CN113705978B - 一种多机任务刀具静态与动态集成决策方法及系统 - Google Patents
一种多机任务刀具静态与动态集成决策方法及系统 Download PDFInfo
- Publication number
- CN113705978B CN113705978B CN202110886795.0A CN202110886795A CN113705978B CN 113705978 B CN113705978 B CN 113705978B CN 202110886795 A CN202110886795 A CN 202110886795A CN 113705978 B CN113705978 B CN 113705978B
- Authority
- CN
- China
- Prior art keywords
- cutter
- chromosome
- processing
- information
- population
- 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 255
- 230000003068 static effect Effects 0.000 title claims abstract description 37
- 238000004519 manufacturing process Methods 0.000 claims abstract description 119
- 238000012545 processing Methods 0.000 claims description 237
- 210000000349 chromosome Anatomy 0.000 claims description 230
- 230000008569 process Effects 0.000 claims description 96
- 229910052799 carbon Inorganic materials 0.000 claims description 60
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 59
- 238000003754 machining Methods 0.000 claims description 59
- 238000013439 planning Methods 0.000 claims description 40
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 230000002068 genetic effect Effects 0.000 claims description 32
- 238000012546 transfer Methods 0.000 claims description 16
- 238000002360 preparation method Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 10
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims description 9
- 239000002173 cutting fluid Substances 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 5
- 238000003801 milling Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010353 genetic engineering Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/06—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
- 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
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- 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)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多机任务刀具静态与动态集成决策方法及系统，适用于多台数控机床构成的制造系统，根据工步‑刀具类型匹配表，构建了多机加工任务的完工时间、加工方案调整量、生产成本和碳排放量化模型，进一步以完工时间早、生产成本低、碳排放量少为目标，构建多目标遗传算法对多机任务—刀具进行静态调度决策，在此基础上考虑刀具的动态可用性问题，以完工时间早、生产成本低、碳排放量少、调整量小为目标，构建多目标遗传算法对多机任务—刀具进行动态调整方案决策，以指导多机加工任务的刀具调度静态规划与动态调整，以解决多机加工中刀具运转、装卸所造成的刀具实时可用性差，浪费刀具资源、影响生产进度的问题。
Description
技术领域
本发明属于低碳制造与智能制造技术领域，具体涉及一种多机任务刀具静态与动态集成决策方法及系统。
背景技术
制造业按其产品制造工艺过程特点总体上可概括为离散制造和连续制造。相对于连续制造，离散制造的产品往往由多个零件经过一系列并不连续的工序的加工最终装配而成。对于离散型制造车间，一批任务的加工往往由独立的加工单元内多台数控机床完成。一批加工任务的生产规划需要为工件的每一工序确定加工机床，每一工序中包含的多个工步需要选用不同的加工刀具。
伴随着多品种、小批量定制化生产模式的出现，刀具的种类、数量增多。在现代化制造中，机床选择的柔性、刀具选择的柔性拓宽了企业加工能力，同时也对资源的有效组织与优化管理提出了更高要求。
考虑车间刀具资源数量、寿命有限的情况，分配到各机床上的待加工工序间对刀具资源的需求导致有限刀具在机床之间存在争用，而数控机床环境下同一工序各工步之间连续加工，刀具只能在加工区间之间集中装卸或在工序加工完成后临时装卸。刀具个体在车间内的运转及刀库中的装卸造成其实时动态信息的变化，影响其实时可用性。因此，离散型制造车间的多台数控机床的加工任务，需要实时综合考虑加工任务与刀具资源，对刀具调度进行决策。
基于以上问题，需要一种能够协调加工任务与刀具资源、具有实时性的多机任务-刀具决策方法。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种多机任务刀具静态与动态集成决策方法及系统，以任务工艺信息、配置机床信息、可用刀具信息和实时事件信息为输入，得出多台数控机床加工系统的实时刀具使用方案。
本发明采用以下技术方案：
一种多机任务刀具静态与动态集成决策方法，包括以下步骤：
S1、获取加工任务的初始调度信息，包括待加工任务信息、加工机床信息、可用刀具信息；
S2、根据步骤S1获取的待加工任务信息和可用刀具信息确定每个工件各工步的可用刀具类型及使用不同刀具类型加工对应的切削参数，依次计算每一刀具类型的加工能力，得到工步-刀具类型匹配表；
S3、根据步骤S1获取的加工机床信息，确定不同机床之间转运时间信息和对应多机加工系统的相关参数；
S4、将步骤S1获得的待加工任务信息、加工机床信息、可用刀具信息，步骤S2获得的工步-刀具类型匹配表，步骤S3获得的机床之间转运信息作为输入，使用考虑染色体不行度的多目标遗传算法解算，综合考虑完工时间、生产成本和生产碳排放得到多机任务—刀具静态调度最优染色体；
S5、将步骤S4得到的多机任务—刀具静态调度最优染色体解码，得到各工件工序加工顺序及各工步加工刀具的初始规划方案，确定各机床的加工任务及需要装载的刀具集，安排准备活动并用于生产；
S6、按照步骤S5获得的初始规划方案进行多机加工过程中发生实时事件时，获取实时事件的信息，结合实时事件信息得到动态事件时间线处任务集的加工状态、机床集的使用状态与刀具集的状态，确定待加工工序集和实时可用刀具集；
