面向C2M模式的智能制造生產(chǎn)調(diào)度研究

蔡躍坤，朱智鵬，譚 沖

（廣東科技學(xué)院 機(jī)電工程學(xué)院，廣東 東莞 523083）

0 引言

隨著時(shí)代的發(fā)展，人們對(duì)個(gè)性化產(chǎn)品的需求日益增長(zhǎng)，一種新型的制造服務(wù)模式C2M（Customerto-Manufacturer）應(yīng)運(yùn)而生。C2M通過(guò)互聯(lián)網(wǎng)使消費(fèi)者和生產(chǎn)線得以連結(jié)在一起，從而可以取消掉中間周轉(zhuǎn)環(huán)節(jié)，用戶直接參與產(chǎn)品的設(shè)計(jì)與制造過(guò)程，以生產(chǎn)符合用戶需求的定制化產(chǎn)品[1-2]。C2M以開(kāi)放式結(jié)構(gòu)產(chǎn)品（Open Architecture Product，OAP）為實(shí)現(xiàn)形式，將產(chǎn)品分為可大批量生產(chǎn)的通用模塊、用戶適應(yīng)的大批量定制模塊和完全由用戶設(shè)計(jì)的個(gè)性化定制模塊[3-4]。一方面，OAP為客戶端提供了個(gè)性化定制的服務(wù)，滿足了客戶的消費(fèi)需求。另一方面，OAP通過(guò)制造模塊的劃分，為企業(yè)制造端降低了制造成本。制造能力強(qiáng)的企業(yè)或車間生產(chǎn)大規(guī)模通用或定制模塊零部件，而柔性能力強(qiáng)的企業(yè)或車間則生產(chǎn)客戶個(gè)性化模塊產(chǎn)品零部件，最終通過(guò)企業(yè)或車間的協(xié)作，為客戶提供個(gè)性化產(chǎn)品定制服務(wù)。

在智能制造生產(chǎn)調(diào)度方面，國(guó)內(nèi)外學(xué)者做了許多研究，主要集中在以下幾個(gè)方面：基于數(shù)據(jù)挖掘的動(dòng)態(tài)生產(chǎn)調(diào)度[6-8]，主要是利用制造車間的加工數(shù)據(jù)進(jìn)行訓(xùn)練，挖掘其與生產(chǎn)系統(tǒng)相映射的調(diào)度規(guī)則；在制造物聯(lián)的環(huán)境下利用分布式協(xié)同控制的多智能體技術(shù)來(lái)實(shí)現(xiàn)實(shí)時(shí)生產(chǎn)調(diào)度[9-12]，一般有兩種解決方案。第一種是借用CPS（Cyber-Physical Systems，CPS）理念，在虛擬空間中建立與制造實(shí)體以及工件、AGV（Automatic Guided Vehicle）相對(duì)應(yīng)的智能體，通過(guò)智能體的交互得出實(shí)時(shí)調(diào)度策略再反饋控制到制造實(shí)體上。另一種方案是使用嵌入式多智能體技術(shù)，直接嵌入到制造實(shí)體中，最終也同樣通過(guò)智能體交互作出實(shí)時(shí)調(diào)度策略。在智能制造的研究對(duì)象方面來(lái)說(shuō)，目前大多數(shù)研究都僅針對(duì)傳統(tǒng)的生產(chǎn)制造模式，在考慮多種不同的約束條件下進(jìn)行研究[13-14]。

總的來(lái)說(shuō)，要實(shí)現(xiàn)智能制造生產(chǎn)調(diào)度，就必須要利用好實(shí)時(shí)制造數(shù)據(jù)來(lái)作出相應(yīng)的實(shí)時(shí)調(diào)度策略。而C2M制造服務(wù)模式對(duì)制造車間的柔性化、數(shù)字化和智能化能力提出了更高的要求。因此，在智能制造的背景下，研究C2M制造服務(wù)模式的生產(chǎn)調(diào)度模塊具有重要意義。

1 問(wèn)題描述與調(diào)度模型

1.1 問(wèn)題描述與條件假設(shè)

