CN106094757A - 一种基于数据驱动的动态柔性作业车间调度控制方法 - Google Patents

Abstract

本发明提供一种基于数据驱动的动态柔性作业车间调度控制方法，企业管理者在制造车间内利用物联网等先进技术，采集柔性作业车间内数据，该方法是利用获取的反应调度车间的数据来驱动实现调度、进行调度方案调整，针对不同的方案，通过基于放置在服务器上的调度规则确定最优方案，即最大完工时间最小值，为作业车间维持高水平的生产运作。

Description

一种基于数据驱动的动态柔性作业车间调度控制方法

技术领域

本发明涉及柔性作业车间，特别是一种基于数据驱动的动态柔性作业车间调度控制方法。

背景技术

柔性作业车间调度问题是一种典型的NP-Hard问题，在生产过程中，调度方案会因各种意外事件的发生而变化。制造企业时时刻刻产生不同种类的数据，收集并分析这些数据可以得知制造情况是否良好，同时也能预测生产制造过程中可能出现的问题并进行实时调控，提高生产效率。数据驱动(文献[1]-[2])充分利用制造企业所收集的数据，在变化着的仿真模型中加入相应的生产数据，有利于更好的适应动态柔性作业车间调度现场。

动态柔性作业车间调度可以有效配置加工资源、缩短加工周期、更好的适应市场日益激烈的竞争，目前有很多学者针对动态柔性作业车间调度问题进行研究并取得了一些研究成果。文献[3]提出一种基于工序树的调度方案解决复杂工序的柔性作业车间动态调度问题。文献[4]提出***重调度和完全重调度的重调度方法解决当机器发生故障时的动态调度问题。文献[5]提出一种适时调整的动态调度方法解决调度过程中存在的多目标及不确定等特征的柔性作业车间调度问题。文献[6]将算法分为精确算法和近似算法，全面总结了动态作业车间调度问题。文献[7]提出一种基于基因表达程序编程的方法解决柔性作业车间的动态调度问题。文献[8]提出一种基于代理的算法研究柔性作业车间调度问题。文献[9]使用重力模拟局部搜索算法求解多目标动态柔性作业车间调度问题，并得到满意解。文献[10]在遗传算法中集成仿真求解机器出现故障的动态调度问题，但是基于数据驱动文献少之又少。

发明内容

针对上述情况，为克服现有技术之缺陷，本发明提供一种基于数据驱动的动态柔性作业车间调度控制方法，企业管理者在制造车间内利用物联网等先进技术，采集柔性作业车间内数据，该方法是利用获取的反应调度车间的数据来驱动实现调度、进行调度方案调整，针对不同的方案，通过基于放置在服务器上的调度规则确定最优方案，即最大完工时间最小值，为作业车间维持高水平的生产运作。

本发明的技术方案是：将调度问题描述为n个工件在m台机器上加工，每个工件包含一道或多道工序，每道工序可以在其可选机器集中任选一台机器进行加工，调度的目标是为工序选择合适的加工机器和安排工序的加工顺序从而达到预期的目标，将调度车间内的数据信息实时输入到服务器内，服务器根据n个工件在m台机器上加工的时间以及工序顺序，排列出多组调度方案，之后根据调度问题的目标及约束，建立数学模型如下：

minC_max＝min(max{C_i|i＝1,2,…,n})

$s.t.\left\{\begin{array}{cc}{s}_{ij}+x_{ijh}*t_{ijh}\≤c_{ij}& \left(1\right)\\ c_{ij}\≤s_{i(j+1)}& \left(2\right)\\ c_{ij}\≤C_{\max }& \left(3\right)\\ \underset{h=1}{\overset{m}{\Σ}}{x}_{ijh}=1& \left(4\right)\end{array}\right.$

其中C_max表示最大完工时间；s_ij表示第i个工件的第j道工序的加工开始时间；t_ijh表示第i个工件的第j道工序的加工时间；c_ij第i个工件的第j道工序的加工结束时间；x_ijh表示第i个工件的第j道工序在机器h上加工。在该模型中，约束(1)表示工件的某一工序先后顺序约束，约束(2)表示工件的前后两个工序加工顺序约束，约束(3)表示某一工件的完工时间不能超过最大完工时间的约束，约束(4)表示同一时间同一台机器上只能加工一个工序的约束。

