一種離散型制造企業(yè)的車間管理系統(tǒng)設計方法*

劉春明

（南京電子技術研究所，江蘇南京210039）

引 言

如今物聯(lián)網技術得到了高速發(fā)展，智能制造技術的應用也在逐步加深，而離散型制造企業(yè)的車間調度管理信息化程度高低不一，具不完全統(tǒng)計，75%以上的離散型制造企業(yè)的車間管理還停留在人工排程、人工調度的階段，具有信息化系統(tǒng)的企業(yè)也存在數(shù)據零散、規(guī)范不一的問題。

離散型制造企業(yè)的工藝路線靈活，生產計劃的制定與生產任務的管理任務繁重[1]。目前針對離散型制造企業(yè)信息化系統(tǒng)的研究主要集中于數(shù)據的采集、歸一化處理，協(xié)議的規(guī)范化，車間的生產排程以及執(zhí)行情況的反饋。它們都集中在某一點或某幾點上，缺少一個“閉環(huán)”的端到端的規(guī)范的車間管理系統(tǒng)。因此本文提出了一種離散型制造企業(yè)的車間管理系統(tǒng)設計方法。

該車間管理系統(tǒng)是針對離散型小微企業(yè)的排程系統(tǒng)，可在確認訂單之后，實時同步物料、設備、人員等所有資源數(shù)據，靈活準確地實施生產計劃。該系統(tǒng)根據企業(yè)已有的信息化系統(tǒng)提供相應的可適配的數(shù)據、文件和系統(tǒng)接口，幫助企業(yè)實現(xiàn)訂單與生產數(shù)據的分解及貫穿；采用基因算法、最佳路徑算法等可組合的算法模型工具，自動制定2份以上的排程計劃，協(xié)助生產計劃員進行最優(yōu)化排程，并在生產計劃員完成排程后，將排程計劃反饋給算法庫，調整算法相關算子權重。該系統(tǒng)適應小微企業(yè)排產的臨時性，可對已有的排程計劃進行優(yōu)化，同時可通過數(shù)據展現(xiàn)模塊（如甘特圖、看板等）直觀地展示新排程計劃的優(yōu)化項。它具備自動化和模擬能力，可提供直觀的可預期的排產結果，提高企業(yè)的信息化能力，幫助企業(yè)提升管理能力，降低人力成本，使資源利用率最大化。

1 設計背景

離散型小微制造企業(yè)的制件多為半成品，批量小，品種多，臨時性強。通過現(xiàn)場調研，發(fā)現(xiàn)離散型小微制造企業(yè)的管理現(xiàn)狀如下：

1）信息化程度偏低，信息化平臺不完整，僅有零散的系統(tǒng)或根本就沒有系統(tǒng)平臺，大多還處于人工手動處理的狀態(tài)。生產的計劃安排都是靠生產計劃員臨時排班，信息交換大多通過紙質文件進行，信息傳達與響應能力低下。

2）企業(yè)生產管理的核心是訂單按時交付與產品質量控制，而生產資源的把控與生產環(huán)節(jié)的調配是保證訂單按時交付的關鍵。

3）企業(yè)的組織架構整體明確，細節(jié)個性化明顯，一人多職的現(xiàn)象普遍。排產過程多依靠人員的經驗，人的因素對生產排程和資源調配的效率影響較大，科學的排程模型以及經驗的積累較為缺乏。

4）小微企業(yè)的訂單臨時性強，生產過程中的插單、調單現(xiàn)象普遍，對人員、機床的調配靈活性要求高，容易出現(xiàn)排程不均衡的問題。訂單完成率和客戶滿意度完全取決于生產計劃員的個人決策，缺乏可模擬的信息化平臺支撐。

因此，離散型小微制造企業(yè)急需一個配置靈活、適應性強、可用性高的車間管理系統(tǒng)。本文提出了一種離散型制造企業(yè)的車間管理系統(tǒng)設計方法，旨在通過信息化手段，利用智能算法、排程模型、規(guī)則引擎以及數(shù)據組件實現(xiàn)實用性強的車間管理系統(tǒng)。

