CN109598416B - 一种复材车间的动态排产***及排产方法 - Google Patents

Abstract

本发明涉及一种复材车间的动态排产***及排产方法，实时读取车间物联感知***感知数据，包括车间工件加工实时数据和生产扰动事件信息，获取车间工件加工状态以及设备故障、生产进度延期和齐套性问题等扰动事件；基于感知信息，对当前的资源使用情况以及扰动事件产生的影响进行分析，并实时反馈给排产计算模块。通过实际加工过程数据的凝练、分析和挖掘，形成排产知识库，存储工件加工过程的全部工艺规程知识和工序加工资源配置知识等；当排产计算模块接到重排产指令后，能够根据工件特征自动生成与之相应的工艺流程、工序对应的工位以及设备/人员的资源配置数据和工序加工工时数据，从而计算和输出排产方案，以提高排产效率。

Description

一种复材车间的动态排产***及排产方法

技术领域

本发明涉及一种复材车间的动态排产***及排产方法，属于自动化制造技术领域。

背景技术

复材产品具有多品种、变批量、加工工序长和混线生产等特点，生产过程复杂多变，经常出现设计变更、任务变更等各类扰动事件；复材车间需要准确把握现场生产情况和未来生产进度，全面考虑物料、工装、产能、交货期等约束和设备超负荷运行等因素，实现针对扰动事件的合理再排产及实现均衡生产。由此，解决基于生产现场数据感知的加工工时预测问题，在此基础上形成针对各类扰动事件的动态排产方法，是提升复材生产过程管控能力，保障任务有效完成的关键。

车间排产问题的研究方法包括运筹学方法、仿真方法、启发式方法、专家***、人工智能算法和Multi-agent方法，相关研究文献超过2万余篇。近年来，以智能制造为背景，应用物联网技术实现车间现场的实时感知^[10]、应用智能决策机制实现车间排产问题的智能计算、探索构建实时智能与计算智能相结合的车间智能排产***，成为新的研究热点。国外，Z Hammami和W Mouelhi在车间实时感知环境下设计了一种基于自适应神经Agent的智能排产决策支持***，***中的每一个Agent与神经网络相集成，可根据车间实时信息智能匹配最优排产规则，为排产***应用计算智能和实时智能提供了新方法；国内，张恺琪和张淑丽在云服务平台下，集成物联网技术、大数据分析技术和云计算技术，挖掘车间排产规律，构建了单件小批量环境下的车间智能排产***；王家海和陈煜在分析排产专业知识的基础上，建立了基于本体的排产知识关系模型及知识表示，集成支持向量机和CART决策树学习算法，实现了知识驱动的智能排产计算过程。总体来看，车间排产方法与理论较为成熟，但所针对的排产问题相对复材车间生产实际，聚焦于理论层面，对复材车间排产具体实践指导不明确，更没有形成一个完整的动态排产***。

发明内容

本发明的目的在于克服现有技术的不足，提供一种复材车间的动态排产***及排产方法，借助复材车间物联***，实现基于复材车间生产现场实时数据和扰动事件的实时排产，进一步提升车间排产的实时性和生产管控的应变能力。

本发明目的通过如下技术方案予以实现：

提供一种复材车间的动态排产***，包括排产方案执行模块、感知模块、知识库存储模块、排产计算模块以及排产方案输出模块；

所述排产方案执行模块接收排产方案输出模块输出的排产方案并执行；

感知模块用于感知排产方案执行模块中设备故障和物资配置信息、工件所处的工序、加工状态以及工序加工的起止时间；

知识库存储模块用于存储人员、设备配置的数据以及计算每种工件的工序加工工时所需的工艺特征、加工特征值和计算公式；

排产计算模块，读取排产知识库中所有工件全部工序对应资源配置包括人员和设备数据；读取排产知识库中所有工件全部工序对应的工艺特征和加工特征值，读取车间所有工件对应的工艺文件，查询并记录工艺特征的数值；从排产知识库中读取工时计算公式，根据工艺特征值和加工特征值计算复材车间所有工件的工序加工工时；基于每个工序对应的资源配置和加工工时进行排产计算，生成排产方案，由排产方案输出模块输出。

优选的，工艺特征包括工件的工艺参数、物料规格及需求数量；加工特征包括设备加工参数值及人员手工作业熟练度参数值。

优选的，物资包括工具、工装和物料。

优选的，排产计算模块还包括扰动事件提取模块；

扰动事件提取模块接收感知模块提供的设备故障和物资配置的信息、工序加工的起止时间，提取设备故障信息生成设备故障扰动信号，知识库存储模块接收到设备故障扰动信号后，删除对应的设备，如果故障修复后，增加修复后的设备。

