CN117930761A - 一种考虑工人学习遗忘效应的个性化定制作业车间人-机-物协同调度方法 - Google Patents
一种考虑工人学习遗忘效应的个性化定制作业车间人-机-物协同调度方法 Download PDFInfo
- Publication number
- CN117930761A CN117930761A CN202311751854.9A CN202311751854A CN117930761A CN 117930761 A CN117930761 A CN 117930761A CN 202311751854 A CN202311751854 A CN 202311751854A CN 117930761 A CN117930761 A CN 117930761A
- Authority
- CN
- China
- Prior art keywords
- workpiece
- time
- processing
- logistics
- learning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000000694 effects Effects 0.000 title claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 152
- 238000004519 manufacturing process Methods 0.000 claims abstract description 48
- 238000005265 energy consumption Methods 0.000 claims abstract description 21
- 238000013178 mathematical model Methods 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 11
- 230000003111 delayed effect Effects 0.000 claims description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 206010027336 Menstruation delayed Diseases 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 238000013439 planning Methods 0.000 claims description 3
- 238000012384 transportation and delivery Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 206010027175 memory impairment Diseases 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及人因工程、车间调度和物联网技术领域,尤其涉及一种考虑工人学习遗忘效应的个性化定制作业车间人‑机‑物协同调度方法,包括以下步骤:步骤一,建立工业物联网框架;步骤二,确定计算工人加工效率的学习遗忘数学模型;步骤三,确定调度目标和参数;步骤四,设计一种考虑工人学习遗忘效应的人‑机‑物协同的实时调度方法;在步骤一中,通过在工厂内部部署5G通讯网络以及云计算平台、在加工单元与AGV部署边缘计算资源、通讯设备以及传感器实时检测各加工单元;该发明在订单工件的提前或者拖期成本、制造资源的利用率和能耗节约方面均有一定的优势;且被加工工件工艺越复杂、工序加工时间越长,这种优势越明显。
Description
技术领域
本发明涉及人因工程、车间调度和物联网技术领域,尤其涉及一种考虑工人学习遗忘效应的个性化定制作业车间人-机-物协同调度方法。
背景技术
