CN112904818B - 一种复杂结构件加工车间预测-反应式调度方法 - Google Patents
一种复杂结构件加工车间预测-反应式调度方法 Download PDFInfo
- Publication number
- CN112904818B CN112904818B CN202110068572.3A CN202110068572A CN112904818B CN 112904818 B CN112904818 B CN 112904818B CN 202110068572 A CN202110068572 A CN 202110068572A CN 112904818 B CN112904818 B CN 112904818B
- Authority
- CN
- China
- Prior art keywords
- rescheduling
- disturbance
- scheduling
- scheduling scheme
- workshop
- 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 95
- 238000012545 processing Methods 0.000 title claims abstract description 25
- 238000006757 chemical reactions by type Methods 0.000 title claims abstract description 11
- 238000007637 random forest analysis Methods 0.000 claims abstract description 28
- 230000004044 response Effects 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 230000003111 delayed effect Effects 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 17
- 230000000750 progressive effect Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 2
- 230000001788 irregular Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 claims description 2
- 239000002245 particle Substances 0.000 claims description 2
- 238000010845 search algorithm Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000002922 simulated annealing Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 230000003442 weekly effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims 1
- 230000011218 segmentation Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 38
- 238000003754 machining Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000011144 upstream manufacturing 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
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种复杂结构件加工车间预测‑反应式调度方法，所述方法包括：获取关于车间设备、加工任务和工艺信息等数据，生成初始条件下的预调度方案；当扰动事件发生时，基于设计的相对性能偏差指标对扰动事件对预调度方案的影响进行评价，并根据不同的影响水平，从立即重调度、延迟重调度和忽略影响中选择对应的响应策略；若选择立即重调度，则直接进入重调度方法选择模块，若选择延迟重调度，则根据混合触发机制确定重调度时刻，若忽略影响则继续执行预调度方案；在重调度方法选择中，更新扰动发生时的系统状态，将之输入随机森林模型对重调度方法进行选择，并根据选择结果更新调度方案，直至所有任务加工完成。
Description
技术领域
本发明涉及一种复杂结构件加工车间预测-反应式调度方法，属于车间调度领域。
背景技术
