2018-B2:基于多原则比较和蒙特卡洛模拟的 RGV 动态调度模型
( ~; H8 @% h3 m* N: f
% E L: [! q, e# G# z/ J+ {: A
6 T8 B: o$ H, m& i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( }4 J6 f0 D2 Q% v x0 {
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1 t+ R* ^ X" ^' [" i' h6 }. E/ H
态调度问题,并给出了不同工序情况下的具体调度方案。* q W5 E6 i. m
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,6 d# i7 E; W6 _$ i
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
7 b5 d0 y5 Q% r4 z! H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
8 U+ `8 D0 f$ q. H7 `) _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) C. ~1 a' q( u1 ^5 k
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,
& R- u& d4 P a$ J! F: W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
1 e; ]% [2 I* I; `0 k法求得局部最优解。
7 ?& a5 e2 Q. G7 j0 r" A9 ^本文选取了“就近原则”——构造时间代价函数,“FIFO 原则”——考虑各 3 N7 u! O9 o- {( Q8 h( G
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
7 v \! _% u0 \" G$ v% y/ K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
7 o5 T! s+ F" J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8 D/ g! f, q8 d$ f0 e& h) W
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 f% j1 Y/ \: E& d$ h; h g1 U7 W! P
据的系统效率最高,为 49.125 件/h.
3 ^. S/ I" z* V3 v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8 L3 [5 y# s, ?
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2 U& a% \, Z ^! r( F
过程。
) O7 g# P0 [3 G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4 R( H3 i8 ^' S) ^0 B( }
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$ i o9 p% q6 d4 c
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" c6 d" M, d" L2 z
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
4 j8 r9 x: j+ D) f+ `6 p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
' B" t( {" V, @. }6 \( m% R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: T, g/ j& N$ X. i7 o, m
外,所有的调度方案均呈现有规律的循环状态。) N. Q. u+ ]: i4 F
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”; v- l: }. i/ m( R6 `
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
+ l+ A7 B5 {9 J" P2 p; [. L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.
6 V2 M! M$ H+ s w# d, G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
9 n% `" x: `: d% z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
; K4 s- ^# k! k5 V; H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5 \8 R" } l! K* N& a4 h
程系统效率最多下降了 1.875 件/h.
+ J/ f1 J, ^8 E9 G$ a7 Z1 D* P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
. Y0 l1 J9 |) m% z( W1 t( Q( c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
% A8 i6 @# h% b+ ]6 f( e9 q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
* j$ |2 n" H$ s的有效性进行验证,增强了模型的说服力。
3 t& t U" p2 T9 S* _
' E( b, ^) E% G* V% {1 S# W2 a$ C+ O1 d2 ~" l2 B# K7 S9 Q
( r5 ~( b5 Q9 l8 m& }* r8 ~ |