面向任务测量

2024-08-02

面向任务测量(共7篇)

面向任务测量 篇1

0 引言

坐标测量机是广泛应用在制造领域的几何量测量设备。坐标测量机按规范经过校准,其长度测量能力和形状测量能力有了溯源,但其测量对象复杂,测量策略和应用软件丰富多样,仅凭长度和形状的校准结果评估坐标测量机面向任务的不确定度是不全面的。而面向任务的不确定度又影响坐标机对测量结果的符合性判断,因此,科学地估算坐标机面向任务测量的不确定度对正确使用坐标机有重要意义。本文参考国际通用的做法,采用已校准过的标准件来评估面向任务的不确定度。这是基于实验的方法,选用的标准件与被测对象近似,坐标测量机运用相同的测量方案重复测量此标准件,并与标准件的校准结果进行比较,综合分析各种不确定度的来源,合成即可得到面向任务的不确定度。

1 不确定度评估准备

(1) 确保采用的标准件与实际工件有相近材质、几何形状和尺寸,对于角度两者相差不能大于5o,尺寸差别不能大于10%。该标准件的相关尺寸要素经过校准,其校准的不确定度应尽可能小并具有足够的可靠性。

(2)对于测量标准件与实际工件,坐标机配置和测量方案一致,同时保证两者的测量环境条件相似。

(3)将标准件安放在坐标机的正常工作区域,采用相同的测量程序对被测量的尺寸要素由不同的操作员、在不同的时间段重复测量20次。

2 产生不确定度的原因

这种基于实验的不确定度评估方法,对坐标机来说除了被测对象由工件换成标准件外,其余条件完全一致。不确定度的来源主要有:①测量过程;②标准件的校准;③被测对象形状误差的改变、材料膨胀系数的差别和表面特性的不同;④环境条件的实际变化情况。

3 不确定度计算

扩展不确定度U,由式(1)计算(置信水准取95%,则系数k=2):

undefined。 …………………… (1)

其中:ucal为标准件校准证书给出的不确定度分量;up为坐标机测量过程引入的不确定度分量;uw为不同测量对象因材质与加工导致的不确定度分量;b为坐标测量机的系统误差。

(1)标准件校准证书给出的其相关尺寸要素的扩展不确定度为Ucal,则:

ucal=Ucal/k 。

(2)坐标机测量过程有许多因素如坐标的机械运动误差、探测误差、光栅尺分辨率、温度梯度、装夹、测量重复性等都会引起测量数据的变化,故引入了不确定度分量up,由多次测量的标准差来考虑各因素的综合影响,那么:

undefined。 …………………… (2)

其中:n为某项尺寸要素的测量次数;undefined为其测量的平均值;yi为第i个测量值。

(3)工件表面的实际加工状况属于微观效应,对测量不确定度的影响是可以忽略的,最大的影响量是当材质改变后,因环境温度变化引起的不确定度。对于不同测量对象因材质与加工导致的标准不确定度分量uw,由下式估算:

uw=(T-20)×uα×L 。 …………………… (3)

其中:uα为标准件的材料热膨胀系数引入的不确定度;T为标准件在测量过程中的平均温度;L为测量尺寸要素的大小。

4 计算实例

采用坐标机测量如图1所示工件的直径、倾斜度与位置度,计算各尺寸要素的不确定度。

选用一个标准工件,该标准件经有能力的机构校准,并提供校准证书,证书上有关尺寸要素的测量结果见表1。

考虑到坐标机是24 h连续工作,在24 h内,取基本相同的时间间隔测量标准工件,每次测量完毕后记录各尺寸要素,测量数据见表2,并计算各尺寸要素的标准偏差。

实际工作环境的温度为(20±2)℃,标准件的材料热膨胀系数误差为±1×10-6/℃,按均匀分布处理(分布系数undefined,则材料热膨胀系数引入的不确定度分量undefined。对于Φ150 mm的孔径,uw=150×0.58×10-6×2 ≈0.000 2 mm。

对于倾斜度,在长度450 mm的范围内,uw=450×0.58×10-6×2 ≈0.000 5 mm。对于位置度,该项不考虑。

得到各标准不确定度后,经过合成,代入式(1),得到扩展不确定度,汇总于表3。

本实例,直径、倾斜度和位置度测量的扩展不确定度与各自最大允许误差的比值分别为20%、14%和6%,均不大于30%,表明测量能力足够。

5 结束语

采用校准过的标准工件来评估坐标机面向任务的不确定度,估算的原理简单、直观。该方法目前已被确定为ISO标准,向坐标测量机的使用者推广,我国的相关机构也正在将该系列标准转化为国家标准。采用此方法的缺点是需要标准工件,并经有校准能力的机构校准。标准件可以从加工的工件中去挑选,挑选出的标准工件在日后坐标机的期间核查时也很有益处。

参考文献

[1]Technical Committee.ISO/TS 1 5 5 3 0-3:2 0 0 4Geometrical Product Specifications(GPS)-Techniquefor determining the uncertainty of measurement-Part3:Use of calibrated workpieces or standards[S].[s.l.]:ISO,2004.

[2]Technical Committee.ISO/TS 15530-4:2008Geometrical Product Specifications(GPS)-Techniquefor determining the uncertainty of measurement-Part4:Evaluating task-specific measurement uncertaintyusing simulation[S].[s.l.]:ISO,2008.

[3]Technical Committee.ISO 10360-2:2001 GeometricalProduct Specifications(GPS)-Acceptance andreverification tests for coordinate measuring machines(CMM)-Part 2:CMMs used for measuring size[S].[s.l.]:ISO,2001.

[4]罗振之.JJF1001-1998通用计量术语及定义[S].北京:中国计量出版社,2003.

[5]李晓沛.GB/T16857.1-2002产品几何量技术规范(GPS)坐标测量机的验收检测和复检检测第1部分:词汇[S].北京:中国标准出版社,2002.

[6]李慎安.JJF 1059-1999测量不确定度评定与表示[S].北京:中国标准出版社,1999.

面向任务测量 篇2

面向大气背景测量试验的卫星主要用于测试红外相机的性能,大气背景测量试验主要完成对不同波段、不同区域、不同季节、不同观测角、不同气象条件和不同时相下对地球大气背景的多谱段红外辐射特性进行测量,积累红外波段地球大气背景特性数据。面向大气背景测量试验的卫星为中低轨观测卫星,具有试验项目多、任务复杂、星地协同配合要求高、试验难度大以及携带相机具有高像元辨率、高辐射测量精度、单星全球覆盖、信息量丰富等特点。如何调度面向大气背景测量试验的卫星有限的资源以完成尽可能多的任务是一项重要而棘手的难题。现针对此类卫星的背景测量任务规划问题及方法展开研究。

卫星任务规划作为任务规划一般理论与卫星应用技术相结合的专门研究方向,在最近十几年中遵循观测目标和需求的复杂化、观测资源和手段的多样化、规划调度模式、模型和算法智能化、动态化的轨迹发展。[1,2]面向大气背景测量试验的卫星规划问题的研究工作起步较晚,目前仅有美国和俄罗斯等少数国家的研究机构进行过研究。

现通过长短期任务规划相结合的规划方式,长期任务规划主要完成中低纬和高纬背景测量任务及其他周期性任务,短期任务规划主要是输出卫星在短期规划周期内的实际成像计划。在短期滚动任务规划中引入模型控制预测机制,通过卫星轨道预测模型和任务规划模型之间的相互作用,建立一种在线动态滚动式的求解框架。

1 面向大气背景测量试验的卫星任务规划问题

面向大气背景测量试验的卫星任务规划问题就是在多遥感器、多个成像需求的情况下,研究如何生成一个满意的卫星任务规划方案,合理分配卫星资源以完成更多的成像任务,充分发挥成像卫星系统的能力。

1.1 问题输入

面向大气背景测量试验的卫星主要完成用户提出的观测试验需求,包括规划周期、目标任务、卫星平台及遥感器参数等信息。这些要素构成了面向大气背景测量试验的卫星任务规划问题的基本对象。

1.2 问题输出

面向大气背景测量试验的卫星任务规划问题的输出有观测活动编号、载荷开关机时间、跟踪指向序列、试验模式、相机参数等。根据输出结果即可生成卫星上注指令,控制卫星执行相关任务。

