陳晨 秦雙雙 常芹

摘要：智能制造運(yùn)營/執(zhí)行管理系統(tǒng)（MOM/MES）采集大量生產(chǎn)制造數(shù)據(jù)，對制造數(shù)據(jù)進(jìn)行有效地分析處理，將為改善整體制造運(yùn)營管理體系提供依據(jù)和方向。本文介紹了按訂單生產(chǎn)（MTO）制造模式中的大數(shù)據(jù)分析方法，其中訂單延誤率和工作負(fù)荷是該制造模式下最關(guān)鍵的數(shù)據(jù)指標(biāo)之一，在運(yùn)營管理決策中起著關(guān)鍵作用。該研究的目的是研究在MTO企業(yè)的運(yùn)營過程中由制造執(zhí)行系統(tǒng)（MES）收集的制造數(shù)據(jù)，并開發(fā)用于支持運(yùn)營計(jì)劃的工具。開發(fā)的工具可用于生產(chǎn)模擬和潛在資源負(fù)荷的預(yù)測。

關(guān)鍵詞：智能制造運(yùn)營（執(zhí)行）管理系統(tǒng)；大數(shù)據(jù)；可視化；運(yùn)營管理；按訂單生產(chǎn)制造模式

1 引言

MES/MOM 系統(tǒng)中，采集和存儲(chǔ)大量的來自不同生產(chǎn)運(yùn)營過程的多源異構(gòu)數(shù)據(jù)，被定義為“制造大數(shù)據(jù)”。制造大數(shù)據(jù)不同于互聯(lián)網(wǎng)下的社交網(wǎng)絡(luò)大數(shù)據(jù)，具有如下鮮明的特點(diǎn)[1-2]：1）強(qiáng)時(shí)序性；2）強(qiáng)關(guān)聯(lián)性；3）高預(yù)警性；4）數(shù)據(jù)增量性巨大。主要是因?yàn)樯a(chǎn)制造過程本身是一個(gè)連續(xù)的整體的系統(tǒng)[1]。因此，需要開發(fā)新的數(shù)據(jù)分析工具或算法來發(fā)現(xiàn)生產(chǎn)運(yùn)營過程中潛在的特定的問題和知識。

在本文中，針對于離散制造業(yè)常見的按訂單生產(chǎn)制造（MTO）模式，提出了基于可視化模型的大數(shù)據(jù)分析算法?；谝酝男袨槟Ｊ街?，采用大數(shù)據(jù)算法（如深度學(xué)習(xí)）預(yù)測未來生產(chǎn)中可能存在的威脅和瓶頸。

按訂單生產(chǎn)（MTO制造）是離散制造業(yè)最常見的生產(chǎn)制造模式之一[3-4]，通常是面向項(xiàng)目/訂單的制造類型，如機(jī)械裝置[3]或能源設(shè)備[4]等復(fù)雜產(chǎn)品的生產(chǎn)制造都采用該制造模式。

如今，MTO制造業(yè)面臨著動(dòng)態(tài)多變的商業(yè)環(huán)境，全球化的強(qiáng)大影響，競爭日益劇烈[5-6]、不正確的需求預(yù)測、開發(fā)過程中的頻繁變更、高度依靠單一供應(yīng)鏈體系以及交貨時(shí)間短等挑戰(zhàn)[6]。另一方面，他們還面臨著信息不完整、工業(yè)知識圖譜不完善以及資源的隨機(jī)性等問題。因此，對車間操作和物料流的有效管理是控制這種高度動(dòng)態(tài)的制造環(huán)境的操作復(fù)雜性的關(guān)鍵因素之一[7]。

