基于多元信息的作業車間加工進度信息提取及分析模型研究

王東強 鄢 萍 任 凡 劉 飛

重慶大學機械傳動國家重點實驗室，重慶，400044

0 引言

作業車間（job shop）是一種車間級的制造系統。著名制造系統專家、美國麻省理工學院Chryssolouris教授［1］對作業車間的定義為：作業車間是由具有相同或類似物料加工功能的各類機群（如車削加工機群、銑削加工機群）等通用設備組成的高度柔性的、適應多品種工件加工的制造系統。由于作業車間的生產制造模式具有生產品種多、個性化程度高、變化快、批量較小等特點，傳統意義上的那種集中式的生產進度狀態采集與提取技術已經難以適應現代制造過程的要求，迫切需要研究一些新的生產進度建模及分析技術以適應制造執行系統的數字化、智能化、分散化發展趨勢。目前，國內外對作業車間生產過程中的各種運行信息的智能化、網絡化采集及監測技術研究較多。文獻［2］提出了面向客戶的隨機動態生產管理的管理模式，建立了生產過程控制結構模型，并在此基礎上實現動態生產環境信息、生產計劃制定和生產過程控制／調度的集成機制；文獻［3］建立了工期－費用隨機數學模型，提出了以協商難度為優化目標的模具生產進度監控算法；文獻［4］建立了一種數控機床加工過程狀態的信息模型，用于對加工中零件的各種加工狀態信息進行跟蹤監測；文獻［5］面向車間層的網絡化協同加工的實際需求，開發出一套軟／硬件一體化的機床網絡化生產管理與監控系統，實現遠程對車間機床操作者加工任務的進度管理與生產監控。但是，目前的研究還存在以下不足：

（1）從作業車間生產運行過程的目標層面來看，目前對支持特定目標的車間進度的單項信息研究較多，缺少生產過程中不同生產目標生產進度之間的關聯模型研究，很難反映生產進度與設備能力之間的關聯特性，缺乏從系統角度面向車間制造系統整體進度狀態的綜合研究。

（2）從作業車間生產運行過程的信息層面來看，缺少一種作業車間生產進度動靜態特征信息的實時提取及分析技術，很難精確表達作業車間各階段計劃進度與實際進度的誤差以及實際生產過程中各類不確定因素（如機器損壞、負載有限、工序延誤、原材料延期等）對車間整體進度的影響。

針對已有研究的不足，本文綜合考慮車間運行涉及的多元進度信息，研究面向整個作業車間制造系統實時生產進度的信息來源及層次結構，解決實際生產過程中的生產進度動靜態特征信息的描述及分析問題，為現代作業車間的優化運行提供信息支持。

1 作業車間加工進度信息提取原理研究

1．1 作業車間生產進度信息分析

現代作業車間是一種先進制造系統，其生產過程是一個多設備多任務并存的過程，因此作業車間生產進度信息貫穿著多任務執行過程和多設備運行過程兩大信息主線。而根據現代作業車間制造過程的綜合運行目標的需求，其車間運行信息可以分為計劃信息、質量信息、加工信息、調度信息、資源信息、服務（包括外協加工等）信息等不同緯度的運行狀態目標的描述。兩大信息主線以各類信息子類為數據基礎，概括了現代作業車間中各種生產進度關鍵特征和主要信息［6］。

