本發(fā)明涉及工業(yè)調(diào)度，特別涉及削峰填谷策略的柔性作業(yè)車間精益化生產(chǎn)自組織優(yōu)化方法。

背景技術(shù)：

1、能源問(wèn)題已經(jīng)成為我國(guó)乃至世界政治經(jīng)濟(jì)、環(huán)境保護(hù)等諸問(wèn)題的中心問(wèn)題。盡管隨著科技的不斷發(fā)展，能源的利用方式以及能源的利用率在日益增加，能源的日益枯竭依然是人類共同面臨的重要問(wèn)題。因此，促進(jìn)制造業(yè)可持續(xù)發(fā)展是應(yīng)對(duì)能源緊張問(wèn)題的必然選擇，也是提升制造業(yè)核心競(jìng)爭(zhēng)力的關(guān)鍵。

2、制造業(yè)的可持續(xù)發(fā)展智能制造需要智能制造為其賦能，而智能車間是智能制造的主要載體，已逐漸成為制造商更加追求的生產(chǎn)系統(tǒng)方向，因此，智能車間的柔性程度更高，更適應(yīng)于當(dāng)前普遍存在的多品種、小批量、定制化、批產(chǎn)混線生產(chǎn)等需求。此外，智能車間的生產(chǎn)靈活性在提高車間生產(chǎn)的綜合能效方面也可以發(fā)揮重要作用。車間生產(chǎn)依賴能源，車間的生產(chǎn)活動(dòng)必然會(huì)對(duì)能源消耗和生產(chǎn)能效產(chǎn)生影響。類似地，車間對(duì)能源使用的限制和約束也會(huì)影響生產(chǎn)活動(dòng)的安排。智能車間可以通過(guò)生產(chǎn)線的靈活調(diào)整和生產(chǎn)過(guò)程的迅速轉(zhuǎn)換安排更合理的生產(chǎn)計(jì)劃，從而為能源的高效利用創(chuàng)造空間。與此同時(shí)，智能車間所具有的自動(dòng)化能源監(jiān)測(cè)技術(shù)和網(wǎng)絡(luò)化通訊手段有助于建成互聯(lián)互通的耗能設(shè)備管理系統(tǒng)，收集、整合以及分析設(shè)備層、產(chǎn)線層、車間層的能耗數(shù)據(jù)，推動(dòng)能耗設(shè)備的精細(xì)化管控，引導(dǎo)更節(jié)能和高效的生產(chǎn)活動(dòng)。綜上可述，在智能車間背景下，開(kāi)展精益化生產(chǎn)協(xié)同調(diào)度優(yōu)化方法研究是符合實(shí)際生產(chǎn)條件且有助于提高制造企業(yè)可持續(xù)發(fā)展能力的重要課題。通過(guò)生產(chǎn)活動(dòng)的靈活調(diào)節(jié)是實(shí)現(xiàn)車間節(jié)能的重要措施之一。

3、我國(guó)作為世界級(jí)的制造中心，已經(jīng)成為了一個(gè)快速發(fā)展的電力消費(fèi)大國(guó)，從前一味跟蹤電力負(fù)荷增長(zhǎng)的電力發(fā)展模型已經(jīng)到了必須要發(fā)生改變的時(shí)候。隨著智能電網(wǎng)的快速發(fā)展以及電力市場(chǎng)改革的加快，電力需求響應(yīng)(demandresponse，dr)作為智能用電的重要互動(dòng)技術(shù)越來(lái)越受到重視。電力需求響應(yīng)是指當(dāng)電力批發(fā)市場(chǎng)的價(jià)格升高或系統(tǒng)的穩(wěn)定性受到威脅時(shí)，用戶針對(duì)價(jià)格信號(hào)或激勵(lì)機(jī)制做出響應(yīng)，通過(guò)改變自身習(xí)慣用電方式，進(jìn)而抑制電價(jià)上升，維持電網(wǎng)穩(wěn)定的行為。時(shí)至今日，工業(yè)已經(jīng)是我國(guó)最大的電力消耗行業(yè)，工業(yè)用電占整個(gè)社會(huì)發(fā)電量的70％以上。與其他行業(yè)相比，工業(yè)用戶具有耗電量大、穩(wěn)定性強(qiáng)、自動(dòng)化程度高等優(yōu)點(diǎn)，是非常重要的需求響應(yīng)資源，其中，機(jī)械行業(yè)的大部分設(shè)備對(duì)用電可靠性要求不高，錯(cuò)峰方面需求響應(yīng)資源的調(diào)節(jié)潛力較大。而且，智能車間的快速發(fā)展為需求響應(yīng)的實(shí)施提供了良好基礎(chǔ)。

