基于MAS的玻璃原片加工調(diào)度系統(tǒng)

周輝

摘要：玻璃加工制造流程中加工設(shè)備受玻璃原片物料的規(guī)格限制，存在補料協(xié)調(diào)不佳，倉儲調(diào)度效率低的問題.本文引入多智能體（MAS）技術(shù)對加工倉儲設(shè)備建模，在此基礎(chǔ)上結(jié)合信息熵理論提出一種基于歷史加工數(shù)據(jù)的預(yù)測補料算法，提升了加工設(shè)備的補料效率.通過實際加工數(shù)據(jù)進行仿真實驗，并與常規(guī)調(diào)度規(guī)則對比分析，證明了基于MAS的玻璃加工倉儲調(diào)度系統(tǒng)的可行性，有效提升了玻璃加工原片倉儲調(diào)度的效率.

關(guān)鍵詞：多智能體;補料算法;信息熵;倉儲調(diào)度

中圖分類號：TQ171? 文獻標識碼：A? 文章編號：1673-260X（2019）06-0114-04

智能化倉儲調(diào)度是現(xiàn)代工業(yè)制造的重要元素之一，生產(chǎn)設(shè)備與原料供應(yīng)之間的協(xié)同一致是倉儲調(diào)度的核心.智能化倉儲以計算機控制為重要技術(shù)支持，以搬運設(shè)備的自動化為基礎(chǔ).由于生產(chǎn)過程控制和加工環(huán)境的復(fù)雜多變，增加了制造流程中的倉儲調(diào)度的難度.為適應(yīng)現(xiàn)今大批量生產(chǎn)調(diào)度的要求，滿足復(fù)雜生產(chǎn)環(huán)境中動態(tài)任務(wù)的需求，倉儲調(diào)度效率的優(yōu)化一直是研究的熱點.楊文強等[1]提出一種改進的布谷鳥算法優(yōu)化了組裝車間環(huán)境下倉儲調(diào)度的效率.段旭磊等[2]提出箱式緩存道的概念解決了產(chǎn)品種類不同，批次不同的倉儲存放問題.柳賽男[3-4]在一般倉儲分配策略的基礎(chǔ)上，提出一種基于云模型的物料分配策略，還基于Pareto最優(yōu)解結(jié)合遺傳算法優(yōu)化了倉儲調(diào)度的效率.陳璐等[5]提出一種混合整數(shù)規(guī)劃模型優(yōu)化了倉儲位置分配和出入庫作業(yè)路徑.王罡等[6]結(jié)合優(yōu)化的蟻群算法求解中小規(guī)模倉儲中貨物揀選路徑規(guī)劃問題.彭小利等[7]設(shè)計了一種多規(guī)則的儲位分配模型，提升了基于物聯(lián)網(wǎng)技術(shù)的智能倉庫的出作業(yè)效率.上述研究為工業(yè)倉儲調(diào)度的智能化提供了理論支撐和研究方向，但由于實際工業(yè)生產(chǎn)調(diào)度的離散性和隨機性，常規(guī)的調(diào)度優(yōu)化策略難以滿足其運輸、補料等流程的實際需求.

本文基于多Agent系統(tǒng)（multi-agent system，MAS，簡稱MAS）[8]對玻璃原片加工的倉儲調(diào)度這一具體流程深入分析，為保證倉儲調(diào)度的連續(xù)高效，構(gòu)建了具備自主智能規(guī)劃功能的倉儲調(diào)度系統(tǒng).由于玻璃加工業(yè)是傳統(tǒng)的高耗能產(chǎn)業(yè)，設(shè)備在運行過程中的閑置會造成資源浪費影響企業(yè)的生產(chǎn)效益. 最大化提升加工設(shè)備的生產(chǎn)效用，縮短設(shè)備的空置等待時間是本文研究的主要目標.玻璃加工業(yè)倉儲調(diào)度效率的高低取決于穿梭車的運輸效率和補庫物料的分配策略，規(guī)劃好穿梭車的運行軌跡并優(yōu)化物料的分配策略可提升倉儲對加工設(shè)備的供給效率.加工設(shè)備完成對緩存區(qū)物料的加工后，需要從倉儲及時補料，由于設(shè)備加工規(guī)格的限制，若補入的原片物料距離補庫目標位置過遠，將增加設(shè)備的等待時間，影響連續(xù)的加工作業(yè)流程.針對此問題，在構(gòu)建MAS系統(tǒng)的基礎(chǔ)上提出一種基于歷史加工訂單數(shù)據(jù)的預(yù)測補料算法，節(jié)約加工設(shè)備的運行成本;提高倉儲調(diào)度過程對物料的分配效率.

