擾動環境下作業車間網絡多瓶頸識別方法研究

李曉娟,孫文磊,袁逸萍,李華華

(新疆大學機械工程學院,830047,烏魯木齊)

?

擾動環境下作業車間網絡多瓶頸識別方法研究

李曉娟,孫文磊,袁逸萍,李華華

(新疆大學機械工程學院,830047,烏魯木齊)

針對擾動環境下作業車間多瓶頸識別困難、瓶頸漂移后的瓶頸識別缺乏全局性和實效性這一問題,構建了基于網絡特性的多瓶頸動態識別方法。首先,根據設備工裝、工藝路線、物流路徑以及產品配置等多層次生產數據,構造作業車間網絡模型;其次,建立作業車間網絡動力學方程,獲取擾動因素流轉的判定依據。對瓶頸內涵進行擴充,綜合考慮節點自身動力學特性、節點間拓撲耦合影響機理及擾動在生產網絡中的傳播機制,建立基于耦合映射格子(CML)的瓶頸識別算法,實現作業車間瓶頸的量化描述和連續預測;最后,對某機電企業作業車間進行瓶頸的動態監控和預測。結果表明:在擾動環境下,CML模型能夠較好地預測各工作站瓶頸度走勢,其中工作站R1平均瓶頸度為1.12,瓶頸持續時間長達40 h;工作站R3的平均瓶頸度為1.05,瓶頸持續時間為10 h;工作站R1、R3首先成為系統的瓶頸,隨著加工進度的推移,工作站R1和R24交替成為系統瓶頸。研究結果與該企業實際情況具有很好的一致性,驗證了該方法的有效性和準確性。

作業車間;擾動環境;復雜網絡;CML模型;瓶頸識別

作業車間包含大量的資源節點,不僅表現出節點間存在復雜相互作用、依賴關系的定常周期運動,更表現出一種普遍意義的形式,即無序的混沌。在實際生產過程中,各種隨機擾動因素的存在都會引起車間工況發生動態變化,導致生產瓶頸頻繁漂移。如何在擾動環境下,進行作業車間瓶頸時空特性的識別,進而構建新型、快速、準確的動態瓶頸識別方法是資源優化配置的首要任務。為了保證資源的合理配置,探索擾動環境下的瓶頸識別問題成為研究的首要重點。文獻[1]針對離散事件系統的瞬時瓶頸和平均瓶頸,利用設備持續活性時間進行識別;文獻[2]使用在線數據驅動方法,找出機器在指定時期阻塞和饑餓出現的“拐點”識別該時期的瓶頸;文獻[3]通過仿真方法獲取機器利用率、機器加工利用因子、機器生產瓶頸率3個指標,并制定if-then評判規則進行瓶頸識別;文獻[4]基于聚類思想及多屬性決策理論提出了作業車間瓶頸簇的識別方法,識別包含瓶頸資源的瓶頸簇;文獻[5]針對大規模作業車間生產調度問題,以系統作業目標對各個機器上調度方案變化的敏感度為指標,采用正交試驗識別瓶頸設備;文獻[6]提出將物料流瓶頸度用于表征制造單元阻礙制造車間物料流流動平順程度的指標,針對不確定環境下物料流瓶頸進行了識別;文獻[7]對不確定環境下作業車間重調度問題進行了研究。

綜上所述,對不確定環境下的作業車間瓶頸識別研究是十分有意義的,但存在以下問題:①依據瓶頸設備的外部表現特征進行識別,屬于瓶頸靜態識別方法,識別簡單直觀,當系統處于不確定環境、存在多瓶頸工況時,其識別的瓶頸并不一定是真正的瓶頸;②利用仿真和智能優化算法分析的優勢進行瓶頸識別和調度優化,可操作性強,但是該類研究嚴重依賴模型,當系統處于不確定環境時,該方法的響應性慢,推廣具有一定的限制性;③在不確定環境下,基于動態響應的調度方法是將調度由事后追逐向事先控制轉變的實時動態響應,但實現過程較為復雜,從而使得該方法的操作難度大,且當系統出現多個瓶頸時,主次瓶頸并不總能得到有效的辨識。為了獲得長期的生產決策支持,本文創新性地提出生產瓶頸研究思路和方法成為制造企業提高效益的迫切需求。

