CN113570134A - 一种用于大型装备生产制造与行车系统的元胞机协同调度方法 - Google Patents
一种用于大型装备生产制造与行车系统的元胞机协同调度方法 Download PDFInfo
- Publication number
- CN113570134A CN113570134A CN202110844334.7A CN202110844334A CN113570134A CN 113570134 A CN113570134 A CN 113570134A CN 202110844334 A CN202110844334 A CN 202110844334A CN 113570134 A CN113570134 A CN 113570134A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- station
- workpiece
- cellular
- time
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 148
- 230000001413 cellular effect Effects 0.000 title claims abstract description 109
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 109
- 238000004088 simulation Methods 0.000 claims abstract description 79
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 230000002068 genetic effect Effects 0.000 claims abstract description 29
- 210000004027 cell Anatomy 0.000 claims description 124
- 230000008569 process Effects 0.000 claims description 90
- 238000012545 processing Methods 0.000 claims description 84
- 210000000349 chromosome Anatomy 0.000 claims description 73
- 239000002245 particle Substances 0.000 claims description 52
- 108090000623 proteins and genes Proteins 0.000 claims description 29
- 239000000463 material Substances 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 18
- 238000012163 sequencing technique Methods 0.000 claims description 16
- 230000003068 static effect Effects 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000001960 triggered effect Effects 0.000 claims description 6
- 230000001788 irregular Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 238000011144 upstream manufacturing Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 238000010187 selection method Methods 0.000 claims description 2
- 230000032258 transport Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000013461 design Methods 0.000 description 5
- 238000003754 machining Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008929 regeneration Effects 0.000 description 2
- 238000011069 regeneration method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000000007 visual effect 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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于大型装备生产制造与行车系统的元胞机协同调度方法,该方法主要包括以下步骤:(1)构建生产调度元胞机的网格模型,元胞状态描述、设置生产调度元胞机模型的初始条件和边界条件,设定演化规则;(2)对生产调度元胞机模型的演化规则进行优化;(3)根据实际的行车运行状况构建行车调度元胞机的网格模型,元胞状态描述、设置行车调度元胞机模型的边界条件,设定演化规则;(4)借助遗传算法对行车调度演化规则进行优化;(5)设计大型装备制造生产与行车协同调度仿真系统界面。本发明的基于元胞机的生产调度与行车调度协同建模的方法,为大型装备制造调度提供了新方法和思路。
Description
技术领域
本发明属于针对大型装备制造的生产排程调度领域,是一种基于元胞机模型的专门应用于大型装备生产制造与行车系统的调度方法。
背景技术
近年来,诸如空分成套设备等大型装备制造业的发展已提升到国家战略部署的高度,并且呈现出良好的发展势头。作为中国工业基础,制造业的核心部分,衡量一个国家经济发展水平和综合国力的战略性产业,尺寸与重量大,产品结构复杂,小批量多品种定制化生产且制造加工周期长等是这些大型装备的特点。但是伴随着良好发展势头而来的是资源约束加剧,生产效率低下等问题。如何为该类企业寻求合适的生产调度方案是一个亟待解决的问题。
发明内容
针对现有技术存在的上述技术问题,本发明的目的在于提供一种基于元胞自动机的大型装备生产制造和行车系统协同调度方法。
所述的一种用于大型装备生产制造与行车系统的元胞机协同调度方法,其特征在于包括以下步骤:
1)基于标准元胞机模型的基本原理,从元胞空间、元胞状态、邻域和局部演化规则四个基本组成部分出发,将作业跨生产车间抽象成一个二维网格系统,从而构建得到一个生产调度二维元胞机模型;
2)采用遗传算法对生产调度元胞机模型的演化规则进行优化
对于元胞机的每个调度单元各时步内的模型描述为:在含m个同类工位的工位组中加工n个工件粒子,缓存元胞数量与工位个数对应;各工位加工效率不同,各工件在此工位组只需完成一道工序,根据实际生产状况每道工序可供选择的工位数量是工位组中的全部或某几个,且在不同工位所需的加工时间不同;
设工位集合为s={s1,s2,s3,......,sm};缓存集合为B={b1,b2,b3,......,bm};工件粒子集合为P={p1,p2,p3,......,pn};工序Oij表示第i个工件粒子的第j道工序;第x个工位组加工时间的矩阵T,Ti表示行矩阵,矩阵中Tijxy表示第i个工件第j道工序在第x个工位组第y个工位上所需的加工时间,对于单元调度可简化为Tiy,Ai表示列矩阵;
