吳昌錢,楊旺功,羅志偉

(1.閩南科技學(xué)院 計(jì)算機(jī)信息學(xué)院,福建 泉州 366200;2.北京林業(yè)大學(xué) 信息學(xué)院,北京100083;3.廈門理工學(xué)院 機(jī)械與汽車工程學(xué)院,福建 廈門 361000)

傳統(tǒng)生產(chǎn)流程主要是通過生產(chǎn)任務(wù)分配生產(chǎn)人員、設(shè)備和原料等,生產(chǎn)環(huán)節(jié)主要是通過順序流程,加工調(diào)度主要靠人力經(jīng)驗(yàn)來判斷決策,決策智能性不足。隨著智能制造的提出,結(jié)合物聯(lián)網(wǎng)技術(shù),將物聯(lián)網(wǎng)技術(shù)應(yīng)用于智能車間的監(jiān)測[1],通過監(jiān)測獲得實(shí)時(shí)生產(chǎn)數(shù)據(jù),然后通過數(shù)據(jù)分析來為智能車間生產(chǎn)流程優(yōu)化提供決策,這種方法提高了生產(chǎn)流程優(yōu)化效率及精度。通過對車間設(shè)備、資源、人工和工藝環(huán)節(jié)等監(jiān)測,實(shí)時(shí)掌握車間的生產(chǎn)情況,根據(jù)生產(chǎn)情況及新入任務(wù)適時(shí)地調(diào)整車間生產(chǎn)情況,以便能夠在按時(shí)完成任務(wù)的同時(shí)最大限度地節(jié)省生產(chǎn)成本。對于生產(chǎn)所需的設(shè)備、物料、人工等調(diào)度分配是一個(gè)復(fù)雜問題,對于該問題的數(shù)學(xué)建模與求解還需要結(jié)合滾動(dòng)的任務(wù)來優(yōu)化車間生產(chǎn)流程,因此對于生產(chǎn)流程優(yōu)化可考慮采用深度學(xué)習(xí)算法來完成[2]。

近年來,關(guān)于生產(chǎn)流程優(yōu)化的方法較多,李彬等[3]采用神經(jīng)網(wǎng)絡(luò)算法對車間各條生產(chǎn)線的調(diào)度路徑進(jìn)行優(yōu)化,降低了產(chǎn)品在生產(chǎn)線切換時(shí)的調(diào)度時(shí)間,節(jié)省了生產(chǎn)過程中的時(shí)間成本。童小英等[4]采用遺傳算法在虛擬仿真環(huán)節(jié)中對混流裝配線進(jìn)行平衡優(yōu)化研究,以優(yōu)化所有裝配線的生產(chǎn)效率,優(yōu)化后的生產(chǎn)效率得到明顯提升。但是,上述兩種方法僅針對平均完工時(shí)間進(jìn)行了優(yōu)化,沒有考慮生產(chǎn)成本問題的約束。王紹偉等[5]采用啟發(fā)式算法對生產(chǎn)流程遇到的動(dòng)態(tài)瓶頸進(jìn)行優(yōu)化調(diào)整,以降低生產(chǎn)中某個(gè)環(huán)節(jié)對全局生產(chǎn)效率的影響,取得了較好的生產(chǎn)效率優(yōu)化效果,但是在完工時(shí)間和生產(chǎn)成本的平衡問題上求解能力較弱。本文將提高生產(chǎn)效率和降低生產(chǎn)成本為目標(biāo),采用卷積神經(jīng)網(wǎng)絡(luò)對生產(chǎn)流程進(jìn)行優(yōu)化,結(jié)合物聯(lián)網(wǎng)監(jiān)測數(shù)據(jù)樣本,以提高生產(chǎn)流程優(yōu)化精度。

1 智能車間物聯(lián)網(wǎng)監(jiān)控

采用物聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)智能車間設(shè)備、物流、人員等數(shù)據(jù)的實(shí)時(shí)采集,全面掌握生產(chǎn)過程的各個(gè)環(huán)節(jié)進(jìn)度,通過這種模式可以完成車間的生產(chǎn)實(shí)時(shí)監(jiān)測。這種監(jiān)控模式已成為精益化生產(chǎn)的重要研究對象,通過對生產(chǎn)過程的實(shí)時(shí)監(jiān)測,結(jié)合數(shù)據(jù)后臺(tái)分析,為精益化生產(chǎn)提供決策幫助[6]。車間物聯(lián)網(wǎng)監(jiān)控結(jié)構(gòu)如圖1所示。

