孫連勝，高慶霖，王黎黎，陳 瑾，劉金山，莊存波，張 雷，3

（1.北京衛(wèi)星制造廠有限公司，北京 100094；2.北京理工大學，北京 100081；3.天津商業(yè)大學，天津 300134）

航天器結(jié)構(gòu)件具有品種繁多、功能復雜、總量大批量小、工藝特性多樣的特點，生產(chǎn)過程中存在大量設計更改、工藝變更、計劃調(diào)整等現(xiàn)象，加之多型號并行投產(chǎn)，各型號共享制造資源和生產(chǎn)線，導致航天器結(jié)構(gòu)產(chǎn)品生產(chǎn)線運行狀態(tài)復雜多變，大大增加了生產(chǎn)過程中全面、及時獲取產(chǎn)品狀態(tài)信息的難度。目前，很難采用流程固化的、大規(guī)模生產(chǎn)的方式來解決質(zhì)量、效率、成本之間相互制約的關系，往往選擇以人為核心的方式來實現(xiàn)生產(chǎn)的高度柔性化。

隨著我國航空航天企業(yè)信息化水平的不斷提升，以及數(shù)字孿生技術和物聯(lián)網(wǎng)技術的快速發(fā)展，充分挖掘設備運行數(shù)據(jù)及產(chǎn)品加工過程等數(shù)據(jù)背后潛在的價值、有效管理和利用這些數(shù)據(jù)已成為可能，也為解決復雜離散制造車間生產(chǎn)過程異常繁多、系統(tǒng)柔性差、過程變動頻繁及需求響應慢等問題提供了新的思路和研究手段。通用電氣計劃基于數(shù)字孿生體，通過Predix平臺實現(xiàn)對發(fā)動機的實時監(jiān)控、及時檢查和預測性維護[1]。Grieves等[2]研究了基于數(shù)字孿生的復雜系統(tǒng)故障預測和消除方法，并在NASA的相關系統(tǒng)中開展應用驗證。Tao等[3]給出了數(shù)字孿生驅(qū)動的產(chǎn)品設計、制造和服務體系框架及其應用方法和實例說明，闡述了需要研究的5類關鍵技術。面向生產(chǎn)車間及其可視化監(jiān)控領域，陶飛等[4]提出了數(shù)字孿生車間 （Digital twin shopfloor，DTS）的概念，并明確了數(shù)字孿生車間的實現(xiàn)模式、系統(tǒng)組成、運行機制和關鍵技術[5]，探索了數(shù)字孿生車間信息物理融合的理論與技術[6]，為生產(chǎn)車間信息物理系統(tǒng)的實現(xiàn)提供了理論和方法參考。趙浩然等[7]提出了面向數(shù)字孿生車間的三維可視化實時監(jiān)控方法。針對機加車間“黑盒”問題，孫元亮等[8]研究了面向數(shù)字孿生的監(jiān)控系統(tǒng)實現(xiàn)關鍵技術，并開發(fā)出了原型系統(tǒng)進行應用驗證。

為了提高制造系統(tǒng)的柔性及突破設備物理位置不能或難以改變的瓶頸，進行結(jié)構(gòu)件產(chǎn)線邏輯組成上的重構(gòu)，基于可重構(gòu)制造系統(tǒng)的虛擬制造單元 （Virtual manufacturing cell，VMC）的概念為此提供了思路。VMC是在一個既定的目標下，為了完成指定的任務而動態(tài)形成的制造資源虛擬集合，其特點是制造資源的物理位置不變，但生產(chǎn)組織和管理邏輯會根據(jù)車間的實際運行情況和任務情況而動態(tài)變化[9]，能夠?qū)崿F(xiàn)混線生產(chǎn)模式下制造資源的動態(tài)優(yōu)化配置，并對車間異常和擾動做出及時快速響應。在VMC構(gòu)建方面，賈國柱等[10]利用零件聚類和工藝聚類相結(jié)合的方式對零件加工流程進行模塊化分解，在此基礎上提出了基于模塊化流程的VMC構(gòu)建方法。對于多品種、多批次、小批量航空產(chǎn)品數(shù)控加工過程，劉高群[11]根據(jù)航天機電產(chǎn)品工藝特征離散等難點，提出了矩陣式動態(tài)虛擬單元的概念。針對多品種、變批量生產(chǎn)過程可重構(gòu)制造問題，陳亞絨等[12]提出了基于兩階段求解的可重構(gòu)虛擬制造單元構(gòu)建方法。

