CN112561177B - 一种产线均衡优化调度管理平台 - Google Patents
一种产线均衡优化调度管理平台 Download PDFInfo
- Publication number
- CN112561177B CN112561177B CN202011516759.7A CN202011516759A CN112561177B CN 112561177 B CN112561177 B CN 112561177B CN 202011516759 A CN202011516759 A CN 202011516759A CN 112561177 B CN112561177 B CN 112561177B
- Authority
- CN
- China
- Prior art keywords
- production
- scheduling
- plan
- workpiece
- chromosome
- 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 155
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 110
- 230000008569 process Effects 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 22
- 210000000349 chromosome Anatomy 0.000 claims description 39
- 230000002068 genetic effect Effects 0.000 claims description 20
- 238000003754 machining Methods 0.000 claims description 14
- 230000035772 mutation Effects 0.000 claims description 14
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 37
- 238000003466 welding Methods 0.000 description 11
- 239000000463 material Substances 0.000 description 10
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种产线均衡优化调度管理平台，属于产线调度管理技术领域，用以解决由于生产过程或运输过程中不确定因素影响导致由于排产不当而产生的生产停顿或效率低下问题。本发明通过生产任务管理模块管理当日生产任务信息，通过生产进度管理模块统计和管理产品生产进度和完成情况，通过生产计划与调度管理模块中的生产调度子模块对已制定生产计划的订单进行调度，管理人员根据调度结果获得的最优值即各工件完成所有加工操作的最大完工时间进行排产调度，可以最大限度的节约生产资源，减少加工时间，提高生产效率。本发明可用于制造企业对生产计划的优化调度。
Description
技术领域
本发明涉及产线调度管理技术领域，具体涉及一种产线均衡优化调度管理平台。
背景技术
工厂的生产性物料可以分为原材料、在制品、成品3大类，原材料存放在原材料库，在制品分布在生产现场或中转库、余品库等，成品存放在成品库。在制品库存的形成会有不同的原因，比如工序产能不匹配、物料配套零件生产流速不一致、原料发放不匹配，还有可能是特定工序的生产设备对物料生产有经济批量的考虑等。
实际中通常需要解决当配件供应商出现意外无法按照原定计划供货时其他工序须停止作业等待或者改变生产计划的问题，这一问题导致在到位工序产生大量在制品，因此，若忽略此问题，一旦配件正常供给，此时配件数目远小于待需配件加工产品数目，将再一次产生生产混乱、停顿的问题。因此，如何在配件供应发生意外时合理分配工序生产时间以及产量是一个亟待解决的问题。
另外，当工序中产生了不合格产品，需要返工，此时便在返工过程中拖延了合格产品的完成时间以及下一批次产品的加工时间，当出现不合格产品时，当前工序要如何进行排产才可以使中间时间尽可能降到最低，因此，如何实现均衡化生产也是一个亟待解决的问题。
发明内容
鉴于以上问题，本发明提出一种产线均衡优化调度管理平台，用以解决由于生产过程或运输过程中不确定因素影响导致由于排产不当而产生的生产停顿或效率低下问题。
一种产线均衡优化调度管理平台，包括生产任务管理模块、生产计划与调度管理模块和生产进度管理模块，其中，生产任务管理模块用于管理当日生产任务信息；生产进度管理模块用于统计和管理产品生产进度和完成情况；生产计划与调度管理模块包括月计划制定子模块、日计划制定子模块、生产计划查询子模块、生产调度子模块和重调度管理子模块；
