一种基于数据的单阶段多产品批处理的控制方法

摘要

本发明公开了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：针对不同的目标批处理场景，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；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SMSP调度案例的最优订单加工序列；利用SMSP调度案例以及最优订单加工序列，构建训练数据集，训练得到订单加工序列预测模型；利用订单加工序列预测模型对批处理订单进行处理，得到订单加工安排序列；利用启发式加工设备分配规则以及订单加工安排序列，将批处理订单分配到不同的设备，进行生产加工。本发明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。

说明书

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,…,π_N)，π_i∈{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,…,π_N),其中π_i∈{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_Proc_i＝PT_i(mach)+CT_ji           (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_Comp_i＝Order_Comp_j+Real_Proc_i       (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_Comp_j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：

${\mathrm{Rroc}\_\mathrm{Ratio}}_i=\frac{{\mathrm{Real}\_\mathrm{Proc}}_i}{{\Sigma }_{k=1}^m{\mathrm{PT}}_i\left(k\right)/m+{\Sigma }_{j=1}^n{\mathrm{CT}}_{\mathrm{ji}}/n}---\left(3\right)$

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_Ratio_i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

参数 定义 m 加工设备数 n 加工订单数 PT_i(mach) 订单i在加工设备mach上的加工时间 CT_ij从对订单i的加工切换到对订单j的加工所需的切换时间 DD_i订单i的交货日期 C_i订单i的完工时间

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

特征 定义 Real_Proc_R “订单1”和“订单2”的实际加工时间之比 Order_Comp_R “订单1”和“订单2”的完工时间之比 Proc_Ratio_R “订单1”和“订单2”的订单加工时间比的比值 DD_R “订单1”和“订单2”的交货日期之比 Order_Num_R 当前生产调度阶段已安排的订单数与总订单数的比值

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：

${\Sigma }_{i=1}^n{T}_i={\Sigma }_{i=1}^n\max (C_i-{\mathrm{DD}}_i,0)$

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π_i∈{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

No. Real_Proc_R Order_Comp_R Proc_Ratio_R DD_R Order_Num_R class 1 0.91 0.94 0.96 0.82 0.5 1 2 1.10 1.06 1.04 1.23 0.5 0

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

测试案例 遗传算法 SLFN规则 EDD规则 随机规则 1 8.94 16.7 30.1 31.6 2 6.31 8.47 10.6 25.8 3 33.9 41.4 46.7 68.9 4 9.32 12.3 12.2 17.3 5 17.2 20 37.5 44.3 6 5.53 9.48 18.7 26 7 13.1 18.3 39.9 43.3 8 18.4 25.3 29 75.6 9 10 12.1 14.1 44.5 10 14 25.7 32 44.8

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

(SLFN) (EDD) (RR) 36.8 110.3 309.8

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

1 2 3 4 5 6 7 8 9 10 1.2168 1.6848 1.7316 3.3072 1.1700 2.3088 1.2012 2.6208 1.6068 1.8408

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。