结构件是各类复杂机电产品的核心构件，广泛存在于航空、航天、汽车等产品的制造过程中。当前，复杂结构件加工车间的生产调度主要依靠调度人员的经验来进行生产过程管理。然而，结构件生产过程通常面临各种不同类型的生产扰动，如批产产品和研制类产品共线生产，研制任务不定期出现，常会带来紧急插单。与此同时，研制类产品工艺不成熟会导致加工时间动态变化，老化、疲劳等原因导致的设备故障和临时停机频发，影响生产节奏。因此，结构件生产过程动态多变，调度环节资源协调难度大。
由于需要考虑各类资源的相互协调，车间实际生产过程中主要依赖调度人员根据经验调整设备冲突，形成可行的调度方案。但是该调度方案难以保证性能的优越性，且执行过程中应对不确定性扰动时，难以确定有效的响应策略。结构件的生产调度方案不仅涉及加工任务排序和设备指派，还涉及与之相关的各类刀具、辅具、原材料调配，检测装置、场地协调以及场内物流同步等。因此，在确保原调度方案性能的同时，如何减低各类扰动事件对调度方案稳定性的影响也是一个亟须考虑的问题。
目前，很多结构件加工车间已经部署了基本的企业信息化系统，多种类型的生产过程历史数据可被有效提取和存储，这也为开展数据驱动的生产调度提供了条件。因此，亟须对生产过程历史数据进行分析，挖掘动态生产环境下的调度机理，以此建立面向复杂结构件加工车间的预测-反应式调度方法。
发明内容
本发明要解决的技术问题是如何实现一种复杂结构件加工车间预测-反应式调度方法，用以解决现有调度方法无法有效应对生产过程中不同类型扰动事件影响的技术问题。
为了解决上述技术问题，本发明的技术方案是提供了一种复杂结构件加工车间预测-反应式调度方法，包括以下步骤：
(1)获取车间调度相关信息，生成预调度方案；
(2)预调度方案执行过程中，若发生扰动事件，则对其影响进行预测性评价；
(3)根据扰动评价结果选择是否触发重调度并确定重调度时刻；
(4)建立生成不同类型扰动事件对应重调度方法的随机森林模型；
(5)利用随机森林模型选择重调度方法并更新调度方案；
(6)在预调度方案执行过程中，重复步骤(2)至步骤(5)的操作，直至所有任务加工完成，调度结束。
所述步骤(1)中的车间调度相关信息包括车间设备、加工任务和工艺信息数据，生成预调度方案的方法包括以下几类：基于仿真的方法、基于人工经验的方法、指派规则和元启发式算法。所述元启发式算法包括而不限于以下算法：
模拟退火算法、禁忌搜索算法、遗传算法、粒子群优化算法、蚁群优化算法、蜂群算法。
所述步骤(2)中的扰动事件包括突发型扰动和渐进型扰动。其中，突发型扰动包括机器故障、刀具故障、任务取消、插单、任务返工；渐进型扰动包括任务到达时间变化、原材料不齐套、任务运输不准时、任务加工时间变化、任务优先级变化。当上述扰动事件发生时，计算若不改变预调度方案的加工顺序条件下的预期车间性能，并将之与原始的预调度方案性能相比，得到相对性能偏差指标。
所述步骤(3)根据步骤(2)得到的相对性能偏差值所在区间，选择立即触发重调度、延迟触发重调度和忽略扰动三类响应之一。若选择结果为立即触发重调度则以当前时刻为重调度时刻点，若选择结果为延迟重调度，则根据混合触发机制确定延迟重调度时刻点，若选择结果为忽略扰动，则继续执行原调度方案。
所述步骤(4)建立生成不同类型扰动事件对应重调度方法的随机森林模型包括系统状态特征选择、性能评价指标设计和备选重调度方法选择。其中，系统状态选择包括全局描述性特征、设备相关特征和机器相关特征在内的35个备选特征，以此作为模型输入。性能评价指标为包含调度方案稳定性指标和效率指标的综合评价函数。备选重调度方案包含右移重调度、完全重调度和分别考虑重调度时刻后续10％、20％和30％剩余未加工工件的部分重调度，共计5类重调度方法。按照周计划区间对车间历史数据进行划分，结合企业MES系统中的事件日志确定扰动事件，并根据步骤(3)的触发机制确定重调度时刻点。提取每个重调度时刻点对应的步骤(4)所述的系统状态特征，分别模拟执行5类重调度方法，根据最优结果生成训练数据集。
所述步骤(5)包括输入当前扰动下的系统状态特征，经由步骤(4)生成的随机森林选择的最优重调度方法，根据该方法更新当前调度方案。
所述步骤(6)通过在调度周期内对各类扰动事件进行动态响应，以确保生产过程的顺利执行。
总体而言，通过本发明所述的上述技术方案，可取得以下有益效果：本发明通过设计相对性能偏差指标，可对扰动事件的影响进行定量评价，再结合混合触发机制，可有效筛选和合并不同程度的扰动事件，有效降低重调度的次数和频率，确保调度过程的稳定性。本发明以数据驱动的方式建立不同类型扰动事件对应重调度方法的随机森林模型，能够针对不同类型的扰动事件自适应地选择对应的优化重调度方法，有效提高重调度方案的性能。
附图说明
图1是本发明的复杂结构件加工车间预测-反应式调度方法流程图；
图2是本发明的重调度混合触发策略示意图；
图3是本发明的基于随机森林的重调度方法选择过程示意图。
具体实施方式
为使为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要使彼此之间未构成冲突就可以相互组合。
如图1所示，为本发明提供的一种复杂结构件加工车间预测-反应式调度方法的流程图，包括以下步骤：
(1)获取车间调度相关信息，生成预调度方案；