本发明根据制造车间的实际情况建立了动态柔性作业车间调度模型，对调度情况发生变化时使用数据驱动优化了最大完工时间目标，实现最大完工时间最小的调度方案动态调整。提出了利用企业以往的制造数据及同步产生的数据预测调度方案可能发生情况，针对不同的情况，当车间生产环境将要发生变化时，数据就会发生变化，然后使用基于放置在服务器上的调度规则重新调整调度方案，维持高水平的生产运作。

附图说明

图1为本发明数据收集示意图。

图2为本发明通过企业以往数据预测及其M3可能出现故障时的调度甘特图。

图3为本发明当增加新机器M9后调度甘特图。

图4为***新工件时的调度甘特图。

图5为当工件J8完成后，剩余工件的加工方案。

具体实施方式

以下结合附图对本发明的具体实施方式作进一步详细说明。

由图1至图5给出，本发明的技术方案是：将调度问题描述为n个工件在m台机器上加工，每个工件包含一道或多道工序，每道工序可以在其可选机器集中任选一台机器进行加工，调度的目标是为工序选择合适的加工机器和安排工序的加工顺序从而达到预期的目标。动态柔性作业车间调度是在静态调度的基础上考虑实际车间的生产状况，例如机器发生故障、加工工件加入或者结束等动态因素，增加了问题的复杂度。结合数据驱动制造过程，分析数据在柔性作业车间调度问题中的作用并挖掘当车间环境变化时调度方案应当如何调整的问题，最后以最大完工时间最小为目标函数，列举了当车间状况发生变化时的几种情况及应对的调整方案。将调度车间内的数据信息实时输入到服务器内，服务器根据n个工件在m台机器上加工的时间以及工序顺序，排列出多组调度方案，之后根据调度问题的目标及约束，建立数学模型如下：

minC_max＝min(max{C_i|i＝1,2,…,n})

$s.t.\left\{\begin{array}{cc}{s}_{ij}+x_{ijh}*t_{ijh}\≤c_{ij}& \left(1\right)\\ c_{ij}\≤s_{i(j+1)}& \left(2\right)\\ c_{ij}\≤C_{\max }& \left(3\right)\\ \underset{h=1}{\overset{m}{\Σ}}{x}_{ijh}=1& \left(4\right)\end{array}\right.$

其中C_max表示最大完工时间；s_ij表示第i个工件的第j道工序的加工开始时间；t_ijh表示第i个工件的第j道工序的加工时间；c_ij第i个工件的第j道工序的加工结束时间；x_ijh表示第i个工件的第j道工序在机器h上加工。在该模型中，约束(1)表示工件的某一工序先后顺序约束，约束(2)表示工件的前后两个工序加工顺序约束，约束(3)表示某一工件的完工时间不能超过最大完工时间的约束，约束(4)表示同一时间同一台机器上只能加工一个工序的约束。

1、数据驱动在柔性作业车间调度问题的具体应用。

1.1存储的数据

结合某制造企业的加工车间，其车间数据收集情况如图1所示。从获取的数据中筛选出有用的时间、机器的生产状态图等信息，结合机器的维修体制，优化提出的目标。该车间数据经过筛选简化后得到一个8个工件J1-J8在8台机器M1-M8上加工的柔性作业车间调度问题，如表1所示，其中“-”表示该工序不能在相应的机器上加工。