所以上述生产调度三个子目标对应的函数如下:
式(1)中,分子表示所有粒子都选择加工时间最短的工位所得的加工总时间,此为理想状态值;分母表示实际加工总时间;0<F1≤1;矩阵Ai中对应各元素aiy∈{0,1},工位序号y∈{1,2,...m};
S2:子目标2转化为各工位的总利用率F2高;
式(2)中,T为仿真开始前设定的各仿真步长所代表的实际时间,该值在仿真过程中不发生变化;λy为各台设备故障率;
S3:同一工位组所有工位的平衡率F3最大,根据式(3):
式(3)中,Cmax为负荷最大工位所耗费的加工时;m为该工位组工位总数;
通过加权法得到元胞机的各离散单元在各时步内调度的总目标函数:
F=max(w1F1+w2F2+w3F3) (4)
生产约束条件如下:
(1)资源约束
a)同一设备同一时刻至多加工一个工件;
b)一个工件只能被在一道工序的一台设备上加工;
c)各工件加工一旦开始就不能暂停;
(2)工艺约束
a)同一工件工序之间存在先后约束关系;
b)不同工件工序之间不存在先后约束关系;
3)根据行车调度系统的现实特点构建具有一定流向的不规则的二维元胞机行车调度模型;
4)依旧采用遗传算法优化行车调度元胞机模型的演化规则,以实现在避免行车冲突的情况下元胞机行车调度总运输时间最短的目标;
5)创建完整数据库,并建立仿真系统界面,将生产调度元胞机模型和行车调度元胞机模型作为底层算法,实现整个系统的运行。
所述的一种用于大型装备生产制造与行车系统的元胞机协同调度方法,其特征在于步骤1)中,根据标准元胞机的原理构建模型:
A=(Ld,S,N,f)
其中,A表示元胞机系统;L表示元胞空间;d表示整数型元胞空间维数;S表示元胞状态;N表示元胞邻域中囊括的元胞集合;f表示局部演化规则;
对于元胞空间L,将该区域设定成一个二维网格系统,将各个大小均匀的网格视为各个加工工位元胞或是缓存元胞,工位元胞即产品当前加工区域,缓存元胞即待加工产品暂存区域;对于任意一个缓存元胞t+1时刻的状态,采用如下函数进行描述:
其中:f为局部状态转换规则即作业调度规则;为缓存元胞C(2n+1)j上游工位组的所有工位元胞t时刻的状态集合;为缓存元胞C(2n+1)j所在缓存组其它元胞C(2n+1)mt时刻的状态集合;为缓存元胞C(2n+1)j与其对应的工位元胞C(2n+2)jt时刻的状态;
任意一个工位元胞t+1时刻的状态表示为:
具体地,对于元胞状态描述、设置生产调度元胞机模型的初始条件和边界条件,以及设定演化规则等等过程,可参见中国专利CN201210034023.5。
所述的一种用于大型装备生产制造与行车系统的元胞机协同调度方法,其特征在于步骤2)中,采用遗传算法对生产调度元胞机模型的演化规则进行优化,将经过遗传算法寻优后得到的染色体作为元胞机的演化规则,过程如下:
步骤1:结合生产调度的特点,将调度编码分为两个部分:(1)工位染色体,基于工位分配编码确定所选的目标加工工位,对应工位选择演化规则;(2)工序染色体,基于工序编码,确定同一工位内工序间的先后加工顺序,对应工件排序演化规则;融合这两个编码,形成一条染色体,对应单元调度的一个可行解;
(1)工位染色体
在静态调度单元中,每个工件只包含一道工序,工件数等于单元调度中的工序数n,这n道工序的编号和工件编号一致,分别是1,2,3,......,n;各道工序可选择的工位的子集分别为{S1,S2,S3,......,Sm};
(2)工序染色体
同样,工序染色体中基因的个数等于单元中的总工序数也就是总工件数,这部分染色体的串长同样为n,编号分别表示为g′1,g′2,g′3,...,g′j,...,g′n,其中,g′j∈{1,2,...,n}直接用工件号进行表示;
步骤2:然后以min(wq+wl÷pe)为目标获得工位选择方案,并且根据FCFS规则结合工件加工优先级获得工序排序方案(单元调度研究的是时间空间都离散的单步调度,研究单元的工件可视为同时到达),分别对应编码中的工位选择染色体和工序排序染色体,获得遗传算法的初始种群解;
假设:根据前述3个目标的重要性,分别设w1=0.4,对应F1,所有工序总加工时间最短;w2=0.3,对应F2,各工位负荷率高;w3=0.3,对应F3,同一工位组中所有工位负荷平衡。
将目标函数设为适应度函数,有:
适应度函数的公式中各符号表示含义见式(1)、(2)、(3)、(4)、(5)、(6)中;
步骤3:对于遗传算法的染色体选择环节,采用蒙特卡罗方法按比例的适应度分配方法分配个体的概率,利用各个个体的适应度概率决定其子代保留的可能状况;若某个个体i,其适应度为fi,则其被选取的概率表示为:
然后采用轮盘赌选择法将个体的适应度按比例转化成选中概率;
步骤4:进行遗传算法的染色体交叉步骤,生产调度模型的染色体分为两个部分,根据各自特点,对第一部分的工位选择染色体直接采用双切点交叉法,对于第二部分的工位排序染色体采用POX交叉法;
设有父代染色体Parent1和Parent2,POX交叉法产生子代染色体Children1和Children2,POX交叉的具体流程如下:
(1)随机划分工件集{1,2,3,...,n}为两个非空子集J1和J2;
(2)复制Parent1包含在J1的工件到Children1,Parent2包含在J1的工件到Children2,保留它们的位置;
(3)复制Parent2包含在J2的工件到Children1,Parent1包含在J2的工件到Children2,保留它们的顺序;
步骤5:同样,在染色体变异上,采用在工位选择染色体的基因串中随机选择一个位置,在此工序的工位集中随机选择一个与其不相等的整数,替换当前基因,这样得到的解保证是可行解;第二部分染色体的变异采用基因位置互换的方法,即从工序排序染色体中随机选择两个位置的基因,将其位置进行互换,这样保证同一条工序排序染色体中不会出现相同的数字,也即解可行。
所述的一种用于大型装备生产制造与行车系统的元胞机协同调度方法,其特征在于步骤3)中,在行车调度系统当中,只有工位作为一个固定的节点,行车和物料都是运动的,所以行车调度元胞机模型需要是具有一定流向的不规则二维模型系统;因此,根据行车调度模型的特点,元胞空间C中的网络节点非均匀分布在两条平行线ri1、ri2上,所以对于任意的网络节点r在t+1时刻的状态可用以下数学表达式表示:
其中:Sr为各节点r的状态;Sr(nid,nt,nδ,nm,nw,np)来描述节点状态;nid表示节点性质,主要包括固定节点或是移动节点的节点编号、名称以及位置;nt表示该工位最新作业的开始和持续时间;nδ表示与该工位联系的上下邻居节点;nw表示节点相关属性和状态,包括节点占用状况、占用时间以及空间限制状态;np表示物料通过节点时的流量、时间和次数的统计数据;R为演化规则;Nr为邻居元胞;Gr为约束集合,包括元胞空间位置约束、任务优先级、行车吊运物料的性质以及任务发生和完成的时间、空间约束状态;
模型中,各网络节点r物料存在的方式为有、无两种情况,用以下一组布尔变量表示节点物料存在与否,即每个元胞在各个时间t的局部状态为:
模型中除行车和工位以外的第三个对象就是工件粒子,用pk来表示工件状态,k∈{1,2,...,l},l是仿真模型中的工件总数;Sp(pid,pt,pm,pw)来描述工件状态属性,pid表示工件性质,主要包括工件编号、名称以及物料属性;pt表示工件进入仿真系统的时间以及持续时间;pm表示工件的流动方向以及下一个目标节点;pw表示当前位置;
模型系统的演化通过工件在节点之间的移动从而改变工件与节点的动态和静态属性来推动,主要包括工位、行车、工件粒子3个对象。
