[發明專利]一種可重入制造系統瓶頸設備預測方法

無效

• 申請號: 201210030613.0
• 申請日: 2012-02-11
• 公開（公告）號: CN102541032A
• 公開（公告）日: 2012-07-04
• 發明（設計）人: 曹政才;鄧積杰;王永吉;金小剛
• 申請（專利權）人: 北京化工大學
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 劉萍

1.一種可重入制造系統瓶頸設備預測方法，其特征在于，包含以下步驟：

(1)確定影響系統中瓶頸設備的關鍵因素為工件類型、工件投料方式、設備加工時間、設備故障間隔時間、設備平均維修時間；以及設備利用率、緩存區隊列長度、生產線在制品水平WIP；

(2)獲取以下實際生產線數據：

(2.1.1)每臺設備的設備加工時間、設備故障間隔時間、設備平均維修時間；

(2.1.2)產品工藝路徑：總共O道工序；

(2.1.3)工件類型、工件投料方式；

根據上述數據信息構建模型，模型由M臺設備及工件投料裝置、工件回收裝置構成，投料裝置按照某種投料方式進行投料，投放W種類型工件進入生產線中，工件按照工藝路徑在設備中根據加工時間進行加工，最后由回收裝置收集成品；

對該模型進行仿真，設工件在任意一臺設備上完成一道工序的加工為一步，每完成一步進行一次數據采集，得到R₀組數據樣本：{QL_s(1)，QL_s(2)，L，QL_s(t)，L，QL_s(R₀)}，{η_s(1)，η_s(2)，Lη_s(t)L，η_s(R₀)}，{W(1)，W(2)，L，W(t)，L，W(R₀)}，{Q(1)，Q(2)，L，Q(t)，L，Q(R₀)}，{T(1)，T(2)，L，T(t)，L，T(R₀)}，t＝1，2，L，R₀，s為設備編號，s＝1，2，L，M；其中，QL_s(t)、η_s(t)分別為第t步數據采集所得到的設備s的緩沖區隊列長度與設備利用率，W(t)為第t步數據采集得到的生產線WIP，Q(t)、T(t)分別為第t步數據采集得到的生產線的投料方式及產品類型；

除({Q(1)，Q(2)，L，Q(t)，L，Q(R₀)}，{T(1)，T(2)，L，T(t)，L，T(R₀)}外，對每一個數據樣本進行如下數據修正：

設采集得到的數據樣本為{g(t)}，t＝1，2，L，R₀，且實際生產線中對應數據的樣本均值為ξ，方差為σ，定義數據偏差為D(t)＝g(t)-ξ，若|D(t)|≤2σ，t＝1，2，L，R₀，則認為g(t)能夠反映實際生產線狀況，否則剔除第t步所采集的所有數據，得到修正后的數據；

(3)對上述修正過的數據按下式計算每個設備的瓶頸度，并進行數據再修正：

BVs(n)=θ1ηs(n)+θ2QLs(n)T---(1)]]>

式中QL_s(n)，η_s(n)，分別為第n步采集得到的設備s的緩沖區隊列長度及設備利用率，BV_s(n)第n步計算得到的設備s瓶頸度，s為設備編號，n＝1，2，L，R₀，但其中不包括步驟(2)剔除的數據；T為緩沖數預估上限，θ₁與θ₂為經驗參數，θ₁，θ₂∈[0，1]，θ₁+θ₂＝1；

設瓶頸度閾值B∈[0.8，0.95]，若第n步每臺設備的瓶頸度BV_s(n)均小于B，則剔除第n步所采集數據，得到再修正的數據樣本；若存在BV_s(n)≥B，取瓶頸度最大值所對應的設備作為系統中瓶頸設備，得到第n步瓶頸設備編號及相應的設備利用率、緩沖區隊列長度數據；

(4)確定每臺設備的隊列長度、設備利用率、加工時間、故障時間間隔、平均維修時間，以及生產線中WIP，投料方式，工件類型為三個ANFIS的輸入，下一時刻瓶頸設備編號、緩沖區隊列長度、設備利用率分別為三個ANFIS的輸出；

(5)采樣數據經過數據預處理后，得到H+1組數據，按如下方式構建三個數據集[x1j,x2j,x3jL,x5×M+1j,patternj,typej,y1j+1],]]>[x1j,x2j,x3jL,x5×M+1j,patternj,typej,y2j+1],]]>[x1j,x2j,x3jL,x5×M+1j,patternj,typej,y3j+1],]]>及確定需要三個ANFIS；

