专利名称：一种基于指标补偿的平均流经时间快速预测方法
技术领域：
本发明属于自动控制、信息技术和先进制造领域。具体涉及在大规模、非平衡生产线优化调度过程中，一种基于指标补偿的平均流经时间快速预测方法。
背景技术：
平均流经时间是企业关注的一个重要调度性能指标，通过合理的优化调度，可显著改善这一指标。利用基于软计算等的调度方法进行优化调度过程中，需要对调度策略进行全局仿真以获得平均流经时间指标，且上述指标计算过程需多次进行，若对整个较大规模生产线建立精确仿真模型并对调度策略进行全局仿真，耗时较长，这极大限制了上述调度方法在实际大规模生产过程调度中的应用。因而，对调度策略对应的平均流经时间指标进行快速预测，对提高调度算法的性能具有重要意义。
目前，已有的平均流经时间预测方法主要是根据投料时刻整个生产过程各机器组前的排队对长、在制品数量、机器利用率等信息，采用排队论或神经网络等方法对平均流经时间进行预测，该类方法只能对未来较长一段时间内生产过程的平均流经时间指标进行宏观评价，用于指导企业整体决策和生产计划，难以体现出较短的时间内不同调度方案的差异性，因而无法应用于调度过程中。
发明内容
本发明针对一类大规模、非平衡生产线的优化调度过程(如半导体生产线)中的上述平均流经时间指标预测难题，公开了一种基于指标补偿的平均流经时间快速预测方法。该方法基于生产线的非平衡特点，将机器组划分为瓶颈和非瓶颈机器组，进而松弛非瓶颈机器组加工能力建立简化调度模型，然后利用SVM(支持向量机)获得简化调度模型和非简化调度模型对应的平均流经时间指标之间的补偿关系，从而实现对平均流经时间指标的快速预测。本方法可在软计算等调度算法中用于对调度策略对应的平均流经时间指标的快速评价，以提高算法迭代寻优效率。
本发明所公开的一种基于指标补偿的平均流经时间快速预测方法在计算机上按以下步骤实现 步骤(1)初始化 基于从实际生产过程中得到的如下信息整个生产线中机器组数量、每个机器组对应的机器数量、待调度的工件种类及各类的数量、各类工件的工艺路径、各工件每个操作的加工时间，形成原调度问题； 步骤(2)初始化完成后，将各机器组的调度规则设为SRPT规则(剩余加工时间最小者优先规则)，按以下步骤进行瓶颈机器组的识别 步骤(2.1)进行原调度问题的仿真，获得各操作到达机器组缓冲区的时间和该操作加工完成时间的仿真结果数据； 步骤(2.2)按下式确定各个操作流经机器组的时间
j＝1，2，…，n；l＝1，2，…，m 其中，
分别为第j个工件在机器组l上加工的第k个操作到达机器组缓冲区的时间和该操作加工完成时间；m为机器组的数量；n为工件的数量； 步骤(2.3)按下式计算流经机器组l对应的所有操作的平均流经时间为δl 式中n为工件数量，lj表示第j个工件在机器组l上加工的操作数量； 步骤(2.4)按下式计算所有工件的平均流经时间f 步骤(2.5)按照δl从大到小的顺序进行机器组瓶颈程度排序，记排序后的各机器组δl值序列为{β1，β2，…，βm}，按下式确定瓶颈机器组数量b 选取{β1，β2，…，βm}中前b个值所对应的机器组为瓶颈机器组； 步骤(3)在瓶颈机器组识别基础上，按如下步骤进行调度模型简化 步骤(3.1)保持瓶颈机器组对应的相关调度约束不变，包括保持不可中断约束、机器唯一性约束和工件唯一性约束不变； 步骤(3.2)松弛非瓶颈机器组加工能力为无穷大，即不考虑操作在非瓶颈机器组上的等待时间，直接用相应操作的加工时间作为其在该机器组上的流经时间； 步骤(4)在瓶颈机器组识别和调度模型简化基础上，按照如下步骤提取训练SVM(支持向量机)需要的输入特征属性向量和输出目标属性数据，并对SVM相关参数进行训练 步骤(4.1)对各机器组对应的待调度的所有操作分别随机产生一个排序，将排序结果作为一条调度策略，基于上述简化调度模型对生产线进行仿真，获得各工件完工时间序列{sf1，sf2，…，sfn}(满足sf1≤sf2≤…≤sfn)，并计算其对应的平均流经时间如下 步骤(4.2)基于上述获得的工件完工时间序列，按如下步骤提取SVM输入特征属性向量 