基于數(shù)字孿生的車間調(diào)度擾動(dòng)事件預(yù)測(cè)

周爾民，程度鈞*，馬 暢，劉 寧

(1.華東交通大學(xué) 交通運(yùn)輸與物流學(xué)院，南昌 330013；2.華東交通大學(xué) 機(jī)電和車輛工程學(xué)院，南昌 330013)

0 引言

制造業(yè)是實(shí)體經(jīng)濟(jì)的主體，也是控制國(guó)民經(jīng)濟(jì)命脈的關(guān)鍵。新一代信息技術(shù)（大數(shù)據(jù)、5G、VR技術(shù)）的迅猛發(fā)展一方面加速了市場(chǎng)競(jìng)爭(zhēng)和產(chǎn)品更新?lián)Q代，另一方面促使信息技術(shù)和制造業(yè)的深度融合。在此基礎(chǔ)上，德國(guó)“工業(yè)4.0”[1]和美國(guó)的“工業(yè)互聯(lián)”[2]制造戰(zhàn)略相繼提出，我國(guó)也在2015年提出“中國(guó)制造2025”[3]制造強(qiáng)國(guó)的發(fā)展戰(zhàn)略，并將智能制造作為推動(dòng)信息化和工業(yè)化深度融合的主攻方向。車間作為制造企業(yè)生產(chǎn)的基礎(chǔ)和對(duì)象，車間調(diào)度的科學(xué)合理與否直接影響著產(chǎn)品的質(zhì)量、生產(chǎn)效率、能耗等。因此如何促進(jìn)車間調(diào)度朝著智能化、網(wǎng)絡(luò)化、準(zhǔn)時(shí)化成為眾多學(xué)者研究的熱點(diǎn)。

一方面，產(chǎn)品的復(fù)雜性（個(gè)性化、多品種，定制化）造成車間要素調(diào)度方案的差異性[4]；另一方面，在復(fù)雜、多變的車間生產(chǎn)過(guò)程中出現(xiàn)的多元?jiǎng)討B(tài)擾動(dòng)事件使得車間調(diào)度呈低魯棒性，導(dǎo)致產(chǎn)品生產(chǎn)的低效率、高成本、高能耗。為解決車間調(diào)度所存在的問(wèn)題，學(xué)術(shù)界結(jié)合各種智能優(yōu)化算法對(duì)車間調(diào)度問(wèn)題進(jìn)行優(yōu)化，從單目標(biāo)靜態(tài)車間調(diào)度問(wèn)題研究到多目標(biāo)的柔性車間調(diào)度研究，結(jié)合智能算法對(duì)車間調(diào)度問(wèn)題的研究成果已經(jīng)非常豐碩，但是智能算法在解決多目標(biāo)柔性車間調(diào)度的問(wèn)題上存在著缺陷，比如：靈活性不足、研究目標(biāo)數(shù)量限制、反應(yīng)遲緩等。隨著對(duì)數(shù)字孿生技術(shù)理論的研究越來(lái)越深入，數(shù)字孿生技術(shù)為車間調(diào)度優(yōu)化方案的優(yōu)化提供了支持[5]。針對(duì)車間調(diào)度中出現(xiàn)的多元?jiǎng)討B(tài)擾動(dòng)事件，在數(shù)據(jù)孿生驅(qū)動(dòng)下，構(gòu)建考慮擾動(dòng)事件下車間調(diào)度的調(diào)度模式。

1 數(shù)字孿生技術(shù)

