CN116362521B - 一种高端电池智能工厂应用级生产排程方法 - Google Patents
一种高端电池智能工厂应用级生产排程方法 Download PDFInfo
- Publication number
- CN116362521B CN116362521B CN202310611262.0A CN202310611262A CN116362521B CN 116362521 B CN116362521 B CN 116362521B CN 202310611262 A CN202310611262 A CN 202310611262A CN 116362521 B CN116362521 B CN 116362521B
- Authority
- CN
- China
- Prior art keywords
- production
- particle
- particles
- order
- battery
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims abstract description 79
- 239000002245 particle Substances 0.000 claims abstract description 117
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000013178 mathematical model Methods 0.000 claims abstract description 15
- 238000003860 storage Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 25
- 238000005457 optimization Methods 0.000 description 8
- 230000002028 premature Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 206010012186 Delayed delivery Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005580 one pot reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种高端电池智能工厂应用级生产排程方法,属于智能排程领域。该方法根据高端电池智能工厂追求的排程目标以及电池产线上的实际产能约束等条件下构建生产排程数学模型,并通过粒子群方法进行模型求解;在粒子群方法全局搜索过程中,利用集员中的正多胞体作为粒子的搜索空间,在迭代过程中,设计了由群体最优粒子为中心构造测量带去动态更新粒子群的搜索空间,从而提高粒子的全局收敛性,同时,将搜索空间外的粒子重新初始化,从而增加粒子种群的多样性;该方法应用于高端电池智能工厂可以获得良好的生产排程结果。
Description
技术领域
本发明涉及一种高端电池智能工厂应用级生产排程方法,属于智能排程领域。
背景技术
目前,由于新能源汽车市场呈现出快速增长的态势,作为其核心组件的动力电池的市场需求量也日益增长,同时客户对动力电池容量定制化的需求也日益增长,不同的电池容量对应生产设备的加工工艺以及加工时间均不同,从电池产线角度来说,客户定制化即是不同的订单需求。传统的大批量生产排程策略不适用于现阶段容量定制化的动力电池制造业,如FCFS(First Come First Serve)策略或者EDD(Earliest Due Date)策略:即对待生产的批量订单按照接到订单的顺序依次连续生产或者按照订单交货期紧急度排序的生产策略。此类排程策略虽然浅显易懂且简单易行,但存在以下问题:
