CN113988337A - 一种随机任务需求约束下的多状态工业机器人集群选择性维修决策方法 - Google Patents
一种随机任务需求约束下的多状态工业机器人集群选择性维修决策方法 Download PDFInfo
- Publication number
- CN113988337A CN113988337A CN202111311542.7A CN202111311542A CN113988337A CN 113988337 A CN113988337 A CN 113988337A CN 202111311542 A CN202111311542 A CN 202111311542A CN 113988337 A CN113988337 A CN 113988337A
- Authority
- CN
- China
- Prior art keywords
- robot
- task
- maintenance
- echelon
- period
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 230000002068 genetic effect Effects 0.000 claims abstract description 12
- 230000036541 health Effects 0.000 claims abstract description 6
- 210000000349 chromosome Anatomy 0.000 claims description 38
- 238000009826 distribution Methods 0.000 claims description 23
- 238000004519 manufacturing process Methods 0.000 claims description 22
- 230000000737 periodic effect Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000004083 survival effect Effects 0.000 claims description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- -1 periodO Chemical class 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 2
- 108090000623 proteins and genes Proteins 0.000 claims description 2
- 239000002699 waste material Substances 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 claims 1
- 230000007704 transition Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 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
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
- Manipulator (AREA)
- Numerical Control (AREA)
Abstract
一种随机任务需求的多状态工业机器人集群选择维修方法包括如下步骤：(1)计算工业机器人集群第x波次任务开始前的机器人处于各个状态的概率；(2)在第x(x为正整数)波次任务开始前，按照工业机器人健康状态将机器人集群进行分类；(3)以最小化维修次数为目标，以任务成功率和维修时间为约束，构建选择性维修决策模型；(4)基于遗传算法求该任务周期内的最优解。若求得可行解，则结束；若无可行解，则执行步骤(5)；(5)回溯算法。
Description
(一)技术领域
本发明面向工业生产系统的随机任务需求，提出一种考虑工业机器人多状态特征的选择性维修方法。该方法是在有限的维修时间及维修资源的前提下，以满足任务需求为约束，以降低维修成本为目标，建立模型对工业机器人集群的维修工作进行规划与决策。该方法属于可靠性工程技术领域。
(二)背景技术
维修在机器人集群使用过程中起到非常重要的作用，在满足机器人集群任务成功率要求的条件下降低维修成本，提高企业利润是每个企业的目标。然而，由于受可用维修时间、有限维修保障资源、任务成功率目标等诸多因素影响，可开展的维修工作往往是有限的，因此必须对要开展的维修工作进行选择决策，以便在满足任务成功率约束的前提下，合理利用维修保障资源，开展有效的维修工作，最大化降低维修成本。
