CN116165892B - 模型预测控制的半自动化产线节能策略制定方法和系统 - Google Patents

模型预测控制的半自动化产线节能策略制定方法和系统 Download PDF

Info

Publication number
CN116165892B
CN116165892B CN202310129750.8A CN202310129750A CN116165892B CN 116165892 B CN116165892 B CN 116165892B CN 202310129750 A CN202310129750 A CN 202310129750A CN 116165892 B CN116165892 B CN 116165892B
Authority
CN
China
Prior art keywords
production line
semi
automatic
product
automatic production
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
Application number
CN202310129750.8A
Other languages
English (en)
Other versions
CN116165892A (zh
Inventor
张定
杨佳峰
刘强
严都喜
赵荣丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202310129750.8A priority Critical patent/CN116165892B/zh
Publication of CN116165892A publication Critical patent/CN116165892A/zh
Application granted granted Critical
Publication of CN116165892B publication Critical patent/CN116165892B/zh
Priority to US18/430,606 priority patent/US20240255902A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/047—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators the criterion being a time optimal performance criterion
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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
    • Y02P80/00—Climate change mitigation technologies for sector-wide applications
    • Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明适用于智能工业领域，尤其涉及一种模型预测控制的半自动化产线节能策略制定方法和系统。本发明以产线的极大代数模型为基础模型，利用MPC的预测模型、滚动优化、反馈校正三种优化方法建立优化问题，并基于建立的优化问题求解最优节能策略，本发明提出的方法较已有的方法具有稳定性更好、抗干扰性更强、鲁棒性更好的控制效果，同时丰富了制造领域的节能方法。