FCFS策略按照接到订单的顺序依次连续生产,没有考虑到订单的交货期,这会导致部分订单过于延迟而无法满足交货时间,从而产生不必要的惩罚成本;另一方面该策略没有考虑订单的存储成本,很可能因为部分订单生产过于提前而导致存储时间过长,从而产生相应不必要的存储成本。相对来说,EDD策略可以使得整体的存储成本和惩罚成本降低一些,但依然无法达到最低。总之,传统的生产排程策略不利于动力电池企业的经济效益,因此利用智能化算法求解生产排程问题是高端电池智能工厂向智能化转型的关键因素。
求解应用于高端电池智能工厂的生产排程问题的智能化算法主要包括精确算法、启发式算法和群智能优化算法等。其中,精确算法虽然能得到理论最优解,但随着问题规模的增大,其计算时间也大幅增加,因而更适用于解决小规模问题;启发式算法的优点是求解速度快,但其寻优结果往往受启发式规则影响较大。相比而言,群智能优化算法受问题特点影响较小,且求解结果较好。群智能优化算法中,粒子群算法是模仿自然界中鸟类寻找食物的过程而产生的一种群智能优化算法。由于粒子群算法具有编程简单、直观易实现等优点受到学者的广泛关注,尽管当前的研究工作取得了一定成果,但粒子群算法在寻优过程中极易陷入局部最优和早熟收敛,这会导致在求解高端电池智能工厂应用级生产排程问题时所给出的方案的生产成本并非是最小的方案,因此这一问题有待进一步优化。
发明内容
为了解决目前粒子群算法应用于生产排程问题中极易陷入局部最优和早熟收敛导致得到的方案的生产成本并非是最小的问题,本发明提供了一种高端电池智能工厂应用级生产排程方法,包括:
Step1:根据高端电池智能工厂追求的排程目标以及电池产线上的实际产能约束条件构建生产排程数学模型;
即将电池生产排程问题转化为数学模型求解问题;
Step2:根据Step1确定的生产排程数学模型,确定粒子群方法的适应度函数,并采用基于订单分段式比例编码的编码方式,利用集员中的正多胞体作为粒子的搜索空间;
采用粒子群寻优算法对数学模型进行求解,首先对电池订单进行编码,且以集员中的正多胞体作为粒子的搜索空间;
Step3:根据Step2得到的由正多胞体构造的粒子搜索空间,在粒子群方法全局搜索过程中根据群体最优粒子构造测量带对正多胞体进行切割以达到动态更新粒子群的搜索空间的目的,根据最终搜索到的最优粒子得到高端电池智能工厂生产排程结果;
粒子群搜索过程中,构造测量带对作为粒子搜索空间的正多胞体进行切割以达到动态更新粒子群的搜索空间的目的,该搜索空间更新方式可以提高粒子的全局收敛性并避免粒子陷入早熟收敛。
可选的,所述Step1包括:
假设某高端电池智能工厂需要在个时间为/>的生产期内完成n个高端电池订单,每个订单的生产数量为/>,要求的交货期为/>个生产期,产品完成后每个生产期的单位存储成本为/>,超过交货期外的单位惩罚成本为/>,生产总工序数为/>;
生产期指电池生产工厂制定的生产计划周期;电池生产过程中,生产出来的电池需要存储,因此会产生存储成本,而对于超过用户交货期的订单,由于推迟交货则会产生相应的惩罚成本。
设所有订单的产品生产完成后入库到交货出库所产生的总存储成本和因部分产品延期导致的惩罚成本总和为,则高端电池智能工厂生产排程数学模型的目标函数为:
(1)
表示第i个订单的交货期需要的生产期数目,/>表示第i个订单的单位存储成本,/>表示第i个订单产生的单位惩罚成本;
该目标函数即使得n个高端电池订单的惩罚成本和存储成本之和最低。
高端电池智能工厂生产排程约束条件包括:
(2)
(3)
(4)
(5)
(6)
(7)
其中,表示高端电池订单序号,/>;/>表示高端电池产线生产工序号,;/>表示生产期的序列号,/>;/>表示订单/>的瓶颈加工工序编号;/>表示订单/>在第/>道加工工序的产品平均加工时间;/>表示在第/>个生产期下订单/>在工序上的加工产品数量;/>表示在第/>个生产期下订单/>的加工产品数量;/>表示加工设备利用率。
