CN117215249B - 可重入制造系统的动态调控方法及相关产品 - Google Patents
可重入制造系统的动态调控方法及相关产品 Download PDFInfo
- Publication number
- CN117215249B CN117215249B CN202311441087.1A CN202311441087A CN117215249B CN 117215249 B CN117215249 B CN 117215249B CN 202311441087 A CN202311441087 A CN 202311441087A CN 117215249 B CN117215249 B CN 117215249B
- Authority
- CN
- China
- Prior art keywords
- controller
- matrix
- manufacturing system
- equation
- 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
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000033228 biological regulation Effects 0.000 title claims abstract description 17
- 230000001105 regulatory effect Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 51
- 230000006870 function Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 44
- 238000010586 diagram Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 14
- 230000014509 gene expression Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000012938 design process Methods 0.000 description 5
- 239000011265 semifinished product Substances 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000001259 photo etching Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Classifications
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Abstract
本发明公开了一种可重入制造系统的动态调控方法及相关产品。该方法中,在不等式(1)和等式(2)的约束下搜索控制器增益的可行解;根据搜索到的控制器增益的可行解和控制器模型计算控制输入,所述控制输入用于调控可重入制造系统,不等式(1)如下:;等式(2)如下:。在已知全部生产场景中部分生产场景的状态信息的情况下,仍可以调控系统达到预期的平衡点。
Description
技术领域
本发明涉及一种可重入制造系统的动态调控方法及相关产品。
背景技术
可重入制造系统是指一个产品工件在工艺路线的不同阶段多次访问同一个加工站的制造系统,随着半导体制造业的迅速发展而兴起。可重入制造系统与传统离散制造系统不同,具有工件加工工序多,在加工不同阶段重复访问某些机器等特点,这同时也增加了制造流程的复杂性。
考虑到可重入制造系统的复杂性,国内外众多学者考虑采用建立一种连续模型来描述系统,该连续模型由一阶双曲型偏微分方程描述,其中偏微分项系数表示流水线的速度,与整个工厂的负载有关。需要指出的是,连续模型是在统计意义下建立的宏观生产模型,忽视较多的细节如产品如何投入、输送等具体行为,注重整体的生产规划。通常针对单线生产的情况,主要通过控制原材料的投入去控制整条生产场景的均衡生产。即采用一种边界控制的方法。但是在可重入制造系统存在缓冲站,提供半成品的存放,进而能够调控中间产品何时进行下一流程的加工生产,影响系统的整体产量。然而,随着工厂规模的扩大,多条生产场景间并行生产,不同生产场景之间也将必然存在着半成品的运输与交换,这将会大大增加系统的复杂性。同时考虑到系统复杂性和建模精确性,建模误差也是应当考虑的一项重要内容。由于实际生产中为获得系统信息需要安装各种传感器,减少系统信息的检测传递量就能够降低很多生产成本,因此以非线性偏微分方程系统研究复杂网络下可重入制造系统的基于部分生产场景信息的控制问题具有重要意义。
例如,中国专利公开文本CN114047706A提出了一种面向可重入工业制造系统的模糊动态积分滑模控制方法。当系统中生产场景的信息获取不全时,无法有效调控整个系统。
发明内容
本发明涉及一种可重入制造系统的动态调控方法及相关产品。
本发明提供以下技术方案:一种可重入制造系统的动态调控方法,包括:
在不等式(1)和等式(2)的约束下搜索控制器增益的可行解;
根据搜索到的控制器增益的可行解和控制器模型计算控制输入,所述控制输入用于调控可重入制造系统;
其中,控制器模型为:
;
其中,u(s,t)为控制输入,s为完成度,t为时间,为设定的控制器负定参数矩阵,为第i个模糊规则对应的隶属度函数,Fi(s)和Ki(s) 分别为第i个模糊规则对应的控制器增益,z(s,t)表示能够获取到的生产场景的状态信息,,
L(s,t)=[l1(s,t),l2(s,t),...,ln(s,t)]T,L(s,t)是可重入制造系统中每一个生产场景在时间t时处于完成度s的产品的密度,下标1至n为生产场景的编号,Ls=[Ls1,Ls2,...,Lsn]T,各分量依次表示标号为1至n的生产场景的市场需求,C(s)为行向量,其分量至少一项非0;
不等式(1)如下:
;
等式(2)如下:
;
其中,
,
是设定的系数,i是模糊规则的编号,/>是模糊规则的数量,M(s)是待求解的正定对角矩阵,Wi(s)是待求解的矩阵,R(s)是待求解方阵;
其中,
其中,m为控制输入的维度,n为生产场景的数量;
其中,控制器增益由如下公式确定:;
其中,所述可重入制造系统的控制方程的模糊模型为:
;
为设定的负定矩阵,Ai(s)和Gi(s)是第i个模糊规则对应的系数矩阵,/>和/>是第i个模糊规则对应的不确定性项,Q(s)是/>的上界估计值。
本发明提供以下技术方案:一种可重入制造系统的动态调控装置,包括:
控制器增益搜索模块,用于在不等式(1)和等式(2)的约束下搜索控制器增益的可行解;
控制输入计算模块,用于根据搜索到的控制器增益的可行解和控制器模型计算控制输入,所述控制输入用于调控可重入制造系统;
其中,控制器模型为:
;
其中,u(s,t)为控制输入,s为完成度,t为时间,为设定的控制器负定参数矩阵,为第i个模糊规则对应的隶属度函数,Fi(s)和Ki(s) 分别为第i个模糊规则对应的控制器增益,z(s,t)表示能够获取到的生产场景的状态信息,,
L(s,t)=[l1(s,t),l2(s,t),...,ln(s,t)]T,L(s,t)是可重入制造系统中每一个生产场景在时间t时处于完成度s的产品的密度,下标1至n为生产场景的编号,Ls=[Ls1,Ls2,...,Lsn]T,各分量依次表示标号为1至n的生产场景的市场需求,C(s)为行向量,其分量至少一项非0;
不等式(1)如下:
;
等式(2)如下:
;
其中,
,
是设定的系数,i是模糊规则的编号,/>是模糊规则的数量,M(s)是待求解的正定对角矩阵,Wi(s)是待求解的矩阵,R(s)是待求解方阵;
其中,
其中,m为控制输入的维度,n为生产场景的数量;
其中,控制器增益由如下公式确定:;
其中,所述可重入制造系统的控制方程的模糊模型为:
;
为设定的负定矩阵,Ai(s)和Gi(s)是第i个模糊规则对应的系数矩阵,/>和/>是第i个模糊规则对应的不确定性项,Q(s)是/>的上界估计值。
本发明提供以下技术方案:一种可重入制造系统的动态调控装置,包括存储器和处理器,所述存储器存储程序,所述处理器运行所述程序以执行前述的方法。
本发明提供以下技术方案:一种存储介质,所述存储介质存储程序,所述程序在处理器上运行时能够执行前述的方法。
本发明提供以下技术方案:一种计算机程序产品,其在处理器上运行时能够执行前述的方法。
即使可重入制造系统中仅部分生产场景的信息是可以获知的,运用该方法也能调控可重入制造系统,使其达到预期的稳定状态。
附图说明
图1是本发明应用场景的一个模型示意图。
图2是本发明提供的可重入制造系统的动态调控方法的流程图。
图3是本发明提供的可重入制造系统的动态调控装置的结构示意图。
图4是本发明提供的另一可重入制造系统的动态调控装置的结构示意图。
图5是本发明实施例提供的模糊规则1对应的控制器增益的示意图。
图6是本发明实施例提供的模糊规则2对应的控制器增益的示意图。
图7是本发明实施例提供的模糊规则3对应的控制器增益的示意图。
图8是本发明实施例提供的模糊规则4对应的控制器增益的示意图。
图9是本发明实施例提供的一个被控变量变化示意图。
图10是本发明实施例提供的另一个被控变量的变化示意图。
图11是本发明实施例提供的控制输入变化示意图。
图12是本发明实施例提供的一个生产场景的产品密度示意图。
图13是本发明实施例提供的另一个生产场景的产品密度示意图。
图14是本发明提供的一个可重入系统实际生产过程流程图。
具体实施方式
下面结合具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
符号说明:I为单位矩阵,下标为维度,为m行n列的全0矩阵,/>为n行m列的全0矩阵。矩阵大于0表示其是正定的;矩阵小于0表示其是负定的;矩阵大于或等于0表示其是半正定的;矩阵小于或等于0表示其是半负定的。矩阵A大于矩阵B,表示矩阵A-B是正定的,以此类推。
图1展示了本发明应用场景的一个模型示意图,考虑一个具有n个生产场景的可重入制造系统,它们的系统状态、控制输入通过一个复杂网络相互耦合连接,耦合包括但不限于不同生产场景间通过运输车或传送带等进行半成品的交换,生产场景之外对生产系统的额外输入与调控等,系统输出是一个生产场景或者部分多个生产场景的状态信息。