(2)预调度方案执行过程中，若发生扰动事件，则对其影响进行预测性评价；
(3)根据扰动评价结果选择是否触发重调度并确定重调度时刻；
(4)建立生成不同类型扰动事件对应重调度方法的随机森林模型；
(5)利用随机森林模型选择重调度方法并更新调度方案；
(6)在预调度方案执行过程中，重复步骤(2)至步骤(5)的操作，直至所有任务加工完成，调度结束。
下面对关键步骤环节进行解释，以便更好地理解本发明。
一、不确定性扰动的评价方法
在考虑不确定性扰动的离散车间生产调度中，并未出现对不确定性扰动的分类和性能评价指标。在本发明中定义动态扰动事件分类和其影响评价如下：
(1)复杂结构件生产过程中的动态事件分类
复杂结构件加工车间是包含了人员、设备、物料、工艺与生产环境的有机整体，其动态性主要来源于自然的变动性、随机断供及资源的可用性三个方面。通常来讲，根据来源的不同，动态事件通常被分为两类：与资源相关的事件和与任务相关的事件。然而，这种分类方法不能从根本上揭示不同动态事件对生产系统的影响。根据它们对生产环境的不同影响，我们将结构件生产过程中的常见动态事件重新分为两类：突发型事件和渐进型事件。突发型事件是指直接影响当前生产系统状态，一旦不立即处理，当前生产将因资源或任务的变化而中断。渐进型事件是指轻微变化的扰动事件，但在多次/长时间积累后会对生产效率产生严重后果。在渐进型事件的影响下，生产仍然可以继续进行，但系统性能可能会恶化。举例来讲，单一工序的加工时间存在波动，并且上游工序的加工时间波动会在下游产生累积，引发“牛鞭效应”。在不同条件下，某些中断可能属于不同类别。例如，当正在处理的任务被取消时，这种扰动是突发的。但是，如果取消的任务尚未开始加工，则该扰动被认为是渐进的，因为它只会导致原始计划产生额外的设备闲置。
本发明中涉及了结构件生产过程中的10类典型动态事件：
表1动态事件分类
(2)基于相对性能偏差的动态事件扰动评价
为保证各类扰动事件响应的时效性及生产过程的稳定性，提出了相对性能偏差指数(RPDI)的概念，并建立了以相对性能偏差为评价指标的动态事件触发机制。相对性能偏差指数可以定义为：
其中，s是当前系统状态，s′是在动态事件发生后，任务、资源状态改变但生产调度计划保持不变的系统状态，O(s)是系统状态s下的性能指标。通过相对性能偏差指数，我们可以评估在动态事件发生时，如不调整生产，则生产系统性能的劣化程度。
在此基础上，根据渐进型事件的影响提出了三种应对措施(RM)：直接响应(IR)，延迟响应(DR)和忽视(NE)。在进行动态事件评估之前，预先确定RPDI的特定阈值(α，β)，阈值的取值范围可以通过对历史数据的先导性实验来确定，推荐取值为(0.08,0.10)。在生产过程中，当发生动态事件时，可以通过使用实时状态信息计算RPDI来选择相应的响应措施：
二、重调度混合触发策略
突发型事件可以通过事件驱动的触发机制来处理，该机制在事件发生时触发响应。但是，渐进型事件的触发条件设计相对困难：如果无法及时响应渐进型扰动，则设备利用率可能降低，生产系统的性能可能会持续下降。相反，如果所有渐进型事件(无论是轻微的还是严重的)都及时响应，则车间的状态可能经常改变，导致物流成本激增，生产系统稳定性低下。
在实际生产过程中，当动态事件发生时：首先，根据动态事件的类型和影响的即时性将其划分为突发型扰动和渐进型扰动两类；然后，当不同类型事件发生时，设计相对性能偏差指标以评价当前状态下忽略该扰动的性能损失，根据其影响程度的不同选取不同的触发机制直接响应、延迟响应或者忽略；最后，以滚动机制推动生产管理，若动态事件类型为突发型或判定为直接响应，则触发协同策略分析并更新滚动域，否则在该滚动域结束时对判定为延迟响应的事件集中处理。
如图2所示，为本发明涉及的重调度混合触发策略示意图，其执行步骤如下：步骤1：定义最小重调度周期ΔTmin
步骤2：执行当前调度方案，直到发生动态事件
步骤3：区分干扰的类型
当发生突发型扰动时，立即执行重调度；
当发生渐进型扰动时，根据当前系统状态下相对性能偏差指标(RPDI)对应的措施(RM)确定响应方法：
1)若响应策略为直接响应(RM＝IR)时，响应方式与突发型扰动相同；
2)若响应策略为延迟响应(RM＝DR)时，计算当前事件点与上一次重调度时刻间的间隔(Δt)是否超过ΔTmin，若是则立即执行重调度，若否则在ΔTmin-Δt之后触发重调度；
3)若响应策略为忽视(RM＝NE)，则扰动将被忽略，因为它对系统的影响很小。
步骤4：触发重调度策略选择模块
系统状态参数将根据扰动事件的影响进行更新，之后这些参数将作为输入信息输入到下文的重调度策略选择中。在执行过程中，一旦触发了重调度，则在前一个时间间隔内累积的所有延迟响应(DR)均被清零。
三、基于随机森林模型的重调度方法选择
在触发重调度的情况下，需选择对应的重调度方法以调整调度方案。不同的重调度方法对原调度方案的影响程度各异，优化效果也各异。基于数据驱动的思路，本发明确立了一种扰动事件分类分析方法，通过训练基于随机森林的分类模型确定对应的最佳重调度方法。随机森林模型主要包括所选的系统状态特征(输入)和备选重调度方法(输出)两部分。