復雜網絡是研究復雜系統的一種角度和方法,它關注不同復雜系統的結構、功能及相互耦合關系,是理解復雜系統性質和功能的基礎。目前,將復雜網絡應用到制造業進行相關基礎研究才剛剛起步。文獻[8]運用復雜網絡對流程工業中物料流動進行失效分析。文獻[9-10]將復雜網絡理論用于動態物流網絡異常的檢測,同時針對經典單元制造企業組織結構設計問題,提出了制造系統網絡自組織結構的新方法。文獻[11]基于復雜網絡理論建立了復雜制造系統演化模型。文獻[12]給出了6種生產網絡動態瓶頸的定義,并采用約束理論和物流分析研究瓶頸辨識問題。文獻[13]以工業汽輪機產品族為研究對象,建立了基于復雜機械產品族的零部件關系網絡,并證明了該網絡的小世界特性和無標度特性,同時發現產品族網絡具有分層、模塊性等顯著特點。文獻[14]將復雜網絡理論用于制造系統瓶頸識別,從新的角度提出了瓶頸動態識別的新方法?？梢?利用復雜網絡對制造系統的固有特性進行分析和研究是可行的。

本文以作業車間為研究對象,提取蘊含設備工裝、工藝路線、物流路徑以及產品配置等多個層次的生產數據,建立作業車間網絡(JSN)模型及網絡動力學方程。定義擾動環境下瓶頸的概念,提出綜合考慮節點自身動力學特性、節點間拓撲耦合影響機理及擾動在生產網絡中的傳播機制的瓶頸辨識方法,從更貼合作業車間系統實際的角度進行瓶頸時空特性識別。實際觀察結果與時域仿真比對驗證了方法的有效性,為求解復雜生產環境下生產調度優化問題提供新思路和新方法。

1 作業車間網絡模型

1.1 作業車間網絡描述

作業車間安排h種共n個工件在m臺設備上進行加工。工件Ji(i∈{1,2,…,n})按照給定的工藝路線進行加工,其中工件Ji由Oi道工序組成,Oij為Ji的第j道工序。各工序之間存在工藝上的先后時序約束,每道工序對應需求的生產資源及該資源上的加工時間是已確定的。Tijr為第i個零件Ji的第j道工序在設備r的標準加工時間。

如果將作業車間系統中涉及的每一個工作站(設備、工裝、質量控制點等)作為一個節點,將節點間可能存在的工藝路線、物流路徑作為邊,則作業車間生產系統構成了一個多任務有向加權網絡,如圖1所示。任務的動態增減觸發網絡結構的變化,JSN模型是依據訂單的任務分解所具有的共性特征進行建模的結果。

首先,對網絡模態進行降維處理,完成二維網絡向一維網絡的投影,即任務層向工作站層的映射,規則如下。

(1)同一個任務中的工序在一般情況下存在時間上的約束,因此同一個任務中的不同工序通常不能同時進行加工。在這種情況下,這個任務的工序所對應的所有工作站就構成了一個完全連通的子圖。

(2)不同任務的不同工序之間常常會出現搶占同一個工作站的情況,在這種情況下,將該工作站加入每一個單一任務所對應工作站的完全連通圖。這樣,所有任務和工作站之間的對應合作關系就可以看作由多個工作站構成的網絡圖。圖1a是描述這種生產網絡的雙粒子圖。當一項工序需要占用不同的工作站時,它們之間都連接一條邊,同時兩個工作站之間也連接一條邊,如圖1b所示。

(a)訂單-工作站分圖示意 (b)訂單-工作站映射關系圖1 生產車間網絡映射關系

根據作業車間特征,提出統一的數據集合,表達JSN的數據結構,使生產約束條件通過點、邊和映射關系予以充分反映。模型中的參數分別表示:節點數,連邊數,映射關系,訂單屬性,邊權的集合,節點服務能力。該數據結構可實現對作業車間的網絡化映射,按照需要簡化網絡。

在網絡描述層面,網絡之間的數據結構定義為

式中:R表示節點集合,R∈{1,2,…,r,…,m};E表示連邊的集合;M(td)表示任務與節點映射關系;U表示訂單集合,U={1,2,…,x};wij邊權的集合,表示制造任務占用制造資源的時間負載,即節點i和節點j之間連邊的權重大小;Qr表示節點r在額定工作時間內能持續提供服務的能力,Qr∈[0,1],計算式為

(1)

