[发明专利]作业车间调度风险的量化评估与控制方法

说明书

技术领域

本发明涉及一种调度风险控制方法，特别是涉及一种作业车间调度风险的量化评估与控制方法。

背景技术

文献“Hybrid Evolutionary Algorithm for job scheduling under machine maintenance,Applied Soft Computing,2013,Vol13(3),p1440-1447”公开了一种基于混合进化算法的调度风险控制方法。该方法在传统的进化算法的基础上，加入了一个基于左移思想(left-shifting)的局部搜索启发，增强了算法的搜索能力。利用该算法，首先在理想的生产环境下，以最大完工时间(makespan)为优化目标，获到最大完工时间最小的调度方案作为初始调度方案。当机器故障发生时，再次利用该混合进化算法对受影响的工序进行再调度，以使得再调度后的方案的最大完工时间与初始的最大完工时间偏差最小。该方法采用反应式调度的方法较好的解决了风险应对问题，可以降低调度的风险水平。然而，由于文献所述方法以具有最小最大完工时间的调度方案为初始方案，使得机器上的空闲时间被高度压缩，调度方案抵御风险事件的能力降低。当机器故障发生时，大量的工序将会受到机器故障的影响，加上频繁的再调度活动，初始调度方案将发生巨大的变化，从而使调度稳定性降低，甚至使生产过程陷入混乱。再者，生产过程中有很多种风险事件，而文献只考虑了机器故障这一种风险事件，因此在多种风险事件作用下，该方法的控制效果不能被保证。

发明内容

为了克服现有调度风险控制方法控制效果差的不足，本发明提供一种作业车间调度风险的量化评估与控制方法。该方法通过选择抗风险能力强的方案作为初始调度方案，并配合风险事件过滤应对控制策略，达到在控制调度风险的同时，保证生产过程的稳定性。通过对生产环境中的不确定因素进行识别、分析并通过聚合运算构建描述生产环境不确定程度的综合量化模型。依据该量化模型，对调度方案进行量化评估，获得在没有风险应对活动的情况下调度的风险值，进而采用进化算法优化调度风险值，将获得的风险值最小的调度方案作为初始调度方案。这样的初始调度方案具有很强的适应能力，可以减小风险事件的影响。当风险事件发生时，通过对风险事件的影响程度进行预评估，进而与设置的阈值进行比较来决定是否对风险事件进行应对控制，达到对风险事件的过滤，减少了对调度方案的变动。此外，多种风险事件同时被考虑，提高了该调度风险控制方法的适应能力。

本发明解决其技术问题所采用的技术方案是：一种作业车间调度风险的量化评估与控制方法，其特点是采用以下步骤：

步骤一、(a)搜集车间生产故障报告表和车间生产管理信息系统的生产事件记录，提取表中和记录中影响调度性能的风险事件，并记录风险事件的类型、发生时刻、影响时长；(b)以事件ID、事件名、事件类型、发生时刻、影响时长为字段建立数据表，将记录的风险事件信息数据逐个录入数据表中，构成风险信息数据库。

步骤二、(a)按风险事件的类型对风险事件数据库中的风险事件进行分类，每一种类型为一个风险因素；

(b)针对各个风险因素，依据数据库中的风险事件基本数据，以月为统计周期对各个风险因素进行统计分析，确定各个风险因素的统计信息完备程度；

(1)风险因素的发生概率模型。

利用风险因素在各统计周期内的统计数据，采用统计分析方法确定风险因素发生的概率模型。通过公式(1)求得风险因素的发生概率模型。

式中，P代表风险因素的发生概率；n代表统计周期的个数；t_i代表风险事件在第i个统计周期内的总持续时间；T_i代表在第i个统计周期内正常工作的时间。

采用3-σ表征法，按照公式(2)和公式(3)分别确定m、σ的值，进而构建该风险因素的模糊概率模型：m-3σ,m,m+3σ。

式中，n为样本总数；x_i为样本概率值。

式中，E(x_i)为样本概率均值。

(2)风险因素的程度分布模型。

通过参数估计的方法获得风险因素程度概率分布模型。机器故障的持续时间服从指数分布，如式(4)所示，参数λ未知。

式中，d为故障持续时间；λ为指数分布的参数。

采用极大似然估计法对式(4)中的参数λ进行估计获得风险因素的程度概率分布模型。具体步骤如下：

写出似然函数，如式(5)：