(1)系统状态特征
系统状态特征的功能是准确和有效地描述当前生产状态，本发明选取了35个与任务和设备相关的状态特征。
表2状态特征选择
(2)备选重调度方法
当前的动态调度研究成果表明，没有适合所有系统状态的重调度方法。在考虑复杂的车间性能指标的情况下，相同的系统状态下选择不同的重调度方法，其性能可能会相差很大。本发明选择了完全重调度，右移重调度和基于匹配方法的部分重调度三种基本方法作为备选重调度方法。当前的基于匹配方法的部分重调度的基本思想是找到一个匹配点，并在匹配点之前重新调度未加工的操作。但是该方法中匹配点的选择较为复杂，为了降低计算成本，本发明设计了三种改进的匹配重调度方法，分别重新调度后续邻接的10％，20％和30％的操作。
(3)基于改进随机森林的重调度方法选择
随机森林是一种经典的分类和预测模型，它由许多决策树组成。在单个决策树的增长过程中，每个节点根据信息增益从所有特征的子集中随机选择最佳分割特征。最后，每棵决策树通过投票确定对应样本(当前重调度时刻)所属的类别(所选的重调度方法)。
本发明设计了一种改进的随机森林算法，可以有效地提高决策树的多样性和收敛速度。改进的随机森林算法选择与使用的特征相关性较低的特征作为新树的特征子集，通过这样的方式有效减少决策树之间的相关性，提高分类的准确性。在常规随机森林模型中，从所有特征中随机选择新树的特征集，尽管此方法很简单，但可能会导致两棵树之间出现许多重复特征，进而导致树的多样性降低。本发明中改进随机森林的动机是轮盘赌过程：以随机方式获得第一棵树的特征子集，之后先对所有特征进行排序，然后再选择用于拆分新树的特征集。排序规则基于特征在现有树的特征集中出现的次数，可以定义为：
其中k是总特征数，ni是特征i在现有树的特征集中出现的次数。通过这种方式，之前使用较少的特征将更有可能被选择。在生成一棵新树时，本发明使用基于熵的常规度量进行节点拆分。最后，采用复数投票法获取最终选择的类别：
其中T是树的数量，
是树c在类别j上的输出值，
在实际实施过程中，可以根据历史调度数据，对在不同扰动状态下采用各备选重调度方法的效果进行评价，以最佳方法对对应的扰动状态样本进行标注；在此基础上建立上述改进随机森林分类模型，实现从扰动事件到重调度方法的数学映射，以模型输出作为重调度方法的数学表达，并以此指导调度方案的更新。
本发明通过设计相对性能偏差指标对扰动事件的影响进行定量评价，并通过混合触发策略在减少重调度触发次数的同时，确保对扰动的及时响应。采用数据驱动的随机森林模型自适应选择重调度方法，改进了传统重调度方法在应对不同类型扰动事件时性能不佳的问题，最终形成一套能生成高效、稳定调度方案的复杂结构件加工车间预测-反应式调度方法。
Claims (4)
1.一种复杂结构件加工车间预测-反应式调度方法，其特征在于，包括以下步骤：
一、获取车间调度相关信息，生成预调度方案；
二、预调度方案执行过程中，若发生扰动事件，则对其影响进行预测性评价；
三、根据扰动评价结果选择是否触发重调度并确定重调度时刻；
四、建立生成不同类型扰动事件对应重调度方法的随机森林模型；
五、利用随机森林模型选择重调度方法并更新调度方案；
六、在预调度方案执行过程中，重复步骤二至步骤五的操作，直至所有任务加工完成，调度结束；
所述步骤四建立生成不同类型扰动事件对应重调度方法的随机森林模型包括系统状态特征选择、性能评价指标设计和备选重调度方法选择；其中，系统状态选择包括全局描述性特征、设备相关特征和机器相关特征在内的系统状态，以此作为模型输入；性能评价指标为包含调度方案稳定性指标和效率指标的综合评价函数；备选重调度方案包含右移重调度、完全重调度和分别考虑重调度时刻后续10％、20％和30％剩余未加工工件的部分重调度，共计5类重调度方法；
按照周计划区间对车间历史数据进行划分，结合企业MES系统中的事件日志确定扰动事件，并根据步骤三的触发机制确定重调度时刻点；提取每个重调度时刻点对应的步骤四所述的系统状态特征，分别模拟执行5类重调度方法，根据最优结果生成训练数据集；
所述步骤五包括输入当前扰动下的系统状态特征，经由步骤四生成的随机森林选择的最优重调度方法，根据该方法更新当前调度方案，具体如下：
随机森林由许多决策树组成；在单个决策树的增长过程中，每个节点根据信息增益从所有特征的子集中随机选择最佳分割特征；最后，每棵决策树通过投票确定当前重调度时刻所选的重调度方法；
选择与使用的特征相关性较低的特征作为新树的特征子集，通过这样的方式有效减少决策树之间的相关性，提高分类的准确性，具体为：以随机方式获得第一棵树的特征子集，之后先对所有特征进行排序，然后再选择用于拆分新树的特征集；排序规则基于特征在现有树的特征集中出现的次数，可以定义为：
其中k是总特征数，ni是特征i在现有树的特征集中出现的次数；通过这种方式，之前使用较少的特征将更有可能被选择；在生成一棵新树时，使用基于熵的常规度量进行节点拆分；最后，采用复数投票法获取最终选择的类别：
其中T是树的数量，
是树c在类别j上的输出值，