其中,Ter、Tcr、Tqr分別表示設備r由于設備故障、更換工裝卡具、加工質量3項問題引起的服務損失時間;Tr為設備r每個工作日內的額定工作時間。

基于上述定義,可顯著簡化作業車間網絡的復雜度,避免發生維數災難,極大減少了后期網絡數據計算量。

1.2 網絡化特征提取

定義1 擾動因素是指在不確定環境下,作業車間網絡內部引起的節點自身產能和負載相應改變,導致節點間連接性質改變、節點間耦合強度增減等各種因素。

定義2 瓶頸是指在作業車間網絡中擁有重要位置、在很大程度上可以控制制造信息的傳播路徑走向、改變制造信息傳播范圍的節點。

定義3 瓶頸度是指節點在各種不確定因素共同影響下成為瓶頸的能力,它是節點固有的一種動態特性,用于描述節點對制造網絡的直接影響力。

考慮到作業車間的網絡結構,不同的擾動因素都會給瓶頸的時空特性帶來影響,文中抽取了節點度、節點負載兩個重要參數用于瓶頸識別,具體定義如下。

(1)節點度

入度:入度是指JSN中有多少上游節點直接與該節點相連,公式為

(2)

出度:出度是指在JSN中有多少下游節點被直接連接到所觀察的節點,公式為

(3)

節點度:節點度是該節點入度和出度之和,是表征節點局部重要特征的指標之一,公式為

(4)

在JSN中,節點的度值具有重要的工程意義,該值越高,表示該節點參與的加工任務就越多,節點的利用率和重要性就越高。

(2)節點負載

節點負載是指所有待處理的零件占用第r個工作站的時間總和與節點r額定工作時間的比值

(5)

式中:h為總的零件類型;qi為零件Ji的數量;Nf為零件Ji的處理次數;Aijr為設備系數,如果零件Ji的第j道工序可以在工作站r上完成,則Aijr=1,反之Aijr=0;Tijr為設備r處理第i個零件Ji的第j道工序的標準時間。

2 擾動因素分析

2.1 擾動因素傳播特性

對作業車間網絡拓撲結構特性研究發現:網絡度分布與強度分布均介于指數分布和冪律分布之間,而點權分布與典型的冪率分布特性更為相近[15]。因此,加工車間系統可能就處于一種特殊的敏感狀態,微小的擾動變化都可能會不斷被放大、流轉,進而擴張至整個網絡,影響整個系統的有效產出。

(1)擾動因素的傳播引起網絡節點負載動態變化。JSN網絡節點負載的分布是由加工任務的工藝路徑及所需資源的加工時間所決定的。當擾動發生時,原本按生產計劃通過該路徑的負載(物料流、信息流等)有可能會重新選擇路徑或就此中斷。那么擾動的發生即會導致網絡中的節點負載發生一次更新。隨著擾動的不斷產生與推進,網絡節點負載也相應動態變化。

(2)擾動因素傳播引起瓶頸時空特性的變化。不同的擾動都有可能導致車間生產活動的波動,這相當于在t時刻給JSN網絡施加一個外部擾動,若節點r在t時刻受擾動因素影響,節點瓶頸度發生變化,那么在下一時刻,所有節點r的鄰接節點都將受到t時刻節點r瓶頸狀態的影響。隨著擾動的傳播,網絡瓶頸的數量和位置也會不斷發生變化,在某時刻可能存在多個瓶頸,且瓶頸會發生動態漂移。

(3)擾動因素傳播引起網絡結構耦合關系的變化。擾動的加載無疑會導致現有作業車間網絡結構耦合關系發生變化,不同的擾動強度對網絡結構耦合影響差異也不同,這取決于擾動因素對網絡節點關鍵路徑的影響程度。

2.2 擾動因素強度

擾動因素強度取決于擾動因素對關鍵路徑的影響程度,本文根據工藝路線相關性理論,將擾動強度集合劃歸為3類,即強相關擾動、弱相關擾動和非相關擾動。

定義4 強相關擾動。若存在C、fi、Li滿足P(fi,Li)>0,Li依賴fi并受到fi的直接影響,稱fi為強相關擾動。擾動因素fi是強相關,當且僅當

(6)

強相關擾動是指擾動因素路徑對現有節點加工進度的關鍵路徑構成直接影響,若發生強相關擾動,必然影響節點的關鍵路徑的加工進度。

(7)