步骤(4.2.1)按下式确定工件完工时间序列中相邻工件的完工时间间隔，形成工件完工时间间隔数据序列t1，t2，…，tn-1 ti＝sfi+1-sfi，i＝1，2，…，n-1 步骤(4.2.2)按照下式将上述工件完工时间间隔数据序列依次分成K组，记N＝n-1，每组的个数为 步骤(4.2.3)按下式提取工件完工时间间隔数据序列的特征属性向量 X＝[mm，mσ，σm，σσ]T 其中X表示当前训练样本的输入特征属性向量 步骤(4.3)基于步骤(4.1)中所得到的调度策略，对原调度问题基于非简化模型进行仿真，利用步骤(2.4)的计算公式，得到所有工件的平均流经时间f，按照下式确定当前训练样本中的目标属性值 Δf＝f-sf 步骤(4.4)重复步骤(4.1)～步骤(4.3)直至满足设定的训练样本数量S要求，按下式形成训练样本集 输入特征属性向量集XX＝[X1，X2，…，XS] 输出目标属性集ff＝[Δf1，Δf2，…，ΔfS] 步骤(4.5)利用训练样本集给出的输入特征属性向量集和输出目标属性集，对SVM按如下步骤进行训练 利用二次规划算法，求解最优化问题 s.t. 其中，ε为一给定的参数值，Δfi为训练集的目标输出值，K(Xi，Xj)为径向基函数核函数，形式为 Xi为输入的特征属性向量，γ为高斯核函数宽度参数。
训练完成后，建立SVM回归函数为 其中b为训练得到的阈值，Δfy(X)为对X的预测值，即平均流经时间的补偿量，αi*、αi为训练求取的参数； 步骤(5)在得到原调度问题的简化调度模型及用于计算平均流经时间补偿值的SVM后，在调度算法的优化过程中，对给定的调度策略，按照如下步骤确定平均流经时间指标预测值 步骤(5.1)根据优化调度过程中给定的调度策略，提取SVM需要的输入特征属性向量X； 步骤(5.2)利用训练得到的SVM回归函数，计算平均流经时间补偿值 步骤(5.3)按下式计算上述调度策略对应的平均流经时间指标预测值 其中fy为平均流经时间指标预测值。
本发明所公开的平均流经时间指标快速预测方法在基于软计算等的调度方法中可用于对调度策略对应的平均流经时间进行快速预测，对提高上述调度算法的性能具有重要作用。
图1平均流经时间预测系统结构图，图中SVM训练计算机根据简化调度模型和非简化调度模型仿真结果实现SVM相关参数的学习，并将相关参数传给平均流经时间预测计算机，在优化调度过程中，平均流经时间预测计算机接收简化调度模型仿真得到的完工时间序列，通过提取相应的特征属性向量，得到SVM所需的输入特征属性向量和该简化调度模型对应的平均流经时间指标值，而后平均流经时间预测计算机利用SVM计算平均流经时间的补偿值，并加上简化调度模型对应的平均流经时间指标值，从而得到上述优化策略对应的平均流经时间预测值。
图2为算法在优化调度过程中应用的流程图，在瓶颈机器组识别基础上，优化调度过程中，首先对给定的调度策略基于简化调度模型进行仿真，得到简化调度模型对应的完工时间序列，而后，利用本发明给出的平均流经时间预测方法，进行平均流经时间指标值预测，根据预测结果，对给定调度策略进行评价和选择。
图3(a)(b)(c)(d)图3(a)给出了在工件规模为100条件下，利用本发明给出的平均流经时间预测值与基于非简化调度模型仿真得到的平均流经时间真实值之间的误差曲线，图3(b)给出了误差的相对百分比，即误差值相对真实值的百分比；图3(c)为基于非简化调度模型仿真得到的平均流经时间真实值；图3(d)为本发明给出的平均流经时间预测值。
具体实施例方式 本发明的工件平均流经时间快速预测方法，由调度指标预测软件实现。系统由SVM训练计算机、平均流经时间预测计算机组成(结构图见图1)。训练计算机可根据仿真数据对SVM相关参数进行训练，得到SVM相关参数值。流经时间预测计算机接收SVM相关参数值和工件完工时间序列信息，计算得到平均流经时间预测值。
