专利名称：：基于流模型的机器组负载预测控制方法
技术领域：
：本发明属于自动控制、信息技术和先进制造领域。具体涉及一类具有前后两道瓶颈工序且每道瓶颈工序存在多组机器组的复杂生产制造过程中对瓶颈工序各机器组的负载预测控制方法。
背景技术：
：在一类具有前后两道瓶颈工序且每道瓶颈工序存在多组机器组的复杂生产制造过程中，由于在两道瓶颈工序间存在大规模的在制品加工流动现象，若对前道瓶颈工序中机器组任务输出率缺乏有效控制，将使得后道瓶颈工序各机器组负载无法到达期望值，影响了生产性能。因此，在上述生产制造过程中，根据前、后道瓶颈工序内各机器组的加工能力及后道瓶颈工序内各机器组的期望负载，以后道瓶颈工序各机器组实际负载与期望负载差的平方和最小为优化控制目标，确定前道瓶颈工序各机器组中任务输出率，以控制后道瓶颈工序各机器组负载，从而提高生产性能。目前，常规的机器负载控制方法大多为启发式控制方法，如当前后道瓶颈工序中某个机器组负载较大时，则在前道瓶颈工序中减少流向该机器组的任务量，但由于两道瓶颈工序间存在中间非瓶颈工序的加工延迟，而上述启发式预测控制方法缺乏对后道瓶颈工序机器组负载有效的预测机制，因而采用上述方法难以实现对后道瓶颈工序机器组负载的有效控制。
发明内容为了解决上述复杂生产制造过程中后道瓶颈工序各机器组负载控制方法的不足，本发明提供一种具有前后两道瓶颈工序且每道瓶颈工序存在多组机器组的复杂生产制造过程中基于流模型的机器组负载预测控制方法(简称为AFFC)。在本发明中，流模型主要用于考察单位时间内各机器组加工和完成的负载量(即生产任务加工时间总和)，由于上述复杂生产过程中两道瓶颈工序间的工序是非瓶颈工序(下文简称为中间工序)，生产任务经过中间工序时其等待时间与加工时间相比小得多(可忽略)，所以从流模型的角度看，生产负载从前道瓶颈工序(下文简称为前道工序)流入中间工序后，仅需经过一定的延迟时间后，即可从中间工序流向后道瓶颈工序(下文简称为后道工序)(如图2所示)。本发明基于流模型建立后道工序机器组负载1阶预测控制模型，在此基础上采用ANFIS(自适应神经模糊推理系统)建立后道工序机器组负载J阶非线性预测控制模型，其输入为当前时刻前道工序任务输出率，输出为"时刻后的后道工序机器组负载，在上述预测控制模型基础上，根据d时刻后的后道工序各机器组负载期望值及前后道工序各机器组加工能力，确定前道工序各机器组的任务输出率，使得后道工序机器组实际负载与期望负载之差的平方和最小，从而提高后道瓶颈工序生产性能。基于流模型的机器组负载预测控制方法，其特征在于所述方法是在机器组负载预测控制计算机上依次按以下步骤实现的步骤(1):初始化，设定以下参变量采样时间间隔，每隔时间间隔r给出前道工序中各机器组任务输出率，所述机器组由加工能力相似的多台机器组成，而采样时刻则用A表示；机器组加工能力，是在单位时间内机器组所能完成的加工任务的加工时间总和，前道工序中机器组/的加工能力用",表示,/=1,...,附，用矩阵表示为t/二[^,^,…,^f'，后道工序中机器组J'的加工能力用"表示,J'=1,…,"，用矩阵表示为r=h,V2，…,、;T，历和/7分别为前、后道工序中机器组的数目；前道工序机器组任务输出率，前道工序机器组/基于生产工艺约束在A采样时刻加工完成的任务被安排到后道工序由机器组J加工的比例，用^("表示，用矩阵表示为<formula>formulaseeoriginaldocumentpage6</formula>其中0、Sl且t^=1,/二l,…，w;7、l,…，w;机器组负载，工序中某个机器组前等待加工任务的加工时间总和，后道工序机器组J在A时刻的负载表示为R("，用矩阵表示为y(A:广1=L^(A:)，_V2(A:),...,_v("]7;后道工序中机器组J在A时刻的机器负载期望值表示为X(A:),用矩阵表示为r(『1=,,讽…,細f';中间工序的加工延迟时间用d表示，其是指任务从前道工序加工完毕开始，通过中间工序的加工，到达后道工序所用的平均时间单位，含等待时间；给定的控制周期用7;/,表示；控制周期7;,,内后道工序机器组7'的总负载用丄Ofl《.表示；步骤(2):用机器组负载信息采集装置采集机器组负载实时信息，机器组负载信息采集装置由PLC采集装置、嵌入式系统采集装置、DCS系统采集装置中的一种或它们的组合构成；步骤(3):所述的机器组负载预测控制计算机从所述采集装置中读取机器组负载实时信息，依次按以下步骤进行机器组负载预测控制步骤(3.1):按下式确定各采样间隔时间内后道工序各机器组负载期望值^(yt)，步骤(3.2):按下式建立后道工序机器组负载预测控制问题<formula>formulaseeoriginaldocumentpage7</formula>求控制律C(A:)，使得111111{1/(&+(/+1)}，其中对所有/满足爿。("=1，v4=[l,l,"',lfm;步骤(3.3):按下述步骤建立后道工序机器组负载预测控制模型步骤(3.3.1):建立后道工序机器组负载1阶预测控制模型<formula>formulaseeoriginaldocumentpage7</formula>步骤(3.3.2):采用具有Z条模糊规则的自适应神经模糊推理系统ANFIS建立后道工序机器组负载^阶预测控制模型即.<formula>formulaseeoriginaldocumentpage7</formula>/=1/=1&00fA(A)=力Oy("-7",(A:-力(7,..,r。(A:-1)")是ANFIS输入为力(AO-r",rc/u)f/,…，r。