步,若为否则进行步骤(2);
(8)算法循环截止,输出最优解并进行解码后输出工序设备加工甘特图。
进一步的,所述全要素建模模块全要素建模方法,具体过程为:
(1)制造资源建模,通过本体建模技术,构建物联网模式下信息共享的设备本体模型,使得车间所有接入物联网的设备都能够用该模型描述自身信息、以及由该设备接入网络后所产生的信息,从而实现对设备的统一接入、控制和管理;物联网设备资源信息共享模型的本体描述包括三个方面:第一,描述物联网设备本身所携带的信息;第二,描述由设备接入所产生的信息;第三,描述设备之间的相互依赖关系;
(2)生产要素静态建模,要素静态建模是对制造资源、辅助工具、原材料、工艺活动等要素进行全面的属性结构定义,以及对各个要素关联关系进行定义;
(3)生产要素行为建模,对工艺过程分解成最小可调度活动,把活动、活动所需的生产要素、活动之间的关系、行为、规则进行模型化表达,描述生产过程中的活动行为,以及在活动执行中资源要素和过程要素的变化状态;
(4)生产过程建模,将整个生产过程以最小可调度活动为对象和纽带,把整个生产过程内的工艺过程、控制过程、调度过程进行全面真实的表达,形成单件级的生产过程全要素、全过程模型。
进一步的,所述控制步骤包括:
(1)解析任务工艺路线,根据任务订单信息、工艺路线信,全要素建模模块的生产过程模型信息,基于蚁群算法的动态仿真步骤的作业调度数据解析成零件活动图集;
(2)构建待执行指令集,若当前指令图还未开始执行,则将开始指令状态置为“待执行”,其他均为“未执行”;次执行完一条指令后,将其后续指令状态改为“待执行”。将所有“待执行”状态的指令放到待执行指令集中,以供后续从中选择;
(3)构建可执行指令集,基于物联网技术实时获取物理设备的运行数据和任务的执行状态,对待执行指令集中的所有指令进行验证条件或触发条件检查,若满足,则更改状态为“可执行”;将所有“可执行”指令组成可执行指令集,作为后续决策的输入;
(4)执行指令,执行所选择的指令,按照指令类型向设备通讯控制接口传递相应参数;
(5)活动完成条件验证,基于物联网技术实时获取物理设备的运行数据和活动的执行状态,执行结束后,达到活动的完成条件则将该条指令状态改为“已完成”;
(6)直到可执行活动集合没有可执行的活动,否则进入步骤(4)。
本发明与现有技术相比的优点在于:
(1)柔性作业调度领域中的大部分问题都NP问题,目前的方法主要是基于规划和穷举方法,只能解决小规模的排程问题,且收敛到最优解较慢,距离实际应用还有较大的问题。本发明通过基于蚁群算法的动态仿真技术,利用蚁群算法的自组织性、并行、正反馈等特性,自发的在问题空间的多点同时开始进行独立的解搜索,最后产生最优解方案,很好地解决柔性作业调度问题。
(2)对于柔性单元的加工任务的仿真预测,目前的方法主要是基于设定好的数据进行离线仿真,仿真结果也更多的是辅助决策的作用,而不是最后真正执行的方案。本发明通过全要素建模方法,以最小可调度活动为对象进行准确描述活动所需的生产要素、活动之间的关系、行为、规则、运行时间等,最后形成全面、准确的生产过程运行模型,以便持续开展仿真预测,使得生产过程在在时间维度上的不确定性大大降低,实现“现在即未来”。
(3)本发明充分利用物联网监测与控制技术,实时感知并获取柔性生产线物理世界的运行状态与数据,利用动态事件(设备故障、插单、缺件)触发仿真引擎,结合相关的参数配置,运用蚁群算法,对生产任务进行快速重新排产,然后将结果下发到控制模块,达到柔性产线的自适应控制与调度,提升系统容错能力,快速适应所在环境。
附图说明
图1为本发明的系统的总体框架图;
图2为图1中基础数据模块的实现流程图;
图3为图1中数据管理模块的实现流程图;
图4为图1中全要素建模模块实现流程图;
图5为图1中基于蚁群算法的动态仿真模块的实现流程图;
图6为具体实施例的制造资源本体模型图;
图7为具体实施例的生产元素静态结构模型图;
图8为具体实施例的生产元素行为模型图;
图9为具体实施例的生产过程建模具体实施例流程图;
图10为具体实施例的蚁群算法工作流程图;
图11为具体实施例的蚁群算法计算时间下降曲线;
图12为具体实施例的蚁群算法的输出工序甘特图(设备维度);
图13为具体实施例的控制控制模块工作流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅为本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
如图1所示,根据本发明的一个实施例,提出一种基于蚁群算法的柔性生产线自适应控制系统,包括基础数据模块、全要素建模模块、数据管理模块、基于蚁群算法的动态仿真模块、控制模块。
如图2所示,本发明中基础数据模块的具体实现如下:
(1)对单元的工作日历设置,包括工作日和非工作日的指定,不同的单元可设置不同的工作日历;