以下对本发明提出的上述基于指标补偿的平均流经时间快速预测方法具体实施方案进行说明 第一步进行SVM训练 首先确定整个生产线中机器组数量、每个机器组对应的机器数量、待调度的工件种类及各类的数量、各类工件的工艺路径、各工件每个操作的加工时间信息，形成原调度问题，同时，给定各机器组对应的较好调度策略为SRPT规则；然后根据给定的初始化参数信息，按照说明书中步骤(2)进行瓶颈机器组的识别；在确定瓶颈机器组基础上，按照步骤(3)进行调度模型简化；在瓶颈机器组识别和调度模型简化基础上，利用本发明说明书中的方法，按照步骤(4)对用于计算平均流经时间指标补偿值的SVM进行训练；基于简化调度模型和非简化调度模型对生产线进行多次仿真，生成用于计算平均流经时间指标补偿值的SVM训练数据，并对SVM进行训练； 第二步利用简化的调度模型和SVM进行平均流经时间指标值预测 在调度过程中，对于给定各机器组对应调度策略，首先采用所建立的简化调度模型进行仿真，得到SVM所需的输入特征属性向量和该简化调度模型对应的平均流经时间指标值，然后利用SVM计算平均流经时间指标补偿值，最后将简化调度模型对应的平均流经时间指标值和由SVM计算所得的平均流经时间指标补偿值二者相加，得到该给定调度策略对应的平均流经时间预测值。
本发明提出的基于指标补偿的平均流经时间快速预测方法流程图如图2所示。
根据上述所提出的基于指标补偿的平均流经时间快速预测方法，本发明做了大量的仿真试验，由于篇幅所限，这里仅给出针对具有100个工件的半导体生产过程调度问题进行本发明所提出方法的性能验证结果。其中，机器组共33个，瓶颈机器组数量按说明书步骤(2.5)确定，三类工件，数量分别为30、30、40个，机器组配置及相关工件实验参数见表1～4，SVM参数取值为C＝20，ε＝0.1，γ＝0.6。
表1车间配置及各机器组中的工件加工时间
表2工艺路径1 ENTER-1-2-3-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-9-1-2-3-1-2-15-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-9-16-17-1-2-15-1-2-15-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-9-16-17-16-18-15-1-2-15-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-9-19-16-20-21-22-2-15-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-9-1-2-15-16-17-21-1-18-15-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-9-23-24-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-25-26-9-15-16-27-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-25-9-28-EXIT 表3工艺路径2 ENTER-1-2-3-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-9-1-2-3-1-2-3-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-9-16-17-21-1-2-3-26-1-2-15-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-9-16-17-16-18-15-1-2-15-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-9-29-1-2-15-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-9-29-16-20-21-1-2-15-1-2-15-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-9-1-2-15-1-2-15-