2 系統(tǒng)總體方案研究

2.1 設計目標

該系統(tǒng)的設計目標如圖1所示，從系統(tǒng)分層設計角度分為4個維度：

1）貫穿多系統(tǒng)的數(shù)據匯聚層。利用數(shù)據調度工具ETL，打破數(shù)據孤島壁壘，實現(xiàn)已有數(shù)據的貫穿匯聚。在數(shù)據匯聚后進行歸一化存儲，同時利用索引技術實現(xiàn)數(shù)據標簽匯聚，為系統(tǒng)實現(xiàn)提供數(shù)據支撐。

2）多維度可切片的核心模型層。基于歸一化數(shù)據，利用建模方法構建訂單模型、資源模型、生產模型、人員模型和工藝模型，實現(xiàn)多維度、可切片的數(shù)據模型，為業(yè)務算法提供模型服務。

3）可靈活配置的算法業(yè)務邏輯層。在已有的數(shù)據模型基礎上，構建包含最佳路徑算法、基因算法、識別算法、隨機森林算法等核心算法的基礎庫，利用規(guī)則引擎和適配引擎實現(xiàn)算法的選取與適配，實現(xiàn)算法的靈活配置與調用，通過應用程序編程接口（Application Programming Interface，API）實現(xiàn)上層接口的服務。

4）直觀指導生產的數(shù)據展現(xiàn)層。通過車間看板和大屏提供分角色的展現(xiàn)儀表盤，實現(xiàn)多端展現(xiàn)、多角色視圖和實時信息推送。

圖1 分層設計目標

2.2 功能架構

先進規(guī)劃與排程系統(tǒng)（Advanced Planning and Scheduling, APS）是一種高效的企業(yè)計劃管理軟件，它綜合考慮可能存在的需求以及生產過程中人、機、料、法、環(huán)等多方面因素，對企業(yè)現(xiàn)有資源進行科學合理的配置和規(guī)劃，進而為生產計劃人員提供有效的生產排程方案，輔助生產決策[2]。

該系統(tǒng)的可見功能架構主要包括物料管理、設備運行管理、產品管理、計劃管理、執(zhí)行管理、物料跟蹤管理以及統(tǒng)計分析與看板展現(xiàn)。各模塊的分布如圖2所示。

物料管理、設備運行管理和產品數(shù)據管理主要是系統(tǒng)的基礎數(shù)據管理，數(shù)據可在系統(tǒng)中錄入，也可通過外部數(shù)據源導入。

生產計劃管理針對訂單數(shù)據的錄入、工藝圖紙的識別、工序分解、物料清單（Bill of Material，BOM）自動生成、計劃排產引擎、生產過程追溯等核心功能，實現(xiàn)自動化排產方案及推演結果展現(xiàn)。

物料跟蹤管理是針對物料的齊套、出入庫、庫房以及線邊庫存的管理，實現(xiàn)物料資源的有序管理。

圖2 功能架構

計劃執(zhí)行管理依據排產及推演后的排產方案，通過流程引擎實現(xiàn)人員派工管理和工時的匯報管理。

統(tǒng)計分析與看板監(jiān)控主要通過報表門戶實現(xiàn)報表數(shù)據組件的組合，并將結果直觀地展現(xiàn)在車間的大屏或電子看板上，指導和監(jiān)控生產過程。

2.3 技術架構

系統(tǒng)的整體架構為B/S架構，后端為基于Spring-Boot的微服務架構，前端為基于VUE的H5 MVC架構。系統(tǒng)構成分為前端展現(xiàn)層、業(yè)務服務層、服務引擎層、數(shù)據持久層和數(shù)據存儲層。技術完整架構如圖3所示。