(2)对单元中的设备/设备组数据定义,包括设备的基本属性信息、设备的状态信息、设备的控制信息、设备的关系信息;
(3)对单元所要加工的物料设置,包括物料编码、名称、主制生产部门,以及其他的属性信息;
(4)对单元中的库位信息设置,包括库位编码、库位大小、库位类型、存放物料、是否控制,以及其他属性信息设置;
(5)对单元中用到的夹具信息设置,包括夹具编码、名称、类型、部件数量、位置信息,以及其他属性信息设置;
(6)对单元中用到的刀具信息设置,包括刀具编码、名称、类型、寿命信息、位置信息,以及其他属性信息设置;
(7)对系统中用到的NC程序信息设置,包括程序编号、名称、运行时间、版本号、对应加工坐标系,以及其他属性信息设置;
(8)对系统运行的设备状态监控数据设置,包括状态编码、状态描述、初始值、监控类型、是否有效,以及其他属性信息设置。
如图3所示,本发明中数据管理模块的具体实现如下:
(1)获取与加载基础数据,包括:设备、物料、库位、夹具、刀具、NC程序、设备状态监控数据,进行数据初始化加载操作;
(2)获取与加载任务、订单数据,进行数据初始化加载操作;
(3)获取与加载零件工艺路线数据,进行数据初始化加载操作;
(4)获取与加载检验测量数据,进行数据初始化加载操作;
(5)获取与加载物理运行结果数据,进行数据初始化加载操作;
如图4所示,本发明中全要素建模模块的具体实现如下:
(1)制造资源建模,通过本体建模技术,构建物联网模式下信息共享的设备本体信息模型,使得接入物联网的设备都能够用该模型清晰的描述自身信息、以及由该设备接入网络后所产生的信息,主要包括三个方面:第一,描述物联网设备本身所携带的信息;第二,描述由设备接入所产生的信息;第三,描述设备之间的相互依赖关系;制造资源本体建模结果如图6所示。
(2)生产要素静态建模,对工艺活动、原材料、辅助工具、库存等要素进行全面的属性结构定义,以及对各个要素关联关系进行定义。例如,工艺活动包含产品、版本、工步名称、类型、有效性、原材料等属性;原材料包含物料编码、物料类型、物料名称等属性;刀具包含刀具编码、刀具名称、刀具尺寸信息、刀具寿命、刀具位置等属性;整体建模结果如图7所示。
(3)生产要素行为建模,对工艺过程分解成最小可调度活动,最小可调度活动是指在零件传统的工艺过程定义工序、工步的基础上再进一步分解成设备可最小连续可执行的带有网络图属性的动作。从设备的角度来看,最小可调度活动就是一条执行动作的指令,例如,机器人执行的最小可调度活动常见的为:从A移动到B、更换前端手臂卡爪、抓取零件、放下零件。然后以最小可调度活动为对象,重点描述生产过程中的活动行为,以及在活动执行中资源要素和过程要素的变化状态。建模结果如图8所示。以一个零件在数控加工单元进行车削工序为例,把该生产过程分解成操作工、机器人、立体库、机床等对象可执行的最小活动,然后将这些活动按照顺序和前置条件进行验证执行,活动执行时资源设备被该活动唯一占用且本身状态由空闲变成忙碌,活动执行完毕,资源释放且将完成条件通知相关对象,例如,当机器人执行移动到立体库动作时,状态为忙碌,机器人移动到达立体库时状态为空闲,同时把完成信息发送给管控软件,软件再进行其他活动调度。
(4)生产过程建模,将整个生产过程以最小可调度活动为对象和纽带,首先,进行基础活动(指令)的指令类型、指令参数、使用资源、指令时间等信息进行定义;其次,把基础指令组成与工序工步对应的工序活动(指令)集,并配置每个活动(指令)的验证条件、资源约束、顺序约束;最后,根据加工路线进行工序活动(指令)集的编排,并为每个工序活动(指令)集关联辅助工具、刀具和检验测量定义,最终形成零件级的生产过程全要素、全过程模型。建模过程如图9所示。
如图5所示,本发明中基于蚁群算法的动态仿真模块的具体实现如下:
(1)读取数据管理模块中工序任务信息,包括工件编码、工件名称、工序号、工序名称;
(2)读取数据管理模块中工艺路线数据,获取工件-工序任务-工序加工顺序-设备-工序时间对应关系,如表1;
表1工件-工序任务-工序加工顺序-设备-工序时间对应关系表
(3)通过工序任务和设备对应关系读取数据管理模块中设备日历信息;如表2:
表2设备日历
(4)基于蚁群算法进行动态实时仿真,包括8个步骤,如图10所示。
第一,参数初始化,输入信息素启发式因子α=2(根据实际生产进行调整,本案例中信息素启发式因子取值2)、期望启发因子β=4(根据实际生产进行调整,本案例中期望启发因子取值4)、信息素蒸发系数ρ=0.2(根据实际生产进行调整,本案例中信息素蒸发系数取值0.2)、蚂蚁数量m=300(根据实际生产进行调整,本案例中蚂蚁数量取值300)、最大进化代数G=200(根据实际生产进行调整,本案例中进化代数取值200)。
