CN115796490B - 一种考虑随机设备故障的绿色作业车间调度方法 - Google Patents

Abstract

本发明涉及一种考虑随机设备故障的绿色作业车间调度方法，通过设置初始化参数；生成初始化种群并对初始化的种群进行评价；将评价后的种群进行交叉、变异操作生成临时种群，并将评价后的种群和临时种群合并生成合并种群；按期望最大完工时间和期望总能耗目标对合并种群进行非支配排序，更新评价后种群；最终判断评价后种群是否达到最大进化代数，若评价后种群达到最大进化代数，则返回最终的非支配解集。本发明同时以随机设备故障下的期望最大完工时间和期望总能耗为优化目标，可以为调度决策者提供在调度性能和能耗目标上分布广泛的调度方案集，便于在实际中依据实际情况对两目标进行权衡决策。

Description

一种考虑随机设备故障的绿色作业车间调度方法

技术领域

本发明属于不确定绿色作业车间调度控制技术领域，尤其是一种考虑随机设备故障的绿色作业车间调度方法。

背景技术

文献“A Knowledge-Based Multiobjective Memetic Algorithm for Green JobShop SchedulingWithVariable Machining Speeds[J].IEEE Systems Journal,2022，16(1),p844-855”公开了一种绿色作业车间调度方法。该方法针对可变加工速度的绿色作业车间调度问题，以最小化调度方案的最大完工时间和总能耗为目标，并采用一种基于知识的多目标模因算法来优化生成一组在两个目标上分布广泛的Pareto解集。该方法在一定程度上满足了调度决策者对调度性能和总能耗目标的权衡决策需求。然而，文献所述方法建立在设备始终正常工作的前提下，忽略了在加工过程中可能随时发生设备故障的实际。设备故障会中断现有工序的加工，从而增加调度方案的最大完工时间并影响总能耗目标。由于文献所述方法未考虑到这一点，将导致由其生成的调度方案难以有效应对随机设备故障的影响而失去最优性，无法满足对绿色作业车间调度的实际需求。

发明内容

本发明的目的在于克服现有技术的不足，提出一种考虑随机设备故障的绿色作业车间调度方法，能够以期望最大完工时间和期望总能耗为目标，采用考虑能耗目标的逆向优化操作和基于模式调整的调度仿真评价步骤，可以获得在随机设备故障下表现稳健的调度方案集，从而更好地满足绿色作业车间调度对性能和能耗的实际要求。

本发明解决其技术问题是采取以下技术方案实现的：

一种考虑随机设备故障的绿色作业车间调度方法，包括以下步骤：

步骤1、设置初始化参数；

步骤2、根据初始化参数，生成种群并初始化；

步骤3、对初始化的种群进行评价；

步骤4、对评价后的种群进行交叉、变异操作生成临时种群，并将评价后的种群和临时种群合并生成合并种群；

步骤5、按期望最大完工时间和期望总能耗目标对合并种群进行非支配排序，进而更新评价后种群，并把排序后位于第一层的所有解作为当前的非支配解集；

步骤6、判断评价后种群是否达到最大进化代数，若评价后种群达到最大进化代数，则返回最终的非支配解集；否则返回步骤3。

而且，所述步骤1包括以下步骤：

步骤1.1、设置问题参数；

问题参数包括机器数m，工件数n，每个工件j＝1,2,...n包含n_o个工序，工序O_i,j表示工件j在设备i上加工，其基本加工时间为设备故障率λ₀，期望停机时间β₀，设备可选速度模式s_m，相邻模式间的速度提升率Δ_s，设备在速度模式s_i,j下的单位时间能耗为e_u(s_i,j)；