优选的，扰动事件提取模块提取在加工工件和待加工工件的物资配置齐套信息生成齐套性问题扰动信号，排产方案计算模块接收人为输入该齐套问题扰动事件的解决时间，将该解决时间加入到工件的工序加工工时。

优选的，扰动事件提取模块实时计算每个工件的紧迫性系数T的数值，如果计算出第i个工件的紧迫性系数

值为负值，表明该工件的生产进度延期扰动事件发生，生成生产进度延期扰动信号；生成延期扰动信号后排产计算模块更新每个工件的紧迫性系数T，重新生成排产方案并输出。

优选的，排产计算模块读取复材车间物联***感知数据，获取正在加工工序已加工时间t_j；读取复材车间生产计划中的工件计划完成时间；计算每个在加工工件和待加工工件的紧迫性系数T的数值，其中，第i个工件的紧迫性系数

值为：

其中，DT_i为工件WP_i的计划完成时间，t_{wpi-j工序加工工时}为工件WP_i在工序p_j的工序加工工时，t₀表示当前时刻，

为全部未加工工序的最短加工时间；

值作为紧迫性系数，对工件进行升序排列。

优选的，排产计算模块排产计算模型如下：

约束

其中，f₁为所有工件最大完工时间最小函数，f₂为所有工件总延期最小函数，f₃为设备总负荷最小函数，a₁、a₂、a₃分别为f₁、f₂、f₃的权重系数且为非负数，a₁+a₂+a₃＝1；t_开始为开始排产时间；k为遗传算法生成的排产方案编号，i与i’为生产计划编号，j为工序编号，t_{kij工序工时}为第k个排产方案中任务i加工第j道工序的时间；t_{kij扰动事件处理工时}为第k个排产方案中任务i处理第j个工序扰动事件工时总和；t_{ki(j-1)工序结束}为第k个排产方案中任务i加工第j-1道工序的时间；t_{ki'j工件结束}为第k个排产方案中任务i'加工第j道工序的结束时间；ET_ki为第k个排产方案第i个任务的完工时间；DT_i为第i个任务的交货期；p为工序数量；m为设备数量；t_kijs为第k个排产方案中第i个任务的第j道工序在设备s上完成加工的时间；Tt_kijs为第k个排产方案中第i个订单任务的第j道工序在设备s上的调整时间；q_s为设备s的故障率；x_ijs为0，1变量，如果订单任务i的第j道工序在设备s上加工取值为1，否则为0；t_kij开始和t_{ki(j+1)开始}为第k个排产方案中任务i加工第j道工序和第j+1道工序的开始时间；

为第k个排产方案中任务i加工第j道机加工序的设备工时，Θ_{T工序工时}为全部设备加工工时的有限集；

为第k个排产方案中任务i加工第j道手工作业工序的人工工时，Θ_{W工序工时}为全部工人加工工时的有限集。

优选的，采用遗传算法求解排产计算模型。

同时提供一种复材车间的动态排产方法，包括如下步骤：

(1)读取复材车间生产计划，获取待加工工件名称和数量；

(2)读取复材车间物联***感知数据，获取当前时刻车间已完工、正在加工和待加工工件所处工序，生成当前时刻车间所有工件的加工状态表；

(3)调用排产知识库中所有工件的资源配置数据，将已完工加工工序的资源配置数据置为空，完成所有工件的资源配置数据计算；

(4)读取排产知识库中所有工件全部工序对应的工艺特征和加工特征值；

(5)读取工艺管理***中车间所有工件对应的工艺文件，查询并记录工艺特征的数值；

(6)从排产知识库中读取工时计算公式，根据工艺特征的数值和加工特征数值计算复材车间所有工件的工序加工工时，并将已完工工序工时置为0；

(7)读取复材车间物联***感知数据，获取在加工工序已加工时间t_j；读取复材车间生产计划中的工件计划完成时间；计算每个在加工工件和待加工工件的紧迫性系数T的值，其中，第i个工件的

