一种柔性制造车间优化调度方法及设备

一种柔性制造车间优化调度方法及设备

　　技术领域

　　本发明涉及柔性制造车间的绿色调度领域，特别涉及一种柔性制造车间优化调度方法及设备。

　　背景技术

　　制造企业的能源浪费加剧了污染排放，严重影响生态环境。尤其对于传统的重型制造企业来说，运输重型工件的过程中产生的能耗在工件加工全过程中占据很大的比例。在实际的柔性制造车间调度领域，绿色调度和减少加工时间等方面仍然有不少的改进空间。对于柔性制造车间中吊运设备的调度计划，提出一种考虑吊运设备工作状态的柔性制造车间优化调度方法，以实现整体能耗量的最小化，完成时间最小化的目标。最近几年，国内外学者研究柔性制造车间的优化调度问题已经取得一定的研究成果。对于吊运设备的绿色调度问题，如何考虑吊运设备运输过程与工件工序、加工机械的衔接方式来减少能耗和减少完成时间是目前待解决的问题。

　　因而现有技术还有待改进和提高。

　　发明内容

　　鉴于上述现有技术的不足之处，本发明的目的在于提供一种柔性制造车间优化调度方法及设备，以解决在考虑吊运设备运输过程与工件工序、加工机械的衔接方式时，如何减少加工制造过程中的能耗量以及缩短制造时间的绿色调度问题。

　　为了达到上述目的，本发明采取了以下技术方案：

　　第一方面，本发明提供了一种柔性制造车间优化调度方法，包括如下步骤：

　　S1、根据柔性制造车间的工件工序和吊运设备的衔接关系，基于吊运设备的工作模式建立以最小化完成时间和降低柔性制造车间的能耗为目标的优化调度模型；

　　S2、采用面向绿色运输策略的混合遗传萤火虫算法对建立的优化调度模型求解，以得到优化调度方案；

　　S3、根据所述优化调度方案，对柔性制造车间包含的加工机械、工件工序和吊运设备进行调度，以得到完成时间最小且能耗最低的调度结果。

　　第二方面，本发明还提供了一种柔性制造车间优化调度设备，包括处理器和存储器；

　　所述存储器上存储有可被所述处理器执行的计算机可读程序；

　　所述处理器执行所述计算机可读程序时实现如上所述的柔性制造车间优化调度方法中的步骤。

　　相较于现有技术，本发明提供的柔性制造车间优化调度方法及设备，为最小化最大完成时间、降低能耗进行决策，提出一种考虑吊运设备工作状态(负载运行、负载待机、空载运行、空载待机)的调度模型，基于吊运设备与工件工序的衔接关系，提出一种面向绿色运输策略的混合遗传萤火虫算法，对工件工序、吊运设备进行调度，从而得到最优解集，能够有效地降低最大完成时间和能耗量。

　　附图说明

　　图1为本发明提供的柔性制造车间优化调度方法的一较佳实施例的流程图；

　　图2为柔性制造车间的第一工作流程示意图；

　　图3为柔性制造车间的第二工作流程示意图；

　　图4为本发明提供的柔性制造车间优化调度方法中，面向绿色运输策略的混合遗传萤火虫算法的一较佳实施例的流程图；

　　图5为本发明提供的柔性制造车间优化调度方法的第一应用模拟仿真比对示意图；

　　图6为本发明提供的柔性制造车间优化调度方法的第二应用模拟仿真比对示意图；

　　图7为本发明提供的柔性制造车间优化调度方法的第三应用模拟仿真比对示意图；

　　图8为本发明提供的柔性制造车间优化调度方法的第四应用模拟仿真比对示意图。

　　具体实施方式

　　本发明提供一种柔性制造车间优化调度方法及设备，为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。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。

　　请参阅图1，本发明实施例提供的柔性制造车间优化调度方法，包括如下步骤：

　　S1、根据柔性制造车间的工件工序和吊运设备的衔接关系，基于吊运设备的工作模式建立以最小化完成时间和降低柔性制造车间的能耗为目标的优化调度模型。

　　在本实施例中，利用加工时间和能耗量来描述绿色调度问题，具体的，吊运设备的工作模式包括空载待机模式、空载运行模式、负载待机模式和负载运行模式，所述柔性制造车间的能耗包括机器加工能耗和吊运设备能耗，所述吊运设备能耗为吊运设备的空载待机能耗、吊运设备的空载运行能耗、吊运设备的负载待机能耗以及吊运设备的负载运行能耗之和，所述优化调度模型包括适应度值计算模型、机器加工能耗计算模型、吊运设备的空载待机能耗计算模型、吊运设备的空载运行能耗计算模型、吊运设备的负载待机能耗计算模型以及吊运设备的负载运行能耗计算模型。