步骤1.2、设置仿真参数；

仿真参数包括：确定工序O_i,j的故障概率Pr_i,j和停机时间D_i,j，随机生成N_B个设备故障情景

步骤1.3、设置算法参数；

算法参数包括：种群规模N_P，交叉概率为P_c，变异概率为P_m，最大进化代数N_max；并令当前种群为临时变量n_chr＝0。

而且，所述步骤1.2中故障概率Pr_i,j的计算方法为：

其中，停机时间D_i,j的计算方法为：

而且，所述步骤2包括以下步骤：

步骤2.1、设置编码方式；编码方式采用双矢量编码，每个染色体p_k＝＜s_k,q_k＞由工件优先加工顺序矢量 编码设备m上工件的优先加工顺序，和设备速度模式分配矢量/>组成，其中/>采用优先列表编码工件在设备i上的优先加工顺序，/>编码工件在设备i上分配的速度模式；

步骤2.2、采用双矢量编码，随机生成N_P个染色体构成初始种群P_cur。

而且，所述步骤3包括以下步骤：

步骤3.1、调度解码；

依据染色体表示种群P_cur中的第n_chr个个体，编码的工件优先加工顺序和设备速度，在满足工艺约束和资源约束的前提下采用活动调度方法安排工序的开完工时间，得到调度方案/>

步骤3.2、考虑能耗目标的逆向优化；

步骤3.3、基于模式调整的调度仿真评价。

而且，所述步骤3.2的具体实现方法为：

步骤3.2.1：计算调度方案的最大完工时间/>

其中为工序O_i,j在调度方案/>中的完工时间；

步骤3.2.2：对调度方案中的所有工序，按照完工时间从大到小的顺序，进行调度方案逆向优化。

而且，所述步骤2.2包括以下步骤：

步骤3.2.2.1：确定当前工序O_i,j在不推迟最大完工时间的前提下，完工时间的最大推迟量Δ_ct；

步骤3.2.2.2：降低当前工序的速度模式减少能源消耗，其中/>的计算方法为；

步骤3.2.2.3：更新当前工序的完工时间并采用受影响工序重调度修复调度方案/>

而且，所述步骤3.3包括以下步骤：

步骤3.3.1、对于所有的故障情景B_cur∈Β；

3.3.2、计算调度方案在所有故障情景下的期望最大完工时间/>

计算期望总能耗

而且，所述步骤3.3.1包括以下步骤：

步骤3.3.1.1、若加工工序O_i,j时发生设备故障，则令其为当前工序O_current＝O_i,j时发生设备故障，根据故障情景B_cur确定其停机时间D_current，并采用ct_current＝ct_current+D_current更新其完工时间，此时

步骤3.3.1.2、确定当前工序O_current在设备和工艺上的紧后工序O_i,k和O_l,j，并根据调度方案分别确定两紧后工序的开工时间st_i,k和st_l,j，计算其紧后工序开工时间的推迟量/>和/>

步骤3.3.1.3、提高紧后工序的速度模式和/>减少设备故障对最大完工时间的影响；

步骤3.3.1.4、以提高后的速度模式和/>计算紧后工序O_i,k和O_l,j的加工时间和/>并更新其完工时间/>和/>

步骤3.3.1.5、如果工序O_i,k和O_l,j仍有紧后工序，则分别令其为当前工序O_current，并返回步骤3.3.1.2，否则返回步骤3.3.1.1。

本发明的优点和积极效果是：

本发明通过设置初始化参数；生成初始化种群并对初始化的种群进行评价；将评价后的种群进行交叉、变异操作生成临时种群，并将评价后的种群和临时种群合并生成合并种群；按期望最大完工时间和期望总能耗目标对合并种群进行非支配排序，更新评价后种群；最终判断评价后种群是否达到最大进化代数，若评价后种群达到最大进化代数，则返回最终的非支配解集。本发明同时以随机设备故障下的期望最大完工时间和期望总能耗为优化目标，可以为调度决策者提供在调度性能和能耗目标上分布广泛的调度方案集，便于在实际中依据实际情况对两目标进行权衡决策。