圖3 技術架構

前端展現(xiàn)層采用主流的VUE結構，實現(xiàn)前端界面的組件化與MVC控制，保障系統(tǒng)前端的獨立性。

業(yè)務服務層用于系統(tǒng)的業(yè)務邏輯計算后的RESTFUL API服務接口，是前端數(shù)據獲取與后端計算的紐帶。

服務引擎層用于算法執(zhí)行和引擎調度，實現(xiàn)從數(shù)據到業(yè)務對象的轉換。

數(shù)據持久層是根據數(shù)據存儲與數(shù)據緩存進行實例化對象的服務。

數(shù)據存儲層用于數(shù)據的存儲，分為分布式文件系統(tǒng)和關系型數(shù)據庫。其中分布式文件系統(tǒng)用于存儲工藝圖紙、音頻和視頻，關系型數(shù)據庫用于存儲設計完成的數(shù)據模型的結構化數(shù)據。

3 系統(tǒng)關鍵技術

3.1 基于規(guī)則引擎的算法模型路由

規(guī)則引擎的任務是對當前提交給引擎的數(shù)據對象與加載在引擎中的業(yè)務規(guī)則進行測試和對比，激活那些符合當前數(shù)據狀態(tài)的業(yè)務規(guī)則，根據業(yè)務規(guī)則中聲明的執(zhí)行邏輯，觸發(fā)應用程序中對應的操作[3]。

系統(tǒng)針對訂單的生產工藝，實現(xiàn)自動化工藝識別，拆解BOM，根據分解后的BOM，利用規(guī)則引擎選擇排程算法，進而根據選擇的算法輸出排程結果的。

3.2 自動調度的數(shù)據流程

企業(yè)的數(shù)據沒有得到統(tǒng)一的存儲與管理，訂單數(shù)據、原材料數(shù)據、人員班組數(shù)據、資源數(shù)據等均散落在文件或各自的系統(tǒng)平臺中，因此來自數(shù)據采集的壓力很大。通過適配各類關系型數(shù)據庫和存儲非關系型大數(shù)據，利用探針與文件數(shù)據同步，對各個系統(tǒng)的數(shù)據進行統(tǒng)一的適配采集，將采集到的數(shù)據統(tǒng)一輸入元數(shù)據倉庫，實現(xiàn)了結構化數(shù)據和非結構化數(shù)據的歸一化處理，同時創(chuàng)建了數(shù)據索引，保證二次分析時的快速加載與檢索。

如圖4所示，采用ETL工具實現(xiàn)數(shù)據采集、加載、清洗、計算、分析與存儲，利用調度程序實現(xiàn)數(shù)據處理流程的自動化調度，通過可配置的調度界面實現(xiàn)數(shù)據的周期性調度和計算執(zhí)行，完成數(shù)據的無人值守入庫。

圖4 自動化調度的數(shù)據流程

3.3 算法性能的提升

算法性能的提升通過數(shù)據緩存來實現(xiàn)。數(shù)據緩存是將數(shù)據暫存于內存的緩存區(qū)中。可將一些被應用服務頻繁訪問到的熱門數(shù)據實體存放到數(shù)據緩存中，用戶的請求需要使用該數(shù)據實體時，應用服務可直接使用數(shù)據緩存中的數(shù)據實體，進而縮短該次服務請求的響應時間。

常用內存數(shù)據庫（如Redis）實現(xiàn)數(shù)據緩存。緩存的數(shù)據通過唯一關鍵字實現(xiàn)快速索引，在系統(tǒng)設計中完成讀寫分離的操作，在高頻讀取的數(shù)據中設計數(shù)據key-value的緩存結構，在排程過程中實現(xiàn)數(shù)據集的快速加載。

3.4 基于BP神經網絡的排程算法

許多學者利用神經網絡解決生產調度問題，通過神經網絡模型和優(yōu)化調度算法，可以找到滿足約束條件的最優(yōu)或次優(yōu)調度解[4]。本文基于逆向傳播（Back Propagation, BP）的神經網絡實現(xiàn)排程算法。

