本发明涉及数字化车间的调度技术领域,具体地涉及一种用于智能制造数字化车间的调度方法、系统及存储介质。
背景技术:
随着智能制造的深入发展,市场对于液压元件等高端传动装备的需求扩大,现有的供给量不足,传统的小规模制造也无法适应市场大批量的需求。
为了提高液压元件的生产效率,许多传统企业引入数字化车间,这虽然一定程度上缓解了企业供需矛盾。但是,由于管理手段落后,人工计划排产费时易错等的原因,导致了所引入的数字化车间无法实现生产效率最大化。此外,传统的车间信息的获取方式落后,这也制约了数字化车间调度水平的提高。
技术实现要素:
本发明实施方式的目的是提供一种用于智能制造数字化车间的调度方法、系统及存储介质。该调度方法、系统及存储介质可以减少数字化车间的调度时间,从而提高数字化车间的调度效率。
为了实现上述目的,本发明实施方式提供一种用于智能制造数字化车间的调度方法,所述调度方法包括:
获取数字化车间的数据;
建立数学模型;
采用遗传算法对所述数学模型进行求解;
根据所述数学模型的最优解调度所述数字化车间。
可选地,所述获取数字化车间的数据包括:
与企业erp系统和ms系统进行对接,获取所述企业的工件加工信息、机器状态信息以建立数据库。
可选地,所述建立数学模型包括:
设置目标函数;
设置约束条件。
可选地,所述设置目标函数包括:
根据公式(1)设置所述目标函数,
其中,f表示所述目标函数,cn表示第n个机器的加工持续时间,n为正在工作的所述机器的总数量;
根据公式(2)设置适应度函数,
其中,f(x)表示所述适应度函数,f表示所述目标函数,cn表示第n个所述机器的加工持续时间,n为正在工作的所述机器的总数量。
可选地,所述设置约束条件包括:
根据公式(3)设置约束条件1,
mm=0或1,(3)
其中,mm表示第m个所述机器的加工状态,1表示所述机器的加工状态为可用,0表示所述机器的加工状态为不可用;
根据公式(4)设置约束条件2,
其中,mjpm表示第j个任务的第p个工序对应的m个所述机器的加工状态;
根据公式(5)和公式(6)分别设置约束条件3和约束条件4,
cn=tjpm+tjpm,(5)
cjip<cji(p+1),i=0或i≠0,(6)
其中,cn表示第n个所述机器的加工持续时间,t’jpm表示第j个所述任务的第p个工序在第m个所述机器上的加工准钟,其中所述加工准钟为所述机器执行所述工序的准备时间,tjpm表示第j个所述任务的第p个所述工序在第m个所述机器上的加工时间,cjip表示第j个所述任务的第i个子任务的第p个所述工序的加工时刻,cji(p+1)为第j个所述任务的第i个所述子任务的第p+1个所述工序的加工时刻,其中所述加工时刻为所述工序开始的时间,i=0表示所述工序没有被分割成多个所述子工序,i≠0表示所述工序被分割成多个所述子工序;
根据公式(7)设置约束条件5,
cjip<cj(i+1)p,i≠0,(7)
其中,cjip表示第j个所述任务第i个所述子任务的第p道所述工序的加工时刻,cj(i+1)p表示第j个所述任务第i+1个所述子任务的第p道工序的加工时刻;
根据公式(8)设置约束条件6,
若pj<max(pj),则tjpm=∞,p>pj,(8)
其中,pj表示第j个所述任务的所述工序数量,tjpm为第j个所述任务的第p个所述工序中的第m个所述机器的加工时间。
可选地,所述采用遗传算法对所述数学模型进行求解包括:
对染色体进行编码以生成初始的种群;
分别计算每个所述种群的适应度;
判断是否有所述种群的适应度满足预设的适应度阈值;
在判断没有所述种群的适应度满足该适应度阈值的情况下,根据计算出的适应度分别对每个所述种群进行选择操作;
对父代染色体进行交叉和变异操作以生成新的所述种群;
采用模拟退火法对新的所述种群进行筛选;
再次判断是否有所述种群的适应度满足预设的适应度阈值;
在判断存在所述种群的适应度满足预设的适应度阈值的情况下,输出所述适应度阈值对应的所述种群以作为最优解。
可选地,所述采用模拟退火法对新的所述种群进行筛选包括:
计算每个所述种群中的各个染色体的海明距离;
