CN113326581B - 一种基于组合生产和设备故障约束的遗传调度方法 - Google Patents

Abstract

本发明公开了一种基于组合生产和设备故障约束的遗传调度方法，用于车间柔性作业调度技术，本发明涉及自动控制技术领域；通过构建作业约束图模型解决加工生产线生产调度的问题，同时通过引入基于机器故障率的轮盘选择法，使得作业最大程度在健康机器上完成，进而减小设备故障时的调度延迟，优化组合产线遗传调度算法的适应度计算，然后将智能调度算法用于组合箱体生产线，实验结果表明，该调度策略相比较于基于遗传算法的调度方法，能够获得更好的初始化种群以及收敛性和鲁棒性，解决组合产线智能排程问量，同时考虑了机器损耗故障的可能，进而实现柔性作业车间调度。

Description

一种基于组合生产和设备故障约束的遗传调度方法

技术领域

一种基于组合生产和设备故障约束的遗传调度方法，用于车间柔性作业调度技术，本发明涉及自动控制技术领域。

背景技术

针对智能制造模式下的各类加工生产线运行过程中计划与调度问题，各大研究机构和工业世界都在重点研究生产计划排程与智能调度技术方法，现有的研究方法主要是应用启发式算法包括元启发式调度算法、基于遗传算法的调度算法、基于粒子群优化的调度算法、基于深度强化学习的调度算法以及多目标调度算法等；其中基于帝国竞争算法和可变邻域搜索的两阶段元启发式算法首次提出了在总能耗不超过给定阈值的约束下，使最大完工时间和总延误最小化的调度算法；混合遗传调度算法采用田口法对遗传算法的参数进行了优化，提出了一种解决无效作业分配问题的新编码机制，提高了找到最优解的概率，增加了染色体的多样性，优化了最大完工时间解；粒子群优化算法以最小化最大完工时间准则为目标提出了求解机器分配问题和操作排序问题的解决方法；在上述研究中，一台机器一段时间内只能完成一个作业中的某道工序，而不能同时处理多个作业的多道工序。

为了解决这类问题，相关研究人员提出了在组合产线约束下解决调度问题的方法，但他们仅仅使用了单一调度规则方法，方法精度和扩展性不高；近几年研究人员提出了将组合生产约束的柔性作业车间调度问题简化转化为经典的柔性作业车间调度问题，利用增强学习的上下文bandit模型，基于系统状态动态生成柔性作业车间调度规则；然而上述所有方法均在设备运行状态良好的前提下进行调度，忽略了实际生产过程中设备可能故障引起的调度延迟问题，同时基于深度强化学习模型就好比一个“黑盒子”，我们很难解释它生成调度策略的原理，在实际复杂生产环境中可能会出现较大偏差。

发明内容

本发明的目的在于：提供一种基于组合生产和设备故障约束的遗传调度方法,针对复杂组合产线调度过程中组合生产工序依赖多道前工序产物以及存在机器故障的问题，探索出一种效率高、稳定性较好同时比较实用的柔性作业车间调度方法。

本发明采用的技术方案如下：一种基于组合生产和设备故障约束的遗传调度方法，包括如下步骤：

步骤1、提出作业约束图模型，使用多前序作业约束图清晰表示各个作业之间的关联性和依赖性；

步骤2、采用基于机器故障率的轮盘选择法，得到机器故障率构建机器轮盘选择模型，根据每台机器当前运行时间动态计算故障率，实现自适应的机器选择，使得作业最大程度在健康机器上完成，进而减小设备故障时的调度延迟以及对存在多工序设备进行工序筛选；

步骤3、结合作业约束图模型和机器故障率构建机器轮盘选择模型，利用种群选择和适应度计算，实现组合产线中作业和设备的智能调度。

步骤1所述作业约束图模型是一种双向有向图，即虚拟一个j₂作业表示组合生产作业，节点P_ij表示第i个作业的第j个工序，且每个节点有一个或多个前向边连接各个作业；P_0i和P_1j分别表示实际作业j₀和j₁的虚拟组合生产工序，避免排程时进行重复排班，即某时刻一台机器上是否运行某工序，需要取决于该工序的直接前序工序的库存，均存在库存时才允许在该时刻被排程，否则不允许此时被排程，如公式1：

