CN117472014B - 一种智能制造数字化车间生产任务优化调度方法 - Google Patents
一种智能制造数字化车间生产任务优化调度方法 Download PDFInfo
- Publication number
- CN117472014B CN117472014B CN202311823408.4A CN202311823408A CN117472014B CN 117472014 B CN117472014 B CN 117472014B CN 202311823408 A CN202311823408 A CN 202311823408A CN 117472014 B CN117472014 B CN 117472014B
- Authority
- CN
- China
- Prior art keywords
- machine
- processing
- codes
- type
- processing machine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 105
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 80
- 238000005457 optimization Methods 0.000 title claims description 10
- 238000012545 processing Methods 0.000 claims abstract description 233
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 230000002068 genetic effect Effects 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000003754 machining Methods 0.000 claims description 18
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 abstract description 5
- 230000035772 mutation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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], 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], 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
Abstract
本发明涉及生产任务调度规划技术领域,具体涉及一种智能制造数字化车间生产任务优化调度方法。本发明首先获取加工每个工件的所有机器组合编码;根据每个加工机器的可靠性指标,获取每个加工机器在加工对应工件时的可选次数,进而在所有机器组合编码筛选出所有机器分配码;在每个机器分配码中,根据每个加工机器的可加工工序获取每个加工机器的调度组合数,进而获取调度组合数个加工顺序码,从而获取所有个体编码,利用遗传算法得到最优生产任务调度方案。本发明通过结合车间加工机器的性能情况降低了编码冗余性,降低了机器性能溢出可能性及算法的搜索计算量,提高了车间生产任务调度的效率及可靠性。
Description
技术领域
本发明涉及生产任务调度规划技术领域,具体涉及一种智能制造数字化车间生产任务优化调度方法。
背景技术
智能制造数字化车间具有生产效率高、生产成本低、生产质量稳定等优点,已成为现代制造业的发展方向。在数字化车间中,生产任务优化调度方法的设计与实现对于提高生产效率、降低生产成本具有重要意义。然而,数字化车间的生产任务优化调度方法的设计与实现仍面临许多挑战。由于车间生产任务调度问题的复杂性较高且规模大,传统的生产任务优化调度方法常采用遗传算法进行求解。
但在遗传算法的求解过程中,由于每个个体是由一条机器分配码与对应的加工顺序码组合而成,存在部分个体的机器分配实际上可能是等效或者无效的,导致遗传算法在搜索空间中浪费了不必要的计算资源;且传统机器分配码的获取过程中并未考虑到机器的性能情况,后续在加工过程中可能出现机器性能溢出,使得导致机器的故障率升高,进而影响车间的生产任务调度情况。
发明内容
