CN113867299A - 基于数字孪生的不确定扰动下的ipps问题求解方法 - Google Patents
基于数字孪生的不确定扰动下的ipps问题求解方法 Download PDFInfo
- Publication number
- CN113867299A CN113867299A CN202111211613.6A CN202111211613A CN113867299A CN 113867299 A CN113867299 A CN 113867299A CN 202111211613 A CN202111211613 A CN 202111211613A CN 113867299 A CN113867299 A CN 113867299A
- Authority
- CN
- China
- Prior art keywords
- workshop
- scheduling
- twin
- production
- information
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 135
- 230000008569 process Effects 0.000 claims abstract description 93
- 238000004519 manufacturing process Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 54
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000013439 planning Methods 0.000 claims abstract description 28
- 230000006978 adaptation Effects 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 14
- 238000013178 mathematical model Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 230000003993 interaction Effects 0.000 claims abstract description 6
- 238000007418 data mining Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000003754 machining Methods 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 2
- 229910052799 carbon Inorganic materials 0.000 claims description 2
- 230000006870 function Effects 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract description 2
- 238000012384 transportation and delivery Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 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 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于数字孪生的不确定扰动下的IPPS问题求解方法。该方法包括人机交互、物理车间、孪生模型、孪生控制平台和生产计划制定模块。孪生控制平台由数据采集、数据处理、状态预测、生产检测和数据库等部分组成；生产计划制定包括集成式工艺规划与车间调度模型的动态构建、工艺适配和生产方案寻优功能。能够充分利用数字孪生技术，进行车间状态的预测，动态的确定生产的优化目标，从而实时构建集成式工艺规划与车间调度的动态数学模型；考虑集成式工艺规划与车间调度问题的多柔性特征，提出工艺适配，能够精准对接任务需求和车间现状，匹配加工工艺，提高车间的生产效率和生产过程的稳定性。
Description
技术领域
本发明涉及智能制造领域，具体是一种基于数字孪生的不确定扰动下的IPPS问题求解方法。
背景技术
工艺规划和车间调度作为联系设计和制造的重要桥梁，对车间生产具有重要的影响。传统的研究中将工艺规划和车间调度当作独立的两个系统，但事实上工艺规划和车间调度是相互联系、相互制约的整体，工艺规划的输出制约着车间资源的分配，车间的实时状态影响工艺规划的有效性。集成式的工艺规划和车间调度(integrated process planningand scheduling,IPPS)方法，将两个系统进行整体的研究，对消除资源冲突、提高资源利用率和设备使用效率具有重要意义。在现实的生产环境中存在大量的不确定扰动因素，机器故障、订单变化、质量返工等，不确定扰动事件的产生会导致车间的原定生产无法顺利进行，造成车间效率下降、在制品堆积、交货拖期等，动态扰动已经成为制约车间生产能力的关键因素。因此研究考虑不确定扰动的集成式工艺规划和调度方法对车间生产管理十分重要。
