|
2018-B2:基于多原则比较和蒙特卡洛模拟的 RGV 动态调度模型
' {& Y: I8 a$ n2 j* ^+ s | e; ~4 V' L' {( C h ~
3 z% {+ F, q' u2 s本文从规划模型、多原则求解的角度,综合了蒙特卡洛模拟与机器学习的思
! v& _3 z" G4 y1 m想,研究了由 8 台 CNC、1 辆 RGV 以及其他附属设备组成的智能加工系统的动. Y4 X, {4 Y* ?$ Z8 {( l$ `
态调度问题,并给出了不同工序情况下的具体调度方案。4 h6 A6 R) e8 l, k
针对情况一:单工序的作业流程较为简单。首先,利用规划的各个约束条件,% q, G S a" R# X3 j* Q# c
刻画了 RGV 在 CNC 之间的运动过程、单个物料的加工过程、“上下料”时 RGV, I) L. Z0 J- ~# d* B. d( Y
手爪的旋转过程、清洗作业的过程、RGV 移动至下一个机床进行加工的过程等
' K* x: m9 F: ?" z& E& r) y等。此外,还刻画了物料加工与运送的“唯一性”,以及利用 0-1 变量构造的目
- K x& p' v$ I+ R4 n4 Q9 z) u标函数。规划的目的是,在给定的时间内,使得加工出的物料数量最多。然而,! }& q- ~3 _ Q, E
这样的规划是一个 NP 问题,无法通过传统的方法求解,所以进而寻求模拟的方6 y: W9 k* [, j* x# S( C
法求得局部最优解。# e. T b5 l( l
本文选取了“就近原则”——构造时间代价函数,“FIFO 原则”——考虑各 : E3 s' U0 j* f* D4 o
台 CNC 的等待时间,以及“HRRN 原则”——将时间代价与等待时间进行综合9 K# e- Y' T- s/ j8 u% j7 Z
考虑,分别对情况一进行了模拟。事实上,每种原则的结果相同:第一组数据加
k T$ @9 n6 X- b工完成了 383 件物料,第二组数据加工完成了 360 件物料,第三组数据加工完成3 H) L/ d6 o' J9 e1 \
了 393 件物料。并且,调度的方案全部为 1→2→…→8→1→… 此外,第三组数2 `7 {4 l7 e0 I0 F% D
据的系统效率最高,为 49.125 件/h.
% i; V7 X0 ~, E% n9 A, B& s- O针对情况二:双工序的作业流程十分复杂。首先,在情况一的基础上,对规
+ E4 v# |% p. U% r3 _划的各个约束条件进行修正;并着重刻画了 RGV 移动至下一个机床进行加工的4 I9 I4 z& }& X+ |
过程。
" O- `7 E% P/ G3 d7 U _3 |此外,双工序流程中各台 CNC 所负责的工序也是不确定的;因此,本文对- G* @ b- X4 ]! Z# o2 i& \
256 种工序布局方案,结合三种选取原则,进行了遍历。得到的结果是:第一组
! T- u0 e: x$ G" ^; }数据的各台 CNC 最优工序分配为 1-2-1-2-1-2-1-2,三种原则结果一致,最终加工
% {6 n9 l) S3 K出 253 件物料;第二组数据的各台 CNC 最优工序分配为 2-1-2-1-2-1-2-1,“FIFO
) J. p, i7 k7 [2 O) M0 a! f原则”和“HRRN 原则”更优,最终加工出 212 件物料;第三组数据的各台 CNC
# N4 U q" a, g' D$ z* I6 \* k# s9 |最优工序分配为 1-1-2-1-2-1-1-2,“就近原则”最优,最终加工出 241 件物料。此
3 V2 X0 G, ~/ q外,所有的调度方案均呈现有规律的循环状态。$ V9 b6 W/ E' a, W' O$ b
然后,利用“基于蒙特卡洛的学习算法”,在构造正反馈的前提下“随机”
0 A3 h ~3 c% ~ U/ i: q地尝试以获得更优解。结果反映了,三种原则中的最优原则,已非常接近全局最
3 ?, H' a2 D) w+ Y8 }& J7 M优。此外,第一组数据和第三组数据的作业效率一样高,均为 30.125 件/h.
( C# r0 {3 Y: v5 ?针对情况三:同时考虑单工序流程与双工序流程。构造了随机变量“是否故( p- A9 Q% t+ ~
障”、“故障发生时间”和“故障排除时间”,并将它们融合进入规划模型。求解9 P& r3 v$ i# i/ O
结果显示,遭遇故障后,单工序流程系统效率最多下降了 2.25 件/h,而双工序流& ~7 M% V; j6 x( k) ?3 n
程系统效率最多下降了 1.875 件/h.9 y! c: B3 _% K! Z d; R3 g
本文的亮点在于:首先,利用一般化的公式对系统调度进行了较为细致的机7 L2 [# k! w0 M3 W
理分析,使得模型具有普适性;其次,给出了多个调度原则相互比较,从而有利
: |& d3 l9 R% R& v于结果更优;最后,将蒙特卡洛模拟与机器学习的思想相结合,对上述调度原则% [. ]2 {& r. ^2 L
的有效性进行验证,增强了模型的说服力。
1 l' U: q* Y/ Z9 }7 t
. G4 d$ k) {) k9 g. d s' y
; p0 Y1 V: s; h
! t, Y; }6 _7 _$ ~8 l M |