值为：

其中，DT_i为工件WP_i的计划完成时间，t_{wpi-pj工序加工工时}为工件WP_i在工序p_j的工序加工工时，t₀表示当前时刻，

为全部未加工工序的最短加工时间；

值作为紧迫性系数，对工件进行升序排列。

(8)对T值进行升序排列，作为排产优先级依据；

(9)按照排产优先级，生成每个工件的每个工序对应的资源配置和加工工时，形成排产计算模型所需的求解参数；

(10)使用遗传算法求解排产计算模型，生成排产方案并输出。

优选的，工艺特征包括工件的工艺参数、物料需求数量和规格；加工特征包括设备加工参数值及人员手工作业熟练度参数值。

优选的，还包括进行延期扰动事件监控，实时计算每个工件的T值，如果计算出

值为负值，表明该工件的生产进度延期扰动事件发生，进入步骤(7)更新每个工件的T值，重新生成排产方案并输出。

优选的，还包括进行设备故障扰动事件监控，实时读取复材车间物联***感知数据，获取设备的故障信息，并从排产知识库中去除该设备，如果设备修复，在排产知识库中增加该设备。

优选的，还包括进行齐套问题扰动事件监控，实时读取复材车间物联***感知数据，如果在加工工件和待加工工件的物料或工装不完整，则表明发生齐套问题扰动事件，人为输入该齐套问题扰动事件的解决时间，将该解决时间加入到工件的工序加工工时中。

优选的，排产计算模型如下：

约束

其中，f₁为所有工件最大完工时间最小函数，f₂为所有工件总延期最小函数，f₃为设备总负荷最小函数，a₁、a₂、a₃分别为f₁、f₂、f₃的权重系数且为非负数，a₁+a₂+a₃＝1；t_开始为开始排产时间；k为遗传算法生成的排产方案编号，i与i’为生产计划编号，j为工序编号，t_{kij工序工时}为第k个排产方案中任务i加工第j道工序的时间；t_{kij扰动事件处理工时}为第k个排产方案中任务i处理第j个工序扰动事件工时总和；t_{ki(j-1)工序结束}为第k个排产方案中任务i加工第j-1道工序的时间；t_{ki'j工件结束}为第k个排产方案中任务i'加工第j道工序的结束时间；ET_ki为第k个排产方案第i个任务的完工时间；DT_i为第i个任务的交货期；p为工序数量；m为设备数量；t_kijs为第k个排产方案中第i个任务的第j道工序在设备s上完成加工的时间；Tt_kijs为第k个排产方案中第i个订单任务的第j道工序在设备s上的调整时间；q_s为设备s的故障率；x_ijs为0，1变量，如果订单任务i的第j道工序在设备s上加工取值为1，否则为0；t_kij开始和t_{ki(j+1)开始}为第k个排产方案中任务i加工第j道工序和第j+1道工序的开始时间；

为第k个排产方案中任务i加工第j道机加工序的设备工时，Θ_{T工序工时}为全部设备加工工时的有限集；

为第k个排产方案中任务i加工第j道手工作业工序的人工工时，Θ_{W工序工时}为全部工人加工工时的有限集。

本发明与现有技术相比具有如下优点：

(1)本发明的排产***基于制造信息的实时感知及处理，实时读取车间物联感知***感知数据，包括车间工件加工实时数据和生产扰动事件信息，获取车间工件加工状态以及设备故障、生产进度延期和齐套性问题等扰动事件；基于感知信息，对当前的资源使用情况以及扰动事件产生的影响进行分析，并实时反馈给排产计算模块；基于工件加工实时数据进行排产，使得排产计划的适应性更好，提高了排产计划的实时性。在存在扰动的情况下能够及时更改排产计划，提高了应变能力。

(2)工序加工资源的智能配置：通过实际加工过程数据的凝练、分析和挖掘，形成排产知识库，存储工件加工过程的全部工艺规程知识和工序加工资源配置知识等；当排产计算模块接到重排产指令后，能够根据工件特征自动生成与之相应的工艺流程、工序对应的工位以及设备/人员的资源配置数据，实现了排产的自动化。

(3)工序加工工时的自动生成及计算：通过实际加工过程数据的凝练、分析和挖掘，形成排产知识库，存储工件加工过程的工艺特征、加工特征以及工时计算方法；当排产模块接到重排产指令后，能够根据工件特征自动计算和预测工序对应的工时。

(4)本发明采用遗传算法进行求解，获得最优化的排产计划，降低了生产时间，提高了生产效率。

附图说明

图1为本发明排产业务模型；

图2为本发明生产进度延期处理流程示意图；

图3为本发明设备故障处理流程示意图；

图4为本发明物料和工装齐套性问题处理流程示意图。

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。

本发明的技术方案为：借助复材车间物联***，构建基于感知信息的动态排产业务模型和计算模型，依据生产计划和车间的实际运行状态，智能匹配制造资源与工序，计算并生成车间当前所有零件在加工工序的工时、待加工工序及工时等，以此为基础通过遗传算法实现了基于车间感知信息的动态排产，生成并输出排产方案。

