CN111290360B - 一种铸造生产线多目标优化方法 - Google Patents
一种铸造生产线多目标优化方法 Download PDFInfo
- Publication number
- CN111290360B CN111290360B CN202010215662.6A CN202010215662A CN111290360B CN 111290360 B CN111290360 B CN 111290360B CN 202010215662 A CN202010215662 A CN 202010215662A CN 111290360 B CN111290360 B CN 111290360B
- Authority
- CN
- China
- Prior art keywords
- solution
- value
- production line
- total
- objective function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 121
- 238000005266 casting Methods 0.000 title claims abstract description 57
- 238000005457 optimization Methods 0.000 title claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 116
- 238000005265 energy consumption Methods 0.000 claims abstract description 46
- 230000000739 chaotic effect Effects 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000003754 machining Methods 0.000 claims description 31
- 238000012163 sequencing technique Methods 0.000 claims description 9
- BVPWJMCABCPUQY-UHFFFAOYSA-N 4-amino-5-chloro-2-methoxy-N-[1-(phenylmethyl)-4-piperidinyl]benzamide Chemical compound COC1=CC(N)=C(Cl)C=C1C(=O)NC1CCN(CC=2C=CC=CC=2)CC1 BVPWJMCABCPUQY-UHFFFAOYSA-N 0.000 claims description 6
- 230000000717 retained effect Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 42
- 230000015654 memory Effects 0.000 description 15
- 238000003860 storage Methods 0.000 description 8
- 238000004134 energy conservation Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种铸造生产线多目标优化方法,包括:获取铸造生产线当前加工批次中的生产参数;其中,生产参数包括用于加工的作业机器数量,待加工工件的种类、与待加工工件对应的加工工序和待加工工件的数量;将与待加工工序一一对应的松弛时间系数值作为优化变量建立目标函数;根据多目标混沌优化算法获取由松弛时间系数值组成的至少一个集合;集合中对应同一个待加工工序仅存在一个松弛时间系数值;根据总电能消耗以及总加工时间获取最优解集合。通过优化各工序的加工时间,实现了合理调配作业机器的作业时间和空闲时间,并且降低了生产电能消耗。
Description
技术领域
本发明涉及一种铸造生产线技术领域,具体涉及一种铸造生产线多目标优化方法。
背景技术
随着工业4.0科技革命的兴起,我国铸造业发展迅速,铸件被广泛地应用在航空、航天、兵器、船舶、汽车和电子等行业,然而目前铸造生产线的作业多以人工为主,导致生产线产品效率低、一致性差与能耗高。很难满足高端装备制造对精度、效率和节能的要求。高效率、高智能化、节能环保的铸造生产线成为未来工业生产的趋势。