电池生产过程中,每个生产期生产电池的总量会受设备使用情况限制,电池生产也存在瓶颈加工工序,也即耗时较长的工序,而电池生产各工序之间又存在着前后顺序关系,因此也要考虑设备的利用效率问题,因此需要将所涉及的各个约束条件对应转化为公式形式对数学模型求解进行限制。
可选的,以目标函数的倒数作为粒子群方法的适应度函数:
(8)
粒子的速度更新和位置更新规则如下:
(9)
(10)
(11)
其中,表示迭代次数,/>为惯性常数;/>为自我学习因子,/>为群体学习因子;为区间[0,1]上均匀分布的随机数;/>表示维度标号;/>是粒子/>在第/>次迭代中的第/>维的位置;/>是粒子/>在第/>次迭代中的第/>维的速度;/>是粒子/>在第/>次迭代中的第/>维的个体最优的位置;/>是群体粒子在第/>次迭代中第/>维的全局最优的位置,/>为粒子在第/>维的搜索空间范围,/>为第/>维粒子搜索范围的最小值,为第/>维粒子搜索范围的最大值。
可选的,所述Step2中基于订单分段式比例编码的编码方式为:
单个粒子的空间维度m由订单数量n和给定生产期的乘积确定,即/>,每个粒子共有n段,对应n个订单,每段长度为/>,对应各订单在/>个生产期内的安排,每段粒子上的数字代表在该生产期所要生产相应订单的数量占订单总数量的比例,粒子优化过程即对每段上的数字进行寻优,也即得出每个订单在每个生产期生产的数量分布。
可选的,所述Step2中利用集员中的正多胞体作为粒子的搜索空间,包括:
定义维空间粒子/>的搜索空间为/>维正多胞体/>:
(12)
其中,
为正多胞体的中心,/>为对角值为/>的对角矩阵,为正多胞体的形状矩阵,表示粒子在搜索空间范围内的变量,/>为中间变量,/>表示无穷范数。
可选的,所述Step3中根据群体最优粒子构造测量带包括:
给定时刻的群体最优粒子/>在/>时刻更新为/>,以及测量带收缩系数/>,由群体最优粒子为中心构造测量带,则/>时刻的测量带/>为:
(13)
其中,为可观测的数据向量,/>;/>为测量带误差幅值,
为群体最优粒子更新的距离公式,/>,/>为测量带的输出信息,
(14)
为测量带的误差,/>。
可选的,所述Step3中利用构造的测量带对正多胞体进行切割,包括:
由时刻构建的测量带信息动态更新的/>的正多胞体得到/>时刻的正多胞体搜索空间/>为:
(15)
其中,
其中,表示顶点最值向量,/>表示对于/>取最大值,即执行,对于/>取最小值,即执行/>;/>为/>的正多胞体确定的约束集合,在每次的迭代过程中,当群体最优粒子在不断变化时,构造测量带信息去收缩正多胞体,使得粒子的搜索空间随着群体最优粒子的变化而动态收缩,从而提高寻优收敛性,同时在收缩过程中,被排除在外的粒子会在新的搜索空间内重新初始化,提高了种群多样性;
当群体最优粒子长期保持停滞时,重置正多胞体搜索空间为初始搜索空间范围,测量带误差为初始误差进行后续搜索迭代。
可选的,所述瓶颈加工工序指电池生产过程中耗时最长的工序。可选的,粒子的速度更新和位置更新过程中,惯性常数/>取值范围为0.8~1.2。
本发明有益效果是:
通过高端电池智能工厂追求的排程目标以及电池产线上的实际产能约束等条件下构建生产排程数学模型;根据数学模型,确定粒子群算法的适应度函数和编码方式,利用粒子群方法进行全局搜索;在粒子群方法全局搜索时,设计了集员方法中的正多胞体空间作为粒子的动态搜索空间;根据由正多胞体构造的粒子搜索空间,在粒子群方法全局搜索过程中设计了由群体最优粒子为中心构造测量带去动态更新粒子群的搜索空间,提高粒子的全局收敛性并避免粒子陷入早熟收敛,得到高端电池智能工厂生产排程结果。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例中公开的一种高端电池智能工厂应用级生产排程方法的流程图。