在现有方法中，多采用模糊数、区间数来描述加工时间和交货期的不确定性；利用滚动窗口技术、模糊神经网络、增加缓冲时间窗等方法应对机器故障和新工件到达等扰动事件，每次只考虑一到两种扰动事件，评价指标是固定的，数据的传输也是单向的，但IPPS问题中不确定扰动事件种类繁多，发生扰动事件的随机性大，而且IPPS问题属于NP-Hard问题，解空间庞大复杂，求解计算量大，所以现有方法解决不确定扰动下的工艺规划与车间调度集成问题的局限性比较明显。
针对上述问题，本发明提供一种基于数字孪生的不确定扰动下的IPPS问题求解方法，能够充分利用数字孪生技术，进行车间状态的预测，动态的确定生产的优化目标，从而构建集成式工艺规划与车间调度的动态数学模型；考虑IPPS问题的多柔性特征，提出工艺适配，能够精准对接任务需求和车间现状，提高车间的生产效率和生产过程的稳定性。
发明内容
为了解决上述技术问题，本发明提供了一种基于数字孪生的不确定扰动下的IPPS问题求解方法，所述方法包括以下步骤：
步骤(1)：搭建孪生模型和孪生控制平台。通过数据采集、数据处理、状态预测、生产检测和数据库等技术，搭建起物理车间、孪生模型、人机交互模块和生产计划制定模块之间信息传递和处理的桥梁。
步骤(2)：动态构建集成式工艺规划和车间调度的优化模型。首先基于孪生平台的数据采集、数据挖掘和状态预测技术对车间的不确定扰动事件进行预测，然后依据车间的实时信息，结合车间生产的实际需求，动态确定生产的优化目标(稳定性、鲁棒性、效率、绿色等)，实时构建集成式工艺规划和车间调度问题的数学模型。
步骤(3)：基于数字孪生系统的工艺适配。结合已知动态信息和数学模型，采用不同的工艺适配策略，进行工艺的精准匹配。
步骤(4)：生成调度方案。基于孪生车间的历史加工数据和问题模型，匹配最有效的人工智能算法进行求解，获得工件的加工工艺和调度方案，将方案发布到车间执行，并基于孪生平台的监测系统，监测车间的执行情况，当生产异常时返回步骤(2)。
其中，所述搭建孪生模型和孪生控制平台的具体实现包括：
数据采集技术包括对物理车间和孪生模型的资源信息(可用车床、夹具、物流设备等)、加工任务信息(工件数目、种类、交货时间等)、其他信息(设备功率)等进行采集；数据处理是孪生控制平台的核心，对采集的数据进行加工获得有效、完整的数据信息，作为系统引擎，传递控制指令，保证整个系统的稳定运行；状态预测主要根据系统采集的车间数据和数据库的历史加工数据，进行数据挖掘，采用机器学习方法，通过数据挖掘对车间未来的不确定扰动事件(机器故障、紧急插单、订单取消、质量返工等)进行预测，获得扰动事件的基本信息；生产检测，实时监视车间的生产状况，对车间的异常加工情况进行收集和预警；数据库保存车间的基础数据，包括设备信息、健康状况、工艺信息、产品信息、人员信息，还有车间的历史加工信息、算法库、知识库、模型库等；
其中，所述动态构建集成式工艺规划和车间调度的优化模型具体实现包括：
根据车间预测信息的不同，需要构建不同的模型，最大可能满足需求、保证调度方案的效率、稳定性、鲁棒性。集成式工艺规划与车间调度的模型主要包括优化目标和约束条件，优化目标包括标准调度指标：最大完工时间、机器利用率、拖期和生产成本等；绿色指标：碳排放等；稳定性指标：工序偏离度、机器偏离度等；鲁棒性指标：期望最大完工时间、基于工序加权的总松弛时间、最大期望完工时间偏差等；约束指标包括工艺约束、工序约束、机器约束、缓冲区约束等。根据预测信息的不同，优化目标可以分为四大类：无扰动事件发生、预测时间窗有扰动事件、当前车间和预测时间窗内均存在扰动事件、当前车间存在扰动事件。无扰动事件发生时，优化目标仅需考虑标准调度指标和绿色等方面的目标；预测时间窗口存在扰动事件时，需要同时考虑标准调度指标和鲁棒性指标，使得产生的生产计划能够有效吸收扰动事件对调度方案的影响；当前车间和预测时间窗内均存在扰动事件是指当前生产中已经发生扰动事件同时预测时间窗内预测到扰动事件，此时需要考虑鲁棒性、稳定性和标准调度指标，保证调度方案能够尽可能消除扰动事件的影响，保证前后调度方案的偏差不大；仅当前车间存在扰动事件时，需要考虑标准调度指标和稳定性指标，保证前后调度方案的稳定性。
动态确定生产的优化指标的具体做法是首先建立参数化的优化目标和约束条件库，并进行分类存储，每一个优化目标和约束条件唯一对应索引号。根据步骤(2)得到车间的实时生产状况，选择需要的优化目标和约束条件，构建完整的集成式工艺规划与车间调度的模型。
其中，所述基于数字孪生系统的工艺适配具体实现包括：