Description

模型预测控制的半自动化产线节能策略制定方法和系统
技术领域
本发明适用于智能工业领域，尤其涉及一种模型预测控制的半自动化产线节能策略制定方法和系统。
背景技术
工业活动本身对能源消耗巨大，过多的能源消耗会导致二氧化碳含量的增大，同时加大能源负担，因此如何在工业活动中高效节能的完成工业任务，应该是当下的一个重要研究课题。大部分制造业在过去一段时间内的研究重点主要集中在如何提高生产效率、灵活性以及响应性，对于节能减排方面的关注度比较少，由此将衍生出很多研究问题。例如，在生产系统运作过程中，自动化设备并不是一直高负荷运动的，甚至其中相当一部分时间设备是处于空闲状态的。因此，如何在协调好整条产线的同时利用这部分空闲的设备，对于产线节能具有重要意义。
目前工业生产中常用的产线节能策略是基于事件驱动的，在产线运行时，设备上往往会发生如饥饿、堵塞、故障、故障恢复等情况，基于事件驱动的方法以这些事件触发节能决策，当触发节能决策时，根据不同事件选择不同的处理机制来控制设备的起停，设备休眠的时间取决于设备的节能时间窗口，该时间窗口是设备的休眠不对产线造成生产损失的最大值，这样的方法可以大大减轻数据采集的负担，符合系统的随机性，并且可以取得不错的节能效果。然而。基于事件驱动的方法也有一定的局限性，当面向比较成熟的生产系统时，系统的随机事件不会很多，触发节能决策的事件也不会很多，因此节能效果并不会很好，而且基于事件驱动的方法的最终目标不是制定最优节能策略，使得节能策略对于生产控制优化的上限不能达到最优。总的来说，现有技术的局限性体现在不够稳定、且无法达到最优节能的效果。
发明内容
本发明提供一种模型预测控制的半自动化产线节能策略制定方法和系统，旨在解决现有技术中对于产线中自动化设备的节能策略制定方法具有局限性，效果不佳的技术问题。
第一方面，本发明实施例提供了一种模型预测控制的半自动化产线节能策略制定方法，所述方法包括以下步骤：
S1、对半自动化产线进行极大代数建模，得到所述半自动化产线的极大代数模型；
S2、根据所述极大代数模型，建立以所述半自动化产线中在制品为离散单元、自动化设备的休眠开始时刻和休眠结束时刻为控制变量的优化目标函数；
S3、将所述半自动化产线中的未优化的第一个所述在制品带入所述优化目标函数，并求解所述优化目标函数，得到最优序列，同时，将所述最优序列中的第一组值输出，作为所述在制品关于所述自动化设备的优化结果；
S4、判断所述半自动化产线中的所有所述在制品是否都完成优化，若是，执行步骤S5；若否，将所述优化结果作为扰动信息，并返回步骤S1，将所述扰动信息加入所述极大代数建模的过程；
S5、根据所述半自动化产线中的所有所述在制品对应的所述优化结果生成节能策略；
S6、根据所述节能策略，对所述半自动化产线中的所述自动化设备进行控制。
更进一步地，步骤S2中，所述优化目标函数满足以下关系式(1)至(4)：
min J＝K1·J1+K2·J2 (1)；
K1＞K2(4)；
其中，k表示所述优化目标函数的优化轮数，Np表示所述优化目标函数的预测时域的长度，Tl(k+i)表示第k+i个所述在制品输出时的产出速率，Ts(k+i|k)表示在第k个所述在制品的信息已知情况下第k+i个所述在制品输出时的产出速率，M表示所述自动化设备的数量，uk+i s是表示在加工第k+i个所述在制品时第s台所述自动化设备的结束休眠时刻，xs(k+i-1|k)表示第k+i-1个所述在制品在第s台所述自动化设备开始加工的时刻，ps(k+i-1)表示第s台所述自动化设备加工第k+i-1个所述在制品所需要的时间，[xs(k+i-1|k)+ps(k+i-1)]表示第s台所述自动化设备加工完第k+i-1个所述在制品的时刻，K1、K2为权重系数。
更进一步地，步骤S2还包括步骤：
为所述优化目标函数设立约束条件，所述约束条件满足以下关系式(5)至(7)：
umin＜uk+i s≤umax (5)；
umin＝xs(k+i-1|k)+ps(k+i-1) (6)；
