【技术实现步骤摘要】
本专利技术提供了一种面向韧性保证的制造系统生产调度与维修决策联合优化方法，属于系统运行状态建模与优化。
技术介绍
1、随着制造系统结构、功能复杂性以及自动化水平、柔性的要求不断提升，现代制造系统呈现出多态化、多工位化的发展趋势。相应地，作为智能制造攻关的关键核心技术、制造业可靠性提升的关键重点任务，制造系统的智能运维技术在学界与工业界均备受关注。考虑到在生产实际中，系统除自身性能的随机多态退化外，且往往面临多变生产任务不同要求的影响，其长期稳定运行往往会受到以下各方面不确定性因素的影响：(1)外部影响(即生产任务要求t)，(2)内部因素(主要为系统内设备的运行性能状态p)，以及这两者在制造系统功能输出端的综合表现，即：(3)批产品质量水平q。在现有的系统运维决策领域中，为应对上述不确定性因素对制造系统的潜在不利影响，常见的方法可以大致分为两类：面向静态性能指标的方法，以及面向时序动态指标的运维方法。具体而言，前者一般采用可靠性、运行风险等时不变指标为优化目标，评价并优化系统在一段时间(如一整段生产任务执行期)内的性能指标；后者则更加关注系统具体的运行参数指标(如制造系统的上述三项运行不确定性因素)在时间维度上的变化以及相应的响应措施。然而，近年的研究热点(如运行风险控制、生产柔性调度、维修维护决策等)一般都集中于前者，对于后者的解决方案则相对缺乏。具体而言，尽管在人工智能(ai)技术加持下，现有的制造系统故障诊断与健康管理(prognosis and health management,phm)方法(如数据驱动的方法、基于模型或
2、近年来，由于制造业所面临的扰动性因素(如经济形势、产品需求变化、供应链稳定性问题等)日益复杂，上述多源不确定性因素所导致的时序扰动问题正在逐渐受到关注。面临这一挑战，工程界除了对预测、诊断与维护决策算法本身进行改进、增加对扰动的事前预测与预防措施外，还不同程度地采取了事后恢复策略，即一定程度地接受意外扰动的发生，并以优化系统性能恢复能力为目标开展运维决策。这其中，韧性(resilience)建模与优化方法在复杂系统(例如交通系统、供应链系统等)的运维优化领域取得了较为广泛的应用。在工程领域中，韧性这一概念一般指复杂系统应对外部环境干扰的两方面能力：其一是抗冲击、抗扰动能力，其二是冲击发生后的性能恢复能力。对于不同领域中的复杂且易受干扰的系统，例如交通网络、供应链、医疗卫生系统等，韧性建模与优化技术都取得了有效应用。尽管领域有所不同，现有的系统韧性建模方法的一般都围绕系统韧性的基础定义，关注系统应对冲击的三方面指标：抵抗性(absorption)、适应性(adaptation)与性能恢复效率(restoration)。这其中，前两者与系统的抗冲击、抗扰动能力有关，后者则是性能恢复能力的具体量化评价。与这两种能力相对应，系统韧性优化技术也主要分出了两大方向：扰动前预防措施、扰动后恢复措施。现有技术中，对于前者的研究已成为普遍关注的热点。随着物联网、工业大数据平台等技术的成熟应用，面向复杂生产制造系统韧性优化的集成运维技术，如基于数据融合的多源信息分析技术、无维护系统(maintenance-free system)的自适应优化技术、基于数字孪生的状态仿真与预测技术等，均在业界取得了有效应用；然而对于后者的研究则相对较少。另一方面，对于制造系统而言，考虑到其功能目标为按时产出数量、质量符合要求的批产品，韧性优化往往涉及两方面问题：涉及基本性能保证的维修规划，以及涉及功能实现的生产调度。在传统的运维决策方法中，这两类问题一般都被作为独立的优化问题解决，而缺乏了一种有效的联合优化方法。考虑到这两方面问题在生产实际中一般具有较强的关联性，非联合的优化策略往往难以获取最优解。另一方面，现有方法对现代制造系统(尤其是柔性制造系统)自身结构配置的复杂性的考虑仍有不足，这一问题主要表现为对组件间差异的欠考虑。具体而言，为保证生产任务的成功实现，现代柔性制造系统往往会为同一工序配置多台并行机器(组件)，这些组件的性能水平、退化规律一般被假设为相同的。然而，考虑到其所处工况环境、役龄年限、使用维修记录的不同，这种假设往往不合理。
