CN115185247A - 一种基于产品加工质量的机床运行状态预测与车间调度方法 - Google Patents
一种基于产品加工质量的机床运行状态预测与车间调度方法 Download PDFInfo
- Publication number
- CN115185247A CN115185247A CN202211038237.XA CN202211038237A CN115185247A CN 115185247 A CN115185247 A CN 115185247A CN 202211038237 A CN202211038237 A CN 202211038237A CN 115185247 A CN115185247 A CN 115185247A
- Authority
- CN
- China
- Prior art keywords
- machine tool
- quality data
- quality
- scheduling
- clustering
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004519 manufacturing process Methods 0.000 claims abstract description 67
- 238000003754 machining Methods 0.000 claims abstract description 20
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 17
- 238000011112 process operation Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 239000002245 particle Substances 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000002441 X-ray diffraction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 4
- 210000000349 chromosome Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000001960 triggered 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
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
本发明公开了一种基于产品加工质量的机床运行状态预测与车间调度方法,包括:步骤1:针对机床的运行状态,构建机床、加工工序与加工质量特性映射模型;步骤2:针对生产工艺中的每一台机床设备,构建初步聚类的质量数据;步骤3:根据初步聚类的质量数据,采用数据标签样本均衡化算法生成足量的加工质量数据并均衡化合格产品与不合格产品质量数据;步骤4:根据均衡化后的质量数据,分析预测机床运行状态;步骤5:根据预测的机床运行状态,构建生产过程调度模型,重新分配生产加工任务至正常机床。本发明能够避免复杂的生产环境干扰机床数据分析的问题,同时,所得调度方案能够有效缩短生产调度周期。
Description
技术领域
本发明属于车间调度技术领域,具体涉及一种基于产品加工质量的机床运行状态预测与车间调度方法。
背景技术
近年来,企业越来越多地倾向于生产小批量、多品种的产品,以满足客户日益个性化、定制化的产品需求。生产车间在执行混合型任务过程中,要求具备极高的柔性、鲁棒性。机床设备对生产任务进行响应,加工质量依赖机床的运行状态。机床运行状态出现问题,将直接影响产品加工质量。机器承担着处理这些工作的沉重负担,机器运行状况对生产过程有很大影响,可能造成严重财产损失。因此,预测机床运行状态并提前调度生产过程,进而避免潜在的生产损失十分必要。
针对机床运行状态的预测方法,主要分为两类:单纯的模型构建、大数据分析。但是这两类方法依赖的数据都是采集机床运行过程数据,这类数据受到机床运行环境影响,干扰数据量大、类型复杂,导致预测的结论准确性低,此外,需耗费大量计算资源用于数据的预处理,从而获得可靠的机床运行过程数据,用于监控预测机床运行状态。
针对生产调度方法,也可以分为两类:静态调度、动态调度。静态调度方法中,现有技术提出从机床总能耗和延时的角度建立启发式算法的调度模型;或建立考虑生产周期、最大功耗和碳排放的数学规划模型,以获得最优生产计划;或利用帕累托最优前端结合遗传算法来优化非处理阶段的能量消耗和总加权延迟时间来获得最优调度方案。但是,这些静态调度方法不适用于动态万变的柔性生产车间的动态调度问题。