S7、根据步骤S6获取的待加工工序集和实时可用刀具信息集，更新步骤S1得到的加工任务信息、可用刀具信息和步骤S2得到的工步-刀具类型匹配表；
S8、将步骤S7更新得到的加工任务信息、可用刀具信息、工步-刀具类型匹配表和步骤S1得到的加工机床信息作为输入，使用考虑染色体不行度的多目标遗传算法解算，综合考虑完工时间、生产成本、生产碳排放和调整量得到多机任务—刀具动态调度最优染色体；
S9、将步骤S8得到的多机任务—刀具动态调度最优染色体解码得出步骤S6中发生实时事件后各工件工序加工顺序及各工步加工刀具的实时调整方案，确定各机床需要装卸的刀具，安排调整工作并继续生产；
S10、按照步骤S9获得的动态调整方案进行多机加工过程中再次发生实时事件时，重复步骤S6～S8实时调整多机加工方案，直至加工任务完成。
具体的，步骤S2中，刀具类型的加工能力包括工件i的工步j使用刀具类型d的加工过程时间tij(d)；工件i的工步j使用刀具类型d的机床加工功率Pij(d)；工件i的工步j使用刀具类型d的刀具的损耗率rij(d)。
具体的，步骤S3中，加工系统的相关参数包括切削液的单位时间成本、切削液的单位时间碳排放率、运刀小车的单位时间成本、运刀小车的功率、电能碳排放因子和物料碳排放因子。
具体的，步骤S4具体为：
S401、设定染色体不可行度多目标遗传算法的参数，种群规模N、迭代次数M、不可行度的阈值B及不可行解的比例Q；
S402、根据步骤S401设定的种群规模，随机生成N条染色体作为初始种群，染色体编码由(0,1)范围内的随机数组成，每条染色体编码包括两部分：前半部分编码为各工序的加工顺序编码，其长度等于总工序数，每个编码位对应一工序；后半部分编码为各工步的加工刀具决策编码，其长度等于所有工件总工步数，每个编码位对应一工步；
S403、依次对初始种群或子种群中的每一染色体解码，得到工件的加工顺序与各工步的加工刀具，之后计算染色体的不可行度Φ、完工时间T、生产成本C以及碳排放E；
S404、以各染色体信息计算得到的整批任务的完工时间T、生产成本C、碳排放E为输入，通过非支配排序计算各染色体的非支配等级Irank与拥挤度Id；
S405、随机选取初始种群或子种群中的两条染色体，基于不可行度Φ、不可行阈值B、非支配等级Irank与拥挤度Id进行比较，选择更优的染色体放入父染色体集；对父染色体集中的染色体进行多点交叉与多项式变异得到子染色体集，将原种群与子染色体集合并得到合并种群，计算合并种群中各染色体的不可行度Φ、生产成本C、生产碳排放E、非支配等级Irank与拥挤度Id；
S406、由合并种群中各染色体的不可行度Φ、不可行阈值B、非支配等级Irank与拥挤度Id指标选择其中优良的染色体形成规模为N的子种群；
S407、统计子种群中不可行解的比例，对不可行阈值B进行更新，当种群中不可行解的比例大于预先设定的值Q时适当缩小不可行阈值；反之，则适当增大不可行阈值；
S408、重复步骤S404～S406直至达到规定的迭代次数M，得到最终种群，对最优解集中染色体的完工时间、生产成本、碳排放依据综合评价指标进行综合评价得到解个体。
进一步的，步骤S403依次对种群中的每一染色体进行解码具体为：
对染色体编码中同一工件的各工序对应编码进行调整，保证前导工序的编码小于后导工序；之后对所有的工序顺序编码进行升序排列，并与相应工序对应，得到工序的加工顺序；
各工步的加工刀具解码过程为：
提取编码对应工步可用刀具类型及不同类型下刀具个体的损耗率，得到工步可用刀具类型集合D1；提取编码对应工步可用刀具类型下所有刀具个体及其剩余可用寿命，得到工步可用刀具个体集合D2；筛选工步可用刀具个体集合D2中剩余寿命大于需求损耗率的刀具，得到工步备选刀具集合D3，可用刀具个体集合中没有剩余寿命满足要求的个体，则将工步可用刀具个体集合D2作为备选刀具集合D3；工步备选刀具集合D3中刀具的总数与染色体中工步对应的编码相乘并取整，与备选刀具集合D3对应得到当前工步所选用刀具个体；更新当前工步选用刀具个体的剩余寿命；重复以上步骤直至所有工步的加工刀具确定。
进一步的，步骤S405中，任意两染色体I1与I2的优劣比较过程如下：
当Φ(I1)>0且Φ(I2)>0时，则Φ(I)为优；
当Φ(I1)＝0且Φ(I2)>B时，则染色体I1为优；
当Φ(I1)＝0且0≤Φ(I2)≤B时，个体I1优于I2当且仅当I1rank<I2rank或I1rank＝I2rank且I1d>I2d。
进一步的，步骤S406中，优良染色体的选择过程如下：
若步骤S405获得的合并种群中不可行度Φ小于不可行阈值B的染色体数目不大于N：优先选择非支配等级Irank低的染色体，对于非支配等级Irank相同的染色体，优先选择拥挤度Id大的染色体，直到子种群规模达到N；
若步骤S405获得的合并种群中不可行度Φ小于不可行阈值B的染色体数目大于N：将所有不可行度Φ小于不可行阈值B的染色体放入子种群，对于剩余染色体，优先选择不可行度Φ小的染色体，直到子种群规模达到N。
具体的，步骤S6中，待加工工序集和实时可用刀具集的确定过程如下：
待加工工序集：由初始规划方案各任务的未加工工序集与实时事件发生可能加入的新订单工件的工序集两部分组成；
实时可用刀具集：动态事件发生时刻车间内实时可用的刀具集，包括步骤S1中静态规划的初始刀具集与已加工时间区段内其它加工单元释放的空闲刀具集。
具体的，步骤S8具体为：
S801、设定染色体不可行度多目标遗传算法的参数，种群规模N、迭代次数M、不可行度的阈值B及不可行解的比例Q；
S802、根据步骤S801设定的种群规模，随机生成N条染色体作为初始种群，其规模为N，染色体编码由(0,1)范围内的随机数组成，每条染色体编码包括两部分：前半部分编码为各工序的加工顺序编码，其长度等于总工序数，每个编码位对应一工序；后半部分编码为各工步的加工刀具决策编码，其长度等于所有工件总工步数，每个编码位对应一工步；
S803、对初始种群或子种群中的每一染色体解码，得到工件的加工顺序与各工步的加工刀具之后，计算染色体的不可行度Φ(I)、完工时间T、生产成本C和碳排放E，通过比较染色体解码后的工件加工顺序与各工步的加工刀具方案和初始规划方案的工件加工顺序与各工步的加工刀具方案，计算动态调度的调整量A如下：
其中，DRij为工件i的工序j工序顺序码与初始方案差异量，DDijk为工件i的工序j的工步k的加工刀具码与初始方案差异量；
S804、以各染色体信息计算得到整批任务的完工时间T、生产成本C、碳排放E和调整量A为输入，通过非支配排序计算各染色体的非支配等级Irank与拥挤度Id；
S805、随机选取初始种群或子种群中的两条染色体，基于不可行度Φ、不可行阈值B、非支配等级Irank与拥挤度Id进行比较，选择更优的染色体放入父染色体集；对父染色体集中的染色体进行多点交叉与多项式变异得到子染色体集，将原种群与子染色体集合并得到合并种群，计算合并种群中各染色体的不可行度Φ、生产成本C、生产碳排放E、调整量A、非支配等级Irank与拥挤度Id；
S806、由合并种群中各染色体的不可行度Φ、不可行阈值B、非支配等级Irank与拥挤度Id指标选择其中优良的染色体形成规模为N的子种群；
S807、统计子种群中不可行解的比例，对不可行阈值B进行更新，当种群中不可行解的比例大于预先设定的值Q时适当缩小不可行阈值；反之，则适当增大不可行阈值；
S808、重复步骤S804～S806直至达到规定的迭代次数M，得到最终种群，对最优解集中染色体的完工时间、生产成本、碳排放和调整量依据综合评价指标进行综合评价得到解个体。
本发明的另一技术方案是，一种多机任务刀具静态与动态集成决策系统，包括：
信息模块，获取加工任务的初始调度信息，包括待加工任务信息、加工机床信息、可用刀具信息；
匹配模块，根据信息模块获取的待加工任务信息和可用刀具信息确定每个工件各工步的可用刀具类型及使用不同刀具类型加工对应的切削参数，依次计算每一刀具类型的加工能力，得到工步-刀具类型匹配表；
参数模块，根据信息模块获取的加工机床信息，确定不同机床之间转运时间信息和对应多机加工系统的相关参数；
