一种焊接装配智能调度方法及系统与流程

1.本发明涉及生产调度仿真优化领域，具体涉及一种焊接装配智能调度方法及系统。


背景技术：

2.目前，数学建模技术和智能算法的逐步完善大幅提高了调度问题的求解精度和效率，尤其适合对固定成本极其敏感的生产企业，在装配制造系统中应用的装配调度问题模型和改良算法，解决了用于生产经过相同或类似加工的众多零部件组合而成的产品调度问题，极大降低了制造型企业的生产成本，提高了产品的竞争力。
3.尽管当前出现了各种调度问题的数学模型例如公布号为cn107870600a的现有发明专利申请文献《一种智能车间透明监控方法及系统》，该方法包括以下步骤：步骤a：搭建智能车间透明化监控平台，其包括：步骤a1：建立虚拟模型与实物互联互通机制；步骤a2：车间静态建模；步骤a3：车间动态建模；步骤a4：模型与设备集成；步骤b：实现智能车间透明化监控方法：步骤b1：智能车间三维仿真具体实施；步骤b2：虚拟模型与实物模型关联；步骤b3：指令下传与数据采集反馈；步骤b4：数据可视化展示。一种智能车间透明监控系统，包括mes模块、单元管控模块、scada模块和总线控制网络模块。前述现有技术的本质仍是一般静态模型，未能突破静态模型表示动态问题的缺陷，对于类似多层工序嵌套的工件加工过程缺乏分析，而相关需求的智能算法、启发式算法以及下界估计方法也与现有设计存在差异；针对调度过程的差异，一般处理方式包括两种：一是将问题理想化处理，忽略工序的重入而将其简单相加，对时间的处理也偏向假设性估计，未能考虑时间的变化规律；例如公布号为cn107862411a的现有发明专利申请文献《一种大规模柔性作业车间调度优化方法》步骤如下：(1)首先将加工工艺类似、工件尺寸在同一范围内、且毛坯材质相同的工件进行聚类组批，从而减小问题求解规模；(2)设置算法初始参数，采用三层基因编码技术、obx交叉方式和一定的变异策略，结合仿真实验选择交叉长度，并利用自适应改进遗传算法优化求解。前述现有技术在类似调度问题上增加额外约束，限制加工条件，在时间的处理采取平均值的方式，同样对生产过程缺乏模拟反映；贮箱焊接过程中存在的嵌套工序大幅影响了生产调度模型表达的精确性和求解方法设计的适应性，缺乏针对性的数学模型和智能算法未能充分提高生产过程的潜力。
4.综上，现有技术存在动态问题表示缺陷、模拟效果较差、表达精确性及适应性较差的技术问题。


技术实现要素：

5.本发明所要解决的技术问题在于如何解决动态问题表示缺陷、模拟效果较差、表达精确性及适应性较差的技术问题。
6.本发明是采用以下技术方案解决上述技术问题的：一种焊接装配智能调度方法包括：
7.s1、实现预置的嵌套工序编码，以确定焊接需要的加工设备信息以及缓存区容量；
8.s2、收集生产历史数据，提取焊接过程的生产数据以及干扰数据，拟合生产数据以及干扰数据的数据特征，据以确定数据分布函数；
9.s3、根据数据分布函数，分析加工设备信息以及缓存区容量，建立焊接过程动态数学描述模型；
10.s4、利用预置算法及嵌套工序编码，构建并实现模型求解算法系统，其中，预置算法包括：改进遗传算法、构造启发式算法及问题模型理论的下界估计方法，通过利用模型求解算法系统求解，据以构建数学问题模型，生成随机案例，以根据焊接过程动态数学描述模型，分阶段预估瓶颈下界；
11.s5、对比模型求解算法系统与瓶颈下界，以根据预设生产调度指标，修正模型求解算法系统的适用输入参数，据以得到适用参数系统；
12.s6、输入校验生产数据至适用参数系统，以求解得到焊接装配智能调度适用调度方案。
13.本发明系统集成数据分析、嵌套调度问题数学建模及算法设计应用，以满足具有复杂状况实际生产车间的加工需求，重构遗传算法、构造启发式算法和调度问题下界，解决焊接过程的复杂求解问题，利用本发明制定最佳生产计划，能够实现高效率、低成本生产，缩短此类企业整体加工完工时间和平均通过时间，有效提高设备利用率和降低库存。该系统和方法适用于生产成本和定制化较高的生产线和企业，对类似生产过程的运行优化同样具有借鉴意义。
14.在更具体的技术方案中，步骤s1包括：
15.s11、根据嵌套工序编码，确定工件及其重复次数，将其编成外层代码；
16.s12、确定每个工件的工序数，确定其为内层编码；
17.s13、根据预置加工位置，分配外层编码以及外层编码，以获取满足加工顺序约束的加工设备信息以及缓存区容量。
