一种用于高温合金切削加工生产的优化调度方法

一种用于高温合金切削加工生产的优化调度方法

　　技术领域

　　本发明涉及一种用于高温合金切削加工生产的优化调度方法，属于生产车间智能优化调度技术领域。

　　背景技术

　　随着国内外经济的不断发展，科技领域也得到了快速发展，从而带动了高温合金材料在各个领域的需求量，尤其是航空、航天、航海发动机的需求量比较大。根据数据统计，全球每年需求高温合金材料28万吨。因此，高温合金的需求加快了国内外高温合金生产企业的发展。工业发展倡导绿色节能减排，而在高温合金切削加工中对资源和成本的消耗也很大，因此，如何更优质的分配工件的加工顺序以节约资源和成本变的很重要。

　　高温合金材料是以铁、镍、钴为基结合多种其它元素，能在600℃以上的高温的工作环境下长期工作的一类金属材料，其加工一般包括车削、铣削、钻削、铰削、镗削、扩孔、珩磨、拉削、磨削等步骤。由于高温合金材料在高温状态下也要保持一定的强度，因此高温合金材料一般在高温状态下进行切削加工成型。譬如，镍基高温合金GH4169在众多用于航空零部件制造的金属钢材之中，就属于比较不易于进行加工的材料。因此，合理分配不同种高温合金的先后加工顺序，从而节约加工时间，保证高温合金工件在有效高温时间段内切削加工成型。除此之外，合理分配工件的加工时间还能节约资源和成本。高温合金的切削加工属于零等待流水车间调度问题，而且业已经证实其为NFSSP(No-Wait Flow-ShopScheduling Problem)问题，无法在多项式时间内求得精确解，而且其问题规模的增大呈n的阶乘增长，所以具有较高的理论研究价值。

　　由于高温合金切削加工过程调度问题也属于NP(Non-Polynomial)完全范畴，传统的启发式构造方法和数学规划方法无法保证解(工件排序)的优化质量。

　　发明内容

　　本发明要解决的技术问题是提供了一种用于高温合金切削加工生产的优化调度方法，以用于在较短时间内高效地获得高温合金切削加工生产过程优化调度问题的近似最优解，即高温合金合金切削加工顺序的最优排序，以降低总的完工时间。

　　本发明采用的技术方案是：一种用于高温合金切削加工生产的优化调度方法，通过确定多节优化的高温合金切削加工生产的调度模型和优化目标，使用改进的多节优化方法对优化目标函数进行迭代优化，调度的模型是根据每个高温合金在机器上的加工时间建立的。改进的多节优化方法的步骤包括：首先用多节优化算法从初始化种群开始，对种群的每一组工件排序迭代更新出对应的下一代连续变量，再通过LOV规则把连续的变量转化为离散的变量，进而得到高温合金的下一代工件排序，最后通过新老代评价值的比较产生全局搜索的较优解并对其进行局部搜索(改进原始多节优化算法)产生的新老代的评价值比较找出近似最优解，得到的目标函数为最小化最大完工时间。

　　具体地，所述的高温合金切削加工生产过程的模型的建立和和优化目标的求解过程如下：

　　

　　

　　

　　

　　

　　

　　

　　

　　其中，U是二维数组，即随机产生的种群，m表示高温合金工件的排序，即工件的编号，n表示工件排序种类；表示是第n组排序的对应的第m个连续变量，在本发明中大于0小于4。表示把转化为离散的变量，即工件的第n组工件排序，其中表示第i组离散的变量从大到小的排列所对应的1到k(工件数)的排序，其排列顺序和第i组的顺序相同。表示第j个加工工件在第q个机器上的完工时间，其中Cj表示第j个加工工件对应的序号。分别表示当前工件在上一台机器完工时间和上一个工件在当前机器的完工时间。表示当前工件在当前机器上的加工时间。rij表示多节优化以后所产生下一代的第i组第j个连续变量，其中，xj表示历史最优一组排序的第j个连续变量；ubj,lbj分别表示x的上下限；TDR(大于0小于1)表示搜索范围的因子，其中p表示搜索精度；WEP(大于0小于1)表示搜索发生的概率因子，其中min,max(0到1之间)表示搜索发生概率的决定因子，本发明取min＝0.2,max＝1。r2,r3,r4分别表示0到1之间的随机数，l,L分别表示当前迭代次数和最大迭代次数，p表示搜索精度，本发明p＝6。pk表示当前第k组排序的评价值其倒数所占的所有评价值倒数之和对应的当前位置的比值。表示第k组排序的评价值的倒数，f表示所有排序的评价值之和。π*表示最小化最大完工时间的工件排序。

　　具体地，改进的多节优化方法的步骤包括：

　　Step1、编码方式：利用LOV规则将连续的变量转化为离散的变量实现对高温合金工件加工顺序的排序编码，其原理是利用最大值排序规则将实数编码与整数编码建立映射关系。