生产场景的维度高低可以根据实际需要而灵活设定。例如一个生产场景具体为一条生产线。
本发明中的系统也称为生产系统模型或模型。
系统的输出信息越少,能够利用的系统信息越少,信息监测、传递、处理等成本就会越低,并且应当满足系统的所有状态是可控的要求,否则控制研究将会失去意义。
本发明为生产系统模型设计控制器,以调控各个生产场景的产品数量,使各个生产场景中在制品的数量与外部产品市场需求达到一致。
以下展示控制器的设计过程,并介绍控制器的运行过程,最后展示该控制器的一个测试实例用于展示设计和运行过程。
设计过程如下。
S1、建立复杂网络下的可重入制造系统的状态演化连续方程。
示例性地,考虑包含n个生产场景的复杂网络连接下的可重入制造系统:
。
其中,L(s,t)=[l1(s,t),l2(s,t),...,ln(s,t)]T,它是可重入制造系统中每一个生产场景在时间t时处于完成度s的产品的密度,下标1至n为生产场景的编号。
,表示产品的当前完成度,s=0表示产品还未开始加工,s=1表示产品已完成加工。
U(s,t)=[u1(s,t),...,um(s,t)]T是控制输入,作用是调控不同完成度的产品的数量,下标1至m表示控制输入的维度。
是一个已知的对角负定矩阵,与各条生产场景的生产速率有关。
(L(s,t),u(s,t),s)表示将产品密度、完成度和控制输入进行复杂的网络连接,不失一般性可以以一个非线性的复杂函数来表示。
C(s)是系统的输出向量或矩阵,表示系统中哪些生产场景的状态是可获取的,即L(s,t)中的哪一项是可获取的。
D(s,t)是可获得的系统输出参量。系统输出参数即能够获取到的一个或多个生产场景的状态。
控制输入u(s,t)用于改变外界条件,进而影响产品的生产速度。例如在化工生产的应用场景中,控制输入u(s,t)的每一个分量可以表示压强、温度、进料速度等。通常来说,在可重入制造系统中希望在各个阶段的产品密度相同,且处于一个预期的稳定值(生产满足外部的市场需求)。不妨假设外部市场需求为Ls,该值是一个工厂提前通过市场调研或其他方式获取的已知量,通常在无材料浪费的情况下,与总进料速度应当保持一致,即L(0,t)=[Ls1,Ls2,...,Lsn]T,满足。
S2、由所述状态演化方程获得可重入制造系统的控制方程。
为了解决问题的方便,通常定义新的变量来使原点成为平衡点。平衡点即系统状态通过控制要达到稳定的目标点。
定义新的控制量:
。
该新定义的控制量为新的系统状态,是为了便于后续的控制分析,控制器设计,控制器增益的计算等定义的一个变量。
系统的控制方程为:
;
其中,
。
该方程即为控制方程且边界条件变为。
控制方程描述的系统与状态演化连续方程描述的是同一个系统,只是表达方式不同。
S3、将所述控制方程模糊化,得到模糊模型。
S31、选择合适的前提变量对控制方程进行模糊化。
通过选择合适的l维前提变量对新获得的控制方程进行模糊化处理,得到如下的模糊模型。
前提变量是人为选取的,是为了使控制方程中的非线性项线性化选取的。前提变量选取哪些分量,选取多少分量,都要视非线性项复杂程度而定。
前提变量选择的越多,后续的模糊规则数量会呈指数增长,因此模糊模型就会越复杂,后续需要计算的控制器增益的数量就会越多,计算量增大。所以在能满足模糊模型是线性的情况下,前提变量的数量越少越好。
系统规则:
其中,l是一个正整数,表示前提变量的个数,是l维的前提变量,是模糊集合,/>是模糊规则的数量;
Ai(s)和Gi(s)是获得的已知系统矩阵,每一个模糊规则对应一种确定的表达式;
是第i个模糊子系统对应的不确定性矩阵。
这里等式表达式与步骤S2的控制方程是等价的,不确定性矩阵是未知的,/>、Ai(s)和Gi(s)是已知的。
S32、基于模糊规则,计算每一个模糊子系统对应的隶属度函数。
依次经历的过程为单值模糊,乘积推理,中心平均去模糊。
单值模糊是通过输入选择的前提变量,利用专家经验等来选择几个单点进行模糊化,本例后续考虑的是两点,即在专家经验估计的范围内选择最大点和最小点来模糊化,输出模糊集合和它的梯度。
乘积推理是一种模糊推理方法,指将第i个模糊规则中各个模糊集合的梯度相乘来实现推理过程,输入第i个模糊规则所有模糊集合和它的梯度,输出为第i个模糊规则的推理结果。
中心平均去模糊是把各个模糊规则的推理结果用中心平均的方法来获得第i个规则自己的权重,即第i个隶属度函数。输入各个模糊规则的推理结果,输出各个模糊规则的权重即隶属度函数。
通过使用单值模糊器、乘积推理器和中心平均去模糊器,可以得到如下的模糊隶属度函数:
其中,是前提变量/>的模糊集/>的梯度,下标i模糊规则的编号,下标j为前提变量的编号。
需要选择合适的前提变量及模糊集合,以满足,。
隶属度函数是一个以前提变量作为自变量的函数,由于模糊后的系统为线性系统,实际上隶属度函数就是来补充线性关系与原来系统之间的差别。
进一步地,可以得到控制方程的模糊模型:
。
以上设计过程中,首先根据一个实际可重入制造系统构建出一个数学模型,为了实现控制目标满足外部市场需求,定义了一个新的等价控制系统,为了后续控制器设计及增益核函数的计算需要又进行模糊化处理获得该模糊模型。所以可以认为三者之间是等价关系,只不过是为了后续计算不断得到的几个数学表达式。
