吳曉強，田松齡，鄭淑賢，項忠霞

(1.天津大學 機構(gòu)理論與裝備設計教育部重點實驗室，天津 300354；2.內(nèi)蒙古民族大學 機械工程學院，內(nèi)蒙古 通遼 028000；3.天津城建大學 控制與機械工程學院，天津 300384；4.天津市泰森數(shù)控科技有限公司，天津 300000)

0 引言

個性化、多功能是產(chǎn)品保持生命力的唯一途徑。隨著用戶在產(chǎn)品設計和制造過程中參與程度越來越高，開放式結(jié)構(gòu)產(chǎn)品(Open Architecture Product, OAP)既可以最大程度地滿足用戶對產(chǎn)品個性化和多功能需求，又可以滿足企業(yè)對低成本的追求[1]。OAP分為通用模塊、定制模塊和個性化模塊，這種劃分不僅有利于在設計環(huán)節(jié)縮短研發(fā)周期，還可以在制造環(huán)節(jié)提高生產(chǎn)效率并且降低制造成本。具體而言，通用模塊可以在企業(yè)現(xiàn)有制造能力下大規(guī)模實施生產(chǎn)，而企業(yè)只需對現(xiàn)有制造系統(tǒng)進行必要的重構(gòu)即可滿足定制模塊和個性化模塊的制造需求。這要求制造系統(tǒng)更加敏捷和靈活，也對生產(chǎn)調(diào)度系統(tǒng)提出了更高的要求。

車間作為相對獨立又完整的制造系統(tǒng)，一般可以涵蓋制造系統(tǒng)中各種復雜的物質(zhì)流、信息流和能量流的轉(zhuǎn)化，因此通常是研究制造資源配置、生產(chǎn)優(yōu)化調(diào)度和制造系統(tǒng)管控的最小物化單位。車間調(diào)度，即對車間生產(chǎn)過程進行作業(yè)計劃，并在執(zhí)行過程中合理配置制造資源。根據(jù)作業(yè)的加工特點，可將車間調(diào)度問題分為靜態(tài)調(diào)度和動態(tài)調(diào)度。隨著調(diào)度理論及應用研究的深入，研究者們開始逐漸關注生產(chǎn)活動中出現(xiàn)的各類不確定性異常因素，如作業(yè)的加工超時、機床故障等。本文針對以機床故障為代表的異常事件擾動問題，研究了動態(tài)重調(diào)度策略和算法，以保證車間系統(tǒng)運行的高可靠性。

1 研究現(xiàn)狀

目前國內(nèi)外對動態(tài)車間的研究主要集中在魯棒預調(diào)度、預—反應式調(diào)度和完全反應式調(diào)度3種類型調(diào)度策略。魯棒預調(diào)度是指在進行調(diào)度的時候充分考慮車間生產(chǎn)過程中可能發(fā)生的各種動態(tài)事件，根據(jù)現(xiàn)有信息預先生成一個調(diào)度方案，并保證該調(diào)度方案能在各種動態(tài)事件發(fā)生時不至于過分降低性能，但可能導致機床利用率較低，造成資源浪費等[2];預—反應式調(diào)度首先要在沒有考慮各種干擾的情況下制定一個預調(diào)度方案，在動態(tài)事件發(fā)生后對預調(diào)度方案進行修改得到新的調(diào)度方案，缺點是需要獲得干擾事件完備信息[3];完全反應式調(diào)度是在沒有預先設置調(diào)度方案情況下根據(jù)車間當前的實際情形做出實時調(diào)度或者在線調(diào)度，缺點是同樣是需要獲得干擾事件完備信息以及重調(diào)度成本較高[4]。

