張愷琪，張淑麗

(哈爾濱理工大學(xué)　軟件學(xué)院，黑龍江 哈爾濱 150080)

?

智能作業(yè)車間動態(tài)調(diào)度系統(tǒng)研究與實現(xiàn)

張愷琪，張淑麗

(哈爾濱理工大學(xué)軟件學(xué)院，黑龍江 哈爾濱 150080)

為解決單件小批車間生產(chǎn)受到不確定性事件的影響，而使得實際生產(chǎn)過程偏離作業(yè)車間計劃，導(dǎo)致產(chǎn)品無法按期交付這一問題，研究并實現(xiàn)了智能作業(yè)車間動態(tài)調(diào)度系統(tǒng)。系統(tǒng)包含基于Zigbee與傳感器等物聯(lián)網(wǎng)技術(shù)實現(xiàn)的智能感知子系統(tǒng)、基于大數(shù)據(jù)分析技術(shù)實現(xiàn)的智能雙驅(qū)動機制子系統(tǒng)和基于云計算技術(shù)實現(xiàn)的調(diào)度算法云服務(wù)子平臺，保證了作業(yè)計劃動態(tài)調(diào)度的高質(zhì)量完成。最后，將哈爾濱電機廠歷史生產(chǎn)數(shù)據(jù)作為測試用例，驗證智能作業(yè)車間動態(tài)調(diào)度系統(tǒng)的有效性。

作業(yè)車間計劃；Zigbee；生產(chǎn)異常；大數(shù)據(jù)分析；算法云服務(wù)

在單件小批制造企業(yè)中，作業(yè)車間計劃的執(zhí)行總會受到內(nèi)部和外部、主觀和客觀、技術(shù)和管理等隨機事件的影響[1-2]。因此，單件小批型的制造企業(yè)車間生產(chǎn)過程存在許多的不確定性因素，例如：訂單隨機到達，客戶個性化需求增多，交貨期要求越來越短，訂單變更現(xiàn)象日益頻繁，生產(chǎn)過程中出現(xiàn)廢品和設(shè)備故障，以及產(chǎn)品制造進度拖期等。這些不確定性因素會導(dǎo)致實際的生產(chǎn)過程與預(yù)期計劃偏離，原有的作業(yè)車間計劃方案就不再可行，影響生產(chǎn)的有序性，降低生產(chǎn)效率，導(dǎo)致產(chǎn)品無法按期交付，給制造企業(yè)帶來不必要的經(jīng)濟損失[3]。本文針對這一問題，設(shè)計并實現(xiàn)了智能作業(yè)車間動態(tài)調(diào)度系統(tǒng)。作業(yè)車間動態(tài)調(diào)度作為制造企業(yè)生產(chǎn)管理的核心內(nèi)容和關(guān)鍵技術(shù)，其目標是在不過分影響車間有限生產(chǎn)資源的情況下，將生產(chǎn)過程中產(chǎn)生的復(fù)雜異常事件通過更改作業(yè)計劃的方式來解決，并保證車間生產(chǎn)目標的最優(yōu)化[4]。

在設(shè)計與實現(xiàn)該系統(tǒng)時，首先，采用基于Zigbee、傳感器等物聯(lián)網(wǎng)技術(shù)實現(xiàn)的智能感知子系統(tǒng)，使得車間管理人員能夠在最短的時間內(nèi)掌握訂單和生產(chǎn)現(xiàn)場的變化；然后，利用基于大數(shù)據(jù)分析技術(shù)實現(xiàn)的智能雙驅(qū)動機制子系統(tǒng)，保證了作業(yè)車間中生產(chǎn)異常的及時、準確發(fā)現(xiàn)。最后，采用基于云計算技術(shù)實現(xiàn)的調(diào)度算法云服務(wù)子平臺，高質(zhì)量地實現(xiàn)了作業(yè)車間動態(tài)調(diào)度，從而最終保證了生產(chǎn)過程中隨機出現(xiàn)的異常情況可以獲得及時、準確和高效的響應(yīng)與處理，最終實現(xiàn)了作業(yè)車間計劃與作業(yè)執(zhí)行的同步，達到車間穩(wěn)定生產(chǎn)、資源均衡利用、及時滿足客戶需求等多目標，降低了不確定性因素給企業(yè)帶來的損失，使企業(yè)提高其業(yè)務(wù)掌控能力和調(diào)控能力，適應(yīng)日益不確定的市場環(huán)境。

