基于改进遗传算法的机加车间重调度问题的研究和应用.pdfVIP

中文摘要 摘 要 在 “中国制造2025 ”和“工业4.0”逐步落实的大背景下，今后的制造产业将 会朝着 “多品种、小批量、定制化”的方向持续前进。在此背景下，离散的生产 模式将会影响到制造型企业的生产调度。一般情况下，机械加工车间需要同时加 工多个工件，加工每个工件包含若干道工序，一道工序可在若干台设备上被加工， 每道工序的加工时间根据加工设备的改变而改变。现实中机械加工车间的生产环 境往往会遇到多种动态干扰因素，导致初始调度方案无法执行，严重影响到车间 的正常生产。当此类问题发生之后，必须及时地重新生成一个新的调度方案，将 企业的损失降到最小。因此，对机加车间重调度问题进行研究具有很强的学术价 值和工程意义。 首先，在 NSGA-Ⅱ算法的基本框架下提出了一种引入机器学习技术的改进遗 传算法。该算法做出了以下三方面的改进：在种群初始化阶段，采用随机初始、 与调度规则相结合的主动调度和无延迟调度这三种初始方式来初始化种群数据库； 提出一种新的算子—学习算子，加快了种群进化，保持种群的多样性，从而使种 群能以更快速度收敛到近似解或最优解，同时降低种群迭代的次数；采用 SOFM 算法和SVM 算法将NSGA-Ⅱ算法每次迭代进化后产生的一定数量的优秀个体实时 更新到种群数据库中，强化了学习算子在 NSGA-Ⅱ算法迭代进化过程中的指导作 用。 其次，通过对机加车间调度问题进行深入地研究和分析，建立了机加车间多 目标调度模型，针对若干标准算例进行仿真实验，验证了本文设计的改进遗传算 法求解机加车间调度问题的有效性和优越性。 再次，在对机加车间重调度问题深入研究的基础上，采用滚动窗口技术和混 合驱动重调度策略，研究了机加车间中几种常见的动态干扰事件驱动的重调度策 略和周期重调度策略，并选取企业一个实例进行仿真实验，验证了本文设计的改 进遗传算法求解机加车间重调度问题的有效性和优越性。 最后，在课题组开发的MES 基础上，设计并开发了一个机加车间调度管理信 息系统，分为基础数据管理、调度数据管理和调度优化管理三大功能模块，并在 某机械加工车间进行试应用，且试应用效果良好。 关键词：机械加工车间；重调度；遗传算法；机器学习；系统设计开发 I 英文摘要 Abstract With the proposal and implementation of “Made in China 2025” and “German Industry 4.0”, the future manufacturing industry will continue to advance along the road of “Multi-varieties Small-batches, custom-made”. In this context, discrete production models will affect the production scheduling of manufacturing enterprises. In general, the machining workshop needs to process multiple workpieces at the same time. Each workpiece has one or more processes. Each process can be processed on one or more machines, and the time for processing one process varies with the processing machine. In reality, the production environment of the machine shop often encounters a variety of dynamic interference factors, resulting in the failure of the initial sche