法律状态公告日
法律状态信息
法律状态
2018-02-23
授权
授权
2015-06-17
实质审查的生效 IPC(主分类):G06Q10/06 申请日:20150210
实质审查的生效
2015-05-20
公开
公开
技术领域
本发明涉及流程工业控制领域,具体涉及一种基于数据的单阶段多产 品批处理的控制方法。
背景技术
为更好地满足客户需求,流程企业生产加工任务通常需要分批进行, 因此,也就面临如何确定批次的大小及数量、发布日期及交货期等问题。
批处理过程是流程企业生产过程中的重要组成部分,具有产品批量小、 多品种、高附加值、设备投资小、生产更新快等优点,因此,被广泛应用 于石油化工、制药、食品等流程企业当中,对批处理过程实现有效调度, 不仅能够增强生产过程的柔性,还能节约资源,降低成本,使企业获得更 好的经济效益。
典型的批处理过程往往由一系列生产工序构成,每个工序可以在一个 或多个生产设备上进行加工,各个生产设备的加工容量不同,可以加工不 同品种、不同批量的产品。目前,流程企业中的批处理生产调度过程大多 属于单阶段多产品批处理过程(single-stage multi-product scheduling problem,SMSP)。
已有的SMSP调度优化求解方法通常采用数学规划法或遗传算法等复 杂优化方法,这些方法往往实现较为复杂,需要进行大量的参数整定工作, 且其优化求解时间会随调度问题规模的增加呈爆炸式增长,当调度问题规 模较大时,这些方法往往因求解时间过长而无法满足生产加工过程的实时 性要求。
为解决已有的单阶段多产品批处理调度优化求解方法在实际应用过 程中局限性较大的不足,需要对多产品批处理的调度方案进行优化。
发明内容
本发明提供了一种基于数据的单阶段多产品批处理的控制方法,针对 单阶段多产品批处理生产加工场景,能够快速制定不同生产周期内的生产 调度方案,且具有较好的调度优化效果。
一种基于数据的单阶段多产品批处理的控制方法,包括以下步骤:
(1)针对不同的目标批处理场景,从历史生产数据中取出相对应的 历史生产调度数据,依据生产调度周期内生产调度任务的不同,分别建立 SMSP调度案例。
每个订单的相关信息和相应的调度环境信息采用四个属性描述,分别 为:实际加工时间、订单完工时间、订单加工时间比和订单完工比。
(2)给定一种启发式加工设备分配规则,然后利用遗传算法求解步 骤(1)中SMSP调度案例的最优订单加工序列。
所述的启发式加工设备分配规则通过人为设定得到,利用选定的启发 式加工设备分配规则,可以将所有的加工订单分配到不同的设备进行加工。
所述遗传算法的终止条件为:若在连续T次迭代后,当前所获得的最 优解仍未得到改善,则算法终止,T取所有订单数的一半。
(3)利用SMSP调度案例以及相应的最优订单加工序列,构建训练数 据集,训练得到订单加工序列预测模型。
构建训练数据集的SMSP调度案例的数量越多,则训练得到的订单加 工序列预测模型越可靠。
所述订单加工序列预测模型采用单隐层前馈神经网络表达。采用极限 学习机算法进行订单加工序列预测模型的训练。
所述训练数据集中每个训练样本的输入特征包括五种,分别为:实际 加工时间之比、完工时间之比、订单加工时间比的比值、交货日期之比以 及当前生产调度阶段已安排的订单数与总订单数的比值。
(4)利用订单加工序列预测模型对待处理的批处理订单进行处理, 得到订单加工安排序列;
(5)利用步骤(2)的启发式加工设备分配规则以及步骤(4)的订 单加工安排序列,将待处理的批处理订单分配到不同的设备,确定加工开 始时间和结束时间,进行生产加工。
本发明基于数据的单阶段多产品批处理的控制方法,主要有以下有益 效果:
(1)能够快速制定针对单阶段多产品批处理生产过程的生产调度方 案,满足实际生产加工过程的实时性要求;
(2)在在线应用阶段,无需进行复杂的建模和参数整定工作,实施 方便;
(3)具有较好的调度优化能力。
附图说明
图1为本发明基于数据的单阶段多产品批处理的控制方法的流程图;
图2为基于启发式加工设备分配规则的调度方案构造流程图;
图3为遗传算法框图;