经调研，目前国内外工业企业已提出很多维修决策方法，包括第一发明人2021年4月授权的专利ZL 201811559070.5《一种基于顺序博弈的多阶段连续任务装备集群的选择性维修方法》，可用于解决装备级、长周期的视情维修决策问题。然而，面对工业机器人集群连续不间断工作、任务需求随机、可用维修时间短等特点，已有方法并不适用。因此，我们有必要结合工业机器人的健康状态，采取视情维修策略，即当产品的健康退化或将退化到无法满足任务要求时才进行维修的策略，建立随机任务需求的多状态工业机器人集群的选择性维修决策模型，以期在保证各波次任务需求的前提下，尽可能减少总维修次数，降低维修成本。
(三)发明内容
(1)发明目的
针对于当前基于装备集群级短间隔阶段性任务的维修策略缺乏较好的算法，当面对多波次任务，后勤资源有限，留给后勤人员进行维修的任务间隔时间很短时，维修人员不知该如何挑选应当优先进行维修的装备这一现状，本发明可以通过优化算法得出装备集群在面对该类任务时，后勤人员应如何挑选出每波次要优先进行维修的装备进行维修。通过优化，可以使装备集群在保证每一波次任务可靠度的前提下，明显减少对维修资源的使用。
(2)技术方案
本发明是一种随机任务需求约束下的多状态工业机器人集群选择性维修决策方法，即首先根据马尔科夫链和通用生成函数计算每个机器人的状态概率分布，然后根据蒙特卡罗抽样算法在基于满足每个周期可靠度和产量的需求条件下，按照机器人的健康状态将其分类，并确定每个周期中投入工作的机器人数量，然后以连续两个周期任务所需机器人数量及任务成功率要求、可用维修时间、可用维修资源等为约束，以最小化维修次数为目标，建立选择性维修决策模型，并基于遗传算法给出快速求解算法，求得局部最优解，然后根据时间回退采用递归算法求得全局最优解，进而给出维修方案。
基本假设和说明：
(1)机器人内部元件在每个机器人中组合方式为串并联，并且，每个个体机器人在整个系统中组合方式为n中取k结构，且k不是机器人数量，而是每个周期的产量要求；
(2)所有机器人内部元件都为多态元件，有多种工作状态，即每个机器人也有多种工作状态，整个系统也为多态系统；
(3)在单个元件中，每两个状态之间的衰退过程服从指数分布或者威布尔分布；
(4)机器人中的每个元件均采用更换维修策略，即在经过维修后，其可靠性会恢复至初始状态；
(5)每个任务周期内的任务产量需求服从泊松分布，即n中取k系统中的k服从泊松分布；
(6)工厂工作为24小时不停歇，机器人只有在不工作的时候才可以进行维修；
(7)k/n:[G]系统表示由n个工业机器人构成的集群系统，只有k个或k个以上工业机器人正常时系统才能满足任务要求；
(8)k/n:[F]系统表示由n个工业机器人构成的集群系统，若有k个或k个以上工业机器人故障时系统则无法满足任务要求。
该方法分为下面几个步骤：
步骤一，计算工业机器人集群第x波次任务开始前的机器人处于各个状态的概率，其中x为正整数。
(1)n中取k系统分为k/n:[G]和k/n:[F]系统，本发明中针对k/n:[G]，并且其中的k替换为每个任务周期的产量；
(2)根据马尔科夫链和Chapman-Kolmogorov方程，利用已知的机器人内部元件在每个状态之间的转移强度，求出每个元件在不同时刻的状态概率分布；
(3)根据已得的机器人内部元件在每个时刻的状态概率分布，建立通用生成函数表达式，再根据该机器人内部元件的串并联结构，建立每个机器人的通用生成函数表达式；
(4)根据每个机器人的通用生成函数表达式，建立整个系统的通用生成函数，即可得整个系统在每个时刻的状态概率分布。
步骤二，在第x波次任务开始前，按照工业机器人健康状态将机器人集群进行分类。它包含以下几个子步骤：
(1)根据机器人的通用生成函数表达式，求出机器人在本周期任务开始时刻的生产期望，并根据生产期望从高到低排序，记做集合A(x)；
(2)生成两个初始梯队集合，梯队1记做#1(x)，梯队2记为#2(x)，均为空集；
(3)根据系统在第x周期内每个时刻的状态概率分布，计算该系统在下一个任务周期内针对该周期需求量k(x)以及所需的可靠度RO(x)；
(4)计算A(x)集合中的机器人系统可靠度R(x)，并判断比较R(x)与RO(x)：若R(x)≥RO(x)，则进行步骤二子步骤(4)；否则进行步骤二子步骤(6)；
(5)将A(x)中最末尾的机器人放入#2(x)梯队中，将#2(x)梯队里的机器人按生产期望从大到小排序，A(x)中剩余的机器人集群组成新的n中取k系统，重复步骤二子步骤(4)；
(6)检查#2(x)梯队是否为空：若#2(x)不为空，则将#2(x)梯队中最前面的机器人与A(x)中剩余的机器人放入梯队#1(x)中，此时#1(x)中的工业机器人已经能够满足第x周期的生产需求，可以执行第x波次的生产任务；检查x是否为最大任务数，若是，则已得到可行解，结束任务；若不是，再令x＝x+1，回到步骤一，继续进行下一波机器人的选择；若#2(x)为空，则进行步骤二(7)；
