基于工業(yè)大數(shù)據(jù)的柔性作業(yè)車間動(dòng)態(tài)調(diào)度研究

康龍

摘 要：隨著工業(yè)進(jìn)入信息化時(shí)代，工業(yè)大數(shù)據(jù)已成為新一輪產(chǎn)業(yè)革命的重要?jiǎng)恿?。工業(yè)大數(shù)據(jù)以工業(yè)系統(tǒng)的數(shù)據(jù)收集、特征分析為基礎(chǔ)，對(duì)設(shè)備、裝備的質(zhì)量、生產(chǎn)效率、用戶體驗(yàn)以及產(chǎn)業(yè)鏈進(jìn)行更有效的優(yōu)化，并為未來的制造系統(tǒng)搭建無憂的環(huán)境。為使多目標(biāo)柔性作業(yè)車間計(jì)劃與調(diào)度的制定更適合實(shí)際生產(chǎn)的動(dòng)態(tài)變化，提出增加動(dòng)態(tài)反饋的閉環(huán)柔性作業(yè)車間計(jì)劃模型及二階式蟻群粒子群混合優(yōu)化算法 TSAPO。通過增加動(dòng)態(tài)監(jiān)視功能，及時(shí)更新和反饋實(shí)際生產(chǎn)數(shù)據(jù)。利用對(duì)優(yōu)化目標(biāo)的二階段分解，設(shè)計(jì)帶有反饋機(jī)制的調(diào)度算法。實(shí)驗(yàn)結(jié)果證明，該算法在求解多目標(biāo)柔性作業(yè)車間調(diào)度問題中具有較好的優(yōu)化效果。

關(guān)鍵詞：工業(yè)大數(shù)據(jù);柔性作業(yè)車間;調(diào)度

當(dāng)前，以大數(shù)據(jù)、云計(jì)算、移動(dòng)物聯(lián)網(wǎng)等為代表的新一輪科技革命席卷全球，正在構(gòu)筑信息互通、資源共享、能力協(xié)同、開放合作的制造業(yè)新體系，極大擴(kuò)展了制造業(yè)創(chuàng)新與發(fā)展空間。柔性作業(yè)車間動(dòng)態(tài)調(diào)度問題已經(jīng)得到廣泛的研究。隨著產(chǎn)品需求不斷向個(gè)性化轉(zhuǎn)變，制造工藝更加多樣，實(shí)際調(diào)度問題也變得更加復(fù)雜，制造企業(yè)對(duì)車間調(diào)度問題的解決方法在實(shí)際可操作性、計(jì)算效率以及對(duì)車間擾動(dòng)的實(shí)時(shí)響應(yīng)能力等方面都提出了更高的要求。企業(yè)信息化數(shù)據(jù)是工業(yè)領(lǐng)域傳統(tǒng)數(shù)據(jù)資產(chǎn)，也是工業(yè)大數(shù)據(jù)的第一個(gè)來源。為滿足靈活多變的市場需求，柔性制造應(yīng)運(yùn)而生。柔性作業(yè)車間FJS計(jì)劃與調(diào)度因適應(yīng)新制造模式而成為為當(dāng)前研究的熱點(diǎn)。作業(yè)計(jì)劃編制、生產(chǎn)調(diào)度、生產(chǎn)的監(jiān)控是柔性作業(yè)車間中的最重要環(huán)節(jié)。

一、工業(yè)大數(shù)據(jù)的特征

工業(yè)大數(shù)據(jù)作為對(duì)工業(yè)相關(guān)要素的數(shù)字化描述和在賽博空間的映像，相對(duì)于其他類型大數(shù)據(jù)，工業(yè)大數(shù)據(jù)還具有反映工業(yè)邏輯的多模態(tài)、強(qiáng)關(guān)聯(lián)新特征。多模態(tài)是指工業(yè)大數(shù)據(jù)必須反映工業(yè)系統(tǒng)的系統(tǒng)化特征及其各方面要素，包括工業(yè)領(lǐng)域中“光、機(jī)、電、液、氣”等多學(xué)科、多專業(yè)信息化軟件產(chǎn)生的不同種類的非結(jié)構(gòu)化數(shù)據(jù)。強(qiáng)關(guān)聯(lián)反映的是工業(yè)的系統(tǒng)性及其復(fù)雜動(dòng)態(tài)關(guān)系，不是數(shù)據(jù)字段的關(guān)聯(lián)，本質(zhì)是指物理對(duì)象之間和過程的語義關(guān)聯(lián)。包括產(chǎn)品部件之間的關(guān)聯(lián)關(guān)系，生產(chǎn)過程的數(shù)據(jù)關(guān)聯(lián)，產(chǎn)品生命周期設(shè)計(jì)、制造、服務(wù)等不同環(huán)節(jié)數(shù)據(jù)之間的關(guān)聯(lián)以及在產(chǎn)品生命周期的統(tǒng)一階段涉及的不同學(xué)科不同專業(yè)的數(shù)據(jù)關(guān)聯(lián)。