作業車間生產進度信息是生產過程中實時運行狀態下各種影響因素真實客觀的反映，是對制造系統運行性能情況的客觀評價。由于信息節點涉及各種多元進度信息，這些進度信息會因進度目標對象的不同而具有不同的表達方式，不同表達方式的信息特征也有較大差異。例如，按產品生產層次劃分，可表述為零件進度、部件進度、裝配進度等；按執行對象的不同又可分為工位進度、班組進度、工段進度、車間進度、外協進度、訂單進度等。復雜的進度目標導致了節點生產進度類型的局部性和多樣性。從系統角度面向車間制造系統整體進度狀態的角度出發，本文以兩大信息主線為引導，建立各類進度目標的層次化關系，分步提取各階段各時刻的各類進度信息，既保證了作業車間階段性的局部生產進度的準確完整的表述，又能方便地將這些局部進度信息融合成作業車間總體進度信息，實現對全局進度的總體把握。其中，多任務信息主線側重于描述訂單進度狀態、加工件進度狀態、工序間在制品庫存狀態、在制品流動狀態等車間任務訂單完成進度相關信息；在多任務執行過程主線中，可以從任務i執行過程的運行信息中提取出n個進度目標子類，每個子類又可分成若干子子類。由于每個目標進度子類的特點不同，在子類的不斷深入過程中，每個子類繼續劃分的子類和子層數量不一定相同。而多設備信息主線則側重于描述設備加工狀態、設備運行參數指標、設備利用率和車間利用率等車間設備加工進度相關信息。在多設備運行過程主線中，進度信息內容也具有類似分層結構。以兩條信息主線為引導，車間多元運行信息為來源，采用層次化、結構化的方法對車間各種進度信息進行研究具有以下特點：①進度信息類型的定義與劃分具有層次化、結構化的特點；②不同的進度目標信息具有統一的數據格式或表現形式，降低了數據的冗余；③從多元信息中提取進度信息確保了數據的全面性、準確性，同時兼顧各類進度信息的約束、耦合關系，動態平衡車間進度與資源能力。

在實際生產運行過程中，兩條主線從多元運行信息中提取的各類進度信息隨著時序、空間的改變而不斷變換，管理人員可以通過一定的預制條件實現兩條主線信息間不同進度目標的關聯、轉換、融合或映射，從不同側面反映當前車間綜合生產進度，為上層管理系統提供決策信息。

1．2 分步式作業車間加工進度信息提取原理

作業車間各類運行信息是車間進度信息的數據基礎，為了實現作業車間生產進度信息的提取與集成，可以在作業車間內建立信息采集節點，信息采集節點主要完成信息的收集獲取工作，不僅包括數據采集，還包括與該節點相關的信息集成及數據通信傳輸。信息采集方法有基于人機界面交互、傳感器傳感、數控程序提取、條碼掃描器和RFID讀卡器獲取等多種方法。通常為了獲得全面的作業車間運行信息，信息節點必須綜合使用多種信息采集方法實現六大子類數據的采集［7］。因此本文提出一種網絡化、分布式和集成化的作業車間運行信息采集系統模型。該模型由多種功能傳感器、基于高端嵌入式系統的多功能信息交互終端、可支持對等網絡通信的信息交互模式、車間服務器、信息集成接口、運行信息采集方法及分析軟件等軟硬件構成的一個多功能信息采集系統，如圖1所示。

通過信息采集節點采集或輸入的數據，具有多樣性、連續性、不確定性的特點，許多信息以隱形方式存在，必須通過信息的過濾、分析，挖掘出隱含的有效信息。每個節點采集的數據只反映一定時間內相關設備的運行信息，以此為基礎提取的生產進度信息只反映作業車間的局部進度信息。按一定時序或規則對這些局部進度信息進行分步式提取，并根據其信息主線進行層次化、結構化關聯，逐步疊加、融合，可以形成車間整體進度狀態。