传统的针对铸造生产线的生产调度问题大多只考虑生产成本和生产效率,以平衡率或平滑系数作为优化目标函数对生产线进行再平衡调整。近年来,随着节能环保的概念越来越深入人心,对节能的要求需要生产线在保证生产的同时合理的安排产品的调度加工。在生产调度环节中,通常假定作业机器以其最大速度执行操作,在调度允许时开始运行,否则闲置,这样会导致不必要的高电能加速和更长的空闲时间,而空闲时机器仍在消耗电能,不仅造成资源浪费,也增加了生产成本。
发明内容
有鉴于此,本发明实施例提供了一种铸造生产线多目标优化方法,以解决现有技术的生产线在生产调度环节中,通常假定作业机器以其最大速度执行操作,从调度允许时开始,否则闲置,这样会导致不必要的高电能加速和更长的空闲时间,而空闲时机器仍在消耗电能,不仅造成资源浪费,也增加了生产成本的问题。
本发明实施例提供了一种铸造生产线多目标优化方法,包括:
获取铸造生产线当前加工批次中的生产参数;其中,生产参数包括用于加工的作业机器数量,待加工工件的种类、与待加工工件对应的加工工序和待加工工件的数量;
对所述铸造生产线中所有的待加工工件种类、数量、对应加工工序和生产机器数量参数进行定义以及统计;
获取所述铸造生产线上所有作业机器从开机到关机的总时间;将从开机到关机的时间段里真正在加工工序的时间进行求和,将求和结果乘以空闲时的功率PH,得到所述铸造生产线总空闲电能消耗;
将与加工工序一一对应的松弛时间系数值作为优化变量建立目标函数;
根据多目标混沌优化算法获取由松弛时间系数值组成的至少一个集合;一个集合中对应同一个加工工序仅存在一个松弛时间系数值;
根据总电能消耗以及总加工时间获取最优解集合。
可选地,在将与加工工序一一对应的松弛时间系数值作为优化变量建立目标函数之前,还包括构建生产调度模型:
用于加工的作业机器有m台,表示为作业机器M={M1,M2,…,Mm},需要加工n个待加工工件N={N1,N2,...,Nn},第k个工件Nk包含qk道加工工序第k个工件的第j道加工工序OT(k,j)允许的最快加工时间为(k=1,2,...,n,j=1,2,...,qk),加工工序OT(k,j)允许的最慢加工时间为
记,第k个待生产工件的第j道生产工序O(k,j)的加工结束时刻为C(k,j),第k个待生产工件的第j道生产工序O(k,j)的加工耗时为OT(k,j),作业机器MS上安排的工序加工数量为Xs,作业机器Ms上加工的第x个工序的加工结束时刻为作业机器Ms上加工的第x个工序的加工耗时为生产线上完成最后一道工序的时刻为Clast,则:
C=Clast (1)
其中,C为完成所有加工工序的总加工时间,E(k,j)为完成加工工序O(k,j)的加工电能消耗,c1,c2,c3,c4,c5为与加工工序和作业机器有关的常数,α(k,j)为时间松弛系数值,Eidle为生产线总空闲电能消耗,PH为作业机器空闲时的功率。
可选地,其特征在于将与加工工序一一对应的松弛时间系数值作为优化变量建立目标函数还包括:
获取最小总加工时间目标函数:
Min C (5)
获取生产线总电能消耗目标函数:
其中,Min C为最小总加工时间,Etotal为生产线总电能消耗。
可选地,在构建生产调度模型之后,还包括设置约束条件:
对于第一待加工工件,第一待加工工件的当前加工工序必须在第一待加工工件的前一道加工工序加工完成后才能加工:
C(k,j)-C(k,j-1)≥OT(k,j),(k=1,2,...,n,j=2,3,...,qk);
对于第一作业机器,第一作业机器的当前加工工序必须在第一作业机器的前一道工序加工完成后才能加工:
松弛时间系数值的取值范围大于等于0且小于等于为单个加工工序的最快加工时间和最慢加工时间之差:
可选地,根据多目标混沌优化算法获取由松弛时间系数值组成的至少一个集合包括:
初始化多目标混沌优化算法总迭代次数H和并行数P;
将混沌变量线性映射到相应的优化变量取值范围,获得优化松弛时间系数值的P组取值解;
根据优化松弛时间系数值的P组取值解计算出对应的P组总加工时间和电能消耗;
分别根据预设时间范围和预设电能消耗范围对优化松弛时间系数值的P组取值解进行筛选;
通过混沌序列对第一父代种群进行变异,生成子代种群,并将子代种群作为新一轮迭代搜索的第二父代种群:
Zoffspring=4*Zparent*(1-Zparent) (7)
其中,Zparent是第一父代种群,Zoffspring是子代种群。
可选地,分别根据预设时间范围和预设电能消耗范围对优化松弛时间系数值的P组取值解进行筛选包括:
对P组取值解进行非支配关系排序;
保留第一非支配前沿取值解。
可选地,在保留第一非支配前沿取值解之后,还包括:
对第一非支配前沿取值解进行拥挤度排序;
将拥挤度最低的第一非支配前沿取值解保留为迭代取值解。
可选地,对P组取值解进行非支配关系排序包括:
将P组取值解中每一个解的被支配解个数Xd初始化为0,将支配解集Sd初始化为Φ;