(A:-i)[/时第/条模糊规则的激发值，,为模糊规则激发值计算函数，其为第/条模糊规则中ANFIS各输入变量所对应模糊数的隶属度函数的乘积，其中，上述模糊数的隶属度函数采用钟形函数，钟形函数中的参数即为ANFIS中待定的前件参数，而ANFIS中待定的后件参数为^,^,^,…，^,,;步骤(3.3.3):采用如下步骤确定ANFIS中的前件参数和后件参数；步骤(3.3.3.1):对所有_/=1,2,.，"，随机产生q(A:)的值，并按步骤(3.3.1)所述公式计算力(A+1)值，从而产生若干用于训练ANFIS的输入输出训练数据集，其中，输入数据为柳,C("力,…,C("1)，输出数据为W+"1);步骤(3.3.3.2):采用步骤(3.3.2.l)生成的训练数据集及ANFIS经典学习算法，确定ANFIS中待定的前件参数和后件参数；步骤(3.4):根据步骤(3.3)得到的后道工序机器组负载c/阶预测控制模型，采用拉格朗日松弛方法按下式计算最佳控制率C("，其中C'(A:)为—《","《—M+《",).，]4，其中/为单位矩阵，f=A^[Z+Z(Zw,C'(A:—d+《))—rXA+"+l)]，^=《、=oy=i根据上述基于流模型的机器组负载预测控制方法，本发明做了大量的仿真试验，从仿真结果中可看出，本发明对具有前后两道瓶颈工序且每道瓶颈工序存在多组机器组的复杂生产制造过程后道瓶颈工序机器组负载控制具有很好的效果。图l:机器组负载预测控制硬件系统结构图，图中由机器组负载信息采集装置采集机器组负载实时信息，并传给机器组负载预测控制计算机。ANFIS训练计算机可根据生产历史数据对ANFIS进行训练，得到后道工序机器组负载预测控制模型参数。机器组负载预测控制计算机接收机器组负载预测控制模型参数值和机器组负载实时信息，采用拉格朗日松弛方法，求得前道工序机器组预测控制参数(任务输出率)。图2:前后道工序内机器组任务流之间的关系示意图，其中m为前道工序的机器组总数；n为后道工序的机器组总数；d为中间工序的平均加工延迟时间。图3:预测控制方法的流程图，其中根据设置的采样时间，软件每隔采样时间进行一次机器组负载预测控制，并调整前道工序的机器组任务输出率；同时，随着样本数据的增加，每隔一定时间通过训练ANFIS对机器组负载预测控制模型参数进行修正，使得机器组负载预测控制模型更能体现复杂生产过程现状。图4:(a)、(b)、(c)分别为实验l中后道工序各机器组负载期望值、采用AFFC方法得到的后道工序机器组负载实际值和采用HFC方法得到的后道工序机器组负载实际值，其中X(",X("分别为后道工序两个机器组在*时刻的负载期望值；乃(A:),力("分别为釆用AFFC和HFC控制方法进行机器组负载控制的后道工序两个机器组在A时刻的实际负载值。图5:(a)、(b)、(c)分别为实验2中后道工序各机器组负载期望值、采用AFFC方法得到的后道工序机器组负载实际值和采用HFC方法得到的后道工序机器组负载实际值，其中X(",…，^(A:)分别为后道工序各个机器组在A时刻的负载期望值；"(",…,^(A:)分别为采用AFFC和HFC控制方法进行机器组负载控制的后道工序各个机器组在A时刻的实际负载值。具体实施方式本发明的机器组负载预测控制方法依赖于机器组负载预测控制硬件系统，由机器组负载预测控制软件实现。其硬件系统由机器组负载信息采集装置、ANFIS训练计算机和机器组负载预测控制计算机组成(结构图见图1)。ANFIS训练计算机可根据生产历史数据对ANFIS进行训练，得到机器组负载预测控制模型参数。机器组负载预测控制计算机接收机器组预测控制模型的相关参数值(来自ANFIS训练计算机)和机器组负载实时信息，运行本发明提出的机器组负载预测控制方法，并输出预测控制参数(前道工序各机器组任务输出率)。以下对本发明提出的上述基于流模型的机器组负载预测控制方法所涉及的步骤进行详细说明第一步后道工序各机器组负载的定时采样测量，它依次含有以下步骤第1.1步，安装机器组负载采集装置，采集各机器组负载实时信息。第1.2步，由机器组负载预测控制软件从机器组负载采集装置中读取相应的机器组负载实时信息。第二步后道工序各机器组负载期望值的确定为使各机器组负载在整个给定控制周期内保持均衡，将各机器组在给定控制周期内的总负载平均分配到各个采样间隔时间内，艮P:=j"、i，…，"；也可根据生产需要预先直接给定控制周期内每一采样时刻的后道工序机器组负载期望值。第三步后道工序机器组负载流模型的建立。后道工序机器组负载模糊预测控制问题可描述为令单+"1)=|,+"1)-rXA:+"i)]7'',+"i)-r(A+"i)]4tcW，(i)求控制律C("，使得min^/(A:+d+l"，其中对所有/满足v4C'("=1，爿^l,l,…,lf"1。即在满足相关约束的前提下，确定前道工序机器组的任务输出率C(Q，使得在A^Z+1时刻的后道工序机器组负载y(""+l)与其负载期望值F(A:+d+l)之差的平方和最小，同时也使得C'(A:)的变化最小。第四步后道工序机器组负载c/阶预测控制模型的建立；依据Little's定理，基于后道工序加工能力、前道工序加工能力和前道工序任务输出率等，可建立用于后道工序机器组负载预测的如下流模型(机器组负载1阶预测控制模型)<formula>formulaseeoriginaldocumentpage10</formula>，0}^max(乃("-，+^("c/)",0},/=l，.