經編車間過程監控與生產調度

蔡飛飛，郗欣甫，沈瑞超，孫以澤

(東華大學 機械工程學院，上海 201620)

生產車間是企業信息流、工作流、物料流和控制流的交匯點，也是確保生產計劃順利完成的關鍵部分[1]。對車間生產過程進行實時監控，有助于企業及時掌握生產動態并根據生產情況實時調整訂單計劃，進而有效控制生產進度，提高生產效率和制造水平，實現資源最優配置與效益最大化[2]。

經編車間過程監控不僅監控經編機生產織造過程中的數據，還監控操作人員信息，以此作為車間生產調度的數據來源，可更好地管理車間。信息物理系統(cyber-physical system，CPS)[3]利用先進感知、計算、通信等技術將物理與信息空間相映射和交互，致力于實現按需響應與動態優化。利用CPS構建經編車間監控系統，既可以采集人機數據，又可以進行計算與響應，可提高經編機的智能響應性能，也可提升經編車間的動態調控能力。目前，CPS已在相關行業中得到應用。付盼[4]提出利用CPS研究農業遠程監控系統中關鍵技術；畢筱雪等[5]借助CPS設計了數控機床監控系統；陳容等[6]基于CPS設計了智能控制生產線框架。我國作為經編大國[7]，經編機占有量高，但車間生產數據利用率低、管理方式落后。經編布織造過程中，經常出現斷紗、漏針等情況，需人工不斷巡檢，以及時排查、發現、上報并修復，從而確保加工過程順利進行。計劃人員需手工抄錄工藝數據，及時計算盤頭紗線剩余量和織造時間，而經編車間由于產品種類多、工藝多、設備多，造成車間用工多，給人工管理帶來極大困難。經編布在加工過程中，需經歷上軸、穿紗與織造等步驟，其中上軸與穿紗步驟均由人工完成，工藝難易程度、人員分配及人工熟練度等因素將影響工序完成時間。鑒于上述原因，車間排程需考慮設備型號、產品種類、工藝參數、人工熟練程度等因素，存在多因素組合優化困難及交期不準的問題。此外，操作人員素質參差不齊，導致接紗、落布及設備故障等信息記錄不完整或缺失，無法為管理人員提供有效的故障修復措施、成因分析、人員考核標準等車間管理優化信息。為此，需對經編車間生產過程進行監控，并依據生產數據進行生產調度，合理配置人、機、物等資源。本文為實現經編車間的過程監控與生產調度，基于CPS設計經編車間過程監控體系架構并劃分車間管理層次結構，構建經編機信息模型并賦予數據具體內涵，通過在邊緣側計算，加快了計算效率與響應速度，最后利用系統數據進行生產訂單排程，以實現訂單的快速分配與執行。

1 經編車間CPS體系架構

為更好地管理車間和更快地響應指令，按照

CPS技術標準與經編車間實際情況，設計兩級經編車間體系架構。單元級經編CPS架構如圖1所示，該架構主要立足于感知與自動控制層面，通過信息殼將物理世界與信息世界相連。經編機內傳感器、控制器等硬件設備，以及一線操作員工、管理員等，既是信息采集源也是信息接收方和執行方，既是數據環流的起點也是終點。考慮到經編機自身數據量大，為更好地傳輸與展示數據，一方面需構建經編機信息模型以豐富數據內涵，另一方面需將整個系統的計算工作分配至邊緣側即單元級經編CPS中，以加快數據處理效率與指令響應進程。

經編布訂單多，需拆分后分配至多臺經編機上加工，為實時感知單臺經編機生產狀態，并促進經編機之間的互聯、互通與互操作，從而在一定程度上提高制造資源優化配置的廣度、深度與精度，需構建系統級經編CPS架構，如圖2所示。利用大數據分析制定科學決策，通過監視診斷及時發現生產故障信息，協調各部門、工種，加快制造進程，提升經編車間管理水平，保證如期交貨。

2 信息建模

車間內經編機數量眾多，單純數據無法顯示來源及相互間聯系，缺乏針對性[8]，采用OPC UA進行經編機信息建模，以便于各類數據存儲與檢索。經編機通常包含感知設備(傳感器、射頻讀卡器和編碼器)和控制設備(電動機和打碼機)。感知設備只具備變量屬性，不具備方法；控制設備除具有變量屬性外，還具有方法。表1為不同節點的經編機對象類型，表2為控制設備中電動機的定義。