其中，月计划制定子模块用于根据后台运算结果制定月计划排产结果；日计划制定子模块用于根据后台运算结果制定日生产计划和计划安排甘特图；生产计划查询子模块用于查看月生产计划和日生产计划的详细内容；生产调度子模块用于对已制定生产计划的订单进行调度，获得工件调度结果；重调度管理子模块用于当生产进度出现滞后时对生产计划进行调整。
进一步地，生产调度子模块中调度操作的执行是基于改进的遗传算法的调度方法对生产订单进行调度运算，最终得到调度结果。
进一步地，所述基于改进的遗传算法的调度方法具体步骤包括：
步骤一、根据初始参数生成初始种群；
步骤二、计算所述初始种群中每条染色体的适应度值；
步骤三、根据轮盘赌策略和精英保留策略相结合选择适应度值大的染色体形成选择种群；
步骤四、对所述选择种群执行交叉算子，更新所述选择种群；
步骤五、对所述选择种群执行变异算子，更新所述选择种群；
步骤六、获取迭代次数，并对比所述迭代次数和迭代阈值；
步骤七、若所述迭代次数大于或等于所述迭代阈值，则输出所述最优解；若所述迭代次数小于所述迭代阈值，则继续重复迭代步骤二至步骤六。
进一步地，步骤一中通过局部搜索、全局搜索和随机搜索相结合的方式生成初始种群，即首先通过随机搜索产生初始种群，接着通过局部搜索和全局搜索相结合对产生的初始种群进行选择优化。
进一步地，步骤一中生成初始种群包括采用分段编码法对染色体进行编码，其中，每条染色体由机器选择部分和工序选择部分组成，并将机器选择部分和工序选择部分中的各个元素一一对应。
进一步地，步骤二中计算所述初始种群中每条染色体的适应度值需要进行染色体解码，染色体解码过程如下：从左至右遍历工序选择序列，由工序选择序列确定工件号和工序号，然后由工件号和工序号确定其在机器选择序列中的位置，由机器选择序列中的值确定加工机器号和加工时间，所述适应度值的取值为各个工件完成所有加工操作的最大完工时间。
进一步地，步骤四中执行交叉算子中，机器选择部分的交叉操作采用两点交叉法，即互换两条染色体的机器选择部分的某一位置区间的所有基因值；工序选择部分的交叉操作采用顺序交叉法，即产生范围在[N，2*N]的两个随机数，其中，N表示所有工件的所有工序的数量之和，所述两个随机数分别代表父代染色体遗传给子代染色体的染色体序列的起始位置和结束位置。
进一步地，步骤五中执行变异算子中，机器选择部分采用单点变异算子，即将指定位置的值更新为某工件工序加工时间最短的可选机器编号；工序选择部分采用逆转变异算子，即互换不同位置的值。
本发明的有益效果是：本发明一种产线均衡优化调度管理平台中通过生产任务管理模块管理当日生产任务信息，通过生产进度管理模块统计和管理产品生产进度和完成情况，通过生产计划与调度管理模块中的生产调度子模块对已制定生产计划的订单进行调度，管理人员根据调度结果获得的最优值即各工件完成所有加工操作的最大完工时间进行排产调度，可以最大限度的节约生产资源，减少加工时间，提高生产效率；进一步地，调度操作的执行是基于改进的遗传算法的调度方法对生产订单进行调度运算，在基于改进的遗传算法的调度方法中以局部搜索、全局搜索和随机搜索相结合的方式来产生初始种群，从而保证初始解的质量和种群的基因多样性，从而大幅降低获得可行解所需要的时间。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解，其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。
图1示出了本发明一种产线均衡优化调度管理平台的示意性结构图。
图2示出了本发明一种产线均衡优化调度管理平台中基于改进的遗传算法的调度方法的示意性流程图。
图3示出了本发明实施方式的一种产线均衡优化调度管理平台的焊接各工序排产结果甘特图。
图4示出了本发明实施方式的一种产线均衡优化调度管理平台的焊接各工序排产结果参数图。
具体实施方式
在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简明起见，在说明书中并未描述实际实施方式的所有特征。然而，应该了解，在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定，以便实现开发人员的具体目标，例如，符合与系统及业务相关的那些限制条件，并且这些限制条件可能会随着实施方式的不同而有所改变。此外，还应该了解，虽然开发工作有可能是非常复杂和费时的，但对得益于本发明内容的本领域技术人员来说，这种开发工作仅仅是例行的任务。在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的装置结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