數(shù)字孿生概念最早于2003年由美國(guó)密歇根大學(xué)的Grieves教授在產(chǎn)品全生命周期管理課程上提出[6]，最初的名稱為鏡像空間模型(Mirrored Space Model,MSM),但是物理對(duì)象的復(fù)雜性和技術(shù)不足的限制，數(shù)字孿生并沒(méi)有具體的定義。美國(guó)NASA和美國(guó)空軍研究實(shí)驗(yàn)室合作，在2012年提出在數(shù)字空間構(gòu)建未來(lái)飛行器的數(shù)字孿生體模型，并定義數(shù)字孿生為高度集成的多尺度、多物理場(chǎng)、多概率的仿真模型，充分利用傳感器、物理模型和歷史數(shù)據(jù)等實(shí)時(shí)反應(yīng)物理實(shí)體產(chǎn)品的全生命周期[7]?；贜ASA所給出數(shù)字孿生技術(shù)的概念，近年來(lái)眾多學(xué)者對(duì)數(shù)字孿生概念進(jìn)行不斷的補(bǔ)充和完善。陶飛[8]等提出數(shù)字孿生車間概念來(lái)實(shí)現(xiàn)制造世界和物理世界的交互融合。劉志峰[9]等基于數(shù)字孿生技術(shù)提出零件智能制造制造車間調(diào)度云平臺(tái)。向峰[10]等針對(duì)綠色制造問(wèn)題，提出數(shù)字孿生驅(qū)動(dòng)的綠色制造新模式。W[11]等構(gòu)建基于數(shù)字孿生的計(jì)劃和調(diào)度系統(tǒng)模型對(duì)車間調(diào)度的不確定定因素進(jìn)行管理和控制。

2 車間調(diào)度

車間調(diào)度問(wèn)題一向是制造業(yè)企業(yè)和學(xué)術(shù)界關(guān)注的熱點(diǎn)。從簡(jiǎn)單靜態(tài)車間調(diào)度到單目標(biāo)動(dòng)態(tài)調(diào)度，再到多目標(biāo)柔性車間調(diào)度，車間調(diào)度的研究成果非常豐碩。隨著研究的深入，理論越來(lái)越成熟，部分學(xué)者為了使研究更加貼近車間調(diào)度實(shí)際，所考慮的目標(biāo)也越來(lái)越多。黃海松[12]等綜合考慮完工時(shí)間、生產(chǎn)成本和能耗等多目標(biāo)；吳秀麗[13]等針對(duì)考慮裝卸的柔性車間調(diào)度問(wèn)題，以最小化完工時(shí)間和準(zhǔn)結(jié)時(shí)間為目標(biāo)建立優(yōu)化模型；林震[14]等以加工成本、瓶頸機(jī)器負(fù)荷、機(jī)器總負(fù)荷及制造工期為目標(biāo)，提出多交叉策略的元胞多目標(biāo)遺傳算法。這些研究成果很大程度上改善了車間調(diào)度優(yōu)化方案，但車間生產(chǎn)過(guò)程是復(fù)雜多變的，在實(shí)際生產(chǎn)過(guò)程中，車間生產(chǎn)經(jīng)常受到擾動(dòng)事件的干擾，造成生產(chǎn)的不確定性和不穩(wěn)定性。目前對(duì)于如何預(yù)測(cè)并降低車間生產(chǎn)過(guò)程中的擾動(dòng)性事件的發(fā)生概率成為車間調(diào)度的方向。隨著新一代信息技術(shù)的發(fā)展，數(shù)字孿生技術(shù)運(yùn)用車間調(diào)度過(guò)程中擾動(dòng)事件的預(yù)測(cè)已經(jīng)成為可能。在車間生產(chǎn)過(guò)程中，多元?jiǎng)討B(tài)擾動(dòng)事件具有不確定性的特點(diǎn)，包括機(jī)器加工不確定和訂單不確定性[15]。機(jī)器加工不確定性由設(shè)備老化、機(jī)械故障、設(shè)備磨損等造成，這些原因造成機(jī)器設(shè)備生產(chǎn)過(guò)程中加工能力不確定性，對(duì)車間生產(chǎn)造成波動(dòng)，其典型表現(xiàn)為機(jī)器故障。訂單不確定性由急件插單、產(chǎn)品返工、市場(chǎng)需求等造成，這些原因造成生產(chǎn)工序流程的不確定性，其典型表現(xiàn)為緊急訂單。多元?jiǎng)討B(tài)擾動(dòng)事件信息如表1所示。

