劉春明

（南京電子技術(shù)研究所，江蘇南京210039）

引 言

如今物聯(lián)網(wǎng)技術(shù)得到了高速發(fā)展，智能制造技術(shù)的應用也在逐步加深，而離散型制造企業(yè)的車間調(diào)度管理信息化程度高低不一，具不完全統(tǒng)計，75%以上的離散型制造企業(yè)的車間管理還停留在人工排程、人工調(diào)度的階段，具有信息化系統(tǒng)的企業(yè)也存在數(shù)據(jù)零散、規(guī)范不一的問題。

離散型制造企業(yè)的工藝路線靈活，生產(chǎn)計劃的制定與生產(chǎn)任務的管理任務繁重[1]。目前針對離散型制造企業(yè)信息化系統(tǒng)的研究主要集中于數(shù)據(jù)的采集、歸一化處理，協(xié)議的規(guī)范化，車間的生產(chǎn)排程以及執(zhí)行情況的反饋。它們都集中在某一點或某幾點上，缺少一個“閉環(huán)”的端到端的規(guī)范的車間管理系統(tǒng)。因此本文提出了一種離散型制造企業(yè)的車間管理系統(tǒng)設計方法。

該車間管理系統(tǒng)是針對離散型小微企業(yè)的排程系統(tǒng)，可在確認訂單之后，實時同步物料、設備、人員等所有資源數(shù)據(jù)，靈活準確地實施生產(chǎn)計劃。該系統(tǒng)根據(jù)企業(yè)已有的信息化系統(tǒng)提供相應的可適配的數(shù)據(jù)、文件和系統(tǒng)接口，幫助企業(yè)實現(xiàn)訂單與生產(chǎn)數(shù)據(jù)的分解及貫穿；采用基因算法、最佳路徑算法等可組合的算法模型工具，自動制定2份以上的排程計劃，協(xié)助生產(chǎn)計劃員進行最優(yōu)化排程，并在生產(chǎn)計劃員完成排程后，將排程計劃反饋給算法庫，調(diào)整算法相關(guān)算子權(quán)重。該系統(tǒng)適應小微企業(yè)排產(chǎn)的臨時性，可對已有的排程計劃進行優(yōu)化，同時可通過數(shù)據(jù)展現(xiàn)模塊（如甘特圖、看板等）直觀地展示新排程計劃的優(yōu)化項。它具備自動化和模擬能力，可提供直觀的可預期的排產(chǎn)結(jié)果，提高企業(yè)的信息化能力，幫助企業(yè)提升管理能力，降低人力成本，使資源利用率最大化。

1 設計背景

離散型小微制造企業(yè)的制件多為半成品，批量小，品種多，臨時性強。通過現(xiàn)場調(diào)研，發(fā)現(xiàn)離散型小微制造企業(yè)的管理現(xiàn)狀如下：

1）信息化程度偏低，信息化平臺不完整，僅有零散的系統(tǒng)或根本就沒有系統(tǒng)平臺，大多還處于人工手動處理的狀態(tài)。生產(chǎn)的計劃安排都是靠生產(chǎn)計劃員臨時排班，信息交換大多通過紙質(zhì)文件進行，信息傳達與響應能力低下。

2）企業(yè)生產(chǎn)管理的核心是訂單按時交付與產(chǎn)品質(zhì)量控制，而生產(chǎn)資源的把控與生產(chǎn)環(huán)節(jié)的調(diào)配是保證訂單按時交付的關(guān)鍵。

3）企業(yè)的組織架構(gòu)整體明確，細節(jié)個性化明顯，一人多職的現(xiàn)象普遍。排產(chǎn)過程多依靠人員的經(jīng)驗，人的因素對生產(chǎn)排程和資源調(diào)配的效率影響較大，科學的排程模型以及經(jīng)驗的積累較為缺乏。

4）小微企業(yè)的訂單臨時性強，生產(chǎn)過程中的插單、調(diào)單現(xiàn)象普遍，對人員、機床的調(diào)配靈活性要求高，容易出現(xiàn)排程不均衡的問題。訂單完成率和客戶滿意度完全取決于生產(chǎn)計劃員的個人決策，缺乏可模擬的信息化平臺支撐。

因此，離散型小微制造企業(yè)急需一個配置靈活、適應性強、可用性高的車間管理系統(tǒng)。本文提出了一種離散型制造企業(yè)的車間管理系統(tǒng)設計方法，旨在通過信息化手段，利用智能算法、排程模型、規(guī)則引擎以及數(shù)據(jù)組件實現(xiàn)實用性強的車間管理系統(tǒng)。

