基于信息物理融合系统的智慧车间柔性生产调度方法与流程

本发明属于智慧车间生产调度领域，具体是，用于车间生产的排产与调度管理。

背景技术：

信息物理融合系统是一种多维度的智能体系，以大数据、网络和海量计算为核心，通过智能感知、分析、挖掘、评估、预测、优化等技术手段，将计算(computation)、通信(communication)与控制(control)有机的融合。信息物理融合系统作为中国制造2025的核心技术，在制造业中，通过信息物理融合系统，将智能机器、存储系统和生产设施融入到整个生产系统中，并使人员在工信息、设备使用情况、物料等能够相互独立地自动交换信息和自主控制，以基础数据的采集，智能求解生产调度方案，计算机辅助制造流程控制为一个循环，实现一种智能的、高效的、个性化的、自组织的生产方式。生产调度的柔性体现在工序加工顺序的多样化，可选设备的多样化，以及分配加工人员的多样化。以信息物理融合系统为核心的柔性生产调度系统，通过加工设备的联网实时捕捉设备运行状态信息，捕捉人员的可用信息；针对突发的设备故障，人员缺失，能够及时调整并优化加工方案，以实现在交付日期前，消耗更低的能耗、人力资源、更高效的完成生产任务。

生产调度作为智慧车间的核心。其问题可以描述为：n个工件在m台设备上加工，一个工件包含有k道工序，每道工序可以在若干备选设备上加工。柔性生产调度问题包含：一个待调度任务集合，每一个任务又包含了一组工序组成的序列，这些工序序列需要占用生产系统的设备、人力等资源，并且这些工序还要按照一定的工艺流程执行；一个资源集合，包括加工设备、生产人员、物料等，不同加工设备的生产能力可能不同，每台设备能够处理的工序集可能是相同的也可能是不同的；一个约束条件集合，如工序的先后依赖关系、每个任务要求完成的时间、制造资源限制等；一个性能指标集合，该集合规定了在生产过程中需要优化的企业目标，如订单交货期、生产成本、资源利用率等。调度的目标即是为工序分配合理的处理设备，合理地安排每个工序的加工次序，在满足约束条件的同时尽可能使全部的生产性能指标得到优化，即使不能全部最优，在考虑了各个目标权值后也能达到综合最优。目前的调度算法均采用对现有方法进行改造以适应新的调度问题或是取得更优的调度结果，对于各类调度算法的先天缺点的克服方面成果较少，难以获得高质量的解，并且稳定性有待提高。

专利《一种基于云平台的智慧车间数字化生产线信息采集与监控管理系统》中解决了智慧车间信息物理融合系统中的生产相关数据云端存储问题，并没有给出一种明确的生产调度方法解决生产流程控制问题。

技术实现要素：

要解决的技术问题

针对现有技术存在的不足，本发明提供一种基于信息物理融合系统的多目标柔性生产调度方法，通过智慧车间的信息物理融合系统，实时的抓取生产核心数据作为输入，通过多目标调度算法进行调度方案的求解，并通过智慧车间的信息物理融合系统实现制造流程进行控制。

技术方案

一种基于信息物理融合系统的智慧车间柔性生产调度方法，其特征在于步骤如下：

步骤1：设定算法参数，所述的参数包括：加工的工件数量及其对应的工序数量、机器数量、工艺约束、第i个个体xi的声波频率fi、脉冲发射速率ri、响度ai、种群大小、迭代次数、pareto解集容量；

步骤2：采用随机方法随机生成一组群作为初始解集合，其中每一个个体作为一个初始解，将其中的非劣解添加到pareto解集中，从pareto随机选择一个非支配解设为全局最优解x^*的初始值；

