談離散型制造業(yè)生產(chǎn)能力平衡技術(shù)

前言：本站為你精心整理了談離散型制造業(yè)生產(chǎn)能力平衡技術(shù)范文，希望能為你的創(chuàng)作提供參考價(jià)值，我們的客服老師可以幫助你提供個(gè)性化的參考范文，歡迎咨詢。

關(guān)于虛擬企業(yè)的生產(chǎn)任務(wù)分配研究的報(bào)道有[1][1]等，關(guān)于生產(chǎn)計(jì)劃執(zhí)行，人力分配的研究報(bào)道有[3][4]等，而關(guān)于基于實(shí)際生產(chǎn)能力，對(duì)生產(chǎn)任務(wù)進(jìn)行快速均衡分配的研究報(bào)道較少。本文探討將所有工作中心的總工作負(fù)荷進(jìn)行動(dòng)態(tài)統(tǒng)計(jì)掌握，然后將工作中心的能力和生產(chǎn)任務(wù)進(jìn)行匹配，平衡后產(chǎn)生適應(yīng)負(fù)荷的詳細(xì)生產(chǎn)計(jì)劃，對(duì)超出能力負(fù)荷的生產(chǎn)任務(wù)進(jìn)行選擇外協(xié)。該方法將促進(jìn)制造業(yè)的生產(chǎn)計(jì)劃合理化、精準(zhǔn)化，從而最大發(fā)揮生產(chǎn)資源的效率，增加制造業(yè)的經(jīng)濟(jì)效益。

離散型制造業(yè)生產(chǎn)能力均衡模型

生產(chǎn)計(jì)劃下達(dá)模式問題分析生產(chǎn)計(jì)劃與調(diào)度是生產(chǎn)控制的關(guān)鍵，它的科學(xué)性及優(yōu)化程度，直接影響生產(chǎn)效率。現(xiàn)在，一般中等規(guī)模制造型企業(yè)的生產(chǎn)管理部常常接到成千上萬(wàn)生產(chǎn)訂單（生產(chǎn)零件），憑經(jīng)驗(yàn)分開轉(zhuǎn)遞外協(xié)生產(chǎn)或者自制，如圖1。這種主要靠人工經(jīng)驗(yàn)組織生產(chǎn)的模式，未根據(jù)生產(chǎn)資源約束，最優(yōu)處理自制與外協(xié)的關(guān)系。本文采用改進(jìn)后的生產(chǎn)組織模式，擯棄整個(gè)生產(chǎn)過程采用經(jīng)驗(yàn)主義，而是建立在理性的推算基礎(chǔ)上，將瓶頸工序外協(xié)制造，擴(kuò)大產(chǎn)能。

生產(chǎn)計(jì)劃下達(dá)模式改進(jìn)本文采用優(yōu)化模式[5]——揀選后直接下達(dá)到工作中心，如圖2，其最關(guān)鍵的技術(shù)是經(jīng)過科學(xué)計(jì)算后再判斷，然后分流訂單到外協(xié)加工。該模式采用兩步優(yōu)化的辦法：首先生產(chǎn)部接到訂單后，將其分為必須外協(xié)件，必須自制件和可外協(xié)可自制件三類。然后用算法將必須自制件和可自制可外協(xié)件約束于各工作中心的產(chǎn)能，進(jìn)行匹配選擇，基本符合產(chǎn)能的訂單用于自制，超出產(chǎn)能的訂單和必須外協(xié)件外協(xié)加工。然后，將下達(dá)到各車間或者工作中心的工件進(jìn)行優(yōu)化排產(chǎn)。該模式是兩階段優(yōu)化，優(yōu)點(diǎn)是將復(fù)雜問題進(jìn)行了分解，對(duì)算法的要求相對(duì)較低，優(yōu)化效果也較好，并且車間管理的靈活度較大，可以積極應(yīng)對(duì)各種突發(fā)事件，校正計(jì)劃的偏差；其缺點(diǎn)是生產(chǎn)部的大計(jì)劃變更不方便，對(duì)車間的生產(chǎn)情況監(jiān)控比較弱。改進(jìn)的下單模式能起到“防洪抗旱”作用，均衡任務(wù)。備注：如圖2虛線疊加部分所示，“軟件系統(tǒng)優(yōu)化排程”的動(dòng)作可以是生產(chǎn)管理部或生產(chǎn)制造執(zhí)行部門做，但必須根據(jù)實(shí)時(shí)動(dòng)態(tài)產(chǎn)能等資源優(yōu)化排產(chǎn)。