表1 經編機對象類型

表2 電動機類型定義

經編機中各類設備類型定義與電動機類型相似，整個模型以XML形式保存，可以在不同平臺和不同語言環境下識別，根據經編機的具體型號在軟件中實例化對應數量的對象，即可完成經編機模型的建立，使用過程中可根據需求增刪節點，具有操作靈活方便、開發周期短的優勢，經編機整體信息模型對象如圖3所示。

3 邊緣側數據計算

經編車間過程監控需要進行大量數據采集與計算，數據同時傳輸不僅造成傳輸通道阻塞，還會留下數據安全隱患，影響指令傳遞效率。在靠近網絡邊緣側的單元級經編CPS內，進行單個經編機內數據計算，既可以減輕服務器計算壓力，也可以將計算結果直接反饋給當前經編機，減少了數據反饋時間。經編布織造時間的準確預測，有助于把握交貨期并合理配置生產人員與設備，可減少上下游產品的庫存量，提升企業效益。影響經編布織造時間的因素較多，各因素既單獨影響織造時間又相互聯系與影響，其相互之間的關系可抽象為

(1)

式中：T為織造時間；G,H,K,P為自變量與因變量之間的某種函數映射關系；a～f為織造時間的影響因素，依次為設備、工藝參數、人員熟練度、訂單數量、停機次數和保養時長。

分析式(1)可知，織造時間與列出的6類因素存在某種相互影響關系。訂單量越大，織造時間越長；訂單數量分配不均，整體織造時間無法預估；停機次數越多則停機累計時長越長，織造時間將延長，而設備性能優劣影響停機次數，人員熟練度影響單次停機時長；設備保養時長影響生產進程，設備持續運行不保將降低設備性能，從而影響織造質量及時間；人工操作熟練程度影響操作設備的時間與處理停機狀況所需的時間；工藝參數的差異將導致紗線送經量、布匹牽拉密度、電機運轉速度等參數不同，從而使得各機構運動過程不同，最終導致織造時間不同；不同類型的設備性能不同，加工同樣的產品消耗的時間不盡相同。

各因素之間相互影響，導致映射關系G較為復雜，難以用精確數學表達式表征。為解決上述問題，采用BP神經網絡構建經編布織造時間預測模型，通過大量數據的訓練，不斷優化神經元權重與閾值，使得結果不斷逼近準確值。分析上述6類影響因素，可通過統一訂單數量減少一維影響因素，從而減少模型復雜度及求解時間。因經編布織造時間的影響因素有5類，根據BP神經網絡結構，可確定輸入層包含5個神經元，輸出層包含1個神經元。為求出隱含層層數及各層神經元個數，需利用數據進行訓練，如圖4～6所示。

單、雙隱含層的均方誤差最大值分別為0.124和0.034 h，最小值分別為0.056和0.021 h。由此可見，單隱含層的最小均方誤差比雙隱含層的最大均方誤差還大，故隱含層選擇雙層結構。由圖5可知，在神經元個數為10時，均方誤差最小。由圖6可知，當雙隱含層次層神經元個數為9時，均方誤差最小。至此可以確定適合經編布織造時間預測的BP神經網絡結構，即輸入層(5個神經元)、雙隱含層(神經元個數分別為10和9)和輸出層(1個神經元)，如圖7所示。

為驗證圖7所示BP神經網絡模型預測結果的準確性，隨機選取100組數據代入模型進行運算。通過對比樣本預測值與期望值，得到樣本的預測誤差，結果如圖8所示。由圖8可知，大多數預測誤差絕對值小于0.4，表明預測結果較為準確。根據經編布織造過程實際情況可知，樣本預測誤差在可容納范圍內，故可作為預測經編布織造時間的一種方案。

4 生產調度

經編車間內經編機種類多、訂單多、操作人員流動性大，經編機選擇、人員配置、物料供應等方面協調作業需生產部門制定詳細生產計劃。為降低人力成本并減少加工織造時間成本，以保證訂單如期交貨，需優化現有的生產調度方式。利用系統級經編CPS的數據，進行大數據計算以制定科學決策方案。相比普通機加工車間生產調度[9]，經編車間存在特殊性：相關工序需人工完成，由于完成時間與操作工數量及熟練度有關，故不能忽略人工工序；同一經編機上不同訂單工序之間相互制約。不同訂單工序之間的約束抽象為

(2)

