CN107437121B - 适用于多机器同时处理单工件的生产工艺过程控制方法 - Google Patents

Abstract

本发明公开了一种适用于多机器同时处理单工件的生产工艺过程控制方法，包括首先根据生产车间特征进行多并行处理机问题模型的构建，模型中包含多台机器同时、独立处理单工件的加工情形；其次基于DABC算法构建模型求解方法，以最小化最大完工时间和最小化设备投入成本为目标寻求最优的工件加工序列与机器资源分配方式；最后，对生产控制结果方案进行发布与存储，对涉及到的车间数据信息进行保存与管理。本发明能够解决带有多台机器同时处理单个工件加工场景的生产控制问题，综合考虑了工件加工顺序与机器资源分配，通过改进DABC算法提高了模型求解效率，优化后的生产工艺过程控制方案极大地提高了生产率。

Description

适用于多机器同时处理单工件的生产工艺过程控制方法

技术领域

本发明属于车间生产工艺控制技术领域，具体地，涉及一种用于多机器同时处理单工件的生产工艺控制方法，适用于离散制造车间中带有多台机器同时处理单个工件的加工。

背景技术

针对生产工艺过程控制方法，现有技术中存在一些成熟的方案，可以较好地解决车间生产中相关工艺控制问题，获得较好的技术效果。例如中国发明专利201210012320.X中提出了一种基于改进遗传算法的车间生产控制方法，以最大化所有产品满意度和最大化最小满意度作为生产控制目标，解决了加工参数非确定性和有动态干扰事件发生的复杂车间生产控制问题。中国发明专利201310202922.6中提出一种策略搜索遗传方法，以最小化最大完工时间和最小化加权延迟时间总和为目标，解决了同时含有离散机和批处理机两种不同设备类型的多阶段混合流水车间生产控制问题。此外，现有技术中还存在一些针对具体的不同生产类型车间的工艺过程控制方案，例如，中国发明专利201510261796.0中公开了一种钢铁企业生产控制管理***及方法，中国发明专利201510592591.0的说明书中公开了一种针对液压支架焊接车间的信息监控与管理***。

上述现有技术中以不同的智能优化技术与方法对一般性生产工艺过程控制问题提出了一些解决方法，但是，从工艺过程控制技术方法来看，往往是针对经典标准问题居多，针对特定生产加工场景的技术方法则有所欠缺；另外，从生产工艺过程控制***方面来看则偏重与车间信息***的构建，在智能控制技术方法方面做得不够。此外，由于车间类型与生产方式众多，仍有很多其它类型的车间缺乏较为有效的生产控制方法。

特别是，在实际车间生产过程中，针对工件形体较大、机器围绕工件进行加工的生产场景中，存在多台机器同时、独立加工同一工件的生产方式，如大型结构件的焊接等，对于这种生产方式，如何最优化控制其生产工艺，使得生产控制更精准化，提高资源利用率并降低了车间生产成本，目前没有有效的解决方案，仍然是目前亟需解决的问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种用于多机器同时处理单工 件的生成工艺过程控制方法，其通过一种多并行处理机问题控制方式并基于改进的离散人工蜂群方法，使得其生产控制工艺最优化，解决上述存在的生成控制精准化不够，生产效率低的技术问题。

为实现上述目的，按照本发明，提供一种用于多机器同时处理单工件的生成工艺过程控制方法，其包括如下步骤：

(1)建立多机器同时处理单工件的生产工艺过程控制模型，具体包括：

(1.1)设定生产艺过程控制模型的优化目标，即以最小化最大完工时间和最小化机器投入成本作为目标，分别为：

minf₁＝maxT_i,j (1)

其中，T_i,j为工件j在工序i的完工时间；p_i,j为工件j在工序i的加工时间；M是工序集且M＝{1,2,…,m}，其中m为自然数；i为工序编号且i∈M；N是工件集且N＝{1,2,…,n}，其中n为自然数；j为工件编号且j∈N；M_i是第i个工序上的机器集；r为机器序号且r∈M_i，若工序i中工件j在机器r上加工则y_i,j,r＝1，否则y_i,j,r＝0，μ_i,j为工件j在工序i上所用机器数，