很多制造業(yè)也意識到可靠、準(zhǔn)確的數(shù)據(jù)是生產(chǎn)運(yùn)營管理的必要條件[7-8]，也是企業(yè)保持市場競爭力的關(guān)鍵因素，因此很多制造業(yè)已實(shí)施部署了各種制造信息系統(tǒng)（如MES、MOM和ERP）并集成了企業(yè)中各種相關(guān)業(yè)務(wù)，目的是確保信息的完整、改善車間的可視性和物料流的可追溯性等，以便更好地生產(chǎn)決策。這些信息系統(tǒng)都生成并存儲(chǔ)相關(guān)項(xiàng)目、工單、操作、資源、生產(chǎn)計(jì)劃和事件等的多源異構(gòu)數(shù)據(jù)。在智能制造模式和工業(yè)4.0范式的推動(dòng)下[5-6，8]，人們越來越意識到制造業(yè)數(shù)據(jù)的價(jià)值和潛力。但是，由于缺乏相關(guān)知識和如何有益地使用可用數(shù)據(jù)的想法，大數(shù)據(jù)分析技術(shù)提供的可能性與制造業(yè)從制造大數(shù)據(jù)中提取價(jià)值的能力之間存在很大差距[9]。因此，本文嘗試采用大數(shù)據(jù)分析技術(shù)，挖掘制造大數(shù)據(jù)自身的價(jià)值，以支持制造運(yùn)營管理。

2 案例分析

在本節(jié)中，將對MTO制造業(yè)中基于實(shí)際制造業(yè)數(shù)據(jù)的運(yùn)營管理進(jìn)行數(shù)據(jù)分析的初步研究。

大量的研究和實(shí)踐表明，MTO制造業(yè)最容易出現(xiàn)，且不容易控制的來源于生產(chǎn)計(jì)劃[3，5]。計(jì)劃不充分導(dǎo)致交貨時(shí)間長、訂單延誤率高、資源利用效率低、工作超負(fù)荷和關(guān)鍵資源瓶頸等，這些都是MTO公司的典型問題。其主要是因?yàn)楫a(chǎn)品種類繁多，批次數(shù)量少，缺乏冗余資源，生產(chǎn)負(fù)荷不平衡，物料流不足等導(dǎo)致。

如圖1所示，以活動(dòng)模型（IDEF0）圖的形式展示試驗(yàn)研究的工作流程。第一步，MES數(shù)據(jù)的預(yù)處理；第二步，部署生產(chǎn)方案可視化模擬工具；第三步，測試用于計(jì)劃排產(chǎn)任務(wù)的不同啟發(fā)式算法；最后，應(yīng)用開發(fā)的模擬工具演示并測試了預(yù)測工具的開發(fā)和使用，該工具可用于預(yù)測工作系統(tǒng)上的工作量累積。

2.1 數(shù)據(jù)準(zhǔn)備和預(yù)處理

實(shí)驗(yàn)研究中考慮的數(shù)據(jù)與在被研究的MTO制造業(yè)公司的車間中執(zhí)行制造操作有關(guān)。實(shí)驗(yàn)中，采用MES數(shù)據(jù)庫的備份。數(shù)據(jù)從2016年1月開始，為期18個(gè)月。該實(shí)驗(yàn)數(shù)據(jù)集包括58 865個(gè)制造工序，14 422個(gè)工單和352個(gè)工作系統(tǒng)的數(shù)字、分類和文本描述。

預(yù)處理原始數(shù)據(jù)并創(chuàng)建三個(gè)沒有丟失、無意義和極值的關(guān)系表。這些關(guān)系表的結(jié)構(gòu)見下表。

將工作訂單的實(shí)際開始時(shí)間戳確定為第一個(gè)相應(yīng)操作的實(shí)際開始時(shí)間戳。單個(gè)工作訂單的工序由操作實(shí)際開始時(shí)間戳的順序確定。將實(shí)際加工時(shí)間計(jì)算為結(jié)束加工時(shí)間減去開始加工時(shí)間。

盡管表中包含有關(guān)352個(gè)工作站的信息，但是在觀察到的18個(gè)月時(shí)間段內(nèi)（即用于表操作中的處理）僅使用了160個(gè)。數(shù)據(jù)預(yù)處理系統(tǒng)以Python編程語言實(shí)現(xiàn)，數(shù)據(jù)庫管理系統(tǒng)采用MySQL。