--,(2)由于式(2)为非线性模型，很难求得乃(A:+d+l)的解析表达式，本发明采用ANFIS获得y(A:+of+l)与y(^:)和C(A:)的非线性映射关系。anfis是在模糊推理系统的基础框架中引入自适应节点，形成的多层前馈神经网络，anfis的参数集合是其每个节点中参数集合的总和。设anfis中有z条规则，则对于规则j可表示如下如果^(A:)-r"是^，并且r.c/A:-fl0.f/是42，并且r.。0-6/+1)."是43，…，并且r.C/A:-l).C/是成"，那么乂(A:+d+1)=-7Vy)+T[^C乂(A—c/)+^C乂(A:—"+1)+...+乂。+,(3)其中4p42,43,…,4刈为第j条模糊规则中每个anfis输入变量所对应的模糊数，其隶属度函数采用钟形函数，艮P:6,々■-J=l，2,.-.，c/+l，1+钟形函数中的参数^,，,j、l,2,…^+l即为第j条模糊规则中的前件参数，而"',"，W，，^,夂为第J条模糊规则中的后件参数。第j条模糊规则的输出可写成#+"1)="'(;;;-，)+r(^>:C#—"+/'(4)令&("=y;o^("-:rvy,7ry(A:-cOf/,...,rc7(A:—为anfis输入为r".,rc/u)f/,…，rc^-ix/时第/条模糊规则的激发值，其中X为模糊规则激发值计算函数,(X^2,…,X^卜f](、)，则z条模糊规则的综合输出为=^>("."("—jvy)+/']+力/z,w[r(f"(""《))t/〗/=1/=1"^__^g=o、/=i__所以有<formula>formulaseeoriginaldocumentpage12</formula>则有<formula>formulaseeoriginaldocumentpage12</formula>(7)即:<formula>formulaseeoriginaldocumentpage12</formula>式(8)即是y(W的J阶预测控制模型表达式，其中"r为常数矩阵，d,r为常量。采用以下方法确定式(8)中ANFIS中的前件参数和后件参数对所有j、l,2,…,w，随机产生q("的值，并由式(2)算出^(A+1)值，从而产生若干用于训练ANFIS的输入输出训练数据集，输入数据为nAaC^-cO,…,C(it-l)，输出数据为y(A+d+l)。基于上述训练数据集，使用ANFIS的经典学习算法(即采用BP反向传播学习方法对ANFIS中的前件参数进行学习，再采用最小二乘法对ANFIS中的后件参数进行更新)，该经典学习算法可使用MATLAB6.0中的ANFIS训练软件包实现)，确定式(8)中的ANFIS前件参数和后件参数，从而最终得到n"的^阶预测控制模型。第五步前道工序机器组C("的求取。根据第四步得到的r(A:)的"阶预测控制模型，采用拉格朗日松弛方法，求解第三步描述的机器组负载预测控制问题，求得最佳的控制参数C("。1)采用拉格朗日(Lagrange)松弛方法将上述问题中的约束松弛。对于式(l)，将约束松弛后可得7(A:+"1)=*[y(""1)—r(A:+"l)]7"'[7(A:+"1)-r"(A:+"l)]+4￡C'C'(A)+(乂C'(A:)-1)其中A^、l,2，…,m为用于松弛约束的拉格朗日算子。2)对于松弛后的式(9)，求关于给定i的C'W的偏导数并令偏导数为O，有:a7(A:+"i)3(7(""i)—r^+d+i))7"(9)+C'(A:)+V7=0,z、l，…，附将式(8)代入式(10)，化简可得(10),:,1")="'《[x+W"'c'(")+IX(S"'c'("+《))-r+1)](/r);=1《=o,=13)对于松弛后的式(9)，求关于;i,的偏导数并令偏导数为o，有f(A;)=l，z、l,…,m(12)4)令f=《[x+S(》,c'(""g))-;r(A:+"i)],^=《iVd，g=0i=lS=f+^(^^C'(A:))(13)则式(ll)可表示为w,S+C'(A:)+;i,i=0，z、l,…，w(14)对式(14)两边左乘^，可得+f(AO+VZ=0，/=l,-.、w(15)将式(12)代入式(15)，既有再将式(16)代入式(13)，则:w,S+C'(A:)+^^(w,v4S+l)二0，z、l，…，附从而其中/为m阶单位矩阵。将式(17)代入式(13)，有:,'=i乂即[/一(|>》《—，=^(17)(18)最后，将式(18)代入式(17)，可求得使机器组负载预测控制问题控制目标最小的控制律C(A;):cw=《-7).[/-(g"'2)'<^-",'0+i^，Z=1,…,w。本发明提出的基于流模型的机器组负载预测控制方法流程图如图3所示。根据上述所提出的基于流模型的机器组负载预测控制方法，本发明做了大量的仿真试验，由于篇幅所限，采用如下两个较难预测控制的实验用以验证本发明提出的机器组负载预测控制方法的有效性，实验参数见表l:表1仿真实验参数<table>tableseeoriginaldocumentpage14</column></row><table><table>tableseeoriginaldocumentpage15</column></row><table>本发明设计了用于与AFFC方法相比较的启发式方法(HFC:HeuristicFlowControl),该方法可描述如下用当前时刻后道工序机器组负载与负载期望值之间的差i#w=[r(Q—1^)]二[5，^,…，^:T来调节C("，即如果^大于零，则增加q，)中各个元素的值；反之，如果^.