以柔性作業(yè)車間（Flexible Job Shop）作為C2M制造服務(wù)模式的最小量化單位展開(kāi)研究。在智能柔性作業(yè)車間中，依托制造物聯(lián)網(wǎng)，訂單任務(wù)數(shù)據(jù)以及制造數(shù)據(jù)可以被實(shí)時(shí)采集與傳輸?shù)紺PS（Cyber Physical Production）。如圖1所示，智能工廠柔性作業(yè)車間生產(chǎn)調(diào)度模塊基本架構(gòu)如下：

圖1 智能制造生產(chǎn)調(diào)度模塊示意圖Figure 1 Schematic diagram of intelligent manufacturing production scheduling module

（1）ERP（Enterprise Resource Planning）層：收集來(lái)自客戶的訂單數(shù)據(jù)，并將訂單進(jìn)行分解得到通用模塊子任務(wù)、定制模塊子任務(wù)和個(gè)性化模塊子任務(wù)，子任務(wù)進(jìn)一步工序分解得到產(chǎn)品各階段加工工序。

（2）MES（Manufacturing Execution System）層：收集來(lái)自于ERP層的訂單數(shù)據(jù)和來(lái)自于制造層的實(shí)時(shí)制造數(shù)據(jù)，根據(jù)兩類數(shù)據(jù)作出實(shí)時(shí)調(diào)度決策，并反饋到制造層各制造實(shí)體。

（3）制造層：實(shí)體制造設(shè)備如機(jī)床、AGV等實(shí)現(xiàn)人-設(shè)備、設(shè)備-設(shè)備互聯(lián)，并通過(guò)無(wú)線射頻RFID（Radio Frequency Identification）等技術(shù)實(shí)現(xiàn)數(shù)據(jù)的實(shí)時(shí)采集，將實(shí)時(shí)數(shù)據(jù)傳輸?shù)組ES層。

整個(gè)生產(chǎn)調(diào)度過(guò)程是由自感知-自決策-自執(zhí)行-自適應(yīng)的閉環(huán)結(jié)構(gòu)組成：

自感知：訂單到達(dá)與任務(wù)工序分解、實(shí)時(shí)制造數(shù)據(jù)；

自決策：MES中調(diào)度模塊作出實(shí)時(shí)調(diào)度決策；

自執(zhí)行：調(diào)度決策通過(guò)網(wǎng)絡(luò)傳輸、PLC控制等傳達(dá)到調(diào)度參與設(shè)備；

自適應(yīng)：識(shí)別緊急插單和設(shè)備故障等擾動(dòng)事件，作出重調(diào)度決策，修正調(diào)度方案。

針對(duì)上述C2M制造服務(wù)模式的智能工廠柔性作業(yè)車間生產(chǎn)調(diào)度問(wèn)題，作出如下假設(shè)：

（1）在C2M制造服務(wù)模式中，客戶訂單隨機(jī)出現(xiàn)，無(wú)法預(yù)測(cè)。針對(duì)該情況，本文采用先到先服務(wù)與周期性調(diào)度結(jié)合的方式進(jìn)行，并假設(shè)訂單的交貨期遠(yuǎn)大于等待加工及加工時(shí)間之和。

（2）在先到先服務(wù)與周期性調(diào)度的情況下，仍有特別緊急的訂單存在。

（3）加工時(shí)間、等待時(shí)間等數(shù)據(jù)可以被實(shí)時(shí)記錄與傳輸。

（4）每道工序可以在至少一臺(tái)機(jī)床上加工，且工序在不同機(jī)床上的加工時(shí)間已知。

1.2 調(diào)度模型

在C2M制造服務(wù)模式智能工廠中，先將一段周期內(nèi)的訂單全部進(jìn)行任務(wù)分解得到N個(gè)子任務(wù)，用Fi來(lái)表示，其中，i={1，2，…，N}。每個(gè)子任務(wù)都可以在M個(gè)制造資源上加工。其中，任意的加工機(jī)床設(shè)備用k表示，k={1，2，…，M}。每個(gè)子任務(wù)都有L道加工工序，其中，j={1，2，…，L}，產(chǎn)品的任務(wù)i中的第j道工序用Fij來(lái)表示。選取最小化最大總加工時(shí)間為該調(diào)度問(wèn)題的優(yōu)化目標(biāo)，目標(biāo)函數(shù)如下：

