买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：泉州装备制造研究所

摘要：本发明公开了一种适配设备故障的小产品生产车间调度方法，包括如下依次执行的步骤：步骤1：先进行预排产，设置初始样本参数；步骤2：获取所述初始样本，基于小数矩阵编码模式，利用随机选择方法生成初始样本点；步骤3：采用多目标权重和滚动更新的方式，评估所述初始样本点的目标函数值，选出全局最优解和分支最优解；以及步骤4‑步骤12。本发明采用的混合优化算法很好的继承了粒子群算法和遗传算法的优点，求解精确，迭代次数少，不容易陷入局部最优；在上述基础上，充分考虑实际生产情况，结合设备故障情况进行了动态重调度，使得该发明能够很好的被运用在柔性作业车间调度领域，为适配车间设备故障的调度问题提供新的求解思路。

主权项：1.一种适配设备故障的小产品生产车间调度方法，其特征在于：包括如下依次执行的步骤：步骤1：先进行预排产，设置初始样本参数；步骤2：获取所述初始样本，基于小数矩阵编码模式，利用随机选择方法生成初始样本点；步骤3：采用多目标权重和滚动更新的方式，评估所述初始样本点的目标函数值，选出全局最优解和分支最优解；步骤4：采用多分区多因子交叉的方式，父代借鉴所述全局最优解和所述分支最优解生成新的子代，将矩阵编码按照规模划分成不同的区域，每次父代从不同区域借鉴所述全局最优解和所述分支最优解生成子代，每次迭代后对应区域的分区号加1；步骤5：采用矩阵物理距离融合的方式，比较所述全局最优解和新生成的子代的相似度来进行投票，根据投票机制判断种群是否陷入局部最优，达到一定的票数后触发变异，种群再次扩大搜索范围跳出所述局部最优，再次向所述全局最优解靠拢；步骤6：在步骤5的基础上，如果种群在变异后的迭代过程中发现了等于变异前的所述全局最优解，则放弃向所述全局最优解靠拢，向新发现的全局最优解靠拢；步骤7：重复执行步骤3-5直到最大迭代次数，输出最优预排产方案；步骤8：判断有无故障产生，如遇设备故障需重新排产，执行步骤9-步骤11，否则，按照步骤7输出的所述最优预排产方案进行生产；步骤9：确定故障的机器号Mf，确定故障开始时刻Ts，设备维修时间Tf；步骤10：统计设备故障时所有正在加工的工序剩余完工时间tij，tij表示第i个订单第j道工序的剩余完工时间，统计未发生故障的设备占用时间[Mt1,Mt2,Mt3,Mt4.......Mtn]，其中n表示第n个设备，统计订单剩余工序数量；步骤11：将剩余工序参照步骤1-步骤7的方案重新排产，在排产时要把步骤10得到的前一道工序的剩余完工时间tij加到订单剩余工序的首个工序的完工时间上，故障的设备在这一步骤仍可参与排产，在参与排产时，如果故障设备被调度需要加上剩余维修等待时间Tw；步骤12：重复执行步骤1-11直至所有订单完工；步骤3中，所述评估初始样本点的目标函数值由如下公式定义： ；其中，Tpre表示前一道工序的完成时间，Ti,j,k表示订单i的第j道工序在设备k上的加工时间，Twait表示等待设备占用时间；通过逐列计算得到最终目标函数值的解，最后一列的最大项即为目标函数的值；步骤4的迭代过程如下：种群的变换方式采用交叉变换，保留了粒子群算法的惯性因子、个体学习因子和社会学习因子，惯性因子w表示矩阵编码中更改的元素个数，w为整数，w越小表示更改的元素越少，保留自身基因型越多；c1表示个体学习因子，代表矩阵编码需要从分支最优解中借鉴的元素个数，c2表示社会学习因子，代表矩阵编码需要从全局最优解中借鉴的元素个数，w=c1+c2；步骤5中的所述投票机制的投票规则如下：将子代矩阵编码和全局最优矩阵编码向下取整，变成两个整数矩阵，将这两个整数矩阵相减，统计结果中0元素的个数，当0元素个数到达一定数量时，投出确定变异票；步骤11中故障后矩阵第一列的解码公式由如下定义：；其中，表示设备还需被前边生产工序占用时间，如果排产方案调用到故障设备则可把设备剩余维修等待时间Tw看作，表示第i个订单的第j道工序的剩余完工时间，表示订单i的第j道工序在设备k上的加工时间，其中，Tw=max{Tf-Tn-Tk,0},Tf表示设备维修时间，Tn表示调用设备时刻，Tk表示设备故障时刻；故障后矩阵后边几列的解码公式由如下公式定义： ；其中，Tpre表示前一道工序的完成时间，Ti,j,k表示订单i的第j道工序在设备上的加工时间，表示等待设备占用时间，如果排产方案调用到故障设备则可把设备剩余维修等待时间Tw看作。

全文数据：

权利要求：

百度查询： 泉州装备制造研究所 一种适配设备故障的小产品生产车间调度方法