傳統(tǒng)的動態(tài)調(diào)度策略和方法在對待異常事件擾動時，一般假設擾動信息是完備的。以機床故障為例，在執(zhí)行重調(diào)度時假設故障修復時間已知或者服從指數(shù)分布。但這些信息在實際生產(chǎn)過程中往往是未知的，因此采用實時調(diào)度的方法更適合實際制造系統(tǒng)。實時調(diào)度是一種特殊的動態(tài)調(diào)度方法，由于異常事件信息不完備，只能在當前任務完成后，根據(jù)機床可用情況，在當前待完成任務集中實時地選擇下一任務。實時調(diào)度是具有自適應機制的調(diào)度方法，即當監(jiān)測到動態(tài)事件發(fā)生時，制造系統(tǒng)可以不借助任何外部控制實時地對自己的調(diào)度作出有效變化[5]。

目前，常用的實時調(diào)度方法主要有基于排序的方法和基于規(guī)則的方法[6]。基于排序的方法包括局部搜索法、模擬退火法、遺傳算法、蟻群算法、列表尋優(yōu)法等，這類方法先確定可行性加工順序，然后對加工順序進行優(yōu)化，最后確定每個操作的加工時間。雖然這些方法可以得到最優(yōu)的計劃方案，但共同的不足就是計算量大、收斂速度慢，從而使得解決問題的時間主要消耗在求解問題上?；谝?guī)則的方法是車間調(diào)度最傳統(tǒng)的方法，由于其調(diào)度規(guī)則計算復雜度低、易于實現(xiàn)，可以應用于動態(tài)生產(chǎn)作業(yè)計劃系統(tǒng)中，然而它不存在一個全局最優(yōu)的調(diào)度規(guī)則。

隨著感知技術(shù)、物聯(lián)網(wǎng)和服務等技術(shù)的進步，近年來出現(xiàn)了一些新的范式試圖描述下一代制造系統(tǒng)的需求和特征，如信息物理系統(tǒng)(Cyber-Physical-Systems, CPS)、云制造、智能制造(工業(yè)4.0)和社會制造等[7]。制造系統(tǒng)運行智能化是新興制造范式的核心目標之一，這要求下一代制造系統(tǒng)具備自感知、自決策、自執(zhí)行和快速重構(gòu)能力。計算機和通訊技術(shù)的融合為這種系統(tǒng)創(chuàng)造了新的可能。

制造物聯(lián)網(wǎng)(Internet of Medical Things, IoMT)可以成為制造系統(tǒng)中物理系統(tǒng)與信息系統(tǒng)之間的橋梁，通過感知技術(shù)、網(wǎng)絡技術(shù)、數(shù)字孿生技術(shù)、人工智能技術(shù)和嵌入式技術(shù)等實現(xiàn)面向制造的信息空間和物理空間的深度融合。IoMT可應用于制造車間或制造系統(tǒng)的設計和運行過程中的狀態(tài)監(jiān)測、生產(chǎn)要素配置、工藝優(yōu)化、過程控制、物流、制造服務和產(chǎn)品服務等多種場景，是一種新的智能制造使能技術(shù)[8]。制造系統(tǒng)的每個物理實體都能夠識別和通訊，能夠支持生產(chǎn)系統(tǒng)運行，從而使制造系統(tǒng)具備極大的靈活性[9]。

由于傳感器類型、傳感器數(shù)量和信息采集參數(shù)的不同，在事件監(jiān)測中存在冗余、無法有效感知等情況，單純依靠軟件驗證和邏輯全覆蓋的方法是很難奏效的。目前，已有越來越多的形式化驗證方法來輔助解決IoMT下狀態(tài)監(jiān)測和事件感知難題，包括時間自動機(Timed Automata, TA)[10]、Petri網(wǎng)[11]和圖論方法[12]等。這些方法可以在早期發(fā)現(xiàn)車間系統(tǒng)設計中的冗余、不完備和錯誤等問題，并可以在車間系統(tǒng)運行過程中實時監(jiān)測出各種擾動系統(tǒng)正常運行的異常事件，從而提高車間系統(tǒng)設計和狀態(tài)監(jiān)測的可靠性。