式中：hijk表示工序是否在設(shè)備k上加工，具體由（4）式表示；si表示子任務(wù)Fi所對(duì)應(yīng)的工件數(shù)量；tijk表示任務(wù)i中的第j道工序在機(jī)床k上面的加工時(shí)間；式（2）表示任務(wù)的工序有一定的順序約束；式（3）表示同一機(jī)床上的待加工任務(wù)順序約束；式（5）表示加工總時(shí)間T必須小于交貨期約束Tmax。

2 算法設(shè)計(jì)

麻雀搜索算法（Sparrow Search Algorithm，SSA）是一種新的群智能搜索算法[5]。在實(shí)際的優(yōu)化過(guò)程中，該算法容易收斂于零點(diǎn)和當(dāng)前最優(yōu)解點(diǎn)，易陷入局部最優(yōu)?；诖?，本文設(shè)計(jì)一種基于遺傳算法（Genetic Algorithm，GA）與麻雀搜索算法融合的尋優(yōu)算法，相較于SSA，GA具有更強(qiáng)的全局搜索能力。因此，GA-SSA算法既保留了SSA的簡(jiǎn)單、靈活、參數(shù)少等優(yōu)點(diǎn)，同時(shí)也能兼顧全局尋優(yōu)能力。

2.1 SSA算法簡(jiǎn)介

SSA算法具有發(fā)現(xiàn)者、加入者和警戒者三種角色。發(fā)現(xiàn)者尋找食物，為種群其他個(gè)體提供覓食方向；加入者根據(jù)發(fā)現(xiàn)者提供的信息覓食；發(fā)現(xiàn)者和加入者都可以發(fā)現(xiàn)捕食者，都可以扮演警戒者角色。也就是每只麻雀有三種可能的行為：第一，作為發(fā)現(xiàn)者，繼續(xù)搜索食物；第二，作為跟隨者，跟隨一個(gè)發(fā)現(xiàn)者覓食；第三，警戒偵查，有危險(xiǎn)則放棄食物。每經(jīng)過(guò)一次迭代都要對(duì)位置進(jìn)行一次變更，其位置變更精確表達(dá)式如下：

其中，式（6）表示每一次迭代后的發(fā)現(xiàn)者位置更新策略；式（7）表示跟隨者經(jīng)過(guò)迭代后的位置更新策略；式（8）表示警戒者的位置更新策略。式（6）~式（8）字母具體釋義可參考文獻(xiàn)[5]，這里不再具體解釋。

2.2 編碼與交叉變異

C2M制造服務(wù)模式需要將訂單劃分為子任務(wù)和工序集，因此本文提出一種雙層編碼的方式對(duì)任務(wù)和工序進(jìn)行編碼，如圖2所示。染色體的第一層表示子任務(wù)編號(hào)以及所對(duì)應(yīng)的的工序，例如第一層出現(xiàn)的第一個(gè)3表示第3個(gè)任務(wù)的第一道工序。染色體第二層表示子任務(wù)所對(duì)應(yīng)的訂單產(chǎn)品，例如第二層出現(xiàn)的第一個(gè)1表示訂單產(chǎn)品1的第3個(gè)子任務(wù)的第3道工序。這里子任務(wù)編號(hào)1-3分別表示為通用模塊子任務(wù)、定制模塊子任務(wù)、個(gè)性化模塊子任務(wù)。

圖2 編碼方式Figure 2 Encoding method

由于SSA每個(gè)個(gè)體的位置是離散的，用D維位置空間向量X=（x1，x2，…，xd）表示，則本文編碼方式對(duì)應(yīng)的麻雀位置解讀為，麻雀x1標(biāo)記為個(gè)性化模塊的第3個(gè)任務(wù)的第1道工序，以此類推。

在編碼機(jī)制中，下層編碼會(huì)隨著上層編碼的變化而變化，因此在執(zhí)行交叉和變異操作時(shí)，只需要對(duì)上層編碼進(jìn)行交叉變異即可。通過(guò)提前設(shè)定合理的交叉變異概率，增強(qiáng)SSA全局搜索能力，同時(shí)也能最大程度上保留SSA簡(jiǎn)單、靈活和高效的算法特點(diǎn)。

