基于离散制造的生产调度方法、系统、设备及存储介质与流程

1.本发明涉及生产调度技术领域，尤其涉及一种基于离散制造的生产调度方法、系统、设备及存储介质。


背景技术：

2.一直以来，制造业是国民经济的主体，离散型制造业更是有着“国民经济支柱”之称。而随着当今市场的竞争日趋激烈，通信技术和信息技术等受到离散制造企业的高度重视和广泛应用，越来越多离散制造企业趋向于精益生产和准时化的生产方式。但是由于离散制造业具有订单高度定制、技术工艺和供应链高度复杂、生产制造高度离散和生产制造周期长等特点，导致现场生产调度、派工极其复杂。
3.现有技术中，大部分离散制造企业还停留在人工调度的管理方式，即使少数离散制造企业具备排产调度系统，也没有能够解决本质问题，而仅仅是将纸质的计划排产单转化为电子版的计划排产单，不能够从计划排产的角度提高资源利用效率，导致生产效率低，缺乏市场竞争力。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种基于离散制造的生产调度方法、系统、设备及存储介质。
5.一种基于离散制造的生产调度方法，包括以下步骤：基于时间和成本的加权之和最小的目标，构建生产调度模型；采用改进的遗传算法求解所述调度模型的调度最优解，获取预调度计划；对所述预调度计划进行审核，审核通过后，获取调度计划，根据所述调度计划进行任务派工。
6.在其中一个实施例中，在所述基于时间和成本的加权之和最小的目标，构建生产调度模型之前，还包括：构建以下约束条件：同一批次加工工艺、加工时间和加工成本均相同，忽略各工件上料等准备时间；现场设备均完好，且具备加工所有任务的功能，但设备之间加工的时间和成本不同；同一时间、一个工件的某道工序仅能在一台设备上进行加工；同一时间、一台设备仅能加工一个工件的一个工序。
7.在其中一个实施例中，所述基于时间和成本的加权之和最小的目标构建生产调度模型，具体包括：基于所述约束条件，将车间所有待加工的零件组成l个工件集ji＝{j1,j2,j3…jli
}，其中，li表示所述工件集的工件数；工件集ji由ki工序任务组成集合为其中，o
ij
表示第i个工件的第j个工序任务；假定生产线共有m台设备，设备集为m＝{m1，m2，m3…mn
}，t
ijn
表示第i个工件的第j个工序任务在设备n上加工消耗的时间；c
ijn
表示第i个工件的第j个工序任务在设备n上加工消耗的成本，则生产调度模型为：
[0008][0009][0010]
为了保证每个工序任务只能分配一次，且只能分配到某一设备，则有：
[0011][0012]
为了保证任务的加工顺序按照工艺要求，则有：
[0013][0014]
为了保证目标函数中时间和成本的量纲一致，有其中，α1的单位为分钟，α2的单位为元；其中，0≤i≤l，0≤k≤ki，0≤n≤m。
[0015]
在其中一个实施例中，所述采用改进的遗传算法求解所述调度模型的调度最优解，获取预调度计划，具体包括：基于设备进行编码，将分配到设备上的工序任务和任务开始的先后顺序采用染色体进行表示；将生产调度模型中的最小值作为适应度函数，即g(x)＝minf(x)；根据所述适应度函数，采用比例选择算子的方式执行选择操作，获取若干第一目标个体；对所述若干第一目标个体中表示设备编号的基因位进行交叉运算，对所述若干第一目标个体中表示任务顺序的基因位进行随机生成，获取第二目标个体；分别根据设备编号和任务顺序对所述第二目标个体进行单独变异，获取最优解，作为预调度计划。
[0016]
在其中一个实施例中，所述根据所述适应度函数，采用比例选择算子的方式执行选择操作，获取若干第一目标个体，具体包括：根据所述适应度函数计算群体中每个个体的适应度，采用比例选择算子的方式执行选择操作，群体的大小为m，个体的适应度为g(i)，则个体被选中的概率pi为：
[0017][0018]
由式(5)可知，适应度越高，个体被选中的概率也越大，反之，适应度越低，个体被选中的概率越小；根据式(5)进行反复迭代，筛选出被选中的概率高于预设概率的个体，获取若干第一目标个体。
[0019]
在其中一个实施例中，所述对所述若干第一目标个体中表示设备编号的基因位进行交叉运算，对所述若干第一目标个体中表示任务顺序的基因位进行随机生成，获取第二目标个体，具体包括：根据设备编号获取所述若干第一目标个体对应的适应度，计算若干第一目标个体的总适应度；将个体预设适应度与总适应度的比值作为概率，选择适应度高于个体预设适应度的个体作为父本和母本进行交叉运算，获取新个体；根据任务顺序对新个