1　智能感知子系統(tǒng)

智能感知子系統(tǒng)是基于Zigbee與傳感器等物聯(lián)網(wǎng)技術(shù)實現(xiàn)車間智能數(shù)據(jù)采集，即對產(chǎn)品生產(chǎn)全生命周期的各類要素信息實現(xiàn)同步采集，建立盡可能全的多維數(shù)據(jù)環(huán)境，改善作業(yè)車間動態(tài)調(diào)度系統(tǒng)的數(shù)據(jù)分析能力和效率。

1.1 全生命周期多維數(shù)據(jù)模型

為建立互聯(lián)互通的數(shù)據(jù)環(huán)境，解決數(shù)據(jù)接口標準化問題，使得數(shù)據(jù)分析能夠在一個統(tǒng)一的平臺上進行，本文提出了產(chǎn)品生產(chǎn)全生命周期多維數(shù)據(jù)模型，該模型包括以下6個維度的數(shù)據(jù)：

1)設(shè)備運行狀態(tài)參數(shù)：用來反映生產(chǎn)設(shè)備運行的健康狀態(tài)，此類數(shù)據(jù)具有采樣頻率高、采樣變量(溫度、壓力、加速度等)繁雜的特點。

2)設(shè)備運行工況數(shù)據(jù)：主要指生產(chǎn)設(shè)備的負載、轉(zhuǎn)速、運行模式等工作條件的設(shè)定信息，此類數(shù)據(jù)是進行設(shè)備健康分析的參考。

3)作業(yè)車間的環(huán)境參數(shù)：主要指可能影響設(shè)備、生產(chǎn)人員健康和安全的環(huán)境信息，例如，溫度、噪音、粉塵濃度等。環(huán)境數(shù)據(jù)有助于更好地分析設(shè)備運行狀態(tài)受環(huán)境影響的規(guī)律。

4)設(shè)備的維護保養(yǎng)記錄：主要指全生命周期內(nèi)的點檢、維護、維修和保養(yǎng)更換記錄，此類數(shù)據(jù)有助于建立高質(zhì)量的設(shè)備健康預(yù)測模型。

5)績效類數(shù)據(jù)：主要指與設(shè)備運行狀態(tài)相關(guān)的績效類指標數(shù)據(jù)，例如，能耗、生產(chǎn)質(zhì)量、加工精度等。

6)生產(chǎn)過程類數(shù)據(jù)：主要指產(chǎn)品的工件工序在設(shè)備上的加工進度數(shù)據(jù)，例如，工件工序的實際開始加工時間和結(jié)束加工時間。

為了同步獲取多維數(shù)據(jù)，在作業(yè)車間進行數(shù)據(jù)采集時，采集手段是多元化的，一部分可以從PLC控制器、RFID讀寫器等提供的讀寫接口獲取，另一部分則需要通過與ERP、EAM、BOM等系統(tǒng)建立通訊接口獲取。此外，更為重要的是在作業(yè)車間部署傳感器以實現(xiàn)底層車間海量數(shù)據(jù)的實時獲取。

在部署傳感器時，針對數(shù)據(jù)傳輸效率以及信息共享要求的基礎(chǔ)上采用Zigbee技術(shù)作為采集關(guān)鍵技術(shù)，Zigbee技術(shù)作為促進物聯(lián)網(wǎng)發(fā)展的核心技術(shù)是一種近距離、低復(fù)雜度、低能耗、低速率以及低成本的無線通信技術(shù)，有著使用方便、應(yīng)用范圍廣、可嵌入性強等優(yōu)點[5]。

1.2Zigbee 網(wǎng)絡(luò)設(shè)計

在考慮數(shù)據(jù)可靠性、無線傳輸距離以及生產(chǎn)環(huán)境等關(guān)鍵指標的基礎(chǔ)上，Zigbee網(wǎng)絡(luò)采用簇狀網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)中包含簡單功能設(shè)備及全功能設(shè)備，其中全功能設(shè)備具有收發(fā)數(shù)據(jù)及數(shù)據(jù)處理等功能；而簡單設(shè)備具有數(shù)據(jù)采集及發(fā)送等功能。

