技术摘要：
本发明提供一种面向小批量多品种的可重构生产线调度优化方法，包括：根据柔性生产线领域的系统概念和逻辑，结合本体建模方法，给出车间生产线信息本体模型构建流程，构建柔性生产线的领域本体模型；基于SWRL语言建立本体的知识推理规则库并进行知识推理，结合车间生产  全部
背景技术：
随着客户需求的多样性和个性化的趋势愈发显现，当前制造业中多品种、小批量、 个性化的生产模式逐渐成为主流。相比传统的制造模式，多品种小批量的生产模式在感知 市场变化和制造敏捷性上优势明显。多品种小批量生产模式具有如下一些特点：1)离散型 制造模式。多品种小批量制造的产品通常由多个零件装配成型，属于典型的离散型制造模 式。2)订单驱动生产，通用件与标准件协同制造。多品种小批量制造商由于离散型制造的特 点，零部件和工艺环节管理复杂，故一般基于订单组织生产。此外，为了兼顾工艺通用性和 产品专业性，多品种小批量生产通常按照一定标准同时库存通用件和标准件。3)加工时间 严格。用户通常要求多品种小批量制造商在特定时间节点前，按照约定的数量完成所需产 品的加工。然而大多数企业常因供货不到位影响生产。4)进度控制难度大。多品种小批量制 造涉及的零部件繁多、工艺流程复杂多变，工件通常面临多加工单元间转移、运输距离长等 情况，导致进度控制难度较大。5)外界条件动态性高。由于市场需求、订货规格、交货时间等 因素的不确定性，使得工艺流程和相关指标经常更改，导致任务紧急、完工时间不确定等意 外事件发生。本体知识表达和推理、车间调度算法是本发明实现多品种小批量智能制造产 线的关键技术，常见的应用于调度理论的智能优化算法包括遗传算法(GA)、禁忌搜索(TS)、 粒子群算法(PSO)、分散搜索(SS)、模拟退火(SA)、人工免疫系统(AIS)和蚁群算法(ACO)等。
技术实现要素：
本发明的目的在于提供一种面向小批量多品种的生产线调度优化方法，针对生产 线建立本体模型和本体知识推理规则，根据生产线调度的需求，推理出生产线隐性知识，并 将之作为生产线的初始生产状况，同时将此初始生产状况作为柔性作业车间调度问题 (FJSP)的约束条件之一，最后进行调度问题的优化，使得生产线的优化问题更具有广泛性 和可行性。 为实现上述目的，本发明提供一种面向小批量多品种的可重构生产线调度优化方 法，包括： (1)根据柔性生产线领域的系统概念和逻辑，结合本体建模方法，给出车间生产线 信息本体模型构建流程，构建柔性生产线的领域本体模型； (2)基于SWRL语言建立本体的知识推理规则库并进行知识推理，结合车间生产线 信息服务匹配方法，推导出生产线的生产状况； (3)针对柔性作业车间调度决策和生产线当前生产状况的约束建立数学模型，使 用基于遗传算法结合禁忌搜索算法的优化方法对该模型进行优化，优化的目标函数是工件 的总加工时间，优化参数是工件的加工序列。 4 CN 111582561 A 说　明　书 2/5 页 进一步地，步骤(1)所述的本体模型构建流程为：明确本体建模的目的和范围、判 断是否复用、车间生产线信息分类术语及概念分析、车间生产线信息概念之间关系定义、定 义车间生产线信息属性及取值类型、领域本体模型构建和本体评价，并最终生成车间生产 线信息本体模型库。 进一步地，步骤(2)所述的进行知识推理的过程为： 根据步骤(1)获得的领域本体，建立领域规则； OWL解析器把领域本体解析为推理引擎能够识别的格式，并将类、关系、属性和实 例等本体中的信息导入事实库，SWRL解析器把SWRL规则解析为推理引擎可以识别的格式， 然后把解析后的规则放入规则库中； 推理引擎根据事实库和规则库进行推理，形成OWL新的事实库，并将其写入OWL知 识库。 进一步地，步骤(3)中柔性作业车间调度决策需要满足以下约束条件： 机器约束：任何工件在同一时刻只能在一台机器上进行加工，且机器加工不能被 中断； 分配约束：每台机器在任何时刻只能加工某个工件的某道工序； 变量约束：每个工件的加工时间已知，且均为大于零的实数； 工序约束：每个工件工序之间存在先后顺序，不同工件工序之间无约束关系； 且生产线当前生产状况需要满足约束：每次调度优化时要通过本体模型知识推理 来获取当前生产线的设备状况。 进一步地，步骤(3)所述的数学模型为： 工件j1在机器1上的加工时间为T(ji，k)，因此工件j1在机器1上的加工完成时间 为： C(j1，1)＝T(j1，1) 工件j1在机器k上的加工完成时间为： C(j1，k)＝C(j1，k-1) T(j1，k)，k＝2，3...m 工件ji在机器1上的加工完成时间为： C(ji，1)＝C(ji-1，1) T(ji，1)，i＝2，3...n 工件ji在机器k上的加工完成时间为： C(ji，k)＝max{C(ji-1，k)；C(ji，k-1)} T(ji，k)，i＝2，3...n，k＝2，3...m 工件的总加工时间为： C＝C(jn，m) 进一步地，步骤(3)所述的基于遗传算法结合禁忌搜索算法的优化方法为： 步骤3.1：设计遗传个体，采用实数的编码方式，一条染色体表示一个工件的加工 序列，染色体的长度为工件工序的数量，染色体中基因表示对应工序所选择的加工设备序 号； 步骤3.2：采用全局选择结合局部选择来产生初始种群，先随机产生一部分个体， 再从中选择最好个体加入初始种群中，一直循环操作，直到初始种群个体数目达到预定值， 产生种群P(t)； 5 CN 111582561 A 说　明　书 3/5 页 步骤3.3：对种群进行适应度评价，适应度函数为 其中 表示第i个 染色体的最大加工完成时间，计算每个粒子的适应度值P(i)； 步骤3.4：采用精英选择策略选择个体； 步骤3.5：按自适应交叉概率进行个体的交叉； 步骤3.6：按自适应变异概率进行个体的变异，得到种群P2(t)； 步骤3.7：用禁忌搜索算法进行局部寻优，更新P2(t)种群，并将个体按适应度值由 好到差进行排序； 步骤3.8：判断终止条件是否满足，若是，输出最优个体，目标函数，并搜索结束；若 不是，迭代次数加一，转到步骤4.3，重新进行个体寻优。 与现有技术相比，本发明具有如下有益效果： (1)对于多品种小批量智能制造生产产线而言，制造资源的本体构建与推理机制 实现了制造资源的知识表达、增强了加工过程的智能化程度； (2)基于遗传算法和禁忌搜索算法的个性化定制调度，从决策层面优化了单批次 生产过程的资源配置。 附图说明 图1为生产线领域的本体建模流程示意图。 图2为基于本体模型的知识推理过程示意图。 图3为基于遗传算法结合禁忌搜索算法的柔性作业车间调度问题(FJSP)优化过程 示意图。 图4为本发明方法的整体框架图。