基于故障模擬的雙工序智能RGV調(diào)度研究

謝 滿 周臺(tái)春 姚天語(yǔ) 張 上

三峽大學(xué)計(jì)算機(jī)與信息學(xué)院，湖北 宜昌 443002

隨著信息技術(shù)、控制工程和機(jī)械工程等技術(shù)的發(fā)展和進(jìn)步，智能加工系統(tǒng)正變得越來(lái)越自動(dòng)化和智能化[1]，這大大提高了工業(yè)加工、物流服務(wù)等工作的效率。因此，提高智能加工系統(tǒng)作業(yè)的效率已經(jīng)越來(lái)越被人們所重視。

近年來(lái)，國(guó)內(nèi)外學(xué)者對(duì)智能加工系統(tǒng)數(shù)控機(jī)床（CNC）自動(dòng)引導(dǎo)車(chē)（RGV）的調(diào)度策略研究取得了一定的成果。到目前為止，相關(guān)研究一直備受關(guān)注。例如，對(duì)一種基于單軌道兩車(chē)的智能導(dǎo)軌車(chē)（RGV）控制裝置的研究；還有通過(guò)對(duì)水平軌道垂直交錯(cuò)排列的多元化智能RGV 系統(tǒng)進(jìn)行研究，提出了一種移動(dòng)自由和快速跟蹤飼料直角智能RGV 系統(tǒng)調(diào)度的方法，但是沒(méi)有對(duì)RGV 工作過(guò)程的故障進(jìn)行分析。以上這些模型和算法，在處理單進(jìn)程無(wú)故障的RGV 調(diào)度方面具有一定的實(shí)用性，但是對(duì)于調(diào)度過(guò)程中出現(xiàn)故障的情形則顯得不太實(shí)用[2]。

因此，本文主要研究有兩道工序故障發(fā)生的RGV 動(dòng)態(tài)調(diào)度策略，然后給出RGV 在加工作業(yè)過(guò)程中的實(shí)時(shí)調(diào)度方案。最后，本文還證明了模型的實(shí)用性。

1 RGV 相關(guān)數(shù)據(jù)信息

本文根據(jù)某工廠的智能加工系統(tǒng)所采集的RGV 相關(guān)重要參數(shù)來(lái)進(jìn)行研究，數(shù)據(jù)信息如表1 所示。

表1 RGV 數(shù)據(jù)參數(shù)信息

本文根據(jù)CNC 加工完成一個(gè)兩道工序物料的第一道工序所需時(shí)間和CNC 加工完成一個(gè)兩道工序物料的第二道工序所需時(shí)間的比值來(lái)確定臺(tái)數(shù)比，發(fā)現(xiàn)將第一道工序和第二道工序都設(shè)置為4 臺(tái)，才能生產(chǎn)出更多的成品。

2 對(duì)兩道工序未發(fā)生故障的研究

2.1 機(jī)床上料方式的選擇

最開(kāi)始時(shí)，智能小車(chē)RGV 處于1 號(hào)機(jī)床CNC 和2 號(hào)機(jī)床CNC 之間，此時(shí)小車(chē)開(kāi)始對(duì)8 個(gè)CNC 車(chē)床的上料方式有=40 320 種。不同的上料方式使小車(chē)最終停止的位置不同，會(huì)導(dǎo)致上料所用的時(shí)間也不同；并且每道工序物料的上下時(shí)間和清洗時(shí)間不一樣，綜合考慮給出最佳上料方式如圖1 所示。

圖1 最佳上料方式

2.2 模型的建立

當(dāng)兩道工序的物料加工作業(yè)中出現(xiàn)故障時(shí)，故障發(fā)生的概率為P=0.01。本文選取物料生產(chǎn)效率α 和每個(gè)物料的剩余加工時(shí)間Dij為優(yōu)化目標(biāo)。然后基于這兩個(gè)目標(biāo)的最優(yōu)情況利用相應(yīng)算法進(jìn)行求解。故障的發(fā)生具有隨機(jī)性，根據(jù)工廠中車(chē)床故障排除時(shí)間的一般統(tǒng)計(jì)，本文記為15 min，故障排除后即刻加入作業(yè)序列。

2.2.1 最優(yōu)目標(biāo)函數(shù)的確立

（1）目標(biāo)函數(shù)一：物料的生產(chǎn)效率α

物料的生產(chǎn)效率α 指單位時(shí)間內(nèi)已加工熟料的數(shù)目。在工作總時(shí)間t總相同的情況下，由總的物料生產(chǎn)數(shù)N 決定，求解公式為：