，

其中P_ij->pre_k(stock)表示P_ij的第k个前序工序的库存。

步骤2所述机器故障率构建机器轮盘选择模型是根据机器当前运行时长和机器寿命的关系近似算当前故障发生率，如公式2；

，

其中ρ(m_x|t)表示机器m_x在t时刻的故障概率，P_t-1代表在机器m_x上运行的前一工序；

同时得到同一类型的多台机器的当前时刻的故障率，然后根据softmax归一化函数得到的机器故障率构建机器轮盘选择模型，如公式3：

，

其中

表示第y台设备m_x在t时刻的归一化后的故障概率，根据各机器所计算出的归一化故障率可以进行轮盘盘面大小分配。

步骤3所述种群选择和适应度计算过程，具体步骤如下：

(1)对作业、设备、时间、工序、库存等初始化编码，同时对算法中的种群大小、交配率和变异率等参数进行初始化；

(2)初始化种群，将作业、机器和工序对应编码为若干条染色体，并对每条染色体增加筛选过程，筛选条件如下：

S1判断是否进入组合生产流程：如果是组合流程进入步骤S2，否则进入步骤S3；

S2判断组合前工序是否都有库存：如果满足条件进入步骤S3，不满足条件则清除当前染色体候选调度序列，并进行下一个染色体的筛选流程；

S3判断是否有多台当前类型的设备：如果存在多台设备可以完成当前工序则进入步骤S4，否则进入步骤S5；

S4优化设备选择：根据基于设备故障率的轮盘选择模型，让当前工序大概率选择到运行状态更健康的设备上工作；

S5判断是否为起始工序：如果不是起始工序，判断前序工序是否均有库存，如果正确则进行下一步操作，否则清除当前染色体；

(3)循环开始，循环次数为种群大小；

(4)评价种群中的个体适应度，计算过程中增加可能发生故障设备的维修时间，并使得所有作业和工序的最晚完成时间最小化；

(5)以比例原则，利用锦标赛法先随机选择若干染色体，然后从中选择出适应度最高的两条染色体用来进行重组和变异；

(6)利用交叉算子和变异算子循环产生新的染色体，同时也要对新染色体进行跟步骤2相同的筛选操作；

(7)直到停止循环的条件满足，即达到遗传次数，得到最终的排程和调度结果。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明提出基于组合生产和设备故障约束的遗传调度方法，通过构建作业约束图模型，解决复杂组合产线中多道前序工序的库存对组合生产过程的约束问题；通过构建基于机器故障率的轮盘选择法，可以缩短机器故障增加的调度延迟，同时解决可重入作业中设备选择问题，据此设计了一种改进的遗传调度算法，并通过仿真程序验证算法的合理性。

本发明相比于现有启发式车间调度算法，可以实现在复杂组合产线中存在设备可同时生产多道工序并考虑设备故障情况下的智能排程和调度，将现有车间现场人工排程和调度所需要的时间缩短35％左右。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1是本发明调度算法流程图；

图2是本发明作业约束图模型图；

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、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提出作业约束图模型，解决组合生产中设备同时处理多个作业以及工序库存依赖的问题；同时用基于机器故障率的轮盘选择法，使得作业最大程度在健康机器上完成，进而减小设备故障时的调度延迟以及对存在多工序设备进行工序筛选，优化组合产线遗传调度算法的种群选择和适应度计算，以满足复杂组合产线智能柔性作业调度。

具体做法是

(1)对工件、作业、设备和工序进行初始化编码：工件：J＝{j₀，j₁，……，j_m}，其中j表示作业，m表示作业数；作业：j＝{p₀，p₁……p_n}，其中p表示工序，n表示工序数；机器：M＝{m₁，m₂，……，m_k}，其中k表示机器数量；工序：p＝{machine_id，time，stock，priority}，其中machine_id，time，stock，priority分别表示机器号，设备完成该工序所需时间，该工序库存量以及工序优先级；同时对算法中的种群大小、交配率和变异率等参数进行初始化；