首先根据车间扰动事件的种类构建工艺适配策略库，工艺适配策略可以根据孪生系统数据库中的历史加工信息、人工经验，专家知识等已有成果获取。在执行完步骤(2)后，已知预测信息和数学模型，对加工工艺进行适配。
其中，所述生成调度方案具体实现包括：
对工艺规划与车间调度进行集成求解，求解目标即确定每个工件特征的加工顺序和所使用的工艺，每个工艺使用的工序，各个工件的工序在机器上的开工时间与完工时间，最终使得制定的方案能够满足一个或多个目标最优。
本发明生成调度方案的种类分两种，1)生成初始的调度方案，此时所有的任务均未加工；2)生成重调度方案，不确定扰动事件的发生导致需要对加工方案进行调整，此时加工任务包括未完工工件和未加工工件。在调度方案求解上，引入滚动窗口技术将工件的加工任务分为正在加工工件、未加工工件和待加工工件。每次调度移除窗口的已加工工件，挑选待加工工件集合的工件进入调度窗口，对正在加工工件和未加工工件进行调度方案安排。并采用广泛应用在车间调度领域的人工智能算法进行求解，人工智能算法提前参数化保存在算法库中，在实际的调用中，通过数字孪生技术中的历史加工数据和专家知识匹配到合适的方法求解，并将调度结果发布到车间执行。
本发明的优势在于：
(1)本发明提出的基于数字孪生的不确定扰动下的IPPS问题求解方法，能够充分利用数字孪生技术的数据库和状态预测功能，动态确定生产的优化目标，从而构建集成式工艺规划与车间调度的动态数学模型。
(2)在集成式工艺规划与车间调度问题中，存在加工方法柔性、加工次序柔性、工序柔性等诸多柔性，实际生产中，因为不确定事件的发生，通常导致生产资源的紧张，因此，针对不确定事件的特点对待加工工件进行工艺适配可以精准降低扰动事件的影响，同时提高重调度方案的稳定性。
附图说明
图1为本发明生产流程关系图；
图2为本发明问题实例图；
图3为本发明预测动态信息与生产目标的对应关系图；
图4为本发明实例无扰动事件的调度方案；
图5为本发明实例考虑机器故障的重调度方案。
具体实施方式
接下来结合实施例附图对本发明做进一步描述，显然，所描述的实施例只是本发明的一部分实施例。基于本发明的实施例，本领域相关人员在没有进行创造性劳动的前提下得到的实施例都是本发明的保护范畴。
本发明的生产流程关系图如图1所示，包括人机交互、物理车间、孪生模型、孪生控制平台和生产计划制定模块。
通过图2所示的6工件15机器的IPPS问题为例来说明本发明的具体实施方法。案例的6个工件均有多个特征，每个特征的加工顺序不确定且顺序间存在约束，每个特征具有一种或多种加工工艺，每个加工工艺具有一种或多种可选工序，不同工序对应不同的加工机器。求解目标即确定每个工件特征的加工顺序，每个工艺使用的工序，各个工件的工序在机器上的加工顺序和在机器上的开工时间与完工时间，最终使得制定的方案能够满足一个或多个目标最优。
本发明的实施流程如下所示：
步骤1：搭建孪生模型和孪生控制平台。通过数据采集、数据处理、状态预测、生产检测和数据库等技术，搭建起物理车间、孪生模型、人机交互模块和生产计划制定模块之间信息传递和处理的桥梁。通过人机交互系统将需要加工的工件编号、数量、交货时间等输入到系统。
搭建孪生模型和孪生控制平台具体包括：
数据采集技术包括对物理车间和孪生模型的资源信息、加工任务信息、其他信息进行采集；数据处理是孪生控制平台的核心，对采集的数据进行加工获得有效、完整的数据信息，也作为系统引擎，传递控制指令，保证整个系统的稳定运行；状态预测主要根据系统采集的车间数据和数据库的历史加工数据，进行数据挖掘，采用机器学习方法，通过数据挖掘对车间未来的不确定扰动事件进行预测，获得扰动事件的基本信息；生产检测是实时监视车间的生产状况，对车间的异常加工情况进行收集和预警；数据库则保存车间的基础数据，包括设备信息、健康状况、工艺信息、产品信息、人员信息，还有车间的历史加工信息、算法库、知识库、模型库。
步骤2：动态构建集成式工艺规划与车间调度模型，首先通过孪生控制平台的数据采集功能，获得当前车间的状态信息(车床可用时间及健康状态、夹具、刀具的数量及健康状态)和加工任务信息(工件数目、种类、交货时间、工艺信息等)。通过数据处理功能对车间的历史加工信息和设备信息进行处理获得足够的有效样本，采用机器学习方法，通过数据挖掘对车间未来的不确定扰动事件进行预测。
根据车间预测信息的不同，需要考虑不同的生产目标，从而构建不同的模型，最大可能满足需求，保证调度方案的效率、稳定性、鲁棒性，如图3所示是不同预测信息所需要考虑的生产目标。以考虑车间机器故障这一扰动事件为例，建立如下的数学模型，为了建模方便，首先定义一些变量符号：
N：待加工的总工件数目；
Ci：工件i的完工时间；
oij：工件i的第j个工序；
OS：扰动事件发生后，参与重调度的工序的集合；
OS-1：扰动事件发生时未加工的工序集合；
oS-1ij：属于初始方案中的未加工工序，但不包含在重调度方案中的工件i的工序j；
oSij：属于重调度方案中的工序，但不包含在初始调度方案中的工件i的工序j；