C为增加额外机器的罚系数，C∈[0,1]；

(1.2)根据车间实际情况，设定如下约束：

其中，约束(3)确定每个阶段的第一个工件，约束(4)表示工件存在确定序列先后关系，约束(5)是对任意时刻各个工序投入使用的并行处理机总数的约束，其中L是可用于加工机器总数，是常数，Φ_i，t是工序i在加工的第t分钟投入使用的机器数量，约束(6)和约束(7)是0-1变量约束；

(2)对上述模型利用人工蜂群算法进行求解，获得求解结果，具体包括：

(2.1)设定种群大小P、机器数限制Lm、弃解极限La及局部搜索概率Ps，生成初始化种群的加工序列permu及各工序上各工件的机器分配矩阵μ、并计算个体ind的适应度值π_ind，其中ind表示第ind个个体，每个个体均包含一个长度为工件个数为n的加工序列permu、大小为m×n的机器分配矩阵μ及对应的适应度值π_ind，适应度值是最大完工时间的倒数；

(2.2)雇佣蜂阶段，对种群中个体ind＝1,…,P，重复如下过程：

(2.2.1)随机选择τ1次***/互换操作，生成一个邻域，其中τ1∈{1,2}；

(2.2.2)生成随机数rand1，如果rand1＜Ps，进行局部搜索生成新的个体并计算新个体的适应度值；

(2.2.3)通过比较新个体与原有个体适应度值，保留适应度值较大个体；

(2.3)跟随蜂阶段，生成随机数rand2，若

其中π_q(q＝1,…,ind)是第q个个体的适应度值，选取第ind个雇佣蜂作为跟随蜂并重复如下过程：

(2.3.1)随机选择τ2次***/互换操作，生成一个邻域，其中τ2∈{1,2,3}；

(2.3.2)进行局部搜索生成新的个体并计算新个体的适应度值，局部搜索就是对一个个体进行随机操作之后生成一个新的个体，解为个体，局部搜索是业内成熟的算法。

(2.3.3)通过比较新个体与原有个体适应度值，选取适应度值较大个体作为雇佣蜂；

(2.4)侦查蜂阶段，若max(Bas)＞La，其中Bas是个体ind的适应度值累计未改进次数，则选取该雇佣蜂作为侦查蜂并重复如下过程：

(2.4.1)应用DestrConstr算法生成新的个体作为侦查蜂；其中，DestrConstr算法的过程为：取出个体ind的加工序列permu和机器分配矩阵μ，随机从permu中移除三个编号得到剩余的序列permu0，依次将三个移除的编号***序列permu0并保留适应度值最大的序列，得到新的序列及机器分配矩阵；

(2.4.2)当Nμ＞Lm时，生成新的机器分配矩阵μ1，其中Nμ是总机器数量；

(2.4.3)计算新个体的适应度值并通过比较新个体与原有个体适应度值，若新个体的适应度值更大则以μ1替换μ；

(2.5)记录目前找到的最优个体及相应的工件排序、机器分配矩阵等参数；

(2.6)若终止条件满足则停止，否则转到第(2.2)步。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：

(1)本发明的方法中，能够解决带有多台机器同时处理单个工件加工场景的生产工艺过程控制问题；综合考虑了工件加工顺序与机器资源分配，得到的生产任务控制方案更合理；

(2)本发明的方法中，准备时间的考虑以及机器资源分配的优化使生产工艺过程控制更精准化，从而提高了资源利用率，降低了车间生产成本；

(3)本发明的方法中，通过改进DABC算法提高了问题求解效率，优化生产控制方案极大地提高了生产率。

附图说明

图1是本发明一个实施例的用于多机器同时处理单工件的生产工艺控制方法的实施框图；

图2是本发明一个实施例的用于多机器同时处理单工件的生产工艺控制方法的流程图；

图3是本发明一个实施例的用于多机器同时处理单工件的生产工艺控制方法的结果示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

按照本发明一个实施例所构建的一种用于多机器同时处理单工件的生产工艺过程控制方法，参照图1-图2，包括生产工艺过程控制模型的构建和模型的求解过程，以下给出详细说明：

