CN114442578A - 复杂型面智能生产单元任务的刀具联合动态调度方法 - Google Patents
复杂型面智能生产单元任务的刀具联合动态调度方法 Download PDFInfo
- Publication number
- CN114442578A CN114442578A CN202210108726.1A CN202210108726A CN114442578A CN 114442578 A CN114442578 A CN 114442578A CN 202210108726 A CN202210108726 A CN 202210108726A CN 114442578 A CN114442578 A CN 114442578A
- Authority
- CN
- China
- Prior art keywords
- tool
- task
- scheduling
- time
- algorithm
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 83
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 23
- 238000003754 machining Methods 0.000 claims description 50
- 238000004458 analytical method Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 claims description 7
- 238000005859 coupling reaction Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000003780 insertion Methods 0.000 claims description 5
- 230000037431 insertion Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 8
- 230000007246 mechanism Effects 0.000 abstract description 7
- 238000010835 comparative analysis Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 11
- 230000015654 memory Effects 0.000 description 9
- 238000000540 analysis of variance Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000012163 sequencing technique Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012916 structural analysis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000009827 uniform distribution 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
- Y02P90/30—Computing systems specially adapted for manufacturing
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)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了复杂型面智能生产单元任务的刀具联合动态调度方法，涉及高精密零件加工管理技术领域。在本发明中，提出通过组合规则算法框架来生成求解问题的组合规则算法集合，能高效、便捷地产生一系列具有低运算复杂度的算法，通过仿真实验对比分析生成的算法在不同系统性能指标下的表现，将对车间生产管理人员进行任务‑刀具联合调度决策提供一定指导作用，以利于车间生产管理人员在不同系统性能指标中找出适合实际车间的任务‑刀具联合调度决策，实现合理地利用现有资源，建立可快捷响应的任务与刀具联合调度机制，提升工序生产效益。
Description
技术领域
本发明涉及高精密零件加工管理技术领域，尤其涉及复杂型面智能生产单元任务的刀具联合动态调度方法。
背景技术
具有复杂型面特征的零部件作为高精密零部件之一，是模具、航空和重大型设备等产品的重要组成部分。此类零部件具有小批量、多型面、高精度、工艺复杂等特征，在传统制造车间需要多台功能单一的设备协作完成加工。而随着自动化、集成化生产设备的普及，零部件生产呈现由单台设备通过切换刀具完成多道工序加工的趋势。如图1所示，为复杂型面零部件智能生产单元：生产单元由多台功能集成的加工设备、一台机械手设备和单元缓存架构成，当设备上刀具满足工件加工要求时，工件可在任意台设备上通过刀库中多刀具协作的方式完成工件加工。那么在复杂型面零部件生产过程中，如何合理地利用现有资源，建立可快捷响应的任务与刀具联合调度机制，提升工序生产效益，是本发明所要解决的问题。
发明内容
本发明的目的在于提出复杂型面智能生产单元任务的刀具联合动态调度方法，以解决如何合理地利用现有资源，建立可快捷响应的任务与刀具联合调度机制，提升工序生产效益的问题。
为达此目的，本发明采用以下技术方案：本发明第一方面公开了复杂型面智能生产单元任务的刀具联合动态调度方法，应用于解决如何合理地利用现有资源，建立可快捷响应的任务与刀具联合调度机制，提升工序生产效益的问题，包括以下步骤：
步骤S1：结合车间设备对问题进行描述，使用元组表示法表示描述后的问题，得到问题模型，基于任务耦合分解对问题进行结构化分析，将问题转化为具有强耦合关系的两个子问题：任务调度问题和刀具调度问题；以最小化最大完工时间为目标，构建刀具与任务的联合调度模型；
步骤S2：对所述任务调度问题和所述刀具调度问题分别进行特征提取与分析，构建出各个所述子问题的规则算法集合，将两个子问题的规则算法集合中的规则算法进行组合，生成求解所述问题的组合算法集合；
步骤S3：在多差异环境下进行仿真实验，对比分析组合算法集合中各个组合规则调度算法在不同系统性能指标下的表现情况，并进行组合规则调度算法的有效性分析和验证。
作为一种可选的实施例，在本发明的第一方面中，所述步骤S1中，结合车间设备对问题的描述为：
在加工单元内包含一个由多台同等并行机组成的加工设备集合W＝{1,2,…,w}，每台加工设备上有一个拥有C个刀槽的刀库，可存放一组刀具T＝{1,2,…,t}，刀具i(i∈T)的剩余使用可用时长为li；现有一个待加工工件集合J＝{1,2,…,n}，完成工件j加工需要使用到刀具子集Tj(j∈J)，在进行工件j加工前需完成加工设备的刀具调配，其中|Tj|≤C；工件j的总加工时间为pj，其中使用刀具i(i∈Tj)的加工时长为pij；当刀库中的刀具无法不间断执行工件加工任务时，需对刀库中的刀具进行切换工作，一次刀具移除/插入耗时为
联合调度的目标是为每一个工件分配合适加工设备并完成刀具调配。
作为一种可选的实施例，在本发明的第一方面中，所述步骤S1中，包括对问题模型的相关参数进行定义：i,q定义为工件序号，j定义为设备序号，k定义为刀具种类序号，hk定义为刀具在k类刀具的序号，pij定义为工件i在设备j上的总加工时间，
