基于工業大數據的柔性作業車間動態調度研究

康龍

摘 要：隨著工業進入信息化時代，工業大數據已成為新一輪產業革命的重要動力。工業大數據以工業系統的數據收集、特征分析為基礎，對設備、裝備的質量、生產效率、用戶體驗以及產業鏈進行更有效的優化，并為未來的制造系統搭建無憂的環境。為使多目標柔性作業車間計劃與調度的制定更適合實際生產的動態變化，提出增加動態反饋的閉環柔性作業車間計劃模型及二階式蟻群粒子群混合優化算法 TSAPO。通過增加動態監視功能，及時更新和反饋實際生產數據。利用對優化目標的二階段分解，設計帶有反饋機制的調度算法。實驗結果證明，該算法在求解多目標柔性作業車間調度問題中具有較好的優化效果。

關鍵詞：工業大數據;柔性作業車間;調度

當前，以大數據、云計算、移動物聯網等為代表的新一輪科技革命席卷全球，正在構筑信息互通、資源共享、能力協同、開放合作的制造業新體系，極大擴展了制造業創新與發展空間。柔性作業車間動態調度問題已經得到廣泛的研究。隨著產品需求不斷向個性化轉變，制造工藝更加多樣，實際調度問題也變得更加復雜，制造企業對車間調度問題的解決方法在實際可操作性、計算效率以及對車間擾動的實時響應能力等方面都提出了更高的要求。企業信息化數據是工業領域傳統數據資產，也是工業大數據的第一個來源。為滿足靈活多變的市場需求，柔性制造應運而生。柔性作業車間FJS計劃與調度因適應新制造模式而成為為當前研究的熱點。作業計劃編制、生產調度、生產的監控是柔性作業車間中的最重要環節。

一、工業大數據的特征

工業大數據作為對工業相關要素的數字化描述和在賽博空間的映像，相對于其他類型大數據，工業大數據還具有反映工業邏輯的多模態、強關聯新特征。多模態是指工業大數據必須反映工業系統的系統化特征及其各方面要素，包括工業領域中“光、機、電、液、氣”等多學科、多專業信息化軟件產生的不同種類的非結構化數據。強關聯反映的是工業的系統性及其復雜動態關系，不是數據字段的關聯，本質是指物理對象之間和過程的語義關聯。包括產品部件之間的關聯關系，生產過程的數據關聯，產品生命周期設計、制造、服務等不同環節數據之間的關聯以及在產品生命周期的統一階段涉及的不同學科不同專業的數據關聯。

二、柔性車間作業計劃的動態模型設計

實際柔性生產中的加工生產因素多變，以預設固定加工信息為基礎的作業計劃與實際情況脫節。因此，在柔性車間作業計劃模型中加入對當前生產實際情況的及時反饋很必要。通過增加生產信息的直接與間接反饋，設計了以車間作業計劃編制為核心的閉環處理流程，計算動態值與生產反饋是對實際生產信息的動態監視。在此基礎上提出包括工廠協調、作業計劃編制和調度、監視功能的柔性作業車間計劃模型，該模型中動態監視功能彌補了傳統模型中監視功能只能進行信息簡單反饋的不足，通過對動態值的計算完成對反饋數據的信息加工，并將其應用于生產數據的動態調整，是實現柔性加工制造動態適應加工變化的重要部分。動態值計算，動態監視環節中需要計算的動態值主要包括準備時間、加工時間、轉移時間和加工周期等，分別如式所示。

三、基于 TSAPO 算法的柔性作業車間調度

在柔性車間作業計劃模型中，調度部門根據作業計劃完成作業調度。該環節所采用的調度算法對調度效果有明顯影響。蟻群優化算法和粒子群優化算法是目前應用較廣泛的調度算法，兩者屬于典型的基于仿生的群智能優化方法。蟻群優化算法具有正反饋、分布處理能力強的優點，但易陷入局部最優。粒子群優化算法具有計算簡單、魯棒性好的優點，但后期搜索精度不高。