第二,对工序进行编码,对工序和设备进行编码,创建工序设备加工时间矩阵,计算初始信息素矩阵τij(0),计算方法为取各工序设备加工时间倒数后进行归一化处理生成的矩阵,如表3所示。
表3初始信息素矩阵τij(0)
第三,设备约束处理,基于初始信息素矩阵以轮盘赌方式生成随机数,为每台设备的每个时刻建立可加工集合allowed(mj,t)、下一步可移动集合tovisit(t)。
第四,操作排序,判断t时刻设备状态是否空闲,假如空闲,从下一步可移动集合中依据转移状态规则对于不同设备同一工序进行选择,计算t时刻概率该概率表示第k只蚂蚁在工序i转移到工序j的概率,其中ηij(t)为启发式信息,计算方法为工序在设备上的加工时间的倒数,若工序不在某机器上加工,则我们将其加工时间定位无穷大,即方便我们进行算术运算,也保证了蚂蚁选择该机器的概率为0。加工完成后通过禁忌表记录该工序并从步骤(4)的两个集合中剔除。其中,
τij(t):工序i移动到工序j信息素浓度大小;
ηij(t):工序i移动到工序j启发式信息;
Jk(i):工序i下一步可选择的所有工序集合;
α:信息素比重因子,蚂蚁在选择工序时对信息素浓度考虑的比重;
β:启发式信息因子,蚂蚁在选择工序时对启发式信息考虑的比重;
蚂蚁成功构造问题的解依赖两种启发信息,信息素浓度τij和局部启发信息ηij,α、β是调整信息素和局部启发信息的相对权重且的两个参数。当α=0时,信息素浓度不起作用,算法就变成了贪也算法,只考虑下一步路径的可见度。当β=0时,算法求解过程中只考先验经验,选择信息素浓度最大的路径移动,但是得到的结果却较差。所必须综合权衡和考虑两者之间的关系,要想获得问题的较优解两者就需要都取一个相对中间值。
第五,重复步骤四,直至所有工序均在禁忌表中存储,且所有机器的可加工集合与下一步可移动集合为空。
第六,按照信息素更新规则进行路径信息素更新,即在蚂蚁搜索过程中,从工序i移动到工序j后进行局部信息素更新,蚂蚁每遍历一次只针对本次搜索过程中最优的蚂蚁进行全局信息素更新,局部更新公式为:
τ(t+1)=(1-ρ)τij(t)+Δτij(t,t+1)
ρ在蚁群算法中为了更好地模拟真实的蚁群行为而设置的信息素会发因子,在每经过一次循环后对所有路径上的信息素进行一定程度色挥发,避免信息素浓度无限增加,通常ρ设置为一个0到1之间的常数;
τij(t):循环之前,路径(i,j)上的信息素浓度大小;
Δτij(t,t+1):该循环使得蚂蚁经过的路径(i,j)上信息素浓度的增加量;
Tij为零件在路径(i,j)的加工时间
τij(t+1):循环结束后路径(i,j)上信息素浓度大小;
全局更新公式为:
τt+1(i,j)=(1-ρ)τt(i,j)+ρΔτt+1(i,j)
Sib为某次t+1次迭代的最优解;
第七,判断循环次数是否达到最大进化代数G,若为是则进行下一步,若为否则进行步骤二。
第八,算法循环截止,输出最优解并进行解码后输出工序设备加工甘特图,如图11和图12所示。
如图13所示,本发明中控制模块的具体实现如下:指令执行过程是按照一定的规则和流程有序地执行当前系统中的指令图集合,直到所有指令图均被执行完毕。图13为指令执行的流程。
(1)解析任务工艺路线,根据数据管理模块的任务信息和工艺路线信息,全要素建模模块的生产过程模型信息,基于蚁群算法的动态仿真模块的作业调度数据解析成零件活动图集。
(2)构建待执行指令集,若当前指令图还未开始执行,则将开始指令状态置为“待执行”,其他均为“未执行”;次执行完一条指令后,将其后续指令状态改为“待执行”。将所有“待执行”状态的指令放到待执行指令集中,以供后续从中选择。
(3)构建可执行指令集,基于物联网技术实时获取物理设备的运行数据和任务的执行状态,对待执行指令集中的所有指令进行验证条件(触发条件)检查,若满足,则更改状态为“可执行”。将所有“可执行”指令组成可执行指令集,作为后续决策的输入。
(4)执行指令,执行所选择的指令。按照指令类型向设备通讯控制接口传递相应参数。
(5)活动完成条件验证,基于物联网技术实时获取物理设备的运行数据和活动的执行状态,执行结束后,达到活动的完成条件则将该条指令状态改为“已完成”。
(6)直到可执行活动集合没有可执行的活动,否则进入步骤(4)。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,且应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (8)
1.一种基于蚁群算法的柔性生产线自适应控制系统,其特征在于,包括基础数据模块、数据管理模块、全要素建模模块、动态仿真模块、控制模块,其中:
基础数据模块:用于进行车间的基础数据输入和维护、设置,所述基础数据包括物料基本信息、设备及设备组信息、库位数据、工装工具、NC程序、刀具、监测数据;
