CN109034540B - 一种基于在制品工序流的机床序列编排动态预测方法 - Google Patents

Abstract

本发明提供一种基于在制品工序流的机床序列编排动态预测方法，包括建立预测模型和设计预测算法两个阶段。对以往在制品制造过程中的机床序列进行统计，建立机床序列预测模型，所述预测算法包括四个步骤：(1)定义t时刻具有最大概率的机床序列；(2)从第一道o₁工序开始，预测确定以最大概率执行后一道o_t+1工序的机床编号i_t+1；(3)加入最后一道工序o_T，动态预测确定与在制品加工工序流对应的、拥有最大概率的机床序列i₁～i_T；(4)确定与在制品工序流对应的机床序列。由于本发明将车间机床、在制品的实时数据引入到机床序列编排中，并对执行当前工序流的机床序列进行动态预测，确保机床序列更好地适应动态变化的制造车间，提高制造车间的智能化、自治化程度。

Description

一种基于在制品工序流的机床序列编排动态预测方法

技术领域

本发明属于智能制造与生产***工程领域，具体涉及一种基于在制品工序流的机床序列编排动态预测方法。

背景技术

作为智能制造模式实施的载体，制造车间应能通过人、机、物等多种生产主体之间的自主交互与协同，来提高车间的智能化、自治化水平。

随着物联网、信息物理融合***、数字孪生等新兴技术在制造业的发展应用，已经实现了对制造车间运行状态数据的实时采集、处理与分析，提高了制造车间生产过程的透明化程度。然而，目前制造车间生产过程的智能化程度相对较低，缺乏对采集的车间实时运行状态数据的应用，难以实现生产过程扰动与异常的实时决策处理、机床的动态分配与任务编排、人-机-物的自主竞合博弈等，也就难以实现制造车间的自治化、智能化生产与管理。

针对车间机床的动态分配与任务编排问题，已知车间内各机床的实时状态数据、在制品的加工工序流程，如何动态预测确定基于在制品工序流的机床编排序列就成为了瓶颈问题。

发明内容

本发明的目的在于针对上述车间自治生产过程中存在的问题，提供一种基于在制品工序流的机床序列编排动态预测方法，能够在采集车间实时运行状态数据的基础上，实现围绕在制品工序流的机床动态分配与任务编排，得出基于在制品工序流的机床序列预测最优解。

为了实现上述目的，本发明的技术方案是：包括建立预测模型和设计预测算法两个阶段。

阶段一：建立预测模型

围绕在制品加工工序流程，对以往在制品制造过程中的机床序列进行历史数据统计，确定发生概率最大的机床序列，通过前向训练学习建立机床序列预测模型为：

F＝{O,I,V,M,B,A}；

式中：O表示长度为T的在制品工序流序列，O＝{o₁,o₂,...,o_T}；I表示与之对应的机床序列，I＝{i₁,i₂,...,i_T}；V表示在制品所有工序编号的集合，V＝{v₁,v₂,...,v_S}；M表示机床之间的转移概率矩阵；B表示在制品加工工序之间的转移概率矩阵；A表示初始的机床选择概率向量；

