CN113467405B - 工业4.0需求驱动的分布式动态边缘云智能制造方法及系统 - Google Patents

Abstract

本发明涉及一种工业4.0需求驱动的分布式动态边缘云智能制造方法及系统。包括：客户向云端发布个性化产品需求；设计师获取需求信息，与客户沟通，确定最终设计；云端根据最终设计，将个性化产品分解为几个子任务；在决策时刻，边缘端根据云端发布的待分配子任务信息，判断当前工厂状态是否能够执行任一待分配子任务，并将结果返回云端；建立动态分布式任务分配模型；采用基于l _p ‑Box ADMM的方法完成任务分配；待个性化产品的所有子任务完成，将产品打包并运输给客户。本发明以客户需求为驱动，让客户参与产品生产全生命周期并实时提出修改意见，提高了产品个性化程度，同时，采用分布式边缘云架构，减轻云端负担，保障数据隐私，避免单点故障，提高鲁棒性。

Description

工业4.0需求驱动的分布式动态边缘云智能制造方法及系统

技术领域

本发明涉及工业4.0智能制造方法及系统，更具体地，涉及一种工业4.0需求驱动的分布式动态边缘云智能制造方法及系统。

背景技术

工业4.0，也称作第四次工业革命，是由德国在2013年提出的。除此之外，美国的“先进制造伙伴计划”(AMP)、英国的“未来制造”以及其他政府计划都致力于通过实际行动逐步实现工业4.0。简单来说，工业4.0可以概括为将所有物理设备集成到网络中，旨在以高度自动化和灵活性实现大规模个性化生产的工业革命。大规模个性化生产是为了解决客户日益增长的个性化需求与个性化产品短缺之间的矛盾。大规模个性化生产以客户的需求为驱动，期望客户能够参与产品生产的全生命周期，并实时提出修改意见，提高产品个性化程度以及客户产品体验满意度。

以客户需求为驱动的大规模个性化生产是工业4.0的目标。近几年来，全球各地也提出了许多方法来实现大规模个性化生产。Yao等在考虑总完成时间、成本和绿色水平的情况下，让制造商通过执行分解的生产集来协作和安排供应商以完成个性化产品生产。Ogunsakin等提出了一种自组织柔性制造系统，其移动加工站可以基于BEEPOST算法动态调整位置以形成最佳资源布局。Leng等针对大规模个性化生产，考虑了动态生产流程管理的复杂性和产品灵活性，提出了一种基于信息物理社会系统(CPSS)的情境感知的社会物联网(SIoT)体系结构。除此之外，还有社会制造以及云制造等先进制造模式致力于实现大规模个性化生产。

虽然还有一部分研究专注于分布式架构，但要实现工业4.0需求驱动的大规模个性化生产，仍然存在一些问题。Jian等在云制造的基础上添加了边缘层，先在云端进行一次任务分解，再在边缘端将子任务分解为不可分割的原任务，最终生成原任务调度方案。Ma等提出的架构分为边缘侧和云侧，云侧将订单分解成子任务，边缘侧进行制造任务和制造资源的匹配，最终将任务分配给工厂，并完成工厂中机器的调度方案。这两种方法由于其分布式架构，不依赖于中心节点，不存在单点故障等问题，但是所提出的都是调度解决方案，缺乏实时性，不能很好的考虑机器故障以及客户实时提出产品修改意见等动态情况。

现存的用于工业4.0需求驱动的大规模个性化生产的方法普遍存在三个问题。其一，客户参与度低，比如社会制造，客户只能参与产品设计过程以及制造商选择过程，其他的生产过程都不可参与。其二，即使客户可以参与产品生产的全生命周期，现存的方法也不能快速响应客户实时提出的产品修改意见，导致产品修改错过最佳时间，增加了个性化产品成本，也降低了产品个性化程度。其三，现存的实现大规模个性化生产的方法大多是集中式架构，依赖于中心节点，数据隐私难以保障，容易造成单点故障，且随着客户和工厂数量的增加，数据处理会更加缓慢甚至超出云端计算能力。