18.本发明通过对具有嵌套工序的工件加工过程进行多层编码，能对产品的加工过程和设备利用的动态性、随机性进行直观准确地描述，在进行经验数据分析基础上具备仿真的特点并提高仿真的精确性。
19.在更具体的技术方案中，步骤s3包括：
20.s31、根据加工设备信息，计算加工时间数据和扰动时间变化函数，据以建立基于焊接过程动态数学描述模型，以利用下述逻辑求解完工时间和平均通过时间：
21.f1＝minc
max
和f2＝minp
ave
；
22.其中，fi(i＝1，2)表示第i个调度目标。其中c
max
表示生产的最大完工时间(max completion time)；p
ave
表示贮箱平均通过时间(average passing time)，每个贮箱的通过时间为从其零件的最早投产开始时间到该贮箱完成时间之间的跨度。
23.s32、根据生产历史数据中的加工过程，拟合随机重入的概率函数，计算重入次数的期望，并将其加入实时调度模型，以表达重入次数相关加工模型；
24.s33、利用下述逻辑确定决策变量约束条件：
25.b
aklb
(t)≥max(d
akl-lb
(t)，ba′k′
l
′b(t
′
))
26.b
aklb
(t+1)＝d
akl
′b(t)
27.其中，设第a个贮箱第k个组件的第l个工序在第b个机器上加工，b
aklb
表示该工序在第t次加工过程中的加工开始时间，d
aklb
表示该工序在第t次加工过程中的加工结束时间。第一个公式表示下道工序的开始时间不小于同组件的上道工序结束时间以及相同加工设备加工其他工序后的结束时间；第二个公式表示该机器存在返工操作，而返工的开始时间等于上次加工结束时间。将决策变量约束条件加入调度公式中供求解；
28.s34、根据生产历史数据中的生产需求，对应处理决策变量、求解目标与算法适应度。
29.本发明通过分析加工设备信息以及缓存区容量，确定决策变量约束条件，并将其加入调度公式中，以便于算法实现求解，提升了模型对焊接装配智能调度过程的模拟效果。本发明通过建立具有循环特征的数学模型，表示出生产过程的重入特点，优化贮箱焊接过程的工件批量加工以及嵌套工序加工过程。
30.在更具体的技术方案中，步骤s32中，利用下述逻辑拟合随机重入的概率函数，计算重入次数的期望t：
[0031][0032]
其中，t为重入次数。
[0033]
本发明具有选择的可行解更新和迭代过程加速提高了可行解的质量，对于其他复杂调度问题同样适用，不断降低问题的空间复杂度和求解复杂度。
[0034]
在更具体的技术方案中，步骤s4包括：
[0035]
s41、获取并根据贮箱焊接装配调度问题特征，构造启发式规则，基于预置加工过程，将启发式规则分阶段应用于的焊接过程动态数学描述模型，获得初始调度解；
[0036]
s42、根据初始调度解以及嵌套工序编码，设计改进遗传算法的自适应交叉变异算子；
[0037]
s43、构建并利用logistic模型，控制改进遗传算法的迭代过程、局部最优与全局最优的平衡机制；
[0038]
s44，以不同阶段为瓶颈阶段，计算调度各个瓶颈阶段下界，据以估计获取整体下界。
[0039]
本发明以构造启发式解为初始解，改进的适应性遗传算法能够加快算法搜索速度和提高可行解探索效率，并优化了求解质量。本发明根据嵌套编码设计自适应交叉变异算子，并增加logistic控制迭代过程和局部最优与全局最优的平衡机制，提高遗传算法的迭代速度。
[0040]
在更具体的技术方案中，步骤s43中，利用改进遗传算法，设置新的迭代开始方式和更新方式，据以利用下述逻辑构建logistic模型，以更新迭代次数和种群水平：
[0041]
和r(t)＝r0·
(1-a(t)/k)。
[0042]
其中，a(t)表示在第t次迭代过程中的种群数量，k表示该物种的极限数量，a0表示物种初始种群数量，r0表示种群初始自然增长率，e表示自然指数(＝2.71828
…
)，r(t)表示在第t次迭代过程中的种群增长率。
[0043]
在更具体的技术方案中，步骤s43中，利用下述搜索逻辑，根据初始调度解自适应搜索新的可行解：
[0044]
pc＝a0·
p
c0
/a(t)以及pm＝p
m0
·
r(t)/r0。
[0045]
其中，pc表示染色体交叉概率，p
c0
表示染色体初始交叉概率，pm表示染色体变异概率，p
m0
表示染色体初始变异概率。
[0046]
在更具体的技术方案中，步骤s44包括：