由于復雜構(gòu)件加工車間的高動態(tài)性和不確定性，單純的VMC構(gòu)建并不能滿足實際工程要求，需要在車間出現(xiàn)生產(chǎn)異常時對VMC進行動態(tài)重構(gòu)。在VMC動態(tài)重構(gòu)方面，Moradgholi等[13]針對時間周期驅(qū)動的虛擬單元動態(tài)重構(gòu)問題構(gòu)建了其雙目標整數(shù)規(guī)劃模型，并使用遺傳算法進行了求解。Li等[14]研究了可重構(gòu)制造系統(tǒng)中新訂單到達后的虛擬單元重構(gòu)問題，提出了一種改進的遺傳算法。為減少虛擬單元重構(gòu)對原有單元的影響，韓文民等[15]研究了新訂單和時間窗口混合驅(qū)動的繼承性虛擬單元重構(gòu)問題。

在VMC調(diào)度與自適應調(diào)度方面，Kesen等[16]針對多工件多工藝路線的VMC調(diào)度問題，提出了一種基于啟發(fā)式規(guī)則的遺傳算法，并驗證了其有效性。Arkat等[17]針對允許外協(xié)的VMC調(diào)度問題，以最大完工時間和最小的交通運輸成本 （包括廠內(nèi)和廠外）為調(diào)度目標，建立了考慮工序準備時間約束的混合整數(shù)規(guī)劃模型，提出了一種求解該模型的遺傳算法，并驗證了模型和算法的優(yōu)越性和有效性。但是，獨立求解VMC重構(gòu)和VMC調(diào)度問題容易存在設備資源優(yōu)化和生產(chǎn)調(diào)度方案脫節(jié)的情況，所以需要對VMC運行的整體情況進行全局優(yōu)化或評估，利用基于數(shù)字孿生的三維可視化監(jiān)控技術對數(shù)據(jù)進行多層次監(jiān)控，以及在任務–時間驅(qū)動的生產(chǎn)線快速重構(gòu)技術的基礎上，構(gòu)建自適應調(diào)度方法。

1 問題概述

目前，產(chǎn)品制造過程和生產(chǎn)線現(xiàn)場數(shù)據(jù)存在維度多、渠道多、形式多等特點，數(shù)據(jù)分散于各類科研生產(chǎn)信息系統(tǒng)，缺乏數(shù)據(jù)融合處理和統(tǒng)一的動態(tài)展示?，F(xiàn)場有時需要搜尋多個系統(tǒng)、多個平臺才能真正掌握某個對象的狀態(tài)，且仍然會存在信息不及時、不全面、不準確的情況。這將導致“工位級”和“產(chǎn)線級”不能及時掌握現(xiàn)場生產(chǎn)的進度和作業(yè)活動等生產(chǎn)動態(tài)，管控指令具有一定滯后性，難以對生產(chǎn)異?；蛲话l(fā)事件進行正確高效的協(xié)調(diào)決策，無法精準控制生產(chǎn)執(zhí)行過程。

航天器結(jié)構(gòu)產(chǎn)品具有高性能與高質(zhì)量一致性的特點，對產(chǎn)品制造過程和生產(chǎn)線現(xiàn)場管控的產(chǎn)品齊套、生產(chǎn)配套、生產(chǎn)進程、過程管控、異常狀況等方面精準管控提出了更高要求。然而，目前普遍缺乏對上述信息的整合，缺乏“全局性”“通透性”“層次性”，導致無法全面、準確、及時地掌控產(chǎn)品演化和產(chǎn)線運行狀態(tài)和趨勢。