图4为订单加工序列预测模型示意图;
图5为基于启发式加工设备分配规则构建的SMSP生产调度方案示意 图(横坐标为时间);
图6为基于遗传算法构建的最优生产调度方案示意图(横坐标为时间)。
具体实施方式
下面结合附图,对本发明基于数据的单阶段多产品批处理的控制方法 做详细描述。
如图1所示,一种基于数据的单阶段多产品批处理的控制方法,包括 如下步骤:
(1)针对不同的目标批处理场景,从历史生产数据中取出相对应的 历史生产调度数据,依据生产调度周期内生产调度任务的不同,分别建立 SMSP调度案例。
(2)给定一种启发式加工设备分配规则,然后利用遗传算法求解步 骤(1)中SMSP调度案例的最优订单加工序列。
启发式加工设备分配规则通过人为选定,用于将所有订单分配至不同 的设备进行生产加工,例如,在一个生产调度周期内,假设共有N个加工 订单O={o1,o2,…,oN},将N个加工订单构成一个订单加工序列 π=(π1,π1,…,πN),πi∈{o1,o2,…,oN},i∈{1,2,…,N},依据该订单加 工序列,依次将这N个订单中的每个订单分配到一个特定的加工设备上进 行加工,并确定加工的开始时间和结束时间,如果仍有未分配的订单,则 继续分配;如果所有订单分配完毕,则计算调度方案的性能指标f(π),得 到完整的SMSP调度方案,分配过程如图2所示。
根据订单的相关信息以及相应的调度环境信息,通过对订单的两两比 对,对所有的加工订单进行排序,例如,给定任意两个订单,分别为“订 单1”和“订单2”,类属性取值为0或1,类属性取值为1,表示应优先安排“订 单1”进行加工;类属性取值为0,应优先安排“订单2”进行加工。
对于第k个订单,其相对于第k+1~n个订单可以优先被安排进行加工, 若将第k个订单作为“订单1”,类属性取值为1;若将第k个订单作为“订单2”, 则类属性取值为0。
遗传算法的流程如图3所示,采用基于排列的编码方式,染色体表示 为π=(π1,π2,…,πN),其中πi∈{o1,o2,…,oN},i∈{1,2,…,N},解码过 程为,利用给定的启发式加工设备分配规则对其中的订单依次安排进行加 工,从而确定完整的生产调度方案,并对每个调度方案的性能进行评估, 以获得适配值。
所采用的主要遗传操作包括:
选择操作:采用轮盘赌选择方法完成选择操作;
交叉操作:采用部分映射交叉法完成交叉操作;
变异操作:采用逆序方法进行变异操作,即对染色体两个不同随机位 置之间的片段进行反转。
遗传算法终止条件为:若在连续T次迭代后,当前所获得的最优解仍 未得到改善,则算法终止。T取所有加工订单数的一半。
(3)利用SMSP调度案例以及相应的最优订单加工序列,构建训练数 据集,训练得到订单加工序列预测模型。
对于第k个订单,其相对于第k+1~n个订单可以优先被安排进行加工, 因此,第k个订单与后续的任意一个订单用于构造一个训练样本,相应的 订单的相关信息和实时的调度环境信息用于构造输入特征。
采用如下四个属性描述每个订单的相关信息和相应的调度环境信息:
Ⅰ、实际加工时间(Real_Proc):在尚未安排进行加工的订单中,若 选择订单i优先进行生产加工,则根据给定的启发式加工设备分配规则确定 相应的加工设备,从而确定用于该订单加工所需的设备切换时间以及加工 时间,实际加工时间的计算公式如下:
Real_Proci=PTi(mach)+CTji (1)
其中,mach表示根据启发式加工设备分配规则为其分配的加工设备; j表示在该设备上加工的上一个订单。若订单i为第一个在该设备上进行加 工的订单,则切换时间为0。
Ⅱ、订单完工时间(Order_Comp):在尚未安排进行加工的订单中, 若选择订单i优先进行生产加工,则该订单完工时间的计算公式如下:
Order_Compi=Order_Compj+Real_Proci (2)
其中,j为在相应设备上加工的上一个订单。若订单i为第一个在该设 备上进行加工的订单,则Order_Compj为0。