2.3 適應(yīng)度函數(shù)

在GA-SSA算法里，適應(yīng)度值越高則表明被選擇保留的幾率越大。本文適應(yīng)度函數(shù)與目標(biāo)函數(shù)結(jié)合，由于目標(biāo)函數(shù)是最小化最大總加工時(shí)間，這里取目標(biāo)函數(shù)的倒數(shù)為適應(yīng)度函數(shù)，即f（x）為：

其中，minT表示本文求解的目標(biāo)函數(shù)值，即最小化總加工時(shí)間。

2.4 調(diào)度算法流程

結(jié)合GA和SSA，設(shè)計(jì)算法流程如圖3所示，具體步驟如下：

圖3 算法調(diào)度流程Figure 3 Algorithm scheduling process

Step1：設(shè)置算法相關(guān)參數(shù)，種群初始化，區(qū)分發(fā)現(xiàn)者與跟隨者；

Step2：進(jìn)行位置更新操作，計(jì)算并保留適應(yīng)度值；

Step3：個(gè)體與個(gè)體隨機(jī)交叉，計(jì)算適應(yīng)度值，比較保留較好適應(yīng)度值對(duì)應(yīng)位置；

Step4：判斷是否達(dá)到預(yù)設(shè)迭代次數(shù)，如未能達(dá)到則隨機(jī)變異后返回step2，如達(dá)到則繼續(xù)下一步驟；

Step5：算法結(jié)束，輸出結(jié)果。

3 基于效能偏差判別的重調(diào)度策略

3.1 效能偏差值

C2M智能工廠基于信息物聯(lián)系統(tǒng)作為其生產(chǎn)架構(gòu)，通過(guò)物聯(lián)系統(tǒng)采集和傳輸制造實(shí)時(shí)數(shù)據(jù)。在實(shí)時(shí)數(shù)據(jù)的支撐下，對(duì)制造車間或訂單產(chǎn)生的動(dòng)態(tài)擾動(dòng)作出實(shí)時(shí)重調(diào)度策略，最大程度上消除生產(chǎn)擾動(dòng)帶來(lái)的影響。

在生產(chǎn)制造中，會(huì)有緊急插單和設(shè)備故障等擾動(dòng)情況發(fā)生。但在實(shí)際生產(chǎn)調(diào)度中，并不是一有擾動(dòng)事件發(fā)生就開(kāi)始實(shí)行重調(diào)度，而是需要判別擾動(dòng)情況對(duì)生產(chǎn)系統(tǒng)產(chǎn)生的效能影響。頻繁的重調(diào)度策略會(huì)降低生產(chǎn)系統(tǒng)的穩(wěn)定性，從而增加不必要的制造成本。本文提出的效能影響判別機(jī)制具有制造延遲率和資源利用率兩個(gè)指標(biāo)，制造延遲率是越小越好，資源利用率越大越優(yōu)，因此其判別機(jī)制如下：

式中：γ為制造車間產(chǎn)生擾動(dòng)后，對(duì)工序加工產(chǎn)生的最大制造延遲率；β為資源利用率。式（12）中q為加工資源數(shù)；Toriginal為原始調(diào)度方案完工時(shí)間；TM表示制造資源的加工時(shí)間。γ與β的比值求得式（10）的效能偏差值δ。

3.2 重調(diào)度策略

根據(jù)實(shí)際加工情況可人為設(shè)置效能偏差閾值δ′。當(dāng)生產(chǎn)系統(tǒng)效能偏差值δ≤δ′時(shí)，則認(rèn)為此時(shí)不需要進(jìn)行重調(diào)度，具體可以解釋為此時(shí)生產(chǎn)系統(tǒng)產(chǎn)生的擾動(dòng)影響可以忽略不計(jì)，對(duì)制造結(jié)果改變不大；當(dāng)生產(chǎn)系統(tǒng)效能偏差值δ＞δ′時(shí)，則此時(shí)擾動(dòng)對(duì)生產(chǎn)系統(tǒng)影響較大，需要立即進(jìn)行重調(diào)度。重調(diào)度流程如圖4所示。