为了解决现有遗传算法对车间生产任务调度的效率低的技术问题,本发明的目的在于提供一种智能制造数字化车间生产任务优化调度方法,所采用的技术方案具体如下:
本发明提出一种智能制造数字化车间生产任务优化调度方法,所述方法包括:
根据车间工件生产任务及加工机器类型与数量获取加工每个工件的所有机器组合编码;
根据每种类型的每个加工机器的历史使用时长和历史故障情况,获取每个加工机器在对应类型加工机器中的可靠性指标;根据相同类型的加工机器在每个工件的所有所述机器组合编码中的出现总频次,及每个加工机器的所述可靠性指标,获取每个加工机器在加工对应工件时的可选次数;
根据所述可选次数在所述所有机器组合编码中筛选出所有机器分配码;在每个所述机器分配码中,根据每个加工机器的可加工工序获取每个加工机器的调度组合数;根据每个工件的工序顺序约束获取每个加工机器的所述调度组合数个加工顺序码;根据所述机器分配码及所述机器分配码中每个加工机器的所述加工顺序码,获取所有个体编码;根据所有所述个体编码获取最优生产任务调度方案。
进一步地,所述可靠性指标的获取方法包括:
根据每个加工机器的历史使用时长和历史故障情况,获取每个加工机器的性能指标;将每个加工机器的所述性能指标与相同类型的所有加工机器中的最小性能指标的差值加上预设第一正参数,得到每个加工机器的可靠性指标。
进一步地,所述性能指标的获取方法包括:
根据每个加工机器的历史使用时长、历史故障次数及历史故障持续总时长获取每个加工机器的性能指标,历史使用时长、历史故障次数及历史故障持续总时长均与所述性能指标呈负相关关系。
进一步地,所述可选次数的获取方法包括:
将每个加工机器的所述可靠性指标作为分子,对应加工机器的相同类型的所有加工机器的所述可靠性指标的和作为分母,将分子与分母的比值作为可选权重;将所述可选权重乘以所述出现总频次,得到每个类型的每个加工机器的可选次数。
进一步地,所述出现总频次的获取方法包括:
在每个工件的所有所述机器组合编码中,以加工机器类型为横轴,以加工机器的出现频次为纵轴,构建类型频次直方图,得到每个类型的加工机器的出现总频次。
进一步地,所述机器分配码的获取方法包括:
在所有所述机器组合编码中,将每个所述机器组合编码中每个加工机器的出现频次小于等于所述可选次数的所述机器组合编码作为机器分配码。
进一步地,所述调度组合数的计算公式包括:
;其中,/>为第/>个加工工件的第/>个机器分配码中第/>种类型的第/>个加工机器的调度组合数;/>为第/>个加工工件的第/>个机器分配码中第/>种类型的第/>个加工机器的可加工工序的数量;/>为第/>种类型的第/>个加工机器的可加工工序中第/>个加工工件的工序组合数;/>为累乘符号;/>为加工工件的序号;/>为第/>种类型的第/>个加工机器的可加工工件的总数量。
进一步地,所述最优生产任务调度方案的获取方法为遗传算法。
进一步地,所述性能指标的计算公式为:
;其中,/>为第/>种类型的第/>个加工机器的性能指标;/>为第/>种类型的第/>个加工机器的历史使用时长;/>为第/>种类型的第个加工机器的历史故障次数;/>为第/>种类型的第/>个加工机器的历史故障次数序号;/>为第/>种类型的第/>个加工机器的第/>次历史故障的故障持续时长;/>为以自然常数/>为底数的指数函数;/>为预设第二正参数。
进一步地,所述车间工件生产任务的调度目标为最小化总加工时长。
本发明具有如下有益效果:
本发明首先获取加工每个工件的所有机器组合编码;根据每种类型的每个加工机器的历史使用时长和历史故障情况,获取每个加工机器在对应类型加工机器中的可靠性指标;进而结合相同类型的加工机器在每个工件的所有机器组合编码中的出现总频次,获取每个加工机器在加工对应工件时的可选次数;根据可选次数在所有机器组合编码筛选出所有机器分配码,降低编码冗余性,提高算法效率及调度可靠性;在每个机器分配码中,根据每个加工机器的可加工工序获取每个加工机器的调度组合数;根据每个工件的工序顺序约束获取每个加工机器的调度组合数个加工顺序码,结合了工序顺序约束降低算法搜索域,提高算法效率;进而可以得到所有个体编码并获取最优生产任务调度方案。本发明结合车间加工机器的性能情况降低了传统算法获取机器分配码的冗余性,不仅降低了机器性能溢出可能性及算法的搜索计算量,还提高了车间生产任务调度的效率及可靠性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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它附图。