1)生产工艺过程控制模型的构建

如附图1所示技术方案实施框图，首先根据车间的具体情况搜集客户订单信息、工艺特征信息、可用设备信息及物料信息。其中，客户订单信息决定了生产控制模型的类型，一般由销售部门提供订单需求信息；工艺特征信息由工艺部门提供，决定了生产控制模型中的工作站数量、加工机器特征与约束等；可用设备信息由设备部门提供，由设备信息可知生产控制问题的总机器数、机器分配约束等；物料信息由物料部门提供，可由物料信息获知工件的准备与开始加工状态。模型构建过程如下：

(1.1)定义变量

M＝{1,2,…,m}：工序集，所有工件依次流经指定顺序的工序集，m为自然数

M_i：第i个工序的机器集，i∈M

Φ_i,t：第t分钟工序i上的并行处理机数量

L：加工机器总数

N＝{1,2,…,n}：工件集，n为自然数

p_i,j：工件j在工序i的加工时间.

s_i,j：工件j在工序i加工的序列无关的准备时间

T_i,j：工件j在工序i的完工时间

C：增加额外机器的罚系数，C∈[0,1]

x_i,j,k:若在工序i中工件j紧接工件k之前加工则x_i,j,k＝1，否则x_i,j,k＝0

y_i,j,r:若工序i中工件j在机器r上加工则y_i,j,r＝1，否则y_i,j,r＝0

μ_i,j:在工序i中工件j上所用机器数，

(1.2)设定模型的优化目标

以(1)最小化最大完工时间和(2)最小化机器投入成本作为优化目标：

minf₁＝maxT_i,j (1)

其中，T_i,j是工件j在工序i的完工时间，由式(8)确定；目标(2)表示增加机器投入后增加的成本，由各工序的加工时间及机器分配的机器数量决定。

(1.3)根据车间实际情况，设定如下约束：

约束(3)确定每个阶段的第一个工件。

约束(4)表示工件存在确定序列先后关系。

约束(5)是对任意时刻各个工序投入使用的并行处理机总数的约束，其中L是可加工机器总数，是常数，Φ_i，t是工序i在加工的第t分钟投入使用的机器数量。

约束(6)、约束(7)是决策变量x_i,j,k、y_i,j,r的0-1变量约束。

(1.4)确定工件在每道工序上的完工时间，如式(8)所示。

2)采用改进DABC算法求解生产控制模型

本方案使用如附图2所示的DABC算法求解第1部分构建的带有多机器同时处理单工件加工场景的模型。详细步骤为：

(2.1)设定种群大小P、机器数限制Lm、弃解极限La及局部搜索概率Ps；

(2.2)生成初始化种群，生成初始化种群的加工序列permu及各工序上各工件的机器分配矩阵μ、并计算个体ind的适应度值π_ind，其中ind表示第ind个个体，每个个体均包含一个长度为工件个数为n的加工序列permu、大小为m×n的机器分配矩阵μ及对应的适应度值π_ind；

(2.3)雇佣蜂阶段，对个体ind＝1,…,P，重复：

(2.3.1)随机选择τ1(τ1∈{1,2})次***/互换操作，生成一个邻域，这里设计了四种***/互换操作算子：

M1：对当前代进行一次邻近***操作

M2：对当前代进行一次邻近互换操作

M3：对当前代进行一次随机***操作

M4：对当前代进行一次随机互换操作

(2.3.2)生成随机数rand1，如果rand1＜Ps，进行局部搜索生成新的个体并计算新个体的适应度值；

(2.3.3)通过比较新个体与原有个体适应度值，保留适应度值较大个体；

(2.4)跟随蜂阶段，生成随机数rand2，若

其中π_q(q＝1,…,ind)是第q个个体的适应度值，选取第ind个雇佣蜂作为跟随蜂并重复如下过程：

(2.4.1)随机选择τ2(τ2∈{1,2,3})次***/互换操作，生成一个邻域；

(2.4.2)进行局部搜索生成新的个体并计算新个体的适应度值；

(2.4.3)通过比较新个体与原有个体适应度值，选取适应度值较大个体作为雇佣蜂；

(2.5)侦查蜂阶段，若max(Bas)＞La，其中Bas是个体ind的适应度值累积未改进次数，则选取该雇佣蜂作为侦查蜂并重复如下过程：

(2.5.1)应用DestrConstr算法生成新的个体作为侦查蜂；其中，DestrConstr算法的过程为：取出个体ind的加工序列permu和机器分配矩阵μ，随机从permu中移除三个编号得到剩余的序列permu0，依次将三个移除的编号***序列permu0并保留适应度值最大的序列，得到新的序列及机器分配矩阵；