1 基于MAS的玻璃加工原片倉儲調(diào)度系統(tǒng)

MAS系統(tǒng)由多個離散并具備計算能力的Agent組成，各Agent間通過協(xié)商通信實現(xiàn)系統(tǒng)的智能化.MAS系統(tǒng)控制結(jié)構(gòu)可分為：分布式控制，混合式控制和集中式控制，根據(jù)玻璃加工業(yè)實際生產(chǎn)環(huán)境的作業(yè)需求，采用分布式的控制結(jié)構(gòu)實現(xiàn)對玻璃原片加工倉儲調(diào)度的優(yōu)化.玻璃加工原片物料調(diào)度系統(tǒng)的整體布局見圖1所示，系統(tǒng)由加工制造設(shè)備、穿梭車和倉儲設(shè)備組成.

對玻璃加工制造流程中的倉儲設(shè)備、加工制造設(shè)備、和穿梭車采用物理映射的方式進行Agent建模，各Agent間的協(xié)同合作能有效提升倉儲調(diào)度的效率.玻璃加工原片倉儲調(diào)度MAS系統(tǒng)的結(jié)構(gòu)見圖2所示.

結(jié)合玻璃加工設(shè)備原片補料的實際需求，將系統(tǒng)分為以下3個Agent模塊，每個Agent模塊的動作規(guī)則以及與其他Agent的關(guān)聯(lián)如下：

1.1 原片倉儲Agent

作為倉儲調(diào)度系統(tǒng)的核心模塊，倉儲Agent從存儲中心補入物料分配給加工設(shè)備.通過撤架、上料、補庫三種動作實現(xiàn)對原片物料的存儲和分配.倉儲Agent接收其他Agent設(shè)備的用料需求，向穿梭車Agent的提供原片物料，向固定料包存儲中心發(fā)出補庫操作指令.設(shè)備的運行狀態(tài)包括消息等待、動作規(guī)劃、料架運送，倉儲Agent的結(jié)構(gòu)見圖3所示.

1.2 加工設(shè)備Agent

加工設(shè)備細分為玻璃切割機、緩存料架、磨片和掰片設(shè)備.運行狀態(tài)包括：消息等待、取料、調(diào)度、加工.加工設(shè)備動作包括完成緩存區(qū)物料加工，向倉儲Agent發(fā)送物料請求，從緩存架取料，當(dāng)緩存區(qū)物料裝載飽和，向倉儲Agent發(fā)出料架撤回的請求.

1.3 穿梭車Agent

玻璃加工業(yè)倉儲調(diào)度一般采用單線往返式軌道引導(dǎo)車，穿梭車內(nèi)部狀態(tài)包括交互設(shè)備的Agent名稱、Agent的運行狀態(tài)和Agent的型號.實現(xiàn)的動作規(guī)則包括對物料的取架、撤架.

玻璃加工原片倉儲調(diào)度系統(tǒng)工作的主要工作方式如下：當(dāng)原片倉儲Agent接收到加工設(shè)備Agent的用料請求后，發(fā)出對穿梭車Agent的調(diào)度指令，由穿梭車Agent完成對倉儲的取料.穿梭車根據(jù)調(diào)度指令生成運行路線，將合適的物料調(diào)入該加工設(shè)備的物料緩存區(qū)，由加工設(shè)備Agent完成物料補入.若調(diào)入的原片物料無可操作工位或加工設(shè)備物料需求與補入物料不匹配，則加工設(shè)備Agent發(fā)出撤架請求，由穿梭車Agent撤下緩存區(qū)的玻璃原片料架，將玻璃原片物料運回倉儲.上述過程體現(xiàn)了系統(tǒng)對玻璃原片加工倉儲的分布式協(xié)調(diào)控制，實現(xiàn)了玻璃加工流程中原片倉儲的自主智能化調(diào)度.

2 基于信息熵的預(yù)測補料算法及相關(guān)定義

本文提出一種基于信息熵的預(yù)測補料算法策略，將設(shè)備利用率和最小完工時間（makespan）作為算法的評估目標.

2.1 信息熵

信息熵可度量某個隨機事件發(fā)生的不確定性，熵值計算定義如下：

wj=-pijlog2（pij）? （1）

式（1）中wj表示上片位j的熵值;i…n表示倉儲系統(tǒng)所支持的不同加工設(shè)備（流水線）.pij表示對于上片位j，設(shè)備i所使用當(dāng)前補庫物料的概率.