圖1 車間物聯(lián)網(wǎng)監(jiān)控結(jié)構(gòu)

在數(shù)據(jù)采集層通過各種傳感器對生產(chǎn)過程中的材料、設(shè)備、人員、裝備環(huán)節(jié)及工藝流程進(jìn)行實(shí)時(shí)監(jiān)測,然后通過有線或者無線通信方式傳送至數(shù)據(jù)中心,進(jìn)行數(shù)據(jù)清洗后存入數(shù)據(jù)庫,通過算法對數(shù)據(jù)進(jìn)行挖掘處理,結(jié)合生產(chǎn)任務(wù)進(jìn)行生產(chǎn)環(huán)節(jié)及工藝等合理優(yōu)化,以提高精益化生產(chǎn)水平[7]。

在對物聯(lián)網(wǎng)采集的數(shù)據(jù)分析過程中,前提是保證按期交付生產(chǎn)車間的所有生產(chǎn)任務(wù),以該條件為目標(biāo),對生產(chǎn)流程各工藝環(huán)節(jié)及設(shè)備人員分配進(jìn)行優(yōu)化,這個(gè)優(yōu)化問題是一個(gè)復(fù)雜問題,因?yàn)榧庸すに嚨捻樞?、機(jī)器使用的時(shí)間和人員技能差異化等限制條件,決定了智能算法更能方便地解決生產(chǎn)流程的優(yōu)化。

2 基于卷積神經(jīng)網(wǎng)絡(luò)的車間生產(chǎn)流程優(yōu)化

2.1 面向物聯(lián)網(wǎng)監(jiān)控的車間生產(chǎn)流程優(yōu)化

在物聯(lián)網(wǎng)監(jiān)測的智能車間生產(chǎn)過程中,需要對生產(chǎn)過程的設(shè)備、人員、物料、加工順序、生產(chǎn)任務(wù)和交貨時(shí)間等方面進(jìn)行監(jiān)測,根據(jù)實(shí)時(shí)監(jiān)測結(jié)果來分析生產(chǎn)過程中可以優(yōu)化的元素,根據(jù)卷積神經(jīng)網(wǎng)絡(luò)求得的參數(shù)結(jié)果計(jì)算目標(biāo)函數(shù),通過多次優(yōu)化,獲得最優(yōu)參數(shù),根據(jù)最優(yōu)參數(shù)對車間生產(chǎn)流程適時(shí)調(diào)整。在優(yōu)化模型建立之前,需要對生產(chǎn)過程的各要素進(jìn)行量化及數(shù)字化,具體符號表示如表1所示。

表1 生產(chǎn)流程各要素說明

從工序的時(shí)間方面來看,至少需要滿足公式(1)和(2)[8]

sOij+xOijMst×tOijMst≤eOij

(1)

(2)

設(shè)定工序選擇同種類型機(jī)器的條件為

(3)

生產(chǎn)最大流程時(shí)間最小化為

(4)

生產(chǎn)總成本[9]為

(5)

式中:K為機(jī)器類別數(shù)。

本文選擇式(4)和(5)同時(shí)作為目標(biāo)函數(shù)對生產(chǎn)流程進(jìn)行優(yōu)化。

2.2 卷積神經(jīng)網(wǎng)絡(luò)

設(shè)樣本集X=(x1,x2,…,xn),Mj個(gè)樣本特征圖通過第l層的卷積運(yùn)算

(6)

式中:klj和bl,j分別表示l層的給特征圖j賦予的權(quán)重及偏置,*為卷積運(yùn)算,f(·)的表達(dá)式為[10]

(7)

卷積操作對象為n個(gè)樣本的m個(gè)特征。設(shè)卷積核尺寸為h×w,采用均值池化

(8)

令M=n/(h×w),樣本X=(x1,x2,…,xn)卷積池化后重新得到的樣本為X=(x1,x2,…,xM)。

然后根據(jù)卷積池化后的樣本按照式(9)進(jìn)行轉(zhuǎn)換運(yùn)算[11]