　　具体的，所述适应度值计算模型为：

　　

　　其中，f表示适应度值，CT表示单位制造时价；表示工序的制造完成时间；CE表示单位能耗成本价格；Emp表示机器加工能耗；Ect表示吊运设备能耗。

　　所述机器加工能耗计算模型为：

　　

　　

　　其中，Emp表示机器加工能耗，是在第l道工序加工工件j产生的能耗，J是工件的编号；Lj是工序的集合；是工件j的第l道工序；Efk是机器k的加工能耗；是在机器k上加工工序的时间；是机器k加工工序的决策变量。

　　所述吊运设备的空载待机能耗计算模型为：

　　

　　

　　

　　其中，Ens是吊运设备的空载待机能耗；j是工件序号；J是工件集合； l是工序序号，Lj是工序集合；是吊运设备在空载情况下待机时运输进行加工所产生的能耗；是工序的决策变量，工序是的下一道工序；是工序的空载待机时间；Ps是吊运设备的待机功率；是工序的制造完成时间；是工序的制造开始时间；是吊运设备在空载情况下运输工序机架产生时间；是吊运设备在空载情况下运输工序吊运机产生的时间。

　　所述吊运设备的空载运行能耗计算模型为：

　　

　　

　　

　　

　　

　　

　　其中，Eno是吊运设备的空载运行能耗；是吊运设备空载情况下运行时运输进行加工所产生的能耗；j是工件的序号；J是工件的集合；Lj是工序的集合；l是工序的序号；是工序的决策变量，用于判断工序是否是的下一道工序；是吊运设备机架在空载情况下的运输的启动时间；Pgs是机架启动的功率；是吊运设备中吊运机在空载情况下运输的启动时间；Pts是吊运机的启动功率；Ws是吊运设备械的重量；Qn是吊运设备的提升重量；是吊运设备机架在空载情况下运输的平稳运动时间；Pg是机架的额定功率；是吊运设备吊运机在空载情况下运输的平稳运动时间；Pt是吊运设备中吊运机的额定功率；Vg是吊运设备机架的运行速度；ags是吊运设备在负载情况下机架的启动加速度；Wg是机架的重量；Wt是吊运机的重量；Vt是吊运机的运行速度；ats是吊运设备在负载情况下吊运机的启动加速度；k是机器编号；Lpxk是机器k的横坐标；Lpxk1是机器k1的横坐标；agb是吊运设备负载情况下机架的刹车加速度；是机器k在加工工件j的第l1道工序的决策变量；是机器k1在加工工件j1的第l1道工序的决策变量。Lpyk是机器k的横坐标； Lpyk1是机器k1的横坐标；atb是吊运设备负载情况下吊运机的刹车加速度。

　　所述吊运设备的负载待机能耗计算模型为：

　　

　　

　　

　　其中，Els是吊运设备的负载待机能耗；j是工件序号；J是工件集合；l 是工序序号，Lj是工序集合；k是机器编号；K是机器的集合；是吊运设备在负载情况下待机时运输工序进行加工所产生的能耗；是决策变量，用于表示机器k1加工工序和机器k2加工工序是否存在；是同一台机器加工的决策变量，用于表示在机器k2上，工序是否为的下一道工序；是工序的负载待机时间；Ps是吊运设备械的待机功率；是工序的制造完成时间；是工序的制造完成时间。

　　所述吊运设备的负载运行能耗计算模型为：

　　

　　

　　

　　

　　

　　