如圖1所示，面對航天器結(jié)構(gòu)產(chǎn)品任務具有多星并行、產(chǎn)研并存的混流生產(chǎn)特點，其制造過程中動態(tài)性和隨機性強、離散程度高。在設備資源及物理位置盡可能不變的情況下，迫切需要有效手段，通過靈活調(diào)整生產(chǎn)線設備組成，包容不同產(chǎn)品類型對生產(chǎn)連續(xù)性的需求，以提升設備的利用率和生產(chǎn)線的快速響應能力。目前，按照工藝專業(yè)化原則布置設備的單元制造系統(tǒng) （Cellular manufacturing systems，CMS）雖然可以改善系統(tǒng)應對多品種變需求的響應能力，提升系統(tǒng)運作的柔性，但其難以進行物理重構(gòu)的弱點被放大，導致設備負載不均衡，一定程度上會出現(xiàn)產(chǎn)線占用率高、利用率低等問題。在現(xiàn)有的CMS基礎上進行調(diào)度排產(chǎn)雖然可基本上滿足生產(chǎn)任務，但是整體產(chǎn)能提升十分有限，在生產(chǎn)任務增加及異常狀況出現(xiàn)時，生產(chǎn)計劃往往無法按期完成，難以滿足車間柔性化混線生產(chǎn)、快速響應的需求。

圖1 航天器結(jié)構(gòu)產(chǎn)品多星并行的混流生產(chǎn)任務Fig.1 Multi-satellite parallel mixed flow production mission of spacecraft structural products

此外，生產(chǎn)過程中，經(jīng)常出現(xiàn)時間進度、設備狀態(tài)、產(chǎn)品質(zhì)量和現(xiàn)場需求不能被及時和準確獲取的情況，導致車間管理人員不能對生產(chǎn)計劃和現(xiàn)場需求進行及時調(diào)整和響應，影響了產(chǎn)品的生產(chǎn)進度和效率。因此，需要對現(xiàn)有生產(chǎn)線物理配置及邏輯組成進行應變能力與容錯能力更高的重構(gòu)研究，在產(chǎn)線重構(gòu)的結(jié)果上根據(jù)動態(tài)數(shù)據(jù)進行適應性調(diào)整。

2 基于數(shù)字孿生的產(chǎn)線重構(gòu)與自適應調(diào)度方法架構(gòu)

針對航天器復雜構(gòu)件加工車間制造過程特點，利用基于數(shù)字孿生的三維可視化監(jiān)控技術、基于任務和車間運行狀態(tài)數(shù)據(jù)驅(qū)動的生產(chǎn)線快速重構(gòu)技術、基于重構(gòu)產(chǎn)線與實時感知數(shù)據(jù)的自適應調(diào)度技術，建立“基于數(shù)字孿生的可視化監(jiān)控+產(chǎn)線快速重構(gòu)+實時感知自適應調(diào)度”運行機制，構(gòu)建基于數(shù)字孿生的產(chǎn)線快速重構(gòu)與自適應調(diào)度系統(tǒng)，總體架構(gòu)如圖2所示。

2.1 基于數(shù)字孿生的三維可視化監(jiān)控技術

基于數(shù)字孿生技術，實現(xiàn)數(shù)據(jù)驅(qū)動的生產(chǎn)線動態(tài)可視化管控，使產(chǎn)品制造演化、生產(chǎn)線運行狀態(tài)、資源重組、物資齊套、生產(chǎn)協(xié)調(diào)、產(chǎn)品跟蹤等活動由傳統(tǒng)“黑箱”模式向“多維度、全面化、透明化”模式轉(zhuǎn)變 （圖3），從而支撐數(shù)據(jù)驅(qū)動的虛擬制造單元構(gòu)建與生產(chǎn)線快速重構(gòu)，提升生產(chǎn)線資源配置和管控的科學性、合理性，能夠做到及時預警、及時調(diào)整、及時應對，提高生產(chǎn)線運行效率和快速響應能力。

2.1.1 多源異構(gòu)數(shù)據(jù)的感知與預處理

基于物聯(lián)網(wǎng)技術實現(xiàn)車間多源異構(gòu)數(shù)據(jù)的實時感知和采集，一方面為制造資源 （加工設備、物流設備、關鍵性物料、人員等）配備RFID標簽、條形碼和傳感器等自動識別或智能感知器件，使得制造資源能夠主動感知自身的位置、運行參數(shù)、環(huán)境等實時信息；另一方面，將產(chǎn)品加工過程產(chǎn)生的質(zhì)量、工時、進度、物料等數(shù)據(jù)與工藝流程進行關聯(lián)，實現(xiàn)對產(chǎn)品加工過程數(shù)據(jù)的采集和管理。

