基于智能制造的混合流水車間插單動(dòng)態(tài)調(diào)度

程 勝 明， 王 雅 君， 張 昕 晨， 王 耐 東

(大連工業(yè)大學(xué) 機(jī)械工程與自動(dòng)化學(xué)院, 遼寧 大連 116034 )

0 引 言

在當(dāng)今互聯(lián)網(wǎng)、智能制造和人工智能迅速崛起的時(shí)代，信息技術(shù)在制造業(yè)中起到更加重要的作用。國內(nèi)外對智能制造技術(shù)的研究成果豐碩，其中Zhuang等[1]提出數(shù)字孿生在復(fù)雜產(chǎn)品裝配過程中質(zhì)量管理與控制的方法；Liu等[2]提出一種數(shù)字孿生驅(qū)動(dòng)的快速個(gè)性化設(shè)計(jì)的方法。但是，研究成果中關(guān)于智能制造具體應(yīng)用在混合流水車間的研究較少。

混合流水車間調(diào)度問題(hybrid flow-shop scheduling problem，HFSP)廣泛應(yīng)用于機(jī)械、化工、紡織等行業(yè)，這種車間具有很高的生產(chǎn)效率，能夠適應(yīng)多品種的工件生產(chǎn)。對于混合流水車間，Ruizr等[3]對k階段的混合流水車間調(diào)度問題做了研究，給出了求解算法的設(shè)計(jì)。帶有緩沖時(shí)間的和模糊加工時(shí)間的研究也有很多，Tarif等[4]研究了帶有準(zhǔn)備時(shí)間的多目標(biāo)混合流水車間調(diào)度問題；Shen等[5]對動(dòng)態(tài)因素，建立調(diào)度模型。在算法方面，比如Alaykyran等[6]提出蟻群算法來解決混合流水車間調(diào)度問題；王凌等[7]使用人工蜂群算法解決混合流水車間調(diào)度問題；張鳳超[8]研究了分布估計(jì)算法解決混合流水車間調(diào)度問題；蘇志雄等[9]采用算法的正逆序的方法求解混合流水車間調(diào)度問題；崔建雙等[10]使用混合算法求解混合流水車間調(diào)度問題；屈國強(qiáng)等[11]使用啟發(fā)式算法求解混合流水車間調(diào)度問題。

本研究將智能制造和混合流水車間動(dòng)態(tài)調(diào)度結(jié)合起來，建立動(dòng)態(tài)調(diào)度模型，針對現(xiàn)實(shí)生產(chǎn)中出現(xiàn)緊急訂單的問題，提出一種動(dòng)態(tài)調(diào)度的方法，再結(jié)合智能制造環(huán)境下，通過信息之間的融合交互，實(shí)現(xiàn)在智能制造環(huán)境下的調(diào)度過程，使用遺傳算法驗(yàn)證所提模型的有效性。

1 基于智能制造的車間動(dòng)態(tài)調(diào)度框架

智能制造車間動(dòng)態(tài)調(diào)度框架，如圖1所示。物理車間主要組成為工作人員、物料和設(shè)備，其主要任務(wù)是生產(chǎn)產(chǎn)品，并提供當(dāng)前的數(shù)據(jù)信息。孿生車間對物理車間進(jìn)行仿真建模，并把仿真的結(jié)果和真實(shí)情況進(jìn)行對比，進(jìn)一步對物理模型進(jìn)行優(yōu)化，各個(gè)模型之間具有協(xié)同交互作用。信息層主要對孿生車間傳遞的數(shù)據(jù)、知識和規(guī)則進(jìn)行分析并存儲(chǔ)在相應(yīng)的數(shù)據(jù)庫中，信息層把物理車間和孿生車間結(jié)合起來，上傳的信息會(huì)被處理，并作為上層系統(tǒng)決策的依據(jù)。系統(tǒng)層是核心，使每個(gè)模塊都互相聯(lián)系，通過信息層處理過的數(shù)據(jù)，系統(tǒng)層對車間進(jìn)行調(diào)度，達(dá)到智能制造需求的目標(biāo)。

圖1 基于智能制造的車間調(diào)度框架Fig.1 Scheduling framework of the workshop based on intelligent manufacturing

2 建立模型

在混合流水車間中有S個(gè)加工階段，每個(gè)階段最少有一臺(tái)可加工設(shè)備，有的加工階段存在兩個(gè)以上的加工設(shè)備。t=0時(shí)，訂單上有N個(gè)工件開始加工，在收到緊急訂單時(shí)，N1個(gè)緊急工件到來，安排所有未完成工件重調(diào)度生產(chǎn)。以最小完成時(shí)間為目標(biāo)建立模型，數(shù)學(xué)模型和其他相關(guān)約束如式(1)～(5)所示。

C=max(c1，c2，c3，…，cn)

(1)

ci=STij+PTij

(2)

FTij+PTij+1=FTij+1

(3)

STij+PTij=FTij

(4)

(5)

式中：C為所有工件的最大完成時(shí)間；ci為第i個(gè)工件的完成時(shí)間，i=1，2，3，…，n；FTij為第i個(gè)工件的第j道工序的完成時(shí)間，j=1，2，3，…，S；PTij為第i個(gè)工件的第j道工序的加工時(shí)間；STij為第i個(gè)工件的第j道工序的開始加工時(shí)間；Xijk為0-1決策變量，若為1，表明工件i的第j道工序在機(jī)器k上加工，否則為0；mj為某一階段設(shè)備總數(shù)，mj≥1。

3 算法模型求解

混合流水車間問題是復(fù)雜的非線性難題，元啟發(fā)式算法能夠很好地解決這種問題，如遺傳算法、蟻群算法和粒子群算法等。因?yàn)檫z傳算法的操作簡單，通用性強(qiáng)，魯棒性好[12]，因此，解混合流水車間的問題選擇遺傳算法。

3.1 編 碼

染色體使用工件工序編碼方法，一條染色體有兩個(gè)子串，分別代表機(jī)器的選擇和工件的加工工序，染色體編碼如圖2所示。

圖2 染色體編碼示意圖Fig.2 The schematic diagram of chromosome coding

3.2 交叉算子

選擇POX(precedence preserving order-based crossover)交叉算子，隨機(jī)選擇兩個(gè)機(jī)器選擇串染色體，并令A(yù)=(1，3)，B=(2)，并在兩個(gè)父代中間生成一條空白染色體，把父代1屬于A的基因復(fù)制到空白染色體中，同理把父代2屬于B的基因復(fù)制到對應(yīng)的空白處，如圖3所示。

圖3 機(jī)器串交叉示意圖Fig.3 The schematic diagram of the crossover of machine strings

同理工件加工串選擇也選擇POX交叉算子，結(jié)果如圖4所示。

3.3 變異算子

變異算子一般不用于工件選擇串，因?yàn)樽儺悤r(shí)可能產(chǎn)生某個(gè)工件多一道不存在的工序，產(chǎn)生不可行調(diào)度方案，所以變異操作針對機(jī)器選擇串進(jìn)行。變異算子選擇尋優(yōu)變異法：假設(shè)某階段有3臺(tái)加工機(jī)器，其加工效率機(jī)器1小于機(jī)器2，機(jī)器2等于機(jī)器3，則把1號機(jī)器往2號、3號機(jī)器變異。變異后，計(jì)算適應(yīng)度值(最小完成時(shí)間)和原來染色體的適應(yīng)度值進(jìn)行比較，適應(yīng)度值大就進(jìn)入下一代，否則原染色體不變。變異操作如圖5所示。

圖5 尋優(yōu)變異示意圖Fig.5 The schematic diagram of the optimization of mutation

4 插單動(dòng)態(tài)調(diào)度流程設(shè)計(jì)

