基于APS的卷煙生產排程集成優化方法研究

魏佳 劉艷超 劉西堯

摘要：為了提高卷煙生產排程集成控制能力，提出基于APS的卷煙生產排程集成優化方法。基于APS構建多數學模型，以分析卷煙生產排程的優化模式。利用Lyapunov函數使該卷煙生產排程的生產線系統處于平衡狀態，并卷煙生產的約束參量模型，根據約束參量模型得到多模控制狀態方程。通過分析卷煙的控制狀態，完成集成控制的參量穩態調節，實現卷煙生產排程集成優化。仿真結果表明，采用該方法進行卷煙生產排程集成優化控制的自適應性較好，穩態控制能力較強，具有很好的卷煙生產排程集成控制和流程管控能力。

關鍵詞：APS;卷煙生產;排程;集成;控制

中圖分類號：TP273

文獻標志碼：A

ResearchonIntegratedOptimizationoftheProductionScheduleoftheCigaretteBasedonAPS

WEIJia，LIUYanchao，LIUXiyao

（WuhanCigaretteFactory，ChinaTobaccoHubeiIndustrialCo，Ltd.，Wuhan430040，China）

Abstract：Inordertoimprovetheintegratedcontrolabilityofcigaretteproductionscheduling，anintegratedoptimizationmethodofcigaretteproductionschedulingbasedonAPSisproposed.BasedonAPS，amultimathematicalmodelisconstructedtoanalyzetheoptimizationmodeofcigaretteproductionscheduling.ALyapunovfunctionisusedtomaketheproductionlinesystemofcigaretteproductionscheduleinequilibriumstate，andtheconstraintparametermodelofcigaretteproductionisusedtoobtainthemultimodecontrolstateequationaccordingtotheconstraintparametermodel.Byanalyzingthecontrolstateofcigarette，thesteadystateadjustmentofintegratedcontrolparametersiscompleted，andtheintegratedoptimizationofcigaretteproductionschedulingisrealized.Thesimulationresultsshowthatthemethodisadaptivetotheintegratedoptimalcontrolofcigaretteproductionscheduling.Ithasgoodperformance，strongsteadystatecontrolability，goodcigaretteproductionscheduling，andhascontrolandprocesscontrolability.

Keywords：APS;cigaretteproduction;scheduling;integration;control

0引言

為滿足卷煙市場需求，小批量柔性生產已逐漸代替剛性生產模式，但柔性模式下卷煙生產車間排程難度增大，為提高卷煙生產水平，急需優化生產排程。針對該問題已有部分處理方法，如關聯規則調度法、統計特征分析法、模糊控制方法等。排程問題引起了業界內的重視，排程問題的核心思想是是要優化生產系統全局性的調度，從而提高生產線的生產效率及輸出，最終實現卷煙生產的全局最優。研究卷煙生產排程集成優化方法，在促進卷煙生產質量優化中具有重要意義[1]。

基于關聯規則調度的卷煙生產排程集成控制，采用模糊關聯規則調度方法，進行卷煙生產排程集成調度。基于統計特征分析的卷煙生產排程集成方法，采用大數據信息融合方法進行卷煙生產排程集成控制，但該方法進行卷煙生產排程集成的模糊度較大。基于模糊控制方法的卷煙生產排程集成控制，結合粒子群進化尋優方法，進行卷煙生產排程集成控制[23]，構建卷煙生產排程集成的模糊控制約束參量模型，采用專家補償方法進行卷煙生產排程控制優化，但上述方法進行卷煙生產排程集成控制的穩態控制能力較差[4]。

針對上述問題，本文提出基于APS的卷煙生產排程集成優化方法。APS是利用各種數學模型、模擬仿真技術對生產作業運行狀態進行優化的一種排產工具和計劃[5]。它不僅支持人機交互的模式參與生產排序，還能夠根據生產狀況制定合理的排產計劃，以提高生產排程集成控制和流程管控能力。本文方法將通過建立卷煙生產的排程集成優化模型，進行卷煙生產的流水線優化控制，根據卷煙生產智能數據信息處理結果，進行排程集成優化控制，提高排程集成優化控制能力[6]。在卷煙生產的排程集成優化模型設計中，需要結合模糊控制律進行排程集成優化約束參量分析，建立卷煙生產排程集成優化約束參量模型，采用大數據信息融合調度技術，進行卷煙生產排程集成優化設計，提高卷煙生產排程集成控制的自適應性，最終實現基于APS的卷煙生產排程集成優化。經仿真實驗結果證明，本文方法具有較好的魯棒性。

1卷煙生產排程集成控制的約束參量分析和控制狀態

1.1約束參量分析

為實現卷煙生產排程集成優化控制，需構建卷煙生產排程集成控制的約束參量模型[7]。通過多參量約束方法分析卷煙生產排程集成控制過程中的擾動因素，構建卷煙生產排程集成的線性擾動方程如式（1）。

mV=P（α-δφ）Fgr

（1）

式中，P表示參數給料精度;α表示不同生產線上的卷煙總給料量;δφ表示可用物料量;Fgr表示工作站數量。初始化卷煙生產排程集成控制的擾動參數。采用模糊擾動聚類分析方法，進行卷煙生產排程集成控制的狀態特征分析，得到狀態特征方程如式（2）。

