CN113361860B - 考虑疲劳度的柔性流水车间调度控制方法、介质及设备 - Google Patents

考虑疲劳度的柔性流水车间调度控制方法、介质及设备 Download PDF

Info

Publication number
CN113361860B
CN113361860B CN202110516138.7A CN202110516138A CN113361860B CN 113361860 B CN113361860 B CN 113361860B CN 202110516138 A CN202110516138 A CN 202110516138A CN 113361860 B CN113361860 B CN 113361860B
Authority
CN
China
Prior art keywords
workpiece
time
fatigue
machine
person
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
CN202110516138.7A
Other languages
English (en)
Other versions
CN113361860A (zh
Inventor
乔非
杜航明
王俊凯
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202110516138.7A priority Critical patent/CN113361860B/zh
Publication of CN113361860A publication Critical patent/CN113361860A/zh
Application granted granted Critical
Publication of CN113361860B publication Critical patent/CN113361860B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063114—Status monitoring or status determination for a person or group
    • 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
    • G06Q10/06—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
    • G06Q10/06316—Sequencing of tasks or work
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种考虑疲劳度的柔性流水车间调度控制方法、介质及设备，所述方法包括以下步骤：获取待控制的柔性流水车间的生产特征；基于所述生产特征，建立混合整数规划模型，该混合整数规划模型以最小化最大完工时间为目标，约束条件包括生产约束和人员疲劳度约束；基于混合元启发式算法对所述混合整数规划模型进行寻优求解，获得最优生产调度信息；执行所述最优生产调度信息，对柔性流水车间的生产设备、工件以及人员进行控制。与现有技术相比，本发明具有有效提高生产安全、保证生产效率等优点。

