基于信息物理模型转换的新能源冲压车间调度系统与方法与流程

1.本发明涉及车间智能生产调度技术领域，尤其涉及一种基于信息物理模型转换的新能源冲压车间调度系统与方法。


背景技术：

2.在汽车制造生产过程中，车间生产是其基本单位，车生产线是车间生产工艺的重要环节而生产线调度是影响生产制造效率的决定性因素。随着智能制造新模式的出现，以及各种信息技术的融合应用，传统的车间调度模式不足以满足实时性、鲁棒性和准确性等需求，无法对车间生产制造过程中异常事件进行实时动态调整。从而工业车间有了智能调度的需求，同时信息物理系统的出现为智能调度提供了一个全新的途径。因此将信息物理融合系统用于车间调度，是提高制造业生产力的一个重要途径。
3.随着国家推行降低能源消耗、节能减排工作力度的不断推进，各行业愈来愈重视节能技术在生产和生活中的应用。新能源的应用是经济社会发展的必然趋势,也是建设环境友好型社会的必由之路，而工业企业用电量有占据着社会用电总量的首位,因此在工业企业中推行太阳能发电技术空间巨大，对工业生产来说提高了太阳能利用率，降低了生产成本。在汽车冲压车间供电系统中配备光伏微电网能有效地降低传统化石能源的依靠，降低碳排放率，降低生产成本。
4.在光伏微电网与电网共同供电的汽车冲压生产线中，多种不同的冲压件在几台冲压机上进行生产，冲压件批量加工。每一种冲压件有多道工序，每道工序需在满足其加工压力的冲压机上进行加工，冲压件的每道工序至少有一台冲压机可选。已知各冲压件每道工序在可选冲压机上的加工时间和能耗，每批冲压件的换模时间已知。调度优化目标是通过确定每批冲压件在各冲压机上的加工顺序、工序加工的开始时间来取得完工时间和车间总能耗最小,太阳能利用率最大的目的。目前汽车冲压车间调度方法都是针对传统冲压车间的生产时间、生产成本、能耗、进行优化，对化石能源的依赖性强，没有考虑到新能源清洁供电，结合信息物理系统进行动态调度的较少，生产效率低。


技术实现要素：

5.为解决上述技术问题，本发明提出一种基于信息物理模型转换的新能源冲压车间调度系统与方法，通过车间的信息物理融合系统，实时的抓取生产核心数据建立汽车冲压车间生产线和供电系统的信息物理模型，将信息物理模型通过相应的数学计算转换为调度相关参数提供给系统调度模块，调度系统通过nsga
‑ⅱ
多目标调度算法进行调度方案的求解，并通过车间的信息物理融合系统实现制造流程进行控制。
6.一方面，基于信息物理模型转换的新能源冲压车间调度系统，包括信息管理模块、信息检测模块以及车间调度模块；
7.所述信息管理模块对汽车冲压车间生产过程中的基本信息进行管理，所述基本信息包括冲压车间生产中的资源信息、生产加工工艺信息和生产制造信息；其中所述资源信
息包括冲压件的编号、名称、类别，冲压机的编号、名称、功率、用途、冲压能力，物流资源的叉车编号、运输功率，所述生产加工工艺信息包括产品信息的编号、名称、信号，物料清单的零部件种类、数量，工艺路线的工序数量、工序信息、工序对应设备，工序参数的加工时间、加工能耗，所述生产制造信息包括生产任务的任务数量、任务种类、交货期，加工工序的加工设备、加工时刻，通过信息管理功能模块选择不同的信息管理页面，对相应信息的查看，并且实现对相应信息的修改、删除和查询操作。
8.所述信息监测模块包括设备运行信息监测、设备能耗信息监测以及车间生产异常事件监测；其中异常事件包括冲压机出现故障、物料短缺、冲压机加工时间异常；
9.所述车间调度模块生成优化调度方案，安排每个冲压件加工顺序，更加高效的组织生产，达到时间最小、能耗最小、太阳能供电量最大等目标，调度模块生成调度方案供车间任务的下发和安排。
10.另一方面，一种基于信息物理模型转换的新能源冲压车间调度方法，基于前述一种基于信息物理模型转换的新能源冲压车间调度系统实现，具体包括以下步骤：
11.步骤1：根据整个车间待加工任务，读取冲压车间数据并初始化初始参数；
12.所述冲压车间数据包括设备功率、速度信号、设备运行状态、压力信号、设备能耗、加工时刻、位移信号、结束时刻、工艺信息、加工任务。
13.步骤2：根据通过数据感知方式读取的冲压车间数据在调度管理系统中建立信息物理模型；