弱相關擾動是指在一定條件下,擾動因素發生有可能會影響到節點加工進度的關鍵路徑,但不一定是存在的。

定義6 非相關擾動。若存在擾動fi既不是強相關也不是弱相關,稱fi為非相關擾動。擾動因素fi是非相關,當且僅當

(8)

非相關擾動是指擾動因素路徑發生在關鍵路徑節點之外,不影響整體加工進度。

隨著加工進度的推進,每個工作站瓶頸度都會由于擾動的影響而不斷發生變化,系統瓶頸的數量和位置也不斷變化。

3 基于CML的加權網絡瓶頸識別

CML(耦合映象格子)模型[16]能從物理的角度出發將復雜系統時間和空間變量離散化,但狀態變量仍保持連續,在認識時空系統的動力學特征及規律方面具有優良的時空和混沌特性,同時又容易進行數值和解析處理。目前,該模型已成為非線性時空系統混沌的一個研究分支,被廣泛用于研究復雜系統的時空動力學行為。例如,本文所分析的作業車間系統同樣具有混沌和紊亂特性,其制造環境是不斷變化的,含有很多隨機和不確定因素。這些不確定因素在不停的產生、傳播和過時。工作站負載、瓶頸時空特性以及網絡結構耦合關系的變化使得作業車間網絡的動力學特性也不斷變化,制造信息更是表現出混沌和紊亂特性。考慮到CML模型從本質上顯示出網絡中擾動因素傳播的動力學特性,本文采用CML模型表現出來的動力學行為去認識作業車間系統的瓶頸時空特征及規律。

3.1 基于CML的加權網絡擾動模型

結合前人在CML模型上的研究成果,同時采用控制論中的動力學理論,建立作業車間制造過程擾動因素傳播動力學模型。該模型包含3部分動力學行為。

(1)工作站節點自身動力學行為,公式為

(9)

式中:xr(t)表示t時刻節點r的瓶頸度;網絡拓撲耦合系數ε1以及加權負載分布耦合系數ε2分別用來表征擾動加載前后網絡結構耦合關系的差異,ε2通過擾動發生的節點及路徑對關鍵路徑的影響程度進行確定,ε1,ε2∈(0,1),ε1+ε2<1;非線性函數f(·)表示網絡中的單個工作站代表一個混沌動力系統,在這里選用混沌Logistic映射f(x)=4x(1-x),其物理意義可表征為工作站節點生產能力約束的演化規律。

(2)網絡拓撲耦合特性動力學行為,公式為

(10)

該部分表示具有混沌動力系統特征的各工作站相互協作組成一個有效的JSN動態網絡,該網絡節點間的耦合關系可描述網絡拓撲耦合特性動力學行為。不同的工作站由于耦合關系不同而可能產生具有完全不同動力學的網絡結構。節點的連接信息用A=(aij)N×N來表示。

(3)擾動因素傳播動力學行為。作業車間生產過程中由于緊急插單、訂單交貨期變更或者人為等不確定因素的影響而可能導致車間生產活動的波動,這相當于在t時刻給JSN網絡施加一個外部擾動,表達式為

(11)

式中:wij是節點i和節點j之間連邊的權重;wr是節點r的負載。

總體而言,若節點r在t-1時刻瓶頸度受擾動因素影響發生變化,那么在t時刻,所有與節點r鄰接的節點瓶頸度都將受到t-1時刻節點r的瓶頸度xr(t)的影響

(12)

網絡瓶頸發生的初始時間會隨著擾動耦合強度ε2的增大而提前,瓶頸漂移的速度也會隨之增快。

3.2 基于CML的加權網絡瓶頸識別算法

以設備表征的工藝路線、滿足訂單優先關系,建立具有復雜特性的作業車間網絡結構模型?；诰W絡模型,提取與瓶頸度相關的網絡特征參數(度、聚類系數、網絡效率),基于CML的加權網絡擾動模型,對節點在當前的狀態值進行仿真計算得出下一時刻狀態值,引發新一輪的節點瓶頸度波動。在下一時刻瓶頸狀態值越大的節點,成為瓶頸的可能性越大。依據瓶頸度判定標準,實現瓶頸單元、非瓶頸單元以及主次瓶頸的識別。隨著加工進度的推進,這個過程反復進行,各節點狀態值不斷發生變化,可能引發多瓶頸共存和瓶頸漂移現象。識別方法流程如圖2所示,其中χ為瓶頸判斷標準,k為瓶頸個數。

算法步驟如下:

Step 1:建立網絡模型;