(9)

式中:∑aij=1,0≤aij≤1。

根據(jù)式(9)得到卷積神經(jīng)網(wǎng)絡(luò)的全連接層,然后選擇分類器預(yù)測樣本類別。

設(shè)第k個(gè)節(jié)點(diǎn)的訓(xùn)練輸出和實(shí)際標(biāo)簽分別為yk和dk,則誤差項(xiàng)δk為

δk=(dk-yk)yk(1-yk)

(10)

(11)

式中:hj為輸出,Wjk為神經(jīng)元j到l+1層神經(jīng)元k的權(quán)重。權(quán)重更新為

(12)

式中:η為學(xué)習(xí)率。

偏置Δbk(n)的更新方式為

(13)

式中:α為偏置更新步長,一般α=1。調(diào)整后的權(quán)重為

wjk(n+1)=wjk(n)+Δwjk(n)

(14)

調(diào)整后的閾值為[12]

bk(n+1)=bk(n)+Δbk(n)

1.2.2 克氏原螯蝦急凍過程。將克氏原螯蝦置于-43 ℃的液體冷凍冷卻介質(zhì)中5 min，取出置于-18 ℃的冰柜中貯藏。

(15)

所有節(jié)點(diǎn)的誤差E為

(16)

當(dāng)E滿足設(shè)定的閾值,迭代停止,獲得穩(wěn)定的深度卷積神經(jīng)網(wǎng)絡(luò)模型。

2.3 基于卷積網(wǎng)絡(luò)的生產(chǎn)優(yōu)化流程

獲得物聯(lián)網(wǎng)監(jiān)測樣本并輸入至卷積神經(jīng)網(wǎng)絡(luò)模型,然后進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化,輸出式(4)和(5)求解所需的參數(shù),然后計(jì)算完工時(shí)間和生產(chǎn)成本,通過多次迭代,不斷優(yōu)化完工時(shí)間和生產(chǎn)成本,其主要流程如圖2所示。

圖2 基于卷積神經(jīng)網(wǎng)絡(luò)的智能車間物聯(lián)網(wǎng)監(jiān)測生產(chǎn)流程優(yōu)化流程

3 實(shí)例仿真

為了驗(yàn)證卷積神經(jīng)網(wǎng)絡(luò)在智能車間物聯(lián)網(wǎng)監(jiān)控的生產(chǎn)流程優(yōu)化性能,對某電子元件制造公司生產(chǎn)車間進(jìn)行實(shí)例仿真。分別從該公司4個(gè)季度中各選取一個(gè)數(shù)據(jù)集,數(shù)據(jù)集包含了一周的生產(chǎn)情況,該公司在生產(chǎn)線上對物料、設(shè)備及人員均采用RFID標(biāo)簽搜集數(shù)據(jù),而生產(chǎn)環(huán)節(jié)通過掃碼槍、攝像頭和電子計(jì)數(shù)器等方式采集生產(chǎn)過程情況。

根據(jù)物聯(lián)網(wǎng)數(shù)據(jù)共獲得4組數(shù)據(jù)集,首先對4組數(shù)據(jù)集的卷積網(wǎng)絡(luò)訓(xùn)練,差異化設(shè)置卷積核尺寸,分別驗(yàn)證不同卷積核尺寸下的生產(chǎn)流程優(yōu)化性能,其次對用于生產(chǎn)流程優(yōu)化的其他3種常用算法進(jìn)行仿真對比,驗(yàn)證4種算法對于4組數(shù)據(jù)集的優(yōu)化性能。

3.1 不同卷積和尺寸的優(yōu)化性能

分別設(shè)置卷積核尺寸,對4種數(shù)據(jù)集完工時(shí)間和生產(chǎn)成本分別進(jìn)行優(yōu)化,統(tǒng)計(jì)兩者的結(jié)果分別如表2和表3所示。

表2 不同卷積核尺寸的最大完工時(shí)間性能

表3 不同卷積核尺寸的生產(chǎn)成本性能

從表2可以看出,隨著卷積核尺寸的增加,4個(gè)不同數(shù)據(jù)集的生產(chǎn)任務(wù)完工時(shí)間不斷增長,其中尺寸為2*2時(shí),能獲得最低完工時(shí)間,這可能是因?yàn)榫矸e核較小時(shí),能夠更細(xì)粒度地對生產(chǎn)過程所需的要素進(jìn)行優(yōu)化,獲得更優(yōu)的生產(chǎn)任務(wù)完工時(shí)間。