　　Step2、种群初始化：随机生成初始化种群，产生种群的规模为n组工件排序，。同时选择当代最优的工件排序best_pop为历史最优解。此外，将初始化生成的种群个体按照评价值从大到小进行排序产生新的种群SU。

　　Step3、多节优化算法阶段：多节优化算法阶段分为两种更新优化方式产生下一代工件排序new-pop：第一种，对应下一代的每组工件对应的第j个连续变量都用轮盘赌在SU中随机选择一组工件排序所对应的第j个连续变量进行替换；然后随即进入第二种优化方式：利用权利要求书1中公式(4)进行当前一组工件排序对应的当前第j个连续变量的替换，即产生rij。两种优化方式同时进行，直至当代全部优化完，产生new-pop。

　　Step4、更新种群阶段：step3种群更新优化完以后将new-pop和上一代工件排序old-pop的评价值放在一起比较，选择其中评价值最低的n组工件排序，并替换old-pop。

　　Step5、局部搜索阶段：从step4中更新后产生的old-pop中挑选出最优的工件排序，通过Insert和Interchange扰动操作改变其工件排序，产生下一代的工件排序，计算出其评价值，并与old-pop中的每组工件排序的评价值进行大小比较。

　　Step6、更新种群阶段：上下代比较过程是每比较old-pop的一组工件排序，就将评价值小的工件排序替换与之比较的上一代的工件排序。然后将新产生的old-pop工件排序按评价值从小到大的顺序排列，评价值最小的工件排序就为历史最优的工件排序。

　　Step7、终止条件：最大迭代次数L是终止条件，当l≤L才持续迭代，当l＞L时满足条件，结束迭代。

　　Step3中多节优化算法具体为：第一种优化更新，对应下一代的每组工件排序对应的第j个连续变量都用轮盘赌在SU中随机选择一组工件排序所对应的第j个连续变量进行优化更新；第二种优化更新，当r2＜WEP时，执行即对rij优化更新，当r2≥WEP时，利用直接替换进行优化更新。更新通过上下代比较之后产生的下一代替换上一代，再通过局部搜索对上一代进行优化。

　　局部搜索具体为：从当前更新产生的上一代中挑选出最优的工件排序best_pop，通过insert和interchange扰动操作改变其工件排序，产生新的工件排序，计算出其评价值，并与old-pop中的每组工件排序的评价值进行比较，其中，上下代比较过程是每比较old-pop的一组工件排序，扰动操作执行一次，并将评价值小的工件排序替换与之比较的上一代的工件排序。

　　本发明的有益效果是：

　　1、确定类似于镍基高温合金GH4169等高温合金切削加工生产的调度模型和优化目标；2、通过改进的多节优化算法在优化阶段采用两种更新优化方式，从而保证了每一代工件排序都用历史最优一代更新优化了一遍，即通过全局搜索对上一代工件排序进行了更新优化，大大提升了每一代种群的优质解，并且为下一步的局部搜索提高了搜索的精准度，减小了计算量，提高了搜索效率，进一步更快找到历史最优解。3、加入的局部搜索改进了算法的开发能力，提高了得到近似最优解的准确性。4、在较短时间内高效地获得高温合金切削加工生产过程优化调度问题的近似最优解，即高温合金合金切削加工顺序的最优排序，以降低总的完工时间。从而可以有效解决类似于镍基高温合金GH4169等高温合金切削加工生产的调度问题，提升高温切削加工过程的效率。

　　附图说明

　　图1为镍基高温合金GH4169切削加工的流程图；

　　图2为本发明的算法流程图；

　　图3为本发明的“insert”和“interchange”操作示意图；

　　图4为问题规模为10×10的两种算法对比输出的最优工件排序。

　　具体实施方式

　　下面结合附图和具体实施例对本发明做进一步的说明。

　　实施例1：镍基高温合金GH4169在众多用于航空零部件制造的金属钢材之中，属于比较不易于进行加工的材料。GH4169高温合金所表现出的难加工性能是由多种因素引起的，而随着材料本身性能的不断发展和改善，其难加工的问题越来越引起人们的关注。如图1-4所示，为运用改进的多节优化算法对镍基高温合金GH4169进行切削加工的具体优化调度实现过程。调度的模型是根据每个高温合金在机器上的加工时间建立的。改进的多节优化方法的步骤包括：首先用原始的多节优化算法从初始化种群开始，对种群的每一组工件排序所对应的一组连续变量迭代更新出下一代的连续变量，再通过LOV规则把连续的变量转化为离散的变量，进而得到高温合金下一代工件的排序，最后通过上下代评价值的比较产生全局搜索的较优解的较优个体并对其进行局部搜索(改进原始多节优化算法)产生的上下代的评价值比较找出近似最优的工件排序，得到的目标函数为最小化最大完工时间。