(7)检查x是否等于1：若x的值等于1，则该问题由于起始状态的错误不存在可行解，结束；若x的值不等于1，即该任务不是第一波次的任务，令x＝x-1，则退回到上一个任务周期，对第x周期#2(x)梯队中的机器人利用步骤三和步骤四来进行选择性维修决策。
步骤三，以最小化维修次数为目标，以任务成功率和维修时间为约束，构建选择性维修决策模型。该步骤包含以下几个子步骤：
(1)计算机器人集群在阶段性任务时期的总维修次数，保证该项参数最小为决策模型中的首要优化目标；
(2)计算机器人集群在最少总维修次数约束下的总维修费用，保证总维修费用最小为决策模型中的第二优化目标；
(3)计算机器人集群各波次任务的可靠度，保证各波次任务装备集群的可靠度大于任务门限可靠度是决策模型的主要约束之一；
(4)计算机器人集群各波次任务间隔期的维修时间，维修结束时间小于下一波次任务开始时间是决策模型的主要约束之一；
步骤四，基于遗传算法求该任务周期内的最优解。它包含以下几个子步骤：
(1)对#2(x)梯队中机器人内部元件进行二进制编码，随机初始化或者都初始化为0；
(2)计算编码后每个染色体的适应度，此适应度为该遗传算法中的核心部分，分为以下的子步骤：
1)每产生一个染色体，即每产生一个维修策略，计算该种维修方式下维修费用的花费，将该费用作为适应度指标，此值越小则适应度越大；
2)对每一个染色体通过步骤二中蒙特卡罗仿真算法计算在下个周期(x+1)中整个系统，即所有机器人的完成规定产量k(x+1)的可靠度，如果满足不了可靠度需求，将该染色体的适应度重置为0；
3)对每一个染色体，计算它的维修时间花费之和T(x)，用TB(x)表示该维修开始时间，TE(x)表示该维修结束时间，TE(x)＝TB(x)+T(x)，如果维修结束时间TE(x)大于规定的下个任务周期(x+1)开始的时间tb(x+1)，将其适应度重置为0；
4)通过子步骤1)、2)、3)的计算，即可得在每个迭代过程中产生的每个染色体个体的适应度；
(3)对每个染色体进行选择操作，染色体的自然选择存活机制有两个原则：
1)适应度越大的染色体越容易存活下来；
2)如果两个染色体适应度的差别不大，并且对于下个周期的任务的可靠度影响差别也不大，那么如果该染色体中大部分基因来自相同的机器人，即维修的元件尽量在同一个机器人中，该染色体存活下来的概率设为更大。
(4)对剩余的染色体进行交叉和变异操作；
(5)重复步骤(2)(3)(4)，当满足规定的迭代次数后，保留下来的适应度最大的染色体即为所求的该周期内的最优解，即需求的最优维修策略；
(6)如果通过以上步骤找不到可行解，则进行步骤五；
步骤五，无可行解时的回溯算法。分为下面几个子步骤：
(1)在步骤三、四中如果找不到可行解，即不管采取什么样的维修策略，都无法满足下一任务周期的可靠度需求，或者满足不了维修时间的约束，则根据(x-1)周期内剩余维修时间，在#2(x-1)决定维修的机器人中找到在剩余维修时间内可多修的元件，列为#3(x-1)集合，并检查集合#3(x-1)是否为空：若为空则进行步骤五子步骤(2)；若不为空，则进行步骤五子步骤(3)；
(2)#2(x-1)梯队经过上述步骤，得到了最优维修决策，得到的最优解为全局最优解，判断通此维修策略之后，机器人梯队的可靠度能否满足第x波次的生产任务：若能，令x＝x+1，回到步骤一，进行下一波次机器人的选择；若不能，则进行步骤五子步骤(3)；
(3)此时通过对#2(x-1)梯队的机器人进行维修已经不能满足可靠度需求，需要检查x-1的状态：若x＝1，则任务的初始条件有误，无可行解存在；若x>1,则退回到(x-2)周期，重新利用以上步骤计算全局最优解；
通过以上步骤，可以得出机器人集群在执行短间隔阶段性任务时的维修策略。
(四)附图说明
图1是本发明的实施步骤流程示意图
图2是本发明的实施步骤示意图
图3是马尔科夫链模型
图4示例系统每个任务周期机器人维修分布图
(五)具体实施方案
本发明提供一种随机任务需求约束下的多状态工业机器人集群选择性维修决策方法，单一阶段的维修策略选取基于遗传算法，整体周期的维修策略选取基于遗传算法和时间回溯递归方法，通过将各波次任务期间的装备按照各自状态分类，根据各波次任务产量计算安排的机器人数量，在分类之中挑选出每个下波次满足下波次任务可靠度需求需要进行维修的装备，使得在保证阶段性任务各波次任务可靠度的前提下显著降低对维修资源利用的方法。具体实施方式如图2所示。
步骤一，计算工业机器人集群第x波次任务开始前的机器人处于各个状态的概率，其中x为正整数。包含以下几个步骤：
(1)根据每个机器人内部在不同状态之间的转移强度建立马尔科夫链，根据马尔科夫链建立C-Kolmogorov微分方程，默认元件服从指数分布，转移强度为
如果元件服从威布尔分布，则它的状态转移强度为：
其中a,b表示元件的两个不同状态，α，β为服从威布尔分布的参数,建立如图3所示马尔科夫链，其C-Kolmogorov微分方程为：
……
……
求解该微分方程，即可得机器人内部元件在每个时刻的状态概率分布。
(2)根据机器人内部元件的状态概率分布，建立通用生成函数表达式：
