一种智能车间加工任务自治分配模型的创成方法与流程

本发明属于智能制造与生产系统工程领域，具体涉及一种智能车间加工任务自治分配模型的创成方法。

背景技术：

随着物联网、智能机器人、大数据、人工智能、机器视觉等新兴技术的迅速兴起，为制造企业推进智能工厂的建设提供了良好的技术支撑。然而，目前制造企业工厂的智能化还处于较低水平，原因在于缺少与工厂/车间生产状态相吻合的理论模型来指导其生产过程，且伴随生产过程产生的历史数据得不到合理的利用，导致企业在接到新的生产订单时需要投入大量的精力重新建立生产计划模型，降低了生产效率，成为制造车间自治化、智能化生产与管理的主要障碍。

针对智能加工设备在自治分配订单加工任务时缺乏决策模型支撑的问题，已知智能车间的历史订单数据和当前订单数据，如何建立与智能车间实时生产状态相适应的加工任务自治分配模型至关重要。

技术实现要素：

针对上述智能加工设备在自治分配订单加工任务时缺乏决策模型支撑的问题，本发明提供了一种智能车间加工任务自治分配模型的创成方法，该方法能够在已知智能车间历史订单数据和当前订单数据的基础上，创成出最适应当前车间生产状态的加工任务自治分配模型，为实现智能加工设备自治完成订单加工任务规划与排程提供支撑。

为实现上述目的，本发明采用如下技术方案：

一种智能车间加工任务自治分配模型的创成方法，包括以下步骤：

(1)初始理论模型建立：

基于隐马尔科夫方法，由智能车间加工信息建立初始的加工任务自治分配模型，将历史制造数据和当前订单信息统一到模型中，据此将初始理论模型建立为：λ＝(π，a，b)，其中：a为工件在各加工设备间的流转概率矩阵，b为各加工设备加工工件的某加工特征的概率矩阵，π为工件的第一个加工特征o1在各加工设备上进行加工的概率矩阵；

(2)最优模型参数创成：

2.1)由历史订单数据中工件加工过程中的加工特征序列、加工设备序列、以及两者之间的对应关系，统计计算出初始理论模型的三个参数作为模型初始化参数；

2.2)求出联合分布p(o，i|λ)基于条件概率分布的期望模型，并极大化期望模型，得到n次更新后的模型参数a⁽ⁿ⁺¹⁾、b⁽ⁿ⁺¹⁾、π⁽ⁿ⁺¹⁾；

2.3)设置误差ε，当满足条件：时结束算法并输出否则重复步骤2.2)，直到满足上述结束条件时为止。

优选的，步骤(1)中，与初始理论模型相关的属性与参数定义如下：

1)车间内所有加工设备集合q＝{q1，q2，...，qn}；

2)订单内所有零件加工特征集合v＝{v1，v2，...，vm}；

3)工件在加工设备间流转序列i＝{i1，i2，...，it}；

4)各类零件加工特征序列o＝{o1，o2，...，ot}；

5)工件在各加工设备间的流转概率矩阵a＝[aij]n×n；

其中：aij＝p(it+1＝qj|it＝qi)，aij表示在t时刻工件在加工设备qi上进行加工的条件下，t+1时刻该工件转移到加工设备qj进行加工的概率，上述概率满足