作业车间调度问题是NP-hard问题,车间调度是智能工程的核心模块,已被大量的研究,而个性化定制作业车间调度较之有所不同;在该问题中,定制化的智能工厂是依据订单的到来,灵活组织生产;订单工件抵达时间、种类、数量是随机的;工件种类繁多、工序与加工时间不尽相同;每个工件的工艺是确定的,每台加工单元同一时刻只能提供一种服务,这就要求调度要合理安排各个工件的加工顺序;此外,人作为一种智慧生物,有相当一部分工作是机器取代不了的,因此在如今的生产车间中依然离不开人,而人不会像机械保持一个恒定的效率,会受到学习遗忘效应的影响,这对作业车间调度的影响是巨大的;但现有的车间对考虑学习遗忘效应的个性化定制作业车间调度的研究较少,仅有部分学者对含有学习遗忘效应的单机调度问题、含有学习遗忘效应的传统作业车间和不考虑人因的作业车间生产资源及物流资源调度的研究,缺乏综合考虑人因、生产资源和物流资源等智能制造资源对车间作业效率的影响,导致无法应对当前少人定制化智能作业车间的管理需求。
发明内容
本发明解决的问题在于提供一种考虑工人学习遗忘效应的个性化定制作业车间人-机-物协同调度方法,在订单工件的提前或者拖期成本与制造资源的利用率与能耗方面均有一定的优势;且被加工工件越复杂工序加工时间越长这种优势越明显。
为了实现上述目的,本发明采用了如下技术方案:一种考虑工人学习遗忘效应的个性化定制作业车间人-机-物协同实时调度方法,包括以下步骤:步骤一,建立工业物联网框架;步骤二,确定计算工人加工效率的学习遗忘数学模型;步骤三,确定调度目标和参数;步骤四,设计一种考虑工人学习遗忘效应的人-机-物协同的启发式实时调度方法
在步骤一中,通过在工厂内部部署5G通讯网络以及云计算平台、在加工单元与AGV部署边缘计算资源、通讯设备以及传感器、在工件上安装RFID设备等,使车间的制造资源能够“感知”自身状态,相互“通讯”,并实时“决策”,从而相互协商以优化生产调度方案;
在步骤二中,所述计算工人加工效率的学习遗忘数学模型,其中a和b为学习指数和遗忘指数为经验值且a要小于0小于b;c为一可变参数,可以通过改变c来把时长控制到任一时间单位;Tp加工单元开始工作后的总时间,为正常加工时间/>为实际加工时间,s1和s2分别为学习效应和遗忘效应的影响效率,s3为工人工作时间和空窗时间占比拟合得到学习遗忘影响效率:
其中,/>
s3=s1·α+s2·β
在步骤三中,将调度过程中所需要的参数通过符号进行设定;
在步骤四中,考虑工人学习遗忘效应的人-机-物协同的启发式实时调度方法为:当工人完成当前加工工序时,加工单元的计算资源会依据步骤二给出的学习遗忘数学模型结合工人的工作时长和空闲时长计算出此时工人在学习遗忘效应影响下的实时工作效率,并记录下来;当物流单元响应物流要求时会依据记录的各个工人的实时工作效率来计算任务池中工件下一步工序的实际加工时长,并计算出工件的优先级,选取优先级最高的物流任务执行;在选中的同时,物流单元与该工件相应的加工单元建立通讯,在对应加工单元上添加工件的下道加工工序任务的甘特图,并将工件的下下步加工物流需求添加至工业云平台;工人依据规划好的生产计划(加工单元甘特图),从缓存区中选取工件执行加工任务即可;加工单元与物流单元等制造资源能够借助5G等网络实时通讯、凭借自身携带的边缘计算资源自主决策;
其中,在依据优先级法则选取优先级最高的物流和加工需求指令,并规划对应工件的生产计划步骤中,包括步骤:
4.1工件订单刚生成时,添加物流和加工需求至云计算平台的“任务池”;物流和加工任务需求的指令格式为{工件序号,待加工第一道工序号,运输位置,最早运输时间};
4.2物流设备借助边缘计算资源,从“任务池”挑选基于当前记录的学习遗忘效率影响下优先级最高的工件;在从任务池挑选优先级最高的工件满足其物流需求的步骤中,分两个层级,第一层级为:“任务池”各工件相对应的加工单元在每次加工工件时均会计算工人基于学习遗忘效应的实时效率并记录更新;第二层级为:物流单元依据工人最新的实时效率,从中选择优先级最高的工件执行其物流需求;具体对工件、物流单元、加工单元、工人资源的调度过程如图a、b、c、d所示;
4.3挑选完毕后,物流单元与对应的加工单元通讯,在对应加工单元上添加工件的下道加工工序任务的甘特图,并释放工件下下步物流加工任务到“任务池”中;向“任务池”中添加需求的格式为:{工件序号,待加工下下道工序号,运输位置,最早运输时间};其中,“任务池”中的需求任务即将被满足时,删除对应工件下步物流加工需求;
4.4物流设备运动至工件处并将将工件运载至加工单元;
4.5工人在缓冲区中选取基于加工单元甘特图顺序的工件进行加工,加工单元利用计算资源计算当前工人在学习遗忘效应影响下的效率,并记录下来进行更新;
4.6重新回到4.2,直至任务池无务出任现,或是所以工件被加工完毕。
