CN112949077B - 结合运输设备约束的柔性作业车间智能调度决策方法 - Google Patents

结合运输设备约束的柔性作业车间智能调度决策方法 Download PDF

Info

Publication number
CN112949077B
CN112949077B CN202110280193.0A CN202110280193A CN112949077B CN 112949077 B CN112949077 B CN 112949077B CN 202110280193 A CN202110280193 A CN 202110280193A CN 112949077 B CN112949077 B CN 112949077B
Authority
CN
China
Prior art keywords
processing
equipment
transportation
workpiece
transport
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
Application number
CN202110280193.0A
Other languages
English (en)
Other versions
CN112949077A (zh
Inventor
胡耀光
任维波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110280193.0A priority Critical patent/CN112949077B/zh
Publication of CN112949077A publication Critical patent/CN112949077A/zh
Application granted granted Critical
Publication of CN112949077B publication Critical patent/CN112949077B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)

Abstract

本发明涉及一种结合运输设备约束的柔性作业车间智能调度决策方法，属于生产调度技术领域。本发明综合考虑柔性作业生产车间加工设备和运输设备等生产资源，结合工件作业柔性工艺路线，构建柔性作业车间加工设备和运输设备动态调度集成的数学决策模型，并采用遗传算法进行求解，最终生成所有工件的柔性作业调度路线，包括在不同加工设备和运输设备的开始和结束时间。该发明可以综合解决生产车间加工设备和运输设备集成调度问题，更加适应现有的生产现状，从而减少产品生产时间，降低产品生产过程中的生产成本，提高生产效率。