4、綜上所述，工業(yè)用戶的需求響應(yīng)潛力極大，且智能車間的生產(chǎn)靈活性可以幫助工業(yè)用戶充分發(fā)揮其需求響應(yīng)潛力。因此，開(kāi)展工業(yè)需求響應(yīng)模式下的智能車間精益化生產(chǎn)協(xié)同調(diào)度優(yōu)化方法研究具有重要意義，是當(dāng)前進(jìn)一步合理化智能車間用電行為以幫助工業(yè)用戶提高能效、深入推動(dòng)需求響應(yīng)的應(yīng)用以幫助電力公司提高供電可靠性，最終實(shí)現(xiàn)電力公司和工業(yè)用戶效益的綜合最優(yōu)化需要解決的關(guān)鍵問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)相關(guān)技術(shù)中的問(wèn)題，本發(fā)明提出一種削峰填谷策略的柔性作業(yè)車間精益化生產(chǎn)自組織優(yōu)化方法，以克服現(xiàn)有相關(guān)技術(shù)所存在的上述技術(shù)問(wèn)題。

2、為此，本發(fā)明采用的具體技術(shù)方案如下：

3、一種削峰填谷策略的柔性作業(yè)車間精益化生產(chǎn)自組織優(yōu)化方法，包括以下步驟：

4、s1、基于削峰填谷下的柔性作業(yè)車間調(diào)度問(wèn)題，建立問(wèn)題模型，并確立優(yōu)化目標(biāo)及約束條件；

5、s2、利用基于改進(jìn)全局排序的遺傳算法對(duì)染色體進(jìn)行編碼與解碼，并初始化種群，初始化后的種群作為初代父代種群；

6、s3、基于改進(jìn)的全局排序法對(duì)初代父代種群中的個(gè)體進(jìn)行排序，根據(jù)排序結(jié)果執(zhí)行選擇、交叉和變異，并利用設(shè)備效率協(xié)同算子與能源效率協(xié)同算子形成初代子代種群；

7、s4、合并父代與子代種群，再次進(jìn)行排序、選擇、交叉和變異，并利用設(shè)備效率協(xié)同算子與能源效率協(xié)同算子形成新的子代種群，上代子代種群作為新的父代種群；

8、s5、重復(fù)執(zhí)行s4的迭代步驟，并在達(dá)到終止條件后輸出最優(yōu)調(diào)度方案。

9、進(jìn)一步地，所述問(wèn)題模型的優(yōu)化目標(biāo)為平滑生產(chǎn)活動(dòng)的負(fù)荷曲線，減小峰谷電比例及降低用電成本；

10、在問(wèn)題模型中，所建立的目標(biāo)函數(shù)為：

11、f＝min(cmax，tec，pver)