表1 多元?jiǎng)討B(tài)擾動(dòng)事件信息

3 數(shù)字孿生背景下車間調(diào)度新模式

數(shù)字孿生技術(shù)是物理實(shí)體和虛擬模型的實(shí)時(shí)映射和實(shí)時(shí)交互，其核心是數(shù)據(jù)和模型[16]。陶飛[17]等將提出了數(shù)字孿生車間（Digital twin shop-floor，DTS）的新模式，將數(shù)字孿生模型分為如圖1的結(jié)構(gòu)，其結(jié)構(gòu)包括物理車間、虛擬車間、車間數(shù)字孿生系統(tǒng)、車間調(diào)度孿生數(shù)據(jù)和實(shí)時(shí)交互與映射。

圖1 數(shù)字孿生車間結(jié)構(gòu)模型

數(shù)字孿生驅(qū)動(dòng)的車間調(diào)度模式中，車間數(shù)字孿生系統(tǒng)主要是為數(shù)字孿生驅(qū)動(dòng)的系統(tǒng)提供支持和服務(wù)，如生產(chǎn)計(jì)劃生產(chǎn)、工藝流程設(shè)計(jì)、生產(chǎn)調(diào)度。虛擬車間負(fù)責(zé)對(duì)訂單初始調(diào)度方案進(jìn)行仿真驗(yàn)證，運(yùn)用物聯(lián)網(wǎng)技術(shù)（無(wú)線傳感器、無(wú)線網(wǎng)狀網(wǎng)絡(luò)和無(wú)線局域網(wǎng)）對(duì)車間物理實(shí)體中調(diào)度方案進(jìn)行仿真評(píng)估優(yōu)化，將優(yōu)化的方案實(shí)時(shí)傳輸給物理車間實(shí)體，并安排物理車間進(jìn)行生產(chǎn)[18]。物理車間是對(duì)生產(chǎn)過(guò)程中對(duì)車間實(shí)體總稱，如設(shè)施設(shè)備、生產(chǎn)要素、生產(chǎn)人員等，物理車間負(fù)責(zé)接收虛擬車間優(yōu)化方案并進(jìn)行實(shí)時(shí)排產(chǎn)。車間調(diào)度孿生大數(shù)據(jù)負(fù)責(zé)管理和管理車間調(diào)度過(guò)程中的所產(chǎn)生的數(shù)據(jù)，為模型運(yùn)行提供數(shù)據(jù)驅(qū)動(dòng)。

4 數(shù)字孿生驅(qū)動(dòng)的多元?jiǎng)討B(tài)擾動(dòng)事件預(yù)測(cè)框架

4.1 擾動(dòng)事件數(shù)據(jù)采集框架

車間調(diào)度過(guò)程中，經(jīng)常受多元?jiǎng)討B(tài)擾動(dòng)事件的干擾，其中最常見(jiàn)的擾動(dòng)事件是機(jī)器故障和緊急訂單。構(gòu)建擾動(dòng)事件采集模型，在數(shù)字孿生驅(qū)動(dòng)下對(duì)多元?jiǎng)討B(tài)擾動(dòng)事件進(jìn)行預(yù)測(cè)，提前制定應(yīng)對(duì)策略，降低或消除擾動(dòng)事件對(duì)于生產(chǎn)的影響。在擾動(dòng)事件采集模型中，若機(jī)器設(shè)備處于健康狀態(tài)，則各傳感器所獲得的各項(xiàng)信號(hào)數(shù)據(jù)值處于正常范圍內(nèi)，則按照原調(diào)度方案執(zhí)行；若設(shè)備處于故障或亞健康狀態(tài)，各傳感器所獲取的信號(hào)數(shù)據(jù)值是超出正常的范圍，虛擬車間對(duì)收到超出正常范圍內(nèi)的信號(hào)數(shù)據(jù)值進(jìn)行分析，同時(shí)依據(jù)分析結(jié)果重新調(diào)度，形成新的調(diào)度方案。緊急訂單是由于需求變化在初始計(jì)劃方案中變更或插入訂單，虛擬車間基于初始方案中考慮插單的需求模擬優(yōu)化生產(chǎn)新的調(diào)度方案[19]。