Ⅲ、订单加工时间比(Proc_Ratio):同一个订单在不同加工设备上进 行加工所需的加工时间有所不同。在当前生产调度时刻,若安排订单i进行 加工,根据选定的启发式加工设备分配规则,确定其对应的加工设备和所 需的切换时间及加工时间。
在当前时刻安排对订单i进行生产加工所需的加工时间,与在其他时 刻安排对订单i生产加工所需的加工时间的对比值,采用下式计算:
其中,表示订单i在不同设备进行加工所需加工时间的 平均值;
表示从不同订单切换到订单i所需的切换时间的平均值。
Proc_Ratioi越小,表示在当前生产调度阶段对订单i安排生产加工所需 的加工时间越短,反之,则说明需要的加工时间越长。
Ⅳ、订单完工比(Order_Num_R):订单完工比表示在当前生产调度 阶段已经安排加工的订单数与总订单数的比值,该属性用于描述当前生产 加工环境的实时状态。
此外,订单的交货日期(DD)同样可以用作描述订单的静态属性。
Ⅰ~Ⅳ四个属性中采用的相关符号定义如表1所示。
表1
训练数据集中每个训练样本的输入特征包括五种,如表2所列:
表2
如图4所示,采用单隐层前馈神经网络(single-hidden layer feedforward neural network,SLFN)表示目标调度模式。SLFN模型共有5个输入节点, 分别对应训练样本的5个输入特征,共有2个输出节点,其中,若节点1的 值高于节点0的值,则“订单1”被优先安排进行生产加工;反之,“订单2” 被优先安排进行生产加工。采用极限学习机算法用于SLFN模型的训练。
(4)利用订单加工序列预测模型对待处理的批处理订单进行处理, 得到订单加工安排序列;
(5)利用步骤(2)的启发式加工设备分配规则以及步骤(4)的订 单加工安排序列,将待处理的批处理订单分配到不同的设备,确定加工开 始时间和结束时间,进行生产加工。
下面以一个具有3台并行加工生产设备的单阶段多产品批处理生产场 景为例,对本发明作进一步的描述。
该生产场景以最小化总拖后完成时间作为调度优化性能指标, 总拖后完成时间计算公式如下:
首先从历史生产数据中取出目标批处理生产场景下的历史生产调度 数据,针对不同生产调度周期内的生产调度任务,分别建立SMSP调度案 例。
例如,某一个历史生产调度周期中共有10个加工订单 O={o1,o2,…,o10},相关生产调度数据如表3所示,在这一生产调度周期 中的生产调度任务即建立为一个SMSP调度案例。
表3
选用最早完成时间规则(即启发式加工设备分配规则)将订单分配到 不同的设备进行加工,并确定订单加工的开始时间与结束时间。
以表3所示的SMSP案例为例,假设安排的订单加工序列为π= (7,6,8,10,4,3,9,1,5,2),可根据最早完成时间规则构造如图5所示的生产 调度方案。
针对由不同生产调度周期的调度数据所构建的SMSP调度案例,利用 遗传算法优化求解得到最优的订单加工序列。
遗传算法的染色体采用基于排列的编码方法,染色体表示为 π=(π1,π2,…,π10),其中πi∈{o1,o2,…,o10},i∈{1,2,…,10},解码过程 为,利用给定的最早完成时间规则,将染色体各基因所对应的订单从左到 右依次安排进行加工,从而确定完整的生产调度方案,并求取相应的总拖 后完成时间以对该染色体进行评估。
遗传算法的种群大小设置为200,初始种群随机生成,交叉概率设置 为0.6,变异概率设置为0.1。算法终止条件为:在连续T次迭代后,若最优 解仍未得到改善,则算法终止,T取所有订单数的一半。
以表3所示的SMSP调度案例为例,利用遗传算法求取的一种最优订单 加工序列为π=(1,9,10,2,8,3,7,6,5,4),对应的生产调度方案如图6所示, 其总拖后完工时间为30.76。
根据历史生产数据中的相关调度数据和由遗传算法优化求解单元获 取的最优订单加工序列,构造训练数据集,以训练订单加工序列预测模型。
以表3所示的SMSP调度案例为例,对于最优订单加工序列π= (1,9,10,2,8,3,7,6,5,4),其中第k个订单(k∈{1,2,…,9})相对于第 k+1~10个订单可以被优先安排进行加工生产。因此,该订单与后续的任 意一个订单即可用于构造一个训练样本。若将第k个订单作为“订单1”,训 练样本的类属性取值为1;若将第k个订单作为“订单2”,训练样本的类属 性取值为0。