根據(jù)簇狀網(wǎng)絡(luò)模型，該系統(tǒng)的工作流程為自底向上，其中由底層Zigbee節(jié)點通過傳感器獲取底層數(shù)據(jù)，進行初始處理后發(fā)送到上層匯聚節(jié)點，匯聚節(jié)點對數(shù)據(jù)進行再加工，并發(fā)送給頂層上位機，如圖1所示。

1.3智能感知子系統(tǒng)的實現(xiàn)

智能感知子系統(tǒng)以現(xiàn)有Zigbee產(chǎn)品為基礎(chǔ)，采用cc2530基礎(chǔ)主板，搭載最新Zigbee的模塊及傳感器，其中傳感器主要包含有DS18B20防水型溫度探測器、DHT11溫濕度傳感器、MQ-2氣體傳感器、HC-SR501人體紅外傳感器以及光敏傳感器等傳感器，具備了溫度、濕度、氣體、光亮等5項基本要素的采集功能。

實際工作中整個系統(tǒng)以神經(jīng)網(wǎng)絡(luò)的調(diào)控方式進行，即數(shù)據(jù)源向上層發(fā)送信息，控制端向下層發(fā)送指令的方式。

2　智能雙驅(qū)動機制子系統(tǒng)

作業(yè)車間動態(tài)調(diào)度是一種基于車間生產(chǎn)異常驅(qū)動的生產(chǎn)管理響應(yīng)行為，因此，作業(yè)車間動態(tài)調(diào)度驅(qū)動機制主要分為兩部分：①對車間異常事件進行定義并根據(jù)異常事件的來源進行大致分類。②對分類后的異常事件進行分類捕獲，通過相關(guān)決策分析后給出相應(yīng)的處理方案。

2.1異常事件的定義與分類

異常事件是指超出了正常計劃范圍的加工任務(wù)、工件加工狀態(tài)、設(shè)備運行狀態(tài)以及資源使用情況。按照異常事件的來源，可以將異常事件分為兩大類，如表1所示。

圖1　Zigbee數(shù)據(jù)傳輸模型

T1變更訂單例如,需要更改正在加工的訂單的交貨期加急訂單例如,新的更高優(yōu)先級的訂單到來,必須優(yōu)先保證其按需交付T2加工準備階段加工執(zhí)行階段工藝是否準備就緒人員是否準備就緒設(shè)備是否準備就緒設(shè)備故障工序偏離計劃工藝更新車間噪音

T1類型是指來自于ERP系統(tǒng)的異常加工任務(wù)，主要包括變更訂單和加急訂單；T2類型是指來自于SFC系統(tǒng)的異常事件。其中對于T2類的事件，又可以細分為兩類：加工準備階段的異常事件和加工執(zhí)行階段的異常事件。

2.2智能雙驅(qū)動機制子系統(tǒng)的設(shè)計

智能作業(yè)車間動態(tài)調(diào)度驅(qū)動機制基于大數(shù)據(jù)分析技術(shù)，需要具備感知異常事件的能力與對捕獲異常事件進行決策分析的能力，以衡量是否需要執(zhí)行動態(tài)調(diào)度。合理的智能驅(qū)動機制不但能夠快速有效地響應(yīng)異常事件，而且能夠減少因頻繁進行作業(yè)調(diào)度動態(tài)調(diào)節(jié)而導(dǎo)致的系統(tǒng)振蕩。

1)異常事件感知。針對車間智能數(shù)據(jù)采集模塊獲取到的大量異常信息，設(shè)計異常事件感知模塊，通過提取關(guān)鍵異常性能指標進行準確的異常事件捕獲。與此同時，結(jié)合車間異常事件的來源對當前異常信息進行關(guān)聯(lián)分析，有效提高異常捕獲的準確率。

2)決策分析。對于異常事件感知模塊中捕獲到的有效車間生產(chǎn)異常，決策分析采用雙引擎驅(qū)動機制來進行響應(yīng)。引擎1采用基于ECA規(guī)則[6]的建立“異常事件-條件-響應(yīng)動作”匹配規(guī)則庫，引擎2采用基于大數(shù)據(jù)分析技術(shù)將異常事件與處理動作進行關(guān)聯(lián)匹配，如圖2所示。

通過對異常事件進行影響程度、處理優(yōu)先級等各項指標的綜合分析來獲取最優(yōu)異常處理方案，有效降低因頻繁進行作業(yè)調(diào)度動態(tài)調(diào)節(jié)而導(dǎo)致的系統(tǒng)振蕩的可能性。