图1示出了本发明一种产线均衡优化调度管理平台的示意性结构图。如图1所示，一种产线均衡优化调度管理平台，包括生产任务管理模块、生产计划与调度管理模块和生产进度管理模块，其中，生产任务管理模块用于管理当日生产任务信息，为生产计划的制定奠定基础；生产进度管理模块用于统计和管理产品生产进度和完成情况，有利于调度人员实时掌握生产动态，在生产发生突发状况时，能够及时、准确地为生产进度受影响的产品制定出生产计划调整方案；生产计划与调度管理模块是整个调度管理平台的核心，包括月计划制定子模块、日计划制定子模块、生产计划查询子模块、生产调度子模块和重调度管理子模块；其中，月计划制定子模块用于根据后台运算结果制定月计划排产结果；日计划制定子模块用于根据后台运算结果制定日生产计划和计划安排甘特图；生产计划查询子模块用于查看月生产计划和日生产计划的详细内容；生产调度子模块用于对已制定生产计划的订单进行调度，可以获得工件调度结果；重调度管理子模块用于当生产进度出现滞后时对生产计划进行调整。
进一步地，生产调度子模块中调度操作的执行是基于改进的遗传算法的调度方法对生产订单进行调度运算，最终得到调度结果。系统将调度结果以甘特图的形式显示，同时将优化的排产结果参数以文件形式输出。
如图2所示，基于改进的遗传算法的调度方法具体包括以下步骤：
步骤一、根据初始参数生成初始种群；
步骤二、计算所述初始种群中每条染色体的适应度值；
步骤三、根据轮盘赌策略和精英保留策略相结合选择适应度值大的染色体形成选择种群；
步骤四、对选择种群执行交叉算子，更新选择种群；
步骤五、对选择种群执行变异算子，更新选择种群；
步骤六、获取迭代次数，并对比迭代次数和迭代阈值；
步骤七、若迭代次数大于或等于迭代阈值，则输出最优解；若迭代次数小于迭代阈值，则继续重复迭代步骤二至步骤六。
具体实施例一
为了解决由于生产过程以及运输中不确定因素影响，导致的生产停顿、生产过慢、效率低下等问题，本发明提供一种可依据生产订单与实际产线进行优化调度的平台，以解决生产订单的合理分配与优化调度。
本发明包括以Web前端为主的客户端和以云服务器为主的云端，其中，客户端主要提供给生产管理人员使用，方便生产管理人员清楚并适当调整排产计划。
针对自行车产线调度管理平台，可设置主页、备料车间、焊接车间、清洗车间、烤漆车间、总装车间五个可点击标题，主页设置轮播图来展示管理软件，以及对备料、焊接、烤漆、总装四个生产工序的介绍；备料车间、焊接车间、清洗车间、烤漆车间、总装车间分别独自占据一个界面，进入每道生产工序界面即进入每道生产工序的生产进度管理模块，可以查看该工序的具体生产情况，包括加工已完成数量、目标生产数量、每小时实际生产数量、每小时目标生产数量和次品数量。
对于工件的排产，采用“工件一次性排产”，即所有产品采取相同的生产工艺路线。对于该车间的各生产工序流水线，采用柔性作业车间调度(Flexible Job shopscheduling problem,FJSSP)问题的解决方法。
遗传算法是一种解决大规模计算问题的全局搜索方法。本发明采用的遗传算法的基本框架是基于已有的解决柔性车间作业车间调度问题模型，针对具体的自行车产线排产问题进行了改进。初始时为整个生产环节指定一个开始时间，生产工人可以根据该指定的开始时间在相应的机器上完成该道工序，有效降低产品生产时间，提高单位时间内生产数量。
FJSSP问题可描述为：有n个相互独立的待加工工件(记为工件集J＝{J1,J2,J3,........,Jn})在m台加工机器(记为机器集M＝{M1,M2,M3,.........,Mn})上加工，每个工件Ji包含ni道具有固定加工顺序的工序，即Ji＝{Oi1,Oi2,Oi3,.........,Oin}，且工序Oij可在其候选机器集合
中的任意一台机器上加工。FJSSP问题需要确定每道工序的加工机器(即路径子问题)，并确定所有工序在机器上的加工顺序(即调度子问题)，以实现一个或多个调度目标的优化，调度目标例如为，最大完工时间、总机器负荷、总延迟时间、最大松弛时间等。
求解FJSSP问题通常需满足如下假设条件：
(1)0时刻，所有工件均处于待加工状态，所有机器均处于空闲状态；
(2)同一时刻，同一台机器只能加工一个工件的某道工序；
(3)同一时刻，同一工件只能被一台机器加工，且不允许中断正在加工的工序；
(4)同一工件的工序加工顺序固定且不可更改，不同工件的工序间没有顺序约束关系；
(5)加工某工件的机器准备时间已被考虑在相应的加工时间内。
通常FJSSP的柔性可以分成如下两类：每道工序可以被m台机器中任意一台加工的整体柔性和每道工序可以被m台机器的一个子集中的任意一台机器加工的部分柔性。