式中j代表第j組數據，j＝1，2，L，H；

分別為第j組數據中設備1的隊列長度、設備利用率、加工時間、故障時間間隔、平均維修時間；

分別為第j組數據中設備2的隊列長度、設備利用率、加工時間、故障時間間隔、平均維修時間；以此類推；

第j組數據中生產線WIP，M為設備數量；

第j+1組數據中瓶頸設備編號；

第j+1組數據中瓶頸設備緩沖區隊列長度；

第j+1組數據中瓶頸設備的設備利用率；

pattern^j：第j組數據中的投料方式；

type^j：第j組數據中的工件類型；

以上3個數據集均由H組數據組成，取每個數據集V組為訓練數據，V＝[0.6H，0.7H]，剩余H-V組為測試數據，按如下步驟對數值型數據進行聚類，確定3個ANFIS結構，并對類別型數據進行編碼，ANFIS結構確定包括每個輸入變量對應隸屬度函數及規則的個數；

(5.1)對每個數據集中的類別型數據按如下方式進行編碼，形成一個行向量：

(5.1.1)設投料方式有A種，對第j組數據，令若第j組數據中生產線采用某種投料方式，則對應的行向量中的元素為1，其余均為0；

(5.1.2)設工件類型有C種，對第j組數據，令第j組數據中生產線存在幾種類型工件，則對應的行向量中的元素為1，其余均為0；

(5.1.3)將pattern^J，type^j??行向量構成向量s^j，即sj=[patternj,typej]=[p1j,p2j,L,pAj,q1j,q2j,L,qCj],]]>則完成對類別數據的編碼；

(5.2)對每個數據集的訓練數據中數值型數據采用二叉樹及模糊C均值進行聚類，并根據聚類后子空間形成初始模糊推理系統，步驟如下：

(5.2.1)令二叉樹的根節點為LN(1)，LN(1)為訓練數據中的數值型數據，LN(1)＝[X，Y1]，X＝[x¹L?x^jL?x^V]^T，X為由x^j構成的矩陣，x^j為由構成的行向量，為數據集中的第j組數據，分別代表每臺設備的隊列長度、設備利用率、加工時間、故障時間間隔、平均維修時間以及WIP，Y₁為由構成的列向量，j＝1，2，L，V，為第j+1組數據中的瓶頸設備編號；初始化葉節點集合為Ψ＝{LN(M)}，整棵樹的節點M＝1；

(5.2.2)設定誤差限R，R∈[0.001，0.05]，對葉節點集合Ψ中所有節點采用二叉樹法進行判定，集合中每個節點是否需要被繼續劃分，若節點M的線性擬合誤差e(M)大于R，則按照步驟(5.2.3)繼續劃分，若所有節點的線性擬合誤差均小于R，則轉到步驟(5.2.4)，；

(5.2.3)采用模糊C均值對e(M)大于誤差限R的節點LN(M)進行聚類，詳細聚類步驟如下：

(5.2.3.1)給定聚類中心數為c＝2，設定容許誤差E_max及加權指數m＝2，E_max∈[0.001，0.05]，隨機初始化聚類中心；

(5.2.3.2)若模糊C均值的聚類準則函數值J_m≤E_max，則結束聚類；

(5.2.3.3)節點LN(M)被劃分成兩個葉節點LN(M+1)，LN(M+2)；

(5.2.3.4)更新節點集合：將Ψ與{LN(M+1)，LN(M+2)}合并，更新Ψ；

(5.2.3.5)返回第(5.2.2)步；

(5.2.4)得到葉節點數據集Ψ＝{LN(1)，LN(2)，L，LN(K₁)}，LN(1)，LN(2)，L，LN(K₁)為聚類后形成的數據子空間，K₁為通過上述聚類過程得到的聚類中心的個數；

(5.2.5)根據聚類中心個數確定模糊系統的模糊規則數為K₁；

將(5.2.1)中的Y1=[y12Ly1j+1Ly1V+1]T,]]>分別替換成Y2=[y22Ly2j+1Ly2V+1]T,]]>Y3=[y32Ly3j+1Ly3V+1]T,]]>Y₁為由構成的列向量，Y₃為由構成的列向量，j＝1，2，L，V，為第j+1組數據中的瓶頸設備利用率，為第j+1組數據中的瓶頸設備緩沖區隊列長度，重復上述聚類過程，得到每個ANFIS的中模糊規則數K₁，K₂，K₃；

(6)按照如下步驟確定三個ANFIS中的參數：

(6.1)初始化參數集其中稱為前件參數，i＝1，2，L，5×M+1，k＝1，2，L?K₁，K₁為模糊規則數量，v_i，k，σ_i，k均為(0，1)中的隨機數；為(A+C)×K₁維矩陣，矩陣中每個元素均為(0，1)中的隨機數；稱為后件參數，k＝1，2，L?K₁，均為(0，1)中的隨機數；

(6.2)第一個數據集中訓練數據輸入到ANFIS中，確定第一個ANFIS中參數：

(6.2.1)對數值型數據從ANFIS第一層輸入，第一層有5×M+1個輸入量，輸入第j組數據為j＝1，2，L，V，為數據集中的第j組數據，分別代表每臺設備的隊列長度、設備利用率、加工時間、故障時間間隔、平均維修時間以及WIP，第一層對輸入變量模糊化，輸出為對應模糊集的隸屬度，這里隸屬度函數采用高斯型函數：