所述的一种用于大型装备生产制造与行车系统的元胞机协同调度方法,其特征在于步骤4)中借助遗传算法对行车调度演化规则进行优化中,实现调度模型的基本步骤为:首先,各工位上的工件粒子完成改性任务触发若干个需行车协助运输的任务,行车实时接收生产调度运输任务;然后,针对生产调度产生的目标工位依据择车规则,对同一跨内的行车分配运输任务;最后,被选定的行车在当前位置、工件粒子初始位置和目标工位之间的区域内运行,待该任务完成暂无其它任务指令时回到指定原位等待下一任务否则继续下一任务;在这一系列过程中,行车调度要满足各项约束,包括不交叉约束、领域约束、唯一性约束、被动运输约束、优先级约束和行车运行最佳区域约束,行车在满足以上约束条件的情况下执行调度的演化,在这个调度的过程中要尽可能达到工件粒子流通时间最小化的宏观目标,分解到微观层面即为:①运输任务时间最小化;②运输任务数量最大化,将以上提到约束条件和设定目标用数学规划表示:
Minz1=FT;Maxz2=N
其中:
m:行车数量;n:运输任务数量;l:工位个数;
d:相邻两台行车之间的安全距离;
pj:行车j的空间位置(1≤j≤m);
sti:运输任务i的开始时间(1≤i≤n);
fti:运输任务i的结束时间(1≤i≤n);
N:执行的运输任务数量,由于不能同时触发所有可执行运输任务,1≤N≤n;
FT:N个运输任务完成的时间;
xij:当且仅当运输任务i被分配给行车j时值为1,否则值为0(1≤i≤n,1≤j≤m);
yik:当且仅当运输任务i存在目标工位k时值为1,否则值为0(1≤i≤n,1≤k≤l)。
所述的一种用于大型装备生产制造与行车系统的元胞机协同调度方法,其特征在于步骤4)中借助遗传算法对行车调度演化规则进行优化,主要过程有:
1)染色体编码和解码
采用自然数编码,染色体长度等于行车数量的两倍。前一半染色体编码表示行车与运输任务之间的一一对应关系,即从运输任务的物料ID中选择染色体基因,若无任务则对应的基因为0;后一半染色体编码则为运输任务与目标工位的一一对应关系,即从目标工位ID中选择染色体基因,若暂无可选工位则对应的基因为0。
2)获取初始种群
对于满足如下两个要求的所有可行解,从中随机选择若干各样本作为初始种群:
其中:N:执行的运输任务数量,由于不能同时触发所有可执行运输任务,1≤N≤n;FT:N个运输任务完成的时间;
4)选择
采用轮盘赌选择法,第个r个体被选择的概率为
其中:PSize表示总群的规模;
5)交叉
在行车调度问题上,个体在交叉之后需考虑新个体的可行性,约束较为复杂,所以才用单点交叉。
6)变异
为防止整个种群收敛单一适宜取低水平的变异概率;多次试验证明取交叉概率Pc=0.8,变异概率Pm=0.02。
本发明的技术构思为:针对大型装备制造过程中工件尺寸与重量大、工艺复杂、生产周期长及行车调度易干涉等特点,以生产总加工时间、各工位负荷率、同工位组负荷平衡率及行车总运输时间为优化目标,建立的大型装备制造生产调度与行车调度协同仿真模型。
本发明的有益效果主要表现在:为大型装备制造在生产调度、工位负荷平衡率和行车运输时间等关键指标上优化效果明显。
附图说明
图1表示生产调度元胞机模型的网格图;
图2表示生产调度元胞机模型的邻域图;
图3表示行车调度模型的示意图;
图4表示行车调度模型的仿真运行原理图;
图5表示动态调度模型仿真系统结构图;
图6表示双切点交叉示意图;
图7表示第一部分工位选择染色体交叉示意图;
图8表示第二部分工件排序染色体POX交叉示意图;
图9表示协同建模仿真主程序流程图;
图10表示遗传算法优化生产调度演化规则程序的流程图;
图11表示算例1中工件进入工位组调度单元的元胞机模型示意图;
图12表示算例1初始解的具体获取过程示意图;
图13为1号染色体第一部分变异和第二部分变异的示意图。
具体实施方式
实施例1:
一种基于元胞机模型的专门应用于大型装备生产制造与行车系统的调度方法,包括以下步骤:
1)基于标准元胞机模型的基本原理,从元胞空间、元胞状态、邻域和局部演化规则四个基本组成部分出发,将作业跨生产车间抽象成一个二维网格系统,从而构建得到一个生产调度二维元胞机模型;
2)采用遗传算法对生产调度元胞机模型的演化规则进行优化,将经过遗传算法寻优后得到的染色体作为元胞机的演化规则;
3)根据行车调度系统的现实特点构建具有一定流向的不规则的二维元胞机行车调度模型;
4)依旧采用遗传算法优化行车调度元胞机模型的演化规则,以实现在避免行车冲突的情况下元胞机行车调度总运输时间最短的目标;
5)创建完整数据库,并建立仿真系统界面,将生产调度元胞机模型和行车调度元胞机模型作为底层算法,实现整个系统的运行。
在本实施例1中,具体实施方法步骤如下:
步骤一:构建生产调度元胞机的二维网格模型
模型以一个作业跨生产车间为研究对象,如图1所示,将该区域设定成一个二维网格系统,各个大小均匀的网格可视为各个加工工位或是缓存元胞,由于实际各个区域大小不一,因而网格只代表个体,不代表大小。工位即产品当前加工区域,缓存即待加工产品暂存区域,某一时刻一个工位只加工一个部件,其余待加工部件缓存区排队。大型装备缓存空间不可忽略,缓存组与工位组一一对应。在如图1所示的二维网格模型中,同一偶数行表示加工性质相同的工位组,且同组之间元胞加工效率不同。例如抱圆卷制、焊接、试压,依据不同的加工性质划分为3个工位组,不同焊接工人效率存在差异。偶数行工位元胞向上逐一对应缓存元胞。各工位组中的工位数目m只与工位组号n有关,一般不等,反映到二维网格系统一般为阶梯状。在各网格中移动的粒子即表示生产过程中的工件。
步骤二:对任意时刻某元胞及其邻域元胞的状态进行描述
元胞状态属性可以分为静态属性和动态属性两类,静态属性是其值在仿真运行前确定的基本参数,不随仿真的运行而改变;相对的,动态属性是记录仿真系统运行时的变化参数。
模型中包含工位和缓存两类元胞,其状态属性存在差异。
缓存元胞t时刻的状态属性集合是
式(1)中:
wct为缓存元胞区域在制品总容量,各个缓存元胞的在制品总容量存在差异,以代表工件作为衡量标准,静态属性,单位unit;
wco为缓存元胞中已被占用的空间,动态属性,0≤wco≤wct;
wcl为缓存元胞未被占用的空间,动态属性,wcl=wct-wco;
lq为缓存元胞中等待加工的工件个数,即队列长度,动态属性,lq∈N;
wq为工件在缓存元胞队列中的等待时间,动态属性,单位day。
工位元胞t时刻的状态属性集合是
式(2)中:
st为工位元胞所在工位组,静态属性,st∈{C2n},n∈N*;
pe为工位元胞加工效率,各个元胞效率存在差异,以代表工序作为衡量标准,一天完成的代表工序数量即为加工效率,静态属性;
T为一个调度周期内工位元胞的加工时间,其值需要依据各台设备故障率以及员工休假情况等历史数据,在每次调度之前对数据进行更新,静态属性,单位day;
ss为工位元胞的忙闲状态,动态属性,ss∈{0,1,2}0空闲,1忙碌,2故障;
sct为一个调度周期内工位元胞的总加工能力,该数据同样需要同加工时间一样考虑扰动因素,静态属性,sct=pe×T,单位unit;
sco为工位元胞已被占用的加工能力,等于已加工、正在加工以及对应缓存等待加工三个部分的加工能力之和,动态属性,0≤sco≤sct;
scl为工位剩余的加工能力,动态属性,scl=sct-sco。
工位元胞和缓存元胞不同,其对应的元胞邻域也有所差异。按照工件流的方向,缓存元胞下一时刻的状态与其上游工位组所有工位元胞当前时刻的状态、该缓存元胞所在的缓存组所有缓存元胞当前时刻的状态以及该缓存元胞对应的工位元胞状态这3个部分有关。如图2(a)所示,黑色元胞为缓存元胞,下一时刻的状态只与图中当前时刻阴影部分元胞状态有关。工位元胞下一时刻的状态与其对应的缓存元胞当前时刻的状态、该工位元胞本身当前时刻的状态以及下游缓存组所有缓存元胞当前时刻的状态这3个部分有关。如图2(b)所示,黑色元胞为工位元胞,下一时刻的状态只与图中当前时刻阴影部分元胞状态有关。