小于零，则减少c^)中各个元素的值，从而可减少rxQ与y("的差，但在增加和减少q，)时，应满足约束J.C("=J。具体方法是对Z)^("中的元素从大到小重新排列。如果^是前"/2个大的元素之一，则C:(A:)-。(A:-l)+0.1./;反之，如果5是后"/2个大的元素之一，则C;(A)=C/A:-1)-0.1■/。在数值仿真中分别用AFFC和HFC方法对C(A:)进行调节。其中，图4为后道工序各机器组负载期望值，图5和6分别为采用AFFC方法和HFC方法获得的后道工序各机器组负载实际值。图5中的F(Q较好地跟踪了图3中期望值:r(A:)的变化(最大误差分别是5%和1.79%),并且是收敛的。而图6中的y(A:)虽可反映出图4中F(W的变化趋势，但与F("的误差随控制时间的增大而越来越大(曲线不收敛)。可见本发明提出的AFFC对跟踪后道工序机器组负载期望值是有效的。HFC方法的缺点是未引入对后道工序机器组负载的预测机制，而仅根据后道工序机器组负载当前状态对C("进行调节，且调节方法较简单，使得跟踪误差较大。本发明的实施案例为某大型色织生产企业，该企业的生产主要包括松纱、复板、染色、络筒、整经、浆纱、穿综、插筘和织布等九道工序，其中染色工序和织布工序是该企业生产过程中的瓶颈工序。在染色和织布工序间有络筒、整经、浆纱、穿综和插筘工序，上述工序的生产能力均较大，生产任务仅需经过一定的延时(工艺加工时间)即可经过这些工序。可见，该色织生产过程符合本发明描述的复杂生产过程情况，可通过控制染色工序任务的输出率控制织布工序中各个机器组的加工负载。首先按照本说明书的要求在织布工序安装机器组负载预测控制硬件系统。其次，从该色织生产的生产管理系统中读取最近l个月的生产数据，按照本说明书提供的方法建立ANFIS的训练数据，共计10000条。并使用这些训练数据对ANFIS进行训练，建立织布工序机器组负载预测控制的J阶模型。在确定采样周期时，根据该色织生产企业的实际生产情况，确定采样周期r二2小时，同时由丁染色和织布间的中间工序的加工延迟时间基本在10小时左右，所以该预测控制模型的阶数J=5。之后，根据织布工序中的23个机器组的加工能力，使用本说明书提供的机器组负载期望值确定方法确定上述23个机器组的加工负载期望值。最后，预测控制软件根据本说明书给出的染色工序中各机器组的任务输出率求取方法，在获取织布工序各机器组负载实时信息的基础上，白动给出染色工序各机器组的任务输出率。基于流模型的机器组负载预测控制方法可很好地对织布工序机器组负载进行控制。权利要求1、基于流模型的机器组负载预测控制方法，其特征在于，所述方法是在机器组负载预测控制计算机上依次按以下步骤实现的步骤(1)初始化，设定以下参变量采样时间间隔，每隔时间间隔T给出前道工序中各机器组任务输出率，所述机器组由加工能力相似的多台机器组成，而采样时刻则用k表示；机器组加工能力，是在单位时间内机器组所能完成的加工任务的加工时间总和，前道工序中机器组i的加工能力用ui表示，i＝1，…，m，用矩阵表示为U＝[u1，u2，…，um]T，后道工序中机器组j的加工能力用vj表示，j＝1，…，n，用矩阵表示为V＝[v1，v2，…，vn]T，m和n分别为前、后道工序中机器组的数目；前道工序机器组任务输出率，前道工序机器组i基于生产工艺约束在k采样时刻加工完成的任务被安排到后道工序由机器组j加工的比例，用cij(k)表示，用矩阵表示为<mathsid="math0001"num="0001"><math><![CDATA[<mrow><mi>C</mi><msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mrow><mi>n</mi><mo>×</mo><mi>m</mi></mrow></msup><mo>=</mo><mo>[</mo><msub><mi>C</mi><mn>1</mn></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>,</mo><msub><mi>C</mi><mn>2</mn></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><msub><mrow><mo>,</mo><mi>C</mi></mrow><mi>n</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><msup><mo>]</mo><mi>T</mi></msup></mrow>]]></math></maths><mathsid="math0002"num="0002"><math><![CDATA[<mrow><mo>=</mo><mo>[</mo><msup><mi>C</mi><mn>1</mn></msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>,</mo><msup><mi>C</mi><mn>2</mn></msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msup><mi>C</mi><mi>m</mi></msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>]</mo></mrow>]]></math></maths>其中0≤cij≤1且<mathsid="math0003"num="0003"><math><![