Description

结合运输设备约束的柔性作业车间智能调度决策方法
技术领域
本发明涉及一种结合运输设备约束的柔性作业车间智能调度决策方法，属于生产调度技术领域。
背景技术
柔性作业车间调度问题(flexible job shop scheduling problem，简称FJSP)作为作业车间调度问题(job-shop scheduling problem，JSP)的延伸，它同时考虑了制造系统中的工艺柔性和资源柔性。在这样一个系统中，大多数工件都有许多可行的工艺方案，并且每个工序都可以在不同的机床上进行。因此，调度计划的确定和机器的选择应该同时进行。
同时，为了提高生产物流效率和智能化水平，在实际生产中，许多企业通过购买自动导向车(Automated Guided Vehicle，AGV)等运输资源来提高物流效率，促进柔性化、智能化制造，这给车间调度带来了巨大的挑战。此外，在制造系统中，工件在上一台加工设备上完成加工操作，然后需要经过运输设备(如AGV等)输送至下一台加工设备。事实上，对于工件而言，加工设备和运输设备之间存在着很强的相互影响。一方面，在加工设备上的加工时间会影响运输设备的选择；而另一方面，运输设备也会影响加工设备的等待时间。
因此，本发明内容结合运输设备约束主要考虑了以下几个方面的因素：(1)为了适应实际生产环境，在作业车间调度问题中，考虑不同工件的柔性工艺路线，即工件的操作工序可以在不同的设备上完成。(2)目前，柔性作业车间调度问题的研究几乎只关注加工设备的作业时间，而忽略了运输设备的作业时间。机械加工和运输操作应兼顾考虑，这样更加符合实际应用的需要。
发明内容
本发明的目的是提供一种结合运输设备约束的柔性作业车间智能调度决策方法。该方法综合考虑柔性作业生产车间加工设备和运输设备等生产资源，结合工件作业柔性工艺路线，构建柔性作业车间加工设备和运输设备动态调度集成的数学决策模型，并采用遗传算法进行求解，最终生成所有工件的柔性作业调度路线，包括在不同加工设备和运输设备的开始和结束时间。该发明可以综合解决生产车间加工设备和运输设备集成调度问题，更加适应现有的生产现状，从而减少产品生产时间，降低产品生产过程中的生产成本，提高生产效率。
发明的目的是通过下述技术方案实现的。
结合运输设备约束的柔性作业车间智能调度决策方法：获取柔性作业车间加工工序、运输工序和生产资源，构建加工工序集合、运输工序集合、加工设备集合和运输设备集合，并确定各个加工设备之间、加工设备与初始工位、加工设备与卸载工位的距离，构建距离矩阵。之后，综合考虑生产资源的优势和特点，确定每个加工/运输工序的可选设备资源，构建各个加工工序的可选加工设备资源集合和工序时间集合以及各个运输工序的可选运输设备资源集合。然后以完工时间最小为优化目标，构建考虑运输设备约束的柔性作业车间智能调度模型，并通过遗传算法进行求解，得到所有工件的柔性作业调度路线以及在不同加工设备和运输设备的开始和结束时间。所述的结合运输设备约束的柔性作业车间智能调度决策方法更加适应现有的生产现状，可以减少产品生产时间，降低产品生产过程中的生产成本，提高产品生产过程的自动化率，提高生产效率。
结合运输设备约束的柔性作业车间智能调度决策方法，包括如下步骤：
步骤一、获取柔性作业车间加工/搬运工序和生产资源，构建加工工序集合、运输工序集合、加工设备资源集合和运输设备资源集合，并确定各个加工设备之间、加工设备与初始工位、加工设备与卸载工位的距离，构建距离矩阵。
步骤1.1：柔性作业车间需要完成n个工件的加工与运输操作，构建车间工件集合J＝{J1,J2,…,Jj,…,Jn}，其中，Jj表示产品第j个工件。
步骤1.2：对于工件Jj，共包括p个加工工序，构建工件Jj的加工工序集合MOj＝{MOj1,MOj2,…,MOjk,…,MOjp}，MOjk表示该工件Jj的第k个加工工序。
步骤1.3：柔性作业车间共有s个加工设备，构建加工设备资源集合M＝{M1,M2,M3,…，Mm，…，Mm*，…，Ms}，其中，Mm表示第m个加工设备，Mm*表示第m*个加工设备。
步骤1.4：分别判断加工设备与加工设备、初始工位、卸载工位之间的距离，构建距离矩阵D
Figure BDA0002977936420000021
其中，D00表示初始工位与初始工位之间的距离(设置为0)，D01表示初始工位与加工设备M1之间的距离，D0m表示初始工位与加工设备Mm之间的距离，D0s表示初始工位与加工设备Ms之间的距离，D0(s+1)表示初始工位与卸载工位之间的距离，Dm(m*)表示加工设备Mm和加工设备Mm*之间的距离，D(s+1)0表示卸载工位与初始工位之间的距离，D(s+1)1表示卸载工位与加工设备M1之间的距离，D(s+1)m表示卸载工位与加工设备Mm之间的距离，D(s+1)s表示卸载工位与加工设备Ms之间的距离，D(s+1)(s+1)表示卸载工位与卸载工位之间的距离。