在實現(xiàn)數(shù)據(jù)實時感知和采集的基礎上，針對在加工過程中產(chǎn)生的多源異構(gòu)數(shù)據(jù)，利用粗糙集理論對其中的不完備數(shù)據(jù)進行清洗；采用時間序列方法對加工/物流設備狀態(tài)、人員與物料狀態(tài)、質(zhì)量檢測等出現(xiàn)的噪聲數(shù)據(jù)進行辨識和修正，從而為車間的動態(tài)實時可視化監(jiān)控、設備健康狀態(tài)評估與故障預測、產(chǎn)線運行狀態(tài)評估和產(chǎn)線快速虛擬動態(tài)重構(gòu)提供可靠和完備的數(shù)據(jù)源。

2.1.2 現(xiàn)場數(shù)據(jù)與數(shù)字孿生體關聯(lián)映射

將物理車間實時采集的生產(chǎn)過程數(shù)據(jù) （如質(zhì)量數(shù)據(jù)、工時數(shù)據(jù)、進度數(shù)據(jù)、檢測數(shù)據(jù)、完工數(shù)據(jù)等）及制造資源實時感知數(shù)據(jù)與車間數(shù)字孿生體的生產(chǎn)要素模型進行關聯(lián)映射，使得車間數(shù)字孿生體能夠真實反映物理車間制造資源 （人員、設備和物料）、產(chǎn)品、生產(chǎn)計劃和工藝流程的實際工作狀態(tài)和工作進展，達到以虛映實的目的，從而實現(xiàn)對車間全要素和全流程的動態(tài)實時可視化監(jiān)控。具體包括設備狀態(tài)和動作監(jiān)控、生產(chǎn)物流監(jiān)控、產(chǎn)品狀態(tài)和生產(chǎn)過程監(jiān)控。利用基于數(shù)字孿生的車間動態(tài)實時可視化監(jiān)控方法，實現(xiàn)對車間、產(chǎn)線 （邏輯上）、工位、設備、人員、物料、生產(chǎn)計劃、產(chǎn)品等運行狀態(tài)和運行過程的全方位動態(tài)實時可視化監(jiān)控和跟蹤，如圖4所示。

圖4 基于數(shù)字孿生的車間三維可視化監(jiān)控Fig.4 Digital twin-based 3D visualization and monitoring of workshop

2.2 基于任務和車間運行狀態(tài)的生產(chǎn)線快速重構(gòu)技術

航天器結(jié)構(gòu)件生產(chǎn)線的重構(gòu)問題是指當任務下達時，需要根據(jù)產(chǎn)品的工藝特性、設備評估狀態(tài)、產(chǎn)能評測來判定重構(gòu)后的產(chǎn)線設備組成，盡可能利用較少的設備滿足加工任務要求，即形成可滿足生產(chǎn)任務要求的最小設備包絡，解放部分加工設備用于其他次要任務，同時最小包絡外的設備可以作為可征用冗余設備，用于應對異常情況。如圖5所示，整個車間由原有制造單元1、單元2、單元3、單元4組成，物理位置固定，不能改變其設備組成，但通過產(chǎn)線重構(gòu)策略，可征用冗余設備中任一滿足條件的對象，重新構(gòu)造虛擬的制造單元，以新的虛擬制造單元作為后續(xù)調(diào)度排產(chǎn)等活動的前提，將原有的高占用率、低利用率的生產(chǎn)模式轉(zhuǎn)換為低占用率、高利用率的生產(chǎn)模式。同時在利用實時監(jiān)控數(shù)據(jù)實現(xiàn)的設備故障預測與性能評估技術支持下，對利用率大幅度提升的加工設備進行及時的狀態(tài)檢測與預測性維護。

2.2.1 產(chǎn)線重構(gòu)觸發(fā)條件

對于影響范圍較小的異常，如果通過調(diào)整調(diào)度排產(chǎn)方式可以解決，則無須進行產(chǎn)線重構(gòu)。通常情況下，觸發(fā)產(chǎn)線重構(gòu)的條件主要有2種。