2.2 生產(chǎn)計(jì)劃模擬假定

基于預(yù)處理的MES數(shù)據(jù)，開發(fā)生產(chǎn)方案可視化模擬工具。仿真工具以Python編程語言實(shí)現(xiàn)，并使用面向文檔的NoSQL數(shù)據(jù)庫MongoDB來存儲(chǔ)和管理生成的仿真方案，以進(jìn)行進(jìn)一步地分析和可視化。

為了簡化進(jìn)行實(shí)驗(yàn)研究，同時(shí)考慮到信息的不完整性，因此做出了如下假設(shè)和簡化：

1）24/7全天候生產(chǎn)，無休假；2）在單個(gè)工作站上一次只能執(zhí)行一項(xiàng)操作；3）在處理單個(gè)工序的過程中沒有中斷，這意味著工序的工作不能在中間停下來，然后再繼續(xù)進(jìn)行；4）所有工作站都被視為獨(dú)自位于自己的位置，并且物料從一個(gè)工作站傳輸?shù)搅硪粋€(gè)工作站，然后執(zhí)行后續(xù)操作。由于缺少有關(guān)物流運(yùn)輸?shù)男畔ⅲ虼藢⒉牧蠌囊粋€(gè)工作站運(yùn)輸?shù)搅硪粋€(gè)工作站所需的時(shí)間隨機(jī)設(shè)置為30～90 min；5）每次操作后，需要進(jìn)行運(yùn)輸，然后才能開始相應(yīng)工作單的后續(xù)操作；6）在操作處理時(shí)間中已經(jīng)考慮到工作中斷、故障和故障排除等；7）不考慮維護(hù)工作。

2.3 可視化仿真用例：測試用于計(jì)劃排產(chǎn)任務(wù)的啟發(fā)式算法

為了顯示如何使用生產(chǎn)場景模擬工具，給出了測試啟發(fā)式算法以計(jì)劃任務(wù)的示例。測試了兩種用于計(jì)劃排產(chǎn)任務(wù)的簡單啟發(fā)式算法：

1）先進(jìn)先出策略（FIFO）。在該策略下，工作站上等待時(shí)間最長的工序?qū)⑹紫冗M(jìn)行處理。

2）最早計(jì)劃時(shí)間策略（EPT）。在該策略下，工作站上首先要處理的是計(jì)劃的作業(yè)開始日期最早的工序。

用來比較兩種不同調(diào)度啟發(fā)式方法的仿真結(jié)果的指標(biāo)是延遲訂單的分布情況。工單延遲是通過工單的和來計(jì)算（實(shí)際完成時(shí)間/計(jì)劃完成時(shí)間）。

模擬開始時(shí)間為2016年1月4日，模擬結(jié)束時(shí)間為2017年5月1日。

工單延遲時(shí)間的結(jié)果分布如圖2所示。為了指示生產(chǎn)方案模擬工具的準(zhǔn)確性和可靠性，在圖2中添加了基于原本MES數(shù)據(jù)計(jì)算的實(shí)際工單延遲時(shí)間的分布。通常，目標(biāo)是工單的結(jié)束時(shí)間不會(huì)太晚也不會(huì)太早。結(jié)果顯示EPT策略啟發(fā)式算法效果較優(yōu)。

2.4 大數(shù)據(jù)預(yù)測算法分析

與車間中的運(yùn)營管理相關(guān)的另一問題是工作站的工作負(fù)荷，即需要在工作系統(tǒng)上完成的工作的累積。

為了預(yù)測工作站的工作負(fù)荷值，可以預(yù)測工作的處理時(shí)間、工作位置和工作訂單的狀態(tài)（在等待，運(yùn)輸或處理中）。

在實(shí)驗(yàn)中開發(fā)并使用了基于歷史數(shù)據(jù)的預(yù)測操作處理時(shí)間的功能和學(xué)習(xí)調(diào)度啟發(fā)式方法的功能，并在實(shí)驗(yàn)中使用了機(jī)器學(xué)習(xí)技術(shù)來預(yù)測操作處理時(shí)間并學(xué)習(xí)了操作選擇的啟發(fā)式方法。實(shí)現(xiàn)的機(jī)器學(xué)習(xí)算法是基于Python機(jī)器學(xué)習(xí)庫Scikit-learn [10]。 由于易于調(diào)整，與其他方法（例如神經(jīng)網(wǎng)絡(luò)）可比的預(yù)測能力以及方法的可伸縮性，因此使用了隨機(jī)森林算法。