Description

考虑疲劳度的柔性流水车间调度控制方法、介质及设备
技术领域
本发明属于计算机集成制造技术领域，涉及一种车间调度方法，尤其是涉及一种考虑疲劳度的柔性流水车间调度控制方法、介质及设备。
背景技术
柔性流水车间生产问题一般可以描述为：一批待加工工件按照某种顺序依次经过多道工序加工，每个工件的加工工序相同，且每台设备同一时刻只能加工一个工件对应一道工序，但是工件加工每道工序时可以在可用设备集合中选择任一个机器。在满足生产约束条件下，通过对工件的加工顺序和设备选择进行合理的安排，可以优化一些性能指标。这是一类NP难问题。
现有的研究中，在中国专利申请“一种柔性流水车间下的低碳调度模型及节能优化方法”(公开号：CN112418478A)中，尹瑞雪等提出了一种包含装卸搬运和机床开关机过程并以碳排放最小化为目标的柔性流水车间调度优化数学模型，利用改进遗传算法初始化数据，同时判断是否满足机床节能状态切换条件，生成柔性流水车间调度方案。在可持续制造的大背景下，该方法可有效达到节能的目的，但该方法在调度过程中考虑的因素不够全面，无法保证柔性流水车间安全、高效地运转。因此，需要对柔性流水车间的调度控制进行优化设计。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种有效提高生产安全、保证生产效率的考虑疲劳度的柔性流水车间调度控制方法、介质及设备。
本发明的目的可以通过以下技术方案来实现：
一种考虑疲劳度的柔性流水车间调度控制方法，包括以下步骤：
获取待控制的柔性流水车间的生产特征；
基于所述生产特征，建立混合整数规划模型，该混合整数规划模型以最小化最大完工时间为目标，约束条件包括生产约束和人员疲劳度约束；
基于混合元启发式算法对所述混合整数规划模型进行寻优求解，获得最优生产调度信息；
执行所述最优生产调度信息，对柔性流水车间的生产设备、工件以及人员进行控制。
进一步地，所述生产约束包括：
约束每个工件每道工序加工时间：
Figure BDA0003061643270000021
约束每个工件的每道工序在不同机器上的加工时间：
Figure BDA0003061643270000022
约束任意工件j下一道工序s+1的开始加工时间都大于上一道工序s的完成时间：
Figure BDA0003061643270000023
约束任意机器不能同时加工两个工件，即在机器m上加工的任意工件j+1的开始加工时间需大于工件j的结束加工时间：
Figure BDA0003061643270000024
约束任意一个工件j的每道工序s只能被加工一次：
Figure BDA0003061643270000025
其中，U为单位时间间隔，K表示时间周期总数，k表示时间周期序号，J为工件集合，S为工序集合，M为设备集合，Ms表示不同工序可加工的机器集合，Tjs表示工件j的第s道工序的加工时间，Tjsm表示工件j的第s道工序在机器m上的加工时间，ETjs表示工件j的第s道工序的结束加工时间，STj(s+1)表示工件j的第s+1道工序的开始加工时间，ST(j+1)m表示工件j+1在机器m上的开始加工时间，ETjm表示工件j在机器m上的结束加工时间，xjsk为二进制变量，等于1时工件j第s道工序在时间k加工，等于0时工件j第s道工序不在时间k加工；yjsmk为二进制变量，等于1时工件j第s道工序在机器m上在时间k加工，等于0时工件j第s道工序在机器m上在时间k不进行加工；Yjsm为二进制变量，等于1时工件j第s道工序在机器m上加工，等于0时工件j第s道工序不在机器m上加工；Zjm为二进制变量，等于1时工件j在机器m上加工，等于0时工件j不在机器m上加工。