2 系統(tǒng)總體方案研究

2.1 設計目標

該系統(tǒng)的設計目標如圖1所示，從系統(tǒng)分層設計角度分為4個維度：

1）貫穿多系統(tǒng)的數(shù)據(jù)匯聚層。利用數(shù)據(jù)調(diào)度工具ETL，打破數(shù)據(jù)孤島壁壘，實現(xiàn)已有數(shù)據(jù)的貫穿匯聚。在數(shù)據(jù)匯聚后進行歸一化存儲，同時利用索引技術(shù)實現(xiàn)數(shù)據(jù)標簽匯聚，為系統(tǒng)實現(xiàn)提供數(shù)據(jù)支撐。

2）多維度可切片的核心模型層?；跉w一化數(shù)據(jù)，利用建模方法構(gòu)建訂單模型、資源模型、生產(chǎn)模型、人員模型和工藝模型，實現(xiàn)多維度、可切片的數(shù)據(jù)模型，為業(yè)務算法提供模型服務。

3）可靈活配置的算法業(yè)務邏輯層。在已有的數(shù)據(jù)模型基礎(chǔ)上，構(gòu)建包含最佳路徑算法、基因算法、識別算法、隨機森林算法等核心算法的基礎(chǔ)庫，利用規(guī)則引擎和適配引擎實現(xiàn)算法的選取與適配，實現(xiàn)算法的靈活配置與調(diào)用，通過應用程序編程接口（Application Programming Interface，API）實現(xiàn)上層接口的服務。

4）直觀指導生產(chǎn)的數(shù)據(jù)展現(xiàn)層。通過車間看板和大屏提供分角色的展現(xiàn)儀表盤，實現(xiàn)多端展現(xiàn)、多角色視圖和實時信息推送。

圖1 分層設計目標

2.2 功能架構(gòu)

先進規(guī)劃與排程系統(tǒng)（Advanced Planning and Scheduling, APS）是一種高效的企業(yè)計劃管理軟件，它綜合考慮可能存在的需求以及生產(chǎn)過程中人、機、料、法、環(huán)等多方面因素，對企業(yè)現(xiàn)有資源進行科學合理的配置和規(guī)劃，進而為生產(chǎn)計劃人員提供有效的生產(chǎn)排程方案，輔助生產(chǎn)決策[2]。

該系統(tǒng)的可見功能架構(gòu)主要包括物料管理、設備運行管理、產(chǎn)品管理、計劃管理、執(zhí)行管理、物料跟蹤管理以及統(tǒng)計分析與看板展現(xiàn)。各模塊的分布如圖2所示。

物料管理、設備運行管理和產(chǎn)品數(shù)據(jù)管理主要是系統(tǒng)的基礎(chǔ)數(shù)據(jù)管理，數(shù)據(jù)可在系統(tǒng)中錄入，也可通過外部數(shù)據(jù)源導入。

生產(chǎn)計劃管理針對訂單數(shù)據(jù)的錄入、工藝圖紙的識別、工序分解、物料清單（Bill of Material，BOM）自動生成、計劃排產(chǎn)引擎、生產(chǎn)過程追溯等核心功能，實現(xiàn)自動化排產(chǎn)方案及推演結(jié)果展現(xiàn)。

物料跟蹤管理是針對物料的齊套、出入庫、庫房以及線邊庫存的管理，實現(xiàn)物料資源的有序管理。

圖2 功能架構(gòu)

計劃執(zhí)行管理依據(jù)排產(chǎn)及推演后的排產(chǎn)方案，通過流程引擎實現(xiàn)人員派工管理和工時的匯報管理。

統(tǒng)計分析與看板監(jiān)控主要通過報表門戶實現(xiàn)報表數(shù)據(jù)組件的組合，并將結(jié)果直觀地展現(xiàn)在車間的大屏或電子看板上，指導和監(jiān)控生產(chǎn)過程。

2.3 技術(shù)架構(gòu)

系統(tǒng)的整體架構(gòu)為B/S架構(gòu)，后端為基于Spring-Boot的微服務架構(gòu)，前端為基于VUE的H5 MVC架構(gòu)。系統(tǒng)構(gòu)成分為前端展現(xiàn)層、業(yè)務服務層、服務引擎層、數(shù)據(jù)持久層和數(shù)據(jù)存儲層。技術(shù)完整架構(gòu)如圖3所示。

圖3 技術(shù)架構(gòu)