根据历史调度数据，对在不同扰动状态下采用各备选重调度方法的效果进行评价，以最佳方法对对应的扰动状态样本进行标注；在此基础上建立改进随机森林分类模型，实现从扰动事件到重调度方法的数学映射，以模型输出作为重调度方法的数学表达，并以此指导调度方案的更新。
2.根据权利要求1所述的复杂结构件加工车间预测-反应式调度方法，其特征在于，所述步骤一中的车间调度相关信息包括车间设备、加工任务和工艺信息数据，生成预调度方案的方法包括以下几类：基于仿真的方法、基于人工经验的方法、指派规则和元启发式算法；所述元启发式算法包括以下算法：
模拟退火算法、禁忌搜索算法、遗传算法、粒子群优化算法、蚁群优化算法、蜂群算法。
3.根据权利要求1所述的复杂结构件加工车间预测-反应式调度方法，其特征在于，所述步骤二中的扰动事件包括突发型扰动和渐进型扰动；
所述突发型扰动包括机器故障、刀具故障、任务取消、插单、任务返工；
所述渐进型扰动包括任务到达时间变化、物料不齐套、任务运输不准时、任务加工时间变化、任务优先级变化；
当上述扰动事件发生时，计算若不改变预调度方案的加工顺序条件下的预期车间性能，并将之与原始的预调度方案性能相比，得到相对性能偏差指标。
4.根据权利要求1所述的复杂结构件加工车间预测-反应式调度方法，其特征在于，所述步骤三根据步骤二得到的相对性能偏差值所在区间，选择立即触发重调度、延迟触发重调度和忽略扰动三类响应策略之一；若选择结果为立即触发重调度则以当前时刻为重调度时刻点，若选择结果为延迟重调度，则根据混合触发机制确定延迟重调度时刻点，若选择结果为忽略扰动，则继续执行原调度方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110068572.3A CN112904818B (zh) | 2021-01-19 | 2021-01-19 | 一种复杂结构件加工车间预测-反应式调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110068572.3A CN112904818B (zh) | 2021-01-19 | 2021-01-19 | 一种复杂结构件加工车间预测-反应式调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112904818A CN112904818A (zh) | 2021-06-04 |
| CN112904818B true CN112904818B (zh) | 2022-07-15 |
Family
ID=76115573
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110068572.3A Active CN112904818B (zh) | 2021-01-19 | 2021-01-19 | 一种复杂结构件加工车间预测-反应式调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112904818B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113341896B (zh) * | 2021-06-07 | 2022-08-05 | 电子科技大学 | 面向离散制造的动态集成车间调度与装配序列规划方法 |
| CN113671913B (zh) * | 2021-08-10 | 2022-09-13 | 河海大学 | 一种智能制造车间隐形扰动应对方法 |
| CN114460908A (zh) * | 2021-11-29 | 2022-05-10 | 广西成电智能制造产业技术有限责任公司 | 一种螺狮粉生产企业柔性生产车间调度方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0760620A (ja) * | 1993-08-31 | 1995-03-07 | Toyota Motor Corp | ワーク投入指示方法 |
| CN101303597A (zh) * | 2008-05-30 | 2008-11-12 | 合肥工业大学 | 基于实时工况的变权式随机调度方法 |
| CN101763095A (zh) * | 2009-12-09 | 2010-06-30 | 中国人民解放军防化指挥工程学院 | 一种移动化学风险源预测预警和应急控制方法 |
| CN103093301A (zh) * | 2011-08-25 | 2013-05-08 | 西门子公司 | 生产管理方法及用于执行该方法的系统 |
| CN104199435A (zh) * | 2014-08-12 | 2014-12-10 | 上海交通大学 | 一种多变量多时变扰动系统的性能评估方法 |
| CN106715896A (zh) * | 2014-08-15 | 2017-05-24 | 维斯塔斯风力系统集团公司 | 利用湍流预报使涡轮机过额定运转 |