进一步地，所述人员疲劳度约束包括：
约束加工过程中不能换人，并且每个工件加工时有且只有一个人：
Figure BDA0003061643270000031
约束工人休息时不进行加工：
wk×ETjs+(1-wk)×(ETjs+T)≤STj(s+1)
Figure BDA0003061643270000032
约束任意时刻工人的疲劳度值在某一区间内：
Figure BDA0003061643270000033
其中，U为单位时间间隔，K表示时间周期总数，k表示时间周期序号，J为工件集合，S为工序集合，M为设备集合，W为人员集合，Fwk表示生产人员w在时间k时的疲劳度值，ETjs表示工件j的第s道工序的结束加工时间，STjs表示工件j的第s道工序的开始加工时间，T表示人员休息时长，ε表示人员疲劳度阈值区间下限，wk为二进制变量，等于1时生产人员w在时间k为工作状态，等于0时为休息状态；αjsmwk为二进制变量，等于1时生产人员w在时间k时在机器m上加工工件j的第s道工序，等于0时生产人员w在时间k时在机器m上不加工工件j的第s道工序。
进一步地，所述混合元启发式算法以遗传算法为框架，并混合考虑人员疲劳度进行解码，具体为：
基于遗传算法思想，采用实数编码对每个工件和工件每道工序可用的机器进行编码，获得工件编码染色体，每个染色体序列包括工件工序层和和使用机器层，分别记为OS序列和MS序列，采用遗传算法搜索得到最优解，在解码的过程中，分别使用多种不同的考虑人员疲劳度的启发式解码算法，得到最终的最优生产调度信息。
进一步地，所述考虑人员疲劳度的启发式解码算法具体包括：
1a)最优解包括最优的OS序列以及对应的MS序列，对于所述OS序列中的每道工序，在人员集合W中选出满足Q(w,m)＝1的人员，Q(w,m)为人员技能矩阵，等于1表示人员w可以操作机器m，等于0则表示人员w不会操作机器m；
1b)对机器m上的人员w，计算加工完工序s后的疲劳度值；
1c)判断所述疲劳度值是否在区间δ内，若是，则设置人员w休息T时间后返回，若否，则继续加工；
1d)重复步骤1a)～1c)，直到遍历完所有工序，获得所述最终的最优生产调度信息。
进一步地，所述考虑人员疲劳度的启发式解码算法具体包括：
2a)最优解包括最优的OS序列以及对应的MS序列，对于所述OS序列中的每道工序，在人员集合W中选出满足Q(w,m)＝1的人员，Q(w,m)为人员技能矩阵，等于1表示人员w可以操作机器m，等于0则表示人员w不会操作机器m；
2b)对机器m上的人员w，计算加工完工序s后的疲劳度值；
2c)判断所述疲劳度值是否在区间δ内，若是，则设置人员w休息T时间，执行步骤2d)，若否，则继续加工；
2d)从休息人员集合R中选择满足Q(w,m)＝1且疲劳度值最低的人员w′继续人员w的加工任务；若休息人员集合R中所有人员的Q(w,m)≠1，那么从空闲人员集合I中选择满足Q(w,m)＝1且疲劳度值最低的人员w″替换；若空闲人员I中所有人员的Q(w,m)≠1，则等人员w休息结束后继续加工；
2e)重复步骤2a)～2d)，直到遍历完所有工序，获得所述最终的最优生产调度信息。
进一步地，所述疲劳度值通过人员疲劳度模型获得，所述人员疲劳度模型表示为：
Fw(k+1)＝wk×{1-(1-Fwk)×e-λ}+(1-wk)×Fwk×e-μ
其中，λ表示人员的疲劳度值增加速率，μ表示人员空闲或休息时的疲劳度值恢复速率，Fw(k+1)表示生产人员w在时间k+1时的疲劳度值。
进一步地，所述最优生产调度信息包括最优的工件调度方案以及人员工作休息安排方案。
本发明还提供一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如上所述考虑疲劳度的柔性流水车间调度控制方法的指令。
