一种基于分布式智能制造单元的车间自适应生产调度装置的制作方法

本发明涉及一种车间工件生产实时控制技术，尤其是涉及一种基于分布式智能制造单元的车间自适应生产调度装置。

背景技术：

近年来，消费级和工业级产品均呈现出在类型以及制造工艺方面不断丰富和更新的趋势，这给制造企业带来更多业务空间和利益的同时也给其生产能力提出了巨大的挑战。定制化产品比非定制产品工艺流程复杂，且越来越多变，生产过程中的动态不确定因素较多、扰动较大，例如加工设备故障、紧急插单、物料供应短缺、工时压缩等。此外，定制化产品往往需要多个工厂协同生产，关键零件的部份工序或全部工序需要由特定的制造工厂完成，此类外协过程在时间和质量上具有非常强的不确定性。

然而在离散制造型车间的内部，现有生产调度方法或装置存在如下问题：1)信息传递与处理不及时，导致管理人员无法快速识别生产中的异常情况并调整生产调度方案；2)缺乏对动态事件有效分析和合理的优化方法来协助计划人员进行复杂工艺流程下的生产调度。

目前对生产过程的动态调度多数基于预先设定规则，自适应程度尚待提高，如：

专利cn201610145780.8(基于多智能体月台调度智能排序模型的构造)中公开了一种基于多智能体月台调度智能排序模型的构造，主要步骤如下：引入多智能体技术对实时车辆调度决策进行研究，构造基于月台的调度排序系统和多智能体算法设计作为多约束条件的组合优化复杂系统，提高了货运作业效率。但是，该专利的遗传算法采用的是并行遗传操作思想。而且该专利没有设置应对动态事件的重调度，不适用于复杂的定制化生产，对agent的定义精确度不够高，其中劳动力、路网和仓库等都不是独立的能够思想的实体。

专利cn201610570852.3(一种复杂生产环境下车间调度实时控制方法)中公开了一种复杂生产环境下车间调度实时控制方法，主要步骤如下：初始化车间生产环境多智能体模型，注册调度触发事件，再根据车间实时状态对若干个工件智能体进行依次调度。该专利定义的智能体只是用于记录信息，在满足产线级全局调度优化性能方面尚未有详细描述。而且，该专利是基于离散事件方法的，是某个工件某道工序的依次调度，虽然减少了无效调度计算，但是同样不能直接反映出订单的最大完工时间，便不能反映出交货周期，因而不适用于面向客户的定制化生产模式。

专利cn201510015487.5(基于多阶段智能优化算法的动态柔性作业车间调度控制方法)中公开了一种基于多阶段智能优化算法的动态柔性作业车间调度控制方法，主要步骤如下：通过自适应遗传算法生成初始调度方案，并且设置了对设备故障、重调度这些动态事件的处理。该专利通过预先设定响应规则，来对动态事件进行重调度处理，因此重调度的响应能力较弱。

技术实现要素：

本发明的目的在于克服上述现有技术存在的缺陷而提供一种能够快速提取车间动态事件数据、提升车间的定制化和协同化的生产能力的基于分布式智能制造单元的车间自适应生产调度装置。

本发明的目的可以通过以下技术方案来实现：

一种基于分布式智能制造单元的车间自适应生产调度装置，包括：

车间物流agent，用于获取零件订单信息和外协加工状态信息，基于所述零件订单信息生成零件工序信息和控制物流小车的物料运输信息；

调度优化agent，用于根据加工实时状态进行优化调度，生成最优订单加工序列；

设备管理agent，用于根据物料运输信息缓存到达各加工设备的待加工零件信息，根据所述最优订单加工序列控制加工设备执行加工过程，并实时检测加工设备的运行状态。

进一步地，所述车间物流agent包括第一处理器和存储有第一计算机程序的第一存储器，第一处理器调用所述第一计算机程序执行如下步骤：

接收零件订单信息，提取并记录零件参数，生成零件工序信息；

与设备管理agent进行信息交互，实时获取零件的当前加工工序信息；

依据零件参数和当前加工工序信息向匹配的物流小车发送配送信息，生成物料运输信息；

同步接收外协加工状态信息。

进一步地，所述调度优化agent包括第二处理器和存储有第二计算机程序的第二存储器，第二处理器调用所述第二计算机程序执行如下步骤：

接收车间物流agent的零件工序信息以及车间物流agent和设备管理agent发送的动态事件信息；

根据实际数据对动态事件进行分析与确定；

基于动态事件利用遗传算法进行最优调度，生成相应的最优订单加工序列。

进一步地，所述动态事件信息包括开始生产、设备故障发生、设备故障恢复、外协超时和外协提前。

进一步地，所述利用遗传算法进行最优调度具体为：

1)首先输入需要优化生产流程的零件工序信息，以及当前时刻已发生但未处理的动态事件信息，对待加工零件的各工序进行染色体编码，构造初始种群；

2)结合动态事件信息中的数据依次计算并修正每个染色体所具有的适应度值后按降序排列；

3)对当前种群进行遗传操作，重新组成种群并计算适应度以及降序排列，判断是否达到了种群进化的迭代次数，若否则继续进行遗传操作，若是则将种群中最优个体的染色体解码，形成相应的最优订单加工序列。