圖2 數(shù)字孿生驅(qū)動(dòng)的擾動(dòng)事件數(shù)據(jù)采集框架

數(shù)字孿生驅(qū)動(dòng)的擾動(dòng)事件數(shù)據(jù)采集框架分為四個(gè)部分，分別是車間層、采集感知層、數(shù)據(jù)存儲(chǔ)分析層、服務(wù)可視化層。車間層是企業(yè)生產(chǎn)車間，內(nèi)容包括人員、要素、設(shè)備、環(huán)境等，是調(diào)度過(guò)程中擾動(dòng)事件預(yù)測(cè)的對(duì)象和基礎(chǔ)，為采集感知層提供車間生產(chǎn)過(guò)程中運(yùn)行人員、要素、設(shè)備等參數(shù)信息。采集感知層是實(shí)現(xiàn)擾動(dòng)事件數(shù)據(jù)采集和傳輸?shù)闹匾夹g(shù)，運(yùn)用各種傳感器（轉(zhuǎn)速、振幅、電流等）和RFID技術(shù)將采集到的多源異構(gòu)數(shù)據(jù)通過(guò)網(wǎng)絡(luò)（4G/5G/WiFi）實(shí)時(shí)傳輸?shù)綌?shù)據(jù)存儲(chǔ)分析層，采集感知層是連接信息世界和物理世界重要的紐帶[20]。數(shù)據(jù)存儲(chǔ)分析層是將采集到的數(shù)據(jù)進(jìn)行清洗、規(guī)約、融合等，利用數(shù)字孿生技術(shù)對(duì)數(shù)據(jù)進(jìn)行融合、深度學(xué)習(xí)與迭代優(yōu)化，為實(shí)現(xiàn)服務(wù)可視化層實(shí)時(shí)監(jiān)控提供支撐，同時(shí)利用神經(jīng)網(wǎng)絡(luò)（概率神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、門循環(huán)神經(jīng)網(wǎng)絡(luò)等）對(duì)所采集的數(shù)據(jù)進(jìn)行深度挖掘，對(duì)擾動(dòng)事件進(jìn)行診斷預(yù)測(cè)。服務(wù)可視化層依據(jù)數(shù)據(jù)存儲(chǔ)分析層提供的結(jié)果，實(shí)現(xiàn)物理車間實(shí)時(shí)狀態(tài)可視化，并根據(jù)狀態(tài)結(jié)果分析是否采取措施。

4.2 擾動(dòng)事件預(yù)測(cè)數(shù)字孿生體建立

擾動(dòng)事件預(yù)測(cè)的孿生體從車間調(diào)度過(guò)程中物理、環(huán)境、生產(chǎn)要素等各種參數(shù)來(lái)反應(yīng)物理車間調(diào)度的全過(guò)程，對(duì)于在生產(chǎn)中受到機(jī)器故障和緊急訂單兩種不同擾動(dòng)事件的干擾，數(shù)字孿生體需要分別建立。

機(jī)器故障數(shù)字孿生體應(yīng)該基于物理、環(huán)境、行為等各種物理參數(shù)方面。首先運(yùn)用UG（Unigraphics NX）參數(shù)技術(shù)構(gòu)建高保真模型來(lái)真實(shí)反映物理車間，高保真模型內(nèi)容中設(shè)施設(shè)備的各組成部分如圖3所示，包括電器設(shè)備、機(jī)械設(shè)備以及加工刀具等。其次融合高保真模型與各傳感器采集的多源異構(gòu)數(shù)據(jù)建立的數(shù)據(jù)模型，同時(shí)將融合的數(shù)據(jù)作為虛擬模型行為驅(qū)動(dòng)。最后由數(shù)據(jù)驅(qū)動(dòng)高保真模型與約束規(guī)則、預(yù)測(cè)規(guī)則、決策規(guī)則結(jié)合，構(gòu)建機(jī)器設(shè)備故障預(yù)測(cè)孿生體如圖4所示。

