茍藝星，王軍強，李 洋+

(1.西北工業(yè)大學 生產與運作系統性能分析中心，陜西 西安 710072；2.西北工業(yè)大學 機電學院 工業(yè)工程系，陜西 西安 710072)

0 引言

數字孿生(digital twin)以數字化方式創(chuàng)建物理車間的虛擬模型，通過虛實聯動反饋、數據融合分析、決策迭代優(yōu)化等手段，實現物理車間與虛擬模型的雙向映射和實時交互[1-2]，輔助車間管理人員更好地推演生產進程、應對隨機擾動，為資源優(yōu)化配置、產線快速重組等過程管控提供了有效的技術支撐。

相比傳統車間，數字孿生車間在生產過程管控方面具有以下優(yōu)勢：

(1)生產數據采集的便捷性 在數字孿生車間中，隨著信息技術和傳感器技術的廣泛應用，獲取車間生產運行狀態(tài)、生產過程管控數據和虛實交互推演數據更加便捷[3-4]?；跀祿杉谋憬菪院蛯崟r性等優(yōu)勢，車間管理人員能夠及時捕捉生產線的運行狀態(tài)、隨機擾動等數據，為實現物理車間與虛擬車間的實時交互提供了數據支撐。

(2)計劃調度安排的有效性 在傳統車間中，生產計劃調度一般在生產開始前制定，很難應對執(zhí)行過程中的擾動，造成計劃調度在實際執(zhí)行中指導性不強、效果不佳等問題。在數字孿生車間中，通過實時采集生產數據監(jiān)控生產計劃調度的實施情況，并根據生產過程中的擾動情況及時調整計劃調度，提升了計劃調度安排的有效性。

(3)生產過程控制的實時性 在傳統車間中，當產線受到機器故障、物料中斷、質量缺陷等隨機擾動影響時，通過現場臨時采取措施進行應急調整，導致生產過程控制的實時性難以保障，在一定程度上會影響生產進程的順利進行。在數字孿生車間中，通過虛實映射、虛實交互、迭代優(yōu)化，能夠及時應對擾動影響、優(yōu)化產線性能，保證了生產過程控制的實時性。

本文面向考慮質檢報廢的流水線，剖析產品質量的可靠性、擾動事件的隨機性、緩沖容量的有限性等因素的影響，利用數字孿生車間環(huán)境下生產數據采集的實時性與便捷性，在全面掌控生產運行數據和擾動事件的基礎上，探究生產系統性能在隨機擾動影響下的實時變化情況。采用事件驅動的建模方法，構建流水線性能評估模型，研究系統性能與擾動事件之間的關聯關系，揭示擾動事件在生產過程中的作用機理，定量確定系統生產損失和有效產出，并有針對性地制訂質檢機器配置優(yōu)化方案，以提升生產效率、提高系統產出、降低生產成本，為準確了解產線狀態(tài)、科學評估系統性能、及時應對擾動影響提供科學的理論依據和創(chuàng)新的研究方法。

1 文獻綜述

1.1 生產系統性能評估

生產系統性能評估旨在利用數學模型刻畫生產過程，分析系統的演化性質和運行規(guī)律，為生產系統性能的持續(xù)改進與提升提供理論支撐和決策依據。常用的性能評估方法包括解析方法、仿真方法和事件驅動方法。

解析方法[5-7]利用隨機過程等數學工具，刻畫工件與機器狀態(tài)和緩沖容量的交互關系，基于機器和緩沖區(qū)特征參數量化系統產出、在制品水平等系統性能指標，旨在探索生產系統運作的基本法則和運行規(guī)律。解析方法的優(yōu)勢在于能夠針對同一類生產線快速提供一致的分析結果，而且能夠分析影響因素之間的關聯關系；不足是需要對生產線進行一定程度地簡化，難以準確分析復雜生產系統的性能。另外，性能評估僅抽取了機器故障概率分布、緩沖容量大小等數據，忽視了數字孿生環(huán)境下產線實時數據的利用價值。