对于其中的第一解I1,若找到支配第一解I1的第二解I2,则第一解I1的被支配解个数Xd加1,即Xd=Xd+1;
若第一解I1支配第二解I2,则把第二解I2放入第一解I1的支配解集Sd中,即Sd=Sd∪{I2}。
可选地,对第一非支配前沿取值解进行拥挤度排序包括:
将第一非支配前沿取值解中每一个解的拥挤度Y[i]初始化为0;
将所有第一非支配前沿取值解代入最小总加工时间目标函数和生产线总电能消耗目标函数,根据最小总加工时间目标函数值和生产线总电能消耗目标函数值分别从小到大排序;
将排序后与最小总加工时间目标函数对应的第一个取值解和最后一个取值解的拥挤度设为无穷大;
将排序后与生产线总电能消耗目标函数值对应的第一个取值解和最后一个取值解的拥挤度设为无穷大;
分别获取与最小总加工时间目标函数和生产线总电能消耗目标函数值对应非边界上的取值解的拥挤度:
对根据最小总加工时间目标函数和生产线总电能消耗目标函数求得取值解的单个拥挤度求和获得总拥挤度;
可选地,将拥挤度最低的第一非支配前沿取值解保留为迭代取值解之后,还包括:
判断迭代取值解的数量和总迭代次数是否超过预设值;
若迭代取值解的数量或总迭代次数超过预设值,则停止迭代;
保留拥挤度最低的迭代取值解;其中,迭代取值解所对应的松弛时间系数值即为铸造生产线在兼顾总加工时间和电能消耗下的最优解。
本发明实施例的有益效果:
通过获取铸造生产线当前加工批次中的生产参数,构建铸造生产线多目标优化生产调度模型,以最小化电能消耗和最小化总加工时间建立目标函数,接着在求解过程中,以与工序的具体加工时间有关的松弛时间系数α(k,j)的值作为优化变量,利用多目标混沌优化算法优化确定松弛时间系数α(k,j)的值,得到总加工时间较短,电能消耗较少的铸造生产线生产加工方案,用以解决所述一种铸造生产线多目标优化求解问题。利用该方法得到的铸造生产线生产加工方案,在保证生产线生产效率的同时,减小了电能消耗,从而降低生产成本。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1示出了本发明实施例中一种铸造生产线多目标优化方法的流程图;
图2示出了本发明实施例中一种多目标混沌优化算法的流程图;
图3示出了本发明实施例中单个工序的加工时间和电能消耗关系图;
图4示出了本发明实施例中一种非支配关系与拥挤度排序示意图;
图5示出了本发明实施例中一种铸造生产线多目标优化终端结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种铸造生产线多目标优化方法,如图1所示,包括:
步骤S100,获取铸造生产线当前加工批次中的生产参数。其中,生产参数包括用于加工的作业机器数量,待加工工件的种类、与待加工工件对应的加工工序和待加工工件的数量。
在本实施例中,需要根据实际订单需求来实时调整生产策略,因此需要获取当前待加工的工件种类、数量、对应的加工工序,以及可投入生产的作业机器数量。由于待加工工件的工序以及对应作业机器的功率范围都是确定的,因此能够得出不同工序的加工耗时范围要求。
对铸造生产线中所有的待加工工件种类、数量、对应加工工序和生产机器数量参数进行定义以及统计;
获取铸造生产线上所有作业机器从开机到关机的总时间;将从开机到关机的时间段里真正在加工工序的时间进行求和,将求和结果乘以空闲时的功率PH,得到铸造生产线总空闲电能消耗。
步骤S200,将与加工工序一一对应的松弛时间系数值作为优化变量建立目标函数。
在本实施例中,松弛时间系数值是指同一作业机器或同一待加工工件当前加工工序在最短生产时间基础上的时间调度变量参数。对于单一的作业机器或待加工工件而言,在一个加工周期中,作业机器或生产线的总电能消耗为作业机器运行工序的能耗加上空闲状态下的能耗。通过将加工工序的松弛时间系数值作为优化变量建立目标函数,在相同待加工的工件种类、数量、对应的加工工序以及可投入生产的作业机器数量情况下,可以计算得出不同松弛时间系数值对应的生产线总电能消耗以及总加工耗时。
步骤S300,根据多目标混沌优化算法获取由松弛时间系数值组成的至少一个集合。一个集合中对应同一个加工工序仅存在一个松弛时间系数值。
在本实施例中,通过多目标混沌优化算法可以获得与单个加工工序对应的松弛时间系数值的多个解。将这些松弛时间系数值根据工序组成集合,一个集合中包含与所有加工工序一一对应的松弛时间系数值,并且一个集合中,与一个加工工序对应的松弛时间系数值有且只有一个解。
步骤S400,根据总电能消耗以及总加工时间获取最优解集合。
在本实施例中,选取总加工时间较短、电能消耗较少对应的优化松弛时间系数值中的最优解以确定铸造生产线生产加工方案,在保证生产要求的同时,选择了一个合适的工序加工时间,从而实现了降低加工电能消耗的目标。
