智能工廠生產(chǎn)調(diào)度問題研究現(xiàn)狀與趨勢

魏翠翠

摘 要：生產(chǎn)調(diào)度問題是智能工廠的核心問題，關(guān)系到智能工廠的順利運行與工作效率。隨著物聯(lián)網(wǎng)與大數(shù)據(jù)技術(shù)的發(fā)展，智能工廠的工作效率越來越多的依賴于調(diào)度控制的智能化程度。本文綜述了目前智能工廠生產(chǎn)調(diào)度問題的發(fā)展現(xiàn)狀，將目前的調(diào)度問題按其控制特征歸納為三類，即優(yōu)先調(diào)度規(guī)則、基于歷史數(shù)據(jù)的調(diào)度規(guī)則和基于實時數(shù)據(jù)的調(diào)度規(guī)則，并分別討論了三類生產(chǎn)調(diào)度控制的特征與優(yōu)劣，為后續(xù)生產(chǎn)調(diào)度問題乃至智能工廠的研究提供一些參考。

關(guān)鍵詞：智能工廠;調(diào)度;控制;數(shù)據(jù)

DOI：10.12249/j.issn.1005-4669.2020.25.323

1 引言

智能工廠就是通過構(gòu)建智能化生產(chǎn)系統(tǒng)和網(wǎng)絡化分布生產(chǎn)設施，實現(xiàn)生產(chǎn)過程的智能化。同傳統(tǒng)工廠相比，智能工廠最大的特征就是具備了自主收集、分析、判斷和計劃的能力。智能生產(chǎn)調(diào)度是實現(xiàn)智能工廠的必要環(huán)節(jié)，隨著物聯(lián)網(wǎng)與大數(shù)據(jù)技術(shù)的發(fā)展，大量學者對智能生產(chǎn)調(diào)度問題進行了研究與實際應用。目前，常用的生產(chǎn)調(diào)度規(guī)則可以大體分為3類：1）優(yōu)先調(diào)度規(guī)則;2）基于歷史數(shù)據(jù)的調(diào)度規(guī)則;3）基于實時數(shù)據(jù)的調(diào)度規(guī)則。

2 優(yōu)先調(diào)度規(guī)則

優(yōu)先調(diào)度規(guī)則是一種簡單的啟發(fā)式規(guī)則，它的計算效率高、實際可操作性強且可用于實時調(diào)度，適用于復雜動態(tài)的調(diào)度環(huán)境。湯健

超[1]提出了一種兼顧工序先后次序約束的Kacem分派準則，以遺傳算法為框架，在初始種群的階段采用改進的Kacem準則，同時利用混沌優(yōu)化系統(tǒng)提高算法對全局的遍歷性。張道廣等[2]以船舶制造領(lǐng)域為背景，提出一種基于優(yōu)先規(guī)則的啟發(fā)式算法，可在同時滿足多種資源約束的情況下形成較優(yōu)的調(diào)度方案。王東軍等[3]針對一種具有工件釋放時間、機器可用時間和機器適用限制等約束的并行同速機調(diào)度問題，提出基于優(yōu)先規(guī)則的調(diào)度算法框架以快速生成可行調(diào)度方案。

3 基于歷史數(shù)據(jù)的調(diào)度規(guī)則

基于歷史數(shù)據(jù)的調(diào)度規(guī)則就是從調(diào)度相關(guān)歷史數(shù)據(jù)中挖掘關(guān)于調(diào)度規(guī)則的調(diào)度知識來指導實際車間調(diào)度活動。湯洪濤等[4]提出了一種從具有工業(yè)大數(shù)據(jù)特點的調(diào)度相關(guān)歷史數(shù)據(jù)中挖掘調(diào)度規(guī)則的方法。在進行數(shù)據(jù)預處理時，結(jié)合開源大數(shù)據(jù)技術(shù)完成數(shù)據(jù)采集、清洗、整合與篩選。同時，對調(diào)度相關(guān)歷史數(shù)據(jù)集合進行基于擾動屬性的聚類，從而對不同擾動環(huán)境下做出的調(diào)度決策所產(chǎn)生的數(shù)據(jù)集合進行合理劃分。王成龍[5]等提出一種分支定界算法用于搜尋優(yōu)化調(diào)度方案，在此基礎上，提出一種基于決策樹分類技術(shù)的調(diào)度知識挖掘方法，用于挖掘隱藏在優(yōu)化調(diào)度方案中的調(diào)度知識，所提取的調(diào)度知識可以直接作為新的調(diào)度規(guī)則來指導作業(yè)車間的調(diào)度過程。Tarik等[6]針對單機總加權(quán)拖期最小化調(diào)度問題展開研究，提出了一種采用神經(jīng)網(wǎng)絡的調(diào)度規(guī)則挖掘方法。Ingimundardottir等[7]為了提高調(diào)度規(guī)則的挖掘效率與準確率，提出了一種訓練數(shù)據(jù)的構(gòu)造方法，并通過偏好學習的方法，從訓練數(shù)據(jù)中挖掘調(diào)度規(guī)則。

