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。     

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。     

扰动累积下基于机器学习的重调度方式选择

针对扰动累积下重调度方案甄选问题,提出了一种基于数据学习的重调度方式选择方法。利用累积误差时间来量化隐性扰动,用数据反映实时生产加工状况;构建扰动累积下重调度模型,基于遗传仿真获取评价重调度决策的因素、决策标签。分析仿真样本特征,并基于数据特征降维映射,构建基于支持向量机的分类决策模型以学习生产状况与重调度方式的内在联系,从而帮助生产管理者快速制定决策,提高响应速度。实验验证了所建立重调度方式选择框架的合理性和有效性。     

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。     

基于模糊神经网络的半导体生产线重调度策略优化

针对缺乏半导体生产线重调度策略优化方法的研究现状,提出了基于模糊神经网络的半导体生产线重调度策略优化技术。将重调度策略划分为半导体生产线、设备组和设备重调度层次,利用仿真评价确定优化的重调度策略,并获得样本数据。通过对模糊神经网络训练,建立干扰和半导体生产线状态等输入参数与优化的重调度策略输出之间的映射关系。以上海某125mm晶圆生产线为例,结果表明了该重调度策略优化方法的有效性。     

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。     

智能RGV动态调度研究

本文围绕RGV动态调度问题,建立了以排队论为基础的RGV动态调度模型,设计了两道工序加工和有故障时物料加工的具体算法。利用MATLAB实现了对问题的求解。针对两道工序的物料加工问题:首先,依据不同工序加工时间的相对大小列举出三种不同情况下加工刀头数量分配,再利用遗传算法计算出不同的数量分配下的最优工序刀头排列组合,最后根据邻近原则计算出不同作业参数下分别的物料生产总数。针对有故障概率的物料加工问题:在两道工序物料加工模型基础上加入故障随机发生性以及持续时间随机性对RGV进行动态调度,由此计算出在有故障概率的情况下8小时内两道工序物料生产数。最后,对模型进行推广及优化,在模型推广中提出了多个RGV调度模型,并用遗传算法对其动态调度;在模型优化中提出了无等待RGV动态调度模型以及单个CNC可进行两道工序加工的模型,并与原模型进行比较,证实了优化模型的可行性和实用性。     

基于数字孪生的多自动导引小车系统集中式调度

针对具有多辆自动导引小车的多机器人存取系统在分布式调度时系统性能不明确、优化程度低的难题,提出一种基于数字孪生的集中式调度方法。建立了以物理系统、虚拟系统、孪生数据中心和系统支撑服务为核心的数字孪生模型,提出物理系统接收指令和采集数据机制、虚拟系统方案生成与仿真机制、孪生数据中心数据处理和对比机制,并基于系统支撑服务确保这3种机制互相映射。通过物理系统和虚拟系统的数据交互预测未来的情况,实现动态拣货单情形下的实时调度。针对系统中发生的各种扰动,提出新的重调度规则进行调度优化。通过实例验证,与传统方法相比,基于数字孪生的集中式调度能够准确预测未来一段时间的系统状态,并能整体优化系统性能,有效处理扰动。     

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。     

不确定环境下再制造加工车间生产调度优化方法

针对再制造加工车间工况兼具随机性与模糊性,采用模糊随机变量表示废旧件加工时间,以描述再制造加工车间工况的双重不确定性;在不确定理论的基础上,建立基于模糊随机机会约束的再制造加工车间生产调度问题模型,并提出求解该问题混合智能优化算法:基于Arena仿真平台应用模糊随机模拟技术产生输入和输出数据,利用粒子群优化算法训练径向基函数神经网络以逼近不确定函数,将训练好的神经网络嵌入至遗传算法中优化再制造加工车间生产调度问题;通过仿真实例验证该混合智能优化算法解决加工时间为模糊随机变量的不确定环境下再制造加工车间生产调度问题的有效性和合理性。     

一种基于动态粗集的工件滚动调度识别方法

为在动态加工环境下采用滚动优化调度时,研究了调度窗口内工件的识别问题。基于动态粗集和其元素动态迁移特性,提出了一种工件滚动调度识别方法,考虑在工件加工过程中有生产设备损坏、工件到期时间改变和急加工工件等动态环境中,通过滚动优化调度工件的识别,不仅能适应加工环境的动态变化,获得满意的调度结果,而且减少了再调度次数和调度问题求解的规模。仿真结果验证了该方法的有效性。     

工序加工时间不确定的柔性作业车间重调度算法

针对工序加工时间不确定的柔性作业车间重调度问题,以最小化最大完工时间和最小化机器总负荷为目标,利用区间数表征加工时间不确定性,采用泛灰数实施作业调度,引入EDQS重调度触发机制和滚动窗口优化策略,设计了关键工序集的构造规则;采用改进的NSGA-Ⅱ算法优化关键工序集和SPT规则调度非关键工序集,从而实现完全工序集的调度。引入Hypervolume指标维护进化种群,在保证Pareto最优解集收敛性的同时维持了群体多样性,以泛灰数序关系确定最优调度方案。仿真实例不仅证明了基于工序加工时间不确定的柔性作业车间重调度算法的可行性和有效性,而且证明该方法能够及时响应不确定性因素扰动。     

