一种考虑模糊作业加工时间的生产调度方法与流程

本发明属于不确定加工车间生产调度领域，具体涉及一种考虑模糊作业加工时间的生产调度方法。

背景技术：

为了达到现代化的要求，在当前市场环境中能保证制造型企业的竞争力，运用科学的方法提高生产效率已经称为所有生产企业的追求。车间调度问题作为确定生产流程的基础，在实际生产中有着相当广泛的应用。一个合理的生产调度可以使生产企业提高生产效率，降低库存成本，提升响应速度和应急能力。

传统车间的生产调度往往由调度人员确定，这种调度流程基本依赖车间计划员的经验和编制技巧，不能够保证计划能力与生产能力的平衡，缺乏科学性和合理性。而现有的一些调度优化方法大多限制于确定性环境下，并未考虑产品生产时出现的一些不确定因素导致加工时间变化的情况。基于对前人的研究，本发明考虑生产过程中因一些不确定因素导致产品生产未达到排产方案，提出一种考虑模糊加工时间的生产调度方法。以便调度方案能够更加的贴合实际生产情况，减少不确定因素造成的生产调度混乱，提高车间的生产效率。

技术实现要素：

为了能让调度排产方案更符合车间实际的生产状况，减少突发状况造成现场生产混乱的情况，提高车间的生产效率。本发明通过建立考虑不同产品的模糊加工时间模型，然后运用matlab编写的改进遗传算法，设置合理的遗传算法参数，最后通过改进遗传算法得出较优的更符合生产实际的排产方案。发明具体技术方案如下：

一种考虑模糊作业加工时间的生产调度方法包括如下步骤：

步骤一，统计将要调度产品的标准作业时间；

步骤二，利用标准作业时间，通过加工时间的模糊函数确定模糊加工时间；

步骤三，建立不确定加工车间的数学模型；

步骤四，确定遗传算法运行参数；

步骤五，根据得到的模糊加工时间表在matlab软件中运用改进遗传算法模拟对不确定加工车间的生产排产，最后通过得到的甘特图来呈现优化的更贴合生产实际的车间调度方案。

所述步骤一具体过程如下：

(1)标准作业时间观测次数的测定

先确定作业观测次数，一般取可靠度为95％，取精确度为±5％的如下工时计算观测次数：

其中，xi表示该工位每次测量所得操作时间，n′为所需的必要观测次数，n为目前的观测次数。

(2)标准作业时间的统计

根据观测次数观测时间平均值得到标准作业时间将其作为最有可能时间，并统计该产品的乐观时间和悲观时间。

所述步骤二为模糊加工时间的计算流程如下：

(1)传统的机器加工由于人工操作的熟练程度，机器的运行状况等多方面的因素，同一类机器对于同一道工序进行加工所用的时间往往并不是确定的。在实际生产应用时，需要对生产时间数据进行统计分析，拟合出更加符合实际的生产时间分布。

(2)为了把确定性模型转化为随机加工时间的模型，我们考虑正态分布来拟合出贴合实际的加工时间。此外，考虑到拟合出来的数值会小于确定加工时间值，我们令这类加工时间值等于确定加工时间值。

(3)首先应先统计不同产品的标准作业时间，并且得到乐观时间和悲观时间。在“三时估计法”中，假设乐观时间为α，悲观时间为β，最有可能时间为γ。根据以下得出正态分布期望值：

上式中tm为作业m完成时间的平均值，标准差计算公式为：

加工时间则服从tik～n(tm，σ)的正态分布，其中，tik为工件i的第k道工序的随机加工时间。之后得出模糊加工时间表。

所述步骤四需要确定改进遗传算法最合适的运行参数来对产品生产进行排产。

所述步骤五在matlab软件中运行改进遗传算法对不确定加工车间进行生产排产，实现更贴合实际生产和提高生产效率的调度方案。

附图说明

图1为本发明方法的总体流程图；

图2为不确定模糊加工时间的正态分布函数；

图3为交叉操作过程示意图；

图4为变异操作过程示意图；

图5为调度结果甘特图；

具体实施方式

下面将结合附图和实施例对本发明进一步说明。

参照图1，一种考虑模糊作业完成时间的调度方法，具体包括以下步骤：

步骤一,先确定作业观测次数，一般取可靠度为95％，取精确度为±5％的如下工时计算观测次数：

其中，xi表示该工位每次测量所得操作时间，n′为所需的必要观测次数，n为目前的观测次数。

然后根据观测次数观测时间平均值得到标准作业时间将其作为最有可能工作时间，并统计该产品的乐观时间和悲观时间。

步骤二，由于产品加工时间在实际生产过程中会受到很多不同因素的影响，所以产品工序进行加工所用的时间往往并不是确定的。对不确定性时间问题，采用“三时估计法”来获得模糊加工时间矩阵。

2.1首先根据统计不同产品的标准作业时间。其中得出乐观时间为α，悲观时间为β，最有可能时间为γ。根据以下得出正态分布期望值：

上式中tm为作业m完成时间的平均值，则标准差计算公式为：

加工时间则服从tik～n(tm，σ),其中，tik为工件i的第k道工序的随机加工时间。模糊加工时间处理为根据上述正态分布函数随机生成函数内符合的加工时间。得到的正态分布函数如图2所示。

2.2正态分布有可能使随机生成的加工时间为负值。因此，当随机加工时间小于0时，我们令其等于0。这样对最后的结果带来的影响也是可以忽略的。

2.3对确定的加工时间进行上述正态函数模糊处理后得到新的用于改进遗传算法的模糊加工时间。

步骤三，以所有工件的最大完成时间最小为目标，建立目标函数及相应约束条件。

目标函数：

f＝min(maxt)

约束条件：

3.1下道工序必须在上道工序完成后才能开始

eijk-ei(j-1)g≥tijk

3.2同一机器上一个加工任务完成后才能开始另一个加工任务

eegk-eijk≥tegk

3.3任何一道工序的完成时间不能小于其加工时间

eijk≥tij

其中，t为所有工件加工完成的时间；eijk为工件i的第j道工序在机器k上的结束加工时间；tijk为单个工件i的第j道工序在机器k上的加工时间。

步骤四，遗传算法中有四个关键的参数，即种群大小(pop_size)，交叉概率(pc)，变异概率(pm)，遗传迭代次数(generation)。参数选取是否恰当对于算法最终的结果和算法效率都有直接的影响。根据文献数据以及具体实验来对遗传算法的运行参数进行调整。最后确定遗传算法的参数为：种群大小(pop_size)为100，交叉概率(pc)为0.8，变异概率(pm)为0.05，遗传迭代次数(generation)为300。

步骤五，将模糊处理后的加工时间矩阵运用到改进遗传算法中，根据得到的数据利用改进遗传算法进行调度，得到生产调度方案，具体步骤如下：

步骤5.1：主要采用基于工序的编码方式，例如3工件3机器的问题，假定染色体为[123113223],其中1代表工件j1，2代表工件j2，3代表工件j3。由于每个工件三道工序，所以每个工件在染色体中出现三次。工件的工序对应工件在染色体中出现的顺序。如第一个1代表工件j1的第1道工序，第二个1代表工件j1的第2道工序。

步骤5.2：种群初始化。首先定义整数pop_size作为种群规模，表示这一组染色体共由pop_size个染色体构成。该编码下的染色体特点是染色体由m×n个代表操作的基因组成，每个工件的序号均出现m次。

步骤5.3：计算个体适应度，这里采用目标函数作为适应度函数对个体进行评价。显然完工时间越短，适应度值越高。

步骤5.4：选择操作采用轮盘赌选择方法，选择概率依据个体的适应度大小而定。计算出群体中每个个体的适应度f＝(i＝1，2，...，m)，m为群体大小。计算出每个个体被遗传到下一代群体中的概率：适应度越大的个体被选中的概率越大，适应度越小的个体被选中的概率越小。

步骤5.5：交叉操作：采用次序交叉。首先随机选取两个位置的基因作为交换区域，然后交换两个区域的基因片段，最后从双亲染色体中按基因顺序选取合法基因填充余下的部分。交叉操作过程如图3所示。

步骤5.6：变异操作：采用反转变异，即随机选择两个基因位置，将此位置的基因相互交换。变异操作过程如图4所示。

步骤5.7：算法终止，判断是否满足终止条件，若满足条件则停止，输出最优调度方案，否则转到步骤5.2直到得出最优调度方案。

实施例

以某企业车间生产数据为例，例中工件数为4，机器数为5台。每个工件都有3道工序。具体的可加工机器、加工时间均能从表1中得到。根据步骤二得到的模糊作业加工时间如表2所示。

表1

表2运行参数：种群规模100，交叉概率0.8，变异概率0.05，迭代次数为300。

对实施例进行上述发明调度方法进行实例验证，可以得到优化后的模糊加工完成时间调度方案以及甘特图，如图3所示。相较于传统的确定性车间的调度方案。本发明得出的调度方案更加符合车间实际生产时间的调度，并且在应对突发状况需要进行调整的情况也保证了更充足的时间。本发明方法对比之前企业实际生产过程中因机器故障造成的停工影响，在最后完工时间上提早了2天，在机器的使用效率上提高了30％，并且与实际生产相比的吻合度达到了95％。