体中的基因随机生成，获取第二目标个体。
[0020]
在其中一个实施例中，所述分别根据设备编号和任务顺序对所述第二目标个体进行单独变异，获取最优解，作为预调度计划，具体包括：根据设备编号对所述第二目标个体进行变异，在变异过程中，将变异个体属于同一调度集合的多个元素对应的基因进行随机交换，迭代地进行变异运算以产生新的个体，直至群体满足第一预设条件；根据任务顺序对所述第二目标个体进行变异，在变异过程中，将变异个体属于同一调度集合的多个元素对应的基因进行随机交换，迭代地进行变异运算以产生新的个体，直至群体满足第二预设条件；对比变异操作迭代分别获取的个体，筛选出最优解，作为预调度计划。
[0021]
一种基于离散制造的生产调度系统，包括：生产调度模型构建模块，用于基于时间和成本的加权之和最小的目标，构建生产调度模型；调度最优解求解模块，用于采用遗传算法求解所述调度模型的调度最优解，获取预调度计划；任务派工模块，用于对所述预调度计划进行审核，审核通过后，获取调度计划，根据所述调度计划进行任务派工。
[0022]
一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述各个实施例中所述的基于离散制造的生产调度方法的步骤。
[0023]
一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述各个实施例中所述的基于离散制造的生产调度方法的步骤。
[0024]
相比于现有技术，本发明的优点及有益效果在于：本发明能够针对离散制造业的特点，构建以生产批次为单位的、基于时间和成本约束的多目标优化模型，并求解生产调度的最优解，从而使得离散制造企业能够进行生产现场的智能生产调度管理，提高生产效率的同时降低了整体生产成本。
附图说明
[0025]
图1为一个实施例中一种基于离散制造的生产调度方法的流程示意图；
[0026]
图2为一个实施例中一种基于离散制造的生产调度系统的结构示意图；
[0027]
图3为一个实施例中设备的内部结构示意图。
具体实施方式
[0028]
为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施方式结合附图对本发明做进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0029]
本技术适用于离散制造企业不能够从计划排产的角度提高资源利用效率，导致生产效率低，缺乏市场竞争力的情形。本技术通过设置的约束条件，构建生产调度模型，采用基于设备的编码方式，每个染色体代表的是分配到设备上的工序任务和任务开始的先后顺序，将生产调度模型中的最小值作为适应度函数，根据适应度函数计算群体中每个个体的适应度，采用比例选择算子的方式执行选择操作，筛选出被选中的概率高于预设概率的个体，获取若干第一目标个体；根据设备编号获取若干第一目标个体对应的适应度，计算若干第一目标个体的总适应度，将个体适应度与总适应度的比值作为概率，选择适应度高于个体适应度的个体作为父本和母本进行交叉运算，获取新个体，根据任务顺序对新个体中的
基因随机生成，获取第二目标个体；分别根据设备编号和任务顺序对第二目标个体进行单独变异，获取对应的个体，筛选出个体中的最优解，作为预调度计划；对预调度计划进行审核，审核通过后为调度计划，根据调度计划进行任务派工，针对离散制造业的多品种、小批量生产模型，分析其特点与企业需求，构建了以生产批次为单位的，基于时间和成本约束的多目标优化模型，求解生产调度的最优解，从而能够使得离散制造企业能够进行生产现场的智能生产调度管理，提高生产效率，降低整体生产成本。
[0030]
在一个实施例中，如图1所示，提供了一种基于离散制造的生产调度方法，包括以下步骤：
[0031]
步骤s101，基于时间和成本的加权之和最小的目标，构建生产调度模型。
[0032]
具体地，根据离散制造企业生产现场实际需求，根据生产计划进行生产资料准备和加工计划调度，在进行加工计划调度时，基于时间和成本的加权之和最小的目标，构建生产调度模型。在进行生产资料准备时，检测生产资料是否充足，若不充足，下达外购指令。根据生产调度模型输出调度结果，获取预调度生产计划。
[0033]
步骤s102，采用改进的遗传算法求解所述调度模型的调度最优解，获取预调度计划。
[0034]
具体地，在对调度模型进行求解时，采用改进的遗传算法求解调度最优解，将调度任务进行编码，初始化种群，评估种群中的个体适应度，依次进行选择、交叉和变异，并反复迭代评估种群中的个体适应度、选择、交叉和变异这几个步骤，从而获取调度最优解，作为预调度计划。
[0035]
步骤s103，对预调度计划进行审核，审核通过后，获取调度计划，根据调度计划进行任务派工。
[0036]
具体地，对获取的预调度计划进行审核，审核通过后，将预调度计划作为调度计划，并根据调度计划生成任务派工，从而能够实施时间和成本加权和最小的任务调度方法。
[0037]
在本实施例中，基于时间和成本的加权之和最小的目标，构建生产调度模型，采用遗传算法求解调度模型的调度最优解，获取预调度计划，对预调度计划进行审核，审核通过后，获取调度计划，并根据调度计划进行任务派工，能够针对离散制造业的特点，构建以生产批次为单位的、基于时间和成本约束的多目标优化模型，并求解生产调度的最优解，从而使得离散制造企业能够进行生产现场的智能生产调度管理，提高了生产效率，降低了整体生产成本。
[0038]
其中，在步骤s101之前，还包括：构建以下约束条件：同一批次加工工艺、加工时间和加工成本均相同，忽略各工件上料等准备时间；现场设备均完好，且具备加工所有任务的功能，但设备之间加工的时间和成本不同；同一时间、一个工件的某道工序仅能在一台设备上进行加工；同一时间、一台设备仅能加工一个工件的一个工序。
[0039]
具体地，为了便于车间调度问题求解，进行规范性假设，构建以下约束条件：同一批次加工工艺、加工时间和加工成本均相同，忽略各工件上料等准备时间；现场设备均完好，且具备加工所有任务的功能，但设备之间加工的时间和成本不同；同一时间、一个工件的某道工序仅能在一台设备上进行加工；同一时间、一台设备仅能加工一个工件的一个工序。
[0040]
其中，步骤s101具体包括：基于约束条件，将车间所有待加工的零件组成l个工件
集ji＝{j1,j2,j3…jli
}，其中，li表示所述工件集的工件数；工件集ji由ki工序任务组成集合为其中，o
ij
表示第i个工件的第j个工序任务；假定生产线共有m台设备，设备集为m＝{m1，m2，m3…mn
}，t
ijn
表示第i个工件的第j个工序任务在设备n上加工消耗的时间；c
ijn
表示第i个工件的第j个工序任务在设备n上加工消耗的成本，则生产调度模型为：
[0041][0042][0043]
为了保证每个工序任务只能分配一次，且只能分配到某一设备，则有：
[0044][0045]
为了保证任务的加工顺序按照工艺要求，则有：
[0046][0047]
为了保证目标函数中时间和成本的量纲一致，有其中，α1的单位为分钟，α2的单位为元；其中，0≤i≤l，0≤j≤ki，0≤n≤m。
[0048]
具体地，根据约束条件和调度目标，构建生产调度模型，在构建的过程中需要确保每个工序任务只能分配一次，且只能分配对一个设备，此外任务的加工顺序需要依照工艺要求进行。
[0049]
其中，步骤s102具体包括：基于设备进行编码，将分配到设备上的工序任务和任务开始的先后顺序采用染色体进行表示；将生产调度模型中的最小值作为适应度函数，即g(x)＝minf(x)；根据适应度函数，采用比例选择算子的方式执行选择操作，获取若干第一目标个体；对若干第一目标个体中表示设备编号的基因位进行交叉运算，对若干第一目标个体中表示任务顺序的基因位进行随机生成，获取第二目标个体；分别根据设备编号和任务顺序对第二目标个体进行单独变异，获取最优解，作为预调度计划。
[0050]
具体地，采用基于设备的编码方式，每个染色体代表的是分配到设备上的工序任务和任务开始的先后顺序，初始化种群，依据每个种群的特征随机生成第一代种群的全部个体；将生产调度模型中的最小值作为适应度函数，根据适应度函数计算每个个体的适应度，并采用比例选择算子的方式执行选择操作，选出若干第一目标个体，进行交叉和变异操作。例如，选取最大适应度的个体，将该个体复制到新种群中，复制数量占第一代种群的1/4，然后将新种群中的3/4的个体进行轮盘制选择，选择概率随机产生，将选中的概率大于或等于随机概率的个体，添加到新种群中。对若干第一目标个体中表示设备编号的基因位进行交叉操作，对群体中的个体进行两两配对，交换部分染色体基因，生产新的个体，完成交
叉操作；表示任务顺序的基因位则随机生成。例如，随机选取两个个体，在一定的概率区间，进行基因位的交换，完成交叉操作。
[0051]
其中，根据适应度函数，采用比例选择算子的方式执行选择操作，获取第一目标个体，具体包括：根据适应度函数计算群体中每个个体的适应度，采用比例选择算子的方式执行选择操作，群体的大小为m，个体的适应度为g(i)，则个体被选中的概率pi为：
[0052][0053]
由式(5)可知，适应度越高，个体被选中的概率也越大，反之，适应度越低，个体被选中的概率越小；根据式(5)进行反复迭代，筛选出被选中的概率高于预设概率的个体，获取若干第一目标个体。
[0054]
具体地，适应度函数是用于评价个体优劣的标准，适应度越高，则个体越接近最优解，适应度越低，则个体越远离最优解。本技术采用轮盘赌的方法来选择个体，根据适应度函数求解群体中全部个体的适应度，采用轮盘赌的方法重新选择个体，根据上式进行反复迭代，可以采用预设选中个体数或预设迭代次数控制迭代停止，筛选出被选中的概率高于预设概率的个体，获取若干第一目标个体。
[0055]
其中，对若干第一目标个体中表示设备编号的基因位进行交叉运算，对若干第一目标个体中表示任务顺序的基因位进行随机生成，获取第二目标个体，具体包括：根据设备编号在获取若干第一目标个体对应的适应度，计算若干第一目标个体的总适应度，将个体预设适应度与总适应度的比值作为概率，选择适应度高于预设适应度的个体作为父本和母本进行交叉运算，获取新个体；并根据任务顺序对新个体中的基因随机生成，获取第二目标个体。
[0056]
具体地，根据设备编号获取若干第一目标个体对应适应度，计算获取若干第一目标个体的总适应度，将个体预设适应度与总适应度的比值作为概率，选择适应度高于预设适应度的个体作为父本和母本，进行交叉运算，获取对应的子代，即新个体，并根据任务顺序对新个体中的基因随机生成，获取第二目标个体。例如，筛选出第一目标个体中适应度高于预设适应度的个体，将符合要求的个体随机进行两两配对，配对成功的两个个体作为父本和母本进行交叉操作，随机生成两个不同的基因点位，子代1继承母本交叉点位之间的基因片段，其余基因按顺序继承父本中未重复的基因，子代2继承父本交叉点位之间的基因片段，其余基因按顺序继承母本中未重复的基因。
[0057]
其中，分别根据设备编号和任务顺序对第二目标个体进行单独变异，获取最优解，作为预调度计划，具体包括：根据设备编号对第二目标个体进行变异，在变异过程中，将变异个体属于同一调度集合的多个元素对应的基因进行随机交换，迭代地进行变异运算以产生新的个体，直至群体满足第一预设条件；根据任务顺序对第二目标个体进行变异，在变异过程中，将变异个体属于同一调度集合的多个元素对应的基因进行随机交换，迭代地进行变异运算以产生新的个体，直至群体满足第二预设条件；对比变异操作迭代分别获取的个体，筛选出最优解，作为预调度计划。
[0058]
具体地，在交叉操作产生的后代适应值不再进化且没有达到最优时，就意味着算法的早熟收敛，此时，可以通过变异操作进行一定程度的克服，变异操作首先需要在第二目
标群体中随机地选择一个个体，以一定的概率，例如将概率设置为群体中0.4％-0.8％的个体，随机改变基因串中某个字符的值，例如，将变异个体25％-50％的基因进行随机交换，避免由复制和交叉算子引起的某些信息的永久丢失，从而保证了遗传算法的有效性。
[0059]
在变异过程中，根据设备编号和任务顺序分别进行变异。根据设备编号对第二目标个体进行变异时，在变异过程中，将变异个体属于同一调度集合的多个元素对应的基因进行随机交换，迭代地进行变异运算，从而产生新的个体，直至群体满足第一预设条件，例如新的个体产生的数量达到预设数量或迭代次数达到迭代次数，可以根据企业需求进行对应的设置。根据任务顺序对第二目标个体进行变异时，在变异过程中，将变异个体中属于同一调度集合的多个元素对应的基因进行随机变化，迭代地进行变异运算以产生新的个体，直至群体满足第二预设条件，同理，迭代停止可以通过迭代次数和新的个体数进行控制。对比变异操作分别迭代获取的两个个体，筛选出最优解，作为预调度计划。
[0060]
在一个实施例中，以将5个工件集合理分配到5台设备上进行加工为例，其中每个工件及包含3个工序任务，表1和表2分别为表示在不同设备上工序任务消耗的时间和成本。
[0061]
表1不同设备加工不同任务的时间消耗
[0062][0063]
表2不同设备加工不同任务的成本消耗
[0064][0065]
结合生产实际参数设置如下：α1＝1，α2＝1，初始种群为20，交叉和变异的概率分别取0.7和0.08，迭代次数为500次。则通过仿真获取在迭代132次左右时，时间及成本消耗最小，约为149.1，最终得出现场工序任务调度的最优解，如表3所示，根据表3对每台设备进行任务分配，并对应进行工人派工。
[0066]
表3任务分配顺序
[0067][0068]
如图2所示，提供了一种基于离散制造的生产调度系统20，包括：生产调度模型构建模块21、调度最优解求解模块22和任务派工模块23，其中：
[0069]
生产调度模型构建模块21，用于基于时间和成本的加权之和最小的目标，构建生产调度模型；
[0070]
调度最优解求解模块22，用于采用遗传算法求解调度模型的调度最优解，获取预调度计划；
[0071]
任务派工模块23，用于对所述预调度计划进行审核，审核通过后，获取调度计划，根据所述调度计划进行任务派工。
[0072]
在一个实施例中，调度最优解求解模块22具体用于：基于设备进行编码，将分配到
设备上的工序任务和任务开始的先后顺序采用染色体进行表示；将目标生产调度模型中的最小值作为适应度函数，即g(x)＝minf(x)；根据适应度函数，采用比例选择算子的方式执行选择操作，获取若干第一目标个体；对若干第一目标个体中表示设备编号的基因位进行交叉运算，对若干第一目标个体中表示任务顺序的基因位进行随机生成，获取第二目标个体；分别根据设备编号和任务顺序对第二目标个体进行单独变异，获取最优解，作为预调度计划。
[0073]
在一个实施例中，该系统还包括：选择模块、交叉模块和变异模型，分别用于执行选择操作、交叉操作和变异操作。
[0074]
在一个实施例中，提供了一种设备，该设备可以是服务器，其内部结构图可以如图3所示。该设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该设备的处理器用于提供计算和控制能力。该设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该设备的数据库用于存储配置模板，还可用于存储目标网页数据。该设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于离散制造的生产调度方法。
[0075]
本领域技术人员可以理解，图3中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的设备的限定，具体的设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0076]
在一个实施例中，还可以提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被计算机执行时使所述计算机执行如前述实施例所述的方法，所述计算机可以为上述提到的基于离散制造的生产调度系统的一部分。
[0077]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
[0078]
显然，本领域的技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在计算机存储介质(rom/ram、磁碟、光盘)中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。所以，本发明不限制于任何特定的硬件和软件结合。
[0079]
以上内容是结合具体的实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。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推演或替换，都应当视为属于本发明的保护范围。