图1为本发明一个实施例所提供的一种智能制造数字化车间生产任务优化调度方法的方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种智能制造数字化车间生产任务优化调度方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种智能制造数字化车间生产任务优化调度方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种智能制造数字化车间生产任务优化调度方法的方法流程图,该方法包括以下步骤:
步骤S1,根据车间工件生产任务及加工机器类型与数量获取加工每个工件的所有机器组合编码。
目前大多数的数字化车间采用的都是柔性化生产,即多产品、多流程及多形态的快速转换与协同生产;在该背景下就产生了一种复杂性较高的柔性车间工件生产调度问题。为对车间工件生产调度问题进行求解,本发明实施例首先根据车间工件生产任务及加工机器类型与数量对车间生产调度问题进行建模。
需要说明的是,对车间生产调度问题进行建模是本领域技术人员熟知的现有技术,在此仅简述本发明的一个实施例中对车间生产调度问题的建模描述,其中,车间的生产调度问题具体描述为:存在M个待加工的工件,每个工件的工序种类及工序数量并不完全相同,且每道工序必须在前一道工序完成后才能进行下一道工序;在工件的生产过程中,有K种类型的机器,每种类型中有一台或多台加工机器,每台机器有固定的摆放位置;每道工序可以由一种或多种类型的机器进行加工,其中同种类型的机器加工时间相同,不同种型号的机器加工时间不相同;调度目标为最小化总加工时长,即将所有工件的所有工序指派到可选加工机器上,并在加工机器上调度好工序顺序,使得总加工时间最小。
对车间生产调度问题进行建模后,由于遗传算法在初始化种群阶段会将对每个工件的加工工序分配所有可能组合的机器组合编码,并随机选取一定数量的机器组合编码作为机器分配码,存在一定的编码冗余,且并未考虑到机器性能溢出的可能性,故本发明实施例将首选对每个工件的加工工序选择加工机器组建每个工件的所有机器组合编码,假设某一个工件共有三道加工工序,其中第一道工序可由第二种类型的一个加工机器进行加工,第二道工序可由第三种加工类型的三个加工机器进行加工,第三道工序可由第一种类型或第二种类型的一个加工机器进行加工,则其对应的所有机器组合编码为、、/>、/>、/>、/>,其中21表示第二种类型的第一个加工机器、/>表示第三种加工类型的第一个加工机器,以此类推;进一步从所有机器组合编码中筛选出优选的机器分配码。需要说明的是,机器组合编码的获取为本领域技术人员熟知的现有技术,在此不再赘述。
步骤S2,根据每种类型的每个加工机器的历史使用时长和历史故障情况,获取每个加工机器在对应类型加工机器中的可靠性指标;根据相同类型的加工机器在每个工件的所有机器组合编码中的出现总频次,及每个加工机器的可靠性指标,获取每个加工机器在加工对应工件时的可选次数。
由于实际运行过程中同种类型机器的性能情况各不相同,传统的遗传算法在对机器进行组合编码时,通常没有考虑机器的性能情况,而直接对所有组合可能的机器进行组合编码,可能会存在性能低下的加工机器被分配多次而产生机器性能溢出的情况,导致机器的故障率升高,进而影响车间生产任务调度可靠性。故本发明实施例首先根据每种类型的每个加工机器的历史使用时长和历史故障情况,获取每个加工机器在对应类型加工机器中的可靠性指标,进一步可根据可靠性指标在所有机器组合编码中获取机器分配码,从而在降低编码的冗余性的同时,提高生产调度任务的可靠性。
优选地,在本发明的一个实施例中,考虑到每个加工机器的自身性能情况对加工任务的完成效果及效率存在一定影响,且若其在相同类型的所有加工机器内的性能指标相对越差,则其在加工任务中的可靠性就越低。基于此,可靠性指标的获取方法包括:获取每个加工机器的性能指标;将每个加工机器的性能指标与相同类型的所有加工机器中的最小性能指标的差值加上预设第一正参数,得到每个加工机器的可靠性指标。可靠性指标的计算公式为:
其中,为第/>种类型的第/>个加工机器在第/>种类型的所有加工机器中的可靠性指标;/>为第/>种类型的第/>个加工机器的性能指标;/>为第/>种类型的所有加工机器的性能指标;/>为取最小值函数;/>为预设第一正参数。在本发明实施例中,预设第一正参数取1,防止可靠性指标为0导致后续对可选次数的计算无意义,实施者可根据具体实施情况设定其他取值。