預(yù)測哪個(gè)操作將首先在工作系統(tǒng)上進(jìn)行處理的算法包括兩個(gè)連續(xù)的步驟：

步驟一：對于要在工作系統(tǒng)上處理的一組等待操作中的每個(gè)操作，請使用OPSEL預(yù)測器（如下所述）進(jìn)行預(yù)測，該預(yù)測器返回0或1。

步驟二：從OPSEL預(yù)測變量預(yù)測為1的操作集中隨機(jī)選擇操作。如果沒有預(yù)測為1的操作，則從觀察到的工作站的所有等待操作集中隨機(jī)選擇操作。

OPSEL預(yù)測是基于機(jī)器學(xué)習(xí)技術(shù)進(jìn)行分類。它以一種既可以學(xué)習(xí)FIFO也可以學(xué)習(xí)EPT啟發(fā)式的方式進(jìn)行設(shè)計(jì)。用于學(xué)習(xí)的個(gè)體實(shí)例對應(yīng)于在某個(gè)工作站中選擇操作的個(gè)體過去情況，并且對應(yīng)于在該工作站中等待處理的個(gè)體操作。特征向量由三個(gè)特征組成：1）在觀察到的工作站中要處理的所有等待操作的數(shù)量；2）等待時(shí)間更長的操作的數(shù)量；3）待等待的操作的數(shù)量和具有較早的計(jì)劃操作開始時(shí)間。相關(guān)目標(biāo)類別yopsel表示是否選擇了觀察情況下的操作（yopsel = 1）或未選擇（yopsel = 0）。

使用單獨(dú)的訓(xùn)練和測試集方法估計(jì)已實(shí)施的預(yù)測選擇模型的性能。訓(xùn)練和測試集都包含一個(gè)月時(shí)間段的實(shí)例（一個(gè)月用于訓(xùn)練，下一個(gè)用于測試）。使用開發(fā)的生產(chǎn)方案模擬工具。結(jié)果是：1）在使用FIFO啟發(fā)式的情況下，該模型正確地預(yù)測了100%的示例中的所選操作。2）在使用EPT啟發(fā)式算法的情況下，模型正確預(yù)測了75%的示例中的選定操作，這可能是由于以下情況經(jīng)常發(fā)生的結(jié)果：多個(gè)等待操作的計(jì)劃開始時(shí)間與計(jì)劃中選定的操作的計(jì)劃開始時(shí)間完全相同。

生產(chǎn)場景可視化模擬工具用于演示工作站工作負(fù)荷預(yù)測工具的使用并評估其性能。選擇EPT策略下的啟發(fā)式算法。模擬的開始時(shí)間為2016年1月4日。開始預(yù)測時(shí)間設(shè)置為2017年2月15日。預(yù)測時(shí)間提前了一個(gè)月，直到2017年3月15日。開始收集示例以學(xué)習(xí)OPSEL預(yù)測器的時(shí)間設(shè)置為開始預(yù)測時(shí)間之前的30天。工作系統(tǒng)工作過載可視化的一般原理，用于顯示預(yù)測結(jié)果，如圖3所示。

2.4.1 結(jié)果與討論

如圖4所示，給出了實(shí)際和預(yù)測的工作系統(tǒng)工作超負(fù)荷的比較。

預(yù)測的操作開始數(shù)為2 371，而在預(yù)測期間實(shí)際開始的操作數(shù)為2 946。97.6%的預(yù)測操作在2017年5月1日之前的實(shí)際場景中啟動(dòng)。這些預(yù)測操作的平均誤差（預(yù)測和實(shí)際開始時(shí)間戳相減的平均值）和MAE的開始時(shí)間分別為-3.86和9.13天。預(yù)測的操作處理時(shí)間的平均誤差，MAE和RMSE分別為56.25 min，19.38 h和32.03 h。