所以对于任意缓存元胞t+1时刻的状态可以用以下数学形式表示:
式(3)中:
f为局部状态转换规则即作业调度规则;
任意工位元胞t+1时刻的状态表示为:
式(4)中:
步骤三:设置生产调度元胞机模型的初始条件和边界条件
大型装备制造作业工件加工时间长,本模型的一个调度周期设定一个仿真时步,因而仿真时步较长且不是一个定值,前一次的调度结果决定后一次的调度起点。本模型所有粒子根据加工程度共分为4类:已加工、正在加工、未加工和待加工。还未开始加工但已被安排加工时间的粒子属于未加工类;而已进入系统但未被调度等待调度的粒子属于待加工类。每次仿真时步的推进再调度的对象就是后3类粒子。
工件粒子在t时刻的状态属性表达式:
式(5)中:
k为工件编号且k∈N*;
pt为粒子所需的加工工序数,静态属性;
pf为粒子t时刻已完成的工序数,动态属性;
np为粒子进入下一工序的编号,动态属性;
fst为粒子下一个所要进入的工位组,动态属性;
wl为粒子下道工序所需的加工能力,以代表工序的加工能力为衡量标准,单位是unit,如2个unit表示下道工序的所需加工能力为2个代表工序的加工能力,动态属性。
sn为粒子所需占用的空间容量,静态属性;
dp为粒子加工的优先级,该数值取决于工件的交货期,交货期越紧dp数值越大,即优先级越高,静态属性,dp∈N*;
qn为粒子在队列中的序号,动态属性,qn∈N*;
ta为粒子进入元胞的时间,分为到达缓存元胞的时间和到达工位元胞的时间两类,即为开始排队时间和开始加工时间,动态属性。
步骤四:设定生产调度元胞机模型的工位选择、工件排序和任务触发的演化规则
大型装备制造的生产调度目标为:(1)总加工时间短;(2)各工位负荷率高;(3)同工位组负荷平衡。依据调度目标归纳出本模型的演化规则,如下表1所示:
表1生产调度模型演化规则
通过以下算例1说明具体的模型演化过程。假设某个大型的制造装备生产车间由n个工位组和n个缓存组组成,本例只研究这其中一个单元,如图1-3所示,这里只研究阴影部分的状态变化。在t0时刻,各工位元胞、缓存元胞的状态属性值见下表2-4,仿真期间各工件粒子的状态属性值如下表所示(表2表示算例1在t0时刻各工位元胞状态属性值表、表3表示t0时刻各缓存元胞状态属性值表、表4表示仿真期间各工件粒子状态属性值表):
表2
表3
表4
(1)工位选择演化规则Rp→c:
当某一工件到达时,首先需要判断下个目标工位组中工位的闲、忙或故障状态;随后依据处于相同状态的工位数量,优先选择加工效率高也就是数值大的工位,或是可以最早完成本工序的工位,即比较(wq+wl÷pe)值的大小,选择最小的值相对应的工位;然后判断工件是否能在时间、空间上被其目标缓存元胞和目标工位元胞所容纳,即比较wl和scl的大小,sn和wcl的大小,当scl≥wl且wcl≥sn时,工件进入工位,否则,工件暂时进入到后备缓存区,等仿真钟前进一个时步再调度时进行重新判断。
算例1中p1第一个到达,要在C2中完成第1道工序,可选择的工位元胞集合{C21,C22,C23,C24,C25},相对应的工位集合ss属性为{0,0,0,0,0}。根据上述规则Rp→c,优先选择pe值大的工位,pe属性集合{0.5,1,1,1.5,2},pe最大是2,即选择工位C25。C25对应的缓存工位C15的队列长度是0,当p1进入C15瞬间,qn值变为1,此时激活了任务触发规则Rta,因此p1状态由t0时刻的更新成t1时刻的即直接进入工位元胞C25。此时,C25的状态由更新成其他元胞和粒子的状态不发生变化。
(2)工位排序演化规则Rc→p:
工件排序规则结合FCFS原则以及工件的加工优先级来确定加工顺序。首先,等待的工件根据到达时刻ta进行排序,ta值越小越靠前;然后从工件队末依次往前两两比较优先级dp的大小,如果后一工件的dp大于前一工件的dp值,则两者互换位置并更新队列序号qn,直至前一工件的dp不小于后一工件的dp为止。输出队列的顺序,同时更新缓存元胞及队列中工件粒子的状态属性值。由于算例1中模拟的是仿真初始,因此还不存在工件粒子排队情况,但随系统仿真时钟推进,其他工件陆续到达即会调用工件排序子程序。
(3)任务触发演化规则Rta:
激活任务触发规则Rta需要满足:(a)目标工位元胞处于空闲状态,即ss=0;(b)待加工粒子位于队列的首位,即qn=1。同时满足以上条件时,工件进入目标工位,更新目标工位状态ss=1,缓存元胞队列长度lq=lq-1,且队列中所有等待的工件粒子队列序号qn相应减1。产生加工开始时间并更新ta,加工完成后安排工件离开并更新工位元胞状态,最后返回总控程序。
步骤五:借助遗传算法对生产调度元胞机模型的演化规则进行优化
前面几个步骤已经将生产调度元胞机模型在时间和空间上都作了离散化处理,所以对于元胞机的每个调度单元各时步内的模型描述为:在含m个同类工位的工位组中加工n个工件粒子,缓存元胞数量与工位个数对应。各工位加工效率不同,各工件在此工位组只需完成一道工序,根据实际生产状况每道工序可供选择的工位数量是工位组中的全部或某几个,且在不同工位所需的加工时间不同。
设工位集合为s={s1,s2,s3,......,sm};缓存集合为B={b1,b2,b3,......,bm};工件粒子集合为P={p1,p2,p3,......,pn};工序Oij表示第i个工件粒子的第j道工序;第x个工位组加工时间的矩阵T,Ti表示行矩阵,矩阵中Tijxy表示第i个工件第j道工序在第x个工位组第y个工位上所需的加工时间,对于单元调度可简化为Tiy,Ai表示列矩阵;
所以上述生产调度三个子目标对应的函数如下:
式(1)中:
分子表示所有粒子都选择加工时间最短的工位所得的加工总时间,此为理想状态值;
分母表示实际加工总时间,0<F1≤1。
矩阵Ai中对应各元素aiy∈{0,1},工位序号y∈{1,2,...m}。
(2)子目标2转化为各工位的总利用率F2高。
式(2)中:
T为仿真开始前设定的各仿真步长所代表的实际时间,该值在仿真过程中不发生变化;
λy为各台设备故障率。
(3)同一工位组所有工位的平衡率F3最大,根据
式(3)中:
Cmax为负荷最大工位所耗费的加工时;
m为该工位组工位总数。
通过加权法得到元胞机的各离散单元在各时步内调度的总目标函数:
F=max(w1F1+w2F2+w3F3) (4)
式(4)中:
生产约束条件如下:
(1)资源约束。
a)同一设备同一时刻至多加工一个工件;
b)一个工件只能被在一道工序的一台设备上加工;
c)各工件加工一旦开始就不能暂停。
(2)工艺约束。
a)同一工件工序之间存在先后约束关系。
b)不同工件工序之间不存在先后约束关系。
以算例1为例继续说明。由前文已知该算例参与元胞机仿真模型工件8个(p1,p2,p3,p4,p5,p6,p7,p8),进入包含5台相同类型设备(s1,s2,s3,s4,s5)的工位组中,且对应工位的设备效率不同。
如下表所示,算例1各工件在该工位组加工所需的时间说明,若工件因为本身加工要求或设备本身问题等状况不能在某些工位加工则用“——”表示。要说明的是,在本算例中只体现一个单元的调度,但从全局看各工件应参与多道工序,表中的工序编号在全局概念上有所体现。
上述工件进入的工位组调度单元如图11所示。
表5
对于染色体编码、选择、交叉、变异的过程,依旧采用算例1,其具体过程如下:
1)工位染色体编码