　　进一步地，高温合金切削加工生产过程的模型的建立和和优化目标的求解过程如下：

　　

　　

　　

　　

　　

　　

　　

　　

　　其中，U是二维数组，即随机产生的种群，m表示高温合金工件的排序，即工件的编号，n表示工件排序种类；表示是第n组排序的对应的第m个连续变量，在本发明中大于0小于4。表示把转化为离散的变量，即工件的第n组工件排序，其中表示第i组离散的变量从大到小的排列所对应的1到k(工件数)的排序，其排列顺序和第i组的顺序相同。表示第j个加工工件在第q个机器上的完工时间，其中Cj表示第j个加工工件对应的序号。分别表示当前工件在上一台机器完工时间和上一个工件在当前机器的完工时间。表示当前工件在当前机器上的加工时间。rij表示多节优化以后所产生下一代的第i组第j个连续变量，其中，xj表示历史最优一组排序的第j个连续变量；ubj,lbj分别表示x的上下限；TDR(大于0小于1)表示搜索范围的因子，其中p表示搜索精度；WEP(大于0小于1)表示搜索发生的概率因子，其中min,max(0到1之间)表示搜索发生概率的决定因子，本发明取min＝0.2,max＝1。r2,r3,r4分别表示0到1之间的随机数，l,L分别表示当前迭代次数和最大迭代次数，p表示搜索精度，本发明p＝6。pk表示当前第k组排序的评价值其倒数所占的所有评价值倒数之和对应的当前位置的比值。表示第k组排序的评价值的倒数，f表示所有排序的评价值之和。π*表示最小化最大完工时间的工件排序。

　　改进的多节优化方法的步骤如下：

　　Step1、编码方式：利用LOV规则将连续的变量转化为离散的变量实现对高温合金工件加工顺序的排序编码，其原理是利用最大值排序规则将实数编码与整数编码建立映射关系。

　　Step2、种群初始化：随机生成初始化种群，产生种群的规模为n组工件排序，。同时选择当代最优的工件排序best_pop为历史最优解。此外，将初始化生成的种群个体按照评价值从大到小进行排序产生新的种群SU。

　　Step3、多节优化算法阶段：多节优化算法阶段分为两种更新优化方式产生下一代工件排序new-pop：第一种，对应下一代的每组工件对应的第j个连续变量都用轮盘赌在SU中随机选择一组工件排序所对应的第j个连续变量进行替换；然后随即进入第二种优化方式：利用权利要求书1中公式(4)进行当前一组工件排序对应的当前第j个连续变量的替换，即产生rij。两种优化方式同时进行，直至当代全部优化完，产生new-pop。

　　Step4、更新种群阶段：step3种群更新优化完以后将new-pop和上一代工件排序old-pop的评价值放在一起比较，选择其中评价值最低的n组工件排序，并替换old-pop。

　　Step5、局部搜索阶段：从step4中更新后产生的old-pop中挑选出最优的工件排序，通过Insert和Interchange扰动操作改变其工件排序，产生下一代的工件排序，计算出其评价值，并与old-pop中的每组工件排序的评价值进行大小比较。

　　Step6、更新种群阶段：上下代比较过程是每比较old-pop的一组工件排序，就将评价值小的工件排序替换与之比较的上一代的工件排序。然后将新产生的old-pop工件排序按评价值从小到大的顺序排列，评价值最小的工件排序就为历史最优的工件排序。

　　Step7、终止条件：最大迭代次数L是终止条件，当l≤L才持续迭代，当l＞L时满足条件，结束迭代。

　　进一步地，多节优化算法具体为：第一种优化更新，对应下一代的每组工件排序对应的第j个连续变量都用轮盘赌在SU中随机选择一组工件排序所对应的第j个连续变量进行优化更新；第二种优化更新，当r2＜WEP时，执行即对rij优化更新，当r2≥WEP时，利用直接替换进行优化更新。更新通过上下代比较之后产生的下一代替换上一代，再通过局部搜索对上一代进行优化。

　　局部搜索具体为：从当前更新产生的上一代中挑选出最优的工件排序best_pop，通过insert和interchange扰动操作改变其工件排序，产生新的工件排序，计算出其评价值，并与old-pop中的每组工件排序的评价值进行比较，其中，上下代比较过程是每比较old-pop的一组工件排序，扰动操作执行一次，并将评价值小的工件排序替换与之比较的上一代的工件排序。

　　表1为LOV规则转换示意图：

　　

　　注：

　　本发明把种群规模设置为50，问题规模为m×q用于比较原始多节优化算法和改进多节优化算法对该调度问题优化效果。本发明设置的迭代次数为200。

　　表2为5种不同问题规模情况下所求得的目标函数值的比较示意图：

　　

　　注：OMVO，IMVO分别表示原始多节优化算法和改进的多节优化算法。

　　上面结合附图对本发明实施过程作了详细说明。本发明还可随时更改问题的规模，因此，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。