CN117494472B - 一种基于仿真验证的离散工艺优化方法及装置 - Google Patents
一种基于仿真验证的离散工艺优化方法及装置 Download PDFInfo
- Publication number
- CN117494472B CN117494472B CN202311607472.9A CN202311607472A CN117494472B CN 117494472 B CN117494472 B CN 117494472B CN 202311607472 A CN202311607472 A CN 202311607472A CN 117494472 B CN117494472 B CN 117494472B
- Authority
- CN
- China
- Prior art keywords
- discrete
- simulation
- verification
- dynamic
- model
- 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 201
- 238000004088 simulation Methods 0.000 title claims abstract description 141
- 238000012795 verification Methods 0.000 title claims abstract description 92
- 238000005457 optimization Methods 0.000 title claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 164
- 238000012360 testing method Methods 0.000 claims abstract description 50
- 230000003068 static effect Effects 0.000 claims abstract description 33
- 238000012423 maintenance Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims description 31
- 238000005265 energy consumption Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 5
- 238000007728 cost analysis Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 19
- 238000005094 computer simulation Methods 0.000 abstract 2
- 230000006870 function Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000004075 alteration Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 108010014173 Factor X Proteins 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computational Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于仿真验证的离散工艺优化方法及装置，方法包括：获取目标离散工艺数据，构建静态布局模型；基于参数驱动，结合离散工艺中的物流信息和时间信息，建立动态离散仿真模型；获取验证试验条件，在动态离散仿真模型中进行仿真验证；基于动态离散仿真模型给出的仿真验证结果，迭代优化动态离散仿真模型，并给出离散工艺的优化结果。本发明通过快速仿真建模、动态模拟以及量化验证分析等展示离散工艺设计全貌，并进行优选，为实现工程设计阶段数字化交付、智能工厂建设和数字化工厂运维提供基础。
Description
技术领域
本发明属于工艺仿真技术领域，具体涉及一种基于仿真验证的离散工艺优化方法及装置。
背景技术
在生产系统中，生产设备的布局优化是提高生产效率和资源利用率的重要方面。许多的离散工艺的生产系统设计还是以二维设计为主，没有相应的工艺设备数字模型，可视化程度低，不利于快速理解方案。而二维CAD设计，需要采用Excel数据进行推演，设计方式周期长，方案调整速度慢，高度依赖专家经验，很难将其作为精准判决的标准化依据。