解算模块，将信息模块获得的待加工任务信息、加工机床信息、可用刀具信息，匹配模块获得的工步-刀具类型匹配表，参数模块获得的机床之间转运信息作为输入，使用考虑染色体不行度的多目标遗传算法解算，综合考虑完工时间、生产成本和生产碳排放得到最优染色体；
规划模块，依据解算模块得到的多机任务—刀具静态调度最优染色体解码，得到各工件工序加工顺序及各工步加工刀具的初始规划方案，确定各机床的加工任务及需要装载的刀具集，安排准备活动并用于生产。
加工模块，按照规划模块获得的初始规划方案进行多机加工过程中发生实时事件时，获取实时事件的信息，结合实时事件信息得到动态事件时间线处任务集的加工状态、机床集的使用状态与刀具集的状态，确定待加工工序集和实时可用刀具集；
优化模块，根据加工模块获取的待加工工序集和实时可用刀具信息集，更新信息模块得到的加工任务信息、可用刀具信息和匹配模块得到的工步-刀具类型匹配表；
计算模块，将优化模块更新得到的加工任务信息、可用刀具信息、工步-刀具类型匹配表和信息模块得到的加工机床信息作为输入，使用考虑染色体不行度的多目标遗传算法解算，综合考虑完工时间、生产成本、生产碳排放和调整量得到多机任务—刀具动态调度最优染色体；
决策模块，将计算模块得到的多机任务—刀具动态调度最优染色体解码得出加工模块中发生实时事件后各工件工序加工顺序及各工步加工刀具的实时调整方案，确定各机床需要装卸的刀具，安排调整工作并继续生产；
调整模块，按照决策模块获得的动态调整方案进行多机加工过程中再次发生实时事件时，实时调整多机加工方案，直至加工任务完成。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种多机任务刀具静态与动态集成决策方法，解决不同工步之间的刀具争用问题和实时事件对加工进度的干扰问题，降低生产成本和碳排放，提高生产效率，为企业资源的有效组织与优化管理提供了方法。本方法以任务工艺信息、配置机床信息、可用刀具信息和实时事件信息为基础，一方面，通过算法解算得到工序加工顺序及工步加工刀具的初始规划，由此得到各机床所用刀具种类和装卸节点，从而便于车间工装夹具等生产资源的准备活动，指导加工过程高效、有序的进行；另一方面，针对生产过程中的实时事件，更新待加工工序集和可用刀具集，实时调整规划方案，减少了不可测干扰对生产进度的影响；将多机加工中任务规划与刀具配置并行考虑构建以完工时间、生产成本及生产碳排放为优化目标的静态调度模型，综合考虑刀具在不同机床间的争用冲突及不同加工区间间的装卸冲突，将任务调度与刀具调度并行处理，减少了额外的生产等待与延迟；在静态调度模型的基础上，聚焦于生产中可能出现的实时事件，考虑实时可用刀具集的变化解决不同情形下的动态调度问题，在适应动态加工过程的同时实现对实时事件的及时处理，从而保证加工任务如期完成。
进一步的，考虑在切削参数的基础上以加工过程时间、机床加工功率和刀具损耗率来衡量使用不同类型刀具加工同一工步的加工能力，结合加工系统中配置机床信息、可用刀具信息和加工系统的相关参数等可以对多机任务—刀具决策方案的完工时间、生产成本、碳排放进行量化评价，以实现不同方案之间的比较和选优。
进一步的，在多目标遗传算法基础上引入染色体的不可行度，考虑一大类约束优化问题在约束边界附近取得优化解的特性，临近边界的不可行解对于可行优化解的搜索很有帮助。在改进算法中设定不可行度的阈值筛选接近约束边界的不可行解，并采取不可行阈值的自适应调节方法来维持种群中不可行解在一定比例，以提升算法寻优性。
进一步的，通过染色体解码规则建立染色体的编码与各工件工序加工顺序及各工步加工刀具之间的映射关系，将遗传算法运用在解决多机刀具决策问题的过程中，可以充分发挥遗传算法全局寻优的优势求解最优的多机刀具决策方案。
进一步的，考虑运用锦标赛法从种群中选择更优的染色体放入父染色体集，衡量染色体优劣的指标为染色体的不可行度、非支配等级和拥挤度，将种群中更优的基因遗传给子染色体集，提高子染色体集的质量，加快遗传算法的收敛速度，以保证多机任务—刀具动态决策的时效性。
进一步的，考虑运用精英策略把当前种群中适应度好的个体保留到子种群中，衡量个体适应度的指标为染色体的不可行度、非支配等级和拥挤度，用种群中未参与遗传操作的适应度高的个体替代遗传操作后适应度低的个体，可保证适应度好的个体不会被遗传操作所破坏，加快了遗传算法的收敛速度。
进一步的，考虑在多机加工过程中设置待加工工序集和实时可用刀具集，其由初始规划时的加工任务、初始刀具集和加工过程中发生的实时事件信息所决定，对待加工任务和可用刀具实时更新，从而可以作为输入信息对多机任务—刀具的决策方案进行动态调整。
进一步的，考虑运用染色体不可行度的遗传算法对多机加工过程中实时事件发生后的刀具动态调整方案进行决策，对染色体不可行度的考虑，为解决诸多生产约束导致搜索空间不可行解比例高的问题提供了解决方案。此外，对动态调度引起的任务工序序列和刀具使用方案的调整进行量化，以实施动态调度最小化调整策略即对已有加工方案的调整量最小，维持初始工序序列的稳定性及刀具方案的稳定性，减小刀具调度方案的动态调整对三上下游排产的影响。
综上所述，本发明能够对离散型制造车间的多台数控机床加工系统的刀具资源分配进行决策，生成加工任务与刀具资源并行考虑的实时刀具调度方案，指导刀具运转与实际生产。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明工序顺序解码过程图；
图2为本发明工步加工刀具解码过程图；
图3为本发明待加工任务信息图；
图4为本发明迭代过程目标收敛图；
图5为本发明最优规划方案刀具甘特图；
图6为本发明最优规划方案机床甘特图；
图7为本发明实时调整方案刀具甘特图；
图8为本发明实时调整方案机床甘特图。
具体实施方式
本发明提供了一种多机任务刀具静态与动态集成决策方法，针对离散型制造车间多台数控机床的加工环境，解决对多机加工中任务规划与刀具配置并行考虑确定以完工时间、生产成本及生产碳排放为优化目标的静态调度方案；解决聚焦于生产中可能出现的实时事件，考虑实时可用刀具集的变化解决不同情形下的动态调度问题；
以离散型车间的多台数控机床加工系统为应用对象。多台数控机床加工系统分配了一批包括n个工件的加工任务，每个工件由多个工序组成，各工序的加工机床已预先确定。每工序包含一道或多道工步，各工步可用多种类型刀具进行加工。系统中共m种可用刀具类型，每种刀具类型有多把刀具个体且不同个体剩余可用寿命不同。在加工过程中的某一时刻te，可能出现以下几种状况：
②加入一新的紧急订单工件x；
②机床在加工工件h的工序q时发生故障，其预估维修时间为RTh；
③刀具个体Ddg在加工中出现损坏。
针对刀具争用问题，采取如下策略：
①刀具争用策略：当发生工序间的刀具争用时，刀具优先服务于最先开始加工的待加工工序；当争用刀具当前加工工步所在工序加工完成后将其卸载，运转到下一工序所使用的机床进行加工。
②刀具装卸策略：对于每一机床，按其上任务的加工顺序确定刀具的使用顺序，依次将刀具装入刀库直至刀库满载或无加工任务；当所需求得刀具被争用且优先在其他机床使用时，空出对应的刀槽。针对生产中面临的不确定实时事件，规划调度方案的动态调整采取动态调度最小调整化策略。
请参阅图所示，本发明一种多机任务刀具静态与动态集成决策方法，以考虑染色体不可行度的遗传算法为核心，解决离散性制造车间多机任务的刀具使用决策的问题，具体步骤如下：
S1、获取加工任务的初始调度信息，包括待加工任务信息、加工机床信息、可用刀具信息；
S2、根据步骤S1获取的待加工任务信息和可用刀具信息，遵照机械加工工艺规划要求，确定每个工件各工步的可用刀具类型及使用不同刀具类型加工对应的切削参数，依据其可用刀具类型对应的切削参数依次计算每一刀具类型的加工能力，得到工步-刀具类型匹配表。
刀具类型的加工能力包括以下参数：
tij(d)为工件i的工步j使用刀具类型d的加工过程时间；
Pij(d)为工件i的工步j使用刀具类型d的机床加工功率；
rij(d)为工件i的工步j使用刀具类型d的刀具的损耗率。