(2)构建作业约束图模型：把组合流程拆成单独一个作业，各作业相关工序通过双向链表形式连接，其中，组合作业的第一道工序节点还需要连接其他作业组合前的工序节点，说明节点的前向指针不只有一个，需要以列表形式存储；

(3)通过引入基于动态设备故障率的轮盘选择方法，使得作业最大程度在健康机器上完成，进而减小设备故障时的调度延迟，优化组合产线遗传调度算法的适应度计算。

实施例

如图1-2所示，一种基于组合生产和设备故障约束的遗传调度方法，包括如下步骤：

步骤1、提出作业约束图模型，使用多前序作业约束图清晰表示各个作业之间的关联性和依赖性；所述作业约束图模型是一种双向有向图，即虚拟一个j₂作业表示组合生产作业，节点P_ij表示第i个作业的第j个工序，且每个节点有一个或多个前向边连接各个作业；P_0i和P_1j分别表示实际作业j₀和j₁的虚拟组合生产工序，避免排程时进行重复排班，即某时刻一台机器上是否运行某工序，需要取决于该工序的直接前序工序的库存，均存在库存时才允许在该时刻被排程，否则不允许此时被排程，如公式1：

，

其中P_ij->pre_k(stock)表示P_ij的第k个前序工序的库存；

步骤2、采用基于机器故障率的轮盘选择法，得到机器故障率构建机器轮盘选择模型，根据每台机器当前运行时间动态计算故障率，实现自适应的机器选择，使得作业最大程度在健康机器上完成，进而减小设备故障时的调度延迟以及对存在多工序设备进行工序筛选；所述机器故障率构建机器轮盘选择模型是根据机器当前运行时长和机器寿命的关系近似算当前故障发生率，如公式2；

，

其中ρ(m_x|t)表示机器m_x在t时刻的故障概率，P_t-1代表在机器m_x上运行的前一工序；

同时得到同一类型的多台机器的当前时刻的故障率，然后根据softmax归一化函数得到的机器故障率构建机器轮盘选择模型，如公式3：

，

其中

表示第y台设备m_x在t时刻的归一化后的故障概率，根据各机器所计算出的归一化故障率可以进行轮盘盘面大小分配；

步骤3、结合作业约束图模型和机器故障率构建机器轮盘选择模型，利用种群选择和适应度计算，实现组合产线中作业和设备的智能调度；所述种群选择和适应度计算过程，具体步骤如下：

(1)对作业、设备、时间、工序、库存等初始化编码，同时对算法中的种群大小、交配率和变异率等参数进行初始化；

(2)初始化种群，将作业、机器和工序对应编码为若干条染色体，并对每条染色体增加筛选过程，筛选条件如下：

S1判断是否进入组合生产流程：如果是组合流程进入步骤S2，否则进入步骤S3；

S2判断组合前工序是否都有库存：如果满足条件进入步骤S3，不满足条件则清除当前染色体候选调度序列，并进行下一个染色体的筛选流程；

S3判断是否有多台当前类型的设备：如果存在多台设备可以完成当前工序则进入步骤S4，否则进入步骤S5；

S4优化设备选择：根据基于设备故障率的轮盘选择模型，让当前工序大概率选择到运行状态更健康的设备上工作；

S5判断是否为起始工序：如果不是起始工序，判断前序工序是否均有库存，如果正确则进行下一步操作，否则清除当前染色体；

(3)循环开始，循环次数为种群大小；

(4)评价种群中的个体适应度，计算过程中增加可能发生故障设备的维修时间，并使得所有作业和工序的最晚完成时间最小化；

(5)以比例原则，利用锦标赛法先随机选择若干染色体，然后从中选择出适应度最高的两条染色体用来进行重组和变异；

(6)利用交叉算子和变异算子循环产生新的染色体，同时也要对新染色体进行跟步骤2相同的筛选操作；

(7)直到停止循环的条件满足，即达到遗传次数，得到最终的排程和调度结果。

以上所述，仅为本发明的较佳实施例，并不用以限制本发明，本发明的专利保护范围以权利要求书为准，凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明的保护范围内。

