一种齿轮机械加工过程的优化调度方法与流程

本发明涉及一种齿轮机械加工过程的优化调度方法，属于生产车间智能优化调度领域。

背景技术：

齿轮是指轮缘上有齿轮连续啮合传递运动和动力的机械元件。齿轮在传动中的应用很早就出现了。十九世纪末，展成切齿法的原理及利用此原理切齿的专用机床与刀具的相继出现。齿轮广泛应用于机械工业，尤其在汽车和重型机械领域，齿轮的连续啮合能传递运动和动力。齿轮工业作为机械基础工业的重要组成部分不管是在规模上还是在加工技术上都会有非常广阔的前景。鉴于在企业设备及其它资源产能有限的条件下，通过合理的调度可以对设备利用率、交货期、库存情况等产生极大的影响。

一般齿轮加工的工艺流程有如下几个步骤：毛坯制造，齿坯热处理，齿坯加工，齿面加工，轮齿热处理，齿面精加工和轮齿精加工。不同的加工操作需要分别在不同的机器上完成，在整个齿轮的机械加工过程中，待加工的齿轮需要依次在不同的机器上进行操作，方能完成齿轮的成型。具体来说，要加工生产n个齿轮，则该齿轮毛坯需要按相同的顺序经过不同的m台机器，方能完成齿轮的加工。因此，齿轮加工过程的特点在于，每一个齿轮毛坯在每一次加工过程中均按照m1,m2,…,mm的机器顺序进行加工，且每台机器上各块齿轮毛坯的加工顺序相同，学术界定义这类流水线为置换流水线(permutationflow-shop，pfs)，也已被证明两台机器以上的pfs调度问题属于np-hard问题，即无法在多项式时间内求得其精确解。显然，对于研究的齿轮加工过程的流水线调度问题，其加工机器明显大于两台，也属于np-hard问题的范畴。对该问题进行合理的调度，可明显提高齿轮生产过程的生产效率。

由上述齿轮加工过程的描述可知，齿轮加工过程的流水线调度问题是np-hard属性，传统的数学规划方法只能求解小规模问题，而启发式构造性方法优化质量较差，因此，本发明从智能算法角度出发，设计一种基于混合离散和声搜索算法(hybriddiscreteharmonysearchalgorithm,hdhsa)的优化调度方法，可在较短时间内求得齿轮加工过程调度问题的优良解。

技术实现要素：

本发明提供了一种齿轮机械加工过程的优化调度方法，以用于在较短时间内获得齿轮在机械加工制造过程中的优化调度问题的优良解。

本发明的技术方案是：一种齿轮机械加工过程的优化调度方法，通过确定待加工成型的一批齿轮毛坯在机械加工过程中的调度模型和优化目标，并用基于混合离散和声搜索算法的优化调度方法对目标进行优化；其中，调度模型依据齿轮在机械加工过程中，各个齿轮在各台加工机器上的加工时间来建立，同时优化目标为最小化最大完成时间cmax(π)：

cmax(π)＝c(πn,m)

式中，n×m表示问题的规模，n表示待加工的齿轮总数，m表示齿轮加工过程中所用的机器数，表示正整数的集合；π＝[π1,π2,…,πi]表示待加工的齿轮的工序，πk表示π中第k个位置的齿轮，表示第πi个齿轮在第j台机器上的加工时间，c(πi,j)是第πi个齿轮在第j台机器上的完工时间；该模型的优化目标为在所有需加工的齿轮的排序集合π中找到一个最优排序π^*，使得最大完成时间cmax(π)最小。

所述基于混合离散和声搜索算法的优化调度方法具体为：

step1、编码方式的设计：以齿轮加工过程中的齿轮加工顺序进行编码，其排序为π＝[π1,π2,…,πi],i＝1,2,…,n，其中i为待加工的齿轮个数；

step2、参数初始化：和声记忆库的大小hms即种群规模np，和声记忆库的取值概率hmcr，音调微调概率par，并设置算法开始时间；

step3、种群初始化：采用neh方法产生一个初始种群个体，余下np-1个个体使用随机方法产生，并记录每个个体的目标函数值f直至初始解的数量达到种群规模的要求；和声记忆库的具体形式如下：

其中，x¹,x²,…,x^hms为生成的hms个和声，f(x¹),f(x²),…,f(x^hms)为其对应的目标函数值；

step4、生成新的和声：新和声主要通过以下三种机理产生：学习和声记忆库，音调微调和随机选择音调，具体描述如下：

①、从0到1间随机产生随机数rand，若rand＜hmcr，则应用学习和声记忆库机理，从已有的和声记忆库hm中随机选取一个和声变量作为新和声x^new；否则，应用随机选择音调机理，从解空间随机生成一个新的和声变量作为新和声x^new；

②、由①可得到一个和声变量x^new，若这个和声变量是通过学习和声记忆库产生的，则需要对这个和声变量进行微调：若随机产生一个0到1间的随机数rand1＜par，则需要对新和声x^new进行基于forward_insert邻域的音调微调操作实现音调微调产生新个体；若rand1≥par，则需要对新和声x^new实行基于swap邻域的音调微调操作，产生新个体，具体公式如下：

step5、更新和声记忆库：根据step4，能得到一个由新和声组成的新和声记忆库hm^new，对新和声记忆库中每各个体进行评估，可得到其对应的目标函数值f，将新和声记忆库中的个体与step3中产生的初始和声记忆库hm中的个体进行一一相互对比，若hm^new中的个体x^new优于hm中的个体x^old，即f(x^new)＜f(x^old)，则将hm^new中的个体x^new代替hm中的个体xo^ld；否则，不做修改；

step6、基于问题的局部搜索：将新种群中五分之一的个体看做“选中个体”，对每一个“选中个体”依次进行探索阶段和扰动阶段，如果局部搜索得到的个体优于“选中个体”，则将其替换，并将当代种群作为新一代种群；

step7、终止条件：设定终止条件为算法运行时间t＝100×n，如果满足，则输出“最优个体”；否则转至步骤step4，反复迭代，直至满足终止条件为止。

所述探索阶段利用“backward_insert”邻域操作，探索次数设置为待加工齿轮的总数n；采用基于“interchange”的邻域操作实现扰动阶段，扰动次数为3次，对扰动后的个体进行更为细致的探索。

本发明的有益效果是：本发明提出了齿轮机械加工过程的调度模型和优化目标，可在短时间内获得齿轮机械加工过程的调度问题的优良解，从而保证齿轮在出厂时能够具有较高的合格率，同时使得齿轮加工工艺过程的表达更加清晰准确；采用依据所述离散和声搜索算法步骤得到的当前代种群的“优质个体”更新下一代个体，能够更好的引导算法进行全局搜索；在种群的更新过程中通过反复调整乐队(种群)中各个和声(个体)的音调(适配值)，最终达到美妙的和声状态，这不仅能够使得优势个体的历史信息得到充分利用，还可以保证算法的全局搜索具有一定的宽度；在局部搜索中利用“interchange”操作进行扰动，有利于算法跳出局部最优，进而使得算法的搜索领域更为广泛，结合“backward_insert”邻域搜索机制使得算法的局部开发能力得到显著提高，解的质量得到明显改善。

附图说明

图1为本发明中齿轮机械加工过程的工艺流程示意图；

图2为本发明的整体算法流程图；

图3为本发明中问题解的表达示意图；

图4为本发明的基于“前向插入”(forward_insert)邻域的音调微调操作变化示意图；

图5为本发明的基于“交换”(swap)邻域的音调微调操作变化示意图；

图6为本发明的基于“interchange”领操作的变化示意图；

图7为本发明的基于“backward_insert”邻域操作的变化示意图。

具体实施方式

实施例1：如图1-7所示，一种齿轮机械加工过程的优化调度方法，通过确定待加工成型的一批齿轮毛坯在机械加工过程中的调度模型和优化目标，并用基于混合离散和声搜索算法的优化调度方法对目标进行优化；其中，调度模型依据齿轮在机械加工过程中，各个齿轮在各台加工机器上的加工时间来建立，同时优化目标为最小化最大完成时间cmax(π)：

cmax(π)＝c(πn,m)

式中，n×m表示问题的规模，n表示待加工的齿轮总数，m表示齿轮加工过程中所用的机器数，表示正整数的集合；π＝[π1,π2,…,πi]表示待加工的齿轮的工序，πk表示π中第k个位置的齿轮，表示第πi个齿轮在第j台机器上的加工时间，c(πi,j)是第πi个齿轮在第j台机器上的完工时间；该模型的优化目标为在所有需加工的齿轮的排序集合π中找到一个最优排序π^*，使得最大完成时间cmax(π)最小。

进一步地，可以设置所述基于混合离散和声搜索算法的优化调度方法具体为：

step1、编码方式的设计：以齿轮加工过程中的齿轮加工顺序进行编码，其排序为π＝[π1,π2,…,πi],i＝1,2,…,n，其中i为待加工的齿轮个数；

如：以待加工的齿轮毛坯进行排序编码，譬如有5个加工齿轮，3台加工机器，随机编码后产生一个齿轮加工排序为[5,3,1,2,4]，每一台机器上的加工顺序均为该顺序。在排序[5,3,1,2,4]中，一号位置的5表示第一个加工齿轮为5号齿轮，二号位置的3表示第二个待加工齿轮为3号齿轮，三号位置的1表示第三个待加工齿轮为1号齿轮，依次类推。

step2、参数初始化：和声记忆库的大小hms即种群规模np(种群规模为np，即初始解的数量np个)，和声记忆库的取值概率hmcr，音调微调概率par，并设置算法开始时间；

step3、种群初始化：采用neh方法产生一个初始种群个体，余下np-1个个体使用随机方法产生，并记录每个个体的目标函数值f直至初始解的数量达到种群规模的要求；和声记忆库的具体形式如下：

其中，x¹,x²,…,x^hms为生成的hms个和声，f(x¹),f(x²),…,f(x^hms)为其对应的目标函数值；表示第hms个种群中第1,2,...,n个待加工的齿轮；

step4、生成新的和声(个体)：新和声主要通过以下三种机理产生：学习和声记忆库，音调微调和随机选择音调，具体描述如下：

①、从0到1间随机产生随机数rand，若rand＜hmcr，则应用学习和声记忆库机理，从已有的和声记忆库hm中随机选取一个和声变量作为新和声(个体)x^new；否则，应用随机选择音调机理，从解空间随机生成一个新的和声变量作为新和声(个体)x^new；

②、由①可得到一个和声变量x^new，若这个和声变量是通过学习和声记忆库产生的(即从和声库hm中随机选取得到)，则需要对这个和声变量进行微调，本发明设计了两种音调微调操作，即基于“前向插入”(forward_insert)邻域的音调微调操作和基于“交换”(swap)邻域的音调微调操作。两种微调操作的选取由音调微调频率par来决定，具体方式为：

由上式可知，首先随机产生一个0到1间的随机数rand1，若rand1＜par，则需要对新和声x^new进行基于“前向插入”(forward_insert)邻域的邻域操作实现音调微调产生新个体，其具体实现如图4所示；若rand1≥par，则需要对新和声x^new实行基于“交换”(swap)邻域的音调微调操作，产生新个体，其具体实现如图5所示。

step5、更新和声记忆库。根据step4，我们可以得到一个由新和声(新个体)组成的新和声记忆库(新种群)hm^new，对新和声记忆库中每各个体进行评估，可得到其对应的目标函数值f。将新和声记忆库中的个体与step3中产生的初始和声记忆库hm中的个体进行一一相互对比，若hm^new中的个体x^new优于hm中的个体x^old，即f(x^new)＜f(x^old)，则将hm^new中的个体x^new代替hm中的个体x^old；否则，不做修改。

step6、基于问题的局部搜索。为了平衡算法的全局搜索与局部搜索，提高算法对优质区域的勘探效率。本发明针对更新后的新种群中五分之一的个体，设计了基于“interchange”和“backward_insert”两种邻域操作的局部搜索。该局部搜索分为扰动阶段和探索阶段，采用基于“interchange”的邻域操作实现扰动阶段，扰动次数为3次，对扰动后的个体进行更为细致的探索，探索阶段利用“backward_insert”邻域操作，探索次数设置为待加工齿轮的总数n。将新种群中五分之一的个体看做“选中个体”，对每一个“选中个体”依次探索阶段和扰动阶段，如果局部搜索得到的个体优于“选中个体”，则将其替换，并将当代种群作为新一代种群；

step7、终止条件：设定终止条件为算法运行时间t＝100×n，如果满足，则输出“最优个体”；否则转至步骤step4，反复迭代，直至满足终止条件为止。

为了验证本发明所提的混合离散和声搜索算法(hdhsa)的有效性和鲁棒性，将hdhsa与标准和声搜索算法(hsa)进行对比。具体的对比试验如下：

本发明中选取常用flowshop测试问题集中的rec类问题做为测试问题，在相同条件下，将标准和声搜索算法(hsa)与本发明所提的离散和声搜索算法(hdhsa)的所求目标函数值结果对比。针对不同规模的问题的算法运行时间均为t＝100×n(单位：ms)。每种算法及其测试程序均由delphi2010版编程实现，操作系统为win10，cpu主频为2.2ghz，内存为4gb。所提的混合离散和声搜索算法(hdhsa)的参数设置如下：种群规模popsize＝2×n，和声记忆库的取值概率hmcr＝0.9，音调微调概率par＝0.3。每种算法均独立重复运行20次，其中avg表示最优值均值，sd表示标准差。表1给出了在相同测试环境下，标准和声搜索算法(hsa)与本发明所提的离散和声搜索算法(hdhsa)的所求目标函数值结果对比。从表1可知，本发明所提算法在绝大部分测试问题上所求得的avg和sd均优于标准和声搜索算法，这表明了本发明所提算法的有效性，也证明了离散和声搜索算法是求解齿轮机械加工过程优化调度问题的一种有效算法。

表1不同问题规模情况下所求得的目标函数值

上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。