| CN107065803A (zh) * | 2017-05-15 | 2017-08-18 | 安徽工程大学 | 基于可变重调度区间的柔性作业车间动态调度方法 |
| CN109902954A (zh) * | 2019-02-27 | 2019-06-18 | 浙江工业大学 | 一种基于工业大数据的柔性作业车间动态调度方法 |
| CN111160741A (zh) * | 2019-12-19 | 2020-05-15 | 武汉科技大学 | 一种复杂工况下再制造车间多层级任务配置的扰动响应方法 |
| CN111581882A (zh) * | 2020-05-08 | 2020-08-25 | 浙江大学 | 一种生产单元不确定性条件下的重调度触发判断方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140074765A1 (en) * | 2012-09-07 | 2014-03-13 | Harald Steck | Decision forest generation |
| US11015576B2 (en) * | 2018-08-13 | 2021-05-25 | Inventus Holdings, Llc | Wind turbine control system including an artificial intelligence ensemble engine |
| CN110147919A (zh) * | 2018-11-21 | 2019-08-20 | 太原理工大学 | 一种基于价格激励机制的公共自行车自动调度方法 |
| CN111860576A (zh) * | 2020-06-05 | 2020-10-30 | 温州大学 | 一种基于随机森林的子宫内膜肿瘤分类标记方法 |
-
2021
- 2021-01-19 CN CN202110068572.3A patent/CN112904818B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0760620A (ja) * | 1993-08-31 | 1995-03-07 | Toyota Motor Corp | ワーク投入指示方法 |
| CN101303597A (zh) * | 2008-05-30 | 2008-11-12 | 合肥工业大学 | 基于实时工况的变权式随机调度方法 |
| CN101763095A (zh) * | 2009-12-09 | 2010-06-30 | 中国人民解放军防化指挥工程学院 | 一种移动化学风险源预测预警和应急控制方法 |
| CN103093301A (zh) * | 2011-08-25 | 2013-05-08 | 西门子公司 | 生产管理方法及用于执行该方法的系统 |
| CN104199435A (zh) * | 2014-08-12 | 2014-12-10 | 上海交通大学 | 一种多变量多时变扰动系统的性能评估方法 |
| CN106715896A (zh) * | 2014-08-15 | 2017-05-24 | 维斯塔斯风力系统集团公司 | 利用湍流预报使涡轮机过额定运转 |
| CN107065803A (zh) * | 2017-05-15 | 2017-08-18 | 安徽工程大学 | 基于可变重调度区间的柔性作业车间动态调度方法 |
| CN109902954A (zh) * | 2019-02-27 | 2019-06-18 | 浙江工业大学 | 一种基于工业大数据的柔性作业车间动态调度方法 |
| CN111160741A (zh) * | 2019-12-19 | 2020-05-15 | 武汉科技大学 | 一种复杂工况下再制造车间多层级任务配置的扰动响应方法 |
| CN111581882A (zh) * | 2020-05-08 | 2020-08-25 | 浙江大学 | 一种生产单元不确定性条件下的重调度触发判断方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于Ｓｔｉｇｍｅｒｇｙ的Ｈｏｌｏｎｉｃ控制架构下的动态调度问题研究;汤洪涛 等;《浙江工业大学学报》;20140331;第42卷(第3期);第2.2节，图3 * |
| 基于遗传算法的车间动态调度研究;张富生;《中国优秀硕士学位论文全文数据库 信息科技辑》;20131115(第11期);第3.1.2-3.1.3节、4.1-4.3节，图3-1、4-1 * |
| 航天器观测重调度问题中的模糊性不确定因素及其处理;李玉庆 等;《宇航学报》;20090531;第1、2.3节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112904818A (zh) | 2021-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112904818B (zh) | 一种复杂结构件加工车间预测-反应式调度方法 | |