动态调度方法又可以分为三类:完全反应式调度、稳健的主动调度和预测反应式调度。预测反应式调度运用最广,现有技术提出一种随机调度方法,从最佳调度中提取调度规则以最小化总加权拖期;或构建一组代理,负责实现不同的控制和监视任务,以增强***的灵活性和敏捷性;或提出两级多任务调度模型,以在云制造环境中更有效地管理任务。
从当前的研究技术中,可以总结出以下问题:
一、当前采集机床运行数据用于机床运行状态分析使主流的方法,然而,复杂和嘈杂的生产环境会干扰机床运行数据的采集、分析,并消耗大量计算资源来消除无用和干扰数据。
二、机床运行状态对生产过程影响重大,但是机床运行状态异常导致生产过程调度的研究不足,此外,较少有研究将机床运行状态进行等级划分,无法精准地进行生产过程调度。
三、调度算法的选择上很少考虑高效率,导致调度方案的求解过程耗费较长时间。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供一种基于产品加工质量的机床运行状态预测与车间调度方法,利用改进的K-means算法、提出数据标签样本均衡化算法初步分析加工质量数据,使用改进的粒子群算法预测加工质量数据聚类中心,进而预测机床运行状态。从机床运行状态角度,评估机床运行状态对生产过程的影响并动态调度生产任务,从而降低机床运行状态异常对生产过程的负面影响。
为实现上述技术目的,本发明采取的技术方案为:
一种基于产品加工质量的机床运行状态预测与车间调度方法,包含以下步骤:
步骤1:针对机床的运行状态,构建机床、加工工序与加工质量特性映射模型;
步骤2:针对生产工艺中的每一台机床设备,构建初步聚类的质量数据;
步骤3:根据初步聚类的质量数据,采用数据标签样本均衡化算法生成足量的加工质量数据并均衡化合格产品与不合格产品质量数据;
步骤4:根据均衡化后的质量数据,分析预测机床运行状态;
步骤5:根据预测的机床运行状态,构建生产过程调度模型,重新分配生产加工任务至正常机床。
为优化上述技术方案,采取的具体措施还包括:
上述的步骤1中,一台机床可映射至多个零件加工质量,所述加工质量特性包含尺寸特性、形状和位置特性、粗糙度特性。
上述的步骤2包括:
步骤2.1:针对生产工艺中的每一台机床设备,采集其加工质量数据标签样本,定义合格产品质量数据与不合格产品质量数据标签;
步骤2.2:使用改进K-means算法评估获取质量数据的聚类中心以及相应的数据集,得到初步聚类的质量数据。
上述的步骤2.1所述定义质量数据标签,具体如下:
QLi,j=[Di,j,Si,j,RRi,j] (1)
式中,QLi,j表示第i台机床加工零件的第j道工序的质量数据标签;Di,j、Si,j、RRi,j表示尺寸特性、形状和位置特性、粗糙度特性值偏离相应公差范围的比例;
当质量数据标签至少一个元素数值处于不合格产品质量特性区间内,被定义为不合格产品质量数据标签;
当质量标签元素数值都处于合格产品质量特性区间内,被定义为合格产品质量数据标签。
上述的步骤2.2中,将加工质量数据标签视作笛卡尔坐标系中的点坐标,并使用改进K-means算法得到初步聚类的质量数据,具体包括:
步骤2.2.1:每个加工质量数据标签有三个元素,每个元素有合格与不合格两种情形,组合之后可得八种加工质量数据标签类型,并在合格与不合格产品质量特性区间内随机取值作为初始八个聚类中心;
步骤2.2.2:根据步骤2.2.1对所有的质量数据标签进行聚类:评估每一个质量数据标签上所属类,即计算质量数据标签距离八个聚类中心的笛卡尔坐标系距离,并将该质量数据标签归类至距离最短的聚类中心所属类;
步骤2.2.3:更新聚类中心:根据聚类之后的质量数据集合,重新评估更新聚类中心,公式如下。
式中,CCXi,j表示更新后的聚类中心标签元素值;xij表示同属一个类的质量数据标签元素值;Yij表示同属一个类的质量数据标签集合;ns表示同属一类的质量数据标签数量。
步骤2.2.4:中止初步聚类过程:迭代循环执行步骤2.2.2与2.2.3,直到相邻两次更新后的聚类中心笛卡尔坐标系距离小于预定的阈值,输出初步聚类的质量数据。
上述的步骤3具体包括:
步骤3.1:剔除异常数据:计算同属一类质量数据标签距离聚类中心的平均笛卡尔坐标系距离,并与每一个质量数据标签距离聚类中心距离进行比较,将大于平均距离的质量数据标签作为异常数据被剔除,将小于平均距离的质量数据标签保留用于生成数据样本;
步骤3.2:均衡化质量数据标签:针对质量数据标签数量少于数量最多类超过50%以上的类,利用如下公式生成质量数据标签元素:
当生成质量数据标签后样本数量达到包含数据标签最多类的数量后,中止该类的生成质量数据标签与均衡化质量数据标签过程。
上述的步骤4包括:
步骤4.1:质量数据变化趋势分析:使用改进粒子群算法评估所有质量数据的同一个聚类中心,其规则如下:
定义所有质量数据标签与唯一的聚类中心笛卡尔坐标系距离之和为改进粒子群算法的优化目标,公式如下:
式中,OB所有质量数据标签与唯一的聚类中心笛卡尔坐标系距离之和;QLp表示质量数据标签样本;ACk表示最优的聚类中心;CL表示质量数据标签类;
依据所述优化目标,通过改进粒子群算法的位置以及速度规则不断更新所有质量数据标签的聚类中心,获取最优的聚类中心;
步骤4.2:根据步骤1构建的映射模型预测机床运行状态,方法如下:
评估加工质量数据,根据质量数据标签元素类型,得到如下四种情形:
情形一:尺寸特性数值、形状和位置特性数值、粗糙度特性数值都处于合格产品质量特性区间内;
情形二:尺寸特性数值、形状和位置特性数值、粗糙度特性数值中,有一个数值处于不合格产品质量特性区间内;
情形三:尺寸特性数值、形状和位置特性数值、粗糙度特性数值中,有两个数值处于不合格产品质量特性区间内;
情形四:尺寸特性数值、形状和位置特性数值、粗糙度特性数值中,有三个数值处于不合格产品质量特性区间内;
根据上述四种情形,预测机床运行状态结论如下:
情形一发生时,机床运行状态正常;
情形二发生时,机床运行状态处于亚健康状态,该机床在后续的调度中被选中作为可用机床的概率降低50%;
情形三发生时,机床运行状态处于亚健康状态,该机床在后续的调度中被选中作为可用机床的概率降低75%;
情形四发生时,机床运行状态处于不正常状态,该机床在后续的调度中被剔除。
上述的步骤5包括:
步骤5.1:构建生产过程编码,将多个任务分配至相应机床的矩阵编码,具体的:
利用二维矩阵形式定义生产过程编码,公式如下:
式中,矩阵的每一列表示一项任务的加工工序操作对应的机床代码向量;行数表示任务的数量;p(n,s)表示第s个任务第n道工序操作使用的机床代码;
步骤5.2:根据步骤4预测的运行状态为非正常的机床,使用改进遗传基因算法重新分配生产加工任务至可用机床,具体的,重新分配生产加工任务至可用机床的方法如下:
以生产调度后方案的工期作为优化目标,使用改进遗传基因算法进行评估,计算得到最短工期的调度方案;
工期计算公式如下;
优化目标公式如下:
Fit(solu)=1/dn (7)
式中,Fit(solu)表示适应度函数;dn表示生产调度后方案的工期;
依据上述优化目标公式,通过改进遗传基因算法优化调度方案获得最优的生产调度方案。
本发明具有以下有益效果:
本发明定义产品加工质量数据标签,建立机床、加工工序与加工质量特性映射模型;利用一种三维空间点坐标类型的K-means算法,初步聚类分析产品质量数据;依据初步聚类的产品质量数据,构建数据标签样本均衡化算法,计算并生成均衡的数据标签样本;利用一种三维空间点坐标类型的粒子群优化算法求解均衡化的质量数据变化趋势,并依据机床、加工工序与加工质量特性映射模型预测机床运行状态;利用一种三维空间点坐标类型的蚁群算法求解生产工期目标模型,得到一组最优的生产调度方案。本发明能够避免复杂的生产环境干扰机床数据分析的问题,同时,所得调度方案能够有效缩短生产调度周期。
(1)相比于基于机床运行数据的机床运行状态直接预测方法,本发明利用产品加工质量数据进行质量数据变化趋势分析,进而预测机床运行状态的方法,可靠性更高,节省大量用于数据预处理的计算资源。
(2)本发明对机器运行状态进行分级,并用于生产过程的动态调度方案优化,所得调度方案更合理、操作性更强。
(3)本发明提出质量数据初步聚类方法,依据合格质量以及不合格质量求解质量数据多个聚类中心,并生成足量均衡的质量数据标签样本用于质量数据分析,显著提高数据分析的效率。
(4)本发明能够应对动态变化的生产车间调度问题,动态预测机床运行状态并快速生成有效的动态调度方案,从而帮助工程师制定实施性强的生产计划。
附图说明
图1为基于产品加工质量的机床运行状态预测与车间调度方法框架。
图2为合格产品质量特性区间以及不合格产品质量特性区间。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
参见图1,一种基于产品加工质量的机床运行状态预测与车间调度方法,具体实施步骤如下:
步骤1:为了表示机床及其加工质量的关系,针对机床的运行状态,构建机床、加工工序与加工质量特性映射模型;
一台机床可映射至多个零件加工质量,所述加工质量特性包含尺寸特性、形状和位置特性、粗糙度特性,机床加工工序决定零件产品加工质量。