6)各加工设备加工某加工特征的概率矩阵b＝[bik]n×m；

其中：bik＝p(ot＝vk|it＝qi)，bik表示在t时刻工件在加工设备qi上进行加工的条件下，下一步将加工特征vk的概率

7)工件的第一个加工特征o1在各加工设备上进行加工的概率矩阵π＝[πi]1×n；

其中：πi表示t＝1时刻工件在加工设备i上进行加工的概率，且

优选的，步骤2.1)具体计算过程为：

1)加工设备流转概率aij计算如下：

设历史订单数据中工件t时刻在加工设备i上进行加工且t+1时刻流转到加工设备j上进行加工的频数为aij，则：

2)加工设备加工某加工特征的概率bik计算如下：

设历史订单数据中工件在加工设备i上完成加工特征k的加工的频数为bik，则：

3)第一个加工特征在加工设备i上进行加工的概率πi计算如下：

设历史订单数据中工件的第一个加工特征由加工设备i进行加工的频数为πi，则：

4)综合上述计算结果，得到加工任务自治分配模型参数的初始值

优选的，步骤2.2)具体步骤为：

1)e步：车间自治分配出与工件加工工艺过程相适应的加工设备序列表示为i＝{i1，i2，...，it}，与期望最大化算法中的隐含变量相对应，故目标函数取为联合分布p(o，i|λ)基于条件概率分布的期望，计算如下：

2)m步：基于em思想将上式极大化，得到更新后的模型参数，计算如下：

由于

上式中为已知模型参数和加工特征序列，出现加工设备序列i＝{i1，i2，...，it}的概率，可忽略常数项故需要极大化的式子等价于：

将上式中p(o，i|λ)的展开式代入得：

上式中p(o，i|λ)为在已知模型下出现加工特征和加工设备序列对o，i＝(o1，o2，...，ot)，(i1，i2，...，it)的概率，代入上式得：

要极大化λ，只需分别极大化上式右端包含模型参数a，b，π的三项；

3)优化模型参数：模型的三个参数须满足条件使用拉格朗日乘子法，得：

上式中γt⁽ⁿ⁾(i)和ξt⁽ⁿ⁾(i，j)两项的定义和计算过程如下：

γt⁽ⁿ⁾(i)定义为给定模型和加工特征序列o，工件在时刻t处于加工设备qi的概率，计算如下：

ξt⁽ⁿ⁾(i，j)定义为给定模型和加工特征序列o，工件在t时刻处于加工设备qi且t+1时刻处于加工设备qj的概率，计算如下：

上式中的αt⁽ⁿ⁾(i)、βt⁽ⁿ⁾(i)分别为前向概率和后向概率，其定义与计算过程如下：

前向概率αt⁽ⁿ⁾(i)：给定模型工件在t时刻时已完成部分加工特征01，02，...，ot且该时刻工件处于加工设备qi的概率，记为：其迭代计算过程如下：

后向概率βt⁽ⁿ⁾(i)：给定模型在t时刻工件处于加工设备qi的前提下，从t+1时刻到t时刻工件的加工特征序列为ot+1，ot+2，...，ot的概率，记为：其迭代计算过程如下：

βt⁽ⁿ⁾(i)＝1

与现有技术相比，本发明具有以下技术效果：

本发明提出的一种智能车间加工任务自治分配模型的创成方法，包括初始理论模型建立和最优模型参数创成两个部分。在初始理论模型建立部分，基于隐马尔科夫方法，由订单信息、生产状态、加工设备、加工工艺信息等建立初始的加工任务自治分配模型；在最优模型参数创成部分，基于车间历史订单数据和当前订单数据，通过期望最大化，创成出适应当前车间生产状态的最优加工任务自治分配模型，使用本方法创成的模型来预测与订单加工工艺过程相适应的加工设备序列，可实现与理想的加工设备序列的偏差显著减小。将加工设备、加工工艺数据等统一到模型中，并基于智能车间历史订单数据和当前订单数据，创成出与制造车间当前生产状态相适应的加工任务自治分配模型，为实现智能加工设备自治完成订单加工任务规划与加工设备编排提供支撑，并提升制造企业车间智能化和自治化水平。

附图说明

图1是智能车间加工任务自治分配模型的创成方法的步骤示意图；

图2是加工任务自治分配模型各参数之间的对应关系；

图3是加工任务自治分配模型各参数之间的作用关系；

图4是基于历史订单数据的加工任务自治分配模型的创成算法。

具体实施方式

为使本发明的特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

本发明一种智能车间加工任务自治分配模型的创成方法，具体实施步骤如图1～4所示。以承接轴类、法兰类零件加工的某智能车间为例，具体说明其加工任务自治分配模型的创成方法与步骤。该智能车间拥有的加工设备编号如表1所示，所加工工件的加工特征编号如表2所示。