在算例1中,工件p1对应的工序O13的可选工位集合S1={s1,s2,s3,s4,s5},工件p2对应的工序O22的可选工位集合S2={s1,s3,s4}。第一部分的基因串长为n,表示为g1,g2,g3,...,gi,...,gn。其中,gi∈{1,2,...,m},表示工位的编号。根据对应可选工位集合中随机选中的工位编号确定每道工序加工的工位,如g1=5,则工件p1对应的工序O13的加工工位为s5。同理,确定余下工序的加工工位。如果第一部分的基因串为5-4-2-1-4-5-2-3,则表示这8个工件的8道工序的加工工位分别为s5-s4-s2-s1-s4-s5-s2-s3。
2)工序染色体编码
在算例1中,假设工序染色体部分的一个可行解为1-2-3-4-8-6-7-5,则工件的加工顺序为p1-p2-p3-p4-p8-p6-p7-p5,对应工序的加工顺序为O13-O22-O32-O41-O87-O65-O72-O53。这个加工顺序是单个工位对应的缓存元胞内的队列排序的关键依据。
3)获取初始种群
算例1按照p1-p2-p3-p4-p5-p6-p7-p8的顺序进行工位选择,得到其中一个工位选择初始解为5-4-5-3-4-3-2-2,对应工位为s5-s4-s5-s3-s4-s3-s2-s2;工序排序初始解为1-2-4-7-5-6-3-8,对应p1-p2-p4-p7-p5-p6-p3-p8,也即工序O13-O22-O41-O72-O53-O65-O32-O87。具体执行过程如图12所示。
最后得到初始解集如下表所示:
表6
4)适应度函数
如上面所得的1号染色体5-4-5-3-4-3-2-2,1-2-4-7-5-6-3-8,其
Cmax×m=8×5=40;
同理可得其余9个染色体的适应度。
5)选择
如算例1中有10个个体,则分成10个扇区。因为要进行10次选择,所以产生10个[0,1]之间的随机数,相当于转动10次轮盘,获得10次转盘停止时指针的位置,指针停留在某一扇区,该扇区代表的个体即被选中。
使用按比例适应度分配法,获得算例1的10个个体选择概率,如下表所示:
表7
通过函数rand()产生10个随机数,将该随机数列与计算获得的累积概率进行比较,得出被选中的个体如下表所示:
表8
很明显,适应度高的个体被选中的概率要大于适应度低的个体。在第一次竞争迭代中,个体6和9被淘汰,取而代之的是适应度较高的个体1和8,这个过程称之为再生。再生后要进行的遗传操作为交叉。
6)交叉
对于第一部分工位选择染色体采用双切点交叉法,双切点交叉示意图如图6所示。以算例1中1号和3号染色体为例,交叉示意图如7所示。
对于第二部分工件排序染色体采用POX交叉法,以算例1中1号和3号染色体为例,第二部分工件排序染色体交叉示意图如图8所示。
7)变异
以算例1为例,1号染色体第一部分变异和第二部分变异分别如图13(a)、(b)所示。第一部分变异中随机选择5号基因进行变异,由于第5道工序的可选择工位集为{s2,s3,s4},现状基因为4,变异可选基因集合就是{2,3},随机选择2,完成第一部分基因的变异,见子图13(a)。第二部分变异随机选择的两个基因是3号和6号,两者相互交换位置,完成第二部分基因的变异,见子图13(b)。
步骤六:构建行车调度元胞机的网格模型
在车间,行车只能在一个作业跨上进行作业,沿跨长方向,一个工位只能允许一台行车作业而且多台行车在一个跨上的空间顺序不可改变;行车沿垂直作业跨方向的吊运作业不改变行车在作业跨上的位置,此时行车上小车的运动时间可归入行车作业时下落或是吊运物料时间。由此可将行车调度模型表示成由两条平行线构成的网络空间,如图3所示,上面的一条平行线ri1表示行车沿跨长作一维方向的运输任务,线上的运动节点即表示行车;工位或加工设备则是表示在下面的一条平行线ri2上,但发生运输或是改性作业时,网格中的研究对象相关属性值相应改变。
步骤七:对行车调度元胞机模型的元胞状态及其邻域元胞状态进行描述
根据行车调度模型的特点,元胞空间C中的网络节点非均匀分布在两条平行线ri1、ri2上,节点r在t+1时刻的状态可用以下数学表达式表示
式(7)中:
Sr为各节点r的状态;
Sr(nid,nt,nδ,nm,nw,np)来描述节点状态。
nid表示节点性质,主要包括固定节点或是移动节点的节点编号、名称以及位置;
nt表示该工位最新作业的开始和持续时间;
nδ表示与该工位联系的上下邻居节点;
nw表示节点占用状况、占用时间以及空间限制等相关属性和状态;
np表示物料通过节点时的流量、时间和次数等统计数据。
R为演化规则;
Nr为邻居元胞;
Gr为约束集合,包括元胞空间位置约束、任务优先级、行车吊运物料的性质以及任务发生和完成的时间、空间约束等。
模型中,各节点r物料存在的方式只有有无两种情况,用以下一组布尔变量表示节点物料存在与否,即每个元胞在各个时间t的局部状态
式(8)中:
ri1表示固定节点,ri2表示移动节点;
模型中除行车和工位以外的第三个对象就是工件粒子,用pk来表示工件状态,k∈{1,2,...,l},l是仿真模型中的工件总数。Sp(pid,pt,pm,pw)来描述工件状态属性,pid表示工件性质,主要包括工件编号、名称以及物料属性;pt表示工件进入仿真系统的时间以及持续时间;pm表示工件的流动方向以及下一个目标节点;pw表示当前位置。
模型系统的演化通过工件在节点之间的移动从而改变工件与节点的动态和静态属性来推动,主要包括工位、行车、工件粒子3个对象。如下表9,10,11:
表9
表10
表11
步骤八:设置行车调度元胞机模型的边界条件
大型装备制造作业是一个开放系统,通过行车在作业跨上的运输完成与周边环境的物质交换,入口边界条件由工件进入行车调度系统的实际情况而定,即由本文生产实时调度触发行车调度;出口边界条件与游制造车间接受能力有关,本文设下游接受产品能力充足,因而不影响行车调度模型的正常运行。
步骤九:设定行车调度元胞机模型的演化规则
大型装备制造的行车调度目标为最短总运输时间,依据调度目标归纳出本模型的演化规则,主要包括任务触发、择路规则、择车规则、冲突消除以及移动规则,规则具体说明如下表12所示:
表12
根据上述模型状态说明以及演化规则,仿真开始,模型初始化,行车调度的边界条件、与行车调度相关的参数(包括行车、工位、物料属性)在上述元胞机的演化规则下进行遗传算法优化,得到行车调度优化模型。仿真运行时,模型中的行车、工位以及物料状态随离散时步的推进逐步演化,工位、行车及物料各属性值也在仿真运行不断被更新。仿真结束后,根据仿真输出数据库对仿真数据做相应的分析与评价,如图4所示。
步骤十:借助遗传算法对行车调度演化规则进行优化
根据前面步骤中大型装备作业行车调度元胞机仿真模型的描述可知,实现调度模型的基本步骤为:首先,各工位上的工件粒子完成改性任务触发若干个需行车协助运输的任务,本文行车实时接收生产调度运输任务;然后,针对生产调度产生的目标工位依据择车规则,对同一跨内的行车分配运输任务;最后,被选定的行车在当前位置、工件粒子初始位置和目标工位之间的区域内运行,待该任务完成暂无其它任务指令时回到指定原位等待下一任务否则继续下一任务。在这一系列过程中,行车调度需要满足各项约束,如表13所示。
表13
行车在满足以上6个约束条件的情况,按照表9的规则执行调度的演化,在这个调度的过程中需要尽可能达到工件粒子流通时间最小化的宏观目标,分解到微观层面即为:①运输任务时间最小化;②运输任务数量最大化。将以上提到约束条件和设定目标用数学规划表示:
Minz1=FT;Maxz2=N
s.t:
其中:
m:行车数量;n:运输任务数量;l:工位个数;
d:相邻两台行车之间的安全距离;
pj:行车j的空间位置(1≤j≤m);
sti:运输任务i的开始时间(1≤i≤n);
fti:运输任务i的结束时间(1≤i≤n);
N:执行的运输任务数量,由于不能同时触发所有可执行运输任务,1≤N≤n;