CDATA[<mrow><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><msub><mi>c</mi><mi>ij</mi></msub><mo>=</mo><mn>1</mn><mo>,</mo><mi>i</mi><mo>=</mo><mn>1</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mi>m</mi><mo>;</mo><mi>j</mi><mo>=</mo><mn>1</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mi>n</mi><mo>;</mo></mrow>]]></math>id="icf0004"file="A2008101147310002C4.tif"wi="54"he="10"top="173"left="64"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>机器组负载，工序中某个机器组前等待加工任务的加工时间总和，后道工序机器组j在k时刻的负载表示为yj(k)，用矩阵表示为Y(k)n×1＝[y1(k)，y2(k)，…，yn(k)]T；后道工序中机器组j在k时刻的机器负载期望值表示为yjr(k)，用矩阵表示为<mathsid="math0004"num="0004"><math><![CDATA[<mrow><msup><mi>Y</mi><mi>r</mi></msup><msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mrow><mi>n</mi><mo>×</mo><mn>1</mn></mrow></msup><mo>=</mo><msup><mrow><mo>[</mo><msubsup><mi>r</mi><mn>1</mn><mi>r</mi></msubsup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>,</mo><msubsup><mi>y</mi><mn>2</mn><mi>r</mi></msubsup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msubsup><mi>y</mi><mi>n</mi><mi>r</mi></msubsup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>]</mo></mrow><mi>T</mi></msup><mo>;</mo></mrow>]]></math></maths>中间工序的加工延迟时间用d表示，其是指任务从前道工序加工完毕开始，通过中间工序的加工，到达后道工序所用的平均时间单位，含等待时间；给定的控制周期用Tall表示；控制周期Tall内后道工序机器组j的总负载用Loadj表示；步骤(2)用机器组负载信息采集装置采集机器组负载实时信息，机器组负载信息采集装置由PLC采集装置、嵌入式系统采集装置、DCS系统采集装置中的一种或它们的组合构成；步骤(3)所述的机器组负载预测控制计算机从所述采集装置中读取机器组负载实时信息，依次按以下步骤进行机器组负载预测控制步骤(3.1)按下式确定各采样间隔时间内后道工序各机器组负载期望值yjr(k)，<mathsid="math0005"num="0005"><math><![CDATA[<mrow><msubsup><mi>y</mi><mi>j</mi><mi>r</mi></msubsup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><mi>Loa</mi><msub><mi>d</mi><mi>j</mi></msub></mrow><mrow><msub><mi>T</mi><mi>all</mi></msub><mo>/</mo><mi>T</mi></mrow></mfrac><mo>,</mo><mi>j</mi><mo>=</mo><mn>1</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mi>n</mi></mrow>]]></math></maths>步骤(3.2)按下式建立后道工序机器组负载预测控制问题<mathsid="math0006"num="0006"><math><![CDATA[<mrow><mi>J</mi><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mi>d</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mo>[</mo><mi>Y</mi><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mi>d</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><msup><mi>Y</mi><mi>r</mi></msup><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mi>d</