CN105302096B - 一种工厂智能调度方法 - Google Patents

Abstract

本发明公开了一种工厂智能调度方法，主要包括以下步骤：通过智能传感器采集设备状态信息和工厂环境信息；将设备状态信息和环境信息分别送至对应PLC数据采集站；各PLC数据采集站经过数据预处理，将数据分成流程调度记录数据、关键设备控制记录数据、设备运行状态数据、关键工艺指标数据上传至数据中心；数据中心进行知识规则的提取，得到流程调度规则、设备控制规则、异常处理规则构成的知识规则库；通过设备智能控制算法和流程智能调度算法分别读取相应的规则，实现对智能工厂内资源进行优化配置和调度。本发明能够实现对传统工厂生产模式的升级改造，提高生产效率，降低生产能耗，减少环境污染，节约生产成本，真正实现绿色生产。

Description

一种工厂智能调度方法

技术领域

本发明涉及智能控制与调度技术领域，具体涉及一种工厂智能调度方法。

背景技术

随着工业4.0的推广和《中国制造2025》的逐步推进，智能工厂的概念也渐渐形成了共识：智能工厂是利用各种现代化的技术手段，实现工厂的办公、管理及生产自动化，达到加强及规范企业管理、减少工作失误、提高工作效率以及降低资源消耗的目的。智能工厂是工业4.0和《中国制造2025》的必经之路，是构成工业4.0的核心元素。

目前我国的工业水平仍然处在工业2.0与工业3.0之间，只有少数大型生产制造企业进行了工业4.0的尝试，大多数传统生产工厂依然采用工人手工操作机器的形式，生产效率不高、能耗较大、污染也较重。当前国内外掀起了一股研究智能工厂的热潮，然而智能工厂的模型也仅仅只是雏形，没有形成规范化、标准化的统一标准，对智能工厂的认识才处于启蒙阶段。

发明内容

为克服上述现有技术的不足，本发明的目的在于提供一种提高生产效率，降低生产能耗，减少环境污染，节约生产成本的工厂智能调度方法。

为实现上述目的，本发明采用以下技术方案：一种工厂智能调度方法，该调度方法主要包括以下步骤：

a.根据智能工厂对信息采集的需求，在工厂内部设置智能传感器，通过智能传感器采集设备状态信息和工厂环境信息；

b.将设备状态信息和环境信息分别送至对应PLC数据采集站；

c.各PLC数据采集站经过数据预处理，将数据分成流程调度记录数据、关键设备控制记录数据、设备运行状态数据、关键工艺指标数据上传至数据中心；

d.数据中心进行知识规则的提取，得到流程调度规则、设备控制规则、异常处理规则构成的知识规则库；

e.通过设备智能控制算法和流程智能调度算法分别读取相应的规则，实现对智能工厂内资源进行优化配置和调度，并实现对设备的精准控制；

f.调度和控制效果通过智能工厂虚拟现实动画实时展示出来，便于相关人员及时准确获知工厂信息，并提供相应接口供人工介入，实现人机友好交互应用和体验；

g.执行调度和控制后的设备信息又通过智能传感器及时准确采集，形成良性反馈和闭环。

作为优选技术方案，所述知识规则库的构成主要包括专家规则的构建和挖掘规则的构建，

所述专家规则的构建步骤如下：

1)问题目标化，专家丰富的经验结合现场实际，将期待解决的问题分解为多个确定的目标；

2)问题知识化，辨别所要研究的问题本质，分析具体研究任务核心是什么，并分析该问题的定义、规模、是否可分解子任务以及数据方面信息；

3)知识概念化，概括知识表示所需要的关键概念及其关系，其中包括数据类型、已知条件、已知状态、问题目标、提出的假设以及控制策略；

4)概念形式化，即确定用来组织知识的数据结构形式，应用各种知识表示方法把与概念化过程有关的关键概念、子问题及信息流特性变换为正式的表达，包括假设空间、过程模型和数据特性；