S3、根据步骤S1获取的加工机床信息，确定不同机床之间转运时间信息和该多机加工系统的相关参数，加工系统的相关参数包括切削液的单位时间成本、切削液的单位时间碳排放率、运刀小车的单位时间成本、运刀小车的功率、电能碳排放因子和物料碳排放因子。
S4、将步骤S1获得的待加工任务信息、加工机床信息、可用刀具信息，步骤S2获得的工步-刀具类型匹配表，步骤S3获得的机床之间转运信息作为输入，使用考虑染色体不行度的多目标遗传算法解算，综合考虑完工时间、生产成本和生产碳排放得到最优染色体；
S401、参数初始化
设定染色体不可行度多目标遗传算法的参数，种群规模N、迭代次数M、不可行度的阈值B及不可行解(不可行度大于0的染色体)的比例Q。
S402、生成初始种群
根据步骤S401设定的种群规模，随机生成N条染色体作为初始种群，其规模为N。染色体编码由(0,1)范围内的随机数组成，每条染色体编码包括两部分：前半部分编码为各工序的加工顺序编码，其长度等于总工序数，每个编码位对应一工序；后半部分编码为各工步的加工刀具决策编码，其长度等于所有工件总工步数，每个编码位对应一工步。
S403、解码计算
依次对初始种群或子种群中的每一染色体解码，得到工件的加工顺序与各工步的加工刀具，之后计算染色体的不可行度Φ、完工时间T、生产成本C以及碳排放E。
请参阅图1，各工序的加工顺序解码过程为：对染色体编码中同一工件的各工序对应编码进行调整，保证前导工序的编码小于后导工序；之后对所有的工序顺序编码进行升序排列，并与相应工序对应，得到工序的加工顺序。
请参阅图2，各工步的加工刀具解码过程为：
(1)提取编码对应工步可用刀具类型及不同类型下刀具个体的损耗率，得到工步可用刀具类型集合D1；
(2)提取编码对应工步可用刀具类型下所有刀具个体及其剩余可用寿命，得到工步可用刀具个体集合D2；
(3)筛选工步可用刀具个体集合D2中剩余寿命大于需求损耗率的刀具，得到工步备选刀具集合D3。可用刀具个体集合中没有剩余寿命满足要求的个体，则将工步可用刀具个体集合D2作为备选刀具集合D3；
(4)工步备选刀具集合D3中刀具的总数与染色体中工步对应的编码相乘并取整，与备选刀具集合D3对应得到当前工步所选用刀具个体；
(5)更新刀当前工步选用具个体的剩余寿命；
(6)重复以上步骤直至所有工步的加工刀具确定。
染色体I的不可行度Φ(I)为按照当前染色体编码确定的刀具使用方案得到所有刀具的寿命超出损耗量，其计算方法为：
其中，Rdg为加工完该批任务刀具类型d的个体g的总寿命损耗，Ldg为刀具类型d的个体g的初始剩余寿命。
假设初始状态下各机床刀库装刀数为0，忽略工件的安装、转运和调整过程，忽略机床内部自动换刀过程，刀具在机床之间的运转由运刀小车完成。依据工件各工序确定的加工机床和各工步选定的加工刀具类型，确定各机床的总释放时间tr a、总等待时间tw a和换刀次数sa，各工步所用刀具的运转时间tt ijk，查询工步-刀具类型匹配表，得到工步的加工时间tijk、机床加工功率Pijk与刀具损耗率rijk。保证工件的一道工序各工步连续加工，每道工序的开始时间由工艺约束、机床约束及刀具约束综合确定，一个工步仅使用一把刀具加工，任意时刻机床所装刀具数目小于其刀库容量，每一刀具总加工时间小于其可用寿命，计算完工时间T、生产成本C和碳排放E如下：
其中，Tijk为工件i的工序j的工步k的完成时间，tr a为机床a的总释放时间，tijk为工件i的工序j的工步k的加工时间，tt ijk为工件i的工序j的工步k使用刀具的运转时间，tl a为机床a装载或卸载一把刀具的时间，Pijk为工件i的工序j的工步k的机床加工功率，Pv运转小车的功率，Pu a为机床a的空载功率，Pl a为机床a刀库装载阶段功率，ca为机床的单位时间成本，ct为刀具的单位时间成本，cl为切削液的单位时间成本，cv为运刀小车的单位时间成本，W为刀具的质量，αe为电能消耗碳排放因子，αt为物料碳排放因子，el为切削液单位时间碳排放率，由切削液制备、废弃处理碳排放及更换周期计算得到。
S404、非支配排序
以各染色体信息计算得到整批任务的完工时间T、生产成本C、碳排放E为输入，通过非支配排序计算各染色体的非支配等级Irank与拥挤度Id。
S405、遗传操作
随机选取初始种群或子种群中的两条染色体，基于不可行度Φ、不可行阈值B、非支配等级Irank与拥挤度Id进行比较，选择更优的染色体放入父染色体集；任意两染色体I1与I2的优劣比较过程如下：
(1)当Φ(I1)>0且Φ(I2)>0时，则Φ(I)小者为优；
(2)当Φ(I1)＝0且Φ(I2)>B时，则染色体I1为优；
(3)当Φ(I1)＝0且0≤Φ(I2)≤B时，个体I1优于I2当且仅当I1rank<I2rank或I1rank＝I2rank且I1d>I2d。
对父染色体集中的染色体进行多点交叉与多项式变异得到子染色体集，将原种群与子染色体集合并得到合并种群，之后，计算合并种群中各染色体的不可行度Φ、生产成本C、生产碳排放E、非支配等级Irank与拥挤度Id。
S406、选择操作
由合并种群中各染色体的不可行度Φ、不可行阈值B、非支配等级Irank与拥挤度Id指标选择其中优良的染色体形成规模为N的子种群。优良染色体的选择过程如下：
(1)若步骤S405获得的合并种群中不可行度Φ小于不可行阈值B的染色体数目不大于N：优先选择非支配等级Irank低的染色体，对于非支配等级Irank相同的染色体，优先选择拥挤度Id大的染色体，直到子种群规模达到N；
(2)若步骤S405获得的合并种群中不可行度Φ小于不可行阈值B的染色体数目大于N：将所有不可行度Φ小于不可行阈值B的染色体放入子种群，对于剩余染色体，优先选择不可行度Φ小的染色体，直到子种群规模达到N。
S407、不可行阈值的更新
统计子种群中不可行解的比例，对不可行阈值B进行更新，当种群中不可行解的比例大于预先设定的值Q时适当缩小不可行阈值；反之，则适当增大不可行阈值。
S408、得到最优染色体
重复以上过程S404～S406直至达到规定的迭代次数M，得到最终种群。对最优解集中染色体的完工时间、生产成本、碳排放依据综合评价指标进行综合评价得到解个体。
S5、将步骤S4得到的多机任务—刀具静态调度最优染色体解码，得出各工件工序加工顺序及各工步加工刀具的初始规划，由此得到各机床的加工任务及需要装载的刀具集，据此安排准备活动并付诸生产。
S6、按照步骤S5获得的初始规划方案进行多机加工过程中发生实时事件时，获取实时事件的信息，结合实时事件信息得到动态事件时间线处任务集的加工状态、机床集的使用状态与刀具集的状态，确定待加工工序集和实时可用刀具集；待加工工序集和实时可用刀具集的确定过程如下：
(1)待加工工序集：初始规划各任务的未加工工序集与实时事件发生可能加入的新订单工件的工序集两部分组成。各待加工工序所使用机床依据工艺要求预先确定，每一工序中各工步可用多种类型刀具加工。
(2)实时可用刀具集：动态事件发生时刻车间内实时可用的刀具集，包括静态规划的初始刀具集与已加工时间区段内其它加工单元释放的空闲刀具集。每种刀具类型有多把刀具个体且不同个体剩余可用寿命不同。
S7、根据步骤S6获取的待加工工序集和实时可用刀具信息集，更新步骤S1得到的加工任务信息、可用刀具信息和步骤S2得到的工步-刀具类型匹配表。
S8、将步骤S7更新得到的加工任务信息、可用刀具信息、工步-刀具类型匹配表和步骤S1得到的加工机床信息作为输入，使用考虑染色体不可行度的多目标遗传算法结算，综合考虑完工时间、生产成本、生产碳排放和调整量得到多机任务—刀具动态调度最优染色体；
S801、参数初始化
设定染色体不可行度多目标遗传算法的参数，种群规模N、迭代次数M、不可行度的阈值B及不可行解(不可行度大于0的染色体)的比例Q。
S802、生成初始种群
根据步骤S801设定的种群规模，随机生成N条染色体作为初始种群，其规模为N。染色体编码由(0,1)范围内的随机数组成，每条染色体编码包括两部分：前半部分编码为各工序的加工顺序编码，其长度等于总工序数，每个编码位对应一工序；后半部分编码为各工步的加工刀具决策编码，其长度等于所有工件总工步数，每个编码位对应一工步。
S803、解码计算