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><msup><mo>]</mo><mi>T</mi></msup><mo>·</mo><mo>[</mo><mi>Y</mi><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mi>d</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>-</mo><msup><mi>Y</mi><mi>r</mi></msup><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mi>d</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>]</mo></mrow>]]></math></maths><mathsid="math0007"num="0007"><math><![CDATA[<mrow><mo>+</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>m</mi></munderover><msup><mi>C</mi><mi>i</mi></msup><msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mi>T</mi></msup><mo>·</mo><msup><mi>C</mi><mi>i</mi></msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow></mrow>]]></math></maths>求控制律C(k)，使得min{J(k+d+1)}，其中对所有i满足ACi(k)＝1，A＝[1，1，…，1]1×m；步骤(3.3)按下述步骤建立后道工序机器组负载预测控制模型步骤(3.3.1)建立后道工序机器组负载1阶预测控制模型yj(k+1)＝max{yj(k)-vjT+[c1j(k-d)u1+…+cmj(k-d)um]T，0}＝max{yj(k)-Tvj+TCj(k-d)U，0}，j＝1，…，n，步骤(3.3.2)采用具有L条模糊规则的自适应神经模糊推理系统ANFIS建立后道工序机器组负载d阶预测控制模型即<mathsid="math0008"num="0008"><math><![CDATA[<mrow><mi>Y</mi><msup><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mi>d</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mrow><mi>n</mi><mo>×</mo><mn>1</mn></mrow></msup><mo>=</mo><msup><mi>X</mi><mrow><mi>n</mi><mo>×</mo><mn>1</mn></mrow></msup><mo>+</mo><munderover><mi>Σ</mi><mrow><mi>q</mi><mo>=</mo><mn>0</mn></mrow><mi>d</mi></munderover><msubsup><mi>N</mi><mi>q</mi><mrow><mi>n</mi><mo>×</mo><mi>n</mi></mrow></msubsup><mo>·</mo><mo>[</mo><msup><mi>C</mi><mn>1</mn></msup><mrow><mo>(</mo><mi>k</mi><mo>-</mo><mi>d</mi><mo>+</mo><mi>q</mi><mo>)</mo></mrow><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msup><mi>C</mi><mi>m</mi></msup><mrow><mo>(</mo><mi>k</mi><mo>-</mo><mi>d</mi><mo>+</mo><mi>q</mi><mo>)</mo></mrow><msup><mo>]</mo><mrow><mi>n</mi><mo>×</mo><mi>m</mi></mrow></msup><mo>·</mo><msup><mi>U</mi><mrow><mi>m</mi><mo>×</mo><mn>1</mn></mrow></msup></mrow>]]></math></maths><mathsid="math0009"num="0009"><math><![CDATA[<mrow><mo>=</mo><msup><mi>X</mi><mrow><mi>n</mi><mo>×</mo><mn>1</mn></mrow></msup><mo>+</mo><munderover><mi>Σ</mi><mrow><mi>q</mi><mo>=</mo><mn>0</mn></mrow><mi>d</mi></munderover><msubsup><mi>N</mi><mi>q</mi><mrow><mi>n</mi><mo>×</mo><mi>n</mi></mrow></msubsup><mo>·</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>m</mi></munderover><msub><mi>u</mi><mi>i</mi></msub><msup><mi>C</mi><mi>i</mi></msup><mrow><mo>(</mo><mi>k</mi><mo>-</mo><mi>d</mi><mo>+</mo><mi>q</mi><mo>)</mo></mrow></mrow>]]></math></maths>其中Xn×1＝[E1，E2，…，En]T，<mathsid="math0010"num="0010"><math><![CDATA[<mrow><msub><mi>E</mi><mi>j</mi></msub><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>l</mi><mo>=</mo><mn>1</mn></mrow><mi>L</mi></munderover><msub><mi>h</mi><mi>l</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>·</mo><mo>[</mo><msup><mi>α</mi><mi>l</mi></msup><mrow><mo>(</mo><msub><mi>y</mi><mi>j</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>-</mo><msub><mi>Tv</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>+</mo><msup><mi>β</mi><mi>l</mi></msup><mo>]</mo></mrow>]]></math>id="icf0011"file="A2008101147310003C6.tif"wi="60"he="10"top="229"left="77"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>id="icf0012"file="A2008101147310003C7.tif"wi="65"he="20"top="246"left="21"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/><mathsid="math0011"num="0011"><math><![CDATA[<mrow><msub><mi>F</mi><mi>jq</mi></msub><mo>=</mo><mi>T</mi><mo>·</mo><munderover><mi>Σ</mi><mrow><mi>l</mi><mo>=</mo><mn>1</mn></mrow><mi>L</mi></munderover><msub><mi>h</mi><mi>l</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><msubsup><mi>γ</mi><mi>q</mi><mi>l</mi></msubsup><mo>,</mo></mrow>]]></math>id="icf0013"file="A2008101147310003C8.tif"wi="33"he="10"top="251"left="90"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>hl(k)＝fl(yj(k)-Tvj，TCj(k-d)U，…，TCj(k-1)U)，是ANFIS输入为yj(k)-Tvj，TCj(k-d)U，…，TCj(k-1)U时第l条模糊规则的激发值，fl为模糊规则激发值计算函数，其为第l条模糊规则中ANFIS各输入变量所对应模糊数的隶属度函数的乘积，其中，上述模糊数的隶属度函数采用钟形函数，钟形函数中的参数即为ANFIS中待定的前件参数，而ANFIS中待定的后件参数为αl，γ0l，γ1l，…，γdl，βl；步骤(3.3.3)采用如下步骤确定ANFIS中的前件参数和后件参数；步骤(3.3.3.1)对所有j＝1，2，…，n，随机产生Cj(k)的值，并按步骤(3.3.1)所述公式计算yj(k+1)值，从而产生若干用于训练ANFIS的输入输出训练数据集，其中，输入数据为Y(k)，C(k-d)，…，C(k-1)，输出数据为Y(k+d+1)；步骤(3.3.3.2)采用步骤(3.3.2.1)生成的训练数据集及ANFIS经典学习算法，确定ANFIS中待定的前件参数和后件参数；步骤(3.4)根据步骤(3.3)得到的后道工序机器组负载d阶预测控制模型，采用拉格朗日松弛方法按下式计算最佳控制率C(k)，其中Ci(k)为<mathsid="math0012"num="0012"><math><![CDATA[<mrow><msup><mi>C</mi><mi>i</mi></msup><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>=</mo><msub><mi>u</mi><mi>i</mi></msub><mrow><mo>(</mo><mfrac><mrow><msup><mi>A</mi><mi>T</mi></msup><mi>A</mi></mrow><msup><mi>AA</mi><mi>T</mi></msup></mfrac><mo>-</mo><mi>I</mi><mo