| Li et al. | Discovering dispatching rules using data mining | |
| CN107239335B (zh) | 分布式系统的作业调度系统及方法 | |
| Wu et al. | Cloud-based machine learning for predictive analytics: Tool wear prediction in milling | |
| Zhang et al. | A two-stage genetic programming hyper-heuristic approach with feature selection for dynamic flexible job shop scheduling | |
| CN109902954B (zh) | 一种基于工业大数据的柔性作业车间动态调度方法 | |
| CN103336790A (zh) | 基于Hadoop的邻域粗糙集快速属性约简方法 | |
| CN107908536B (zh) | Cpu-gpu异构环境中对gpu应用的性能评估方法及系统 | |
| Wu et al. | Two layered approaches integrating harmony search with genetic algorithm for the integrated process planning and scheduling problem | |
| CN112785108A (zh) | 一种基于调控云的电网运行数据关联分析方法及系统 | |
| Gyulai et al. | Online lead time prediction supporting situation-aware production control | |
| CN110838055A (zh) | 一种基于大数据的电力企业财务数据管理系统 | |
| Xu et al. | Solving assembly scheduling problems with tree-structure precedence constraints: A Lagrangian relaxation approach | |
| CN115587295A (zh) | 一种基于机器自学习的供应链策略智能生成方法和系统 | |
| Gu et al. | Auto-tuning spark configurations based on neural network | |
| Zahmani et al. | A data mining based dispatching rules selection system for the job shop scheduling problem | |
| US20170236071A1 (en) | Alarm management system | |
| Yu et al. | Multi-objective rescheduling model for product collaborative design considering disturbance | |
| Arzi et al. | Operating an FMC by a decision-tree-based adaptive production control system | |
| Liu et al. | Scheduling optimization of task allocation in integrated manufacturing system based on task decomposition | |
| CN109615115A (zh) | 一种面向任务可靠性的集成生产任务调度方法 | |
| Liu et al. | Integrated optimization of mixed-model assembly line balancing and buffer allocation based on operation time complexity | |
| Karakostas et al. | Industrial data services for quality control in smart manufacturing–the i4q framework | |
| Romanov et al. | Context modeling in predictive analytics | |
| Angelidis et al. | An extended critical path method for complex assembly lines |
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 |