对初始种群或子种群中的每一染色体解码，得到工件的加工顺序与各工步的加工刀具之后，除了计算染色体的不可行度Φ(I)、完工时间T、生产成本C和碳排放E之外，通过比较染色体解码后的工件加工顺序与各工步的加工刀具方案和初始规划方案的工件加工顺序与各工步的加工刀具方案，计算动态调度的调整量A如下：
其中，DRij为工件i的工序j工序顺序码与初始方案差异量，DDijk为工件i的工序j的工步k的加工刀具码与初始方案差异量。
S804、非支配排序
以各染色体信息计算得到整批任务的完工时间T、生产成本C、碳排放E和调整量A为输入，通过非支配排序计算各染色体的非支配等级Irank与拥挤度Id。
S805、遗传操作
随机选取初始种群或子种群中的两条染色体，基于不可行度Φ、不可行阈值B、非支配等级Irank与拥挤度Id进行比较，选择更优的染色体放入父染色体集。
对父染色体集中的染色体进行多点交叉与多项式变异得到子染色体集，将原种群与子染色体集合并得到合并种群。之后，计算合并种群中各染色体的不可行度Φ、生产成本C、生产碳排放E、调整量A、非支配等级Irank与拥挤度Id。
S806、选择操作
由合并种群中各染色体的不可行度Φ、不可行阈值B、非支配等级Irank与拥挤度Id指标选择其中优良的染色体形成规模为N的子种群。优良染色体的选择过程如下：
(1)若合并种群中不可行度Φ小于不可行阈值B的染色体数目不大于N：优先选择非支配等级Irank低的染色体，对于非支配等级Irank相同的染色体，优先选择拥挤度Id大的染色体，直到子种群规模达到N；
(2)若合并种群中不可行度Φ小于不可行阈值B的染色体数目大于N：将所有不可行度Φ小于不可行阈值B的染色体放入子种群，对于剩余染色体，优先选择不可行度Φ小的染色体，直到子种群规模达到N。
S807、不可行阈值的更新
统计子种群中不可行解的比例，对不可行阈值B进行更新，当种群中不可行解的比例大于预先设定的值Q时适当缩小不可行阈值；反之，则适当增大不可行阈值。
S808、得到最优染色体
重复步骤S804～S806直至达到规定的迭代次数M，得到最终种群。对最优解集中染色体的完工时间、生产成本、碳排放和动态量依据综合评价指标进行综合评价得到解个体。
S9、将步骤S8得到的多机任务—刀具动态调度最优染色体解码，得出步骤S6中发生实时事件后各工件工序加工顺序及各工步加工刀具的实时调整方案，由此得到各机床需要装卸的刀具，据此安排调整工作并继续生产；
S10、按照步骤S9获得的动态调整方案进行多机加工过程中再次发生实时事件时，重复步骤S6～S8实时调整加工方案，直至加工任务完成。
本发明再一个实施例中，提供一种多机任务刀具静态与动态集成决策系统，该系统能够用于实现上述多机任务刀具静态与动态集成决策方法，具体的，该多机任务刀具静态与动态集成决策系统包括信息模块、匹配模块、参数模块、解算模块、规划模块、加工模块、优化模块、计算模块、决策模块以及调整模块。
其中，信息模块，获取加工任务的初始调度信息，包括待加工任务信息、加工机床信息、可用刀具信息；
匹配模块，根据信息模块获取的待加工任务信息和可用刀具信息确定每个工件各工步的可用刀具类型及使用不同刀具类型加工对应的切削参数，依次计算每一刀具类型的加工能力，得到工步-刀具类型匹配表；
参数模块，根据信息模块获取的加工机床信息，确定不同机床之间转运时间信息和对应多机加工系统的相关参数；
解算模块，将信息模块获得的待加工任务信息、加工机床信息、可用刀具信息，匹配模块获得的工步-刀具类型匹配表，参数模块获得的机床之间转运信息作为输入，使用考虑染色体不行度的多目标遗传算法解算，综合考虑完工时间、生产成本和生产碳排放得到最优染色体；
规划模块，依据解算模块得到的多机任务—刀具静态调度最优染色体解码，得到各工件工序加工顺序及各工步加工刀具的初始规划方案，确定各机床的加工任务及需要装载的刀具集，安排准备活动并用于生产。
加工模块，按照规划模块获得的初始规划方案进行多机加工过程中发生实时事件时，获取实时事件的信息，结合实时事件信息得到动态事件时间线处任务集的加工状态、机床集的使用状态与刀具集的状态，确定待加工工序集和实时可用刀具集；
优化模块，根据加工模块获取的待加工工序集和实时可用刀具信息集，更新信息模块得到的加工任务信息、可用刀具信息和匹配模块得到的工步-刀具类型匹配表；
计算模块，将优化模块更新得到的加工任务信息、可用刀具信息、工步-刀具类型匹配表和信息模块得到的加工机床信息作为输入，使用考虑染色体不行度的多目标遗传算法解算，综合考虑完工时间、生产成本、生产碳排放和调整量得到多机任务—刀具动态调度最优染色体；
决策模块，将计算模块得到的多机任务—刀具动态调度最优染色体解码得出加工模块中发生实时事件后各工件工序加工顺序及各工步加工刀具的实时调整方案，确定各机床需要装卸的刀具，安排调整工作并继续生产；
调整模块，按照决策模块获得的动态调整方案进行多机加工过程中再次发生实时事件时，实时调整多机加工方案，直至加工任务完成。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于多机任务刀具静态与动态集成决策方法的操作，包括：
获取加工任务的初始调度信息，包括待加工任务信息、加工机床信息、可用刀具信息；根据获取的待加工任务信息和可用刀具信息确定每个工件各工步的可用刀具类型及使用不同刀具类型加工对应的切削参数，依次计算每一刀具类型的加工能力，得到工步-刀具类型匹配表；根据获取的加工机床信息，确定不同机床之间转运时间信息和对应多机加工系统的相关参数；将获得的待加工任务信息、加工机床信息、可用刀具信息，工步-刀具类型匹配表，机床之间转运信息作为输入，使用考虑染色体不行度的多目标遗传算法解算，综合考虑完工时间、生产成本和生产碳排放得到多机任务—刀具静态调度最优染色体；将多机任务—刀具静态调度最优染色体解码，得到各工件工序加工顺序及各工步加工刀具的初始规划方案，确定各机床的加工任务及需要装载的刀具集，安排准备活动并用于生产；按照获得的初始规划方案进行多机加工过程中发生实时事件时，获取实时事件的信息，结合实时事件信息得到动态事件时间线处任务集的加工状态、机床集的使用状态与刀具集的状态，确定待加工工序集和实时可用刀具集；根据获取的待加工工序集和实时可用刀具信息集，更新得到的加工任务信息、可用刀具信息和得到的工步-刀具类型匹配表；将更新得到的加工任务信息、可用刀具信息、工步-刀具类型匹配表和得到的加工机床信息作为输入，使用考虑染色体不行度的多目标遗传算法解算，综合考虑完工时间、生产成本、生产碳排放和调整量得到多机任务—刀具动态调度最优染色体；将得到的多机任务—刀具动态调度最优染色体解码得出发生实时事件后各工件工序加工顺序及各工步加工刀具的实时调整方案，确定各机床需要装卸的刀具，安排调整工作并继续生产；按照获得的动态调整方案进行多机加工过程中再次发生实时事件时，实时调整多机加工方案，直至加工任务完成。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关多机任务刀具静态与动态集成决策方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
获取加工任务的初始调度信息，包括待加工任务信息、加工机床信息、可用刀具信息；根据获取的待加工任务信息和可用刀具信息确定每个工件各工步的可用刀具类型及使用不同刀具类型加工对应的切削参数，依次计算每一刀具类型的加工能力，得到工步-刀具类型匹配表；根据获取的加工机床信息，确定不同机床之间转运时间信息和对应多机加工系统的相关参数；将获得的待加工任务信息、加工机床信息、可用刀具信息，工步-刀具类型匹配表，机床之间转运信息作为输入，使用考虑染色体不行度的多目标遗传算法解算，综合考虑完工时间、生产成本和生产碳排放得到多机任务—刀具静态调度最优染色体；将多机任务—刀具静态调度最优染色体解码，得到各工件工序加工顺序及各工步加工刀具的初始规划方案，确定各机床的加工任务及需要装载的刀具集，安排准备活动并用于生产；按照获得的初始规划方案进行多机加工过程中发生实时事件时，获取实时事件的信息，结合实时事件信息得到动态事件时间线处任务集的加工状态、机床集的使用状态与刀具集的状态，确定待加工工序集和实时可用刀具集；根据获取的待加工工序集和实时可用刀具信息集，更新得到的加工任务信息、可用刀具信息和得到的工步-刀具类型匹配表；将更新得到的加工任务信息、可用刀具信息、工步-刀具类型匹配表和得到的加工机床信息作为输入，使用考虑染色体不行度的多目标遗传算法解算，综合考虑完工时间、生产成本、生产碳排放和调整量得到多机任务—刀具动态调度最优染色体；将得到的多机任务—刀具动态调度最优染色体解码得出发生实时事件后各工件工序加工顺序及各工步加工刀具的实时调整方案，确定各机床需要装卸的刀具，安排调整工作并继续生产；按照获得的动态调整方案进行多机加工过程中再次发生实时事件时，实时调整多机加工方案，直至加工任务完成。