图1左上部分机床与加工质量特性映射模型,左边部分为机床代号,用M1、Mm表示;中间部分为工序操作代号,表示铣、钻等操作,将第m台及床上的第t个操作用Opm,t表示,因此机床上的工序操作可以表示为Op1,1、Op1,s、Opm,1、Opm,t;右边为工序操作的加工质量特性,表示尺寸特性、形状和位置特性、粗糙度特性,分别用DC、SC、RC表示,图中DC、SC、RC的下标表示相应的工序操作。
可以看出,该模型具有如下特点:
该模型包含机床层、工序操作层、质量属性层,工序操作层作为中间层实现机床与质量特性一对多的映射。
每一道工序操作质量都依靠一组质量特性进行评价,进而每台机床运行状态可以由多组质量特性进行评估。
每台机床对应的加工质量数据存在合格质量数据量与不合格质量数据量差别大的现象。
步骤2:针对生产工艺中的每一台机床设备,构建初步聚类的质量数据;
步骤2.1:针对生产工艺中的每一台机床设备,采集其加工质量数据标签样本,定义合格产品质量数据与不合格产品质量数据标签;
质量数据初步聚类方法目的是将质量数据分类至合格产品质量数据类与不合格产品质量数据类。
所述的数据标签样本指尺寸特性值、形状和位置特性值、粗糙度特性值偏离相应公差范围的比例组成的向量,即为了分析质量数据变化趋势,将质量数据标签定义为:
QLi,j=[Di,j,Si,j,RRi,j],
式中,QLi,j表示第i台机床加工零件的第j道工序的质量数据标签;Di,j、Si,j、RRi,j表示尺寸特性、形状和位置特性、粗糙度特性值偏离相应公差范围的比例。
当质量数据标签至少一个元素数值处于不合格产品质量特性区间内,被定义为不合格产品质量数据标签;
当质量标签元素数值都处于合格产品质量特性区间内,被定义为合格产品质量数据标签。
步骤2.2初步聚类质量数据,即使用改进K-means算法评估获取质量数据的聚类中心以及相应的数据集。
步骤2.2.1:选取八个聚类中心。
每个加工质量数据标签有三个元素,每个元素有合格与不合格两种情形,组合之后可得八种加工质量数据标签类型,并在合格与不合格产品质量特性区间内随机取值作为初始八个聚类中心;
为了获取初始的聚类中心,在合格产品质量特性区间以及不合格产品质量特性区间随机选择一个值作为初始聚类中心数据标签元素值,因此,如表1所示,可以得到八个初始的聚类中心。
表1初始的聚类中心
聚类中心 |
[(1/2-σ%)/2,(1/2-σ%)/2,(1/2-σ%)/2] |
[(1-σ%)/2,(1/2-σ%)/2,(1/2-σ%)/2] |
[(1/2-σ%)/2,(1-σ%)/2,(1/2-σ%)/2] |
[(1/2-σ%)/2,(1/2-σ%)/2,(1-σ%)/2] |
[(1-σ%)/2,(1-σ%)/2,(1/2-σ%)/2] |
[(1-σ%)/2,(1/2-σ%)/2,(1-σ%)/2] |
[(1/2-σ%)/2,(1-σ%)/2,(1-σ%)/2] |
[(1-σ%)/2,(1-σ%)/2,(1-σ%)/2] |
步骤2.2.2:根据步骤2.2.1对所有的质量数据标签进行聚类。
评估每一个质量数据标签上所属类,即计算质量数据标签距离八个聚类中心的笛卡尔坐标系距离,并将该质量数据标签归类至距离最短的聚类中心所属类。
步骤2.2.3:更新聚类中心。
根据聚类之后的质量数据集合,重新评估更新聚类中心,公式如下。
式中,CCXi,j表示更新后的聚类中心标签元素值;xij表示同属一个类的质量数据标签元素值;Yij表示同属一个类的质量数据标签集合;ns表示同属一类的质量数据标签数量。
步骤2.2.4:中止初步聚类过程。
迭代循环执行步骤2.2.2与2.2.3,直到相邻两次更新后的聚类中心笛卡尔坐标系距离小于预定的阈值。
步骤3:根据步骤2中初步聚类的质量数据,构建数据标签样本均衡化算法生成足量的加工质量数据并均衡化合格产品与不合格产品质量数据。
步骤3.1:剔除异常数据:
步骤3.1.1:计算同属一类质量数据标签距离聚类中心的平均笛卡尔坐标系距离,公式如下:
步骤3.1.2:剔除异常质量数据标签。计算每一个质量数据标签距离聚类中心距离,大于平均距离的质量数据标签作为异常数据被剔除,小于平均距离的质量数据标签保留用于生成数据样本。
步骤3.2:生成质量数据标签,均衡化质量数据标签。作为正常的质量数据标签被保留后,依据该质量数据标签生成更多质量数据标签样本,质量数据标签元素生成公式如下:
当生成质量数据标签后样本数量达到包含数据标签最多类的数量后,中止该类的生成质量数据标签与均衡化质量数据标签过程。
步骤4:根据步骤3中均衡化后的质量数据,分析预测机床运行状态。