进一步地，所述适应度值同时考虑订单最大完工时间和设备利用率两个指标，计算公式如下：

其中，ti表示设备i的加工时间，t′i表示设备i的运行时间，n是总的设备数。

进一步地，所述遗传操作为三方式并行遗传操作，具体为：

群体中最优的三分之一被选择为精英个体并暂时保留，较优的三分之一群体被选择为实现染色体的基因突变，最差的三分之一个个体两两间进行基因片段的交叉。

进一步地，所述设备管理agent包括第大概处理器和存储有第三计算机程序的第三存储器，第三处理器调用所述第三计算机程序执行如下步骤：

与调度优化agent和车间物流agent进行信息交互；

缓存到达设备的待加工零件信息；

存储由调度优化agent生成的最优订单加工序列，基于所述最优订单加工序列读取下一待加工零件信息；

基于待加工零件的工艺参数向加工设备发送控制指令，完成实际加工过程；

检测加工设备的运行状态，在出现故障或故障恢复时触发产生重调度指令和设备修复提示信息。

与现有技术相比，本发明具有如下有益效果：

1)本发明能够快速提取车间动态事件数据、并以此为依据而自适应优化生产调度方案的装置，提高车间设备利用率，最终提升车间的定制化和协同化的生产能力，有效提高生产效率。

2)本发明设计车间内多类型的分布式智能制造单元分别负责对不同生产资源的数据管理和功能调用，实现对动态事件数据和信息的实时采集与交互，基于智能体的计算、通信和协作功能，可对实际生产过程中的不确定动态事件(设备故障，外协超时)快速捕捉并提取关键数据，为最优生产调度提供数据支持和精准执行，以更方便地对生产过程进行控制。

3)结合定制化和协同化生产模式的动态性强的特点，本发明将动态事件的关键数据引入原有改进遗传算法的优化计算过程中，再对进化步骤做出改进来提升优化速度，并与分布式智能制造单元共同构成生产调度优化装置，可以自适应地解决各类异常动态事件。

4)本发明适应于多种重调度，重调度响应能力强。

附图说明

图1为本发明装置的架构图；

图2为本发明装置的工作流程图；

图3为本发明自适应调度优化流程示意图；

图4为自适应调度优化过程中遗传染色体编码与进化示意图；

图5为初始调度中人工与本发明自适应生产调度装置的利用率对比图；

图6为本发明获得的自适应最优调度方案示意图；

图7为设备故障重调度中人工与本发明自适应生产调度装置的利用率对比图；

图8为外协延时重调度中人工与本发明自适应生产调度装置的利用率对比图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本发明提供一种基于分布式智能制造单元的车间自适应生产调度装置，包括车间物流agent、调度优化agent和设备管理agent，车间物流agent，用于获取零件订单信息和外协加工状态信息，基于所述零件订单信息生成零件工序信息和控制物流小车的物料运输信息，外协加工状态信息用于协助优化调度；调度优化agent，用于根据加工实时状态进行优化调度，生成最优订单加工序列；设备管理agent，用于根据物料运输信息缓存到达各加工设备的待加工零件信息，根据所述最优订单加工序列控制加工设备执行加工过程，并实时检测加工设备的运行状态，反馈给调度优化agent。车间物流agent和设备管理agent均可以设置多个。

车间物流agent包括第一处理器和存储有第一计算机程序的第一存储器，第一处理器调用所述第一计算机程序执行如下步骤：

接收由工艺规划部门针对各客户定制产品生成的零件加工信息，记录零件参数，生成零件工序信息(零件工序参数)；

与设备管理agent进行信息交互，实时获取零件的当前加工工序信息；

依据零件的类型和当前加工工序信息向匹配的物流小车发送配送信息，生成物料运输信息；

同步接收外协企业反馈的外协加工状态信息。

调度优化agent包括第二处理器和存储有第二计算机程序的第二存储器，第二处理器调用所述第二计算机程序执行如下步骤：

接收车间物流agent的零件工序信息以及车间物流agent和设备管理agent发送的多种动态事件的信息，包括开始生产、设备故障发生、设备故障恢复、外协超时和外协提前等；