14.所述数据感知方式采用基于人工方式的静态数据感知和基于plc和各类传感器的数据感知，其中工艺信息，加工任务数据采用人工方式来统计和记录手动输入到车间管理系统；设备功率、速度信号、设备运行状态、压力信号、设备能耗、太阳能供电量、加工时刻、位移信号、结束时刻数据采用基于plc和各类传感器的数据感知，通过车间生产现场的通信网络直接获取。
15.各类传感器包括电压传感器、电流传感器、压力传感器、位移传感器以及激光传感器；
16.所述信息物理模型为物理车间在虚拟数字空间中的一个等价映射，反映物理车间的生产及过程。信息物理模型包括车间资源信息、工艺信息、制造状态信息。根据车间资源信息以及工艺信息提供的数据计算调度参数，根据制造状态信息对信息物理模型进行实时更新。
17.步骤3：把信息物理模型通过数学计算转换为调度参数，具体包括冲压车间能耗模型、冲压车间太阳能供电模型、动态事件物理信息模型；
18.所述冲压车间能耗模型转换
[0019][0020]
其中，m为冲压机序号、m∈[1，m]，m为冲压机数量；n为冲压件批数序号，n∈[1，n]，n为冲压件批数数量；i为冲压件工序的序号，i∈[1，i
n
]，i
n
为冲压件工序数量；α
inm
为决策变量，若第n批冲压件的第i道工序在冲压机m上加工时为1，否则为0；f
change
为换模调整总能耗；为冲压机m启动阶段的平均能耗；冲压机m的启动时间。
[0021]
[0022]
其中，e
work
为冲压加工总能耗；q为冲压件的序号，q∈[1，q
n
]，q
n
为冲压件数量；为冲压件q的第i道工序在冲压机m上处于加工阶段的平均能耗；为冲压机m加工冲压件q的第i道工序的加工时间。
[0023][0024]
其中，e
idle
为闲置总能耗；i为冲压件工序的序号、i∈[1，i
n
]；为冲压件q的第i道序在冲压机m上处于空载阶段的平均能耗；为冲压机m加工冲压件q的第i道工序的空载时间；
[0025][0026]
其中，e
trans
为运输总能耗；p1为常量，生产线搬运工件时的功率；t
inm
为冲压机m加工第n批冲压件第i道工序的加工时间。
[0027]
所述冲压车间太阳能供电模型转换如下：
[0028][0029]
其中，为换模调整太阳能供电量；为冲压机m启动阶段的太阳能平均供电量。
[0030][0031]
其中，为冲压加工太阳能供电量；为冲压件q的第i道工序在冲压机m上处于加工阶段的太阳能平均供电量。
[0032][0033]
其中为闲置太阳能供电量；为冲压件q的第i道序在冲压机m上处于空载阶段的太阳能平均供电量。
[0034][0035]
其中为运输太阳能供电量，p2为常量，生产线搬运工件时的太阳能功率
[0036]
所述动态事件物理信息模型：根据实时感知读取数据建立动态事件信息物理模型再通过对每一以异常事件包括冲压机出现故障、物料短缺、冲压机加工时间异常进行编号，模型转换时将动态时间对应的编号提供给调度管理系统。
[0037]
步骤4：采用nsga
‑ⅱ
优化算法，通过能耗参数，太阳能供电量参数，时间参数以及目标函数和约束条件，进行汽车冲压车间生产调度，生成静态优化方案；
[0038]
步骤4.1：建立目标函数及约束条件，其中目标函数如下所示：
[0039]
f1＝{e
change
e
work
e
idle
e
trans
}；
[0040]
f2＝{c1，c2，
…
c
n
，
…
c
n
}；
[0041][0042]
其中，f1为车间能耗目标函数；f2为冲压件的完成时间目标函数；f3位太阳能供电量目标函数；c
n
为第n批冲压件的完工时间。
[0043]
目标函数如下所示：
[0044][0045]
约束条件如下所示：
[0046]
c
izm
γ
znm
≤f
inm
；表示冲压机必须满足前一批量加工完成后，下一批才开始加工。
[0047]
其中，c
inm
(c
izm
)为第n(z)批冲压件的第i道工序在冲压机m上加工完成时刻；z为冲压件批数序号n∈[1，n]，γ
znm
为决策变量，当冲压机m加工第z批工件的时间早于第n批为1，否则为0；f
inm
冲压机m加工第n批冲压件的第i道工序的开始换模调整时刻。
[0048]
s
inm
t
inm
≤s
(i 1)nm
；
[0049][0050]