步骤4.1分析质量数据变化趋势,即使用改进粒子群算法评估所有质量数据的同一个聚类中心,其规则如下:
定义所有质量数据标签与唯一的聚类中心笛卡尔坐标系距离之和为改进粒子群算法的优化目标,公式如下:
式中,表示第(k+1)个更新周期中第i台机器上第j次操作的质量数据标签第b个元素的更新速度。ω是惯性因子,用于调整解空间的搜索范围。C1、C2是恒定加速度。表示在k个周期内,第i台机器上第j次操作的质量数据标签的第b个元素的局部最佳位置。表示第k次更新周期中第i台机器上第j次操作的质量数据标签第b个元素的位置。表示在k个周期内,第i台机器上第j次操作的质量数据标签第b个元素的全局最佳位置。
改进粒子群优化算法的适应度函数是从所有质量数据标签到最优聚类中心的笛卡尔坐标距离之和,如下公式所示:
式中,OB表示所有质量数据标签到聚类中心的笛卡尔坐标距离之和,要求尽可能小。QLp表示一个质量数据标签。ACk表示最优的聚类中心。CL表示质量数据标签类。
步骤4.2根据步骤1中映射模型预测机床运行状态。
评估加工质量数据,根据质量数据标签元素类型,得到如下四种情形:
情形一:尺寸特性数值、形状和位置特性数值、粗糙度特性数值都处于合格产品质量特性区间内;
情形二:尺寸特性数值、形状和位置特性数值、粗糙度特性数值中,有一个数值处于不合格产品质量特性区间内;
情形三:尺寸特性数值、形状和位置特性数值、粗糙度特性数值中,有两个数值处于不合格产品质量特性区间内;
情形四:尺寸特性数值、形状和位置特性数值、粗糙度特性数值中,有三个数值处于不合格产品质量特性区间内;
根据上述四种情形,预测机床运行状态结论如下:
情形一发生时,机床运行状态正常;
情形二发生时,机床运行状态处于亚健康状态,该机床在后续的调度中被选中作为可用机床的概率降低50%;
情形三发生时,机床运行状态处于亚健康状态,该机床在后续的调度中被选中作为可用机床的概率降低75%;
情形四发生时,机床运行状态处于不正常状态,该机床在后续的调度中被剔除。
总结预测机制如表2所示,表2中DD、SD、RD分别表示最优聚类中心的尺寸特性、形状和位置特性、粗糙度特性元素值,SR、UR分别表示合格产品质量特性区间以及不合格产品质量特性区间。
表2机床运行状态预测机制
最优聚类中心元素所属质量特性区间 | 质量数据分析 | 机床运行状态 |
DD∈SR,SD∈SR,RD∈SR | 正常 | 正常 |
DD∈UR,SD∈SR,RD∈SR | DD异常 | 亚健康 |
DD∈SR,SD∈UR,RD∈SR | SD异常 | 亚健康 |
DD∈SR,SD∈SR,RD∈UR | RD异常 | 亚健康 |
DD∈UR,SD∈UR,RD∈SR | DD、SD异常 | 亚健康 |
DD∈UR,SD∈SR,RD∈UR | DD、RD异常 | 亚健康 |
DD∈SR,SD∈UR,RD∈UR | SD、RD异常 | 亚健康 |
DD∈UR,SD∈UR,RD∈UR | DD、SD、RD异常 | 不正常 |
步骤5:根据步骤4中预测的机床运行状态,构建生产过程调度模型,重新分配生产加工任务至正常机床。
步骤5.1构建生产过程编码,即将多个任务分配至相应机床的矩阵编码,方法如下:
利用二维矩阵形式定义生产过程编码,公式如下:
式中,矩阵的每一列表示一项任务的加工工序操作对应的机床代码向量。行数表示任务的数量。p(n,s)表示第s个任务第n道工序操作使用的机床代码。
步骤5.2:根据步骤4预测的运行状态非正常机床,制定机床调整规则如下:
规则1:如果在特定机器上加工的零件的所有质量特性都不正常,则该机器将被排除出后续生产调度。
规则2:如果在指定机器上加工的零件有一个或两个质量特性不正常,则该机器在后续调度中的选择概率较小。
规则3:调度过程以迭代方式实现,并在每一道工序操作完成时被触发,以节省计算资源。
使用改进遗传基因算法重新分配生产加工任务至可用机床,适应度函数如下:
Fit(solu)=1/dn,
改进遗传基因的优化规则如下:
选择规则:采用2/4的选择机制,从两个父染色体和两个子染色体中选择两个更好的编码矩阵染色体,用于下一代交叉和变异。
交叉规则:采用两点交叉,并选择编码矩阵的两个随机列(或行),对选择的两列(或多行)之间的列(行)进行可能的交叉。
变异规则:选择一列(或一行),由专家估计变异可能性,并根据可用机器随机对其元素进行估值。
适应度最大的调度方案即为响应机床运行状态异常的最优生产调度方案。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (8)
1.一种基于产品加工质量的机床运行状态预测与车间调度方法,其特征在于,所述方法包含以下步骤:
步骤1:针对机床的运行状态,构建机床、加工工序与加工质量特性映射模型;
步骤2:针对生产工艺中的每一台机床设备,构建初步聚类的质量数据;
步骤3:根据初步聚类的质量数据,采用数据标签样本均衡化算法生成足量的加工质量数据并均衡化合格产品与不合格产品质量数据;
步骤4:根据均衡化后的质量数据,分析预测机床运行状态;
步骤5:根据预测的机床运行状态,构建生产过程调度模型,重新分配生产加工任务至正常机床。
2.根据权利要求1所述的一种基于产品加工质量的机床运行状态预测与车间调度方法,其特征在于,所述步骤1中,一台机床可映射至多个零件加工质量,所述加工质量特性包含尺寸特性、形状和位置特性、粗糙度特性。
3.根据权利要求1所述的一种基于产品加工质量的机床运行状态预测与车间调度方法,其特征在于,步骤2包括:
步骤2.1:针对生产工艺中的每一台机床设备,采集其加工质量数据标签样本,定义合格产品质量数据与不合格产品质量数据标签;
步骤2.2:使用改进K-means算法评估获取质量数据的聚类中心以及相应的数据集,得到初步聚类的质量数据。
4.根据权利要求3所述的一种基于产品加工质量的机床运行状态预测与车间调度方法,其特征在于,步骤2.1所述定义质量数据标签,具体如下:
QLi,j=[Di,j,Si,j,RRi,j] (1)
式中,QLi,j表示第i台机床加工零件的第j道工序的质量数据标签;Di,j、Si,j、RRi,j表示尺寸特性、形状和位置特性、粗糙度特性值偏离相应公差范围的比例;
当质量数据标签至少一个元素数值处于不合格产品质量特性区间内,被定义为不合格产品质量数据标签;
当质量标签元素数值都处于合格产品质量特性区间内,被定义为合格产品质量数据标签。
5.根据权利要求3所述的一种基于产品加工质量的机床运行状态预测与车间调度方法,其特征在于,所述步骤2.2中,将加工质量数据标签视作笛卡尔坐标系中的点坐标,并使用改进K-means算法得到初步聚类的质量数据,具体包括:
步骤2.2.1:每个加工质量数据标签有三个元素,每个元素有合格与不合格两种情形,组合之后可得八种加工质量数据标签类型,并在合格与不合格产品质量特性区间内随机取值作为初始八个聚类中心;
步骤2.2.2:根据步骤2.2.1对所有的质量数据标签进行聚类:评估每一个质量数据标签上所属类,即计算质量数据标签距离八个聚类中心的笛卡尔坐标系距离,并将该质量数据标签归类至距离最短的聚类中心所属类;
步骤2.2.3:更新聚类中心:根据聚类之后的质量数据集合,重新评估更新聚类中心,公式如下。
式中,CCXi,j表示更新后的聚类中心标签元素值;xij表示同属一个类的质量数据标签元素值;Yij表示同属一个类的质量数据标签集合;ns表示同属一类的质量数据标签数量。
步骤2.2.4:中止初步聚类过程:迭代循环执行步骤2.2.2与2.2.3,直到相邻两次更新后的聚类中心笛卡尔坐标系距离小于预定的阈值,输出初步聚类的质量数据。
6.根据权利要求1所述的一种基于产品加工质量的机床运行状态预测与车间调度方法,其特征在于,所述步骤3具体包括:
步骤3.1:剔除异常数据:计算同属一类质量数据标签距离聚类中心的平均笛卡尔坐标系距离,并与每一个质量数据标签距离聚类中心距离进行比较,将大于平均距离的质量数据标签作为异常数据被剔除,将小于平均距离的质量数据标签保留用于生成数据样本;
步骤3.2:均衡化质量数据标签:针对质量数据标签数量少的类,利用如下公式生成质量数据标签元素:
当生成质量数据标签后样本数量达到包含数据标签最多类的数量后,中止该类的生成质量数据标签与均衡化质量数据标签过程。
7.根据权利要求1所述的一种基于产品加工质量的机床运行状态预测与车间调度方法,其特征在于,所述步骤4包括:
步骤4.1:质量数据变化趋势分析:使用改进粒子群算法评估所有质量数据的同一个聚类中心,其规则如下:
定义所有质量数据标签与唯一的聚类中心笛卡尔坐标系距离之和为改进粒子群算法的优化目标,公式如下:
式中,OB所有质量数据标签与唯一的聚类中心笛卡尔坐标系距离之和;QLp表示质量数据标签样本;ACk表示最优的聚类中心;CL表示质量数据标签类;
依据所述优化目标,通过改进粒子群算法的位置以及速度规则不断更新所有质量数据标签的聚类中心,获取最优的聚类中心;
步骤4.2:根据步骤1构建的映射模型预测机床运行状态,方法如下:
评估加工质量数据,根据质量数据标签元素类型,得到如下四种情形:
情形一:尺寸特性数值、形状和位置特性数值、粗糙度特性数值都处于合格产品质量特性区间内;
情形二:尺寸特性数值、形状和位置特性数值、粗糙度特性数值中,有一个数值处于不合格产品质量特性区间内;