前端展現(xiàn)層采用主流的VUE結(jié)構(gòu)，實現(xiàn)前端界面的組件化與MVC控制，保障系統(tǒng)前端的獨立性。

業(yè)務服務層用于系統(tǒng)的業(yè)務邏輯計算后的RESTFUL API服務接口，是前端數(shù)據(jù)獲取與后端計算的紐帶。

服務引擎層用于算法執(zhí)行和引擎調(diào)度，實現(xiàn)從數(shù)據(jù)到業(yè)務對象的轉(zhuǎn)換。

數(shù)據(jù)持久層是根據(jù)數(shù)據(jù)存儲與數(shù)據(jù)緩存進行實例化對象的服務。

數(shù)據(jù)存儲層用于數(shù)據(jù)的存儲，分為分布式文件系統(tǒng)和關(guān)系型數(shù)據(jù)庫。其中分布式文件系統(tǒng)用于存儲工藝圖紙、音頻和視頻，關(guān)系型數(shù)據(jù)庫用于存儲設計完成的數(shù)據(jù)模型的結(jié)構(gòu)化數(shù)據(jù)。

3 系統(tǒng)關(guān)鍵技術(shù)

3.1 基于規(guī)則引擎的算法模型路由

規(guī)則引擎的任務是對當前提交給引擎的數(shù)據(jù)對象與加載在引擎中的業(yè)務規(guī)則進行測試和對比，激活那些符合當前數(shù)據(jù)狀態(tài)的業(yè)務規(guī)則，根據(jù)業(yè)務規(guī)則中聲明的執(zhí)行邏輯，觸發(fā)應用程序中對應的操作[3]。

系統(tǒng)針對訂單的生產(chǎn)工藝，實現(xiàn)自動化工藝識別，拆解BOM，根據(jù)分解后的BOM，利用規(guī)則引擎選擇排程算法，進而根據(jù)選擇的算法輸出排程結(jié)果的。

3.2 自動調(diào)度的數(shù)據(jù)流程

企業(yè)的數(shù)據(jù)沒有得到統(tǒng)一的存儲與管理，訂單數(shù)據(jù)、原材料數(shù)據(jù)、人員班組數(shù)據(jù)、資源數(shù)據(jù)等均散落在文件或各自的系統(tǒng)平臺中，因此來自數(shù)據(jù)采集的壓力很大。通過適配各類關(guān)系型數(shù)據(jù)庫和存儲非關(guān)系型大數(shù)據(jù)，利用探針與文件數(shù)據(jù)同步，對各個系統(tǒng)的數(shù)據(jù)進行統(tǒng)一的適配采集，將采集到的數(shù)據(jù)統(tǒng)一輸入元數(shù)據(jù)倉庫，實現(xiàn)了結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)的歸一化處理，同時創(chuàng)建了數(shù)據(jù)索引，保證二次分析時的快速加載與檢索。

如圖4所示，采用ETL工具實現(xiàn)數(shù)據(jù)采集、加載、清洗、計算、分析與存儲，利用調(diào)度程序?qū)崿F(xiàn)數(shù)據(jù)處理流程的自動化調(diào)度，通過可配置的調(diào)度界面實現(xiàn)數(shù)據(jù)的周期性調(diào)度和計算執(zhí)行，完成數(shù)據(jù)的無人值守入庫。

圖4 自動化調(diào)度的數(shù)據(jù)流程

3.3 算法性能的提升

算法性能的提升通過數(shù)據(jù)緩存來實現(xiàn)。數(shù)據(jù)緩存是將數(shù)據(jù)暫存于內(nèi)存的緩存區(qū)中?？蓪⒁恍┍粦梅疹l繁訪問到的熱門數(shù)據(jù)實體存放到數(shù)據(jù)緩存中，用戶的請求需要使用該數(shù)據(jù)實體時，應用服務可直接使用數(shù)據(jù)緩存中的數(shù)據(jù)實體，進而縮短該次服務請求的響應時間。

常用內(nèi)存數(shù)據(jù)庫（如Redis）實現(xiàn)數(shù)據(jù)緩存。緩存的數(shù)據(jù)通過唯一關(guān)鍵字實現(xiàn)快速索引，在系統(tǒng)設計中完成讀寫分離的操作，在高頻讀取的數(shù)據(jù)中設計數(shù)據(jù)key-value的緩存結(jié)構(gòu)，在排程過程中實現(xiàn)數(shù)據(jù)集的快速加載。

3.4 基于BP神經(jīng)網(wǎng)絡的排程算法

許多學者利用神經(jīng)網(wǎng)絡解決生產(chǎn)調(diào)度問題，通過神經(jīng)網(wǎng)絡模型和優(yōu)化調(diào)度算法，可以找到滿足約束條件的最優(yōu)或次優(yōu)調(diào)度解[4]。本文基于逆向傳播（Back Propagation, BP）的神經(jīng)網(wǎng)絡實現(xiàn)排程算法。

