基于多工序故障影响的作业车间调度方案鲁棒性测度方法与流程
本发明涉及一种作业车间调度技术领域，是一种基于多工序故障影响的作业车间调度方案鲁棒性测度方法。
背景技术：
在实际生产过程中，作业车间中机器故障是常见的不确定因素，它不仅会导致实际生产结果和计划产生偏差，而且可能引起物料配送等相关生产环节的混乱，对生产带来重大影响。因此在制定调度方案时考虑机器故障干扰，可以有效减少机器故障对调度性能的影响。
目前考虑到机器故障干扰的测度方法主要有基于蒙特卡罗仿真的测度方法和替代测度方法。基于蒙特卡罗仿真的测度方法主要是通过故障模拟器评估可行调度方案的期望完工时间，将其作为选择适应度值对种群进行选择，引导算法生成期望时间较小的调度方案，研究了随机机器故障下柔性作业车间的鲁棒调度问题，以工序完工期偏差为基础提出3个鲁棒性指标，通过模拟大量的故障场景来评估调度的鲁棒性。替代测度方法针对单机鲁棒调度问题，详细给出了5种替代测度并进行了比较，提出了基于替代测度的鲁棒调度算法，用自由松弛时间之和来测度资源受限项目调度的鲁棒性，同时考虑机器负载与故障的相关性，用机器负载来表示工序总松弛时间重要性，提出工序加权总松弛时间之和来近似调度方案的鲁棒性。
上述两种方法中，基于蒙特卡罗仿真的测度方法虽然能有效评估调度鲁棒性，但求解速度慢；替代测度方法未能充分利用故障信息，从而易导致评估的准确性下降。
技术实现要素：
本发明提供了一种基于多工序故障影响的作业车间调度方案鲁棒性测度方法，克服了上述现有技术之不足，其能有效解决作业车间的调度方案鲁棒性测度方法存在的测度精度不高的问题。
本发明的技术方案是通过以下措施来实现的：一种基于多工序故障影响的作业车间调度方案鲁棒性测度方法，包括以下步骤：
s1，获取原调度信息，并对集合及变量进行初始化，初始化过程包括：已增加期望维修时间的工序集合
s2，判断未增加期望维修时间工序集合ndo是否为
s3，获取当前工序co的后向关联工序集合aro，并根据将当前工序co、当前工序co的开始时间stn、当前工序co的完成时间etn更新受影响工序集合ao、受影响工序的开始时间集合stad和受影响工序的完工时间集合etad；
s4，结合多工序之间的故障及时间影响，将aro中的每一道工序依次作为新的当前工序co，更新该当前工序co的开始时间stn和完成时间etn，进入s3更新受影响工序集合ao、受影响工序的开始时间集合stao和受影响工序的完工时间集合etao，并返回s2；
s5，输出受影响工序集合ao、受影响工序的开始时间集合stao和受影响工序的完工时间集合etao，并计算调度稳定鲁棒性指标sr(σp)和性能鲁棒性指标pr(σp)。
下面是对上述发明技术方案的进一步优化或/和改进：
上述s4获取当前工序co的后向关联工序集合aro，结合多工序之间的故障及时间影响，将aro中的每一道工序依次作为新的当前工序co，更新该当前工序co的开始时间stn和完成时间etn的具体过程包括：
s41，判断后向关联工序集合aro是否为
s42，从后向关联工序集合aro中选取一道工序作为当前工序co，通过下式更新当前工序co的起始时间stn和完工时间etn，之后进入s3，并从后向关联工序集合aro中删除该当前工序co；
etn＝stn+pt
其中，ete为当前工序co的原完工时间，pt为当前工序加工时间。
上述s3更新受影响工序集合ao、受影响工序的开始时间集合stao和受影响工序的完工时间集合etao的具体过程包括：
s31，获取当前工序co的后向关联工序集合aro；
s32，判断是否当前工序
s33，ao←ao∪{co}，stao←stao∪{stn}，etao←etao∪{etn}，a←a+1，其中a为ao、stad、etad中元素编号；
s34，确定出当前工序co在ao中编号a′,更新ao[a']＝co；更新stao[a′]＝max{stn,stao[a′]}，etao[a′]＝max{etn,etao[a′]}。
上述s2判断未增加期望维修时间工序集合ndo是否为
s21，判断未增加期望维修时间工序集合ndo是否为
s22，在确定未增加期望维修时间工序集合ndo中的当前工序co，通过下式计算当前工序的故障概率
其中srco为与co在同一机器上且在co前加工的所有工序的加工时间之和；crco为co的加工时间及在同一机器上且在co前加工的所有工序的加工时间之和；tr为故障维修时间；β为机器故障服从weibull分布函数的形状参数，θ为机器故障服从weibull分布函数的尺寸参数；
s23，从ndo中删除co；将co添加到已增加期望维修时间的工序集合fdo中即fdo←fdo∪{co}；