Rule- and PSO algorithm-based dynamic spatial rescheduling method for hull curved block construction

Due to no effective rescheduling method in hull curved block construction planning, existing scheduling planning can’t be applied in practical production effectively. Two-dimensional layout and dynamic attributes of block construction planning are considered to develop a spatial rescheduling method, which is based on the spatial points searching rule and the particle swarm optimization(PSO) algorithm. A dynamic spatial rescheduling method is proposed to solve the manufacturing problem of rush-order blocks. Through spatial rescheduling, the rescheduling start time, the current processing information set and rescheduling blocks set can be obtained automatically. By using and updating the data of these sets, the rescheduling method combines the PSO algorithm with the spatial points searching rule to determine the rescheduling start time and layout of the blocks. Three types of dynamic events, including rush-order block delay, existing block delay and existing block position changes, are used to address problems with different function goals by setting different function weights. Finally, simulations based on three types of rush-order block events are performed to validate this method, including single rush-order block, multi rush-order blocks at the same time and multi rush-order blocks at different times. The simulation results demonstrate that this method can solve the rush-order block problems in hull block construction and reduce the interference to the existing manufacturing schedule. The proposed research provides a new rescheduling method and helps instruct scheduler to make production planning in hull block construction.     

虚拟生产系统的自适应动态调度机理及算法

为解决动态制造环境下虚拟生产系统的动态调度问题,提出了一种基于事件驱动的自适应动态调度方法。在该方法中,自适应动态调度机理首先通过检测获得虚拟生产系统所面临的动态事件,进而分析动态事件对调度产生的局部影响,并制定相应的自适应措施和规则,然后在自适应规则的指导下,采用改进的启发式受影响操作重调度算法作为自适应动态调度的算法,来确定调度中的受影响操作并对其做出相应的局部调整,从而以一种自适应的方式快速而平稳地完成虚拟生产系统的动态调度。最后,通过与一种典型的整体重调度方法（基于多智能体的调度方法）的比较,验证了该方法的可行性和有效性。     

粒子群优化算法求解多模式项目再调度问题

针对有资源约束的项目调度问题中,项目执行环境发生变更时的项目再调度问题,分析了项目执行环境变更的情况和项目再调度变更费用的构成,建立了以再调度变更费用为优化目标的多模式项目再调度模型并应用基于粒子群优化算法进行求解.在该算法中,粒子分为优先级粒子和模式粒子,实现对活动优先顺序和模式的优化.部分初始优先级粒子位置矢量通过启发式规则产生,以提高解的质量.通过仿真计算分析了关键参数的选择,并与其他启发式算法进行了比较.仿真结果表明,该算法能有效地求解多模式项目的再调度问题,在实际工程中有一定应用价值.     

基于自适应蚁群算法的动态作业车间调度问题的求解方法

针对目前大多数作业车间调度算法都是静态调度,而实际工业生产中调度任务都是动态变化的问题,提出了一种求解动态作业车间调度问题的自适应蚁群算法.算法采用事件驱动调度策略,当调度任务发生变化时根据上次调度结果重新调度,并且对每次调度采用自适应蚁群算法优化调度方案.最后,通过实例仿真验证了算法的有效性.仿真结果表明,该算法自适应性表现在算法针对"搜索结果是否陷入局部收敛"分别对各路径上的信息素进行了自适应调整,有助于算法快速跳出局部收敛,继续向全局最优解进行搜索.     

基于极点对称模态分解和概率神经网络的轴承故障诊断

针对复杂非线性的滚动轴承系统,提出了极点对称模态分解（ESMD）和概率神经网络（PNN）相结合的滚动轴承故障诊断方法。ESMD将固有模态函数的定义进行扩充,采用内部极点对称直接插值的方法替代外部包络线插值,引入最优的自适应全局曲线（AGM）的概念优化分解的趋势线,并由此确定最佳的模态分解次数。PNN是一种基于核函数逼近的神经网络分类器,将指数函数引入神经网络用来替代S型激活函数并进行重新构造,突出体现了梯度最速下降法的概念,减少实际和预测的输出函数之间的误差。通过对经验模态分解(EMD)、屏蔽经验模态分解(MEMD)和ESMD方法进行信号仿真分解对比,以及采用ESMD和PNN对故障数据进行处理,结果表明,该方法能够更加有效地对故障信号进行识别。     

半导体生产线全局修正式重调度方法研究

基于群体智能思想,提出了全局修正式半导体生产线重调度方法。首先,给出了基于群体智能思想的重调度模型;然后,在此模型基础上,给出了全局修正式重调度算法;最后,基于实际生产线的仿真模型对全局修正式重调度算法与企业原有算法进行了对比分析。仿真结果表明,在不确定的半导体生产线环境下,在适当的时候使用全局修正式重调度算法生成重调度方案,能够更好地优化模型的在制品移动次数、在制品移动速率与工件操作准时交货率等短期性能指标。目前,该方法已在某实际半导体生产线中应用并取得了良好的效果。