Vm=mv×（-2Km/R）+Km

（2）

式中，Km表示生產線節拍;R表示卷煙生產線效率。根據特征分析方程計算卷煙生產排程集成的耦合特征量，采用協同Kalman融合方法獲取卷煙生產排程集成控制的耦合特征量，從而得到卷煙生產排程函數如式（3）、式（4）。

Pv=Vm（fθ+gθu（t））

（3）

f（P）=Pvu（t）gθ+dθ（t）

（4）

其中，式（3）為生產控制的耦合特征量，式（4）表示卷煙生產排程函數。fθ、gθ分別表示相關性模糊檢測特征量;u（t）表示卷煙設備利用率;dθ（t）表示生產線工序負荷。通過上述計算獲取卷煙生產過程中所涉及參數及其排程函數，利用該函數獲取卷煙生產排程集成控制的約束參量模型，則約束參量模型的表達式如式（5）。

Mh=f（p）·VsN

（5）

其中：

N=aij+Fgr

Vs=12S2（t）

式中，Vs表示Lyapunov函數，通過該函數可使該生產線系統處于平衡狀態，以確保卷煙生產的約束參量模型處于漸近穩定狀態。結合卷煙生產排程集成控制約束參量模型，進行模糊指向性調度，構建卷煙生產排程集成控制模型，提高卷煙生產排程控制能力。

1.2多模控制狀態

通過上述完成卷煙生產排程集成控制約束參量模型的構建，設計多目標約束的卷煙生產排程集成控制參數辨識模型，得到參數辨識結果如式（6）。

T=12VMRXR

（6）

采用微分方程數值分析進行卷煙生產排程集成融合處理，在高維C空間中構建卷煙生產排程的多約束規劃問題，建立卷煙生產排程函數的相關性檢測統計特征量如式（7）。

fY=1yσ2πe-（lny-μ）22σ2

（7）

式中，e表示卷煙生產排程約束條件。根據約束參量模型，建立卷煙生產排程控制的協同濾波模型，得到多模控制的狀態方程如式（8）

CL=MRR2+R2D12MP

（8）

分析耦合特性隨卷煙生產排程分布的結構參數，得到集成變化規律，根據卷煙生產排程控制的約束參量進行多模控制，提高卷煙生產排程集成優化能力。

2卷煙生產排程集成優化

2.1卷煙生產排程集成控制的參量穩態調節

通過模糊相關性約束方法進行卷煙生產排程函數的最優特征函數解集分析，令Aj（L）作為卷煙生產排程過程控制的指向性中心分布函數[8]，其中j=1，2，…，k，可得卷煙生產排程的控制的狀態特征量如式（9）。

y（t）=ρ1af（t）b2

（9）

式中，f（t）為卷煙生產排程控制的特征值，ρ為卷煙生產排程控制的多普勒擴展，a為頻域分布參數，b為隨微分參數。在模糊PID過程約束下[9]，得到卷煙生產排程控制的集成約束處理如式（10）。

x·i=fi（xi，ui）D（xi，Aj（L））=

min{D（xi，Aj（L））}

（10）

通過式（10）的集成約束處理過程，可為解決卷煙生產過程中連續體結構拓撲優化問題。式中，xi∈Rn，ui∈Rm。得到卷煙生產排程集成規則函數如式（11）。

f（x）=1+10（n-1）+∑ni=2（x2i-10cos（4πxi））

（11）

采用模糊關聯規則調度方法，進行卷煙生產排程集成控制的參量穩態調節[1011]，輸出如式（12）。

h（x）=g（x）1-f（x）g（x）2

（12）

根據參數調節結果，進行卷煙生產排程集成控制的過程尋優。

2.2卷煙生產排程集成優化控制

建立卷煙生產排程集成控制的輸出尋優函數，采用參數自適應穩態調節方法進行卷煙生產排程集成調度和參數模糊度辨識，卷煙生產排程函數得模糊聚類中心滿足edp=k（p-1）+1，其中k為正整數。在Lognormal分布約束下，卷煙生產排程集成調度擬合值滿足如式（13）。

e=kdpp-1p+1k

（13）

根據卷煙生產排程集成控制的微分方程進行參數尋優，輸出尋優函數如式（14）。

G（x）=MPgLf（x）

（14）

采用APS流程控制方法進行卷煙生產排程集成調度，得到卷煙生產排程集成控制的尋優過程函數如式（15）。

limz→0Kv（z）=12Γ（v）z2-v

（15）

構建多目標約束的卷煙生產排程集成控制參數辨識模型，得到擴展方程如式（16）。

limz→0Kv（z）′=121+glny-μσ2

（16）

在凸優化子空間中，存在g2β+g2ρ=0，1≤β，ρ≤255。采用參數自適應穩態調節方法進行卷煙生產排程控制，得到邊界域BNDMC（d），輸出的穩態特征量定義如式（17）。