IoMT環(huán)境下，制造系統(tǒng)具備極大的靈活性。一般而言，制造系統(tǒng)中任何物理實體都可以連接到IoMT上，它們之間既可以獨立完成任務也可以協(xié)作完成更為復雜的任務[13]。為加強IoMT環(huán)境下制造車間中各組件之間的協(xié)作，一種比較可行的方法是將制造車間系統(tǒng)設想為基于代理(Agent)的分布式協(xié)作系統(tǒng)。這種情況下，每個參與生產(chǎn)的物理實體背后都有一個特定的Agent來管理自身與其他實體間的協(xié)作，可以實現(xiàn)主動收集數(shù)據(jù)并與其他Agent協(xié)作執(zhí)行任務，同時可以與其他實體共同協(xié)作完成制造車間狀態(tài)的實時更新和生產(chǎn)過程的管控[14]。

總之，目前復雜擾動環(huán)境下車間重調(diào)度研究都是假設擾動信息完備或者假設服從某種概率分布，從而實施重調(diào)度。很少有研究涉及不完備擾動信息下車間生產(chǎn)擾動恢復問題?；贗oMT的多Agent方法可以實現(xiàn)對車間調(diào)度方案執(zhí)行情況的動態(tài)跟蹤，即執(zhí)行車間實時狀態(tài)的監(jiān)測和動態(tài)調(diào)度。

在探究近期國內(nèi)外相關研究的基礎上，本文提出了自適應動態(tài)車間調(diào)度的基本框架、車間系統(tǒng)信息描述方法和自適應調(diào)度機理；設計了基于Petri網(wǎng)和蟻群算法的車間調(diào)度和重調(diào)度算法并運用到實際的車間實時調(diào)度中。

2 車間實時調(diào)度問題描述

2.1 問題描述

車間環(huán)境下生產(chǎn)系統(tǒng)由若干臺機床組成，可以同時加工多種工件。車間調(diào)度問題是根據(jù)加工資源分布和工藝約束確定工件的加工順序、加工機器，以獲得特定的性能指標最優(yōu)。最小化完工期Cmax是迄今研究最多最深入的指標形式之一。本文以最復雜的一類車間調(diào)度問題——柔性作業(yè)車間調(diào)度問題(Flexible Job-shop Scheduling Problem, FJSP)作為研究對象。

如表1所示為4×5車間調(diào)度實例，其中，“/”前的數(shù)據(jù)為可使用加工的機床編號，“/”后的數(shù)據(jù)為在選用機床上對應的處理時間。

表1 車間調(diào)度問題的加工工藝信息

續(xù)表1

2.2實時重調(diào)度問題描述

車間環(huán)境中異常事件的干擾是不可避免的。以機床故障為例，必須在一定時間實施重調(diào)度才能使生產(chǎn)系統(tǒng)運行平穩(wěn)。由于機床故障的維修結(jié)束時間不確定，重調(diào)度時必須強調(diào)3個方面：①對不同的維修結(jié)束時間都具有自適應能力；②重調(diào)度不能過于頻繁；③重調(diào)度后方案仍需滿足最小化完工期min(Cmax)。

以表1所示車間系統(tǒng)為例，在tb=14tick時機床Mb=M3發(fā)生故障，此時需要實時監(jiān)控故障機床的狀態(tài)stk。td時刻機床Mb有兩種狀態(tài)：故障和修復。機床故障狀態(tài)定義為(2,Δtb)，其中Δtb=td-tb；機床修復狀態(tài)定義為(1,tr)，其中tr=td-tb。因此，故障機床的實時狀態(tài)可以表示為：

(1)

如果在td時刻不發(fā)生重調(diào)度，調(diào)度結(jié)果如圖1a所示；如果發(fā)生重調(diào)度，調(diào)度結(jié)果如圖1b所示。顯然，重調(diào)度的結(jié)果一般會好于不發(fā)生重調(diào)度的結(jié)果，但是重調(diào)度后各工序相對于原始調(diào)度變化較大，調(diào)整成本較高。