[0047]
s441、以下述逻辑对第一阶段进行假设，以得到第一阶段瓶颈下界指标：
[0048][0049]
其中，l1表示对第一阶段进行假设的优化问题的下界，o
akl
表示第a个贮箱第k个组件的第l个工序，δ
aklb
为二元值，若o
akl
在第b个机器上加工，δ
aklb
为1，否则为0；表示所有机器的数量。
[0050]
s442、以下述逻辑对第二阶段进行假设，以得到第二阶段瓶颈下界指标：
[0051][0052]
s443、利用第一阶段瓶颈下界指标及第二阶段瓶颈下界指标确定瓶颈下界。
[0053]
在更具体的技术方案中，步骤s53中，利用下述逻辑，根据第一阶段瓶颈下界指标及第二阶段瓶颈下界指标，确定瓶颈下界：
[0054]
l＝max{l1，l2}。
[0055]
在更具体的技术方案中，一种焊接装配智能调度系统包括：
[0056]
嵌套编码实现模块，用以实现预置的嵌套工序编码，以确定焊接需要的加工设备信息以及缓存区容量；
[0057]
生产历史数据拟合处理模块，用以收集生产历史数据，提取焊接过程的生产数据以及干扰数据，拟合生产数据以及干扰数据的数据特征，据以确定数据分布函数；
[0058]
焊接过程描述模型构建模块，用以根据数据分布函数，分析加工设备信息以及缓存区容量，建立焊接过程动态数学描述模型，焊接过程描述模型构建模块与嵌套编码实现模块及生产历史数据拟合处理模块连接；
[0059]
求解系统构建及下界预估模块，用以利用预置算法及嵌套工序编码，构建并实现模型求解算法系统，其中，预置算法包括：改进遗传算法、构造启发式算法及问题模型理论的下界估计方法，通过利用模型求解算法系统求解，据以构建数学问题模型，生成随机案例，以根据焊接过程动态数学描述模型，分阶段预估瓶颈下界，求解系统构建及下界预估模块与焊接过程描述模型构建模块连接；
[0060]
求解系统修正模块，用以对比模型求解算法系统与瓶颈下界，以根据预设生产调度指标，修正模型求解算法系统的适用输入参数，据以得到适用参数系统，求解系统修正模块与求解系统构建及下界预估模块连接；
[0061]
调度方案求解模块，输入校验生产数据至适用参数系统，以求解得到焊接装配智能调度适用调度方案，调度方案求解模块与求解系统修正模块连接。
[0062]
本发明相比现有技术具有以下优点：本发明系统集成数据分析、嵌套调度问题数学建模及算法设计应用，以满足具有复杂状况实际生产车间的加工需求，重构遗传算法、构造启发式算法和调度问题下界，解决焊接过程的复杂求解问题，利用本发明制定最佳生产
计划，能够实现高效率、低成本生产，缩短此类企业整体加工完工时间和平均通过时间，有效提高设备利用率和降低库存。该系统和方法适用于生产成本和定制化较高的生产线和企业，对类似生产过程的运行优化同样具有借鉴意义。
[0063]
本发明通过对具有嵌套工序的工件加工过程进行多层编码，能对产品的加工过程和设备利用的动态性、随机性进行直观准确地描述，在进行经验数据分析基础上具备仿真的特点并提高仿真的精确性。
[0064]
本发明通过分析加工设备信息以及缓存区容量，确定决策变量约束条件，并将其加入调度公式中，以便于算法实现求解，提升了模型对焊接装配智能调度过程的模拟效果。本发明通过建立具有循环特征的数学模型，表示出生产过程的重入特点，优化贮箱焊接过程的工件批量加工以及嵌套工序加工过程。
[0065]
本发明具有选择的可行解更新和迭代过程加速提高了可行解的质量，对于其他复杂调度问题同样适用，不断降低问题的空间复杂度和求解复杂度。
[0066]
本发明以构造启发式解为初始解，改进的适应性遗传算法能够加快算法搜索速度和提高可行解探索效率，并优化了求解质量。本发明根据嵌套编码设计自适应交叉变异算子，并增加logistic控制迭代过程和局部最优与全局最优的平衡机制，提高遗传算法的迭代速度。本发明解决了现有技术中存在的动态问题表示缺陷、模拟效果较差、表达精确性及适应性较差的技术问题。
附图说明
[0067]
图1为本发明实施例1的一种焊接装配智能调度系统数据流处理示意图；
[0068]
图2为本发明实施例1的一种焊接装配智能调度方法基本步骤示意图；
[0069]
图3为本发明实施例1的加工数据确定具体步骤示意图；
[0070]
图4为本发明实施例1的建模表达具体步骤示意图；
[0071]
图5为本发明实施例1的实现模型求解算法系统具体步骤示意图；
[0072]