步骤1.5：对于工件Jj，共包括p+1个运输工序，构建工件Jj的运输工序集合ROj＝{ROj1,ROj2,…,ROjl,…,ROjp+1}，其中ROj1表示从初始工位到该工件Jj第一个加工设备的运输工序，Oj2表示该工件Jj在第一个加工设备到该工件Jj第二个加工设备的运输工序，以此类推，ROjl表示该工件Jj的在第(l-1)个加工设备到该工件Jj第l个加工设备的运输工序，ROj(p+1)表示该工件Jj在最后一个加工设备到该工件卸载工位的运输工序。
步骤1.6：柔性作业车间共有w个运输设备，构建运输设备资源集合R＝{R1,R2,R3,…，Rr，…，Rw}，其中Rr表示第r个运输设备。
步骤二：根据步骤一构建的加工工序集合、运输工序集合、加工设备资源集合和运输设备资源集合，确定每个加工/运输工序的可选设备资源，确定各个加工工序的可选加工设备资源集合和加工工序时间集合以及运输工序的可选运输设备资源集合。
步骤2.1：根据步骤一构建的加工工序集合和加工设备资源集合，确定加工工序MOjk的可选加工设备资源集合Mjk＝{…，Mm，…}。
步骤2.2：根据2.1构建的加工工序MOjk的可选加工设备资源集合Mjk，确定加工工序在各个可选加工设备上的加工工序时间集合为Tjk＝{…，Tjkm，…}，其中，Tjkm表示加工工序MOjk在加工设备Mm上的加工时间。
步骤2.3：根据步骤一构建的运输工序集合和运输设备资源集合，确定运输工序的可选运输设备资源集合Rjl＝{…，Rr，…}。
步骤三：根据步骤一构建的加工工序集合和运输工序集合与步骤二建立的各个加工工序的可选加工设备资源集合和加工工序时间集合以及可选运输设备资源集合，优化目标为完工时间最小，构建考虑运输设备约束的柔性作业车间智能调度模型，并通过遗传算法进行求解，得到所有工件的柔性作业调度路线，以及在不同加工设备和运输设备的开始和结束时间。
步骤3.1：根据加工工序集合MOj、运输工序集合ROj与各个加工工序的可选加工设备资源集合Mjk和加工工序时间集合Tjk以及可选运输设备资源集合Rjl，优化目标为完工时间最小min(Cmax)，构建考虑运输设备约束的柔性作业车间智能调度模型如下：
目标函数：
minf＝minCmax
约束条件：
Figure BDA0002977936420000031
Figure BDA0002977936420000032
TCj＝max TCjlr
MSj1m≥D0m/v
TTjlr＝Dmm*/v
TTj(p+1)r＝Dm(s+1)/v
Figure BDA0002977936420000033
Figure BDA0002977936420000041
Figure BDA0002977936420000042
Figure BDA0002977936420000043
Figure BDA0002977936420000044
Figure BDA0002977936420000045
其中，j表示工件的编号，k表示工件的加工工序的编号，l表示工件的运输工序的编号，m和m*表示加工设备的编号，r和r*表示运输设备的编号，MOjk表示工件Jj的第k个加工工序，MOjkm表示工件Jj的第k个加工工序在加工设备Mm上加工，ROjl表示工件Jj的第l个运输工序，ROjlr表示工件Jj的第l个运输工序在运输设备Rr上运输，Dmm*表示加工设备Mm与加工设备Mm*之间的距离，D0m表示加工设备Mm和初始工位的距离，Dm(s+1)表示加工设备Mm和卸载工位的距离，v表示运输设备的速度，L和W表示正数，Cj表示工件Jj的完工时间，Cmax表示所有工件的完工时间，MSj1m表示工件Jj的第1个加工工序的开始时间，TTjlr表示运输设备Rr上工件Jj的第l个运输工序的运输时间，TTj(p+1)r表示运输设备Rr上工件Jj的第(p+1)个运输工序的运输时间，MCjkm表示加工设备Mm上工件Jj的第k个加工工序的完工时间，TCjlr表示运输设备Rr上工件Jj的第l个运输工序的完工时间，xjkm表示加工工序MOjk在设备Mm上加工则为1，否则为0，xj(k+1)m表示加工工序MOj(k+1)在设备Mm*上加工则为1，否则为0，MSjkm表示加工设备Mm上工件Jj的第k个加工工序的开始时间，MSj(k+1)m*表示加工设备Mm*上工件Jj的第(k+1)个加工工序的开始时间，MTjkm表示工件Jj的第k个加工工序的加工时间，TSj(l+1)r*表示运输设备Rr*上工件Jj的第(l+1)个运输工序的开始时间。
步骤3.2：根据步骤3.1构建的集成决策模型，通过遗传算法进行求解，所有工件的柔性作业调度路线，包括在不同加工设备和运输设备的开始和结束时间。