BP神經網絡具有很強的非線性映射能力，可以完成任意維到維的映射。一個3層（輸入層、隱含層和輸出層）的BP神經網絡能夠逼近任意非線性函數(shù)。BP神經網絡的傳遞分為2個過程：1）工作信號正向傳遞子過程；2）誤差信號反向傳遞子過程。

在排程算法中，輸入層的數(shù)據定義（圖5）如下：

m為待加工數(shù)量；Qij為第i件第j 道工序；Pij為Qij的開始時間；Vik為開工時間；Eik為末道工序開工時間；Tijk為Qij的持續(xù)時間；Bi為可能的最早開始時間；Ei為最遲交貨期。

圖5 排程算法

利用Tensorflow構建BP網絡，按照圖5中的公式一層一層地計算隱含層神經元和輸出層神經元的輸入和輸出。這里采用S 函數(shù)1/(1+Math.exp(?z))將每個節(jié)點的值統(tǒng)一到0 ～1之間，再逐層向前計算直到輸出層。

從輸入層開始，先正向逐層往前直到輸出層產生結果。如果結果值與目標值存在差距，再反向逐層向后計算每個節(jié)點的誤差，并且調整每個節(jié)點的所有權重，反向到達輸入層后，又重新向前計算。重復迭代以上步驟，直到所有權重參數(shù)收斂到一個合理值。

最終擬合生成K 個最優(yōu)解，在最優(yōu)解中可進行算法的推演和展現(xiàn)，如圖6所示。

圖6 算法推演展現(xiàn)

3.5 直觀的算法推演展現(xiàn)

利用前端技術，結合算法計算排程推演結果，通過時間線組合關系圖直觀地展現(xiàn)排程計劃的推演結果，輔助計劃調度員進行排產方案決策。如圖6所示，展現(xiàn)從3個維度進行推送：

1）時間序列塊。時間序列塊展現(xiàn)生產的準備時間和執(zhí)行時間，直觀地展現(xiàn)生產所需的時間之和。

2）各項負荷因子得分。通過后端算法模塊計算獲得每種排產方案的時間因子、負荷因子和成本因子的計算分值。

3）排產計劃總體分值。每種方案通過分項因子的加權計算實現(xiàn)分值的推送，通過分值展現(xiàn)排產計劃的得分。

4 結束語

在離散型小微制造企業(yè)中，生產排程的過程物料調度、生產人員的排班計劃及結果推演一直是管理的核心。通過離散型制造企業(yè)車間管理系統(tǒng)在離散制造行業(yè)中的預演試用，有效解決了企業(yè)生產訂單閉環(huán)管理問題和原先高度依賴人員經驗的問題。同時通過模塊化的系統(tǒng)設計，按需加載，滿足了不同企業(yè)在數(shù)據與管理上的個性化需求。

不過，在研究與試驗中，排程算法完全依賴于數(shù)據，不能向用戶提出必要的詢問，當數(shù)據不充分時，神經網絡無法進行工作，而且還需將一切問題的特征變?yōu)閿?shù)字，把一切推理變?yōu)閿?shù)值計算。因此，該排程算法還需要進一步的理論驗證和信息完善。

本文的研究貼近離散型小微制造企業(yè)已有的信息化系統(tǒng)與現(xiàn)狀，利用數(shù)據調度實現(xiàn)數(shù)據的貫穿，打通了各平臺之間的壁壘，在某種程度上構建了離散型小微制造企業(yè)的數(shù)據平臺。在排程的算法上進行了多樣選擇，同時也給出了多種排程方案，以解決原先高度依賴人員經驗的問題。本文雖與文獻[5]在研究對象與系統(tǒng)普適性方面有著異曲同工之處，但文中基于神經網絡的排程算法更貼近人工思維，更適應決策需要。

當前基于神經網絡的排程算法在數(shù)據完整性、信息交互性以及算法可回溯性上仍存在訓練模型不完備、計算因子與擬合函數(shù)過度依賴經驗的問題，下階段的研究重點將著眼于算法與理論驗證。