图6为本发明实施例2的一种焊接装配智能调度方法具体实施流程示意图；
[0073]
图7为本发明实施例2的具有嵌套工序的焊接装配产品加工过程示意图；
[0074]
图8为本发明实施例2的改进遗传算法流程示意图；
[0075]
图9为本发明实施例2的编码交叉说明图；
[0076]
图10为本发明实施例2的编码变异说明图；
[0077]
图11(a)至图11(o)为本发明实施例2的启发式规则、(改进)遗传算法、贪心算法、邻域搜索算法求解具有嵌套工序工件调度问题结果箱型图；
[0078]
图12为本发明实施例2的改进遗传算法求解嵌套工序调度问题双目标迭代曲线图；
[0079]
图13为本发明实施例2的改进遗传算法求解嵌套调度问题的排产甘特图。
具体实施方式
[0080]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出
创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0081]
实施例1
[0082]
如图1所示，本发明提供的一种焊接装配智能调度方法及系统集成嵌入了数据分析、数学建模仿真和算法自适应求解等工具，主要进行包括扰动数据分析拟合、可重入嵌套工序生产过程数学建模、算法自适应求解优化三个核心部分；所述数据分析模块，针对焊接过程的历史动态加工信息、动态机器损伤概率以及动态重入过程进行概率检验和拟合，获得与实际生产状况仿真的经验函数；所述焊接嵌套过程数学建模模块，考虑拟合数据与嵌套工序重加工特点，在经典调度模型基础上实现动态时间加工和动态重加工过程，建立双动态变化数学模型；所述自适应算法试验求解优化模块，包括试验设计、自动数据生成、改进算法和其他智能算法应用求解对比和自适应参数修正部分；所述试验设计部分实现模型主要参数设计、算法程序应用、数据应用程序接口；所述自动数据生成实现生产仿真，模拟多场景生产；所述算法应用对比实现改进遗传算法、构造启发式算法与下界估计偏差对比，根据偏差趋势调整最佳算法参数；所述校验数据调整实现实际数据的代入，即时优化生产计划，输出最佳工件加工计划和排班计划。
[0083]
如图2所示，本发明提供的一种焊接装配智能调度方法包括以下基本步骤：
[0084]
步骤s1、实现嵌套工序编码、确定焊接需要的加工设备、缓存区容量等加工信息；
[0085]
如图3所示，在本实施例中，步骤s1还包括以下具体步骤：
[0086]
步骤s11、确定工件及其重复次数，将其编成最外层代码；
[0087]
步骤s12、确定每个工件的工序数，确定其为内层编码；
[0088]
步骤s13、将内外层编码根据加工位置分配，使其满足加工顺序约束。
[0089]
步骤s2、收集生产历史数据，提取焊接过程的主要生产数据和干扰数据，拟合数据特征，确定数据分布函数；
[0090]
步骤s3、建立基于数据分析和调度理论的焊接过程动态数学描述模型，并设计求解目标的表达公式；
[0091]
如图4所示，在本实施例中，步骤s3还包括以下具体步骤：
[0092]
步骤s31、计算加工时间数据和扰动时间变化函数，将二者之和作为调度模型的工序花费时间信息；
[0093]
步骤s32、根据提供的加工过程，拟合随机重入的概率函数，计算重入次数的期望，并将其加入实时调度模型中，表示与重入次数相关的加工模型；
[0094]
步骤s33、确定决策变量约束条件，并将其加入调度公式中，以便于算法实现求解；
[0095]
步骤s34、根据生产需求，将决策变量、求解目标与算法适应度对应。
[0096]
步骤s4、实现模型求解算法系统，包括改进遗传算法、构造启发式算法及问题模型理论的下界估计方法；
[0097]
如图5所示，在本实施例中，步骤s4还包括以下具体步骤：
[0098]
步骤s41、根据问题特点构造启发式规则，基于提供的加工过程，将调度规则分阶段应用于调度模型中，获得初始调度解；
[0099]
步骤s42、以构造启发式解为初始解，改进遗传算法，根据嵌套编码，设计自适应交叉变异算子，并增加logistic控制迭代过程和局部最优与全局最优的平衡机制，提高遗传算法的迭代速度；
[0100]
步骤s43，以不同阶段为瓶颈阶段，计算调度各个阶段的理论下界，进而估计出整体下界。
[0101]
步骤s5、算法试验求解建立的数学问题模型，自动生成随机案例，应用设计算法与预估下界进行对比，根据生产调度的完工时间、设备利用率等指标来修正算法系统输入的最佳参数；
