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。
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。
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。
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
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。
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
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
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
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
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
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。