（1） 設備異常故障，導致產(chǎn)線某種工藝加工能力缺失或現(xiàn)有產(chǎn)線內(nèi)無法通過自適應調(diào)度滿足產(chǎn)能要求。

（2） 訂單任務異常，導致產(chǎn)線產(chǎn)能不足，需要調(diào)整重構(gòu)產(chǎn)線組成。

在上述情況下需重新分析重構(gòu)目標和約束條件，建立面向異常的繼承性虛擬動態(tài)重構(gòu)產(chǎn)線的數(shù)學模型，利用資源池內(nèi)可用設備進行繼承性重構(gòu)，其本質(zhì)是產(chǎn)線中各虛擬制造單元設備組成的邏輯重構(gòu)，如圖6所示。在重構(gòu)過程中，從可用設備資源池中再次征用設備并不受實際物理位置限制。重構(gòu)后的產(chǎn)線中，各虛擬制造單元將以原有的制造單元為基礎，緊急情況下從設備資源池中優(yōu)先選擇具備與故障設備相同加工能力的機床，在局部形成新的虛擬制造單元，在全局視角下為整個產(chǎn)線繼承性重構(gòu)。

圖6 異常狀態(tài)下對設備資源池的征用Fig.6 Expropriation of device resource pools in abnormal states

2.2.2 產(chǎn)線重構(gòu)模型建立策略

產(chǎn)線重構(gòu)模型建立的關鍵在于根據(jù)系列任務的特征合理選用產(chǎn)線設備組成，模型構(gòu)建關鍵參數(shù)主要分為決定性重構(gòu)參數(shù)與量化評估性重構(gòu)參數(shù)。重構(gòu)產(chǎn)線模型的建立主要由設備選擇方法與整體性評估方法實現(xiàn)。

（1）工藝能力要求 （Craftiness）。工藝加工能力C為決定性重構(gòu)參數(shù)，設備加工能力與制造單元的加工能力之間的關系：nC≤nn；重構(gòu)前產(chǎn)線的加工能力范圍：CR={C1，C2，C3，…，CK–1，CK}，重構(gòu)時加工任務所需的加工能力范圍：TCR={C1，C2，C3，…，Ch–1，Ch}（h為工序序號，h=1，2，…）。當TCR CR時不需要進行重構(gòu)，即現(xiàn)有產(chǎn)線加工能力可以滿足任務需求，否則需要進行重構(gòu)。當需要進行產(chǎn)線重構(gòu)時，待選用設備具備能力Ci，若Ci∈TCR且CiCR，此時決定性重構(gòu)參數(shù)C=1，即從資源池中增加具備Ci（i為機器序號，i=1，2，…，M）加工能力的設備以滿足加工要求，可選用；否則C=0，表示設備不可用。

（2）可選設備健康狀態(tài)（Device’s status）。可選設備健康狀態(tài)Ds作為評估性重構(gòu)參數(shù)，根據(jù)基于機器學習的設備健康狀態(tài)評估數(shù)據(jù)。作為量化參數(shù)，可選設備健康狀態(tài)Ds在設備選擇方法中所占比重為WDs。

（3）共性工藝完工時間評估（Completion time）。共性工藝完工時間Ct為評估性重構(gòu)參數(shù)，根據(jù)歷史數(shù)據(jù)中相似結(jié)構(gòu)件的共性工序在各個設備上的加工時間進行量化評估。共性工藝完工時間Ct在設備選擇方法中所占比重為WCt。

重構(gòu)產(chǎn)線設備選用方法公式為

式中，DSi可以理解為：系列任務中以工藝加工能力C為主要決定性重構(gòu)參數(shù)來確定初始資源池中某一設備是否可用，對設備01來說，若DS1≠0則說明設備01將作為重構(gòu)產(chǎn)線組成，此時的DS1的值將作為整體產(chǎn)線產(chǎn)能評估的組成要素，并且DS1值的大小代表了設備的可征用程度；若DS1=0則說明設備01不能作為重構(gòu)產(chǎn)線組成。所以可以確定重構(gòu)后產(chǎn)線的設備組成為{DSi| DSi≠0}的集合。

