【技术实现步骤摘要】
本专利技术属于先进制造，具体涉及一种融合柔性工艺-动态重构-主动调度的智能协同优化方法。
技术介绍
1、随着工业4.0的迅速推进，数字孪生、大数据、物联网等先进技术的涌现，制造系统的智能化水平持续攀升。从原有的简单生产活动向更具智能化的制造系统转变，其能够感知、分析、执行、优化生产活动的能力不断强化。这种灵活智能的制造系统为当前市场上日益增长的大规模定制需求提供了更为可行的解决方案。工艺、重构和调度的协同优化逐渐成为推动制造系统高效运营的核心要素。通过整合工艺设计、系统重构和生产调度，这种综合优化方法显著提升了制造系统的灵活性和生产效率。在可重构制造领域，工艺、重构和调度的协同优化相互协同，形成了一个高效的系统。通过数字化、模块化和智能化手段，制造系统实现了从工艺设计、系统重构到生产调度的高效沟通，进而提高了整个制造过程的效率、灵活性和适应性。这种综合优化方法为制造业在充满变数的市场中保持竞争力提供了可靠的基础。
2、作为智能制造系统中不可或缺的三大组成部分，工艺、重构和调度已受到广泛而深入的关注，并积累了大量的研究成果。工艺优化着眼于生产过程的精细化和效率提升，重构研究致力于建立更为灵活、适应性更强的制造系统结构，而调度优化则专注于任务分配和资源利用的最优化。这些领域的研究为提升制造系统各个方面的性能提供了丰富的理论和实践支持。随着智能制造的发展，工艺、重构和调度等环节的数据互通能够更容易实现，制造系统不同环节的协同优化也成为保证智能制造推行的重要技术。为实现制造系统调度和重构的优化，yfantis等讨论了一个具有
3、基于现有制造系统中工艺-重构-调度协同优化方法及各个环节的优化特点，对现有技术缺陷总结如下：
4、(1)现有协同优化方法倾向于关注两两组合的优化问题，比如工艺与调度的协同优化、重构与调度的协同优化等。这种研究方法虽然有助于深入理解特定两个方面之间的相互作用，却无法全面解决整个制造系统中工艺、重构和调度这三个要素的协同优化问题。
5、(2)目前的研究主要使用动态规划、规则优化以及启发式算法等方法。然而，这些方法在智能化水平方面仍有待提高，其在解决复杂问题方面的表现相对较差，与可重构智能制造系统的需求存在较大差距。
技术实现思路
1、有鉴于此，提供一种融合柔性工艺-动态重构-主动调度的智能协同优化方法，针对智能制造系统生产任务完成问题，综合考虑生产任务中工件的工艺需求、加工过程中工件在智能制造系统中的调度情况和智能制造系统中各个设备的重构能力，建立以生产时间最小为目标的工艺-重构-调度协同优化数学模型。考虑问题涉及工艺-重构-调度三个方面，具有较高的复杂性。采用马尔科夫决策过程对所提出数学模型进行描述，明确优化问题的状态空间、动作空间和奖励函数，并利用深度强化学习对问题进行迭代优化。根据深度强化学习过程中智能体不断与环境进行交互并获取反馈优化自身的特点，获取满足工艺、重构和调度需求的优化方案。
2、为达到上述目的，本专利技术提供如下技术方案：
3、一种融合柔性工艺-动态重构-主动调度的智能协同优化方法，包括以下步骤：
4、s1：分析制造系统及订单需求，确定当前产品生产的数量、工艺需求和制造系统所包含设备数量、设备型号、设备加工能力制造系统信息；
5、s2：确定优化目标，以最小化最大完工时间作为工艺-重构-调度协同优化问题的优化目标；
6、s3：确定约束条件及参数，基于所提出假设和实际加工过程，确定工艺-重构-调度协同优化问题中的约束和相关参数变量；
7、s3：确定状态空间，基于马尔科夫过程和问题数学模型确定强化学习过程中的状态空间，包括已完成加工特征数量、当前生产任务中产品加工特征的完成情况、加工设备当前的构型、工作当前位置；
8、s4：确定动作空间，基于设备的构型以及各个构型的加工能力确定动作空间，动作包括：选择需要加工的工件；选择需要加工的工件加工特征；选择进行加工操作的机床；选择进行加工操作的机床的构型；
9、s5：确定奖励函数，以执行动作前后的预估完工时间差值作为执行正确动作的奖励，并设置执行错误动作的惩罚；
10、s6：形成优化方案，基于马尔科夫过程，利用深度强化学习算法dqn算法进行训练、迭代、优化，实现对所提工艺-重构-调度协同优化问题的优化求解，获取智能制造系统的工艺-重构-调度协同优化的优化方案。
11、进一步，优化方法的输入包含加工设备信息和工件信息，输出为排序后的加工特征安排顺序和对应的最大完工时间；所述加工设备信息包括加工设备种类、加工设备数量、构型数量、构型转换时间、加工设备间运输移动时间；所述工件信息包括工件种类、工件数量、工件加工特征数量、工件加工特征加工时间、加工特征相互约束关系；模型的优化目标为所有工件的所有加工特征完成加工所需要的时间makespan最短：
12、min:makespan＝max ch
13、建立约束如下：
14、d(h,j)(k,l)＝0；a(h,j)(k,l)＝0...
【技术保护点】
1.一种融合柔性工艺-动态重构-主动调度的智能协同优化方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的融合柔性工艺-动态重构-主动调度的智能协同优化方法，其特征在于：优化方法的输入包含加工设备信息和工件信息，输出为排序后的加工特征安排顺序和对应的最大完工时间；所述加工设备信息包括加工设备种类、加工设备数量、构型数量、构型转换时间、加工设备间运输移动时间；所述工件信息包括工件种类、工件数量、工件加工特征数量、工件加工特征加工时间、加工特征相互约束关系；模型的优化目标为所有工件的所有加工特征完成加工所需要的时间maskespan最短：
3.根据权利要求1所述的融合柔性工艺-动态重构-主动调度的智能协同优化方法，其特征在于：将马尔可夫决策过程定义为一个四元组<S,A,R,P>，其中，S表示状态空间，A表示动作空间，R表示奖励函数，P表示状态转移概率矩阵。
4.根据权利要求1所述的融合柔性工艺-动态重构-主动调度的智能协同优化方法，其特征在于：状态空间表示为：
5.根据权利要求1所述的融合柔性工艺-动态重构-主动调度的
6.根据权利要求1所述的融合柔性工艺-动态重构-主动调度的智能协同优化方法，其特征在于：奖励函数表示为：
7.根据权利要求1所述的融合柔性工艺-动态重构-主动调度的智能协同优化方法，其特征在于：通过深度强化学习训练迭代不断获取样本数据，在迭代过程中的最终优化目标为最大化累计奖励函数将奖励函数带入可得累计奖励函数计算如下式所示：
8.根据权利要求1所述的融合柔性工艺-动态重构-主动调度的智能协同优化方法，其特征在于：在DQN中，利用Q网络生成一个函数取代动作状态矩阵近似Q值函数，记为Q(s,a；θ)，θ为神经网络的权重参数；建立目标Q网络，用于计算目标Q值，记为(s,a；θ-)；通过随机采样的方式从经验回放池D中随机抽取一批样本进行网络训练；Q网络根据当前状态得到每个可能动作的预测Q值Qprediction(st,at)，并将相关的动作状态信息存储至经验回放池D中；同时对每一个样本计算目标Q值Qtarget(st,at)，计算如下：
...【技术特征摘要】
1.一种融合柔性工艺-动态重构-主动调度的智能协同优化方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的融合柔性工艺-动态重构-主动调度的智能协同优化方法，其特征在于：优化方法的输入包含加工设备信息和工件信息，输出为排序后的加工特征安排顺序和对应的最大完工时间；所述加工设备信息包括加工设备种类、加工设备数量、构型数量、构型转换时间、加工设备间运输移动时间；所述工件信息包括工件种类、工件数量、工件加工特征数量、工件加工特征加工时间、加工特征相互约束关系；模型的优化目标为所有工件的所有加工特征完成加工所需要的时间maskespan最短：
3.根据权利要求1所述的融合柔性工艺-动态重构-主动调度的智能协同优化方法，其特征在于：将马尔可夫决策过程定义为一个四元组<s,a,r,p>，其中，s表示状态空间，a表示动作空间，r表示奖励函数，p表示状态转移概率矩阵。
4.根据权利要求1所述的融合柔性工艺-动态重构-主动调度的智能协同优化方法，其特征在于：状态空间表示为：
5.根据权利要求1所述的融合柔性工艺-动态重构-主动调度的智能协同优化方法，其特征在于：动作空间表示为：a＝((...
【专利技术属性】
技术研发人员：黄思翰，莫广豫，王国新，阎艳，
申请(专利权)人：北京理工大学，
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。