王慧敏 周筑南 張鳳航 郭慧 景一

摘 要：針對智能RGV動態(tài)調(diào)度的系統(tǒng)作業(yè)效率問題，分析物料加工作業(yè)中每臺CNC安裝同樣刀具的情況下，RGV動態(tài)調(diào)度模型的實用性以及算法的有效性。采用單目標規(guī)劃、遺傳算法等方法對物料加工作業(yè)問題進行分析，對智能RGV調(diào)度策略求解，并利用Matlab模擬調(diào)度結(jié)果，模擬智能RGV的調(diào)度策略和系統(tǒng)作業(yè)效率，使得智能加工系統(tǒng)在一個班次內(nèi)加工物料最多。

關(guān)鍵詞：智能RGV動態(tài)調(diào)度;單目標規(guī)劃;遺傳算法;Matlab;并行性;CNC

中圖分類號：TP202文獻標識碼：A文章編號：2095-1302（2019）10-00-03

0 引 言

在現(xiàn)代化加工車間中，智能加工系統(tǒng)的效率是關(guān)鍵[1]。軌道式自動引導車（Rail Guide Vehicle，RGV）的動態(tài)調(diào)度是影響系統(tǒng)作業(yè)效率的主要因素，因此需要提高RGV動態(tài)調(diào)度的作業(yè)效率，使得在一個班次內(nèi)加工物料最多。本文建模運用單目標規(guī)劃、遺傳算法等方法對該問題進行分析，并利用Matlab模擬智能RGV的調(diào)度策略。

1 智能加工系統(tǒng)

1.1 系統(tǒng)介紹

智能加工系統(tǒng)如圖1所示，該系統(tǒng)由8臺計算機數(shù)控機床（Computer Number Controller，CNC）、1輛RGV、1條RGV直線軌道、1條上料傳送帶、1條下料傳送帶等設備組成。RGV是一種無人駕駛、能在固定軌道上自由運行的智能車，能夠根據(jù)指令自動控制移動方向與距離，并自帶一個機械手臂、兩只機械手爪及物料清洗槽，完成上下料及清洗物料等作業(yè)任務。

RGV的清洗槽每次只能清洗1個物料，機械手臂前端有2個手爪，通過旋轉(zhuǎn)可以先后各抓取1個物料，完成上下料作業(yè)。兩邊排列CNC，每臺CNC前方各安裝一段物料傳送帶。右側(cè)為上料傳送帶，負責為CNC輸送生料（未加工的物料）;左側(cè)為下料傳送帶，負責將成料（加工并清洗完成的物料）送出系統(tǒng)。

1.2 系統(tǒng)作業(yè)流程

系統(tǒng)作業(yè)流程如圖2所示。

（1）準備：智能加工系統(tǒng)通電啟動后，RGV在CNC1#和CNC2#正中間的初始位置，所有CNC都處于空閑狀態(tài);

（2）請求上料：在工作正常情況下，若某CNC處于空閑狀態(tài)，則向RGV發(fā)出上料需求信號;

（3）確定作業(yè)次序：RGV收到某CNC的需求信號后，自行確定該CNC的上下料作業(yè)次序，并依次按順序為其上下料作業(yè);

（4）清洗作業(yè)：RGV為某CNC完成一次上下料作業(yè)后，轉(zhuǎn)動機械手臂，將一只機械手臂上的熟料移動到清洗槽上方，進行清洗作業(yè);

（5）下一次作業(yè)執(zhí)行：RGV完成一項作業(yè)任務后，立即判別執(zhí)行下一個作業(yè)指令，若未接收到其他的作業(yè)指令，則在原地等待，直到接收到下一個作業(yè)指令。

1.3 需解決的問題

每臺CNC安裝同樣的刀具、物料，可在任一臺CNC上加工完成的情況下，給出RGV動態(tài)調(diào)度模型及相應的求解算法，并利用系統(tǒng)作業(yè)參數(shù)的數(shù)據(jù)檢驗模型的實用性與算法的有效性。智能加工系統(tǒng)作業(yè)參數(shù)數(shù)據(jù)見表1所列。

2 問題分析

物料在CNC上的加工過程包括一次上料、加工、一次下料以及清洗熟料四項任務。因此，在該情況下的RGV動態(tài)調(diào)度問題可簡化為單目標車間作業(yè)排序問題[2]，目標是優(yōu)化某次加工物料作業(yè)RGV調(diào)度的某臺CNC的工作時間，使得在每班次內(nèi)獲得的成料最多，本文采用遺傳算法求解最優(yōu)的RGV動態(tài)調(diào)度策略。

為保證每次加工完成的作業(yè)進度均衡，且在有限時間內(nèi)加工物料最多，應優(yōu)先安排所需時間最短的熟料清洗任務及所需時間最長的加工任務，以保證各個任務的進度盡可能均衡。