当前，已有研究对离散工艺的生产进行模型构建以及工艺流程的优化。如专利CN106446392A给出一种面向流程工业罐区的混杂系统建模仿真方法，将罐区设备映射成有限状态，并模拟各种罐区操作来分析系统本身的动态行为，评估各种操作的影响来保证各种生产操作的合理性，也为规范实际操作人员的操作行为提供可靠依据。
又如专利CN111428923A给出一种基于大数据的智能化工厂工艺流程优化方法，针对历史工艺流程数据进行关联规则分析，通过大数据平台对历史工艺流程数据进行预处理，通过决策树算法对工艺数据进行训练学习生成工艺规则，导入历史工艺规则模型库中；通过对生产过程的监控，生成实时工艺流程数据，通过神经网络算法及工艺流程数据进行训练，建立实时工艺规则模型库；通过工艺模型比对分析模块进行比对分析生成工艺决策，通过决策分析对工艺流程形成优化。该方案针对智能化工厂工艺生产数据进行训练学习生成工艺规则，从而实现从智能化工厂的工艺生产数据中发现工艺决策的规律，解决了传统工厂的工艺数据量较大，工艺决策效率低下等问题。。
然而，仍未有针对离散工艺的生产系统布局及设计优化的研究。如上述的传统静态布局方法主要基于固定的设备位置和工作流程，无法适应生产需求的变化，无法进行动态运行量化评估，且无法进行多方案量化评估对比与验证优化，看不到直观预测未来运行情况，缺乏前期快速决策、判断投资合理性的能力。
因此，如何将数据、设计、动态等集成于离散工艺仿真中，提高离散工艺设计的准确性、可操作性和效率，以实现离散工艺设计的数字化、智能化，并为智能工厂建设和运行提供基础是本领域技术人员亟待解决的问题。
发明内容
针对上述现有技术中存在的缺陷，本发明提供了一种基于仿真验证的离散工艺优化方法及装置，方法包括：获取目标离散工艺数据，构建静态布局模型；基于参数驱动，结合离散工艺中的物流信息和时间信息，建立动态离散仿真模型；获取验证试验条件，在动态离散仿真模型中进行仿真验证；基于动态离散仿真模型给出的仿真验证结果，迭代优化动态离散仿真模型，并给出离散工艺的优化结果。本发明将静态布局模型融合参数驱动规则、物流和时间，形成动态离散仿真模型，通过预置好的验证试验，并结合导入设备信息，自动进行数据仿真和验证，实现对离散工艺设计的优化，为实现工程设计阶段数字化交付、智能工厂建设和数字化工厂运维提供基础。
第一方面，本发明提供一种基于仿真验证的离散工艺优化方法，包括如下步骤：
获取目标离散工艺数据，构建静态布局模型；
基于参数驱动，结合离散工艺中的物流信息和时间信息，建立动态离散仿真模型；
获取验证试验条件，在动态离散仿真模型中进行仿真验证；
基于动态离散仿真模型的仿真验证结果，迭代优化动态离散仿真模型，并给出离散工艺的优化结果。
进一步的，目标离散工艺数据包括目标离散工艺的流程数据、布局的参数数据及工艺设备的参数数据，其中，工艺设备的参数数据包括数量、尺寸、工作速度、容量及处理能力；
静态布局模型为三维静态布局模型，通过结合目标离散工艺数据和二维静态布局模型给出。
进一步的，基于参数驱动，结合离散工艺中物流信息和时间信息，建立三维动态离散仿真模型，具体包括如下步骤：
由目标离散工艺数据确定驱动参数、从动参数以及参数驱动规则；
获取包含路径信息和调度任务的物流规则；
基于静态布局模型，结合时间信息、参数驱动规则及物流规则，建立动态离散仿真模型。
进一步的，驱动参数包括目标离散工艺的流程数据及工艺设备的参数数据，从动参数包括布局的参数数据；
参数驱动规则为驱动参数与从动参数之间的对应关系，具体表示为：
Y＝f(x1，x2，…，xn)+E
其中，Y为从动参数的数值，f()为驱动函数，x1，x2，…，xn为n类不同的驱动参数的数值，E为补偿数值。
进一步的，获取包含路径信息和调度任务的物流规则，具体包括如下步骤：
获取AGV小车任务表以及AGV小车当前位置表，其中，AGV小车任务表和AGV小车当前位置表均为实时更新；
按任务优先级和时间的顺序，遍历AGV小车任务表中的任务，分析AGV小车的位置表，确定相应的AGV小车，向AGV小车派送调度任务；
AGV小车基于派送调度任务，沿对应路径信息完成调度任务；
按任务优先级和时间的顺序，遍历AGV小车任务表中的任务，分析AGV小车的位置表，确定相应的AGV小车，向AGV小车派送调度任务，具体表示为：
其中，Vi为派送调度任务i的可能性，arg为集合函数，Pi为任务i的优先级，Φ()为状态-距离函数，(xi，yi，zi)为任务i的起始位置，(xj，yj，zi)为AGV小车j的位置，Sj为AGV小车j的状态。
进一步的，基于静态布局模型，结合时间信息、参数驱动规则及物流规则，建立动态离散仿真模型，具体包括如下步骤：
对静态布局模型进行单元拆解，基于位置信息匹配驱动参数、从动参数、物流信息及时间信息；