FT:N个运输任务完成的时间;
xij:当且仅当运输任务i被分配给行车j时值为1,否则值为0(1≤i≤n,1≤j≤m);
yik:当且仅当运输任务i存在目标工位k时值为1,否则值为0(1≤i≤n,1≤k≤l);
由于行车调度模型中,在用遗传算法优化模型演化规则时选用的是自然数编码,染色体长度等于行车数量的两倍。前一半染色体编码表示行车与运输任务之间的一一对应关系,即从运输任务的物料ID中选择染色体基因,若无任务则对应的基因为0;后一半染色体编码则为运输任务与目标工位的一一对应关系,即从目标工位ID中选择染色体基因,若暂无可选工位则对应的基因为0。假设某车间作业跨行车数量NumCrane=3,则染色体长度Chromsize=6,Chrom()={1,0,2,3,0,9},即表示行车1要将1号工件运输到3号工位上,行车2未获得运输任务,行车3要将2号工件运输到9号工位上,此编码方式保证择车规则和择路规则的并行性,染色体长度固定不随时间而改变,且解码方便。
步骤十一:借助VB设计仿真系统界面,将生产调度元胞机模型和行车调度元胞机模型作为底层算法,实现整个系统的运行。
经过前面十个步骤,已经完成大型装备制造生产调度与行车调度元胞机协同建模。为实现上述仿真模型,本模型系统分为仿真输入、仿真运行和仿真输出3个子系统,如图5所示。仿真输入包括建立仿真对象模型、确定仿真条件和完备仿真输入数据库,为使仿真顺利运行,验证该仿真的各种输入数据主要来自于经过修正处理的历史数据;仿真运算包括仿真模型的运行和数据实时存储;仿真输出包括仿真结果和对应的可视化界面。
这个系统由MicrosoftAccess 2000负责数据库创建,以ADO作为VB的数据访问接口;利用VB完成仿真系统界面的设计;MATLAB负责算法的编程,求解整个仿真计算过程;最后通过ActiveX控件实现VB对MATLAB程序的调用,实现整个系统的运行。
设计大型装备制造生产与行车协同调度仿真系统界面,过程如下:
1)设计仿真数据库
将调度系统中的工件粒子、工位缓存元胞和运动节点行车的静态属性值,以及所有工位组对应工位的加工时间和实验参数等参数作为仿真输入数据。在仿真开始前,必须要设置以下实验参数:主要包括参与仿真的工位组数目,各工位组包含的工位数量,工件数量,行车总数,各仿真时步的值,遗传算法中进化代数、种群大小、交叉变异概率,设备故障率,工件返工率等参数的设定。之后将工位缓存元胞、工件粒子以及行车的动态属性值等作为仿真运行的实时数据存入仿真运行实时数据库中。将生产调度和行车调度两个部分的仿真数据输出作为仿真结果输出数据库的主要输出内容,并绘制相应的排产甘特图和行车轨迹图。
2)设计仿真模型界面
采用VB设计仿真模型的输入界面,当设置完模型搭建所需的全部初始数据之后,点击“模型参数设置完毕”的command按钮,即可运行仿真模型,之后自动跳出行车调度运行的界面和生产调度仿真运行的界面。
3)仿真模型运行程序设计
在仿真模型中,大型装备制造生产调度实时优化结果出发行车调度,两者协同建模仿真。生产调度与行车调度是大型装备制造不可分割的两个部分,良好的行车调度是生产调度有条不紊运行的保障。工件粒子按边界条件进入仿真模型,触发工位选择规则与工件排序子程序依次运行,通过遗传算法寻求生产最优排序,形成排产计划触发行车运行边界条件,得到行车任务集合,在避免行车冲突前提下利用遗传算法优化行车调度规则,具体优化流程见图10,执行行车运输任务并更新各元胞、工件以及行车等调度要素属性,循环以上过程直到无调度任务结束仿真程序,输出仿真结果。具体的协同建模仿真主程序流程图如下图9所示。
Claims (5)
1.一种用于大型装备生产制造与行车系统的元胞机协同调度方法,其特征在于包括以下步骤:
1)基于标准元胞机模型的基本原理,从元胞空间、元胞状态、邻域和局部演化规则四个基本组成部分出发,将作业跨生产车间抽象成一个二维网格系统,从而构建得到一个生产调度二维元胞机模型;
对任意时刻某元胞及其邻域元胞的状态进行描述,设置生产调度元胞机模型的初始条件和边界条件,并设定生产调度元胞机模型的工位选择、工件排序和任务触发的演化规则;
2)采用遗传算法对生产调度元胞机模型的演化规则进行优化:
对于元胞机的每个调度单元各时步内的模型描述为:在含m个同类工位的工位组中加工n个工件粒子,缓存元胞数量与工位个数对应;各工位加工效率不同,各工件在此工位组只需完成一道工序,根据实际生产状况每道工序可供选择的工位数量是工位组中的全部或某几个,且在不同工位所需的加工时间不同;
设工位集合为s={s1,s2,s3,......,sm};缓存集合为B={b1,b2,b3,......,bm};工件粒子集合为P={p1,p2,p3,......,pn};工序Oij表示第i个工件粒子的第j道工序;第x个工位组加工时间的矩阵T,Ti表示行矩阵,矩阵中Tijxy表示第i个工件第j道工序在第x个工位组第y个工位上所需的加工时间,对于单元调度可简化为Tiy,Ai表示列矩阵;
所以上述生产调度三个子目标对应的函数如下:
式(1)中,分子表示所有粒子都选择加工时间最短的工位所得的加工总时间,此为理想状态值;分母表示实际加工总时间;0<F1≤1;矩阵Ai中对应各元素aiy∈{0,1},工位序号y∈{1,2,...m};
S2:子目标2转化为各工位的总利用率F2高;
式(2)中,T为仿真开始前设定的各仿真步长所代表的实际时间,该值在仿真过程中不发生变化;λy为各台设备故障率;
S3:同一工位组所有工位的平衡率F3最大,根据式(3):
式(3)中,Cmax为负荷最大工位所耗费的加工时;m为该工位组工位总数;
通过加权法得到元胞机的各离散单元在各时步内调度的总目标函数:
F=max(w1F1+w2F2+w3F3) (4)
生产约束条件如下:
(1)资源约束
a)同一设备同一时刻至多加工一个工件;
b)一个工件只能被在一道工序的一台设备上加工;
c)各工件加工一旦开始就不能暂停;
(2)工艺约束
a)同一工件工序之间存在先后约束关系;
b)不同工件工序之间不存在先后约束关系;
3)根据行车调度系统的现实特点构建具有一定流向的不规则的二维元胞机行车调度模型;对行车调度元胞机模型的元胞状态及其邻域元胞状态进行描述,设置行车调度元胞机模型的边界条件,并设定行车调度元胞机模型的任务触发、择路规则、择车规则、冲突消除和移动规则的演化规则;
4)依旧采用遗传算法优化行车调度元胞机模型的演化规则,以实现在避免行车冲突的情况下元胞机行车调度总运输时间最短的目标;
5)创建完整数据库,并建立仿真系统界面,将生产调度元胞机模型和行车调度元胞机模型作为底层算法,实现整个系统的运行。
2.如权利要求1所述的一种用于大型装备生产制造与行车系统的元胞机协同调度方法,其特征在于步骤1)中,根据标准元胞机的原理构建模型:
A=(Ld,S,N,f)
其中,A表示元胞机系统;L表示元胞空间;d表示整数型元胞空间维数;S表示元胞状态;N表示元胞邻域中囊括的元胞集合;f表示局部演化规则;
对于元胞空间L,将该区域设定成一个二维网格系统,将各个大小均匀的网格视为各个加工工位元胞或是缓存元胞,工位元胞即产品当前加工区域,缓存元胞即待加工产品暂存区域;对于任意一个缓存元胞t+1时刻的状态,采用如下函数进行描述:
其中:f为局部状态转换规则即作业调度规则;为缓存元胞C(2n+1)j上游工位组的所有工位元胞t时刻的状态集合;为缓存元胞C(2n+1)j所在缓存组其它元胞C(2n+1)mt时刻的状态集合;为缓存元胞C(2n+1)j与其对应的工位元胞C(2n+2)jt时刻的状态;
任意一个工位元胞t+1时刻的状态表示为:
3.如权利要求1所述的一种用于大型装备生产制造与行车系统的元胞机协同调度方法,其特征在于步骤2)中,采用遗传算法对生产调度元胞机模型的演化规则进行优化,将经过遗传算法寻优后得到的染色体作为元胞机的演化规则,过程如下:
步骤1:结合生产调度的特点,将调度编码分为两个部分:(1)工位染色体,基于工位分配编码确定所选的目标加工工位,对应工位选择演化规则;(2)工序染色体,基于工序编码,确定同一工位内工序间的先后加工顺序,对应工件排序演化规则;融合这两个编码,形成一条染色体,对应单元调度的一个可行解;
(1)工位染色体
在静态调度单元中,每个工件只包含一道工序,工件数等于单元调度中的工序数n,这n道工序的编号和工件编号一致,分别是1,2,3,……,n;各道工序可选择的工位的子集分别为{S1,S2,S3,......,Sm};
(2)工序染色体
同样,工序染色体中基因的个数等于单元中的总工序数也就是总工件数,这部分染色体的串长同样为n,编号分别表示为g′1,g′2,g′3,...,g′j,...,g′n,其中,g′j∈{1,2,...,n}直接用工件号进行表示;
步骤2:然后以min(wq+wl÷pe)为目标获得工位选择方案,并且根据FCFS规则结合工件加工优先级获得工序排序方案,分别对应编码中的工位选择染色体和工序排序染色体,获得遗传算法的初始种群解;
将目标函数设为适应度函数,有:
步骤3:对于遗传算法的染色体选择环节,采用蒙特卡罗方法按比例的适应度分配方法分配个体的概率,利用各个个体的适应度概率决定其子代保留的可能状况;若某个个体i,其适应度为fi,则其被选取的概率表示为:
然后采用轮盘赌选择法将个体的适应度按比例转化成选中概率;
步骤4:进行遗传算法的染色体交叉步骤,生产调度模型的染色体分为两个部分,根据各自特点,对第一部分的工位选择染色体直接采用双切点交叉法,对于第二部分的工位排序染色体采用POX交叉法;
设有父代染色体Parent1和Parent2,POX交叉法产生子代染色体Children1和Children2,POX交叉的具体流程如下:
(1)随机划分工件集{1,2,3,…,n}为两个非空子集J1和J2;
(2)复制Parent1包含在J1的工件到Children1,Parent2包含在J1的工件到Children2,保留它们的位置;
(3)复制Parent2包含在J2的工件到Children1,Parent1包含在J2的工件到Children2,保留它们的顺序;
步骤5:同样,在染色体变异上,采用在工位选择染色体的基因串中随机选择一个位置,在此工序的工位集中随机选择一个与其不相等的整数,替换当前基因,这样得到的解保证是可行解;第二部分染色体的变异采用基因位置互换的方法,即从工序排序染色体中随机选择两个位置的基因,将其位置进行互换,这样保证同一条工序排序染色体中不会出现相同的数字,也即解可行。
4.如权利要求1所述的一种用于大型装备生产制造与行车系统的元胞机协同调度方法,其特征在于步骤3)中,在行车调度系统当中,只有工位作为一个固定的节点,行车和物料都是运动的,所以行车调度元胞机模型需要是具有一定流向的不规则二维模型系统;因此,根据行车调度模型的特点,元胞空间C中的网络节点非均匀分布在两条平行线ri1、ri2上,所以对于任意的网络节点r在t+1时刻的状态可用以下数学表达式表示:
其中:Sr为各节点r的状态;Sr(nid,nt,nδ,nm,nw,np)来描述节点状态;nid表示节点性质,主要包括固定节点或是移动节点的节点编号、名称以及位置;nt表示该工位最新作业的开始和持续时间;nδ表示与该工位联系的上下邻居节点;nw表示节点相关属性和状态,包括节点占用状况、占用时间以及空间限制状态;np表示物料通过节点时的流量、时间和次数的统计数据;R为演化规则;Nr为邻居元胞;Gr为约束集合,包括元胞空间位置约束、任务优先级、行车吊运物料的性质以及任务发生和完成的时间、空间约束状态;
模型中,各网络节点r物料存在的方式为有、无两种情况,用以下一组布尔变量表示节点物料存在与否,即每个元胞在各个时间t的局部状态为:
模型中除行车和工位以外的第三个对象就是工件粒子,用pk来表示工件状态,k∈{1,2,...,l},l是仿真模型中的工件总数;Sp(pid,pt,pm,pw)来描述工件状态属性,pid表示工件性质,主要包括工件编号、名称以及物料属性;pt表示工件进入仿真系统的时间以及持续时间;pm表示工件的流动方向以及下一个目标节点;pw表示当前位置;
模型系统的演化通过工件在节点之间的移动从而改变工件与节点的动态和静态属性来推动,主要包括工位、行车、工件粒子3个对象。
5.如权利要求1所述的一种用于大型装备生产制造与行车系统的元胞机协同调度方法,其特征在于步骤4)中借助遗传算法对行车调度演化规则进行优化中,实现调度模型的基本步骤为:首先,各工位上的工件粒子完成改性任务触发若干个需行车协助运输的任务,行车实时接收生产调度运输任务;然后,针对生产调度产生的目标工位依据择车规则,对同一跨内的行车分配运输任务;最后,被选定的行车在当前位置、工件粒子初始位置和目标工位之间的区域内运行,待该任务完成暂无其它任务指令时回到指定原位等待下一任务否则继续下一任务;在这一系列过程中,行车调度要满足各项约束,包括不交叉约束、领域约束、唯一性约束、被动运输约束、优先级约束和行车运行最佳区域约束,行车在满足以上约束条件的情况下执行调度的演化,在这个调度的过程中要尽可能达到工件粒子流通时间最小化的宏观目标,分解到微观层面即为:①运输任务时间最小化;②运输任务数量最大化,将以上提到约束条件和设定目标用数学规划表示:
Minz1=FT;Maxz2=N
其中:
m:行车数量;n:运输任务数量;l:工位个数;
d:相邻两台行车之间的安全距离;
pj:行车j的空间位置(1≤j≤m);
sti:运输任务i的开始时间(1≤i≤n);
fti:运输任务i的结束时间(1≤i≤n);
N:执行的运输任务数量,由于不能同时触发所有可执行运输任务,1≤N≤n;
FT:N个运输任务完成的时间;
xij:当且仅当运输任务i被分配给行车j时值为1,否则值为0(1≤i≤n,1≤j≤m);
yik:当且仅当运输任务i存在目标工位k时值为1,否则值为0(1≤i≤n,1≤k≤l)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110844334.7A CN113570134A (zh) | 2021-07-26 | 2021-07-26 | 一种用于大型装备生产制造与行车系统的元胞机协同调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110844334.7A CN113570134A (zh) | 2021-07-26 | 2021-07-26 | 一种用于大型装备生产制造与行车系统的元胞机协同调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113570134A true CN113570134A (zh) | 2021-10-29 |
Family
ID=78167428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110844334.7A Pending CN113570134A (zh) | 2021-07-26 | 2021-07-26 | 一种用于大型装备生产制造与行车系统的元胞机协同调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570134A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314127A (zh) * | 2023-11-29 | 2023-12-29 | 武汉爱科软件技术股份有限公司 | 一种混合遗传禁忌搜索算法的生产计划和排产方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608916A (zh) * | 2012-02-15 | 2012-07-25 | 浙江工业大学 | 一种基于元胞机的大型零件柔性作业车间的动态调度方法 |