本发明还提供一种电子设备，包括：
一个或多个处理器；
存储器；和
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述考虑疲劳度的柔性流水车间调度控制方法的指令。
与现有技术相比，本发明具有以下有益效果：
1、本发明在构建用于调度控制的混合整数规划模型时，考虑了人员疲劳度，在优化最大完工时间的同时，也降低了生产过程中人员的疲劳度值，在保证生产效率的前提下，有效提高生产安全性。
2、本发明在进行混合整数规划模型的寻优求解时，可采用不同的启发式解码算法与遗传算法结合，可对于不同规模下的调度控制均表现出较高的稳定性，调度控制精准可靠。
附图说明
图1为本发明的流程示意图；
图2为OS层映射关系图；
图3为MS层映射关系图；
图4为双层染色体编码方式图；
图5为加工过程中人员疲劳度值的变化曲线图；
图6为第一种混合元启发式算法流程图；
图7为第二种混合元启发式算法流程图；
图8为第一种混合元启发式算法下的甘特图；
图9为第一种混合元启发式算法下的疲劳度曲线图；
图10为第二种混合元启发式算法下的甘特图；
图11为第二种混合元启发式算法下的疲劳度曲线图；
图12为不同规模下两种算法目标值的对比箱形图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例提供一种考虑疲劳度的柔性流水车间调度控制方法，包括以下步骤：获取待控制的柔性流水车间的生产特征；基于所述生产特征，建立混合整数规划模型；基于混合元启发式算法对所述混合整数规划模型进行寻优求解，获得最优生产调度信息；执行所述最优生产调度信息，包括最优的工件调度方案以及人员工作休息安排方案，对柔性流水车间的生产设备、工件以及人员进行控制，以保证生产效率的同时提高生产安全性。
其中，混合整数规划模型以最小化最大完工时间为目标目标函数为：
Minimize Cmax     (1)
约束条件包括生产约束和人员疲劳度约束。
生产约束包括：
约束每个工件每道工序加工时间：
Figure BDA0003061643270000061
约束每个工件的每道工序在不同机器上的加工时间：
Figure BDA0003061643270000062
约束任意工件j下一道工序s+1的开始加工时间都大于上一道工序s的完成时间：
Figure BDA0003061643270000063
约束任意机器不能同时加工两个工件，即在机器m上加工的任意工件j+1的开始加工时间需大于工件j的结束加工时间：
Figure BDA0003061643270000064
约束任意一个工件j的每道工序s只能被加工一次：
Figure BDA0003061643270000065
其中，U为单位时间间隔，K表示时间周期总数，k表示时间周期序号，J为工件集合，S为工序集合，M为设备集合，Ms表示不同工序可加工的机器集合，Tjs表示工件j的第s道工序的加工时间，Tjsm表示工件j的第s道工序在机器m上的加工时间，ETjs表示工件j的第s道工序的结束加工时间，STj(s+1)表示工件j的第s+1道工序的开始加工时间，ST(j+1)m表示工件j+1在机器m上的开始加工时间，ETjm表示工件j在机器m上的结束加工时间，xjsk为二进制变量，等于1时工件j第s道工序在时间k加工，等于0时工件j第s道工序不在时间k加工；yjsmk为二进制变量，等于1时工件j第s道工序在机器m上在时间k加工，等于0时工件j第s道工序在机器m上在时间k不进行加工；Yjsm为二进制变量，等于1时工件j第s道工序在机器m上加工，等于0时工件j第s道工序不在机器m上加工；Zjm为二进制变量，等于1时工件j在机器m上加工，等于0时工件j不在机器m上加工。