12、

13、tec＝wec+rec

14、

15、pver＝pec/vec

16、

17、所述約束條件為：

18、

19、

20、式中，cmax表示最大完工時(shí)間；tec表示總能源成本；pver表示峰谷電比例；ci表示工件i的完工時(shí)間；n、m分別表示加工工件數(shù)量、加工機(jī)器數(shù)量；wec、rec、tec分別表示總加工能耗成本、總待機(jī)能耗成本、總能耗成本；i、j、k分別表示工件編號(hào)、工件的工序編號(hào)、機(jī)器編號(hào)；ni表示工件i包含的工序數(shù)量；mi,j表示工件i的第j道工序的可用機(jī)器總數(shù)；l表示電價(jià)區(qū)間總數(shù)；ti，j，k，l表示第l個(gè)電價(jià)區(qū)間內(nèi)工件i的第j道工序在機(jī)器k上的加工時(shí)間；wi,j,k表示機(jī)器k加工工件i的第j道工序的加工功率；epl表示第l個(gè)電價(jià)區(qū)間的電價(jià)；tk，l表示第l個(gè)電價(jià)區(qū)間內(nèi)機(jī)器k的空載時(shí)間；wk表示機(jī)器k的空載功率；pec、vec分別表示峰值能耗、谷值能耗；pl表示第l個(gè)電價(jià)區(qū)間是否為高峰電價(jià)區(qū)間；vl表示第l個(gè)電價(jià)區(qū)間是否為低谷電價(jià)區(qū)間；si,j表示工件i的第j道工序的開(kāi)始加工時(shí)間；pi,j,k表示工件i的第j道工序在機(jī)器k上的加工時(shí)間；xi,j,k表示工件i的第j道工序是否在機(jī)器k上加工；j表示工件集合；表示機(jī)器k加工第r道工序的開(kāi)始加工時(shí)間；yi，j，k，r表示工件i的第j道工序是否為機(jī)器k的第r道工序；r表示機(jī)器的加工優(yōu)先級(jí)；uk表示機(jī)器k完工的工序總數(shù)；q表示一個(gè)無(wú)窮大的數(shù)；ci表示工件i的完工時(shí)間；表示工件i的第ni道工序的開(kāi)始加工時(shí)間；表示工件i的第ni道工序在機(jī)器k上的加工時(shí)間；表示工件i的第ni道工序是否在機(jī)器k上加工；tl表示第l個(gè)電價(jià)區(qū)間的時(shí)長(zhǎng)。

21、進(jìn)一步地，所述利用基于改進(jìn)全局排序的遺傳算法對(duì)染色體進(jìn)行編碼與解碼，并初始化種群，初始化后的種群作為初代父代種群包括以下步驟：

22、s21、采用工序排序、機(jī)器選擇及工件首道工序加工區(qū)間電價(jià)類型的三層編碼方式對(duì)染色體進(jìn)行編碼；

23、s22、利用改進(jìn)全局排序的遺傳算法與插入式貪婪解碼算法相結(jié)合的插入式法對(duì)編碼后的染色體進(jìn)行主動(dòng)解碼；

24、s23、利用混合啟發(fā)式法形成預(yù)設(shè)數(shù)量的種群，每個(gè)種群中個(gè)體數(shù)量為2n，n為期待種群個(gè)體數(shù)；

25、s24、遍歷每個(gè)種群，在每個(gè)種群中遍歷每個(gè)個(gè)體，并計(jì)算個(gè)體的擁擠度；

26、s25、按照擁擠度從大到小的順序排列每個(gè)種群中的個(gè)體，并選擇前n個(gè)個(gè)體形成若干新的種群；

27、s26、計(jì)算每個(gè)新的種群的熵，并按照從大到小的順序排列新的種群，選擇熵最大的新的種群，將該新的種群作為進(jìn)化的初始種群。

28、進(jìn)一步地，所述采用工序排序、機(jī)器選擇及工件首道工序加工區(qū)間電價(jià)類型的三層編碼方式對(duì)染色體進(jìn)行編碼包括：

29、對(duì)于工序鏈的編碼，采用工件號(hào)作為基因進(jìn)行標(biāo)識(shí)，基因的總數(shù)對(duì)應(yīng)于所有工件工序數(shù)量的累加，某一工件號(hào)在編碼中出現(xiàn)的次數(shù)即代表該工件所包含的工序數(shù)量。具體即第j次出現(xiàn)的工件號(hào)i，表示工件ji的第j道工序oi,j。機(jī)器鏈的編碼，采用的是工序指定的加工機(jī)器在當(dāng)前工序可選機(jī)器集中的序號(hào)，而非直接的機(jī)器代號(hào)第三層具體編碼方式為：判斷工件的首道工序加工的區(qū)間電價(jià)類型，若為用電峰值電價(jià)則編碼首位為0，若為用電谷值電價(jià)則為1，若為平段電價(jià)則編碼首位為2。