步骤3：如果满足结束条件，转步骤12；否则进行下一步；

步骤4：先根据0～1之间的随机数据和频率最大值和最小值及第i个个体当前声波频率计算下一次该个体的声波频率；

步骤5：采用网格法计算pareto解集的解分布密度，在解分布密度最低的网格选择一个非支配解最为当前的全局最优解x^*；

步骤6：根据第i个个体当前的速度和全局最优解x^*计算下一个位置第i个个体的速度

步骤7：根据每个个体i的飞行速度和当前位置计算其下一个位置即产生新解；

步骤8：采用循环调整方法，调整个体的新解使其成为可行解；

步骤9：计算群体中每个个体的适应度，如果找到新的非支配解，则添加到pareto解集中，如果pareto解集中的非支配解总数超出规定数量则从解分布密度最高的地方剔除部分解，使pareto解集中非支配解始终保持在规定数量；

步骤10：通过随机飞行生成新的解；

步骤11：按一定概率决定是否接新解，如果新解被接受，则根据产生下一个位置的并根据当前代数g产生下一次位置的转步骤3；

步骤12：根据用户对多个目标设定的权值，从pareto解集选择综合性能最优的解，算法结束。

有益效果

本发明提出的一种基于信息物理融合系统的智慧车间柔性生产调度方法，有益效果如下：

1、本方法通过信息物理融合系统，解决了实际生产中的人、机、料之间的信息孤岛通讯问题，使得调度具有实时性，拥有较强的实用意义；

2、本调度方法同其他调度方法相比，其参数设置少操作简单，并且计算速度快，拥有更佳的人机交互体验；

3、本方法通过信息物理融合系统实时提取车间生产数据，能够应对由于车间设备及生产人员发生的突发状况及时调整调度方案，适用于约束条件动态变化的调度问题；

4、由于设备加工能力和工序依赖关系的存在使问题解包含了不合理的调度方案，本方法提出了合法化方法进行不合理调度方案的修正，提高了求解质量。

附图说明

图1是本发明具体实施方式的采用蝙蝠算法进行多目标多约束车间生产调度的方法流程图。

图2是本发明具体实施方式的调度解编码方式。

图3是本发明具体实施方式的蝙蝠位置向量到工序序列的转换过程示意图。

图4是本发明具体实施方式的无效工序排序调整规则示意图。

图5是本发明具体实施方式的工序序列到蝙蝠位置向量的转换过程示意图。

图6是本发明具体实施方式的应用实例的工序依赖树。

图7是本发明具体实施方式的应用实例的一个pareto最优解甘特图。

具体实施方式

现结合实施例、附图对本发明作进一步描述：

生产车间部署制造执行系统(mes)，管理生产相关数据，包括设备，人员，订单，物料等基础信息。信息物理融合系统的信息层通过dnc设备的联网实时更新设备状态、通过人员的打卡捕捉在公人员信息、直接读取生产订单工艺信息、物料的跟踪获取物料信息；随后将获取的数据作为下文的生产调度算法的输入，输出调整后的加工方案，重新分配工艺路线分配加工设备及生产人员，以实现对生产流程的控制。

本发明提出了一种基于信息物理融合系统的多目标柔性生产调度方法，算法包括以下步骤：

步骤1：设定算法参数；

参数包括：加工的工件数量、加工设备数量、工艺约束、第i个蝙蝠个体xi的声波频率fi、脉冲发射速率ri、响度ai、种群大小、迭代次数、pareto解集容量；

步骤2：随机生成一组蝙蝠群的初始解，将其中所有支配解保存到pareto解集中。其中，每一个蝙蝠个体表示一个排产方案；

步骤3：如果当前代数g达到步骤1设定的迭代次数，转步骤12；

步骤4：先根据0～1之间的随机数据和频率最大值和最小值及当前声波频率计算下一次蝙蝠的声波频率；

步骤5：采用网格法计算pareto解集中解的分布密度，从pareto解集中解分布密度最小的地方选择一个支配解最为当前的全局最优解x^*；

步骤6：根据蝙蝠个体当前的速度和x^*计算下一个位置蝙蝠的速度

步骤7：根据每个蝙蝠个体i的飞行速度和当前位置计算其下一个位置即产生新解；

步骤8：采用循环调整方法，调整蝙蝠个体的新解使其成为可行解；

步骤9：计算蝙蝠群体中每个蝙蝠的适应度，如果找到新的支配解，则添加到pareto解集中，如果pareto解集中支配解超出指定数量则从密度高的地方剔除部分支配解，使pareto解集中支配解始终保持在指定数量；

步骤10：通过随机飞行生成新的解；

步骤11：通过比较0～1之间的随机数是否小于判断是否接受新解，如果新解被接受，则根据产生下一个位置的并根据当前代数g产生下一次位置的转步骤3；

步骤12：根据用户对多个目标设定的权值，从pareto解集选择综合性能最优的解，算法结束。

实施例：

本实施方式的多目标柔性生产调度方法其流程如图1所示，包括以下步骤：

步骤1：设定算法参数；

问题相关参数包括：工序数量n、设备数量m、工艺约束；

算法相关参数包括：第i个蝙蝠个体xi的声波频率fi，脉冲发射速率ri,响度ai、种群大小、迭代次数；

步骤2：随机生成一组蝙蝠群的初始解，将其中所有支配解保存到pareto解集中。其中，每一个蝙蝠个体代表一个排产方案；

生成初始解的具体过程如下：

(1)：令所有工件的工序的集合为p＝{p1，p2，...pj，...，pn}(j∈[1，n])，所有的m台加工设备的集合为m＝{m1，m2，...mk，...mm}(k∈[1，m])；

(2)：根据工序数将蝙蝠个体位置向量xi设定为2n个分量，每个分量均为连续实数值，并将位置向量分为长度相等的两段，前半段为设备分配段，后半段为工序顺序段，其编码方式如图2所示；

(3)：从工序pj的备选加工设备集合中随机选择一个设备，将其编号uj通过公式1转换成位置分量xj，所有指派的加工设备换算成的位置分量组成位置向量的设备分配段：

(4)：将工序集合p中所有工序随机排列，将排列中工序的顺序关系作为工序加工的先后顺序通过图3的转换过程将工序序列转换成位置向量后半段的工序顺序段；

(5)：如果位置向量后半段的工序顺序段的工序顺序关系不满足工序的依赖关系，则按图4的变换过程进行工序顺序合法化，即按照每两个工序之间的依赖关系依次对不满足依赖关系的工序交换位置直到所有工序都满足工序依赖关系为止；

步骤3：如果当前代数g达到步骤1设定的迭代次数，转步骤12；

步骤4：先根据0～1之间的随机数据和频率最大值和最小值及当前声波频率fi^g，计算下一次蝙蝠的声波频率；

步骤5：采用网格法计算pareto解集中解的分布密度，从pareto解集中解分布密度最小的地方选择一个支配解最为当前的全局最优解x^*；

采用网格法具体实现过程：

(1)：计算在迭代到第t代时目标向量空间的边界和

(2)：设定目标向量空间要划分的网格数g＝m×m×m,计算网格的模：

(3)：遍历pareto解集中的非劣解，计算其所在网格的编号。对于非劣解xⁱ所在网格编号由三个部分组成：其中符号表示只取数值的整数部分；

(4)：计算位于网格内的非劣解个数，并作为该网格内各个非劣解的密度估计值。

步骤6：根据蝙蝠个体当前的速度和x^*按公式2计算下一个位置蝙蝠的速度

步骤7：根据每个蝙蝠个体i的飞行速度和当前位置计算其下一个位置即产生新解；

步骤8：采用循环调整方法，调整蝙蝠个体的新解使其成为可行解；

步骤9：计算蝙蝠群体中每个蝙蝠的适应度，如果找到新的支配解，则添加到pareto解集中，如果pareto解集中支配解超出指定数量则从密度高的地方剔除部分支配解，使pareto解集中支配解始终保持在指定数量；

步骤10：通过随机飞行生成新的解；

步骤11：通过比较0～1之间的随机数是否小于判断是否接受新解，如果新解被接受，则根据产生下一个位置的并根据当前代数g产生下一次位置的转步骤3；

步骤12：根据用户对多个目标设定的权值，从pareto解集选择综合性能最优的解解码出调度方案。最优解的前半部分按照公式2，将分量值转换成设备编号，式子中，zj为个体位置向量中第j个元素对应的工序的可选加工设备的总数，uj∈[1，zj]为转换后工序对应的加工设备在工序可选加工设备列表中的索引值，即工序的可选加工设备列表中第uj个元素就是得到的设备的编号，round(·)表示括号内数值取整数部分。最优解的后半部分按照图5方式解码出所有工序的加工顺序，即将新位置向量按由小到大顺序排序，则各位置分量的旧位置索引构成的序列即为工序顺序。

步骤13：算法结束。

下面举例说明上述方式：

实例给出一个12×6车间调度问题，工序与不同设备对应的加工参数如表1。

表1

表中给出了每个工序在所有设备上的加工约束，包括加工时间、加工质量、加工成本。例如，对于工序号为1的工序而言，其可以被处理的加工设备号为：2、3、5；对应的加工能力分别为：(2,0.02,3)、(1,0.03,4)、(4,0.09,4)，其中，形如“(2,0.02,3)”的数值表示工序由该设备处理的加工时间是2，加工质量是0.02，加工成本是3；“-”表示该设备不可处理当前的工序。

蝙蝠算法参数：种群大小设为50，迭代次数为300次。

下面通过一个蝙蝠的迭代过程来说明该方法的实施过程。

利用随机数生产初始方案，即初始解：(0,1,1,0,0,0,1,2,1,0,1,0,6,1,4,5,7,2,8,3,10,9,11,0)；先随机生成24维的随机的浮点序列：(1.1,3.2,5.7,2.8,-1.9,8.1,-0.5,3.8,4.9,-7.2,-9.6,-1.5，3.3,7.9,-0.3,-0.2,5.8,-2.9,3.0,6.9,-6.7,1.9,0.8,5.1)并与初始方案在相应位置一一对应，其中浮点值取值范围在-10到10之间；采用图3的方式调整浮点序列后半部分得到新的浮点序列：(1.1,3.2,5.7,2.8,-1.9,8.1,-0.5,3.8,4.9,-7.2,-9.6,-1.5,5.1,7.9,-2.9,6.9,-0.3,-0.2,3.3,5.8,3,1.9,-6.7,0.8)，该序列作为蝙蝠的位置向量。该位置向量分为两部分，对12×6的车间调度问题：前半部分是为工序指派加工设备，后半部分为工序安排加工顺序。

假设fmin＝1，fmax＝10，β∈[0，1]，通过计算得到新位置向量：(-0.1,2.3,4.2,-1.6,2.0,0.0,5.7,3.3,5.6,4.3,5.6,0.2,3.1,-5.8,9.0,2.8,3.1,7.3,6.2,6.4,-7.1,6.1,-8.2,4.8)；采用公式2的方式解码出分配的加工设备编号，采用图5的方式解码出工序加工顺序，新方案为：(1,5,4,5,5,5,1,5,4,4,5,4,10,8,1,3,0,4,11,9,6,7,5,2)。该新方案的后半部分并不满足如图6所示的工序依赖关系，需要立即按照图4的方式对调度解的后半部分进行调整使之满足工序约束，即从表二中按照工序编号查询该工序的依赖工序，如果依赖工序在调度方案中位于该工序的前面，则交换两者位置，依次查询所有工序，直到所有工序之间都满足工序依赖关系为止，本实例生成的新方案经过合法化后变成：(1,5,4,5,5,5,1,5,4,4,5,4,10,11,3,4,1,5,9,8,7,6,0,2)。

表2

迭代结束后，得到的从pareto最优解解中选择出满意的支配解作为最优解用甘特图表示如图7所示。