Step 2:根據式(2)～式(4)計算節點度D(r);

Step 3:根據式(5)計算節點的負載Wr;

Step 4:根據式(6)～式(8)計算擾動因素強度ε2;

Step 5:根據式(12)計算第r個節點在JSN模型中的瓶頸度xr(t);

Step 6:根據χ值判斷節點瓶頸狀態;

End:在Step 6中的結果輸出即為節點瓶頸狀態評估值。

圖2 作業車間網絡瓶頸識別方法流程

4 實例驗證

4.1 數據處理

以某機電產品企業A車間數據集作為模型研究實例,該企業車間組織形式遵循作業車間原則,所采集實驗數據均為該車間制造執行系統(MES)系統真實反饋數據。該車間共有35個工作站Ri,i={1,2,…,35},生產A、B、C和D 4類典型零件,每天工作8 h。假設F1、F2為該工作車間生產過程中最為頻繁出現的兩個擾動因素,分別為緊急訂單與訂單交貨期變更。提取數據如下:表1所示為每種零件在各工作站的標準處理時間、準備時間和各工作站服務能力;表2所示為每天的計劃生產任務量。假定該車間運輸設備充裕,不存在物流運輸瓶頸。

表1 零件標準處理時間、準備時間及節點服務能力

表2 每天加工的零件數量

4.2 模型的建立

由于所采集數據集均為A車間生產計劃和MES系統的原始數據,需經過一定轉化,轉化后的車間數據集制造網絡模型如圖3所示。圖中示出了A車間制造網絡演化后的最大連通子圖,同時該車間系統網絡模型也從微觀結構揭示了該車間內部高度互聯的作業結構。

4.3 瓶頸預測

(1)正常工況下瓶頸的監測。根據該車間MES系統真實反饋數據和實際觀測情況,確定各節點在觀察期內的瓶頸狀態,如表3所示。

表3 觀測期間車間實際瓶頸

注:*表示多瓶頸存在時,該瓶頸為主瓶頸。

(a)初始網絡 (b)演化網絡 (c)演化后最大連通示圖圖3 A車間網絡拓撲結構

(2)擾動環境下瓶頸的預測。采用基于改進CML模型的瓶頸度計算方法,預測該機電產品企業A作業車間在擾動環境下工作站瓶頸度的變化情況。為驗證方法的準確性,利用Arena仿真軟件對該組實驗數據進行同步驗證,以對結果做一比對。各工作站的工件排隊時間和排隊數量可反映節點瓶頸狀態預測的合理性。

擾動因素F1:訂單交貨期變更。在預測的第2天,根據客戶需求,訂單2015071308交貨期提前,因此在原有計劃的基礎上加入B產品50件。根據式(6)可得擾動因素F1的擾動類型為強相關擾動。

擾動因素F2:緊急插單。在預測的第4天,緊急訂單2015071396到達,該擾動使得在原有計劃的基礎上加入新產品E,工藝路線為Oij=(R23,R3,R5),計劃產量為60件。根據式(7)可得擾動因素F2的擾動類型為弱相關擾動。

利用CML瓶頸度計算模型,以1 h為仿真步長,計算仿真周期64 h內各工作站瓶頸度的變化情況,結果如表4所示。

表4 節點瓶頸度計算(8 d)

(3)擾動環境下Arena仿真驗證。利用Arena仿真軟件對該工作車間擾動環境下的工況進行建模仿真,采用每個工作站的仿真隊列長度來表明該節點的瓶頸程度。即等待使用該工作站的工件排隊時間越長,排隊數量越多,則該工作站成為瓶頸的可能性就越大,仿真結果如表5所示。其中,工作站R1的平均排隊等待時間為16.34 min,平均工件等待個數為9.98;工作站R3的平均排隊等待時間為13.07 min,平均工件等待個數為12.80,均居于所觀測工作站前列,這表明工作站R1、R3最有可能成為系統瓶頸。仿真結果與CML模型的預測結果具有較好的一致性,故此證明了算法的正確性與有效性。

