多目标混合流水车间机器故障重调度问题研究

在数字化转型过程中,如何解决好生产调度问题是研究者关注的问题。混合流水车间机器故障是在生产调度过程中常遇到的问题。为此,需要为快速解决机器故障的重调度问题找到方法。在解决机器故障重调度过程中,主要考虑的因素为加工时间不能确定、物流装卸时间以及生产设备布局限制,从而提出这种多种重调度组合的重调度方法。首先建立双目标数学模型,系统中植入NSGA-II算法求解初始调度方案,算法采用启发式规则和随机化的方式生成初始解,利用仿真的方法对调度方案进行评价。其次,将多种重调度方式融合在一起,通过设备故障仿真验证重调度方法,试验验证启发式规则作为初始解的一部分,可以非常好地提高算法的搜索效率,所研究的重调度方法能够有效解决混合流水车间机器故障问题,具有重要的意义。     

基于GASA优化算法的不确定条件下Job-Shop调度问题研究

针对不确定因素和动态干扰事件下Job-Shop调度问题,基于模糊数理论和动态调度策略,综合考虑完工时间、机器加工成本和机器负荷,建立了作业车间多目标不确定性调度模型;为了求解该调度模型,结合遗传算法和模拟退火算法的特点,设计了遗传模拟退火混合算法,并针对作业车间的复杂性要求,对算法的编码解码、交叉变异算子以及保优策略等方面进行了改进;通过仿真,得到了初始调度方案,然后在此基础上,采用动态调度策略对紧急插单、机器故障、工件取消和交货期变更等不确定干扰事件进行了研究.通过对某电动产品生产公司车间进行的实证研究结果表明,根据上述研究得到的较好的调度方案,可以有效地提高机器利用率和客户满意度.该模型和算法能够较好地应用到企业实际生产中.     

基于动态机器故障率的并联加工系统资源多目标调度

针对并联加工系统,为处理生产过程中因机器故障导致的加工资源动态调度问题,考虑系统资源负荷和故障率存在的动态相互制约关系,依据子周期划分的不同策略,对调度后的加工总时间、预防维修时间和系统可靠度进行量化研究,构建多目标动态调度模型。采用基于Pareto熵的多目标粒子群算法对模型进行求解,通过改进个体最优解选择策略,提升最优解选取的多样性;通过差熵来估计种群所处进化状态,改进算法的搜索能力。以某企业的加工系统为实例,利用该模型进行加工资源调度方案设计,通过模糊决策得到的多目标权重,选取最优调度方案,并进行多个参数对比,验证在加工资源调度过程中,集成考虑动态机器故障率和基于机器最大役龄约束划分子周期的可行性,不仅可以完成订单准时交付,还可以使企业有更好的柔性去应对可能到来的紧急订单。     

考虑批量的多目标柔性作业车间鲁棒调度

针对多品种小批量的柔性作业车间调度问题,构建了多目标柔性作业车间鲁棒调度模型,在模型中考虑了工件分批加工、批量启动时间和机器故障等因素。基于以上因素的特点,设计了有效的染色体编码方法、染色体解码策略及机器故障仿真算法。基于非支配排序遗传算法(Non-dominated Ranked Genetic Algorithm,NRGA)的基本框架,设计了多目标优化算法,并采用有效的交叉和变异算子避免产生非法解。通过对算例的仿真实验,验证了构建的模型和设计的求解算法能够有效提高调度的鲁棒性,有效避免实际调度性能的恶化。     

基于机器故障的车间调度研究

针对柔性车间调度下的机器故障问题,构建了基于粒子群优化算法的多目标柔性车间调度模型。加工机器发生故障后,用重新调度方法对未加工的所有工序进行重调度安排,以减少机器故障对优化指标的影响。同时给出一种稳定性指标来评价重调度的效果,以及机器发生故障的概率去预防机器出故障的情况,提高算法的有效性和稳定性。然后引入了淘汰机制改进算法,提高算法的全局收敛效率,并运用改进算法对具有故障机器的多目标柔性车间调度问题模型进行仿真实验。最后验证了该算法在车间调度中发生机器故障的可行性。     

基于深度强化学习的工序交互式智能体Job shop调度方法

针对作业车间调度问题(Job shop scheduling problem, JSSP)因NP-难属性难以快速获得优质解,以及生产场景随机扰动所导致的频繁重调度等求解难题,基于深度强化学习提出一种新颖的交互式工序智能体(Interactive operation agent, IOA)调度模型框架。在分析工序间工艺路线和加工设备约束关系的基础上,将Job shop的加工工序构建为工序智能体,设计工序智能体间的交互机制,智能体依据彼此关系进行特征交互并更新自身的特征向量,并基于工序特征和最早加工时间设计拟合动作值函数的深度神经网络,调度模型根据系统状态和工序智能体特征即可生成调度策略。采用Double DQN算法训练IOA调度模型,引入经验回放机制消除序列训练样本间的相关性,训练好的模型可以快速生成高质量的调度方案,并在机器发生故障时能够有效执行重调度策略。试验结果表明所提出的IOA调度方法优于贪婪算法和启发式调度规则,且具有良好鲁棒性和泛化能力。     