s24，更新当前工序co的完工时间
上述s22中在确定未增加期望维修时间工序集合ndo中的当前工序co的具体过程为：若未增加期望维修时间工序集合ndo中工序oi,j的紧前工序集合cpa(oi,j)是fdo的真子集，则将oi,j作为当前工序co。
上述s24中更新当前工序co的完工时间
上述s5中计算受影响工序完工时间etao(oi,j)与原调度方案工序完工时间ci,j(δp)的差值并求和，获得调度稳定鲁棒性指标sr(σp)；算受影响工序完工时间etao(oi,j)的最大值max(etao(oi,j))与原调度方案的最大完工时间cmax(δp)做差，获得调度的性能鲁棒性指标pr(σp)。
上述s1中获取的原调度信息包括机器总数、工件总数、工件在机器上的加工顺序，各工序加工时间、开工时间、完工时间、机器参数；机器参数包括：机器故障服从weibull分布函数的形状参数β，尺寸参数θ，故障维修时间tr。
本发明基于多工序故障影响提出了一种结合调度方案结构、机器故障概率和维修时间的调度鲁棒性测度方法，即通过输入原调度σp、初始化工序集、设备参数及故障分布参数，结合机器加工役龄和机器故障分布函数计算工序故障概率，将机器故障映射到工序层面，得到工序期望维修时间；并结合前向关联工序的期望维修时间对工序完工时间的影响,评估多工序故障影响的综合效应，获取准确度高的各工序的期望完工时间，并根据各工序的期望完工时间准确的测度调度鲁棒性，从而对在考虑未来机器故障干扰的条件下制定符合实际生产的调度方案提供准确的数据支持，保证实际生产的正常运行。
附图说明
附图1为本发明实施例1的流程图。
附图2为本发明实施例2的各故障水平下prd和srd四分位图。
附图3为本发明实施例2的各故障水平下r2变化趋势图。
具体实施方式
本发明不受下述实施例的限制，可根据本发明的技术方案与实际情况来确定具体的实施方式。
下面结合实施例及附图对本发明作进一步描述：
实施例1：如附图1所示，该基于多工序故障影响的作业车间调度方案鲁棒性测度方法，包括以下步骤：
s1，获取原调度信息，并对集合及变量进行初始化，初始化过程包括：已增加期望维修时间的工序集合
其中，原调度信息包括机器总数、工件总数、工件在机器上的加工顺序，各工序加工时间、开工时间、完工时间、机器参数；机器参数包括：机器故障服从weibull分布函数的形状参数β，尺寸参数θ，故障维修时间tr；
s21，判断未增加期望维修时间工序集合ndo是否为
s22，在确定未增加期望维修时间工序集合ndo中的当前工序co，通过下式计算当前工序的故障概率
其中srco为与co在同一机器上且在co前加工的所有工序的加工时间之和；crco为co的加工时间及在同一机器上且在co前加工的所有工序的加工时间之和；tr为故障维修时间；β为机器故障服从weibull分布函数的形状参数，θ为机器故障服从weibull分布函数的尺寸参数；
s23，从ndo中删除co；将co添加到已增加期望维修时间的工序集合fdo中即fdo←fdo∪{co}；
s24，更新当前工序co的完工时间
s31，获取当前工序co的后向关联工序集合aro；
s32，判断是否当前工序
s33，ao←ao∪{co}，stao←stao∪{stn}，etao←etao∪{etn}，a←a+1，其中a为ao、stad、etad中元素编号；其中a在初始化时设为0；
s34，确定出当前工序co在ao中编号a′,更新ao[a']＝co；更新stao[a′]＝max{stn,stao[a′]}，etao[a′]＝max{etn,etao[a′]}；
s41，判断后向关联工序集合aro是否为
s42，从后向关联工序集合aro中选取一道工序作为当前工序co，通过下式更新当前工序co的起始时间stn和完工时间etn，之后进入s3，并从后向关联工序集合aro中删除该当前工序co；
etn＝stn+pt
其中，ete为当前工序co的原完工时间，pt为当前工序加工时间；
s5，输出受影响工序集合ao、受影响工序的开始时间集合stao和受影响工序的完工时间集合etao，并计算调度稳定鲁棒性指标和性能鲁棒性指标。
本发明基于多工序故障影响提出了一种结合调度方案结构、机器故障概率和维修时间的调度鲁棒性测度方法，即通过输入原调度σp、初始化工序集、设备参数及故障分布参数，结合机器加工役龄和机器故障分布函数计算工序故障概率，将机器故障映射到工序层面，得到工序期望维修时间；并结合前向关联工序的期望维修时间对工序完工时间的影响,评估多工序故障影响的综合效应，获取准确度高的各工序的期望完工时间，并根据各工序的期望完工时间准确的测度调度鲁棒性，从而对在考虑未来机器故障干扰的条件下制定符合实际生产的调度方案提供准确的数据支持，保证实际生产的正常运行。