仿真方法[8-9]對生產系統運行過程建立仿真模型，通過模擬仿真實驗分析或者反復試驗(trial-and-error)進行系統性能評估。仿真方法的優(yōu)勢在于能夠應對復雜應用場景和動態(tài)變化情形，不足是難以分析性能指標與擾動等參數之間的關系，也難以快速建立可靠的性能評估仿真模型。實際上，在構建性能評估的仿真模型時，一般需要較長時間、多次運行才能較好地評估一條產線的性能。因此，很難針對不同的生產線建立通用的性能評估仿真模型，而且仿真結果的準確性依賴于所建仿真模型的準確性。

不同于基于隨機過程的解析方法和基于仿真模型的仿真方法，事件驅動方法利用生產系統實時收集的系統運行數據捕捉生產過程中的擾動事件，研究系統性能與擾動等參數之間的關系，探究隨機擾動情景下系統性能的實時變化情況。Chang等[10]利用實時生產數據，建立了串行生產線的瞬態(tài)分析框架，研究了停機事件對系統產出的影響，指出只有停機時間長度超過機會時間窗的閾值時，才會導致系統生產損失；Zou等[11]針對具有復雜結構的生產系統，提出虛擬理想潔凈系統的概念，建立了事件驅動的瞬態(tài)分析模型，得到有效中斷時間、生產損失等系統性能指標；Li[12]提出事件驅動的瓶頸識別方法，利用機器工作、饑餓和阻塞時間等數據識別瓶頸機器的位置，并通過建立Markov鏈模型驗證了所提方法的有效性。針對能耗控制問題，Wang等[13]定義了一個動態(tài)自適應模糊推理Petri網，將能耗控制動作表示為具有一定值的加權模糊生產規(guī)則，將實時生產速率和緩沖水平等數據格式化為語言模糊集，立足機器狀態(tài)，基于模糊推理算法優(yōu)化能耗控制策略；Li等[14]采用事件驅動的建模方法，分析了能耗控制事件造成的生產損失，提出一種基于遺傳算法的能耗控制算法，實現了能耗與生產損失之間的均衡。

1.2 質檢機器配置優(yōu)化

在生產系統中，質量與系統產出緊密關聯、相互影響。當某一臺機器上的工件出現質量問題時，不僅會影響機器自身的產出，還會使其他機器因加工不合格品導致生產能力浪費，從而影響系統整體的產出。因此，研究質量對生產系統的影響得到越來越多的關注。

現有研究大多通過構建生產系統解析模型，利用獨立的系統生產率或質量合格率等指標評價系統性能。裴植等[15]針對包含伯努利不可靠機器和雙返工線的串行生產系統，考慮兩種不同的加工換線策略，采用重疊式分解方法和聚合方法構建系統數學模型，求解獲得了系統的產出率；Du等[16]綜合考慮產品柔性和質量傳播對最終產品質量的影響，建立了多產品多階段生產系統的穩(wěn)態(tài)Markov質量模型，獲得了產品質量合格率，并分析了不同產品加工順序對質量性能的影響；周炳海等[17]針對多環(huán)質量返工串行生產線，構建了緩沖水平的動態(tài)概率轉移矩陣，獲得了在制品水平和生產率等系統性能指標，并通過數值實驗分析了系統參數對性能指標的影響；張恒等[18]針對考慮返工和產品多態(tài)性的多級串行生產系統，提出基于廣義隨機Petri網的模塊化建模方法，以兩機器一緩沖Markov鏈模型為基礎，采用分解方法評估了該系統的性能指標。

還有一些研究綜合考慮生產系統與產品質量之間的相互作用，通過建立生產與質量的集成優(yōu)化模型優(yōu)化質檢機器配置策略，進而提高系統產出和產品質量。Meerkov等[19]針對由伯努利加工機器和質檢機器組成的串行生產線，利用解析方法對生產線進行性能評估，并提出一種質檢機器配置方法，以最大化有效生產率；Ju等[20]針對電池裝配線建立質量流解析模型，分析了裝配線的特性并將其集成到持續(xù)改進方法中，以達到提高產品質量的目的；Shetwan等[21]研究了多級生產系統的質量檢測點分配問題，通過建立一般化模型驗證了檢測策略的有效性，同時指出目前研究多采用啟發(fā)式算法，生物啟發(fā)式算法值得進一步研究；Sarkar等[22]針對考慮兩類檢測錯誤和保修成本的不完美生產系統，分析了從受控狀態(tài)轉換到失控狀態(tài)的惡化生產過程，建立了成本優(yōu)化模型，并提出質量檢測方法。