可靠性指标的计算公式中,每个加工机器的性能指标与相同类型的所有加工机器中的最小性能指标的差值反映了对应加工机器的性能指标的可靠水平,差值越小,说明该加工机器的性能指标相对所有同类型机器的可靠性越低,对加工任务的影响越大,后续的机器分配可选次数越低。
优选地,在本发明的一个实施例中,考虑到历史使用时间越长,说明加工机器存在的老化故障隐患可能性越大,当前性能情况可能不佳;历史故障次数越多,说明加工机器的历史性能状态越不佳,后续出现故障的可能性也越大;加工机器的历史故障持续总时长越长,侧面说明设备的完备性越低、维修难度越大,则性能状态差的可能性越大;基于此,性能指标的获取方法包括:根据每个加工机器的历史使用时长、历史故障次数及平均故障时长获取每个加工机器的性能指标,历史使用时长、历史故障次数及平均故障时长均与性能指标呈负相关关系。性能指标的计算公式为:
其中,为第/>种类型的第/>个加工机器的性能指标;/>为第/>种类型的第/>个加工机器的历史使用时长;/>为第/>种类型的第/>个加工机器的历史故障次数;/>为第/>种类型的第/>个加工机器的历史故障次数序号;/>为第/>种类型的第/>个加工机器的第/>次历史故障的故障持续时长;/>为以自然常数/>为底数的指数函数;/>为预设第二正参数,本发明实施例取1,防止车间内存在未使用的新加工机器,导致分式无意义。
性能指标的计算公式中,通过倒数运算将历史使用时间进行负相关映射,通过将历史故障次数和历史故障持续总时长负相关映射到指数函数中,使得当每个加工机器的历史使用时长越长、历史故障次数越多、历史故障持续总时长越长,对应加工机器的性能指标越小。在本发明的其他实施例中,也可采用其他负相关映射方法,在此不做限定。
需要说明的是,在本发明的其他实施例中,实施者也可根据设备的运行状态及工件加工质量等其他指标评估加工机器的性能指标。
获取每个加工机器的可靠性指标后,可以根据加工机器的可靠性指标对所有机器组合编码进行筛选,从而降低编码冗余性,提高算法效率。由于相同类型的加工机器可以相互替代相同工序的加工使用,若某个加工机器在相同类型的所有加工机器中的可靠性越低,则在对应类型的加工机器中的分配次数应当越低,故本发明实施例将根据相同类型的加工机器在每个工件的所有机器组合编码中的出现总频次,及每个加工机器的可靠性指标,获取每个加工机器在加工对应工件时的可选次数,进一步根据每个加工机器的可选次数对所有机器组合编码进行筛选。
优选地,在本发明的一个实施例中,可选次数的获取方法包括:将每个加工机器的可靠性指标作为分子,对应加工机器的相同类型的所有加工机器的可靠性指标的和作为分母,将分子与分母的比值作为可选权重;将可选权重乘以出现总频次,得到每个类型的每个加工机器的可选次数。可选次数的计算公式为:
其中,为加工第/>个工件时第/>种类型的第/>个加工机器的可选次数;为第/>个工件的所有机器组合编码中第/>种类型的所有加工机器的出现总频次;/>为第/>种类型的加工机器的总数量;/>为第/>种类型的加工机器的序号;/>为第/>种类型的第/>个加工机器的可靠性指标;/>为第/>种类型的第/>个加工机器的可靠性指标。
可选次数的计算公式中,某加工机器在同类型的所有加工机器中的可靠性指标越大,则该加工机器的性能指标对调度任务的完成可靠性越高,对应的可选权重越高,在机器组合编码中的可选次数也越高;反之可选权重越低,则越应降低其在该工件加工过程中对应机器类型中的出现频次,以平衡生产任务优化及机器性能。
优选地,在本发明的一个实施例中,考虑到直方图能够清晰快速的获取每个类型的加工机器的分配频率,故出现总频次的获取方法包括:在每个工件的所有机器组合编码中,以加工机器类型为横轴,以加工机器的出现频次为纵轴,构建类型频次直方图,得到每个类型的加工机器的出现总频次。需要说明的是,直方图的构建已是本领域技术人员熟知的现有技术,在此不再赘述。
步骤S3,根据可选次数在所有机器组合编码筛选出所有机器分配码;在每个机器分配码中,根据每个加工机器的可加工工序获取每个加工机器的调度组合数;根据每个工件的工序顺序约束获取每个加工机器的调度组合数个加工顺序码;根据机器分配码及机器分配码中每个加工机器的加工顺序码,获取所有个体编码;根据所有个体编码获取最优生产任务调度方案。
由于在获取每个工件的机器组合编码时,所有组合可能的机器组合编码中存在一定冗余,且并未考虑机器的可靠性指标,可能导致不可靠的机器被选择次数过多,进而增大后续变异交叉过程的选择难度;故本发明实施例根据上述以机器可靠性指标为依据获取的可选次数在所有机器组合编码筛选出所有机器分配码。