3 車間環(huán)境生產(chǎn)系統(tǒng)實時調(diào)度模型

3.1 基于自動機的異常事件監(jiān)測模型

在車間生產(chǎn)過程中，存在大量的擾動因素，如機器設備故障、緊急訂單和訂單取消等。這些異常擾動事件的存在，使車間實際運行狀況同計劃之間發(fā)生偏差，表現(xiàn)為工序完成加工時間與初始調(diào)度工序預計完成時間不一致。即使一個工序的偏差，也會直接影響其相關聯(lián)工序的實際執(zhí)行，進而可能導致整個系統(tǒng)生產(chǎn)執(zhí)行情況急劇惡化。

異常擾動事件的分類方法有很多，一般分為資源相關擾動事件和任務相關擾動事件。

(1)資源相關擾動事件

資源相關擾動事件包括機器故障、機器維護、操作中斷、工具磨損、誤操作等。資源相關擾動事件造成的影響為機器突發(fā)性或預先性不可用，即在某段確定或者隨機的時間區(qū)間內(nèi)無法提供加工服務。

(2)任務相關擾動事件

任務相關擾動事件包括工件優(yōu)先級變化、計劃外新工件到達、工期變化、工件撤銷、工件返工等。任務相關擾動事件造成工件就緒時間延遲，工件優(yōu)先級提高從而需要緊急處理，新工件到達使得加工資源相對不足。

異常事件的擾動導致車間實際生產(chǎn)過程中存在很大的隨機性、時變性和不確定性。車間生產(chǎn)過程監(jiān)測的目標是跟蹤在制品的生產(chǎn)過程并及時發(fā)現(xiàn)、解析生產(chǎn)過程中的異常事件。RFID電子標簽提供了可以讀寫的數(shù)據(jù)載體的功能，它可以記錄在制品在生產(chǎn)過程中的身份(IDentification, ID)和當前狀態(tài)。一個完整的RFID系統(tǒng)通常包括讀寫器、標簽、中間件、傳輸網(wǎng)絡和上層應用等。RFID異常事件監(jiān)測中間件本質(zhì)上是將狀態(tài)模型和異常事件監(jiān)測模型引入到中間件中形成異常事件監(jiān)測中間件。

在狀態(tài)模型中，時間自動機模型用來建立監(jiān)測參數(shù)與復雜事件模式的連接，并提供更清晰便捷的形式化語言及相應編譯器。基于狀態(tài)模型的RFID異常事件監(jiān)測中間件處理事件的過程是根據(jù)標簽讀取事件,最終解析到異常事件。因此，根據(jù)本研究的需求也包含簡單事件處理模塊、復雜事件處理模塊和異常事件處理模塊3個模塊。RFID異常事件監(jiān)測中間件中狀態(tài)模型的執(zhí)行流程如圖2所示。

3.2 基于多代理系統(tǒng)的實時調(diào)度模型

多代理(Multi-Agent)方法提供了一種動態(tài)靈活、能快速響應車間運行環(huán)境變化的生產(chǎn)管控方法。利用Multi-Agent技術(shù)，可以提升制造信息感知過程中的物聯(lián)化、智能化處理程度。IoMT下多Agent系統(tǒng)運行模型如圖3所示，模型的數(shù)據(jù)結(jié)構(gòu)和接口之間的關系用有向線段表示。該模型由4種類型的Agent構(gòu)成：運輸Agent(Transport Entity Agent, TEA)、調(diào)度Agent(Scheduling Agent, SA)、設備Agent(Machine Entity Agents, MEA)和任務Agent(Task Agent, TA)。TEA表示車間內(nèi)工件的運輸，SA表示工序優(yōu)先級的計算，MEA表示車間中的機床、倉儲物流設備，TA表示車間中加工的工件。

如圖4所示為制造系統(tǒng)Agent之間主要的交互過程，以及當異常事件擾動發(fā)生時Agent系統(tǒng)的重調(diào)度機制。

4 車間環(huán)境生產(chǎn)系統(tǒng)實時調(diào)度方法

4.1 組合式調(diào)度規(guī)則表達

智能搜索算法在求解車間調(diào)度問題時，可以得到良好的最優(yōu)近似解，但是隨著問題規(guī)模的增大以及不確定因素的擾動，計算成本往往很高，很難滿足車間實時調(diào)度要求?；诜峙湟?guī)則調(diào)度方法的求解時間復雜度低，響應速度快，與智能搜索算法相比更適合應用在實時性要求較高的場景中。

分配規(guī)則又稱為啟發(fā)式調(diào)度規(guī)則，是制造系統(tǒng)車間調(diào)度的一種傳統(tǒng)方法。車間調(diào)度分配規(guī)則實際上是貪婪策略在車間調(diào)度領域的應用，即調(diào)度優(yōu)化只針對局部和短期目標，簡化計算模型，提高計算速度。車間調(diào)度分配規(guī)則缺乏全局優(yōu)化，但由于生產(chǎn)環(huán)境的不確定性越來越大，算法的全局優(yōu)化對系統(tǒng)運行的影響越來越小。相比之下，該算法的有效性和可實現(xiàn)性成為人們關注的焦點。分配規(guī)則具有計算復雜度低、易于實現(xiàn)、實時性高和具有一定優(yōu)化能力等優(yōu)點。因此，資源分配規(guī)則可以用來實現(xiàn)調(diào)度方案的快速更新。

根據(jù)車間調(diào)度的特點，調(diào)度規(guī)則不僅需要確定處理順序，還需要選擇處理設備，因此可以分為確定工序的加工順序和為工序選擇加工設備兩類。常見的車間調(diào)度和分配規(guī)則具體描述如下：

(1)加工時間最短規(guī)則(Shortest Processing Time, SPT) 工序優(yōu)先選擇加工時間短的機器加工。

(2)最早完成加工規(guī)則(Earliest Completion Processing, ECP) 工序優(yōu)先選擇可以最早完成該工序加工任務的機器加工。

(3)剩余工序最多規(guī)則(Most Work Remaining, MWR) 優(yōu)先選擇剩余工序多的工件進行加工。

(4)剩余工序最多規(guī)則(Least Work Remaining, LWR) 優(yōu)先選擇剩余工序少的工件進行加工。

(5)剩余加工時間最多規(guī)則(Maximum Processing Remaining, MPR) 優(yōu)先選擇剩余加工時間多的工件進行加工。

(6)剩余加工時間最少規(guī)則(Least Processing Remaining, LPR) 優(yōu)先選擇剩余加工時間少的工件進行加工。

簡單分配規(guī)則是根據(jù)不同的調(diào)度優(yōu)化目標分別提出的。通常情況下，一個優(yōu)先級規(guī)則只能對單個調(diào)度目標問題進行優(yōu)化，包括工件加工時間、最小完成時間、交貨期和均衡負載等。FJSP通常包括兩個子問題：確定工序的加工順序和選擇加工設備。使用單一簡單分配規(guī)則時，其優(yōu)化性能一般較差且穩(wěn)定性不理想，難以滿足調(diào)度的要求。

將多種簡單分配規(guī)則組合到一起形成新的組合分配規(guī)則，往往可以起到取長補短的作用，得到的解優(yōu)化效果較好，且針對不同規(guī)模的調(diào)度問題穩(wěn)定性較好。按照規(guī)則的組合方式分類，組合分配規(guī)則可以分為線性組合分配規(guī)則和非線性組合分配規(guī)則兩種。前者需要確定規(guī)則的數(shù)量和權(quán)重，由于規(guī)則之間可能存在相關或者沖突關系，且量綱可能不統(tǒng)一，需要做大量的組合規(guī)則的挖掘和調(diào)整才能取得相對滿意的結(jié)果，這直接制約了該組合方式在求解FJSP等復雜問題或大規(guī)模問題時的應用。非線性組合規(guī)則不局限于線性加權(quán)，靈活性更好，比較適合求解復雜、大規(guī)模車間調(diào)度問題。

在求解FJSP時，本文提出一種分層非線性組合規(guī)則方法，可以根據(jù)不同的優(yōu)先級規(guī)則分別解決一個子問題，并通過組合得到調(diào)度問題的解。若將每種規(guī)則看做一個SA，則最終的調(diào)度方案可以看做是兩個SA之間的協(xié)商(規(guī)則組合)。本研究將求解選擇加工設備子問題SA(規(guī)則)稱為一級SA(規(guī)則)，求解工序的加工順序子問題SA(規(guī)則)稱為二級SA(規(guī)則)。根據(jù)車間調(diào)度問題的特點，提出了與優(yōu)化最小化完工期min(Cmax)相關的4種組合規(guī)則：SPT和MWR、SPT和MPR、SPT和ECP、ECP和MPR。

4.2 分層組合規(guī)則實時調(diào)度方法流程

假定已經(jīng)確定了最有利于實現(xiàn)調(diào)度目標要求的分層組合規(guī)則，基于該組合規(guī)則下的實時調(diào)度方法流程如圖5所示，包含如下5個具體步驟：

步驟1SA檢視TA中所有未完成工序，生成等待加工工序集合O，并為O中每一個等待加工工序生成可加工設備集合OM。

步驟2SA檢視MEA中所有加工設備的工作狀態(tài)，生成加工設備最早空閑時間集合Tidle。

步驟3用一級SA(規(guī)則)排序OM中的元素，根據(jù)Tidle計算優(yōu)先級并生成隊列QM。

步驟4用二級SA(規(guī)則)排序O中的元素，按照優(yōu)先級生成隊列Q，把其中優(yōu)先級最高的工序記作QT。

步驟5工序QT跟加工設備隊列QM中的元素按照優(yōu)先級順序進行匹配，完成工序調(diào)度，返回步驟1，直到TA沒有等待加工工序。

實現(xiàn)制造系統(tǒng)健康穩(wěn)定運行就必須保證調(diào)度時間與實際執(zhí)行時間協(xié)調(diào)一致，這同時也是檢測和處理異常事件的基礎。為保證任務檢測的準確性，采用調(diào)度模型與實際生產(chǎn)過程同步時間推進機制，調(diào)度模型中每當一個新動作觸發(fā)時，都會通過制造執(zhí)行系統(tǒng)將動作指令發(fā)送給車間設備。與此同時，將暫停調(diào)度模型的運行，直到執(zhí)行現(xiàn)場反饋回其對應的動作狀態(tài)發(fā)生了變化才再次開啟模型運行。

一旦制造系統(tǒng)中出現(xiàn)擾動，可以等待擾動恢復或執(zhí)行重調(diào)度，例如制造系統(tǒng)在遇到機床損壞的擾動時可以自適應地選擇兩種策略，保持原有分配方案不變而只更新工序的開始時間，也可以根據(jù)車間實際的運行狀態(tài)更新調(diào)度方案。

5 實驗

5.1 簡單問題標準算例實驗

為了檢驗多Agent方法求解車間生產(chǎn)管控問題的性能，在Windows 7環(huán)境下，計算機CPU主頻為2 GHz，內(nèi)存為2.0 GB，利用MATLAB編程，對典型算例進行測試。本研究選擇Ouz等[15]提供的標準算例問題，重點關注中小型實例。所獲得的最大完工時間與已知下限的百分比偏差PD(Percentage deviation)用作性能度量：

PD=(Cmax-LB)/LB×100%。

(2)

式中：Cmax為最大完工時間;LB為理論最優(yōu)解或目前為止所報道的最優(yōu)解。如表2所示為對比實驗計算結(jié)果。

表2 中小型實例的百分比偏差比較

續(xù)表2

續(xù)表2

如圖6所示為ECP+MWR獲得的算例P20S5T07最佳解決方案的甘特圖，相同的工件用相同的顏色表示，縱坐標為加工設備編號，橫坐標為時間軸，求解得到最優(yōu)解為1 125。