1.3 优化目标

与卫星观测相关的规划问题,其优化目标可以有不同的形式,具体决定于卫星使用部门的偏好。针对面向大气背景测量试验的卫星对背景测量目标观测来说,卫星资源规划的优化目标是在完成观测任务对区域目标覆盖率与优先级综合收益最大的情况下,满足用户对负载均衡的要求。

1.4 约束条件

面向大气背景测量试验的卫星进行观测时必须满足一定的约束条件。

1.4.1 遥感器能力

在面向大气背景测量试验的卫星任务规划问题中,真正完成观测任务的是星载遥感器而不是卫星本身,在同一时刻只能执行一项观测任务。

1.4.2 观测时间窗口

卫星高速运行于近地轨道,当地面目标对应的观测场景位于扫描带范围内时卫星才能执行观测任务,使目标得以成像。

1.4.3 存储容量

星载存储器具有一定的存储容量限制。当存储的观测数据达到存储容量时,必须先将存储数据回传至地面站,然后卫星才能执行后续观测。

2 基于MPC的面向大气背景测量试验的卫星任务规划模型

模型预测控制MPC(Model Predictive Control),也称为滚动时域控制(Receding Horizon Control, 简称RHC),是一类基于模型预测控制算法的集合,包括工业过程中常用的动态矩阵控制、模型算法控制及广义预测控制等[3]。MPC是一种基于模型和基于优化的控制,模型预测、滚动优化和反馈校正三大优化原理[4,5],将MPC从单纯地解决控制问题推广到基于优化的广义控制问题。为了解决问题方便,面向大气背景测量试验的卫星任务规划问题可以更加确切的描述为:给定长期任务时域要求[StartTime,EndTime],在此期间有分解的若干个短期任务,按顺序的开始时间为t1,t2,…,tn-1,tn,tn+1,…,tN,其中tn∈[StartTime,EndTime],n=1,2,…,N,表示在长期任务时域[StartTime,EndTime]内共有N次短期任务,也就是存在N个决策时刻点,在具有轨道预测及用户对历史成像数据评估反馈的条件下,需要制定在这些决策时刻点卫星的观测计划,实现对大气背景的最佳观测。

由于单星完成大面积区域目标观测的困难、卫星轨道不能长期精确预测及遥感器性能受限,卫星对移动目标搜索在线任务规划问题是传统的全局规划方法无法解决的。因此在借鉴MPC思想的基础上,把成熟的预测控制原理应用于动态不确定环境下多星滚动规划问题的求解,采用多次在线滚动局部优化代替一次性的全局优化。

结合MPC的思想和多星对移动目标搜索任务规划问题的特点,构建如图1所示的面向大气背景测量试验的卫星任务规划求解框架。

2.1 滚动规划窗口

针对所研究的问题在先于短期滚动规划进行的长期任务规划中可以确定达到用户满意的任务完成率的规划周期T,将该长期规划周期T划分为若干个连续的短期任务规划。短期任务滚动规划窗口大小的确定取决于轨道预测精确度的时效性,即在根据最新的遥测数据得到的轨道根数,以及轨道预测模型的输入,得出的预测结果在多大的时间长度内是相对较为精确的,该周期的确定需要用户根据任务划分结果和影像数据管理模块中比较预测结果与实际轨道根数之间的偏差大小来确定。

图2描述了面向大气背景测量试验的卫星短期任务滚动规划窗口的场景,假设卫星完成一轨的运行时间均为tOrbit在长期任务时域要求卫星完成超过kl+2次的轨道圈次运行,时刻点分别为t1,t2,t3,…,tkl+2…。图中可以看到除了窗口PWk外每个滚动规划窗口是以提供该窗口轨道预测输入的轨道根数的时刻点tPk为开始至卫星完成(k+1)l个轨道圈次的运行时间为止,这也是滚动规划窗口的时域特性,其中窗口PWk由于不能保证每次长期规划周期都能平均分解,最后一个窗口时间是不确定的。某个长期规划分解后的第一个滚动规划窗口PW0是以距离时刻点t0最近的卫星轨道根数为基础的。

2.2 任务规划模型

为了便于表达,设定一下变量:

Targets={target1,target2,…,targetj},1≤jAlTargets是需要被观测的区域目标集合,j是区域目标编号,AlTargets是待观测的区域目标总数;

AlTasksj是区域目标j动态分解的单景任务数;

SelectijA:变量取值为0或1,1表示位于区域目标j中单景任务i被规划执行且有成像载荷A完成,0表示未被规划执行;

LPj:区域目标j的动态调整后的优先级;

arcTaskijA是具体成像计划中分配给遥感器A的位于区域目标j中的单景任务i的面积,ij表示单景任务i位于区域目标j中;

SelectWinijA是位于区域目标j中的单景任务i分配的时间窗口,且由遥感器A来执行观测。

在获得卫星轨道预测模型、定义卫星规划滚动窗口和收益函数的基础上,可以对面向大气背景测量试验的卫星短期滚动任务规划模型进行阐述。

基于滚动窗口的面向大气背景测量试验的卫星短期滚动任务规划的流程如下:

Step1:当规划系统获取第n-1个滚动规划窗口内的距离第n个窗口最近的圈次内的实际轨道根数后,按照短期滚动规划周期等时间信息建立滚动规划窗口PWnn,l,Pron,sTimen,eTimen>,其中sTimen为上述实际轨道根数对应的时刻点,eTimen为第n*l个轨道圈次完成的时刻点。

Step2:将获取的位于第n-1个滚动规划窗口内sTimen时刻的卫星轨道根数作为轨道预测模型的输入,对时间区间<sTimen,eTimen>卫星运行轨道进行预测,依据预测结果建立滚动规划窗口PWn的局部优化问题Pron={tp|sTimentpeTimen}。并根据预测结果对区域目标进行动态分解成单景任务,并获得卫星观测单景任务的时间窗口,设置或调整区域目标任务优先级。其中分解的单景任务优先级为所在区域目标任务的优先级。

Step3: 采用覆盖率和优先级综合收益最大以及卫星负载均衡等两级优化目标建立局部优化问题Pron={tp|sTimentpeTimen}的任务规划模型为

fmax=1jAlΤargets1iAlΤasks(SelectijAarΤaskijAarΤargetjLΡj+SelectijBarΤaskijBarΤargetjLΡj)

fmin=|1jAlΤargets(1iAlΤaskjSelectijSelectWinijA-(1iAlΤaskjSelectijSelectWinijB)|

由于卫星短期滚动任务规划的结果是卫星的具体成像计划,所以卫星短期滚动规划模型中除了考虑长期规划模型中提出的约束之外还应该考虑以下约束:

只能在0时刻和上述确定的时刻点进行遥测数据下传活动后才能激活滚动窗口,产生局部优化问题,因此约束

n=0,1,2,…,N-1。

每次规划的时间窗口只能是背激活的滚动窗口Pron={tp|sTimentpeTimen},即以此确定规划的起止时间。

卫星存储约束:

1jAlΤargets1iAlΤasks(SelectijADuΤimeijAmA+SelectijBDuΤimeijBmB)Μ

1jAlΤargets1iAlΤasks(SelectijADuΤimeijAρA+SelectijBDuΤimeijBρB)Ρ

Step4:针对滚动窗口Pron={tp|sTimentpeTimen}内的问题模型进行求解,获取卫星及遥感器的最佳搜索行动,并上传指令控制卫星执行。

Step5:当n=N-1时规划结束。

3 面向大气背景测量试验的卫星任务规划求解算法

卫星观测调度为NP-hard问题[6],变量规模巨大,采用精确算法难于求解。卫星对点目标的调度中,多采用启发式算法[7,8,9]、智能优化算法求解,禁忌搜索算法被证明求解较大规模的卫星规划问题较为理想。

3.1 邻域设计

设计了两种邻域结构。

3.1.1 邻域

插入邻域的功能是将尚未安排的观测活动(对单景任务的可见窗口)插入到当前解中某个观测活动之后。

3.1.2 替换邻域

替换邻域包括两种方式的替换,一是将尚未安排的收益较高的观测活动来替换当前解活动序列中的某个已安排的收益较低的活动,二是删除已安排的某活动来增大其他尚未安排的活动的机会。