作为可选的实施方式,在步骤S200之前,还包括:步骤S110,构建生产调度模型。具体方式如下:
用于加工的作业机器有m台,表示为作业机器M={M1,M2,…,Mm},需要加工n个待加工工件N={N1,N2,...,Nn},第k个工件Nk包含qk道加工工序第k个工件的第j道加工工序OT(k,j)允许的最快加工时间为(k=1,2,...,n,j=1,2,...,qk),加工工序OT(k,j)允许的最慢加工时间为
记,第k个待生产工件的第j道生产工序O(k,j)的加工结束时刻为C(k,j),第k个待生产工件的第j道生产工序O(k,j)的加工耗时为OT(k,j),作业机器MS上安排的工序加工数量为Xs,作业机器Ms上加工的第x个工序的加工结束时刻为作业机器Ms上加工的第x个工序的加工耗时为生产线上完成最后一道工序的时刻为Clast,则:
C=Clast (1)
其中,C为完成所有加工工序的总加工时间,E(k,j)为完成加工工序O(k,j)的加工电能消耗,c1,c2,c3,c4,c5为与加工工序和作业机器有关的常数,α(k,j)为时间松弛系数值,Eidle为生产线总空闲电能消耗,PH为作业机器空闲时的功率。
在本实施例中,首先对生产线中所有涉及到的待加工工件种类、数量、对应加工工序和生产机器数量等参数进行定义以及统计。公式(4)中的m*C是生产线上所有作业机器从开机到关机的总时间,后面求和公式是从开机到关机的时间段里真正在加工工序的时间,乘以空闲时的功率PH,即为生产线总空闲电能消耗。
作为可选的实施方式,步骤S200还包括:
步骤S201,获取最小总加工时间目标函数:
Min C (5)
步骤S202,获取生产线总电能消耗目标函数:
其中,Min C为最小总加工时间,Etotal为生产线总电能消耗。
在本实施例中,以总加工时间最小为先决条件,通过公式(6)计算出在确定待加工工件种类、数量、作业机器数量、工序和加工耗时情况下,铸造生产线的总电能消耗值。
作为可选的实施方式,在步骤S110之后,还包括:
步骤S111,设置约束条件:
对于第一待加工工件,第一待加工工件的当前加工工序必须在第一待加工工件的前一道加工工序加工完成后才能加工:
C(k,j)-C(k,j-1)≥OT(k,j),(k=1,2,...,n,j=2,3,...,qk)。
对于第一作业机器,第一作业机器的当前加工工序必须在第一作业机器的前一道工序加工完成后才能加工:
松弛时间系数值的取值范围大于等于0且小于等于为单个加工工序的最快加工时间和最慢加工时间之差:
在本实施例中,通过前两个约束条件避免生产线发生冲突任务,确保生产线全程平稳工作。图2示出了本发明实施例中一种多目标混沌优化算法的流程图。对松弛时间系数值的取值进行约束,结合公式(3),对作业机器的每一道加工工序耗时进行取值时,均落在对应作业机器加工工序所需的最快加工时间和最慢加工时间之间,避免取到实际加工过程中不可能出现的加工时间。
作为可选的实施方式,步骤S300包括:
步骤S301,初始化多目标混沌优化算法总迭代次数H和并行数P。
步骤S303,将混沌变量映射到相应的优化变量取值范围,获得优化松弛时间系数值的P组取值解。
步骤S304,根据优化松弛时间系数值的P组取值解计算出对应的P组总加工时间和电能消耗。
步骤S305,分别根据预设时间范围和预设电能消耗范围对优化松弛时间系数值的P组取值解进行筛选。
步骤S306,通过混沌序列对第一父代种群进行变异,生成子代种群,并将子代种群作为新一轮迭代搜索的第二父代种群:
Zoffspring=4*Zparent*(1-Zparent) (7)
其中,Zparent是第一父代种群,Zoffspring是子代种群。
在本实施例中,图3示出了单个工序的加工时间和电能消耗关系图,随着加工时间的增加,作业机器的电能消耗是先减小再增大的,因此本实施例中的目标取值解即为电能消耗较小以及加工时间较少对应的优化松弛时间系数值,通过对每个工序的能耗和耗时来确保总能耗和总耗时得到优化。通过混沌序列公式(7),在确定取值区间之后,只需要从取值区间中选取一部分值,通过迭代就可以取遍整个取值区间。
作为可选的实施方式,步骤S305包括:
步骤S3051,对P组取值解进行非支配关系排序。
步骤S3052,保留第一非支配前沿取值解。
在本实施例中,若第一优化松弛时间系数值的被支配解个数为0,则第一优化松弛时间系数值属于第一非支配前沿,并将第一优化松弛时间系数值保存下来。如图4所示,第一非支配前沿取值解是可以直接选取的优化松弛时间系数值,这些取值解对应的生产线生产加工方案相较于现有的加工方案,电能消耗有所降低。
步骤S3053,将拥挤度最低的第一非支配前沿取值解保留为迭代取值解。