-
2021
- 2021-07-26 CN CN202110844334.7A patent/CN113570134A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608916A (zh) * | 2012-02-15 | 2012-07-25 | 浙江工业大学 | 一种基于元胞机的大型零件柔性作业车间的动态调度方法 |
Non-Patent Citations (2)
Title |
---|
倪美玲: "大型装备制造生产调度与行车调度元胞机协同建模研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 15 - 73 * |
陈勇;阮幸聪;王亚良;: "基于元胞机的大型机械构件生产车间柔性调度求解", 浙江工业大学学报, no. 04 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314127A (zh) * | 2023-11-29 | 2023-12-29 | 武汉爱科软件技术股份有限公司 | 一种混合遗传禁忌搜索算法的生产计划和排产方法 |
CN117314127B (zh) * | 2023-11-29 | 2024-03-12 | 武汉爱科软件技术股份有限公司 | 一种混合遗传禁忌搜索算法的生产计划和排产方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mavridou et al. | Simulated annealing and genetic algorithms for the facility layout problem: A survey | |
CN109657354B (zh) | 一种基于数字孪生的混流装配车间快速重构方法及系统 | |
Dino | An evolutionary approach for 3D architectural space layout design exploration | |
Moslemipour et al. | Intelligent design of a dynamic machine layout in uncertain environment of flexible manufacturing systems | |
Feng et al. | A three-layer chromosome genetic algorithm for multi-cell scheduling with flexible routes and machine sharing | |
Shin et al. | Simulation model incorporating genetic algorithms for optimal temporary hoist planning in high-rise building construction | |
CN104842564B (zh) | 一种基于nsga‑ii的三维打印多任务优化调度方法 | |
Mahmudy et al. | Solving Part Type Selection and Loading Problem in Flexible Manufacturing System Using Real Coded Genetic Algorithms¿ Part II: Optimization | |
CN110991784B (zh) | 一种用于异常低压台区派工的方法及系统 | |
CN102968057A (zh) | 基于改进元胞机的多品种多工艺多单元制造调度方法 | |
Huang et al. | An improved genetic algorithm for job-shop scheduling problem with process sequence flexibility | |
CN113077037A (zh) | 考虑多约束的车间双行智能布局的两阶段方法 | |
Krishnan et al. | Facility layout design for multiple production scenarios in a dynamic environment | |
CN113570134A (zh) | 一种用于大型装备生产制造与行车系统的元胞机协同调度方法 | |
Hosseinabad et al. | A brief review on cellular manufacturing and group technology | |
Kim et al. | On scheduling a photolithograhy toolset based on a deep reinforcement learning approach with action filter | |
Villaggi et al. | Generative Design for Architectural Space Planning: The Case of the Autodesk University 2017 Layout | |
Zhao et al. | Integration of process planning and production scheduling based on a hybrid PSO and SA algorithm | |
Ozcelik et al. | Novel approach to multi-channel manufacturing system design | |
Chen et al. | An integrated process planning and production scheduling framework for mass customization | |
Fuqing et al. | A genetic algorithm based approach for integration of process planning and production scheduling | |
Kuroda et al. | Robust design of a cellular-line production system with unreliable facilities | |
Tang et al. | Dynamic Scheduling of Operators in an Unbalanced Assembly Line Based on Weighted Fuzzy Petri Nets Decision | |
Phanden | Integration of Process Planning and Scheduling | |
Liu et al. | A flexible job shop online scheduling approach based on process-tree |
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 |