人员疲劳度约束包括：
约束加工过程中不能换人，并且每个工件加工时有且只有一个人：
Figure BDA0003061643270000071
约束工人休息时不进行加工：
wk×ETjs+(1-wk)×(ETjs+T)≤STj(s+1)
Figure BDA0003061643270000072
约束任意时刻工人的疲劳度值在某一区间内：
Figure BDA0003061643270000073
其中，U为单位时间间隔，K表示时间周期总数，k表示时间周期序号，J为工件集合，S为工序集合，M为设备集合，W为人员集合，Fwk表示生产人员w在时间k时的疲劳度值，ETjs表示工件j的第s道工序的结束加工时间，STjs表示工件j的第s道工序的开始加工时间，T表示人员休息时长，ε表示人员疲劳度阈值区间下限，wk为二进制变量，等于1时生产人员w在时间k为工作状态，等于0时为休息状态；αjsmwk为二进制变量，等于1时生产人员w在时间k时在机器m上加工工件j的第s道工序，等于0时生产人员w在时间k时在机器m上不加工工件j的第s道工序。
疲劳度值通过人员疲劳度模型获得，所述人员疲劳度模型表示为：
Fw(k+1)＝wk×{1-(1-Fwk)×e-λ}+(1-wk)×Fwk×e-μ    (10)
其中，λ表示人员的疲劳度值增加速率，μ表示人员空闲或休息时的疲劳度值恢复速率，Fw(k+1)表示生产人员w在时间k+1时的疲劳度值。
混合元启发式算法以遗传算法为框架，并混合考虑人员疲劳度进行解码，具体为：基于遗传算法思想，采用实数编码对每个工件和工件每道工序可用的机器进行编码，获得工件编码染色体，每个染色体序列包括工件工序层和和使用机器层，分别记为OS序列和MS序列，采用遗传算法搜索得到最优解，在解码的过程中，分别使用多种不同的考虑人员疲劳度的启发式解码算法，得到最终的最优生产调度信息。
采用遗传算法搜索得到最优解的具体包括：
(401)采用实数编码对每个工件和工件每道工序可用的机器进行编码，获得工件编码染色体，每个染色体由OS层和MS层两层组成。以3工件3工序，7台加工机器M1＝{m11,m12,m13},M2＝{m21,m22},M3＝{m31,m32}为例，染色体的OS层和MS层的映射关系可描述为图2和图3。(其中，集合M1表示工件的第一道工序可由机器m11,m12,m13进行加工，M2，M3同理)图2中，ojs表示工件j的第s道工序，从左往右为工件每道工序的加工次序，图中的‘1’代表工件1，从左往右依次出现的顺序代表工件的工序，第一次出现‘1’代表工件1的第一道工序；同理从左往右出现第一个‘2’表示工件2的第一道工序；图3中，mpq表示第p道工序的第q台机器，图中的数字代表的就是机器q。那么，完整的一条染色体可表示为图4。图4中上下两层的编码是一一对应的，如图中o12与m22相对应，表示工件1的第二道工序由集合M2中的第二台机器加工，染色体中的其它基因同理。通过双层编码的方式，OS层和MS层都可以进行遗传操作，符合混合流水车间的问题需求。
(402)初始化种群，设置最大迭代次数，如种群个体数PS＝100，最大迭代次数MI＝150。
(403)设置遗传操作的交叉率以及变异率，如交叉率CR＝0.4，变异率MR＝0.2。
(404)对种群中的个体进行单点交叉操作，即以交叉率为交叉概率，交换染色体以某点为基准的左右两边的基因(不包含目标值)。
在本实施例中，以三个工件为例说明：
Parent1:1 2 2↑3 1 3 3 2 1
Parent2:2 1 1↑3 3 2 1 3 2
以箭头为界，进行单点交叉，交叉后生成两个子代个体：
Offspring1:1 2 2↑3 3 2 1 3 2