全要素建模模块:用于进行基础活动/指令定义、工序活动/指令集建模、零件活动/指令集建模、资源关系建模,通过以最小可调度活动为对象,将整个零件加工过程中的活动、活动所需的生产要素、活动之间的关系、行为、规则进行模型化表达;
数据管理模块:用于进行基础数据信息、任务订单信息、工艺路线信息、检验测量信息、物理运行实时数据信息的获取与加载,其中,所述基础数据信息为基础数据模块定义的静态数据,任务订单信息为任务及其优先级信息和所需原材料或通过接口从外部集成系统ERP或MES获取,工艺路线信息为全要素建模模块构建的零件指令集,检验测量信息为零件的检验方式、检验项、检验流程信息,物理运行实时数据信息为柔性单元内设备运行的状态信息、报警信息和动态事件信息;
动态仿真模块:用于读取数据管理模块的数据和全要素建模模块构建的生产过程的模型,输入蚁群算法初始参数α,β,ρ,m,Q,G,α代表信息素启发式因子,β代表期望启发因子,ρ代表信息素蒸发系数,m代表蚂蚁数量,Q代表信息素强度,G代表最大进化代数,调用基于柔性作业车间调度问题P-FJSP的蚁群算法引擎,输出动态仿真结果,即设备和工序维度甘特图;
控制模块:用于在最小可调度活动的顺序、活动之间的关系及设备监测数据约束下,通过判断活动执行中资源元素和过程元素的状态及变化将动态仿真模块输出的结果数据转化为生产过程中的控制行为,进而达到控制柔性单元精准运行的目的;
所述动态仿真模块中蚁群算法包括动态排程方法,方法具体过程为:
(1)初始化各参数,确定信息素启发式因子α、期望启发因子β、信息素蒸发系数ρ、蚂蚁数量m、最大进化代数G;
(2)对工序进行编码,对工序和设备进行编码,创建工序设备加工时间矩阵,计算初始信息素矩阵τij(0),计算方法为取各工序设备加工时间倒数后进行归一化处理生成的矩阵;
(3)设备约束处理,基于初始信息素矩阵以轮盘赌方式生成随机数,为每台设备的每个时刻建立可加工集合allowed(mj,t)、下一步可移动集合tovisit(t);
(4)操作排序,判断t时刻设备状态是否空闲,假如空闲,从下一步可移动集合中依据转移状态规则对于不同设备同一工序进行选择,计算t时刻概率该概率表示第k只蚂蚁在工序i转移到工序j的概率,其中ηij(t)为启发式信息,计算方法为工序在设备上的加工时间的倒数,若工序不在某机器上加工,则将其加工时间定位无穷大,保证了蚂蚁选择该机器的概率为0;加工完成后通过禁忌表记录该工序并从步骤(4)的两个集合中剔除;
(5)重复步骤(4),直至所有工序均在禁忌表中存储,且所有机器的可加工集合与下一步可移动集合为空;
(6)按照信息素更新规则进行路径信息素更新,即在蚂蚁搜索过程中,从工序i移动到工序j后进行局部信息素更新,蚂蚁每遍历一次只针对本次搜索过程中最优的蚂蚁进行全局信息素更新;
(7)判断循环次数是否达到最大进化代数G,若为是则进行下一步,若为否则进行步骤(2);
(8)算法循环截止,输出最优解并进行解码后输出工序设备加工甘特图。
2.根据权利要求1所述的一种基于蚁群算法的柔性生产线自适应控制系统,其特征在于,所述基础数据模块用于:
(1)对单元的工作日历设置,包括工作日和非工作日的指定,不同的单元设置不同的工作日历;
(2)对单元中的设备/设备组数据定义,包括设备的基本属性信息、设备的状态信息、设备的控制信息、设备的关系信息;
(3)对单元所要加工的物料设置,包括物料编码、名称、主制生产部门,以及其它的属性信息;
(4)对单元中的库位信息设置,包括库位编码、库位大小、库位类型、存放物料、是否控制,以及其它属性信息设置;
(5)对单元中用到的夹具信息设置,包括夹具编码、名称、类型、部件数量、位置信息,以及其它属性信息设置;
(6)对单元中用到的刀具信息设置,包括刀具编码、名称、类型、寿命信息、位置信息,以及其它属性信息设置;
(7)对系统中用到的NC程序信息设置,包括程序编号、名称、运行时间、版本号、对应加工坐标系,以及其它属性信息设置;
(8)对系统运行的设备状态监控数据设置,包括状态编码、状态描述、初始值、监控类型、是否有效,以及其它属性信息设置。
3.根据权利要求1所述的一种基于蚁群算法的柔性生产线自适应控制系统,其特征在于,所述数据管理模块用于:
(1)获取与加载基础数据,包括:设备、物料、库位、夹具、刀具、NC程序、设备状态监控数据,进行数据初始化加载操作;
(2)获取与加载任务、订单数据,进行数据初始化加载操作;
(3)获取与加载零件工艺路线数据,进行数据初始化加载操作;
(4)获取与加载检验测量数据,进行数据初始化加载操作;
(5)获取与加载物理运行结果数据,进行数据初始化加载操作。
4.根据权利要求1所述的一种基于蚁群算法的柔性生产线自适应控制系统,其特征在于,所述全要素建模模块用于:
(1)制造资源建模