圖3 設(shè)施設(shè)備類各參數(shù)組成

圖4 機(jī)器設(shè)備數(shù)字孿生體

緊急訂單一般交貨期比較緊迫，生產(chǎn)企業(yè)需要更改現(xiàn)有初始調(diào)度方案，來(lái)滿足生產(chǎn)的需要，其特點(diǎn)是緊迫性和不確定性。緊急訂單常用的插單處理方式有四種：順延插單、退單插單、訂單拆解插單和重排訂單[21]。順延插單是以開(kāi)始時(shí)間晚于緊急訂單的訂單為插入點(diǎn)，在插入點(diǎn)后的訂單往后順延，在插入點(diǎn)插入緊急訂單。退單插單是將初始調(diào)度方案中部分非緊急訂單延遲生產(chǎn)，將空出的產(chǎn)能執(zhí)行緊急訂單的生產(chǎn)。訂單拆解插單是將初始調(diào)度方案中部分非緊急訂單部分拆解或?qū)⒕o急訂單拆解多個(gè)子緊急訂單，從而將空出來(lái)的產(chǎn)能進(jìn)行緊急訂單生產(chǎn)或?qū)⒍鄠€(gè)子緊急訂單分別插入調(diào)度方案中。重排訂單是對(duì)初始調(diào)度方案完全舍棄，將現(xiàn)在所有訂單混合重新生成新的調(diào)度方案。

緊急訂單數(shù)字孿生體基于訂單優(yōu)先級(jí)的基礎(chǔ)上，首先獲取訂單變化特征信息如圖5所示，其次建立訂單多指標(biāo)評(píng)價(jià)體系模型，訂單多指標(biāo)評(píng)價(jià)體系內(nèi)容包括：訂單交貨期、客戶重要度、訂單類型等。最后將確立的優(yōu)先級(jí)在虛擬車間中進(jìn)行實(shí)時(shí)交互排產(chǎn)，實(shí)時(shí)更新生產(chǎn)計(jì)劃。緊急訂單數(shù)字孿生體如圖6所示。

圖5 訂單特征信息獲取

圖6 緊急訂單數(shù)字孿生體

4.3 基于數(shù)字孿生的擾動(dòng)決策策略

在車間調(diào)度的過(guò)程中，利用大數(shù)據(jù)分析技術(shù)對(duì)車間各要素進(jìn)行分析，結(jié)合采集的數(shù)據(jù)分析預(yù)測(cè)將要發(fā)生的擾動(dòng)事件，從而根據(jù)預(yù)測(cè)結(jié)果制定新的調(diào)度優(yōu)化方案，以此降低擾動(dòng)事件對(duì)生產(chǎn)的影響。對(duì)于機(jī)器設(shè)備故障擾動(dòng)事件，采用概率神經(jīng)網(wǎng)絡(luò)對(duì)設(shè)備運(yùn)行過(guò)程中故障診斷、系統(tǒng)檢測(cè)、運(yùn)行狀態(tài)等進(jìn)行實(shí)時(shí)分析，實(shí)現(xiàn)機(jī)器設(shè)備故障發(fā)生被動(dòng)解決到故障預(yù)測(cè)主動(dòng)解決轉(zhuǎn)化。首先利用歷史特征狀態(tài)數(shù)據(jù)對(duì)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)得到其狀態(tài)識(shí)別模型，其次根據(jù)擾動(dòng)事件采集模型實(shí)時(shí)采集的特征數(shù)據(jù)作為識(shí)別模型的輸入進(jìn)行機(jī)器故障預(yù)測(cè)，最后運(yùn)用大數(shù)據(jù)分析技術(shù)分析預(yù)測(cè)的結(jié)果對(duì)初始優(yōu)化方案的影響度?，F(xiàn)以某機(jī)械設(shè)備為例，基于感知數(shù)據(jù)并采用概率神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)器故障進(jìn)行預(yù)測(cè)，具體如下：

1）概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)(Probablistic neural network,PNN)是一種基于Bayes分類規(guī)則的前饋型神經(jīng)網(wǎng)絡(luò)[22]。概率神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖7。輸入層主要接收來(lái)自訓(xùn)練樣本的數(shù)據(jù)，其輸入神經(jīng)元數(shù)目和樣本長(zhǎng)度一致。模式層神經(jīng)元個(gè)數(shù)是訓(xùn)練樣本數(shù)的總和。求和層連接到同類的模式層單元。輸出層是競(jìng)爭(zhēng)神經(jīng)元，每個(gè)神經(jīng)元依次對(duì)數(shù)據(jù)類型，在數(shù)據(jù)類型估計(jì)概率密度中選取最大后驗(yàn)概率密度的神經(jīng)元。其中模式層輸出為：

圖7 概率神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

上述公式中，Xij為故障模式Xi的i個(gè)訓(xùn)練樣本；M為訓(xùn)練樣本數(shù)；?為平滑參數(shù)。

2）機(jī)器故障預(yù)測(cè)

要使概率神經(jīng)網(wǎng)絡(luò)算法準(zhǔn)確診斷出擾動(dòng)事件，概率神經(jīng)網(wǎng)絡(luò)就要有一定的訓(xùn)練樣本進(jìn)行學(xué)習(xí)訓(xùn)練。擾動(dòng)事件預(yù)測(cè)一般分為三個(gè)步驟，首先提取擾動(dòng)事件的信息，然后對(duì)所提取的信息進(jìn)行預(yù)處理，最后通過(guò)預(yù)測(cè)模型進(jìn)行預(yù)測(cè)。假設(shè)對(duì)某機(jī)器設(shè)備系統(tǒng)進(jìn)行故障預(yù)測(cè)，數(shù)據(jù)采用文獻(xiàn)[23]，共32組樣本數(shù)據(jù)，把24組作為訓(xùn)練樣本，另外8組作為預(yù)測(cè)樣本，運(yùn)用軟件MATLAB2018進(jìn)行預(yù)測(cè)，其預(yù)測(cè)結(jié)果如圖8所示。

圖8 PNN網(wǎng)絡(luò)對(duì)機(jī)器故障的預(yù)測(cè)效果

根據(jù)以上的實(shí)驗(yàn)結(jié)果，該方法可以實(shí)現(xiàn)對(duì)機(jī)器故障擾動(dòng)事件的預(yù)測(cè)。一方面，在車間調(diào)度過(guò)程中，利用設(shè)備內(nèi)嵌的各傳感器，實(shí)時(shí)采集運(yùn)行中的各種特征數(shù)據(jù)，將這些實(shí)時(shí)采集的特征數(shù)據(jù)輸入歷史特征數(shù)據(jù)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)特征模型，實(shí)現(xiàn)對(duì)機(jī)器故障提前預(yù)測(cè)；另一方面，實(shí)時(shí)采集的數(shù)據(jù)不斷補(bǔ)充到歷史數(shù)據(jù)訓(xùn)練集中，隨著歷史數(shù)據(jù)集的不斷增多，神經(jīng)網(wǎng)絡(luò)對(duì)于機(jī)器故障預(yù)測(cè)結(jié)果會(huì)更加精確。

對(duì)于緊急訂單的擾動(dòng)事件，這種擾動(dòng)事件對(duì)于初始調(diào)度優(yōu)化方案影響較大，需要確定訂單優(yōu)先級(jí)和訂單多指標(biāo)評(píng)價(jià)體系，建立緊急訂單模型，將確定的緊急訂單方案在虛實(shí)空間中實(shí)時(shí)交互并實(shí)時(shí)更新生產(chǎn)計(jì)劃，需要進(jìn)行重新調(diào)度。

當(dāng)車間調(diào)度受到擾動(dòng)事件干擾，通過(guò)分析擾動(dòng)事件發(fā)生的原因，提取和識(shí)別具體擾動(dòng)事件，運(yùn)用云大數(shù)據(jù)分析技術(shù)，判斷擾動(dòng)事件是否對(duì)初始調(diào)度方案產(chǎn)生重大影響，如果擾動(dòng)事件不對(duì)初始調(diào)度方案產(chǎn)生影響或者影響程度小，則繼續(xù)執(zhí)行初始調(diào)度方案，反之對(duì)初始優(yōu)化方案進(jìn)行重調(diào)度優(yōu)化。重調(diào)度策略首先根據(jù)設(shè)定的檢索規(guī)則在擾動(dòng)事件案例庫(kù)中進(jìn)行重調(diào)度案例檢索，其次計(jì)算出擾動(dòng)事件和檢索到案例的最大相似度λ，再設(shè)置相似度的閾值(a,b)對(duì)結(jié)果進(jìn)行判斷，若λ＜α，則初始調(diào)度方案需完全重新調(diào)度；若a≤λ≤b，則初始調(diào)度方案只需部分重新調(diào)度；若λ＞b則表明可以直接重用檢索到的案例，最后對(duì)于更新后的調(diào)度方案，在執(zhí)行結(jié)束后根據(jù)擾動(dòng)事件產(chǎn)生類型存儲(chǔ)到相應(yīng)的擾動(dòng)事件案例庫(kù)中，不僅可以為下次重調(diào)度檢索提供更多范例，還可以為下次重調(diào)度節(jié)省時(shí)間[24]。車間調(diào)度擾動(dòng)事件重調(diào)度策略如圖9所示。

圖9 車間調(diào)度擾動(dòng)事件重調(diào)度決策策略

5 案例探究

以G公司DCT250型號(hào)變速箱裝配車間調(diào)度為例，建立基于數(shù)字孿生的變速箱裝配車間調(diào)度擾動(dòng)事件的預(yù)測(cè)模型，圖10變速器裝配線流程和裝配線設(shè)備，對(duì)車間調(diào)度中的擾動(dòng)事件進(jìn)行實(shí)例說(shuō)明。擾動(dòng)事件預(yù)測(cè)模型對(duì)車間生產(chǎn)過(guò)程進(jìn)行實(shí)時(shí)監(jiān)測(cè)和調(diào)度，及時(shí)預(yù)測(cè)機(jī)器故障和緊急訂單等擾動(dòng)事件，不斷優(yōu)化調(diào)度方案。

圖10 變速箱裝配流程和裝配生產(chǎn)線

為進(jìn)一步對(duì)擾動(dòng)事件的精準(zhǔn)預(yù)測(cè)，需構(gòu)建基于數(shù)字孿生的擾動(dòng)事件預(yù)測(cè)模型如圖12所示，下面從模型構(gòu)建和模型運(yùn)行來(lái)分別說(shuō)明基于數(shù)字孿生的擾動(dòng)事件預(yù)測(cè)模型。

1）模型建立

DCT250型號(hào)變速箱車間調(diào)度擾動(dòng)事件預(yù)測(cè)模型應(yīng)該由多個(gè)子模型共同組成，這些子模型應(yīng)該包括：物理車間要素模型、緊急訂單插單模型、交互模型以及作業(yè)規(guī)則模型等，物理車間要素模型包括機(jī)械設(shè)備模型、物料模型、環(huán)境模型，緊急訂單模型包括裝配工序模型、訂單優(yōu)先級(jí)模型、訂單多指標(biāo)評(píng)價(jià)模型；交互模型是連接各模型，實(shí)現(xiàn)虛擬/物理車間的實(shí)時(shí)交互，包括傳感器模型、數(shù)據(jù)采集和融合模型、裝配流程模型。作業(yè)規(guī)則模型是對(duì)模型運(yùn)行進(jìn)行規(guī)則約束，保證虛擬車間構(gòu)建出超寫實(shí)仿真環(huán)境，實(shí)現(xiàn)虛實(shí)環(huán)境的高度映射。變速箱數(shù)字孿生體模型的構(gòu)建還需借助UG參數(shù)化技術(shù)、Unity3D軟件以及各智能優(yōu)化算法等工具，從而實(shí)現(xiàn)高保真模型和超寫實(shí)仿真環(huán)境的融合。在實(shí)現(xiàn)虛實(shí)車間的實(shí)時(shí)狀態(tài)可視化方面，需要借助虛擬現(xiàn)實(shí)技術(shù)（VR），增強(qiáng)現(xiàn)實(shí)技術(shù)（AR）和混合現(xiàn)實(shí)技術(shù)（MR）為擾動(dòng)事件預(yù)測(cè)提供決策指導(dǎo)。

2）模型運(yùn)行

模型運(yùn)作的過(guò)程圖如圖11所示，模型的構(gòu)建主要實(shí)現(xiàn)的結(jié)果。

圖11 變速箱裝配車間數(shù)字孿生模型運(yùn)行效果

（1）變速箱裝配流程的實(shí)時(shí)可視化變速箱裝配流程從精車、滾齒、去毛刺、滾軋混鍵、鉆深孔、清洗、熱處理，裝配過(guò)程中所需的一系列裝配設(shè)備通過(guò)模型實(shí)時(shí)連接，各設(shè)備內(nèi)置的傳感器將采集的數(shù)據(jù)實(shí)時(shí)傳輸?shù)酱髷?shù)據(jù)中心，通過(guò)大數(shù)據(jù)技術(shù)對(duì)裝配流程進(jìn)行分析、優(yōu)化和儲(chǔ)存。

（2）擾動(dòng)事件預(yù)測(cè) 模型對(duì)整個(gè)生產(chǎn)過(guò)程中主要兩種擾動(dòng)事件進(jìn)行診斷預(yù)測(cè)，即機(jī)器故障和緊急訂單。機(jī)器故障通過(guò)裝配設(shè)備內(nèi)置的遙感器，感知機(jī)器運(yùn)行時(shí)各項(xiàng)數(shù)據(jù)參數(shù)，比如溫度、轉(zhuǎn)速、磨損度等，將數(shù)據(jù)及時(shí)傳輸?shù)酱髷?shù)據(jù)平臺(tái)，將采集的數(shù)據(jù)與數(shù)據(jù)庫(kù)中的歷史數(shù)據(jù)進(jìn)行對(duì)比分析，若采集的數(shù)據(jù)與穩(wěn)定的歷史數(shù)據(jù)高度吻合，則說(shuō)明機(jī)器無(wú)故障，可繼續(xù)執(zhí)行裝配任務(wù)；若偏離穩(wěn)定的歷史數(shù)據(jù)，則說(shuō)明機(jī)器存在故障，一方面需要停機(jī)進(jìn)行檢修，另一方面需要對(duì)當(dāng)前機(jī)器設(shè)備上的裝配任務(wù)進(jìn)行重調(diào)度，將形成的新優(yōu)化方案進(jìn)行虛擬車間模擬，最后將優(yōu)化方案進(jìn)行實(shí)時(shí)排產(chǎn)，實(shí)現(xiàn)虛實(shí)車間相互融合。緊急插訂單插單是在原有訂單上追加或者改變訂單，通過(guò)模型采取合適的插單方式，將確立的處理方案在虛擬車間進(jìn)行虛擬優(yōu)化仿真，并實(shí)時(shí)進(jìn)行排產(chǎn)計(jì)劃。

（3）實(shí)時(shí)調(diào)度的優(yōu)化儲(chǔ)存 在解決擾動(dòng)事件以后，將此次所形成的優(yōu)化方案儲(chǔ)存到案例數(shù)據(jù)庫(kù)中，為下次擾動(dòng)事件的發(fā)生提供更多參考案例對(duì)比，一方面可以提高預(yù)測(cè)的準(zhǔn)確度，另一方面可以縮短優(yōu)化的時(shí)間，提高優(yōu)化方案的效率。

6 結(jié)語(yǔ)

隨著5G技術(shù)和大數(shù)據(jù)技術(shù)的不斷發(fā)展，數(shù)字孿生技術(shù)的應(yīng)用于車間調(diào)度已逐漸成為可能，這加速傳統(tǒng)制造業(yè)向智能制造的轉(zhuǎn)型。本文結(jié)合數(shù)字孿生技術(shù)，針對(duì)車間調(diào)度過(guò)程中出現(xiàn)的機(jī)器故障和緊急訂單兩種擾動(dòng)事件，構(gòu)建擾動(dòng)事件數(shù)據(jù)實(shí)時(shí)采集模型和相應(yīng)的數(shù)字孿生體，基于所構(gòu)建的模型和數(shù)字孿體對(duì)擾動(dòng)事件的解決提出重調(diào)度策略。結(jié)合案例G公司DCT250型號(hào)變速箱裝配車間，詳細(xì)說(shuō)明模型如何構(gòu)建和應(yīng)用，為降低G公司車間調(diào)度過(guò)程中的擾動(dòng)事件干擾提供理論基礎(chǔ)。

目前的相關(guān)的研究還處于初級(jí)階段，未來(lái)的研究還有待深入，其主要的研究還包括物理車間和虛擬車間數(shù)據(jù)的實(shí)時(shí)交互、優(yōu)化方案的實(shí)時(shí)更新交互、多維模型的有效銜接、實(shí)際環(huán)境中擾動(dòng)事件的復(fù)雜性。