优选的,所述步骤四中,由于车间中含有工人资源,不得不考虑工人因素对于整个调度的影响,而学习率和遗忘率作为人的一种特性它会影响工人的工作效率;因此,在进行优先级选择时,不能依靠工件的标准加工时间来计算其拖期指标,因为有的工人工作时长高学习能力强,他的工作效率就会比其他的工人高,可能会导致标准工时偏高的工件在学习遗忘效应影响下实际工时会低一些;因此在生产过程中必须要考虑工人学习遗忘效应对于各制造资源之间协同调度的影响;对于工人在学习遗忘效应影响下的的人机物协同调度过程,以工人m为例,他刚完成一项加工任务处于结束加工状态;此时工人m所在的加工单元km会计算出当前在学习遗忘效应影响下工人m的实际效率,并记录下来当任务池中的工件被物流单元响应时,输位置为加工单元km的工件的优先级会依据工人m的实时工作效率进行计算,然后物流单元遍历任务池选取优先级最高的工件执行物流任务;用N表示“任务池”中任务数,i表示工件序号,k表示加工单元序号;并延伸为:
优选的,所述Fi可以有多种定义,选取其中一种,以r表示工件i当前待加工工序号,R表示最后一道工序序号;s表示工件i当前待执行的物流任务序号,S表示最后一个物流任务序号,上述“伪代码”中Fi计算法则如下:
Fi=ω1f1 i+ω2f2 i+ω3f3 i
此处,f1 i为工件i的加工与运输松弛时间;与/>分别为物流单元执行工件i后将付出的利用率与能耗代价;f1 i是用工件交货期减去当前时间以及剩余加工工序与物流运输时间得到松弛时间后取相反数;松弛时间越小表示工件空余时间越少,任务越紧急,很可能会超期,此时指标值会越大;/>实质是指物流单元与加工单元的空闲时间,空闲时间越少,利用率就越高,指标值越大;/>实质是指在物流单元h与加工单元/>承担工件i第r道加工工序前的运输任务与加工任务的能耗,能耗越小指标越大。
优选的,所述调度结果中的工件提前或者拖期成本;由于企业一旦生产拖期,势必会造成客户的流失;但若提前完工,成品须被放置在仓库中,也会占用企业库存资源,造成一定浪费,因此无论是提前完工或是拖期,都会为企业增加一定的成本;基于此,定义工件i的提前成本或者拖期成本的公式为:
优选的,所述调度结果中的资源利用率,在制造企业中,除了要满足客户需求外,还需提高生产效率,因此针对某个加工单元k或物流单元h,定义资源利用率为:
优选的,所述调度结果中的车间能耗,车间能耗的统计对象主要包括加工单元与物流单元;该指标在反映生产成本同时,也反映了企业“低碳”程度;而“绿色制造”是智能制造的新需求,加工单元k或物流单元h的能耗与其运行功率和时间相关的公式为:
本发明的有益效果是:在订单工件的提前或者拖期成本与制造资源的利用率与能耗方面均有一定的优势;且被加工工件越复杂工序加工时间越长这种优势越明显;
附图说明
图1为本发明的工艺流程图;
图2为本发明的参数对照图;
图3为本发明的工件流程图;
图4为本发明的物流单元流程图;
图5为本发明的加工单元流程图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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作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。
实施实例
参见图1~图5,一种考虑工人学习遗忘效应的人-机-物协同的启发式实时调度方法,包括以下步骤:步骤一,建立工业物联网框架;步骤二,确定计算工人加工效率的学习遗忘数学模型;步骤三,确定调度目标和参数;步骤四,设计一种考虑工人学习遗忘效应的人-机-物协同的启发式实时调度方法;
在步骤一中,通过在工厂内部部署5G通讯网络以及云计算平台、在加工单元与AGV部署边缘计算资源、通讯设备以及传感器、在工件上安装RFID设备等,使车间的制造资源能够“感知”自身状态,相互“通讯”,并实时“决策”,从而相互协商以优化生产调度方案;
在步骤二中,计算工人加工效率的学习遗忘数学模型,其中a和b为学习指数和遗忘指数为经验值且a要小于0小于b;c为一可变参数,可以通过改变c来把时长控制到任一时间单位;为正常加工时间,/>为实际加工时间,s1和s2分别为学习效应和遗忘效应的影响效率,s3为工人工作时间和空窗时间占比拟合得到学习遗忘影响效率:
s3=s1·α+s2·β
在步骤三中,将调度过程中所需要的参数通过符号进行设定;