4 基于實時數(shù)據(jù)的調(diào)度規(guī)則

基于實時數(shù)據(jù)的調(diào)度規(guī)則以物聯(lián)網(wǎng)與數(shù)據(jù)通信技術(shù)為基礎，通過實時檢測的現(xiàn)場數(shù)據(jù)，能對任務的變化做出及時響應，更加適用于多品種、小批量生產(chǎn)模式下的柔性制造車間。蔡越坤等[8]提出一種基于隨機擾動蟻群算法的多Agent 協(xié)商策略，通過Agent對數(shù)據(jù)進行實時提取，產(chǎn)生實時動態(tài)的調(diào)度結(jié)果，使調(diào)度結(jié)果更加符合實際。梁文杰等[9]基于標準粒子群優(yōu)化算法，針對精沖汽車零件的智能制造車間模型，通過采用按工序編碼生成可行調(diào)度及按工件交叉更新粒子的方法，將改進后的混合粒子群優(yōu)化算法應用到其生產(chǎn)調(diào)度上。鄒攀等[10]根據(jù)車間實時信息，以最大完工時間、瓶頸機床負荷和機床總負荷為優(yōu)化目標，研究和實現(xiàn)了分層蟻群-遺傳混合算法的多目標智能尋優(yōu)方法，有效地解決了現(xiàn)代柔性作業(yè)車間的調(diào)度問題。

5 總結(jié)

1）優(yōu)先調(diào)度規(guī)則控制邏輯較簡單，計算效率高，具有很強的實際可操作性，可用于實時調(diào)度，適用于復雜動態(tài)的調(diào)度環(huán)境。但其調(diào)度規(guī)則較為單一，性能容易受到實際環(huán)境變化的影響，不能在所有的擾動環(huán)境中都有較好的調(diào)度性能。因此，優(yōu)先調(diào)度規(guī)則往往同其他調(diào)度規(guī)則結(jié)合使用，以具備更好的環(huán)境適應性。

2）基于歷史數(shù)據(jù)的調(diào)度規(guī)則是基于一定的算法，從歷史數(shù)據(jù)中挖掘調(diào)度規(guī)則，具有很高的智能性和適應性，適用于大批量生產(chǎn)的智能車間調(diào)度。但是，該規(guī)則需要大量歷史數(shù)據(jù)來進行訓練，以保證模型的準確性。

3）基于實時數(shù)據(jù)的調(diào)度規(guī)則是基于現(xiàn)場檢測的數(shù)據(jù)實時調(diào)度，保證生產(chǎn)目標實時最優(yōu)，該規(guī)則往往是多種智能算法的協(xié)同配合，能夠根據(jù)環(huán)境不同調(diào)用不同的算法，能夠適應不同的調(diào)度環(huán)境。相應的，其控制算法較為復雜，成本較高，適用于多品種，小批量的智能化柔性制造車間。

參考文獻

[1]湯健超.基于混合進化算法的若干調(diào)度問題研究[D].華南理工大學，2012.

[2]張道廣，聶蘭順，靳金濤，戰(zhàn)德臣.基于優(yōu)先規(guī)則的空間資源約束項目調(diào)度算法[J].計算機工程，2015，41（05）：62-69+76.

[3]王東軍，劉翱，劉克，劉波.基于優(yōu)先規(guī)則的復雜并行機調(diào)度問題研究[J].系統(tǒng)工程理論與實踐，2016，36（03）：779-786.

[4]湯洪濤，費永輝，陳青豐，詹燕，魯建廈，李晉青.基于工業(yè)大數(shù)據(jù)的柔性作業(yè)車間動態(tài)調(diào)度研究[J].計算機集成制造系統(tǒng)，1-22.

[5]王成龍，李誠，馮毅萍，榮岡.作業(yè)車間調(diào)度規(guī)則的挖掘方法研究[J].浙江大學學報（工學版），2015，49（03）：421-429+438.

[6]TARIK CAKAR， RASSIT， KOKER， OZKAN CANAY. A new neuro-dominance rule for single-machine tardiness problem with double due date[J].Neural Comput & Applications， 2015，26（6）：1439-1450.

[7]INGIMUNDARDOTTIR H， Runarsson， TP. Discovering dispatching rules from data using imitation learning： A case study for the job-shop problem[J].Journal of Scheduling，2018，21（4）：413-428.

[8]蔡躍坤，王俊佳，朱智鵬.基于多Agent的智能工廠生產(chǎn)調(diào)度優(yōu)化[J].西南科技大學學報，2020，35（01）：90-94.

[9]梁文杰，王桂棠，陳志盛，吳佳毅.基于混合粒子群算法的汽車零件精沖車間調(diào)度研究[J].機電工程技術(shù)，2017，46（09）：6-10.

[10]鄒攀，李蓓智，楊建國，施爍，梁越昇.基于分層蟻群遺傳算法的多目標柔性作業(yè)車間調(diào)度方法[J].中國機械工程，2015，26（21）：2873-2879+2884.