优选地,在本发明的一个实施例中,机器分配码的获取方法包括:在所有机器组合编码中,将每个机器组合编码中每个机器的出现频次小于等于可选次数的机器组合编码作为机器分配码。例如若某个工件存在一条机器组合编码为,其中第一种类型的第一个加工机器根据上述步骤S2中计算得出在加工该工件时的可选次数为2,但该机器组合编码第一种类型的第一个加工机器被分配了3次,其对后续的任务调度问题中存在一定性能溢出的可能性,故将该机器组合编码进行剔除,将所有满足对应可选次数的机器组合编码保留作为机器分配码,降低编码冗余性的同时将加工机器的性能指标考虑在内,以便后续获取个体编码,进行调度问题的求解。
获取机器分配码后,便可为每个加工机器分配加工顺序码,由于在生产任务调度问题描述中,每个工件的工序顺序受约束,必须在前道工序完成后才能进行下一道工序,故本发明实施例首先在每个机器分配码中,根据每个加工机器的可加工工序获取每个加工机器的调度组合数,进一步可在每个加工机器对应加工顺序码中筛选出满足工序约束条件的加工顺序码。
优选地,在本发明的一个实施例中,考虑到每个机器分配码中每种类型的每个加工机器的所有工序组合不受工序顺序的约束,存在大量无效冗余,故通过每个加工机器对应可加工工序的工件工序顺序进行约束,调度组合数的计算公式包括:
其中,为第/>个加工工件的第/>个机器分配码中第/>种类型的第/>个加工机器的调度组合数;/>为第/>个加工工件的第/>个机器分配码中第/>种类型的第/>个加工机器的可加工工序的数量;/>为第/>种类型的第/>个加工机器的可加工工序中第/>个加工工件的工序组合数;/>为累乘符号;/>为加工工件的序号;/>为第/>种类型的第/>个加工机器的可加工工件的总数量。
在调度组合数的计算公式中,分子表示每个机器分配码中每种类型的每个加工机器的所有工序组合,分母表示机器分配码中每个加工机器的可加工工件对应工序的工序组合数的累乘值,通过工序顺序对所有工序组合数进行约束,有效缩小了算法搜索域,降低了加工每个工件时每个加工机器的调度组合数。
需要说明的是,例如第个机器分配码为/>,其中11为第一种类型的第一个加工机器对应的可加工的工序为/>,其中,/>为第一个工件的第二道工序,/>为第二个工件的第一道工序,/>为第二个工件的第三道工序,以此类推;由于工件的加工工序顺序存在约束,则第二个工件的第三道工序不可能出现第二个工件的第二道工序前,即加工顺序码中不能出现/>的排序情况,故机器分配码/>中11对应第一种类型的第一个加工机器的某个加工顺序码的调度组合数为/>,其中/>为编码为11对应加工机器的所有加工工序排序组合,/>为8道工序受工序顺序约束后的组合可能,所有加工工件的顺序可以根据调度问题乱序,但每个加工工件的工序顺序必须为顺序排序,故通过除以分母缩小算法搜索域,得到最终的调度组合数。
以调度组合数及工序先后顺序为约束获取每个机器分配码中每个加工机器的所有满足条件的加工顺序码,即加工工序的顺序排序编码,例如上述第个机器分配码中32对应的加工机器的可加工工序为/>,则其最终的加工顺序码为/>、、/>;进而再将所有机器分配码与每个机器分配码中每个加工机器对应的加工顺序码进行拼接组合分配,得到所有个体编码,例如某一个机器分配码为/>,其中12加工机器对应的工序顺序码为/>,/>加工机器对应的工序顺序码为、/>、/>;则通过将机器分配码与加工顺序码随机组合可获得的个体编码为/>、/>、/>、。需要说明的是,本发明实施例所采用的编码方式为整数编码,实施者也可根据具体实施情况采用二进制编码等其他编码形式;加工顺序码及个体编码的获取方法为本领域技术人员熟知的现有技术,在此不再赘述。
获取所有个体编码后,便可采用遗传算法对生产任务调度问题进行求解;由于遗传算法对任务调度问题进行求解已是本领域技术人员熟知的现有技术,在此仅简述本发明的一个实施例中遗传算法的求解大致步骤及相关设定参数:(1)随机选择部分个体编码作为初始化种群,初始化种群数量为510;(2)对每个个体编码,计算其适应度值,其中调度目标为最小化总加工时间;(3)根据适应度值,使用选择算子选取一定数量的个体作为父代;(4)对选出的父代个体进行交叉操作,生成新的个体,交叉概率取0.87;(5)对新生成的个体进行一定概率的变异操作,以增加种群的多样性,变异概率取0.26;(6)对经过交叉和变异的个体进行解码,并重新计算其适应度值;(7)通过选择算子从父代和子代中选取一定数量的个体作为下一代种群;(8)检查是否满足终止条件,其中终止条件为最大迭代次数,最大迭代次数设置为350,如果满足条件,则进入下一步,否则回到步骤(4);(9)将最终得到的个体编码作为最终的调度方案。