机床之间的转移概率矩阵M的数学描述为：

M＝[m_ij]_N×N；

式中：m_ij表示在t时刻，在制品从机床q_i工位处转移到机床q_j工位处进行工序加工的概率，

N为智能车间内机床的总数量，m_ij由下式计算：

m_ij＝p(i_t+1＝q_j|i_t＝q_i)；

在制品加工工序之间的转移概率矩阵B的数学描述为：

B＝[b_ik]_N×S；

式中：b_ik表示在t时刻，在制品的前一道工序在机床q_i上加工的条件下，执行的下一道工序为v_k的概率，

且b_ik＝p(o_t＝v_k|i_t＝q_i)；

初始的机床选择概率向量A的数学描述为：

A＝[a_i]；

式中：a_i表示在制品第一道工序在机床q_i上加工的概率，a_i＝p(i₁＝q_i)，a_i值根据在制品的初始工艺方案确定，

阶段二：设计预测算法

步骤一：定义与在制品工序流相对应的机床序列的最大发生概率为：

步骤二：从第一道工序o₁开始，依次递推计算与前o_t道工序相对应的机床序列的最大发生概率，计算公式如下：

其中：N表示智能车间内机床的总数量；WT表示动态调整参数；

步骤三：加入最后一道工序o_T，动态预测确定与在制品加工工序流对应的机床序列I＝{i₁,i₂,...,i_T}的最大发生概率，计算公式如下：

步骤四：对拥有最大概率的机床序列I＝{i₁,i₂,...,i_T}进行逆向解析，首先确定与P^*对应的机床编号i_T，代表与工序o_T对应的机床编号；其次由步骤二找出得出P^*的δ_t-1(i)，记录机床编号为i_T-1，代表与工序o_T-1对应的机床编号；循环以上步骤，直至确定与工序o₁对应的机床编号i₁。

所述设计预测算法的步骤二中，设计影响因子WT作为动态调整参数，当机床为故障状态时，WT→∞；当机床为空闲状态时，WT＝0；当机床为占用状态时，WT为机床从占用状态到释放为空闲状态的等待时间。

与现有技术相比，本发明提出的一种基于在制品工序流的机床序列编排动态预测方法，将车间机床、在制品的实时状态数据引入到机床分配与任务编排中，并对执行工序流的机床序列进行动态预测，能够确保所预测的机床序列更好地适应动态变化的制造车间环境，实现自适应、自治生产，提高制造车间的智能化、自治化程度。

附图说明

图1是机床序列编排动态预测方法的实施步骤图；

图2是根据在制品工序流确定机床序列的原理图；

图3是在制品加工工序之间的转移概率的示意图；

图4是机床之间的转移概率的示意图；

具体实施方式

下面结合附图对本发明做进一步的详细说明。

本发明一种基于在制品工序流的机床序列编排动态预测方法，具体实施步骤如图1所示，包括建立预测模型和设计预测算法两个阶段：

(1)阶段一：建立预测模型

如图2所示，机床序列预测的原理是依据在制品工序流和制造车间的实时状态数据，按概率最大原则，动态预测确定与在制品工序流相对应的机床序列。

围绕制造车间在制品工序流，对以往在制品制造过程中的机床序列历史数据进行统计，确定发生概率最大的机床序列，通过前向训练学习建立机床序列预测模型为：

F＝{O,I,V,M,B,A}；

式中：O表示长度为T的在制品工序流序列，O＝{o₁,o₂,...,o_T}；I表示与之对应的机床序列，I＝{i₁,i₂,...,i_T}；V表示在制品所有工序编号的集合，V＝{v₁,v₂,...,v_S}；M表示机床之间的转移概率矩阵；B表示在制品加工工序之间的转移概率矩阵；A表示初始的机床选择概率向量；

如图3所示，机床之间的转移概率矩阵M的示意图，数学描述为：

M＝[m_ij]_N×N；

式中：m_ij表示在t时刻，在制品从机床q_i工位处转移到机床q_j工位处进行工序加工的概率，

N为智能车间内机床的总数量。m_ij由下式计算：

m_ij＝p(i_t+1＝q_j|i_t＝q_i)；

如图4所示，在制品加工工序之间的转移概率矩阵B的示意图，数学描述为：

B＝[b_ik]_N×S；

式中：b_ik表示在t时刻，在制品的前一道工序在机床q_i上加工的条件下，执行的下一道工序为v_k的概率，

且b_ik＝p(o_t＝v_k|i_t＝q_i)；

初始的机床选择概率向量A的数学描述为：

A＝[a_i]；

式中：a_i表示在制品第一道工序在机床q_i上加工的概率，a_i＝p(i₁＝q_i)，a_i值根据在制品的初始工艺方案确定，且

(2)阶段二：设计预测算法

步骤一：定义与在制品工序流相对应的机床序列的最大发生概率为：

步骤二：从第一道工序o₁开始，依次递推计算与前o_t道工序相对应的机床序列的最大发生概率，计算公式如下：

本步骤考虑各候选机床的实时状态数据对机床选择的影响，设计影响因子WT作为动态调整参数，当机床为故障状态时，WT→∞；当机床为空闲状态时，WT＝0；当机床为占用状态时，WT为机床从占用状态到释放为空闲状态的等待时间；