圖4 重調(diào)度流程Figure 4 Rescheduling process

4 仿真算例驗(yàn)證

為驗(yàn)證GA-SSA算法的有效性，設(shè)置6×6仿真算例如下：有6個(gè)待加工工件，其子任務(wù)的每一道工序都可以在6臺(tái)機(jī)床的至少一臺(tái)機(jī)床上加工，實(shí)驗(yàn)數(shù)據(jù)如表1所示。

表1 仿真數(shù)據(jù)集Table 1 Simulation dataset

首先進(jìn)行算法可行性驗(yàn)證，選取工件1~5作為算例，采用MATLAB對(duì)模型進(jìn)行求解，設(shè)置參數(shù)如表2所示。

表2 參數(shù)設(shè)置Table 2 Parameter settings

為了評(píng)估GA-SSA混合算法的性能，在相同實(shí)驗(yàn)條件下，分別與GA和SSA算法做對(duì)比實(shí)驗(yàn)。求解優(yōu)化變化曲線圖如圖5所示。算法運(yùn)行結(jié)果對(duì)比如表3所示，GA-SSA在迭代40多次時(shí)得到最優(yōu)解66，并且在收斂速度與最優(yōu)解質(zhì)量?jī)煞矫婢鶅?yōu)于GA和SSA。

圖5 算法求解最優(yōu)過(guò)程Figure 5 Algorithm to solve the optimal process

表3 算法運(yùn)行對(duì)比Table 3 Algorithm running comparison

為進(jìn)一步驗(yàn)證重調(diào)度方案的可行性，以工件6作為緊急插單工件，此時(shí)生產(chǎn)系統(tǒng)效能偏差大于設(shè)置的閾值，緊急插單帶來(lái)的生產(chǎn)擾動(dòng)影響比較大，系統(tǒng)開(kāi)始進(jìn)行重調(diào)度。原始調(diào)度方案甘特圖和重調(diào)度甘特圖分別如圖6和圖7所示。

圖6 靜態(tài)調(diào)度甘特圖Figure 6 Static Scheduling Gantt Chart

圖7 重調(diào)度甘特圖Figure 7 Rescheduling Gantt Chart

經(jīng)過(guò)靜態(tài)調(diào)度與動(dòng)態(tài)調(diào)度實(shí)驗(yàn)對(duì)比，驗(yàn)證了本文所提出GA-SSA混合算法的優(yōu)越性，以及本文提出的重調(diào)度策略的有效性。

5 結(jié)論

本文針對(duì)面向C2M的智能制造生產(chǎn)調(diào)度問(wèn)題，首先對(duì)C2M制造服務(wù)模式進(jìn)行了分析，進(jìn)一步提出將該生產(chǎn)調(diào)度任務(wù)分解為三個(gè)模塊子任務(wù)以及加工工序?；谥悄芄S的基本構(gòu)架，提出基于物聯(lián)網(wǎng)的ERP-MES-制造層聯(lián)動(dòng)的自感知、自決策、自執(zhí)行和自適應(yīng)調(diào)度方案。本文建立以最小化最大總加工時(shí)間為目標(biāo)函數(shù)的優(yōu)化模型，利用GA-SSA融合算法，不僅具有GA的良好全局搜索能力還具有SSA簡(jiǎn)單、靈活、收斂快速的算法特點(diǎn)，用以求解目標(biāo)函數(shù)。同時(shí)，在周期性靜態(tài)調(diào)度的基礎(chǔ)上，本文還提出一種基于效能偏差判別機(jī)制的重調(diào)度策略，以實(shí)時(shí)對(duì)生產(chǎn)系統(tǒng)擾動(dòng)事件作出響應(yīng)。最后以一個(gè)6×6的算例驗(yàn)證了本文所提出調(diào)度方案的可行性與優(yōu)越性。由于本文假設(shè)的條件相對(duì)比較多，未來(lái)的研究將會(huì)進(jìn)一步接近于現(xiàn)實(shí)問(wèn)題，以及研究C2M制造服務(wù)模式的物流規(guī)劃等問(wèn)題，希望對(duì)C2M模式以及智能制造的最終落地提供理論上的指導(dǎo)與借鑒。