Offspring2:2 1 1↑3 1 3 3 2 1
(405)对种群中的个体进行变异操作，即以变异率为概率变异染色体上的某个基因。
(406)将遗传操作后的新种群与未遗传操作的种群进行合并，形成个体数是进行选择操作后个体数两倍的新种群。
(407)采用二元锦标赛选择方法，从新种群中选择出数量为100的种群作为下一代种群。
(408)判断是否达到终止条件，若是，则输出最优解，若否，则重复步骤(404)-(407)。
本实施例采用两种考虑人员疲劳度的启发式解码算法进行最优解的解码，形成两种混合元启发式算法，如图6和图7所示。
如图6所示，启发式解码算法一具体包括：
1a)最优解包括最优的OS序列以及对应的MS序列，对于所述OS序列中的每道工序，在人员集合W中选出满足Q(w,m)＝1的人员，Q(w,m)为人员技能矩阵，等于1表示人员w可以操作机器m，等于0则表示人员w不会操作机器m；
1b)对机器m上的人员w，计算加工完工序s后的疲劳度值；
1c)判断所述疲劳度值是否在区间δ内，δ＝[ε,1]，若是，则设置人员w休息T时间，疲劳度值变化服从疲劳度模型，休息结束后回到原来的机器上进行加工任务，若否，则继续加工；
1d)重复步骤1a)～1c)，直到遍历完所有工序，获得所述最终的最优生产调度信息。
如图7所示，启发式解码算法二具体包括：
2a)最优解包括最优的OS序列以及对应的MS序列，对于所述OS序列中的每道工序，在人员集合W中选出满足Q(w,m)＝1的人员，Q(w,m)为人员技能矩阵，等于1表示人员w可以操作机器m，等于0则表示人员w不会操作机器m；
2b)对机器m上的人员w，计算加工完工序s后的疲劳度值；
2c)判断所述疲劳度值是否在区间δ内，若是，则设置人员w休息T时间，执行步骤2d)，若否，则继续加工；
2d)从休息人员集合R中选择满足Q(w,m)＝1且疲劳度值最低的人员w′继续人员w的加工任务，人员w′的疲劳度值服从疲劳度模型；若休息人员集合R中所有人员的Q(w,m)≠1，那么从空闲人员集合I中选择满足Q(w,m)＝1且疲劳度值最低的人员w″替换，人员w″的疲劳度值服从疲劳度模型；若空闲人员I中所有人员的Q(w,m)≠1，则等人员w休息结束后继续加工；
2e)重复步骤2a)～2d)，直到遍历完所有工序，获得所述最终的最优生产调度信息。
通过上述两种混合元启发式算法对模型进行求解，生成最优个体的甘特图和人员疲劳度曲线图，如图8-图11所示。
表1生产以及人员数据
Figure BDA0003061643270000091
Figure BDA0003061643270000101
本实施例在小、中、大三种不同规模下进行了实验，实验参数如表1所示，并采用了传统的不考虑疲劳度解码方式的遗传算法进行对比，得到的目标函数值如表2所示，相应的箱形图如图12所示。
表2不同规模下两种混合元启发式的目标值
Figure BDA0003061643270000102
从表2可以看出，三种不同规模下，混合元启发式算法-II的目标均值在多数情况下比混合元启发式算法-I优，并且在小、中规模下，混合元启发式算法-II比混合元启发式算法-I更稳定，但在大规模情况下，混合元启发式算法-I比混合元启发式算法-II更稳定。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在另一实施方式中，提供一种电子设备，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述考虑疲劳度的柔性流水车间调度控制方法的指令。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (7)