綜上所述，本文采用事件驅動方法進行產線性能評估及質檢機器配置優(yōu)化具有更好的優(yōu)勢。面向一類生產線，事件驅動方法能夠建立一類通用的產線性能評估模型，不僅可以更加準確地分析擾動帶來的影響，而且能夠更加快速地評估擾動影響下的產線性能。面向數字孿生車間，在全面掌控實時生產數據和擾動事件的情況下，事件驅動方法更適用于擾動影響下的產線性能評估。進一步，在事件驅動的產線性能評估模型基礎上，分析擾動影響下產線性能的實時變化情況，并針對擾動及時調整生產，為生產過程的實時管控與迭代優(yōu)化提供支撐。

2 問題的提出與學術思路

2.1 問題描述

流水線中一旦出現不合格品，就會造成生產能力的浪費。在流水線中設置質檢機器能夠及時檢測不合格品，降低其在流水線中停留的時間，進而減少對生產能力的浪費，然而如果質檢機器設置太多，則會增加檢測成本。如何通過優(yōu)化質檢機器配置并及時檢測出不合格品，達到均衡系統生產損失與質量檢測成本，進而提高系統有效產出的目的，是亟待解決的難點。

本文的研究對象為考慮質檢報廢的流水線，該流水線由M臺機器和M-1個緩沖區(qū)組成，如圖1所示。流水線中有兩類機器：①加工機器，僅用于加工工件，用無陰影的矩形表示；②質檢機器，具備附加的檢測功能，既能加工工件也能檢測工件質量，并將檢測出的不合格品直接報廢，用帶陰影的矩形表示。機器之間的緩沖區(qū)用于存儲上游機器加工完成的工件，用圓圈表示。每臺機器都能加工工件，但是存在一定概率會產生不合格品，而不合格品只能通過質檢機器檢測得到。在工件未流動到質檢機器之前，不合格品在流水線中繼續(xù)加工和流動。

為便于下文分析，以質檢機器為分界點將流水線分為N個子系統。在每個子系統中，最后一臺機器為質檢機器，其他機器為加工機器。

2.2 模型假設

本文采用連續(xù)流模型對考慮質檢報廢的流水線進行建模和分析，下面介紹系統運行采用的基本假設和相關定義。

2.2.1 基本假設

(1)機器相關假設

1)在流水線的第n(1≤n≤N)個子系統中，mln,cn≤ln≤dn-1為加工機器，mdn為質檢機器。對于兩個相鄰的子系統，cn+1=dn+1。

2)ml表示流水線中的第l(1≤l≤M)臺機器，其額定加工速率為Sl。機器的實際加工速率不超過額定加工速率，用sl(t)表示機器ml在t時刻的實際加工速率。

3)機器ml有工作和故障兩種狀態(tài)，t時刻機器ml的狀態(tài)用αl(t)∈{0,1}表示。當t時刻機器ml處于工作狀態(tài)，即αl(t)=1時，正常加工工件；當t時刻機器ml處于故障狀態(tài)，即αl(t)=0時，無法加工工件。

4)機器ml(1≤l≤M)加工服從指數可靠性模型。若機器ml在t時刻處于工作狀態(tài)，則其在時間區(qū)間[t,t+δt),δt→0內有λlδt的概率發(fā)生故障，稱λl為機器ml的故障率；若機器ml處于故障狀態(tài)，則其在時間區(qū)間[t,t+δt),δt→0內有μlδt的概率被修復，稱μl為機器ml的修復率。