(3)根据单一元件的通用生成函数表达式和机器人内部系统结构建立每个机器人的通用生成函数表达式：
其中操作符Ω＝ΩPAR＝sum[g11′,j,g22′,j,…,gnn′,j]和Ω＝ΩPARmin[g11′,j,g22′,j,…,gnn′,j]基于元件的串并联结构。
(4)同理根据以上步骤(1)(2)(3)建立整个系统的通用生成函数表达式，即可得系统在每个时刻不同状态的概率分布。
步骤二，在第x波次任务开始前，按照工业机器人健康状态将机器人集群进行分类。分为下面几个子步骤。
(1)每个机器人的生产期望由以下公式计算：
pi,j为机器人i在任务开始前时刻处于状态j的概率，gi,j为机器人i在任务开始前时刻处于状态j的生产量表现，将机器人按生产期望从高到低排序，记作集合A(x)。
(2)生成两个初始梯队集合，梯队1记做#1(x)，梯队2记为#2(x)，均为空集；
(3)根据系统在第x周期内每个时刻的状态概率分布，计算该系统在下一个任务周期内针对该周期需求量k(x)以及所需的可靠度RO(x)；
(4)计算A(x)集合中的机器人系统可靠度R(x)，并判断比较R(x)与RO(x)：若R(x)≥RO(x)，则进行步骤二子步骤(4)；否则进行步骤二子步骤(6)；
(5)将A(x)中最末尾的机器人放入#2(x)梯队中，将#2(x)梯队里的机器人按生产期望从大到小排序，A(x)中剩余的机器人集群组成新的n中取k系统，重复步骤二子步骤(4)；
(6)检查#2(x)梯队是否为空：若#2(x)不为空，则将#2(x)梯队中最前面的机器人与A(x)中剩余的机器人放入梯队#1(x)中，此时#1(x)中的工业机器人已经能够满足第x周期的生产需求，可以执行第x波次的生产任务；检查x是否为最大任务数，若是，则已得到可行解，结束任务；若不是，再令x＝x+1，回到步骤一，继续进行下一波机器人的选择；若#2(x)为空，则进行步骤二(7)；
(7)检查x是否等于1：若x的值等于1，则该问题由于起始状态的错误不存在可行解，结束；若x的值不等于1，即该任务不是第一波次的任务，令x＝x-1，则退回到上一个任务周期，对第x周期#2(x)梯队中的机器人利用步骤三和步骤四来进行选择性维修决策。
如果第一阶段的产量要求为50，可靠度约束为90％，按照以上步骤在任务开始前按生产期望排序：(R1，R7，R5，R6，R4，R2，R3)，第一次仿真后将R3放入#2(1)集合，最终#1(1)集合中机器人为(R1，R7，R5)，#2(1)集合中机器人为(R3，R2，R4，R6)。
步骤三，以最小化维修次数为目标，以任务成功率为约束构建选择性维修决策模型。该步骤包含以下几个子步骤：
(1)计算机器人集群在阶段性任务时期的总维修次数Nm，其值为阶段性任务时期所有装备的维修总次数，计算方法下面公式。在这里引入中间变量mi(x)，表示第x波次任务机器人i是否在集合保障工作站中进行维修。若i机器人有任何需要在集合保障工作站中进行维修的元件，则mi(x)＝1，否则mi(x)＝0。保证Nm参数最小为决策模型中的首要优化目标；
Nm＝∑x＝1∑i＝1mi(x) (8)
(2)计机器人集群在最少总维修次数下的总维修费用CT，其值为阶段性任务时期所有机器人的维修总费用，计算方法下面公式。其中，Cii′代表i机器人i′子系统的维修费用。在这里引入中间变量uii′(x)，表示第x波次任务机器人i的第i′个子系统是否进行维修。若进行维修，则uii′(x)＝1，否则uii′(x)＝0。保证CT参数最小为决策模型中的第二优化目标；
(3)计算机器人集群在每次维修任务下的时间约束，Ti(x)为每个任务周期x内机器人i的维修时间，tb(x)为该x任务周期开始时间，te(x)为该x任务周期结束时间，记TE(x)为该次维修结束时间，每次维修时间约束为TE(x)＜te(x)：
Ti(x)＝∑uii′*Tii′ (10)
TE(x)＝tb(x)+∑Ti(x) (11)
步骤四，基于遗传算法求该任务周期内的最优解。在x任务周期开始时，根据步骤二计算在下个周期，即(x+1)周期中任务可靠度是否能满足，若R(x+1)≥Rx+1，将x的值增加1，即推后一个周期继续进行可靠度判断；若R(x+1)＜Rx+1，在该x周期内应该对#2(x)梯队集合中的机器人安排维修计划，采用遗传算法求得最优解。它包含以下几个子步骤：
(1)对#2(x)集合中机器人元件按顺序进行二级制随机编码，如(0101010..00)，其中1表示该元件进行维修，0表示不维修，染色体数量越多结果越准确；
(2)计算种群中每个染色体的适应度，分为下面几个子步骤：
①每个染色体代表一个维修策略，计算该种维修方式下维修费用的花费c：
c＝∑i＝1∑i′＝1cii′*uii′ (12)
其中，cii′为i机器人中i′元件的维修花费，uii′为该元件的维修策略，将该费用值取反作为适应度指标，则花费越小则适应度越大。
②对每一个染色体通过步骤二中蒙特卡罗仿真算法计算在下个周期(x+1)中整个系统，即所有机器人的完成规定产量k(x+1)的可靠度，如果满足不了可靠度需求，将该染色体的适应度重置为0；