圖1 基于多元信息的作業車間進度提取原理

2 基于多元信息的作業車間加工進度關系模型

2．1 基于多元信息的作業車間加工進度描述

根據作業車間運行信息采集系統可以建立圖2所示的作業車間加工進度分步式提取模型，其中，Mij為信息節點Mi在Tj時刻的運行狀態；Iij為信息節點Mi在Tj時刻提取的反映生產進度的多元實時信息；Sij為信息節點Mi在Tj時刻的任務進度信息；Eij為信息節點Mi在Tj時刻的設備進度信息。在加工任務開始前，通過上層管理系統及車間進度信息庫建立各進度目標的靜態生產進度指標及數據模板，并將這些數據模板下發給信息采集節點。各采集節點在指定時刻按照數據模板提取多元車間運行信息生成相應的生產進度信息Iij。這些根據預置數據模板采集的實際進度數據具有層次性、分步性、分類性和時序性的特點，一般前后兩個同類進度子類之間通常存在繼承、重疊、累加、包含等類關系，這種類關系反映了生產過程的的過程性和暫態性。采集節點Mi在Tj時刻的信息來源包括三個方面：①實時采集的反映生產進度的運行信息Iij，包括計劃信息、質量信息、加工信息、調度信息、資源信息、服務信息等進度信息子類；②Tj時刻前一關聯采集節點Mi－1的設備進度信息Ei（j－1）的關聯信息；③Tj時刻前一關聯采集節點Mi－1的任務進度信息S（i－1）j的關聯信息。采集節點Mi在Tj時刻的輸出進度信息包括兩個方面：①Mi在時刻Tj的設備進度信息Eij；②Mi在時刻Tj的任務進度信息Sij。

從圖2可以看出，沿橫軸方向的一行可以反映作業車間內所有設備在Tj時刻時的任務進度信息主線，沿縱軸方向的一列可以反映設備Mi從任務開始到Tj時刻的加工進度信息主線。兩條主線都有各自的進度目標和層次結構，從不同的維度反映出作業車間的生產進度狀態。而每個采集節點都是兩條信息主線的交集，因此對節點提取的動靜態進度數據進行比較、關聯、融合后可以得到信息節點Mi在Ti時刻的多任務進度信息和設備進度信息。再根據兩條主線各自的進度目標按一定的時序或工序加工要求對多個采集節點信息進行關聯融合，可以逐步形成多設備多任務的車間綜合加工進度信息。

圖2 作業車間加工進度分步式描述模型

2．2 基于多元信息的作業車間信息節點進度關系建模方法

由于現代作業車間的任務來源是離散的，隨時可能有新任務，在某個時間段內要完成多種產品的生產加工，因此需要根據產品或零件的工藝信息進行工序劃分，把多種產品或零件的工藝信息綜合起來，擬定出關鍵工序及其關鍵路徑［8］。如何利用信息節點采集的多元進度信息反映出當前節點關鍵加工路徑的執行情況，同時兼顧不同加工任務非關鍵工序間的影響程度是需要解決的難題。本文從特征相關性分析入手，利用Mar kov Blanket理論建立多元進度信息之間自然的聯系，將節點多元進度信息特征集合劃歸為三類，即強相關特征、弱相關特征和無關特征；再通過相關性水平過濾剔除特征集合中的無關和冗余特征，轉化為指定時刻或階段信息節點關鍵路徑相關的最優進度信息集合；然后通過加權處理，建立各類生產進度特征指標之間的關系；最后通過特定的分析算法對節點的關鍵進度信息進行評估，進一步簡化各類進度信息，形成該節點綜合設備進度及任務進度信息。節點設備進度反映關鍵設備的加工能力及利用率，節點多任務進度反映產品任務樹關鍵路徑的完成情況。其信息處理流程如圖3所示。

圖3 信息節點進度信息提取與集成模型

2．2．1 信息節點多元進度特征定性及定量分析

（1）根據文獻［9］提出的特征相關性理論，設F是信息節點多元進度信息特征集合，P（·）是各特征值間的聯合概率，fi是一個多元進度特征，Si＝F－｛fi｝，C 是一個不在Si中的進度特征，S′i是Si的子集，定義三類進度特征的形式化如下：