5)形式规则化，即编制规则、把形式化的知识变换为由编程语言表示的可供计算机执行的语句和程序；

6)评估合法化，即评估规则化了知识的合理性，检验规则的有效性；

7)将规则作为专家知识添加到规则库中。

所述挖掘规则的构建步骤如下：

1)问题目标化，现场生产数据是海量的，需要明确挖掘目的、挖掘方向，将问题描述为具体的目标；

2)数据仓库构建，根据问题目标，深刻理解问题本质及涉及的数据范围，理解数据中心中各维数据的实际意义，从而合理地选择数据组成数据集，以此构建数据仓库；

3)形成特定数据集，数据仓库通过数据选择、数据转换形成可用于数据挖掘的数据集；

4)规则模型的建立，通过数据挖掘领域中各种挖掘算法，如聚类分析、分类分析、时间序列分析、关联规则分析，建立多种规则模型；

5)规则评估，对建立的规则模型进行验证评估，并以知识的方式表示该规则；

6)将评估后的规则知识添加到规则库中。

作为优选技术方案，所述设备智能控制算法包括如下步骤：

1)建立多目标经济指标优化智能控制模型，优化目标如下：

存在如下约束：

ΔU^- _M≤ΔU_M≤ΔU⁺ _M

U^- _M≤U_M≤U⁺ _M

α₁-σ₁≤y_P1(k+1|k)≤β₁+σ₁

α₂-σ₂≤y_P2(k+1|k)≤β₂+σ₂

[y_P1，y_P2]＝M_modelU_M

0≤σ₁，σ₂

式中U_M代表待优化求解的控制变量，y^* _P2是被控变量2最优值，R⁺ _m代表最优下料量，y^_P1代表会导致系统故障的被控变量1边界值，Q₁，Q₂，ρ，λ，R是目标项优化权重系数，控制器优先保证权重系数大的目标项，[α₁，β₁]，[α₂，β₂]是被控变量1、2的质量指标区间，σ₁，σ₂是软约束修正参数，调整该参数可放宽被控变量控制区间精度，从而为其他优化项解放控制器剩余度，M_model为预测模型；

上述目标函数主要由三部分组成：其中，是保证被控变量区间控制的动态优化部分；为防止系统故障的最大值罚函数；实现设备优化运行的稳态经济优化目标；实现进料优化，R⁺ _m代表最优下料量；||y_P2-y^* _P2||² _λ实现被控量优化，y^* _P2是被控变量2最优值；

2)求解优化控制模型：

a)将约束优化问题标准化为：

min J(X)

s.t g_j(X)≥0，j＝1，2，...8

x＝[δ₁，δ₂，U_M]

将约束标准化为下式：

b)采用乘子罚函数法将约束优化问题转化为无约束优化问题：

其中，γ_j为拉格朗日乘子，N为罚因子；

c)给定初始X⁰，乘子向量γ^k，常数N，设定常数σ，ω其中δ＞1，0＜ω＜1，设定允许误差ε＞0，令k＝1；

d)以X^k-1为初始点，采用PS0+POWELL算法求解约束问题

e)若|γ^k-γ^k-1|＜ε则停止计算，得到近似极小点X^k，结束优化计算，否则转下一步；

f)若则令N＝σN，转下一步，否则直接转下一步；

g)返回第四步，经以上步骤，计算出约束优化问题的近似全局最优解。

作为优选技术方案，所述流程智能调度算法主要包括如下步骤：

1)通过ERP/MES系统或者通过人机交互平台获取调度计划条件；

2)通过数据挖掘和人工专家共同建立知识规则库；

3)结合步骤1得到的调度计划条件和步骤2得到的知识规则库提供的设备优选规则等规则来共同对调度状态空间进行搜索；

4)通过调度状态空间搜索得到初步调度计划集；

5)通过智能传感器层探测由步骤9的调度计划指令的执行结果，得到智能工厂所有关键设备信息和环境信息；

6)通过通讯网络传递步骤5获得的设备信息和环境信息至实时数据库；

7)步骤2知识规则库提供的异常处理规则和流程调度规则等和步骤6提供的设备状态信息和环境信息经由计划在线调整模块得到需调整计划集；

8)结合步骤4得到的初步调度计划集和步骤7得到的需调整计划集，经过调度计划生成模块生成调度计划列表；

9)由调度计划筛选器对步骤8生成的调度计划列表进行查重和寻优得到可执行优化的调度计划列表；

10)由调度计划推送模块将步骤9得到的可执行优化的调度计划列表中作业调度指令分别下达至对应设备执行器，执行调度计划指令。

本发明所采用的技术方案具有以下有益效果：

1、本发明从建立底层智能传感器层出发，通过通信网络层对信息实现真实及时可靠传输，能够确保数据挖掘的有效性，系统控制的稳定性。

2、本发明提出的智能工厂的流程智能调度算法，算法步骤流程清晰、逻辑严密，在获取到智能工厂真实的状态信息后，能够做出正确的调度决策，并将决策下调度指令精确推送到相应的执行器上，能够确保调度决策的准确性。