图2是本申请一个实施例中公开的基于订单分段式比例编码的方式示意图。
图3是本申请一个实施例中公开的基于本发明的算法和经典粒子群算法的寻优平均值收敛性对比分析图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一:
本实施例提供一种高端电池智能工厂应用级生产排程方法,参见图1,所述方法包括:
Step1:根据高端电池智能工厂追求的排程目标以及电池产线上的实际产能约束条件构建生产排程数学模型;
Step2:根据Step1确定的生产模型,确定粒子群方法的适应度函数,并采用基于订单分段式比例编码的编码方式,利用集员中的正多胞体作为粒子的搜索空间;
Step3:根据Step2得到的由正多胞体构造的粒子搜索空间,在粒子群方法全局搜索过程中根据群体最优粒子构造测量带对正多胞体进行切割以达到动态更新粒子群的搜索空间的目的,根据最终搜索到的最优粒子得到高端电池智能工厂生产排程结果。
实施例二
本实施例提供一种高端电池智能工厂应用级生产排程方法,参见图1,所述方法包括:
步骤101,根据高端电池智能工厂追求的排程目标以及电池产线上的实际产能约束等条件下构建生产排程数学模型:
确定个时间为/>的生产期,生产期指电池生产工厂制定的生产计划周期,比如以2天为周期进行生产计划安排,则1个生产期即表示2天;待完成高端电池订单n种,每个订单中,电池数量为/>,交货期为/>个生产期,该订单对应的产品完成后每个生产期的单位存储成本为/>,超过交货期外的单位惩罚成本为/>,该订单产品对应的生产总工序数为/>;设所有订单的产品生产完成后入库到交货出库所产生的总存储成本和因部分产品延期导致的惩罚成本总和为/>,则高端电池智能工厂生产排程数学模型的目标函数为:
(1)
高端电池智能工厂生产排程约束条件包括:
(2)
(3)
(4)
(5)
(6)
(7)
其中,表示高端电池生产订单序号,/>;/>表示高端电池产线生产工序号,/>;/>表示生产期的序列号,/>;/>表示订单/>的瓶颈加工工序编号,瓶颈加工工序指电池生产过程中耗时最长的工序,本实施例中瓶颈加工工序指动力电池生产工序里的烘烤工序;/>表示订单/>在第/>道加工工序的产品平均加工时间;/>表示在第/>个生产期下订单/>在工序/>上的加工产品数量;/>表示在第/>个生产期下订单/>的加工产品数量;/>表示加工设备利用率。
步骤102,根据步骤101确定的数学模型确定粒子群的适应度函数为:
(8)
粒子的速度更新和位置更新规则如下:
(9)
(10)
(11)
其中,表示迭代次数,/>为惯性常数,取值范围为0.8~1.2;/>为自我学习因子,为群体学习因子;/>为区间[0,1]上均匀分布的随机数;/>表示维度标号;/>是粒子在第/>次迭代中的第/>维的位置;/>是粒子/>在第/>次迭代中的第/>维的速度;是粒子/>在第/>次迭代中的第/>维的个体最优的位置;/>是群体粒子在第/>次迭代中第/>维的全局最优的位置,/>为粒子在第/>维的搜索空间范围,/>为第/>维粒子搜索范围的最小值,/>为第/>维粒子搜索范围的最大值;
本发明采用的粒子群编码方式为一种基于订单分段式比例编码的方式,即单个粒子的空间维度m由待完成高端电池订单的订单数量和对应所需的生产期的乘积确定,即,每个粒子共有n段,表示需要进行生产排程的n个订单,每段长度为l,表示这n个订单需要在l个生产期内完成,因此长度为l的每段又可以分为l小段,每个小段上的数字则代表在该小段所代表的生产期所要生产相应订单的数量占总数量的比例。
假设需要进行生产排程的订单数n=3,这3个订单需要在5个生产期内完成;则如图2所示,单个粒子包含有3段,每段又包含5个小段,每个小段上的数字表示在该小段所代表的生产期所要生产相应订单的数量占该生产期所要生产的总数量的比例,图2中下方标出的两个括号所指代小段上的数字即分别表示在第3个生产期内生产的电池总数中属于第2个订单的电池数量占比和在第5个生产期内生产的电池总数中属于第2个订单的电池数量占比,图2中上方标出的括号所指代的即第2个订单在5个生产期内生产安排。图2中,电池生产工厂第1个生产期内生产的电池的10%属于第2个订单,第2个生产期内生产的电池的30%属于第2个订单,第3个生产期内生产的电池的50%属于第2个订单,第4个生产期内没有生产第2个订单的电池,第5个生产期内生产的电池的30%属于第2个订单。
粒子优化过程即对每个小段上的数字进行寻优。
步骤103,利用集员中的正多胞体作为粒子的搜索空间,即:
对于维空间粒子/>的搜索空间可定义为/>维正多胞体:
(12)
其中,
为正多胞体的中心,/>为对角值为/>的对角矩阵,为正多胞体的形状矩阵,表示粒子在搜索空间范围内的变量,/>为中间变量,/>表示无穷范数。
步骤104,根据步骤103得到的由正多胞体构造的粒子搜索空间,在粒子群方法全局搜索过程中设计了由群体最优粒子为中心构造测量带;
给定时刻的群体最优粒子/>在/>时刻更新为/>,以及测量带收缩系数/>,则/>时刻的测量带/>为:
(13)
其中,为可观测的数据向量,/>;为测量带误差幅值,
为群体最优粒子更新的距离公式,/>,为测量带的输出信息,
(14)
为测量带的误差,/>。
步骤105,根据构建的测量带信息动态更新粒子群的搜索空间,提高粒子的全局收敛性并避免粒子陷入早熟收敛,发明此方法应用于高端电池智能工厂得出生产排程结果;
即由时刻构建的测量带信息动态更新的/>的正多胞体得到/>时刻的正多胞体搜索空间/>为
(15)
其中,
其中,表示顶点最值向量,/>表示对于/>取最大值,即执行,对于/>取最小值,即执行/>;/>为/>的正多胞体确定的约束集合,在每次的迭代过程中,当群体最优粒子在不断变化时,构造测量带信息去收缩正多胞体,粒子的搜索空间会随着群体最优粒子的变化而动态收缩,从而提高寻优收敛性,同时在收缩过程中,被排除在外的粒子会在新的搜索空间内重新初始化,提高种群多样性;当群体最优粒子长期保持停滞时,为避免陷入粒子局部最优和早熟收敛状态,重置正多胞体搜索空间为初始搜索空间范围,测量带误差为初始误差进行后续搜索迭代。
为验证本申请提出的高端电池智能工厂应用级生产排程方法的有效性,本申请进行如下仿真实验:实验中,首先获取某智能电池工厂实际的生产数据,该公司的生产是以锅为单位进行流程化生产,主要是因为电池生产过程中混料的工序中会一锅得到可以生产多个电池的料,比如标准下每锅生产包含500包动力电池,生产期为2天,生产设备的最大利用率为90%,获取该公司7个待生产的订单的信息如下表1所示,可以看出每个订单中的电池对应的单位存储成本和单位惩罚成本是不同的,要求的交货期数(也即交货时间)也是不同的,而该电池生产工厂的生产期T=2天,基于所收到的订单总量,该电池生产工厂需要11个生产期才能完成所有订单,也即需要22天,因此无法保证均能够如期交货,但为了使得该7个订单整体存储成本和惩罚成本最低,采用本申请方法进行生产排程安排。
表1:某智能电池工厂的不同订单数据的相关信息汇总表
取初始种群,迭代次数/>,惯性常数/>,自我学习因子,群体学习因子/>,初始搜索空间的边界/>。
在预定的迭代次数内,执行步骤101到105,得到高端电池智能工厂生产排程结果。
同时与传统的FCFS和EDD策略以及经典的粒子群算法求解得到的生产排程结果进行对比,对比结果如表2~4中所示。
表2:本发明策略求出的生产排程结果
传统的FCFS和EDD策略可参考:郭仪. 定制化订单装配型企业生产分解与调度方法研究[D]: [硕士学位论文]. 合肥: 合肥工业大学, 2019.
经典的粒子群算法的介绍可参考:于蒙,刘德汉.改进PSO-GA算法求解混合流水车间调度问题[J].武汉理工大学学报(交通科学与工程版),2021,45(03):586-590.
表3:基于FCFS策略求出的生产排程结果
表4:基于EDD策略求出的生产排程结果
由表2~4中可以看出,本发明的高端电池智能工厂生产排程方法求得的生产排程方案的存储成本和惩罚成本合计为144200元,基于FCFS策略求得的生产排程方案的存储成本和惩罚成本合计为167810元,基于EDD策略求得的生产排程方案的存储成本和惩罚成本合计为155600元,由此可得本发明的高端电池智能工厂生产排程方法在最大化保证订单的交货时间的前提下,最大限度地降低企业的生产成本费用;同时由图2可以看出,本发明的动力电池高端电池智能工厂生产排程方法的收敛性优于经典的粒子群算法。
综上,针对高端电池智能工厂生产排程问题,不同于传统简单易行但成本偏高的FCFS,EDD排程策略,本发明方法的求解方案的生产成本更低,即所有定制化订单生产完成的存储成本和惩罚成本最小,同时针对于经典的群智能算法,本发明的生产排程方法的收敛性更好。
本发明实施例中的部分步骤,可以利用软件实现,相应的软件程序可以存储在可读取的存储介质中,如光盘或硬盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (3)
1.一种电池工厂应用级生产排程方法,其特征在于,所述方法包括:
Step1:根据电池工厂追求的排程目标以及电池产线上的实际产能约束条件构建生产排程数学模型;
Step2:根据Step1确定的生产排程数学模型,确定粒子群方法的适应度函数,并采用基于订单分段式比例编码的编码方式,利用集员中的正多胞体作为粒子的搜索空间;
Step3:根据Step2得到的由正多胞体构造的粒子搜索空间,在粒子群方法全局搜索过程中根据群体最优粒子构造测量带对正多胞体进行切割以达到动态更新粒子群的搜索空间的目的,根据最终搜索到的最优粒子得到电池工厂生产排程结果;
所述Step1包括:
假设某电池工厂需要在个时间为/>的生产期内完成n个电池订单,每个订单的生产数量为/>,要求的交货期为/>个生产期,产品完成后每个生产期的单位存储成本为/>,超过交货期外的单位惩罚成本为/>,生产总工序数为/>;
设所有订单的产品生产完成后入库到交货出库所产生的总存储成本和因部分产品延期导致的惩罚成本总和为,则电池工厂生产排程数学模型的目标函数为:
(1)
表示第i个订单的交货期需要的生产期数目,/>表示第i个订单的单位存储成本,/>表示第i个订单产生的单位惩罚成本;
电池工厂生产排程约束条件包括:
(2)
(3)
(4)
(5)
(6)
(7)
其中,表示电池订单序号,/>;/>表示电池产线生产工序号,/>;/>表示生产期的序列号,/>;/>表示订单/>的瓶颈加工工序编号;/>表示订单/>在第/>道加工工序的产品平均加工时间;/>表示在第/>个生产期下订单/>在工序/>上的加工产品数量;/>表示在第/>个生产期下订单/>的加工产品数量;/>表示加工设备利用率;
所述Step2中粒子群方法的适应度函数为:
(8)
粒子的速度更新和位置更新规则如下:
(9)
(10)
(11)
其中,表示迭代次数,/>为惯性常数;/>为自我学习因子,/>为群体学习因子;/>为区间[0,1]上均匀分布的随机数;/>表示维度标号;/>是粒子/>在第/>次迭代中的第/>维的位置;/>是粒子/>在第/>次迭代中的第/>维的速度;/>是粒子/>在第/>次迭代中的第/>维的个体最优的位置;/>是群体粒子在第/>次迭代中第/>维的全局最优的位置,/>为粒子在第/>维的搜索空间范围,/>为第/>维粒子搜索范围的最小值,/>为第维粒子搜索范围的最大值;
所述Step2中基于订单分段式比例编码的编码方式为:
单个粒子的空间维度m由订单数量n和给定生产期的乘积确定,即/>,每个粒子共有n段,对应n个订单,每段长度为/>,对应各订单在/>个生产期内的安排,每段粒子上的数字代表在该生产期所要生产相应订单的数量占订单总数量的比例;
所述Step2中利用集员中的正多胞体作为粒子的搜索空间,包括:
定义维空间粒子/>的搜索空间为/>维正多胞体/>:
(12)
其中,
为正多胞体的中心,/>为对角值为/>的对角矩阵,为正多胞体的形状矩阵,/>表示粒子在搜索空间范围内的变量,/>为中间变量,/>表示无穷范数;
所述Step3中根据群体最优粒子构造测量带包括:
给定时刻的群体最优粒子/>在/>时刻更新为/>,以及测量带收缩系数,由群体最优粒子为中心构造测量带,则/>时刻的测量带/>为:
(13)
其中,为可观测的数据向量,/>;/>为测量带误差幅值,
为群体最优粒子更新的距离公式,/>,/>为测量带的输出信息,
(14)
为测量带的误差,/>;
所述Step3中利用构造的测量带对正多胞体进行切割,包括:
由时刻构建的测量带信息动态更新的/>的正多胞体得到/>时刻的正多胞体搜索空间/>为:
(15)
其中,
其中,表示顶点最值向量,/>表示对于/>取最大值,即执行/>,对于/>取最小值,即执行/>;/>为/>的正多胞体确定的约束集合,在每次的迭代过程中,当群体最优粒子在不断变化时,构造测量带信息去收缩正多胞体,使得粒子的搜索空间随着群体最优粒子的变化而动态收缩;
当群体最优粒子长期保持停滞时,重置正多胞体搜索空间为初始搜索空间范围,测量带误差为初始误差进行后续搜索迭代。
2.根据权利要求1所述的方法,其特征在于,所述瓶颈加工工序指电池生产过程中耗时最长的工序。
3.根据权利要求2所述的方法,其特征在于,粒子的速度更新和位置更新过程中,惯性常数/>取值范围为0.8~1.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310611262.0A CN116362521B (zh) | 2023-05-29 | 2023-05-29 | 一种高端电池智能工厂应用级生产排程方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310611262.0A CN116362521B (zh) | 2023-05-29 | 2023-05-29 | 一种高端电池智能工厂应用级生产排程方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116362521A CN116362521A (zh) | 2023-06-30 |
CN116362521B true CN116362521B (zh) | 2023-08-22 |
Family
ID=86928334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310611262.0A Active CN116362521B (zh) | 2023-05-29 | 2023-05-29 | 一种高端电池智能工厂应用级生产排程方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116362521B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952275A (zh) * | 2017-03-16 | 2017-07-14 | 南京师范大学 | 一种基于粒子群神经网络的细胞图像分割方法 |
CN109697299A (zh) * | 2017-10-24 | 2019-04-30 | 天津科技大学 | 一种自适应惯性权重混沌粒子群算法 |
CN109711745A (zh) * | 2019-01-02 | 2019-05-03 | 郑州航空工业管理学院 | 基于智能优化算法的双层式生产计划优化控制方法 |
CN111650914A (zh) * | 2020-07-02 | 2020-09-11 | 昆明理工大学 | 一种汽车动力电池的装配过程的优化调度方法 |
CN112911705A (zh) * | 2021-02-02 | 2021-06-04 | 湖南大学 | 基于贝叶斯迭代改进的粒子群优化算法的室内定位方法 |
CN114529059A (zh) * | 2022-01-19 | 2022-05-24 | 江南大学 | 一种动力电池产线优化重组方法 |
CN114757323A (zh) * | 2022-04-18 | 2022-07-15 | 湖北经济学院 | 基于动态局部进化的高斯粒子群优化算法 |
CN115222006A (zh) * | 2021-04-15 | 2022-10-21 | 天津科技大学 | 一种基于改进粒子群优化算法的数值函数优化方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8396730B2 (en) * | 2011-02-14 | 2013-03-12 | Raytheon Company | System and method for resource allocation and management |
US20190339688A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN107590603B (zh) * | 2017-09-11 | 2018-11-13 | 合肥工业大学 | 基于改进变邻域搜索和差分进化算法的调度方法及系统 |
US11738208B2 (en) * | 2020-07-08 | 2023-08-29 | The Board Of Trustees Of The Leland Stanford Junior University | Pareto optimal projection search (POPS) for automated radiation therapy treatment planning |
-
2023
- 2023-05-29 CN CN202310611262.0A patent/CN116362521B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952275A (zh) * | 2017-03-16 | 2017-07-14 | 南京师范大学 | 一种基于粒子群神经网络的细胞图像分割方法 |
CN109697299A (zh) * | 2017-10-24 | 2019-04-30 | 天津科技大学 | 一种自适应惯性权重混沌粒子群算法 |
CN109711745A (zh) * | 2019-01-02 | 2019-05-03 | 郑州航空工业管理学院 | 基于智能优化算法的双层式生产计划优化控制方法 |
CN111650914A (zh) * | 2020-07-02 | 2020-09-11 | 昆明理工大学 | 一种汽车动力电池的装配过程的优化调度方法 |
CN112911705A (zh) * | 2021-02-02 | 2021-06-04 | 湖南大学 | 基于贝叶斯迭代改进的粒子群优化算法的室内定位方法 |
CN115222006A (zh) * | 2021-04-15 | 2022-10-21 | 天津科技大学 | 一种基于改进粒子群优化算法的数值函数优化方法 |
CN114529059A (zh) * | 2022-01-19 | 2022-05-24 | 江南大学 | 一种动力电池产线优化重组方法 |
CN114757323A (zh) * | 2022-04-18 | 2022-07-15 | 湖北经济学院 | 基于动态局部进化的高斯粒子群优化算法 |
Non-Patent Citations (1)
Title |
---|
A split-step particle swarm optimization algorithm in river stage forecasting;K.W. Chau;《Journal of Hydrology 》;第346卷(第2007期);第131页第1栏第1段至第134页第2栏第2段 * |
Also Published As
Publication number | Publication date |
---|---|
CN116362521A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108932557A (zh) | 一种基于气温累积效应和灰色关联度的短期负荷预测模型 | |
CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
CN112184070B (zh) | 一种协同生态流量需求的梯级水电站多目标优化调度方法及系统 | |
CN110956371B (zh) | 面向复杂人机耦合的智能制造车间的绿色调度优化方法 | |
CN109376950A (zh) | 一种基于bp神经网络的多元电网负荷预测方法 | |
CN108092320A (zh) | 分布式光伏并网准入容量的规划方法及系统 | |
CN112508287A (zh) | 基于用户侧bess全寿命周期的储能优化配置方法 | |
CN107230003A (zh) | 一种新能源发电系统的功率预测方法 | |
CN116388245A (zh) | 光储充一体化电站储能容量配置方法及相关设备 | |
CN115733178A (zh) | 基于成本和风险多目标的光储充电站容量配置方法及系统 | |
CN109617048A (zh) | 基于多目标线性规划的电网规划典型场景选取方法 | |
CN116362521B (zh) | 一种高端电池智能工厂应用级生产排程方法 | |
CN107085774A (zh) | 一种售电服务平台性能评价方法及装置 | |
CN114358378A (zh) | 一种用于考虑需量管理的用户侧储能优化配置系统及方法 | |
CN117332963A (zh) | 一种源网荷储协同的虚拟电厂动态优化调度方法及系统 | |
Hao et al. | Solving economic load dispatch problem of power system based on differential evolution algorithm with different mutation strategies | |
CN116128127A (zh) | 一种负荷聚合商模式下的源荷协调多目标优化调度方法 | |
CN109409604A (zh) | 一种基于遗传算法-支持向量机的冷负荷预测方法 | |
CN112766609A (zh) | 一种基于云计算的用电量预测方法 | |
CN113988578A (zh) | 计及可靠性的微电网群源网荷储协同优化调度方法及系统 | |
CN111860944A (zh) | 一种对现货交易市场电量计算的优化方法及系统 | |
CN117172391B (zh) | 一种基于多元回归的线损合理区间预测方法、装置及介质 | |
Herrmann et al. | Hierarchical production planning with part, spatial and time aggregation | |
Zheng et al. | Long Term Electricity Consumption Forecast Based on STL-IDBO-LSSVM | |
CN116341939A (zh) | 一种基于改进遗传算法的新能源和储能集群划分方法 |
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 |