以订单“o3”和“o4”为例,说明训练样本的输入特征的构造步骤:
在当前的生产调度阶段,已有5个订单(o1,o9,o10,o2,o8)被安 排进行生产加工。根据最早完成时间规则,订单“o3”和“o4”均将被安排到 加工设备u3进行加工。据此,计算用于描述每个订单的相关信息和实时的 生产调度环境信息的属性值:
(1)利用公式(1)计算“o3”和“o4”的实际加工时间属性。“o3”的实 际加工时间为18.93,“o4”的实际加工时间为20.82。
(2)利用公式(2)计算“o3”和“o4”的订单完工时间属性。“o3”的订 单完工时间为29.63,“o4”的订单完工时间为31.52。
(3)利用公式(3)计算“o3”和“o4”的订单加工时间比属性。“o3”的 订单加工时间比为1.06,“o4”的订单加工时间比为1.10。
(4)在订单“o3”和“o4”之前,已有5个订单被安排进行加工生产,因 此,当前的订单完工比为0.5。
(5)“o3”的交货期属性为31;“o4”的交货期属性为38。
为预测应优先安排两个订单中的哪一个进行生产加工,需要在已有属 性的基础上进一步构造输入特征以描述两者的对比信息。输入特征如下所 示:
(1)特征Real_Proc_R为两个订单的实际加工时间的比值。
(2)特征Order_Comp_R为两个订单的订单完工时间的比值。
(3)特征Proc_Ratio_R为两个订单的订单加工时间比的比值。
(4)特征DD_R为两个订单的交货日期之比。
(5)特征Order_Num_R为当前的订单完工比。
最终构造的两个训练样本如表4所示,class为类属性。
表4
其中,训练样本1以“o3”作为“订单1”;训练样本2以“o4”作为“订单1”。
所得到的订单加工序列预测模型可看作一种针对SMSP问题的订单排 序规则,为验证该模型的调度性能,将其与遗传算法、最早交货期规则 (Earliest Due Date,EDD)以及随机订单排序规则(Random Rule,RR) 进行对比。
针对最小化总拖后完成时间的SMSP问题,最早交货期规则可用于生 成订单的加工安排序列,并具有较好的调度效果。选择对应于10个生产调 度周期的SMSP案例作为测试案例。每个SMSP案例中包含10个需要进行生 产加工的订单,四种方法的调度结果如表5所示。
表5
由表5可知,在所有的测试案例上,SLFN规则均能够较好的复现遗传 算法的优化调度能力,且明显优于EDD规则和随机规则。
进一步采用如下性能指标验证SLFN模型的调度性能:
其中,表示遗传算法在测试案例上的平均性能指标值;
表示一种订单排序规则(SLFN规则、EDD规则、随机规则) 在测试案例上的平均性能指标值;
η用于表示这种订单排序规则相对于遗传算法这一复杂优化算法的优 化性能度量。
三种订单排序规则的η计算结果如表6所示,SLFN规则的η值远小于 EDD规则和随机规则的η值,从而进一步证明了所构建的SLFN预测模型的 调度性能。
表6
在10个测试案例上,采用SLFN规则、EDD规则、随机规则三种方法 构建订单安排序列所需要的计算时间均可忽略不计,而遗传算法的计算时 间如表7所示,表7中第一行为测试案例的序号,第二行为计算时间(s)。
表7
遗传算法的计算时间远长于SLFN规则的计算时间,当调度问题规模 较大时,遗传算法往往因求解时间过长而无法满足生产加工过程的实时性 要求,而所构建的预测模型仅需极少的计算时间和计算量即能获得较优的 调度结果,因此更具实用性。
机译: 分阶段产品计算过程中基于单次产品的产品供应计划设备,可根据最终产品的需求来计划产品供应
机译: 一种基于单动力的抓取机构的控制方法,因为基于单动力的抓取机构包括驱动辊,驱动电机,从动辊和带,其中,该方法包括:1)检测罗迪惯性矩I1 Llo驱动器,驱动辊的半径R。从动辊的R和惯性矩(2,2)控制驱动电机的制动转矩M1;系统。
机译: 分阶段生产过程中基于单钉的产品供应链管理系统