针对实际生产需要，本发明实施例考虑所要优化的调度目标是最基础、最典型的最大完工时间Cmax(Makespan)。FJSSP的优化目标是将每个工件分配到某台合适的机器上进行加工并对机器的加工序列进行排程以使得完成所有工件加工任务的最大完工时间Cmax最小。对n个工件、m台机器的柔性作业调度问题，设Ci是工件Ji的完工时间，求最大完工时间Cmax最小值的目标函数为：
Cmax＝min{max Ci，i＝1，...n}
针对自行车产线排产问题，遗传算法的具体步骤如下：
步骤一、初始化一定数量的种群；
采用分段编码法对染色体进行编码。每条染色体由两部分组成，分别是机器选择(MS)和工序选择(OS)，长度为N，N表示所有工件的所有工序的数量之和。MS和OS均采用间接编码的方式来实现。假设用i表示某个工件的序号，则i在OS中第几次出现就代表该工件i的第几道工序。在MS中的数值表示某工件的某道工序所对应的在可选机器集中的第几台机器，MS中的数值表示的是按先后顺序从第一个工件的第一道工序开始至最后一个工件的最后一个工序结束所选择的在可选机器集中的第几台机器。以上述方式将OS和MS中的各个元素一一对应起来。
首先，随机产生一个200个个体的种群，每一个个体用一条染色体来表示。对于每一条染色体，在保证所有工件的所有工序数量都满足的情况下随机产生一个OS序列，在保证某工件工序所对应机器存在的情况下随机产生一个MS序列。本发明算法对传统的用单一方法生成初始种群的方法进行改进，以局部搜索、全局搜索和随机搜索相结合的方式来产生初始种群，从而保证了初始解的质量和种群的基因多样性，从而大幅降低了获得可行解所需要的时间。
传统的柔性车间调度最优化问题采用随机搜索产生初始化种群，然而在面对大规模优化问题时，随机搜索进行初始化往往效果不佳。对于车间调度问题，当工件数量大，生产过程复杂时，无论采取何种编码方式，采用随机优化方式都有可能陷入“维数灾难”问题。种群的初始化就是依据编码规则给出种群的初始解，初始种群采取随机生成法，即从所有的配送点中随机选取点直到满足一定的条件或接近满足一定条件后停止，形成一条子路径，乃至形成一条染色体。但随机生成的方式使初始种群的形成过于随意，以致于一开始就可能形成许多不可行的方案，之后要进行大量的计算后才能得到优化的方案，这样很大程度上降低了算法的运算效率，大大延长了寻优过程的运算时间。
因此，对种群初始化算法进行优化可以使得算法效率大大提升，采用局部搜索、全局搜索和随机搜索相结合的方式来产生初始种群，具体地，在种群初始化时，将随机搜索产生的种群进行优化，这样会加速种群向最优解的收敛速度。遗传算法本身是一种全局搜索算法，目前将局部搜索与全局搜索相结合的混合遗传算法用于解决遗传算法容易陷入局部最优与后期局部能力差等问题，将局部搜索、全局搜索和随机搜索相结合用在种群初始化阶段不仅可以提升算法效率，同时也可以避免种群陷入局部最优的问题。局部搜索算法的基本思想是在搜索过程中，始终选择当前点的邻居中与目标最近者的方向搜索。在随机产生染色体的过程中采用局部搜索和全局搜索相结合，缩小范围提升效率。
步骤二、计算个体适应度；
求解柔性车间调度的最短的总调度时间的难点有以下三点：各个工件不同的工序之间有严格的先后顺序，这个问题可以在OS编码时被解决，因为染色体序列中各个工件出现的顺序就代表着各个工件的工序序列；每道工序有多台加工机器可供选择，这在MS编码时被考虑，编码、交叉和变异的过程就是对机器进行选择的过程；同一台机器某个时刻只可以加工一种工件，这个问题可以通过维护一个机器数目大小的一维数组来实现，数组存储的值是该机器处理完当前工件后的空闲时间点。
车间调度执行的顺序是按OS的编码从左向右执行，由调度问题的执行位置和OS在该位置的值可知要加工工件的工件号i，然后通过工件号在OS的出现次数获得该工件所在的工序号j，然后由其工件号和工序号确定其在MS中的位置，由MS中的值确定其加工机器号和加工时间，然后更新第i个工件第j道工序的开始时间为第i个工件第(j-1)道工序的结束时间或该工序将要使用机器的最近空闲时间点的之中的较大者，更新第i个工件第j道工序的结束时间为该工序的完工时间，即开始时间与加工时间之和，更新该工序所使用机器的最近空闲时间点为第i个工件第j道工序的加工完成时间。如果该工序的完工时间大于当前的最大完工时间，更新最大完工时间的值，直至OS中的所有工序被加工完毕，最终可以获得完成车间调度所需的最大完工时间。最大完工时间越长说明越不符合预期，因此，适应度的值反比于最大完工时间。
计算个体的适应度需要进行染色体解码，对染色体的解码过程是这样的：从左到至右遍历OS序列，由OS序列确定其工件号和工序号，然后由其工件号和工序号确定其在MS中的位置，由MS中的值确定其加工机器号和加工时间。该模型适应度值的取值为各个工件完成所有加工操作的最大完工时间Cmax。
步骤三、选择染色体；
选择下一代个体，适应度越大的个体被选中的可能性越大。将轮盘赌策略和精英保留策略相结合来选择下一代新个体。精英保留策略可以保证种群向更优解进化，而轮盘赌策略有效地防止了求解陷入局部最优化的陷阱，这两种方法相辅相成，可以加速种群迭代和有效解的获得。
