智能工廠生產調度問題研究現狀與趨勢

魏翠翠

摘 要：生產調度問題是智能工廠的核心問題，關系到智能工廠的順利運行與工作效率。隨著物聯網與大數據技術的發展，智能工廠的工作效率越來越多的依賴于調度控制的智能化程度。本文綜述了目前智能工廠生產調度問題的發展現狀，將目前的調度問題按其控制特征歸納為三類，即優先調度規則、基于歷史數據的調度規則和基于實時數據的調度規則，并分別討論了三類生產調度控制的特征與優劣，為后續生產調度問題乃至智能工廠的研究提供一些參考。

關鍵詞：智能工廠;調度;控制;數據

DOI：10.12249/j.issn.1005-4669.2020.25.323

1 引言

智能工廠就是通過構建智能化生產系統和網絡化分布生產設施，實現生產過程的智能化。同傳統工廠相比，智能工廠最大的特征就是具備了自主收集、分析、判斷和計劃的能力。智能生產調度是實現智能工廠的必要環節，隨著物聯網與大數據技術的發展，大量學者對智能生產調度問題進行了研究與實際應用。目前，常用的生產調度規則可以大體分為3類：1）優先調度規則;2）基于歷史數據的調度規則;3）基于實時數據的調度規則。

2 優先調度規則

優先調度規則是一種簡單的啟發式規則，它的計算效率高、實際可操作性強且可用于實時調度，適用于復雜動態的調度環境。湯健

超[1]提出了一種兼顧工序先后次序約束的Kacem分派準則，以遺傳算法為框架，在初始種群的階段采用改進的Kacem準則，同時利用混沌優化系統提高算法對全局的遍歷性。張道廣等[2]以船舶制造領域為背景，提出一種基于優先規則的啟發式算法，可在同時滿足多種資源約束的情況下形成較優的調度方案。王東軍等[3]針對一種具有工件釋放時間、機器可用時間和機器適用限制等約束的并行同速機調度問題，提出基于優先規則的調度算法框架以快速生成可行調度方案。

3 基于歷史數據的調度規則

基于歷史數據的調度規則就是從調度相關歷史數據中挖掘關于調度規則的調度知識來指導實際車間調度活動。湯洪濤等[4]提出了一種從具有工業大數據特點的調度相關歷史數據中挖掘調度規則的方法。在進行數據預處理時，結合開源大數據技術完成數據采集、清洗、整合與篩選。同時，對調度相關歷史數據集合進行基于擾動屬性的聚類，從而對不同擾動環境下做出的調度決策所產生的數據集合進行合理劃分。王成龍[5]等提出一種分支定界算法用于搜尋優化調度方案，在此基礎上，提出一種基于決策樹分類技術的調度知識挖掘方法，用于挖掘隱藏在優化調度方案中的調度知識，所提取的調度知識可以直接作為新的調度規則來指導作業車間的調度過程。Tarik等[6]針對單機總加權拖期最小化調度問題展開研究，提出了一種采用神經網絡的調度規則挖掘方法。Ingimundardottir等[7]為了提高調度規則的挖掘效率與準確率，提出了一種訓練數據的構造方法，并通過偏好學習的方法，從訓練數據中挖掘調度規則。

4 基于實時數據的調度規則

基于實時數據的調度規則以物聯網與數據通信技術為基礎，通過實時檢測的現場數據，能對任務的變化做出及時響應，更加適用于多品種、小批量生產模式下的柔性制造車間。蔡越坤等[8]提出一種基于隨機擾動蟻群算法的多Agent 協商策略，通過Agent對數據進行實時提取，產生實時動態的調度結果，使調度結果更加符合實際。梁文杰等[9]基于標準粒子群優化算法，針對精沖汽車零件的智能制造車間模型，通過采用按工序編碼生成可行調度及按工件交叉更新粒子的方法，將改進后的混合粒子群優化算法應用到其生產調度上。鄒攀等[10]根據車間實時信息，以最大完工時間、瓶頸機床負荷和機床總負荷為優化目標，研究和實現了分層蟻群-遺傳混合算法的多目標智能尋優方法，有效地解決了現代柔性作業車間的調度問題。

5 總結

1）優先調度規則控制邏輯較簡單，計算效率高，具有很強的實際可操作性，可用于實時調度，適用于復雜動態的調度環境。但其調度規則較為單一，性能容易受到實際環境變化的影響，不能在所有的擾動環境中都有較好的調度性能。因此，優先調度規則往往同其他調度規則結合使用，以具備更好的環境適應性。

2）基于歷史數據的調度規則是基于一定的算法，從歷史數據中挖掘調度規則，具有很高的智能性和適應性，適用于大批量生產的智能車間調度。但是，該規則需要大量歷史數據來進行訓練，以保證模型的準確性。

3）基于實時數據的調度規則是基于現場檢測的數據實時調度，保證生產目標實時最優，該規則往往是多種智能算法的協同配合，能夠根據環境不同調用不同的算法，能夠適應不同的調度環境。相應的，其控制算法較為復雜，成本較高，適用于多品種，小批量的智能化柔性制造車間。

參考文獻

[1]湯健超.基于混合進化算法的若干調度問題研究[D].華南理工大學，2012.

[2]張道廣，聶蘭順，靳金濤，戰德臣.基于優先規則的空間資源約束項目調度算法[J].計算機工程，2015，41（05）：62-69+76.

[3]王東軍，劉翱，劉克，劉波.基于優先規則的復雜并行機調度問題研究[J].系統工程理論與實踐，2016，36（03）：779-786.

[4]湯洪濤，費永輝，陳青豐，詹燕，魯建廈，李晉青.基于工業大數據的柔性作業車間動態調度研究[J].計算機集成制造系統，1-22.

[5]王成龍，李誠，馮毅萍，榮岡.作業車間調度規則的挖掘方法研究[J].浙江大學學報（工學版），2015，49（03）：421-429+438.

[6]TARIK CAKAR， RASSIT， KOKER， OZKAN CANAY. A new neuro-dominance rule for single-machine tardiness problem with double due date[J].Neural Comput & Applications， 2015，26（6）：1439-1450.

[7]INGIMUNDARDOTTIR H， Runarsson， TP. Discovering dispatching rules from data using imitation learning： A case study for the job-shop problem[J].Journal of Scheduling，2018，21（4）：413-428.

[8]蔡躍坤，王俊佳，朱智鵬.基于多Agent的智能工廠生產調度優化[J].西南科技大學學報，2020，35（01）：90-94.

[9]梁文杰，王桂棠，陳志盛，吳佳毅.基于混合粒子群算法的汽車零件精沖車間調度研究[J].機電工程技術，2017，46（09）：6-10.

[10]鄒攀，李蓓智，楊建國，施爍，梁越昇.基于分層蟻群遺傳算法的多目標柔性作業車間調度方法[J].中國機械工程，2015，26（21）：2873-2879+2884.