在本实施例中,每次迭代仅保留拥挤度最低的第一非支配前沿取值解用于下一次迭代。
作为可选的实施方式,在步骤S3053之后,还包括:
步骤S3054,对第一非支配前沿取值解进行拥挤度排序。
步骤S3055,选取拥挤度最低的第一非支配前沿取值解。
在本实施例中,对于第一非支配前沿取值解进行拥挤度排序,进而获取最优解。如图4所示,仅保留第一非支配前沿取值解中的最优解F1。
作为可选的实施方式,步骤S3051包括:
将P组取值解中每一个解的被支配解个数Xd初始化为0,将支配解集Sd初始化为Φ。
对于其中的第一解I1,若找到支配第一解I1的第二解I2,则第一解I1的被支配解个数Xd加1,即Xd=Xd+1。
若第一解I1支配第二解I2,则把第二解I2放入第一解I1的支配解集Sd中,即Sd=Sd∪{I2}。
在本实施例中,先对非支配关系进行初始化,然后遍历P组解,获得支配解集Sd=Sd∪{I2},可以得出这些取值解之间的关联性。
作为可选的实施方式,步骤S3054包括:
将第一非支配前沿取值解中每一个解的拥挤度Y[i]初始化为0。
将所有第一非支配前沿取值解代入最小总加工时间目标函数和生产线总电能消耗目标函数,根据最小总加工时间目标函数值和生产线总电能消耗目标函数值分别从小到大排序;
将排序后与最小总加工时间目标函数对应的第一个取值解和最后一个取值解的拥挤度设为无穷大;
将排序后与生产线总电能消耗目标函数值对应的第一个取值解和最后一个取值解的拥挤度设为无穷大;
分别获取与最小总加工时间目标函数和生产线总电能消耗目标函数值对应非边界上的取值解的拥挤度:
对根据最小总加工时间目标函数和生产线总电能消耗目标函数求得取值解的单个拥挤度求和获得总拥挤度;
在本实施例中,存在两个目标函数,可能存在取值方案在一个目标函数上很优而在另一个目标函数上表现很差的情况,通过拥挤度计算可以在有多个目标的时候比较出各种方案的应用效果。总拥挤度为每个取值解对应的单个拥挤度之和,通过总拥挤度选取最优方案。
作为可选的实施方式,在步骤S3053之后,还包括:
判断迭代取值解的数量和总迭代次数是否超过预设值。
若迭代取值解的数量或总迭代次数超过预设值,则停止迭代。
保留拥挤度最低的迭代取值解;其中,迭代取值解所对应的松弛时间系数值即为铸造生产线在兼顾总加工时间和电能消耗下的最优解。。
在本实施例中,算法执行到最大迭代数或获得足够数量的迭代取值解时,停止迭代,并对所有的迭代取值解进行拥挤度排序,选择最优解作为参数优化松弛时间系数值α(k,j)的解。
在本实施例中,通过获取铸造生产线当前加工批次中的生产参数,构建铸造生产线多目标优化生产调度模型,以最小化电能消耗和最小化总加工时间建立目标函数,接着在求解过程中,以与工序的具体加工时间有关的松弛时间系数α(k,j)的值作为优化变量,利用多目标混沌优化算法优化确定松弛时间系数α(k,j)的值,得到总加工时间较短,电能消耗较少的铸造生产线生产加工方案,用以解决一种铸造生产线多目标优化求解问题。利用该方法得到的铸造生产线生产加工方案,在保证生产线生产效率的同时,减小了电能消耗,从而降低生产成本。
本发明实施例还提供了一种铸造生产线多目标优化终端,如图5所示,该铸造生产线多目标优化终端可以包括处理器51和存储器52,其中处理器51和存储器52可以通过总线或者其他方式连接,图5中以通过总线连接为例。
处理器51可以为中央处理器(Central Processing Unit,CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的铸造生产线多目标优化方法。
存储器52可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储处理器51所创建的数据等。此外,存储器52可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器52可选包括相对于处理器51远程设置的存储器,这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器52中,当被处理器51执行时,执行如图1-3所示实施例中的铸造生产线多目标优化方法。
上述铸造生产线多目标优化终端具体细节可以对应参阅图1至图4所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-StateDrive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种铸造生产线多目标优化方法,其特征在于,包括:
获取铸造生产线当前加工批次中的生产参数;其中,所述生产参数包括用于加工的作业机器数量,待加工工件的种类、与所述待加工工件对应的加工工序和所述待加工工件的数量;
