关键词:
轨道式自动导引车
计算机数控机床
智能制造
物流管理
进化算法
摘要:
随着工业互联网及物联网相关技术的蓬勃发展,基于轨道式自动导引车(railguided vehicle,RGV)的物流管理装置与多台计算机数控机床(computer number controller,CNC)的协同“智”造已经成为研究热点与攻关难点。通过对多台CNC的数控加工集成控制,从而实现在航空、船舶、汽车等高端制造业内的关重件生产车间场景下的效率提升。这一研究问题可称为RDSP(RGV dynamic scheduling problem)问题。目前,对于RDSP问题而言,其难点主要在于:第一,协同控制难。与常规性的车间调度问题不同,在RDSP问题中,控制算法不仅要考虑各工序CNC对物料的加工的先后过程,还要考虑到物料在车间内的流转过程;第二,搜索效率低。考虑到生产过程中的效益问题,CNC的连续加工时间通常较长,这也导致解空间极为庞大,搜索效率不佳;第三,负载差异大。在加工过程中,负载最大的CNC将对物料的平均完工时间产生决定性的影响,最终使得加工损失loss难以控制。本文的贡献主要包括:(1)为了解决协同控制难的问题,设计了一种CNC工序分配及RGV调度的协同优化机制。设计了一种新的编码机制,以实现对于CNC工序分配及RGV调度控制的独立编码及协同优化。此时,与CNC编码对应的工序分配情况决定了数控车间的成料产出的上限值,而与RGV编码对应的调度策略则决定了在这一限制下加工系统的生产效率。(2)为了解决搜索效率低的问题,设计了一种基于分化转移策略的多种群协同进化机制。在每次迭代过程中,生成的子代种群将依据其适应度水平被划分为优胜种群、受损种群和淘汰种群。其中,优胜种群负责维持个体的优越性,而受损种群则负责保持种群的多样性。在受损种群中,个体依据其适应度水平受到一定“伤害”,并重新生成部分决策变量。(3)为了解决负载差异大的问题,设计了一种基于衰弱因子的RGV编码生成机制。依据物料的加工需求与设备的机械特性,可以自适应地生成对应的RGV编码。在此过程中,基于衰弱因子所确定的递减分布,得出物料流转过程中的马尔科夫过程的状态转移次数,在这一限制下进行优化,从而降低负载平衡的优化难度。为解决RDSP问题,本文在以上三点的基础上,融合并提出了一种理论驱动的轨道式自动导引车集成化差分进化控制算法,称为DE-TS算法。本文通过仿真实验,多方面地验证了所提出的DE-TS算法的优越性。首先,消去了所引入的优化策略,发现系统loss在不同测试问题及CNC数量的场景下分别增加了45.8%和46.9%,从而验证了所引入的策略的有效性。其次,通过在9个测试案例上与对比算法进行比较,发现DE-TS所取得的加工效率平均高出25.68%,从而验证了DE-TS算法在性能上的优越性。最后,通过在标准实验的扩展集上进行算法性能采样,验证了DE-TS算法所具备的的优秀性能分布。为了分析所提出的算法的优越性的内在原因及其稳定水平,开展了DE-TS算法的收敛性及其可解释性分析。通过分析重复实验所得到的最优解的分布情况,发现所得到的loss的下四分位数到上四分位数的区间长度分别为3.01%、0.34%和0.25%,从而验证了DE-TS算法具有高度的收敛性。随后,通过对算法的马尔科夫过程的转移概率矩阵与RGV物料转移路径的进行可解释性分析,发现DE-TS算法能通过控制RGV物料转移路径来间接地平衡不同CNC间的加工负载水平,揭示了所提出的算法的优越性的内在原因。这一研究有望为船舶、航空等高端制造业领域内的关重件的加工生产提供技术指导。