（2）目標(biāo)函數(shù)二：每個(gè)物料的剩余加工時(shí)間Dij

每個(gè)物料的剩余加工時(shí)間Dij，指當(dāng)前第j 號(hào)機(jī)床CNC 上的i 物料加工完的時(shí)間。剩余加工時(shí)間Dij與上料時(shí)間Tij、自動(dòng)引導(dǎo)車(chē)移動(dòng)時(shí)間γ、下料時(shí)間f 和物料的清洗時(shí)間g 都有關(guān)系，其求解表達(dá)式為：

2.2.2 故障隨機(jī)過(guò)程的模擬

對(duì)于狀態(tài)轉(zhuǎn)移方程中，故障發(fā)生時(shí)將會(huì)使等待時(shí)間加長(zhǎng)，產(chǎn)生一個(gè)新的等待時(shí)間，即：

其中， ( )Q ξ 表示8 臺(tái)CNC 發(fā)生概率的情況，若發(fā)生則為15 分鐘，否則為0，即：

ξ 為模擬的CNC 機(jī)床號(hào)數(shù)，是1 ～8 的整數(shù)，即

ω 是根據(jù)模擬概率時(shí)判斷故障是否存在每一次等待時(shí)間的更新過(guò)程中

然后根據(jù)上料過(guò)程、清洗過(guò)程和物料加工的工序等待時(shí)間為約束條件建立模型，得到該問(wèn)題的雙目標(biāo)動(dòng)態(tài)規(guī)劃模型：

2.3 基于FCFS 的動(dòng)態(tài)規(guī)劃算法設(shè)計(jì)

在本文中，RGV 車(chē)如同一個(gè)“服務(wù)器”，CNC 機(jī)床像使用服務(wù)的“一個(gè)進(jìn)程”，這些進(jìn)程以FCFS 方式排隊(duì)使用服務(wù)，而FCFS 的方式[3]又基于動(dòng)態(tài)轉(zhuǎn)移方程來(lái)確定，因此對(duì)模型進(jìn)行求解時(shí)是在局部最優(yōu)解的前提下運(yùn)用動(dòng)態(tài)FCFS 算法。算法過(guò)程如圖2 所示。

圖2 基于FCFS 的動(dòng)態(tài)規(guī)劃算法設(shè)計(jì)

表2 故障發(fā)生時(shí)刻 單位：min

3 結(jié)論

將RGV 信息數(shù)據(jù)代入模型的研究之中，得到結(jié)果如表2 所示。

表2 給出了在一個(gè)班次內(nèi)（8 h）故障發(fā)生時(shí)刻。數(shù)據(jù)表明CNC 發(fā)生故障具有一定的隨機(jī)性，并且發(fā)生過(guò)故障的CNC 可能會(huì)多次發(fā)生故障，這也比較符合實(shí)際生活情況。因此，在RGV 調(diào)度生產(chǎn)作業(yè)加工中建議重點(diǎn)關(guān)注發(fā)生故障過(guò)的CNC，在其發(fā)生故障后立刻解決，防止CNC 發(fā)生故障嚴(yán)重影響生產(chǎn)效率。

本文通過(guò)對(duì)故障的隨機(jī)模擬，不僅得出發(fā)生的時(shí)間，還統(tǒng)計(jì)了兩道工序未發(fā)生故障的加工個(gè)數(shù)與兩道工序發(fā)生故障的加工個(gè)數(shù)，如表3 所示。

表3 成品加工數(shù)量

由表3 可知，當(dāng)CNC 在加工過(guò)程中發(fā)生故障時(shí)，將嚴(yán)重影響成品的生產(chǎn)數(shù)量。這也與實(shí)際的事實(shí)相符，發(fā)生故障后，必定影響成品的產(chǎn)量。

由表2 和表3 的結(jié)果可知，本文建立的模型具有良好的實(shí)用性，特別是在有故障發(fā)生時(shí)，能夠清晰地看到故障發(fā)生的時(shí)刻和發(fā)生故障的CNC 編號(hào)。在實(shí)際生活中，多工序的智能加工系統(tǒng)越來(lái)越被工業(yè)所重視。對(duì)加工過(guò)程中的故障發(fā)生研究的意義重大。