对所述铸造生产线中所有的待加工工件种类、数量、对应加工工序和生产机器数量参数进行定义以及统计;
获取所述铸造生产线上所有作业机器从开机到关机的总时间;将从开机到关机的时间段里真正在加工工序的时间进行求和,将求和结果乘以空闲时的功率PH,得到所述铸造生产线总空闲电能消耗;
将与所述加工工序一一对应的松弛时间系数值作为优化变量建立目标函数;
根据多目标混沌优化算法获取由所述松弛时间系数值组成的至少一个集合;所述一个集合中对应同一个所述加工工序仅存在一个所述松弛时间系数值;
根据总电能消耗以及总加工时间获取最优解集合。
2.根据权利要求1所述的铸造生产线多目标优化方法,其特征在于,在将与所述加工工序一一对应的松弛时间系数值作为优化变量建立目标函数之前,还包括构建生产调度模型:
用于加工的作业机器有m台,表示为作业机器M={M1,M2,…,Mm},需要加工n个待加工工件N={N1,N2,...,Nn},第k个工件Nk包含qk道加工工序第k个工件的第j道加工工序OT(k,j)允许的最快加工时间为(k=1,2,...,n,j=1,2,...,qk),所述加工工序OT(k,j)允许的最慢加工时间为
记,第k个待生产工件的第j道生产工序O(k,j)的加工结束时刻为C(k,j),所述第k个待生产工件的第j道生产工序O(k,j)的加工耗时为OT(k,j),作业机器Ms上安排的工序加工数量为Xs,所述作业机器Ms上加工的第x个工序的加工结束时刻为所述作业机器Ms上加工的第x个工序的加工耗时为生产线上完成最后一道工序的时刻为Clast,则:
C=Clast (1)
其中,C为完成所有加工工序的总加工时间,E(k,j)为完成所述加工工序O(k,j)的加工电能消耗,c1,c2,c3,c4,c5为与所述加工工序和所述作业机器有关的常数,α(k,j)为所述松弛时间系数值,Eidle为生产线总空闲电能消耗,PH为所述作业机器空闲时的功率。
5.根据权利要求3所述的铸造生产线多目标优化方法,其特征在于,根据多目标混沌优化算法获取由所述松弛时间系数值组成的至少一个集合包括:
初始化所述多目标混沌优化算法总迭代次数H和并行数P;
将所述混沌变量线性映射到相应的优化变量取值范围,获得优化松弛时间系数值的P组取值解;
根据所述优化松弛时间系数值的P组取值解计算出对应的P组总加工时间和电能消耗;
分别根据预设时间范围和预设电能消耗范围对所述优化松弛时间系数值的P组取值解进行筛选;
通过混沌序列对所述第一父代种群进行变异,生成子代种群,并将所述子代种群作为新一轮迭代搜索的第二父代种群:
Zoffspring=4*Zparent*(1-Zparent) (7)
其中,Zparent是所述第一父代种群,Zoffspring是所述子代种群。
6.根据权利要求5所述的铸造生产线多目标优化方法,其特征在于,分别根据预设时间范围和预设电能消耗范围对所述优化松弛时间系数值的P组取值解进行筛选包括:
对所述P组取值解进行非支配关系排序;
保留第一非支配前沿取值解。
7.根据权利要求6所述的铸造生产线多目标优化方法,其特征在于,在保留第一非支配前沿取值解之后,还包括:
对所述第一非支配前沿取值解进行拥挤度排序;
将拥挤度最低的所述第一非支配前沿取值解保留为迭代取值解。
8.根据权利要求6所述的铸造生产线多目标优化方法,其特征在于,对所述P组取值解进行非支配关系排序包括:
将所述P组取值解中每一个解的被支配解个数Xd初始化为0,将支配解集Sd初始化为Φ;
对于其中的第一解I1,若找到支配所述第一解I1的第二解I2,则所述第一解I1的被支配解个数Xd加1,即Xd=Xd+1;
若所述第一解I1支配所述第二解I2,则把所述第二解I2放入所述第一解I1的支配解集Sd中,即Sd=Sd∪{I2}。
9.根据权利要求7所述的铸造生产线多目标优化方法,其特征在于,对所述第一非支配前沿取值解进行拥挤度排序包括:
将所述第一非支配前沿取值解中每一个解的拥挤度Y[i]初始化为0;
将所有所述第一非支配前沿取值解代入所述最小总加工时间目标函数和所述生产线总电能消耗目标函数,根据所述最小总加工时间目标函数值和所述生产线总电能消耗目标函数值分别从小到大排序;
将排序后与所述最小总加工时间目标函数对应的第一个取值解和最后一个取值解的拥挤度设为无穷大;
将排序后与所述生产线总电能消耗目标函数值对应的第一个取值解和最后一个取值解的拥挤度设为无穷大;
分别获取与所述最小总加工时间目标函数和所述生产线总电能消耗目标函数值对应非边界上的取值解的拥挤度:
对根据所述最小总加工时间目标函数和所述生产线总电能消耗目标函数求得取值解的单个拥挤度求和获得总拥挤度;