基于双层遗传编码的柔性作业车间自适应重调度研究

针对不确定环境下的柔性作业车间调度,设计了能适应订单异动、操作延时和机器故障等3种常见扰动类型的重调度方法。通过设置可用机器集和操作时间等基本参数,制定各扰动单独或组合发生后基本参数的更新策略,建立了面向3种不确定扰动类型的自适应重调度框架;结合工序码和机器码形成了一种双层染色体编码,该编码能有效表征上述系统参数,实现自适应重调度;利用遗传算法,通过选择算子寻优及交叉变异算子的种群拓展实现全局优化。400个具有不同规模的实例证明了该重调度方法所得方案可信,计算时间可控,能有效应用于生产实际。     

不确定条件下车间动态重调度优化方法

分析车间生产环境复杂、多变以及生产过程中各种随机扰动所导致的不确定性问题,将扰动分为显性扰动和隐性扰动两类。分别采用主动和被动触发式重调度驱动规则,对各种扰动进行响应,并通过建立重调度优化集,结合滚动时域优化方法,对大规模动态重调度优化问题进行了简化。提出重调度优化集内待加工工件的选取规则,以减少工序间机器空闲时间。最后提出混合粒子群调度优化算法,对优化集内待加工工件进行智能优化调度,并采用该算法结合具体的仿真实例验证了该动态随机重调度优化方法的有效性。     

基于并行工程的CAPP与生产调度集成研究

传统的OAPP是基于制造资源静态考虑的，在实际生产调度时，由于现场资源的不断变化，往往导致原工艺计划与生产实际条件不符，需要做重新设计、反复修改等调整。针对这些情况，本文基于并行工程理论，提出了工序分段设计的OAPP系统和基于扩展事件再调度策略的生产调度系统的集成。本系统既可以缩短待加工工件进入生产的等待时间，又能够减少因紧急事件的发生所造成的OAPP原工艺计划的大调整，保证OAPP的时效性。另外，当某关键设备发生故障时，允许其上未完成工序的工件到可替代设备上加工。实例验证了本系统的可行性和有效性。     

考虑设备预维护的柔性作业车间调度节能优化方法

随着能源成本的飙升和环境日益恶化,实现节能生产的策略越来越受到制造企业的关注.在车间实际生产调度过程中,机床设备的故障与维护会影响车间调度方案的顺利执行,进而导致出现车间加工资源冲突、能耗增大和完工时间延长等问题.为减少实际柔性作业车间加工过程中出现由于机床故障而导致加工中断的情况,提出一种考虑设备预维护的柔性作业车间调度节能优化方法.分析考虑设备预维护的柔性作业车间能耗特性,建立考虑设备预维护的柔性作业车间调度节能优化模型,设计机床预维护策略,并在此基础上提出一种启发式框架下的调度算法对节能优化模型进行求解,通过不同方案的对比分析,验证所提方法的有效性.     

机器故障下柔性作业车间的生产重调度方式决策模型

在机器故障后采用何种方式进行生产重调度，直接影响到柔性作业车间的生产效率和稳定性。为此，提出一种融合数据仿真、遗传优化与BP神经网络的重调度方式决策模型，以便在给定故障情形下经济、高效、快速地估计出最优重调度方式。首先，针对柔性作业车间，仿真生成不同机器故障情形下、各种重调度方式下的重调度方案，比较最大完工时间差值、工序结束时间差值和工序变动成本3个评价指标，将综合指标最小的重调度方式判定为给定情形下的最优方式，产生出带标签的大规模样本。在此基础上，构建基于遗传—神经网络的重调度方式决策模型，挖掘机器故障与重调度方式的内在联系，估计不同故障情形下的最优重调度方式。其中，遗传算法先用于确定BP神经网络结构，再用于优化权值和阈值。实验证明所提出决策模型能显著提升机器故障下柔性作业车间的决策效率与反应能力。     

基于仿真优化的加热炉—热轧区间重调度

为实现钢铁企业的生产连续性、成本降低等优化目标,在考虑加热炉、连铸机生产的工艺要求、订单交货期和产能的基础上,建立了加热炉—热轧区间生产调度模型,并利用非支配排序遗传算法对其进行求解。当加热炉或热轧机出现故障时,利用局部重调度重排策略,实现了加热炉—热轧区间的重调度。为减少随机因素的影响,可对染色体进行多次独立仿真,取其平均值返回给优化器。基于实际生产数据验证了该模型和方法的适用性和可行性。     