③对每一个染色体，计算它的维修时间花费之和T(x)，用tb(x)表示该维修开始时间，TE(x)表示该维修结束时间，TE(x)＝tb(x)+T(x)，如果维修结束时间TE(x)>tb(x+1)，将其适应度重置为0；
④通过步骤①、②、③的计算，即可得在每个迭代过程中产生的每个染色体个体的适应度。
(3)根据计算的得到的适应度进行自然选择，其中有两条原则：
①适应度与存活概率成正比关系，适应度越高则存活概率越大。
②如果有两条染色体的适应度相同，那么这两条染色体中集中在同一个机器人中维修的那个存活概率更大，存活概率值可以按规则自己设定，不影响最终结果，只影响收敛速度。
(4)对于自然选择后的染色体进行，交叉和变异。
(5)重复步骤(1)、(2)、(3)、(4)，直到满足规定的迭代次数，即可得该任务周期内的局部最优解。+
步骤五，无可行解时的回溯算法。由于我们的第一优化目标是减少维修次数，和n中取k系统每个周期的机器人选取特性，很容易在某个周期内存在由于废旧机器人堆积太多导致维修时间太短达不到维修后仍然达不到下个周期的可靠度需求，则需要回溯到前一个或者更早的周期内，在之前某个或者某几个有时间多余可以多修额外机器人元件的周期内，调整维修计划。它包含下面几个子步骤：
(1)在步骤三、四中如果找不到可行解，即不管采取什么样的维修策略，都无法满足下一任务周期的可靠度需求，或者满足不了维修时间的约束，则根据(x-1)周期内剩余维修时间，在#2(x-1)决定维修的机器人中找到在剩余维修时间内可多修的元件，列为#3(x-1)集合，并检查集合#3(x-1)是否为空：若为空则进行步骤五子步骤(2)；若不为空，则进行步骤五子步骤(3)；
(2)#2(x-1)梯队经过上述步骤，得到了最优的维修决策，得到的最优解为全局最优解，判断通此维修策略之后，机器人梯队的可靠度能否满足第x波次的生产任务：若能，令x＝x+1，回到步骤一，进行下一波次机器人的选择；若不能，则进行步骤五子步骤(3)；
(3)此时通过对#2(x-1)梯队的机器人进行维修已经不能满足可靠度需求，需要检查x-1的状态：若x＝1，则任务的初始条件有误，无可行解存在；若x>1,则退回到(x-2)周期，重新利用以上步骤计算全局最优解；
通过以上步骤，可以得出机器人集群在执行短间隔阶段性任务时的维修策略。
【示例】假设整个系统由7个相同机器人组成，每个机器人由3个元件构成，其中，元件1和元件2并联，再与元件3串联。每个周期的产量及可靠度需求如表1所示，机器人内部元件性能衰退服从指数分布，状态之间的转移强度如表2和表3表3所示。各元件的初始年龄如表4所示。
表1每个任务周期所需的产量的任务可靠度要求
| 任务周期 | 产量需求 | 可靠度需求 |
| 第一任务周期 | 50 | 90％ |
| 第二任务周期 | 43 | 90％ |
| 第三任务周期 | 54 | 90％ |
| 第四任务周期 | 72 | 90％ |
| 第五任务周期 | 54 | 90％ |
| 第六任务周期 | 74 | 90％ |
| 第七任务周期 | 68 | 90％ |
表2元件1和元件2的状态转移强度
表3元件3的状态转移强度
表4元件初始年龄
| 机器人1 | 机器人2 | 机器人3 | 机器人4 | 机器人5 | 机器人6 | 机器人7 |
| 元件1:0 | 元件1:10 | 元件1:40 | 元件1:15 | 元件1:5 | 元件1:10 | 元件1:10 |
| 元件2:10 | 元件2:10 | 元件2:20 | 元件2:20 | 元件2:0 | 元件2:10 | 元件2:0 |
| 元件3:0 | 元件3:20 | 元件3:20 | 元件3:10 | 元件3:10 | 元件3:10 | 元件3:0 |
(1)首先根据公式(1)(2)(3)(4)，计算系统随时间变化的状态概率分布；
(2)根据步骤二中算法，按照每个周期的产量k计算每个周期工作的机器人数量，并将其分类，如例子第一阶段的产量要求为50，可靠度约束为90％，按照以上步骤在任务开始前按生产期望排序：(R1，R7，R5，R6，R4，R2，R3)，第一次仿真后将R3放入#2(1)集合，以此类推，最终#1(1)集合中机器人为(R1，R7，R5)，#2(1)集合中机器人为(R3，R2，R4，R6)；
(3)根据步骤三中的决策模型公式(8)(9)(10)(11)，确定步骤四中遗传算法中适应度；
(4)按照步骤四中的遗传算法框架进行编程求局部最优解；
(5)回溯过程：在本例中在第一阶段的任务周期中，#1(1)工作的机器人为(R1，R7，R5)，#2(1)闲置的机器人为(R2，R3，R4，R6)。根据计算此时对#2(1)中机器人不进行维修也能满足第二个任务周期内的生产可靠度需求。在第二个任务周期内经过计算，#1(2)工作的机器人为(R1，R2，R4，R6，R7)，#2(2)集合闲置的机器人为(R3，R5)，为满足第三阶段任务周期的可靠度需求，局部最优维修决策为(1,1,1,0,0,0).在第三任务阶段周期中，#1(3)工作的机器人集合为(R1，R2，R3，R4，R5，R6，R7)，#2(3)为空集，此时第四任务阶段可靠度只有0.304，完全到不到90％的可靠度需求，而第三任务周期中又没有可以安排维修的机器人，只能在第二任务周期和第一任务周期中按照步骤五重新调整维修计划，整个任务周期以此类推，最终的全局最优解如表5所示。
表5示例最优解
| R1 | R2 | R3 | R4 | R5 | R6 | R7 |
| 0,0,0， | 0,0,1 | 1,1,1 | 0,0,1 | 0,0,0 | 0,0,1 | 0,0,0 |
| 0,1,0 | 0,0,0 | 0,0,0 | 1,1,0 | 0,0,1 | 0,0,0 | 1,1,1 |
| 0,0,0 | 1,1,1 | 0,0,1 | 0,0,0 | 0,0,0 | 1,1,1 | 0,0,0 |
| 1,0,1 | 0,0,0 | 0,0,0 | 0,0,0 | 1,1,1 | 0,0,0 | 0,0,1 |
| 0,0,0 | 0,0,1 | 1,1,0 | 1,1,1 | 0,0,0 | 0,0,1 | 0,0,0 |
| 0,1,1 | 0,0,0 | 0,0,0 | 0,0,0 | 0,0,1 | 0,0,0 | 1,1,1 |
| 0,0,0 | 1,1,1 | 0,0,1 | 0,0,0 | 0,0,0 | 1,1,1 | 0,0,0 |
各任务周期中，机器人元件的详细维修情况如图4所示。
Claims (1)
1.一种随机任务需求约束下的多状态工业机器人集群选择性维修决策方法，其特征在于：1)每个任务周期内的任务产量需求服从泊松分布，即n中取k系统中的k服从泊松分布；2)工厂工作为24小时不停歇，机器人只有在不工作时才可进行维修，具体步骤如下：
步骤一，计算工业机器人集群第x波次任务开始前的机器人处于各个状态的概率，其中x为正整数；
(1)n中取k系统分为k/n:[G]和k/n:[F]系统，本发明中针对k/n:[G]，并且其中的k替换为每个任务周期的产量；
(2)根据马尔科夫链和Chapman-Kolmogorov方程，利用已知的机器人内部元件在每个状态之间的转移强度，求出每个元件在不同时刻的状态概率分布；
(3)根据已得的机器人内部元件在每个时刻的状态概率分布，建立通用生成函数表达式，再根据该机器人内部元件的串并联结构，建立每个机器人的通用生成函数表达式；
(4)根据每个机器人的通用生成函数表达式，建立整个系统的通用生成函数，即可得整个系统在每个时刻的状态概率分布；
步骤二，在第x波次任务开始前，按照工业机器人健康状态将机器人集群进行分类，它包含以下几个子步骤：
(1)根据机器人的通用生成函数表达式，求出机器人在本周期任务开始时刻的生产期望，并根据生产期望从高到低排序，记做集合A(x)；
(2)生成两个初始梯队集合，梯队1记做#1(x)，梯队2记为#2(x)，均为空集；
(3)根据系统在第x周期内每个时刻的状态概率分布，计算该系统在下一个任务周期内针对该周期需求量k(x)以及所需的可靠度RO(x)；
(4)计算A(x)集合中的机器人系统可靠度R(x)，并判断比较R(x)与RO(x)：若R(x)≥RO(x)，则进行步骤二子步骤(4)；否则进行步骤二子步骤(6)；
(5)将A(x)中最末尾的机器人放入#2(x)梯队中，将#2(x)梯队里的机器人按生产期望从大到小排序，A(x)中剩余的机器人集群组成新的n中取k系统，重复步骤二子步骤(4)；
(6)检查#2(x)梯队是否为空：若#2(x)不为空，则将#2(x)梯队中最前面的机器人与A(x)中剩余的机器人放入梯队#1(x)中，此时#1(x)中的工业机器人已经能够满足第x周期的生产需求，可以执行第x波次的生产任务；检查x是否为最大任务数，若是，则已得到可行解，结束任务；若不是，再令x＝x+1，回到步骤一，继续进行下一波机器人的选择；若#2(x)为空，则进行步骤二(7)；
(7)检查x是否等于1：若x的值等于1，则该问题由于起始状态的错误不存在可行解，结束；若x的值不等于1，即该任务不是第一波次的任务，令x＝x-1，则退回到上一个任务周期，对第x周期#2(x)梯队中的机器人利用步骤三和步骤四来进行选择性维修决策；
步骤四，基于遗传算法求该任务周期内的最优解，它包含以下几个子步骤：
(1)对#2(x)梯队中机器人内部元件进行二进制编码，随机初始化或者都初始化为0；
(2)计算编码后每个染色体的适应度，此适应度为该遗传算法中的核心部分，分为以下的子步骤：
1)每产生一个染色体，即每产生一个维修策略，计算该种维修方式下维修费用的花费，将该费用作为适应度指标，此值越小则适应度越大；
2)对每一个染色体通过步骤二中蒙特卡罗仿真算法计算在下个周期(x+1)中整个系统，即所有机器人的完成规定产量k(x+1)的可靠度，如果满足不了可靠度需求，将该染色体的适应度重置为0；
3)对每一个染色体，计算它的维修时间花费之和T(x)，用TB(x)表示该维修开始时间，TE(x)表示该维修结束时间，TE(x)＝TB(x)+T(x)，如果维修结束时间TE(x)大于规定的下个任务周期x+1开始的时间tb(x+1)，将其适应度重置为0；
4)通过子步骤1)，2)，3)的计算，即可得在每个迭代过程中产生的每个染色体个体的适应度；
(3)对每个染色体进行选择操作，染色体的自然选择存活机制有两个原则：
1)适应度越大的染色体越容易存活下来；
2)如果两个染色体适应度的差别不大，并且对于下个周期的任务的可靠度影响差别也不大，那么如果该染色体中大部分基因来自相同的机器人，即维修的元件尽量在同一个机器人中，该染色体存活下来的概率设为更大；
(4)对剩余的染色体进行交叉和变异操作；
(5)重复步骤(2)(3)(4)，当满足规定的迭代次数后，保留下来的适应度最大的染色体即为所求的该周期内的最优解，即需求的最优维修策略；
(6)如果通过以上步骤找不到可行解，则进行步骤五；
步骤五，无可行解时的回溯算法：由于我们的第一优化目标是减少维修次数，和n中取k系统每个周期的机器人选取特性，很容易在某个周期内存在由于废旧机器人堆积太多导致维修时间太短达不到维修后仍然达不到下个周期的可靠度需求，则需要回溯到前一个或者更早的周期内，在之前某个或者某几个有时间多余可以多修额外机器人元件的周期内，调整维修计划，它包含下面几个子步骤：
(1)在步骤三、四中如果找不到可行解，即不管采取什么样的维修策略，都无法满足下一任务周期的可靠度需求，或者满足不了维修时间的约束，则根据(x-1)周期内剩余维修时间，在#2(x-1)决定维修的机器人中找到在剩余维修时间内可多修的元件，列为#3(x-1)集合，并检查集合#3(x-1)是否为空：若为空则进行步骤五子步骤(2)；若不为空，则进行步骤五子步骤(3)；
(2)#2(x-1)梯队经过上述步骤，得到了最优的维修决策，得到的最优解为全局最优解，判断通此维修策略之后，机器人梯队的可靠度能否满足第x波次的生产任务：若能，令x＝x+1，回到步骤一，进行下一波次机器人的选择；若不能，则进行步骤五子步骤(3)；
(3)此时通过对#2(x-1)梯队的机器人进行维修已经不能满足可靠度需求，需要检查x-1的状态：若x＝1，则任务的初始条件有误，无可行解存在；若x>1,则退回到(x-2)周期，重新利用以上步骤计算全局最优解；
通过以上步骤，可以得出机器人集群在执行短间隔阶段性任务时的维修策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111311542.7A CN113988337A (zh) | 2021-11-08 | 2021-11-08 | 一种随机任务需求约束下的多状态工业机器人集群选择性维修决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111311542.7A CN113988337A (zh) | 2021-11-08 | 2021-11-08 | 一种随机任务需求约束下的多状态工业机器人集群选择性维修决策方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113988337A true CN113988337A (zh) | 2022-01-28 |
Family
ID=79747036
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111311542.7A Pending CN113988337A (zh) | 2021-11-08 | 2021-11-08 | 一种随机任务需求约束下的多状态工业机器人集群选择性维修决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113988337A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040078109A1 (en) * | 1998-12-31 | 2004-04-22 | Dikran Babikian | Robot pre-positioning in a wafer processing system |
| CN109657861A (zh) * | 2018-12-20 | 2019-04-19 | 北京航空航天大学 | 一种基于顺序博弈的多阶段连续任务装备集群的选择性维修方法 |
| CN109894875A (zh) * | 2017-11-29 | 2019-06-18 | 林肯环球股份有限公司 | 支持预测性和预防性维护的系统和方法 |
| CN110363308A (zh) * | 2019-07-17 | 2019-10-22 | 北京航空航天大学 | 一种面向多阶段随机任务需求的多状态工业机器人集群选择维修方法 |
-
2021
- 2021-11-08 CN CN202111311542.7A patent/CN113988337A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040078109A1 (en) * | 1998-12-31 | 2004-04-22 | Dikran Babikian | Robot pre-positioning in a wafer processing system |
| CN109894875A (zh) * | 2017-11-29 | 2019-06-18 | 林肯环球股份有限公司 | 支持预测性和预防性维护的系统和方法 |
| CN109657861A (zh) * | 2018-12-20 | 2019-04-19 | 北京航空航天大学 | 一种基于顺序博弈的多阶段连续任务装备集群的选择性维修方法 |
| CN110363308A (zh) * | 2019-07-17 | 2019-10-22 | 北京航空航天大学 | 一种面向多阶段随机任务需求的多状态工业机器人集群选择维修方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109946965B (zh) | 一种基于改进的多目标Jaya算法的离散制造车间排产方法 | |
| CN115600774B (zh) | 一种装配式建筑构件产线的多目标生产调度优化方法 | |
| CN114118799A (zh) | 一种基于虚拟工序的遗传算法车间排产方法 | |
| CN109657861B (zh) | 一种基于顺序博弈的多阶段连续任务装备集群的选择性维修方法 | |
| CN112686474B (zh) | 一种基于改进的水波优化算法的可并行装配线平衡方法 | |
| US6782295B2 (en) | Optimizing the availability of a buffered industrial process | |
| CN114897379A (zh) | 一种基于信息反馈的动态生产计划排程系统及方法 | |
| CN113642803A (zh) | 一种考虑水量预测的供水泵组优化调度方法 | |
| CN110363308A (zh) | 一种面向多阶段随机任务需求的多状态工业机器人集群选择维修方法 | |
| CN110648050B (zh) | 一种传统流水线装配向单元式装配方式转换的重构方法 | |
| CN111553610B (zh) | 一种基于学习-遗忘效应的调度方法及系统 | |
| CN113988337A (zh) | 一种随机任务需求约束下的多状态工业机器人集群选择性维修决策方法 | |
| CN110705844B (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 | |
| CN116957219A (zh) | 一种基于遗传算法的水泥生产线施工作业调度方法 | |
| CN115619185A (zh) | 一种考虑机器维护的订单分级排序与加工调度方法 | |
| CN116027741A (zh) | 一种用于复杂制造场景的边云协同人工智能框架 | |
| Zhao et al. | Selective maintenance modeling for a multi-state system considering human reliability | |
| Mishra et al. | Multi-objective genetic algorithm: A comprehensive survey | |
| CN114819273A (zh) | 基于多Agent全局与局部优化结合的车间调度方法 | |
| CN112734286B (zh) | 一种基于多策略深度强化学习的车间调度方法 | |
| CN116091046B (zh) | 基于分阶段启发式算法的装备群多波次任务维修规划方法 | |
| CN111415272A (zh) | 一种供水管网预防性更换时机动态优选方法 | |
| Song et al. | Research on Flexible Equipment Maintenance Process Scheduling Problems Based on HNSGSA Algorithm | |
| CN114330940B (zh) | 用于pcb电镀任务排序问题的多目标混合蜘蛛猴优化方法 | |
| Wu et al. | Design and Application of Workshop Production Scheduling Strategy Based on Manufacturing Big Data |
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 |