5)機器ml(1≤l≤M)產生不合格品服從伯努利質量可靠性模型，即在時間區(qū)間[t,t+δt),δt→0內，機器ml以glδt的概率生產出合格品，以(1-gl)δt的概率生產出不合格品。

6)機器故障為操作相關故障(Operation Dependent Failure, ODF)，即機器在饑餓或阻塞時不會發(fā)生故障。

7)為了保證成品質量，流水線中最后一臺機器mM為質檢機器。

8)質檢機器既不會漏檢不合格品，也不會將合格品誤檢為不合格品。

9)在[0,T)時間段內，每臺質檢機器檢測出并報廢的工件數量均通過傳感器實時收集生產數據獲得。

10)若t時刻機器ml處于工作狀態(tài)，且上游緩沖區(qū)bl-1為空，則稱機器ml在t時刻饑餓。第一臺機器m1不會發(fā)生饑餓。

11)若t時刻機器ml處于工作狀態(tài)，下游緩沖區(qū)bl已滿，且下游機器ml+1不能從緩沖區(qū)bl中提取工件進行加工，則稱機器ml在t時刻阻塞。最后一臺機器mM不會發(fā)生阻塞。

(2)緩沖區(qū)相關假設

1)bl表示流水線中第l(1≤l≤M-1)個緩沖區(qū)，其緩沖容量為Bl。bl(t)表示t時刻緩沖區(qū)bl中的工件數量。

2)在連續(xù)流生產系統中，緩沖區(qū)bl(1≤l≤M-1)中的工件數量可以是從0到其容量Bl之間的任意常數，即bl(t)∈[0,Bl]。

2.2.2 相關定義

為建模需要，進一步引入以下定義：

定義1最慢機器。

在流水線中，若只有一臺額定加工速率最小的機器，則該機器是最慢機器；若流水線中同時存在多臺額定加工速率最小的機器，則選擇額定加工速率最小且最靠近生產線末尾的機器作為最慢機器。本文假設考慮質檢報廢的流水線中只有一臺最慢機器。

定義2擾動事件。

生產過程中會出現一些影響流水線產出的因素，例如機器發(fā)生隨機故障、產品出現質量問題等，稱這些影響因素為擾動事件。本文考慮機器故障和質檢報廢兩種擾動事件。

(1)機器故障事件

在流水線運行過程中，刀具磨損、斷電等因素會導致機器發(fā)生隨機故障。假設在[0,T)內，流水線中發(fā)生的機器故障事件總數為G，則機器故障事件集合表示為Ε=[ε1,ε2,…,εg,…,εG]。

εg=(ml,tg,dg)表示第g(1≤g≤G)個機器故障事件，具體含義為：機器ml(1≤l≤M)在tg時刻發(fā)生故障，直到tg+dg時刻故障被修復。質檢機器和加工機器均可能發(fā)生機器故障事件。

(2)質檢報廢事件

流水線中質檢機器檢測出不合格品后直接報廢，檢測不合格品的這段時間不產生任何有效產出。因此，本文將質檢機器檢測出不合格品并報廢的操作定義為質檢報廢事件。

ξh=(mdk,th,dh)表示第h(1≤h≤H)個質檢報廢事件，具體含義為：質檢機器mdk(1≤k≤N)在[th,th+dh)內檢測出的工件均為不合格品。

定義3系統生產損失。

將理想情況下和實際生產中系統產出差值定義為系統生產損失PPL，

考慮到生產系統中最后一臺機器的產出是系統產出[6]，本文將生產系統中最后一臺機器的生產損失稱為系統生產損失。

2.3 學術思路

本文以考慮質檢報廢的流水線為研究對象，利用數字孿生車間環(huán)境下生產數據采集的實時性與便捷性，捕獲流水線運行過程中機器故障和質檢報廢等擾動事件，分析擾動事件與流水線整體性能之間的關聯關系，探索事件驅動的流水線性能評估方法與質檢機器配置優(yōu)化方法，以達到最小化系統運行成本的目的。具體地，采用事件驅動的建模方法對流水線性能進行實時評估，構建事件驅動的系統生產損失模型，揭示機器故障和質檢報廢影響生產過程的作用機理，量化系統生產損失、系統有效產出等系統性能指標。在事件驅動的系統生產損失模型基礎上，通過均衡系統生產損失與質檢機器投入，以最小化系統總成本為目標構建質檢機器配置優(yōu)化模型，并采用遺傳算法求解獲得質檢機器配置優(yōu)化方案。本文的研究思路如圖2所示。