通过本体建模技术,构建物联网模式下信息共享的设备本体模型,使得车间所有接入物联网的设备都能够用该模型描述自身信息、以及由该设备接入网络后所产生的信息,从而实现对设备的统一接入、控制和管理;物联网设备资源信息共享模型的本体描述包括三个方面:第一,描述物联网设备本身所携带的信息;第二,描述由设备接入所产生的信息;第三,描述设备之间的相互依赖关系;
(2)生产要素静态建模
要素静态建模是对制造资源、辅助工具、原材料、工艺活动要素进行全面的属性结构定义,以及对各个要素关联关系进行定义;
(3)生产要素行为建模
对工艺过程分解成最小可调度活动,把活动、活动所需的生产要素、活动之间的关系、行为、规则进行模型化表达,描述生产过程中的活动行为,以及在活动执行中资源要素和过程要素的变化状态;
(4)生产过程建模
在上述建模的基础上,将整个生产过程以最小可调度活动为对象和纽带,把整个生产过程内的工艺过程、控制过程、调度过程进行全面真实的表达,形成单件级的生产过程全要素、全过程模型。
5.一种基于蚁群算法的柔性生产线自适应控制方法,其特征在于,包括如下步骤:
步骤1、基础数据输入、维护和设置:进行车间的基础数据输入、维护和设置,所述基础数据包括物料基本信息、设备及设备组信息、库位数据、工装工具、NC程序、刀具、监测数据;
步骤2、全要素建模步骤,进行基础活动/指令定义、工序活动/指令集建模、零件活动/指令集建模、资源关系建模,通过以最小可调度活动为对象,将整个零件加工过程中的活动、活动所需的生产要素、活动之间的关系、行为、规则进行模型化表达;
步骤3、数据管理步骤,进行基础数据信息、任务订单信息、工艺路线信息、检验测量信息、物理运行实时数据信息的获取与加载,其中,所述基础数据信息为基础数据模块定义的静态数据,任务订单信息为任务及其优先级信息和所需原材料或通过接口从外部集成系统ERP或MES获取,工艺路线信息为全要素建模模块构建的零件指令集,检验测量信息为零件的检验方式、检验项、检验流程信息,物理运行实时数据信息为柔性单元内设备运行的状态信息、报警信息和动态事件信息;
步骤4、动态仿真步骤,读取数据管理模块的数据和全要素建模模块构建的生产过程的模型,输入蚁群算法初始参数α,β,ρ,m,Q,G,α代表信息素启发式因子,β代表期望启发因子,ρ代表信息素蒸发系数,m代表蚂蚁数量,Q代表信息素强度,G代表最大进化代数,调用基于柔性作业车间调度问题P-FJSP的蚁群算法引擎,输出动态仿真结果,即设备和工序维度甘特图;
步骤5、控制步骤,在最小可调度活动的顺序、活动之间的关系及设备监测数据约束下,通过判断活动执行中资源元素和过程元素的状态及变化将动态仿真模块输出的结果数据转化为生产过程中的控制行为,进而控制柔性单元运行;
基于蚁群算法进行动态实时仿真具体包括:
(1)初始化各参数,确定信息素启发式因子α、期望启发因子β、信息素蒸发系数ρ、蚂蚁数量m、最大进化代数G;
(2)对工序进行编码,对工序和设备进行编码,创建工序设备加工时间矩阵,计算初始信息素矩阵τij(0),计算方法为取各工序设备加工时间倒数后进行归一化处理生成的矩阵;
(3)设备约束处理,基于初始信息素矩阵以轮盘赌方式生成随机数,为每台设备的每个时刻建立可加工集合allowed(mj,t)、下一步可移动集合tovisit(t);
(4)操作排序,判断t时刻设备状态是否空闲,假如空闲,从下一步可移动集合中依据转移状态规则对于不同设备同一工序进行选择,计算t时刻概率该概率表示第k只蚂蚁在工序i转移到工序j的概率,其中ηij(t)为启发式信息,计算方法为零件某工序在设备上的加工时间的倒数,若工序不在某机器上加工,则将其加工时间定位无穷大,保证了蚂蚁选择该机器的概率为0;加工完成后通过禁忌表记录该工序并从步骤(4)的两个集合中剔除;
(5)重复步骤(4),直至所有工序均在禁忌表中存储,且所有机器的可加工集合与下一步可移动集合为空;
(6)按照信息素更新规则进行路径信息素更新,即在蚂蚁搜索过程中,从工序i移动到工序j后进行局部信息素更新,蚂蚁每遍历一次只针对本次搜索过程中最优的蚂蚁进行全局信息素更新;
(7)判断循环次数是否达到最大进化代数G,若为是则进行下一步,若为否则进行步骤(2);
(8)算法循环截止,输出最优解并进行解码后输出工序设备加工甘特图。
6.根据权利要求5所述的一种基于蚁群算法的柔性生产线自适应控制方法,其特征在于,所述动态仿真步骤具体包括如下步骤:
(1)读取数据管理模块中工序任务信息,包括工件编码、工件名称、工序号、工序名称;
(2)读取数据管理模块中工艺路线数据,获取工件-工序任务-工序加工顺序-设备-工序时间对应关系;
(3)通过工序任务和设备对应关系读取数据管理模块中设备日历信息;
(4)基于蚁群算法进行动态实时仿真。
7.根据权利要求5所述的一种基于蚁群算法的柔性生产线自适应控制方法,其特征在于,所述全要素建模模块全要素建模方法,具体过程为:
(1)制造资源建模,通过本体建模技术,构建物联网模式下信息共享的设备本体模型,使得车间所有接入物联网的设备都能够用该模型描述自身信息、以及由该设备接入网络后所产生的信息,从而实现对设备的统一接入、控制和管理;物联网设备资源信息共享模型的本体描述包括三个方面:第一,描述物联网设备本身所携带的信息;第二,描述由设备接入所产生的信息;第三,描述设备之间的相互依赖关系;
(2)生产要素静态建模,要素静态建模是对制造资源、辅助工具、原材料、工艺活动要素进行全面的属性结构定义,以及对各个要素关联关系进行定义;
(3)生产要素行为建模,对工艺过程分解成最小可调度活动,把活动、活动所需的生产要素、活动之间的关系、行为、规则进行模型化表达,描述生产过程中的活动行为,以及在活动执行中资源要素和过程要素的变化状态;
(4)生产过程建模,将整个生产过程以最小可调度活动为对象和纽带,把整个生产过程内的工艺过程、控制过程、调度过程进行全面真实的表达,形成单件级的生产过程全要素、全过程模型。
8.根据权利要求5所述的一种基于蚁群算法的柔性生产线自适应控制方法,其特征在于,所述控制步骤包括:
(1)解析任务工艺路线,根据任务订单信息、工艺路线信,全要素建模模块的生产过程模型信息,基于蚁群算法的动态仿真的作业调度数据甘特图解析成零件活动图集;
(2)构建待执行指令集,若当前指令图还未开始执行,则将开始指令状态置为“待执行”,其他均为“未执行”;每当执行完一条指令后,将其后续指令状态由“未执行”改为“待执行”,并将所有“待执行”状态的指令放到待执行指令集中,以供后续从中选择;
(3)构建可执行指令集,基于物联网技术实时获取物理设备的运行数据和任务的执行状态,对待执行指令集中的所有指令进行验证条件和触发条件检查,若满足,则更改状态为“可执行”;将所有“可执行”指令组成可执行指令集,作为后续决策的输入;
(4)执行指令,执行所选择的指令,按照指令类型向设备通讯控制接口传递相应参数;
(5)活动完成条件验证,基于物联网技术实时获取物理设备的运行数据和活动的执行状态,执行结束后,达到活动的完成条件则将该条指令状态改为“已完成”;
(6)直到可执行活动集合没有可执行的活动,否则进入步骤(4);
(7)不断循环整个过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011203683.2A CN112327621B (zh) | 2020-11-02 | 2020-11-02 | 一种基于蚁群算法的柔性生产线自适应控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011203683.2A CN112327621B (zh) | 2020-11-02 | 2020-11-02 | 一种基于蚁群算法的柔性生产线自适应控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112327621A CN112327621A (zh) | 2021-02-05 |
CN112327621B true CN112327621B (zh) | 2022-07-08 |
Family
ID=74324300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011203683.2A Active CN112327621B (zh) | 2020-11-02 | 2020-11-02 | 一种基于蚁群算法的柔性生产线自适应控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327621B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113050553A (zh) * | 2021-02-18 | 2021-06-29 | 同济大学 | 半导体生产线基于联邦学习机制的调度建模方法 |
CN113806891B (zh) * | 2021-09-23 | 2023-08-04 | 山东大学深圳研究院 | 适应工件变更用夹具快速设计方法 |
CN114063584B (zh) * | 2021-11-19 | 2024-04-26 | 江苏科技大学 | 一种舰船关重件集成化加工的调度控制方法、装置及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770615A (zh) * | 2010-01-25 | 2010-07-07 | 重庆大学 | 基于混合智能优化算法的炼钢-连铸生产作业计划与实时调度优化方法与系统 |
