多工序传送带给料加工站系统协同优化控制方法研究

作     者：刘冰 

作者单位：合肥工业大学 

学位级别：硕士

导师姓名：唐昊

授予年度：2012年

学科分类：080202[工学-机械电子工程] 08[工学] 0802[工学-机械工程] 

主      题：传送带给料生产加工站(CSPS) 柔性加工站点 多工序 多Agent系统 Q学习 小脑模型关节控制器(CMAC) Wolf-PHC 

摘      要：在现实世界的一些生产制造企业中，存在一类由生产加工站作为加工主体的生产线，其中，加工站由传送带输送工件进行加工，这类系统称为传送带给料加工站（Conveyor-serviced production station, CSPS）。由于专业化、规模化的需求，生产线往往有多道工序，一道工序由多个CSPS组成，称为多工序CSPS系统。多工序CSPS系统中，每道工序拥有各自的一般站点，在相邻的上游工序和下游工序之间设置有柔性站点，所述柔性站点能够在上游工序与下游工序之间进行切换。若将每个加工站点视为可以学习的Agent，整个系统构成一个多Agent系统。多工序CSPS系统的优化目标是上层合理选择切换控制策略，下层合理选择每个站点前视距离控制策略，使得整个系统在无穷时段内处理率最大。 论文根据系统运行特点，把系统分为切换控制和前视距离协同控制两层决策。首先，对于上层的柔性站点切换控制问题，运用性能势理论，构建一种适用于平均和折扣两种性能准则的Q学习算法进行策略优化，解决工序间控制问题;其次，对于下层的前视距离协同控制问题，运用Wolf-PHC多Agent学习算法，解决工序内协同问题。实验结果表明，通过引入柔性站点建立两层决策体系，整个系统的工件处理率明显提高，验证了算法的有效性。 论文针对柔性站点切换控制状态空间的特点，采用CMAC神经网络逼近Q学习中的Q值，并给出了相应的在线Q学习算法，接着应用基于CMAC的Q学习算法解决上层的柔性站点切换控制问题。仿真实验结果表明基于CMAC的Q学习算法同样可以提高学习系统的优化性能，并且收敛速度更快，更加节省存储空间。