CC BY
534. L. De Giovanni, F.Pezzella, 2010. An Improved Genetic Algorithm for the Distributed and Flexible Job-shop Scheduling problem, European Journal of Operational Research. 200. 395-408.
5. Yazdani M., Amiri M., Zandieh M., 2010. Flexible job-shop scheduling with parallel variable neighborhood search algorithm, Expert Systems with Applications. 37 (1). 678687.
6. Menc'ia R., Sierra M., Menc'ia C., Varela R., 2014. A genetic algorithm for job-shop scheduling with operators enhanced by weak lamarckian evolution and search space narrowing. Natural Computing. 13 (2):179-192.
7. Par B.J., Choi H.R., Kim H.S., 2003. A hybrid genetic algorithms for job shop scheduling problems. Computers and Industrial Engineering 45. 597-613.
8. Xing L.-N., Chen Y.-W., 2008. Double Layer ACO Algorithm for the Multi-Objective FJSSP. Journal of New Generation Computing. 26. 313-327.
СИСТЕМА АДАПТИВНОГО ВНУТРИЦЕХОВОГО
ПЛАНИРОВАНИЯ ПРОИЗВОДСТВА В РЕАЛЬНОМ ВРЕМЕНИ
1 2 Исмаилов С.Р. , Морозов А.В.
1Исмаилов Сергей Рамизович - магистрант, направление: информатика и вычислительная техника, кафедра автоматизированных систем обработки информации и управления;
2Морозов Александр Васильевич - кандидат технических наук, доцент, Астраханский государственный технический университет, г. Астрахань
Аннотация: в данной статье рассмотрен подход к решению задачи оперативного управления производством, где кратко описана задача внутрицехового планирования. Описана проблематика использования существующих решений. Предложен подход к решению поставленной задачи.
Ключевые слова: MES, внутрицеховое планирование, многоагентная система.
Введение
Оперативное управление производством - важная задача, которая на подавляющем большинстве российских предприятий в настоящий момент решается вручную или же неэффективными средствами автоматизации [1].
Основная часть
Задача внутрицехового планирования относятся к классу NP-сложные т.к. производство может иметь парк разнообразного рабочего оборудования и широкий спектр выпускаемой номенклатуры, которая характеризуется многостадийностью технологического процесса, вариативностью технологических маршрутов и, как следствие сложными перекрестными материально-транспортными связями.
Составление первоначального плана производства - трудоемкий процесс, который занимает более одного часа времени и зачастую выполняемый с целью составить план, удовлетворяющий только ограничениям на срок поставки готовой продукции, без дополнительной оптимизации.
Кроме того, построенный план операций в первоначальном виде практически никогда не может быть выполнен. На производстве регулярно происходят случайные события, нарушающие его ход, такие как поломки оборудования, производственный брак, болезни сотрудников, затягивание сроков выполнения и т.д. Это приводит к необходимости наверстывать упущенное за счет переработок персонала, закупки дополнительного оборудования, увеличения производственного цикла и, как
следствие, увеличения связанного капитала на производстве. Связи с этим имеется потребность в оперативном перепланировании, которое должно выполнятся за считанные минуты.
Решать проблему оперативного управления производством помогает система автоматизации производства и оптимизации производственной деятельности, которая в режиме реального времени инициирует, отслеживает, оптимизирует, документирует производственные процессы от начала выполнения задания до выпуска готовой продукции [3]. Такие системы на западе уже появились и отнесены к классу MES (Manufacturing execution system) [4]. Особенно полезны такие системы при мелкосерийном и позаказном производстве, когда требуется реагировать на резкие отклонения от производственной программы. На текущий момент существующие российские системы оперативного управления производством не имеют возможности оперативно в реальном времени (за минуты) пересчитывать план производства, где количество операций больше 100 тысяч из-за используемых в них алгоритмических и архитектурных подходах. Существует несколько решений, позволяющих осуществлять подобный пересчет от западных вендоров, в частности от SAP [6]. Но использование таких систем требует использования дорогостоящей инфраструктуры (серверов и программного обеспечения промежуточного слоя SAP HAN A). Для большинства предприятий такие вложения являются непосильными.
Для решения поставленной задачи был проведён анализ существующих подходов к решению и выяснено, что подходы, основанные на эволюционном моделировании и методов роевого интеллекта, являются перспективными в области планирования [2], [5].
В эвристических алгоритмах роевого интеллекта многомерное пространство поиска населяется роем частиц, где частица является некоторым решением. Процесс поиска заключается в последовательном перемещении частиц в пространстве поиска. По аналогии с генетическим алгоритмом, рой можно трактовать как популяцию, а частицу как хромосому. Это даёт возможность построения гибридной структуры поиска решения, основанную на сочетании генетического поиска с методами роевого интеллекта.
Решением является создание системы адаптивного управления в реальном времени с композитной архитектурой многоагентной системы бионического поиска для решения задач планирования на основе роевого интеллекта и генетической эволюции.
В результате получаем систему с рядом преимуществ таких как:
• масштабируемость, возможность решать задачи независимо от их размера;
• гибкость, системы не имеют жёсткой структуры;
• соотношение скорости выполнения и качество получаемого решения.
Заключение
Предлагаемый подход, позволит предприятиям, внедряющим решение, обеспечить значительное повышение эффективности производства при относительно невысоких капитальных вложениях.
Список литературы
1. Антипов Д.В. Повышение эффективности оперативного управления
производством продукции // Вектор науки Тольяттинского государственного
университета, 2013. № 1. С. 132—139.
2. Гладков Л.А., Гладкова Н.В., Лаврик М.Ю. Решение задач производственного
планирования на основе гибридных эволюционных методов // Известия ЮФУ.
Технические науки, 2016. № 7. С. 62—73.
3. Громов С.А., Тарасов В.Б. Интегрированные интеллектуальные системы оперативного планирования производства // Известия ЮФУ. Технические науки, 2011. № 7. С. 60-67.
4. Загидуллин Р.Р. Управление машиностроительным производством с помощью систем MES, APS, ERP. Старый Оскол: ТНТ, 2011. 372 с.
5. Лебедев Б.К., Лебедев В.Б. Планирование на основе роевого интеллекта и генетической эволюции // Известия ЮФУ. Технические науки, 2009. № 4. С. 29.
6. SAP Manufacturing Execution System MES Software. [Электронный ресурс]. Режим доступа: https://www.sap.com/products/execution-mes.html/ (дата обращения: 31.05.2018).
МОДЕЛИРОВАНИЕ СТАЛЕЖЕЛЕЗОБЕТОННОГО ПЕРЕКРЫТИЯ С ПРОФИЛИРОВАННЫМ НАСТИЛОМ И ОЦЕНКА РАСЧЕТНОЙ СХЕМЫ В СРАВНЕНИИ С РУЧНЫМ
РАСЧЕТОМ
1 2 Михаськин В.В. , Карачева М.А.
1Михаськин Владимир Владимирович - кандидат технических наук, доцент;
2Карачева Марайя Алексеевна - магистрант, кафедра строительных конструкций, Санкт-Петербургский государственный архитектурно-строительный университет,
г. Санкт-Петербург
Аннотация: данная статья посвящена вопросам моделирования сталежелезобетонных перекрытий в программном комплексе и сравнительному анализу полученных результатов с результатами расчета по нормативному документу [1]. Проведен анализ расчетных схем в программном комплексе и их сопоставление с результатами ручного расчета.
Ключевые слова: сталежелезобетон, профилированный лист, расчетная схема, ортотропия, анкерные упоры, стадийность.
Сталежелезобетонная конструкция сочетает в себе достоинства сразу двух материалов: бетона и стали, совместная работа которых обеспечивается объединительными устройствами. Сталь преимущественно работает на растяжение, а бетон - на сжатие. Такая комбинация обладает большей жесткостью при меньшем размере сечения по сравнению с другими конструкциями, а также отличается пониженным расходом стали, что, в свою очередь, обеспечивает снижение себестоимости.
Работа сталежелезобетонной конструкции достаточно сложная и требует учета многих факторов, из которых вытекает главный недостаток данной конструкции, а именно - трудоемкость расчета. В данной работе для сравнения результатов рассчитанных по методике, изложенной в [1, с 27] была создана модель в ПК ЛИРА-САПР 2013. В качестве моделируемой конструкции принято железобетонное перекрытие толщиной 20 см, размерами 6х6 метров с несъемной опалубкой из профлиста Н75-750-0.9 [2], устроенное по металлическим балкам 20Б1 из стали С235. Для объединения конструкции в совместную работу рассматривается упругая связь конечного элемента №55 из библиотеки конечных элементов ПК ЛИРА-САПР. С учетом выше сказанного, рассмотрены следующие вопросы, влияющие на специфику работы сталежелезобетонной конструкции:
1) Модель объединения стального и железобетонного сечений с неким упрощением, что на данном этапе не рассматривается податливость сдвигового