n：未加工完成的工件数目
uS-1i：初始方案中未加工工件i的未加工工序数目
uSi：重调度方案中工件i的工序数目
(1)最小化最大完工时间(makespan)
min f1＝makespan＝maxCi i∈[1,N]
最大完工时间是指所有工件加工完成时，最后完工工件的最后一道工序的完工时间。
(2)最小化工序偏离度(pd)
最小化工序偏离度是指在机器故障发生前后，初始调度工序开工时间和重调度方案中工序开工时间的差的总和。这里的工序偏离度指的是前后两个调度方案之间的偏差，整个调度过程可能进行多次调度。
(3)最小化机器偏离度(md)
最小化机器偏离度是指设备故障出现前后，初始调度方案和重调度方案工序偏离原来机器的工序个数之和。与工序偏离度相同，机器偏离度是故障前后两个调度方案的偏离程度。
约束：
(1)同一机器，同一时刻只能加工一个工件；
(2)同一工件，同一时刻只能被一台机器加工。
初始调度时不存在扰动事件，将最大完工时间作为目标函数，当车间发生设备故障时考虑重调度的效率和稳定性，将以上三个目标作为优化目标。
步骤3：在调度模型确定后，进行工艺适配操作。在IPPS问题中，工件存在加工方法柔性、加工次序柔性、工序柔性的多柔性特点，在不确定扰动的生产环境下，针对扰动事件的特点对待加工工件进行工艺适配可以精准降低扰动事件的影响，同时工艺适配可以提高重调度方案的稳定性。在没有扰动事件发生时，工件的所有可选工艺均可选用如图2所示。当故障发生时，故障机器上的受影响的工件选择所有的加工工艺，其他工件不选用包括故障机器的工艺。需要注意的是这种适配不是完全确定工件的加工工艺，而是寻求一种动态平衡，使得工艺信息能使得调度方案朝着有利方向发展。
步骤4：工艺适配结束，进行调度方案的求解，即确定每个工件特征的加工顺序和所使用的工艺，每个工艺使用的工序，各个工件的工序在机器上的加工顺序和在机器上的开工时间与完工时间，使得制定的调度方案能够满足建立的优化模型。在初始加工时刻，挑选工件进入加工时间窗，根据得到的工艺数据(工件数目、机器数目)，采用遗传算法以最小化最大完工时间为目标，对问题进行求解，得到如图4的调度方案，调度方案通过孪生控制平台发送到物理车间，控制物理车间进行生产。当设备故障发生时，考虑调度的高效率和稳定性以最小化最大完工时间、最小化工序偏离度和最小化机器偏离度为目标，采用NSGAII方法进行求解，得到图5的调度结果，并发布到物理车间执行。
通过数字孪生控制平台的生产检测系统，监测物理车间的加工状态，当生产偏离生产计划或出现动态扰动时返回步骤2；若生产过程正常，则在下一个调度周期返回步骤4；如果加工任务结束则输出完工情况，并将加工过程的数据进行存入数据库。
需要说明的是，以上仅为本发明的一种具体应用方式。对于本领域的技术人员来说，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于数字孪生的不确定扰动下的IPPS问题求解方法，其特征在于，所述方法包括以下步骤：
步骤(1)：搭建孪生模型和孪生控制平台，通过数据采集、数据处理、状态预测、生产检测和数据库，搭建起物理车间、孪生模型、人机交互和生产计划制定模块之间信息传递和处理的桥梁；
步骤(2)：动态构建集成式工艺规划和车间调度的优化模型；首先基于孪生平台的数据采集、数据挖掘和状态预测技术对车间的不确定扰动事件进行预测，然后依据车间的实时信息，结合车间生产的实际需求，动态确定生产的优化目标，实时构建集成式工艺规划和车间调度问题的数学模型；
步骤(3)：基于数字孪生系统的工艺适配；结合已知动态信息和数学模型，采用不同的工艺适配策略，进行工艺的精准匹配；
步骤(4)：生成调度方案；基于孪生车间的历史加工数据和问题模型，匹配最有效的人工智能算法进行求解，获得工件的加工工艺和调度方案，将方案发布到车间执行，并基于孪生平台的监测系统，监测车间的执行情况，当生产异常时返回步骤(2)。
2.如权利要求1所述的基于数字孪生的不确定扰动下的IPPS问题求解方法，其特征在于，所述步骤(1)中搭建孪生模型和孪生控制平台具体包括：
数据采集技术包括对物理车间和孪生模型的资源信息、加工任务信息、其他信息进行采集；数据处理是孪生控制平台的核心，对采集的数据进行加工获得有效、完整的数据信息，也作为系统引擎，传递控制指令，保证整个系统的稳定运行；状态预测主要根据系统采集的车间数据和数据库的历史加工数据，进行数据挖掘，采用机器学习方法，通过数据挖掘对车间未来的不确定扰动事件进行预测，获得扰动事件的基本信息；生产检测是实时监视车间的生产状况，对车间的异常加工情况进行收集和预警；数据库则保存车间的基础数据，包括设备信息、健康状况、工艺信息、产品信息、人员信息，还有车间的历史加工信息、算法库、知识库、模型库。
3.如权利要求1所述的基于数字孪生的不确定扰动下的IPPS问题求解方法，其特征在于，所述步骤(2)中动态构建集成式工艺规划和车间调度的优化模型的具体包括：