本发明提供一种复材车间的动态排产***，结合图1，包括排产方案执行模块、感知模块、知识库存储模块、排产计算模块以及排产方案输出模块；

所述排产方案执行模块接收排产方案输出模块输出的排产方案并执行；

感知模块用于感知排产方案执行模块中设备和物资配置的信息、工件所处的工序、加工状态以及工序加工的起止时间；

知识库存储模块用于存储人员、设备、物资配置的数据以及计算每种工件的加工工时的公式；结构化存储如下表所示：

表1排产知识库的结构化存储内容

表1中，

为加工p₁工序的设备集，

和

为该设备集中的两个元素；

为加工p₂工序的人员集，

和

为该人员集中的三个元素；

为加工p₁工序的工具/工装集，

和

为该工具/工装集中的两个元素；

为加工p₁工序的工艺特征集，

和

为该集合的三个元素；

为加工p₁工序的设备加工特征集，

和

相应加工设备的加工特征；

加工p₂工序的手工作业加工特征集，

和

为相应加工人员的加工特征；

为加工p₁工序的工时计算公式。

排产计算模块，读取排产知识库中所有工件全部工序对应资源配置包括人员和设备数据；读取排产知识库中所有工件全部工序对应的工艺特征和加工特征，读取车间所有工件对应的工艺文件，查询并记录工艺特征的数值；从排产知识库中读取工时计算模型，根据工艺特征的数值和加工特征数值计算复材车间所有工件的工序加工工时，工艺特征包括工件的工艺参数、物料需求数量和规格；加工特征包括设备加工参数值及人员手工作业熟练度参数值。基于每个工序对应的资源配置和加工工时进行排产计算，生成排产方案，由排产方案输出模块输出。

排产计算模块还包括扰动事件提取模块；

扰动事件提取模块接收感知模块提供的设备和物资配置的信息、工序加工的起止时间，提取设备故障信息生成设备故障扰动信号，知识库存储模块接收到设备故障扰动信号后，删除对应的设备，如果故障修复后，增加修复后的设备。

扰动事件提取模块提取在加工工件和待加工工件的物料和工装齐套信息生成齐套问题扰动信号，排产方案计算模块接收人为输入该齐套问题扰动事件的解决时间，将该解决时间加入到工件的工序加工工时。

扰动事件提取模块实时计算每个工件的T值，如果计算出

值负值，表明该工件的生产进度延期扰动事件发生，生成延期扰动信号；生成延期扰动信号后排产计算模块更新每个工件的T值，重新生成排产方案并输出。

(1)建立基于感知信息的动态排产业务模型：首先由用户发出排产指令或由扰动事件驱动，启动排产计算模块，排产计算模块获取所需数据，计算当前车间的生产情况，并预判车间后续的发展情况，最后调用排产算法对车间生产任务进行排产，由此实现基于感知信息(含人工指令)的重排产。

(2)建立复材车间排产计算模型：复材车间排产问题为复材车间当前生产α件产品，产品工艺流程为p₁→p₂→…→p_i→…→p_p-1→p_p，不同工件同一工序的加工参数和物料需求有所差异，部分工序为设备加工，设备集合为Θ_T，其他工序为手工作业加工，工人集合为Θ_W，加工各工序的设备或人员资源配置不同，在生产过程中生产进度延期、设备故障和物料及工装齐套性问题等生产扰动事件随机发生，排产的优化目标为最大完工时间、总延期和设备总负荷的加权目标函数值最小。由复材车间排产问题和优化目标，建立排产计算模型如下：

约束

表达式(1)为目标函数，其中，f₁为最大完工时间最小函数，f₂为总延期最小函数，f₃为设备总负荷最小函数，a₁、a₂、a₃为f₁、f₂、f₃的权重系数且为非负数，a₁+a₂+a₃＝1；t_开始为开始排产时间；k为排产方案编号，i与i’为任务编号，j为工序编号，t_{kij工序工时}为第k个排产方案中任务i加工第j道工序的时间；t_{kij扰动事件处理工时}为第k个排产方案中任务i处理第j个工序扰动事件工时总和；t_{ki(j-1)工序结束}为第k个排产方案中任务i加工第j-1道工序的时间；t_{ki'j工件结束}为第k个排产方案中任务i'加工第j道工序的结束时间；ET_ki为第k个排产方案第i个任务的完工时间；DT_i为第i个任务的交货期；p为工序数量；m为设备数量；t_kijs为第k个排产方案中第i个任务的第j道工序在设备s上完成加工的时间；Tt_kijs为第k个排产方案中第i个订单任务的第j道工序在设备s上的调整时间；q_s为设备s的故障率；x_ijs为0，1变量，如果订单任务i的第j道工序在设备s上加工取值为1，否则为0；