模糊模型的因变量是u(s,t),果变量是,系数/>和/>是未知的,其余系数是已知的。
S33、基于模糊建模过程估计系统中不确定性项。
通过模糊模型与实际的控制方程比较,估计不确定性项满足的矩阵条件,即
;
其中,I是具有相应维度的单位矩阵,Q(s)是一个标量函数。Q(s)是未知项的上界估计值,由于上界有无限个,通常尽可能选择最小上界,即上确界。当然如果无法获得上确界其他上界也可以,但是会对后续的计算有一定的影响,Q(s)不能无限大,当其值大到一定程度后续的计算一定会无解。该不等式中已知量是Q(s)、I,未知量是/>,该不等式的物理含义是就是对未知量的一个估计表示,当然也存在其他表示方法。本发明对如何评估未知项的上界的具体方法不做限定,可以按照现有技术进行设计。
S4、基于模糊模型设计动态控制器求解混合条件获得控制器增益。
S4中已知信息是前面过程构建的模糊模型,包括隶属度函数,未知量是控制器的控制输入u(s,t)和控制器增益Fi(s)和Ki(s)。控制器增益Fi(s)和Ki(s)是新设计控制器中的系数,这两个系数与相关。该过程的目的是首先求取合适的控制器增益,然后根据设计的控制器表达式求取控制输入u(s,t),来作为原系统的控制输入以调控系统状态。
S41,设计模糊动态控制器。
基于上述建立的系统模糊模型,设计如下的控制器:
;
其中,u(0,t)=[0,0,...,0],u(s,0)=u0(s),是给定的控制器初值,是给定的对角负定矩阵。
以上控制器的已知量为,未知量为控制器的状态u(s,t)和控制器增益Fi(s)和Ki(s) 。
该等式是为了获得原系统控制输入u(s,t)而设计的一个表达式,只有在先求的控制器增益的情况下,通过此式子才能计算原系统的控制输入u(s,t)。
S42,基于线性可微的矩阵混合条件获得控制器增益。
为方面描述,定义如下矩阵:
其中,m为控制输入的维度,n为生产场景的数量。
以上6个矩阵中除了是未知量,其余均为已知量。
控制器增益求解等价于求解下列的线性可微矩阵不等式:
任给一个系统指数稳定的收敛速度>0,如果存在一个正定对角矩阵M(s),多个矩阵Wi(s)和一个方阵R(s)使得下列矩阵不等式成立:
(1)
(2)
其中,
,
那么所设计的控制器能够是镇定系统,控制器增益由求得。
通过Lyapunov方法可以证明该控制器增益能够使系统快速收敛。
选择Lyapunov函数:
。
通过现有数学技巧可以说明:
。
表示/>对时间的导数,进一步可以得到:
;
即V(t)随着时间收敛到原点,由于P(s)是一个定矩阵,必然收敛到原点。即/>收敛到原点。根据/>=,可重入制造系统的各生产场景产品密度L(s,t)收敛到相应的期望值。
一种求解本发明中线性矩阵混合条件的方法如下。
流程a、设定s=0时M(s)的初始值,计k=0,k为用于计数的变量,其中,将完成度均分为连续N个区间,N>1;
流程b、用M(s)的后向差分值替代,求解不等式(1)得到s=(k+1)/N时M(s)的估计值/>以及得到Wi(s)的估计值/>,如果求解成功则转至流程c,否则返回流程a并重新设定s=0时M(s)的初始值;
流程c、利用当前M(s)的估计值值求解式(2)得到R(s)的估计值,随后判断如果k=N则流程结束,输出s的每一种取值对应的Wi(s)和R(s),否则令k=k+1并返回流程b。
S5、基于获得的控制器增益,确定控制输入,再根据控制输入调控可重入制造系统的,以使得多个场景的生产负荷平衡并跟踪外部市场的需求。具体的,将控制输入每一个分量的数值映射为实际的物理量。
通过上述离散求解线性矩阵不等式的方法能获得大部分控制的参数,而控制器中的增益同样是一个标量的函数,在实际应用中应该不断地根据所求数据反复测试结果,选择最佳的控制器增益。
以上设计过程中首先构建复杂网络下的可重入制造系统多生产场景下的连续偏微分动态演化方程,接着根据状态的期望目标构建出系统控制方程,之后构建出系统的模糊模型并设计一种模糊控制器,通过求解线性矩阵混合条件获得观测器增益参数实现对多生产场景下负荷的智能调控,使生产速率与外部市场需求保持一致。本发明使用一种仅仅利用一条或者几个生产场景信息状态对实际多线可重入制造工业生产进行调控,在减少信息传递的同时,能够减少信息监测、传输等带来的多重成本,同时能够保证系统跟踪外部产品需求,平衡生产场景中的负荷,使生产制造快速平稳地进行。
基于以上设计步骤,可以得到可重入制造系统的动态调控方法。从程序角度而言,该本发明实施例的可重入制造系统的动态调控方法的执行主体可以是计算机程序。从设备角度而言,该控制方法的执行主体可以是搭载这些计算机程序的处理器、或者运行该控制方法的专用集成电路或可编程逻辑器件等任意的硬件电路。参考图2,该方法具体包括以下步骤。
步骤101、在不等式(1)和等式(2)的约束下搜索控制器增益的一个可行解;
步骤102、根据搜索到的控制器增益的可行解和控制器模型计算控制输入,所述控制输入用于调控可重入制造系统。
具体运行过程可参照前述的设计过程。
以下展示一个具体的实例。