表示冲压件必须满足工序加工的先后顺序以及冲压件必须在达到之后才能开始加工。
[0051]
其中，s
inm
为冲压机m加工第n批冲压件的第i道工序的开始加工时刻；g
inm
为第n批冲压件由上一冲压机搬运到冲压机m加工第i道工序的运输时间。
[0052]
c
n
≤d
n
；
[0053]
表示每批冲压件的完工时间不得迟于工件交货期。
[0054]
其中，d
n
为第n批冲压件的交货期
[0055][0056]
表示一台冲压机在同一时刻只能加工一个冲压件的一道工序。
[0057]
其中，β
iqm
为决策变量，若冲压件q的第i道工序在冲压机m上加工时为1，否则为0。
[0058]
步骤4.2：生成基于工序与冲压机的双重编码；采用工序与设备相对应的双重编码方法，对于同一冲压件的工序用相同的序号来表示；
[0059]
所述双重编码包括两部分，工序编码和冲压机编码，工序编码中冲压件编码的出现次数与其工序数量一致，第1次出现表示工序1，第2次出现表示工序2；冲压机编码与工序编码一一对应。
[0060]
步骤4.3：随机生成个体数为l的第一代种群p0，对种群p0中所有个体进行非支配排序，然后计算每级非支配前端中每个个体的拥挤距离；
[0061]
其中个体k的拥挤度为:
[0062][0063]
式中:d
k
为个体k的拥挤度；t为优化目标数；分别为个体k在第y个优化目标上的相邻个体目标值。
[0064]
步骤4.4：对父代种群p
t
执行选择、交叉、变异遗传操作，产生子代q
t
；
[0065]
所述选择操作：按照上述拥挤度计算公式计算所有基因的拥挤度，删除拥挤度最小的个体k，而后对个体(k 1)、(k－1)的拥挤度进行更新，随后继续删除剩余个体中拥挤度最小的个体，对相邻个体拥挤度进行更新，不断重复删除，直至剩余数量为种群规模数量；
[0066]
所述交叉操作：随机选择两个冲压件，将两个父代个体中两个冲压件的基因进行
交换，其余冲压件的基因顺序保持不变。
[0067]
变异操作：使用循环变异与单点变异结合的方式产生新一代子染色体，包括以下步骤：
[0068]
步骤d1：设置一个概率常值p0，产生一个(0，1)之间的随机数p；
[0069]
步骤d2：若p≤p0，则使用循环变异；若p>p0，则使用单点变异。循环变异是指随机选择3个基因点位，以循环方式进行交换；
[0070]
步骤4.5：将p
t
与q
t
合并产生种群大小为2l的新种群r
t
，对r
t
执行非支配排序操作，得到各级非支配前端f1，f1，...f
m
；
[0071]
步骤4.6：计算每级非支配前端f中个体的拥挤距离，按照锦标赛选择机制优选出l个个体，组成新父代种群p
t 1
；
[0072]
步骤4.7：判断进化代数是否达到终止条件，满足终止条件则循环结束，否则gen＝gen 1然后转到步骤4.4；
[0073]
gen为进化代数，最大迭代次数是最大进化代数，最大进化代数就是设置的循环的次数。
[0074]
步骤4.8：算法运行结束，得到pareto最优解集，生成静态优化方案。
[0075]
步骤5：根据步骤4中生成的静态优化方案开始对工件加工；
[0076]
步骤6：加工过程中实时读取冲压车间数据，判断是否有动态事件发生；若没有动态事件发生则继续按照静态调度方案加工工件，若有动态事件发生，读取动态数据，跳转至步骤3重新更新信息物理模型；直到全部工件加工结束。
[0077]
所述动态事件包括冲压机出现故障，物料短缺，新冲压件任务到达，冲压机加工时间异常；
[0078]
本发明所产生的有益效果在于：
[0079]
本发明提供本发明提供一种基于信息物理模型转换的新能源冲压车间调度系统与方法，本发明以汽车新能源冲压车间调度为主要研究对象，围绕信息物理系统融合的车间优化调度方法展开研究，以面向车间的人机物环的全要素数据感知技术为基础,结合物理车间与虚拟车间的虚实交互技术，通过运用多种感知技术，实现对车间的全要素信息的感知，并且基于感知数据对生产车间进行分析，实时监控汽车冲压车间生产异常事件，通过虚拟空间中的冲压车间调度模型和调度优化算法进行仿真，并基于虚实交互实现对物理冲压车间生产调度的及时准确的动态调整，以此实现虚拟车间与物理车间的共同演进，进而保证车间生产的平稳正常运行。