umax＝xs(k+i-1|k)+ps(k+i-1)+VTW(s) (7)；
其中，umin表示加工第k+i个所述在制品时第s台所述自动化设备的结束休眠时刻的下限，umax表示加工第k+i个所述在制品时第s台所述自动化设备的结束休眠时刻的上限，VTW(s)表示第s台所述自动化设备的时间窗。
更进一步地，步骤S5包括以下子步骤：
S51、根据优化序列，获取所述在制品的所述优化结果，并根据序列中下一所述优化结果的差值设定初始休眠时间，同时，设定临界值tc；
S52、判断所述初始休眠时间是否小于所述临界值，若是，则使所述自动化设备保持唤醒状态；若否，设定所述自动化设备的休眠时间，并使所述自动化设备进行时长为所述休眠时间的休眠状态；
S53、将当前的所述在制品队对应的所述自动化设备的所述唤醒状态或所述休眠状态作为所述节能策略；
S54、判断所有所述在制品是否完成所述节能策略的制定，若是，执行步骤S55；若否，返回步骤S51；
S55、输出所有所述节能策略。
更进一步地，步骤S52中，若所述初始休眠时间小于或等于所述临界值，并使所述自动化设备保持唤醒状态，则将所述初始休眠时间校正为0。
更进一步地，步骤S52中，若所述初始休眠时间大于所述临界值，并使所述自动化设备进入休眠状态，则所述休眠时间的值为{uk+i s-[xs(k+i-1|k)+ps(k+i-1)]}。
第二方面，本发明实施例还提供一种模型预测控制的半自动化产线节能策略制定系统，包括：
代数建模模块，用于对半自动化产线进行极大代数建模，得到所述半自动化产线的极大代数模型；
优化建模模块，用于根据所述极大代数模型，建立以所述半自动化产线中在制品为离散单元、自动化设备的休眠开始时刻和休眠结束时刻为控制变量的优化目标函数；
求解模块，用于将所述半自动化产线中的未优化的第一个所述在制品带入所述优化目标函数，并求解所述优化目标函数，得到最优序列，同时，将所述最优序列中的第一组值输出，作为所述在制品关于所述自动化设备的优化结果；
迭代模块，用于判断所述半自动化产线中的所有所述在制品是否都完成优化，若是，执行步骤S5；若否，将所述优化结果作为扰动信息，并返回步骤S1，将所述扰动信息加入所述极大代数建模的过程；
策略生成模块，用于根据所述半自动化产线中的所有所述在制品对应的所述优化结果生成节能策略；
策略执行模块，用于根据所述节能策略，对所述半自动化产线中的所述自动化设备进行控制。
本发明所达到的有益效果，在于以产线的极大代数模型为基础模型，利用MPC的预测模型、滚动优化、反馈校正三种优化方法建立优化问题，并基于建立的优化问题求解最优节能策略，本发明提出的方法较已有的方法具有稳定性更好、抗干扰性更强、鲁棒性更好的控制效果，同时丰富了制造领域的节能方法。
附图说明
图1是本发明实施例提供的模型预测控制的半自动化产线节能策略制定方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参照图1，图1是本发明实施例提供的模型预测控制的半自动化产线节能策略制定方法的流程示意图，具体的，本发明实施例模型预测控制的半自动化产线节能策略制定方法，结合MPC的预测模型、滚动优化、反馈校正三种优化方法建立预测模型，所述方法包括以下步骤：
S1、对半自动化产线进行极大代数建模，得到所述半自动化产线的极大代数模型。
使用极大代数方法建立生产线初始模型，即不控制自动化设备起停的产线模型，在该状态下，产线可以按照预定的时间输出成品，但是此时没有任何的节能策略，产线的能量消耗最大，因此，对没有任何的节能策略的产线进行建模，能够避免现有策略的干扰。
S2、根据所述极大代数模型，建立以所述半自动化产线中在制品为离散单元、自动化设备的休眠开始时刻和休眠结束时刻为控制变量的优化目标函数。