1.一种考虑疲劳度的柔性流水车间调度控制方法，其特征在于，包括以下步骤：
获取待控制的柔性流水车间的生产特征；
基于所述生产特征，建立混合整数规划模型，该混合整数规划模型以最小化最大完工时间为目标，约束条件包括生产约束和人员疲劳度约束；
基于混合元启发式算法对所述混合整数规划模型进行寻优求解，获得最优生产调度信息；
执行所述最优生产调度信息，对柔性流水车间的生产设备、工件以及人员进行控制；
所述混合元启发式算法以遗传算法为框架，并混合考虑人员疲劳度进行解码，具体为：
基于遗传算法思想，采用实数编码对每个工件和工件每道工序可用的机器进行编码，获得工件编码染色体，每个染色体序列包括工件工序层和和使用机器层，分别记为OS序列和MS序列，采用遗传算法搜索得到最优解，在解码的过程中，分别使用多种不同的考虑人员疲劳度的启发式解码算法，得到最终的最优生产调度信息；
所述考虑人员疲劳度的启发式解码算法具体包括：
2a)最优解包括最优的OS序列以及对应的MS序列，对于所述OS序列中的每道工序，在人员集合W中选出满足Q(w，m)＝1的人员，Q(w，m)为人员技能矩阵，等于1表示人员w可以操作机器m，等于0则表示人员w不会操作机器m；
2b)对机器m上的人员w，计算加工完工序s后的疲劳度值；
2c)判断所述疲劳度值是否在区间δ内，若是，则设置人员w休息T时间，执行步骤2d)，若否，则继续加工；
2d)从休息人员集合R中选择满足Q(w，m)＝1且疲劳度值最低的人员w′继续人员w的加工任务；若休息人员集合R中所有人员的Q(w，m)≠1，那么从空闲人员集合I中选择满足Q(w，m)＝1且疲劳度值最低的人员w″替换；若空闲人员I中所有人员的Q(w，m)≠1，则等人员w休息结束后继续加工；
2e)重复步骤2a)～2d)，直到遍历完所有工序，获得所述最终的最优生产调度信息。
2.根据权利要求1所述的考虑疲劳度的柔性流水车间调度控制方法，其特征在于，所述生产约束包括：
约束每个工件每道工序加工时间：
Figure FDA0004053924020000021
约束每个工件的每道工序在不同机器上的加工时间：
Figure FDA0004053924020000022
约束任意工件j下一道工序s+1的开始加工时间都大于上一道工序s的完成时间：
Figure FDA0004053924020000023
约束任意机器不能同时加工两个工件，即在机器m上加工的任意工件j+1的开始加工时间需大于工件j的结束加工时间：
Figure FDA0004053924020000024
约束任意一个工件j的每道工序s只能被加工一次：
Figure FDA0004053924020000025
其中，U为单位时间间隔，K表示时间周期总数，k表示时间周期序号，J为工件集合，S为工序集合，M为设备集合，Ms表示不同工序可加工的机器集合，Tjs表示工件j的第s道工序的加工时间，Tjsm表示工件j的第s道工序在机器m上的加工时间，ETjs表示工件j的第s道工序的结束加工时间，STj(s+1)表示工件j的第s+1道工序的开始加工时间，ST(j+1)m表示工件j+1在机器m上的开始加工时间，ETjm表示工件j在机器m上的结束加工时间，xjsk为二进制变量，等于1时工件j第s道工序在时间k加工，等于0时工件j第s道工序不在时间k加工；yjsmk为二进制变量，等于1时工件j第s道工序在机器m上在时间k加工，等于0时工件j第s道工序在机器m上在时间k不进行加工；Yjsm为二进制变量，等于1时工件j第s道工序在机器m上加工，等于0时工件j第s道工序不在机器m上加工；Zjm为二进制变量，等于1时工件j在机器m上加工，等于0时工件j不在机器m上加工。
3.根据权利要求1所述的考虑疲劳度的柔性流水车间调度控制方法，其特征在于，所述人员疲劳度约束包括：
约束加工过程中不能换人，并且每个工件加工时有且只有一个人：
Figure FDA0004053924020000031
约束工人休息时不进行加工：
wk×ETjs+(1-wk)×(ETjs+T)≤STj(s+1)
Figure FDA0004053924020000032
约束任意时刻工人的疲劳度值在某一区间内：
Figure FDA0004053924020000033
其中，U为单位时间间隔，K表示时间周期总数，k表示时间周期序号，J为工件集合，S为工序集合，M为设备集合，W为人员集合，Fwk表示生产人员w在时间k时的疲劳度值，ETjs表示工件j的第s道工序的结束加工时间，STjs表示工件j的第s道工序的开始加工时间，T表示人员休息时长，ε表示人员疲劳度阈值区间下限，wk为二进制变量，等于1时生产人员w在时间k为工作状态，等于0时为休息状态；αjsmwk为二进制变量，等于1时生产人员w在时间k时在机器m上加工工件j的第s道工序，等于0时生产人员w在时间k时在机器m上不加工工件j的第s道工序。
4.根据权利要求1、3任一所述的考虑疲劳度的柔性流水车间调度控制方法，其特征在于，所述疲劳度值通过人员疲劳度模型获得，所述人员疲劳度模型表示为：
Fw(k+1)＝wk×{1-(1-Fwk)×e-λ}+(1-wk)×Fwk×e-μ
其中，λ表示人员的疲劳度值增加速率，μ表示人员空闲或休息时的疲劳度值恢复速率，Fw(k+1)表示生产人员w在时间k+1时的疲劳度值。
5.根据权利要求1任一所述的考虑疲劳度的柔性流水车间调度控制方法，其特征在于，所述最优生产调度信息包括最优的工件调度方案以及人员工作休息安排方案。
6.一种计算机可读存储介质，其特征在于，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-5任一所述考虑疲劳度的柔性流水车间调度控制方法的指令。
7.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储器；和
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如权利要求1-5任一所述考虑疲劳度的柔性流水车间调度控制方法的指令。
CN202110516138.7A 2021-05-12 2021-05-12 考虑疲劳度的柔性流水车间调度控制方法、介质及设备 Active CN113361860B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110516138.7A CN113361860B (zh) 2021-05-12 2021-05-12 考虑疲劳度的柔性流水车间调度控制方法、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110516138.7A CN113361860B (zh) 2021-05-12 2021-05-12 考虑疲劳度的柔性流水车间调度控制方法、介质及设备