通常，除了預(yù)測操作選擇和操作處理時(shí)間之外，機(jī)器學(xué)習(xí)技術(shù)還可以用于其他功能，例如，預(yù)測運(yùn)輸時(shí)間、預(yù)測工單延遲和預(yù)測工單的操作順序改變等。

可視化有助于決策。如果可以盡早預(yù)測某些工作站的關(guān)鍵工作負(fù)荷，可以提前采取行動(dòng)，例如，可以重新安排相關(guān)的工作訂單，可以將操作重定向到類似的工作站，甚至可以外購等。

3 結(jié)束語

本文研究了如何采用大數(shù)據(jù)分析技術(shù)對制造執(zhí)行/運(yùn)營管理系統(tǒng)（MES/MOM）采集的多源異構(gòu)數(shù)據(jù)進(jìn)行分析預(yù)測，以便支持制造業(yè)制造運(yùn)營管理決策。文中以離散制造業(yè)常見的按訂單生產(chǎn)（MTO）制造模式進(jìn)行說明。

根據(jù)實(shí)際的制造大數(shù)據(jù)，提出了生產(chǎn)情景可視化模擬和算法驗(yàn)證相結(jié)合的研究思路，開發(fā)了生產(chǎn)情景模擬工具，并將其用于實(shí)驗(yàn)研究。實(shí)驗(yàn)包括測試用于計(jì)劃排產(chǎn)任務(wù)的啟發(fā)式算法，以及生成數(shù)據(jù)分析工具以預(yù)測工作系統(tǒng)中的工作量?；诖髷?shù)據(jù)的可視化模型，以方便進(jìn)行操作管理的決策并有效地呈現(xiàn)匯總信息。結(jié)果表明，這種分析方法有助于更好地管理操作，從而更有效地執(zhí)行操作，更好地利用資源，縮短交貨時(shí)間并提高到期日可靠性，良好地支持制造運(yùn)營管理決策。通過實(shí)驗(yàn)，確定了在實(shí)際制造環(huán)境中開發(fā)和實(shí)施大數(shù)據(jù)分析工具時(shí)需要考慮的問題和挑戰(zhàn)。

參考文獻(xiàn)

[1] Esmaeilian B，Behdad S，Wang B.The evolution and future of manufacturing[J].A review Journal of Manufacturing Systems，2016（39）：79-100.

[2] Rihtarsi，Sluga A.Quality management in the era of IoT & Big Data[D].Bled Slovenia：a case study in ETO Company，2017.

[3] Babiceanu RF，Seker R.Big data and virtualization for manufacturing cyber-physical systems：A survey of the current status and future outlook[J].Computers in Industry ，2016（81）：128-37.

[4] Pedregosa F，Varoquaux G，Gramfort A，et al. Scikit-learn： Machine learning in Python[J].Journal of Machine Learning Research，2011，12（28）：25-30.

[5] 閆紀(jì)紅，李柏林.智能制造研究熱點(diǎn)及趨勢分析[J]. 中國機(jī)械工程，2020，8（2）：28-29.

[6] 張潔，汪俊亮，呂佑龍，等.大數(shù)據(jù)驅(qū)動(dòng)的智能制造[J].中國機(jī)械工程，2019，18（2）：78-79.

[7] Guerra-Zubiaga DA，Young RI. A manufacturing model to enable knowledge maintenance in decision support systems[J].J Manuf Syst，2006，25（2）：122-136.

[8] 李海峰，閆光榮.工業(yè)互聯(lián)環(huán)境下的PLM 應(yīng)用[J].航空制造技術(shù)，2016，18（5）：78-79.

[9] Babiceanu RF，Seker R.Big data and virtualization for manufacturing cyber-physical systems：A survey of the current status and future outlook[J].Computers in Industry ，2016（81）：128-37.

[10] Ji W，Wang L.Big data analytics based fault prediction for shop floor scheduling[J].Journal of Manufacturing Systems ，2017（43）：187-94.