根据实际数据对动态事件进行分析与确定；

基于动态事件利用遗传算法生成相应的最优调度方案，生成最优订单加工序列，指导设备管理agent进行物料加工。

设备管理agent包括第大概处理器和存储有第三计算机程序的第三存储器，第三处理器调用所述第三计算机程序执行如下步骤：

与调度优化agent和车间物流agent进行信息交互；

缓存到达设备的待加工零件信息/数据；

存储由调度优化agent生成的最优订单加工序列，基于所述最优订单加工序列读取下一待加工零件信息；

基于待加工零件的工艺参数向加工设备(如机床)发送控制指令，完成实际加工过程；

检测加工设备的运行状态，在出现故障或故障恢复时触发产生重调度指令和设备修复提示信息。

如图2所示，上述基于分布式智能制造单元的车间自适应生产调度装置的自适应调度过程包括以下步骤：

步骤s10：车间物流agent获取生产订单以及物流小车和加工设备信息，进行信息预处理工作，提取生产订单中的零件工艺数据，执行步骤s50的同时判断是否需要外协，若是，则执行步骤s40，若否，则执行步骤s20。

步骤s20：车间物流agent提取加工设备的位置、功能、缓存等信息，依据零件的类型向匹配的物流小车发送配送信息，物流小车将物料或在制品配送至加工设备的缓存区。

步骤s30：设备管理agent按照零件到达顺序缓存零件，并记录到达的物料数据以及零件的加工参数，在零件被提取后删除该零件的信息，执行步骤s80。

步骤s40：车间物流agent同步采集外协企业反馈的零件外协过程信息，跟踪外协零件加工状态以及信息变化，判断外协加工是否按时结束，若是，则执行步骤s100，若否，则发送外协延时信息及预估延时时间至调度优化agent并引起自适应重调度，执行步骤s50。其中没有按时结束包括因加工质量或生产调度问题导致的外协零件超时或是外协提前送回。

步骤s50：调度优化agent获取动态事件，包括“开始生产”、“设备故障”、“外协超时”等，整理需要优化的零件加工工序信息以及需要考虑的动态事件数据(如外协延时信息、预估延时时间等)作为调度方案优化算法的输入。

步骤s60：调度优化agent采用调度方案优化算法基于动态事件数据生成最优调度方案，生成最优订单加工序列。

步骤s70：设备管理agent接收到最优订单加工序列，读取下一待加工零件。

步骤s80：设备管理agent依次获得零件每一工序的目标设备及物料配送信息，向加工设备发送控制指令，进行零件加工。

步骤s90：监测加工设备的加工状况，判断加工设备是否发生故障，若是，则立即启动故障修复流程并发送故障信息及预估修复时间至调度优化agent，引起自适应的重调度，执行步骤s50，当加工设备被修复后，发送修复完成信息至调度优化agent，再次引起重调度，执行步骤s50，同时将加工设备切换为正常状态并继续加工此前滞留的零件，若否，则执行步骤s100。

步骤s100：判断零件所有工序是否加工完成，若是，则输出生产数据并结束，若否，则返回步骤s10。

结合定制化和协同化生产模式的动态性强的特点，步骤s60中的最优调度方案采用基于遗传进化思想的自适应调度优化算法获得，该算法将原本的串行遗传操作思想，改为按种群个体适应度值排序分成三部分的并行遗传操作，具体步骤如图3所示，包括：

s601：首先输入需要优化生产流程的零件工序信息，以及当前时刻已发生但未处理的动态事件信息。将多个待加工零件的各工序对应至编码染色体中的随机一个位置，并填入其零件编号，即采用基于零件号的自然数编码方式，如图4所示。

s602：按基于零件号的自然数编码方式，形成n个编码染色体，并按此顺序构造初始种群。

s603：结合动态事件中的数据依次计算并修正每个染色体所具有的适应度值后按降序排列，基于该调度方案的订单最大完工时间和设备利用率这两个指标计算出适应度值，计算公式如下：

其中，ti表示设备i的加工时间，t′i表示设备i的运行时间，n是总的设备数。

s604：群体中最优的三分之一被选择为精英个体并暂时保留。

s605：较优的三分之一群体被选择为实现染色体的基因突变，即通过调换调度方案中某几个工序的位置来微调该方案的适应度。

s606：而群体中最差的三分之一个个体两两间进行基因片段的交叉来大幅调整调度方案中的工序位置，以期深度地改善调度方案的性能。

s607：将经过三种并行遗传操作的个体重新组成种群并计算适应度以及降序排列，判断是否达到了种群进化的迭代次数，若否则继续进行遗传操作，若是则将种群中最优个体的染色体解码并给各设备管理agent发送相应的最优订单加工序列。