CN104484548A (zh) * | 2014-11-05 | 2015-04-01 | 中国人民解放军第二炮兵工程大学 | 一种改进的序贯故障诊断策略优化方法 |
CN106225788A (zh) * | 2016-08-16 | 2016-12-14 | 上海理工大学 | 基于路径拓展蚁群算法的机器人路径规划方法 |
CN109255546A (zh) * | 2018-09-29 | 2019-01-22 | 华南理工大学 | 基于多启发信息蚁群系统的柔性作业车间调度方法 |
WO2019153429A1 (zh) * | 2018-02-07 | 2019-08-15 | 江南大学 | 一种基于有限制稳定配对策略的柔性作业车间调度方法 |
CN111240283A (zh) * | 2020-01-14 | 2020-06-05 | 天津大学 | 针对智能制造系统的可适应规划设计仿真平台构建方法 |
CN111860754A (zh) * | 2020-07-15 | 2020-10-30 | 无锡弘宜智能科技有限公司 | 基于蚁群以及遗传算法的agv调度方法 |
-
2020
- 2020-11-02 CN CN202011203683.2A patent/CN112327621B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101770615A (zh) * | 2010-01-25 | 2010-07-07 | 重庆大学 | 基于混合智能优化算法的炼钢-连铸生产作业计划与实时调度优化方法与系统 |
CN104484548A (zh) * | 2014-11-05 | 2015-04-01 | 中国人民解放军第二炮兵工程大学 | 一种改进的序贯故障诊断策略优化方法 |
CN106225788A (zh) * | 2016-08-16 | 2016-12-14 | 上海理工大学 | 基于路径拓展蚁群算法的机器人路径规划方法 |
WO2019153429A1 (zh) * | 2018-02-07 | 2019-08-15 | 江南大学 | 一种基于有限制稳定配对策略的柔性作业车间调度方法 |
CN109255546A (zh) * | 2018-09-29 | 2019-01-22 | 华南理工大学 | 基于多启发信息蚁群系统的柔性作业车间调度方法 |
CN111240283A (zh) * | 2020-01-14 | 2020-06-05 | 天津大学 | 针对智能制造系统的可适应规划设计仿真平台构建方法 |
CN111860754A (zh) * | 2020-07-15 | 2020-10-30 | 无锡弘宜智能科技有限公司 | 基于蚁群以及遗传算法的agv调度方法 |
Non-Patent Citations (3)
Title |
---|
刘志勇等.应用改进蚁群算法求解柔性作业车间调度问题.《工业工程与管理》.2010,第15卷(第3期),第115-119页. * |
刘志虎.基于改进蚁群算法的柔性车间调度研究.《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》.2017,(第2期),第C028-123页. * |
张超勇.基于自然启发式算法的作业车间调度问题理论与应用研究.《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》.2009,(第5期),第I138-1页. * |
Also Published As
Publication number | Publication date |
---|---|
CN112327621A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112327621B (zh) | 一种基于蚁群算法的柔性生产线自适应控制系统及方法 | |
Guo et al. | Stochastic hybrid discrete grey wolf optimizer for multi-objective disassembly sequencing and line balancing planning in disassembling multiple products | |
Casalino et al. | Optimal scheduling of human–robot collaborative assembly operations with time petri nets | |
Ilgin et al. | Joint optimization of spare parts inventory and maintenance policies using genetic algorithms | |