基于實時生產數據開展事件驅動的流水線性能評估與質檢機器配置優(yōu)化研究，能夠為數字孿生車間的虛實映射、以虛控實與迭代優(yōu)化提供決策依據和技術支撐，具體表現如下：

(1)數字孿生車間為流水線性能建模仿真提供了虛實映射支撐 本文以數字孿生車間的實時生產數據為支撐，利用數據感知的便利性捕獲生產過程中機器故障與質檢報廢等擾動事件，輸入事件驅動的流水線性能評估模型，實時分析擾動事件對系統產出的影響，輸出系統生產損失、系統有效產出等性能指標，實現了物理流水線到虛擬流水線的實時映射。

(2)流水線性能評估為流水線的質檢機器位置與數量優(yōu)化提供了決策依據 為了規(guī)避擾動事件帶來的系統生產損失，選擇合適的位置投入質檢機器，盡早檢測出不合格品，降低甚至杜絕下游機器加工不合格品造成的浪費。本文通過均衡系統生產損失與質檢機器投入、優(yōu)化質檢機器的配置方案、指導車間管理人員對質檢機器的配置情況進行調整，達到實時反饋、以虛控實的目的。

(3)流水線性能評估與質檢機器配置進行迭代優(yōu)化為數字孿生系統管控提供了運作機制 以流水線實時生產數據為基礎，采用事件驅動的建模方法建立物理流水線運行過程數學模型，實現流水線性能的實時評估以及質檢機器配置優(yōu)化，并將優(yōu)化結果反饋到物理流水線。如果發(fā)生新的擾動事件，則進行“擾動事件影響分析—系統生產損失分析—質檢機器配置優(yōu)化”迭代優(yōu)化，最終實現生產過程管控和系統性能優(yōu)化。

3 系統生產損失模型的構建

3.1 擾動事件影響分析

本節(jié)采用事件驅動的建模方法，定量分析擾動事件對系統產出的影響，量化系統生產損失。根據工件流守恒原理，Liu等(2012)[23]證明了在串行生產系統中，系統生產損失等于最慢機器的生產損失。然而，在本文研究的流水線中，因為質檢機器將檢測出的不合格品直接報廢，導致進入第一臺機器的工件總數與流出最后一臺機器的工件總數不相等，所以在工件流不守恒情形下分析擾動事件對系統的影響是建模的難點。

命題1對流水線中最后一臺機器mM，?T′>T*，使以下等式成立：

(1)

證明首先，確定有無擾動事件情形下最慢機器與最后一臺機器之間的產出關系。

(2)

(3)

其次，分別分析無擾動事件和有擾動事件發(fā)生時的系統產出。

根據上述分析，式(2)簡化為

(4)

根據上述分析，式(3)簡化為

(5)

證畢。

(6)

3.2 系統生產損失分析

機器故障事件Ε=[ε1,…,εG]僅可能因導致最慢機器停機(饑餓、故障或阻塞)而造成生產損失PPLD(T)；質檢報廢事件Ξ=[ξ1,…,ξH]既可能使最慢機器饑餓而造成生產損失PPLD(T)，也可能因最慢機器后質檢機器檢測出不合格品而造成生產損失PPLQ(T)。針對兩種生產損失PPLD(T)和PPLQ(T)，下面分別分析生產損失產生的充分必要條件。

(1)PPLD(T)產生的充分必要條件

因此，PPLD(T)產生的充分必要條件是：?t∈[ti,ti+di]，使

(7)

基于上述分析，可得由于擾動事件ei(εi或ξi)發(fā)生而開始產生生產損失PPLD(T)的最小時間，數學表示為

(8)

(9)

(10)

