CN109886580B

CN109886580B - 一种智能工厂管控模型及其管控方法

Info

Publication number: CN109886580B
Application number: CN201910139831.XA
Authority: CN
Inventors: 杨婕; 王伟强; 马锴; 李志学; 王宇泽
Original assignee: Yanshan University
Current assignee: Yanshan University
Priority date: 2019-02-26
Filing date: 2019-02-26
Publication date: 2022-09-23
Anticipated expiration: 2039-02-26
Also published as: CN109886580A

Abstract

本发明公开了一种智能工厂管控模型及其管控方法，属于智能制造领域。本发明建立与实际制造系统平行的层次型、模块化的“微服务－多代理”架构，并进行细粒度划分，将生产任务确立为分布式处理的微服务模型和属性模型；针对生产资源的功能区别划分多代理模型；建立基于数据和知识混合驱动的平行系统的业务管理模型。针对不同的制造系统，分析任务属性、微服务之间与多代理之间的关系，使用自适应演化算法选择最优代理路径。本发明的“微服务‑多代理”架构具备多代理系统对生产资源精细化控制的能力，同时又能够实现微服务架构对定制化业务需求的支持，为解决生产过程中的自适应调度问题提供模型基础。

Description

一种智能工厂管控模型及其管控方法

技术领域

本发明涉及智能制造领域，尤其是一种基于平行系统与微服务框架的智能工厂管控方法。

背景技术

在工厂生产调度管控方面，主要研究生产调度和可靠性分析问题。国内外学者提出多代理系统、整子制造系统等模型，可实现分散控制。现有研究表明，传统的多代理系统对多目标算法的动态支持不足，调度策略的制定缺乏全局性，而整子制造系统虽然具备快速适应环境变化的能力，但是离实际应用还有一定的距离。基于微服务架构对各代理功能进行细粒度服务划分，能够促进制造过程去中心化，去总线化。机器学习和启发式算法可实现分布式资源优化配置。可靠性研究的三个主要方向是复杂系统可靠性、可靠性预测以及可靠性增长。针对制造系统可靠性，主要有故障树分析、事件树、petri网等分析方法，然而这些方法大都缺乏对复杂制造领域中多状态信息下可靠性分析的支持。

发明内容

本发明中提供了一种基于平行系统与微服务框架的智能工厂管控方法；旨在通过对制造环境进行精细化标准化建模，建立基于平行系统与微服务框架的智能工厂管控模型，提高算法组件库的可重用性和可扩展性，为解决生产过程中的自适应调度问题提供建模以及制定调度方案的借鉴，并实现了对复杂多状态制造系统应对方案的可靠性评估，也实现了任务生产的低成本、高质量、高效率完成。

为解决上述技术问题，本发明所提供的技术方案为：一种智能工厂管控模型，其特征在于，所述管控模型从下到上依次包括代理层、微服务层、业务管理层；

所述代理层为面向生产任务所利用制造资源的多代理模型，其包括生产任务所使用物料的物料代理，生产线上所利用操作机器的机器代理，以及完成生产任务中物流活动的运输代理；其存储各种代理信息，并在微服务层的控制策略下完成生产任务；

所述微服务层为根据本体论构建本地知识库和算法库中微服务的匹配规则，接受业务管理下发的定制化服务，并将其确立为包含分布式处理的微服务模型、属性模型的生产任务，并将生产任务传递给业务管理，并接受业务管理下发的生产任务控制策略；微服务模型是完成生产任务中相应工序或功能的一个基本单元微服务，属性模型是生产任务和定制化服务要求对生产过程的约束条件；生产任务可以通过多个微服务在时间与空间上的编排实现，同一个微服务可以由代理层中不同代理协作的代理路径完成；本地知识库用于代理层与微服务层历史数据以及生产任务控制策略的存储，以通过代理层和微服务层的状态更新完成自学习；

所述业务管理层为基于平行系统的业务管理模型，其接受用户的定制化服务，并将其下发给微服务层进行生产任务的制定，并依据生产任务对代理层进行生产任务模拟；完成生产任务可靠性评估得出生产任务控制策略，并将生产任务控制策略反馈至微服务层的本地知识库；

进一步的技术方案在于，所述物料代理包括原材料、粗加工产品，物料代理信息包括物料的种类、数量、存储仓库位置与剩余容量。

进一步的技术方案在于，所述机器代理包括生产线上所有的操作机器，机器代理信息包括机器的种类，数量，功能、工作状态和当前已排产订单数量。

进一步的技术方案在于，所述运输代理包括自动导引车和传送带，运输代理信息包括代理的状态，位置、运输速率和已排产订单数量。

进一步的技术方案在于，所述算法库采用自适应调度算法，其基于生产任务的各种属性，完成微服务与代理层时空上的匹配关系，完成生产任务的制定。

进一步的技术方案在于，上述所述管控模型的管控方法，其包括如下步骤：

(1)管控模型接收到用户的定制化服务，业务管理层将定制化服务下发到微服务层进行生产任务制定，进行步骤(2)；

(2)微服务层依据本地知识库记载的历史数据和算法库中微服务的匹配规则，将定制化服务确立为包含分布式处理的微服务模型、属性模型的生产任务，将生产任务存储于本地知识库，并将生产任务传达给业务管理层利用可靠性评估算法完成生产任务可靠性评估；