2.2 基于信息熵的補庫庫位決策方法

對加工設(shè)備進行預(yù)測補料的依據(jù)是：當(dāng)前補庫位置的熵越小，則該補庫位置提供的補庫決策信息量越大，反之，則不進行補庫策略選擇，而是選定距離補庫位置最近的空位置進行補庫.

2.3 設(shè)備利用率

設(shè)備利用率表示設(shè)備在玻璃原片加工流程中占總運行時間的比例，用于評估設(shè)備在倉儲調(diào)度系統(tǒng)中的運行效率.設(shè)UA為設(shè)備利用率，Tsum為調(diào)度系統(tǒng)的整體運行時間，TA表示具體設(shè)備的運行時間，表示方式如下：

UA=? （2）

2.4 最小完工時間

玻璃加工設(shè)備的物料補入受加工任務(wù)數(shù)量的制約，設(shè)備處理的任務(wù)數(shù)不同所需的最小完工時間即（Makespan）不同，Makespan表示設(shè)備完成工件加工花費的最短時間，可用于評估設(shè)備的加工效率. 設(shè)完成子序列所需的時間為t（A），指令分組數(shù)為K，最小完工時間的計算方式如下：

Makespan=t（A）? （3）

2.5 預(yù)測補料算法

倉儲設(shè)備對加工設(shè)備補入的原片物料需滿足加工設(shè)備的規(guī)格需求，實際生產(chǎn)中由人工完成物料分配操作效率不高，導(dǎo)致運行中的加工設(shè)備等待補料的時間過長.為縮短加工設(shè)備的用料等待時間，提升倉儲Agent對加工設(shè)備Agent的補料精度.倉儲調(diào)度系統(tǒng)根據(jù)上片位置補入物料的歷史數(shù)據(jù)，計算并比較各上片位置使用補入原片物料的熵值.若上片位置對某規(guī)格原片補入的熵小于閥值T，則采用預(yù)測補料算法，選取該上片位置附近的緩存位存放該規(guī)格物料，若各上片位置的熵值分布穩(wěn)定，表示各上片位置的用料需求分布相對穩(wěn)定，則選擇距補庫位近的緩存位存放.

算法步驟如下：

Step1：將加工訂單序列初始化，設(shè)置一個臨界值T，并初始化補庫目標位;通過公式（3）得出各設(shè)備的利用率.若利用率大于零，則根據(jù)公式（1）計算該設(shè)備的熵值.

Step2：對比各上片位置的熵值，選擇熵值最小的設(shè)備進行迭代，若該設(shè)備的熵小于臨界值T，進行Step3，否則，采用貪心策略對距離該設(shè)備較近的倉儲位進行補料.

Step3：將倉儲緩存的第一個位置初始為最近的補料位置，遍歷迭代符合設(shè)備需求的緩存位，遍歷中發(fā)現(xiàn)其他緩存位比當(dāng)前位置更近，則將該位置更新為最近的補料位置.

Step4：檢測是否存在剩余緩存位，若完成，停止算法，將預(yù)測的補料位置結(jié)果輸出，若未完成，重復(fù)執(zhí)行Step2～Step3.

3 仿真實驗與分析析

實驗測試環(huán)境為：matlab2010b Intel（R） Pentium（R） CPU G3220 3GHz， and 10 GB of RAM.采用均勻縱向布局設(shè)置4臺玻璃加工設(shè)備，分別表示為加工設(shè)備A、加工設(shè)備B、加工設(shè)備C、加工設(shè)備D，對每一加工設(shè)備分配8個緩存位.設(shè)置兩臺穿梭車設(shè)備，初始化穿梭車的速度為10m/min，取架、撤架動作所需的時間記為2min，倉儲位設(shè)置100個物料架，且每個物料架含有原片物料的數(shù)目固定，儲料情況結(jié)合真實的工程數(shù)據(jù).仿真實驗對比選取三種常規(guī)的調(diào)度規(guī)則：SPT規(guī)則、EDD規(guī)則和ATC規(guī)則[9].