3、本发明具有前瞻性，能够实现对传统工厂生产模式的升级改造，提高生产效率，降低生产能耗，减少环境污染，节约生产成本，真正实现绿色生产。

附图说明

图1为本发明的整体框架图。

图2为本发明的知识规则库构建的流程图。

图3为本发明的智能调度的流程图。

具体实施方式

下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。

如图1所示，一种工厂智能调度方法，该调度方法主要包括以下步骤：

a.根据智能工厂对信息采集的需求，在工厂内部设置智能传感器，通过智能传感器采集设备状态信息和工厂环境信息；

b.将设备状态信息和环境信息分别送至对应PLC数据采集站；

c.各PLC数据采集站经过数据预处理，将数据分成流程调度记录数据、关键设备控制记录数据、设备运行状态数据、关键工艺指标数据上传至数据中心；

d.数据中心进行知识规则的提取，得到流程调度规则、设备控制规则、异常处理规则构成的知识规则库；

e.通过设备智能控制算法和流程智能调度算法分别读取相应的规则，实现对智能工厂内资源进行优化配置和调度，并实现对设备的精准控制；

f.调度和控制效果通过智能工厂虚拟现实动画实时展示出来，便于相关人员及时准确获知工厂信息，并提供相应接口供人介入，实现友好人机交互应用和体验；

g.执行调度和控制后的设备信息又通过智能传感器及时准确采集，形成良性反馈和闭环。

如图2所示，所述知识规则库的构成主要包括专家规则的构建和挖掘规则的构建，所述

专家规则的构建步骤如下：

1)问题目标化，专家丰富的经验结合现场实际，将期待解决的问题分解为多个确定的目标；

2)问题知识化，辨别所要研究的问题本质，分析具体研究任务核心是什么，并分析该问题的定义、规模、是否可分解子任务以及数据等方面信息；

3)知识概念化，概括知识表示所需要的关键概念及其关系，其中包括数据类型、已知条件、已知状态、问题目标、提出的假设以及控制策略等方面；

4)概念形式化，即确定用来组织知识的数据结构形式，应用各种知识表示方法把与概念化过程有关的关键概念、子问题及信息流特性变换为正式的表达，包括假设空间、过程模型和数据特性；

5)形式规则化，即编制规则、把形式化的知识变换为由编程语言表示的可供计算机执行的语句和程序；

6)评估合法化，即评估规则化了知识的合理性，检验规则的有效性；

7)将规则作为专家知识添加到规则库中。

所述挖掘规则的构建步骤如下：

1)问题目标化，现场生产数据是海量的，需要明确挖掘目的、挖掘方向，将问题描述为具体的目标；

2)数据仓库构建，根据问题目标，深刻理解问题本质及涉及的数据范围，理解数据中心中各维数据的实际意义，从而合理地选择数据组成数据集，以此构建数据仓库；

3)形成特定数据集，数据仓库通过数据选择、数据转换等预处理操作形成可用于数据挖掘的数据集；

4)规则模型的建立，通过数据挖掘领域中各种挖掘算法，如聚类分析、分类分析、时间序列分析、关联规则分析，建立多种规则模型；

5)规则评估，对建立的规则模型进行验证评估，并以知识的方式表示该规则；

6)将评估后的规则知识添加到规则库中。

所述设备智能控制算法包括如下步骤：

1)建立多目标经济指标优化智能控制模型，优化目标如下：

存在如下约束：

ΔU^- _M≤ΔU_M≤ΔU⁺ _M

U^- _M≤U_M≤U⁺ _M

α₁-σ₁≤y_P1(k+1|k)≤β₁+σ₁

α₂-σ₂≤y_P2(k+1|k)≤β₂+σ₂

[y_P1，y_P2]＝M_modelU_M

0≤σ₁，σ₂

式中U_M代表待优化求解的控制变量，y^* _P2是被控变量2最优值，R⁺ _m代表最优下料量，y^_P1代表会导致系统故障的被控变量1边界值，Q₁，Q₂，ρ，λ，R是目标项优化权重系数，控制器优先保证权重系数大的目标项，[α₁，β₁]，[α₁，β₂]是被控变量1、2的质量指标区间，σ₁，σ₂是软约束修正参数，调整该参数可放宽被控变量控制区间精度，从而为其他优化项解放控制器剩余度，M_model为预测模型；

上述目标函数主要由三部分组成：其中，是保证被控变量区间控制的动态优化部分；为防止系统故障的最大值罚函数；实现设备优化运行的稳态经济优化目标；实现进料优化，R⁺ _m代表最优下料量；||y_P2-y^* _P2||² _λ实现被控量优化，y^* _P2是被控变量2最优值；

2)求解优化控制模型：

a)将约束优化问题标准化为：

min J(X)

s.t g_j(X)≥0，j＝1，2，...8

x＝[δ₁，δ₂，U_M]