當(dāng)有新的緊急訂單出現(xiàn)時(shí)，生成新的調(diào)度方案，具體流程如圖6所示。系統(tǒng)接收到訂單生成初始調(diào)度方案，在執(zhí)行當(dāng)前方案過程中，系統(tǒng)沒有接收到緊急訂單就執(zhí)行當(dāng)前方案；如果有緊急訂單，調(diào)用車間實(shí)時(shí)監(jiān)控查看哪一個(gè)車間的空閑設(shè)備多，在空閑多的設(shè)備車間，查看當(dāng)前未加工工件的序號，并把數(shù)據(jù)上傳到系統(tǒng)，系統(tǒng)根據(jù)未加工的工件和緊急訂單的工件數(shù)據(jù)重新安排生產(chǎn)，并生成新的調(diào)度方案，并把新生成的方案作為當(dāng)前方案，直到工件加工完成。

5 案例分析

以某企業(yè)實(shí)際生產(chǎn)為例，初始訂單為加工7種工件，每種工件的批量如表1所示。使用MATLAB R2019b在Windows10的64位操作系統(tǒng)上實(shí)現(xiàn)。

根據(jù)工件的加工信息，生成初始調(diào)度方案的甘特圖，如圖7所示。圖中的數(shù)字代表一定的含義，例如5-1表示第5個(gè)工件的第1道工序在1號機(jī)器上加工。

插單情況下，對加工零件進(jìn)行重調(diào)度。t=2 h 時(shí)接收到緊急訂單8，系統(tǒng)對工件需要重新調(diào)度，接收到緊急訂單每道工序的加工時(shí)間如表2所示，插單時(shí)正在加工的工件狀態(tài)如表3所示。

表1 工件加工信息表Tab.1 Processing information of work pieces

圖7 初始調(diào)度方案甘特圖Fig.7 Gantt chart of the initial scheduling scheme

正在加工的工件接著在當(dāng)前機(jī)器上加工，剩余待加工零件和緊急訂單的工件重新安排生產(chǎn)，并把加工時(shí)間輸入遺傳算法中，經(jīng)過種群的不斷迭代，變異和交叉，尋找最優(yōu)解，最后得到的結(jié)果如圖8所示，最大完成時(shí)間為22 h。

表2 J8緊急訂單信息表Tab.2 Emergency order information of J8

表3 初始訂單工件加工狀態(tài)Tab.3 Processing status of initial order of work pieces

圖8 緊急插單時(shí)重調(diào)度方案甘特圖Fig.8 Gantt chart of rescheduling scheme of emergent order inserting

在傳統(tǒng)的混合流水車間，如果工廠出現(xiàn)了緊急訂單的情況，基本上都是人工安排生產(chǎn)，而人工排產(chǎn)的結(jié)果也是因人而異，根據(jù)以往工人的排產(chǎn)結(jié)果，取加工時(shí)間最短的一次，結(jié)果如圖9所示，最大完成時(shí)間為35 h。前后對比得出完成時(shí)間提前13 h，在小批量的生產(chǎn)中，使用遺傳算法進(jìn)行排產(chǎn)，效率提高約35%。

圖9 人工排產(chǎn)方案Fig.9 Scheme of manual scheduling

6 結(jié) 論

把智能制造理念和混合流水車間相結(jié)合起來，充分利用車間信息和數(shù)據(jù)，使上層系統(tǒng)能夠及時(shí)調(diào)用車間資源，提高機(jī)器的使用率，保證車間高效運(yùn)行。通過遺傳算法得出插單動(dòng)態(tài)調(diào)度甘特圖，通過和人工排產(chǎn)方案完成時(shí)間對比，在小批量生產(chǎn)的情況下，生產(chǎn)效率提高約35%，混合流水車間和智能制造相結(jié)合在插單調(diào)度方面發(fā)揮了一定的優(yōu)勢。