對于不同任務完成時間的差異，優(yōu)先選擇最早完成加工任務的CNC進行下料任務，選擇熟料清洗任務結(jié)束最早的CNC進行上料任務，使CNC的等待時間盡可能短，從而提高CNC的利用率。避免出現(xiàn)同一時刻、一臺距離較遠的CNC上有任務在等待RGV，而能夠完成同樣操作的其他距離較近的CNC處于閑置狀態(tài)的情況。

為了簡化模型，現(xiàn)作以下假設：

（1）RGV移動所需時間可忽略不計;

（2）未加工生料上料后，該位置立刻有生料補充;

（3）忽略機械手臂旋轉(zhuǎn)的時間;

（4）各個物料加工任務之間相互獨立，互不影響;

（5）調(diào)度中采用先來先服務的原則。

3 模型構(gòu)建

3.1 編碼

3.2 解碼

從左到右解碼一個染色體序列，本文以一個3次作業(yè)×4項任務為例說明解碼規(guī)則，解碼示例如圖3所示。

染色體序列的第一個元素為1，表示作業(yè)1，而作業(yè)1第一次出現(xiàn)表示作業(yè)1的第一項任務，即第一次作業(yè)的上料。再以第六個元素1為例，表示作業(yè)1的第三項任務，即第一次作業(yè)的下料。

3.3 初始化種群

隨機產(chǎn)生一個20條染色體大小的種群，每條染色體代表一個個體，即一個可行的作業(yè)調(diào)度序列。

由表2可以發(fā)現(xiàn)，加工物料7號和9號都選擇7#CNC進行加工，有效減少了CNC的等待時間，提高了RGV的調(diào)度效率;通過觀察前15個加工物料的上下料開始時間與加工CNC編號可以看出，該結(jié)果保證了各個CNC進度的均衡，提高了CNC的利用率，避免了離RGV較近的CNC出現(xiàn)閑置情況的出現(xiàn)。

通過對RGV的動態(tài)調(diào)度，提高了CNC的利用率及RGV的工作效率，進一步提高了加工系統(tǒng)作業(yè)效率，同時一個班次內(nèi)加工物料數(shù)量也有所增加。

5 結(jié) 語

遺傳算法具有潛在的并行性[6]，并且全局搜索能力較強。本文模型應用遺傳算法進行求解，可同時評價多個個體，并迅速地把全體解從解空間中搜索出來，結(jié)合分布式計算的應用，可進一步提高求解速度。

本文模型主要基于一臺RGV進行動態(tài)調(diào)度，應用車間調(diào)度模型可推廣到多臺RGV的動態(tài)調(diào)度。本文主要圍繞每臺CNC安裝同樣刀具情況下的物料加工作業(yè)展開分析，在實際加工作業(yè)中，一般每臺CNC的刀具不會相同，因此基于遺傳算法的調(diào)度模型可推廣到刀具不同的動態(tài)調(diào)度中。在現(xiàn)代化生產(chǎn)作業(yè)中，處理好物料加工與RGV的動態(tài)調(diào)度問題可有效提高生產(chǎn)效率。

參 考 文 獻

[1]吳焱明，劉永強，張棟，等.基于遺傳算法的RGV動態(tài)調(diào)度研究[J].起重運輸機械，2012（6）：20-23.

[2]喻道遠，劉子義.單件小批量生產(chǎn)的車間作業(yè)調(diào)度研究[J].現(xiàn)代制造工程，2007（2）：61-63，70.

[3]張騰飛，馬躍，胡毅，等.基于遺傳算法的多目標車間調(diào)度問題的研究[J].組合機床與自動化加工技術(shù)，2016（5）：43-45，50.

[4]百度百科.帕累托最優(yōu)[EB/OL].[2019-04-12].https：//baike.baidu.com/item/%E5%B8%95%E7%B4%AF%E6%89%98%E6%9C%80%E4%BC%98/1768788？fr=aladdin.

[5]劉永強.基于遺傳算法的RGV動態(tài)調(diào)度研究[D].合肥：合肥工業(yè)大學，2012.

[6]張青.基于遺傳算法的車間調(diào)度問題研究[D].長春：長春理工大學，2012.

[7]顧文斌，張薇薇，苑明海.基于改進型粒子群的作業(yè)車間調(diào)度問題研究[J].機械設計與制造工程，2017，46（1）：11-15.

[8]李小濤，彭翀.基于混合多智能體遺傳算法的作業(yè)車間調(diào)度問題研究[J].北京航空航天大學學報，2017，43（2）：410-416.

[9]林鎧，劉曉宇，宋傳承.基于遺傳算法的分序RGV動態(tài)調(diào)度策略[J].自動化應用，2018（12）：65-66.

[10]劉凱，丁曉欣，常曉穎.基于效率和穩(wěn)定性的智能RGV動態(tài)調(diào)度研究[J].青島遠洋船員職業(yè)學院學報，2018（4）：31-37.