式中：TOj, 1為第j號訂單的第Oj, 1工序的開始時間；TOi, N0為第i號訂單的第Oi, N0工序的開始時間；N0為訂單加工工序的最后一道工序數；tOi, N0,k為第Oi, N0工序在第k臺設備上的加工時間；M(Oi, N0)為第Oi,N0工序選擇的加工設備；X(Oi, N0,M(Oi, N0))為第Oi, N0工序在M(Oi, N0)機床上加工的開始時間。

遺傳算法在解決柔性作業車間調度問題方面具有很好的效果且應用范圍廣[10]。考慮到經編車間生產過程中人工參與度高，不同訂單之間存在相互約束的特點，對遺傳算法進行改進后求解經編車間生產訂單的排程方案。其主要過程如下：人員虛擬化；訂單分配與可選設備確定；基于工序和設備的編碼；選擇、交叉與變異；編碼條件約束；適應度計算；求解；調度圖反虛擬化。人員虛擬化是在排程時，將參與上軸的班組員工虛擬成能夠完成上軸的設備，將穿紗的班組員工虛擬成能夠穿紗的設備，并與選出的具體經編機一起組成基礎設備。編碼條件約束是指將式(2)的約束加載進算法中，以確保編碼與加工時間符合實際情況，從而充分考慮經編車間排程特點。調度圖反虛擬化是指將虛擬的機器即不同工種的班組操作人員反虛擬化成在實際設備上加工的操作序列，形成符合經編車間生產過程的調度方案甘特圖。現代化生產過程中，多功能機的出現加快了柔性化制造過程，借鑒多功能機概念，將上軸工與穿紗工按照一定比例進行分組，形成同時具備上軸與穿紗兩種功能的工種，將此過程稱為“類多功能”分組。

以8訂單9機床的范例進行測試，分別求解普通分組與“類多功能”分組的生產調度方案，經反虛擬化得到生產調度甘特圖，圖中工序Oj, i上方的數字代表操作班組代號或經編機編號，如圖9和10所示。由圖9和10可知：普通分組時訂單完成所用時間較長，生產過程不連續；“類多功能”分組時訂單完成所用時間較短，生產過程較為緊密。兩種分組方式求解得到的最優解隨著迭代次數而改變，普通分組在完成25次迭代后收斂于最小值，“類多功能”分組在完成12次迭代后收斂于最小值，可見其收斂速度優于普通分組，如圖11所示。

5 應用分析

經編車間過程監控中，除采集經編機控制器中數據外，還需要采集其他信息，如經編機的停機原因。單元級經編CPS通過控制經編機啟停的方式，規范擋車工輸入停機原因，保證每一次停機產生時間、原因、時長等信息均被系統采集。單元級經編CPS將采集的數據經計算后，一方面將整機狀態數

據包反饋給系統級經編CPS，另一方面將計算結果形成的決策反饋回經編機，使其精準執行。系統級經編CPS將單元級經編CPS反饋的狀態數據包進行再處理：一方面進行“透明化”工作，便于管理人員掌握生產車間實時動態，并及時調度人員進行故障修復，減少經編機停機時長；另一方面進行大數據分析，綜合考量各方面資源、成本，形成生產排程方案，從宏觀上指導經編車間生產。

圖形化界面用以展示生產動態，包含停機記錄信息、產能信息、工藝信息、訂單信息以及人員安排等信息，管理員根據系統計算的紗線剩余量、時間及警示信息，及時向整經車間提交紗線需求單；結合開機時長、月度產量趨勢圖、當日產量、斷紗時長等數據，判斷擋車工工作效率和經編機生產效率等參數，作為績效考核參考指標。單車間生產信息可視化界面如圖12所示。

目前，系統已經在企業試運行，效果良好。采用系統后，車間巡檢人員已從3人減至1人；每班次操作員工人數比原先減少10%；生產排程人員減少1人；班次產能提高2%；穿紗工穿紗時間顯著提高；上軸工與穿紗工配合效率提高；停機信息記錄提高90%。

6 結 語

本文研究了經編車間的CPS體系結構，提出適用于經編車間的兩級CPS監控與生產調度架構；建立了經編機信息模型，可賦予數據深刻內涵與意義；構造了邊緣側計算的經編布織造時間預測模型，以輔助進行復雜數據的預測；研究了采用改進遺傳算法進行經編車間生產調度的問題，提出生產人員虛擬化與編碼約束的解決方案，以輔助管理人員進行訂單排程作業。實踐表明，系統能夠準確、及時傳輸數據，準確記錄停機原因，實時展示廠區、車間、設備的各種數據，便于管理人員掌握生產進程與動態，從而及時調度操作人員解決設備故障，可保證生產順利進行。