P（d）=max（（g（d1|Ei），…，g（dm|Ei））>0，Ei∈E}

（17）

基于上述，卷煙生產排程集成優化控制的輸出函數如式（18）。

τij（t+1）=P（d）（1-ρ）h（x）+ρΔτ（t）limz→0Kv（z）′（18）

綜上分析，實現卷煙生產排程集成優化控制。為檢驗本文方法的有效性及可行性，需進行仿真實驗。

3仿真實驗與結果分析

為了測試本文方法在實現卷煙生產排程集成控制中的應用性能，進行仿真實驗，實驗采用APS流程控制方法進行生產排程過程控制，結合Matlab進行試驗測試分析，對卷煙生產排程信息采樣的頻率為1200kHz，統計分析樣本集規模為2400，模糊PID控制的約束參量為0.24，采集過程控制約束參數，進行卷煙生產排程集成，采用APS流程控制方法進行卷煙生產排程集成調度，得到集成優化輸出如圖1所示。

分析圖1得知，采用本文方法能有效實現卷煙生產排程集成優化。由于本文方法在進行卷煙生產排程集成輸出時通過模糊相關性約束方法對卷煙生產排程函數的最優特征函數解集進行集成約束處理，優化卷煙生產過程中連續體結構，并采用模糊關聯規則調度方法，完成卷煙生產排程集成控制的參量穩態調節，以實現穩態狀態下卷煙生產的高輸出目的。

測試控制的收斂性，得到對比結果如圖2所示。

分析圖2得知，采用該方法進行卷煙生產排程集成優化控制的穩態控制能力較強，這是由于本文方法采用了Lyapunov函數，使該生產線系統處于平衡狀態，以確保卷煙生產的約束參量模型處于漸近穩定狀態，以實現排程集成的高收斂性。因此本文方法具有很好的卷煙生產排程集成控制和流程管控能力，更適用于卷煙生產排程中。

4總結

建立卷煙生產排程集成優化約束參量模型，采用大數據信息融合調度技術，進行卷煙生產排程集成優化設計，提高卷煙生產排程集成控制的自適應性，本文提出基于APS的卷煙生產排程集成優化方法。構建卷煙生產排程集成控制的約束參量模型，結合模糊PID控制方法進行卷煙生產排程集成控制過程中的參量穩態調節，構建多目標約束的卷煙生產排程集成控制參數辨識模型，采用APS流程控制方法進行卷煙生產排程集成調度，建立卷煙生產排程集成控制的模糊控制律，采用參數自適應穩態調節方法進行卷煙生產排程集成調度和參數模糊度辨識，實現卷煙生產排程集成優化控制。研究得知，該方法進行卷煙生產排程集成優化控制的自適應性較好，穩態控制能力較強，具有很好的應用價值。

參考文獻

[1]王楚捷，王好賢.MCORD下無線接入網絡資源分配研究[J].計算機工程與應用，2018，54（22）：9298.

[2]王曉雷，陳云杰，王琛，等.基于Qlearning的虛擬網絡功能調度方法[J].計算機工程，2019，45（2）：6469.

[3]李自強.復雜軌道交通多目標調度效率數學建模仿真[J].計算機仿真，2018，35（8）：119122.

[4]StoeanC，PreussM，StoeanR，etal.Multimodaloptimizationbymeansofatopologicalspeciesconservationalgorithm[J].IEEETransonEvolutionaryComputation，2010，14（6）：842864.

[5]LiangJJ，QuBY，MaoXB，etal.DifferentialevolutionbasedonfitnessEuclideandistanceratioformultimodaloptimization[J].Neurocomputing，2014，137（8）：252260.

[6]CZIBULAG，MARIANZ，CZIBULAIG.Detectingsoftwaredesigndefectsusingrelationalassociationrulemining[J].KnowledgeandInformationSystems，2015，42（3）：545577.

[7]HILLSJ，BAGNALLA，IGLESIABDL，etal.BruteSuppression：asizereductionmethodforApriorirulesets[J].JournalofIntelligentInformationSystems，2013，40（3）：431454.

[8]汪成亮，溫鑫.智能環境下分布式Rete算法[J].計算機應用，2016，36（7）：18931898.

[9]HanSI，LeeJM.Fuzzyechostateneuralnetworksandfunneldynamicsurfacecontrolforprescribedperformanceofanonlineardynamicsystem[J].IEEETransactionsonIndustrialElectronics，2014，61（2）：10991112.

[10]PolygerinosP，WangZ，OverveldeJTB，etal.Modelingofsoftfiberreinforcedbendingactuators[J].IEEETransactionsonRobotics，2015，31（3）：778789.

[11]KoivumakiJ，MattilaJ.Stabilityguaranteedimpedancecontrolofhydraulicroboticmanipulators[J].IEEE/ASMETransactionsonMechatronics，2017，22（2）：601612.

（收稿日期：2019.08.13）