为使本发明实施例的目的、技术方案和优点更加清楚，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。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
实施例
以下结合西安万威机械制造股份有限公司的具体实例对本发明的技术方案进行说明。
如图3所示，一批包含8个工件的待加工任务分配到车间内6台机床上进行加工，工件各工序信息及加工机床规划如表1所示。该批加工任务加工过程使用的机床信息如表2所示。车间内加工该批任务共有12种可用刀具类型，每种刀具类型的信息如表3所示。依次计算该批任务每一工步可用刀具类型的加工能力，得到工步-刀具类型匹配信息如表4、表5、表6所示。不同机床之间的装运时间信息如表7所示。该多机加工系统的相关参数如表8所示。
表1待加工任务零件信息
| 工件号 | 工序号 | 工步数 | 机床号 | 工件号 | 工序号 | 工步数 | 机床号 |
| 1 | 1 | 3 | 3 | 5 | 2 | 2 | 6 |
| 1 | 2 | 3 | 5 | 5 | 3 | 3 | 5 |
| 1 | 3 | 2 | 4 | 6 | 1 | 2 | 2 |
| 2 | 1 | 3 | 4 | 6 | 2 | 2 | 3 |
| 2 | 2 | 2 | 1 | 6 | 3 | 2 | 5 |
| 2 | 3 | 2 | 6 | 6 | 4 | 2 | 6 |
| 3 | 1 | 2 | 4 | 7 | 1 | 3 | 4 |
| 3 | 2 | 2 | 2 | 7 | 2 | 3 | 6 |
| 3 | 3 | 3 | 6 | 7 | 3 | 3 | 3 |
| 4 | 1 | 2 | 1 | 7 | 4 | 3 | 5 |
| 4 | 2 | 3 | 3 | 8 | 1 | 3 | 4 |
| 4 | 3 | 2 | 5 | 8 | 2 | 2 | 3 |
| 5 | 1 | 2 | 3 | 8 | 3 | 2 | 6 |
表2机床信息
| 编号 | 机床 | 刀库容量 | 成本(元/h) | 装卸时间(min) | 空载功率(kW) | 装卸功率(kW) |
| 1 | 数车 | 8 | 79 | 0.6 | 0.57 | 1.33 |
| 2 | 车铣 | 8 | 72 | 0.5 | 0.97 | 1.78 |
| 3 | 钻铣 | 12 | 75 | 0.9 | 0.97 | 1.99 |
| 4 | 数铣 | 20 | 77 | 0.8 | 0.59 | 1.52 |
| 5 | 镗铣 | 20 | 63 | 1 | 0.65 | 1.44 |
| 6 | 镗铣 | 12 | 67 | 0.8 | 0.51 | 1.87 |
表1可用刀具信息
表4任务的工步与刀具匹配信息表1
表5任务的工步与刀具匹配信息表2
表6任务的工步与刀具匹配信息表3
表7机床间装运时间(min)
| 编号 | 机床1 | 机床2 | 机床3 | 机床4 | 机床5 | 机床6 |
| 机床1 | 0 | 6 | 4 | 7 | 6 | 4 |
| 机床2 | 6 | 0 | 4 | 6 | 3 | 3 |
| 机床3 | 4 | 4 | 0 | 3 | 7 | 7 |
| 机床4 | 7 | 6 | 3 | 0 | 7 | 4 |
| 机床5 | 6 | 3 | 7 | 7 | 0 | 4 |
| 机床6 | 4 | 3 | 7 | 4 | 4 | 0 |
表8相关加工参数表
| c<sub>l</sub>(元/min) | e<sub>l</sub>(kg/min) | c<sub>v</sub>(元/h) | P<sub>v</sub>(kW) | α<sub>e</sub>(kg CO<sub>2</sub>/kWh) | α<sub>t</sub>(kg CO<sub>2</sub>/kg) |
| 1 | 0.095 | 5 | 1.5 | 0.9457 | 29.6 |
将以上信息作为输入，通过CID-NSGA-II算法解算，得到优化方案。CID-NSGA-II算法通过MATLAB实现，其种群规模为100，迭代次数500，交叉概率0.9，变异概率0.1，不可行解比例设置为0.1。图4为算法迭代过程目标收敛图，可见经多次迭代种群中时间、成本及碳排放均收敛趋于较小值。图5为最优方案刀具甘特图，由此可得各个刀具在机床之间的加工时间及转运序列，该方案下的完工时间为65min，生产成本为756.5元，生产碳排放为112.2kg。图6为最优方案机床甘特图，由此可得该批任务在各机床上的加工序列、各工步的刀具使用情况及加工区间的划分情况。其中，在机床甘特图中将各个机床上的刀库装载时间段(白色块)与刀库卸载时间段(黑色块)进行了标注。
基于以上静态调度规划实施动态调度的验证。在t＝25min时刻3号机床出现故障且其预估维修时间为10min情况下，依据初始静态规划方案加工存在较大的完工时间偏差。据此，结合车间实时释放的刀具个体进行动态调度。通过CID-NSGA-II算法解算得到实时事件发生后调整方案的刀具甘特图与机床甘特图分别如图7与图8所示。与初始计划对比可知，在动态方案中通过t＝25min时刻后各机床上工序顺序及刀具方案的实时调整，保证了该批任务的完工时间与原计划相近，且最大化维持了初始计划刀具配置与工序顺序的稳定性。
综上所述，本发明一种多机任务刀具静态与动态集成决策方法具体有以下几方面的有益效果：
(1)对离散型制造车间多机加工中的任务规划与刀具配置并行考虑，实现机床和刀具资源的合理分配，减少因刀具的装卸冲突与争用冲突造成的额外生产等待与延迟；
(2)在静态调度的基础上考虑生产中不可确定实时事件的发生，实现生产过程中的动态调度，避免因不可预测的动态事件而拖慢生产进度。
Claims (10)
1.一种多机任务刀具静态与动态集成决策方法，其特征在于，包括以下步骤：
S1、获取加工任务的初始调度信息，包括待加工任务信息、加工机床信息、可用刀具信息；
S2、根据步骤S1获取的待加工任务信息和可用刀具信息确定每个工件各工步的可用刀具类型及使用不同刀具类型加工对应的切削参数，依次计算每一刀具类型的加工能力，得到工步-刀具类型匹配表；
S3、根据步骤S1获取的加工机床信息，确定不同机床之间转运时间信息和对应多机加工系统的相关参数；
S4、将步骤S1获得的待加工任务信息、加工机床信息、可用刀具信息，步骤S2获得的工步-刀具类型匹配表，步骤S3获得的机床之间转运信息作为输入，使用考虑染色体不行度的多目标遗传算法解算，综合考虑完工时间、生产成本和生产碳排放得到多机任务—刀具静态调度最优染色体；
S5、将步骤S4得到的多机任务—刀具静态调度最优染色体解码，得到各工件工序加工顺序及各工步加工刀具的初始规划方案，确定各机床的加工任务及需要装载的刀具集，安排准备活动并用于生产；
S6、按照步骤S5获得的初始规划方案进行多机加工过程中发生实时事件时，获取实时事件的信息，结合实时事件信息得到动态事件时间线处任务集的加工状态、机床集的使用状态与刀具集的状态，确定待加工工序集和实时可用刀具集；
S7、根据步骤S6获取的待加工工序集和实时可用刀具信息集，更新步骤S1得到的加工任务信息、可用刀具信息和步骤S2得到的工步-刀具类型匹配表；
S8、将步骤S7更新得到的加工任务信息、可用刀具信息、工步-刀具类型匹配表和步骤S1得到的加工机床信息作为输入，使用考虑染色体不行度的多目标遗传算法解算，综合考虑完工时间、生产成本、生产碳排放和调整量得到多机任务—刀具动态调度最优染色体；