步骤四、交叉产生新个体；
本发明在大量实验的基础上选择了以下算子：MS的交叉操作采用两点交叉法，具体过程是互换两条染色体的MS部分的某一位置区间的所有基因值；OS的交叉操作采用顺序交叉法，具体过程是首先产生范围在[N，2*N]的两个随机数，而这两个随机数需满足第一个随机数小于第二个随机数的条件，产生的两个随机数代表父代染色体要遗传给子代染色体的染色体序列的起始和结束位置。
步骤五、染色体变异；
MS采用单点变异算子，OS采用逆转变异算子。
MS所采用的单点变异，具体过程是将MS指定位置中的值更新为某工件工序所对应的可选机器集中加工时间最短的那台机器的代号。这种变异方法可加速产生最优解的速度，降低获得最优解所耗费的总的运行时间；OS所采用的逆转变异算子，就是互换OS中不同位置的值。
步骤六、达到遗传代数终止算法；
算法的停止条件取遗传算法运行到迭代次数达到指定次数时运算停止，例如，指定次数为200次，从中选取适应度最优的个体作为作业车间调度问题的生产流水线上的最优时间。
使用上述改进的遗传算法进行焊接车间的单工件流排产，连接数据库获取参数，设置焊接工序1和工序3的机器台数为2，工序2的机器台数为3，最终得到的甘特图如图3所示，排产结果参数图如图4所示，1-2是第一部分焊接，3-5是第二部分焊接，6-7是第三部分焊接，图中明确给出了工件序号、每道工序的加工开始和结束时间、机器设备安排以及所消耗时间等信息。
具体实施例二
数据库可设计为包含以下信息：规定时间内的计划生产总量、生产机器总量和机器操作容量；机器生产的次品率和次品返修时间；每台机器的机器编号和上下料时间；工件的清洗时间和移动时间，这里可将其并入生产时间；待加工工件的生产参数，具体包括生产所需工序个数、进行每个工序对应的机器编号以及每个机器完成对应工序所需要的时间。通过将上述信息输入数据库中调度方法获得排产结果，进而在客户端生产计划与调度管理模块中显示，排产结果包含加工物料序号、加工机器序号、开始时间、结束时间和耗时，即将每个工件的每个工序在哪台机器上进行，每个工序的开始时间和结束时间连接到数据库中，进而使得前端可以显示出工件流的具体生产计划，并且生产车间的工人可以实时调整生产计划，管理人员也可以对生产过程进行实时监控。
尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。此外，应当注意，本说明书中使用的语言主要是为了可读性和教导的目的而选择的，而不是为了解释或者限定本发明的主题而选择的。因此，在不偏离所附权利要求书的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。
Claims (3)
1.一种产线均衡优化调度管理平台，其特征在于，包括生产任务管理模块、生产计划与调度管理模块和生产进度管理模块，其中，
生产任务管理模块用于管理当日生产任务信息；生产进度管理模块用于统计和管理产品生产进度和完成情况；生产计划与调度管理模块包括月计划制定子模块、日计划制定子模块、生产计划查询子模块、生产调度子模块和重调度管理子模块；
所述月计划制定子模块用于根据后台运算结果制定月计划排产结果；
所述日计划制定子模块用于根据后台运算结果制定日生产计划和计划安排甘特图；
所述生产计划查询子模块用于查看月生产计划和日生产计划的详细内容；
所述生产调度子模块用于对已制定生产计划的订单进行调度，获得工件调度结果，调度操作的执行是基于改进的遗传算法的调度方法对生产订单进行调度运算，最终得到调度结果；所述基于改进的遗传算法的调度方法具体步骤包括：
步骤一、根据初始参数生成初始种群；生成初始种群包括采用分段编码法对染色体进行编码，其中，每条染色体由机器选择部分和工序选择部分组成，并将机器选择部分和工序选择部分中的各个元素一一对应；
步骤二、计算所述初始种群中每条染色体的适应度值；计算所述初始种群中每条染色体的适应度值需要进行染色体解码，染色体解码过程如下：从左至右遍历工序选择序列，由工序选择序列确定工件号和工序号，然后由工件号和工序号确定其在机器选择序列中的位置，由机器选择序列中的值确定加工机器号和加工时间，所述适应度值的取值为各个工件完成所有加工操作的最大完工时间；
步骤三、根据轮盘赌策略和精英保留策略相结合选择适应度值大的染色体形成选择种群；
步骤四、对所述选择种群执行交叉算子，更新所述选择种群；执行交叉算子中，机器选择部分的交叉操作采用两点交叉法，即互换两条染色体的机器选择部分的某一位置区间的所有基因值；工序选择部分的交叉操作采用顺序交叉法，即产生范围在[N，2*N]的两个随机数，其中，N表示所有工件的所有工序的数量之和，所述两个随机数分别代表父代染色体遗传给子代染色体的染色体序列的起始位置和结束位置；