结合参数驱动规则及物流规则，训练得到生产物流仿真模型；
获取目标离散工艺数据以及对应的时间信息，结合生产物流仿真模型，建立动态离散仿真模型。
进一步的，验证试验包括成本分析试验及能耗分析试验。
进一步的，获取验证试验条件，在动态离散仿真模型中进行仿真验证，具体包括如下步骤：
基于工艺设备的参数数据，对动态离散仿真模型中各个对应设备进行初步配置；
结合目标离散工艺的流程数据，给出验证试验流程；
基于验证试验流程，运行动态离散仿真模型；
其中，结合目标离散工艺的流程数据，给出验证试验流程，具体包括如下步骤：
基于目标离散工艺的流程数据，给出验证试验过程步骤及初始输入数据类型；
结合获取的随机因子，迭代初始输入数据类型，得到预设的仿真结果类型，确定验证试验流程。
进一步的，仿真结果类型包括设备成本、物流成本以及能耗，其中，能耗为遍历动态离散仿真模型中各个设备能源消耗的总和；
随机因子包括供应不确定因子、人力变动因子、工艺设备维护因子以及工艺产品需求因子，具体表示为：
XSC～N(μ，σ2)
XM～XM(t)＝XM(t-1)+ε(t)
其中，XSC为供应不确定因子，μ为供应不确定平均值，σ2为方差，XHR为人力变动因子，λHR为人力变动发生的平均频率，k为变量值，XD为工艺设备维护因子，λD为设备维护的平均频率，XM为工艺产品需求因子，XM(t)为时间t的工艺产品需求因子，XM(t-1)时间t-1的工艺产品需求因子，ε(t)为工艺产品需求的随机噪声。
第二方面，本发明还提供一种基于仿真验证的离散工艺优化装置，采用如上述基于仿真验证的离散工艺优化方法，包括：
模型构建单元，用于获取目标离散工艺数据，构建静态布局模型，基于参数驱动，结合离散工艺中的物流信息和时间信息，建立动态离散仿真模型；
数据分析单元，用于获取验证试验条件，在动态离散仿真模型中进行仿真验证；
验证确认单元，用于基于动态离散仿真模型的仿真验证结果，迭代优化动态离散仿真模型，并给出离散工艺的优化结果。
本发明提供的一种基于仿真验证的离散工艺布局方法及装置，至少包括如下有益效果：
(1)本发明将静态布局模型融合参数驱动规则、物流和时间，形成动态离散仿真模型，通过预置好的验证试验，并结合导入设备信息，自动进行数据仿真和验证，实现对离散工艺设计的优化，为实现工程设计阶段数字化交付、智能工厂建设和数字化工厂运维提供基础。
(2)本发明基于仿真验证的优化实现工艺设计的科学性验证和优化，实现离散工艺布局及参数的优化，从而提供生产效率和产品质量。
(3)本发明的动态离散仿真模型，由参数驱动，结合了静态三维模型以及离散工艺中的物流信息和时间信息，减少人工干预和主观性，提高模型的可操作性和普适性。
附图说明
图1为本发明提供的一种基于仿真验证的离散工艺优化方法的流程示意图；
图2为本发明提供的某一实施例的建立三维动态离散仿真的流程示意图；
图3为本发明提供的某一实施例的获取包含路径信息和调度任务的物流规则的流程示意图；
图4为本发明提供的某一实施例的在动态离散仿真模型中进行仿真验证的流程示意图；
图5为本发明提供的一种基于仿真验证的离散工艺优化装置的结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
还需要说明的是，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商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商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，并不排除在包括所述要素的商品或者装置中还存在另外的相同要素。
离散工艺主要是指产品的生产过程被分解成很多加工任务来完成。典型的离散工艺如半导体生产、医药固体制剂工艺等。传统离散工艺的设计常常依赖试错和经验积累，效率低、存在一定的风险。
如能将参数数据、工艺设计、动态等集成于离散工艺的仿真中，可将生产系统的运营决策前置，基于经验在虚拟仿真中试错，在仿真模型中进行优选，从而实现成本、效率的提升和最大化，为实现工程设计阶段数字化交付，并为智能工厂建设和数字化工厂运维提供基础。
离散工艺仿真的关键是静态三维布局向动态三维布局的转化，根据获得的目标离散工艺数据，结合静态布局模型，根据参数驱动，实现目标离散工艺的仿真，并根据设置的验证试验，对离散工艺进行迭代优化，给出离散工艺的优化结果。
因此，如图1所示，本发明提供一种基于仿真验证的离散工艺优化方法，包括如下步骤：
获取目标离散工艺数据，构建静态布局模型；
基于参数驱动，结合离散工艺中的物流信息和时间信息，建立动态离散仿真模型；
获取验证试验条件，在动态离散仿真模型中进行仿真验证；
基于动态离散仿真模型的仿真验证结果，迭代优化动态离散仿真模型，并给出离散工艺的优化结果。
目标离散工艺数据包括目标离散工艺的流程数据、布局的参数数据及工艺设备的参数数据，其中，工艺设备的参数数据包括数量、尺寸、工作速度、容量及处理能力；
静态布局模型为三维静态布局模型，通过结合目标离散工艺数据和二维静态布局模型给出。
在某个实施例中，离散工艺的仿真可以以Plant Simulation仿真软件为平台进行搭建，将数据集成、参数化设计、可视化动态等功能融合于仿真验证优化平台，建立静态布局模型、动态离散仿真模型，形成参数驱动的设计方式。
如图2所示，基于参数驱动，结合离散工艺中物流信息和时间信息，建立三维动态离散仿真模型，具体包括如下步骤：
由目标离散工艺数据确定驱动参数、从动参数以及参数驱动规则；
获取包含路径信息和调度任务的物流规则；
基于静态布局模型，结合时间信息、参数驱动规则及物流规则，建立动态离散仿真模型。
参数驱动为基于约束的模型描述方法。参数驱动规则为通过预定义的方式建立驱动参数与从动参数之间的约束关系，并将该约束关系嵌入到模型程序中，通过驱动参数的变动实现相应从动参数的变化。
在某个实施例中，驱动参数包括目标离散工艺的流程数据及工艺设备的参数数据，从动参数包括布局的参数数据；
参数驱动规则为驱动参数与从动参数之间的对应关系，具体表示为：
Y＝f(x1，x2，…，xn)+E
其中，Y为从动参数的数值，f()为驱动函数，x1，x2，…，xn为n类不同的驱动参数的数值，E为补偿数值。驱动函数的类型与具体应用场景中各个从动参数及驱动参数相关，在此不做进一步的限定。
例如，从动参数为车间面积(A)时，驱动参数包括生产设备数量(N)、单个生产设备所需的平均面积(U)，必要的额外空间(S)，该从动参数与驱动参数之间的对应关系，可以具体表示为：
A＝N*U+S
即车间面积(A)根据生产设备数量(N)和单个生产设备所需的平均面积(U)来自动调整，必要的额外空间(S)是一个固定参数。
在另外一个实施例中，从动参数为离散工艺中人员工作站的布局数量(W)，驱动参数为离散工艺中涉及到的作业人数(P)、每个人员工作站所需的平均人员数量(R)，该从动参数与驱动参数之间的对应关系，可以具体表示为：
即离散工艺中涉及到的作业人数(P)与每个人员工作站所需的平均人员数量(R)决定离散工艺中人员工作站的布局数量(W)。同时，作为驱动参数的离散工艺中涉及到的作业人数(P)又受到车间的人员数量限制(M)的约束。
如图3所示，获取包含路径信息和调度任务的物流规则，具体包括如下步骤：
获取AGV小车任务表以及AGV小车当前位置表，其中，AGV小车任务表和AGV小车当前位置表均为实时更新；
按任务优先级和时间的顺序，遍历AGV小车任务表中的任务，分析AGV小车的位置表，确定相应的AGV小车，向AGV小车派送调度任务；
AGV小车基于派送调度任务，沿对应路径信息完成调度任务。
在物流规则中，调度任务的优先级和AGV小车的位置将决定任务的派送，从而影响与物流相关的行进路径。
在AGV小车任务表中每项任务i都有优先级Pi，当然，也存在任务对应的截至时间Ti，任务的起始位置Si和目标位置Di。某个AGV小车j的位置为Cj，状态为Sj，其中，位置Cj＝(xj，yj，zj)，AGV小车j的速度为Vj，速度Vj表示AGVj小车在单位时间内可移动的距离。
按任务优先级和时间的顺序，遍历AGV小车任务表中的任务，分析AGV小车的位置表，确定相应的AGV小车，向AGV小车派送调度任务，具体表示为：
其中，Vi为派送调度任务i的可能性，arg为集合函数，Pi为任务i的优先级，Φ()为状态-距离函数，(xi，yi，zi)为任务i的起始位置，(xj，yj，zi)为AGV小车j的位置，Sj为AGV小车j的状态。
向AGV小车派送调度任务，需要根据任务的优先级、AGV小车的状态、AGV小车与任务起始位置的距离等决定。其中，融合AGV小车状态、AGV小车与任务起始位置的距离的d()状态-距离函数类型与实际应用场景相关，在此不做进一步的限定。
AGV小车根据调度任务进行路径规划完成物流任务，路径信息可以表示为：
其中，L(Cj，Di)为AGV小车j自当前位置至任务目标位置的路径距离，Pk为路径上的节点，n为路径上节点的数量，d()为距离函数，距离函数的类型与实际的应用场景相关，在此不做进一步的限定。
如图4所示，基于静态布局模型，结合时间信息、参数驱动规则及物流规则，建立动态离散仿真模型，具体包括如下步骤：
对静态布局模型进行单元拆解，基于位置信息匹配驱动参数、从动参数、物流信息及时间信息；
结合参数驱动规则及物流规则，训练得到生产物流仿真模型；
获取目标离散工艺数据以及对应的时间信息，结合生产物流仿真模型，建立动态离散仿真模型。
建立动态离散仿真模型后，动态离散仿真模型可以模拟离散工艺中的时间变化和过程演变，考虑了物流流动等动态特性，通过动态模型，可以更准确地预测和优化制剂工艺中的各个环节，并对关键参数进行调整和优化。
构建动态离散仿真模型后，只是完成了仿真中重要的一步。动态离散仿真模型的运行，需要定义获取验证试验条件，建立基于生产产品的实验分析模块，实现对现有离散工艺方案自动迭代仿真，以寻求优化并得到最佳结果。验证试验条件可以认为是在PlantSimulation仿真软件上进行的二次开发，配置验证试验，分析关键输入变量与仿真输出结果之间的关系，根据仿真目标寻找最优输入因子组合，获取最优的方案。
验证试验包括成本分析试验及能耗分析试验。成本分析试验主要是分析生产设备成本、物流资源对象和物料消耗对象在生产过程中产生的成本。能耗分析试验主要是对能源消耗对象的能源消耗数据进行记录和分析，能源消耗对象的能耗数据也与其当前的工艺状态相关，一般工艺状态可以分为：生产、生产准备、运行、失效、待机和关机等。如果能源消耗对象的状态改变了，仿真过程中将及时调整当前能源消耗值。
获取验证试验条件，在动态离散仿真模型中进行仿真验证，具体包括如下步骤：
基于工艺设备的参数数据，对动态离散仿真模型中各个对应设备进行初步配置；
结合目标离散工艺的流程数据，给出验证试验流程；
基于验证试验流程，运行动态离散仿真模型；
其中，结合目标离散工艺的流程数据，给出验证试验流程，具体包括如下步骤：
基于目标离散工艺的流程数据，给出验证试验过程步骤及初始输入数据类型；
结合获取的随机因子，迭代初始输入数据类型，得到预设的仿真结果类型，确定验证试验流程。
验证试验可以通过迭代优化确定最优离散工艺的结果。验证试验可以通过以下验证流程进行，如①定义试验，给出验证试验步骤及初始输入数据类型，具体的步骤和数据类型与验证试验类型密切相关，初始输入数据可以按工艺时间序列，初始输入数据的类型可以包括工艺类型、工艺要求等；②控制试验过程，给出随机因子，随机因子是一种以随机数作为对象的以真随机数为初始条件的随机数，随机因子对仿真的迭代优化具有重要作用，在离散工艺中的随机因子包括生产设备进行离散工艺的时间随机性、类型随机性、设备随机性及流程随机性；③输出仿真结果，根据仿真结果判别优化情况，最终获得最佳结果。
仿真结果类型包括设备成本、物流成本以及能耗，其中，能耗为遍历动态离散仿真模型中各个设备能源消耗的总和。随机因子的种类较多，在本发明的验证试验中可以包括供应不确定因子、人力变动因子、工艺设备维护因子以及工艺产品需求因子。
随机因子包括供应不确定因子、人力变动因子、工艺设备维护因子以及工艺产品需求因子，具体表示为：
XSC～N(μ，σz)
XM～XM(t)＝XM(t-1)+ε(t)
其中，XSC为供应不确定因子，μ为供应不确定平均值，σ2为方差，XHR为人力变动因子，λHR为人力变动发生的平均频率，k为变量值，XD为工艺设备维护因子，λD为设备维护的平均频率，XM为工艺产品需求因子，XM(t)为时间t的工艺产品需求因子，XM(t-1)时间t-1的工艺产品需求因子，ε(t)为工艺产品需求的随机噪声。
在供应不确定因子的公式中，供应不确定因子XSC的数值在供应不确定平均值μ的周围波动，波动的幅度由方差σ2确定，μ、σ2的具体数据可以根据实际历史数据和情景来估算，以此反映不同供应链中不确定性的概率分布。同样的，人力变动因子、工艺设备维护因子、工艺产品需求因子中的各个参数也均根据实际历史数据和情景来估算。
如图5所示，本发明还提供一种基于仿真验证的离散工艺优化装置，采用如上述基于仿真验证的离散工艺优化方法，包括：
模型构建单元，用于获取目标离散工艺数据，构建静态布局模型，基于参数驱动，结合离散工艺中的物流信息和时间信息，建立动态离散仿真模型；
数据分析单元，用于获取验证试验条件，在动态离散仿真模型中进行仿真验证；
验证确认单元，用于基于动态离散仿真模型的仿真验证结果，迭代优化动态离散仿真模型，并给出离散工艺的优化结果。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于仿真验证的离散工艺优化方法，其特征在于，包括如下步骤：
获取目标离散工艺数据，构建静态布局模型；
基于参数驱动，结合离散工艺中的物流信息和时间信息，建立动态离散仿真模型；
获取验证试验条件，在动态离散仿真模型中进行仿真验证；
基于动态离散仿真模型的仿真验证结果，迭代优化动态离散仿真模型，并给出离散工艺的优化结果；
其中，基于参数驱动，结合离散工艺中物流信息和时间信息，建立三维动态离散仿真模型，具体包括如下步骤：
由目标离散工艺数据确定驱动参数、从动参数以及参数驱动规则；
获取包含路径信息和调度任务的物流规则；
基于静态布局模型，结合时间信息、参数驱动规则及物流规则，建立动态离散仿真模型；
获取包含路径信息和调度任务的物流规则，具体包括如下步骤：
获取AGV小车任务表以及AGV小车当前位置表，其中，AGV小车任务表和AGV小车当前位置表均为实时更新；
按任务优先级和时间的顺序，遍历AGV小车任务表中的任务，分析AGV小车的位置表，确定相应的AGV小车，向AGV小车派送调度任务；
AGV小车基于派送调度任务，沿对应路径信息完成调度任务；
按任务优先级和时间的顺序，遍历AGV小车任务表中的任务，分析AGV小车的位置表，确定相应的AGV小车，向AGV小车派送调度任务，具体表示为：
其中，Vi为派送调度任务i的可能性，arg为集合函数，Pi为任务i的优先级，Φ()为状态-距离函数，(xi，yi，zi)为任务i的起始位置，(xj，yj，zi)为AGV小车j的位置，Sj为AGV小车j的状态。
2.如权利要求1所述基于仿真验证的离散工艺优化方法，其特征在于，目标离散工艺数据包括目标离散工艺的流程数据、布局的参数数据及工艺设备的参数数据，其中，工艺设备的参数数据包括数量、尺寸、工作速度、容量及处理能力；
静态布局模型为三维静态布局模型，通过结合目标离散工艺数据和二维静态布局模型给出。
3.如权利要求1所述基于仿真验证的离散工艺优化方法，其特征在于，驱动参数包括目标离散工艺的流程数据及工艺设备的参数数据，从动参数包括布局的参数数据；
参数驱动规则为驱动参数与从动参数之间的对应关系，具体表示为：
y＝f(x1，X2，xn)+E
其中，y为从动参数的数值，f()为驱动函数，x1，x2，…，xn为n类不同的驱动参数的数值，E为补偿数值。
4.如权利要求1所述基于仿真验证的离散工艺优化方法，其特征在于，基于静态布局模型，结合时间信息、参数驱动规则及物流规则，建立动态离散仿真模型，具体包括如下步骤：
对静态布局模型进行单元拆解，基于位置信息匹配驱动参数、从动参数、物流信息及时间信息；
结合参数驱动规则及物流规则，训练得到生产物流仿真模型；
获取目标离散工艺数据以及对应的时间信息，结合生产物流仿真模型，建立动态离散仿真模型。
5.如权利要求1所述基于仿真验证的离散工艺优化方法，其特征在于，验证试验包括成本分析试验及能耗分析试验。
6.如权利要求5所述基于仿真验证的离散工艺优化方法，其特征在于，获取验证试验条件，在动态离散仿真模型中进行仿真验证，具体包括如下步骤：
基于工艺设备的参数数据，对动态离散仿真模型中各个对应设备进行初步配置；
结合目标离散工艺的流程数据，给出验证试验流程；
基于验证试验流程，运行动态离散仿真模型；
其中，结合目标离散工艺的流程数据，给出验证试验流程，具体包括如下步骤：
基于目标离散工艺的流程数据，给出验证试验过程步骤及初始输入数据类型；
结合获取的随机因子，迭代初始输入数据类型，得到预设的仿真结果类型，确定验证试验流程。
7.如权利要求6所述基于仿真验证的离散工艺优化方法，其特征在于，仿真结果类型包括设备成本、物流成本以及能耗，其中，能耗为遍历动态离散仿真模型中各个设备能源消耗的总和；
随机因子包括供应不确定因子、人力变动因子、工艺设备维护因子以及工艺产品需求因子，具体表示为：
Xsc～N(u，σ2
Xy～X(t)＝X(t-1)+ε(t)
其中，XSC为供应不确定因子，μ为供应不确定平均值，σ2为方差，XHR为人力变动因子，λHR为人力变动发生的平均频率，k为变量值，XD为工艺设备维护因子，λD为设备维护的平均频率，XM为工艺产品需求因子，XM(t)为时间t的工艺产品需求因子，XM(t-1)时间t-1的工艺产品需求因子，ε(t)为工艺产品需求的随机噪声。
8.一种基于仿真验证的离散工艺优化装置，其特征在于，采用如权利要求1-7任一所述基于仿真验证的离散工艺优化方法，包括：
模型构建单元，用于获取目标离散工艺数据，构建静态布局模型，基于参数驱动，结合离散工艺中的物流信息和时间信息，建立动态离散仿真模型；
数据分析单元，用于获取验证试验条件，在动态离散仿真模型中进行仿真验证；
验证确认单元，用于基于动态离散仿真模型的仿真验证结果，迭代优化动态离散仿真模型，并给出离散工艺的优化结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311607472.9A CN117494472B (zh) | 2023-11-29 | 2023-11-29 | 一种基于仿真验证的离散工艺优化方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311607472.9A CN117494472B (zh) | 2023-11-29 | 2023-11-29 | 一种基于仿真验证的离散工艺优化方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117494472A CN117494472A (zh) | 2024-02-02 |