3　調(diào)度算法云服務(wù)子平臺

3.1功能需求與設(shè)計

調(diào)度算法云服務(wù)子平臺的目標是將作業(yè)車間動態(tài)調(diào)度算法從制造執(zhí)行系統(tǒng)中分離出來，對其進行服務(wù)化封裝，通過云平臺的虛擬資源池對其進行管理，使得調(diào)度算法這一關(guān)鍵的軟制造資源可以得到充分的利用，為此，調(diào)度算法云服務(wù)子平臺包括以下功能：

1)算法云服務(wù)化封裝。算法云服務(wù)化封裝的主要任務(wù)是定義統(tǒng)一的形式化描述規(guī)則，對即將接入算法云服務(wù)平臺的算法資源和算法云服務(wù)請求進行標準話的語義封裝。

圖2　雙引擎的智能驅(qū)動機制

2)智能匹配與推薦。算法云服務(wù)請求與算法云服務(wù)的智能匹配的主要任務(wù)是對算法云服務(wù)請求進行解析，然后通過語義推理和匹配度計算，從候選算法服務(wù)資源集合中發(fā)現(xiàn)可選服務(wù)集合，再利用推薦度計算公式對可選服務(wù)集合中的算法服務(wù)進行計算，按照推薦度大小向算法服務(wù)請求者進行推薦。

3)算法云服務(wù)的監(jiān)控與管理。算法云服務(wù)的監(jiān)控與管理的主要任務(wù)是對算法云服務(wù)的狀態(tài)進行監(jiān)控，并對正在處理的算法云服務(wù)的處理過程進行跟蹤，以及對算法云服務(wù)請求者的評價信息進行收集。

智能匹配與推薦是調(diào)度算法云服務(wù)子平臺的核心功能，在進行智能匹配時，首先進行功能方面的匹配，從候選服務(wù)集中選擇一組能夠在功能方面滿足算法調(diào)度請求的算法服務(wù)可選集合；接下來，綜合考慮算法性能、歷史信用評級、算法實際執(zhí)行情況等指標，對獲得的可選集合中的每個算法服務(wù)進行推薦度計算，根據(jù)推薦度對他們進行排序，然后推薦給調(diào)度請求者。

3.2關(guān)鍵技術(shù)

算法云服務(wù)平臺基于云計算技術(shù)，采用SOA架構(gòu)，應(yīng)用Struts、Spring和Hibernate框架進行搭建。算法云服務(wù)化封裝，采用虛擬化技術(shù)[7]，對算法云服務(wù)資源進行抽象描述，進而封裝成一個個Web Service，并用WSDL文檔保存其描述信息。算法云服務(wù)管理，參照Apache的JUDDI構(gòu)造私有的UDDI注冊中心，對算法云服務(wù)進行管理。

算法云服務(wù)檢匹配與推薦時，首先采用標準的服務(wù)解析器，對算法云服務(wù)請求進行解析，然后通過Jena推理機進行語義推理，得到可選算法云服務(wù)集，最后，利用Qos匹配算法，得到最合適的算法云服務(wù)進行調(diào)度處理。

在進行功能匹配時，主要是從算法服務(wù)的功能描述、算法服務(wù)的約束、算法服務(wù)的輸入?yún)?shù)和算法服務(wù)的輸出參數(shù)4個維度對算法服務(wù)資源和算法服務(wù)請求進行語義匹配，前者的語義必須包含后者，才將其加入可選服務(wù)集合。

在進行性能匹配度計算時，主要是從算法的求解能力、算法的收斂性以及算法的求解精度3個參數(shù)進行匹配度計算。對可選服務(wù)集合進行匹配度計算之后，可以按匹配度的大小進行排序，推薦給算法服務(wù)請求者。此外，在實際進行算法服務(wù)推薦時，還應(yīng)綜合考慮算法服務(wù)請求者的歷史評價以及云平臺對算法服務(wù)執(zhí)行過程狀態(tài)參數(shù)的監(jiān)控值。

4 　車間動態(tài)作業(yè)計劃與調(diào)度系統(tǒng)

哈爾濱電機廠是我國大型電站設(shè)備制造骨干企業(yè)，每年生產(chǎn)的產(chǎn)品中多數(shù)均是新產(chǎn)品，都需要重新進行工藝設(shè)計并組織生產(chǎn)，是典型的單件小批制造企業(yè)。為此，本文利用其歷史生產(chǎn)數(shù)據(jù)作為測試用例，來驗證智能的作業(yè)車間動態(tài)調(diào)度系統(tǒng)。