一类典型的可重入制造生产过程如图14的PN结隔离的掺金TTL电路(晶体管-晶体管逻辑电路)工艺流程。从初始材料开始,需要多次经过氧化、光刻、扩散、分布等流程,直至完成制造生产过程之后将产品运送至中测场地。图14中不同阶段的过程已用不同的虚线加以区分。在该生产场景下,本发明中的产品密度对应生产过程中各个阶段半成品的产品密度(例如光刻工艺场所处电路板的数量),平衡点为当前外部市场环境的需求,控制输入为仓库库存半成品的补充、入库调整或生产过程中催化剂、气压、温度等的增加或减少,最终所要实现的是在仅仅存在原料的投入的情况下,无需外部输入的调整实现对当前市场需求的跟踪。当市场需求发生变动,需要同时改变产品密度的平衡点以重新采用本发明中的方法进行控制调整。同时需要指出的是,本发明所考虑的模型是基于统计意义下的模型,模型更关注整个产品的流向即是否当前工厂的生产能同市场保持一致,而忽视模型中具体的生产细节,在细节上的具体调整需要参考已有的其他精确模型的相关内容,本发明中各个参量产品密度等也是表示相应的均值。
这里,考虑2个生产场景下的复杂网络下的可重入制造系统的动态演化方程:
D(s,t)=C(s)L(s,t)。
令
其中,l1(s,t)和l2(s,t)分别是两个生产场景下对应于产品完成度和时间的产品密度,u(s,t)是控制输入,f1(L(s,t),u(s,t),s)和f2(L(s,t),u(s,t),s)
表示产品密度、完成度与控制输入的之间的非线性复杂网络耦合, D(s,t)为系统输出,C(s)取[1 0],这表示仅可以获取第一个生产场景信息状态。
考虑期望达到的生产场景中产品密度的平衡点分别为ls1(s,t)=5,ls2(s,t)=4,u(s,t)=[0,0,...0],即产品的外部需求在该生产周期下总共需求9个单位的产品,分布在两个生产场景进行生产。通过本发明中的方法,构建控制变量
。
可以得到控制方程:
。
则控制方程可以写成:
。
对控制方程建立模糊模型,选择前提变量,,在这个数值实例中/>和u(s,t)都是标量。
假定,可以得到如下的4个模糊子模型:
。
进一步可以得到如下的隶属度函数:
;
其中,
。
不确定项的上界可由下式得到估计值:
。
计算结果为Q(s)=0.1(1-2)e-3s。
在本实验中,我们取=-0.5,/>=0.1,N =20以及M(x-1)=0.1I3×3。如图5是本发明提供的模糊规则1对应的控制器增益的示意图,如图6是本发明提供的模糊规则2对应的控制器增益的示意图,如图7是本发明提供的模糊规则3对应的控制器增益的示意图,如图8是本发明提供的模糊规则4对应的控制器增益的示意图。
被控量的初值条件为:,控制器的初值为u(s,t)=[0,0,...,0],得到系统的控制效果。
图9是本发明提供的被控变量的变化示意图,图10是本发明提供的被控变量/>的变化示意图,从这两张图中可以看出在有限的时间内 系统的状态都趋向零,说明本发明的方法的有效性。
图11是本发明提供的控制输入变化示意图。同样可以看出,随着时间的推移,控制输入也趋向零,即被控变量为零时控制输入也为零,这说明l1(s,t)=5,l2(s,t)=4就是原系统的平衡点,即在有限的时间内生产速率能跟踪上外部产品需求。
图12是本发明提供的一个生产场景的产品密度示意图,图13是本发明提供的另一个生产场景的产品密度示意图。图12和图13的产品密度变化趋势说明了本发明的方法能够快速地平衡不同生产场景下的产品密度,使复杂网络下的可重入制造系统生产达到平衡。具体地来说,在该实例中,产品密度L(s,t)几乎在30个单位时间就达到了平衡,说明生产场景在利用部分生产场景信息状态下也能够较快地达到平衡,实现产需一致。该实例充分说明了本发明的作用,但需要指出的是,系统平衡的快慢与系统本身各项参数存在很大关系,在实际其他模型应用该方法需要针对具体模型分析求解。
基于相同的发明构思,参考图3,本发明还提供一种可重入制造系统的动态调控装置,包括:
控制器增益搜索模块1,用于在不等式(1)和等式(2)的约束下搜索控制器增益的可行解;
控制输入计算模块2,用于根据搜索到的控制器增益的可行解和控制器模型计算控制输入,所述控制输入用于调控可重入制造系统。
以上各模块例如可以由软件实现、硬件实现或软硬件结合的方式实现。
参考图4,本发明还提供一种可重入制造系统的动态调控装置,包括:存储器和处理器,所述存储器存储程序,所述处理器运行所述程序以执行前述的方法。
本发明还提供一种存储介质,所述存储介质存储程序,所述程序在处理器上运行时能够执行前述的方法。
本发明还提供一种计算机程序产品,所述计算机程序产品在处理器上运行时执行前述的可重入制造系统的动态调控方法。
本发明中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
本发明的保护范围不限于上述的实施例,显然,本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的范围和精神。倘若这些改动和变形属于本发明权利要求及其等同技术的范围,则本发明的意图也包含这些改动和变形在内。
Claims (6)
1.一种可重入制造系统的动态调控方法,其特征在于,包括:
在不等式(1)和等式(2)的约束下搜索控制器增益的可行解;
根据搜索到的控制器增益的可行解和控制器模型计算控制输入,所述控制输入用于调控可重入制造系统;