在另一实施例中，车间物流agent、调度优化agent和设备管理agent采用模块化设计，其中，车间物流agent包括外协过程同步模块、物流工具选择模块和工序切换与记录模块；调度优化agent包括动态事件分析模块和调度方案优化模块；设备管理agent包括零件缓存模块、故障处理模块、加工序列模块和零件加工模块。

车间物流agent中，工序切换与记录模块记录零件参数并通过与设备管理agent信息交互来实时跟踪加工过程，物流工具选择模块依据零件的类型选择匹配的物流小车来对零件进行配送，外协过程同步模块主要是反馈零件的外协加工过程并辅助调度优化。

调度优化agent中，动态事件分析模块主要是根据实际数据对动态事件进行分析和整理，调度方案优化模块主要是利用遗传算法生成相应的最优调度方案，指导设备管理agent进行物料加工。

设备管理agent中，零件缓存模块主要是缓存到达设备的待加工零件信息/数据，加工序列模块用于存储由调度优化agent生成的最优订单加工序列并为零件加工模块读取下一待加工零件，零件加工模块接收待加工零件的工艺参数后控制机床完成实际加工过程，故障处理模块用于检测设备的运行状态，一旦出现故障立即通知调度优化agent引起重调度并通知维修人员修复设备。

实施例

某油缸车间采用定制化产品订单驱动的生产模式，目前已掌握完善的油缸零件加工工艺和产品装配工艺。但是，车间仍然采取人工调度的方式来组织生产，因此面临设备利用率低、车间调度效果差和订单交货周期长等问题。将本发明设计的自适应生产调度装置用于该车间，并通过仿真方法进行理论研究。研究结果表明，该自适应生产调度装置有效改善了车间生产问题。

案例实施步骤如下：

该车间所生产的油缸根据应用场景的不同分为三大类a、b、c。每种油缸需要在该车间中分别加工活塞杆、缸头、缸筒以及缸底等零件，而不同类型产品的同类型零件具有不同的工艺流程(工艺模型)，不同客户定制的同类型油缸具有不同的产品规格，即零件参数不同。因此，车间的生产调度装置输入包含以上详细信息的生产订单数据(来源于该油缸车间2019-10-7至2019-10-13时段内的订单数据)，如表1所示。其中，产品规格包含活塞直径、活塞杆直径和行程长度。例：a-100/70/20表示a类产品的活塞直径为100mm、活塞杆直径为70mm和行程长度为20mm。

表1十月份第二周部分生产订单数据

除了产品，生产调度过程还涉及物流设备与加工设备。五种类型的零件在加工设备间流转时需要分别选择对应类型的物流小车来运输。此外，不同加工设备具有不同的制造能力且适用于不同类型的零件。因此，车间的生产调度设备需要实际的物流小车以及数控机床的详细信息，如表2所示。

表2物流小车和数控机床参数

将以上信息输入基于分布式智能制造单元的自适应生产调度装置后，得到如下结果：

1)初始调度

自适应调度性能的评价结果如图5所示，其中，人工重调度的最大完工时间和平均设备利用率分别为10546.93min和67.38％，自适应重调度的最大完工时间和平均设备利用率分别为9371.4min和73％。自适应最优初始调度方案如图6所示，其中,a-b表示第a个零件的第b道工序，例如1-2表示第1个零件的第2道工序。可知，在一般条件初始化调度模式下，本发明所提出的自适应调度装置在设备利用率方面，与传统人工方式相比，明显优于后者。

2)设备故障重调度

设备ws3分别在第1654min和第4246min出现两次可修复故障，此情况下的自适应重调度性能的评价结果如图7所示。其中，人工重调度的最大完工时间和平均设备利用率分别为10867.02min和66.93％，自适应重调度的最大完工时间和平均设备利用率分别为9566.72min和72.69％。可知，在设备故障重调度模式下，本发明所提出的自适应调度装置在设备利用率方面，与传统人工方式相比，明显优于后者。

3)外协延时重调度

产品c-250/160/1818的活塞杆在外协加工过程中出现了延期交付事件，延期时间为1.5天，此情况下的自适应重调度性能的评价结果如图8所示。其中，人工重调度的最大完工时间和平均设备利用率分别为11185.29min和66.77％，自适应重调度的最大完工时间和平均设备利用率分别为9766.72min和71.31％。可知，在设备故障重调度模式下，本发明所提出的自适应调度装置在设备利用率方面，与传统人工方式相比，明显优于后者。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由本发明所确定的保护范围内。