步骤五、对所述选择种群执行变异算子，更新所述选择种群；
步骤六、获取迭代次数，并对比所述迭代次数和迭代阈值；
步骤七、若所述迭代次数大于或等于所述迭代阈值，则输出最优解；若所述迭代次数小于所述迭代阈值，则继续重复迭代步骤二至步骤六；
所述重调度管理子模块用于当生产进度出现滞后时对生产计划进行调整。
2.根据权利要求1所述一种产线均衡优化调度管理平台，其特征在于，步骤一中通过局部搜索、全局搜索和随机搜索相结合的方式生成初始种群，即首先通过随机搜索产生初始种群，接着通过局部搜索和全局搜索相结合对产生的初始种群进行选择优化。
3.根据权利要求2所述一种产线均衡优化调度管理平台，其特征在于，步骤五中执行变异算子中，机器选择部分采用单点变异算子，即将指定位置的值更新为某工件工序加工时间最短的可选机器编号；工序选择部分采用逆转变异算子，即互换不同位置的值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011516759.7A CN112561177B (zh) | 2020-12-21 | 2020-12-21 | 一种产线均衡优化调度管理平台 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011516759.7A CN112561177B (zh) | 2020-12-21 | 2020-12-21 | 一种产线均衡优化调度管理平台 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112561177A CN112561177A (zh) | 2021-03-26 |
| CN112561177B true CN112561177B (zh) | 2022-06-21 |
Family
ID=75032152
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011516759.7A Active CN112561177B (zh) | 2020-12-21 | 2020-12-21 | 一种产线均衡优化调度管理平台 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112561177B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113408818B (zh) * | 2021-07-07 | 2022-02-01 | 广东工业大学 | 一种基于alns改进模拟退火的排产优化方法 |
| CN115032959A (zh) * | 2022-07-29 | 2022-09-09 | 京东方科技集团股份有限公司 | 柔性作业车间生产调度方法及装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180081240A (ko) * | 2017-01-06 | 2018-07-16 | 전자부품연구원 | 국내외 이벤트의 사전/개최/사후 수송 최적화 스케줄링 방법 및 시스템 |
| CN109359884B (zh) * | 2018-10-31 | 2021-07-27 | 南京航空航天大学 | 航空复杂装备结构件车间作业计划及重调度方法 |
| CN111382942B (zh) * | 2020-03-09 | 2022-04-01 | 西安建筑科技大学 | 一种集成交货期配置的置换流水车间能效优化调度方法 |
| CN111667194B (zh) * | 2020-06-15 | 2023-08-08 | 绍兴数智科技有限公司 | 适用于印染企业的生产调度方法、装置及电子设备 |
-
2020
- 2020-12-21 CN CN202011516759.7A patent/CN112561177B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112561177A (zh) | 2021-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109359884B (zh) | 航空复杂装备结构件车间作业计划及重调度方法 | |
| CN110955206B (zh) | 一种订单排程与分配调度方法及系统 | |
| US5991732A (en) | Strategical-tactical logistic system | |
| CN105160439B (zh) | 一种生产排程方法及自动排程系统 | |
| CN111126748A (zh) | 一种面向离散制造业的动态生产计划排程方法 | |