二、柔性車間作業(yè)計(jì)劃的動(dòng)態(tài)模型設(shè)計(jì)

實(shí)際柔性生產(chǎn)中的加工生產(chǎn)因素多變，以預(yù)設(shè)固定加工信息為基礎(chǔ)的作業(yè)計(jì)劃與實(shí)際情況脫節(jié)。因此，在柔性車間作業(yè)計(jì)劃模型中加入對(duì)當(dāng)前生產(chǎn)實(shí)際情況的及時(shí)反饋很必要。通過增加生產(chǎn)信息的直接與間接反饋，設(shè)計(jì)了以車間作業(yè)計(jì)劃編制為核心的閉環(huán)處理流程，計(jì)算動(dòng)態(tài)值與生產(chǎn)反饋是對(duì)實(shí)際生產(chǎn)信息的動(dòng)態(tài)監(jiān)視。在此基礎(chǔ)上提出包括工廠協(xié)調(diào)、作業(yè)計(jì)劃編制和調(diào)度、監(jiān)視功能的柔性作業(yè)車間計(jì)劃模型，該模型中動(dòng)態(tài)監(jiān)視功能彌補(bǔ)了傳統(tǒng)模型中監(jiān)視功能只能進(jìn)行信息簡單反饋的不足，通過對(duì)動(dòng)態(tài)值的計(jì)算完成對(duì)反饋數(shù)據(jù)的信息加工，并將其應(yīng)用于生產(chǎn)數(shù)據(jù)的動(dòng)態(tài)調(diào)整，是實(shí)現(xiàn)柔性加工制造動(dòng)態(tài)適應(yīng)加工變化的重要部分。動(dòng)態(tài)值計(jì)算，動(dòng)態(tài)監(jiān)視環(huán)節(jié)中需要計(jì)算的動(dòng)態(tài)值主要包括準(zhǔn)備時(shí)間、加工時(shí)間、轉(zhuǎn)移時(shí)間和加工周期等，分別如式所示。

三、基于 TSAPO 算法的柔性作業(yè)車間調(diào)度

在柔性車間作業(yè)計(jì)劃模型中，調(diào)度部門根據(jù)作業(yè)計(jì)劃完成作業(yè)調(diào)度。該環(huán)節(jié)所采用的調(diào)度算法對(duì)調(diào)度效果有明顯影響。蟻群優(yōu)化算法和粒子群優(yōu)化算法是目前應(yīng)用較廣泛的調(diào)度算法，兩者屬于典型的基于仿生的群智能優(yōu)化方法。蟻群優(yōu)化算法具有正反饋、分布處理能力強(qiáng)的優(yōu)點(diǎn)，但易陷入局部最優(yōu)。粒子群優(yōu)化算法具有計(jì)算簡單、魯棒性好的優(yōu)點(diǎn)，但后期搜索精度不高。

1、優(yōu)化目標(biāo)及算法提出的理由。在多目標(biāo)柔性作業(yè)車間調(diào)度中，制造周期最短、關(guān)鍵機(jī)器負(fù)載最小和總機(jī)器負(fù)載最小為最常見的優(yōu)化目標(biāo)。因此，采用對(duì)這目標(biāo)進(jìn)行加權(quán)優(yōu)化的方法設(shè)計(jì)調(diào)度方案。優(yōu)化目標(biāo)函數(shù)如式所示，其中，F(xiàn)1（C）為制造周期;F2（C）為整體負(fù)載;F3（C）為關(guān)鍵機(jī)器負(fù)載。

在柔性作業(yè)車間調(diào)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(chǎn)”這個(gè)問題。在式優(yōu)化目標(biāo)中，優(yōu)化分量都與工序加工時(shí)間有密切關(guān)系。因此，采用分解的方法，提出二階式蟻群粒子群混合優(yōu)化算法。在第 1 階段利用蟻群算法確定工藝路線，實(shí)現(xiàn) F2（C）、F3（C） 優(yōu)化目標(biāo);在第 2 階段利用粒子群優(yōu)化算法完成對(duì)既定工藝路線下的排產(chǎn)，實(shí)現(xiàn)目標(biāo) F1（C）的優(yōu)化，并將每次迭代的排產(chǎn)結(jié)果評(píng)價(jià)反饋給第 1 階段，將其作為蟻群信息素更新的主要依據(jù)，引導(dǎo)下次迭代中螞蟻對(duì)工藝路線的選擇，以提高優(yōu)化效果。