定义为工件i在设备j上使用刀具hk的加工时间，rk定义为k类刀具的数量，l(i)定义为任务i需要的刀具集合，TC定义为设备刀库的刀槽数量，M定义为极大值。
作为一种可选的实施例，在本发明的第一方面中，所述刀具与任务的联合调度模型为：决策变量：Cmax：当前任务集合的最大完工时间；Ci：任务i的完工时间；Sij：任务i在设备j的开始加工时间；
在设备j开始处理任务i时刀具hk的剩余可用时长；
设备j完成任务i的处理后刀具hk的剩余可用时长；
优化目标函数：MinimizeCmax (1)；任务调度约束条件：
刀具调度约束条件：
TC≥|l(i)| (20)；
式(1)表示问题的优化目标为最小化Cmax值；式(2)表示Cmax值为所有工件中最大完工时间值；式(3)表示工件完工时间为工件开始时间与加工时间之和；式(4)表示工件开始加工时间不可早于其到达系统的时间；式(5)表示刀具配置完备是设备进行工件加工的前提；式(6)表示工件仅可被一台设备加工；式(7)-(9)为关联约束，以保证一台设备同时仅可进行一个工件的加工作业；式(10)-(14)表示刀具不可进行跨设备间的共享；式(15)-(16)为关联约束，表示工件对应类型的刀具操作仅可由一把刀具完成，不接受多刀具的协作；式(17)表示进行刀具剩余可用时长的更新操作；式(18)表示工件的加工耗时为所使用全部刀具的时间和；式(19)表示不可超刀具可用时长用刀；式(20)表示工件需要使用的刀具种类不可超过设备的刀库容量上限。
作为一种可选的实施例，在本发明的第一方面中，所述任务调度问题的规则算法集合中包括先到先服务规则算法、加工时间短优先规则算法、刀具任务数多优先规则算法、刀具任务数多优先规则算法、换刀数量少优先规则算法、可用刀具寿命短优先规则算法、可用刀具种类多优先规则算法、精加工含粗加工所需刀具任务优先规则算法和基于短工时优先的精加工含粗加工刀具优先规则算法；
所述刀具调度问题的规则算法集合中包括最快响应刀具优先规则算法、前3任务最快响应优先规则算法、剩余寿命长优先规则算法、剩余寿命短优先规则算法、使用频率高优先规则算法、高累积使用时长优先规则算法、剩余刀具类型少优先规则算法和当前刀具优先规则算法。
作为一种可选的实施例，在本发明的第一方面中，两个子问题的规则算法集合中的规则算法进行组合得到具有72种组合规则调度算法的组合算法集合，所述组合算法集合中的各个组合规则调度算法在系统中执行如下步骤：
Step 1：初始化时间t；
Step 2：若有任务到达，记录其到达时间；
Step 3：若无任务等待加工，则算法结束；否则转至Step 4；
Step 4：若有设备空闲，转入Step 5；反之，更新时间t＝t+1,转至Step 2；
Step 5：选择一台空闲设备，确定加工任务；
Step 5.1：定义任务集合J；
Step 5.2：根据任务调度规则确定任务集合J中各任务的优先级；
Step 5.3：选择优先级最高的任务jmax；
Step 6：确定所选任务加工所需的刀具需求Dj；
Step 7：判断当前机器的刀库内的刀具是否满足所选工件jmax的刀具需求；
Step 8：若设备刀库内的刀具不满足加工需求，则确定要换上的刀具类型dj；
Step 8.1：定义刀库中的刀具集合D；
Step 8.2：根据刀具调度规则确定刀具集合D中刀具的优先级；
Step 8.3：选择优先级低的刀具dmin；
Step 8.4：将刀具dmin更换为dj，并更新刀库状态信息；转至Step 6；
Step 9：若设备刀库内刀具无法满足加工需求，则更改设备状态为繁忙并更新设备所属刀库的状态信息，将设备空闲时间更新为任务jmax完工时间。
作为一种可选的实施例，在本发明的第一方面中，在仿真实验的算例设计中，采用分割实验法生成测试算例集，对组合规则调度算法执行性能产生影响的因子有：刀具任务数量、刀具种类、工件数量和加工类型比例。
作为一种可选的实施例，在本发明的第一方面中，系统性能指标包括最大完成时间、最大流程时间、平均流程时间、总换刀次数以及总使用刀具数量。
作为一种可选的实施例，在本发明的第一方面中，采用公式(21)计算相对偏差百分比来评价不同组合规则调度算法的表现情况，其中RDI值越小，对应组合规则调度算法越优；
其中RDIIa表示组合规则调度算法a在配置参数I下的相对偏差百分比，TIa表示组合规则调度算法a在配置参数I下的仿真结果，TIB表示配置参数I下72种组合规则调度算法下的最优结果，TIW表示配置参数I下72种组合规则调度算法下的最差结果，RDI值在0和1之间。
本发明第二方面公开了一种计算机可读存储介质，所述计算机可读存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行本发明第一方面任一项所述的复杂型面智能生产单元任务的刀具联合动态调度方法。
与现有技术相比，本发明实施例具有以下有益效果：
在本发明的实施例中，提出通过组合规则算法框架来生成求解问题的组合规则算法集合，能高效、便捷地产生一系列具有低运算复杂度的算法，通过仿真实验对比分析生成的算法在不同系统性能指标下的表现，将对车间生产管理人员进行任务-刀具联合调度决策提供一定指导作用，以利于车间生产管理人员在不同系统性能指标中找出适合实际车间的任务-刀具联合调度决策，实现合理地利用现有资源，建立可快捷响应的任务与刀具联合调度机制，提升工序生产效益。
附图说明
图1是现有技术中复杂型面零部件智能生产单元的示意图；
图2是本发明中一个实施例分解问题的示意图；
图3是本发明设计组合调度算法框架的示意图；
图4是本发明中组合调度算法的流程示意图；
图5是本发明中一个实施例的联合调度仿真模型示意图；
图6是本发明中不同系统指标下的优解分布情况；
图7是本发明中Cmax指标的平均RDI箱线图；
图8是本发明中最大流程时间随任务调度规则变化箱图；
图9是本发明中总换刀次数指标的平均RDI箱线图；
图10是本发明中总换刀次数指标平均RDI的折线图。
具体实施方式
参照图1-10，具有复杂型面特征的零部件作为高精密零部件之一，是模具、航空和重大型设备等产品的重要组成部分。此类零部件具有小批量、多型面、高精度、工艺复杂等特征，在传统制造车间需要多台功能单一的设备协作完成加工。而随着自动化、集成化生产设备的普及，零部件生产呈现由单台设备通过切换刀具完成多道工序加工的趋势。如图1所示，为复杂型面零部件智能生产单元：生产单元由多台功能集成的加工设备、一台机械手设备和单元缓存架构成，当设备上刀具满足工件加工要求时，工件可在任意台设备上通过刀库中多刀具协作的方式完成工件加工。那么在复杂型面零部件生产过程中，如何合理地利用现有资源，建立可快捷响应的任务与刀具联合调度机制，提升工序生产效益，即是本发明所解决的问题。
针对本发明所要解决的问题，查阅了相关文献[1]-[20]，归纳出表1，表1为近年来国内外研究人员的部分研究成果。
表1任务-刀具联合调度问题文献综述
通过分析这些研究，可以发现：
1)现有研究集中于单台机器场景，且多不考虑刀具有限寿命约束；而本发明针对单工序同等并行机、任务动态批到达、刀具寿命有限且随机、刀库容量有限场景的任务-刀具联合调度问题进行研究。
2)当刀库容量C>2时，刀具配置问题是相关文献[17]公开的，针对小规模场景，多数研究人员采用精确算法来进行静态调度方案的求解；针对中大规模场景，多采用智能算法进行求解；然而本发明是在动态环境展开研究，需要在较短时间内求得较高质量的方案，而规则类算法较之智能算法和精确算法具有更高的时效性，因此，本发明采用规则类算法对问题进行求解。
具体地，相关文献如下：
[1]李泽龙,焦勇清,鲁一凡.任务顺序刀库更新策略对加工中心换刀频率的仿真优化[J].模具工业,2018,44(07):6-10+15.