不知為何，最近我創(chuàng)作熱情突然高漲，一連寫了五首詩、六首詞、七首歌，還改編了一首兒童歌曲《玩泥巴》：“玩泥巴，玩泥巴，快來玩泥巴。我捏的小狗汪汪叫，我捏的小貓搖尾巴，我捏的小鳥飛呀飛，我捏的小人樂哈哈……”你們肯定都好喜歡它吧！

選擇后的設備集合{DSi| DSi≠0}作為整個重構(gòu)產(chǎn)線的組成，將采用整體性評估方法評估重構(gòu)后的整體產(chǎn)線性能。重構(gòu)產(chǎn)線的整體性產(chǎn)能評估參數(shù)為PCa，采用基于組合賦權(quán)法和灰色聚類的車間運行狀態(tài)評估方法。利用組合賦權(quán)法對各指標權(quán)重進行計算，通過灰色聚類綜合評價算法對車間運行狀態(tài)進行評估，若重構(gòu)產(chǎn)線滿足要求，則可進行作業(yè)指導，確立任務下發(fā)，作為調(diào)度排產(chǎn)安排的決策前提。

2.3 基于重構(gòu)產(chǎn)線與實時感知數(shù)據(jù)的自適應調(diào)度

通過分析現(xiàn)場實時數(shù)據(jù)和異常預測結(jié)果，確定已經(jīng)出現(xiàn)或可能會出現(xiàn)的異常類型，以及相對應的異常處理策略，并判斷是否需要進行適應性調(diào)度調(diào)整。若需要，基于現(xiàn)場實時數(shù)據(jù)和設備、人員、物料等制造資源的實時運行狀態(tài)，建立受影響工序集合和可用制造資源集合，并在已構(gòu)建完成的重構(gòu)產(chǎn)線模型基礎上，采用優(yōu)化算法進行排產(chǎn)。

2.3.1 基于重構(gòu)產(chǎn)線與實時感知數(shù)據(jù)的自適應調(diào)度策略

基于重構(gòu)產(chǎn)線與實時感知數(shù)據(jù)的自適應調(diào)度策略以事件–周期混合驅(qū)動方式為基礎，將周期性調(diào)度與繼承性重構(gòu)相結(jié)合，以周期性訂單變化為周期性驅(qū)動條件，以車間運行過程異常狀態(tài)為事件性驅(qū)動條件，在周期性及事件性驅(qū)動條件下觸發(fā)調(diào)度排產(chǎn)算法，具體自適應調(diào)度流程如圖7所示。事件驅(qū)動的重構(gòu)后產(chǎn)線自適應調(diào)度在基于數(shù)字孿生的三維可視化監(jiān)控及設備健康狀態(tài)與車間運行狀態(tài)評估支持下，及時響應突發(fā)事件，在保證系統(tǒng)穩(wěn)定性的同時，有效提高系統(tǒng)的響應能力。

圖7 基于重構(gòu)產(chǎn)線與實時感知數(shù)據(jù)的自適應調(diào)度流程Fig.7 Adaptive scheduling process based on reconfigured production lines with real-time sensing data

在初始調(diào)度排產(chǎn)下發(fā)到重構(gòu)產(chǎn)線的運行過程，期間需要觸發(fā)自適應調(diào)度的條件或擾動因素主要為隨機設備故障。假設t1時刻在設備i上發(fā)生了隨機性故障，即重構(gòu)產(chǎn)線內(nèi)部可用設備組成發(fā)生變化，此時設備i上正在加工的工序為工件j的Ojh工序，以目前產(chǎn)線上后續(xù)未加工工序及t1時刻非故障設備作為輸入，觸發(fā)調(diào)度算法生成調(diào)度方案，若產(chǎn)線產(chǎn)能要求評估通過，將按照適應后調(diào)度方案排產(chǎn)；若不能滿足評估要求，則需征用資源池中設備，以保障后續(xù)工序運行；假設重構(gòu)產(chǎn)線中故障設備t2時刻維修完成，則t2時刻相當于產(chǎn)線組成發(fā)生變化，再次觸發(fā)自適應調(diào)度。