多目标柔性作业车间稳健性动态调度研究

研究了以调度稳定性和鲁棒性为优化目标的柔性作业车间动态调度问题。建立了多目标柔性作业车间动态调度问题模型;针对动态事件特点,采用工件到达发生器和机器故障预维护发生器模拟动态事件,提出了基于周期与事件驱动的混合重调度策略,该策略在每个重调度点对工件进行完全重调度或右移重调度;为克服传统差分算法早熟的缺点,设计了一种改进的多目标差分进化算法求解该调度问题;实例验证了提出策略和算法的有效性。     

不确定环境下Job Shop重调度执行成本研究

为提高不确定环境下Job Shop制造车间重调度的稳定性以及方案的可执行性,建立了基于工件和机器两个层面的预调度实施损失函数,综合加权相同工序的时间偏差成本、相同工件的相邻工序的时间偏差成本、设备的工作时间偏差成本以及等待时间偏差成本,实现对重调度执行成本的衡量,降低实际执行的重调度方案不能满足预期生产目标的危险。最后通过仿真,验证了研究重调度执行成本的必要性。     

考虑工时不确定的混合流水车间滚动调度方法

针对加工时间不确定的混合流水车间动态调度问题,提出一种基于滚动窗口的改进蚁群算法。为实现对事件驱动机制下重调度发生频率的有效缓冲,设计基于交货期偏差容忍度的滚动调度策略。同时为提高调度算法的计算效率,以应对现实生产中工时偏差的频繁发生,在滚动时域分解方法框架下提出一种改进的蚁群算法。一方面,通过压缩蚂蚁可选路径限制其移动范围,在缩短蚂蚁搜索周期的同时寻求新的解;另一方面,通过适当刺激蚂蚁尝试具有较弱信息素路径,提高所得解的全局性。通过实例仿真,分别对滚动调度策略和动态调度算法性能进行分析验证,得出较优的滚动调度策略参数,并验证了算法的优越性。最后给出实际生产算例,验证了滚动调度方法的有效性。     

基于Plant Simulation的柔性作业车间仿真研究

针对8×8和10×10的柔性作业车间调度问题,通过设置机器故障率和物料在不同机器之间的物流转运时间,从而研究以最大完工时间最小为优化目标的理想调度方案在考虑生产不确定因素下的表现情况。通过增加生产不确定因素,使研究对象更加接近实际生产系统,并使用Plant Simulation系统仿真软件对两个柔性作业车间进行建模,从而研究机器故障和物流转运时间对调度方案的影响。     

考虑设备维修与维护的装配作业车间动态生产仿真研究

装配作业车间生产调度的关键是动态协同产品各零件的生产进度以满足产品的齐套需求。设备的随机故障将会扰乱已有的生产计划,给各零件之间的进度协同带来更高的挑战。预防性维护能够提高设备的可靠度以减少故障的发生,但过度的维护又会减少生产加工的时间。从调度规则构成属性的角度分析设备故障将带来的影响,并提出一种考虑设备故障的改进型调度规则。通过仿真试验分析了企业常见的3种预防性维护策略对车间性能的影响和7种代表性调度规则的性能。试验结果表明:预防性维护策略对车间有明显的影响;且考虑了设备故障的调度规则有一定的改进效果。     

机器混合故障下柔性作业车间鲁棒调度方法

柔性作业车间机器在生产过程中时常发生退化故障和突发故障，针对这种混合故障，考虑用预防性维护来防止退化故障，通过插入缓冲时间的方式来吸收突发故障的影响。分别以工序最终完工时间期望值和各工序加工完成时间的延迟总和期望值为质和解的鲁棒性指标，建立柔性作业车间鲁棒性调度优化模型，并设计引入混合故障概率矩阵的改进遗传算法对模型求解，联合决策工序加工顺序、预防性维护位置和缓冲时间位置，同时优化调度方案的鲁棒性。最后通过数值实验与对比分析验证了此鲁棒调度方法能有效应对车间混合故障造成的扰动。     

[智能设计与计划调度]机器故障下加工车间优化重调度方式预测

为预知不同故障情形下的优化重调度方式,实现快速、有效的重调度决策,提出融合调度仿真与改进概率神经网络的重调度方式预测方法。考虑到现场故障样本难获得且无法涵盖全部故障情形,利用仿真实现随机故障下优化重调度样本的生成;以工序加工时间的累计变动、变动任务数、makespan改变量为决策依据,生成各样本的标签;将带标签数据样本输入到概率神经网络模型,实现优化重调度方式预测。实验结果表明：所提出的方法准确率达99.54%;在指定加工车间和生产任务的前提下,故障机序号和故障修复时间对优化重调度方式起决定性作用。     

基于BP神经网络的不确定性动态Job-shop调度研究

针对作业车间调度的不确定和动态问题,围绕设备故障、订单追加、紧急订单插入3种典型的不确定性情况提出1种基于BP神经网络的重调度方法。当生产过程中发生不确定性事件对原先调度方案产生巨大扰动时,通过已构建且训练好的BP神经网络快速进行响应并生成1个重调度方案,保证整个生产过程高效、有序、稳定地运行。通过仿真实例验证了可行性。