表5 Arena仿真隊列明細表

4.4 數據分析

為深入進行數據分析:①比較同一工作站在不同時間段內瓶頸度的變化,進行特定工作站瓶頸波動特性分析;②比較同一時段內不同工作站瓶頸度的大小,完成瓶頸漂移的可視化。

(a)R1

(b)R2

(c)R3

(d)R24

(e)R35圖4 節點瓶頸波動特性分析

(1)瓶頸度波動特性分析。計算得到各工作站瓶頸度如圖4所示。其中,工作站R1瓶頸度的值域為[1.43,0.73],平均值為1.12,在所有工作站中處于較高水平;其次是工作站R3,值域為[1.21,0.72],平均值為1.05。各工作站平均瓶頸度為0.75。由此可見,工作站R1與R3最有可能成為系統的主瓶頸。此外,工作站R1和工作站R24的瓶頸度波動幅度較大,標準偏差分別為0.17和0.19。該數據表明二者在有效產出時間內的穩定性較差。瓶頸度的波動性越不穩定,說明該工作站對系統中的擾動因素越敏感,需要采取一定的手段進行有效控制和預防。

(2)瓶頸漂移可視化。通過模型計算,可以得出8個工作日內各工作站在任一時段瓶頸度的變化情況,以及系統瓶頸工作站的變化規律,如圖5所示。其中,階梯圖可反映瓶頸在不同工作站之間的漂移情況,以及該工作站持續成為瓶頸的時間;火柴梗圖可反映當某工作站成為瓶頸時,其瓶頸度的大小。在該作業車間系統中,工作站R1、R3首先成為系統的瓶頸;隨著加工進度的推移,R1和R24兩個工作站交替成為系統瓶頸,但工作站R1占據系統瓶頸的時間長達40 h。在實際生產環境中,R1為車間干燥管資源,R3為電子開料鋸資源,R24為熱壓機資源。此結果與實際車間情況相吻合,在資源有限的情況下,熱壓機、電子開料鋸、絕緣加工中心為車間的關鍵設備,而干燥管則為車間的瓶頸設備。

圖5 瓶頸節點變化及其瓶頸度值

綜上可見,通過對瓶頸漂移及其持續時間的分析,有助于尋找影響系統性能的關鍵工作站;此外,對瓶頸工作站瓶頸度變化規律進行分析,可以幫助車間管理層深入發掘瓶頸形成的真正緣由,實現瓶頸改善、成本的量化計算,為決策者確定采取何種改善措施實現系統性能的優化提供依據。

5 結 論

(1)從復雜網絡視角出發,對作業車間進行復雜生產網絡建模和分析,在理論上揭示作業車間系統各構成要素及其相互作用關系。綜合考慮擾動在生產網絡中的傳播機制以及對其他節點的影響機理,建立了基于CML的瓶頸識別算法。在保證瓶頸預測精度的前提下,實現了作業車間瓶頸的量化描述和連續預測。

(2)為專注于研究擾動因素的傳播對制造系統瓶頸與性能的影響,本文做出了一定的假設,如不考慮設備停工與維修等不確定因素的影響。在后續研究中,可以綜合考慮多重不確定因素的影響,分析系統瓶頸的動態變化規律。此外,提前預知瓶頸工位及其轉移趨勢,實現瓶頸的事前控制,能使管理者更好地應對瓶頸,這也是下一步研究的重點。

[1] ROSER C, NAKANO M, TANAK M. Comparison of bottleneck detection methods for ACV systems [C]∥Proceedings of the 2003 Winter Simulation Conference. Piscataway, NJ, USA: IEEE, 2003: 1192-1198.

[2] LI Lin. Bottleneck detection of complex manufacturing systems using a data-driven method [J]. International Journal of Production Research, 2009, 47(24): 6929-6940.

[3] KASEMSET C, KACHITVICHYANUKUL V. Simulation based procedure for bottleneck identification [C]∥Proceedings of Communications in Computer and Information Science. Berlin, Germany: Springer-Verlag B, 2007: 43-59.

[4] 王軍強, 康永, 陳劍, 等. 作業車間瓶頸簇識別方法 [J]. 計算機集成制造系統, 2013, 19(3): 540-547. WANG Junqiang, KANG Yong, CHEN Jian, et al. Identification approach for bottleneck cluster in a job shop [J]. Computer Integrated Manufacturing System, 2013, 19(3): 540-547.

[5] 翟穎妮, 孫樹棟, 王軍強, 等. 大規模作業車間的瓶頸分解調度算法 [J]. 計算機集成制造系統, 2011, 17(4): 827-831. ZHAI Yingni, SUN Shudong, WANG Junqiang, et al. Scheduling algorithm based on bottleneck operations decomposition for large-scale job shop scheduling problems [J]. Computer Integrated Manufacturing System, 2011, 17(4): 827-831.