(2.5.2)当Nμ＞Lm时，生成新的机器分配矩阵μ1，其中Nμ是总机器数量；

(2.5.3)计算新个体的适应度值并通过比较新个体与原有个体适应度值，若新个体的适应度值更大则以μ1替换μ；

(2.6)记录目前找到的最优个体及相应的工件排序、机器分配矩阵等参数；

(2.7)若终止条件满足则停止，否则转到第(2.3)步。

本方案中，约束(3)、(4)、(6)、(7)在种群初始化中已经强制性满足，约束(5)在2.4.1部分，其实该部分是一个循环，即当Nμ＞Lm时生成新的机器分配矩阵，直到满足约束(5)为止。

本发明的上述方法还可以包括生产控制方案发布以及数据信息管理的过程，其具体 为：

3)生产控制结果方案发布

如附图3所示是本方案所提出多并行处理机问题的甘特图解实例。图中，白色条纹将加工时间块分割成纵向的几个块，以此表示多机问题。例如，在工件3的第5工序，有3台机器同时处理工件，所以图中表示此阶段的灰色块中有2条白条，表示同时加工的机器数是3。该甘特图显示最大完工时间是305min。应当指出的是，虽然多并行处理机模型相比于传统模型有较短的最大完工时间，但同时也增加了总机器使用，机器分配矩阵为：

机器分配矩阵是多并行处理机问题的解所特有的，当然也可以认为传统问题中的机器分配矩阵为1-矩阵。此处的机器分配矩阵反映了每个工件在每个工序的机器需求，这在讨论生产控制方案结果的优劣中是一个重要的参考因素。

通过如附图3所示的生产控制方案可视化技术，生产管理人员可明确获取计划订单的待加工顺序，以及各工件在各工序加工中所需机器类型、数量。

4)数据库管理

数据是进行生产控制管理的驱动力量，车间数据主要包含两方面内容：一方面是与生产控制模型特征相关的数据，如客户订单信息、工艺特征信息、可用设备信息等，基于这类数据可以将模型具体化；另一方面是与生产过程相关的数据，如准备时间、加工时间等，此类数据是本发明所提出生产工艺过程控制方法处理的对象，也是对工件在车间生产过程的抽象，其处理结果是生产控制方案的生成。在进行生产控制模型构建之前需要对一些数据进行采集、存储，在生产控制方案生成之后需要对结果数据进行发布、存储。

为进一步阐述本发明的实施过程，以下通过焊接车间生产工艺过程的实施例作说明。

1)焊接车间模型的构建

在实施例中，第一步是根据车间特征进行生产控制问题模型的构建。焊接生产过程是本发明所提出多机器同时处理单工件加工场景的典型应用场景。在大型结构件焊接中， 焊接过程是围绕工件进行的，多台焊机可以同时焊接同一工件，也即多机处理单工件的问题。考虑一个典型的焊接车间，该车间有5道主要工序，或称之为5个阶段，每个阶段均相应有一定数量的机器、工装夹具以及工人等。所有工件以相同的顺序依次通过这5道工序。对于盒状梁的焊接车间来讲，5道工序为：小部件的拼接、大部件拼接、内缝焊接、封装以及外缝焊接。

本实施例的生产控制模型可直接引用前述模型。

2)采用改进DABC算法求解实施例

分别设计10×5、30×5和60×5三个算例进行分析，为体现本发明的效果，将DABC与GA两个算法进行比较。设置种群规模为50，算法迭代次数为1000，机器数量约束为7，弃解极限为3，局部搜索概率为0.2。