(3)若步骤(2)评估结果为可靠，则微服务层将生产任务作为生产任务控制策略，完成任务控制策略存储，并依据生产任务控制策略完成代理层和微服务层的状态更新，代理层在微服务层的控制策略下完成生产任务。

(4)若步骤(2)评估结果为不可靠，则微服务层将当前制定的生产任务作废，再次进行步骤(2)。

采用上述技术问题，本发明具有的有益效果如下：本发明通过代理描述各种工厂现场设备之间信息物理融合的开放互联体系；构建智能工厂管控模型，使其具备多代理系统对生产资源精细化控制的能力，同时又能够实现微服务架构对定制化业务需求的支持，提高算法组件库的可重用性和可扩展性，配合知识库自学习更新，提供真实可靠的数据，为解决生产过程中的自适应调度问题提供模型基础。

附图说明

图1基于平行系统与微服务框架的智能工厂管控模型的系统框图。

图2基于平行系统与微服务框架的智能工厂管控模型的定制化服务示意图。

具体实施方式

本发明整体技术方案阐述了一种智能工厂管控模型，管控模型从下到上依次包括代理层、微服务层、业务管理层；

代理层为面向生产任务所利用制造资源的多代理模型，其包括生产任务所使用物料的物料代理，生产线上所利用操作机器的机器代理，以及完成生产任务中物流活动的运输代理；其存储各种代理信息，并在微服务层的控制策略下完成生产任务；

微服务层为根据本体论构建本地知识库和算法库中微服务的匹配规则，接受业务管理下发的定制化服务，并将其确立为包含分布式处理的微服务模型、属性模型的生产任务，并将生产任务传递给业务管理，并接受业务管理下发的生产任务控制策略；微服务模型是完成生产任务中相应工序或功能的一个基本单元微服务，属性模型是生产任务和定制化服务要求对生产过程的约束条件；生产任务可以通过多个微服务在时间与空间上的编排实现，同一个微服务可以由代理层中不同代理协作的代理路径完成；本地知识库用于代理层与微服务层历史数据以及生产任务控制策略的存储，以通过代理层和微服务层的状态更新完成自学习；

业务管理层为基于平行系统的业务管理模型，其接受用户的定制化服务，并将其下发给微服务层进行生产任务的制定，并依据生产任务对代理层进行生产任务模拟；完成生产任务可靠性评估得出生产任务控制策略，并将生产任务控制策略反馈至微服务层的本地知识库；

本发明优选实施例中，所述物料代理包括原材料、粗加工产品，物料代理信息包括物料的种类、数量、存储仓库位置与剩余容量。

本发明优选实施例中，所述机器代理包括生产线上所有的操作机器，机器代理信息包括机器的种类，数量，功能、工作状态和当前已排产订单数量。

本发明优选实施例中，所述运输代理包括自动导引车和传送带，运输代理信息包括代理的状态，位置、运输速率和已排产订单数量。

本发明优选实施例中，所述算法库采用自适应调度算法，其基于生产任务的各种属性，完成微服务与代理层时空上的匹配关系，完成生产任务的制定。

本发明优选实施例中，管控模型的管控方法包括如下步骤：

下面结合附图对本发明做进一步说明。如图1所示，本发明所述的智能工厂管控模型基于平行系统与“微服务-代理”框架，具有层次型、模块化结构，从下到上以此为代理层、微服务层、业务管理层。

在代理层，构建面向制造资源的多代理模型。代理具有自治性和自学习能力，通过代理描述各种工厂现场设备之间信息物理融合的开放互联体系。根据生产资源的功能区别划分为具有物料代理、机器代理、和运输代理等的多代理模型。物料代理由原材料、粗加工产品及相关信息组成；物料代理信息包括物料的种类、数量、存储仓库位置与剩余容量等；机器代理由生产线上所有的操作机器及相关信息组成；机器代理信息包括机器的种类，数量，功能、工作状态和当前已排产订单数量等；运输代理由智能工厂中的自动导引车和传送带等组成，运输代理信息包括代理的状态，位置、运输速率和已排产订单数量等。多代理模型将制造资源进行精细化标准化建模，为实现智能工厂制造过程的调度提供模型基础。