從表3可以看出,當(dāng)卷積核尺寸增加,4個(gè)不同數(shù)據(jù)集的生產(chǎn)成本略微降低,其中尺寸為4*4時(shí),能獲得最低生產(chǎn)成本,但對比發(fā)現(xiàn),從生產(chǎn)成本的均值來看,3種不同卷積尺寸的生產(chǎn)成本差異很小。

綜合而言,卷積核尺寸對完工時(shí)間影響性能更加明顯,對生產(chǎn)成本影響敏感度低,在對該生產(chǎn)車間進(jìn)行生產(chǎn)流程優(yōu)化時(shí),可以考慮選擇2*2卷積核。

3.2 不同算法的優(yōu)化性能

下面對常用的優(yōu)化算法進(jìn)行優(yōu)化性能比較,分別采用神經(jīng)網(wǎng)絡(luò)(NN)算法[13]、粒子群(PSO)算法[14]、遺傳算法(GA)[15]和卷積神經(jīng)網(wǎng)絡(luò)(CNN)算法方法對數(shù)據(jù)集1樣本進(jìn)行仿真。卷積核尺寸2*2,最大迭代次數(shù)200次,仿真結(jié)果見圖3。

圖3 不同算法的優(yōu)化性能可視化(數(shù)據(jù)集1)

從圖3可以清楚地得到4種算法對數(shù)據(jù)集1的完工時(shí)間和生產(chǎn)成本優(yōu)化性能,其中CNN算法獲得了最優(yōu)的生產(chǎn)成本及完工時(shí)間,但是在獲得最優(yōu)生產(chǎn)成本約為6 200元的時(shí)候,卻要耗費(fèi)約86 h的生產(chǎn)時(shí)間,而在35 h內(nèi)完工任務(wù)則需花費(fèi)約8 800元的成本,故需要在兩者進(jìn)行折中選擇,圖中箭頭所指的點(diǎn)即為平衡優(yōu)化最佳點(diǎn),最優(yōu)完工時(shí)間約為53 h,成本約為6 600元。PSO算法獲得的最佳點(diǎn)和CNN算法非常接近,兩種算法對該算法的適用性較好,另外兩種算法優(yōu)化性能較差。

從表4可以得到,在數(shù)據(jù)集1的優(yōu)化中,CNN算法和PSO算法性能接近,其他數(shù)據(jù)集中,CNN算法的平均完工時(shí)間和平均生產(chǎn)成本性能均優(yōu)于其他3種算法,特別是在數(shù)據(jù)集3的生產(chǎn)成本優(yōu)化方面,本文算法優(yōu)勢明顯。

表4 不同算法的優(yōu)化性能(4種數(shù)據(jù)集)

4 結(jié)束語

將物聯(lián)網(wǎng)技術(shù)應(yīng)用于智能車間生產(chǎn)流程監(jiān)測,通過實(shí)時(shí)監(jiān)測獲得智能車間生產(chǎn)數(shù)據(jù)樣本,采用卷積神經(jīng)網(wǎng)絡(luò)對生產(chǎn)數(shù)據(jù)進(jìn)行訓(xùn)練,以最小完工時(shí)間和最小生產(chǎn)成本為目標(biāo),通過卷積神經(jīng)網(wǎng)絡(luò)不斷迭代優(yōu)化求解,可以獲得最優(yōu)完工時(shí)間和最優(yōu)生產(chǎn)成本,通過二維可視化,可以方便找到完工時(shí)間和生產(chǎn)成本的平衡最優(yōu)解,根據(jù)最優(yōu)解值,調(diào)整生產(chǎn)過程中各要素分配和工藝環(huán)節(jié)調(diào)度。后續(xù)研究將對生產(chǎn)優(yōu)化的實(shí)時(shí)性展開研究,在任務(wù)不斷加入及任務(wù)輪動(dòng)的情況下,提高生產(chǎn)流程優(yōu)化目標(biāo)的最優(yōu)解求解效率。