O1,hj=μA,ik(xij)=exp(-12(xij-vi,kσi,k)2)---(2)]]>

其中i＝1，2，L，5×M+1；k＝1，2，L?K₁；h＝(5×M+1)×K₁，K₁為模糊規則數量，為隸屬度函數，代表第一層輸出，其中為前件參數；

(6.2.2)第二層，采用乘法規則計算每條模糊規則的激活強度w_k，第二層各節點的輸出為k＝1，2L，K₁；

O2,kj=wk=Πi=126μA,ik(xij)---(3)]]>

(6.2.3)第三層，歸一化得到各條模糊規則的激活強度輸出為k＝1，2L，K₁；

O3,k′j=wk‾=wkΣk=1K1wk---(4)]]>

對編碼后的類別輸入經過一個激活強度轉換矩陣T₁，且輸入到第三層F^j＝s^jT₁

F^j＝s^jT₁?????????????????(5)

其中j＝1，2，L，V，sj=[patternj,typej]=[p1j,p2j,L,pAj,q1j,q2j,L,qCj]]]>為1×(A+C)行向量，Fj=[f1j,f2j,L,fK1j]]]>為K₁維行向量，T₁為(A+C)×K₁維矩陣；

則第三層的總輸出為；k＝1，2L，K₁，j＝1，2，L，V；

(6.2.4)第四層，每個節點的傳遞函數為線性函數，計算得到每條規則的輸出O_4，k

O4,kj=O3,kj(d0k+d1kx1j+d2kx2j+L+d5×M+1kx5×M+1j)=O3,kj·gk(xj)---(6)]]>

式中gk(xj)=(d0k+d1kx1j+d2kx2j+L+d5×M+1kx5×M+1j),]]>P1c={d0k,d1k,d2k,L,d5×M+1k}]]>為后件參數，xj=[x1j,L,x5×M+1j],]]>，k＝1，2，L，K₁，j＝1，2，L，V；

(6.2.5)計算所有規則輸出之和

O5j=Σk=1K1O4,kj---(7)]]>

(6.3)設定最大訓練次數epoc及誤差限errot，epoc∈[100，500]，error∈[0，0.005]，訓練數據的總輸出誤差為：

E0=Σj=1Jet=Σj=1J12[O5j-y1j+1]2---(8)]]>

式中為Y₁中第j+1組數據中的瓶頸設備編號，J＝V，Y₁為第一個ANFIS中訓練數據中的輸出數據，為第j組訓練數據輸入到ANFIS中得到的輸出；

若E₀≤error，或者達到最大訓練次數epoc，結束訓練并轉到(6.5)，否則進行(6.4)

(6.4)訓練參數集

(6.4.1)固定參數集采用誤差反向傳播算法對進行修正；

(6.4.2)固定參數集采用最小二乘法對進行修正；

(6.4.3)固定參數集采用最小二乘法對進行修正；

(6.4.4)得到修正后的參數集返回步驟(6.2)；

(6.5)得到確定參數集

用第二個數據集的訓練數據對第二個ANFIS進行訓練，重復上述訓練過程，保持ANFIS的輸入數據不變，輸出數據將替換Y₁為Y₂，J＝V，為Y₂中第j+1組數據中的瓶頸設備利用率，K₁將替換為K₂，確定第二個ANFIS的模糊規則數為K₂，訓練ANFIS，確定第二個ANFIS的參數集

用第三個數據集的訓練數據對第三個ANFIS進行訓練，重復上述訓練過程，保持ANFIS的輸入數據不變，輸出數據將替換Y₁為Y₂，J＝V，為Y₃中第j+1組數據中的瓶頸設備緩沖區隊列長度，K₁將替換為K₃，確定第二個ANFIS的模糊規則數為K₃，訓練ANFIS，確定第三個ANFIS的參數集

按照以上步驟用訓練數據完成對三個ANFIS的訓練，訓練完成后；將后H-V組測試數據輸入到ANFIS中，得到預測輸出。

2.根據權利要求1所述的一種可重入制造系統瓶頸設備預測方法，其特征在于，還可以在步驟(6)后包括以下步驟：

(7)將生產線所獲得的實時數據，與原始數據進行分析對比，若其值低于原始數據值區間上限的120％或高于區間下限的80％，則將數據直接輸入到ANFIS，得到下一時刻預測輸出值；若數據值超出原始數據值區間上限的120％或高于區間下限的80％，則認為該組數據是在新的工況下獲得，將該數據與原始訓練數據組合重新作為ANFIS的訓練數據集，返回到步驟(5)，對ANFIS中的參數進行在線調整，得到下一時刻瓶頸設備相關參數的預測值。