有益效果：
本发明公开的一种结合运输设备约束的柔性作业车间智能调度决策方法，根据各个加工工序的生产资源集合和工序时间集合以及运输工序的生产资源集合，优化目标为完工时间最小，构建考虑运输设备约束的柔性作业车间智能调度模型，并通过遗传算法进行求解，得到所有工件的柔性作业调度路线，以及在不同加工设备和运输设备的开始和结束时间。所述的结合运输设备约束的柔性作业车间智能调度决策方法更加适应现有的生产装配现状，从而减少产品生产时间，降低产品生产过程中的生产成本，提高产品生产过程的自动化率，提高生产效率。
附图说明
图1本发明的一种结合运输设备约束的柔性作业车间智能调度决策方法流程示意图；
图2遗传算法流程图；
图3调度结果甘特图。
具体实施方式
为了更好的说明本发明的目的和优点，下面结合附图和实例对发明内容做进一步说明。
实施例1：
以磨具的加工过程为例，对发明内容做进一步说明。已知某企业生产多种型号的磨具，某生产车间共包括8个加工设备(M1，M2，M3，…,M7，M8)和4个运输设备(R1，R2，R3，R4)。本案例共完成5个工件(J1，J2，J3，J4，J5)的加工与运输操作。工件的加工工艺信息如表1所示。在加工之初，所有的工件均放置在初始工位上，由运输设备运输到相应的加工设备上。工件完成所有的加工工序之后再由运输设备运输至卸载工位。
表1工件的加工工艺信息
Figure BDA0002977936420000051
步骤一、获取柔性作业车间加工/搬运工序和生产资源，构建加工工序集合、运输工序集合、加工设备资源集合和运输设备资源集合，并确定各个加工设备之间、加工设备与初始工位、加工设备与卸载工位的距离，构建距离矩阵。
步骤一实现方法为：
步骤1.1：柔性作业车间需要完成5个工件的加工与运输操作，构建车间工件集合J＝{J1,J2,J3,J4,J5}。
步骤1.2：对于工件J1，共包括3个加工工序，构建工件J1的加工工序集合MO1＝{MO11,MO12,MO13}，对于工件J2，共包括3个加工工序，构建工件J2的加工工序集合MO2＝{MO21,MO22,MO23}，对于工件J3，共包括3个加工工序，构建工件J3的加工工序集合MO3＝{MO31,MO32,MO33}，对于工件J4，共包括1个加工工序，构建工件J4的加工工序集合MO4＝{MO41}对于工件J5，共包括3个加工工序，构建工件J5的加工工序集合MO5＝{MO51,MO52,MO53}，。
步骤1.3：柔性作业车间共有8个加工设备，构建加工设备资源集合M＝{M1,M2,M3,…，Mm，…，M8}。
步骤1.4：判断加工设备与加工设备，加工设备与初始工位和卸载工位之间的距离，如表2所示。
表2加工设备与加工设备，加工设备与初始工位和卸载工位之间的距离
距离/m 初始工位 M<sub>1</sub> M<sub>2</sub> M<sub>3</sub> M<sub>4</sub> M<sub>5</sub> M<sub>6</sub> M<sub>7</sub> M<sub>8</sub> 卸载工位
初始工位 0 8 12 4 11 6 7 4 12 9
M<sub>1</sub> 8 0 8 6 7 12 10 10 12 5
M<sub>2</sub> 12 8 0 7 7 10 11 7 9 6
M<sub>3</sub> 4 6 7 0 9 9 9 6 5 12
M<sub>4</sub> 11 7 7 9 0 11 4 9 8 6
M<sub>5</sub> 6 12 10 9 11 0 9 9 4 3
M<sub>6</sub> 7 10 11 9 4 9 0 12 11 11
M<sub>7</sub> 4 10 7 6 9 9 12 0 11 7
M<sub>8</sub> 12 12 9 5 8 4 11 11 0 9
卸载工位 9 5 6 12 6 3 11 7 9 0
根据加工设备与加工设备，加工设备与初始工位和卸载工位之间的距离构建距离矩阵D
Figure BDA0002977936420000061
步骤1.5：对于工件J1，共包括4个运输工序，构建工件J1的运输工序集合RO1＝{RO11,RO12,RO13,RO14}，对于工件J2，共包括4个运输工序，构建工件J2的运输工序集合RO2＝{RO21,RO22,RO23,RO24}，对于工件J3，共包括4个运输工序，构建工件J3的运输工序集合RO3＝{RO31,RO32,RO33,RO34}，对于工件J4，共包括2个运输工序，构建工件J4的运输工序集合RO4＝{RO41，RO42}，对于工件J5，共包括4个运输工序，构建工件J5的运输工序集合RO5＝{RO51,RO52,RO53,RO54}。
步骤1.6：柔性作业车间共有4个运输设备，构建运输设备资源集合R＝{R1,R2,…，Rr，…，R4}。
步骤二：根据步骤一构建的加工工序集合、运输工序集合、加工设备资源集合和运输设备资源集合，确定每个加工/运输工序的可选设备资源，确定各个加工工序的可选加工设备资源集合和加工工序时间集合以及运输工序的可选运输设备资源集合。
步骤2.1：根据步骤一构建的工序集合和加工设备资源集合，结合表1，确定加工工序MOjk的可选加工设备资源集合Mjk＝{…，Mm，…}，如加工工序MO11的可选加工设备资源集合M11＝{M1，M2}，加工工序MO13的可选加工设备资源集合M13＝{M7，M8}。
步骤2.2：根据2.1构建的加工工序MOjk的可选加工设备资源集合Mjk，确定加工工序在各个可选加工设备上的加工工序时间集合为Tjk＝{…，Tjkm，…}，如加工工序MO11在各个可选加工设备上的加工工序时间集合为T11＝{155，155}，加工工序MO12在各个可选加工设备上的加工工序时间集合为T11＝{140，140}。
步骤2.3：根据步骤一构建的工序集合和运输设备资源集合，确定运输工序的可选运输设备资源集合Rjl＝{…，Rr，…}，由于该车间中所有的运输设备均可用来运输所有工件，因此，所有运输工序的运输设备集合Rjl＝{R1，R2，R3，R4}。
步骤三：根据步骤一构建的加工工序集合和运输工序集合与步骤二建立的各个加工工序的可选加工设备资源集合和加工工序时间集合以及可选运输设备资源集合，优化目标为完工时间最小，构建考虑运输设备约束的柔性作业车间智能调度模型，并通过遗传算法进行求解，得到所有工件的柔性作业调度路线，包括在不同加工设备和运输设备的开始和结束时间。
步骤三实现方法为：
步骤3.1：根据加工工序集合MOj、运输工序集合ROj与各个加工工序的可选加工设备资源集合Mjk和加工工序时间集合Tjk以及可选运输设备资源集合Rjl，优化目标为完工时间最小min(Cmax)，构建考虑运输设备约束的柔性作业车间智能调度模型如下：
目标函数：
minf＝minCmax
约束条件：
Figure BDA0002977936420000071
Figure BDA0002977936420000072
TCj＝max TCjlr
MSj1m≥D0m/v
TTjlr＝Dmm*/v
TTj(p+1)r＝Dm(s+1)/v
Figure BDA0002977936420000081
Figure BDA0002977936420000082
Figure BDA0002977936420000083
Figure BDA0002977936420000084
Figure BDA0002977936420000085
Figure BDA0002977936420000086
其中，j表示工件的编号，k表示工件的加工工序的编号，l表示工件的运输工序的编号，m和m*表示加工设备的编号，r和r*表示运输设备的编号，MOjk表示工件Jj的第k个加工工序，MOjkm表示工件Jj的第k个加工工序在加工设备Mm上加工，ROjl表示工件Jj的第l个运输工序，ROjlr表示工件Jj的第l个运输工序在运输设备Rr上运输，Dmm*表示加工设备Mm与加工设备Mm*之间的距离，D0m表示加工设备Mm和初始工位的距离，Dm(s+1)表示加工设备Mm和卸载工位的距离，v表示运输设备的速度，L和W表示正数，Cj表示工件Jj的完工时间，Cmax表示所有工件的完工时间，MSj1m表示工件Jj的第1个加工工序的开始时间，TTjlr表示运输设备Rr上工件Jj的第l个运输工序的运输时间，TTj(p+1)r表示运输设备Rr上工件Jj的第(p+1)个运输工序的运输时间，MCjkm表示加工设备Mm上工件Jj的第k个加工工序的完工时间，TCjlr表示运输设备Rr上工件Jj的第l个运输工序的完工时间，xjkm表示加工工序MOjk在设备Mm上加工则为1，否则为0，xj(k+1)m表示加工工序MOj(k+1)在设备Mm*上加工则为1，否则为0，MSjkm表示加工设备Mm上工件Jj的第k个加工工序的开始时间，MSj(k+1)m*表示加工设备Mm*上工件Jj的第(k+1)个加工工序的开始时间，MTjkm表示工件Jj的第k个加工工序的加工时间，TSj(l+1)r*表示运输设备Rr*上工件Jj的第(l+1)个运输工序的开始时间。
步骤3.2：根据步骤3.1构建的集成决策模型，通过遗传算法进行求解，遗传算法的计算流程图如图2所示，其实现方法为：
(1)初始化种群：设置最大进化代数为100，随机生成100个个体作为初始群体。
(2)适应度值计算。
(3)选择运算：通过轮盘赌选择法选择合适的个体。
(4)交叉运算：将交叉算子作用于群体。
(5)变异运算：将变异算子作用于群体，生成下一代种群。