将约束标准化为下式：

b)采用乘子罚函数法将约束优化问题转化为无约束优化问题：

其中，γ_j为拉格朗日乘子，N为罚因子；

c)给定初始X⁰，乘子向量γ^k，常数N，设定常数σ，ω(δ＞1，ω∈(0，1))，设定允许误差ε＞0，令k＝1；

d)以X^k-1为初始点，采用PSO+POWELL算法求解约束问题

e)若|γ^k-γ^k-1|＜ε则停止计算，得到近似极小点X^k，结束优化计算，否则转下一步；

f)若，则令N＝σN，转下一步，否则直接转下一步；

g)返回第四步，经以上步骤，计算出约束优化问题的近似全局最优解。

如图3所示，所述流程智能调度算法主要包括如下步骤：

1)通过ERP/MES系统或者通过人机交互平台获取调度计划条件；

2)通过数据挖掘和人工专家共同建立知识规则库；

3)结合步骤1得到的调度计划条件和步骤2得到的知识规则库提供的设备优选规则等规则来共同对调度状态空间进行搜索；

4)通过调度状态空间搜索得到初步调度计划集；

5)通过智能传感器层探测由步骤9的调度计划指令的执行结果，得到智能工厂所有关键设备信息和环境信息；

6)通过通讯网络传递步骤5获得的设备信息和环境信息至实时数据库；

7)步骤2知识规则库提供的异常处理规则和流程调度规则等和步骤6提供的设备状态信息和环境信息经由计划在线调整模块得到需调整计划集；

8)结合步骤4得到的初步调度计划集和步骤7得到的需调整计划集，经过调度计划生成模块生成调度计划列表；

9)由调度计划筛选器对步骤8生成的调度计划列表进行查重和寻优得到可执行优化的调度计划列表；

10)由调度计划推送模块将步骤9得到的可执行优化的调度计划列表中作业调度指令分别下达至对应设备执行器，执行调度计划指令。

本发明从建立底层智能传感器层出发，通过通信网络层对信息实现真实及时可靠传输，能够确保数据挖掘的有效性，系统控制的稳定性。本发明提出的智能工厂的流程智能调度算法，算法步骤流程清晰、逻辑严密，在获取到智能工厂真实的状态信息后，能够做出正确的调度决策，并将决策下调度指令精确推送到相应的执行器上，能够确保调度决策的准确性。本发明具有前瞻性，能够实现对传统工厂生产模式的升级改造，提高生产效率，降低生产能耗，减少环境污染，节约生产成本，真正实现绿色生产。

以上显示和描述了本发明的基本原理和主要特征。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (3)