情形三:尺寸特性数值、形状和位置特性数值、粗糙度特性数值中,有两个数值处于不合格产品质量特性区间内;
情形四:尺寸特性数值、形状和位置特性数值、粗糙度特性数值中,有三个数值处于不合格产品质量特性区间内;
根据上述四种情形,预测机床运行状态结论如下:
情形一发生时,机床运行状态正常;
情形二发生时,机床运行状态处于亚健康状态,该机床在后续的调度中被选中作为可用机床的概率降低50%;
情形三发生时,机床运行状态处于亚健康状态,该机床在后续的调度中被选中作为可用机床的概率降低75%;
情形四发生时,机床运行状态处于不正常状态,该机床在后续的调度中被剔除。
8.根据权利要求1所述的一种基于产品加工质量的机床运行状态预测与车间调度方法,其特征在于,所述步骤5包括:
步骤5.1:构建生产过程编码,将多个任务分配至相应机床的矩阵编码,具体的:
利用二维矩阵形式定义生产过程编码,公式如下:
式中,矩阵的每一列表示一项任务的加工工序操作对应的机床代码向量;行数表示任务的数量;p(n,s)表示第s个任务第n道工序操作使用的机床代码;
步骤5.2:根据步骤4预测的运行状态为非正常的机床,使用改进遗传基因算法重新分配生产加工任务至可用机床,具体的,重新分配生产加工任务至可用机床的方法如下:
以生产调度后方案的工期作为优化目标,使用改进遗传基因算法进行评估,计算得到最短工期的调度方案;
工期计算公式如下;
优化目标公式如下:
Fit(solu)=1/dn (7)
式中,Fit(solu)表示适应度函数;dn表示生产调度后方案的工期;
依据上述优化目标公式,通过改进遗传基因算法优化调度方案获得最优的生产调度方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211038237.XA CN115185247A (zh) | 2022-08-29 | 2022-08-29 | 一种基于产品加工质量的机床运行状态预测与车间调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211038237.XA CN115185247A (zh) | 2022-08-29 | 2022-08-29 | 一种基于产品加工质量的机床运行状态预测与车间调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115185247A true CN115185247A (zh) | 2022-10-14 |
Family
ID=83523838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211038237.XA Pending CN115185247A (zh) | 2022-08-29 | 2022-08-29 | 一种基于产品加工质量的机床运行状态预测与车间调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115185247A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115689252A (zh) * | 2022-12-28 | 2023-02-03 | 杭州中安电子有限公司 | 基于自适应蚁群算法的任务分配方法和*** |
CN117151314A (zh) * | 2023-11-01 | 2023-12-01 | 深圳市普朗医疗科技发展有限公司 | 透明质酸钠的生产管理方法及相关装置 |
-
2022
- 2022-08-29 CN CN202211038237.XA patent/CN115185247A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115689252A (zh) * | 2022-12-28 | 2023-02-03 | 杭州中安电子有限公司 | 基于自适应蚁群算法的任务分配方法和*** |
CN117151314A (zh) * | 2023-11-01 | 2023-12-01 | 深圳市普朗医疗科技发展有限公司 | 透明质酸钠的生产管理方法及相关装置 |
CN117151314B (zh) * | 2023-11-01 | 2024-04-05 | 深圳市普朗医疗科技发展有限公司 | 透明质酸钠的生产管理方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113256066B (zh) | 基于PCA-XGBoost-IRF的作业车间实时调度方法 | |