表达式(2)-(9)为约束条件，其中，表达式(2)为工艺流程约束，t_kij开始和t_{ki(j+1)开始}为第k个排产方案中任务i加工第j道工序和第j+1道工序的开始时间；表达式(3)为设备资源约束，

为第k个排产方案中任务i加工第j道机加工序的设备工时，Θ_{T工序工时}为全部设备加工工时的有限集；表达式(4)为人员资源约束，

为第k个排产方案中任务i加工第j道手工作业工序的人工工时，Θ_{W工序工时}为全部工人加工工时的有限集；表达式(5)-表达式(7)为相关工时变量的取值约束；表达式(8)为设备故障率取值约束；表达式(9)为变量x_ijs的取值约束。

本发明同时提供一种复材车间的动态排产方法，包括以下步骤：

(1)读取复材车间生产计划，获取待加工工件名称和数量；

需要读入的静态数据包括生产计划和工艺规程：

①生产计划

来源于：复材车间生产计划调度及管理***；

所需生产计划具体数据：生产计划号、任务号、工艺文件号、投产数量、计划开始日期、计划完成日期、完成单位。

②工艺规程

来源于：复材车间工艺管理***；

所需工艺规程具体数据：

①工艺流程：与生产计划相应的复材产品的工艺流程；

②工时影响因素/工艺特征：与生产计划相应的复材产品工时影响因素(工艺特征数值)。

(2)读取复材车间物联***感知数据，获取当前时刻车间已完工、正在加工和待加工工件所处工序，生成当前时刻当前车间所有工件的加工状态表。

工件的加工状态计算方法为：

①读取复材车间生产计划，共生产WP₁、WP₂、…、WP_α共α个工件；

②读取复材车间物联***感知数据(当前车间所有工件在当前时刻的所处工序以及当前车间所有工件在当前时刻的加工状态)，生成当前时刻的工件所处工序表，如表2所示；

③根据工件所处工序表和生产进度计算方法，计算车间全部工件的生产进度，即得到工件的加工状态。

表2t₀时刻工件所处工序

表2中，

和

分别为工件WP₁加工工序p₁的开始时间和结束时间，“-”为空值。生产进度计算方法为：

由生产进度计算方法得，WP_α为未加工工件；WP₂为在加工工件，在加工工序为p_p-1，已加工时长为

剩余加工时长为

WP₁为已完工工件。

感知数据来源于复材车间物联***，包括以下几种类型：

(3)调用排产知识库中所有工件的资源配置数据；将已完成加工工序的资源配置数据置为空；完成所有工件的资源配置数据计算；资源配置数据计算如下：

工件WP_j工序p_i的资源配置计算方法为：

①读取工件WP_j生产进度计算结果，包括已加工工序、在加工工序和未加工工序；

②调用排产知识库中工序p_i的资源配置数据；

③修改已加工工序的资源配置数据，将已加工工序的资源配置数据置为空值；

④完成车间所有工件的资源配置数据计算。

工件WP_j工序p_i的资源配置计算结果如表3所示：

表3工件WP_j工序p_i的资源配置计算结果

(4)读取排产知识库中所有工件全部工序对应的工艺特征和加工特征；工艺特征包括工件的工艺参数、物料需求数量和规格；加工特征包括设备加工参数值及人员手工作业熟练度参数值。