2.3.2 基于重構(gòu)產(chǎn)線與實時感知數(shù)據(jù)的調(diào)度算法

產(chǎn)線模型已經(jīng)確定的航天器結(jié)構(gòu)件機加車間調(diào)度問題，屬于柔性作業(yè)車間調(diào)度，可以描述為有m臺具備一種或多種制造能力的加工設備，其中有n個待加工工件需要在產(chǎn)線上進行加工，每個工件有一道或者多道工序。每個工件的工序順序是已經(jīng)確定的，每道工序可以在多臺不同的機床上加工，工序的加工時間隨機床的性能不同而變化。調(diào)度目標是最大完工時間 （Makespan）最小。此外，還需滿足以下6個約束條件。

（1）同一時刻同一臺機器只能加工一個零件。

（3）每個工件的每道工序一旦開始，不能中途中斷。

（4）不同工件具有相同的優(yōu)先級。

（5）不同工件的工序之間沒有前后約束，同一工件的工序之間有前后約束。

（6）所有工件零時刻都可以被加工。

結(jié)合基于重構(gòu)產(chǎn)線與實時感知數(shù)據(jù)的自適應調(diào)度策略，將改進的灰狼優(yōu)化算法作為圖7中的基本調(diào)度算法，參與到重構(gòu)產(chǎn)線自適應調(diào)度中。結(jié)合基本GWO算法和多目標遺傳算法（NSGAⅡ）改進灰狼優(yōu)化算法。NSGAⅡ的核心為非支配排序和擁擠度計算，對多個解按照支配關系進行分層處理，將各層級以擁擠度大小排列，判斷每個個體的優(yōu)劣?；綠WO算法優(yōu)化過程主要分為社會等級分層、追蹤目標、包圍目標、獵取4個階段?；依巧鐣燃壏譃棣晾恰ⅵ吕?、γ狼和ω狼，其中α狼為狼群決策者；β狼服從α狼，輔助進行決策；γ狼服從β狼和α狼領導其余狼群；ω狼為最底層。整個追蹤和狩獵過程由種群中的α狼、β狼、γ狼引導完成?；谥貥?gòu)產(chǎn)線與實時感知數(shù)據(jù)的自適應調(diào)度算法實現(xiàn)步驟概括如下。

Step 1：初始化參數(shù)（種群大小、迭代次數(shù)等）。

Step 2：進行非支配排序和擁擠度計算。

Step 3：用灰狼算子進行種群更新。

Step 4：判斷是否達到迭代次數(shù)。

Step 5：輸出結(jié)果/跳轉(zhuǎn)Step 2。

算法步驟流程如圖8所示。

圖8 算法流程Fig.8 Algorithmic processes

3 系統(tǒng)驗證

基于目前已有的ERP、PDM、MES等企業(yè)信息管理系統(tǒng)和數(shù)據(jù)管理平臺，結(jié)合車間數(shù)據(jù)采集系統(tǒng)，開發(fā)了基于數(shù)字孿生的產(chǎn)線快速重構(gòu)與自適應調(diào)度系統(tǒng)。系統(tǒng)架構(gòu)如圖9所示，主要由ERP系統(tǒng)、MES系統(tǒng)、PDM系統(tǒng)及數(shù)據(jù)采集系統(tǒng)為數(shù)據(jù)支撐，以產(chǎn)線資源的數(shù)學形式表達和三維數(shù)字孿生模型作為模型基礎構(gòu)建，由多層次監(jiān)控模塊、產(chǎn)線重構(gòu)狀態(tài)模塊、自適應調(diào)度排產(chǎn)模塊3個功能模塊組成。系統(tǒng)驗證環(huán)境為Windows 10操作系統(tǒng)、Intel（R） Core（TM）i7–11700f 處理器、32 GB運行內(nèi)存、NVIDIA GeForce RTX 3060。

圖9 基于數(shù)字孿生的產(chǎn)線快速重構(gòu)與自適應調(diào)度系統(tǒng)軟件架構(gòu)圖Fig.9 Software architecture of digital twin-based production line rapid reconfiguration and adaptive scheduling system

3.1 多層次監(jiān)控模塊

在基于數(shù)字孿生的三維可視化監(jiān)控技術的支持下，對航天器結(jié)構(gòu)件機加工車間建立了全局、單元、工位多個層次的監(jiān)控，如圖10所示。