| CN112561177B (zh) | 一种产线均衡优化调度管理平台 | |
| US20230128899A1 (en) | Computer-implemented method for planning and/or controlling a production by a production system, and production planning and/or control system for production optimization | |
| JP2000077289A (ja) | 製造予測管理システム | |
| CN111144710B (zh) | 一种可持续性混合流水车间的构建和动态调度方法 | |
| US20230115525A1 (en) | Computer-implemented method for planning and/or controlling a production by a production system, and production planning and/or control system | |
| CN116090676B (zh) | 一种基于多目标优化的aps排产方法及aps排产系统 | |
| CN111415069B (zh) | 离散制造业工序级智能实时调度方法 | |
| CN116540659B (zh) | 一种大型复杂产品车间调度方法、系统、设备及介质 | |
| Vahedi-Nouri et al. | A multi-objective scheduling model for a cloud manufacturing system with pricing, equity, and order rejection | |
| CN116415780A (zh) | 一种智能排单的方法及系统 | |
| Ballestín et al. | Production scheduling in a market-driven foundry: a mathematical programming approach versus a project scheduling metaheuristic algorithm | |
| Slak et al. | Application of genetic algorithm into multicriteria batch manufacturing scheduling | |
| Wang et al. | An integrated approach to reactive scheduling subject to machine breakdown | |
| Turgay et al. | An Effective Heuristic Algorithm for Flexible Flow Shop Scheduling Problems with Parallel Batch Processing | |
| Salehi et al. | A novel model for production optimization with stochastic rework and failure-prone job shop schedule problem via hybrid simulation–heuristic optimization | |
| Turnbull et al. | Recent developments in the UK automotive industry: JIT/TQC and information systems | |
| Sahu | Efficient Heuristics for Scheduling Tasks on a Flo Shop Environment to Optimize Makespan | |
| Kljajić et al. | Production planning using simulation and genetic algorithms in multi-criteria scheduling optimization | |
| Bernik et al. | Multi-criteria scheduling optimization with genetic algorithms | |
| Ji et al. | Scheduling Optimization of Flexible Workshop Dynamics Based on Big Data |
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 |