30、進(jìn)一步地，所述利用改進(jìn)全局排序的遺傳算法與插入式貪婪解碼算法相結(jié)合的插入式法對(duì)編碼后的染色體進(jìn)行主動(dòng)解碼包括：

31、當(dāng)工件i的第j道工序的完工時(shí)刻早于機(jī)器k的空閑狀態(tài)的結(jié)束時(shí)刻，且兩時(shí)刻之間的時(shí)間差大于工件i的第j+1道工序的加工時(shí)長(zhǎng)時(shí)，將工件i的第j+1道工序安排到該空閑時(shí)間段內(nèi)，同時(shí)確保第j+1道工序的開(kāi)工時(shí)刻不早于第j道工序的完工時(shí)刻，當(dāng)存在多個(gè)這樣的空閑時(shí)間段時(shí)，選擇使加工機(jī)器能耗成本最小的空閑時(shí)間段進(jìn)行插入，若條件不滿足，工序?qū)⒃谙鄳?yīng)的機(jī)器上按預(yù)先設(shè)定的順序進(jìn)行加工。

32、進(jìn)一步地，利用混合啟發(fā)式法形成預(yù)設(shè)數(shù)量的種群包括：

33、生成第一層編碼：種群的40％使用最多剩余工序策略生成，即將所有工件按照剩余工序排序，選取剩余工序最多的工件先加工；種群的30％使用平均加工時(shí)長(zhǎng)最小策略生成，即計(jì)算每個(gè)工序的平均加工時(shí)間，并選取平均加工時(shí)間最短的工序優(yōu)先加工；其余隨機(jī)生成。

34、生成第二層編碼：種群的40％使用全局選擇策略生成，即選擇當(dāng)前工序機(jī)器集中總荷載最小的機(jī)器；種群的30％使用局部選擇策略生成，即在當(dāng)前工序機(jī)器集中選擇加工功率最小的機(jī)器；其余隨機(jī)生成。

35、隨機(jī)生成第三層編碼。

36、進(jìn)一步地，個(gè)體i的擁擠度di的計(jì)算方法為：對(duì)于每個(gè)目標(biāo)函數(shù)，將所有個(gè)體根據(jù)當(dāng)前目標(biāo)函數(shù)值從大到小排列，計(jì)算與該個(gè)體i臨近個(gè)體距離較小值與較大值的比值，對(duì)多個(gè)目標(biāo)計(jì)算后求和；所述擁擠度的計(jì)算公式為：

37、

38、種群的熵的計(jì)算公式為：

39、

40、式中，dci表示個(gè)體ci的擁擠度；md表示目標(biāo)維度，m∈[1,m]；m表示目標(biāo)維度總數(shù)；fmd(ci)表示個(gè)體ci在目標(biāo)md上的函數(shù)值；fmd(ci+1)表示個(gè)體ci+1在目標(biāo)md上的函數(shù)值；fmd(ci-1)表示個(gè)體ci-1在目標(biāo)md上的函數(shù)值；h表示種群的熵；lc表示染色體長(zhǎng)度；s表示符號(hào)集d的大小，|d|＝s。d是一個(gè)符號(hào)集，即染色體中每個(gè)基因座上可能出現(xiàn)的符號(hào)的集合，即s表示染色體中每個(gè)基因座上可能出現(xiàn)的符號(hào)的總數(shù)；pgk表示符號(hào)集d中第k個(gè)符號(hào)出現(xiàn)在基因座g上的概率，其中h∈{1,2,…,l}。

