用于连续无缓冲区制造系统的能耗不确定性评估方法技术方案

本发明专利技术提供一种用于连续无缓冲区制造系统的能耗不确定性评估方法，包括以下步骤：采集机器的传感器数据，采用能耗状态空间方程构建制造系统的实时能耗状态模型，得到制造系统的实时能耗状态；定义节能机会函数，构建制造系统的实时能耗损失模型，得到制造系统的能耗损失；构建制造系统的能耗损失实时预测模型，对制造系统的能耗进行评估。本发明专利技术提供的一种用于连续无缓冲区制造系统的能耗不确定性评估方法，提出的确定性条件下的能耗损失模型，实现了对每台机器的单个中断事件所造成的潜在能耗损失的预测，并能充分考虑到连续无缓冲区制造系统的每台机器之间的相互作用，提高了能耗建模的精度。

【技术实现步骤摘要】
用于连续无缓冲区制造系统的能耗不确定性评估方法
本专利技术涉及能耗评估
，更具体的，涉及一种用于连续无缓冲区制造系统的能耗不确定性评估方法。
技术介绍
制造系统在消耗大量能源的同时，对生态环境也造成了很大的影响。随着全球能源价格的上涨以及环境保护意识的提高，在能量密集型制造过程中，通过降低制造系统的能源消耗和提高能源效率来增加生产企业的竞争力显得尤为重要。Gutowski[1]指出，生产线的能源效率仅为14.8％。制造商必须在不影响生产质量和正常运行的前提下降低能源消耗，从而降低制造产系统的生产成本[2]，当务之急是寻找减少制造系统加工过程中能源浪费的方法。传统上，对制造系统能耗的研究主要集中在能源消耗预测模型[3]、能源政策[4]、系统模型[5]和控制方法[6]，而系统层面的能源消耗却很少受到关注。数字建模属于先进制造范畴中的技术，拥有数百个传感器的先进制造系统促进了大量数据的收集，并为提高制造过程的性能提供了机会，数字建模和分析几乎是任何数据驱动决策的一个组成部分[8]。近年来，随着传感器在制造系统中的广泛应用，可以获得越来越多的实时详细传感信息，这对于制造系统的能耗建模和评估有着潜在的应用价值。能源管理系统的海量、实时生产数据是实现制造系统能耗建模和评估的关键，但是通常却被忽略掉了，将信息应用在系统层面的实时生产管理相对滞后[7]。需要分析能源管理系统的传感器实时采集到的海量时间序列数据，并转换为可用于制造系统的能耗不确定性建模和能耗评估的可用知识。许多学者利用制造系统上现成的传感器信息来研究动态实时生产性能约束[9,10]。然而，这些工作并没有明确地建立一个数学模型，并根据现有的传感器信息明确地定义系统参数。制造系统目前面临的挑战是通过智能控制的数据驱动建模来传播和解释信息，以实现整个系统操作和能源消耗的良好协调、连接和及时的重新配置、整个系统更高的能源效率和可持续性。在制造系统的生产过程中广泛存在多维不确定性中断事件，这将会导致设备停产或设备工作性能下降，并且出现空载时间长、能耗浪费严重等问题。为了提高能耗的分析精度，充分发掘节能的潜力，不确定性评估的研究已成为近年来国内外研究的热点。制造系统既具有稳态特性又具有瞬态特性，传统制造系统的评估方法主要是用于稳态分析和长期性能测量，而并没有考虑多维不确定性[7]。随着大型制造系统的工艺与制造网络的日益复杂，系统性能指标的量化也变得更加复杂，对多维不确定性因素的忽略严重阻碍了制造系统能耗的精确评估。现在的挑战是提出一种能耗实时评估方法，用以提高多维不确定性制造系统能耗实时评估的精确度和鲁棒性。人们对制造过程中能源的研究，以前的工作集中在孤立的或独立的机器或过程上[11-13]。但是，制造系统中的每台机器的运行状态不仅由其本身决定，而且还取决于上下游机器，具有高度复杂的动态特性。国内外学者开发了很多系统层面的不确定性建模方法，主要分为偶然不确定性建模和认知不确定性建模。其中偶然不确定性可以建模为时间独立量的随机变量、时变量的随机过程和空间变化量的随机场。对于认知不确定性的建模，由于缺乏关于未知量的相关知识，可以使用贝叶斯方法进行建模，以系统地融合现有信息，并且随着更多的信息变得可用时来量化不确定性的减少[14]。也有学者采用贝叶斯概率理论[15]、模糊理论[16]、证据理论[17]、不精确概率[18]等不确定性表示框架来表征认知不确定性(缺乏认识)。对于不确定性变量的建模可以采用区间变量和证据理论，模糊数和随机数是用来描述不确定性变量的两种方法。模糊逻辑相对于随机方法在计算上更简单、更快，有着更大的灵活性，并且在生产过程中有时很难收集足够的数据来描述不确定变量的分布，所以模糊数方法有很大的优势。Pehlken和Sonnemann等学者采用模糊集理论[19]与蒙特卡罗模拟来分析制造业领域中的不确定性[20,21]。目前在制造系统的性能评估方面已经进行了大量的研究工作，大多数的现有研究主要是分析研究评估系统的稳态性能。最常见和广泛使用的不确定性评估方法包括概率方法、鲁棒方法和证据理论，其中证据理论是一种认识不确定性分析的有效方法[22]。在传统的不确定性评估方法中，MCS、结构奇异值(μ)法和NIPC法也被广泛应用于处理偶然不确定性[23]。Reza等[24]尝试使用模糊集理论、Pehlken等[25]采用蒙特卡罗模拟对制造业性能进行不确定性分析。也有人采用证据理论来评估认识不确定性。Shafer[26]展示了证据理论也被称为Dempster-Shafer理论，可以处理偶然和认知不确定性，但它仍然有一些局限性。Riley[27]采用证据理论，在颤振不确定性量化中引入了模型不确定性和预测不确定性，并且对模拟的设计和模型选择进行了说明。很多学者采用贝叶斯网络(BN)方法来评估工程系统和模型方面的不确定性。Nannapnaneni等[28]发现贝叶斯网络方法能够有效地聚合复杂制造网络的不确定性，通过贝叶斯网络向前传播可以聚合各种来源信息(例如模型、数据、专家意见)来量化制造工艺的能耗不确定性。NannapaneniS[29]在工程系统的用于模型可靠性估计中提出了一个概率框架，包含了偶然不确定性和认知不确定性，研究了模型和数据不确定性对可靠性评估的影响，并且采用一种空气弹性变形的案例来证明该方法。NannapaneniS[30]开发了一个使用分层贝叶斯网络(HBN)对大型制造系统(包括多个层次的工艺)进行不确定性分析的方法，这是贝叶斯网络的一个扩展，并且在注射成型工艺中展示了该方法，对其能耗进行不确定性预测。然而，许多学者利用制造系统上现成的传感器信息来研究动态实时生产性能约束，并未明确地建立一个数学模型，并根据现有的传感器信息明确地定义系统参数，且现有技术缺乏制造系统在系统层面的实时能源消耗的严格建模方法。随着大型制造系统的工艺与制造网络的日益复杂，系统性能指标的量化也变得更加复杂，对多维不确定性因素的忽略严重制约了制造系统能耗的精确建模和评估，目前的数学理论和计算方法不能灵活而鲁棒地处理这些复杂的制造系统。
技术实现思路
本专利技术为克服现有的制造系统能源消耗评估方法无法明确地形成数学模型，存在无法灵活而鲁棒地处理日益复杂的制造系统的技术缺陷，提供一种用于连续无缓冲区制造系统的能耗不确定性评估方法。为解决上述技术问题，本专利技术的技术方案如下：用于连续无缓冲区制造系统的能耗不确定性评估方法，包括以下步骤：S1：采集机器的传感器数据，采用能耗状态空间方程构建制造系统的实时能耗状态模型，得到制造系统的实时能耗状态；S2：定义节能机会函数，构建制造系统的实时能耗损失模型，得到制造系统的能耗损失；S3：构建制造系统的能耗损失实时预测模型，对制造系统的能耗进行评估。其中，所述步骤S1包括以下步骤：S11：采集机器Si的传感器数据；S12：根据传感器数据，采用能耗状态空间方程构建制造系统的实时能耗状态模型，根据实时能耗状态模型计算制造系统在任意时间的实时能耗状态。其中，所述步骤S12具体包括以下步骤：S121：所述能耗状态空间方程表示为：Y(t)＝H(X(t))；其中，F(*)是状态方程和H(*)是观测方程，X(t),U(t),W(t)和Y(t)的物理意义分别是：X本文档来自技高网...

【技术保护点】
1.用于连续无缓冲区制造系统的能耗不确定性评估方法，其特征在于：包括以下步骤：S1：采集机器的传感器数据，采用能耗状态空间方程构建制造系统的实时能耗状态模型，得到制造系统的实时能耗状态；S2：定义节能机会函数，构建制造系统的实时能耗损失模型，得到制造系统的能耗损失；S3：构建制造系统的能耗损失实时预测模型，对制造系统的能耗进行评估。

【技术特征摘要】
1.用于连续无缓冲区制造系统的能耗不确定性评估方法，其特征在于：包括以下步骤：S1：采集机器的传感器数据，采用能耗状态空间方程构建制造系统的实时能耗状态模型，得到制造系统的实时能耗状态；S2：定义节能机会函数，构建制造系统的实时能耗损失模型，得到制造系统的能耗损失；S3：构建制造系统的能耗损失实时预测模型，对制造系统的能耗进行评估。2.根据权利要求1所述的用于连续无缓冲区制造系统的能耗不确定性评估方法，其特征在于：所述步骤S1包括以下步骤：S11：采集机器Si的传感器数据；S12：根据传感器数据，采用能耗状态空间方程构建制造系统的实时能耗状态模型，根据实时能耗状态模型计算制造系统在任意时间的实时能耗状态。3.根据权利要求2所述的用于连续无缓冲区制造系统的能耗不确定性评估方法，其特征在于：所述步骤S12具体包括以下步骤：S121：所述能耗状态空间方程表示为：Y(t)＝H(X(t))；其中，F(*)是状态方程和H(*)是观测方程，X(t),U(t),W(t)和Y(t)的物理意义分别是：X(t)＝[X1(t),X2(t),...,XM(t)]′，其中，X(t)∈Rn是制造系统的能耗状态，Xi(t)是机器Si在时间t的能耗状态；F(*)＝[f1(*),f2(*),...,fM(*)]′，其中fi(*)代表机器Si的能耗动态函数；U(t)＝[u1(t),u2(t),...,uM(t)]′，其中，U(t)∈Rm是已知的输入或控制，ui(t)是机器Si在时间t的控制输入，表示为：W(t)＝[W1(t),W2(t),...,WM(t)]′，W(t)是制造系统在时间t由于离散事件导致的不确定性中断；Wi(t)是指机器Si在时间t由于离散事件导致的不确定性机器中断，从传感器中获得，由二进制变量表示为：其中，λ为机器Si在时间t，由于不确定性事件而处于待机状态，机器Si相对于正常加工速度的比率，用以表征待机状态能耗与正常加工能耗之间的关系；S122：用于流守恒，有在时间区间[0,t]内，连续无缓冲区制造系统中的任意两台机器Si和Sj之间的累积生产量满足以下方程：Oi-Oj＝0；其中，Oi和Oj分别表示机器Si和Sj的生产量；S123：设加工速度为则：其中，每台机器的额定加工速度为1/Ti，i＝1,...,M，Ti是机器Si的基本周期时间；在生产过程中，机器的生产能耗与生产量成正比，即有KiOi＝Xi(t)，KjOj＝Xj(t)，其中Ki和Kj分别为机器Si和Sj的单位生产量的能耗系数，则有：其中，表示能耗速率，用于表征连续无缓冲制造系统中任意机器的能源消耗速度；S124：在与机器Si比较时，将能耗速率计算公式扩展到制造系统的所有机器，得：因此得的状态空间函数为：S125：得到制造...

【专利技术属性】
技术研发人员：杨海东，印四华，徐康康，朱成就，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44