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-9-23-24-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-25-30-9-15-5-7-5-31-9-9-15-32-27-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-26-9-33-24-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-26-9-15-28-EXIT 表4工艺路径3 ENTER-1-2-15-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-9-16-17-16-18-15-1-2-15-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-9-19-16-20-21-22-2-15-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-9-1-2-15-16-17-21-1-18-15-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-9-23-24-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-25-26-9-15-16-27-4，5，6-7，8-5，13，14，6-9-10-10-11-9-12-10-11-9-26-9-33-24-9-26-9-15-28-EXIT。
本发明给出的工件平均流经时间预测值与真实值之间的比较，如图3(a)、(b)、(c)、(d)所示。图3(a)给出了在工件规模为100条件下，利用本发明给出的平均流经时间预测值与基于非简化调度模型仿真得到的平均流经时间真实值之间的误差曲线，图3(b)给出了误差的相对百分比，即误差值相对真实值的百分比；图3(c)为基于非简化调度模型仿真得到的平均流经时间真实值；图3(d)为本发明给出的平均流经时间预测值。可见本发明的预测精度基本在2％以内，绝对误差最大值在10小时以内；同时，当基于非简化调度模型完成一次生产线仿真以计算平均流经时间所需时间约为2s，而采用本发明完成一次平均流经时间预测时间约1.2s，时间提高了40％。以采用差分进化算法求解为例，假设每代种群个数为30，迭代代数为30，则完成整个调度过程需要900次生产线仿真，共需要1800s，而采用本发明给出的算法，需要基于非简化调度模型和简化调度模型分别进行20次生产线仿真，共64s，SVM训练时间约1s，然后再采用本发明提出的指标预测方法进行900次生产线仿真，所需时间约1080s，整个算法在SVM训练和生产线仿真环节共需要1145s(调度算法其他环节所用时间相同)，与采用非简化模型进行生产线仿真相比，所用时间缩短了约36％，可见本发明可在确保较高预测精度的条件下，显著缩短了平均流经时间指标预测时间，从而可为提高面向较大规模生产线的调度算法的计算效率创造条件。
权利要求
1.一种基于指标补偿的平均流经时间快速预测方法，其特征在于，所述方法是在计算机上依次按以下步骤实现的
步骤(1)初始化
基于从实际生产过程中得到的如下信息整个生产线中机器组数量、每个机器组对应的机器数量、待调度的工件种类及各类的数量、各类工件的工艺路径、各工件每个操作的加工时间，形成原调度问题；
步骤(2)初始化完成后，将各机器组的调度规则设为SRPT规则(剩余加工时间最小者优先规则)，按以下步骤进行瓶颈机器组的识别
步骤(2.1)进行原调度问题的仿真，获得各操作到达机器组缓冲区的时间和该操作加工完成时间的仿真结果数据；
步骤(2.2)按下式确定各个操作流经机器组的时间
其中，
分别为第j个工件在机器组l上加工的第k个操作到达机器组缓冲区的时间和该操作加工完成时间；m为机器组的数量；n为工件的数量；
步骤(2.3)按下式计算流经机器组l对应的所有操作的平均流经时间为δl