(11)

基于上述分析，可得由于事件εi發(fā)生而開始產生生產損失PPLD(T)的最小時間，數學表示為

bl-1(ti+d;εi)=Bl-1}。

(12)

綜上所述，因最慢機器停機而開始產生生產損失PPLD(T)的最小時間表示如下：

(2)PPLQ(T)產生的充分必要條件

(14)

命題2給定[0,T)內影響生產過程的一系列機器故障事件Ε=[ε1,…,εG]和質檢報廢事件Ξ=[ξ1,…,ξH]，則

(15)

根據命題1，系統生產損失PPL(T)=PPLD(T)+PPLQ(T)，將式(15)代入式(6)可得

(16)

4 質檢機器配置優(yōu)化

質檢機器的數量和位置對生產系統的性能有重要影響。質檢機器設置太多會增加系統成本，設置太少則不易盡早發(fā)現不合格品，使得流水線中其他機器對不合格品進行不必要的加工而造成機器能力浪費。因此，本章提出一種優(yōu)化方法來決策質檢機器的配置，以最小化系統成本。

4.1 質檢機器配置優(yōu)化模型

用C(π)表示系統總成本。系統總成本由兩部分組成，即

C(π)=Cin+Cpl。

式中：Cin為質檢機器投入成本；Cpl為系統生產損失成本。

(1)質檢機器投入成本

本文研究的流水線中，質檢機器既可以加工工件，又可以檢測工件質量，相比于僅加工工件的機器而言，質檢機器的投入成本更高。流水線中所有質檢機器的投入成本總和

(2)系統生產損失成本

在[0,T)內，系統生產損失成本

Cpl=ωplPPL(T)。

式中：ωpl為系統生產損失的單位成本；PPL(T)表示在[0,T)內的系統生產損失。

綜上所述，系統成本函數表示為

(17)

質檢機器配置優(yōu)化問題的數學模型表示如下：

s.t.

πl(wèi)∈{0,1},l=1,…,M-1；

πM=1。

4.2 優(yōu)化模型求解方法

系統生產損失PPL(T)與決策變量π之間的函數關系無法用線性函數表示，該優(yōu)化問題是一個復雜的非線性優(yōu)化問題，難以在有限時間范圍內用解析方法求解得到精確解。遺傳算法(Genetic Algorithm, GA)是一種非常有效的求解方法，已被廣泛應用于求解非線性優(yōu)化問題。因此，本節(jié)基于GA對質檢機器配置優(yōu)化模型進行求解。

為了便于表述，將基于GA的優(yōu)化方法稱為質檢機器最優(yōu)配置(Optimal Inspection machine Allocation, OIA)算法。在每次迭代中，不斷改進和更新候選解種群，直到滿足終止條件為止，最終輸出最佳候選解。在尋優(yōu)過程中，記錄每一代最優(yōu)個體，以便于查詢比較。OIA算法具體步驟如下：

OIA算法

1.指定輸入參數：種群大小n，遺傳代數ζ，交叉概率pc，變異概率pm

2.設置初始種群：隨機生成n個個體，即n個可行解(決策變量π=(π1,…,πM))

3.計算適應度：計算每個個體的適應度，即系統成本函數的倒數1/C(π)