附图说明
[0080]
图1是本发明具体实施方式的汽车新能源冲压生产线调度方法流程图；
[0081]
图2是本发明汽车新能源冲压生产线调度系统模块图；
[0082]
图3是本发明信息物理模型框架图；
[0083]
图4是本发明nsga
‑ⅱ
多目标优化算法流程图；
[0084]
图5是本发明系统设备电流电压检测信息页面示意图；
[0085]
图6是本发明系统设备功率及能耗信息页面示意图；
[0086]
图7是本发明太阳能电流电压信息页面示意图；
[0087]
图8是本发明太阳能功率及供电量信息页面示意图；
[0088]
图9是本发明冲压车间异常信息页面示意图；
[0089]
图10是本发明系统调度任务信息管理页面示意图；
[0090]
图11是本发明系统调度方案管理页面示意图。
具体实施方式
[0091]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0092]
一方面，一种基于信息物理模型转换的新能源冲压车间调度系统，包括信息管理模块、信息检测模块以及车间调度模块，其如图2所示；
[0093]
本实施例中冲压车间调度管理系统使用spring springmvc hibenate框架进行开发设计，其中spring作为系统容器是系统中处理业务的核心,负责管理系统中的所有组件，hibernate作为关系映射和持久化框架则实现数据的持久化，负责与数据库交互，springmvc则是一个基于mvc设计模式的web框架，用于分离页面显示和业务逻辑。
[0094]
所述信息管理模块对汽车冲压车间生产过程中的基本信息进行管理，所述基本信息包括冲压车间生产中的资源信息、生产加工工艺信息和生产制造信息；其中所述资源信息包括冲压件的编号、名称、类别，冲压机的编号、名称、功率、用途、冲压能力，物流资源的叉车编号、运输功率，所述生产加工工艺信息包括产品信息的编号、名称、信号，物料清单的零部件种类、数量，工艺路线的工序数量、工序信息、工序对应设备，工序参数的加工时间、加工能耗，所述生产制造信息包括生产任务的任务数量、任务种类、交货期，加工工序的加工设备、加工时刻，通过信息管理功能模块选择不同的信息管理页面，对相应信息的查看，并且实现对相应信息的修改、删除和查询操作。
[0095]
所述信息监测模块包括设备运行信息监测、设备能耗信息监测以及车间生产异常事件监测；其中异常事件包括冲压机出现故障、物料短缺、冲压机加工时间异常；
[0096]
所述车间调度模块是车间生产中的核心功能模块，冲压车间的生产加工任务都是基于冲压车间调度方案进行有效组织安排生产完成的，通过车间调度模块可以生成优化调度方案，安排每个冲压件加工顺序，更加高效的组织生产，达到时间最小、能耗最小、太阳能供电量最大等目标，调度模块生成调度方案供车间任务的下发和安排。
[0097]
另一方面，一种基于信息物理模型转换的新能源冲压车间调度方法，如图1所示，基于前述一种基于信息物理模型转换的新能源冲压车间调度系统实现，具体包括以下步骤：
[0098]
步骤1：根据整个车间待加工任务，读取冲压车间数据并初始化初始参数；
[0099]
本实施例中实例：车间中共有5台冲压机，其中，冲压力为8000kn的冲压机2台，编码为m1、m2；冲压力为5000kn的压力机2台，编码为m3、m4；冲压力为4000kn的压力机1台，编码为m5。m1～m5等间距排列，两两之间的运输时间设定为300s。运输设备为电动叉车，运输功率为7.5kw，太阳能功率为3kw。
[0100]
制件共4种，分别为内燃机罩体计划生产200个、围板计划生产400个、筋板计划生产450个、水箱盖板计划生产500个。
[0101]
所述冲压车间数据包括设备功率、速度信号、设备运行状态、压力信号、设备能耗、
加工时刻、位移信号、结束时刻、工艺信息、加工任务。
[0102]
步骤2：根据通过数据感知方式读取的冲压车间数据在调度管理系统中建立信息物理模型；
[0103]
所述数据感知方式采用基于人工方式的静态数据感知和基于plc和各类传感器的数据感知，其中工艺信息，加工任务数据采用人工方式来统计和记录手动输入到车间管理系统；设备功率、速度信号、设备运行状态、压力信号、设备能耗、太阳能供电量、加工时刻、位移信号、结束时刻数据采用基于plc和各类传感器的数据感知，通过车间生产现场的通信网络直接获取。