2、本发明通过采用考虑能耗目标的逆向优化步骤，可以在不影响最大完工时间的前提下降低部分工序的速度模式，减少调度方案的初始总能耗。

3、通过采用基于模式调整的调度仿真评价步骤，对于受设备故障影响的工序，通过基于模式调整的前向修复，可以提高部分工序的速度模式，减少其实际加工时间，保证在不显著增加生产总能耗的前提下，减少设备故障对实际最大完工时间的延迟。

附图说明

图1为本发明方法的整体流程图；

图2为本发明的考虑能耗目标的逆向优化流程图；

图3为本发明的基于模式调整的调度仿真评价流程图。

具体实施方式

以下结合附图对本发明做进一步详述。

一种考虑随机设备故障的绿色作业车间调度方法，如图1所示，包括以下步骤：

步骤1、设置初始化参数。

本步骤包括以下步骤：

步骤1.1、设置问题参数；

问题参数包括机器数m＝5，工件数n＝20，每个工件j＝1,2,...n包含n_o＝5个工序，工序O_i,j表示工件j在设备i上加工，其基本加工时间为具体用/>表示如下：

工件1的工序信息：<0,29>，<1,9>，<2,49>，<3,62>，<4,44>；

工件2的工序信息：<0,43>，<1,75>，<3,69>，<2,46>，<4,72>；

工件3的工序信息：<1,91>，<0,39>，<2,90>，<4,12>，<3,45>；

工件4的工序信息：<1,81>，<0,71>，<4,9>，<2,85>，<3,22>；

工件5的工序信息：<2,14>，<1,22>，<0,26>，<3,21>，<4,72>；

工件6的工序信息：<2,84>，<1,52>，<4,48>，<0,47>，<3,6>；

工件7的工序信息：<1,46>，<0,61>，<2,32>，<3,32>，<4,30>；

工件8的工序信息：<2,31>，<1,46>，<0,32>，<3,19>，<4,36>；

工件9的工序信息：<0,76>，<3,76>，<2,85>，<,140>，<4,26>；

工件10的工序信息：<1,85>，<2,61>，<0,64>，<3,47>，<4,90>；

工件11的工序信息：<1,78>，<3,36>，<0,11>，<4,56>，<2,21>；

工件12的工序信息：<2,90>，<0,11>，<1,28>，<3,46>，<4,30>；

工件13的工序信息：<0,85>，<2,74>，<1,10>，<3,89>，<4,33>；

工件14的工序信息：<2,95>，<0,99>，<1,52>，<3,98>，<4,43>；

工件15的工序信息：<0,6>，<1,61>，<4,69>，<2,49>，<3,53>；

工件16的工序信息：<1,2>，<0,95>，<3,72>，<4,65>，<2,25>；

工件17的工序信息：<0,37>，<2,13>，<1,21>，<3,89>，<4,55>；

工件18的工序信息：<0,86>，<1,74>，<4,88>，<2,48>，<3,79>；

工件19的工序信息：<1,69>，<2,51>，<0,11>，<3,89>，<4,74>；

工件20的工序信息：<0,13>，<1,7>，<2,76>，<3,52>，<4,45>；

设备故障率λ₀＝0.003，期望停机时间β₀＝10，设备可选速度模式s_m＝{0,1,2,3,4,5}，相邻模式间的速度提升率Δ_s＝0.05，设备在速度模式s_i,j下的单位时间能耗为e_u(s_i,j)＝4(1+Δ_ss_i,j)²；

步骤1.2、设置仿真参数；

仿真参数包括：确定工序O_i,j的故障概率Pr_i,j和停机时间D_i,j，随机生成N_B＝100个设备故障情景

故障概率Pr_i,j的计算方法为：

其中，停机时间D_i,j的计算方法为：

步骤1.3、设置算法参数；

算法参数包括：种群规模N_P＝200，交叉概率为P_c＝0.95，变异概率为P_m＝0.05，最大进化代数N_max＝60；并令当前种群为临时变量n_chr＝0。