定義1（強相關） 當且僅當下式成立時，稱進度特征fi是強相關的：

強相關進度特征是對節點加工進度的關鍵路徑構成直接影響的特征，如果強相關進度特征發生改變，必然影響節點的關鍵路徑的加工進度。

定義2（弱相關） 當且僅當下列條件成立時，稱特征fi是弱相關的：

弱相關進度特征在一定條件下影響節點加工進度的關鍵路徑，但不一定是存在的。

定義3（無關性） 當且僅當下式成立時，稱特征fi是無關的：

無關特征不影響加工進度的關鍵路徑，是在多元信息進度分類中不需要的部分，因此在特征選擇中首先剔除的。

根據以上定義，弱相關特征可能會導致特征冗余，如果一個弱相關進度特征完全依賴于另一個進度特征，那么可以看作相對于另一個特征冗余，若不以另一特征為條件，則它就是有效的分類特征。因此，為了獲得節點最優進度特征子集，必須在分類過程中剔除兩類進度特征信息，一類是與節點關鍵路徑完全無關的進度特征，另一類是與關鍵進度弱相關且相對于其他特征子集是冗余的部分。我們借用信息論中熵的概念，給定進度類型集合z及屬于不同進度類型的特征子集Fi和Fj，定義I（Fi；Fj｜z）為給定類型z時進度特征子集Fi和Fj之間的互信息量，H（Fi｜Fj）為給定Fi時Fj的熵，如果 H（Fi｜Fj）≠0，那么定義進度特征子集Fi和Fj之間的相關系數rp如下：

其中，H（fj｜z）＝0時，rp（fi；fj｜z）＝1。

通過比較相關系數rp與預先設置的相關閾值p，當rp大于閾值p時，說明特征子集Fi和Fj之間存在特征冗余，根據最簡原則，取其中較小的特征進度值，反之，當rp小于閾值p時，說明兩個進度特征關聯度小，都是最優特征進度子集的組成部分。

在以上分析的基礎上，本文提出基于多元信息的節點進度特征選擇算法：第一步，先選擇信息主線，由于節點采集的多元進度信息在多任務進度主線與多設備信息主線中結構、層次及表現形式都存在差異，因此需要根據信息主線類型格式化集合F形式；第二步，根據不同信息主線所確定的關鍵路徑進行信息提取，過濾所有與節點關鍵路徑無關的進度特征，得到一個相關特征集合F，該集合既包括強相關進度特征，也包括弱相關進度特征。詳細步驟見圖4第一部分（1～5行）。由于該集合中的弱相關進度特征仍然存在冗余信息，在圖4第二部分（6～17行）中，我們先初始化目標集合G，同時把第一個相關特征加入G，通過建立進度特征子類z（可根據計劃信息、質量信息、加工信息、調度信息、資源信息、服務信息等方式分類），將集合F根據信息類型分解成若干個進度子集Fi，依次提取Fi中fi與其他進度子集Fi比較相關性，通過預置的相關性水平p進行比較，如果相關性水平高，則認為是一個弱相關特征并與其他進度子集存在冗余，需要刪除冗余后加入目標集合G，否則，認為該特征為強相關進度特征或獨立于其他特征的弱相關進度，屬于最優特征子集不可缺少的部分，可直接加入集合G，重復該過程直到F為空，就能得到最優進度特征集合G。

圖4 基于多元信息的作業車間信息節點進度特征選擇算法

2．2．2 信息節點多元進度信息特征模糊關系評價方法研究

將上節得到的最優進度特征集合G按信息子類進行整理，依次填入事先定義好的節點進度特征模板：

其中元素xij（i＝1，2，…，n；j＝1，2，…，m）表示某一運行信息指標狀態的特征值（最優進度特征集合中已剔除的特征值以0代替），每一行向量代表某一類進度集合子集，如服務信息、加工信息、資源信息等與生產進度相關的實時運行狀態信息。然后對矩陣X中各因子采取兩兩比較的方法建立成對比較矩陣。即每次取兩個因子xi和xj，以aij表示xi和xj對節點進度的影響大小之比，比較結果用矩陣A＝［aij］m×n表示，其中，對兩兩比較結果采用表1［9］來描述。