下面是对上述发明技术方案的进一步优化或/和改进：
如附图1所示，s22在确定未增加期望维修时间工序集合ndo中的当前工序co的具体过程为：若未增加期望维修时间工序集合ndo中工序oi,j的紧前工序集合cpa(oi,j)是fdo的真子集，则将oi,j作为当前工序co。
如附图1所示，在s24中更新当前工序co的完工时间
如附图1所示，s5中，计算受影响工序完工时间etao(oi,j)与原调度方案工序完工时间ci,j(δp)的差值并求和，获得调度稳定鲁棒性指标sr(σp)；算受影响工序完工时间etao(oi,j)的最大值max(etao(oi,j))与原调度方案的最大完工时间cmax(δp)做差，获得调度的性能鲁棒性指标pr(σp)
实施例2：为了检验测度方法的有效性，本发明通过2个指标来检验测度方法得到结果的精度；分别为prd(pr(σp),prmc)和srd(sr(σp),srmc)，prd(pr(σp),prmc)表示pr(σp)与prmc偏差，srd(sr(σp),srmc)表示sr(σp)与srmc的相对偏差，当相对偏差越小时，说明所提方法的测度结果越精确。其中prmc和srmc为实际调度的性能鲁棒性和稳定鲁棒性。
如表1、附图2所示，表1中是25个案例在θ,tr组合成的12种故障水平下的仿真结果，由于每种故障水平下存在25个案例，表1中数据均为25个案例在各故障水平下相应指标的平均值。附图2为表1中本发明方法中各故障水平下prd和srd四分位图。
表1中mean为本发明方法prd和srd的结果，t1为本发明的运行时间，std为蒙特卡罗方法prd和srd的结果，t2为本发明的运行时间，η为t1/t2。
表1中本发明方法的prd(pr(σp),prmc)的值均小于0.21％，说明本发明的调度性能鲁棒性的测度精度平均可达到99.79％以上，同样的srd(sr(σp),srmc)的最大值仅为5.81％，说明本发明的调度稳定鲁棒性的测度精度平均可达到94.19％以上，因此能有效的表征调度的稳定鲁棒性。由于本方法可以同时求得pr(σp)和sr(σp)，因此，两者求解时间相同，用t1表示；η在[0.58％，0.87％]之间，说明本发明的运行时间远远小于蒙特卡罗仿真方法，证明了本发明计算的高效性。
附图2中可知，当维修时间tr相同时，随着θ的增加srd(sr(σp),srmc)略有下降，而θ越大时，机器故障概率越低。说明本发明在低机器故障率环境下的测度精度更高且波动范围较小。prd(pr(σp),prmc)在各故障水平下保持极小的误差，但随着维修时间tr增大，prd(pr(σp),prmc)的波动略有增大，但都保持在1％以内，综上说明本发明对调度性能鲁棒性的测度精度较高。
如表2、附图3所示，将三种现有测度方法的鲁棒性(rm1、rm2、rm3)及本发明的鲁棒性与实际调度鲁棒性进行线性相关分析，分析判定系数r2，r2越接近1说明线性拟合效果越好。由于实际调度鲁棒性不能提前获得，使用蒙特卡洛仿真得到的prmc和srmc作为实际调度的性能鲁棒性和稳定鲁棒性。
从表2可知pr(σp)的判定系数r2远大于其他三种方法，说明pr(σp)与实际调度性能鲁棒性的线性相关性很强，同样可得sr(σp)的判定系数r2均优于其他三种方法，且r2均大于99％,说明sr(σp)与实际调度稳定鲁棒性线性相关性较强。
附图3的a图表示对于不同测度方法与srmc的判定系数r2在不同故障水平下的变化情况，从附图3的a图中可得sr(σp)不随着维修时间和机器故障概率变化，保持较高的稳定性，同时r2均保持在99％以上，说明sr(σp)与srmc几乎是线性相关。而rm1和rm3与srmc的判定系数r2保持在30％至60％之间，存在一定的线性相关，随着参数变化存在一定的波动性。rm2与srmc的判定系数r2在70％至90％之间，说明rm2与srmc相关性较高，但随着tr的增加相关性有所下降。
附图3的b图表示不同的测度方法与prmc的判定系数r2在不同故障水平下的变化情况,从附图3的b图中可以看出pr(σp)与prmc判定系数r2都保持在90％以上，且随着参数变化的幅度较小，保持较高的稳定性。而另外rm1、rm2、rm3与prmc的相关性均在30％以下，表明三者与prmc的相关性很差，不易作为调度方案的鲁棒性。
以上技术特征构成了本发明的最佳实施例，其具有较强的适应性和最佳实施效果，可根据实际需要增减非必要的技术特征，来满足不同情况的需求。
表1有效性分析表
表2相关性分析表
- 还没有人留言评论。精彩留言会获得点赞！