LI Ze-long,JIAO Yong-qing,LU Yi-fan.Simulation optimization of toolchanging frequency in machining center considering the magazine updatestrategy of task sequence[J].Die&Mould Industry,2018,44(07):6-10+15.
[2]Paiva G S,Carvalho M A M.Improved heuristic algorithms for the jobsequencing and tool switching problem[J].Computers&Operations Research,2017,88:208-219.
[3]Farughi H,Dolatabadiaa M,Moradi V,et al.Minimizing the number oftool switches in flexible manufacturing cells subject to tools reliabilityusing genetic algorithm[J].Journal of Industrial and Systems Engineering,2017,10(special issue on Quality Control andReliability):17-33.
[4]Amaya,J.E.,Cotta,C.,Fernández-Leiva,A.J.et al.Deep memetic modelsfor combinatorial optimization problems:application to the tool switchingproblem[J].Memetic Comp,2020,12:3–22.
[5]Mauergauz Y.Job and tool group scheduling for a machining center[J].International Journal of Management Science and Engineering Management,2017,12(4):280-287.
[6]
A,Ozsoydan F B.Minimisation ofnon-machining times inoperating automatic tool changers of machine tools under dynamic operatingconditions[J].International Journal of Production Research,2018,56(4):1548-1564.
[7]Hirvikorpi M,Salonen K,Knuutila T,et al.The general two-levelstorage management problem:A reconsideration of the KTNS-rule[J].Europeanjournal of operational research,2006,171(1):189-207.
[8]Dadashi H,Moslemi S,Mirzazadeh A.Optimization of a New ToolSwitching Problem in Flexible Manufacturing Systems with a Tool Life by aGenetic Algorithm[J].International Journal of Industrial andManufacturingSystems Engineering,2016,1(3):52-58.
[9]曾创锋,刘建军,陈庆新,毛宁.求解一类无关并行机调度的遗传迭代贪心算法[J].工业工程,2021,24(02):110-118.
ZENG Chuangfeng,LIU Jianjun,CHEN Qingxin,MAO Ning.A geneticalgorithm-iterative greedy algorithm for a kind of unrelated parallel machinescheduling problem[J]Industrial Engineering Journal,2021,24(02):110-118.
[10]
S,
B,Hnich B.Parallel machine scheduling with toolloading[J].Applied Mathematical Modelling,2016,40(9-10):5660-5671.
[11]
B,Hnich B,
S.Parallel machine scheduling with toolloading:a constraint programming approach[J].International Journal ofProduction Research,2018,56(16):5541-5557.
[12]Kumar N S,Sridharan R.Simulation modelling and analysis of partand tool flow control decisions in a flexible manufacturing system[J].Robotics and Computer-Integrated Manufacturing,2009,25(4-5):829-838.
[13]Sridharan R.Simulation modeling and analysis of tool sharingandpart scheduling decisions in single-stage multimachine flexiblemanufacturing systems[J].Robotics and Computer-IntegratedManufacturing,2007,23(4):361-370.
[14]Roh H K,Kim Y D.Due-date based loading and scheduling methods fora flexible manufacturing system with an automatic tool transporter[J].International Journal of Production Research,1997,35(11):2989-3004.
[15]Graham R.L.,Lawler E.I.,Lenstra J.K.,et al.Optimization andapproximation in deterministic sequencing and scheduling a survey[M].Annalsof discrete mathematics.Elsevier,1979,5:287-326.
[16]Calmels D.The job sequencing and tool switching problem:state-of-the-art literature review,classification,and trends[J].International Journalof Production Research,2019,57(15-16):5005-5025.
[17]Crama Y,Moonen L S,Spieksma F C R,et al.The total switchingproblem revisited[J].European Journal ofOperational Research,2007,182(2):952-957.
[18]Koulamas C and Kuparisis G.Asymptoticall optimal linear timealgorithms for two-stage and three-stage flexible flow shops[J],NavalResearch Logistics Quarterly,2000,47:259-268.
[19]Logendran R,Carson S,Hanson E,Group scheduling in flexible flowshop[J].International Journal of Production Economics,2005,96(2):143-155.
[20]Bartz-Beielstein T,Chiarandini M,Paquete L,et al.Experimentalmethods for the analysis of optimization algorithms[M].Berlin,Germany:Spring-Verlag,2010:17-47.