Umar et al. | Hybrid multiobjective genetic algorithms for integrated dynamic scheduling and routing of jobs and automated-guided vehicle (AGV) in flexible manufacturing systems (FMS) environment | |
Xu et al. | Solving assembly scheduling problems with tree-structure precedence constraints: A Lagrangian relaxation approach | |
CN116224926A (zh) | 面向单件小批柔性制造车间的动态调度优化方法及装置 | |
CN116880380A (zh) | 一种基于数字孪生的作业车间实时调度方法和系统架构 | |
Ding et al. | A survey of ai-enabled dynamic manufacturing scheduling: From directed heuristics to autonomous learning | |
Shirazi et al. | iCoSim-FMS: An intelligent co-simulator for the adaptive control of complex flexible manufacturing systems | |
CN113033987B (zh) | 一种基于多代理机制的智能排产设计方法和装置 | |
CN109615115A (zh) | 一种面向任务可靠性的集成生产任务调度方法 | |
Ali et al. | A simulation study of FMS under routing and part mix flexibility | |
Liu et al. | Integrating theory of constraints and particle swarm optimization in order planning and scheduling for machine tool production | |
CN116976839A (zh) | 一种基于网络协同制造的铅蓄电池生产管控方法 | |
CN114037341B (zh) | 一种基于ddqn的智能车间动态自适应调度方法及系统 | |
CN115983599A (zh) | 一种集成深度强化学习和多智能体的流水车间动态调度方法 | |
Didden et al. | Workload Control in High-Mix-Low-Volume Factories Through the Use of a Multi-Agent System | |
Caesar et al. | Digital Twin Framework for Reconfiguration Management: Concept & Evaluation | |
García-Mata et al. | Rescheduling in industrial environments: Emerging technologies and forthcoming trends | |
Quan et al. | Multi-objective evolutionary scheduling based on collaborative virtual workflow model and adaptive rules for flexible production process with operation reworking | |
CN117215275B (zh) | 一种基于遗传编程的柔性车间大规模动态双效调度方法 | |
Kumar et al. | Discrete event simulation approach for evaluation and estimation of various production parameters | |
Zhang | Layout design and optimization of industrial robot automated production line based on genetic algorithm | |
Xu et al. | Flexible Job-Shop Scheduling Based on Improved Firefly 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 |