依照前述算法步骤进行计算、分析，得到结果如下表1所示：

表1 DABC与GA算法的仿真计算结果

表1的结果表明，对于不同规模的问题，不论从生产效率还是机器投入方面比较，本发明所采用的DABC算法相较于GA具有显著的优势。

3)生产控制结果方案的发布

以10×5规模的问题为例，其生产控制结果方案生成后，工件加工序列为：

8→10→1→6→5→2→7→3→9→4

相对应的机器分配矩阵为：

根据上述结果，即可进行相应的生产和控制。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种用于多机器同时处理单工件的生成工艺过程控制方法，其包括如下步骤：

(1)建立多机器同时处理单工件的生成工艺过程控制模型，具体包括：

设定生成工艺过程控制模型的优化目标，即以最小化最大完工时间和最小化机器投入成本作为目标，分别为：

min f₁＝max T_i,j (1)

其中，T_i,j为工件j在工序i的完工时间；p_i,j为工件j在工序i的加工时间；M是工序集且M＝{1,2,···,m}，其中m为自然数；i为工序编号且i∈M；N是工件集且N＝{1,2,···,n}，其中n为自然数；j为工件编号且j∈N；M_i是第i个工序上的机器集；r为机器序号且r∈M_i，若工序i中工件j在机器r上加工则y_i,j,r＝1，否则y_i,j,r＝0，μ_i,j为工件j在工序i上所用机器数，

C为增加额外机器的罚系数，C∈[0,1]；

(2)对上述模型利用人工蜂群算法进行求解，获得求解结果，具体包括：

(2.1)设定种群大小P、机器数限制Lm、弃解极限La及局部搜索概率Ps，生成初始化种群的加工序列permu及各工序上各工件的机器分配矩阵μ、并计算个体ind的适应度值π_ind，其中ind表示第ind个个体，每个个体均包含一个长度为工件个数为n的加工序列permu、大小为m×n的机器分配矩阵μ及对应的适应度值π_ind；

(2.2)雇佣蜂阶段，对种群中个体ind＝1,···,P，重复如下过程：

(2.2.1)随机选择τ1次***/互换操作，生成一个邻域，其中τ1∈{1,2}；

(2.2.2)生成随机数rand1，如果rand1＜Ps，进行局部搜索生成新的个体并计算新个体的适应度值；

(2.2.3)通过比较新个体与原有个体适应度值，保留适应度值较大个体；

(2.3)跟随蜂阶段，生成随机数rand2，若

其中π_q(q＝1,···,ind)是第q个个体的适应度值，选取第ind个雇佣蜂作为跟随蜂并重复如下过程：

(2.3.1)随机选择τ2次***/互换操作，生成一个邻域，其中τ2∈{1,2,3}；

(2.3.2)进行局部搜索生成新的个体并计算新个体的适应度值；

(2.3.3)通过比较新个体与原有个体适应度值，选取适应度值较大个体作为雇佣蜂；

(2.4)侦查蜂阶段，若max(Bas)＞La，其中Bas是个体ind的适应度值累积未改进次数，则选取该雇佣蜂作为侦查蜂并重复如下过程：

(2.4.1)应用DestrConstr算法生成新的个体作为侦查蜂，具体为：取出个体ind的加工序列permu和机器分配矩阵μ，随机从permu中移除三个编号得到剩余的序列permu0，依次将三个移除的编号***序列permu0并保留适应度值最大的序列，得到新的序列及机器分配矩阵；

(2.4.2)当Nμ＞Lm时，生成新的机器分配矩阵μ1，其中Nμ是总机器数量；

(2.4.3)计算新个体的适应度值并通过比较新个体与原有个体适应度值，若新个体的适应度值更大则以μ1替换μ；

(2.5)记录目前找到的最优个体及相应的工件排序、机器分配矩阵参数；

(2.6)若终止条件满足则停止，否则转到第(2.2)步；

其中，所述建立多机器同时处理单工件的生成工艺过程控制模型的步骤中还包括设定如下约束：

其中，约束(3)确定每个阶段的第一个工件，约束(4)表示工件存在确定序列先后关系，约束(5)是对任意时刻各个工序投入使用的并行处理机总数的约束，其中L是可用于加工机器总数，是常数，Φ_i,t是工序i在加工的第t分钟投入使用的机器数量，约束(6)和约束(7)是0-1变量约束；

所述方法适用于离散制造车间中带有多台机器同时处理单个工件的加工。

Images