3、为解决上述
技术介绍
中仍存在的问题，本专利技术为多态制造系统提出了一种面向系统韧性保证的生产调度与维修决策联合优化方法。相比于现有的制造系统运维、决策优化方法，本专利技术的主要创新点可概括如下：
4、(1)对前述的制造系统运行不确定性因素t,p,q展开系统性分析，并据此明确了制造系统运行过程中时序扰动的成因、来源与类别；
5、(2)在制造系统运行扰动分析的基础上，考虑制造系统的功能实现，提出一种基于生产损失的制造系统韧性度量，并综合制造系统的性能退化与性能恢复模型，构建系统韧性的评估方法；
6、(3)面向制造系统的韧性保证与优化，提出一种集成生产调度、维修决策的联合优化模型，以保证系统的稳定运行与恢复；在此基础上，应用强化学习算法，实现模型的动态优化求解，以保证联合优化结果能够适应系统的实时变化。
技术实现思路
1、本专利技术的目的是提供一种面向韧性保证的制造系统生产调度与维修决策联合优化方法；(1)
技术实现思路
概述
2、在复杂多变的生产环境与任务要求下，保证制造系统长期持续稳定运行、订单任务顺利完成，往往是当下产品制造商面临的一大挑战。解决这一问题的一大关键，在于保证制造系统的韧性，即在不确定性因素所导致的扰动的影响下，保证系统抵御冲击或从其中恢复性能的能力。对此，本专利技术提出了一种面向韧性保证的生产调度与维修决策联合优化方法，以保证制造系统在扰动影响下保持相对稳定的运行状态。该方法的技术路线具体如下：首先对制造系统运行不确定性因素展开系统性分析，并据此明确了制造系统运行过程中时序扰动的成因、来源与类别；接着在此基础上，提出一种基于生产损失的制造系统韧性度量，并综合制造系统的性能退化与性能恢复模型，构建系统韧性的评估方法；随后，提出一种集成生产调度、维修决策的联合优化模型，以保证系统的稳定运行与恢复，并应用强化学习算法，实现模型的动态优化求解，以保证生产调度与维修规划结果能够适应系统的实时变化。
3、(2)技术方案
4、本专利技术所提出的生产调度与维修决策联合优化方法，其建模过程依赖于如下所示的各项基本假设：
5、假设1：方法所适用的多态制造系统均为串并联制造系统，制造过程中的每一项工序均由一个由多台加工设备所构成的并联子系统完成；...
【技术保护点】
1.一种面向韧性保证的制造系统生产调度与维修决策联合优化方法，所需要的预设条件如下：
2.根据权利要求1所述的面向韧性保证的制造系统生产调度与维修决策联合优化方法，其特征在于：步骤1所述制造系统运行不确定性因素中的“生产任务要求T”用生产任务剖面进行量化描述；具体地，系统寿命周期内第j个生产任务剖面被量化描述为{Tj,γj,CPC,j}，其中Tj代表批产品交付期限，γj代表单位时间合格品产量要求，而CPC,j则代表产品质量要求；生产任务变化描述为变量组{Tj,γj,CPC,j}的变化；给定变量的历史观测值序列，该变化趋势使用滑动平均差分自回归ARIMA模型进行预测。
3.根据权利要求2所述的面向韧性保证的制造系统生产调度与维修决策联合优化方法，其特征在于：具体的预测方法如下：给定Tj,γj或CPC,j的历史观测序列{xj|j＝1,2,…}；(1)依据赤池信息准则确定最优的模型阶次，其中包含自回归阶次n、差分阶次d与滑动平均阶次m，相应的ARIMA模型记为ARIMA(n,d,m)；(2)在确认阶次后，按照等式预测出序列的未来项xj的取值分布；式中，αj代表服