圖10 航天器結(jié)構(gòu)件機加工車間監(jiān)控Fig.10 Spacecraft structural parts machining workshop monitoring

各項監(jiān)控內(nèi)容如表1所示。其中全局監(jiān)控形式包括漫游視角與上帝視角，監(jiān)控內(nèi)容包括車間運行狀態(tài)評估、主要設備運行數(shù)據(jù)、異常狀態(tài)告警信息等30余項數(shù)據(jù)。有效地解決了復雜產(chǎn)品機加工車間運行狀態(tài)監(jiān)控數(shù)據(jù)更新不及時、不全面、不準確等問題。

表1 監(jiān)控內(nèi)容明細Table 1 Monitoring content details

3.2 產(chǎn)線重構(gòu)狀態(tài)模塊

根據(jù)車間運行狀態(tài)異常情況實時監(jiān)控與任務態(tài)勢變化，對產(chǎn)線重構(gòu)觸發(fā)條件進行全時段監(jiān)聽，并做出相關響應，部分的系統(tǒng)界面如圖11所示。

圖11 當前產(chǎn)線重構(gòu)狀態(tài)Fig.11 Reconfiguration state of production line

為了更好地解決原產(chǎn)線高占用率、低利用率的問題，評定現(xiàn)產(chǎn)線占用與利用的情況，設定指標ZL，指標ZL數(shù)值越高代表某一時刻產(chǎn)線的利用情況及產(chǎn)能效果越好，反之則代表產(chǎn)線處于占用率較高、利用率較低的狀態(tài)。

式中，m為車間內(nèi)所有機床的數(shù)量；Mpi為第i個機床的設備利用率，%；nT為車間內(nèi)正在進行的加工任務數(shù)量；pm為加工任務對設備的占用率，正在進行任務總數(shù)與車間設備總數(shù)之比，即pm=nT/m，%；pB為車間的設備故障率，%。因此，指標ZL也可以表達為

系統(tǒng)應用前后各30 d的ZL變化如圖12所示，可以發(fā)現(xiàn)，ZL指標值提升較為明顯。

圖12 ZL指標圖Fig.12 ZL indicator chart

3.3 自適應調(diào)度排產(chǎn)模塊

系統(tǒng)自適應調(diào)度排產(chǎn)模塊以前兩個功能模塊為支撐，在周期性任務態(tài)勢與多層次實時監(jiān)控異常狀態(tài)共同決定的周期+事件性驅(qū)動下實現(xiàn)其功能，系統(tǒng)界面如圖13所示。對于工件數(shù)量為50，設備數(shù)量分別是16和25的兩種調(diào)度情況所生成的作業(yè)調(diào)度甘特圖如圖14所示。

圖13 自適應調(diào)度排產(chǎn)界面Fig.13 Adaptive scheduling interface

圖14 作業(yè)調(diào)度甘特圖Fig.14 Job scheduling Gantt chart

4 結(jié)論

針對航天器結(jié)構(gòu)產(chǎn)品加工產(chǎn)線配置和計劃調(diào)度難度大、周期長、不科學、易出錯以及產(chǎn)線整體占用率高、利用率低、產(chǎn)能提升受限等問題，研究了基于數(shù)字孿生的航天器結(jié)構(gòu)產(chǎn)品產(chǎn)線重構(gòu)與自適應調(diào)度方法。運用數(shù)字孿生、機器學習、產(chǎn)線重構(gòu)、智能調(diào)度排產(chǎn)等技術，建立模型和數(shù)據(jù)驅(qū)動的智能車間“基于數(shù)字孿生的可視化監(jiān)控+產(chǎn)線快速重構(gòu)+實時感知自適應調(diào)度”運行機制。并開發(fā)原型系統(tǒng)進行應用驗證，幫助提高車間生產(chǎn)效率和設備利用率，縮短產(chǎn)品制造周期，改變現(xiàn)有生產(chǎn)調(diào)度模式，提升當前的資源重組能力，解決多品種變批量混線生產(chǎn)所帶來的管控難題，有效縮短生產(chǎn)準備周期，提升車間產(chǎn)能。