在微服务层，是完成生产任务制定与定制化服务分析的模型。根据本体论构建知识库和算法库中微服务的匹配规则，接受业务管理下发的定制化服务，将定制化服务确立为包含分布式处理的微服务模型、属性模型的生产任务，并将生产任务传递给业务管理，并接受业务管理下发的生产任务控制策略；微服务模型是完成相应工序或功能的一个基本单元微服务，属性模型是生产任务、定制化服务要求对生产过程的约束，如优先权属性、工期属性、质量属性等。生产任务可以通过多个微服务在时间与空间上的编排实现，同一个微服务可以由代理层中不同代理协作的代理路径完成。本地知识库用于代理层与微服务层历史数据以及生产任务控制策略的存储的存储，通过智能工厂现场设备上传到知识库的信息，管控模型完成各代理层的状态和微服务层状态的更新，完成本地知识库的自学习。微服务模型将生产任务进行精细化标准化建模，为实现智能工厂生产任务的调度提供模型基础。

在业务管理层，构建基于平行系统的业务管理模型。通过对生产任务、性能要求等多源数据的整合和实际生产流程相关规则知识的整理，建立数据和知识混合驱动的，基于平行系统的业务管理模型，对真实的生产制造过程中各代理状态和生产任务进度等进行模拟。通过算法库中的可靠性评估算法对该调度策略下的系统进行可靠性评估，并将调度策略可靠性数据反馈至本地知识库；评估调度策略的可行性，辅助调度策略的进一步优化，从而保障系统调度的可靠性，减少故障、事故的发生率。此外，平行系统还可以对故障过程进行仿真，并将运行结果存储在知识库，为系统在故障状态下的调度提供优化方向。

“微服务-多代理”架构具备多代理系统对生产资源精细化控制的能力，同时又能够实现微服务架构对定制化业务需求的支持，提高算法组件库的可重用性和可扩展性，配合知识库自学习更新，提供真实可靠的数据，为解决生产过程中的自适应调度问题提供模型基础。

如图2所示，基于平行系统与微服务框架的智能工厂管控模型定制化服务的实现。

1、基于用户的定制化服务：用户通过APP输入产品的定制化需求，服务器对该定制化需求进行简单分析，提供给用户定制化服务的反馈信息，包括预测的订单工期，产品质量，交付时间等。

2、服务器再次基于用户的定制化服务，进行工厂定制化服务，对该批次产品的定制化需求，服务器通过对成本、质量、能耗和效率等目标进行优化，提供工厂调度策略和分析结果，为工厂的生产排程提供参考。

3、基于平行系统与微服务框架的智能工厂管控模型完成用户和工厂用户的定制化服务分析。根据实际生产过程中各代理的产量、能耗、产品质量和设备状态等历史数据，组建代理层的本地知识库。通过分析产品类型、生产工期、生产优先权、生产类型、生产模式、核心工艺，对加工、装配、检测等历史出具分析，组建微服务层的本地知识库。通过包含微服务、多代理间的包括启发式算法、机器学习及分布式优化算法等算法在内的本地算法库，实现对微服务的划分与优化。根据微服务本地知识库的自学习和平行系统可靠性评估结果的知识反馈，在本地算法库中匹配最高效的联合优化算法，获得在生产任务属性约束下考虑成本、能耗、质量和效率等目标的最优调度策略，最终解决智能工厂的自适应调度问题。

Claims

1.一种智能工厂管控系统，其特征在于，所述管控系统从下到上依次包括代理层、微服务层、业务管理层；

所述代理层为面向生产任务所利用制造资源的多代理模型，其包括生产任务所使用物料的物料代理，生产线上所利用操作机器的机器代理，以及完成生产任务中物流活动的运输代理；其存储各种代理信息，并在微服务层的控制策略下完成生产任务；所述物料代理包括原材料、粗加工产品，物料代理信息包括物料的种类、数量、存储仓库位置与剩余容量；所述机器代理包括生产线上所有的操作机器，机器代理信息包括机器的种类，数量，功能、工作状态和当前已排产订单数量；所述运输代理包括自动导引车和传送带，运输代理信息包括代理的状态，位置、运输速率和已排产订单数量；

所述算法库采用自适应调度算法，其基于生产任务的各种属性，完成微服务与代理层时空上的匹配关系，完成生产任务的制定。

2.根据权利要求1任一项权利要求所述的一种智能工厂管控系统的管控方法，其特征在于，其包括如下步骤：

（1）管控系统接收到用户的定制化服务，业务管理层将定制化服务下发到微服务层进行生产任务制定，进行步骤（2）；

（2）微服务层依据本地知识库记载的历史数据和算法库中微服务的匹配规则，将定制化服务确立为包含分布式处理的微服务模型、属性模型的生产任务，将生产任务存储于本地知识库，并将生产任务传达给业务管理层利用可靠性评估算法完成生产任务可靠性评估；

（3）若步骤（2）评估结果为可靠，则微服务层将生产任务作为生产任务控制策略，完成任务控制策略存储，并依据生产任务控制策略完成代理层和微服务层的状态更新，代理层在微服务层的控制策略下完成生产任务；

（4）若步骤（2）评估结果为不可靠，则微服务层将当前制定的生产任务作废，再次进行步骤（2）。