CN115185247A (zh) | 一种基于产品加工质量的机床运行状态预测与车间调度方法 | |
CN109902954B (zh) | 一种基于工业大数据的柔性作业车间动态调度方法 | |
Jiang et al. | Energy-efficient scheduling of flexible job shops with complex processes: A case study for the aerospace industry complex components in China | |
CN112882449B (zh) | 一种多品种小批量多目标柔性作业车间能耗优化调度方法 | |
CN111208796A (zh) | 一种基于聚类小生境遗传算法的车间生产作业排程方法 | |
CN115759552A (zh) | 一种基于多智能体架构的面向智慧工厂的实时调度方法 | |
Rokach et al. | Automatic discovery of the root causes for quality drift in high dimensionality manufacturing processes | |
CN117369399B (zh) | 一种基于mom***的产品生产任务调度方法及*** | |
CN113112121B (zh) | 一种基于多目标非支配排序的车间布局调度优化方法 | |
Liu et al. | Integrated optimization of mixed-model assembly line balancing and buffer allocation based on operation time complexity | |
Petruschke et al. | MACHINE LEARNING BASED IDENTIFICATION OF ENERGY EFFICIENCY MEASURES FOR MACHINE TOOLS USING LOAD PROFILES AND MACHINE SPECIFIC META DATA. | |
CN116224946B (zh) | 机械件加工车间生产与物流集成的优化调度方法与*** | |
CN117077975A (zh) | 基于混合初始化模因算法的分布式异构流水车间调度方法 | |
CN115423414A (zh) | 生成维修器材仓库货位分配方案的工具及方法 | |
CN112308340A (zh) | 电力数据处理方法及装置 | |
CN112561335A (zh) | 一种车身质量在线监测的自动化任务分配方法 | |
Faezy Razi et al. | A hybrid grey based two steps clustering and firefly algorithm for portfolio selection | |
Fei | Applying Multi-Population Genetic Algorithm To The Dynamic Flexible Job Shop Scheduling Problem | |
Chang et al. | Evolving CBR and data segmentation by SOM for flow time prediction in semiconductor manufacturing factory | |
Ramesh et al. | The simple genetic algorithm approach for optimization of nesting of sheet metal parts in blanking operation | |
Liu et al. | Research on Optimization of Dual-Resource Batch Scheduling in Flexible Job Shop. | |
CN117252372B (zh) | 一种基于聚类分析算法的工业互联网资源分配和调度方法 | |
Liu et al. | Intelligent manufacturing system based on data mining algorithm | |
Li et al. | Review on Learning-based Methods for shop Scheduling problems |
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 |