| CN117494472B true CN117494472B (zh) | 2024-05-28 |
Family
ID=89684901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311607472.9A Active CN117494472B (zh) | 2023-11-29 | 2023-11-29 | 一种基于仿真验证的离散工艺优化方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117494472B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109375601A (zh) * | 2018-11-13 | 2019-02-22 | 华中科技大学 | 基于数据驱动建模与仿真优化的流水线规划方法及设备 |
| CN111259535A (zh) * | 2020-01-13 | 2020-06-09 | 中船第九设计研究院工程有限公司 | 一种船舶管道生产线物流仿真系统开发方法 |
| WO2021227325A1 (zh) * | 2020-05-13 | 2021-11-18 | 中国电子科技集团公司第十四研究所 | 一种基于数字孪生的生产过程仿真优化方法 |
| CN114021286A (zh) * | 2021-11-17 | 2022-02-08 | 郑州煤机数耘智能科技有限公司 | 一种数字化工厂的液压支架结构件焊接生产线仿真优化方法 |
| CN116401951A (zh) * | 2023-04-10 | 2023-07-07 | 中国电子科技集团公司第三十八研究所 | 集成多agv路径规划与多行设备布局优化方法 |
| CN117077459A (zh) * | 2023-10-17 | 2023-11-17 | 中国电子工程设计院股份有限公司 | 一种融合物流的半导体制造仿真模型构建方法及装置 |
-
2023
- 2023-11-29 CN CN202311607472.9A patent/CN117494472B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109375601A (zh) * | 2018-11-13 | 2019-02-22 | 华中科技大学 | 基于数据驱动建模与仿真优化的流水线规划方法及设备 |
| CN111259535A (zh) * | 2020-01-13 | 2020-06-09 | 中船第九设计研究院工程有限公司 | 一种船舶管道生产线物流仿真系统开发方法 |
| WO2021227325A1 (zh) * | 2020-05-13 | 2021-11-18 | 中国电子科技集团公司第十四研究所 | 一种基于数字孪生的生产过程仿真优化方法 |
| CN114021286A (zh) * | 2021-11-17 | 2022-02-08 | 郑州煤机数耘智能科技有限公司 | 一种数字化工厂的液压支架结构件焊接生产线仿真优化方法 |
| CN116401951A (zh) * | 2023-04-10 | 2023-07-07 | 中国电子科技集团公司第三十八研究所 | 集成多agv路径规划与多行设备布局优化方法 |
| CN117077459A (zh) * | 2023-10-17 | 2023-11-17 | 中国电子工程设计院股份有限公司 | 一种融合物流的半导体制造仿真模型构建方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| Simulation and Analysis of Auto Guided Vehicle System in an Intelligent Production Workshop;Long Yang 等;《Modeling and Simulation》;20191231;第8卷(第4期);162-169 * |