(5)读取车间所有工件对应的工艺文件，查询并记录工艺特征的数值；

(6)从排产知识库中读取工时计算模型，根据工艺特征的数值和加工特征数值计算复材车间所有工件的工序加工工时，并将已完工工序工时置为0；工序加工工时计算说明如下：

①读取排产知识库中与所有工件(WP₁、WP₂、…、WP_α)全部工序对应的工艺特征；

②读取车间所有工件生产计划号对应的工艺文件号，查询并记录相应工序的工艺特征值；

③读取排产知识库中与所有工件全部工序对应的加工特征值；

④输入工时影响因素(加工特征值和工艺特征值)，根据排产知识库中工时计算公式计算复材车间所有工件的工序加工工时，并将已加工工序工时置为0。

工时计算结果形式如表4所示，其中，

中的

和

为工件WP_α工序p₁在设备

和

上的工序加工工时。

表4工序工时计算

(7)读取复材车间物联***感知数据，获取正在加工工序已加工时间t_j；读取复材车间生产计划中的工件计划完成时间；计算每个在加工工件和待加工工件的T值，其中，第i个工件的

值为：

其中，DT_i为工件WP_i的计划完成时间，t_{wpi-pj工序加工工时}为工件WP_i在工序p_j的工序加工工时，t₀表示当前时刻，

为全部未加工工序的最短加工时间；

值作为紧迫性系数，对工件进行升序排列

(8)T值作为排产优先级，对工件进行升序排列；

(9)按照排产优先级，生成每个工件的每个工序对应的资源配置和加工工时，形成排产计算模型所需的求解参数；求解参数如下形式所示：

表5资源配置

表6工序工时预测

(10)使用遗传算法求解排产计算模型，生成排产方案并输出。

还包括进行延期扰动事件监控，实时计算每个工件的T值，如果计算出

值负值，表明该工件的生产进度延期扰动事件发生，进入步骤(7)更新每个工件的T值，重新生成排产方案并输出。

进行设备故障扰动事件监控，实时读取复材车间物联***感知数据，获取设备的故障信息，并从排产知识库中去除该设备，如果设备修复，在排产知识库中增加该设备。

进行齐套问题扰动事件监控，实时读取复材车间物联***感知数据，如果在加工工件和待加工工件的物料或工装不完整，则表明发生齐套问题扰动事件，人为输入该齐套问题扰动事件的解决时间，将该解决时间加入到工件的工序加工工时中。

生产进度延期处理流程如图2所示。首先读取车间感知信息，获取当前时刻所有工件所处的工序，以此计算各工件的加工进度：然后计算所有在加工工件和未加工工件的T值，以判断各工件生产进度是否延期；若有工件生产进度延期，则按照在加工工件和未加工工件的T值修改资源配置表和工序工时表中生产优先级；最后将修改后的资源配置表和工序工时表输入到排产数学模型中，进行排产计算。

设备故障处理流程如图3所示。首先读取车间感知信息，计算车间生产进度，同时，获取车间所有设备的故障信息，设备未修复时，在排产知识库中相应加工设备集中去除该设备，设备修复时，在排产知识库中增加该设备，并计算车间在加工工件和未加工工件的资源配置；然后，依次计算工序加工工时、工件加工优先级、汇总资源配置表；最后，将资源配置表和工序工时表输入到排产数学模型中，进行排产计算。

物料和工装齐套性问题处理流程如图4所示。首先读取车间感知信息，依次计算车间生产进度、资源配置和工序加工工时；同时，获取车间所有在加工工件和未加工工件全部未加工工序的物料及和工装齐套性信息，当齐套性信息显示为“1”时，齐套性问题解决工时置为“0”，当齐套性信息显示为“0”时，输入齐套性问题解决工时；然后，将齐套性问题解决工时加总在相应的工序加工工时中，完成工序加工工时修改；依次计算工件加工优先级、汇总资源配置表；最后，将资源配置表和工序工时表输入到排产数学模型中，进行排产计算。

将汇总后的资源配置表和工序工时表输入到排产数学模型中，采用遗传算法对复材车间排产计算模型求解，其中：

①适应度函数：本文以排产目标函数作为适应度函数，以此计算适应度值；

②染色体编码：染色体采用双层整数编码方式，染色体被分成前后两个部分，前部分染色体对应工件加工工序，后部分染色体对应相应的加工设备；

③变异操作：随机选择变异个体的变异位置，变异的方向为优先选择加工时间较短的设备或人员。变异操作的关键为从一组时间数列中赋予时间较短的数值较大的概率，从而满足变异操作的目的。

以上所述，仅为本发明最佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

本发明说明书中未作详细描述的内容属于本领域专业技术人员的公知技术。

Claims (12)

