【摘要】：傳送帶給料加工站(Conveyor-Serviced Production Station,CSPS)作為一類重要的柔性生產(chǎn)系統(tǒng),被廣泛應用在現(xiàn)實生產(chǎn)制造當中,例如機器人裝配線、單元化生產(chǎn)系統(tǒng)等。因此,研究CSPS系統(tǒng)的最優(yōu)控制問題,通過合理地選擇系統(tǒng)的控制策略,實現(xiàn)長遠情況下系統(tǒng)運行代價最低,對提高系統(tǒng)的生產(chǎn)率和柔性有重要的現(xiàn)實意義。CSPS系統(tǒng)的物理模型通常為固定點撿取,機器人需要等待工件到達固定撿取點才可以進行卸載操作。隨著生產(chǎn)線的智能化發(fā)展,機器人可以對撿取區(qū)間內的工件進行移動卸載,有效降低了卸載過程的時間,進而提高了系統(tǒng)的生產(chǎn)率。但在現(xiàn)有的可移動拾取式CSPS系統(tǒng)中,為了滿足系統(tǒng)的無后效性,機器人在每次決策后都有可能會產(chǎn)生無效的延時等待時間。這種工作模式所帶來的決策延時等待時間會造成生產(chǎn)周期的延長,從而降低了系統(tǒng)的生產(chǎn)效率。因此,本文提出了一種不考慮延時等待的工作模式,通過將延時等待時間轉化為前視點的前移,解決了系統(tǒng)的無后效性問題。并以緩沖庫剩余量和機械臂位置作為系統(tǒng)的聯(lián)合狀態(tài),以前視距離作為系統(tǒng)的控制變量,建模為半馬爾科夫決策過程(Semi-Markov Decision Processes,SMDP)。在建模后,使用策略迭代算法求解最優(yōu)策略并根據(jù)該策略計算系統(tǒng)相關的性能值。另外,由于系統(tǒng)的復雜性,尤其是動態(tài)隨機性,為建模的過程帶來了很大的難度。在SMDP模型的基礎上,本文使用了Q學習算法來尋找最優(yōu)解或次優(yōu)解。通過仿真,將實驗結果與考慮延時等待的工作模式相比較。無論是理論算法還是Q學習得到的結果,均在系統(tǒng)性能方面優(yōu)于考慮延時等待的工作模式,驗證了本文所提出的的工作模式的有效性。
【圖文】：

第三章 無延時可移動拾取式 CSPS 系統(tǒng)的建模與優(yōu)化第三章 無延時決策的可移動拾取式 CSPS 系統(tǒng)的建模與優(yōu)化通過第二章的介紹可以得知，延時等待時間普遍存在于兩種現(xiàn)有的工作模中。本章的研究重點就是如何通過改進工作模式，消除延時等待的時間，以此高系統(tǒng)的性能。首先建立無延時等待的 CSPS 系統(tǒng)的物理模型，將該系統(tǒng)建立SMDP 模型。然后求解相應的系統(tǒng)性能勢，最后通過策略迭代算法求解。將求的系統(tǒng)相關的性能值與考慮延時等待的工作模式比較，分析本文提出的工作模式對于系統(tǒng)性能的提升程度。3.1 無延時決策的 CSPS 系統(tǒng)的物理模型及決策過程3.1.1 系統(tǒng)物理模型

合肥工業(yè)大學碩士學位論文次的決策過程。因此，在下一決策時刻，從新距離，依然只取決于緩沖庫當前剩余存儲量和程如下：在nT 時刻，系統(tǒng)經(jīng)過決策行動之后所產(chǎn)生的時刻系統(tǒng)的狀態(tài)為m ,pS。此時，將前視點的位置置lookaheadnewP ，如圖 3.3 所示。則在新的前視點nP,'m pSv。其中，虛擬策略只是起到了一個過渡的的新的虛擬策略只與當前系統(tǒng)的聯(lián)合狀態(tài)有關于原始的前視點lookaheadinitialP 來說，，新的策略m ,pSv策產(chǎn)生的延時等待時間 的疊加，即, ,'m p m pS Sv v后的新策略m ,pSv。
【學位授予單位】：合肥工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：F273;TP273

【參考文獻】

相關期刊論文 前10條

1 唐昊;裴榮;周雷;譚琦;;基于狀態(tài)聚類的多站點CSPS系統(tǒng)的協(xié)同控制方法[J];自動化學報;2014年05期

2 龐成立;;基于現(xiàn)場總線的工業(yè)機器人智能控制研究[J];煤炭技術;2012年09期

3 劉冰;唐昊;周雷;;基于CMAC神經(jīng)網(wǎng)絡的多工序CSPS系統(tǒng)分層優(yōu)化控制[J];電子技術;2012年07期

4 周雷;孔鳳;唐昊;張建軍;;小腦模型關節(jié)控制器網(wǎng)絡在傳送帶給料生產(chǎn)加工站學習優(yōu)化控制中的應用[J];控制理論與應用;2011年11期

5 劉晨光;廉潔;李文娟;殷勇;;日本式單元化生產(chǎn)——生產(chǎn)方式在日本的最新發(fā)展形態(tài)[J];管理評論;2010年05期

6 唐昊;萬海峰;韓江洪;周雷;;基于多Agent強化學習的多站點CSPS系統(tǒng)的協(xié)作Look-ahead控制[J];自動化學報;2010年02期

7 唐昊;丁麗潔;程文娟;周雷;;搬運系統(tǒng)作業(yè)分配問題的小腦模型關節(jié)控制器Q學習算法[J];控制理論與應用;2009年08期

8 周延佑;陳長年;;多品種、單件、小批量生產(chǎn)和少品種、大批量生產(chǎn)解決方案的新發(fā)展——IMTS 2006觀后感之二[J];制造技術與機床;2007年05期

9 代桂平,殷保群,李衍杰,周亞平,奚宏生;半Markov控制過程在平均準則下的優(yōu)化算法[J];中國科學技術大學學報;2005年02期

10 陳華根,吳健生,王家林,陳冰;模擬退火算法機理研究[J];同濟大學學報(自然科學版);2004年06期

相關博士學位論文 前1條

1 楊婷;離散Markov與semi-Markov隨機切換系統(tǒng)的分析與控制[D];哈爾濱工業(yè)大學;2016年

相關碩士學位論文 前1條

1 許玲玲;產(chǎn)銷一體化模式下CSPS系統(tǒng)的優(yōu)化控制[D];合肥工業(yè)大學;2014年

本文編號：2711493