(6)判断终止条件：若满足终止条件，则终止计算，输出最后的结果，否则继续执行(2)-(5)。
通过遗传算法进行求解，即可获得所有工件的柔性作业调度路线，以及在不同加工设备和运输设备的开始和结束时间。最后的计算结果甘特图如图3所示。对于工件1，首先经由运输设备R2由初始工位运输至加工设备M1，在加工设备M1完成加工任务后，再经由运输设备R4运输至加工设备M2，完成加工后则经由运输设备R3运输至加工设备M5，最后由运输设备运输R2运输至卸载工位。对于工件2-5，同样可以根据图3的甘特图确定相应工序的加工设备和运输设备。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.结合运输设备约束的柔性作业车间智能调度决策方法，其特征在于：获取柔性作业车间加工工序、运输工序和生产资源，构建加工工序集合、运输工序集合、加工设备集合和运输设备集合，并确定各个加工设备之间、加工设备与初始工位、加工设备与卸载工位的距离，构建距离矩阵；之后，确定每个加工/运输工序的可选设备资源，构建各个加工工序的可选加工设备资源集合和工序时间集合以及各个运输工序的可选运输设备资源集合；然后以完工时间最小为优化目标，构建考虑运输设备约束的柔性作业车间智能调度模型，并通过遗传算法进行求解，得到所有工件的柔性作业调度路线以及在不同加工设备和运输设备的开始和结束时间；所述的结合运输设备约束的柔性作业车间智能调度决策方法更加适应现有的生产现状，可以减少产品生产时间，降低产品生产过程中的生产成本，提高产品生产过程的自动化率，提高生产效率；
所述结合运输设备约束的柔性作业车间智能调度决策方法包括如下步骤：
步骤一、获取柔性作业车间加工/搬运工序和生产资源，构建加工工序集合、运输工序集合、加工设备资源集合和运输设备资源集合，并确定各个加工设备之间、加工设备与初始工位、加工设备与卸载工位的距离，构建距离矩阵；
步骤1.1：柔性作业车间需要完成n个工件的加工与运输操作，构建车间工件集合J＝{J1,J2,…,Jj,…,Jn}，其中，Jj表示产品第j个工件；
步骤1.2：对于工件Jj，共包括p个加工工序，构建工件Jj的加工工序集合MOj＝{MOj1,MOj2,…,MOjk,…,MOjp}，MOjk表示该工件Jj的第k个加工工序；
步骤1.3：柔性作业车间共有s个加工设备，构建加工设备资源集合
Figure FDA0003754170160000011
Figure FDA0003754170160000012
其中，Mm表示第m个加工设备，
Figure FDA0003754170160000013
表示第m*个加工设备；
步骤1.4：分别判断加工设备与加工设备、初始工位、卸载工位之间的距离，构建距离矩阵D
Figure FDA0003754170160000014
其中，D00表示初始工位与初始工位之间的距离设置为0，D01表示初始工位与加工设备M1之间的距离，D0m表示初始工位与加工设备Mm之间的距离，D0s表示初始工位与加工设备Ms之间的距离，D0(s+1)表示初始工位与卸载工位之间的距离，
Figure FDA0003754170160000015
表示加工设备Mm和加工设备
Figure FDA0003754170160000016
之间的距离，D(s+1)0表示卸载工位与初始工位之间的距离，D(s+1)1表示卸载工位与加工设备M1之间的距离，D(s+1)m表示卸载工位与加工设备Mm之间的距离，D(s+1)s表示卸载工位与加工设备Ms之间的距离，D(s+1)(s+1)表示卸载工位与卸载工位之间的距离；
步骤1.5：对于工件Jj，共包括p+1个运输工序，构建工件Jj的运输工序集合ROj＝{ROj1,ROj2,…,ROjl,…,ROjp+1}，其中ROj1表示从初始工位到该工件Jj第一个加工设备的运输工序，Oj2表示该工件Jj在第一个加工设备到该工件Jj第二个加工设备的运输工序，以此类推，ROjl表示该工件Jj的在第(l-1)个加工设备到该工件Jj第l个加工设备的运输工序，ROj(p+1)表示该工件Jj在最后一个加工设备到该工件卸载工位的运输工序；
步骤1.6：柔性作业车间共有w个运输设备，构建运输设备资源集合R＝{R1,R2,R3,…，Rr，…，Rw}，其中Rr表示第r个运输设备；
步骤二：根据步骤一构建的加工工序集合、运输工序集合、加工设备资源集合和运输设备资源集合，确定每个加工/运输工序的可选设备资源，确定各个加工工序的可选加工设备资源集合和加工工序时间集合以及运输工序的可选运输设备资源集合；
步骤2.1：根据步骤一构建的加工工序集合和加工设备资源集合，确定加工工序MOjk的可选加工设备资源集合Mjk＝{…，Mm，…}；