41、進(jìn)一步地，所述基于改進(jìn)的全局排序法對(duì)當(dāng)前種群中的個(gè)體進(jìn)行排序，根據(jù)排序結(jié)果執(zhí)行選擇、交叉和變異，并利用設(shè)備效率協(xié)同算子與能源效率協(xié)同算子形成初代子代種群包括以下步驟：

42、s31、對(duì)個(gè)體多維目標(biāo)的函數(shù)值數(shù)據(jù)進(jìn)行歸一化處理，基于歸一化處理后的結(jié)果，分別計(jì)算種群p中每個(gè)個(gè)體的全局排序值gr(i)、個(gè)體聚集度ai及全局適應(yīng)度f(wàn)itness(i)，并根據(jù)全局適應(yīng)度從大到小的順序排列種群中的個(gè)體；

43、s32、計(jì)算父代種群的熵與種群中個(gè)體的全局適應(yīng)度，并判斷種群的熵是否滿足連續(xù)g代下降；

44、若是，則應(yīng)用玻爾茲曼選擇，個(gè)體的選擇概率p(i)為：

45、

46、其中，fi表示個(gè)體適應(yīng)度，b為縮放因子，當(dāng)b<0時(shí)，選擇過(guò)程利于跳出局部最優(yōu)，因此取b<0，初始從b＝[-1,0]隨機(jī)選取，并每隔g代周期性隨機(jī)改變b值，應(yīng)用此種方法生成n個(gè)個(gè)體的種群；

47、若否或種群的熵未達(dá)到g代，則應(yīng)用二元錦標(biāo)賽選擇，從父代種群中任選兩個(gè)個(gè)體，比較兩個(gè)個(gè)體的全局排序值，選擇全局排序值較大的個(gè)體，若全局排序值無(wú)差異，則選擇個(gè)體聚集度較小的個(gè)體，應(yīng)用此種方法生成n個(gè)個(gè)體的種群，n為子代種群的規(guī)模數(shù)，g取迭代次數(shù)的0.1倍；

48、s33、從父代種群中隨機(jī)選擇k個(gè)解分別作為各簇的質(zhì)心其中l(wèi)＝1,2,…,k；

49、s34、將種群分成k個(gè)子簇cl，遍歷每個(gè)個(gè)體，計(jì)算個(gè)體與每個(gè)質(zhì)心之間的相似度，并將該個(gè)體分批至該質(zhì)心所在的簇，若與不同質(zhì)心的相似度相等，則將該個(gè)體分配至簇中個(gè)體數(shù)小于預(yù)設(shè)數(shù)量的簇；

50、s35、分別計(jì)算每個(gè)個(gè)體與其他個(gè)體之間的歐式距離，并取歐氏距離方差最小的個(gè)體作為各子簇新的質(zhì)心

51、s36、判斷是否滿足條件或達(dá)到最大循環(huán)次數(shù)，其中，ε表示可接受新舊質(zhì)心相似度，若是，則算法結(jié)束，若否，則并返回s33；

52、s37、隨機(jī)配對(duì)兩個(gè)不同簇的個(gè)體進(jìn)行交叉；并以預(yù)設(shè)變異率選擇個(gè)體進(jìn)行變異；

53、s38、計(jì)算交叉變異后的染色體在機(jī)器選擇片段中各臺(tái)機(jī)器被選擇的次數(shù)，并確定出待加工工序數(shù)最多的機(jī)器以及待加工工序數(shù)最少的機(jī)器；遍歷待加工工序數(shù)最多的機(jī)器的各道工序，若當(dāng)前工序可由待加工工序數(shù)最少的機(jī)器進(jìn)行加工，則替換該道工序的加工機(jī)器；

54、s39、對(duì)應(yīng)用設(shè)備效率協(xié)同算子的染色體的每個(gè)工件的各道工序的功耗進(jìn)行計(jì)算并排序，確定功耗最大的工序，并從該工序的可選機(jī)器集中將選擇的機(jī)器替換為當(dāng)前空載的最小功率機(jī)器，形成初代子代種群。