　　其中，Elo是吊运设备的负载运行能耗；j是工件序号；J是工件集合； l是工序序号，Lj是工序集合；是吊运设备在负载情况下运行时运输工序进行加工所产生的能耗；是吊运设备中机架在负载情况下运输的启动时间；Pgs是机架的启动功率；是吊运设备中吊运机在负载情况下运输的启动时间；Pts是吊运机的启动功率；Ws是吊运设备械的重量；Wj是工件j的重量；Qn是吊运设备的提升重量；是机架在负载情况下运输的平稳运动时间；Pg是吊运设备中机架的额定功率；是吊运机在负载情况下运输的平稳运动时间；Pt是吊运设备中吊运机的额定功率；Vg是吊运设备机架的运行速度；ags是吊运设备在负载情况下机架的启动加速度；Wg是机架的重量；Wt是吊运机的重量；Vt是吊运机的运行速度；ats是吊运设备在负载情况下吊运机的启动加速度；k是机器编号；Lpxk是机器k的横坐标；Lpxk1是机器k1的横坐标；agb是吊运设备负载情况下机架的刹车加速度；是机器k在加工工件j的第l1道工序的决策变量；是机器k1在加工工件j1的第l1道工序的决策变量；Lpyk是机器k的横坐标；Lpyk1是机器k1的横坐标；atb是吊运设备负载情况下吊运机的刹车加速度。

　　S2、采用面向绿色运输策略的混合遗传萤火虫算法对建立的优化调度模型求解，以得到优化调度方案。

　　具体来说，请参阅图2和图3，在柔性制造车间，当制造需求明确后，系统根据需求安排相关的工件进行加工。其中不同工件的不同工序对应不同的机器加工，需要吊运设备按照工件制造要求执行运输任务，吊运设备的移动依靠机架和吊运机完成，机架和吊运机不可同时移动。最终运输任务完成或者机器加工完成，意味着该制造工序加工完成。

　　本发明实施例公开的考虑吊运设备工作状态的柔性制造车间优化调度方法是以最小化加工时间、降低能耗为目标，对吊运设备的四种运输模式进行分析，建立了相关的调度模型。建立一种基于绿色运输策略的混合遗传萤火虫算法(Genetic AlgorithmGlowworm Swarm Optimization Green Transport Heuristic Strategy，GA-GSO-GTHS)进行调度，从而得到总的加工时间最短和能耗最小的调度结果。

　　进一步的，所述步骤S2具体包括：

　　S21、通过遗传算法产生初始种群；

　　S22、从所述初始种群中选取若干个最好的解作为萤火虫种群，通过萤火虫算法在萤火虫种群中得到局部最优解；

　　S23、对所述局部最优解进行交叉、变异操作得到子代种群；

　　S24、通过绿色运输策略对吊运设备在负载情况下运行时的能耗以及吊运设备负载情况下待机时的时间消耗进行优化；

　　S25、更新种群，并且进行迭代次数判断，如果超过设定的迭代次数则输出最优解，否则返回步骤S22；

　　S26、将最后得到的结果作为总的柔性制造车间的优化调度结果。

　　具体来说，请参阅图4，在进行优化调度方案的生成时，首先通过遗传算法产生初始种群，然后从初始种群中选取部分较好的解作为萤火虫种群，利用萤火虫种群在小范围内通过萤火虫算法(GSO)得到局部最优解，萤火虫算法的具体步骤为：更新萤火素值，然后计算邻间距离后，通过萤火虫轮盘赌选择后，再更新萤火虫的位置，之后更新感知半径后，判断是否达到种群最大值，如果是则进行父代选择，否则重新更新萤火素值。在得到了局部最优解后，进行交叉变异操作得到子代种群，子代种群通过启发式绿色运输策略(a greentransport heuristic strategy,GTHS)。该策略由两部分组成：鉴于该柔性制造车间的能耗和最大完成时间主要与吊运设备运行相关，所以对吊运设备负载运行能耗和待机时间进行优化。首先，利用能耗优化方法对吊运设备负载情况下运行时的能耗消耗进行优化。其次，利用时间优化方法对吊运设备负载情况下待机时的时间消耗进行优化。在优化完成后，更新种群，并且进行迭代次数判断，如果超过设定的迭代次数则输出最优解，否则返回步骤S22。最后将得到的结果作为柔性制造车间的优化调度结果。本发明面向绿色运输策略的混合遗传萤火虫算法，对工件工序、吊运设备进行调度，从而得到最优解集，能够有效地降低最大完成时间和能耗量。

　　为了评价所提出的算法表现，本发明提供的柔性制造车间优化调度方法还包括：

　　利用仿真软件对如上所述的GA-GSO-GTHS算法的有效性进行验证分析，从而得到仿真结果；

　　将所述仿真结果与其它类似算法进行对比，从而验证本发明所述方法的有效性。

　　其中，在具体实施时，所述面向绿色运输策略的混合遗传萤火虫算法中，最大进化代数为3000，遗传算法的种群规模100，交叉概率0.6，变异概率0.05。萤火虫算法的种群规模为50，步骤尺寸s＝5，最大感知半径rs＝20，挥发系数ρ＝0.4，升高系数γ＝0.6，感知半径比例因子β＝0.08，nt＝5，l(0)＝5。独立运行20次仿真实验，并报告最优结果值。

