关键词:
工业互联网
柔性作业车间调度
高维多目标
鲁棒性调度
强化学习
摘要:
工业互联网是国家重要发展战略,在工业制造中发挥着重要的作用。工业互联网通过数字化手段提高制造业生产效率、提升产品质量、增加客户满意度,在推动制造业的数字化、智能化转型方面具有重要意义。随着全球经济的发展,越来越多的客户需要个性化和多样化的订单,因此柔性作业车间调度问题(Flexible Job Shop Scheduling Problem,FJSP)已成为制造业核心优化问题。但是企业仍以手工方式排产调度,效率极低,难以满足客户需求和国家绿色发展的要求。一方面由于手工排产考虑的优化目标单一,更没有考虑碳排放指标;另一方面由于制造车间动态扰动频繁,对生产调度造成极大影响。针对以上问题,本文首先研究了多目标优化算法,提出一种高维多目标优化算法NSGA-Ⅲ-QPBI,用于求解高维多目标FJSP;然后针对车间存在的机器故障扰动,提出一种鲁棒性调度方案,增强调度方案的稳定性;最后,设计并实现了智能计划柔性排产系统,应用于车间进行自动化排产,解决工厂手工排产效率低、响应慢等问题。本文的主要工作和创新点如下:(1)NSGA-Ⅲ在解决多目标优化问题时表现良好,但当优化的目标数超过三个时,算法性能急剧下降,存在着收敛速度慢、多样性差等问题。针对这些问题,提出一种改进算法NSGA-Ⅲ-QPBI。首先,为了提高算法的收敛性,引入了 MOEA/D中的PBI方法,并利用强化学习将惩罚参数自适应化,根据当前目标空间分布情况动态地平衡收敛性与多样性;然后,针对NSGA-Ⅲ在高维空间中多样性差和引入PBI导致多样性下降的问题,引入小生境消除方法,不同支配层的个体共同参与淘汰,保留边缘层多样性好的个体,进而提高算法的多样性;最后,为了实现低碳环保的车间调度,引入碳排放指标,并对完工时间指标、碳排放指标、机器负荷指标、交货期指标和生产成本指标这五大指标同时优化求解。通过对比不同算法求解FJSP标准样例和SMT车间样例的性能,验证了本文提出的算法相较于其他算法具有更好的收敛性和多样性。(2)真实车间中经常出现机器故障问题,而预反应式重调度和完全反应式重调度会对初始调度方案造成较大的破坏,因此本文提出一种鲁棒性调度方案。首先,提出两种鲁棒性指标,与上述五大指标同时优化,生成鲁棒性的调度方案,提高重调度时调度方案的稳定性;然后提出一种机器故障仿真方法,用于预测机器故障的时间和机器维修时间,为鲁棒性调度提供故障数据支持。经过实验对比,验证了该方法求解动态FJSP的有效性和优越性,同样求解机器故障扰动的SMT车间样例时生成了稳定性更好、性能更优的调度方案。(3)当前SMT车间仍以手工方式进行排产,效率低下,难以合理分配资源,无法准确快速地回应客户交期,难以处理动态扰动,针对这些问题,设计并实现了智能计划柔性排产系统。首先,在系统中融合本文提出的高维多目标柔性作业车间调度算法和鲁棒性调度算法,提高排产效率,精准预测交期时间,并稳定处理动态扰动;然后,进行了系统的需求分析、概要设计和开发测试;最后,将系统部署上线,经过三个月的试运行通过工厂验收,并稳定运行于手机PCB生产车间。