步骤2.2：根据2.1构建的加工工序MOjk的可选加工设备资源集合Mjk，确定加工工序在各个可选加工设备上的加工工序时间集合为Tjk＝{…，Tjkm，…}，其中，Tjkm表示加工工序MOjk在加工设备Mm上的加工时间；
步骤2.3：根据步骤一构建的运输工序集合和运输设备资源集合，确定运输工序的可选运输设备资源集合Rjl＝{…，Rr，…}；
步骤三：根据步骤一构建的加工工序集合和运输工序集合与步骤二建立的各个加工工序的可选加工设备资源集合和加工工序时间集合以及可选运输设备资源集合，优化目标为完工时间最小，构建考虑运输设备约束的柔性作业车间智能调度模型，并通过遗传算法进行求解，得到所有工件的柔性作业调度路线，以及在不同加工设备和运输设备的开始和结束时间；
步骤3.1：根据加工工序集合MOj、运输工序集合ROj与各个加工工序的可选加工设备资源集合Mjk和加工工序时间集合Tjk以及可选运输设备资源集合Rjl，优化目标为完工时间最小min(Cmax)，构建考虑运输设备约束的柔性作业车间智能调度模型如下：
目标函数：
minf＝minCmax
约束条件：
Figure FDA0003754170160000021
Figure FDA0003754170160000022
TCj＝max TCjlr
MSj1m≥D0m/v
Figure FDA0003754170160000031
TTj(p+1)r＝Dm(s+1)/v
Figure FDA0003754170160000032
Figure FDA0003754170160000033
Figure FDA0003754170160000034
Figure FDA0003754170160000035
Figure FDA0003754170160000036
Figure FDA0003754170160000037
其中，j表示工件的编号，k表示工件的加工工序的编号，l表示工件的运输工序的编号，m和m*表示加工设备的编号，r和r*表示运输设备的编号，MOjk表示工件Jj的第k个加工工序，MOjkm表示工件Jj的第k个加工工序在加工设备Mm上加工，ROjl表示工件Jj的第l个运输工序，ROjlr表示工件Jj的第l个运输工序在运输设备Rr上运输，
Figure FDA0003754170160000038
表示加工设备Mm与加工设备
Figure FDA0003754170160000039
之间的距离，D0m表示加工设备Mm和初始工位的距离，Dm(s+1)表示加工设备Mm和卸载工位的距离，v表示运输设备的速度，L和W表示正数，Cj表示工件Jj的完工时间，Cmax表示所有工件的完工时间，MSj1m表示工件Jj的第1个加工工序的开始时间，TTjlr表示运输设备Rr上工件Jj的第l个运输工序的运输时间，TTj(p+1)r表示运输设备Rr上工件Jj的第(p+1)个运输工序的运输时间，MCjkm表示加工设备Mm上工件Jj的第k个加工工序的完工时间，TCjlr表示运输设备Rr上工件Jj的第l个运输工序的完工时间，xjkm表示加工工序MOjk在设备Mm上加工则为1，否则为0，xj(k+1)m表示加工工序MOj(k+1)在设备
Figure FDA00037541701600000310
上加工则为1，否则为0，MSjkm表示加工设备Mm上工件Jj的第k个加工工序的开始时间，
Figure FDA00037541701600000311
表示加工设备
Figure FDA00037541701600000312
上工件Jj的第(k+1)个加工工序的开始时间，MTjkm表示工件Jj的第k个加工工序的加工时间，
Figure FDA00037541701600000313
表示运输设备
Figure FDA00037541701600000314
上工件Jj的第(l+1)个运输工序的开始时间；
步骤3.2：根据步骤3.1构建的集成决策模型，通过遗传算法进行求解，得到所有工件的柔性作业调度路线，包括在不同加工设备和运输设备的开始和结束时间。
CN202110280193.0A 2021-03-16 2021-03-16 结合运输设备约束的柔性作业车间智能调度决策方法 Active CN112949077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110280193.0A CN112949077B (zh) 2021-03-16 2021-03-16 结合运输设备约束的柔性作业车间智能调度决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110280193.0A CN112949077B (zh) 2021-03-16 2021-03-16 结合运输设备约束的柔性作业车间智能调度决策方法