在本发明实施例中，以生产系统中每个在制品为离散单元，以产线上的所有自动化设备为控制对象，设备在产线运行过程中的每次休眠时间应该由两个变量确定，一个是设备的休眠开始时刻，一个是设备的休眠结束时刻，为了在不影响产出的情况下最大化休眠时间以节省最多的能源，将每个自动化设备上的休眠开始时刻默认为上一个在制品加工完的时刻。因此，本发明实施例将自动化设备的休眠结束时刻看做优化问题的决策变量，每一轮优化中的决策变量的数目多少由产线的自动化设备数量以及MPC的预测时域长度决定。
更进一步地，步骤S2中，所述优化目标函数满足以下关系式(1)至(4)：
min J＝K1-J1+K2-J2 (1)；
K1＞K2 (4)；
其中，k表示所述优化目标函数的优化轮数，Np表示所述优化目标函数的预测时域的长度，Tl(k+i)表示第k+i个所述在制品输出时的产出速率，Ts(k+i|k)表示在第k个所述在制品的信息已知情况下第k+i个所述在制品输出时的产出速率，M表示所述自动化设备的数量，uk+i s是表示在加工第k+i个所述在制品时第s台所述自动化设备的结束休眠时刻，xs(k+i-1|k)表示第k+i-1个所述在制品在第s台所述自动化设备开始加工的时刻，ps(k+i-1)表示第s台所述自动化设备加工第k+i-1个所述在制品所需要的时间，[xs(k+i-1|k)+ps(k+i-1)]表示第s台所述自动化设备加工完第k+i-1个所述在制品的时刻，K1、K2为权重系数。
具体的，对于式(2)，用于最小化制定的节能策略对产能的负面影响，在本发明实施例中，产线极大代数模型在预测时域内的在制品的产出速率与形成策略后预测时域内的在制品的产出速率的差值作为式(2)的计算目标，该差值越大，说明节能策略使在制品输出的越慢，对产线的负面影响越大，因此，该值越小越好；
对于式(3)，用于最大化系统节约的能量，本发明实施例通过计算设备的休眠时间来对节省的能量进行量化，能量节省的多少与设备休眠时间的长短有关，一台设备的休眠时间越长，那么它节省的能量就越多，因此，该值越大越好。
对于式(4)，是根据实际的生产需要，实现节能且不对产能造成太大的负面影响，因此通过权重系数来控制策略对生产的影响。
为了使设备的结束休眠时刻更加合理，需要对决策变量添加适当的约束条件。本发明实施例对于半自动化产线的两种特殊情况，一种是设备不需要进入休眠状态，即休眠时间为0，此时休眠结束时刻应等于休眠开始时刻；对于另一种特殊情况，即整条产线只有一个自动化设备时，其休眠时间应该等于该设备的扰动时间窗的数值，这是因为当设备的停机时间小于等于时间窗数值时，产线不会有生产损失，此时设备的结束休眠时刻应等于休眠开始时刻加上设备的扰动时间窗的值。更进一步地，步骤S2还包括步骤：
为所述优化目标函数设立约束条件，所述约束条件满足以下关系式(5)至(7)：
umin＜uk+i s≤umax (5)；
umin＝xs(k+i-1|k)+ps(k+i-1) (6)；
umax＝xs(k+i-1|k)+ps(k+i-1)+VTW(s) (7)；
其中，umin表示加工第k+i个所述在制品时第s台所述自动化设备的结束休眠时刻的下限，umax表示加工第k+i个所述在制品时第s台所述自动化设备的结束休眠时刻的上限，VTW(s)表示第s台所述自动化设备的时间窗。
S3、将所述半自动化产线中的未优化的第一个所述在制品带入所述优化目标函数，并求解所述优化目标函数，得到最优序列，同时，将所述最优序列中的第一组值输出，作为所述在制品关于所述自动化设备的优化结果。
S4、判断所述半自动化产线中的所有所述在制品是否都完成优化，若是，执行步骤S5；若否，将所述优化结果作为扰动信息，并返回步骤S1，将所述扰动信息加入所述极大代数建模的过程。
具体的，根据MPC预测模型，通过对当前的在制品的优化问题进行求解，得到预测时域内的最优序列，将最优序列的第一组值即预测时域内的第一个在制品在各自动化设备上对应的休眠结束时刻输出，作为本轮优化的最终结果，之后将该结果等效为扰动信息，在重新对生产线的状态空间进行极大代数建模时加入该扰动信息，以此来对产线模型进行更新。在下一轮优化中，预测时域的起点将以下一个在制品为对象，并以新的产线模型为基础重复以上步骤，直到将所有在制品对象优化完。
S5、根据所述半自动化产线中的所有所述在制品对应的所述优化结果生成节能策略。
更进一步地，步骤S5包括以下子步骤：
S51、根据优化序列，获取所述在制品的所述优化结果，并根据序列中下一所述优化结果的差值设定初始休眠时间，同时，设定临界值tc；在本发明实施例中，当计算出的休眠时间等于临界值时，设备经历休眠而节省的能量，等于设备从运行进入休眠所消耗的能量、与从休眠进入运行所消耗的能量的总和。
S52、判断所述初始休眠时间是否小于等于所述临界值，若是，则使所述自动化设备保持唤醒状态；若否，设定所述自动化设备的休眠时间，并使所述自动化设备进行时长为所述休眠时间的休眠状态；
S53、将当前的所述在制品队对应的所述自动化设备的所述唤醒状态或所述休眠状态作为所述节能策略；
S54、判断所有所述在制品是否完成所述节能策略的制定，若是，执行步骤S55；若否，返回步骤S51；
S55、输出所有所述节能策略。
通过以上步骤，对于每台自动化设备在每次加工时都会进行判断是否需要进入休眠，休眠时间是多少，形成一个节能策略。
更进一步地，步骤S52中，若所述初始休眠时间小于或等于所述临界值，并使所述自动化设备保持唤醒状态，则将所述初始休眠时间校正为0。此时，uk+i s小于或等于[xs(k+i-1|k)+ps(k+i-1)+tc]。
更进一步地，步骤S52中，若所述初始休眠时间大于所述临界值，并使所述自动化设备进入休眠状态，则所述休眠时间的值为{uk+i s-[xs(k+i-1|k)+ps(k+i-1)]}。此时，uk+i s大于[xs(k+i-1|k)+ps(k+i-1)+tc]。
S6、根据所述节能策略，对所述半自动化产线中的所述自动化设备进行控制。
本发明所达到的有益效果，在于以产线的极大代数模型为基础模型，利用MPC的预测模型、滚动优化、反馈校正三种优化方法建立优化问题，并基于建立的优化问题求解最优节能策略，本发明提出的方法较已有的方法具有稳定性更好、抗干扰性更强、鲁棒性更好的控制效果，同时丰富了制造领域的节能方法。
本发明实施例还提供一种模型预测控制的半自动化产线节能策略制定系统，包括：
代数建模模块，用于对半自动化产线进行极大代数建模，得到所述半自动化产线的极大代数模型；
优化建模模块，用于根据所述极大代数模型，建立以所述半自动化产线中在制品为离散单元、自动化设备的休眠开始时刻和休眠结束时刻为控制变量的优化目标函数；
求解模块，用于将所述半自动化产线中的未优化的第一个所述在制品带入所述优化目标函数，并求解所述优化目标函数，得到最优序列，同时，将所述最优序列中的第一组值输出，作为所述在制品关于所述自动化设备的优化结果；
迭代模块，用于判断所述半自动化产线中的所有所述在制品是否都完成优化，若是，执行步骤S5；若否，将所述优化结果作为扰动信息，并返回步骤S1，将所述扰动信息加入所述极大代数建模的过程；
策略生成模块，用于根据所述半自动化产线中的所有所述在制品对应的所述优化结果生成节能策略；
策略执行模块，用于根据所述节能策略，对所述半自动化产线中的所述自动化设备进行控制。
所述模型预测控制的半自动化产线节能策略制定系统能够实现如上述实施例中的模型预测控制的半自动化产线节能策略制定方法中的步骤，且能实现同样的技术效果，参上述实施例中的描述，此处不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存取存储器(Random AccessMemory，简称RAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的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，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，所揭露的仅为本发明较佳实施例而已，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式用等同变化，均属于本发明的保护之内。

Claims (7)

1.一种模型预测控制的半自动化产线节能策略制定方法，其特征在于，所述方法包括以下步骤：
S1、对半自动化产线使用极大代数方法进行极大代数建模，得到所述半自动化产线的极大代数模型，所述半自动化产线包括在制品和自动化设备，所述极大代数模型为不控制自动化设备起停的产线模型；
S2、根据所述极大代数模型，建立以所述半自动化产线中在制品为离散单元、自动化设备的休眠开始时刻和休眠结束时刻为控制变量的优化目标函数；
S3、将所述半自动化产线中的未优化的第一个所述在制品代入所述优化目标函数，并求解所述优化目标函数，得到包含所述自动化设备的所述开始时刻和所述休眠结束时刻的最优序列，同时，将所述最优序列中的第一组值输出，作为所述在制品关于所述自动化设备的优化结果；
S4、判断所述半自动化产线中的所有所述在制品是否都完成优化，若是，执行步骤S5；若否，将所述优化结果作为扰动信息，并返回步骤S1，将所述扰动信息加入所述极大代数建模的过程；
S5、根据所述半自动化产线中的所有所述在制品对应的所述优化结果生成节能策略；
S6、根据所述节能策略，对所述半自动化产线中的所述自动化设备进行控制。
2.如权利要求1所述的模型预测控制的半自动化产线节能策略制定方法，其特征在于，步骤S2中，所述优化目标函数满足以下关系式(1)至(4)：
min J＝K1·J1+K2·J2 (1)；
K1>K2 (4)；
其中，k表示所述优化目标函数的优化轮数，Np表示所述优化目标函数的预测时域的长度，Tl(k+i)表示第k+i个所述在制品输出时的产出速率，Ts(k+i|k)表示在第k个所述在制品的信息已知情况下第k+i个所述在制品输出时的产出速率，M表示所述自动化设备的数量，uk+i s是表示在加工第k+i个所述在制品时第s台所述自动化设备的结束休眠时刻，xs(k+i-1|k)表示第k+i-1个所述在制品在第s台所述自动化设备开始加工的时刻，ps(k+i-1)表示第s台所述自动化设备加工第k+i-1个所述在制品所需要的时间，[xs(k+i-1|k)+ps(k+i-1)]表示第s台所述自动化设备加工完第k+i-1个所述在制品的时刻，K1、K2为权重系数。
3.如权利要求2所述的模型预测控制的半自动化产线节能策略制定方法，其特征在于，步骤S2还包括步骤：
为所述优化目标函数设立约束条件，所述约束条件满足以下关系式(5)至(7)：
umin<uk+i s≤umax (5)；
umin＝xs(k+i-1|k)+ps(k+i-1) (6)；
umax＝xs(k+i-1|k)+ps(k+i-1)+VTW(s) (7)；
其中，umin表示加工第k+i个所述在制品时第s台所述自动化设备的结束休眠时刻的下限，umax表示加工第k+i个所述在制品时第s台所述自动化设备的结束休眠时刻的上限，VTW(s)表示第s台所述自动化设备的时间窗。
4.如权利要求2所述的模型预测控制的半自动化产线节能策略制定方法，其特征在于，步骤S5包括以下子步骤：
S51、根据优化序列，获取所述在制品的所述优化结果，并根据序列中下一所述优化结果的差值设定初始休眠时间，同时，设定临界值tc；
S52、判断所述初始休眠时间是否小于或等于所述临界值，若是，则使所述自动化设备保持唤醒状态；若否，设定所述自动化设备的休眠时间，并使所述自动化设备进行时长为所述休眠时间的休眠状态；
S53、将当前的所述在制品队对应的所述自动化设备的所述唤醒状态或所述休眠状态作为所述节能策略；
S54、判断所有所述在制品是否完成所述节能策略的制定，若是，执行步骤S55；若否，返回步骤S51；
S55、输出所有所述节能策略。
5.如权利要求4所述的模型预测控制的半自动化产线节能策略制定方法，其特征在于，步骤S52中，若所述初始休眠时间小于或等于所述临界值，并使所述自动化设备保持唤醒状态，则将所述初始休眠时间校正为0。
6.如权利要求4所述的模型预测控制的半自动化产线节能策略制定方法，其特征在于，步骤S52中，若所述初始休眠时间大于所述临界值，并使所述自动化设备进入休眠状态，则所述休眠时间的值为{uk+i s-[xs(k+i-1|k)+ps(k+i-1)]}。
7.一种模型预测控制的半自动化产线节能策略制定系统，其特征在于，包括：
代数建模模块，用于对半自动化产线使用极大代数方法进行极大代数建模，得到所述半自动化产线的极大代数模型，所述半自动化产线包括在制品和自动化设备，所述极大代数模型为不控制自动化设备起停的产线模型；
优化建模模块，用于根据所述极大代数模型，建立以所述半自动化产线中在制品为离散单元、自动化设备的休眠开始时刻和休眠结束时刻为控制变量的优化目标函数；
求解模块，用于将所述半自动化产线中的未优化的第一个所述在制品代入所述优化目标函数，并求解所述优化目标函数，得到包含所述自动化设备的所述开始时刻和所述休眠结束时刻的最优序列，同时，将所述最优序列中的第一组值输出，作为所述在制品关于所述自动化设备的优化结果；
迭代模块，用于判断所述半自动化产线中的所有所述在制品是否都完成优化，若是，执行步骤S5；若否，将所述优化结果作为扰动信息，并返回步骤S1，将所述扰动信息加入所述极大代数建模的过程；
策略生成模块，用于根据所述半自动化产线中的所有所述在制品对应的所述优化结果生成节能策略；
策略执行模块，用于根据所述节能策略，对所述半自动化产线中的所述自动化设备进行控制。
CN202310129750.8A 2023-02-16 2023-02-16 模型预测控制的半自动化产线节能策略制定方法和系统 Active CN116165892B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310129750.8A CN116165892B (zh) 2023-02-16 2023-02-16 模型预测控制的半自动化产线节能策略制定方法和系统
US18/430,606 US20240255902A1 (en) 2023-02-16 2024-02-01 Method and system for formulating an energy-saving strategy for semi-automatic production line based on model predictive control

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310129750.8A CN116165892B (zh) 2023-02-16 2023-02-16 模型预测控制的半自动化产线节能策略制定方法和系统

Publications (2)

Publication Number Publication Date
CN116165892A CN116165892A (zh) 2023-05-26
CN116165892B true CN116165892B (zh) 2023-10-27

Family

ID=86414382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310129750.8A Active CN116165892B (zh) 2023-02-16 2023-02-16 模型预测控制的半自动化产线节能策略制定方法和系统

Country Status (2)

Country Link
US (1) US20240255902A1 (zh)
CN (1) CN116165892B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016101181A1 (zh) * 2014-12-23 2016-06-30 清华大学 基于指标预报和解相似度分析的光刻工序动态调度方法
CN109426205A (zh) * 2017-09-05 2019-03-05 万洲电气股份有限公司 一种工业智能优化节能系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016101181A1 (zh) * 2014-12-23 2016-06-30 清华大学 基于指标预报和解相似度分析的光刻工序动态调度方法
CN109426205A (zh) * 2017-09-05 2019-03-05 万洲电气股份有限公司 一种工业智能优化节能系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于时序数据的化工装置生产运行分析方法研究;宋冠良;《中国优秀硕士学位论文全文数据库》;全文 *
计算机集成综合自动化预测控制建模;杨昱昺;周光宇;;中国制造业信息化(第11期);全文 *

Also Published As

Publication number Publication date
CN116165892A (zh) 2023-05-26
US20240255902A1 (en) 2024-08-01

Similar Documents

Publication Publication Date Title
CN110930016A (zh) 一种基于深度q学习的梯级水库随机优化调度方法
CN110222938B (zh) 一种梯级水电站群短期调峰调度协同优化方法和系统
CN112418284B (zh) 一种全工况电站scr脱硝系统的控制方法及系统
CN113393054A (zh) 一种风储联合系统的优化调度方法及优化调度系统
CN107508327B (zh) 基于模型预测控制的配电网自治区域并网功率控制方法
CN113675863B (zh) 一种基于数字孪生的微电网频率二次协同控制方法
CN107871157B (zh) 基于bp和pso的数据预测方法、系统及相关装置
CN112467176A (zh) 一种燃料电池发动机系统的氢气压力控制方法及装置
CN116165892B (zh) 模型预测控制的半自动化产线节能策略制定方法和系统
CN114336592B (zh) 一种基于模型预测控制的风电场agc控制方法
CN115345380A (zh) 一种基于人工智能的新能源消纳电力调度方法
CN117638939A (zh) 一种基于Adam算法考虑的水光互补优化调度方法
CN114384931A (zh) 一种基于策略梯度的无人机多目标最优控制方法和设备
CN116822984A (zh) 一种针对工业园区的智能碳消纳系统及方法
CN114819341B (zh) 燃煤电站耦合碳捕集系统的多时间尺度控制感知调度方法
CN116088317A (zh) 一种基于动态事件触发的多智能体一致性控制方法
CN112819278B (zh) 一种求解两阶段鲁棒优化机组组合模型的分段仿射方法
CN115526504A (zh) 泵站供水系统节能调度方法、系统、电子设备及存储介质
CN115226056A (zh) 一种远程状态估计系统中能量有效的传感器休眠调度方法
CN117355710A (zh) 一种用于控制制冷设备的方法和装置
CN113269420A (zh) 基于通信噪声的分布式事件驱动电力经济调度方法
CN111766839A (zh) 一种智能车间调度知识自适应更新的计算机实现系统
TWI847733B (zh) 利用深度q網路優化電力系統發電機組調度的方法及系統
CN110738409A (zh) 分布式事件触发电力系统经济调度方法
CN117411086B (zh) 一种含电熔镁电力系统分布鲁棒优化调度方法及系统

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhang Ding

Inventor after: Yang Jiafeng

Inventor after: Liu Qiang

Inventor after: Yan Duxi

Inventor after: Zhao Rongli

Inventor after: Jian Zilong

Inventor before: Zhang Ding

Inventor before: Yang Jiafeng

Inventor before: Liu Qiang

Inventor before: Yan Duxi

Inventor before: Zhao Rongli