[0102]
步骤s6、输入校验生产数据，使用最佳参数系统求解问题，输出最佳调度方案并人工检验调整实际计划。
[0103]
实施例2
[0104]
本实施例中的火箭贮箱焊接生产线，三种贮箱a、b和c的数量分别设为例如13、8和5，在本实施例中，贮箱包括但不限于：单底、短壳和筒段、三种组件。贮箱a的三种组件的数量分别为3、2和1，贮箱b的三种组件的数量分别为2、2和5，贮箱c的三种组件的数量分别为4、2和3，加工时间具有截断正态分布和均匀分布特点，并具有概率性的返工重入过程。
[0105]
在本实施例中，一种焊接装配智能调度系统，集成嵌入的工具包括但不限于：数据分析模块1、焊接嵌套过程数学建模模块2和自适应算法试验求解优化模块3，进行包括：扰动数据分析拟合、可重入嵌套工序生产过程数学建模、算法自适应求解优化等核心部分；
[0106]
在本实施例中，数据分析模块1，针对焊接过程的历史动态加工信息、动态机器损伤概率以及动态重入过程进行概率检验和拟合，获得与实际生产状况仿真的经验函数；
[0107]
在本实施例中，焊接嵌套过程数学建模模块2，考虑拟合数据与嵌套工序重加工特点，在经典调度模型基础上实现动态时间加工和动态重加工过程，建立双动态变化数学模型；
[0108]
在本实施例中，自适应算法试验求解优化模块3，包括：试验设计、自动数据生成、改进算法和其他智能算法应用求解对比和自适应参数修正部分；试验设计部分实现模型主要参数设计、算法程序应用、数据应用程序接口；自动数据生成实现生产仿真，模拟多场景生产；算法应用对比实现改进遗传算法、构造启发式算法与下界估计偏差对比，根据偏差趋势调整最佳算法参数；校验数据调整实现实际数据的代入，即时优化生产计划，输出最佳工件加工计划和排班计划。
[0109]
步骤s1’、实现嵌套工序编码、确定焊接需要的加工设备、缓存区容量等加工信息；
[0110]
如图6及图7所示，在本实施例中，多个工件存在重入过程的加工方式，相同类型工件之间为流水加工，不同类型工件之间作业车间加工，因此该加工过程的第一阶段为流水车间工序与作业车间工序嵌套的焊接装配问题；工件总数为26，三种组件总数分别为75、52和68，根据基本工序数5、5和4，三种产品单独的初始编码形为[00
…
11
…
22
…
]，内部编码数量工序数，考虑产品数量，则第二层编码将内部编码重复次数为工件数。
[0111]
步骤s2’、分析历史生产数据；
[0112]
在本实施例中，工序工时服从截尾正态分布：
[0113]
ψ(x,x/10,x-x/5,x+x/5；o)
[0114]
在本实施例中，设置时间服从正态分布：
[0115]
u(x-x/10,x+x/10)
[0116]
在本实施例中，无损检测结果约5％需要返工，且返工时间与原本时间相同。
[0117]
步骤s3’、建立基于数据分析和调度理论的动态数学描述模型，求解目标为完工时
间和平均通过时间，即：
[0118]
f1＝minc
max
和f2＝minp
ave
；
[0119]
在本实施例中，模型中工序所耗费时间为加工时间与设置时间之和，即p+s；拟合随机重入的概率函数，计算重入次数的期望，即：
[0120][0121]
其中，t为重入次数；
[0122]
则动态调度模型的核心约束表达式为：
[0123]baklb
(t)≥max(d
akl-1b
(t)，ba′k′
l
′b(t
′
))
[0124]
表示一个工序的开始时间应当在同一个循环中紧前工序的结束时间之后开始，或者同设备上不同循环工序的结束时间之后，以及：
[0125]baklb
(t+1)＝d
akl
′b(t)
[0126]
表示第一个循环工序的开始时间应当在上一个循环的最后一个工序结束时间之后开始。
[0127]
步骤s4’，改进遗传算法首先设置新的迭代开始方式和更新方式，在本实施例中，logistic模型使用：
[0128]
和r(t)＝r0·
(1-a(t)/k)
[0129]
更新迭代次数和种群水平。
[0130]
如图8所示，在本实施例中，步骤s4’涉及的改进遗传算法包括以下具体步骤：
[0131]
s41’、令a＝a0，r＝r0；
[0132]
s42’、令k＝1；
[0133]
s43’、保留概率计算公式。p
tk
表示在第t次迭代的第k次寻优过程中染色体x
tk
的保留概率，e为自然指数，f
tk
表示染色体x
tk
的适应度值，a和r分别表示物种数量和增长率，f
tb
表示最佳个体个体x
tb
的适应度值；
[0134]
s44’、判断是否满足：p
tk
》max(sr，a/k)，sr表示选择概率，为一个小于1的常数；a/k表示物种数量与其极限值的比值；
[0135]
s45’、若否，则个体x
tk
变异；
[0136]
s46’、个体x
tk
与最佳个体x
tb
交叉；
[0137]
s47’、若是，则x
tb
＝x
tk
,f
tb
＝f
tk
；
[0138]
s48’、判断是否满足：f
tk
》f
gb
；
[0139]
s49’、若是，则x
gb
＝x
tk
,f
gb
＝f
tk
；若否，跳转执行步骤s410’；
[0140]
s410’、随机更新x
tk
；
[0141]
s411’、判断是否满足：k≧l
t
；
[0142]
s412’、若是，则根据logistic模型更新入侵种数量a和增长率r；
[0143]
s413’、若否，则k＝k+1，跳转至步骤s43’，循环执行步骤s43’至步骤s412’；
[0144]
s414’、判断是否满足：a≥η
×
k；在本实施例中，η的取值区间可采用例如：(1，a0/k)，其中η表示物种实际数量与其极限数量的最大比值，a0/k表示初始种群数量与极限数量的比值；
[0145]
s415’、若否，则使t＝t+1；
[0146]
s416’、l
t
＝[ln(k/a)]，l
t
表示在第t次迭代时的寻优次数；
[0147]
s417’、若是，则保留前种群的l
t
个解；跳转执行步骤s42’；
[0148]
s418’、输出当前最优解x
gb
。
[0149]
如图9及图10所示，在本实施例中，同时设置pc＝a0·
p
c0
/a(t)以及pm＝p
m0
·
r(t)/r0来自适应搜索新的可行解，其交叉变异方式分别参照图3和图4。
[0150]
在本实施例中，根据问题特点，第一阶段为嵌套加工过程，第二阶段为装配焊接过程，因此启发式指标为确定第一阶段加工顺序以最小化工件完工时间目标，再确定第二阶段装配产品顺序优化整体指标，以连续两阶段的顺序作为初始解；
[0151]
步骤s5’，根据建立的数学问题模型，分阶段预估瓶颈下界；在本实施例中，首先假设第一阶段：
[0152][0153]
假设第二阶段：
[0154][0155]
在本实施例中，利用下界指标确定算法优化效果，整体下界为：
[0156]
l＝max{l1，l2}
[0157]
如图11所示，在本实施例中，根据生产调度的完工时间、设备利用率等指标来修正算法系统输入的最佳参数；修正后的启发式算法和改进遗传算法等的箱型图参照图5；
[0158]
图11的各子图说明：图11(a)至图11(c)表示产品数量即贮箱数量分别为10，20，30时的算法对比箱型图；图11(d)至图11(f)表示机器数量分别为5,10,15时的算法对比箱型图；图11(g)至图11(i)分别表示返工概率分别为0.05,0.1,0.15时的算法对比箱型图；图11(j)至图11(o)表示六种时间生成方案的算法对比箱型图。
[0159]
如图12所示，在本实施例中，步骤s6’，输入校验生产数据，使用最佳参数系统求解问题，输出最佳调度方案并人工检验调整实际计划；
[0160]
如图13所示，在本实施例中，改进遗传算法在完工时间和平均通过时间两个指标上的优化曲线参照图12，最终排产甘特图参照图13，优化效果分别为19.92％和35.11％。
[0161]
综上，本发明系统集成数据分析、嵌套调度问题数学建模及算法设计应用，以满足具有复杂状况实际生产车间的加工需求，重构遗传算法、构造启发式算法和调度问题下界，解决焊接过程的复杂求解问题，利用本发明制定最佳生产计划，能够实现高效率、低成本生产，缩短此类企业整体加工完工时间和平均通过时间，有效提高设备利用率和降低库存。该系统和方法适用于生产成本和定制化较高的生产线和企业，对类似生产过程的运行优化同样具有借鉴意义。
[0162]
本发明通过对具有嵌套工序的工件加工过程进行多层编码，能对产品的加工过程和设备利用的动态性、随机性进行直观准确地描述，在进行经验数据分析基础上具备仿真的特点并提高仿真的精确性。
[0163]
本发明通过分析加工设备信息以及缓存区容量，确定决策变量约束条件，并将其
加入调度公式中，以便于算法实现求解，提升了模型对焊接装配智能调度过程的模拟效果。本发明通过建立具有循环特征的数学模型，表示出生产过程的重入特点，优化贮箱焊接过程的工件批量加工以及嵌套工序加工过程。
[0164]
本发明具有选择的可行解更新和迭代过程加速提高了可行解的质量，对于其他复杂调度问题同样适用，不断降低问题的空间复杂度和求解复杂度。
[0165]
本发明以构造启发式解为初始解，改进的适应性遗传算法能够加快算法搜索速度和提高可行解探索效率，并优化了求解质量。本发明根据嵌套编码设计自适应交叉变异算子，并增加logistic控制迭代过程和局部最优与全局最优的平衡机制，提高遗传算法的迭代速度。本发明解决了现有技术中存在的动态问题表示缺陷、模拟效果较差、表达精确性及适应性较差的技术问题。
[0166]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种焊接装配智能调度方法，其特征在于，所述方法包括：s1、实现预置的嵌套工序编码，以确定焊接需要的加工设备信息以及缓存区容量；s2、收集生产历史数据，提取焊接过程的生产数据以及干扰数据，拟合所述生产数据以及所述干扰数据的数据特征，据以确定数据分布函数；s3、根据所述数据分布函数，分析所述加工设备信息以及所述缓存区容量，建立焊接过程动态数学描述模型；s4、利用预置算法及所述嵌套工序编码，构建并实现模型求解算法系统，其中，所述预置算法包括：包括改进遗传算法、构造启发式算法及问题模型理论的下界估计方法，通过利用所述模型求解算法系统求解，据以构建数学问题模型，生成随机案例，以根据所述焊接过程动态数学描述模型，分阶段预估瓶颈下界；s5、对比所述模型求解算法系统与所述瓶颈下界，以根据预设生产调度指标，修正所述模型求解算法系统的适用输入参数，据以得到适用参数系统；s6、输入校验生产数据至所述适用参数系统，以求解得到焊接装配智能调度适用调度方案。2.根据权利要求1所述的一种焊接装配智能调度方法，其特征在于，所述步骤s1包括：s11、根据所述嵌套工序编码，确定工件及其重复次数，将其编成外层代码；s12、确定每个工件的工序数，确定其为内层编码；s13、根据预置加工位置，分配所述外层编码以及所述外层编码，以获取满足加工顺序约束的所述加工设备信息以及所述缓存区容量。3.根据权利要求1所述的一种焊接装配智能调度方法，其特征在于，所述步骤s3包括：s31、根据所述所述加工设备信息，计算加工时间数据和扰动时间变化函数，据以建立基于所述焊接过程动态数学描述模型，以利用下述逻辑求解完工时间和平均通过时间：f1＝min c
max
和f2＝min p
ave
式中，f
i
(i＝1，2)表示第i个调度目标，其中c
max
表示生产的最大完工时间(max completion time)，p
ave
表示贮箱平均通过时间(average passing time)，每个贮箱的通过时间为从其零件的最早投产开始时间到该贮箱完成时间之间的跨度；s32、根据所述生产历史数据中的加工过程，拟合随机重入的概率函数，计算重入次数的期望，并将其加入实时调度模型，以表达重入次数相关加工模型；s33、利用下述逻辑确定决策变量约束条件：b
aklb
(t)≥max(d
akl-lb
(t)，b
a
′
k
′
l
′
b
(t
′
))b
aklb
(t+1)＝d
akl
′
b
(t)式中，设第a个贮箱第k个组件的第l个工序在第b个机器上加工，b
aklb
表示该工序在第t次加工过程中的加工开始时间，d
aklb
表示该工序在第t次加工过程中的加工结束时间。第一个公式表示下道工序的开始时间不小于同组件的上道工序结束时间以及相同加工设备加工其他工序后的结束时间；第二个公式表示该机器存在返工操作，而返工的开始时间等于上次加工结束时间，将所述决策变量约束条件加入调度公式中供求解；s34、根据所述生产历史数据中的生产需求，对应处理决策变量、求解目标与算法适应度。4.根据权利要求3所述的一种焊接装配智能调度方法，其特征在于，所述步骤s32中，利
用下述逻辑拟合所述随机重入的概率函数，计算所述重入次数的期望：其中，t为重入次数。5.根据权利要求1所述的一种焊接装配智能调度方法，其特征在于，所述步骤s4包括：s41、获取并根据贮箱焊接装配调度问题特征，构造启发式规则，基于预置加工过程，将所述启发式规则分阶段应用于所述的焊接过程动态数学描述模型，获得初始调度解；s42、根据所述初始调度解以及所述嵌套工序编码，设计所述改进遗传算法的自适应交叉变异算子；s43、构建并利用logistic模型，控制所述改进遗传算法的迭代过程、局部最优与全局最优的平衡机制；s44，以不同阶段为瓶颈阶段，计算调度各个瓶颈阶段下界，据以估计获取整体下界。6.根据权利要求5所述的一种焊接装配智能调度方法，其特征在于，所述步骤s43中，利用所述改进遗传算法，设置新的迭代开始方式和更新方式，据以利用下述逻辑构建logistic模型，以更新迭代次数和种群水平：和r(t)＝r0·
(1-a(t)/k)式中，a(t)表示在第t次迭代过程中的种群数量，k表示该物种的极限数量，a0表示物种初始种群数量，r0表示种群初始自然增长率，e表示自然指数(＝2.71828
…
)，r(t)表示在第t次迭代过程中的种群增长率。7.根据权利要求5所述的一种焊接装配智能调度方法，其特征在于，所述步骤s43中，利用下述搜索逻辑，根据所述初始调度解自适应搜索新的可行解：p
c
＝a0·
p
c0
/a(t)以及p
m
＝p
m0
·
r(t)/r0式中，p
c
表示染色体交叉概率，p
c0
表示染色体初始交叉概率，p
m
表示染色体变异概率，p
m0
表示染色体初始变异概率。8.根据权利要求5所述的一种焊接装配智能调度方法，其特征在于，所述s44包括：s441、以下述逻辑对第一阶段进行假设，以得到第一阶段瓶颈下界指标：式中，l1表示对第一阶段进行假设的优化问题的下界，o
akl
表示第a个贮箱第k个组件的第l个工序，δ
aklb
为二元值，若o
akl
在第b个机器上加工，δ
aklb
为1，否则为0；表示所有机器的数量；s442、以下述逻辑对第二阶段进行假设，以得到第二阶段瓶颈下界指标：s443、利用所述第一阶段瓶颈下界指标及所述第二阶段瓶颈下界指标确定所述瓶颈下界。9.根据权利要求1所述的一种焊接装配智能调度方法，其特征在于，所述步骤s53中，利用下述逻辑，根据所述第一阶段瓶颈下界指标及所述第二阶段瓶颈下界指标，确定所述瓶
颈下界：l＝max{l1，l2}。10.一种焊接装配智能调度系统，其特征在于，所述系统包括：嵌套编码实现模块，用以实现预置的嵌套工序编码，以确定焊接需要的加工设备信息以及缓存区容量；生产历史数据拟合处理模块，用以收集生产历史数据，提取焊接过程的生产数据以及干扰数据，拟合所述生产数据以及所述干扰数据的数据特征，据以确定数据分布函数；焊接过程描述模型构建模块，用以根据所述数据分布函数，分析所述加工设备信息以及所述缓存区容量，建立焊接过程动态数学描述模型，所述焊接过程描述模型构建模块与所述嵌套编码实现模块及所述生产历史数据拟合处理模块连接；求解系统构建及下界预估模块，用以利用预置算法及所述嵌套工序编码，构建并实现模型求解算法系统，其中，所述预置算法包括：包括改进遗传算法、构造启发式算法及问题模型理论的下界估计方法，通过利用所述模型求解算法系统求解，据以构建数学问题模型，生成随机案例，以根据所述焊接过程动态数学描述模型，分阶段预估瓶颈下界，所述求解系统构建及下界预估模块与所述焊接过程描述模型构建模块连接；求解系统修正模块，用以对比所述模型求解算法系统与所述瓶颈下界，以根据预设生产调度指标，修正所述模型求解算法系统的适用输入参数，据以得到适用参数系统，所述求解系统修正模块与所述求解系统构建及下界预估模块连接；调度方案求解模块，输入校验生产数据至所述适用参数系统，以求解得到焊接装配智能调度适用调度方案，所述调度方案求解模块与所述求解系统修正模块连接。

技术总结
本发明提供一种焊接装配智能调度方法及系统包括：实现嵌套工序编码、确定焊接需要的加工设备、缓存区容量等加工信息；收集生产历史数据，提取焊接过程的主要生产数据和干扰数据，拟合数据特征，确定数据分布函数；建立焊接过程动态数学描述模型，并设计求解目标表达公式；实现模型求解算法系统，包括改进遗传算法、构造启发式算法及问题模型理论的下界估计方法；求解建立的数学问题模型，生成随机案例，与预估下界进行对比，根据生产调度的完工时间、设备利用率等指标来修正算法系统输入的最佳参数；输入校验生产数据，使用最佳参数系统求解问题。本发明解决了动态问题表示缺陷、模拟效果较差、表达精确性及适应性较差的技术问题。题。题。


技术研发人员：王梅 王荧飞 朱凯鹏 李禄阳
受保护的技术使用者：中国电子科技集团公司第三十八研究所
技术研发日：2023.04.10
技术公布日：2023/7/13