至此,获取了车间生产任务的最优任务调度方案,进而可根据最优任务调度方案对生产任务进行安排生产。
综上所述,本发明首先获取加工每个工件的所有机器组合编码;根据每种类型的每个加工机器的历史使用时长和历史故障情况,获取每个加工机器在对应类型加工机器中的可靠性指标;根据相同类型的加工机器在每个工件的所有机器组合编码中的出现总频次,及每个加工机器的可靠性指标,获取每个加工机器在加工对应工件时的可选次数;根据可选次数在所有机器组合编码筛选出所有机器分配码;在每个机器分配码中,根据每个加工机器的可加工工序获取每个加工机器的调度组合数;根据每个工件的工序顺序约束获取每个加工机器的调度组合数个加工顺序码;;根据机器分配码及机器分配码中每个加工机器的加工顺序码,获取所有个体编码;根据所有个体编码获取最优生产任务调度方案。本发明通过结合车间加工机器的性能情况降低了传统算法获取机器分配码的冗余性,降低了机器性能溢出及算法的搜索计算量,提高了车间生产任务调度的效率及可靠性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书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。
Claims (7)
1.一种智能制造数字化车间生产任务优化调度方法,其特征在于,所述方法包括:
根据车间工件生产任务及加工机器类型与数量获取加工每个工件的所有机器组合编码;
根据每种类型的每个加工机器的历史使用时长和历史故障情况,获取每个加工机器在对应类型加工机器中的可靠性指标;根据相同类型的加工机器在每个工件的所有所述机器组合编码中的出现总频次,及每个加工机器的所述可靠性指标,获取每个加工机器在加工对应工件时的可选次数;
根据所述可选次数在所述所有机器组合编码中筛选出所有机器分配码;在每个所述机器分配码中,根据每个加工机器的可加工工序获取每个加工机器的调度组合数;根据每个工件的工序顺序约束获取每个加工机器的所述调度组合数个加工顺序码;根据所述机器分配码及所述机器分配码中每个加工机器的所述加工顺序码,获取所有个体编码;根据所有所述个体编码获取最优生产任务调度方案;
所述可靠性指标的获取方法包括:
根据每个加工机器的历史使用时长和历史故障情况,获取每个加工机器的性能指标;将每个加工机器的所述性能指标与相同类型的所有加工机器中的最小性能指标的差值加上预设第一正参数,得到每个加工机器的可靠性指标;
所述可选次数的获取方法包括:
将每个加工机器的所述可靠性指标作为分子,对应加工机器的相同类型的所有加工机器的所述可靠性指标的和作为分母,将分子与分母的比值作为可选权重;将所述可选权重乘以所述出现总频次,得到每个类型的每个加工机器的可选次数;
所述调度组合数的计算公式包括:
;其中,/>为第/>个加工工件的第/>个机器分配码中第/>种类型的第/>个加工机器的调度组合数;/>为第/>个加工工件的第/>个机器分配码中第/>种类型的第/>个加工机器的可加工工序的数量;/>为第/>种类型的第/>个加工机器的可加工工序中第/>个加工工件的工序组合数;/>为累乘符号;/>为加工工件的序号;/>为第/>种类型的第/>个加工机器的可加工工件的总数量。
2.根据权利要求1所述的一种智能制造数字化车间生产任务优化调度方法,其特征在于,所述性能指标的获取方法包括:
根据每个加工机器的历史使用时长、历史故障次数及历史故障持续总时长获取每个加工机器的性能指标,历史使用时长、历史故障次数及历史故障持续总时长均与所述性能指标呈负相关关系。
3.根据权利要求1所述的一种智能制造数字化车间生产任务优化调度方法,其特征在于,所述出现总频次的获取方法包括:
在每个工件的所有所述机器组合编码中,以加工机器类型为横轴,以加工机器的出现频次为纵轴,构建类型频次直方图,得到每个类型的加工机器的出现总频次。
4.根据权利要求1所述的一种智能制造数字化车间生产任务优化调度方法,其特征在于,所述机器分配码的获取方法包括:
在所有所述机器组合编码中,将每个所述机器组合编码中每个加工机器的出现频次小于等于所述可选次数的所述机器组合编码作为机器分配码。
5.根据权利要求1所述的一种智能制造数字化车间生产任务优化调度方法,其特征在于,所述最优生产任务调度方案的获取方法为遗传算法。
6.根据权利要求2所述的一种智能制造数字化车间生产任务优化调度方法,其特征在于,所述性能指标的计算公式为:
;其中,/>为第/>种类型的第/>个加工机器的性能指标;/>为第/>种类型的第/>个加工机器的历史使用时长;/>为第/>种类型的第/>个加工机器的历史故障次数;/>为第/>种类型的第/>个加工机器的历史故障次数序号;/>为第/>种类型的第/>个加工机器的第/>次历史故障的故障持续时长;/>为以自然常数/>为底数的指数函数;/>为预设第二正参数。
7.根据权利要求1所述的一种智能制造数字化车间生产任务优化调度方法,其特征在于,所述车间工件生产任务的调度目标为最小化总加工时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311823408.4A CN117472014B (zh) | 2023-12-28 | 2023-12-28 | 一种智能制造数字化车间生产任务优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311823408.4A CN117472014B (zh) | 2023-12-28 | 2023-12-28 | 一种智能制造数字化车间生产任务优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117472014A CN117472014A (zh) | 2024-01-30 |
CN117472014B true CN117472014B (zh) | 2024-04-02 |
Family
ID=89638227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311823408.4A Active CN117472014B (zh) | 2023-12-28 | 2023-12-28 | 一种智能制造数字化车间生产任务优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117472014B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63272450A (ja) * | 1987-04-28 | 1988-11-09 | Hitachi Ltd | 製造設備の診断装置 |
WO2017136489A1 (en) * | 2016-02-03 | 2017-08-10 | Caspo, Llc | Smart cooking system that produces and uses hydrogen fuel |
CN109615115A (zh) * | 2018-11-19 | 2019-04-12 | 北京航空航天大学 | 一种面向任务可靠性的集成生产任务调度方法 |
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 |
CN113433915A (zh) * | 2021-07-08 | 2021-09-24 | 南京航空航天大学苏州研究院 | 一种车间钣金加工自动排产算法 |
CN115983560A (zh) * | 2022-12-06 | 2023-04-18 | 四川大学 | 一种自优化协同驱控的酿造车间智能吊装系统 |
CN116128254A (zh) * | 2023-03-30 | 2023-05-16 | 西北工业大学 | 基于边缘计算的嵌入式智能制造资源配置方法及终端系统 |
CN116560313A (zh) * | 2023-04-26 | 2023-08-08 | 浙江工业大学 | 一种多目标柔性作业车间问题的遗传算法优化调度方法 |
-
2023
- 2023-12-28 CN CN202311823408.4A patent/CN117472014B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63272450A (ja) * | 1987-04-28 | 1988-11-09 | Hitachi Ltd | 製造設備の診断装置 |
WO2017136489A1 (en) * | 2016-02-03 | 2017-08-10 | Caspo, Llc | Smart cooking system that produces and uses hydrogen fuel |