在步骤四中,考虑工人学习遗忘效应的人-机-物协同的启发式实时调度方法为:当工人完成当前加工任务时,加工单元的计算资源会依据步骤二给出的学习遗忘数学模型结合工人的工作时长和空闲时长计算出此时工人在学习遗忘效应影响下的实时工作效率,并记录下来;当物流单元响应物流要求时会依据记录的各个工人的实时工作效率来计算任务池中工件下一步工序的实际加工时长,并计算出工件的优先级,选取优先级最高的物流任务执行;在选中的同时,物流单元与该工件相应的加工单元建立通讯,在对应加工单元上添加工件的下道加工工序任务的甘特图,并将工件的下下步加工物流需求添加至工业云平台;工人依据规划好的生产计划(加工单元甘特图),从缓存区中选取工件执行加工任务即可;加工单元与物流单元等制造资源能够借助5G等网络实时通讯、凭借自身携带的边缘计算资源自主决策;
其中,在依据优先级法则选取优先级最高的物流和加工需求指令,并规划对应工件的生产计划步骤中,包括步骤:
4.1工件订单刚生成时,添加物流和加工需求至云计算平台的“任务池”;物流和加工任务需求的指令格式为{工件序号,待加工第一道工序号,运输位置,最早运输时间};
4.2物流设备借助边缘计算资源,从“任务池”挑选基于当前记录的学习遗忘效率影响下优先级最高的工件;在从任务池挑选优先级最高的工件满足其物流需求的步骤中,分两个层级,第一层级为:“任务池”各工件相对应的加工单元在每次加工工件时均会计算工人基于学习遗忘效应的实时效率并记录更新;第二层级为:物流单元依据工人最新的实时效率,从中选择优先级最高的工件执行其物流需求;具体对工件、物流单元、加工单元、工人资源的调度过程如图a、b、c、d所示;
4.3挑选完毕后,物流单元与对应的加工单元通讯,在对应加工单元上添加工件的下道加工工序任务的甘特图,并释放工件下下步物流加工任务到“任务池”中;向“任务池”中添加需求的格式为:{工件序号,待加工下下道工序号,运输位置,最早运输时间};其中,“任务池”中的需求任务即将被满足时,删除对应工件下步物流加工需求;
4.4物流设备运动至工件处并将将工件运载至加工单元;
4.5工人在缓冲区中选取基于加工单元甘特图顺序的工件进行加工,加工单元利用计算资源计算当前工人在学习遗忘效应影响下的效率,并记录下来进行更新;
4.6重新回到4.2,直至任务池无务出任现,或是所以工件被加工完毕;
步骤四中,由于车间中含有工人资源,不得不考虑工人因素对于整个调度的影响,而工人的学习率和遗忘率会直接影响工人的工作效率;因此,在进行优先级选择时,不能依靠工件的标准加工时间来计算其拖期指标,因为有的工人工作时长高学习能力强,他的工作效率就会比其他的工人高,可能会导致标准工时偏高的工件在学习遗忘效应影响下实际工时会低一些;因此在生产过程中必须要考虑工人学习遗忘效应对于各制造资源之间协同调度的影响;对于工人在学习遗忘效应影响下的的人机物协同调度过程,以工人m为例,他刚完成一项加工任务处于结束加工状态;此时工人m所在的加工单元km会计算出当前在学习遗忘效应影响下工人m的实际效率,并记录下来当任务池中的工件被物流单元响应时,输位置为加工单元km的工件的优先级会依据工人m的实时工作效率计算当前时刻的优先级,然后物流单元遍历任务池选取优先级最高的工件执行物流任务;用N表示“任务池”中任务数,i表示工件序号,k表示加工单元序号;并延伸为:
Fi可以有多种定义,选取其中一种,以r表示工件i当前待加工工序号,R表示最后一道工序序号;s表示工件i当前待执行的物流任务序号,S表示最后一个物流任务序号,上述“伪代码”中Fi计算法则如下:
Fi=ω1f1 i+ω2f2 i+ω3f3 i
此处,f1 i为工件i的加工与运输松弛时间;与/>分别为物流单元执行工件i后将付出的利用率与能耗代价;f1 i是用工件交货期减去当前时间以及剩余加工工序与物流运输时间得到松弛时间后取相反数;松弛时间越小表示工件空余时间越少,任务越紧急,很可能会超期,此时指标值会越大;/>实质是指物流单元与加工单元的空闲时间,空闲时间越少,利用率就越高,指标值越大;/>实质是指在物流单元h与加工单元/>承担工件i第r道加工工序前的运输任务与加工任务的能耗,能耗越小指标越大;
调度结果中的工件提前或者拖期成本;由于企业一旦生产拖期,势必会造成客户的流失;但若提前完工,成品须被放置在仓库中,也会占用企业库存资源,造成一定浪费,因此无论是提前完工或是拖期,都会为企业增加一定的成本;基于此,定义工件i的提前成本或者拖期成本的公式为:
调度结果中的资源利用率,在制造企业中,除了要满足客户需求外,还需提高生产效率,因此针对某个加工单元k或物流单元h,定义资源利用率为:
调度结果中的车间能耗,车间能耗的统计对象主要包括加工单元与物流单元;该指标在反映生产成本同时,也反映了企业“低碳”程度;而“绿色制造”是智能制造的新需求,加工单元k或物流单元h的能耗与其运行功率和时间相关的公式为:
本方法与未考虑学习遗忘效应的调度对比,分别以MC(加工单元控制的调度规则)和VC(物流单元控制的调度规则)两种类型的三种不同倍数的加工时长进行指标对比;其中本发明学习遗忘数学模型的学习指数a与遗忘指数b设为-0.8和0.5,a与b的设定规则可见上文数学模型的详解,三种不同的工件标准时长倍数为1,10,20,对比结果如下表;
表1本发明方法与未考虑学习遗忘效应的调度对比表(1)
表2本发明方法与未考虑学习遗忘效应的调度对比表(10)
表3本发明方法与未考虑学习遗忘效应的调度对比表(20)
由上面三个表格对比两种调度类型的三种不同加工时间的工件批次与本发明所提的调度方法比较,本说明调度方法在订单工件的提前或者拖期成本与制造资源的利用率与能耗方面均有一定的优势;且加工时间越长这种优势越明显。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种考虑工人学习遗忘效应的个性化定制作业车间人-机-物协同调度方法,包括以下步骤:步骤一,建立工业物联网框架;步骤二,确定计算工人加工效率的学习遗忘数学模型;步骤三,确定调度目标和参数;步骤四,设计一种考虑工人学习遗忘效应的人-机-物协同的实时调度方法;其特征在于,
在步骤一中,通过在工厂内部部署5G通讯网络以及云计算平台、在加工单元与AGV部署边缘计算资源、通讯设备以及传感器、在工件上安装RFID设备等手段,使车间的制造资源能够“感知”自身状态,相互“通讯”,并实时“决策”,从而相互协商以优化生产调度方案;
在步骤二中,所述计算工人加工效率的学习遗忘数学模型,其中a和b为学习指数和遗忘指数为经验值且a要小于0小于b;c为一可变参数,可以通过改变c来把时长控制到任一时间单位;Tp加工单元开始工作后的总时间,为正常加工时间,/>为实际加工时间,s1和s2分别为学习效应和遗忘效应的影响效率,s3为工人工作时间和空窗时间占比拟合得到学习遗忘影响效率:
其中,a<0<b
s3=s1·α+s2·β
在步骤三中,将调度过程中所需要的参数通过符号进行设定;
在步骤四中,考虑工人学习遗忘效应的人-机-物协同的实时调度方法为:当工人完成当前加工工序时,加工单元的计算资源会依据步骤二给出的学习遗忘数学模型计算出此时工人在学习遗忘效应影响下的实时工作效率,并记录下来;当物流单元响应物流要求时会依据记录的各个工人的实时工作效率来计算任务池中工件下一步工序的实际加工时长,并计算出工件的优先级,选取优先级最高的工件执行物流任务;在选中的同时,物流单元与该工件相应的加工单元建立通讯,在对应加工单元上添加工件的下道加工工序任务的甘特图,并将工件的下下步加工物流需求添加至工业云平台;工人依据规划好的生产计划(加工单元甘特图),从缓存区中选取相应工件执行加工任务即可;加工单元与物流单元等制造资源能够借助5G等网络实时通讯、凭借自身携带的边缘计算资源自主决策;
其中,在依据优先级法则选取优先级最高的物流和加工需求指令,并规划对应工件的生产计划步骤中,包括步骤:
(4.1)新订单生成时,添加物流和加工需求至云计算平台的“任务池”;物流和加工任务需求的指令格式为{工件序号,待加工第一道工序号,运输位置,最早运输时间};
(4.2)物流设备借助边缘计算资源,从“任务池”挑选基于当前记录的工人实时工作效率影响下优先级最高的工件;在从任务池挑选优先级最高的工件满足其物流需求的步骤中,分两个层级,第一层级为:“任务池”各工件的下道工序相对应的加工单元在工人完成当前加工任务时计算工人基于学习遗忘效应的实时工作效率并记录更新;第二层级为:物流单元依据工人最新的实时效率,从中选择优先级最高的工件执行其物流需求;具体对工件、物流单元、加工单元的调度过程如图3、4、5所示;
(4.3)挑选完毕后,物流单元与对应的加工单元通讯,在对应加工单元上添加工件的下道加工工序任务的甘特图,并释放工件下下步物流加工任务到“任务池”中;向“任务池”中添加需求的格式为:{工件序号,待加工下下道工序号,运输位置,最早运输时间};其中,“任务池”中的需求任务即将被满足时,删除对应工件下步物流加工需求;