3.2 禁忌列表

选用移动操作作为禁忌对象,禁止搜索过程在一定的迭代次数内重复前面达到局部最优的状态。

3.3 特赦规则

在本文所设计的禁忌搜索过程中,采用了两种特赦规则:① 如果某个当前处于禁忌状态的解优于当前解,那么可以接受向该禁忌解的移动;② 如果候选解集中全部候选解都被禁忌时,而①的规则又无法使程序继续下去,此时从候选解集中选一个质量最好的解禁。

3.4 候选解的接受准则

在禁忌搜索的每一步迭代过程中,都需要比较候选解集中全部候选解的质量,并且接受的都是候选解集中满足特赦规则的最佳候选解或是非禁忌的最佳候选解。

3.5 终止规则

设计的禁忌搜索过程采用了两条规则来判断搜索是否应该终止:① 判断当前解的邻域是否不包含任何可行的候选解,若是,则停止搜索过程;② 判断目前迭代次数是否大于最大迭代次数限制,如大于,则终止禁忌搜索过程。

3.6 最优解信息保留

由于禁忌搜索会接受比当前解质量较差的候选解,在整个搜索过程中解的质量并不是稳定上升的,且采用此算法希望得到一系列满足第一级优化目标(综合收益最大)的解,再从这些在第一级优化目标收益差异不大的解中选取满足第二级优化目标的解作为最优解。

3.7 算法流程

4 仿真实验

由于禁忌搜索局部搜索算法在理论上很难证明解的最优性,采用了实际中广泛采用的大规模计算分析法,在搜索初始时设置一个Δλ值,表示各个相邻两次搜索得出局部最优解第一级优化目标收益的差值比例,通过设置不同的Δλ值对算法对模型的适应性和求解效果进行分析。

4.1 计算实例的主要参数

区域目标与长期任务规划算法实例中保持一致。动态调整后对应的优先级分别为5和7。卫星轨道根数数据在卫星历史轨道数据中随机选择。规划周期依据实际情况及应用经验,为达到轨道预测精度与规划规模控制的要求,短期任务规划的周期选择为7天。Δλ值分别选择5%、10%、15%、20%和25%等五个最优覆盖率与优先级收益差异比例。禁忌搜索算法迭代总数上限为2000次。其他卫星资源等约束依据实际情况进行设置。

4.2 计算结果

每个Δλ值运算十次,最后取各Δλ值运算结果的均值作为用户最终选择的评价基础。

不同Δλ对覆盖率及优先级综合收益的综合影响如图4分析所示。

不同Δλ值对综合收益的影响来说是随机的,这种随机性取决于禁忌搜索算法的随机性,与Δλ值的选取没有决定性的关系。

不同Δλ对负载均衡指标优化目标的综合影响如图5分析所示。

由图5可以看出,随着Δλ的增加,负载均衡指标先是迅速减小,在Δλ增加到15%之后负载均衡指标减小的趋势变缓,增加到25%之后负载均衡指标在减小的总体趋势下,曲线趋于平缓。说明Δλ值的选择对负载均衡指标的影响还是十分大的,Δλ值的增加使得最优解列表中保存迭代过程中的最优解值范围变大,使得负载均衡指标的降低空间也变大,使得达到第二级优化目标要求的可能性增加。

5 结束语

数学模型是求解面向大气背景测量试验的卫星任务规划问题的基础,论文分析了面向大气背景测量试验的卫星的观测特点,在分析任务规划的系统性和时效性、实际约束及输入输出分析的基础上,采用长短期任务规划相结合的规划方式解决面向大气背景测量试验的卫星任务规划问题。建立了基于模型预测控制(MPC)的短期滚动规划模型。

鉴于问题的复杂程度,本文采用了分级优化策略,设计了禁忌搜索求解算法,并对算法的性能进行了分析。应用实例表明,所给出的方法能够得到满意的任务规划方案,据有很强的实用价值。

参考文献

[1]邢立宁,陈英武.任务规划系统研究综述.火力与指挥控制,2006;31(4):241—244

[2]徐一帆.天基海洋移动目标监视的联合调度问题研究.长沙:国防科学技术大学,2009

[3]白国庆.区域普查试验卫星任务规划方法与应用研究.长沙:国防科学技术大学,2011

[4]席裕庚.动态不确定环境下广义控制问题的预测控制.控制理论与应用,2000;17(5):665—670

[5]徐祖华.模型预测控制理论及应用研究.浙江大学,2004

[6] Bensana E,Verfaillie G,Bataillie N,et al.Exact&INEXACTmethods for daily management of earth observation satellite.Proceed-ings of the 4th International Symposium on Space Mission Operationsand Ground Data Systems,Germany:European Space Agency,1996:507—514

[7] Cohen R.Automated spacecraft scheduling-the ASTER example.Ground system architectures workshop.Technical Report20060030755,USA:Nasa Center,Jet Propulsion Laboratory,2002

[8]徐雪仁,宫鹏,黄学智,等.资源卫星(可见光)遥感数据获取任务调度优化算法研究.遥感学报,2007;11(1):109—114

面向任务的知识支持系统研究 篇3

在企业中实施知识管理是赢得竞争优势的一项重要手段,因此知识管理系统应最大化知识资产的效率,进而为企业增加收益和产量。企业的工作和管理活动都是面向任务并且是知识密集的,因此在实施知识管理时一项重要的工作就是提供任务相关的知识,以满足在执行任务时设计者的知识需要[1]。从先前工作中萃取的知识可以给正在实施的任务提供有价值的知识,同时也是构建一个满足用户任务需求的任务模型的有价值的来源。而目前企业的各种设计活动主要是面向设计任务的,本文构建了面向设计任务的知识提供方法,提供任务相关的知识,以满足设计者在执行任务时的知识需求,以机械加工工艺为实例建立的知识支持系统。

1 面向任务知识模型描述

构建一个满足用户任务需求的任务模型是设计知识提供的首要目标[2]。根据任务特征构建面向任务的知识模型。任务是根据具体领域工作流程确定的一个相对独立的、有明确目的的、以人为执行主体的工作单元。通过对这些任务的求解,实现提供满足用户个性化需求的知识和案例。

面向任务的知识模型的结构如图1所示。在任务求解过程中,用户根据自己的需求输入参数,通过匹配领域知识中的相关推导规则,确定任务求解所需要的知识范围、知识类型、知识结构。此外,不同的用户由于受本身经验、技能、教育程度、知识水平等影响,其思维和检索行为存在差异,因此还可以通过测试用户的知识水平、记录、分析用户的操作行为等来获取任务求解过程中用户对知识的需求。面向任务的知识模型包括任务知识结构、用户知识结构、用户行为特征信息等,系统根据这些信息向用户推送他最需要的知识。

2 知识支持系统

2.1 知识获取、知识表示

知识获取就是从人类专家获取领域知识并将知识转化为计算机可利用的形式送入广义知识库[3]。该系统采用的知识获取方式主要有以下两种:1)从设计标准、手册、规范和专家经验中获得;2)询问专家。

知识表示主要研究用什么样的方法将解决问题所需的知识存储在计算机中,并便于计算机处理[4]。该系统的后台知识库总体结构采用多文件形式的层级树形等级结构。从理论上讲,多文件结构是多个等级结构的集合。等级结构的最底层是知识单元,这些知识单元是最小的在知识利用时可操作的符号集合。知识单元包括名称、知识本体和所属知识结构层三部分。知识单元的定义如下:

知识库中存储的内容包括知识单元、分类结构、测题、设计经验、技术数据等。其中知识单元是对书本、设计参考书之类的整理和归纳,包括工艺设计的各个方面,如加工方法、机床设备、金属热处理、工艺规程的制定等内容,为用户提供翔实的设计资料参考。设计经验是对零散的专家经验等的整理。技术数据对应于工艺设计手册和已规范化的工艺规程等,由加工材料数据、加工数据、机床数据、刀具数据、量夹具数据、标准工艺规程数据、成组分类特征数据等组成。

工艺设计中的知识包括金属切削加工、加工工艺规程、典型零件加工工艺、典型表面加工工艺等围绕工艺设计的各方面。按照之前所述的知识树状结构对加工工艺领域内的知识进行组织。机械加工工艺知识结构树如图2所示。