1.一种工厂智能调度方法，其特征在于：该调度方法主要包括以下步骤：

a.根据智能工厂对信息采集的需求，在工厂内部设置智能传感器，通过智能传感器采集设备状态信息和工厂环境信息；

b.将设备状态信息和环境信息分别送至对应PLC数据采集站；

c.各PLC数据采集站经过数据预处理，将数据分成流程调度记录数据、关键设备控制记录数据、设备运行状态数据、关键工艺指标数据上传至数据中心；

d.数据中心进行知识规则的提取，得到流程调度规则、设备控制规则、异常处理规则构成的知识规则库；

e.通过设备智能控制算法和流程智能调度算法分别读取相应的规则，实现对智能工厂内资源进行优化配置和调度，并实现对设备的精准控制；流程智能调度算法主要包括如下步骤：

1)通过ERP/MES系统或者通过人机交互平台获取调度计划条件；

2)通过数据挖掘和人工专家共同建立知识规则库；

3)结合步骤1得到的调度计划条件和步骤2得到的知识规则库提供的设备优选规则来共同对调度状态空间进行搜索；

4)通过调度状态空间搜索得到初步调度计划集；

5)通过智能传感器层探测由步骤10的调度计划指令的执行结果，得到智能工厂所有关键设备状态信息和环境信息；

6)通过通讯网络传递步骤5获得的设备状态信息和环境信息至实时数据库；

7)步骤2知识规则库提供的异常处理规则和流程调度规则和步骤6提供的设备状态信息和环境信息经由计划在线调整模块得到需调整计划集；

8)结合步骤4得到的初步调度计划集和步骤7得到的需调整计划集，经过调度计划生成模块生成调度计划列表；

9)由调度计划筛选器对步骤8生成的调度计划列表进行查重和寻优得到可执行优化的调度计划列表；

10)由调度计划推送模块将步骤9得到的可执行优化的调度计划列表中作业调度指令分别下达至对应设备执行器，执行调度计划指令；

f.调度和控制效果通过智能工厂虚拟现实动画实时展示出来，便于相关人员及时准确获知工厂信息，并提供相应接口供人工介入，实现人机友好交互应用和体验；

g.执行调度和控制后的设备信息又通过智能传感器及时准确采集，形成良性反馈和闭环。

2.根据权利要求1所述的工厂智能调度方法，其特征在于：所述知识规则库的构成主要包括专家规则的构建和挖掘规则的构建，所述专家规则的构建步骤如下：

1)问题目标化，专家丰富的经验结合现场实际，将期待解决的问题分解为多个确定的目标；

2)问题知识化，辨别所要研究的问题本质，分析具体研究任务核心是什么，并分析该问题的定义、规模、是否可分解子任务以及数据方面信息；

3)知识概念化，概括知识表示所需要的关键概念及其关系，其中包括数据类型、已知条件、已知状态、问题目标、提出的假设以及控制策略；

4)概念形式化，即确定用来组织知识的数据结构形式，应用各种知识表示方法把与概念化过程有关的关键概念、子问题及信息流特性变换为正式的表达，包括假设空间、过程模型和数据特性；

5)形式规则化，即编制规则、把形式化的知识变换为由编程语言表示的可供计算机执行的语句和程序；

6)评估合法化，即评估规则化了知识的合理性，检验规则的有效性；

7)将规则作为专家知识添加到规则库中；

所述挖掘规则的构建步骤如下：

1)问题目标化，现场生产数据是海量的，需要明确挖掘目的、挖掘方向，将问题描述为具体的目标；

2)数据仓库构建，根据问题目标，深刻理解问题本质及涉及的数据范围，理解数据中心中各维数据的实际意义，从而合理地选择数据组成数据集，以此构建数据仓库；

3)形成特定数据集，数据仓库通过数据选择、数据转换形成可用于数据挖掘的数据集；

4)规则模型的建立，通过数据挖掘领域中各种挖掘算法，建立多种规则模型；

5)规则评估，对建立的规则模型进行验证评估，并以知识的方式表示该规则；

6)将评估后的规则知识添加到规则库中。

3.根据权利要求1所述的工厂智能调度方法，其特征在于：所述设备智能控制算法包括如下步骤：

1)建立多目标经济指标优化智能控制模型，优化目标如下：

存在如下约束：

ΔU^- _M≤ΔU_M≤ΔU⁺ _M

U^- _M≤U_M≤U⁺ _M

α₁-σ₁≤y_P1(k+1|k)≤β₁+σ₁

α₂-σ₂≤y_P2(k+1|k)≤β₂+σ₂

[y_P1，y_P2]＝M_{mod el}U_M

0≤σ₁，σ₂

式中U_M代表待优化求解的控制变量，y^* _P2是被控变量2最优值，R⁺ _m代表最优下料量，y^_P1代表会导致系统故障的被控变量1边界值，Q₁，Q₂，ρ，λ，R是目标项优化权重系数，控制器优先保证权重系数大的目标项，[α₁，β₁]，[α₂，β₂]是被控变量1、2的质量指标区间，σ₁，σ₂是软约束修正参数，调整该参数可放宽被控变量控制区间精度，从而为其他优化项解放控制器剩余度，M_{mod el}为预测模型；

上述目标函数主要由三部分组成：其中，是保证被控变量区间控制的动态优化部分；为防止系统故障的最大值罚函数；实现设备优化运行的稳态经济优化目标；实现进料优化，R⁺ _m代表最优下料量；||y_P2-y^* _P2||² _λ实现被控量优化，y^* _P2是被控变量2最优值；

2)求解优化控制模型：

a)将约束优化问题标准化为：

min J(X)

s.t g_j(X)≥0，j＝1，2，...8

x＝[δ₁，δ₂，U_M]

将约束标准化为下式：

b)采用乘子罚函数法将约束优化问题转化为无约束优化问题：

其中，γ_j为拉格朗日乘子，N为罚因子；

c)给定初始X⁰，乘子向量γ^k，常数N，设定常数σ，ω其中δ＞1，0＜ω＜1，设定允许误差ε＞0，令k＝1；

d)以X^k-1为初始点，采用PSO+POWELL算法求解约束问题

e)若|γ^k-γ^k-1|＜ε则停止计算，得到近似极小点X^k，结束优化计算，否则转下一步；

f)若则令N＝σN，转下一步，否则直接转下一步；

g)γ_j ^k+1＝max(0，γ^k _j-Mg_j(x^k))，k＝k+1返回第四步，经以上步骤，计算出约束优化问题的近似全局最优解。