(4.4)物流设备运动至工件处并将工件运载至相应加工单元;
(4.5)工人在缓冲区中选取基于加工单元甘特图顺序的工件进行加工,加工完成后加工单元利用计算资源计算当前工人在学习遗忘效应影响下的实时效率,并记录下来进行更新;
(4.6)重新回到(4.2),直至任务池无务出任现,或是所以工件被加工完毕。
2.根据权利要求1所述的一种考虑工人学习遗忘效应的个性化定制作业车间人-机-物协同调度方法,其特征在于,所述步骤四中,由于车间中含有工人资源,不得不考虑工人因素对于整个调度的影响,而学习率和遗忘率作为人的一种特性它会影响工人的工作效率;因此,在进行优先级选择时,不能依靠工件的标准加工时间来计算其拖期指标,因为有的工人工作时长高学习能力强,他的工作效率就会比其他的工人高,可能会导致标准工时偏高的工件在学习遗忘效应影响下实际工时会低一些;因此在生产过程中必须要考虑工人学习遗忘效应对于各制造资源之间协同调度的影响;对于工人在学习遗忘效应影响下的的人机物协同调度过程,以工人m为例,他刚完成一项加工任务处于结束加工状态;此时工人m所在的加工单元km所部署的计算资源会根据其工作时长和空闲时间计算出当前在学习遗忘效应影响下工人m的实际效率,并记录下来当任务池中的工件被物流单元响应时,运输位置为加工单元km的工件的优先级会依据工人m的实时工作效率进行计算,然后物流单元遍历任务池选取优先级最高的工件执行物流任务;用N表示“任务池”中任务数,i表示工件序号,k表示加工单元序号;并延伸为:
3.根据权利要求2所述的一种考虑工人学习遗忘效应的个性化定制作业车间人-机-物协同调度方法,其特征在于,所述Fi可以有多种定义,选取其中一种,以r表示工件i当前待加工工序号,R表示最后一道工序序号;s表示工件i当前待执行的物流任务序号,S表示最后一个物流任务序号,上述“伪代码”中Fi计算法则如下:
Fi=ω1f1 i+ω2f2 i+ω3f3 i
此处,f1 i为工件i的加工与运输松弛时间;与/>分别为物流单元执行工件i后将付出的利用率与能耗代价;f1 i是用工件交货期减去当前时间以及剩余加工工序与物流运输时间得到松弛时间后取相反数;松弛时间越小表示工件空余时间越少,任务越紧急,很可能会超期,此时指标值会越大;/>实质是指物流单元与加工单元的空闲时间,空闲时间越少,利用率就越高,指标值越大;/>实质是指在物流单元h与加工单元/>承担工件i第r道加工工序前的运输任务与加工任务的能耗,能耗越小指标越大。
4.根据权利要求1所述的一种考虑工人学习遗忘效应的个性化定制作业车间人-机-物协同调度方法,其特征在于,所述调度结果中的工件提前或者拖期成本;由于企业一旦生产拖期,势必会造成客户的流失;但若提前完工,成品须被放置在仓库中,也会占用企业库存资源,造成一定浪费,因此无论是提前完工或是拖期,都会为企业增加一定的成本;基于此,定义工件i的提前成本或者拖期成本的公式为:
5.根据权利要求1所述的一种考虑工人学习遗忘效应的个性化定制作业车间人-机-物协同调度方法,其特征在于,所述调度结果中的资源利用率,在制造企业中,除了要满足客户需求外,还需提高生产效率,因此针对某个加工单元k或物流单元h,定义资源利用率为:
6.根据权利要求1所述的一种考虑工人学习遗忘效应的个性化定制作业车间人-机-物协同调度方法,其特征在于,所述调度结果中的车间能耗,车间能耗的统计对象主要包括加工单元与物流单元;该指标在反映生产成本同时,也反映了企业“低碳”程度;而“绿色制造”是智能制造的新需求,加工单元k或物流单元h的能耗与其运行功率和时间相关的公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311751854.9A CN117930761A (zh) | 2023-12-19 | 2023-12-19 | 一种考虑工人学习遗忘效应的个性化定制作业车间人-机-物协同调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311751854.9A CN117930761A (zh) | 2023-12-19 | 2023-12-19 | 一种考虑工人学习遗忘效应的个性化定制作业车间人-机-物协同调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117930761A true CN117930761A (zh) | 2024-04-26 |