2.2 知识支持实现机制

根据设计过程中的任务确定的任务知识需求与个体无关,而设计者个体之间差异的客观存在导致了在完成同一任务时对知识的需求不同,用户知识需求是知识支持系统的驱动因素,知识支持系统实现机制是利用一些测试题对用户进行测试,并根据用户的反应情况来估测其能力以及领域知识的掌握程度,它是系统对检索和知识补充进行动态组织的重要依据。通过它能够了解用户的原有知识水平、认知水平,并给出相应的知识评价和补充建议,从而系统根据用户知识需求进行知识查询,将查询结果主动提供给用户。用户待补充的知识根据用户自身特点和业务过程中用户所承担的任务和充当的角色等因素来确定。

知识检测应具有极高效率,尽可能以最少的测试内容诊断出用户的真实能力,而且在不同环境、不同时间内所诊断的结论是一致的。测题参考人类认知和教育测量理论制定[5]。测题方式采用计算机易于识别的单选题、多选题、判断等形式。根据任务知识模型产生任务测题库,从任务测题库中随机抽取一定量的试题构成试卷。测题包括理论知识的客观测试题和用户主观测试题。测题的产生应经过知识评测,本文运用灰色聚类评价方法进行知识评测[6],检测过程如图3所示。

3 知识支持系统应用

本系统以Windows XP服务器操作系统和Apache tomcat服务器为平台,采用浏览器/服务器模式(Browser/Server,B/S模式)的体系结构,SQL Server 2000数据库管理系统作为后台知识库的存储工具,人机交互界面利用jsp语言在通用工具平台Eclipse环境下开发,实现系统的在线服务,图4为系统一运行界面。整个系统涉及多个界面的显示与操作,主要有以下3个模块:

1)系统管理:主要提供用户注册信息显示与更改,审核用户注册信息和修改用户所具有的权限等功能;

2)知识管理:主要实现对知识信息的管理,包括知识审核、添加知识、修改知识、删除知识等功能;

3)知识支持:系统的核心模块。主要根据设计任务的描述来提供用户所需的领域知识和经验实例,使用户能够快速的利用和学习知识,以便为用户提供设计参考和解决思路。

4 结语

本文构建面向任务的知识提供方法,可提供任务的相关知识,以满足设计者在执行任务时的知识需求,并以机械加工工艺为实例建立了知识支持系统。其主要目标是实现设计知识继承和共享,从而解决海量知识利用问题,为企业设计人员提供更强有力的设计支持。

参考文献

[1]Duen-Ren Liu.Collaborative relevance assessment for task-based knowledge support[J].Decision Support Systems,2008(44):524-543.

[2]Simon Szykman,Ram D.Sriram.The role of knowledge in next-generation product development systems[J].ASME Journal of Computer and Information Science in Engineering,2001,1(1):16-21.

[3]杨炳儒.知识工程与知识发现[M].北京:冶金工业出版社,2000.

[4]Chen Y M,Chen Y J,Wang C B,et al.Knowledge refinement for engineering knowledge management[J].Concurrent Engineering,Research and Applications,2005,13(1):43-56.

[5]余胜泉,何克抗.基于Internet网络的适应性学习系统的研究[C].第三届全球化人计算机教育应用会议,1999.

面向任务测量 篇4

随着遥感卫星技术水平的不断发展, 针对遥感卫星应用需求的研究也不断深入, 已经由原来的点目标瞬时成像发展到区域目标等复杂目标的成像。区域目标通常不能被星载遥感器的一个瞬间视场或一个扫描条带覆盖, 必须先将其分割成较小的条带, 再将这些小条带分配给相应的卫星进行遥感成像。合理的分割方法和精心设计的任务规划算法是完成区域目标成像的关键技术, 本文对现有的区域分割方法进行了改进, 提出了一种新的动态划分方法, 在此基础上提出了一种邻域求解算法, 解决了区域目标遥感的任务规划问题。

1区域目标的动态划分方法

如前所述, 区域目标通常不能被星载遥感器的一个瞬间视场或一个扫描条带覆盖, 其常常表现为一个由多边形或封闭曲线包含的大范围区域[1]。针对区域目标的成像, 通常是由多颗遥感卫星多次成像完成的, 因此首先必须根据不同卫星的光照条件、分辨率、图像类型、时间窗和遥感器灵巧程度等约束条件, 将区域目标划分为单个卫星一次成像 (或开机) 就能完成的条带集合。

现有区域目标的划分方法[2,3]主要有依据卫星观测的单景进行划分、采用预定义的参考系统进行划分以及采用固定宽度的条带进行划分。欧空局Lema1^tre[3]等人按照星载遥感器的技术参数将以多边形表示的区域目标划分为多个相邻等幅宽的矩形条带, 其中每个矩形条带对应于星载遥感器的一个观测活动。

但是, Lema1^tre等人所给出的分割方法没有考虑卫星观测范围这一重要影响因素, 导致分割出的观测场景可能没有合适的可见时间窗, 由此会产生一种极端情况:分割得到的条带都没有可见时间窗, 浪费过境观测机会。本文对此进行了改进, 通过采用观测范围作为分割过程参考边界, 预先排除了无法观测的区域, 避免了分割结果没有可见时间窗的情况, 并且通过引入偏移参数, 可以根据具体情况选择偏移参数以调整相邻条带的重叠程度, 使分割更为灵活。

分割过程沿着区域目标和观测范围的重叠部分由西向东进行 (如图1所示) , 在垂直轨道方向以偏移参数Δλ为间隔由西向东逐条地布置条带, 使相邻2个条带的西侧边界 (平行于卫星轨道方向) 间距等于偏移参数Δλ, 直到条带集合完全覆盖区域目标位于观测范围内的部分。其中, 条带的长度 (轨道方向) 根据条带与区域目标边界的交点位置决定。

2区域目标任务规划的邻域搜索算法

将区域目标进行动态划分后, 就构造出了每个卫星针对区域目标的候选观测任务集合, 因为划分的时候允许候选条带之间有重叠, 因此划分生成的候选观测任务数量大大增加, 而且偏移参数设置的越小, 重叠量越大, 相应的候选观测任务数量也越多, 区域目标规划问题的解空间也就越大, 这虽然有利于找到较优的解, 但同时也使算法求解效率降低, 因此必须针对区域目标的任务规划问题设计能快速得到高质量解的求解算法。

鉴于此, 本文综合贪婪规则、随机模式和变邻域等因素设计了贪婪随机变邻域搜索算法 (Greedy Randomized Variable Neighborhood Search, GRVNS) 。整个求解阶段划分为以下3个阶段:

① 初始解构造阶段。

主要任务是按照给定的规则构造出一个可行解作为局部搜索的起点, 这一阶段的工作需要考虑解的合法性;

② 局部搜索阶段。

该阶段是模型求解的主要部分, 它是一个反复迭代的过程, 每一步迭代过程都是首先根据具体算法的需求以及不同阶段的优化目标选择合适的邻域结构, 然后基于当前解构造出指定类型的邻域, 接着在邻域中按照预定的规则改进当前解并更新最优解候选集, 如此反复迭代直到满足终止规则;

③ 微调阶段。

主要任务是在获得最优解候选集之后逐个地处理最优解候选集中的解, 剔除因为场景重叠而产生的冗余活动, 直到所有候选解都不包含冗余活动, 此时再从候选最优解中选择一个观测成本最小的解作为最优解。

该算法最大的特点是在局部搜索阶段采用了分级优化策略, 将局部搜索过程划分为多个阶段, 并根据不同的阶段性目标采用不同结构的邻域, 并在每一步迭代过程以随机模式调整邻域中候选解的先后顺序, 同时在判断是否接受候选解时采取了贪婪规则, 只接受比当前解质量优的候选解。这种算法具有使用简单、求解速度快、解质量稳定等优点, 很大程度上改进了一般启发式算法容易陷入局部最优的不足。

2.1邻域

GRVNS算法采用变邻域分级优化的思想, 在不同阶段根据不同阶段性目标采用relocatetoS (Sol) 和exchange (Sol) 两种邻域结构。

2.1.1 relocatetoS (Sol)