1.一种复材车间的动态排产***，其特征在于，包括排产方案执行模块、感知模块、知识库存储模块、排产计算模块以及排产方案输出模块；

所述排产方案执行模块接收排产方案输出模块输出的排产方案并执行；

感知模块用于感知排产方案执行模块中设备故障和物资配置信息、工件所处的工序、加工状态以及工序加工的起止时间；

知识库存储模块用于存储人员、设备配置的数据以及计算每种工件的工序加工工时所需的工艺特征、加工特征值和计算公式；

排产计算模块，读取排产知识库中所有工件全部工序对应资源配置包括人员和设备数据；读取排产知识库中所有工件全部工序对应的工艺特征和加工特征值，读取车间所有工件对应的工艺文件，查询并记录工艺特征的数值；从排产知识库中读取工时计算公式，根据工艺特征值和加工特征值计算复材车间所有工件的工序加工工时；基于每个工序对应的资源配置和加工工时进行排产计算，生成排产方案，由排产方案输出模块输出；

工艺特征包括工件的工艺参数、物料规格及需求数量；加工特征包括设备加工参数值及人员手工作业熟练度参数值；

物资包括工具、工装和物料；

排产计算模块还包括扰动事件提取模块；

扰动事件提取模块接收感知模块提供的设备故障和物资配置的信息、工序加工的起止时间，提取设备故障信息生成设备故障扰动信号，知识库存储模块接收到设备故障扰动信号后，删除对应的设备，如果故障修复后，增加修复后的设备。

2.一种基于权利要求1所述复材车间的动态排产***，其特征在于，

扰动事件提取模块提取在加工工件和待加工工件的物资配置齐套信息生成齐套性问题扰动信号，排产方案计算模块接收人为输入该齐套性问题扰动事件的解决时间，将该解决时间加入到工件的工序加工工时。

3.一种基于权利要求2所述复材车间的动态排产***，其特征在于，

扰动事件提取模块实时计算每个工件的紧迫性系数T的数值，如果计算出第i个工件的紧迫性系数

值为负值，表明该工件的生产进度延期扰动事件发生，生成生产进度延期扰动信号；生成延期扰动信号后排产计算模块更新每个工件的紧迫性系数T，重新生成排产方案并输出。

4.一种基于权利要求3所述复材车间的动态排产***，其特征在于，排产计算模块读取复材车间物联***感知数据，获取正在加工工序已加工时间t_j；读取复材车间生产计划中的工件计划完成时间；计算每个在加工工件和待加工工件的紧迫性系数T的数值，其中，第i个工件的紧迫性系数T_wpi值为：

其中，DT_i为工件WP_i的计划完成时间，t_{wpi-j工序加工工时}为工件WP_i在工序p_j的工序加工工时，t₀表示当前时刻，

为全部未加工工序的最短加工时间；

值作为紧迫性系数，对工件进行升序排列。

5.一种基于权利要求4所述复材车间的动态排产***，其特征在于，排产计算模块排产计算模型如下：

约束

其中，f₁为所有工件最大完工时间最小函数，f₂为所有工件总延期最小函数，f₃为设备总负荷最小函数，a₁、a₂、a₃分别为f₁、f₂、f₃的权重系数且为非负数，a₁+a₂+a₃＝1；t_开始为开始排产时间；k为遗传算法生成的排产方案编号，i与i’为生产计划编号，j为工序编号，t_{kij工序工时}为第k个排产方案中任务i加工第j道工序的时间；t_{kij扰动事件处理工时}为第k个排产方案中任务i处理第j个工序扰动事件工时总和；t_{ki(j-1)工序结束}为第k个排产方案中任务i加工第j-1道工序的时间；t_{ki'j工件结束}为第k个排产方案中任务i'加工第j道工序的结束时间；ET_ki为第k个排产方案第i个任务的完工时间；DT_i为第i个任务的交货期；p为工序数量；m为设备数量；t_kijs为第k个排产方案中第i个任务的第j道工序在设备s上完成加工的时间；

为第k个排产方案中第i个订单任务的第j道工序在设备s上的调整时间；q_s为设备s的故障率；x_ijs为0，1变量，如果订单任务i的第j道工序在设备s上加工取值为1，否则为0；t_kij开始和t_{ki(j+1)开始}为第k个排产方案中任务i加工第j道工序和第j+1道工序的开始时间；