55、進(jìn)一步地，所述歸一化處理的表達(dá)式為：

56、

57、全局排序值gr(i)的計(jì)算公式為：

58、

59、個(gè)體聚集度ai的計(jì)算公式為：

60、

61、考慮目標(biāo)函數(shù)值與多樣分布時(shí)，同時(shí)希望全局排序值gr(i)最大與個(gè)體聚集度ai最小，因此用個(gè)體聚集度ai解集多樣性時(shí)，將其構(gòu)造為全局適應(yīng)度f(wàn)itness(i)的計(jì)算公式為：

62、

63、式中，fm(i)表示個(gè)體i在目標(biāo)m的函數(shù)值；fm′(i)表示歸一化后的個(gè)體i在目標(biāo)m的函數(shù)值；和分別表示個(gè)體i在當(dāng)前目標(biāo)的最大值和最小值；sij表示個(gè)體i與個(gè)體j之間的相似度，個(gè)體j為種群p中不同于i的任意個(gè)體；γ表示相似度閾值，為一常數(shù)，取γ∈[0.9,1]；表示個(gè)體i與個(gè)體j的相同基因數(shù)；n表示種群中個(gè)體數(shù)；ω1和ω2分別表示全局排序值和個(gè)體聚集度的權(quán)重系數(shù)，均取0.5。

64、進(jìn)一步地，所述個(gè)體j與每個(gè)質(zhì)心之間的相似度的計(jì)算公式為：

65、

66、式中，表示個(gè)體j與每個(gè)質(zhì)心之間的相似度；表示個(gè)體j與質(zhì)心的相同基因數(shù)。

67、進(jìn)一步地，方差的計(jì)算公式為：

68、

69、式中，表示個(gè)體j與每個(gè)質(zhì)心之間的相似度；表示個(gè)體j與質(zhì)心的相同基因數(shù)；μi表示歐氏距離均值；g表示染色體中基因座；xig表示個(gè)體i中第g個(gè)基因值；xjg表示個(gè)體j中第g個(gè)基因值；(cl)表示子簇cl中的個(gè)體數(shù)；si表示個(gè)體i與其他個(gè)體的歐式距離的方差。

70、本發(fā)明的有益效果為：

71、1)本發(fā)明應(yīng)用于柔性作業(yè)車間，在削峰填谷策略下，建立包含多個(gè)目標(biāo)和約束條件的問(wèn)題模型，旨在最小化最大完工時(shí)間、能耗成本和峰谷電比例，平滑生產(chǎn)負(fù)荷曲線。在調(diào)度過(guò)程中，結(jié)合設(shè)備效率協(xié)同算子與能源效率協(xié)同算子，優(yōu)化機(jī)器選擇和工序安排，降低功耗，從而減少整體能耗成本。通過(guò)設(shè)備效率協(xié)同算子與能源效率協(xié)同算子的應(yīng)用，進(jìn)一步提高生產(chǎn)效率。

72、2)本發(fā)明設(shè)計(jì)了基于改進(jìn)全局排序的遺傳算法。通過(guò)改進(jìn)全局排序的遺傳算法與插入式貪婪解碼算法的結(jié)合，確保工件工序的合理安排，避免工序間的沖突，保證調(diào)度的合理性和有效性。在種群初始化和選擇過(guò)程中，通過(guò)計(jì)算種群的熵和個(gè)體的擁擠度，保持種群多樣性，避免早熟收斂，提高算法的全局搜索能力。選擇算子中，通過(guò)應(yīng)用二元錦標(biāo)賽選擇和玻爾茲曼選擇的方法，自適應(yīng)調(diào)整選擇策略，進(jìn)一步提高優(yōu)化效果。此外通過(guò)將種群分成多個(gè)子簇，重新計(jì)算質(zhì)心，隨機(jī)配對(duì)不同簇的個(gè)體進(jìn)行交叉，增強(qiáng)了交叉和變異的有效性，保證了種群的多樣性和優(yōu)化能力。

73、應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本發(fā)明。