步骤2、根据初始化参数，生成种群并初始化。

步骤2.1、设置编码方式；编码方式采用双矢量编码，每个染色体p_k＝＜s_k,q_k＞由工件优先加工顺序矢量和设备速度模式分配矢量组成，其中/>采用优先列表编码工件在设备i上的优先加工顺序，/>编码设备m上工件的优先加工顺序，/>编码工件在设备i上分配的速度模式；

步骤2.2、采用双矢量编码，随机生成N_P个染色体构成初始种群P_cur。

步骤3、当n_chr＜N_p时，重复执行以下步骤进行种群评价。

步骤3.1、调度解码；

依据染色体编码的工件优先加工顺序和设备速度，/>表示种群P_cur中的第n_chr个个体，在满足工艺约束和资源约束的前提下采用活动调度方法安排工序的开完工时间，得到调度方案/>其中工序O_i,j在给定速度模式s_i,j下的加工时间pt_i,j(s_i,j)的计算方法为：

步骤3.2、考虑能耗目标的逆向优化；

如图2所示，本步骤包括以下步骤：

步骤3.2.1：计算调度方案的最大完工时间/>

其中为工序O_i,j在调度方案/>中的完工时间；

步骤3.2.2：对调度方案中的所有工序，按照完工时间从大到小的顺序，进行调度方案逆向优化。

步骤3.2.2.1：确定当前工序O_i,j在不推迟最大完工时间的前提下，完工时间的最大推迟量Δ_ct；

步骤3.2.2.2：降低当前工序的速度模式减少能源消耗，其中/>的计算方法为；

步骤3.2.2.3：更新当前工序的完工时间并采用受影响工序重调度修复调度方案/>

步骤3.3、基于模式调整的调度仿真评价。

如图3所示，本步骤包括以下步骤：

步骤3.3.1、对于所有的故障情景B_cur∈Β；

3.3.1.1、若加工工序O_i,j时发生设备故障，则令其为当前工序O_current＝O_i,j时发生设备故障，根据故障情景B_cur确定其停机时间D_current，并采用ct_current＝ct_current+D_current更新其完工时间；由于此时，O_current代表遇到设备故障的工序O_i,j，那么，

步骤3.3.1.2、确定当前工序O_current在设备和工艺上的紧后工序O_i,k和O_l,j，并根据调度方案分别确定两紧后工序的开工时间st_i,k和st_l,j，计算其紧后工序开工时间的推迟量/>和/>

步骤3.3.1.3、提高紧后工序的速度模式和/>减少设备故障对最大完工时间的影响；

步骤3.3.1.4、以提高后的速度模式和/>计算紧后工序O_i,k和O_l,j的加工时间和/>并更新其完工时间/>和/>

步骤3.3.1.5、如果工序O_i,k和O_l,j仍有紧后工序，则分别令其为当前工序O_current，并返回步骤3.3.1.2，否则返回步骤3.3.1.1。

步骤3.3.2、计算调度方案在所有故障情景下的期望最大完工时间

计算期望总能耗

步骤4、对评价后的种群进P_cur行交叉、变异操作生成临时种群P_tmp，并将评价后的种群和临时种群合并生成合并种群P_com＝P_cur∪P_tmp。

步骤5、按期望最大完工时间和期望总能耗目标对合并种群进行非支配排序，进而更新评价后种群，并把排序后位于第一层的所有解作为当前的非支配解集。

步骤6、判断评价后种群是否达到最大进化代数，若评价后种群达到最大进化代数N_max，则返回最终的非支配解集；否则返回步骤3。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (1)