表1简化后的柔性作业车间调度问题

Tab.1 Simplified Flexible Job Shop Scheduling Problem

1.2调度方案

柔性作业车间调度不仅需要为每道工序选择最合适的机器，还要解决在每台机器上加工的各个工件工序的加工顺序及开工时间，最后使要求的目标达到最优。基于数据驱动的柔性制造需要充分挖掘数据的重要性，将一些常用的调度算法放置在服务器中，根据订单要求和车间状况指定相应的调度方案。由图1可知，车间内的数据是实时变化的，存储在服务器上的数据只有实时更新才能及时反馈车间状况，将调度算法接入到服务器上。然后，根据不同需求做出不同调度方案，能够充分利用数据，挖掘数据价值并应用于决策。以改进的遗传算法为调度算法放置在服务器端，当车间的生产情况变化时，采用服务器上的调度算法对调度方案做出调整，然后将调整后的多个方案的数据带入数学模型中得出最大完工时间的最小值，得出最大完工时间最小值的方案即是最佳方案。

1.3数据驱动下的调度方案的调整

数据的分析和挖掘功能是以数据驱动为基础的制造核心价值的体现，即根据企业以往的数据可以预测生产车间未发生的事，提前坐车应对方案，避免出现不必要的损失，依据云计算技术，考虑可能发生的情况并做出新的决策。在调度车间应用数据驱动时，调度车间环境变化应加以考虑，根据以往的数据推车车间可能发生的情况，同时根据实时的数据变化判断生产环境的变化，最终得到最优的调度方案以实现制造企业的高效运作。

1.3.1机器故障预测及其调整方案的调整

生产运作***的维护，对维持生产运作***运行效率有重要影响。根据制造企业以往加工机器运行数据可以推测出机器需要维护的时间，避免发生故障后再进行修理所造成的时间浪费，使用预防性维护可以延长设备寿命，缩短设备维修时间，提高设备利用率。例如：根据该制造企业所搜集的加工机器运行时间数据，推断出在某一个生产周期时，机器M3可能会出现故障，则可以利用数据的预测功能，在该生产周期安排机器M3维护。在服务器上对调度方案进行调整，得到新的调度方案，从而避免可能出现的因机器故障而产生不必要的停机浪费。通过数学模型算出最佳的调度方案，此时的调度方案如图2所示，图2为通过企业以往数据预测及其M3可能出现故障时的调度甘特图。此时最大完工时间最小为22。

1.3.2机器故障预测及其调整方案的调整

当制造企业制造能力不足时，即当前的设备能力不能满足加工要求的情况下会增加新的设备来提高生产力，当新设备加入时，生产能力上升，可以提高生产效率，缩短生产周期。例如该制造企业新增机器M9，各工件的工序在其上加工的时间分别为(11,5,3,8,7,5,9,-,3,10,8,4,10,9,6,7,3,-,5,3,7,5,8,6,9,-,7,7,4,9)，该机器投入使用后，通过数学模型算出最佳的调度方案，对加工方案重新调整后如图3所示。此时最大完工时间最小为19。图3为当增加机器M9后调度甘特图。

1.3.3新的工件加入时及调度方案的调整

制造企业经常会有新的订单且需要优先加工的工件，这时就要安排该工件***到生产行列中，此时需要重新调度生产以满足加工需求。如该企业接到一个新的工件J9，该工件含有4个工序，数据如表2所示。将该工件安排到生产序列后，通过数学模型算出最佳的调度方案，得到新的调度方案如图4所示。此时最大完工时间最小为21。图4为***新工件时的调度甘特图。

表2新增工件的加工参数

Tab.2 Parameters of New Job J9

1.3.4有工件完成加工及调整方案的调整

当某个工件即将完成时，下一周期的生产方案也需要重新分配。服务器上的数据实时更新加上服务器上的调度规则使实时调度成为现实。如在该制造车间加工该批工件时，工件J8在本周期内将加工完毕，应用数据的预测功能，下一周期将使用新的调度方案，通过数学模型算出最佳的调度方案，得到新的调度方案如图5所示。此时最大完工时间最小为20。图5为当工件J8完成后，剩余工件的加工方案。

参考文献

[1]***,马玉敏,李莉,等.数据驱动下的半导体生产线动态调度方法[J].控制理论与应用,2015(9):1233-1239。

(Wu Qi-di,Ma Yu-min,Li Li,et al.Data-driven dynamic scheduling methodfor semiconductor production line[J].Control Theory&Application,2015(9):1233-1239。)