4.根据权利要求1所述的面向韧性保证的制造系统生产调度与维修决策联合优化方法，其特征在于：步骤2所述制造系统运行不确定性因素中的“批产品质量Q”的量化分析，需要应用质量-可靠性Q-R传播链模型，同时结合生产任务剖面中的要求CPC,j进行；
5.根据权利要求4所述的面向韧性保证的制造系统生产调度与维修决策联合优化方法，其特征在于：在Q-R传播链模型下考虑产品质量偏差的理想情形，并使用合格率指标ql(t)量化描述运行不确定性因素中的“批产品质量Q”；具体地，考虑到机器运行偏差多为可控的，因此理想情形下有V(t)＝0，产品第l个KQC偏差取值为考虑到环境噪声的不可避免，将产品KQC的相对偏差
6.根据权利要求1所述的面向韧性保证的制造系统生产调度与维修决策联合优化方法，其特征在于：步骤3所述制造系统运行不确定性因素中的“设备运行性能状态(P)”的建模分析与评价是基于离散状态连续时间的马尔科夫过程(DSCTMP)模型展开的；
7.根据权利要求1或4或5或6所述的面向韧性保证的制造系统生产调度与维修决策联合优化方法，其特征在于：步骤4所述的制造系统运行过程中的扰动定义与机理分析，需要基于步骤2、3的结果，建模分析多态制造系统内各工序、设备的物料产出能力，并将其对比于步骤1中给出的生产任务要求而得出；
8.根据权利要求1所述的面向韧性保证的制造系统生产调度与维修决策联合优化方法，其特征在于：步骤5所述的多态制造系统韧性度量与建模预测方法，是考虑扰动所造成的产量损失，结合扰动响应比概念而提出的；具体为：
9.根据权利要求1或8所述的面向韧性保证的制造系统生产调度与维修决策联合优化方法，其特征在于：步骤6所述的多态制造生产调度-维修规划联合优化模型是在考虑维修成本的基础上，以步骤5所提出的系统韧性指标为优化目标的决策方法；具体为：
10.根据权利要求9所述的面向韧性保证的制造系统生产调度与维修决策联合优化方法，其特征在于：步骤7所述的强化学习算法是在步骤6构建的联合优化模型下对生产调度-维修规划联合优化问题进行动态求解的方案；
...【技术特征摘要】
1.一种面向韧性保证的制造系统生产调度与维修决策联合优化方法，所需要的预设条件如下：
2.根据权利要求1所述的面向韧性保证的制造系统生产调度与维修决策联合优化方法，其特征在于：步骤1所述制造系统运行不确定性因素中的“生产任务要求t”用生产任务剖面进行量化描述；具体地，系统寿命周期内第j个生产任务剖面被量化描述为{tj,γj,cpc,j}，其中tj代表批产品交付期限，γj代表单位时间合格品产量要求，而cpc,j则代表产品质量要求；生产任务变化描述为变量组{tj,γj,cpc,j}的变化；给定变量的历史观测值序列，该变化趋势使用滑动平均差分自回归arima模型进行预测。
3.根据权利要求2所述的面向韧性保证的制造系统生产调度与维修决策联合优化方法，其特征在于：具体的预测方法如下：给定tj,γj或cpc,j的历史观测序列{xj|j＝1,2,…}；(1)依据赤池信息准则确定最优的模型阶次，其中包含自回归阶次n、差分阶次d与滑动平均阶次m，相应的arima模型记为arima(n,d,m)；(2)在确认阶次后，按照等式预测出序列的未来项xj的取值分布；式中，αj代表服从标准正态分布的白噪声项，分别代表滞后算子、差分算子，θi则分别代表自回归系数。
4.根据权利要求1所述的面向韧性保证的制造系统生产调度与维修决策联合优化方法，其特征在于：步骤2所述制造系统运行不确定性因素中的“批产品质量q”的量化分析，需要应用质量-可靠性q-r传播链模型，同时结合生产任务剖面中的要求cpc,j进行；
5.根据权利要求4所述的面向韧性保证的制造系统生产调度与维修决策联合优化方法，其特征在于：在q-r传播链模型下...
【专利技术属性】
技术研发人员：何益海，蔡宇琪，石芮，冯天钰，李佳阳，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。