5.2 復雜問題標準算例實驗

基于ECP+MWR組合規(guī)則，選擇由Brandimarte[16]提出的BR數(shù)據(jù)集作為算法有效性驗證算例。將Cmax與每個問題實例的最優(yōu)解下界LB從PD的角度進行對比分析。將本章測試結(jié)果與相關文獻中的結(jié)果進行對比，包括Mastrolilli等[17]提出的禁忌搜索(Tabu Search, TS)算法、Gao等[18]提出的遺傳算法(hybrid Genetic Algorithm, hGA)和田松齡等[19]提出的蟻群算法(Petri nets-based-Asynchronous Parallel Ant Colony Optimization, PN-APACO)。對比結(jié)果如表3所列。

表3 求解BR數(shù)據(jù)算例對比結(jié)果比較

續(xù)表3

5.3 工程實例

為驗證本文所提方法在策略車間調(diào)度工程問題中的應用，在數(shù)字孿生環(huán)境下設計了柔性作業(yè)車間調(diào)度虛擬仿真平臺，包含8個工件和10臺生產(chǎn)設備，工程實驗的生產(chǎn)數(shù)據(jù)如表4所示。進一步，為了驗證異常事件監(jiān)測方法、分層組合規(guī)則和基于多代理系統(tǒng)的實時調(diào)度的工程應用效果，在仿真環(huán)境下設計了2個工件和2個工位異常事件監(jiān)測場景，異常事件參數(shù)設置如表5所示。實驗所需車間仿真運行環(huán)境以及各工位和工件編號如圖7所示。

表4 生產(chǎn)數(shù)據(jù)

表5 異常事件參數(shù)設置

異常事件監(jiān)測實驗結(jié)果如圖8所示，基于多代理系統(tǒng)的實時調(diào)度實驗結(jié)果如圖9所示，圖中要素的含義與圖6相同。

5.4 結(jié)果討論

在車間生產(chǎn)過程監(jiān)測實驗中，P001工件在L02工位的加工時間超過給定閾值，發(fā)生偏離生產(chǎn)計劃異常事件；P002工件在L02工位加工完成后沒有在L01工位出現(xiàn)，發(fā)生工序不匹配異常事件。實驗結(jié)果表明，自動機模型可以有效監(jiān)測車間生產(chǎn)過程中的異常事件。

車間生產(chǎn)管控標準算例的實驗結(jié)果表明，多Agent可以用于車間生產(chǎn)管控問題的求解。根據(jù)調(diào)度優(yōu)化目標組合分析選擇的優(yōu)先級規(guī)則，在ECP和MWR的組合規(guī)則下，所有問題的平均PD為4.591%，小于其他對比組合規(guī)則，更接近于理論最優(yōu)解。因此，基于多Agent車間監(jiān)測與管控方法中，ECP和MWR的組合規(guī)則的求解性能優(yōu)于其他組合。

在復雜問題標準算例實驗中，基于ECP+MWR組合規(guī)則得到的結(jié)果平均PD為35.56%，接近于各種對比元啟發(fā)算法，考慮到本文提出的方法不需要迭代優(yōu)化，因此滿足實時調(diào)度的需求。

6 結(jié)束語

本文研究了面向開放式結(jié)構(gòu)產(chǎn)品的IoMT驅(qū)動的生產(chǎn)車間制造過程的監(jiān)測和管控方法，包括異常事件監(jiān)測方法和基于多Agent的車間擾動事件快速響應方法。從車間生產(chǎn)過程監(jiān)測實驗和車間生產(chǎn)管控的實驗結(jié)果可以得出：①基于自動機模型可以有效監(jiān)測車間生產(chǎn)過程中的異常事件；②基于多Agent可以用于車間生產(chǎn)管控問題的求解，且ECP和MWR組合規(guī)則得到方案的平均PD為4.591%，更接近于理論最優(yōu)解；③IoMT下制造車間的管控過程是在制造設備之間協(xié)商的基礎上完成的，是一種基于車間事件監(jiān)測的完全分布式協(xié)調(diào)與決策機制。

在很多實際應用中，往往涉及多個性能指標的優(yōu)化，如執(zhí)行時間、服務開銷等，下一步將考慮研究基于車間環(huán)境下多目標實時調(diào)度優(yōu)化問題。