步骤三：加入最后一道工序o_T，动态预测确定与在制品加工工序流对应的机床序列的I＝{i₁,i₂,...,i_T}最大发生概率，计算公式如下：

步骤四：对拥有最大概率的机床序列I＝{i₁,i₂,...,i_T}进行逆向解析，首先确定与P^*对应的机床编号i_T，代表与oT工序对应的机床编号；其次由步骤二找出得出P*的δ_t-1(i)，记录机床编号为i_T-1，代表与o_T-1工序对应的机床编号；循环以上步骤，直至确定与o₁工序对应的机床编号i₁。

Claims (2)

1.一种基于在制品工序流的机床序列编排动态预测方法，其特征在于，包括建立预测模型和设计预测算法两个阶段：

阶段一：建立预测模型

围绕在制品加工工序流程，对以往在制品制造过程中的机床序列进行历史数据统计，确定发生概率最大的机床序列，通过前向训练学习建立机床序列预测模型为：

F＝{O,I,V,M,B,A}

式中：O表示长度为T的在制品工序流序列，O＝{o₁,o₂,...,o_T}；I表示与之对应的机床序列，I＝{i₁,i₂,...,i_T}；V表示在制品所有工序编号的集合，V＝{v₁,v₂,...,v_S}；M表示机床之间的转移概率矩阵；B表示在制品加工工序之间的转移概率矩阵；A表示初始的机床选择概率向量；

机床之间的转移概率矩阵M的数学描述为：

M＝[m_ij]_N×N

式中：m_ij表示在t时刻，在制品从机床q_i工位处转移到机床q_j工位处进行工序加工的概率，

N为智能车间内机床的总数量，m_ij由下式计算：

m_ij＝p(i_t+1＝q_j|i_t＝q_i)

在制品加工工序之间的转移概率矩阵B的数学描述为：

B＝[b_ik]_N×S

式中：b_ik表示在t时刻，在制品的前一道工序在机床q_i上加工的条件下，执行的下一道工序为v_k的概率，

bik由下式计算：

b_ik＝p(o_t＝v_k|i_t＝q_i)

初始的机床选择概率向量A的数学描述为：

A＝[a_i]

式中：a_i表示在制品第一道工序在机床q_i上加工的概率，a_i＝p(i₁＝q_i)，a_i值根据在制品的初始工艺方案确定，

阶段二：设计预测算法

步骤一：定义与在制品工序流相对应的机床序列的最大发生概率为：

步骤二：从第一道工序o₁开始，依次递推计算与前o_t道工序相对应的机床序列的最大发生概率，计算公式如下：

其中：N为智能车间内机床的总数量；WT表示动态调整参数；

步骤三：加入最后一道工序o_T，动态预测确定与在制品加工工序流对应的机床序列I＝{i₁,i₂,...,i_T}的最大发生概率，计算公式如下：

步骤四：对拥有最大概率的机床序列I＝{i₁,i₂,...,i_T}进行逆向解析，首先确定与P^*对应的机床编号i_T，代表与工序o_T对应的机床编号；其次由步骤二找出得出P^*的δ_t-1(i)，记录机床编号为i_T-1，代表与工序o_T-1对应的机床编号；循环以上步骤，直至确定与工序o₁对应的机床编号i₁。

2.根据权利要求1所述的一种基于在制品工序流的机床序列编排动态预测方法，其特征在于，所述的设计预测算法的步骤二中，设计影响因子WT作为动态调整参数，当机床为故障状态时，WT→∞；当机床为空闲状态时，WT＝0；当机床为占用状态时，WT为机床从占用状态到释放为空闲状态的等待时间。

Images