根据所述海明距离对各个染色体进行分组;
根据预设的惩罚系数对分组后的种群进行淘汰操作。
可选地,所述计算每个所述种群中的各个染色体的海明距离包括:
根据公式(9)计算所述海明距离,
其中,msij1与msij2分别表示父代染色体1和父代染色体2,k为调度任务中需要加工的工件的总数量。
本发明的另一发明还提供一种用于智能制造数字化车间的调度系统,所述系统包括处理器,所述处理器用于执行上述任一所述的调度方法。
本发明的再一方面还提供一种存储介质,所述存储介质存储有指令,所述指令用于被机器读取以使得所述机器执行如权利要求上述任一所述的调度方法。
通过上述技术方案,本发明提供的用于智能制造数字化车间的调度方法、系统及存储介质通过建立数学模型,并结合遗传算法计算出该数学模型的最优解,从而减少数字化车间的调度时间,提高数字化车间的调度效率。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施方式,但并不构成对本发明实施方式的限制。在附图中:
图1是根据本发明的一个实施方式的用于智能制造数字化车间的调度方法的流程图;
图2是根据本发明的一个实施方式的建立数学模型的流程图;以及
图3是根据本发明的一个实施方式的采用遗传算法对以建立的数学模型进行求解的流程图。
具体实施方式
以下结合附图对本发明实施方式的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施方式,并不用于限制本发明实施方式。
图1是根据本发明的一个实施方式的用于智能制造数字化车间的调度方法的流程图。在图1中,该调度方法可以包括:
在步骤s100中,获取数字化车间的数据。在该实施方式中,获取数据的方式可以是例如通过与企业erp(enterpriseresourceplanning,资源管理系统)以及ms(managementsystem,管理系统)对接,从而获取企业的例如工件加工信息、机器状态信息等以建立数据库。另外,对于数字化车间内部实时的加工状态等数据,也可以是例如通过设置在数字化车间中的监控设备、传感设备来实时获取,并进一步整合至已建立的数据库中。
在步骤s200中,建立数学模型。在该实施方式中,建立数学模型的方式可以进一步包括如图2所示出的以下步骤:
在步骤s210中,设置目标函数。由于本发明提供的调度方法的最终目的是为了使得数字化车间的调度跨度时间最短,那么,该目标函数可以是例如公式(1),
其中,f表示该目标函数,cn表示第n个机器(数字化车间的加工设备)的加工持续时间,n为正在工作的该机器的总数量。为了便于计算,这里可以进一步根据公式(2)确定适应度函数,
其中,f(x)表示该适应度函数,f表示该目标函数,cn表示第n个机器的加工持续时间,n为正在工作的该机器的总数量。
在步骤s220中,设置约束条件。由于该数学模型是以实现数字化车间的调度跨度时间最小为目的,所以该约束条件可以是根据数字化车间的实际设备条件来确定。在该实施方式中,该约束条件可以是例如:
1、鉴于数字化车间的机器的加工状态只存在可用和不可用两种状态。那么,可以以数字1来表示机器的加工状态为可用,以数字0来表示机器的加工状态为不可用。据此,可以根据公式(3)设置约束条件1,
mm=0或1,(3)
其中,mm表示第m个加工设备(机器)的状态。
2、为了实现调度跨度时间的最小化,工件在进行某一道工序时,必须满足至少有一台能够完成该工序的机器处于可用状态的条件。据此,可以根据公式(4)设置约束条件2,
其中,mjpm表示第j个任务的第p个工序对应的m个加工设备的加工状态。
3、每个工件的加工持续时间为准钟(加工的准备时间)和加工时间的和,按工序的先后顺序进行加工,那么可以根据公式(5)(6)设置约束条件3和约束条件4,
cn=tjpm+tjpm,(5)
cjip<cji(p+1),i=0或i≠0,(6)
其中,cn表示第n个机器的加工持续时间,t’jpm表示第j个任务的第p个工序在第m个机器上的加工准钟,tjpm表示第j个任务的第p个工序在第m个机器上的加工时间,cjip表示第j个任务的第i个子任务的第p个工序的加工时刻(工序开始的时间),cji(p+1)为第j个任务的第i个子任务的第p+1个工序的加工时刻,i=0表示该工没有序被分割成多个子工序,i≠0表示该工序被分割成多个子工序。
4、对于分割了子工序的工件,其子工序的顺序还应当满足原有工序的顺序,因此,可以根据公式(7)设置约束条件5,
cjip<cj(i+1)p,i≠0,(7)
其中,cjip表示第j个任务第i个子任务的第p道工序的加工时刻,cj(i+1)p表示第j个任务的第i+1个子任务的第p道工序的加工时刻。
5、由于引入虚拟工序(和虚拟机器)的概念来弥补模型的不足,这些工序或机器上的加工时间可以默认为无限大,所以可以根据公式(8)设置约束条件6,
若pj<max(pj),则tjpm=∞,p>pj(8)
其中,pj表示第j个任务的工序数量,tjpm为第j个任务的第p个工序中的第m个机器的加工时间。
综上所述约束条件(3)至(8)(即约束条件1至6),可以确定调度数学模型如下,
其中,s.t表示约束条件,j表示任务的总数量,i表示一道工序被分割成的子工序的数量。
在步骤s300中,采用遗传算法对该数学模型进行求解。在本发明的一个示例中,采用遗传算法对该数学模型进行求解的方式可以是例如如图3中所示出的步骤。在图3中,该步骤可以是:
在步骤s310中,对染色体进行编码以生成初始的种群。在该示例中,考虑到上述数学模型的特殊性,传统的遗传算法的染色体编码方式满足本发明提供的数学模型。所以,可以采用双链染色体编码的方式来进行设计。在本发明的一个示例中,该双链染色体编码的方式可以是例如:
将任务染色体编码为
jsij=…,jsij,...,jskp,...
其中,1≤i≤k,1≤j≤p,k是当次调度中加工工件的总数量。p是加工工件中工序最多的工件的工序)。染色体jsij表示所有子任务序列,即第i个工件的第j道工序在机器间的执行顺序。每个基因代表工件的工序,每个工序可能对应多台机器。设计染色体jsij的主要作用是冲突检测,由于实际中工件每道工序出现的次数是固定的,交叉变异时不可以违反该规则,据此可以用来检测工序的合理性。
将机器染色体编码为
msij=ms11,ms12,…,msk1,…,mskp
其中,1≤i≤k,1≤j≤p,k是当次调度中加工工件的总数量。p是加工工件中工序最多的工件的工序)。染色体msij的算例为i个工件的第j道工序选择在哪台机器上加工。msij按工件的工序分组,每个基因代表工序对应的机器编号,设计染色体msij是为了进行遗传算法的交叉变异选择操作。
此外,任务染色体和机器染色体之间存在对应关系,在进行遗传算法时不能违背实际问题。
在步骤s320中,根据公式(2)示出的目标函数分别计算每个种群的适应度。
在步骤s330中,判断是否有种群的适应度满足预设的适应度阈值。该适应度阈值可以是根据实际需要计算的精度来确定,因此,对本领域人员来说,该适应度阈值应当是可以理解的数值。
在步骤s340中,在判断没有种群的适应度满足该适应度阈值的情况下,根据计算出的适应度分别对每个种群进行选择操作。在该示例中,可以是例如按照适应度从大到小的顺序筛选出部分种群作为父代种群。相应的,父代种群中包含的染色体即为父代染色体。
在步骤s350中,对父代染色体进行交叉和变异操作以生成新的种群。
在步骤s360中,采用模拟退火法对该新的种群进行筛选。在该示例中,为了使遗传算法的择优选择更能体现优良个体的竞争力,可以预先设计一种小生境模拟退火选择算子对该新的种群中的染色体进行重新分组。具体步骤如下:
分别计算每个种群中的各个染色体的海明距离l12。在该示例中,该计算方法可以是例如公式(9),
其中,msij1与msij2分别来自于父代染色体1和父代染色体2,k为当次调度中加工工件的总数量。p为加工工件中工序最多的工件的工序。当计算l12结果小于预设的标准距离l,则可以判断这两条染色体属于同一子种群(新的种群)。
在进行了分组后,为了惩罚同一子种群(重新分组后的种群)中的落后个体,可以设置一个惩罚系数δa,并结合公式(10)计算子种群中个体(染色体)的适应度,子种群适应度低的个体将被淘汰。
其中,f(x)为适应度,f为目标函数,cn表示第n个机器的加工持续时间,n为正在工作的该机器的总数量,aa为惩罚系数。
在完成淘汰操作后,还可以计算当前种群中的个体与父代的个体的适应度的差值,根据进步与否(差值是否满足预设条件)选择是否进入下一代,新个体计算方法可以是例如如公式(11)所示,这样根据适应值的进步情况来选择,进一步淘汰子代中没有进步或进步较慢的个体,
其中,x1为父代个体和子代个体中的一者,x2为父代个体和子代个体中的另一者,f(x1)和f(x2)为父代个体或子代个体的适应度的值。
在完成该筛选操作后,可以再次返回步骤s330,直到满足步骤s330的条件。在满足该步骤s330的条件的情况下,输出最优解(种群)。
在步骤s400中,根据该最优解的种群调度该数字化车间。
本发明的另一方面还提供一种用于智能制造数字化车间的调度系统,该系统可以包括处理器,该处理器用于执行上述任一项所述的方法。
本发明的再一方面还提供一种存储介质,该存储介质存储有指令,该指令可以被机器读取以执行上述任一项所述的方法。
以某公司的液压元件生产车间为例,该液压元件生产车间除了常规的加工工艺外,还包括特殊的外协件加工工艺。其中,外协件指的是需要运送至车间外部处理的工件,一般包括热处理和表面处理工艺,工艺处理不在车间内部进行,处理时间相对于常规零件加工工艺较长。
在该公司引入数字化车间后,其生产效率有了一定的提高。但是在其生产过程中,由于工艺繁多复杂,调度排产困难,所以自动化水平不高。负责排产的人员根据客户订单确定生产计划,进而确定车间生产计划需要加工的工件种类和数量。以往的排产计划多由计划制定人员根据经验人工制定,需要花费大量时间。
基于该公司的数字化车间,实施本发明提供的用于智能制造数字化车间的调度方法。
该数字化车间包括8个零部件、最大18道工序、待用机器37台。采用c#编程实现本方法的计算逻辑。在该方法中,计算出的最优解与未计算的结果对比如表(1)所示,
表(1)
从表(1)中可以看出,相比于实时调度方法前,该数字化车间在实施本发明提供的调度方法后,计算出的最优解的时间明显减少23.56%。因此,本发明提供的调度方法能够在运算逻辑上相对于传统的算法具备更快收敛的特点,从而使得计算出最优解的时间更短,进而提高了数字化车间的生产效率。
通过上述技术方案,本发明提供的用于智能制造数字化车间的调度方法、系统及存储介质采用遗传算法建立的数学模型来确定数字化车间的调度方案,从而实现了数字化车间调度跨度时间的最小化,提高了数字化车间的运行效率。另外,在本发明使用的遗传算法中,以传统遗传算法不同之处在于,本发明的遗传算法进一步采用模拟退火法选择算子,使得在选择的过程中进一步缩小选择的范围,其次再选择最优个体,提高了优良个体的竞争力,从而改进了遗传算法在该问题中的早熟收敛、收敛速度慢的问题,最终提高了算法的适应性。
以上结合附图详细描述了本发明例的可选实施方式,但是,本发明实施方式并不限于上述实施方式中的具体细节,在本发明实施方式的技术构思范围内,可以对本发明实施方式的技术方案进行多种简单变型,这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序存储在一个存储介质中,包括若干指令用以使得一个(可以是单片机,芯片等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括:u盘、移动硬盘、只读存储器(rom,read-onlymemory)、随机存取存储器(ram,randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外,本发明实施方式的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施方式的思想,其同样应当视为本发明实施方式所公开的内容。