式中n为工件数量，lj表示第j个工件在机器组l上加工的操作数量；
步骤(2.4)按下式计算所有工件的平均流经时间f
步骤(2.5)按照δl从大到小的顺序进行机器组瓶颈程度排序，记排序后的各机器组δl值序列为{β1，β2，…，βm}，按下式确定瓶颈机器组数量b
选取{β1，β2，…，βm}中前b个值所对应的机器组为瓶颈机器组；
步骤(3)在瓶颈机器组识别基础上，按如下步骤进行调度模型简化
步骤(3.1)保持瓶颈机器组对应的相关调度约束不变，包括保持不可中断约束、机器唯一性约束和工件唯一性约束不变；
步骤(3.2)松弛非瓶颈机器组加工能力为无穷大，即不考虑操作在非瓶颈机器组上的等待时间，直接用相应操作的加工时间作为其在该机器组上的流经时间；
步骤(4)在瓶颈机器组识别和调度模型简化基础上，按照如下步骤提取训练SVM(支持向量机)需要的输入特征属性向量和输出目标属性数据，并对SVM相关参数进行训练
步骤(4.1)对各机器组对应的待调度的所有操作分别随机产生一个排序，将排序结果作为一条调度策略，基于上述简化调度模型对生产线进行仿真，获得各工件完工时间序列{sf1，sf2，…，sfn}(满足sf1≤sf2≤…≤sfn)，并计算其对应的平均流经时间如下
步骤(4.2)基于上述获得的工件完工时间序列，按如下步骤提取SVM输入特征属性向量
步骤(4.2.1)按下式确定工件完工时间序列中相邻工件的完工时间间隔，形成工件完工时间间隔数据序列t1，t2，…，tn-1
ti＝sfi+1-sfi，i＝1，2，…，n-1
步骤(4.2.2)按照下式将上述工件完工时间间隔数据序列依次分成K组，记N＝n-1，每组的个数为
步骤(4.2.3)按下式提取工件完工时间间隔数据序列的特征属性向量
X＝[mm，mσ，σm，σσ]T
其中X表示当前训练样本的输入特征属性向量
步骤(4.3)基于步骤(4.1)中所得到的调度策略，对原调度问题基于非简化模型进行仿真，利用步骤(2.4)的计算公式，得到所有工件的平均流经时间f，按照下式确定当前训练样本中的目标属性值
Δf＝f-sf
步骤(4.4)重复步骤(4.1)～步骤(4.3)直至满足设定的训练样本数量S要求，按下式形成训练样本集
输入特征属性向量集XX＝[X1，X2，…，XS]
输出目标属性集ff＝[Δf1，Δf2，…，ΔfS]
步骤(4.5)利用训练样本集给出的输入特征属性向量集和输出目标属性集，对SVM进行训练；训练完成后，建立SVM回归函数为
其中
为高斯核函数，γ为高斯核函数宽度参数，b为训练得到的阈值，Δfy(X)为对输入特征属性向量X的预测值，即平均流经时间的补偿量，αi*、αi为训练完成后得到的参数；
步骤(5)在得到原调度问题的简化调度模型及用于计算平均流经时间补偿值的SVM后，在调度算法的优化过程中，对给定的调度策略，按照如下步骤确定平均流经时间指标预测值
步骤(5.1)根据优化调度过程中给定的调度策略，提取SVM需要的输入特征属性向量X；
步骤(5.2)利用训练得到的SVM回归函数，计算平均流经时间补偿值
步骤(5.3)按下式计算上述调度策略对应的平均流经时间指标预测值
其中fy为平均流经时间指标预测值。
全文摘要
平均流经时间是企业关注的一个重要调度性能指标。利用基于软计算等的调度方法进行优化调度过程中，需要对调度策略进行全局仿真以获得对应的平均流经时间指标，且上述过程需多次进行，若对整个较大规模生产线建立精确仿真模型并对调度策略进行全局仿真，其耗时较长，因而，对平均流经时间指标进行快速预测，对提高调度算法的性能具有重要意义。本发明公开了一种基于指标补偿的平均流经时间快速预测方法，该方法通过将机器组划分为瓶颈和非瓶颈机器组，进而松弛非瓶颈机器组加工能力建立简化调度模型，然后利用SVM(支持向量机)获得简化调度模型和非简化调度模型对应的平均流经时间指标之间的补偿关系，从而实现对平均流经时间指标的快速预测。
文档编号G05B19/418GK101782769SQ201010119399
公开日2010年7月21日 申请日期2010年3月8日 优先权日2010年3月8日
发明者刘民, 郭路, 郝井华 申请人:清华大学