根据车间预测信息的不同，需要构建不同的模型，最大可能满足需求、保证调度方案的效率、稳定性、鲁棒性，集成式工艺规划与车间调度的模型主要包括优化目标和约束条件，优化目标包括标准调度指标：最大完工时间、机器利用率、拖期和生产成本；绿色指标：碳排放；稳定性指标：工序偏离度、机器偏离度；鲁棒性指标期望最大完工时间、基于工序加权的总松弛时间、最大期望完工时间偏差等；约束指标包括工艺约束、工序约束、机器约束、缓冲区约束；根据预测信息的不同，优化目标分为四大类：无扰动事件发生、预测时间窗有扰动事件、当前车间和预测时间窗内均存在扰动事件、当前车间存在扰动事件；无扰动事件发生时，优化目标仅需考虑标准调度和绿色等方面的目标；预测时间窗口存在扰动事件时，需要同时考虑标准调度指标和鲁棒性指标，使得产生的生产计划能够有效吸收扰动事件对调度方案的影响；当前车间和预测时间窗内均存在扰动事件是指当前生产已经发生扰动事件同时预测时间窗内预测到扰动事件，此时需要考虑鲁棒性、稳定性和标准调度指标，保证调度方案能够尽可能消除扰动事件的影响，保证前后调度方案的偏差不大；仅当前车间存在扰动事件时，需要考虑标准调度指标和稳定性指标，保证前后调度方案的稳定性；
动态确定生产的优化目标的具体做法是首先建立参数化的优化目标和约束条件库，并进行分类存储，每一个优化目标和约束条件唯一对应索引号；根据步骤(2)得到车间的实时生产状况，选择需要的优化目标和约束条件，构建完整的集成式工艺规划和车间调度的优化模型。
4.如权利要求1所述的基于数字孪生的不确定扰动下的IPPS问题求解方法，其特征在于，所述步骤(3)中基于数字孪生系统的工艺适配具体包括：
首先根据车间扰动事件的种类构建工艺适配策略库，工艺适配策略根据孪生系统数据库中的历史加工信息、人工经验以及专家知识已有成果获取；在执行完步骤(2)后，已知预测信息和数学模型，对加工工艺进行适配。
5.如权利要求1所述的基于数字孪生的不确定扰动下的IPPS问题求解方法，其特征在于，所述步骤(4)中生成调度方案的方法具体包括：
对工艺规划与车间调度进行集成求解，求解目标即确定每个工件特征的加工顺序和所使用的工艺，每个工艺使用的工序，各个工件的工序在机器上的加工顺序和在机器上的开工时间与完工时间，最终使得制定的方案能够满足一个或多个目标最优。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111211613.6A CN113867299B (zh) | 2021-10-18 | 2021-10-18 | 基于数字孪生的不确定扰动下的ipps问题求解方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111211613.6A CN113867299B (zh) | 2021-10-18 | 2021-10-18 | 基于数字孪生的不确定扰动下的ipps问题求解方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113867299A true CN113867299A (zh) | 2021-12-31 |
| CN113867299B CN113867299B (zh) | 2023-02-28 |
Family
ID=79000094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111211613.6A Active CN113867299B (zh) | 2021-10-18 | 2021-10-18 | 基于数字孪生的不确定扰动下的ipps问题求解方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113867299B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114527714A (zh) * | 2022-01-19 | 2022-05-24 | 北京工业大学 | 一种基于数字孪生及扰动监测的车间动态调度方法 |
| CN114815759A (zh) * | 2022-06-27 | 2022-07-29 | 广州力控元海信息科技有限公司 | 一种虚实融合的柔性产线可变控制方法及系统 |
| CN116090076A (zh) * | 2023-03-07 | 2023-05-09 | 四川省公路规划勘察设计研究院有限公司 | 一种复杂环境下的石笼桥台建造系统及其快速建造方法 |
| CN116128221A (zh) * | 2022-12-30 | 2023-05-16 | 北方工业大学 | 一种基于数字孪生的航发叶片再制造生产线调度方法 |
| CN117032150A (zh) * | 2023-10-09 | 2023-11-10 | 南通弘铭机械科技有限公司 | 一种机械加工车间的智慧生产调度方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010027490A1 (en) * | 2008-09-05 | 2010-03-11 | Exxonmobil Research And Engineering Company | Bulk material ship routing and inventory management schedule optimization |
| US20190266295A1 (en) * | 2018-02-28 | 2019-08-29 | Toyota Jidosha Kabushiki Kaisha | Proactive vehicle maintenance scheduling based on digital twin simulations |
| CN110609531A (zh) * | 2019-09-27 | 2019-12-24 | 北京航空航天大学 | 一种基于数字孪生的车间调度方法 |
| CN111461459A (zh) * | 2020-04-24 | 2020-07-28 | 温州大学乐清工业研究院 | 断路器数字制造孪生车间的动态重调度预测方法及系统 |
| CN112668237A (zh) * | 2020-12-25 | 2021-04-16 | 深圳华龙讯达信息技术股份有限公司 | 一种基于工业互联网云平台的数字孪生模型及其构建方法 |
| KR20210114099A (ko) * | 2020-03-09 | 2021-09-23 | 사단법인 부산산학융합원 | 디지털 트윈을 이용한 선박의 기자재 수명주기 관리 시스템 및 방법 |
-
2021
- 2021-10-18 CN CN202111211613.6A patent/CN113867299B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2010027490A1 (en) * | 2008-09-05 | 2010-03-11 | Exxonmobil Research And Engineering Company | Bulk material ship routing and inventory management schedule optimization |
| US20190266295A1 (en) * | 2018-02-28 | 2019-08-29 | Toyota Jidosha Kabushiki Kaisha | Proactive vehicle maintenance scheduling based on digital twin simulations |
| CN110609531A (zh) * | 2019-09-27 | 2019-12-24 | 北京航空航天大学 | 一种基于数字孪生的车间调度方法 |
| KR20210114099A (ko) * | 2020-03-09 | 2021-09-23 | 사단법인 부산산학융합원 | 디지털 트윈을 이용한 선박의 기자재 수명주기 관리 시스템 및 방법 |
| CN111461459A (zh) * | 2020-04-24 | 2020-07-28 | 温州大学乐清工业研究院 | 断路器数字制造孪生车间的动态重调度预测方法及系统 |
| CN112668237A (zh) * | 2020-12-25 | 2021-04-16 | 深圳华龙讯达信息技术股份有限公司 | 一种基于工业互联网云平台的数字孪生模型及其构建方法 |
Non-Patent Citations (3)
| Title |
|---|
| 文笑雨 等: "集成式工艺规划与车间调度问题研究现状及发展", 《重庆大学学报》 * |
| 文笑雨: "多目标集成式工艺规划与车间调度问题的求解方法研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
| 费永辉: "基于数字孪生的柔性作业车间动态调度研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114527714A (zh) * | 2022-01-19 | 2022-05-24 | 北京工业大学 | 一种基于数字孪生及扰动监测的车间动态调度方法 |
| CN114815759A (zh) * | 2022-06-27 | 2022-07-29 | 广州力控元海信息科技有限公司 | 一种虚实融合的柔性产线可变控制方法及系统 |
| CN114815759B (zh) * | 2022-06-27 | 2022-09-20 | 广州力控元海信息科技有限公司 | 一种虚实融合的柔性产线可变控制方法及系统 |
| CN116128221A (zh) * | 2022-12-30 | 2023-05-16 | 北方工业大学 | 一种基于数字孪生的航发叶片再制造生产线调度方法 |
| CN116128221B (zh) * | 2022-12-30 | 2023-08-01 | 北方工业大学 | 一种基于数字孪生的航发叶片再制造生产线调度方法 |
| CN116090076A (zh) * | 2023-03-07 | 2023-05-09 | 四川省公路规划勘察设计研究院有限公司 | 一种复杂环境下的石笼桥台建造系统及其快速建造方法 |
| CN116090076B (zh) * | 2023-03-07 | 2023-07-04 | 四川省公路规划勘察设计研究院有限公司 | 一种复杂环境下的石笼桥台建造系统及其快速建造方法 |
| CN117032150A (zh) * | 2023-10-09 | 2023-11-10 | 南通弘铭机械科技有限公司 | 一种机械加工车间的智慧生产调度方法及系统 |
| CN117032150B (zh) * | 2023-10-09 | 2023-12-12 | 南通弘铭机械科技有限公司 | 一种机械加工车间的智慧生产调度方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113867299B (zh) | 2023-02-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113867299B (zh) | 基于数字孪生的不确定扰动下的ipps问题求解方法 | |
| US6546300B1 (en) | Production/manufacturing planning system | |
| CN110955206B (zh) | 一种订单排程与分配调度方法及系统 | |
| CN103955754B (zh) | 基于实时生产数据采集的模具车间调度方法 | |
| CN114186791B (zh) | 一种面向多型号小批量的复杂装备产品装调生产动态调度方法 | |
| US20040049715A1 (en) | Computer networked intelligent condition-based engine/equipment management system | |
| CN111260181B (zh) | 一种基于分布式智能制造单元的车间自适应生产调度装置 | |
| Gola | Economic aspects of manufacturing systems design | |
| CN111913458B (zh) | 一种基于深度学习的车间控制方法及系统 | |
| CN114782030B (zh) | 一种基于大数据项目智能管理系统及方法 | |
| CN114527714A (zh) | 一种基于数字孪生及扰动监测的车间动态调度方法 | |
| CN110580019B (zh) | 一种面向边缘计算的设备调取方法与装置 | |
| CN117950380B (zh) | Mes驱动的工位终端生产过程控制系统及方法 | |
| CN116739179A (zh) | 一种离散制造混流生产的人机协同效率优化方法 | |
| CN113435613B (zh) | 一种面向多维修事件的机会维修决策方法 | |
| CN105404940B (zh) | 一种面向船舶使用阶段的维修资源预测方法 | |
| CN118011978A (zh) | 考虑随机干扰的柔性流水车间动态调度与维护优化方法 | |
| CN117391423B (zh) | 一种芯片高多层陶瓷封装基板产线多约束自动化排程方法 | |
| Zhang et al. | Optimal age replacement policies for parallel systems with mission durations | |
| CN113762754A (zh) | 一种混合车间低熵自适应调度方法 | |
| Németh et al. | Maintenance schedule optimisation for manufacturing systems | |
| Graver et al. | A tool provisioning problem in an FMS | |
| CN116757562A (zh) | 一种具有自学习能力的智能制造调度方法 | |
| CN116128221A (zh) | 一种基于数字孪生的航发叶片再制造生产线调度方法 | |
| CN104636610A (zh) | 一种应用于动态环境下的制造系统派工信息修正方法 |
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 |