Publications (2)

Publication Number Publication Date
CN112949077A CN112949077A (zh) 2021-06-11
CN112949077B true CN112949077B (zh) 2022-09-06

Family

ID=76230070

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110280193.0A Active CN112949077B (zh) 2021-03-16 2021-03-16 结合运输设备约束的柔性作业车间智能调度决策方法

Country Status (1)

Country Link
CN (1) CN112949077B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116029516B (zh) * 2023-02-01 2023-08-18 上海交大智邦科技有限公司 机加工车间排产方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268722A (zh) * 2014-10-20 2015-01-07 南京信息工程大学 基于多目标进化算法的动态柔性作业车间调度方法
CN104504540A (zh) * 2015-01-13 2015-04-08 郑州航空工业管理学院 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
CN104914835A (zh) * 2015-05-22 2015-09-16 齐鲁工业大学 一种柔性作业车间调度多目标的方法
CN106971235A (zh) * 2017-02-16 2017-07-21 上海大学 一种存在中间存储约束的柔性作业车间分批优化调度方法
CN107831745A (zh) * 2017-11-09 2018-03-23 西南交通大学 一种柔性作业车间插单动态调度优化方法
CN107862411A (zh) * 2017-11-09 2018-03-30 西南交通大学 一种大规模柔性作业车间调度优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107301504B (zh) * 2017-06-12 2018-06-15 合肥工业大学 基于混合蛙跳—路径重连的生产运输协同调度方法和系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104268722A (zh) * 2014-10-20 2015-01-07 南京信息工程大学 基于多目标进化算法的动态柔性作业车间调度方法
CN104504540A (zh) * 2015-01-13 2015-04-08 郑州航空工业管理学院 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
CN104914835A (zh) * 2015-05-22 2015-09-16 齐鲁工业大学 一种柔性作业车间调度多目标的方法
CN106971235A (zh) * 2017-02-16 2017-07-21 上海大学 一种存在中间存储约束的柔性作业车间分批优化调度方法
CN107831745A (zh) * 2017-11-09 2018-03-23 西南交通大学 一种柔性作业车间插单动态调度优化方法
CN107862411A (zh) * 2017-11-09 2018-03-30 西南交通大学 一种大规模柔性作业车间调度优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
双资源约束的航天结构件车间生产调度方法;周亚勤等;《机械工程学报》;20171127(第09期);全文 *
柔性工作车间调度问题的多目标优化方法研究;魏巍等;《计算机集成制造系统》;20090815(第08期);全文 *

Also Published As

Publication number Publication date
CN112949077A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN108919760B (zh) 一种基于数字孪生的智能车间自治生产过程动态联动控制方法
CN112949077B (zh) 结合运输设备约束的柔性作业车间智能调度决策方法
CN107065803B (zh) 基于可变重调度区间的柔性作业车间动态调度方法
Yang et al. Modelling and production configuration optimization for an assembly shop
CN110554673B (zh) 智能rgv加工系统调度方法和装置
Yang et al. Assembly transport optimization for a reconfigurable flow shop based on a discrete event simulation.
Zhang et al. A dynamic scheduling method for self-organized AGVs in production logistics systems
CN114815751A (zh) 一种基于标签提升智能制造系统加工效率的方法
CN111325389B (zh) 一种基于Petri网和整数线性规划的车辆路径优化方法
CN101751025B (zh) 一种硅片优化调度的方法和装置
Chang et al. A dynamic programming based process planning selection strategy considering utilisation of machines
CN115685921A (zh) 一种多agv和多机器联合调度的混合整数线性规划模型
CN113159506A (zh) 人机协作生产单元任务分配与作业调度集成决策方法
EP1100033A3 (en) Method and system for determining operator staffing
CN109947051B (zh) 数值控制装置
CN112631214B (zh) 基于改进入侵杂草优化算法的柔性作业车间分批调度方法
CN110187673B (zh) 一种非线性规划的rgv动态调度方法
CN108107848B (zh) 一种基于最小空闲时间的流水线车间调度方法
CN115319742A (zh) 带机器人物料搬运的柔性制造单元作业调度方法
CN115034143A (zh) 一种多资源协同的智能车间设备配置优化方法
Ham et al. Integrated scheduling of jobs, reticles, machines, AMHS and ARHS in a semiconductor manufacturing
Reddy et al. Simultaneous scheduling of machines and AGVs in FMS by using symbiotic organisms search (SOS) algorithm
CN116224946B (zh) 机械件加工车间生产与物流集成的优化调度方法与系统
CN117196271B (zh) 一种柔性车间异构机器人双效调度方法
Keflie et al. A FRAMEWORK OF AGV REPLACES MANUAL TRANSFER IN MANUFACTURING INDUSTRY TO REDUCE MOTION WASTE

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