一种以机器特征属性为区间数的作业车间瓶颈识别方法

摘要

本发明提出了一种以机器特征属性为区间数的作业车间瓶颈识别方法，首先采用优化方法获得调度问题的调度优化方案，其次建立区间属性值的多属性瓶颈识别模型，将瓶颈识别问题转化为根据多个评价属性综合评价候选机器的多属性决策问题，然后采用改进的三参数区间TOPSIS进行瓶颈的最终判定。本发明采用改进的三参数区间TOPSIS瓶颈识别方法增强了区间的信息表示能力，提高了区间的信息精度，改进的三参数相离度公式解决了属性区间分布概率不相同的权重确定问题，能有效地确定机器属性的权重；区间多属性瓶颈识别方法的贴近度C_i充分挖掘设备属性蕴涵的信息，相比确定性多属性瓶颈识别方法，具有更高的瓶颈识别质量。

主权项

一种以机器特征属性为区间数的作业车间瓶颈识别方法，其特征在于：包括以下步骤：步骤1：建立生产系统及加工任务的仿真模型，并在仿真模型中设置随机扰动；采用优化算法优化生产投料次序，得到G个优化调度方案{S₁,S₂,…,S_G}；步骤2：建立所有m台加工机器的机器集M＝{M₁,M₂,...,M_m}，建立机器的n个评价属性的评价属性集X＝{X₁,X₂,...,X_n}；步骤3：根据步骤1中的G个优化调度方案，计算每个优化调度方案下每台机器的评价属性值，得到每台机器下每个评价属性的属性值区间，其中第i台机器的第j个评价属性的属性值区间为和分别表示根据G个优化调度方案计算得到的第i台机器第j个评价属性中G个属性值的最小值和最大值；建立用于瓶颈识别的区间多属性决策矩阵$\tilde{D}={\left({\tilde{x}}_{\mathrm{ij}}\right)}_{m\times n}={\left\{\right[x_{\mathrm{ij}}^L,x_{\mathrm{ij}}^U\left]\right\}}_{m\times n}(i=\mathrm{1,2},...,m,j=\mathrm{1,2},...,n);$步骤4：采用改进的三参数区间TOPSIS进行瓶颈的最终判定：步骤4.1：采用向量标准化方法将区间多属性决策矩阵转化为规范化决策矩阵其中：当评价属性x_ij类型为效益型属性时：$\left\{\begin{array}{c}{r}_{\mathrm{ij}}^L=x_{\mathrm{ij}}^L/\sqrt{\underset{i=1}{\overset{m}{\Sigma }}{\left(x_{\mathrm{ij}}^U\right)}^2}\\ r_{\mathrm{ij}}^M=x_{\mathrm{ij}}^M/\sqrt{\underset{i=1}{\overset{m}{\Sigma }}{\left(x_{\mathrm{ij}}^M\right)}^2}\\ r_{\mathrm{ij}}^U=x_{\mathrm{ij}}^U/\sqrt{\underset{i=1}{\overset{m}{\Sigma }}{\left(x_{\mathrm{ij}}^L\right)}^2}\end{array}\right.$当评价属性x_ij类型为成本型属性时：$\left\{\begin{array}{c}{r}_{\mathrm{ij}}^L=(1/x_{\mathrm{ij}}^U)/\sqrt{\underset{i=1}{\overset{m}{\Sigma }}{(1/x_{\mathrm{ij}}^L)}^2}\\ r_{\mathrm{ij}}^M=\left({1/x}_{\mathrm{ij}}^M\right)/\sqrt{\underset{i=1}{\overset{m}{\Sigma }}{(1/x_{\mathrm{ij}}^M)}^2}\\ r_{\mathrm{ij}}^U=\left({1/x}_{\mathrm{ij}}^L\right)/\sqrt{\underset{i=1}{\overset{m}{\Sigma }}{\left({1/x}_{\mathrm{ij}}^U\right)}^2}\end{array}\right.$为区间的区间中心，表示区间中评价属性x_ij的数学期望；步骤4.2：将评价属性权重向量W＝(ω₁,ω₂,...,ω_j,...,ω_n)纳入规范化决策矩阵中，得到加权规范化决策矩阵$\tilde{Y}={\left({\tilde{y}}_{\mathrm{ij}}\right)}_{m\times n}={\left({\omega }_j{\tilde{r}}_{\mathrm{ij}}\right)}_{m\times n}$所述评价属性权重向量满足单位化约束条件ω_j≥0，j＝1,2,...,n，且步骤4.3：确定评价属性的正、负理想解第j个评价属性的正理想解${\tilde{y}}_j^{+}=[y_j^{+L},y_j^{+U}]=[\underset{i}{\max }\left(y_{\mathrm{ij}}^L\right),\underset{i}{\max }\left(y_{\mathrm{ij}}^U\right)];$第j个评价属性的负理想解${\tilde{y}}_j^{-}=[y_j^{-L},y_j^{-U}]=[\underset{i}{\min }\left(y_{\mathrm{ij}}^L\right),\underset{i}{\min }\left(y_{\mathrm{ij}}^U\right)];$区间中心的正理想解区间中心的负理想解步骤4.4：确定每台机器分别到正理想解和负理想解的距离：$D_i^{+}=\underset{j=1}{\overset{n}{\Sigma }}\left|\right|{\tilde{y}}_{\mathrm{ij}}-{\tilde{y}}_j^{+}\left|\right|=\underset{j=1}{\overset{n}{\Sigma }}\left[\right|y_{\mathrm{ij}}^L-y_j^{+L}|+|y_{\mathrm{ij}}^M-y_j^{+M}|+|y_{\mathrm{ij}}^U-y_j^{+U}\left|\right]$$D_i^{-}=\underset{j=1}{\overset{n}{\Sigma }}\left|\right|{\tilde{y}}_{\mathrm{ij}}-{\tilde{y}}_j^{-}\left|\right|=\underset{j=1}{\overset{n}{\Sigma }}\left[\right|y_{\mathrm{ij}}^L-y_j^{-L}|+|y_{\mathrm{ij}}^M-y_j^{-M}|+|y_{\mathrm{ij}}^U-y_j^{-U}\left|\right]$并确定每台机器对理想解的贴近度C_i：C_i为区间多属性瓶颈识别评价值，C_i值最大的机器为系统的瓶颈机器。