Claims (2)

1.一种基于组合生产和设备故障约束的遗传调度方法，其特征在于，包括如下步骤：

步骤1、提出作业约束图模型，使用多前序作业约束图清晰表示各个作业之间的关联性和依赖性；其中，步骤1所述作业约束图模型是一种双向有向图，即虚拟一个j₂作业表示组合生产作业，节点P_ij表示第i个作业的第j个工序，且每个节点有一个或多个前向边连接各个作业；P_0i和P_1j分别表示实际作业j₀和j₁的虚拟组合生产工序，避免排程时进行重复排班，即某时刻一台机器上是否运行某工序，需要取决于该工序的直接前序工序的库存，均存在库存时才允许在该时刻被排程，否则不允许此时被排程，如公式1：

，

其中P_ij->pre_k(stock)表示P_ij的第k个前序工序的库存；

步骤2、采用基于机器故障率的轮盘选择法，得到机器故障率构建机器轮盘选择模型，根据每台机器当前运行时间动态计算故障率，实现自适应的机器选择，使得作业最大程度在健康机器上完成，进而减小设备故障时的调度延迟以及对存在多工序设备进行工序筛选；其中，步骤2所述机器故障率构建机器轮盘选择模型是根据机器当前运行时长和机器寿命的关系近似计算当前故障发生率，如公式2；

，

其中ρ(m_x|t)表示机器m_x在t时刻的故障概率，P_t-1代表在机器m_x上运行的前一工序；

同时得到同一类型的多台机器的当前时刻的故障率，然后根据softmax归一化函数得到的机器故障率构建机器轮盘选择模型，如公式3：

，

其中

表示第y台设备m_x在t时刻的归一化后的故障概率，根据各机器所计算出的归一化故障率可以进行轮盘盘面大小分配；

步骤3、结合作业约束图模型和机器故障率构建机器轮盘选择模型，利用种群选择和适应度计算，实现组合产线中作业和设备的智能调度。

2.根据权利要求1所述的一种基于组合生产和设备故障约束的遗传调度方法，其特征在于，步骤3所述种群选择和适应度计算过程，具体步骤如下：

(1)对作业、设备、时间、工序、库存初始化编码，同时对算法中的种群大小、交配率和变异率参数进行初始化；

(2)初始化种群，将作业、机器和工序对应编码为若干条染色体，并对每条染色体增加筛选过程，筛选条件如下：

S1判断是否进入组合生产流程：如果是组合流程进入步骤S2，否则进入步骤S3；

S2判断组合前工序是否都有库存：如果满足条件进入步骤S3，不满足条件则清除当前染色体候选调度序列，并进行下一个染色体的筛选流程；

S3判断是否有多台当前类型的设备：如果存在多台设备可以完成当前工序则进入步骤S4，否则进入步骤S5；

S4优化设备选择：根据基于设备故障率的轮盘选择模型，让当前工序大概率选择到运行状态更健康的设备上工作；

S5判断是否为起始工序：如果不是起始工序，判断前序工序是否均有库存，如果正确则进行下一步操作，否则清除当前染色体；

(3)循环开始，循环次数为种群大小；

(4)评价种群中的个体适应度，计算过程中增加可能发生故障设备的维修时间，并使得所有作业和工序的最晚完成时间最小化；

(5)以比例原则，利用锦标赛法先随机选择若干染色体，然后从中选择出适应度最高的两条染色体用来进行重组和变异；

(6)利用交叉算子和变异算子循环产生新的染色体，同时也要对新染色体进行跟步骤2相同的筛选操作；

(7)直到停止循环的条件满足，即达到遗传次数，得到最终的排程和调度结果。

Images