Family
ID=90763697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311751854.9A Pending CN117930761A (zh) | 2023-12-19 | 2023-12-19 | 一种考虑工人学习遗忘效应的个性化定制作业车间人-机-物协同调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117930761A (zh) |
-
2023
- 2023-12-19 CN CN202311751854.9A patent/CN117930761A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110955206B (zh) | 一种订单排程与分配调度方法及系统 | |
CN113177761B (zh) | 一种考虑时效性的电商仓储智能排产预警系统 | |
JPH09153090A (ja) | 加工工程生産計画立案方法及び装置 | |
CN112488606B (zh) | 一种生产物流智能优化和自动调度系统 | |
CN112785054B (zh) | 一种基于库存推移的多制约因素综合型生产订单排程系统 | |
CN111882215A (zh) | 一种含有agv的个性化定制柔性作业车间调度方法 | |
Yano | Planned leadtimes for serial production systems | |
CN113487155B (zh) | 一种用于塑料行业的智能排程系统 | |
Saif et al. | Drum buffer rope-based heuristic for multi-level rolling horizon planning in mixed model production | |
CN115239173A (zh) | 排产计划生成方法、装置、电子设备及存储介质 | |
CN116224926A (zh) | 面向单件小批柔性制造车间的动态调度优化方法及装置 | |
CN114707874A (zh) | 应用于铝合金生产的排程方法、设备及存储介质 | |
JPH08212261A (ja) | 仕掛計画立案装置 | |
JP6741081B2 (ja) | 移動計画装置、移動計画方法、およびプログラム | |
JP2009301466A (ja) | サプライチェーンの効率化支援方法 | |
Gan et al. | Scheduling of flexible-sequenced process plans in a mould manufacturing shop | |
Roy et al. | The role of discrete event simulation techniques in finite capacity scheduling | |
CN117930761A (zh) | 一种考虑工人学习遗忘效应的个性化定制作业车间人-机-物协同调度方法 | |
CN116090676A (zh) | 一种基于多目标优化的aps排产方法及aps排产系统 | |
US20220404817A1 (en) | Processes for controlling operation of machine tools | |
CN114862122B (zh) | 一种基于aps的车间排产方法、系统及设备 | |
CN115437321A (zh) | 基于深度强化学习网络的微服务-多代理工厂调度模型 | |
CN116822815A (zh) | 一种磷酸铁锂车间高级计划排产系统 | |
CN115409392A (zh) | 物料生产计划的确定方法,装置,存储介质以及电子设备 | |
Salehi et al. | A novel model for production optimization with stochastic rework and failure-prone job shop schedule problem via hybrid simulation–heuristic optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |