欧美两性人xxxx高清免费_国产婷婷综合在线视频中文_国产免费久久精品99reswag_在厨房乱子伦在线观看_一边写作业一边c她

高級計劃排程(APS)是伴隨著大批量工業(yè)化生產(chǎn)而產(chǎn)生的信息化技術(shù),根據(jù)客戶的不同訂單需求,在有限的生產(chǎn)資源條件下制定合理高效的計劃排產(chǎn)方案。 自上世紀(jì) 90 年代以來,隨著計算機運算速率的提升和硬件成本的降低,APS 技術(shù)也得到了快速發(fā)展,并在制造業(yè)的生產(chǎn)計劃管理得到了廣泛應(yīng)用。

國內(nèi)外各大廠商紛紛研發(fā) APS 系統(tǒng),如 Oracle 公司基于約束理論的OracleAPS、SAP公 司的 Advanced Planner and Optimizer(APO)、日本株式會社基于準(zhǔn)時化(Just In Time,JIT)理論的 Aspova、IBM 公司基于約束規(guī)劃的 ILOG,國內(nèi)廠商有安達發(fā)、震坤等。各款 APS軟件都一定程度上解決了計劃排程的基本問題,如交期評估、物料協(xié)同、插單處理等,但在智能化方面仍存在一些不足。 以某軟件為例,需提前指定各工序生產(chǎn)設(shè)備數(shù)量,根據(jù)軟件排程的結(jié)果計算各設(shè)備使用率等性能指標(biāo),再由人工調(diào)整設(shè)備參數(shù)后重新排程,如此反復(fù)直至形成最優(yōu)方案。 顯然此排程尋優(yōu)方法費時費力,且不能保證獲得各工序設(shè)備數(shù)量的最優(yōu)組合解。

數(shù)字孿生(Digital Twin)是采用數(shù)字化技術(shù)創(chuàng)建物理實體的虛擬模型,借助數(shù)據(jù)模擬物理實體行為,為物理實體擴展新的能力。數(shù)字孿生在產(chǎn)品設(shè)計、生產(chǎn)制造、運行監(jiān)測與健康管理均得到了廣泛應(yīng)用。 隨著數(shù)字孿生車間概念的提出,數(shù)字孿生技術(shù)可通過構(gòu)建虛擬模型模擬工廠生產(chǎn)并優(yōu)化決策,在智能制造中的應(yīng)用潛力得到越來越多的關(guān)注,正發(fā)揮越來越重要的應(yīng)用。 本文針對計劃排程智能化不足的問題, 基于數(shù)字孿生( Digital Twin)、 神經(jīng)網(wǎng)絡(luò)(Neural Network)和啟發(fā)式算法(Heuristic Algorithm)提出高級計劃排程的優(yōu)化方法。

一、基于數(shù)字孿生的生產(chǎn)建模與仿真

1. 問題分析

以某銅管加工企業(yè)為例,典型產(chǎn)品生產(chǎn)流程為:鋸切—滾石墨—成型—退火—噴砂—點檢—入庫,如圖 1 所示。

圖 1 典型產(chǎn)品生產(chǎn)工藝布局圖

為簡化問題且不失一般性,僅考慮鋸切—滾石墨—成型三級流水線,各工序流程設(shè)備數(shù)量和生產(chǎn)速率如表 1 所示。選取典型產(chǎn)品訂單如表 2 所示。

表 1 設(shè)備性能參數(shù)

表 2 典型產(chǎn)品訂單

為使得生產(chǎn)效率最高,性能指標(biāo)(Performance Index)可定義為產(chǎn)品生產(chǎn)時間的加權(quán)平均和設(shè)備空閑率的加權(quán)平均:

其中 t1,2,3為三種工序生產(chǎn)所用時間,η1,2,3是三種工序設(shè)備空閑率,α1,2,β1,2,γ1,2分別是對應(yīng)的權(quán)重系數(shù),此處分別取 0. 2,0. 1,0. 7。 當(dāng)要求生產(chǎn)時間盡可能少勢必增加設(shè)備數(shù)量,但設(shè)備空閑率隨之增加,二者需要權(quán)衡優(yōu)化設(shè)計。 則本問題可抽象為多目標(biāo)非線性約束優(yōu)化問題,暫考慮一種訂單產(chǎn)品生產(chǎn)任務(wù),在當(dāng)前生產(chǎn)約束條件下確定三種設(shè)備數(shù)量,使得總體性能指標(biāo)最優(yōu)。 本文研究思路如圖 2 所示。

圖 2 研究思路

2.孿生平臺與生產(chǎn)模型

本文采用數(shù)字孿生平臺 Emulate3D Ultimate 建立三級流水線的數(shù)字孿生模型。 該平臺由英國 emulate3D 公司(后被羅克韋爾自動化公司收購)基于.Net 技術(shù)開發(fā),具有真實的物理特性(重力、摩擦力、速度、撞擊、慣性)和精細的仿真細節(jié),并集成PLC控制與測試供能,驗證控制測試方案,大大減少現(xiàn)場調(diào)試測試時間與成本。 該平臺通用強,有強大的二次開發(fā)能力,可用于物流倉儲和制造加工行業(yè)的設(shè)計仿真,但使用門檻相對較高,目前國內(nèi)僅見于在汽車總裝線的仿真應(yīng)用。

對設(shè)備產(chǎn)能和工作邏輯進行抽象,根據(jù)前后工序銜接編制物料轉(zhuǎn)移控制程序,根據(jù)訂單信息建立不同產(chǎn)品毛坯模型,三級流水線仿真模型如圖 3 所示。

圖 3 三級流水線數(shù)字孿生模型

通過建立數(shù)字孿生模型可精確計算出當(dāng)前訂單數(shù)量下不同設(shè)備組合下生產(chǎn)所需時間等設(shè)備使用數(shù)據(jù)。 顯而易見,若采用窮舉法計算所有可能的設(shè)備組合以獲得最優(yōu)解,其代價是非常高昂的。 因此,本文采用設(shè)計正交試驗(Orthogonal Experiment),根據(jù)實驗數(shù)據(jù)構(gòu)建代理模型(Surrogate Model)來減少數(shù)字孿生的計算成本。

二、基于神經(jīng)網(wǎng)絡(luò)的代理模型構(gòu)建

1.正交試驗設(shè)計

正交試驗設(shè)計(Orthogonal Experimental Design) 是研究多因素多水平優(yōu)化設(shè)計的高效便捷的方法,其安排的試驗方法能夠較好代表整體征。 本問題設(shè)計空間為 X= [ n1 ,n2 ,n3 ],中 n1∈[1,33],n2∈[1,5],n3∈[1,43],n1,2,3∈N∗,綜合權(quán)衡建模所需數(shù)據(jù)量與仿真成本,對三個變量分別均勻取 5 水平,3 水平,5 水平,設(shè)計并實施試驗 25 組,建立對應(yīng)數(shù)字孿生仿真模型,得到不同設(shè)備所需時間 t1,2,3和空閑率η1,2,3,結(jié)果如表 3 所示。

表 3 正交試驗表(產(chǎn)品 A)

2. 代理模型構(gòu)建

代理模型( surrogate model ) 又被稱為近似模型(approximate model)、元模型(meta-model),指在分析和優(yōu)化設(shè)計中可代替計算復(fù)雜且費時的數(shù)值分析或物理試驗結(jié)果的數(shù)學(xué)模型,通過近似達到“代理”的功能。 代理模型廣泛應(yīng)用于工程優(yōu)化設(shè)計領(lǐng)域,目前常用的代理模型有多項式響應(yīng)面(Polynomial Response Surface,PRS)、克里金(Kriging,KRG)模型等。 由于仿真試驗步驟繁瑣,樣本數(shù)據(jù)的獲得代價較大,因此數(shù)據(jù)量較小,模型的構(gòu)建相對簡單,故不同模型之間預(yù)測性能的差別并不明顯,一般都能較好地預(yù)測結(jié)構(gòu)的性能參數(shù)。

本文選取神經(jīng)網(wǎng)絡(luò)作為代理模型開展研究。 典型的神經(jīng)元模型如圖 4( a) 所示,包括加權(quán)求和與激活兩個部分。

x1 ,x2 ,…,xn 為神經(jīng)元接受的輸入,ω1 ,ω2 ,…,ωn 為對應(yīng)的權(quán)重(待學(xué)習(xí)參數(shù))。 求輸入?yún)?shù)的加權(quán)和得

引入非線性激活函數(shù)(Activation Function),輸出為

其中 g 為激活函數(shù),常用的有 Sigmoid,ReLU 等。 圖 4( b)所示許多神經(jīng)元按層級組織的網(wǎng)絡(luò)稱為神經(jīng)網(wǎng)絡(luò)。 通過神經(jīng)網(wǎng)絡(luò)前向傳播和反向傳播,根據(jù)鏈?zhǔn)角髮?dǎo)法則采用梯度下降法修正相應(yīng)的參數(shù),反復(fù)迭代以達到最小化損失函數(shù)( loss function)的目的。

圖 4 神經(jīng)元模型與神經(jīng)網(wǎng)絡(luò)

將正交試驗表 3 中數(shù)據(jù)構(gòu)建為輸入輸出矩陣,即輸入矩陣為設(shè)計變量 X= [ n1,n2,n3]25×3,輸出矩陣為性能指標(biāo) Y =[t1,2,3,η1,2,3]25×6。

構(gòu)建三層神經(jīng)網(wǎng)絡(luò),將數(shù)據(jù)歸一化處理,其中 20 組作為訓(xùn)練集,5 組作為測試集,訓(xùn)練 Epoch 上限為1000,隱藏層神經(jīng)元數(shù)量為 60,激活函數(shù)為 Sigmoid。 損失函數(shù)為均方誤差(MSE):

其中 N 為樣本數(shù)量,h(xi)是神經(jīng)網(wǎng)絡(luò)模型預(yù)測值,yi 為樣本值。 訓(xùn)練結(jié)果如圖 5 所示。 可以看出,訓(xùn)練經(jīng)過 531 個epoch 后模型性能達到最優(yōu),衡量模型擬合的準(zhǔn)確度的相關(guān)系數(shù) R 總體接近于 1,說明模型能較好擬合輸入和輸出的關(guān)系。

三啟發(fā)式算法尋優(yōu)

啟發(fā)式算法一般基于自然經(jīng)驗中的規(guī)律提出,用于解決NP-hard 問題。 本文采用的是工程中廣泛應(yīng)用的二代非支配排序遺傳算法(NSGA-II),其基本原理是通過選擇、復(fù)制、交叉、變異等操作模擬自然界生物進化機制實現(xiàn)尋優(yōu)。具體過程如下:

Step 1:種群初始化,設(shè)置迭代數(shù) Gen = 1。

Step 2:對初始種群進行非支配排序和選擇、高斯交叉、變異,生成第一代子種群。

Step 3:將父代種群與子代種群合并為新種群。

Step 4:根據(jù)目標(biāo)函數(shù)(代理模型)計算得到個體的性能預(yù)測值,并進行快速非支配排序、計算擁擠度、精英策略等操作生成新的父代種群;

圖 5 神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果

Step 5:對生成的父代種群執(zhí)行選擇、交叉、變異操作生成子代種群。

Step 6:判斷種群代數(shù)是否達到設(shè)定最大迭代數(shù) Genmax,若沒有則迭代數(shù)加 1 并返回 Step 3;否則算法結(jié)束。

引入實際生產(chǎn)中的經(jīng)驗規(guī)則,三種設(shè)備各預(yù)留一臺作為備份。 則優(yōu)化目標(biāo)為:

其中 n1,2,3分別為三種設(shè)備的排程數(shù)量。 種群數(shù)量為 1000,經(jīng)過 100 代優(yōu)化后得到帕累托最優(yōu)前沿 ( Pareto OptimalFront)如圖 6 所示。

圖 6 帕累托最優(yōu)前沿

綜合比較帕累托最優(yōu)前沿對應(yīng)的不同設(shè)備組合,確定三種設(shè)備數(shù)量分別為 12,1,42。 五種訂單產(chǎn)品采用上述方法得到的最優(yōu)設(shè)備組合如表 4 所示。 可以看出,第二道工序滾石墨設(shè)備并未完全使用,產(chǎn)能相對過剩;最后一道平板模成型的設(shè)備在五種產(chǎn)品的排產(chǎn)中均全部使用,其設(shè)備產(chǎn)能是生產(chǎn)瓶頸。 根據(jù)排程結(jié)果可指導(dǎo)優(yōu)化設(shè)備資源配置,促進生產(chǎn)降本增效。

表 4 最優(yōu)設(shè)備數(shù)量

四、結(jié)語

本文針對現(xiàn)有排程無法優(yōu)化不同設(shè)備資源的問題,通過構(gòu)建數(shù)字孿生模型得到生產(chǎn)時間和設(shè)備使用率等性能指標(biāo),設(shè)計并實施正交試驗,構(gòu)建神經(jīng)網(wǎng)絡(luò)代理模型,最終通過啟發(fā)式算法尋優(yōu)得到最優(yōu)設(shè)備數(shù)量組合。 本文提出的優(yōu)化方案可為高級計劃排程的資源優(yōu)化提供有益參考,今后可進一步研究多種產(chǎn)品混合生產(chǎn)的排程優(yōu)化策略。