CN109615115A (zh) * | 2018-11-19 | 2019-04-12 | 北京航空航天大学 | 一种面向任务可靠性的集成生产任务调度方法 |
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 |
CN113433915A (zh) * | 2021-07-08 | 2021-09-24 | 南京航空航天大学苏州研究院 | 一种车间钣金加工自动排产算法 |
CN115983560A (zh) * | 2022-12-06 | 2023-04-18 | 四川大学 | 一种自优化协同驱控的酿造车间智能吊装系统 |
CN116128254A (zh) * | 2023-03-30 | 2023-05-16 | 西北工业大学 | 基于边缘计算的嵌入式智能制造资源配置方法及终端系统 |
CN116560313A (zh) * | 2023-04-26 | 2023-08-08 | 浙江工业大学 | 一种多目标柔性作业车间问题的遗传算法优化调度方法 |
Non-Patent Citations (2)
Title |
---|
基于数据的复杂制造过程调度;吴启迪;乔非;李莉;吴莹;;自动化学报;20090615(06);第172-178页 * |
集成生产与预防性维护的流水线车间调度算法;周炳海;蒋舒宇;王世进;吴斌;奚立峰;;大连海事大学学报;20070815(03);第34-37页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117472014A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971236A (zh) | 一种基于遗传算法的柔性作业车间分批调度方法 | |
CN111325443B (zh) | 一种基于灾变机制的改进遗传算法求解柔性作业车间调度的方法 | |
CN108460463B (zh) | 基于改进遗传算法的高端装备流水线生产调度方法 | |
CN111356988B (zh) | 用于调度半导体加工的方法和系统 | |
CN112580922B (zh) | 一种基于多级邻域结构和混合遗传算法的柔性作业车间调度方法 | |
CN110288185B (zh) | 一种分布式柔性流水线调度方法 | |
CN111966049B (zh) | 一种混合流水车间生产设备调度控制方法 | |
CN110618668A (zh) | 柔性生产的绿色动态调度方法 | |
CN109902936B (zh) | 一种基于装备维修工序的维修人员调配方法 | |
CN108053152A (zh) | 基于多色集合的改进遗传算法求解动态车间调度的方法 | |
CN111027773A (zh) | 一种基于遗传算法的柔性车间调度的混合优化方法 | |
CN117472014B (zh) | 一种智能制造数字化车间生产任务优化调度方法 | |
CN109991950A (zh) | 基于遗传算法的协作机器人装配生产线的平衡改善方法 | |
CN110580019B (zh) | 一种面向边缘计算的设备调取方法与装置 | |
CN109214695B (zh) | 基于改进eda的高端装备研发制造协同调度方法及系统 | |
CN109034540B (zh) | 一种基于在制品工序流的机床序列编排动态预测方法 | |
CN113689066A (zh) | 一种基于nsga-ii算法的物联网车间调度方法 | |
CN112926837A (zh) | 基于数据驱动改进遗传算法求解作业车间调度问题的方法 | |
CN110705844B (zh) | 基于非强制空闲时间的作业车间调度方案鲁棒优化方法 | |
CN115933570A (zh) | 一种考虑产品工序差异的混流装配线平衡方法 | |
CN111489035B (zh) | 一种基于机器学习与回溯法结合的模具组合分配方法 | |
CN112257922B (zh) | 一种柔性作业车间调度优化方法 | |
CN111539648B (zh) | 设备群间动态产能的自动分配装置和方法 | |
CN112632777B (zh) | 面向家电产品装配线的ⅱ型双边装配线平衡方法及系统 | |
CN113807611B (zh) | 一种基于解可信度与双档案群智优化的作业车间调度方法 |
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 |