基于車間作業調度模型的RGV動態調度

王慧敏 周筑南 張鳳航 郭慧 景一

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

關鍵詞：智能RGV動態調度;單目標規劃;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

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

1 智能加工系統

1.1 系統介紹

智能加工系統如圖1所示，該系統由8臺計算機數控機床（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，通過旋轉可以先后各抓取1個物料，完成上下料作業。兩邊排列CNC，每臺CNC前方各安裝一段物料傳送帶。右側為上料傳送帶，負責為CNC輸送生料（未加工的物料）;左側為下料傳送帶，負責將成料（加工并清洗完成的物料）送出系統。

1.2 系統作業流程

系統作業流程如圖2所示。

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

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

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

（4）清洗作業：RGV為某CNC完成一次上下料作業后，轉動機械手臂，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;

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

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動態調度模型及相應的求解算法，并利用系統作業參數的數據檢驗模型的實用性與算法的有效性。智能加工系統作業參數數據見表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動態調度問題可簡化為單目標車間作業排序問題[2]，目標是優化某次加工物料作業RGV調度的某臺CNC的工作時間，使得在每班次內獲得的成料最多，本文采用遺傳算法求解最優的RGV動態調度策略。

為保證每次加工完成的作業進度均衡，且在有限時間內加工物料最多，應優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處于閑置狀態的情況。

為了簡化模型，現作以下假設：

（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）忽略機械手臂旋轉的時間;

（4）各個物料加工任務之間相互獨立，互不影響;

（5）調度中采用先來先服務的原則。

3 模型構建

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×4項任務為例說明解碼規則，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1，而作業1第一次出現表示作業1的第一項任務，即第一次作業的上料。再以第六個元素1為例，表示作業1的第三項任務，即第一次作業的下料。

3.3 初始化種群

隨機產生一個20條染色體大小的種群，每條染色體代表一個個體，即一個可行的作業調度序列。

由表2可以發現，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出現閑置情況的出現。

通過對RGV的動態調度，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作業效率，同時一個班次內加工物料數量也有所增加。

5 結 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進行動態調度，應用車間調度模型可推廣到多臺RGV的動態調度。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展開分析，在實際加工作業中，一般每臺CNC的刀具不會相同，因此基于遺傳算法的調度模型可推廣到刀具不同的動態調度中。在現代化生產作業中，處理好物料加工與RGV的動態調度問題可有效提高生產效率。

參 考 文 獻

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

[2]喻道遠，劉子義.單件小批量生產的車間作業調度研究[J].現代制造工程，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度問題的研究[J].組合機床與自動化加工技術，2016（5）：43-45，50.

[4]百度百科.帕累托最優[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動態調度研究[D].合肥：合肥工業大學，2012.

[6]張青.基于遺傳算法的車間調度問題研究[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車間調度問題研究[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車間調度問題研究[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動態調度策略[J].自動化應用，2018（12）：65-66.

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