[0104]
各类传感器包括电压传感器、电流传感器、压力传感器、位移传感器以及激光传感器；
[0105]
所述信息物理模型如图3所示，为物理车间在虚拟数字空间中的一个等价映射，反映物理车间的生产及过程。信息物理模型包括车间资源信息、工艺信息、制造状态信息。根据车间资源信息以及工艺信息提供的数据计算调度参数，根据制造状态信息对信息物理模型进行实时更新。
[0106]
本实施例中通过实时监测冲压机加工状态、电流、电压建立的信息物理模型如图3所示，系统设备电流电压检测信息页面示意图如图5所示，功率、能耗信息如图6所示，太阳能电流电压信息如图7所示，太阳能功率、供电量信息如图8所示
[0107]
步骤3：把信息物理模型通过数学计算转换为调度参数，具体包括冲压车间能耗模型、冲压车间太阳能供电模型、动态事件物理信息模型；
[0108]
所述冲压车间能耗模型转换
[0109][0110]
其中，m为冲压机序号、m∈[1，m]，m为冲压机数量；n为冲压件批数序号，n∈[1，n]，n为冲压件批数数量；i为冲压件工序的序号，i∈[1，i
n
]，i
n
为冲压件工序数量；α
inm
为决策变量，若第n批冲压件的第i道工序在冲压机m上加工时为1，否则为0；e
change
为换模调整总能耗；为冲压机m启动阶段的平均能耗；冲压机m的启动时间。
[0111][0112]
其中，e
work
为冲压加工总能耗；q为冲压件的序号，q∈[1，q
n
]，q
n
为冲压件数量；为冲压件q的第i道工序在冲压机m上处于加工阶段的平均能耗；为冲压机m加工冲压件q的第i道工序的加工时间。
[0113][0114]
其中，e
idle
为闲置总能耗；i为冲压件工序的序号、i∈[1，i
n
]；为冲压件q的第i道序在冲压机m上处于空载阶段的平均能耗；为冲压机m加工冲压件q的第i道工序的空载时间；
[0115][0116]
其中，e
trans
为运输总能耗；p1为常量，生产线搬运工件时的功率；t
inm
为冲压机m加
工第n批冲压件第i道工序的加工时间。
[0117]
所述冲压车间太阳能供电模型转换如下：
[0118][0119]
其中，为换模调整太阳能供电量；为冲压机m启动阶段的太阳能平均供电量。
[0120][0121]
其中，为冲压加工太阳能供电量；为冲压件q的第i道工序在冲压机m上处于加工阶段的太阳能平均供电量。
[0122][0123]
其中为闲置太阳能供电量；为冲压件q的第i道序在冲压机m上处于空载阶段的太阳能平均供电量。
[0124][0125]
其中为运输太阳能供电量，p2为常量，生产线搬运工件时的太阳能功率
[0126]
所述动态事件物理信息模型：根据实时感知读取数据建立动态事件信息物理模型再通过对每一以异常事件如图9所示包括冲压机出现故障、物料短缺、冲压机加工时间异常进行编号，模型转换时将动态时间对应的编号提供给调度管理系统。
[0127]
动态事件物理信息模型是对车制造状态产生异常时的信息物理模型，时车间信息物理模型的一部分，通过动态事件检测，对现有的调度方案进行调整，从而实现车间生产动态调度。
[0128]
步骤4：采用nsga
‑ⅱ
优化算法，通过能耗参数，太阳能供电量参数，时间参数以及目标函数和约束条件，进行汽车冲压车间生产调度，生成静态优化方案，如图4所示；
[0129]
步骤4.1：建立目标函数及约束条件，其中目标函数如下所示：
[0130]
f1＝{e
change
e
work
e
idle
e
trans
}；
[0131]
f2＝{c1,c2,
…
c
n
,
…
c
n
}；
[0132][0133]
其中，f1为车间能耗目标函数；f2为冲压件的完成时间目标函数；f3位太阳能供电量目标函数；c
n
为第n批冲压件的完工时间。
[0134]
目标函数如下所示：
[0135][0136]
约束条件如下所示：
[0137]
c
izm
γ
znm
≤f
inm
；表示冲压机必须满足前一批量加工完成后，下一批才开始加工。
[0138]
其中，c
inm
(c
izm
)为第n(z)批冲压件的第i道工序在冲压机m上加工完成时刻；z为冲压件批数序号n∈[1，n]，γ
znm
为决策变量，当冲压机m加工第z批工件的时间早于第n批为1，
否则为0；f
inm
冲压机m加工第n批冲压件的第i道工序的开始换模调整时刻。
[0139]
s
inm
t
inm
≤s
(i 1)nm
；
[0140][0141]
表示冲压件必须满足工序加工的先后顺序以及冲压件必须在达到之后才能开始加工。
[0142]
其中，s
inm
为冲压机m加工第n批冲压件的第i道工序的开始加工时刻；g
inm
为第n批冲压件由上一冲压机搬运到冲压机m加工第i道工序的运输时间。
[0143]
c
n
≤d
n
；
[0144]
表示每批冲压件的完工时间不得迟于工件交货期。
[0145]
其中，d
n
为第n批冲压件的交货期
[0146][0147]
表示一台冲压机在同一时刻只能加工一个冲压件的一道工序。
[0148]
其中，β
iqm
为决策变量，若冲压件q的第i道工序在冲压机m上加工时为1，否则为0。
[0149]
步骤4.2：生成基于工序与冲压机的双重编码；采用工序与设备相对应的双重编码方法，对于同一冲压件的工序用相同的序号来表示；
[0150]
所述双重编码包括两部分，工序编码和冲压机编码，工序编码中冲压件编码的出现次数与其工序数量一致，第1次出现表示工序1，第2次出现表示工序2；冲压机编码与工序编码一一对应。
[0151]
步骤4.3：随机生成个体数为l的第一代种群p0，对种群p0中所有个体进行非支配排序，然后计算每级非支配前端中每个个体的拥挤距离；
[0152]
其中个体k的拥挤度为:
[0153][0154]
式中:d
k
为个体k的拥挤度；t为优化目标数；分别为个体k在第y个优化目标上的相邻个体目标值。
[0155]
步骤4.4：对父代种群p
t
执行选择、交叉、变异遗传操作，产生子代q
t
；
[0156]
所述选择操作：按照上述拥挤度计算公式计算所有基因的拥挤度，删除拥挤度最小的个体k，而后对个体(k 1)、(k－1)的拥挤度进行更新，随后继续删除剩余个体中拥挤度最小的个体，对相邻个体拥挤度进行更新，不断重复删除，直至剩余数量为种群规模数量；
[0157]
所述交叉操作：随机选择两个冲压件，将两个父代个体中两个冲压件的基因进行交换，其余冲压件的基因顺序保持不变。
[0158]
变异操作：使用循环变异与单点变异结合的方式产生新一代子染色体，包括以下步骤：
[0159]
步骤d1：设置一个概率常值p0，产生一个(0，1)之间的随机数p；
[0160]
步骤d2：若p≤p0，则使用循环变异；若p>p0，则使用单点变异。循环变异是指随机选择3个基因点位，以循环方式进行交换；
[0161]
步骤4.5：将p
t
与q
t
合并产生种群大小为2l的新种群r
t
，对r
t
执行非支配排序操作，
得到各级非支配前端f1，f1，...f
m
；
[0162]
步骤4.6：计算每级非支配前端f中个体的拥挤距离，按照锦标赛选择机制优选出l个个体，锦标赛选择机制是每次从种群中取出一定数量个体，放回抽样，然后选择其中最好的一个进入子代种群。重复该操作，直到新的种群规模达到原来的种群规模，组成新父代种群p
t 1
；
[0163]
步骤4.7：判断进化代数是否达到终止条件，满足终止条件则循环结束，否则gen＝gen 1然后转到步骤4.4；
[0164]
gen为进化代数，最大迭代次数是最大进化代数，最大进化代数就是设置的循环的次数。
[0165]
步骤4.8：算法运行结束，得到pareto最优解集，生成静态优化方案。
[0166]
步骤5：根据步骤4中生成的静态优化方案开始对工件加工；
[0167]
步骤6：加工过程中实时读取冲压车间数据，判断是否有动态事件发生；若没有动态事件发生则继续按照静态调度方案加工工件，若有动态事件发生，读取动态数据，跳转至步骤3重新更新信息物理模型，更新后的工件调度参数信息如图10、图11所示；直到全部工件加工结束。
[0168]
所述动态事件包括冲压机出现故障，物料短缺，新冲压件任务到达，冲压机加工时间异常；
[0169]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。