4.對于i=1到ζ

5. 選擇第i代解種群中最優(yōu)的兩個個體進行繁殖，并保存到候選解種群中

6. 對于j=1到(n-2)/2

7. 根據輪盤賭選擇方法從第i代解種群里選擇兩個個體I1和I2

10. 結束

11. 對于j=1到n-2

12. 從候選解種群里隨機選擇一個解I

13. 以概率pm進行變異生成一個新解I′

14. 將候選解種群里的解I更新為I′

15. 結束

16. 用候選解種群代替當前的解種群并計算每個個體的適應度

17. 返回候選解種群中的最優(yōu)解

18. 將候選解種群設置為空

19.結束

20.返回最終解種群中的最優(yōu)解

5 優(yōu)化方法的有效性驗證

5.1 實驗設計

本節(jié)選取由M臺機器和M-1個緩沖區(qū)組成的流水線為研究對象進行仿真實驗，如圖3所示。實驗所需參數及相關參數取值范圍設置如下：

(1)機器臺數M為了保證實驗的全面性，選取包含不同機器臺數的流水線驗證優(yōu)化方法的有效性，M∈{5,8,10,12}。

(2)額定加工速率Sl機器額定加工速率為Sl(單位：件/h)，Sl∈[3,8],1≤l≤M。

(3)平均無故障工作時間MTBFl和平均修復時間MTTRl機器ml的可靠性服從指數分布，其平均無故障工作時間為MTBFl(單位：h)，MTBFl∈[70,100],1≤l≤M；平均修復時間為MTTRl(單位：h)，MTTRl∈[5,15],1≤l≤M。

(4)良品率gl每臺機器ml的質量可靠性服從伯努利分布，gl∈[0.9,1),1≤l≤M。

(5)緩沖容量Bl緩沖區(qū)bl的最大容量為Bl∈[20,35],1≤l≤M-1。

(7)系統生產損失的單位成本ωplωpl=10 元/件。

表1 5機器流水線相關參數

續(xù)表1

表2 8機器流水線相關參數

表3 10機器流水線相關參數

表4 12機器流水線相關參數

針對表1～表4所示的5機器、8機器、10機器和12機器流水線，利用4.2節(jié)所提的OIA算法尋找質檢機器最優(yōu)配置方案。

OIA算法中所需的各項實驗參數設置如下：迭代次數ζ=50，種群大小n=20，交叉概率pc=0.9，變異概率pm=0.05。采用MATLAB軟件編寫程序，對考慮質檢報廢的流水線運行過程進行仿真，仿真實驗在操作系統為Windows 10、處理器為Intel(R)Core(TM)i5-7500 CPU(3.40 GHz)、運行內存為8.0 GB的實驗平臺上運行。

5.2 結果分析

針對5機器、8機器、10機器和12機器流水線，分別將OIA算法重復運行50次，50次實驗結果基本一致。采用OIA算法所得的質檢機器配置方案如下：

(1)在5機器流水線中，優(yōu)化結果為π=(0,0,1,0,1)，即機器m3和m5為質檢機器，其他機器均為加工機器。

(2)在8機器流水線中，優(yōu)化結果為π=(0,0,0,1,0,0,0,1)，即機器m4和m8為質檢機器，其他機器均為加工機器。

(3)在10機器流水線中，優(yōu)化結果為π=(0,0,1,0,0,0,0,0,0,1)，即機器m3和m10為質檢機器，其他機器均為加工機器。

(4)在12機器流水線中，優(yōu)化結果為π=(0,0,0,1,0,0,0,0,0,0,0,1)，即機器m4和m12為質檢機器，其他機器均為加工機器。

為了驗證本文提出OIA算法的有效性，將其與3種質檢機器配置方法進行比較。下面分別介紹3種質檢機器配置方法：

(1)最少質檢機器配置(Least Inspection machine Allocation, LIA)方法 只有流水線中最后一臺機器為質檢機器，其他機器均為加工機器。

(2)最多質檢機器配置(Most Inspection machine Allocation, MIA)方法 流水線中所有機器均為質檢機器。

(3)隨機位置質檢機器配置(Random Inspection machine Allocation, RIA)方法 流水線中的質檢機器數量確定，但質檢機器位置隨機。

為便于表述，加工機器用PO(Production only)表示，質檢機器用PWQ(Production with quality inspection)表示。在4種質檢機器配置方法下，5機器、8機器、10機器和12機器流水線分別對應的4種質檢機器配置方案如表5～表8所示。

表5 5機器流水線質檢機器配置方案

表6 8機器流水線質檢機器配置方案

表7 10機器流水線質檢機器配置方案

表8 12機器流水線質檢機器配置方案

針對上述選取的5機器、8機器、10機器和12機器流水線，在OIA算法與LIA，MIA方法下，將每條流水線分別仿真運行600 d，每天運行8 h，共4 800 h，獲得系統各項成本。在RIA方法下，保持與OIA算法相同的質檢機器數量，僅改變質檢機器位置，隨機生成100組實驗參數；針對每組參數，將流水線仿真運行600 d，每天運行8 h，共4 800 h。對100組實驗參數下流水線運行所得的系統各項成本求平均值，得到RIA方法的系統各項成本。