生產(chǎn)任務(wù)均衡下達(dá)模型生產(chǎn)管控業(yè)務(wù)過程比較復(fù)雜，生產(chǎn)環(huán)境相關(guān)的各種因素經(jīng)常發(fā)生變化，各種不確定性的事件經(jīng)常發(fā)生等等，也使得生產(chǎn)部計(jì)劃不確定，也導(dǎo)致車間生產(chǎn)調(diào)度問題更加復(fù)雜。作者提出基于產(chǎn)能的計(jì)劃制定模式，然后把訂單下達(dá)至車間或者生產(chǎn)中心，具體排產(chǎn)調(diào)度由車間自己用算法根據(jù)生產(chǎn)現(xiàn)場(chǎng)實(shí)際再優(yōu)化，該方法稱為揀選后直接下達(dá)到工作中心的計(jì)劃模式，下面詳細(xì)介紹。為了說(shuō)明方便，使用部分假設(shè)條件。設(shè)車間當(dāng)前序的產(chǎn)能為[,,,]12mNAAA，m為工作中心或設(shè)備數(shù)目；有n種訂單需要加工，其交貨期幾乎相同，訂單j的工序需要在機(jī)器i上加工，如訂單的加工機(jī)器矩陣S描述，列為工件，行為機(jī)器/序，工件j有jc個(gè)；工件j的工序在機(jī)器i上加工需要的時(shí)間如加工時(shí)間矩陣T描述。

優(yōu)化產(chǎn)能均衡的學(xué)習(xí)算法設(shè)計(jì)

基本強(qiáng)化學(xué)習(xí)算法概述強(qiáng)化學(xué)習(xí)[7][8][9]是一種有效的機(jī)器學(xué)習(xí)方法，通過與環(huán)境的交互，經(jīng)過試探與評(píng)價(jià)，實(shí)現(xiàn)從環(huán)境到動(dòng)作的映射的學(xué)習(xí)方法，目標(biāo)是使長(zhǎng)期獎(jiǎng)勵(lì)信號(hào)最大。由于外部環(huán)境提供信息較少，強(qiáng)化學(xué)習(xí)的學(xué)習(xí)效率通常較低。Q-學(xué)習(xí)算法由Watkins于1989年提出的，類似于動(dòng)態(tài)規(guī)劃算法的一種強(qiáng)化學(xué)習(xí)方法,通過與環(huán)境交互，學(xué)習(xí)最優(yōu)行動(dòng)策略[10]。Q-學(xué)習(xí)的目標(biāo)是學(xué)習(xí)在動(dòng)態(tài)環(huán)境下如何根據(jù)外部評(píng)價(jià)信號(hào)來(lái)選擇較優(yōu)動(dòng)作或者最優(yōu)動(dòng)作，本質(zhì)是一個(gè)動(dòng)態(tài)決策的學(xué)習(xí)過程。Q-學(xué)習(xí)中，每個(gè)Q(s,a)對(duì)應(yīng)一個(gè)相應(yīng)的Q值，在學(xué)習(xí)過程中根據(jù)Q值，選擇動(dòng)作。Q值的定義是如果執(zhí)行當(dāng)前相關(guān)的動(dòng)作并且按照某一個(gè)策略執(zhí)行下去，將得到的回報(bào)的總和。最優(yōu)Q值可表示為Q*，其定義是執(zhí)行相關(guān)的動(dòng)作并按照最優(yōu)策略執(zhí)行下去，將得到的回報(bào)的總和。關(guān)于Q-學(xué)習(xí)算法的研究成果較多[11]，如文獻(xiàn)[12]針對(duì)標(biāo)準(zhǔn)強(qiáng)化學(xué)習(xí)學(xué)習(xí)由于缺乏環(huán)境信息，致使算法速度慢的問題，在標(biāo)準(zhǔn)的Q-學(xué)習(xí)算法的基礎(chǔ)上，加入有效的經(jīng)驗(yàn)知識(shí)，提出基于經(jīng)驗(yàn)知識(shí)的Q-學(xué)習(xí)算法。文獻(xiàn)[13]提出了新的多智能體學(xué)習(xí)算法，通過對(duì)聯(lián)合動(dòng)作的統(tǒng)計(jì)來(lái)學(xué)習(xí)其它智能體的行為策略,并利用智能體策略向量的全概率分布保證了對(duì)聯(lián)合最優(yōu)動(dòng)作的選擇。學(xué)習(xí)算法廣泛應(yīng)用于優(yōu)化[14]、智能控制[15]、機(jī)器人、智能交通[16]和多智能體系等領(lǐng)域。