该邻域的功能是基于当前解Sol, 将占用虚拟资源S0的活动转移到真实资源的活动序列中, 如图2所示。

构造要素包括:源资源S0、需重新分配的活动j、目的资源resj、目的位置标记posj。其中目的位置标记posj是指活动j转移到目的资源resj时所要插入并紧跟的活动, 即图中的活动i。当目的位置标记posj=0时, 表示活动j要作为资源resj活动序列的起始活动。在候选解的构造过程中, 首先将源资源S0上与活动j有关的活动时序关系都破坏, 如prevj与j、j与nextj、i与nexti等, 并建立新的活动顺序关系, 如i与j、j与nexti、prevj与nextj。

在搜索过程中采用这一种邻域结构, 解的整体收益将始终保持着非减的变化趋势。

2.1.2 exchange (Sol)

该邻域的功能是基于当前解Sol将分别位于虚拟资源和真实资源上的活动进行位置互换, 如图3所示。构造要素包括:虚拟资源S0、资源S0上待交换的活动j、资源resj、资源resj上待交换的活动i

在候选解的构造过程中, 首先破坏previiinextiprevjjjnextj之间的顺序关系, 交换活动ij, 并建立previjjnextiprevjiinextj之间的顺序关系。

该结构邻域实质是交换已安排执行的活动和未安排执行的活动, 它不能保证解对应的整体收益一直保持非减的趋势。因此, 如果要求解的整体收益在搜索过程中始终保持增长的趋势, 需要在求解算法中设置相应的迭代规则。

该邻域可用于对卫星成像方案的多目标优化过程, 既可以通过交换活动促使整体收益增长, 又可通过在保持整体收益不变的条件下, 用低成本的活动置换高成本的活动实现解质量的提高。

2.2候选解的接受准则

GRVNS算法在判断是否接受候选解时采取了贪婪规则, 总是以当前搜索阶段的优化目标为评价标准, 接受邻域中比当前解质量更好的局部最优解。比如在以最大化整体收益为优化目标的搜索阶段, 只接受邻域中整体收益比当前解更高的局部最优解, 而在以最小化观测成本为优化目标的搜索阶段, 只接受邻域中解整体收益与当前解相等且观测成本比当前解更小的局部最优解。

在同一阶段, 无论是以最大化整体收益为优化目标, 还是以最小化观测成本为优化目标, 都有可能在当前优化目标下面临多个质量无差异的候选解, 此时可以采取随机模式在这些候选解中选择一个来更新当前解。

2.3终止规则

GRVNS算法局部搜索过程的终止规则为:判断以最大化整体收益和最小化观测成本为优化目标的迭代过程是否都完全结束, 若是, 则停止局部搜索过程, 并进入冗余活动的识别和剔除阶段。其中判断relocatetoS (Sol) 或exchange (Sol) 邻域的迭代过程是否终止的规则如下:

① 当邻域为空集时, 终止当前邻域的迭代过程;

② 当迭代过程是以最大化整体收益为优化目标时, 判断当前邻域是否无法提供整体收益比当前解更高的候选解, 若是, 则终止当前邻域的迭代过程;

③ 当迭代过程是以最小化观测成本为优化目标时, 判断当前邻域是否无法提供与当前解整体收益相等但是观测成本更低的候选解, 若是, 则终止当前邻域的迭代过程。

2.4最优解信息的保留

由于GRVNS算法的局部搜索过程分阶段地以最大化整体收益和最小化观测成本为优化目标进行迭代, 其每一步迭代都是以邻域中比当前解质量更好的局部最优解来更新当前解, 当前解的质量在整个局部搜索过程中总是稳步提高的, 因此只需要在整个局部搜索过程中保留唯一的最优解信息。

2.5算法描述

GRVNS算法的详细流程如下:

第1步:初始化iIter, 令阶段标记iIter=0, 表示首先以最大化整体收益为优化目标搜索relocatetoS (Sol) 邻域;

第2步:将所有候选观测活动都编入虚拟资源的活动序列, 并以随机的顺序排列, 构造出初始解Sol, 并令最优解Solbest=Sol;

第3步:基于当前解Sol, 构造所有候选解都通过可行性分析的邻域N (Sol) :如果阶段标记iIter=0, 则构造relocatetoS (Sol) 邻域, 否则构造exchange (Sol) 邻域;

第4步:若N (Sol) =ϕ, 转第9步, 否则转第5步;

第5步:以随机模式调整邻域N (Sol) 中所有候选解的先后顺序, 使候选解以随机顺序排列, 得到邻域rN (Sol) ;

第6步:若阶段标记iIter≤1, 以最大化整体收益为优化目标, 在邻域rN (Sol) 中按候选解先后顺序比较各候选解的整体收益, 并选取整体收益最大的解Sol′;若阶段标记iIter=2, 以最小化观测成本为优化目标, 在邻域rN (Sol) 中按候选解先后顺序比较总执行时间, 并在整体收益不降低的条件下选取总执行时间最小的解Sol′。如果同时有多个候选解符合条件, 从中选取最早访问的那个解。如果没有符合条件的解, 转第9步;

第7步:当同时满足条件iIter≠2且解收益profit (Solbest) <profit (Sol′) , 或者同时满足条件iIter=2且总执行时间Cost (Sol′) <Cost (Solbest) , 令Solbest=Sol′, 并转第8步, 否则转第9步;

第8步:更新当前解Sol=Sol′, 转第3步;

第9步:如果阶段标记iIter<2, 令iIter=iIter+1, 转第3步, 否则转第10步;

第10步:输出最优解Solbest。

3实例分析

为检验GRVNS算法的有效性, 通过实例对GRVNS算法和简单贪婪算法进行了性能比较。

3.1简单贪婪算法

简单贪婪算法与GRVNS算法的区别在于不采用变邻域策略以及随机模式, 具体表现在:

① 在以最大化整体收益为优化目标进行搜索时, 直接在relocatetoS (Sol) 和exchange (Sol) 邻域混合组成的搜索空间中寻找局部最优解;

② 构造完邻域之后没有以随机模式调整邻域中所有候选解的先后顺序。

3.2GRVNS算法与简单贪婪算法的性能比较

测试算例共有6个, 规划周期均为1 d, 其中编号simp1、simp2的算例是单星对单个区域目标的简单算例, mid1、mid2是多星对单个区域目标的中等规模算例, comp1、comp2是多星对多个区域目标的复杂算例。所有算例都是在Xeon (TM) 2.8 GHz、3.81 GB内存的工作站上运算。比较结果如表1所示, 其中CPU代表算法的计算时间。

从表1可以看出, 当问题规模较小时 (simp1、simp2) , 这2种算法获得的解在质量上基本没有差异, GRVNS算法的求解速度相对较快;对于中等规模以及规模较大的问题, GRVNS算法不仅具有较快的求解速度, 而且解的质量普遍比简单贪婪算法获得的解要好。

4结束语

针对区域目标等复杂目标的成像问题研究是当前遥感卫星应用的热点。本文将区域目标的分解与分配综合起来考虑, 首先提出了一种基于卫星观测能力的动态区域划分方法, 这种方法能根据不同的卫星遥感器对区域进行可行划分。在此基础上, 综合贪婪规则、随机模式和变邻域等因素, 设计了贪婪随机变邻域搜索算法进行求解。通过一组测试实例, 对比分析了该算法与简单贪婪算法的性能, 结果表明对各种规模的问题, 算法都能较快得到比较好的解。

参考文献

[1]阮启明.面向区域目标的多星协同规划技术研究[D].长沙:国防科技大学, 2006:23-32.

[2]WALTON J.Models for the Management of Satellite-based Sensors[D].Massachusetts Institute of Technology, 1993:23-30.