3.1 常規(guī)調(diào)度規(guī)則

3.2 結(jié)果分析

下面通過分配不同的任務(wù)數(shù)對基于Agent的玻璃加工原片倉儲調(diào)度系統(tǒng)進行仿真驗證.表1為200個加工任務(wù)條件下，對設(shè)備指令分組數(shù)m分別取1，5，9，10，11，15，20的仿真實驗，可以看出當(dāng)m取10可以看出系統(tǒng)運行的性能最佳，故下列對比實驗取m為固定值10，實驗結(jié)果如下：

圖4中展示了各算法性能隨任務(wù)數(shù)增加makespan的變化曲線，對比其他方法可以看出基于多Agent倉儲調(diào)度系統(tǒng)的預(yù)測補料算法性能最優(yōu)，并且隨著任務(wù)數(shù)的增加該算法的穩(wěn)定性越好.通過表2～表5的實驗數(shù)據(jù)可直觀地反映出，在任務(wù)數(shù)相同的條件下，相對于一般按順序倉儲位檢索方法（CM）和常規(guī)的SPT、EDD、ATC調(diào)度規(guī)則，預(yù)測補料算法的效率更高.從表6中的結(jié)果可以看出緊急任務(wù)介入對預(yù)測補料算法和CM方法的影響，預(yù)測補料算法的下降趨勢較CM方法更緩慢，算法的魯棒性更優(yōu).可以看出基于歷史加工數(shù)據(jù)的預(yù)測補料算法可以提升玻璃玻璃加工原片倉儲調(diào)度的效率，增強調(diào)度系統(tǒng)的穩(wěn)定性，能夠保障玻璃加工制造生產(chǎn)的連續(xù)性.

4 結(jié)語

針對玻璃制造流程中加工設(shè)備補料效率低的問題，綜合考慮生產(chǎn)流程中設(shè)備的運行成本和時間成本，本文設(shè)計了基于多Agent的玻璃加工原片倉儲調(diào)度系統(tǒng)，并在該系統(tǒng)的基礎(chǔ)上，提出一種結(jié)合信息熵理論的預(yù)測補料算法策略，利用實際的工業(yè)生產(chǎn)數(shù)據(jù)，通過matlab平臺進行多次對比仿真實驗，驗證了在加工任務(wù)數(shù)增加，指令分組數(shù)不同和緊急任務(wù)介入的條件下，預(yù)測補料算法性能的優(yōu)越性.實驗結(jié)果表明基于歷史加工數(shù)據(jù)的預(yù)測補料算法可提高玻璃原片倉儲調(diào)度的效率，增強倉儲調(diào)度系統(tǒng)的穩(wěn)定性，證明了該算法在實際應(yīng)用中的可行性. 由于算法僅根據(jù)加工設(shè)備的歷史數(shù)據(jù)進行系統(tǒng)優(yōu)化，缺乏對復(fù)雜動態(tài)的加工環(huán)境下其他影響因素的考慮，算法的適應(yīng)度有待進一步提升.

參考文獻：

〔1〕楊文強，郭昊，李勇峰.布谷鳥算法求解組裝車間倉儲調(diào)度優(yōu)化問題[J].電子測量與儀器學(xué)報，2016，30（10）.

〔2〕段旭磊，張仰森，張濤.智能化倉儲中箱式緩存區(qū)調(diào)度算法的設(shè)計與應(yīng)用[J].現(xiàn)代電子技術(shù)，2017， 40（16）：86-89.

〔3〕柳賽男，柯映林，李江雄.基于調(diào)度策略的自動化倉庫系統(tǒng)優(yōu)化問題研究[J].計算機集成制造系統(tǒng)，2006，12（09）.

〔4〕柳賽男.倉庫物料運輸系統(tǒng)多目標調(diào)度方法[J].計算機工程與應(yīng)用，2017，53（18）：224-229.

〔5〕陳璐，陸志強.自動化立體倉庫中的儲位分配及存取路徑優(yōu)化[J].管理工程學(xué)報，2012，26（1）：42-47.

〔6〕王罡，馮艷君.基于蟻群優(yōu)化算法的旋轉(zhuǎn)貨架揀選路徑規(guī)劃[J].計算機工程，2010，28（3）：221-223.

〔7〕彭小利，鄭林江，蒲國林， et al.制造物聯(lián)環(huán)境下智能倉庫貨位分配模型[J].計算機應(yīng)用研究，2018，35（1）.

〔8〕趙詩奎，王林瑞，石飛.作業(yè)車間調(diào)度問題綜述[J].濟南大學(xué)學(xué)報（自然科學(xué)版），2016，30（01）：74-80.

〔9〕Mishra S， Coulibaly P， Babovic V， et al. Uncertainty and sensitivity analysis techniques for hydrologic modeling[J]. Journal of Hydroinformatics， 2009， 11（3）：282-296.