新學(xué)習(xí)算法原理描述自然界的生物在殘酷的優(yōu)勝劣汰法則下不斷完善自己以適應(yīng)環(huán)境，這就是生物的學(xué)習(xí)能力。通過學(xué)習(xí)，生物不斷調(diào)整自身的狀態(tài)來(lái)適應(yīng)環(huán)境，并通過繼承的積累使好的信息傳遞到后代。強(qiáng)化學(xué)習(xí)算法雖具有強(qiáng)大的應(yīng)用范圍，仍有其局限性，它應(yīng)用于解決離散型生產(chǎn)調(diào)度問題的報(bào)道較少，特別應(yīng)用于解決離散型制造業(yè)生產(chǎn)任務(wù)按照負(fù)荷分配幾乎未見報(bào)道。本文針對(duì)離散制造業(yè)生產(chǎn)實(shí)際，提出新的學(xué)習(xí)算法，并將其應(yīng)用于生產(chǎn)任務(wù)分配。該文的新學(xué)習(xí)算法，它的核心思想是基于哲學(xué)上的“近朱者赤，近墨者黑”的原理，也就是讓潛在解不斷的向較優(yōu)解學(xué)習(xí)，學(xué)習(xí)過程中吸取它的優(yōu)良基因，從而不斷改善解。學(xué)習(xí)算法也借鑒了GA部分思想，若采用“整數(shù)編碼”，學(xué)習(xí)其實(shí)就與好解（GA的染色體）交叉。該新的學(xué)習(xí)算法也是一種基于迭代的優(yōu)化工具，系統(tǒng)初始化為一組隨機(jī)解，通過迭代搜尋最優(yōu)值。在學(xué)習(xí)算法中，我們將潛在解稱為“學(xué)子”，學(xué)子在解空間追隨最優(yōu)的學(xué)子進(jìn)行搜索。必須注意的是在學(xué)習(xí)過程中不能拋棄向優(yōu)秀同事學(xué)習(xí)這一種重要方式。這種優(yōu)秀學(xué)子的知識(shí)（歷史最優(yōu)解）信息代代相傳，自然地形成了全局最優(yōu)解的軌跡，對(duì)這些全局最優(yōu)解進(jìn)行模式抽取，即可得到全局最優(yōu)模式。而全局最優(yōu)模式是迭代搜索所需的極其有用的知識(shí)信息，利用全局最優(yōu)模式可以對(duì)學(xué)子集體空間的進(jìn)一步求解提供有效指導(dǎo)，從而加快算法的收斂速度。

總結(jié)

近些年來(lái)，關(guān)于生產(chǎn)調(diào)度的研究較多，解決生產(chǎn)調(diào)度的算法也較多，但因生產(chǎn)調(diào)度是NP難的組合優(yōu)化問題，優(yōu)化時(shí)的收斂速度較慢，耗費(fèi)時(shí)間及存儲(chǔ)資源較多，還沒一種算法能適應(yīng)各種復(fù)雜的調(diào)度問題。關(guān)于生產(chǎn)計(jì)劃及其任務(wù)均衡分配的報(bào)道較少。本文深入探討了基于生產(chǎn)能力負(fù)荷的生產(chǎn)任務(wù)分配問題，能最大限度地發(fā)揮產(chǎn)能。并提出了LA算法，采用了新的0-1編碼，成功應(yīng)用于解決生產(chǎn)任務(wù)均衡分配問題，數(shù)據(jù)仿真實(shí)驗(yàn)驗(yàn)證該算法收斂速度較快，且容易趨向全局最優(yōu)解。未來(lái)將深入研究LA的其它模型用于優(yōu)化問題的特性區(qū)別，效率差異；LA為初次提出，關(guān)于它的理論意義還沒深入討論。將來(lái)的工作一方面需要完善其理論意義；另一方面將其應(yīng)用與連續(xù)函數(shù)優(yōu)化問題，分配問題、TSP等其它組合優(yōu)化問題，并進(jìn)一步深入研究在其它領(lǐng)域的應(yīng)用。

作者：連志剛焦斌高葉軍單位：上海電機(jī)學(xué)院電子信息學(xué)院