[2]江波.基于动态数据驱动的柔性制造***调度模型研究[J].沿海企业与科技,2010(3):34-38。

(Jiang Bo.Research on flexible manufacturing system scheduling modelbased on dynamic data driven[J].Coastal Enterprises and Science&Technology,2010(3):34-38。)

[3]刘想德,张根保.柔性作业车间动态调度方法研究[J].机械设计与制造,2014(5):243-245。

(Liu Xiang-de,Zhang Gen-bao.Flexible job shop dynamic schedulingmethod research[J].Machinery Design&Manufacture,2014(5):243-245。)

[4]吴正佳,何海洋,黄灿超,等.带机器故障的柔性作业车间动态调度[J].机械设计与研究,2015,31(3):94-98。

(Wu Zheng-jia,He Hai-yang,Huang Can-chao,et al.Flexible job shopdynamic scheduling problem research with machine fault[J].Machine Design andResearch,2015,31(3):94-98。)

[5]潘颖,高天一,薛冬娟,等.基于故障处理算法的动态多目标FJSP研究[J].组合机床与自动化加工技术,2014(4):150-153。

(Pan Ying,Gao Tian-yi,Xue Dong-juan,et al.Research on dynamic multi-objective FJSP based on fault-handling algorithm[J].Modular Machine Tool&Automatic Manufacturing Technique,2014(4):150-153。)

[6]Zhang Jing-ming,Li Xia.Research on dynamic job shop scheduling[J].Informatics and Management Science V,2012(208):43-50。

[7]Nie Li,Gao Liang,Li Pei-gen,et al.A GEP-based reactive schedulingpolicies constructing approach for dynamic flexible job shop schedulingproblem with job release dates[J].Journal of Intelligent Manufacturing,2013,24(4):763-774。

[8]Rajabinasab A,Mansour S.Dynamic flexible job shop scheduling withalternative process plans:an agent-based approach[J].International Journal ofAdvanced Manufacturing Technology,2011,54(54):1091-1107。

[9]Hosseinabadi A A R,Siar H,Shamshirband S,et al.Using thegravitational emulation local search algorithm to solve the multi-objectiveflexible dynamic job shop scheduling problem in Small and Medium Enterprises[J].Annals of Operations Research,2015,229(1)：451-474。

[10]Gholami M,Zandieh M.Integrating simulation and genetic algorithmto schedule a dynamic flexible job shop[J].Journal of IntelligentManufacturing,2009,20(4)：481-498。

Claims (1)

1.一种基于数据驱动的动态柔性作业车间调度控制方法，其特征在于，将调度问题描述为n个工件在m台机器上加工，每个工件包含一道或多道工序，每道工序可以在其可选机器集中任选一台机器进行加工，调度的目标是为工序选择合适的加工机器和安排工序的加工顺序从而达到预期的目标，将调度车间内的数据信息实时输入到服务器内，服务器根据n个工件在m台机器上加工的时间以及工序顺序，排列出多组调度方案，之后根据调度问题的目标及约束，建立数学模型如下：

minC_max＝min(max{C_i|i＝1,2,…,n})

$s.t.\left\{\begin{array}{cc}{s}_{ij}+x_{ijh}*t_{ijh}\≤c_{ij}& \left(1\right)\\ c_{ij}\≤s_{i(j+1)}& \left(2\right)\\ c_{ij}\≤C_{\max }& \left(3\right)\\ \underset{h=1}{\overset{m}{\Σ}}{x}_{ijh}=1& \left(4\right)\end{array}\right.$

其中C_max表示最大完工时间；s_ij表示第i个工件的第j道工序的加工开始时间；t_ijh表示第i个工件的第j道工序的加工时间；c_ij第i个工件的第j道工序的加工结束时间；x_ijh表示第i个工件的第j道工序在机器h上加工；在该模型中，约束(1)表示工件的某一工序先后顺序约束，约束(2)表示工件的前后两个工序加工顺序约束，约束(3)表示某一工件的完工时间不能超过最大完工时间的约束，约束(4)表示同一时间同一台机器上只能加工一个工序的约束。