[6] 凌琳, 劉明周, 王強. 物料流瓶頸對制造車間不確定環境的敏感性研究 [J]. 農業機械學報, 2013, 44(2): 224-232. LING Lin, LIU Mingzhou, WANG Qiang. Sensitivity of material-flow bottleneck to uncertain environment in job shop [J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(2): 224-232.

[7] LIU Mingzhou, TANG Juan, GE Maogen, et al. Dynamic prediction method of production logistics bottleneck based on bottleneck index [J]. Chinese Journal of Mechanical Engineering, 2009, 22(5): 710-716.

[8] JIANG Hongquan, GAO Jianmin, CHEN Fumin. System failure analysis based on complex network theory [C]∥Annual Reliability and Maintainability Symposium. Piscataway, NJ, USA: IEEE, 2009: 176-181.

[11]TILL B, MIRJA M, KATJA W. A manufacturing system network model for the evaluation of complex manufacturing system [J]. International Journal of Productivity and Performance Management, 2014, 63(3): 324-340.

[12]SCHOLZ-REITER B, WINTD K, LIU H. Modelling dynamic bottleneck in product network [J]. International Journal of Computer Integrated Manufacturing, 2010, 24(5): 391-404.

[13]劉夫云, 楊清海, 祁國寧. 基于復雜網絡的產品族零部件通用性分析方法 [J]. 機械工程學報, 2005, 41(11): 75-79. LIU Fuyun, YANG Qinghai, QI Guoning, et al. Universality analysis method of parts for product family based on complex network [J]. Journal of Mechanical Engineering, 2005, 41(11): 75-79.

[14]李曉娟, 袁逸萍, 孫文磊. 基于網絡結構特征的作業車間瓶頸識別方法 [J]. 計算機集成制造系統, 2016, 22(4): 1089-1096. LI Xiaojuan, YUAN Yiping, SUN Wenlei, et al. Research of bottleneck identification in job-shop based on network structure characteristic [J]. Computer Integrated Manufacturing System, 2016, 22(4): 1089-1096.

[15]李曉娟. 復雜產品制造過程加權演化模型與節點重要度分析 [M]. 烏魯木齊: 新疆大學, 2012: 30-44.

[16]KANEKO K. Coupled map lattices [M]. Singapore: World Scientific, 1992: 52-77.

(編輯 杜秀杰)

Multi-Bottleneck Identification for Job-Shop Network in Disturbance Environment

LI Xiaojuan,SUN Wenlei,YUAN Yiping,LI Huahua

(School of Mechanical Engineering, Xinjiang University, Urumq 830047, China)

Aiming at the issues that the bottleneck identification is difficult and the bottleneck identification is not global and effective after bottleneck drift for job-shop network in disturbance environment, a new web-based manufacturing multi-bottleneck identification method is presented. A network model of job-shop is established according to multiple levels of production data, such as equipment and tooling, process route, logistics path, product configuration, etc. The kinetic equations of job-shop network are established, and the criterion of transfer of disturbance factors is thus obtained. Expending bottleneck connotation, a bottleneck identification strategy is proposed based on CML method. By comprehensively considering the characteristics of dynamic node itself, network topological structure and propagation mechanism of disturbance in the network, continuous quantitative description and prediction of job-shop bottlenecks are realized. An example for dynamically monitoring and forecasting the bottleneck in a job shop verifies the validation and practicability of the proposed method. The results show that in disturbance environment, CML model can better predict the trend of the bottleneck degree of the workstations. The average bottleneck degree of workstationR1is 1.12 and the bottleneck lasts for 40 h, and the average bottleneck degree of workstationR3is 1.05 and the bottleneck lasts for 10 h. WorkstationsR1andR3become the first bottleneck of the system, along with the progress of the process workstationsR1andR24alternately become the system bottleneck.

job shop; disturbance environment; complex network; CML method; bottleneck identification

2016-05-11。 作者簡介:李曉娟(1987—),女,講師,博士生;孫文磊(通信作者),男,教授,博士生導師。 基金項目:國家自然科學基金資助項目(51365054,51565055);新疆維吾爾自治區自然科學基金資助項目(2014211A008)。

時間:2016-09-23

10.7652/xjtuxb201612011

TH166;TP181

A

0253-987X(2016)12-0064-09

網絡出版地址:http: ∥www.cnki.net/kcms/detail/61.1069.T.20160923.1711.018.html