综上所述，本发明针对所解决的问题，解决问题的思路是：首先，构建静态场景的数学模型；然后，通过对问题进行结构化分析，提出一种组合调度算法生成框架，并通过嵌入多种优化算法规则产生大量组合规则调度算法；最后，在多差异环境下进行仿真实验，对比分析各组合算法在不同系统性能指标下的表现情况，并进行算法的有效性分析和验证。
具体地，结合车间设备将问题描述为：在加工单元内包含一个由多台同等并行机组成的加工设备集合W＝{1,2,…,w}，每台加工设备上有一个拥有C个刀槽的刀库，可存放一组刀具T＝{1,2,…,t}，刀具i(i∈T)的剩余使用可用时长为li；现有一个待加工工件集合J＝{1,2,…,n}，完成工件j加工需要使用到刀具子集Tj(j∈J)，在进行工件j加工前需完成加工设备的刀具调配，其中|Tj|≤C；工件j的总加工时间为pj，其中使用刀具i(i∈Tj)的加工时长为pij；当刀库中的刀具无法不间断执行工件加工任务时，需对刀库中的刀具进行切换工作，一次刀具移除/插入耗时为
联合调度的目标是为每一个工件分配合适加工设备并完成刀具调配，进而提升加工单元的生产效益。进行如下假设：
1)一台加工设备仅有一个刀库，刀库内有多个刀槽，刀槽之间不存在差异；
2)一个刀槽仅可安装一把刀具，且一把刀具仅占用一个刀槽；
3)任意工件加工所需的刀具数量小于加工设备的刀库容量；
4)刀具移除/插入的操作时间是一个固定值，与刀具种类无关；
5)一次只能进行移除/插入一把刀具，不可进行批量移除/插入操作；
6)刀具初始可用时长服从随机分布，且基于加工时间阈值来判断刀具是否可继续使用，每次换刀均为新刀；
7)不考虑加工过程中对刀具的意外磨损情况。
进一步，参照相关文献[15]-[16]，使用元组表示法，可将问题描述为[M/STsi/SO/Toolho/Seqk/|Tj≤C|/TWyes]。如图2所示，通过进行结构化分析可将问题转化为具有强耦合关系的俩个子问题：1)任务调度问题：当刀具供应充足且迅速时，问题随即转化为单工序同等并行机调度问题；2)刀具调度问题：当工件在设备上的加工顺序确定且不变时，问题随即转化为已知任务序列考虑有限刀具寿命的多机刀具调度问题；并据此完成问题数学模型的构建。
对[M/STsi/SO/Toolho/Seqk/|Tj≤C|/TWyes]问题模型的相关参数进行如下定义：
表2参数定义
为提升任务完集合的完工效率，以最小化最大完工时间为目标，构建刀具与任务的联合调度模型。
决策变量：
Cmax：当前任务集合的最大完工时间；
Ci：任务i的完工时间；
Sij：任务i在设备j的开始加工时间；
优化目标函数：
Minimize Cmax (1)；
任务调度约束条件：
刀具调度约束条件：
TC≥|l(i)| (20)；
式(1)表示问题的优化目标为最小化Cmax值；式(2)表示Cmax值为所有工件中最大完工时间值；式(3)表示工件完工时间为工件开始时间与加工时间之和；式(4)表示工件开始加工时间不可早于其到达系统的时间；式(5)表示刀具配置完备是设备进行工件加工的前提；式(6)表示工件仅可被一台设备加工；式(7)-(9)为关联约束，以保证一台设备同时仅可进行一个工件的加工作业；式(10)-(14)表示刀具不可进行跨设备间的共享；式(15)-(16)为关联约束，表示工件对应类型的刀具操作仅可由一把刀具完成，不接受多刀具的协作；式(17)表示进行刀具剩余可用时长的更新操作；式(18)表示工件的加工耗时为所使用全部刀具的时间和；式(19)表示不可超刀具可用时长用刀；式(20)表示工件需要使用的刀具种类不可超过设备的刀库容量上限。
考虑到在实际生产过程中，任务工件是动态到达生产系统，且工件的部分加工信息在进入系统前处于未知状态，出于有效应对可能出现的波动情况考虑，所研究的调度算法应当具有强时效性。相关文献[18]-[19]表明，调度规则具有低时间复杂度的特征而在动态场景中具有较强适应性，且通过一定方式将一些简单规则进行重新组合有可能取得较简单规则更优的求解效果，故本发明采用规则组合的方式完成求解算法的构建。
基于对问题的结构化分析发现，问题为以加工任务为强耦合因子的联合优化问题。如图3所示，以任务为耦合因子将问题拆解为俩个子问题：任务调度问题和刀具调度问题；随后，对各子问题进行特征提取与分析，构建出各个子问题的规则算法集合，将两个子问题的规则算法集合中的规则算法进行组合，生成求解问题的组合算法集合。
具体地，任务调度主要解决将任务分配到加工设备，并对分配到设备上的任务进行排序：通过调度规则为待加工的任务分配一个优先级，并基于优先级进行排序，然后根据设备产能的施放时间进行任务的指派。从规则常用性、任务的刀具属性和刀库状态三个方面进行调度规则设计。任务调度问题的规则算法集合中包括：1)先到先服务(First ComeFirst Serve，FCFS)：优先加工到达系统早的任务；2)加工时间短优先(ShortestProcessing Time，SPT)：优先处理加工耗时短的任务；3)刀具任务数少优先(FewestNumber of Operations，FNOP)：优先加工使用刀具数量少的任务；4)刀具任务数多优先(Most Number of Operations，MNOP)：优先加工使用刀具数量多的任务；5)换刀数量少优先(Fewest Tools Change，FTCT)：优先加工刀具更换数量少的任务；6)可用刀具寿命短优先(Shortest Lifetime Tool，SLT)：优先加工需求刀具寿命短的任务；7)可用刀具种类多优先(Most Tools Available,MTA)：优先加工刀库中与任务需求刀具种类契合度高的任务；8)精加工含粗加工所需刀具任务优先(Finishing Includes Rough Finishing,FIRF)：先按工件类型进行分类，先以使用刀具种类由多到少对精加工类型任务进行排序，后进行粗加工类型插空式排序——与精加工任务刀具类型契合度越高，任务越优先加工；9)基于短工时优先的精加工含粗加工刀具优先(Finishing Includes Rough Finishing BasedOn Shortest Processing Time，FIRFSPT)：在FIRF规则的基础上，当存在多可选任务时优先加工耗时短的任务。