BP神經(jīng)網(wǎng)絡具有很強的非線性映射能力，可以完成任意維到維的映射。一個3層（輸入層、隱含層和輸出層）的BP神經(jīng)網(wǎng)絡能夠逼近任意非線性函數(shù)。BP神經(jīng)網(wǎng)絡的傳遞分為2個過程：1）工作信號正向傳遞子過程；2）誤差信號反向傳遞子過程。

在排程算法中，輸入層的數(shù)據(jù)定義（圖5）如下：

m為待加工數(shù)量；Qij為第i件第j 道工序；Pij為Qij的開始時間；Vik為開工時間；Eik為末道工序開工時間；Tijk為Qij的持續(xù)時間；Bi為可能的最早開始時間；Ei為最遲交貨期。

圖5 排程算法

利用Tensorflow構(gòu)建BP網(wǎng)絡，按照圖5中的公式一層一層地計算隱含層神經(jīng)元和輸出層神經(jīng)元的輸入和輸出。這里采用S 函數(shù)1/(1+Math.exp(?z))將每個節(jié)點的值統(tǒng)一到0 ～1之間，再逐層向前計算直到輸出層。

從輸入層開始，先正向逐層往前直到輸出層產(chǎn)生結(jié)果。如果結(jié)果值與目標值存在差距，再反向逐層向后計算每個節(jié)點的誤差，并且調(diào)整每個節(jié)點的所有權(quán)重，反向到達輸入層后，又重新向前計算。重復迭代以上步驟，直到所有權(quán)重參數(shù)收斂到一個合理值。

最終擬合生成K 個最優(yōu)解，在最優(yōu)解中可進行算法的推演和展現(xiàn)，如圖6所示。

圖6 算法推演展現(xiàn)

3.5 直觀的算法推演展現(xiàn)

利用前端技術(shù)，結(jié)合算法計算排程推演結(jié)果，通過時間線組合關(guān)系圖直觀地展現(xiàn)排程計劃的推演結(jié)果，輔助計劃調(diào)度員進行排產(chǎn)方案決策。如圖6所示，展現(xiàn)從3個維度進行推送：

1）時間序列塊。時間序列塊展現(xiàn)生產(chǎn)的準備時間和執(zhí)行時間，直觀地展現(xiàn)生產(chǎn)所需的時間之和。

2）各項負荷因子得分。通過后端算法模塊計算獲得每種排產(chǎn)方案的時間因子、負荷因子和成本因子的計算分值。

3）排產(chǎn)計劃總體分值。每種方案通過分項因子的加權(quán)計算實現(xiàn)分值的推送，通過分值展現(xiàn)排產(chǎn)計劃的得分。

4 結(jié)束語

在離散型小微制造企業(yè)中，生產(chǎn)排程的過程物料調(diào)度、生產(chǎn)人員的排班計劃及結(jié)果推演一直是管理的核心。通過離散型制造企業(yè)車間管理系統(tǒng)在離散制造行業(yè)中的預演試用，有效解決了企業(yè)生產(chǎn)訂單閉環(huán)管理問題和原先高度依賴人員經(jīng)驗的問題。同時通過模塊化的系統(tǒng)設計，按需加載，滿足了不同企業(yè)在數(shù)據(jù)與管理上的個性化需求。

不過，在研究與試驗中，排程算法完全依賴于數(shù)據(jù)，不能向用戶提出必要的詢問，當數(shù)據(jù)不充分時，神經(jīng)網(wǎng)絡無法進行工作，而且還需將一切問題的特征變?yōu)閿?shù)字，把一切推理變?yōu)閿?shù)值計算。因此，該排程算法還需要進一步的理論驗證和信息完善。

本文的研究貼近離散型小微制造企業(yè)已有的信息化系統(tǒng)與現(xiàn)狀，利用數(shù)據(jù)調(diào)度實現(xiàn)數(shù)據(jù)的貫穿，打通了各平臺之間的壁壘，在某種程度上構(gòu)建了離散型小微制造企業(yè)的數(shù)據(jù)平臺。在排程的算法上進行了多樣選擇，同時也給出了多種排程方案，以解決原先高度依賴人員經(jīng)驗的問題。本文雖與文獻[5]在研究對象與系統(tǒng)普適性方面有著異曲同工之處，但文中基于神經(jīng)網(wǎng)絡的排程算法更貼近人工思維，更適應決策需要。

當前基于神經(jīng)網(wǎng)絡的排程算法在數(shù)據(jù)完整性、信息交互性以及算法可回溯性上仍存在訓練模型不完備、計算因子與擬合函數(shù)過度依賴經(jīng)驗的問題，下階段的研究重點將著眼于算法與理論驗證。