（1）計算判斷矩陣A＝［aij］m×n的最大特征值λmax和特征向量r（0）ij，經歸一化后即為進度數據采集矩陣X中同一層次運行信息相應因素對于上一層次相對重要的排序權值。為了確保λmax對應的標準化特征向量能夠真實反映出影響因素的排序權重，還需計算一致性指標對于比例標度n＝1，2，…，9，在表1［9］中列出了相應的平均隨機一致性指標RI。

表1 比例標尺n對應的平均隨機一致性指標RI

（3）進一步，可以將進度子類Si對進度子類Sk的指標的影響度按照Si的指標（j＝1，2，…，m）分解成Si的指標對進度子類Sk的指標A（k）l的影響度分解時，還是通過兩兩比較的方式確定進度Si中的指標的影響權重，然后通過權重確定這樣就可以得到各進度子類間不同指標相互影響度的模糊關系矩陣其中（i，k＝1，2，…，n；j，l＝1，2，…，m。

（4）通過模糊關系矩陣可以定義多元信息進度子類Sk的某一指標Al對信息采集節點進度的影響度D，該值為該進度中指標Al的輸出與輸入信息之比，其中指標Al的輸出信息反映出該指標對其他相關指標的影響情況。如果Al受其他個指標的影響，則就 是 進 度Sk的指標Al的輸出信息。

進度Sk中各指標的輸入信息包括采集的信息、上一信息節點的相關信息以及同一節點中受其他進度指標影響的情況。如果指標A（k）l受其他進度的個進度指標的影響，則就是指標的輸入信息。所以進度Sk中各指標A（k）l對信息節點的影響度D（k）l＝，如果用兩兩比較方法確定出各進度指標的的權重ω（k）l，則可以確定出各運行信息指標對整個節點進度的影響度：

3 應用案例

上述系統模型及分析方法為現代車間的運行信息的研究和應用提供了一個框架模型，也為建立車間多元異構進度信息集成系統提供了一種新思路。重慶某汽車空調零部件加工企業擁有多臺加工機床，既有年代較久的普通機床，也有近幾年購置的半自動機床、數控加工中心等。以該企業的一批調度任務為例，對該系統的應用流程分析如下：

（1）首先在車間關鍵設備上安裝高端嵌入式系統的多功能信息交互終端作為加工進度信息采集節點，該信息終端擁有多種多個通信接口，能與底層傳感器實現互聯，也能通過RS232同數控機床通信，直接獲取部分設備運行信息，同時工人還可以通過人機界面，在終端上輸入加工信息。

（2）當車間有一批零件進行加工，首先通過系統組建其調度任務，同時對工段、工人、物料等相關資源進行了統一編號，建立該加工任務和相關機床的相關基礎數據矩陣。該多元數據矩陣由五大子類進度信息（計劃信息S1、資源信息S2、加工信息S3、調度信息S4、服務信息S5）組成?？刂浦行膶⒃摱嘣獢祿仃嚹０灏凑疹A置條件下發到每個信息節點。

（3）各信息節點利用本文提出的基于多元信息的車間信息節點進度特征選擇算法，計算出該信息節點的局部多元進度信息數據，得到與該節點關鍵路徑相關的最優進度特征子集。其中進度子類S2和S4有4個關鍵特征指標，其余進度子類有3個關鍵特征指標。然后按照進度特征模糊關系評價方法確定出基于各個進度子類特征指標的模糊關系矩陣RS－S，結果如表2所示。

（4）在表2基礎上，計算進度特征子類的影響度和對節點整體進度的影響度，結果見表3。通過表3可以看出，S3的影響度（1．33）最大，S5的影響度（0．81）最小，進度子類S2中的特征指標A24的影響度（1．49）雖然最大，但在進度影響度中僅占39%。重要性較低，因此對節點進度影響較大是進度子類S3的特征指標A32（權重為0．64，影響度為1．31）。

表2 信息節點模糊關系矩陣

表3 信息節點進度子類及指標的影響度

（5）通過以上方法得到各個節點的進度特征子類的影響度及關聯度后，進一步對多節點的進行信息融合后進行綜合評比，可以較全面地反映出該企業作業車間整體進度信息的關鍵節點及瓶頸問題，幫助該企業解決平衡車間進度要求與設備能力的要求［11］。

