[发明专利]一种考虑机器多维特征属性的作业车间瓶颈识别方法

摘要

本发明提出了一种考虑机器多维特征属性的作业车间瓶颈识别方法。首先采用优化算法进行作业调度优化求解，其次改变传统依据机器单方面因素识别瓶颈的做法，综合考虑瓶颈的多方面特征属性，提出多属性瓶颈识别方法，综合全面评价机器性能进行瓶颈识别。本发明将瓶颈利用和瓶颈识别问题放在统一框架下进行集成求解，解决了传统瓶颈识别与优化方案相割离而导致瓶颈识别不准、优化方案不优等不足；得到调度优化方案后，综合考虑机器的不同特征属性，采用TOPSIS多属性瓶颈识别方法进行瓶颈识别，克服了传统瓶颈识别指标片面、识别结果偏颇的缺陷。

主权项

一种考虑机器多维特征属性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：采用优化算法确定作业车间的最优调度方案Ω：Ω＝{{B11,…,Bv1,…,Be1;C11,…,Cv1,…,Ce1;Z11,…,Zv1,…,Ze1},…,{B1i,…,Bvi,…,Bei;Cli,…,Cvi,…,Cei;Zli,…,Zvi,…,Zei},…,{B1m,…,Bvm,…,Bem;Clm,…,Cvm,…,Cem;Zlm,…,Zvm,…,Zem}}其中，Bvi表示第v∈E＝{1,2,…,e}个工件在第i∈M＝{1,2,...,m}台机器上的开始加工时间，Cvi表示第v个工件在第i台机器上的加工完成时间，Zvi表示第v个工件在第i台机器上的工装准备时间；步骤2：建立机器集为A＝{A1,A2,...,Am}，评价属性集为X＝{X1,X2,...,Xn}；根据步骤1得到的最优调度方案Ω，计算每个机器各评价属性值，得到用于瓶颈识别的决策矩阵D＝(xij)m×n，xij是第i个的机器的第j个评价属性值；步骤3：采用向量标准化方法将步骤2的决策矩阵D＝(xij)m×n转换成标准决策矩阵R＝(rij)m×n： r ij = x ij / Σ i = 1 m x ij 2 步骤4：采用熵权法确定评价属性权重，评价属性权重向量W＝(ω1,ω2,...,ωj,...,ωn)：步骤4.1：将各评价属性值标准化，其中第j个属性下第i台机器的无量纲化属性值pij为： p ij = x ij / Σ i = 1 m x ij 步骤4.2：计算第j个评价属性的熵值Ej： E j = - δ Σ i = 1 m p ij ln p ij 其中δ＝1/lnm，保证了0≤Ej≤1；步骤4.3：计算第j个属性的信息偏差度dj：dj＝1‑Ej步骤4.4：对信息偏差度进行归一化计算权重：当决策者没有评价属性间的偏好时： ω j = d j / Σ j = 1 n d j 当决策者有评价属性间的偏好时： ω j = λ j d j / Σ j = 1 n λ j d j 其中λj为决策者的主观权重；步骤5：将步骤4得到的评价属性权重纳入标准决策矩阵R＝(rij)m×n中，得到加权标准化决策矩阵V＝(vij)m×n＝(ωjrij)m×n；步骤6：确定评价属性的正、负理想解A+和A‑： A + = { ( max i v ij | j ∈ J ) , ( min i v ij | j ∈ J ′ ) | i = M } = { v 1 + , v 2 + , . . . , v j + , . . . , v n + } A - = { ( min i v ij | j ∈ J ) , ( max i v ij | j ∈ J ′ ) | i ∈ M } = { v 1 - , v 2 - , . . . , v j - , . . . , v n - } 其中J为效益型评价属性集合，J′为成本型评价属性集合；步骤7：通过n维Euclid距离计算各机器与正理想解以及负理想解之间的距离：每台机器到正理想解的距离为： S i + = Σ j = 1 n ( v ij - v j + ) 2 每台机器到负理想解的距离为： S i - = Σ j = 1 n ( v ij - v j - ) 2 步骤8：计算每台机器与正理想解A+的贴近度Ci： C i = S i - / ( S i + + S i - ) , 0 < C i < 1 得到贴近度Ci最大的机器为作业车间的瓶颈。