Publications (2)

Publication Number Publication Date
CN113361860A CN113361860A (zh) 2021-09-07
CN113361860B true CN113361860B (zh) 2023-04-07

Family

ID=77526680

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110516138.7A Active CN113361860B (zh) 2021-05-12 2021-05-12 考虑疲劳度的柔性流水车间调度控制方法、介质及设备

Country Status (1)

Country Link
CN (1) CN113361860B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115034444B (zh) * 2022-05-24 2024-02-02 合肥工业大学智能制造技术研究院 基于学习效应的多目标双柔性作业车间调度方法及系统
CN115826537B (zh) * 2023-01-29 2023-05-02 广东省科学院智能制造研究所 一种多机器人产线柔性调度方法
CN116300763B (zh) * 2023-03-31 2024-05-24 华中科技大学 考虑机器配置的混合流水车间数学启发式调度方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292391A (zh) * 2017-06-20 2017-10-24 上海交通大学 基于de和l‑bfgs‑b混合算法的柔性化车间任务调度优化方法
CN110221585A (zh) * 2019-06-14 2019-09-10 同济大学 一种用于混合流水车间考虑设备维护的节能调度控制方法
CN111966050A (zh) * 2020-07-01 2020-11-20 北京工业大学 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法
CN112561194A (zh) * 2020-12-22 2021-03-26 华中科技大学 一种混合流水车间生产与物流集成调度方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111966049B (zh) * 2020-06-22 2023-08-29 同济大学 一种混合流水车间生产设备调度控制方法
CN112051825B (zh) * 2020-09-22 2023-10-10 重庆大学 一种汽车试制车间考虑员工作业能力的多目标生产调度方法
CN112766659B (zh) * 2020-12-31 2023-04-18 山东师范大学 一种分布式混合流水车间调度方法、介质和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292391A (zh) * 2017-06-20 2017-10-24 上海交通大学 基于de和l‑bfgs‑b混合算法的柔性化车间任务调度优化方法
CN110221585A (zh) * 2019-06-14 2019-09-10 同济大学 一种用于混合流水车间考虑设备维护的节能调度控制方法
CN111966050A (zh) * 2020-07-01 2020-11-20 北京工业大学 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法
CN112561194A (zh) * 2020-12-22 2021-03-26 华中科技大学 一种混合流水车间生产与物流集成调度方法及系统

Also Published As

Publication number Publication date
CN113361860A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
CN113361860B (zh) 考虑疲劳度的柔性流水车间调度控制方法、介质及设备
CN105652791B (zh) 订单驱动的离散制造过程能耗优化方法
CN111966049B (zh) 一种混合流水车间生产设备调度控制方法
CN110796355A (zh) 一种基于动态解码机制的柔性作业车间调度方法
CN110288185B (zh) 一种分布式柔性流水线调度方法
CN107451747A (zh) 基于自适应非支配遗传算法的车间调度系统及其工作方法
CN111563336A (zh) 一种基于改进遗传算法的柔性制造系统无死锁调度方法
CN111401693B (zh) 一种带机器人运输的柔性车间调度优化方法及系统
CN109669423B (zh) 基于改进多目标灰狼算法获得零件加工最优调度方案的方法
Lei Scheduling fuzzy job shop with preventive maintenance through swarm-based neighborhood search
Shan et al. A review of the application of genetic algorithms for solving flexible job shop scheduling problems
CN111596622B (zh) Ecm规则分布估计算法的柔性作业车间调度方法
CN114611379A (zh) 一种基于数据驱动的加工工艺节能规划方法
CN117035364A (zh) 基于改进混合模因算法的分布式异构流水车间调度方法
Zhu et al. Discrete African buffalo optimization algorithm for the low-carbon flexible job shop scheduling problem
Song et al. Flexible job-shop scheduling problem with maintenance activities considering energy consumption
CN111814359B (zh) 一种面向离散制造的集成车间调度与装配序列规划方法
Liu et al. Multi-strategy dynamic evolution-based improved MOEA/D algorithm for solving multi-objective fuzzy flexible job shop scheduling problem
CN109255484A (zh) 数据驱动的离散制造资源协同优化方法及系统
CN113792494B (zh) 基于迁徙鸟群算法和交叉融合的多目标柔性作业车间调度方法
CN115936342A (zh) 一种基于多目标算法的柔性作业车间批量调度方法
CN111665799A (zh) 一种基于协同算法的时间约束型并行机节能调度方法
CN114676987B (zh) 一种基于超启发式算法的智能柔性作业车间主动调度方法
CN116360355A (zh) 基于nsga-iii算法求解车间调度问题的方法
CN113326581B (zh) 一种基于组合生产和设备故障约束的遗传调度方法

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