該模型具有很高的可操作性、實用性，增強了該廠生產管理上的統籌性，形成了生產管理機制的良性循環，使企業的生產管理水平得到了提高。與傳統車間從計劃、質量、成本、交貨期、設備利用率等不同角度對生產進度執行情況進行分類監控的方式比較，該系統模型具有以下優點：

（1）統一了各類進度目標信息數據格式或表現形式，降低了數據的冗余，避免了傳統模式下對數據的重復采集或使用，提高了車間信息系統運行效率；

（2）通過將現場采集的各類信息進行提取、加權和綜合評價，得到一個綜合進度指標結果，確保了數據的全面性、準確性，同時兼顧各類進度信息的約束、耦合關系，避免了傳統模式下追求單一進度目標優化的片面性；

（3）可以有序地定量判斷影響生產系統運行的主要要素；而通過要素指標的權重，又能明確地得出各個指標所提供信息量的大小，這些都為車間的生產運行管理提供了準確的數據依據，從而可針對性地改進相關生產瓶頸和物流約束，使車間對生產進度的管理更加科學、高效。

4 結束語

本文研究了作業車間生產進度信息來源及類型，并根據作業車間“快速、優質、低成本、低耗和潔凈”的綜合運行目標把作業車間進度信息劃分為基于多任務執行和多設備運行大信息來源主線的多元進度信息子類；建立了一套基于多元信息的作業車間生產進度關系模型；利用關系模型建立了一套作業車間進度節點信息分析及評價方法。

利用本文所提出的作業車間信息節點多元進度信息關系模型，不僅可以描述出作業車間各類進度信息之間的直接關系和關聯程度，還可以深入分析某一進度要素及其指標對作業車間整體系統的影響程度。

［1］ Chryssolouris G．Manufacturing Systems：Theory and Practice［M］．New Yor k：Springer－Verlag，1992．

［2］ 朱云龍，于海斌．面向客戶的隨機動態生產管理模式研究［J］．計算機集成制造系統，2001，7（3）：14－181．

［3］ 李英杰，陳慶新，陳新度，等．協同制造項目進度管理［J］．計算機集成制造系統，2007，13（11）：11－14．

［4］ Qiu E，Russell D．A For mal Model f or Incor porating Shop Floor Controls into Plant Infor mation Systems［J］．International Journal of Advanced Manufacturing Technology，2004，23（1／2）：47－57．

［5］ 劉笑冬，曹華軍，劉飛，等．機床網絡化生產管理與監控系統開發［J］．現代制造工程，2007（6）：12－15．

［6］ 劉飛，祁國寧，寧汝新，等．先進制造系統及管理運作［R］．國家自然科學基金委員會學科發展戰略研究報告：《機械與制造科學》第15章．北京：科學出版社，2006．

［7］ Mai mon O，Gersh win S．Dynamic Scheduling and Routing for Flexible Manufacturing Systems that Have Unreliable Machines［J］．Robotics and Automation Proceedings，1987，4（3）：281－2881．

［8］ Julio G C，Martin H．A Traceability Infor mation Model for CNC Manufacturing［J］．Co mputer－aided Design，2006，38（5）：540－551．

［9］ John G H，Kohavi R，Pfleger K．Irrelevant Feat ure and the Subset Selection Problem［C］／／Proceedings of the 11th Inter national Conference on Machine Learning．San Francesco：Morgan Kauf mann，1994：121－129．

［10］ Liu Fuyun，Yang Qinghai，Qi Guoning．Universality Analysis Method of Parts f or Product Family Based on Co mplex Net wor k［J］．Chinese Jour nal of Mechanical Engineering，2005，41（11）：75－79．

［11］ Zhang Wei，Lin Jie．Multi－stage Pr oduction Model Based on Mass Customization［J］．Computer Integrated Manufacturing Systems，2007，2（13）：246－250，281．