通過仿真實驗，將所提OIA算法與LIA，MIA，RIA方法進行對比，結果如圖4所示。

由圖4可得以下結論：

(1)LIA方法的系統生產損失成本最高，RIA，OIA，MIA方法的系統生產損失成本依次降低。原因是：質檢機器越多，越能盡早地檢測出不合格品，避免了其他機器對不合格品進行不必要的加工，增加了系統產出，減少了系統生產損失。

(2)OIA算法和MIA方法的系統生產損失成本接近，但系統總成本最低。原因是：在流水線中設置過多的質檢機器并不能有效地減少系統生產損失，反而會增加質檢機器投入成本，從而增加系統總成本。

(3)OIA算法比RIA方法的系統生產損失成本低，兩者的質檢機器投入成本相同，因此OIA算法比RIA方法的系統總成本低。原因是：在質檢機器數量相同但位置不同的情況下，OIA算法能夠優(yōu)化質檢機器配置方案，從而降低了系統生產損失成本。

(4)OIA算法均優(yōu)于RIA，OIA，MIA方法。OIA算法通過均衡系統生產損失和質檢機器投入對質檢機器的位置和數量進行優(yōu)化，最終給出質檢機器配置的優(yōu)化方案，降低了系統總成本；LIA方法得到最少質檢機器配置方案，降低了質檢機器的投入成本，但是增加了系統生產損失，產生了昂貴的系統生產損失成本，從而增加了系統總成本；MIA方法得到一種貪婪的質檢機器配置方案，流水線中每臺機器都是質檢機器，減少了系統生產損失，但是增加了質檢機器投入成本，從而增加了系統總成本；RIA方法保持與OIA算法相同的質檢機器數量，但是沒有對質檢機器位置進行優(yōu)化，增加了系統生產損失，從而增加了系統總成本。

6 結束語

數字孿生車間環(huán)境下的生產運行數據采集具有便捷性和實時性等優(yōu)勢，使得在產線運行過程中收集機器故障與質檢報廢等擾動事件的信息成為可能，為產線性能實時評估和質檢機器配置優(yōu)化提供了有效的支撐。本文面向考慮質檢報廢的流水線，利用流水線運行過程的實時生產數據，定量描述了機器故障和質檢報廢兩類擾動事件，分析了擾動事件對系統產出的影響，建立了事件驅動的系統生產損失模型，獲得了系統生產損失、系統有效產出等系統性能指標。在系統生產損失模型的基礎上，綜合考慮質檢機器投入成本與系統生產損失成本，以最小化系統總成本為目標，建立了質檢機器配置優(yōu)化模型，并采用遺傳算法進行求解獲得了質檢機器配置的優(yōu)化方案。通過與最少質檢機器配置、最多質檢機器配置、隨機位置質檢機器配置等方法進行對比，驗證了所提優(yōu)化方法的有效性。

在流水線運行過程中，不同時間段可能出現不同的擾動因素。在出現新的擾動事件后，調用本文所建的系統生產損失模型，重新分析新的擾動因素帶來的影響，科學評估新擾動情形下的系統性能，進而重新優(yōu)化質檢機器配置，以應對新的擾動對系統性能的影響。本文所提事件驅動的產線性能評估方法和質檢機器配置優(yōu)化方法，為數字孿生車間中產線的性能提升及持續(xù)改進提供了理論基礎和決策依據。

本文研究的流水線中質檢機器不存在檢測誤差，未來可以將研究對象拓展為質檢機器存在檢測誤差的流水線，進一步研究該流水線的建模和質檢機器配置優(yōu)化問題。為了適應不同的實際生產情況，未來還可以研究返工、返修等其他不合格品處理方式下的流水線性能建模與優(yōu)化。