1、優化目標及算法提出的理由。在多目標柔性作業車間調度中，制造周期最短、關鍵機器負載最小和總機器負載最小為最常見的優化目標。因此，采用對這目標進行加權優化的方法設計調度方案。優化目標函數如式所示，其中，F1（C）為制造周期;F2（C）為整體負載;F3（C）為關鍵機器負載。

在柔性作業車間調度問題中，主要解決“選擇工藝路線”和“在既定工藝路線下的排產”這個問題。在式優化目標中，優化分量都與工序加工時間有密切關系。因此，采用分解的方法，提出二階式蟻群粒子群混合優化算法。在第 1 階段利用蟻群算法確定工藝路線，實現 F2（C）、F3（C） 優化目標;在第 2 階段利用粒子群優化算法完成對既定工藝路線下的排產，實現目標 F1（C）的優化，并將每次迭代的排產結果評價反饋給第 1 階段，將其作為蟻群信息素更新的主要依據，引導下次迭代中螞蟻對工藝路線的選擇，以提高優化效果。

2、TSAPO 算法設計。TSAPO 的基本框架設計。根據 Step3 的初始調度序列進行粒子向量解碼;用傳統粒子群優化算法生成約定工藝路線下的調度方案，計算該方案的優化目標函數。 Step5 計算動態值，更新蟻群信息素濃度及調度方案，螞蟻數量加 1，轉 Step3 。Step6 輸出調度結果。TSAPO 算法的說明如下：在 Step3 ，為體現螞蟻在構造路徑過程中對關鍵機器負載與加工機器總負載最小目標的關注，螞蟻狀態轉移規則與轉移概率分別按式設計。伴隨路徑的構造，當前負載大且加工時間長的機器被選中的概率變小，加工負載得以均衡。

3、算法驗證實驗。采用工序的 8×8 問題標準算例進行TSAPO 算法有效性驗證。在實驗過程中，信息素揮發度ρ、信息啟發式因子α和能見度啟發式因子 β等參數對算法性能影響明顯。其中，ρ反映了路徑上信息素揮發的速度，ρ過大會影響算法的全局搜索能力，ρ過小則會降低算法的收斂速度;α反映了在算法中蟻群根據信息素搜索路徑的重要程度;能見度啟發式因子β反映在算法中蟻群根據路徑的能見度搜索路徑的重要程度。α和β過大時，算法的正反饋作用過分突出，算法會出現過早收斂現象，若問題規模較大，則最終獲得的解很有可能是局部最優解;α和β過小時，螞蟻對路徑上的信息素濃度和路徑的可見度都不給予充分的重視，進行無休止的隨機搜索（不停滯），這同樣會影響算法對最優解的獲得。TSAPO 算法與文獻[9-10]算法獲得實驗結果比較，數據顯示，在求解該問題時，TSAPO 算法獲得的解分量 F1（C）為 15，與算法 Approach by Localization 相同;F3（C）值為 12，小于算法 Temporal Decomposition 與算法 Approach by Localization。TSAPO 算法的優化目標函數值為 26.1，是所有算法中最小的。

作業車間計劃模型與其調度算法是影響加工制造效率與成本的重要環節。本文改進傳統計劃模型，增加生產數據的動態反饋機制能夠使作業計劃的制定更科學、更符合實際生產需要。基于模型，增加生產數據的動態反饋機制能夠使作業計劃的制定更科學、更符合實際生產需要。在科學的作業計劃之下，通過分解制造周期、整體負載及關鍵機器負載等最常見優化目標，對蟻群優化算法與粒子群優化算法加以融合，提出具有反饋機制的二階式蟻群粒子群優化算法進行問題求解。實驗結果證明，本文的TSAPO 算法能夠克服單一算法在求解多目標柔性作業車間調度問題。

參考文獻：

[1]孔 霖，蘇健軍. 某壓力傳感器熱沖擊響應的抑制方法[J]. 傳感器與微系統，2018，2（ 12） ： 69 - 73.

[2] 李麗萍，孔德仁，蘇健軍. 毀傷工況條件下沖擊波壓力電測法綜述[J]. 爆破，2019（ 2） .

[3] 郭煒，俞統昌，李正來. 沖擊波壓力傳感器靈敏度的動態校準[J]. 火炸藥學報，2017，29（ 3） .