刀具调度主要考虑加工设备中的刀库配置，当配置无法支持任务加工时，需对刀具进行调配操作：基于加工任务序列和刀库中的刀具信息，当需要进行刀具切换时，对刀库中的刀具进行装卸操作。从任务属性、刀具属性和刀库状态进行规则设计。刀具调度问题的规则算法集合中包括：1)最快响应刀具优先(Keep Tool Needed Soonest，KTNS)：根据任务序列，优先卸载较晚使用的刀具，装载即刻使用的刀具；2)前3任务最快响应优先(KeepTool Needed 3 Soonest，KTN3)：根据任务序列，叠加序列中前3个任务的刀具使用时间，优先卸载时长短的刀具，装载时长长的刀具；3)剩余寿命长优先(Keep Tool HighestLifetime，KTHL)：以刀库中刀具剩余寿命为基准，优先卸载寿命短的刀具，装载寿命长的刀具；4)剩余寿命短优先(Keep Tool Lowest Lifetime，KTLL)：以刀库中刀具剩余寿命为基准，优先卸载寿命长的刀具，装载寿命短的刀具；5)使用频率高优先(Keep ToolUtilization Frequency，KTUF)：以刀具已使用情况为基准，优先卸载低频使用的刀具，装载高频使用的刀具；6)高累积使用时长优先(Keep Tool Accumulated Time，KTAT)：以刀具已使用情况为基准，优先卸载累计使用时长短的刀具，装载累计使用时长长的刀具；7)剩余刀具类型少优先(Keep Tool Remain，KTR)：以加工单元现存刀具类型数量为基准，优先卸载刀具类型多的刀具，装载类型少的刀具；8)当前刀具优先(Keep Tool Current Time，KTCT)：以待加工任务使用刀具为基准，卸载无关刀具，装载任务相关刀具。
两个子问题的规则算法集合中的规则算法进行组合，共生成FIRF_KTNS、FTCT_KTNS、FIRFSPT_KTNS等72种组合规则调度算法的组合算法集合。如图4所示，该72种组合规则调度算法在系统中执行的步骤均一致，现对其流程进行说明：
Step 1：初始化时间t；
Step 2：若有任务到达，记录其到达时间；
Step 3：若无任务等待加工，则算法结束；否则转至Step 4；
Step 4：若有设备空闲，转入Step 5；反之，更新时间t＝t+1,转至Step 2；
Step 5：选择一台空闲设备，确定加工任务；
Step 5.1：定义任务集合J；
Step 5.2：根据任务调度规则确定任务集合J中各任务的优先级；
Step 5.3：选择优先级最高的任务jmax；
Step 6：确定所选任务加工所需的刀具需求Dj；
Step 7：判断当前机器的刀库内的刀具是否满足所选工件jmax的刀具需求；
Step 8：若设备刀库内的刀具不满足加工需求，则确定要换上的刀具类型dj；
Step 8.1：定义刀库中的刀具集合D；
Step 8.2：根据刀具调度规则确定刀具集合D中刀具的优先级；
Step 8.3：选择优先级低的刀具dmin；
Step 8.4：将刀具dmin更换为dj，并更新刀库状态信息；转至Step 6；
Step 9：若设备刀库内刀具无法满足加工需求，则更改设备状态为繁忙并更新设备所属刀库的状态信息，将设备空闲时间更新为任务jmax完工时间。
进一步，通过仿真试验的方式对比、分析算法在不同系统指标下的表现情况。如图5所示为某企业重载汽车冲压模具智能生产线上的一个智能生产单元：其由3台加工设备组成，每台加工设备上可安装22把刀具，在工件加工过程中单次切换刀具耗时5秒；备用刀具放置于刀具缓存架上，加工需要的刀具类型均可通过刀具缓存架获取；工件以托盘的形式暂存于工件缓存架上，每个工件托盘的工件装载上限数量为1。机械手上/下料时间均为20秒；当需要进行换刀操作时，从任意加工设备上移除刀具到刀具单元缓存架上需要耗时2分钟，插入刀具的时间也为2分钟。为了研究方便同时考虑案例生成的随机性，这里对生产单元进行如下假设：
1)刀具缓存架可随时保证加工过程中加工设备所需刀具的供应；
2)任务工件为精加工要求时，加工设备上对应刀具类型需为全新刀具；
3)任务工件的到达时间服从负指数分布；
4)车间中刀具初始可用时长服从负指数分布；
5)任务使用的刀具类型数量服从均匀分布；
6)任务工件对应刀具的加工耗时服从均匀分布。
因所设计试验建立于实际车间，生产环境自身已具备一定的复杂性，在以往研究中难以找到相匹配的测试数据集，故决定采用相关文献[20]提出的分割试验法来生成本发明的测试算例集。通过查阅相关文献[12-14]并结合实地调研结果，总结出可能对调度策略执行性能产生影响的因子有：刀具任务数量(t)、刀具种类(g)、工件数量(n)和加工类型比例(T)，如表3所示。其中每个任务工件的刀具任务数量为两个水平：分别服从均匀分布U[2,7]和U[8,12]；设计刀具种类分为少、中、多三个不同规模，分别对应40、80和100；工件数量设置3个不同水平，分别为100、200和500；加工类型比例，即任务工件集合中精加工(需使用全新刀具加工)与粗加工的工件的所占比例，设置3个不同水平：3/7、5/5和7/3。
表3影响因子设计
如上所述，仿真试验将在2水平刀具任务数量、3水平刀具种类、3水平工件数量以及3水平加工类型比例参数设定的情况下展开，并对随机生成的10组仿真案例，验证所设计的由9种任务调度规则和8种刀具配置规则重组成的72种组合调度规则在多个系统指标下的表现。即将72种调度算法在54种环境参数下，针对10组随机案例进行试验(共计38800次试验)。以上试验均在eM-Plant仿真平台(仿真软件及其版本：Tecnomatix PlantSimulation 15.1)上进行，运行平台的机器配置为：IntelR 
2.1GH(2处理器)，内存128GB。
本发明考虑在最大完成时间、最大流程时间、平均流程时间、总换刀次数以及总使用刀具数量等5个系统性能指标下进行算法分析。但鉴于所研究问题的复杂性和当前研究现状，暂时没有可进行对比的最优解，故采用如式(21)计算相对偏差百分比(RelativeDeviation Index，RDI)来评价不同组合规则调度算法的表现情况，其中RDI值越小，对应组合规则调度算法越优。
其中RDIIa表示组合规则调度算法a在配置参数I下的相对偏差百分比，TIa表示组合规则调度算法a在配置参数I下的仿真结果，TIB表示·配置参数I下72种组合规则调度算法下的最优结果，TIW表示配置参数I下72种组合规则调度算法下的最差结果，RDI值在0和1之间。
不同性能指标下的算法表现：
如图6所示为分别以最小化Cmax、换刀总数、总流程时间和最大流程时间为评价指标，较优解(在同一水平参数配置情况下，调度结果质量可进入前三)算法出现频次的统计图。可以发现：1)取得优解的规则分布较散(一共有39种不同的算法在此4种指标下取得优解)；2)除换刀数量和最小化Cmax指标因其方案表征上具有一定的相关关系(较少的换刀数量能缩短换刀花费时间，进而实现Cmax指标的优化)，在优解上具有较高的重合度(88.9％)外，其余指标下优解算法的重合度则较低；3)不同指标对规则算法具有一定的倾向性，如基于SPT属性设计的算法在流程时间相关指标具有较好的表现。
Cmax指标下的算法性能分析：
如表4所示为以Cmax评价指标，各组合算法在不同环境参数多次仿真试验下的平均RDI。从刀具调度规则和任务调度规则在均值的表现情况可知，KTNS刀具调度规则和FIRF任务调度规则在整体环境下具有良好的表现。
表4 Cmax指标下各规则的平均RDI
为进一步分析算法在不同因素(t、g、n和T)水平下Cmax值的表现，同时考虑到展示方便，选择其中10种组合算法进行分析。如图7所示为各因素在不同组合规则下多次仿真试验平均RDI值的95％置信度的箱线图，每个箱线图表示在同一参数设置下，10次试验的Cmax的标值集合。通过观察可以发现：1)随着工件的刀具任务数量增加，组合规则的整体求解质量均有所下降；2)相比于考虑历史加工信息，考虑当前状态(如，FIRF_KTNS、FIRF_KTR、FTCT_KTNS等)更不容易受刀具种类数量变化影响；3)随着任务数量的增加，组合算法的求解质量趋于稳定；4)随着精加工与粗加工比例偏离等分线(T＝5/5)，算法的求解波动呈增大的趋势。
最大流程时间指标下的算法性能分析:
如表示5所示，在5％显著性水平下以最大流程时间为目标，对各关联因素进行单因素和多因素方差分析(ANOVA)。通过方差分析可知，主因素在最大流程时间指标均表现为显著性。随后，通过对F值进行排序可知，刀具任务数对最大流程时间指标产生的影响最大、其次是工件数量和任务调度规则，而刀具调度规则虽然对指标也呈现显著性，但其变化对最大流程时间的影响最弱。
表5方差分析结果
如图8所示，对分析任务调度规则进行进一步的分析，图中IQR(inter-quartilerange)为内距，或称为四分位差；每个箱型表示在同一任务调度规则参数下，多次仿真实验的最大流程时间的标值集合。通过对图8的观察可以发现：1)基于FCFS构建的调度策略表现出的波动性最小，其次是MTA规则；2)SPT和FIRFSPT规则无论从求解质量还是波动性上来说其表现均不尽如人意。
平均流程时间指标下的算法性能分析:
如表6所示，为以平均流程时间为评价指标，各组合调度规则在不同环境参数多次仿真试验下RDI的平均值。从刀具调度规则和任务调度规则在均值的表现情况可知，KTNS刀具调度规则和SPT任务调度规则均采用一种贪心的策略：1)KTNS优先考虑即将被使用的刀具从而降低换刀时间；2)SPT优先选择执行时间短的任务；其在一定程度上缩短任务在车间的等待时间进而在平均流程指标下取得较好的表现。
表6平均流程时间下的平均RDI
如表7所示，在平均流程时间指标下，进行各关联因素方差分析可知：刀具调度规则在平均流程时间指标下虽然表征为显著性影响，但相对于其他因素其显著性最弱。
表7方差分析
其中，表7中的E表示10次方，如1E+12表示1乘10的12次方。
在总换刀次数指标下的算法性能分析：
对总换刀次数指标中表现最优的8种组合规则数据展开分析。如图9所示为这些组合算法在4种因子下的95％区间图，通过对图进行观察可以发现：1)即使是在较优组合缩短下，除极少数规则在指标下取得良好的表现(各因子下均只有2种规则RDI值较小，其余规则RDI普遍大于0.5)，其余规则均表现不佳；2)随着工件刀具任务数量的增加，各组合算法的求解质量均呈现下降的趋势。
总使用刀具数量指标下的算法性能分析：
如图10所示为分别在任务调度规则和刀具调度规则下，总使用刀具数量随各组合因子变化的折线图。可以发现：1)任务调度规则和刀具调度规则在各因素水平下表现的优劣排名具有较大的相似性，且FIRFSPT任务调度规则和KTCT刀具调度规则在各因素水平下均表现优异，而MTA任务调度规则和KTLL刀具调度规则在各因素水平下优度均是最差；2)任务调度规则和刀具调度规则在解优度随任务数量和刀具种类数量变化呈现出相同的变化趋势。
在本发明的实施例中，提出通过组合规则算法框架来生成求解问题的组合规则算法集合，能高效、便捷地产生一系列具有低运算复杂度的算法，通过仿真实验对比分析生成的算法在不同系统性能指标下的表现，将对车间生产管理人员进行任务-刀具联合调度决策提供一定指导作用，以利于其合理地利用现有资源，建立可快捷响应的任务与刀具联合调度机制，提升工序生产效益。
本发明第二方面公开一种计算机可读存储介质，所述计算机可读存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行上述任一实施例所述的复杂型面智能生产单元任务的刀具联合动态调度方法。
以上所描述的装置实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
Claims (10)
1.复杂型面智能生产单元任务的刀具联合动态调度方法，其特征在于，包括以下步骤：
S1：结合车间设备对问题进行描述，使用元组表示法表示描述后的问题，得到问题模型，基于任务耦合分解对问题进行结构化分析，将问题转化为具有强耦合关系的两个子问题：任务调度问题和刀具调度问题；以最小化最大完工时间为目标，构建刀具与任务的联合调度模型；
S2：对所述任务调度问题和所述刀具调度问题分别进行特征提取与分析，构建出各个所述子问题的规则算法集合，将两个子问题的规则算法集合中的规则算法进行组合，生成求解问题的组合算法集合；
S3：在多差异环境下进行仿真实验，对比分析组合算法集合中各个组合规则调度算法在不同系统性能指标下的表现情况，并进行组合规则调度算法的有效性分析和验证。
2.根据权利要求1所述的复杂型面智能生产单元任务的刀具联合动态调度方法，其特征在于，所述步骤S1中，结合车间设备对问题的描述为：
在加工单元内包含一个由多台同等并行机组成的加工设备集合W＝{1，2，...，w}，每台加工设备上有一个拥有C个刀槽的刀库，可存放一组刀具T＝{1，2，...，t}，刀具i(i∈T)的剩余使用可用时长为li；现有一个待加工工件集合J＝{1，2，...，n}，完成工件j加工需要使用到刀具子集Tj(j∈J)，在进行工件j加工前需完成加工设备的刀具调配，其中|Tj|≤C；工件j的总加工时间为pj，其中使用刀具i(i∈Tj)的加工时长为pij；当刀库中的刀具无法不间断执行工件加工任务时，需对刀库中的刀具进行切换工作，一次刀具移除/插入耗时为
联合调度的目标是为每一个工件分配合适加工设备并完成刀具调配。
3.根据权利要求2所述的复杂型面智能生产单元任务的刀具联合动态调度方法，其特征在于，所述步骤S1中，包括对问题模型的相关参数进行定义：i，q定义为工件序号，j定义为设备序号，k定义为刀具种类序号，hk定义为刀具在k类刀具的序号，pij定义为工件i在设备j上的总加工时间，
定义为工件i在设备j上使用刀具hk的加工时间，rk定义为k类刀具的数量，l(i)定义为任务i需要的刀具集合，TC定义为设备刀库的刀槽数量，M定义为极大值。
4.根据权利要求3所述的复杂型面智能生产单元任务的刀具联合动态调度方法，其特征在于，所述刀具与任务的联合调度模型为：
决策变量：Cmax：当前任务集合的最大完工时间；
Ci：任务i的完工时间；
Sij：任务i在设备j的开始加工时间；
优化目标函数：Minimize Cmax (1)；
任务调度约束条件：
刀具调度约束条件：
TC≥|l(i)| (20)；
式(1)表示问题的优化目标为最小化Cmax值；式(2)表示Cmax值为所有工件中最大完工时间值；式(3)表示工件完工时间为工件开始时间与加工时间之和；式(4)表示工件开始加工时间不可早于其到达系统的时间；式(5)表示刀具配置完备是设备进行工件加工的前提；式(6)表示工件仅可被一台设备加工；式(7)-(9)为关联约束，以保证一台设备同时仅可进行一个工件的加工作业；式(10)-(14)表示刀具不可进行跨设备间的共享；式(15)-(16)为关联约束，表示工件对应类型的刀具操作仅可由一把刀具完成，不接受多刀具的协作；式(17)表示进行刀具剩余可用时长的更新操作；式(18)表示工件的加工耗时为所使用全部刀具的时间和；式(19)表示不可超刀具可用时长用刀；式(20)表示工件需要使用的刀具种类不可超过设备的刀库容量上限。
5.根据权利要求1所述的复杂型面智能生产单元任务的刀具联合动态调度方法，其特征在于，
所述任务调度问题的规则算法集合中包括先到先服务规则算法、加工时间短优先规则算法、刀具任务数多优先规则算法、刀具任务数多优先规则算法、换刀数量少优先规则算法、可用刀具寿命短优先规则算法、可用刀具种类多优先规则算法、精加工含粗加工所需刀具任务优先规则算法和基于短工时优先的精加工含粗加工刀具优先规则算法；
所述刀具调度问题的规则算法集合中包括最快响应刀具优先规则算法、前3任务最快响应优先规则算法、剩余寿命长优先规则算法、剩余寿命短优先规则算法、使用频率高优先规则算法、高累积使用时长优先规则算法、剩余刀具类型少优先规则算法和当前刀具优先规则算法。
6.根据权利要求5所述的复杂型面智能生产单元任务的刀具联合动态调度方法，其特征在于，两个子问题的规则算法集合中的规则算法进行组合得到具有72种组合规则调度算法的组合算法集合，所述组合算法集合中的各个组合规则调度算法在系统中执行如下步骤：
Step 1：初始化时间t；
Step 2：若有任务到达，记录其到达时间；
Step 3：若无任务等待加工，则算法结束；否则转至Step 4；
Step 4：若有设备空闲，转入Step 5；反之，更新时间t＝t+1，转至Step 2；
Step 5：选择一台空闲设备，确定加工任务；
Step 5.1：定义任务集合J；
Step 5.2：根据任务调度规则确定任务集合J中各任务的优先级；
Step 5.3：选择优先级最高的任务jmax；
Step 6：确定所选任务加工所需的刀具需求Dj；
Step 7：判断当前机器的刀库内的刀具是否满足所选工件jmax的刀具需求；
Step 8：若设备刀库内的刀具不满足加工需求，则确定要换上的刀具类型dj；
Step 8.1：定义刀库中的刀具集合D；
Step 8.2：根据刀具调度规则确定刀具集合D中刀具的优先级；
Step 8.3：选择优先级低的刀具dmin；
Step 8.4：将刀具dmin更换为dj，并更新刀库状态信息；转至Step 6；
Step 9：若设备刀库内刀具无法满足加工需求，则更改设备状态为繁忙并更新设备所属刀库的状态信息，将设备空闲时间更新为任务jmax完工时间。
7.根据权利要求1所述的复杂型面智能生产单元任务的刀具联合动态调度方法，其特征在于：在仿真实验的算例设计中，采用分割实验法生成测试算例集，对组合规则调度算法执行性能产生影响的因子有：刀具任务数量、刀具种类、工件数量和加工类型比例。
8.根据权利要求1所述的复杂型面智能生产单元任务的刀具联合动态调度方法，其特征在于：系统性能指标包括最大完成时间、最大流程时间、平均流程时间、总换刀次数以及总使用刀具数量。
9.根据权利要求6所述的复杂型面智能生产单元任务的刀具联合动态调度方法，其特征在于：采用公式(21)计算相对偏差百分比来评价不同组合规则调度算法的表现情况，其中RDI值越小，对应组合规则调度算法越优；
其中RDIIa表示组合规则调度算法a在配置参数I下的相对偏差百分比，TIa表示组合规则调度算法a在配置参数I下的仿真结果，TIB表示配置参数I下72种组合规则调度算法下的最优结果，TIW表示配置参数I下72种组合规则调度算法下的最差结果，RDI值在0和1之间。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包含一个或多个程序指令，所述一个或多个程序指令用于执行如权利要求1-9任一项所述的复杂型面智能生产单元任务的刀具联合动态调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210108726.1A CN114442578B (zh) | 2022-01-28 | 2022-01-28 | 复杂型面智能生产单元任务的刀具联合动态调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210108726.1A CN114442578B (zh) | 2022-01-28 | 2022-01-28 | 复杂型面智能生产单元任务的刀具联合动态调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114442578A true CN114442578A (zh) | 2022-05-06 |
| CN114442578B CN114442578B (zh) | 2022-08-16 |
Family
ID=81371692
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210108726.1A Active CN114442578B (zh) | 2022-01-28 | 2022-01-28 | 复杂型面智能生产单元任务的刀具联合动态调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114442578B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116224902A (zh) * | 2023-03-22 | 2023-06-06 | 广州弘亚数控机械股份有限公司 | 一种智能换刀决策控制系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101533274A (zh) * | 2009-01-12 | 2009-09-16 | 上海理工大学 | 数控机床加工任务与刀具的调度方法 |
| CN103309316A (zh) * | 2013-05-28 | 2013-09-18 | 北京理工大学 | 带有批处理机的多阶段变异混合流水车间调度方法 |
| CN107368912A (zh) * | 2017-06-12 | 2017-11-21 | 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 |
| CN111665811A (zh) * | 2020-06-29 | 2020-09-15 | 重庆大学 | 动态事件下的柔性作业车间重调度节能优化方法 |
| CN113159383A (zh) * | 2021-03-22 | 2021-07-23 | 重庆大学 | 一种面向多机协作加工车间的制造资源重构调度方法及系统 |
| CN113705978A (zh) * | 2021-08-03 | 2021-11-26 | 西安交通大学 | 一种多机任务刀具静态与动态集成决策方法及系统 |
-
2022
- 2022-01-28 CN CN202210108726.1A patent/CN114442578B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101533274A (zh) * | 2009-01-12 | 2009-09-16 | 上海理工大学 | 数控机床加工任务与刀具的调度方法 |
| CN103309316A (zh) * | 2013-05-28 | 2013-09-18 | 北京理工大学 | 带有批处理机的多阶段变异混合流水车间调度方法 |
| CN107368912A (zh) * | 2017-06-12 | 2017-11-21 | 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 |
| CN111665811A (zh) * | 2020-06-29 | 2020-09-15 | 重庆大学 | 动态事件下的柔性作业车间重调度节能优化方法 |
| CN113159383A (zh) * | 2021-03-22 | 2021-07-23 | 重庆大学 | 一种面向多机协作加工车间的制造资源重构调度方法及系统 |
| CN113705978A (zh) * | 2021-08-03 | 2021-11-26 | 西安交通大学 | 一种多机任务刀具静态与动态集成决策方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116224902A (zh) * | 2023-03-22 | 2023-06-06 | 广州弘亚数控机械股份有限公司 | 一种智能换刀决策控制系统 |
| CN116224902B (zh) * | 2023-03-22 | 2023-10-20 | 广州弘亚数控机械股份有限公司 | 一种智能换刀决策控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114442578B (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Integration of process planning and scheduling by exploring the flexibility of process planning | |
| CN103942610B (zh) | 基于任务的可重组制造系统多态构型优化方法 | |
| CN108776862B (zh) | 支持工序任务量拆分的智能排产方法 | |
| Rohaninejad et al. | A hybrid multi-objective genetic algorithm based on the ELECTRE method for a capacitated flexible job shop scheduling problem | |
| Baykasoğlu et al. | Minimizing tool switching and indexing times with tool duplications in automatic machines | |
| Usher et al. | Dynamic process planning—the static phase | |
| Tung et al. | Multiple-objective scheduling for the hierarchical control of flexible manufacturing systems | |
| CN114442578B (zh) | 复杂型面智能生产单元任务的刀具联合动态调度方法 | |
| Wang et al. | A PSO-based multi-objective optimization approach to the integration of process planning and scheduling | |
| CN111047081A (zh) | 一种面向绿色生产的制造资源配置优化决策方法 | |
| Abd et al. | A scheduling framework for robotic flexible assembly cells | |
| Turkcan et al. | A problem space genetic algorithm in multiobjective optimization | |
| Prabaharan et al. | Sequencing and scheduling of job and tool in a flexible manufacturing cell | |
| Turkcan et al. | Due date and cost-based FMS loading, scheduling and tool management | |
| CN116822217A (zh) | 一种考虑工时不确定性的人机双资源约束多目标生产调度方法 | |
| Kumar et al. | Integrated scheduling of part, tool and automated guided vehicles in a flexible manufacturing system using modified genetic algorithm | |
| 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 | |
| Turkcan et al. | Non-identical parallel CNC machine scheduling | |
| Süer et al. | Cell loading, family and job scheduling to minimize TT | |
| Özbayrak et al. | Design of a tool management system for a flexible machining facility | |
| CN113868860A (zh) | 一种基于工艺知识的零件自适应成本估算方法 | |
| Siemiatkowski et al. | Planning optimised multi-tasking operations under the capability for parallel machining | |
| CN116984924B (zh) | 一种智能加工单元刀具需求优化方法 | |
| CN116681266B (zh) | 一种镜面放电加工机的生产调度方法及系统 | |
| Nidhiry et al. | Evaluation of genetic algorithm approach for scheduling optimization of flexible manufacturing systems |
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 |