>)</mo></mrow><mo>·</mo><mo>[</mo><mi>I</mi><mo>-</mo><mrow><mo>(</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>m</mi></munderover><msubsup><mi>u</mi><mi>i</mi><mn>2</mn></msubsup><mo>)</mo></mrow><mo>·</mo><mover><mi>N</mi><mo>‾</mo></mover><mrow><mo>(</mo><mfrac><mrow><msup><mi>A</mi><mi>T</mi></msup><mi>A</mi></mrow><msup><mi>AA</mi><mi>T</mi></msup></mfrac><mo>-</mo><mi>I</mi><mo>)</mo></mrow><msup><mo>]</mo><mrow><mo>-</mo><mn>1</mn></mrow></msup><mo>·</mo><mo>[</mo><mover><mi>X</mi><mo>‾</mo></mover><mo>+</mo><mrow><mo>(</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>m</mi></munderover><msub><mi>u</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>·</mo><mfrac><mrow><mover><mi>N</mi><mo>‾</mo></mover><msup><mi>A</mi><mi>T</mi></msup></mrow><msup><mi>AA</mi><mi>T</mi></msup></mfrac><mo>]</mo><mo>+</mo><mfrac><msup><mi>A</mi><mi>T</mi></msup><msup><mi>AA</mi><mi>T</mi></msup></mfrac><mo>,</mo></mrow>]]></math></maths>其中I为单位矩阵，<mathsid="math0013"num="0013"><math><![CDATA[<mrow><mover><mi>X</mi><mo>‾</mo></mover><mo>=</mo><msubsup><mi>N</mi><mi>d</mi><mi>T</mi></msubsup><mo>[</mo><mi>X</mi><mo>+</mo><munderover><mi>Σ</mi><mrow><mi>q</mi><mo>=</mo><mn>0</mn></mrow><mrow><mi>d</mi><mo>-</mo><mn>1</mn></mrow></munderover><mrow><mo>(</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>m</mi></munderover><msub><mi>u</mi><mi>i</mi></msub><msup><mi>C</mi><mi>i</mi></msup><mrow><mo>(</mo><mi>k</mi><mo>-</mo><mi>d</mi><mo>+</mo><mi>q</mi><mo>)</mo></mrow><mo>)</mo></mrow><mo>-</mo><msup><mi>Y</mi><mi>r</mi></msup><mrow><mo>(</mo><mi>k</mi><mo>+</mo><mi>d</mi><mo>+</mo><mn>1</mn><mo>)</mo></mrow><mo>]</mo><mo>,</mo><mover><mi>N</mi><mo>‾</mo></mover><mo>=</mo><msubsup><mi>N</mi><mi>d</mi><mi>T</mi></msubsup><msub><mi>N</mi><mi>d</mi></msub><mo>.</mo></mrow>]]></math>id="icf0015"file="A2008101147310004C2.tif"wi="116"he="20"top="171"left="72"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>全文摘要一种基于流模型的机器组负载预测控制方法，属于自动控制、信息技术和先进制造领域，具体涉及在具有前后两道瓶颈工序且每道瓶颈工序存在多组机器组的复杂生产制造过程中对后道瓶颈工序各机器组负载的预测控制方法，其特征在于包括以下步骤后道瓶颈工序中机器组负载的定时采样、后道瓶颈工序机器组负载期望值确定、后道瓶颈工序机器组负载d阶预测控制模型建立和前道瓶颈工序机器组控制参数求取。本发明基于流模型和自适应神经模糊推理系统建立后道瓶颈工序各机器组负载预测控制模型，并以后道瓶颈工序各机器组实际负载与期望负载之差的平方和最小为优化控制目标，采用拉格朗日松弛方法，给出前道瓶颈工序各机器组的任务输出率，以提高生产性能。文档编号G05B13/04GK101334637SQ20081011473公开日2008年12月31日申请日期2008年6月11日优先权日2008年6月11日发明者民刘,澄吴,董明宇申请人:清华大学