　　S3、根据所述优化调度方案，对柔性制造车间包含的加工机械、工件工序和吊运设备进行调度，以得到完成时间最小且能耗最低的调度结果。

　　具体来说，在进行调度时，需满足多个约束条件，以达到最合适的调度结果。其中，多个约束条件包括所述调度模型对制造工序的约束、所述调度模型对吊运设备的约束以及所述调度模型对决策变量的约束。

　　具体的，所述调度模型对制造工序的约束为：

　　

　　

　　

　　

　　其中，是工序的制造开始时间，j是工件编号，l是工序编号；是工序的制造完成时间；是制造工序的决策变量，k是机器编号；是加工工序的机器k；是能够加工工序的机器集合；是机器k对临近的工序的决策变量。

　　所述调度模型对吊运设备的约束为：

　　Pi＝K1，

　　

　　当工序是的上一道工序，

　　当同一台机器加工工序和工序并且工序是的上一道工序，

　　其中，Pi是吊运设备初始位置；K1是加工第一道工序的机器；是工序的制造完成时间；是吊运设备运输工序的负载等待时间；是工序的制造完成时间；是吊运设备空载运输工序的位置；是吊运设备负载运输工序的位置；是吊运设备负载运输工序的位置；是吊运设备空载运输工序的位置；是吊运设备负载运输工序的位置；是吊运设备负载运输工序的位置。

　　所述调度模型对决策变量的约束为：

　　

　　

　　

　　

　　其中，是机器的决策变量，机器k是否加工工序是工序的决策变量，工序是否为的下一道工序；是机器加工的决策变量，机器k1加工工序和机器k2加工工序是否存在；是同一台机器加工的决策变量，在机器k上，工序是否为的下一道工序。

　　为了说明本发明提供的柔性制造车间的优化调度方法的优越性，以下结合具体实施例对本发明进行说明：

　　项目信息：实验数据来自一柔性制造车间。其中表1是机器参数，包括横纵坐标与工作功率。坐标的单位是米，功率的单位是瓦。表2表示项目信息，其中有四个项目信息，每个项目中有数量不等的工件，相应的有其工序。

　　表1机器参数

　　

　　表2项目具体信息

　　

　　

　　

　　

　　

　　

　　图5至图8表示各种不同的算法在相同的项目数据下进行调度，四个项目中，各个算法的迭代次数与适应度值的关系。其中GA-GSO表示不使用绿色运输策略(GTHS)的混合算法，ABC是人工蜂群算法，PSO是粒子群算法，GSO是萤火虫算法，DE是差分进化算法。

　　从图5至图8中可以看出，在这四个项目数据中，同时对比这六种算法，从结果适应度值来看，本发明所提出的GA-GSO-GTHS算法能有效地降低最大完成时间和能耗量。证明了所提出的优化调度方法的有效性。

　　对比六种算法的仿真实验结果，表明了本发明提出的GA-GSO-GTHS 算法具有良好的求解性能，能够获得较好的最优解。

　　基于上述柔性制造车间优化调度方法，本发明还相应的提供了一种柔性制造车间优化调度设备，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述实施例所述的柔性制造车间优化调度方法。

　　本实施例提供的柔性制造车间优化调度设备，用于实现柔性制造车间优化调度方法，因此，上述柔性制造车间优化调度方法所具备的技术效果，柔性制造车间优化调度设备同样具备，在此不再赘述。

　　综上所述，本发明提供的柔性制造车间优化调度方法及设备，为最小化最大完成时间、降低能耗进行决策，提出一种考虑吊运设备工作状态(负载运行、负载待机、空载运行、空载待机)的调度模型，基于吊运设备与工件工序的衔接关系，提出一种面向绿色运输策略的混合遗传萤火虫算法，对工件工序、吊运设备进行调度，从而得到最优解集，能够有效地降低最大完成时间和能耗量。

　　当然，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硬件(如处理器，控制器等) 来完成，所述的程序可存储于一计算机可读取的存储介质中，该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。

　　可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。