面向任务测量 篇5

在网络技术支持下的网络化协同开发技术改变了传统的合作方式。不同设计师、设计机构、人员之间可以实现资源共享, 实时互动协作参与、合作设计, 避免了重复工作, 提高一起工作人们的整体效率, 从而提高产品设计的质量, 产品设计和开发, 降低成本, 缩短产品的设计开发周期, 提高产品服务, 实现提升企业核心竞争力的目的。

产品设计存在着大量复杂的、有依赖关系的设计活动, 产品的设计过程就是按照一定的顺序来进行这些设计活动的过程。因此, 产品协同设计的前提是任务分解, 任务分解需要依据一定的原则, 将总设计任务分解为多个子任务, 确立各子任务之间的关系, 便于设计人员进行协同设计。

1 协同设计概述

网络化协同设计是指在计算机技术、通信技术及多媒体技术的支持下, 将在地理位置上分散的各设计人员, 通过协同设计系统平台合作协同、充分利用各种设计资源, 实现协同产品的设计开发的过程。

在网络环境中, 处在异地的开发人员进行产品信息的资源共享和数据通信、进行设计方案的讨论、设计协同、设计结果的审核和修订。协同设计结合了网络技术与先进制造技术, 包含了行为学、社会学等多方面的研究, 深化了并行工程、敏捷制造等先进制造模式在设计领域中的应用。根据现有研究发现网络化协同设计具有以下特点:

(1) 多主体性:协同设计过程中协同人员构成较为复杂, 来自不同专业、不同知识背景, 在设计之初就需要整体考虑整个设计过程各个阶段可能出现的各种问题, 因此协同设计具有多主体性的特点。

(2) 协同性:在整个协同过程中, 信息的交互方包括领域内也包括跨领域信息交互, 其信息交互方式也存在同步和异步交互, 协同设计产品开发过程的实施有多个工作组, 根据设计的需求采用不同的交互方式来组织和完成设计任务。

(3) 灵活性:协同工作的过程会因为个体的不同而不同, 协同工作的结果也可能会因为协同工具的增强或者个体的增长而改善, 整体比较灵活没有固定的模式。

(4) 时效性:在协同设计工作中, 多个用户组成一个小组围绕着同一个产品任务来完成, 任务完成后, 协同小组也就解散。

(5) 共享性:协同的基本特点就是实现资源的共享, 信息在知识源之间可以交流互补, 以完善协同任务的效果。

(6) 异地性:参与协同设计的成员分布在不同地域。

(7) 互补性:参与协同的成员可以是来自不同专业, 互补之间的知识。

(8) 并发性和一致性:在同一时刻协同设计系统中分布在各地的协同人员有可能进行并发操作, 所以系统需要保证资源数据的一致性, 避免数据遭到破坏。

(9) 冲突性:产品开发过程存在约束及资源冲突。另外, 在产品的开发过程中设计需求的多样性及设计人员的学科背景差异, 造成合作必然存在冲突。

2 任务规划及其任务分解

在设计过程中, 设计人员以任务作为工作和调度的基本操作, 任务的产生有几种情况:可以是设计人员创建产生任务、协作小组中其他协作人员发送的任务和上级下发产生的任务。任务产生后生成任务完成计划存放于任务队列中, 任务完成计划的产生要考虑相关任务的时间、优先级、调度原则等参数进行指定。整个设计任务按照一定的划分规则及原理进行任务分解, 将任务分解为若干个子任务。

进行任务规划的复杂性在于:子任务之间具有串行和并行的时间约束关系;子任务之间具有依赖性, 某个子任务的修改会影响到和它关联的其他子任务, 导致关联子任务的修改。

任务分解是按照一定的划分原理和规则, 将任务分解为几个子任务, 同时确定子任务之间的相互关系。分解粒度较粗, 子任务个数太少, 会导致任务的复杂度太高, 影响子任务的完成, 不利于协同设计;反过来, 分解粒度较细, 产生的子任务个数较多, 任务复杂度会降低, 但对子任务之间的控制和管理会提高难度。因此, 任务分解是否合理, 会影响整个协同设计的顺利进行。

3 任务分解的原则

产品协同设计任务分解应遵循以下原则:

(1) 设计人员对于分解后的子任务是否满意。

(2) 分解的任务应具有一定的相对独立性, 减少子任务之间的相互依赖关系, 减少设计人员之间的信息交互。

(3) 分解后的子任务要便于控制与管理。

(4) 分解后的子任务完成后应易于组合装配。

(5) 子任务分解粒度要适中。

4 任务分解的方法

定义1满意度Sij为设计组j对任务Ti的满意程度。

满意度分别以数值{O, O.25, 0.5, 0.75, 1}来量化, 通过模糊变量集{很不满意, 不满意, 一般, 满意, 很满意) 来表示。

定义2平均满意度

式中m为设计小组的个数。

通过分析产品设计任务的功能和结构, 将整个设计看成总任务, 对其进行按层次分解, 当分解的子任务不能再继续分解, 判定为最小子任务不再进行分解, 否则, 对子任务进行满意度测评, 如果子任务的平均满意度达到阀值λ (0<λ

具体的分解步骤如下:

(1) 按功能与结构相结合的方式将任务T分解成子任务Ti (i=1, 2, …, n) 。

(2) 若Ti是最小子任务, 则不必再分解, 否则对其进行满意度测评。

(3) 若Si’>λ, 则不必再分解, 否则继续对Ti进行分解。

分解后的任务是一种树状的层次结构, 如图1所示任务结构树描述设计任务。在任务结构树中, 用符号T表示设计任务; 符号T1, T2……, Tn表示其子任务;符号Ti1, Ti2, ……, Tin 表示Ti的子任务。总任务为树的根节点, 然后分解成多个子任务, 叶子节点为最小子任务。

5 结束语

产品协同开发中的设计任务分解与分配是一个复杂的过程;其中涉及的影响因素和需要处理的信息较多, 需要与企业其他信息系统协调配合, 本文在分析协同设计过程特点的基础上, 提出了任务分解的原则及任务分配的数学模型, 实现了整个设计任务按照一定的划分规则及原理进行任务分解, 将任务分解为若干个子任务, 将合适的任务分配给合适的人的目的, 对协同设计实施产生了有效驱动。

参考文献

[1]高曙明.分布式协同设计技术综述[J]计算机辅助设计与图形学学, 2004 (16) 149-157

[2]贺东京.基于云服务的复杂产品协同设计方法[J], 计算机集成制造系统, 2011 (17) 533-539

[3]彭可.网络化控制系统的协同设计与形式化建模[J], 计算机集成制造系统, 2011 (17) 433-441

[4]王生发.产品协同设计过程中关键技术的研究与实现, 重庆大学学报, 2008 (30) 1899-1903

[5]徐路宁.基于网格的协同设计平台关键技术研究, 浙江大学学报, 2008 (39) 122-126

面向任务测量 篇6

装备保障训练资源是制约装备保障训练顺利、有效进行的关键性因素之一。在训练过程当中,由于参训人员种类多、训练科目多、训练资源需求大,各类参训人员的训练科目、训练资源需求交叉,使装备保障训练资源需求确定问题变得十分困难。本文力图在对训练资源使用进行优化的基础上,分析装备保障训练资源的需求,从而提高装备保障训练资源的使用效率,降低训练成本。

1 训练资源分析

1.1 训练资源定义及分类出于研究需要,本文采用多标准结合、分层次划分的分类方法,得到如图1所示的训练资源类型结构。

1.2 训练资源的属性参照表1,对于不同的训练资源有选择性地对其下述几种属性进行描述。

2 问题描述

将一个专业、一个等级人员的训练看为一个训练任务,则总的装备保障训练任务由多个不同的训练任务组成。对某一承训单位而言,其装备保障训练资源需求预测问题可描述如下:

总装备保障训练任务要在时间T内完成;共有n个训练任务,训练任务i的参训人数为Ni,i=1,2,…,n。求:承训单位在T时间内完成所有个训练任务所需的资源种类、数量,及总费用。

3 问题求解

3.1 现有装备保障训练资源使用优化

设承训单位允许的同时在训人员数量为C。按各训练任务总人员数量比例计算同一批次中各类人员的数量:

B—训练批次;N—训练人员总数;Nie—每批次参训的第i种人员数量。

完成训练任务共需m类主要循环使用资源,第j类的现有数量为Mj,其允许cj个人同时使用。根据开设的训练课程及其所需主要资源的类型,设置课程单元,使每一课程单元对应一种主要资源,以确定训练任务i对第j类主要循环使用资源占用的标准课时tij。同一批次训练任务i对第j类主要循环使用资源的总占用时间pij为:

训练任务/主要循环使用资源的时间占用矩阵P:

所需求解的问题即为求解:最短训练任务完成时间T*及各批次最短训练时间Te。

结合问题特点,作如下假设:(1)各项训练任务对主要资源的占用无先后顺序;(2)同一项训练任务对主要资源的使用无先后顺序;(3)各项训练任务对循环使用型资源的使用是可中断的。

根据以上假设,即可将上述问题转化为排序问题:

可参考文献[4]中所提供的方法对该排序模型进行求解。

3.2 装备保障训练资源需求计算具体求解步骤如下:

(1)计算T*。

(2)若T*燮T,转步骤六。

(3)若T*>T,转入下一步。

(4)计算追加的主要资源数量。

Mjd—实际所需第j种主要资源数量;Mj′—所需追加第j种主要资源数量。

(5)步骤五:计算追加的主要资源的费用。

Sa—追加主要资源的费用;Cj—追加的主要资源的单位成本。(6)计算所需追加的各类附属资源费用:

Sap—追加附属资源的费用;Mip—所需追加第j种附属资源数量;Cjp—第j种附属资源单位成本。

(7)按照各门课程同时所进行的最多班数,计算教员的需求数量。

(8)计算各类消耗型资源的需求和费用:

Msi—第i项训练任务各批次的第s种消耗型资源需求数量;Uji,s—训练任务i占用第j类主要循环使用资源时,单位时间内消耗第s种消耗型资源的数量;Ms—第s种消耗型资源的总需求数量;Cs—第s类消耗型资源的单位费用;Ss—消耗型资源总费用。

(9)计算各类循环使用资源的更新费用:

Su—资源更新费用;tjr—第j类资源的平均剩余寿命;tjl—第j类资源的寿命周期;Cju—第j类资源的单位更新成本。

(10)计算各类费用,及总费用。

St—教育训练费;Crti—第i类参训人员标准保障费;Nt—教员数量;Crtt—教员标准保障费;Mt—教学设施设备数量;Crtm—标准维护管理费;Sq—装备费;Mq—各类装备数量;Crq—各类装备标准维护管理费;S—总费用。

4 结束语

本文结合装备保障训练资源的特点,提出了一种新的训练资源分类方法。针对装备保障训练中出现的不同情况和各种装备保障训练资源的不同特征,采取不同的预测方法,建立了相应的数学模型。同时,根据本训练资源使用优化的结果,可对训练课程进行安排,在保证训练进度的前提下,提高训练资源使用效。

参考文献

[1]吴铨叙.军事训练学.军事科学出版社,2003.

[2]胡利民等.总装部队军事训练概论.国防科技大学出版社,2005.

[3]胡利民.装备训练学.国防工业出版社,2004.

面向任务测量 篇7

模具生产是典型的单件、小批量生产,产品品种众多,设计与生产中重复性的工作少。由于生产的一致性,品种多、加工工艺路线变化大,计划稳定性差,经常受到新订单和修模的冲击,因而生产计划难以控制,对企业交货期和竞争力有很大影响[1]。在先进生产力的启发下,许多模具企业企图引进大量的先进数控设备来更好地组织生产活动。然而,实际中所引进的大量先进制造技术和装备通常都被作为孤立的单元技术在使用,难以完全发挥先进生产力的实际效率。解决这些问题的有效方法之一就是寻求建立具有快速反应、柔性化、智能化特征的模具机器人制造单元系统,缩短生产准备时间,减少零件流动和机床的非切削时间,减少对熟练工人的依赖,提高零件加工工序稳定性和加工质量,从而保证模具交货期,为企业赢得更大的市场竞争力。

在模具机器人制造单元中,机器人作为输送设备被所有加工设备共享,因此,对机器人活动的合理规划将成为影响系统效率的关键。与传统的车间调度问题相比较,对机器人制造单元的调度不仅要考虑加工活动的安排,而且要考虑物流设备(机器人)输送活动的安排[2],该问题一般属于强NP难题。对于机器人制造单元的调度问题,国内外一些学者进行了研究。赵振宏、肖田元[1]对flowshop类型的机器人单元的最小周期调度问题应用极大代数方法建立了单元系统的调度模型,提出了基于禁忌搜索的启发式调度策略,并给出了初始可行解和搜索邻域的构造方法,能够解决一定规模的最小周期调度问题。车阿大等[3]提出了无等待型单机器人单元flow-shop调度问题多项式算法,应用禁止区间法,建立了无等待多机器人制造单元调度的数学模型,并为无等待多机器人制造单元开发了能求解最优解的多项式调度算法。Johann Hurink、Sigrid Knust[4]提出了运用禁忌搜索方法求解作业车间(Job-shop)类型机器人制造单元调度问题,取得了一定的效果,但是算法操作复杂,计算时间长。

纵观国内外文献,对于机器人制造单元任务调度的研究不是很多,且基本停留在节拍是固定的flow-shop类型调度的研究。对于品种丰富,工艺路线多样,装卸复杂的面向模具机器人制造单元任务调度的研究非常少见。

2 问题描述

本文研究的是一类模具作业车间(Job-shop)类型的机器人单元调度问题。如图1所示,它一般由若干加工设备和一个搬运机器人组成,机器人完成单元内物料运输和上下料操作。

模具机器人制造单元具有以下特点,如工件在各台机器上加工工艺路线安排具有不确定性,工件在各机床上的加工存在等待性,待加工工件的顺序具有不确定性等。此外,为了提高作为关键资源的机器人的利用效率,需要考虑机器人的运送时间来综合研究调度任务的分配。

为了简化问题复杂性,假设已知每个工件在各个机器上的加工次序和每个工件的各个工序的加工时间,同时满足以下约束条件:

(1)同一时刻同一台机器只能加工一个零件;

(2)每个工件在某一时刻只能在一台机器上加工,且操作不可中断;

(3)同一工件的工序之间有先后约束,不同工件的工序之间没有先后约束;

(4)不同工件具有相同的优先级;

(5)机器人单元中只有一台机器人,机器人一次运输只能搬运一个工件;

(6)机床之间存在无限缓冲。

因此,模具机器人制造单元调度问题可描述如下:给定m台机床和n个工件,每个工件按一定的工序顺序进行加工,要求确定与工艺约束条件相容的各机器上所有工件的加工开始时刻、完成时刻、加工次序,使工件组的最大完工时间最小。

一般而言,机器人是制造单元的瓶颈资源。针对机器人运输时间的处理问题,把机器人当作一台特殊的加工机床,它可以参与所有的运输工序操作,其空载运行时间可以看作是机器人的工序相关的准备时间(Set-up-time)。这样一来,机器人单元调度问题就转化为m台普通机床和一台“特殊”机床的调度问题。工件i(i=1,2,…,n)包含ni道工序,本文研究只考虑工序确定的情况,即工件的工序顺序是预先确定的。设工件i在机床Mk加工完后被运输到机床M1,所需要的运输时间为tikl。设机器人从机床Mk空运到机床M1时的搬运时间为t'kl,显然,机器人同一台机床加工时空移动时间t'kk=0,机器人在两个机床之间空运输时间不大于工件在同样两台机床之间的搬运时间。调度的目标就是要综合处理机器人与机床之间的任务分配,使工件组最大完工时间最小化,即:

3 问题模型建立

析取图具有简单直观、便于分析等突出优点,在传统作业车间调度问题建模上起到过很好的作用。对于模具机器人制造单元调度问题,运用析取图建模可以更好地体现制造单元的特性和反映模具生产中的真实状况。在建模过程中,将机器人看作特殊机器,其空载移动时间作为工序相关的准备时间被引入模型[4]。析取图可被描述为一个有向图G=(V,C∪DM∪DR)。其中V表示节点的集合,包括对应于工件的所有工序的节点和2个虚节点,2个虚节点分别为原始节点(表示为“0”)和最终节点(表示为“*”),其加工工时均为0;C为所有合取弧(实线)的集合,对应于同一工件上的工艺路线的顺序约束,每条合取弧上都标注一个正的权值,表示合取弧的始节点所对应工序的加工工时;DM为所有析取边(工件)的集合,一般用虚线表示,每一条析取边将需在同一机床上加工的工序两两相连;DR为所有析取边(机器人)的集合,一般也用虚线表示,每一条析取边将需要机器人操作的工序两两相连。按照析取图的模型,作业计划的求解任务是确定析取图中所有析取边的方向(即确定机器上工件的加工顺序),得到一个非循环有向图使得某个性能指标达到最优。每个无环路的单向图对应于一类可行调度,每一个可行调度必定会有一个无环路单向图与之对应,而且这一调度顺序的最优解的加工周期就等于相应无环路图的最长路径的长度。而本文的调度问题就对应于如何确定图中虚线弧的方向,即确定各机床和机器人工序的操作次序,形成一个无环路的单向图,使得图中的最长路径尽可能的小。