圖3給出了異常發(fā)現(xiàn)到異常處理的過程。圖4給出了算法請求者和算法服務(wù)提供者的操作界面。

圖3　異常發(fā)現(xiàn)與異常處理

圖4　調(diào)度算法云服務(wù)子平臺

5　結(jié)　論

本文在研究與實現(xiàn)智能作業(yè)車間動態(tài)調(diào)度系統(tǒng)時，綜合運用了物聯(lián)網(wǎng)、大數(shù)據(jù)、云計算等先進信息技術(shù)，設(shè)計并實現(xiàn)了智能感知子系統(tǒng)、智能的雙驅(qū)動機制子系統(tǒng)以及調(diào)度算法云服務(wù)子平臺，通過這些功能模塊保證了整個系統(tǒng)在處理單件小批型的制造企業(yè)作業(yè)車間中的各類不確定性事件時，可以實現(xiàn)異常信息的實時捕獲、智能化的響應(yīng)以及高質(zhì)量的處理，從而實現(xiàn)了車間作業(yè)計劃與作業(yè)執(zhí)行的同步，保證了敏捷化的車間生產(chǎn)與加工。最后，采用哈爾濱電機廠實際的歷史車間生產(chǎn)數(shù)據(jù)，對車間動態(tài)作業(yè)計劃與調(diào)度系統(tǒng)進行了測試與驗證。

[1]李伯虎,張霖,任磊,等.云制造典型特征、關(guān)鍵技術(shù)與應(yīng)用[J].計算機集成制造系統(tǒng),2012,18(7):1345-1356.

[2]何文廣,李偉,齊建家,等 .基于藍牙技術(shù)的車間設(shè)備監(jiān)測系統(tǒng)研究[J].黑龍江工程學(xué)院學(xué)報,2016,30(1):30-34.

[3]徐迭石,馬超,張淑麗,等.大數(shù)據(jù)環(huán)境下MES作業(yè)計劃與調(diào)度能力云服務(wù)化研究[J].計算機工程與科學(xué),2016,38(4):10-17.

[4]彭建剛,劉明周,張銘鑫，等.多目標柔性作業(yè)車間調(diào)度算法研究綜述[J] ,中國機械工程,2014,25(23):3244-3254.

[5]王權(quán)平,王莉.Zigbee技術(shù)及其應(yīng)用[J].現(xiàn)代電信科技,2014 (1):33-37.

[6]CHAO Ma,LIU Sheng-Hui,ZHANG Hong-Guo,et al.ECA-based drive mechanism for exception handling in single and small batch MES[C].International Conference on Frontiers of Internet of Things,Hsinchu,Taiwan,2014.12.4-12.6

[7]尹超,夏卿,黎振武.基于OWL-S的云制造服務(wù)語義匹配方法[J].計算機集成制造系統(tǒng),2012,18(7):1495-1501.

[責任編輯：劉文霞]

Research and implementation of intelligent job shopdynamic scheduling system

ZHANG Kaiqi,ZHANG Shuli

(School of Software, Harbin University of Science and Technology, Harbin 150080, China)

The single and small batch workshop production would be affected by uncertain events because of which will make the actual implementation deviate from the scheduling and lead to that the products can not be delivered on schedule. For solving this problem, this paper studies and implements an intelligent system of job shop dynamic scheduling. The intelligence of the system contains the intellisense subsystem based on Zigbee, sensors and other Internet of Thing technologies, intelligent dual drive mechanism subsystem and scheduling algorithm of cloud services sub-platform. This intelligent system of job shop dynamic scheduling will make job shop dynamic scheduling complete in high quality. Finally, this paper selects historical production data from Harbin Electrical Machinery Plant as test cases to verify the validity.

job shop scheduling; Zigbee; abnormal production; big data analysis; scheduling algorithm service

10.19352/j.cnki.issn1671-4679.2016.04.008

2016-05-03

國家自然科學(xué)基金資助面上項目(51375128)；黑龍江省教育廳科學(xué)技術(shù)研究項目(12541159)；國家級大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目(201510214002)

張愷琪(1995-)，女，本科生，研究方向：企業(yè)智能計算.

TP315

A

1671-4679(2016)04-0036-05