表1.加工设备编号

表2.加工特征编号

统计该智能车间已完成的128种轴类、法兰类零件的历史订单数据，得到加工特征序列与机床分配序列的对应关系，如表3所示。

表3.智能车间历史订单数据(部分)

当前加工任务中含有5种零件：传动轴、法兰端盖(1)、法兰端盖(2)、法兰盘(1)、法兰盘(2)，由工艺卡片提取出各工件的加工特征序列如下：

1)传动轴：

端面→通孔→外圆(粗)→外圆(半精)→退刀槽→外圆(粗)→外圆(半精)→外圆(精)→键槽

2)法兰端盖(1)：

端面→端面→外圆(粗)→端面→端面槽→通孔→台阶孔→通孔→螺纹

3)法兰端盖(2)：

端面→外圆(粗)→端面→端面槽→外圆(半精)→通孔→通孔→键槽→通孔

4)法兰盘(1)：

外圆(粗)→端面1，→通孔→台阶孔→外圆(半精)→外圆(精)→端面槽→通孔→螺纹

5)法兰盘(2)：

端面→外圆(粗)→端面→外圆(半精)→端面→端面槽→外圆(精)→通孔→台阶孔

根据智能车间的加工设备编号和工件加工特征编号，可将上述加工任务简化为：

(1)初始理论模型建立：

如图1、2、3所示，基于隐马尔科夫方法，由订单信息、生产状态、加工设备、加工工艺信息等建立初始的加工任务自治分配模型，将加工设备、加工工艺数据等统一到模型中，据此将初始理论模型建立为：λ＝(π，a，b)。

与模型相关的属性与参数定义如下：

1)车间内所有加工设备集合q＝{q1，q2，...，qn}；

2)订单内所有零件加工特征集合v＝{v1，v2，...，vm}；

3)工件在加工设备间流转序列i＝{i1，i2，...，it}；

4)各类零件加工特征序列o＝{o1，o2，...，ot}；

5)工件在各加工设备间的流转概率矩阵a＝[aij]n×n；

其中：aij＝p(it+1＝qj|it＝qi)，aij表示在“t时刻工件在加工设备qi上进行加工”的条件下，t+1时刻该工件转移到加工设备qj进行加工的概率，上述概率满足

6)各加工设备加工某加工特征的概率矩阵b＝[bik]n×m；

其中：bik＝p(ot＝vk|it＝qi)，bik表示在“t时刻工件在加工设备qi上进行加工”的条件下，下一步将加工特征vk的概率

7)工件第一个加工特征o1在各加工设备上进行加工的概率矩阵π＝[πi]1×n；

其中：πi表示t＝1时刻工件在加工设备i上进行加工的概率，且

(2)最优模型参数创成：

具体实施步骤如图4所示，其中：

步骤一：由历史订单数据中工件加工过程中的加工特征序列、加工设备序列、以及两者之间的对应关系，统计计算出初始理论模型的三个参数作为模型初始化参数。具体计算如下：

由此，可以得到加工任务自治分配模型参数的初始值

具体计算过程为：

1)加工设备流转概率aij计算如下：

设历史订单数据中工件t时刻在加工设备i上进行加工且t+1时刻流转到加工设备j上进行加工的频数为aij，则：

2)加工设备加工某加工特征的概率bik计算如下：

设历史订单数据中工件在加工设备i上完成加工特征k的加工的频数为bik，则：

3)第一个加工特征在加工设备i上进行加工的概率πi计算如下：

设历史订单数据中工件的第一个加工特征由加工设备i进行加工的频数为πi，则：

4)综合上述计算结果，得到加工任务自治分配模型参数的初始值如下：

步骤二：

e步：车间自治分配出与工件加工工艺过程相适应的加工设备序列可表示为i＝{i1，i2，...，it}，与期望最大化算法中的隐含变量相对应，故目标函数可取为联合分布p(o，i|λ)基于条件概率分布的期望，计算如下：