其中,控制器模型为:
;
其中,u(s,t)为控制输入,s为完成度,t为时间,为设定的控制器负定参数矩阵,为第i个模糊规则对应的隶属度函数,Fi(s)和Ki(s) 分别为第i个模糊规则对应的控制器增益,z(s,t)表示能够获取到的生产场景的状态信息,,
L(s,t)=[l1(s,t),l2(s,t),...,ln(s,t)]T,L(s,t)是可重入制造系统中每一个生产场景在时间t时处于完成度s的产品的密度,下标1至n为生产场景的编号,Ls=[Ls1,Ls2,...,Lsn]T,各分量依次表示标号为1至n的生产场景的市场需求,C(s)为行向量,其分量至少一项非0;
不等式(1)如下:
;
等式(2)如下:
;
其中,
,
是设定的系数,i是模糊规则的编号,/>是模糊规则的数量,M(s)是待求解的正定对角矩阵,Wi(s)是待求解的矩阵,R(s)是待求解方阵;
其中,
其中,m为控制输入的维度,n为生产场景的数量;
其中,控制器增益由如下公式确定:;
其中,所述可重入制造系统的控制方程的模糊模型为:
;
为设定的负定矩阵,Ai(s)和Gi(s)是第i个模糊规则对应的系数矩阵,/>和是第i个模糊规则对应的不确定性项,Q(s)是/>的上界估计值;
控制器初值的约束包括u(0,t)和u(s,0)。
2.根据权利要求1所述的方法,其特征在于,Wi(s)和R(s)的计算方法如下:
流程a、设定s=0时M(s)的初始值,计k=0,k为用于计数的变量,其中,将完成度均分为连续N个区间,N>1;
流程b、用M(s)的后向差分值替代,求解不等式(1)得到s=(k+1)/N时M(s)的估计值以及得到Wi(s)的估计值/>,如果求解成功则转至流程c,否则返回流程a并重新设定s=0时M(s)的初始值;
流程c、利用当前M(s)的估计值值求解式(2)得到R(s)的估计值,随后判断如果k=N则流程结束,输出s的每一种取值对应的Wi(s)和R(s),否则令k=k+1并返回流程b。
3.一种可重入制造系统的动态调控装置,其特征在于,包括:
控制器增益搜索模块,用于在不等式(1)和等式(2)的约束下搜索控制器增益的可行解;
控制输入计算模块,用于根据搜索到的控制器增益的可行解和控制器模型计算控制输入,所述控制输入用于调控可重入制造系统;
其中,控制器模型为:
;
其中,u(s,t)为控制输入,s为完成度,t为时间,为设定的控制器负定参数矩阵,为第i个模糊规则对应的隶属度函数,Fi(s)和Ki(s) 分别为第i个模糊规则对应的控制器增益,z(s,t)表示能够获取到的生产场景的状态信息,,
L(s,t)=[l1(s,t),l2(s,t),...,ln(s,t)]T,L(s,t)是可重入制造系统中每一个生产场景在时间t时处于完成度s的产品的密度,下标1至n为生产场景的编号,Ls=[Ls1,Ls2,...,Lsn]T,各分量依次表示标号为1至n的生产场景的市场需求,C(s)为行向量,其分量至少一项非0;
不等式(1)如下:
;
等式(2)如下:
;
其中,
,
是设定的系数,i是模糊规则的编号,/>是模糊规则的数量,M(s)是待求解的正定对角矩阵,Wi(s)是待求解的矩阵,R(s)是待求解方阵;
其中,
其中,m为控制输入的维度,n为生产场景的数量;
其中,控制器增益由如下公式确定:;
其中,所述可重入制造系统的控制方程的模糊模型为:
;
为设定的负定矩阵,Ai(s)和Gi(s)是第i个模糊规则对应的系数矩阵,/>和是第i个模糊规则对应的不确定性项,Q(s)是/>的上界估计值;
控制器初值的约束包括u(0,t)和u(s,0)。
4.根据权利要求3所述的装置,其特征在于,所述控制器增益搜索模块具体用于执行以下流程:
流程a、设定s=0时M(s)的初始值,计k=0,k为用于计数的变量,其中,将完成度均分为连续N个区间,N>1;
流程b、用M(s)的后向差分值替代,求解不等式(1)得到s=(k+1)/N时M(s)的估计值以及得到Wi(s)的估计值/>,如果求解成功则转至流程c,否则返回流程a并重新设定s=0时M(s)的初始值;
流程c、利用当前M(s)的估计值值求解式(2)得到R(s)的估计值,随后判断如果k=N则流程结束,输出s的每一种取值对应的Wi(s)和R(s),否则令k=k+1并返回流程b。
5.一种可重入制造系统的动态调控装置,其特征在于,包括存储器和处理器,所述存储器存储程序,所述处理器运行所述程序以执行根据权利要求1或2所述的方法。
6.一种存储介质,其特征在于,所述存储介质上存储程序,所述程序在处理器上运行时执行根据权利要求1或2所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311441087.1A CN117215249B (zh) | 2023-11-01 | 2023-11-01 | 可重入制造系统的动态调控方法及相关产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311441087.1A CN117215249B (zh) | 2023-11-01 | 2023-11-01 | 可重入制造系统的动态调控方法及相关产品 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117215249A CN117215249A (zh) | 2023-12-12 |