10.根据权利要求7所述的铸造生产线多目标优化方法,其特征在于,将拥挤度最低的所述第一非支配前沿取值解保留为迭代取值解之后,还包括:
判断所述迭代取值解的数量和总迭代次数是否超过预设值;
若所述迭代取值解的数量或总迭代次数超过预设值,则停止迭代;
保留拥挤度最低的所述迭代取值解;其中,所述迭代取值解所对应的松弛时间系数值即为铸造生产线在兼顾总加工时间和电能消耗下的最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010215662.6A CN111290360B (zh) | 2020-03-25 | 2020-03-25 | 一种铸造生产线多目标优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010215662.6A CN111290360B (zh) | 2020-03-25 | 2020-03-25 | 一种铸造生产线多目标优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111290360A CN111290360A (zh) | 2020-06-16 |
CN111290360B true CN111290360B (zh) | 2021-07-02 |
Family
ID=71031104
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010215662.6A Active CN111290360B (zh) | 2020-03-25 | 2020-03-25 | 一种铸造生产线多目标优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111290360B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114800828B (zh) * | 2022-04-09 | 2024-04-05 | 沈阳建筑大学 | 一种预制构件混凝土布料机器人的负荷分配智能优化方法 |
CN117420804B (zh) * | 2023-11-13 | 2024-03-26 | 嘉兴富瑞特精密机电有限公司 | 一种金属箱体流水线智能优化控制方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1286289A2 (en) * | 2001-08-10 | 2003-02-26 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
CN101216710A (zh) * | 2007-12-28 | 2008-07-09 | 东南大学 | 一种由计算机实现的自适应选择动态生产调度控制*** |
CN104155931A (zh) * | 2014-07-04 | 2014-11-19 | 广东工业大学 | 基于nsga-ii的轮胎模具加工及装配集成优化方法 |
CN105243458A (zh) * | 2015-11-10 | 2016-01-13 | 河海大学 | 一种基于多目标混合蛙跳差分算法的水库调度方法 |
CN105974891A (zh) * | 2016-01-18 | 2016-09-28 | 广东工业大学 | 一种基于动态看板的模具生产过程自适应控制方法 |
CN110276475A (zh) * | 2019-05-23 | 2019-09-24 | 温州大学 | 一种断路器自动化装配生产的优化配置方法 |
CN110288126A (zh) * | 2019-05-30 | 2019-09-27 | 湖南大学 | 一种机器人铸造生产线产能优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9926852B2 (en) * | 2015-03-03 | 2018-03-27 | General Electric Company | Methods and systems for enhancing control of power plant generating units |
-
2020
- 2020-03-25 CN CN202010215662.6A patent/CN111290360B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1286289A2 (en) * | 2001-08-10 | 2003-02-26 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