2、TSAPO 算法設(shè)計(jì)。TSAPO 的基本框架設(shè)計(jì)。根據(jù) Step3 的初始調(diào)度序列進(jìn)行粒子向量解碼;用傳統(tǒng)粒子群優(yōu)化算法生成約定工藝路線下的調(diào)度方案，計(jì)算該方案的優(yōu)化目標(biāo)函數(shù)。 Step5 計(jì)算動(dòng)態(tài)值，更新蟻群信息素濃度及調(diào)度方案，螞蟻數(shù)量加 1，轉(zhuǎn) Step3 。Step6 輸出調(diào)度結(jié)果。TSAPO 算法的說明如下：在 Step3 ，為體現(xiàn)螞蟻在構(gòu)造路徑過程中對(duì)關(guān)鍵機(jī)器負(fù)載與加工機(jī)器總負(fù)載最小目標(biāo)的關(guān)注，螞蟻狀態(tài)轉(zhuǎn)移規(guī)則與轉(zhuǎn)移概率分別按式設(shè)計(jì)。伴隨路徑的構(gòu)造，當(dāng)前負(fù)載大且加工時(shí)間長的機(jī)器被選中的概率變小，加工負(fù)載得以均衡。

3、算法驗(yàn)證實(shí)驗(yàn)。采用工序的 8×8 問題標(biāo)準(zhǔn)算例進(jìn)行TSAPO 算法有效性驗(yàn)證。在實(shí)驗(yàn)過程中，信息素?fù)]發(fā)度ρ、信息啟發(fā)式因子α和能見度啟發(fā)式因子 β等參數(shù)對(duì)算法性能影響明顯。其中，ρ反映了路徑上信息素?fù)]發(fā)的速度，ρ過大會(huì)影響算法的全局搜索能力，ρ過小則會(huì)降低算法的收斂速度;α反映了在算法中蟻群根據(jù)信息素搜索路徑的重要程度;能見度啟發(fā)式因子β反映在算法中蟻群根據(jù)路徑的能見度搜索路徑的重要程度。α和β過大時(shí)，算法的正反饋?zhàn)饔眠^分突出，算法會(huì)出現(xiàn)過早收斂現(xiàn)象，若問題規(guī)模較大，則最終獲得的解很有可能是局部最優(yōu)解;α和β過小時(shí)，螞蟻對(duì)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(jìn)行無休止的隨機(jī)搜索（不停滯），這同樣會(huì)影響算法對(duì)最優(yōu)解的獲得。TSAPO 算法與文獻(xiàn)[9-10]算法獲得實(shí)驗(yàn)結(jié)果比較，數(shù)據(jù)顯示，在求解該問題時(shí)，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(yōu)化目標(biāo)函數(shù)值為 26.1，是所有算法中最小的。

作業(yè)車間計(jì)劃模型與其調(diào)度算法是影響加工制造效率與成本的重要環(huán)節(jié)。本文改進(jìn)傳統(tǒng)計(jì)劃模型，增加生產(chǎn)數(shù)據(jù)的動(dòng)態(tài)反饋機(jī)制能夠使作業(yè)計(jì)劃的制定更科學(xué)、更符合實(shí)際生產(chǎn)需要?；谀Ｐ?，增加生產(chǎn)數(shù)據(jù)的動(dòng)態(tài)反饋機(jī)制能夠使作業(yè)計(jì)劃的制定更科學(xué)、更符合實(shí)際生產(chǎn)需要。在科學(xué)的作業(yè)計(jì)劃之下，通過分解制造周期、整體負(fù)載及關(guān)鍵機(jī)器負(fù)載等最常見優(yōu)化目標(biāo)，對(duì)蟻群優(yōu)化算法與粒子群優(yōu)化算法加以融合，提出具有反饋機(jī)制的二階式蟻群粒子群優(yōu)化算法進(jìn)行問題求解。實(shí)驗(yàn)結(jié)果證明，本文的TSAPO 算法能夠克服單一算法在求解多目標(biāo)柔性作業(yè)車間調(diào)度問題。

參考文獻(xiàn)：

[1]孔 霖，蘇健軍. 某壓力傳感器熱沖擊響應(yīng)的抑制方法[J]. 傳感器與微系統(tǒng)，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(tǒng)昌，李正來. 沖擊波壓力傳感器靈敏度的動(dòng)態(tài)校準(zhǔn)[J]. 火炸藥學(xué)報(bào)，2017，29（ 3） .