CN117215249B true CN117215249B (zh) | 2024-02-13 |
Family
ID=89041171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311441087.1A Active CN117215249B (zh) | 2023-11-01 | 2023-11-01 | 可重入制造系统的动态调控方法及相关产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117215249B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116324A (zh) * | 2012-12-17 | 2013-05-22 | 清华大学 | 基于指标预测和在线学习的微电子生产线调度方法 |
CN110977971A (zh) * | 2019-12-03 | 2020-04-10 | 长安大学 | 一种基于模糊集理论的Delta机器人控制方法 |
CN114047706A (zh) * | 2022-01-11 | 2022-02-15 | 北京航空航天大学 | 面向可重入工业制造系统的模糊动态积分滑模控制方法 |
CN116339139A (zh) * | 2023-02-13 | 2023-06-27 | 杭州富阳富创大数据产业创新研究院有限公司 | 一种具有随机时滞的非线性系统的控制方法 |
CN116700017A (zh) * | 2023-08-08 | 2023-09-05 | 北京航空航天大学 | 一种基于观测状态的可重入制造系统的动态调控方法 |
-
2023
- 2023-11-01 CN CN202311441087.1A patent/CN117215249B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116324A (zh) * | 2012-12-17 | 2013-05-22 | 清华大学 | 基于指标预测和在线学习的微电子生产线调度方法 |
CN110977971A (zh) * | 2019-12-03 | 2020-04-10 | 长安大学 | 一种基于模糊集理论的Delta机器人控制方法 |
CN114047706A (zh) * | 2022-01-11 | 2022-02-15 | 北京航空航天大学 | 面向可重入工业制造系统的模糊动态积分滑模控制方法 |
CN116339139A (zh) * | 2023-02-13 | 2023-06-27 | 杭州富阳富创大数据产业创新研究院有限公司 | 一种具有随机时滞的非线性系统的控制方法 |
CN116700017A (zh) * | 2023-08-08 | 2023-09-05 | 北京航空航天大学 | 一种基于观测状态的可重入制造系统的动态调控方法 |
Non-Patent Citations (3)
Title |
---|
Smart contracts based supply chain resource management system in the industrial internet;Xianqi Yang 等;2021 36th Youth Academic Annual Conference of Chinese Association of Automation (YAC);31-37 * |
一类模糊时滞系统的非脆弱H_∞保成本容错控制;王树彬 等;系统工程与电子技术;31(12);2938-2941 * |
非仿射类非线性系统的通用模糊控制器问题研究;高庆;中国科学技术大学博士电子期刊(第05期);1-183 * |
Also Published As
Publication number | Publication date |
---|---|
CN117215249A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Angelov et al. | An approach to online identification of Takagi-Sugeno fuzzy models | |
Castillo et al. | Optimization of interval type-2 fuzzy logic controllers using evolutionary algorithms | |
Pottmann et al. | A nonlinear predictive control strategy based on radial basis function models | |
Lutfy et al. | Intelligent modeling and control of a conveyor belt grain dryer using a simplified type 2 neuro-fuzzy controller | |