为第k个排产方案中任务i加工第j道机加工序的设备工时，Θ_{T工序工时}为全部设备加工工时的有限集；

为第k个排产方案中任务i加工第j道手工作业工序的人工工时，Θ_{W工序工时}为全部工人加工工时的有限集。

6.一种基于权利要求5所述复材车间的动态排产***，其特征在于，采用遗传算法求解排产计算模型。

7.一种复材车间的动态排产方法，其特征在于，包括如下步骤：

(1)读取复材车间生产计划，获取待加工工件名称和数量；

(2)读取复材车间物联***感知数据，获取当前时刻车间已完工、正在加工和待加工工件所处工序，生成当前时刻车间所有工件的加工状态表；

(3)调用排产知识库中所有工件的资源配置数据，将已完工加工工序的资源配置数据置为空，完成所有工件的资源配置数据计算；

(4)读取排产知识库中所有工件全部工序对应的工艺特征和加工特征值；

(5)读取工艺管理***中车间所有工件对应的工艺文件，查询并记录工艺特征的数值；

(6)从排产知识库中读取工时计算公式，根据工艺特征的数值和加工特征数值计算复材车间所有工件的工序加工工时，并将已完工工序工时置为0；

(7)读取复材车间物联***感知数据，获取在加工工序已加工时间t_j；读取复材车间生产计划中的工件计划完成时间；计算每个在加工工件和待加工工件的紧迫性系数T的值，其中，第i个工件的

值为：

其中，DT_i为工件WP_i的计划完成时间，t_{wpi-pj工序加工工时}为工件WP_i在工序p_j的工序加工工时，t₀表示当前时刻，

为全部未加工工序的最短加工时间；

值作为紧迫性系数，对工件进行升序排列；

(8)对T值进行升序排列，作为排产优先级依据；

(9)按照排产优先级，生成每个工件的每个工序对应的资源配置和加工工时，形成排产计算模型所需的求解参数；

(10)使用遗传算法求解排产计算模型，生成排产方案并输出。

8.如权利要求7所述的复材车间的动态排产方法，其特征在于，工艺特征包括工件的工艺参数、物料需求数量和规格；加工特征包括设备加工参数值及人员手工作业熟练度参数值。

9.如权利要求8所述的复材车间的动态排产方法，其特征在于，还包括进行延期扰动事件监控，实时计算每个工件的T值，如果计算出T_wpi值为负值，表明该工件的生产进度延期扰动事件发生，进入步骤(7)更新每个工件的T值，重新生成排产方案并输出。

10.如权利要求9所述的复材车间的动态排产方法，其特征在于，还包括进行设备故障扰动事件监控，实时读取复材车间物联***感知数据，获取设备的故障信息，并从排产知识库中去除该设备，如果设备修复，在排产知识库中增加该设备。

11.如权利要求10所述的复材车间的动态排产方法，其特征在于，还包括进行齐套问题扰动事件监控，实时读取复材车间物联***感知数据，如果在加工工件和待加工工件的物料或工装不完整，则表明发生齐套问题扰动事件，人为输入该齐套问题扰动事件的解决时间，将该解决时间加入到工件的工序加工工时中。

12.如权利要求11所述的复材车间的动态排产方法，其特征在于，排产计算模型如下：

约束

其中，f₁为所有工件最大完工时间最小函数，f₂为所有工件总延期最小函数，f₃为设备总负荷最小函数，a₁、a₂、a₃分别为f₁、f₂、f₃的权重系数且为非负数，a₁+a₂+a₃＝1；t_开始为开始排产时间；k为遗传算法生成的排产方案编号，i与i’为生产计划编号，j为工序编号，t_{kij工序工时}为第k个排产方案中任务i加工第j道工序的时间；t_{kij扰动事件处理工时}为第k个排产方案中任务i处理第j个工序扰动事件工时总和；t_{ki(j-1)工序结束}为第k个排产方案中任务i加工第j-1道工序的时间；t_{ki'j工件结束}为第k个排产方案中任务i'加工第j道工序的结束时间；ET_ki为第k个排产方案第i个任务的完工时间；DT_i为第i个任务的交货期；p为工序数量；m为设备数量；t_kijs为第k个排产方案中第i个任务的第j道工序在设备s上完成加工的时间；

为第k个排产方案中第i个订单任务的第j道工序在设备s上的调整时间；q_s为设备s的故障率；x_ijs为0，1变量，如果订单任务i的第j道工序在设备s上加工取值为1，否则为0；t_kij开始和t_{ki(j+1)开始}为第k个排产方案中任务i加工第j道工序和第j+1道工序的开始时间；

为第k个排产方案中任务i加工第j道机加工序的设备工时，Θ_{T工序工时}为全部设备加工工时的有限集；

为第k个排产方案中任务i加工第j道手工作业工序的人工工时，Θ_{W工序工时}为全部工人加工工时的有限集。

Images