基于设备能力信息车间约束调度机制与仿真研究.docVIP

  • 4
  • 0
  • 约2.88千字
  • 约 6页
  • 2018-08-30 发布于福建
  • 举报

基于设备能力信息车间约束调度机制与仿真研究.doc

基于设备能力信息车间约束调度机制与仿真研究

基于设备能力信息车间约束调度机制与仿真研究   摘要:调度安排由于其复杂性和随机性问题,常忽略实际生产中的一些约束条件,本文为克服传统调度算法需建立精确解析模型的问题,提出基于设备能力信息的约束对象模型建立约束调度机制,采用概念分层知识匹配关联模型求解工艺操作语句进行设备的初匹配,并采用自适应混合遗传算法输出生产调度,其调度仿真系统可为具体企业制定适合自己的通用的调度方案。   关键词:设备能力 约束对象模型 概念分层知识匹配关联模型 生产调度   中图分类号:TH166 文献标识码:A 文章编号:1007-9416(2013)05-0088-02   一个好的生产调度方案不仅可以帮助企业节约运营成本和运营时间,还可以及时了解当前生产情况和方便的计算工时定额。目前解决调度问题的方法很多,基于仿真的方法,基于遗传算法的方法,基于克隆选择免疫算法,模拟退火的方法等[1-3],这些算法都是通过建立问题的解析模型,利用优化方法进行求解,但由于实际问题的复杂性和随机性,很难建立精确的解析模型。本文提出一个基于设备能力信息的约束对象模型,实时仿真生产状态,并利用优化算法和约束条件(如当前设备负荷状态)进行工艺过程设计和生产调度方案设计,简称规划调度设计。调度机制要解决两个主要问题:工艺规划语言生成、优化成本(路径)的调度。   1 设备能力约束机制   创建一个基于车间设备能力信息的约束机制,根据制造约束如可用资源的加工能力、设备负荷等去匹配所需的加工作业,生成具有较好柔性及动态适应性的工艺过程规划和调度安排。   对约束和被约束对象采用基于约束对象的知识表示方法[4-5],设备能力约束对象模型中设备对象的形式结构可以表示为一个五元组{S,S0,in,out,δ},由此构建车床、钻床、镗床、磨床、齿轮加工机床等设备的约束对象模型。机床设备能力的属性,主要包括静态属性和动态属性。静态属性包括设备管理特征、加工特征、附属特征等。如如设备编号、类型、规格、所属车间、工段及单元等信息等。动态属性是表示机床状态特征和机床实时状态。机床状态特征:设备的完备率、故障率和负荷率。   如:负载量约束:工序应优先选择负荷低、空闲的设备进行加工;①对于批量大或生产周期长的零件:以每月或每季度为负荷平衡计算周期,根据加工数量/加工基数(单位时间内生产的零件数)算出加工时间(天),订单的结束时间-开始时间-加工时间=空闲时间(天),空闲时间大于0,表示约束满足,设备可选;计算负荷L公式(L=L,+100×加工时间/26)是否大于100,大于100则表示“满负荷,约束限制设备不可选”,其中L,表示设备当前负荷,26是一个月的工作平均天数。②对于小批量零件或生产周期短的零件:加工时间以分为单位,现以每天为负荷平衡计算周期,假设以一天18小时的平均设备运转时间来计算,则计算负荷L公式(L=L,+100×加工时间/1080),约束同上。   2 基于约束的工艺规划语言生成机制   工艺规划语言由工步操作语句组成,如:“在4个工位上铣槽,保证宽mm,深15mm”,对其结构进行分解,可以分为四类:即设备加工方法、加工特征面、加工要求、尺寸和精度要求,其中加工方法是动态信息,随设备、工件、装夹等特征的变化而变,它们将构成工艺规划语言生成的约束模型。   采用基于约束机制的概念分层知识匹配关联模型,即工步操作语言(原始数据层)尺寸特征映射设备能力映射工步工位映射(类型)的概念层次,将工艺操作语句表达为“在x个工位上y+z,保持q+p”,第一层(最高层)将匹配特征尺寸约束Shape(z),通过特征尺寸的提取,可以实现第一层参数的确定,约束映射模型为Shape(z)∈{特征尺寸对应的映射模式匹配Map};第二层设备能力特征约束Work(y)的匹配,确定加工方法,加工要求,设备能力属性参数,其约束映射模型为Work(y)∈{设备加工方法和达到要求对应的映射模式匹配符Map};第三层关联属性约束Other(n),关联属性是与设备属性或技术要求相关的属性,约束映射Other(q,p)∈{关联属性对应的映射模式匹配符Map};第四层按相同工步工位数目NO,将基于第一层、第二层约束相同的映射模型相同数目进行匹配,Number(x)∈{相同工步工位数目对应的映射模式匹配符Map},得到相同工步工位的数目,生成完整的工艺操作语句。   3 优化成本(路径)的调度机制   假设有n个工件需在m台机器上加工,每个工件有Qi道工序,且每道工序的加工设备及加工时间已知,要求以最小化完工时间为目标的车间优化调度。   采用自适应的混合遗传算法进行优化,10个工件、10台机器问题的仿真结果如图1,标准GA分别在第4、11代出现早熟现象,分别在第10、16代跳出局部最优,第17代

文档评论(0)

1亿VIP精品文档

相关文档