US20090319059A1 (en) | Apparatus and method for model predictive control (mpc) of a nonlinear process | |
Mia et al. | An algorithm for training multilayer perceptron (MLP) for Image reconstruction using neural network without overfitting | |
CN103439887B (zh) | 低阶系统itae最优的pi控制器参数整定方法及系统 | |
CN114047706B (zh) | 面向可重入工业制造系统的模糊动态积分滑模控制方法 | |
CN116700017B (zh) | 一种基于观测状态的可重入制造系统的动态调控方法 | |
CN114580747A (zh) | 基于数据相关性和模糊系统的异常数据预测方法及系统 | |
Zeng et al. | DDPG-based continuous thickness and tension coupling control for the unsteady cold rolling process | |
CN117215249B (zh) | 可重入制造系统的动态调控方法及相关产品 | |
Nandola et al. | A novel model predictive control formulation for hybrid systems with application to adaptive behavioral interventions | |
Amador-Angulo et al. | Optimal design of fuzzy logic systems through a chicken search optimization algorithm applied to a benchmark problem | |
Acebes et al. | Model based online scheduling of concurrent and equal batch process units: Sugar End industrial case study | |
Terway et al. | DISPATCH: design space exploration of cyber-physical systems | |
Marchal et al. | Decision support system based on fuzzy cognitive maps and run-to-run control for global set-point determination | |
Toledo et al. | A multi-population genetic algorithm approach for PID controller auto-tuning | |
Badrno et al. | Distributed predictive consensus control of uncertain linear multi-agent systems with heterogeneous dynamics | |
Ladanyuk et al. | Automation of evaporation plants using energy-saving technologies | |
Issa | Parameter tuning of PID controller based on arithmetic optimization algorithm in IOT systems | |
Bratina et al. | Design of an auto-associative neural network by using design of experiments approach | |
Amador-Angulo et al. | Stabilization of a DC Motor Speed Controller Using Type-1 Fuzzy Logic Systems Designed with the Chicken Search Optimization Algorithm | |
Wang et al. | Simulation-based real-time production control with different classes of residence time constraints | |
Pohlodek et al. | Stochastic model predictive control utilizing Bayesian neural networks |
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 |