m步：极大化上式，得到n次更新后的模型参数a⁽ⁿ⁺¹⁾、b⁽ⁿ⁺¹⁾、π⁽ⁿ⁺¹⁾，计算如下：

基于em思想将上式极大化，得到更新后的模型参数，计算如下：

由于

上式中为已知模型参数和加工特征序列，出现加工设备序列i＝{i1，i2，...，it}的概率，可忽略常数项故需要极大化的式子等价于：

将上式中p(o，i|λ)的展开式代入得：

上式中p(o，i|λ)为在已知模型下出现加工特征和加工设备序列对o，i＝(o1，o2，...，ot)，(i1，i2，...，it)的概率，代入上式得：

显然，要极大化λ，只需分别极大化上式右端包含模型参数a，b，π的三项即可；

3)优化模型参数：因为模型的三个参数须满足条件使用拉格朗日乘子法，得：

上式中γt⁽ⁿ⁾(i)和ξt⁽ⁿ⁾(i，j)两项的定义和计算过程如下：

γt⁽ⁿ⁾(i)定义为给定模型和加工特征序列o，工件在时刻t处于加工设备qi的概率，计算如下：

ξt⁽ⁿ⁾(i，j)定义为给定模型和加工特征序列o，工件在t时刻处于加工设备qi且t+1时刻处于加工设备qj的概率，计算如下：

上式中的αt⁽ⁿ⁾(i)、βt⁽ⁿ⁾(i)分别为前向概率和后向概率，其定义与计算过程如下：

前向概率αt⁽ⁿ⁾(i)：给定模型工件在t时刻时已完成部分加工特征o1，o2，...，ot且该时刻工件处于加工设备qi的概率，记为：其迭代计算过程如下：

后向概率βt⁽ⁿ⁾(i)：给定模型在t时刻工件处于加工设备qi的前提下，从t+1时刻到t时刻工件的加工特征序列为ot+1，ot+2，...，ot的概率，记为：其迭代计算过程如下：

βt⁽ⁿ⁾(i)＝1

步骤三：设置误差ε＝0.01，当满足条件：时结束算法并输出否则重复步骤二，直到满足上述结束条件时为止。

根据以上计算步骤，得出该智能车间加工任务自治分配模型的最优参数，具体如下：

π＝[πi]＝

[0.2600.1840.0000.1570.0000.0000.2450.154]

基于上述加工任务自治分配模型及其参数，以当前工件的加工特征序列作为输入，即可预测生成与之匹配的加工设备序列来分别承担当前工件的各个加工特征的加工。

需指出的是：

所述的初始理论模型建立部分，以两条基本假设为前提。分别为：

(1)t时刻工件处于加工设备it的概率只与t-1时刻工件所处的加工设备it-1有关，与其他时刻工件所处的加工设备和加工特征均无关，即：

p(it|it-1，ot-1，...，i1，o1)＝p(it|it-1)

(2)t时刻工件加工特征ot进行加工的概率只与该时刻工件所处的加工设备it有关，与其他时刻工件所处的加工设备和加工特征无关，即：

p(ot|it，it-1，ot-1，...，i1，o1)＝p(ot|it)

所述的初始理论模型建立部分中，将零件细致复杂的加工工序以加工特征来进行表征，很大程度上降低了算法输入参数o的维数，降低了计算复杂度。

所述最优模型参数创成部分的步骤一中，由历史订单数据中工件加工过程中的加工特征序列、加工设备序列、以及两者之间的对应关系，统计计算出初始理论模型的三个参数作为模型初始化参数。由于智能车间加工任务自治分配模型的创成是基于隐马尔科夫模型的，故基于智能车间历史订单数据统计出模型初始化参数的方法是符合马尔科夫特性的，在一定程度上解决了期望最大化算法的初值敏感问题，提高了算法的准确性。

所述最优模型参数创成部分的步骤二中，以

作为目标函数，该函数为凹函数，故一定存在极大值。采用期望最大化思想，可以反复进行步骤二中的e步和m步，实现模型参数不断更新并最终收敛于最优值。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明所提交的权利要求书确定的专利保护范围。