1.一种考虑随机设备故障的绿色作业车间调度方法，其特征在于：包括以下步骤：

步骤1、设置初始化参数；

步骤1.1、设置问题参数；

问题参数包括机器数m，工件数n，每个工件j＝1,2,...n包含n_o个工序，工序O_i,j表示工件j在设备i上加工，其基本加工时间为设备故障率λ₀，期望停机时间β₀，设备可选速度模式s_m，相邻模式间的速度提升率Δ_s，设备在速度模式s_i,j下的单位时间能耗为e_u(s_i,j)；

步骤1.2、设置仿真参数；

仿真参数包括：确定工序O_i,j的故障概率Pr_i,j和停机时间D_i,j，随机生成N_B个设备故障情景

其中，停机时间D_i,j的计算方法为：

步骤1.3、设置算法参数；

算法参数包括：种群规模N_P，交叉概率为P_c，变异概率为P_m，最大进化代数N_max；并令当前种群为临时变量n_chr＝0；

步骤2、根据初始化参数，生成种群并初始化；

步骤2.1、设置编码方式；编码方式采用双矢量编码，每个染色体p_k＝＜s_k,q_k＞由工件优先加工顺序矢量 编码设备m上工件的优先加工顺序，和设备速度模式分配矢量/>组成，其中/>采用优先列表编码工件在设备i上的优先加工顺序，/>编码工件在设备i上分配的速度模式；

步骤2.2、采用双矢量编码，随机生成N_P个染色体构成初始种群P_cur；

步骤3、对初始化的种群进行评价；

步骤3.1、调度解码；

依据染色体 表示种群P_cur中的第n_chr个个体，编码的工件优先加工顺序和设备速度，在满足工艺约束和资源约束的前提下采用活动调度方法安排工序的开完工时间，得到调度方案/>

步骤3.2、考虑能耗目标的逆向优化；

步骤3.2.1：计算调度方案的最大完工时间/>

其中为工序O_i,j在调度方案/>中的完工时间；

步骤3.2.2：对调度方案中的所有工序，按照完工时间从大到小的顺序，进行调度方案逆向优化；

步骤3.2.2.1：确定当前工序O_i,j在不推迟最大完工时间的前提下，完工时间的最大推迟量Δ_ct；

步骤3.2.2.2：降低当前工序的速度模式减少能源消耗，其中/>的计算方法为；

步骤3.2.2.3：更新当前工序的完工时间并采用受影响工序重调度修复调度方案/>

步骤3.3、基于模式调整的调度仿真评价；

步骤3.3.1、对于所有的故障情景B_cur∈Β；

步骤3.3.1.1、若加工工序O_i,j时发生设备故障，则令其为当前工序O_current＝O_i,j时发生设备故障，根据故障情景B_cur确定其停机时间D_current，并采用ct_current＝ct_current+D_current更新其完工时间，此时

步骤3.3.1.2、确定当前工序O_current在设备和工艺上的紧后工序O_i,k和O_l,j，并根据调度方案分别确定两紧后工序的开工时间st_i,k和st_l,j，计算其紧后工序开工时间的推迟量和/>

步骤3.3.1.3、提高紧后工序的速度模式和/>减少设备故障对最大完工时间的影响；

步骤3.3.1.4、以提高后的速度模式和/>计算紧后工序O_i,k和O_l,j的加工时间/>和/>并更新其完工时间/>和/>

步骤3.3.1.5、如果工序O_i,k和O_l,j仍有紧后工序，则分别令其为当前工序O_current，并返回步骤3.3.1.2，否则返回步骤3.3.1.1；

步骤3.3.2、计算调度方案在所有故障情景下的期望最大完工时间/>

计算期望总能耗

步骤4、对评价后的种群进行交叉、变异操作生成临时种群，并将评价后的种群和临时种群合并生成合并种群；

步骤5、按期望最大完工时间和期望总能耗目标对合并种群进行非支配排序，进而更新评价后种群，并把排序后位于第一层的所有解作为当前的非支配解集；

步骤6、判断评价后种群是否达到最大进化代数，若评价后种群达到最大进化代数，则返回最终的非支配解集；否则返回步骤3。