S9、将步骤S8得到的多机任务—刀具动态调度最优染色体解码得出步骤S6中发生实时事件后各工件工序加工顺序及各工步加工刀具的实时调整方案，确定各机床需要装卸的刀具，安排调整工作并继续生产；
S10、按照步骤S9获得的动态调整方案进行多机加工过程中再次发生实时事件时，重复步骤S6～S8实时调整多机加工方案，直至加工任务完成。
2.根据权利要求1所述的方法，其特征在于，步骤S2中，刀具类型的加工能力包括工件i的工步j使用刀具类型d的加工过程时间tij(d)；工件i的工步j使用刀具类型d的机床加工功率Pij(d)；工件i的工步j使用刀具类型d的刀具的损耗率rij(d)。
3.根据权利要求1所述的方法，其特征在于，步骤S3中，加工系统的相关参数包括切削液的单位时间成本、切削液的单位时间碳排放率、运刀小车的单位时间成本、运刀小车的功率、电能碳排放因子和物料碳排放因子。
4.根据权利要求1所述的方法，其特征在于，步骤S4具体为：
S401、设定染色体不可行度多目标遗传算法的参数，种群规模N、迭代次数M、不可行度的阈值B及不可行解的比例Q；
S402、根据步骤S401设定的种群规模，随机生成N条染色体作为初始种群，染色体编码由(0,1)范围内的随机数组成，每条染色体编码包括两部分：前半部分编码为各工序的加工顺序编码，其长度等于总工序数，每个编码位对应一工序；后半部分编码为各工步的加工刀具决策编码，其长度等于所有工件总工步数，每个编码位对应一工步；
S403、依次对初始种群或子种群中的每一染色体解码，得到工件的加工顺序与各工步的加工刀具，之后计算染色体的不可行度Φ、完工时间T、生产成本C以及碳排放E；
S404、以各染色体信息计算得到的整批任务的完工时间T、生产成本C、碳排放E为输入，通过非支配排序计算各染色体的非支配等级Irank与拥挤度Id；
S405、随机选取初始种群或子种群中的两条染色体，基于不可行度Φ、不可行阈值B、非支配等级Irank与拥挤度Id进行比较，选择更优的染色体放入父染色体集；对父染色体集中的染色体进行多点交叉与多项式变异得到子染色体集，将原种群与子染色体集合并得到合并种群，计算合并种群中各染色体的不可行度Φ、生产成本C、生产碳排放E、非支配等级Irank与拥挤度Id；
S406、由合并种群中各染色体的不可行度Φ、不可行阈值B、非支配等级Irank与拥挤度Id指标选择其中优良的染色体形成规模为N的子种群；
S407、统计子种群中不可行解的比例，对不可行阈值B进行更新，当种群中不可行解的比例大于预先设定的值Q时适当缩小不可行阈值；反之，则适当增大不可行阈值；
S408、重复步骤S404～S406直至达到规定的迭代次数M，得到最终种群，对最优解集中染色体的完工时间、生产成本、碳排放依据综合评价指标进行综合评价得到解个体。
5.根据权利要求4所述的方法，其特征在于，步骤S403依次对种群中的每一染色体进行解码具体为：
对染色体编码中同一工件的各工序对应编码进行调整，保证前导工序的编码小于后导工序；之后对所有的工序顺序编码进行升序排列，并与相应工序对应，得到工序的加工顺序；
各工步的加工刀具解码过程为：
提取编码对应工步可用刀具类型及不同类型下刀具个体的损耗率，得到工步可用刀具类型集合D1；提取编码对应工步可用刀具类型下所有刀具个体及其剩余可用寿命，得到工步可用刀具个体集合D2；筛选工步可用刀具个体集合D2中剩余寿命大于需求损耗率的刀具，得到工步备选刀具集合D3，可用刀具个体集合中没有剩余寿命满足要求的个体，则将工步可用刀具个体集合D2作为备选刀具集合D3；工步备选刀具集合D3中刀具的总数与染色体中工步对应的编码相乘并取整，与备选刀具集合D3对应得到当前工步所选用刀具个体；更新当前工步选用刀具个体的剩余寿命；重复以上步骤直至所有工步的加工刀具确定。
6.根据权利要求4所述的方法，其特征在于，步骤S405中，任意两染色体I1与I2的优劣比较过程如下：
当Φ(I1)>0且Φ(I2)>0时，则Φ(I)为优；
当Φ(I1)＝0且Φ(I2)>B时，则染色体I1为优；
当Φ(I1)＝0且0≤Φ(I2)≤B时，个体I1优于I2当且仅当I1rank<I2rank或I1rank＝I2rank且I1d>I2d。
7.根据权利要求4所述的方法，其特征在于，步骤S406中，优良染色体的选择过程如下：
若步骤S405获得的合并种群中不可行度Φ小于不可行阈值B的染色体数目不大于N：优先选择非支配等级Irank低的染色体，对于非支配等级Irank相同的染色体，优先选择拥挤度Id大的染色体，直到子种群规模达到N；
若步骤S405获得的合并种群中不可行度Φ小于不可行阈值B的染色体数目大于N：将所有不可行度Φ小于不可行阈值B的染色体放入子种群，对于剩余染色体，优先选择不可行度Φ小的染色体，直到子种群规模达到N。
8.根据权利要求1所述的方法，其特征在于，步骤S6中，待加工工序集和实时可用刀具集的确定过程如下：
待加工工序集：由初始规划方案各任务的未加工工序集与实时事件发生可能加入的新订单工件的工序集两部分组成；
实时可用刀具集：动态事件发生时刻车间内实时可用的刀具集，包括步骤S1中静态规划的初始刀具集与已加工时间区段内其它加工单元释放的空闲刀具集。
9.根据权利要求1所述的方法，其特征在于，步骤S8具体为：
S801、设定染色体不可行度多目标遗传算法的参数，种群规模N、迭代次数M、不可行度的阈值B及不可行解的比例Q；
S802、根据步骤S801设定的种群规模，随机生成N条染色体作为初始种群，其规模为N，染色体编码由(0,1)范围内的随机数组成，每条染色体编码包括两部分：前半部分编码为各工序的加工顺序编码，其长度等于总工序数，每个编码位对应一工序；后半部分编码为各工步的加工刀具决策编码，其长度等于所有工件总工步数，每个编码位对应一工步；
S803、对初始种群或子种群中的每一染色体解码，得到工件的加工顺序与各工步的加工刀具之后，计算染色体的不可行度Φ(I)、完工时间T、生产成本C和碳排放E，通过比较染色体解码后的工件加工顺序与各工步的加工刀具方案和初始规划方案的工件加工顺序与各工步的加工刀具方案，计算动态调度的调整量A如下：
其中，DRij为工件i的工序j工序顺序码与初始方案差异量，DDijk为工件i的工序j的工步k的加工刀具码与初始方案差异量；
S804、以各染色体信息计算得到整批任务的完工时间T、生产成本C、碳排放E和调整量A为输入，通过非支配排序计算各染色体的非支配等级Irank与拥挤度Id；
S805、随机选取初始种群或子种群中的两条染色体，基于不可行度Φ、不可行阈值B、非支配等级Irank与拥挤度Id进行比较，选择更优的染色体放入父染色体集；对父染色体集中的染色体进行多点交叉与多项式变异得到子染色体集，将原种群与子染色体集合并得到合并种群，计算合并种群中各染色体的不可行度Φ、生产成本C、生产碳排放E、调整量A、非支配等级Irank与拥挤度Id；
S806、由合并种群中各染色体的不可行度Φ、不可行阈值B、非支配等级Irank与拥挤度Id指标选择其中优良的染色体形成规模为N的子种群；
S807、统计子种群中不可行解的比例，对不可行阈值B进行更新，当种群中不可行解的比例大于预先设定的值Q时适当缩小不可行阈值；反之，则适当增大不可行阈值；
S808、重复步骤S804～S806直至达到规定的迭代次数M，得到最终种群，对最优解集中染色体的完工时间、生产成本、碳排放和调整量依据综合评价指标进行综合评价得到解个体。
10.一种多机任务刀具静态与动态集成决策系统，其特征在于，包括：
信息模块，获取加工任务的初始调度信息，包括待加工任务信息、加工机床信息、可用刀具信息；
匹配模块，根据信息模块获取的待加工任务信息和可用刀具信息确定每个工件各工步的可用刀具类型及使用不同刀具类型加工对应的切削参数，依次计算每一刀具类型的加工能力，得到工步-刀具类型匹配表；
参数模块，根据信息模块获取的加工机床信息，确定不同机床之间转运时间信息和对应多机加工系统的相关参数；