CN101216710A (zh) * | 2007-12-28 | 2008-07-09 | 东南大学 | 一种由计算机实现的自适应选择动态生产调度控制*** |
CN104155931A (zh) * | 2014-07-04 | 2014-11-19 | 广东工业大学 | 基于nsga-ii的轮胎模具加工及装配集成优化方法 |
CN105243458A (zh) * | 2015-11-10 | 2016-01-13 | 河海大学 | 一种基于多目标混合蛙跳差分算法的水库调度方法 |
CN105974891A (zh) * | 2016-01-18 | 2016-09-28 | 广东工业大学 | 一种基于动态看板的模具生产过程自适应控制方法 |
CN110276475A (zh) * | 2019-05-23 | 2019-09-24 | 温州大学 | 一种断路器自动化装配生产的优化配置方法 |
CN110288126A (zh) * | 2019-05-30 | 2019-09-27 | 湖南大学 | 一种机器人铸造生产线产能优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111290360A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111290360B (zh) | 一种铸造生产线多目标优化方法 | |
CN111427750B (zh) | 一种计算机平台的gpu功耗估计方法、***及介质 | |
CN109857083B (zh) | 一种基于Petri网的含有不可观事件的无死锁控制方法 | |
CN106611275A (zh) | 针对作业车间生产问题的排产算法 | |
Shojaee et al. | A new cat swarm optimization based algorithm for reliability-oriented task allocation in distributed systems | |
CN115081760B (zh) | 一种加工资源管理优化方法、装置、终端及存储介质 | |
CN115168027A (zh) | 一种基于深度强化学习的算力资源度量方法 | |
Yuan et al. | A multi-agent double deep-Q-network based on state machine and event stream for flexible job shop scheduling problem | |
CN113705978B (zh) | 一种多机任务刀具静态与动态集成决策方法及*** | |
CN109034540B (zh) | 一种基于在制品工序流的机床序列编排动态预测方法 | |
CN116643547B (zh) | 生产***的调控方法、生产***、电子设备及存储介质 | |
CN111274667A (zh) | 一种跨尺度材料计算软件集成计算***及方法 | |
CN113434034B (zh) | 利用深度学习调整计算任务cpu频率的大型集群节能方法 | |
CN113033005B (zh) | 针对具有多资源协同约束的作业车间性能指标的求解方法 | |
CN116300756A (zh) | 带运输机器人柔性制造车间的双目标优化调度方法及*** | |
CN115794405A (zh) | 一种基于SSA-XGboost算法的大数据处理框架的动态资源分配方法 | |
CN115756792A (zh) | 适用于智能排程***的cpu并行加速方法和*** | |
CN114742377A (zh) | 产品的生产任务处理方法、设备、介质及程序产品 | |
CN113993343A (zh) | 制冷设备的节能控制方法、装置、终端及存储介质 | |
CN113723936A (zh) | 一种电力工程质量监督管理方法及*** | |
CN113031542A (zh) | 一种基于负载均衡的半导体生产线动态调度方法 | |
CN113283755B (zh) | 一种车间智能调度决策方法 | |
CN113419854B (zh) | 一种面向不平衡多目标优化的云资源调度方法 | |
CN115758788B (zh) | 一种基于Petri网建模的柔性制造***的加工时间计算方法 | |
CN116523249A (zh) | 一种生产线确定方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |