一种基于SVR模型预测的环形RGV小车调度方法

本发明涉及一种RGV小车调度方法，特别是关于一种基于SVR模型预测的环形RGV小车调度方法。

随着科技的发展，智能设备被广泛应运于生产生活中，极大地提高了生产工作的效率，便捷了人们的日常生活。RGV小车是一种应运于加工作业车间的流水线和物流仓储管理的智能化设备。在车间作业流水线上，RGV小车调度不合理的问题导致导轨上小车利用率低，部分工位等待时间较长，小车因堵塞无法进入工位等问题，严重的影响了生产加工的效率。同时流水线各工位对小车发出申请的顺序和概率具有不确定性，这种不确定性使RGV小车的合理调度更加困难。

针对上述问题，本发明的目的是提供一种基于SVR模型预测的环形RGV小车调度方法，降低了工位申请信号发生的不确定性，使RGV小车的合理调度具有可行性。同时，还可以对环形轨道上的小车实现合理的调度，提高流水线生产效率。

为实现上述目的，本发明采取以下技术方案：一种基于SVR模型预测的环形RGV小车调度方法，其包括以下步骤：1)环形RGV小车系统中的RGV小车开始前往各工位工作，并通过设置在RGV小车上的RIFD以及编码器获得小车的具体工作及位置信息；2)各工位发出申请信号请求调用RGV小车到达该工位对应位置进行工作，预先建立的SVR预测模型从各工位首次发出申请后开始记录各工位发出申请的时间点，并完成自身的训练，实现对该工位的申请信号发生时刻的预测；3)根据预测各工位申请信号的发生时刻及当前各RGV小车的位置信息、工作信息实现合理调度。

进一步，所述环形RGV小车系统由环形导轨、RGV小车和工位构成；所述环形导轨左侧为等待区域，没有工作任务的所述RGV小车停留在该等待区域等待出发，已经完成工作任务的所述RGV小车若没有新任务将回到该等待区域等待；所述RGV小车由电机提供动力，每个所述RGV小车上都设置有超声波传感器，通过RIFD识别是否到达某个工位，RGV小车的具体位置信息通过编码器感知。

进一步，所述SVR预测模型的建立方法包括以下步骤：2.1)在某工位首次发出的申请信息后开始采集信号，记录每次RGV小车在该工位完成任务到下一次发出申请信号的时间，得到N个数据点{x1,x2,…,xN}，建立训练数据集；2.2)支持向量机通过非线性映射函数把训练数据集中的每一列数据映射到高维特征空间，进行线性回归，进而得到训练好的回归模型；2.3)新数据输入到训练好的回归模型，得到相应的预测结果。

进一步，所述步骤2.2)中，回归模型的获取方法具体包括以下步骤：

2.2.1)构造回归模型：

式中，ω为输入数据多维度权重向量，b为偏置大小，可以通过正则化和结构风险准则求得，且结构风险最小化准则为：

式中，xi为训练集中第i列向量，yi为第i列向量对应的被预测值,i＝1,2…n；ξi为松弛变量上限，ξi*为松弛变量下限，且ξi、ξi*≥0，ε为不敏感损失，C为惩罚因子；

2.2.2)对于结构风险最小化准则的不等式约束条件优化问题，采用拉格朗日乘子算法和KKT条件将结构风险最小化准则转换为凸二次规划问题进行求解；

2.2.3)将求解将得到的偏置b和权重ω带入结构风险最小化准则得到回归模型为：

式中，K(xi,x)为核函数，选取径向基核函数为：

式中，σ为径向基核函数的宽度系数。

进一步，所述惩罚因子C和宽度系数σ利用粒子算法进行优化，粒子算法设置种数为20，具体包括以下步骤：(1)确定惩罚因子C和宽度系数σ的寻优范围和误差要求，并确定宽度系数σ的初始值；(2)利用粒子迭代公式对惩罚因子C进行迭代寻优，并利用求得的C和σ计算预测误差是否符合预先设定的精度标准，若符合精度标准则结束寻优，否则进入步骤(3)；(3)判断对宽度系数σ是否存在新的寻优值，若不存在则选取误差最小的一组惩罚因子C和宽度系数σ并结束寻优；若存在新的寻优值则更新σ，并重复步骤(2)。

进一步，所述步骤(2)中，寻优迭代公式为：

Sd(t+1)＝Sd(t)+Vd(t)Sd(t+1)＝Sd(t)+Vd(t)

式中t代表迭代次数，Sd代表第d个寻优粒子的位置，即C可能存在的数值；该粒子运动速度为Vd，d＝1,2…20；

粒子运动速度的迭代公式为：

Vd(t+1)＝ωV*Vd(t)+c1*r1*(pd-Sd(t))+c2*r2*(pg-Sg(t))Vd(t+1)

式中，ωv为当前粒子飞行速度的惯性权重，r1、r2为[0,1]内的随机数，c1、c2是学习因子，pd为第d个粒子在寻优过程中到的最优位置，pg为整个种曾经到的最优分布，S(t)代表整个种在第t次迭代后的分布情况；

通过上述式子，粒子通过不断的迭代寻求最佳位置，即C和σ的值。

进一步，所述步骤3)中，通过SVR预测模型对各个工位申请信号的发生规律进行学习并预测，进而实现对环形轨道上的小车的合理调度。

进一步，设第s个小车为Xs，第s+1个小车为Xs+1，其中第一个小车X1与最后一个小车X6有：

X1-1＝X6，X6+1＝X1；

则所述调度方法为：

3.1)当所有小车均在等待区域内时，对于第k个工位的发出的申请信号，若k为1～5，则派出小车X1，k为6～10则派出小车X6；

3.2)当环形轨道已有小车进入，并在k工位发出申请信号时，则进行校车调度；

3.3)小车返回时按派出顺序从等待区域两侧依次返回等待区域；若所有小车全部派出，则等待区域两侧较近的三辆小车依次从两边返回，并重新排列小车编号。

进一步，所述步骤3.2)中，调度方法为：首先距离k工位最近的小车Xs准备被调度，检测k工位与小车Xs-1中间是否存在其他工位，存在工位个数为D，同时根据SVR预测模型的预测信息判断其中有h个工位可能发出申请信号；若k工位与小车Xs-1之间没有其他工位，即小车Xs-1在k+1工位工作时，调度小车Xs前往工位k执行任务；如k工位与小车Xs-1之间存在其他工位，但预测信息表示其中没有工位将会发出申请信号，则派小车Xs前往工位k与小车Xs-1之间的非工位等待区域以防止预测出错，并派小车Xs+1前往k工位执行任务；若预测信息表示有h个工位可能发出申请信号，则派n个小车Xs，Xs+1，…Xs+h+1前往工位k与小车Xs-1之间的非工位等待区域，并派Xs+h小车前往k工位执行任务，以防止k任务期间其他工位发出申请。

本发明由于采取以上技术方案，其具有以下优点：1、本发明将各工位申请信息输入到SVR预测模型完成小车的合理调度，解决因申请信号的不确定性导致难以实现调度的问题。2、本发明利用SVR预测模型实现工位申请信号预测，所需训练数据较少，在工位状态发生变化时，能迅速完成信号发生频率的学习，不耽误工作。3、本发明针对SVR预测模型重要参数，采用粒子算法实现对参数的优化，该优化算法收敛速度快，在对支持向量机的参数优化上具有优势。

综上，本发明利用SVR预测模型实现对工位申请信号的预测分析，降低工位申请信号发生的不确定性，使RGV小车的合理调度具有可行性。同时还根据工位的预测申请信号，可以对环形轨道上的小车实现合理的调度，提高流水线生产效率。

图1是本发明的环形RGV小车系统结构示意图；

图2是本发明的SVR预测模型流程示意图；

图3是本发明的粒子算法对SVR参数优化流程示意图；

图4是本发明的调度流程图；

图5本发明实施例中调度仿真实验曲线图；

图6本发明实施例仿真实验中小车出工率对比图。

下面结合附图和实施例对本发明进行详细的描述。

本发明提供一种基于SVR模型预测的环形RGV小车调度方法，针对不同工位对小车的需求进行预测控制以实现小车合理的调度。本发明的具体包括以下步骤：

1)环形RGV小车系统中的RGV小车开始前往各工位工作，并通过设置在RGV小车上的RIFD以及编码器获得小车的具体工作及位置信息。

RIFD射频识别技术为现有成熟的非接触识别技术，可以有效识别小车是否在到达或者离开工位。编码器可以将位置、位移信号转换为电信号，能有效识别小车的位置位移信息。

环形RGV小车系统由环形导轨、RGV小车和工位构成，如图1所示，其中黑球代表六个RGV小车X1～X6，白方块代表10个工位。

其中，环形导轨左侧为等待区域，没有工作任务的RGV小车停留在该等待区域等待出发，已经完成工作任务的RGV小车若没有新任务将回到该等待区域等待。RGV小车由电机提供动力，每个RGV小车上都设置有超声波传感器以防止互相发生碰撞，通过RIFD识别是否到达某个工位，RGV小车的具体位置信息通过编码器感知。

2)各工位发出申请信号请求调用RGV小车到达该工位对应位置进行工作，预先建立的SVR预测模型从各工位首次发出申请后开始记录各工位发出申请的时间点，并完成自身的训练，实现对该工位的申请信号发生时刻的预测。

其中，各工位工作时间受工位具体设备及任务影响，在一定时间内其申请信号具有一定的频率，通过SVR预测模型对各工位发出申请信号的频率进行学习，以有效预测短时间内该工位的申请信号发生时刻。

3)根据预测各工位申请信号的发生时刻及当前各RGV小车的位置信息、工作信息实现合理调度。

上述步骤2)中，如图2所示，SVR预测模型的建立方法包括以下步骤：

2.1)在某工位首次发出的申请信息后开始采集信号，如图1所示，以1号工位为例，记录每次RGV小车在该工位完成任务到下一次发出申请信号的时间，得到N个数据点{x1,x2,…,xN}，建立训练数据集：

train_output＝(xm+1,xm+2,…,xm+n) (1)

式中，N为所有数据点，m为训练集每一列的数据个数，n为训练集列数，且有n＝N-m。train_input的每一列作为一组的预测数据，如{x1,x2,…,xm}，在train_output中的{xm+1}与其对应，作为被预测值。

2.2)支持向量机通过非线性映射函数把训练数据集中的每一列数据映射到高维特征空间，进行线性回归，进而得到训练好的回归模型；

2.2.1)构造回归模型：

式中，ω为输入数据多维度权重向量，b为偏置大小，可以通过正则化和结构风险准则求得，且结构风险最小化准则为：

式中，xi为训练集中第i列向量，yi为第i列向量对应的被预测值,i＝1,2…n。ξi为松弛变量上限，ξi*为松弛变量下限，且ξi、ξi*≥0，ε为不敏感损失，C为惩罚因子。其中ε为该式求解时对训练误差的约束，ξi、ξi*代表在该约束下训练误差容许的上限和下限。惩罚因子C是对超出ε的误差进行惩罚的控制。

2.2.2)对于式(3)的不等式约束条件优化问题，采用拉格朗日乘子算法和KKT条件将式(3)转换为式(4)的凸二次规划问题进行求解：

且

式中，ai分别为对于误差容许上限的非负朗格朗日乘子，ai*分别为对于误差容许下限的非负朗格朗日乘子；ai、ai*和偏置b由KKT条件进行求解，求解只能得到的少部分ai、ai*值不为零，这些不为零的参数对应的样本为不灵敏边界上或超出边界的样本，即支持向量。

2.2.3)将求解将得到的偏置b和式(5)带入式(2)得到回归模型为：

式中，K(xi,x)为核函数，该函数可以将训练数据带入高维特征空间，本发明选取径向基核函数为：

在式(7)中，σ为径向基核函数的宽度系数，σ以及惩罚因子C对预测结果有着较大的影响。

为了合理设置惩罚因子C和宽度系数σ，利用粒子算法对惩罚因子C和宽度系数σ进行优化，如图3所示，粒子算法设置种数为20，具体包括以下步骤：

(1)确定惩罚因子C和宽度系数σ的寻优范围和误差要求，并确定宽度系数σ的初始值；

(2)利用粒子迭代公式对惩罚因子C进行迭代寻优，并利用求得的C和σ计算预测误差是否符合预先设定的精度标准，若符合精度标准则结束寻优，否则进入步骤(3)；

其中，寻优迭代公式为：

Sd(t+1)＝Sd(t)+Vd(t)Sd(t+1)＝Sd(t)+Vd(t) (8)

式中t代表迭代次数，Sd代表第d个寻优粒子的位置，即C可能存在的数值。该粒子运动速度为Vd，d＝1,2…20。粒子运动速度的迭代公式为：

式中，ωv为当前粒子飞行速度的惯性权重，r1、r2为[0,1]内的随机数，c1、c2是学习因子，pd为第d个粒子在寻优过程中到的最优位置，pg为整个种曾经到的最优分布，Sg(t)代表整个种在第t次迭代后的分布情况。通过上述式子，粒子通过不断的迭代寻求最佳位置(即C和σ的值)。

(3)判断对宽度系数σ是否存在新的寻优值，若不存在则选取误差最小的一组惩罚因子C和宽度系数σ并结束寻优；若存在新的寻优值则更新σ，并重复步骤(2)；

2.3)新数据输入到训练好的回归模型，得到相应的预测结果。

上述步骤3)中，通过SVR预测模型可以对各个工位申请信号的发生规律进行学习并预测，进而实现对环形轨道上的小车的合理调度。为了阐述小车调度方法，设第s个小车为Xs，第s+1个小车为Xs+1，其中第一个小车X1与最后一个小车X6有：

X1-1＝X6，X6+1＝X1；

本发明的具体调度方法为：

3.1)当所有小车均在等待区域内时，对于第k个工位的发出的申请信号，若k为1～5，则派出小车X1，k为6～10则派出小车X6，以节约能量损耗。

3.2)当环形轨道已有小车进入，并在k工位发出申请信号时，则进行校车调度；

如图4所示，调度方法为：

首先距离k工位最近的小车Xs准备被调度，检测k工位与小车Xs-1中间是否存在其他工位，存在工位个数为D，同时根据SVR预测模型的预测信息判断其中有h个工位可能发出申请信号。若k工位与小车Xs-1之间没有其他工位，即小车Xs-1在k+1工位工作时，调度小车Xs前往工位k执行任务；如k工位与小车Xs-1之间存在其他工位，但预测信息表示其中没有工位将会发出申请信号，则派小车Xs前往工位k与小车Xs-1之间的非工位等待区域以防止预测出错，并派小车Xs+1前往k工位执行任务；若预测信息表示有h个工位可能发出申请信号，则派h个小车Xs，Xs+1，…，Xs+h+1前往工位k与小车Xs-1之间的非工位等待区域，并派Xs+h小车前往k工位执行任务，以防止k任务期间其他工位发出申请。

3.3)小车返回时按派出顺序从等待区域两侧依次返回等待区域。若所有小车全部派出，则等待区域两侧较近的三辆小车依次从两边返回，并重新排列小车编号。

实施例：

如图5所示，为对基于SVR预测模型的RGV小车调度方法的仿真实验，图中为前30次申请信号发生时各小车的位置情况，其中不同的线条代表不同是小车，纵坐标1到10代表不同的工位，0代表停车等待位，-1代表小车进入工位中间的等待车位。从图中可以看出各小车在基于SVR预测模型的调度方法下可以实现合理的调度。

图6为仿真实验中小车出工率对比图，仿真信号通过发起1000次工位申请信号对小车出工情况进行了记录。图中斜线条纹柱形代表的基于SVR的RGV小车调度方法，点状条纹柱形代表的无预测信号调度方法，其中基于SVR预测模型的调度方法中X1与X6小车出工频率相对降低，将更多的任务分配给小车X3和X4，使各小车工作任务分配更加合理，有效的提高了小车工作效率。

综上，本发明基于SVR预测模型的环形RGV小车调度方法，利用编码器，RIFD以及超声波传感器检测小车的位置以及工作情况；通过SVR预测模型实现对各个工位短期可能会发出申请信号的预测；本发明依据工位申请信息、SVR模型预测信息以及小车位置工作信息，实现了有效的、合理的调度方法，该方法损耗能量少，且能提高环形轨道RGV小车系统的工作效率。

上述各实施例仅用于说明本发明，各个步骤都是可以有所变化的，在本发明技术方案的基础上，凡根据本发明原理对个别步骤进行的改进和等同变换，均不应排除在本发明的保护范围之外。