具体而言,对于每个工件i(i=1,2,…,n),引入ni-1个运输操作时间Tik(i=1,2,…,n,k=1,2,…,ni-1),按照Oik→Tik→Oi(k+1)的操作顺序。Tik-Tuv∈DR意味着机器人将要完成两个可能的机器人运输操作Tik和Tuv。当工件在机床Mk,M1运动之间时,用Gkl(k,l=1,…,m)表示在同样的运输路线中所有的运输操作集合。如图2所示,当Tik∈Ghk,Tuv∈Glg时,即机器人操作Tik在机床Mh,Mk运动,同时机器人操作Tgh在机床Ml,Mg运动时,产生的空运载时间对为(t'kl,t'gh),当机器人按Tik→Tuv方向运输时,得到空运时间t'kl,反之得到空运时间为t'gh。其中,t'kl表示当工件在机床Mk上加工的工序完成后,加工下一道即将在机床Ml上加工的工序时产生的机器人空运载时间,t'gh表示当工件在机床Mg上加工的工序完成后,加工下一道即将在机床Mh上加工的工序时产生的机器人空运载时间。

因此,为了解决调度问题,必须把DM∪DR中的没有方向的虚线弧变成有方向的弧,也就是得到机器调度选择方案SM和机器人调度选择方案SR的完全选择集合S=(SM∪SR)。如果完全选择S和DM∪DR已经确定的情况下,最终得到各工序之间没有冲突的一个有向非循环图,其关键路径最小长度即为最大完工时间。

例如,3台机器,3个工件,9个机床工序和6个机器人工序的调度问题的析取图模型可以描述如图3所示,只给出部分操作间的虚线弧,当析取图中每条虚线弧都变成实线弧时,表示该调度问题已解决(如图4所示)。在该析取图中,任意两个节点之间的所有有向路径中长度最大的路径是这两个节点之间的最长路径。一个调度问题用析取图的语言来表示,就是寻找一个使有向图G中最长路径最小的无环的完全选择S。

对于其中的一个完全选择(即调度方案),如图4,运输操作T11∈G13,T21∈G21的连接,产生的空运时间为(t'32,t'11=0);运输操作T31∈G32,T21∈G23的连接,产生的空运时间为(t'23,t'23)。由图5甘特图可知各机床上和机器人上的操作顺序具体为:M1(O11→O22→O33),M2(O21→O23→O31),M3(O12→O31→O23),R(T11→T21→T31→T12→T22→T32),其中黑框部分为关键路径,调度优化的目标就是合理安排关键路径使其长度最小化,即最大完工时间最小。

4 遗传禁忌搜索求解算法

对于模具制造企业来说,其制造系统动态多变,调度的关键是调度的快速和响应的敏捷性,而遗传禁忌搜索算法较好地满足了实际要求。运用遗传算法进行全局搜索,然后对新的种群中的每一个个体进行禁忌搜索,克服提早收敛现象,也避免对每个个体进行禁忌搜索,从而减少运行时间,而终止条件为指定的遗传代数[5]。本文采用先固定机床顺序,再安排机器人操作的方法(Johann Hurink,Sigrid Knust)[4],依次进行迭代搜索,将每次选择路线求得的最小值依次存入禁忌表。就图3而言,先确定析取图的机器顺序,再确定机器人路径选择(见图6)。每一次的选择机床和机器人顺序确定后,都要重新计算关键路径的最小长度,最终通过禁忌方法确定最合理的选择路线S=(SM∪SR)。该遗传禁忌搜索方法的具体设计如图6所示。

4.1 算法流程框图

算法流程框图如图7所示。

4.2 算法设计内容

(1)染色体编码

染色体编码方法决定了Job-shop调度问题的描述及遗传具体运作方式。本文将采用基于调度优先级的编码方法:每个基因对应一道工序,代表该工序在进行调度操作时的处理优先级。在这种编码方法中,个体是由n×m个基因组成,每个基因代表一个加工工序。以3工件3机器1个机器人为例,基因与工序的对应关系如下:

其中,出现了三个1、三个2、三个3和六个4,分别表示工件1、工件2、工件3的3道工序和机器人的6个运输操作。对同一个工件的所有工序都用相同的符号表示。

(2)适应度函数

由于调度问题所求的是最小化问题,故本文通过对目标函数Cmin确定适应度函数。

(3)初始种群

为了使初始种群能尽量遍布可行解空间和提高寻优的速度。因此,本文中种群个体的生成是随机化的,例如3×3的机器人单元调度问题,即随机产生15个十进制正整数串,其中编码为1~3的整数各3位;编码为4的整数6位,即机器人编码数6位。

(4)选择

采用轮盘赌方式来决定每个个体的选择份数,把复制后的个体送到配对库,以备配对繁殖。

(5)交叉

交叉操作采用单位置次序交叉。

(6)变异

变异操作采用插入变异,对父代个体的每个基因以确定概率发生变异,任意选择插入位置。

(7)禁忌搜索模块

该模块的作用就是运用禁忌手法加快寻优速度,在寻优过程中按照析取图模型中确立的机床顺序和机器人运输操作顺序,逐步寻找最短长度的关键路径选择方案。利用禁忌表将优秀的寻优结果先保存起来,再与遗传算法相结合,验证选择结果的适应度值,将好的结果留下来,将不好的进行淘汰。而禁忌搜索实现的关键在于邻域的构造,至于关键路径上的邻域搜索,机床上待加工的工件工序、机器人操作的邻域交换都分别采用Eugeniusz Nowicki,Czeslaw Smutnickil[6]提出的规则:首个“聚块”只交换最后两个加工工序,而最后“聚块”只交换最前面的两个加工工序,所有中间“聚块”分别交换头两个加工工序和最后两个加工工序。

5 算法实现

对于某模具CNC车间的4台机器,4个不同工件,16个机床工序和4×3=12个机器人搬运工序的调度问题,各对应的参数见表1-2,其中运输时间为Tkl,空运输时间为t'kl。设Tkl=t'kl(k≠l),当k=l时,令Tkk=1。

运用Matlab7.1在CPU 1.6GHz,2G内存的环境运行。设置运行条件:种群染色体数为40个,交叉率为0.8,变异率为0.15,代沟0.9,遗传代数为400。计算得到Cmin=50,调度结果的时间甘特图如图8。各机床上和机器人的操作顺序具体为:M1(O21→O13→O42→O32),M2(O11→O41→O22→O33),M3(O12→O23→O43→O34),M4(O31→O14→O24→O44),R(T11→T21→T31→T12→T22→T41→T13→T42→T23→T32→T33→T43)。该调度算法的收敛曲线如图9。

由于很难得到机器人单元调度问题的一个确切的最优解,因此,通过同一个目标值的下界LB1=min 1m≤ka≤xm{1m≤ia≤xn{Cik}}相比较,将上面的各项参数代入得到LB1=54,进而解的优化程度,小于10%,因此算法是接近最优解的。

6 结束语

本文研究了模具机器人制造单元任务调度问题,调度的目的就是使工件组的最大完工时间最小化。由于调度中需要考虑机器人的运输时间以及机器人能力约束,还要考虑传统的作业车间调度类型方面的约束。因此,结合实际问题的特点,运用析取图模型很好地对该调度问题进行了分析和建模。由于求解实际问题中的机器人单元调度问题一般计算量非常大,而混合算法在一定程度上满足了实际问题的要求,有效地提高了解决问题的速度,能够很好地提高模具企业的资源利用效率。

参考文献

[1]宋宏,薛劲松,毛宁,等.考虑冲突的模具生产计划调度系统研究与实现[J].计算机集成制造系统,2001,7(2):15-18.

[2]赵振宏,肖田元.机器人制造单元的建模与任务调度策略[J].计算机集成制造系统,2001,7(4):7-11.

[3]车阿大,王远.无等待多机器人制造单元调度模型和算法研究[J].计算机集成制造系统,2008,14(3):525-534.

[4]Johann Hurink,Sigrid Knust.Tabu search algorithms for job-shop problems with a single transport robot,European Journalof Operational Research,2005,162(1):99-111.

[5]张超勇,高亮,李新宇,等.基于进化禁忌算法的Job-Shop调度问题研究[J].华中科技大学学报:自然科学版,2009,37(8):80-84.

上一篇:塑料模具材料下一篇:消防人防