解算模块，将信息模块获得的待加工任务信息、加工机床信息、可用刀具信息，匹配模块获得的工步-刀具类型匹配表，参数模块获得的机床之间转运信息作为输入，使用考虑染色体不行度的多目标遗传算法解算，综合考虑完工时间、生产成本和生产碳排放得到最优染色体；
规划模块，依据解算模块得到的多机任务—刀具静态调度最优染色体解码，得到各工件工序加工顺序及各工步加工刀具的初始规划方案，确定各机床的加工任务及需要装载的刀具集，安排准备活动并用于生产；
加工模块，按照规划模块获得的初始规划方案进行多机加工过程中发生实时事件时，获取实时事件的信息，结合实时事件信息得到动态事件时间线处任务集的加工状态、机床集的使用状态与刀具集的状态，确定待加工工序集和实时可用刀具集；
优化模块，根据加工模块获取的待加工工序集和实时可用刀具信息集，更新信息模块得到的加工任务信息、可用刀具信息和匹配模块得到的工步-刀具类型匹配表；
计算模块，将优化模块更新得到的加工任务信息、可用刀具信息、工步-刀具类型匹配表和信息模块得到的加工机床信息作为输入，使用考虑染色体不行度的多目标遗传算法解算，综合考虑完工时间、生产成本、生产碳排放和调整量得到多机任务—刀具动态调度最优染色体；
决策模块，将计算模块得到的多机任务—刀具动态调度最优染色体解码得出加工模块中发生实时事件后各工件工序加工顺序及各工步加工刀具的实时调整方案，确定各机床需要装卸的刀具，安排调整工作并继续生产；
调整模块，按照决策模块获得的动态调整方案进行多机加工过程中再次发生实时事件时，实时调整多机加工方案，直至加工任务完成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110886795.0A CN113705978B (zh) | 2021-08-03 | 2021-08-03 | 一种多机任务刀具静态与动态集成决策方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110886795.0A CN113705978B (zh) | 2021-08-03 | 2021-08-03 | 一种多机任务刀具静态与动态集成决策方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113705978A CN113705978A (zh) | 2021-11-26 |
| CN113705978B true CN113705978B (zh) | 2022-12-09 |
Family
ID=78651389
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110886795.0A Active CN113705978B (zh) | 2021-08-03 | 2021-08-03 | 一种多机任务刀具静态与动态集成决策方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705978B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114442578B (zh) * | 2022-01-28 | 2022-08-16 | 湘南学院 | 复杂型面智能生产单元任务的刀具联合动态调度方法 |
| CN116984924B (zh) * | 2023-09-27 | 2023-12-01 | 南京航空航天大学 | 一种智能加工单元刀具需求优化方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107368912B (zh) * | 2017-06-12 | 2020-06-19 | 西安交通大学 | 一种面向低碳制造的加工中心刀具决策方法 |
| CN110619437A (zh) * | 2019-09-20 | 2019-12-27 | 国网江苏省电力有限公司电力科学研究院 | 一种低能耗柔性作业车间调度方法 |
| CN113177667A (zh) * | 2021-05-24 | 2021-07-27 | 同济大学 | 一种基于改进遗传算法的电气装备制造资源优化配置方法 |
-
2021
- 2021-08-03 CN CN202110886795.0A patent/CN113705978B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN113705978A (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111966050B (zh) | 基于ammas-ga嵌套算法的双资源模具作业车间调度优化方法 | |
| CN107368912B (zh) | 一种面向低碳制造的加工中心刀具决策方法 | |
| CN113705978B (zh) | 一种多机任务刀具静态与动态集成决策方法及系统 | |
| CN103942610B (zh) | 基于任务的可重组制造系统多态构型优化方法 | |
| Burgess et al. | Cellular manufacturing: its impact on the total factory | |
| CN112561194B (zh) | 一种混合流水车间生产与物流集成调度方法及系统 | |
| CN110288185B (zh) | 一种分布式柔性流水线调度方法 | |
| CN111382915B (zh) | 一种共融agv的柔性作业车间调度方法 | |
| CN105844356A (zh) | 基于自适应遗传算法的机床切削用量能耗优化方法 | |
| CN102323952A (zh) | 基于改进遗传算法的可重构装配线排序方法 | |
| Zhang et al. | Multi-objective scheduling simulation of flexible job-shop based on multi-population genetic algorithm | |
| CN111861167A (zh) | 基于分解的多目标优化算法的生产线在线动态调度方法 | |
| CN113721462A (zh) | 一种刀具确定条件下的多目标切削参数优化方法及系统 | |
| CN114897379A (zh) | 一种基于信息反馈的动态生产计划排程系统及方法 | |
| Zhang et al. | Effective genetic approach for optimizing advanced planning and scheduling in flexible manufacturing system | |
| CN114971317A (zh) | 一种基于改进遗传算法的设备排产和场内物流调度优化方法 | |
| CN117555305B (zh) | 一种基于nsgaii的多目标可变子批柔性车间作业调度方法 | |
| CN113487276B (zh) | 一种电气装备制造生产过程协同管理平台 | |
| Xu et al. | Energy-efficient scheduling for flexible flow shops by using MIP | |
| CN113219918A (zh) | 一种基于物料齐套的混流装配车间排序方法 | |
| CN110705844A (zh) | 基于非强制空闲时间的作业车间调度方案鲁棒优化方法 | |
| CN113033005B (zh) | 针对具有多资源协同约束的作业车间性能指标的求解方法 | |
| CN116468137A (zh) | 一种分布式工艺规划与车间调度集成优化方法 | |
| CN115016402A (zh) | 一种多工艺路径的动态工艺生成方法 | |
| CN116300763B (zh) | 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 |
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 |