| 第8代TFT-LCD工厂特点分析;李志伟 等;《新材料产业》;20120705(第7期);53-57 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117494472A (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108009739B (zh) | 一种智能机加车间生产计划与调度一体化方法 | |
| CN111539583B (zh) | 一种基于数字孪生的生产过程仿真优化方法 | |
| Wang et al. | A digital twin-based big data virtual and real fusion learning reference framework supported by industrial internet towards smart manufacturing | |
| CN105302096B (zh) | 一种工厂智能调度方法 | |
| Madubuike et al. | A review of digital twin applications in construction. | |
| CN107464025B (zh) | 基于大数据的供应链需求预测与智能决策方法 | |
| Fengque et al. | Research on design of the smart factory for forging enterprise in the industry 4.0 environment | |
| CN109298685A (zh) | 数字化工厂实现方法、数字化工厂实现系统和数字化工厂 | |
| CN109581867A (zh) | 用于监视、诊断优化和控制的分类建模 | |
| Wang et al. | Research on assembly quality adaptive control system for complex mechanical products assembly process under uncertainty | |
| CN115311027A (zh) | 一种基于数字孪生的供应链管理方法及系统 | |
| CN112508489A (zh) | 一种面向复杂装备制造的顶层规划设计方法 | |
| Tian et al. | Real-time shop floor scheduling method based on virtual queue adaptive control: Algorithm and experimental results | |
| CN116540584A (zh) | 熔铸装药无人生产线的智能管控系统 | |
| Dutta et al. | Adopting shop floor digitalization in Indian manufacturing SMEs—a transformational study | |
| Shi et al. | Research on intelligent assembly modes of aerospace products based on digital twin | |
| CN111651890B (zh) | 基于数据驱动的铝电解数字孪生工厂、控制方法及系统 | |
| CN117371752A (zh) | 一种建筑施工人力调度方法、介质及系统 | |
| CN117494472B (zh) | 一种基于仿真验证的离散工艺优化方法及装置 | |
| Liu et al. | Digital twin model-driven capacity evaluation and scheduling optimization for ship welding production line | |
| CN116560316A (zh) | 一种3d数字孪生建模方法 | |
| Aldurgam et al. | Productivity Improvement Through Multi-Objective Simulation Optimization—A Case Study | |
| Aksyonov et al. | Application of the process parameter analysis tree for technological process analysis | |
| TWM613466U (zh) | 智能交期預測系統 | |
| TW202226088A (zh) | 智能交期預測方法與系統 |
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 |