针对上述工业4.0需求驱动的大规模个性化生产存在的问题，亟需工业4.0需求驱动的分布式动态边缘云智能制造方法及系统。

发明内容

本发明的目的在于提供一种工业4.0需求驱动的分布式动态边缘云智能制造方法及系统，该方法及系统能够提高客户产品满意度。

为实现上述目的，本发明的技术方案是：一种工业4.0需求驱动的分布式动态边缘云智能制造方法，包括以下步骤：

步骤S1、客户向云端发布个性化产品需求；

步骤S2、设计师获取需求信息，确定最终设计；

步骤S3、云端根据最终设计，将个性化产品分解为几个子任务；

步骤S4、在决策时刻，边缘端根据云端发布的待分配子任务信息，判断当前工厂状态是否能够执行任一待分配子任务，并将结果返回云端；

步骤S5、建立动态分布式任务分配模型；

步骤S6、采用基于l_p-BoxADMM的方法完成任务分配；

步骤S7、待个性化产品的所有子任务完成，将产品打包并运输给客户。

在本发明一实施例中，所述步骤S5具体包括以下步骤：

步骤A1、以最大化决策时刻t所有工厂总利润为目标，建立目标函数；

步骤A2、根据场景实际情况，添加约束条件；

步骤A3、将模型转化成标准的求解最小化问题的分布式优化数学模型。

在本发明一实施例中，所述步骤A1具体实现如下：

动态分布式任务分配模型的目标是最大化决策时刻t所有工厂总利润，目标函数如下：

其中，i,j分别表示工厂和子任务的下标，n,m分别表示可用工厂和待分配子任务的数量，

表示工厂

执行子任务

能够获得的效用，

表示执行代价，

表示运输代价；

表示工厂

在决策时刻t是否有能力执行子任务

如果是的话，值为1，否则，值为0；

为待求解的决策变量，表示在决策时刻t，是否将子任务

分配给工厂

执行，是的话，值为1，否则，值为0；每个工厂的利润都可以表示为效用减去执行代价减去运输代价；

效用

受工厂生产能力匹配度以及工厂执行子任务所花费的时间长短的影响，执行每个子任务

都需要原材料

以及生产能力

其中q为需要的生产能力种类总数，生产需要的每种原材料

的数量表示为

每个工厂

在决策时刻所拥有的生产能力表示为

因此，定义

表示工厂

的第h种生产能力是否与子任务

执行所需要的第k种能力相同，如果是的话，值为1，否则为0；效用的计算还需要获取先前完成子任务

最快用时TT_j以及子任务

最高售价price_j，并且，预估工厂

执行子任务

用时为

由此可得，效用

计算如下：

执行代价

包括机器设置成本

生产成本

以及原材料购买成本，每种原材料

的成本的计算包括两种情况，第一种情况是原材料

需要的数量

大于工厂库存的数量

那么原材料成本就是购买成本

加上储存成本

如果原材料数量足够生产，那么只需要储存成本

基于此，引入

来判断需要的原材料数量是否多于原材料库存数量，如果是的话，值为1，否则，值为0；因此，执行代价计算公式如下：

运输代价

包括子任务

运输到工厂

的代价

以及各种需要购买的原材料的运输代价，每种需要购买的原材料

的运输代价为购买数量

乘以单位运输代价

因此，运输代价

计算公式表示如下：

在本发明一实施例中，所述步骤A2具体实现如下：

动态分布式任务分配模型的约束包括：

1)

以及

的取值为0或1，表示如下：

2)子任务运输代价

和原材料运输代价

的取值如下：

运输代价取值为-1，表示没有能力运输，即子任务

或者购买的原材料

无法运输到工厂

运输代价为0，对于子任务

来说，存在三种情况，当前子任务

为第一个子任务、当前子任务就在工厂

无需运输，或者因为其他情况导致子任务运输代价为0；对于原材料来说，就是指原材料

运输到工厂

代价为0，其他情况下，运输代价为大于0的实数；

3)假定待分配子任务在决策时刻至少有一个工厂可以执行，因此，关于

的约束：

4)

用来表示工厂

在决策时刻t是否有能力执行子任务

如果有的话，值为1，否则，值为0，有如下约束会导致

这四个约束从上到下依次表示：

1)如果子任务

无法运输到工厂

即

那么是工厂

无法执行子任务

2)如果工厂

执行子任务

必须购买原材料

即

但是购买原材料

无法运输到工厂

那么，子任务

无法在工厂

执行；

3)如果工厂

能够匹配给子任务

的能力小于总能力种类的一半，那么，也视为工厂

没有能力执行子任务

4)如果工厂

所获得的利润小于0的话，那么也视为工厂

无法执行子任务

5)关于决策变量

有如下约束：

前者表示任何一个子任务都最多被一个工厂执行，后者表示任何一个工厂都最多只能执行一个子任务；

6)关于

的约束：

即如果工厂

执行子任务

需要购买原材料

那么，

取值为1，否则为0。

在本发明一实施例中，所述步骤A3具体实现如下：

令

定义

效用

执行代价

运输代价

以及工厂执行能力变量

都可在决策时刻t根据计算实时获得，因此，求解时只需要考虑与

相关的约束，则数学模型可表示为：

由于每个管理工厂

的边缘端只知道自身的目标函数f_i(x_i)，并且也只能决定与自身相关的决策变量

的取值情况，因此这是一个分布式优化问题，该问题假设每个边缘端之间能够正常通信，并且能够获得来自其他边缘端刚更新过的决策变量

在本发明一实施例中，所述步骤S6具体包括以下步骤：

步骤B1、添加虚拟工厂或虚拟子任务，将不等式约束转化为等式约束；

步骤B2、将决策变量二值约束转化成盒约束与l_p球约束的交集；

步骤B3、构造增广拉格朗日函数；

步骤B4、将问题分解为每个工厂要解决的子问题；

步骤B5、根据更新公式以及收敛条件进行分布式求解。

在本发明一实施例中，所述步骤B1具体实现如下：

令u＝max{n,m}，对于n＜m的情况，添加m-n个虚拟工厂，这些虚拟工厂执行所有子任务的代价

置为0，同样，对于n＞m的情况，添加n-m个虚拟子任务，每个工厂执行虚拟子任务的代价

置为0，那么，问题就转化为将u个任务分配给u个工厂的分布式任务分配问题，

数学模型转化为：

所述步骤B2具体实现如下：

由于x∈{0,1}ⁿ等价于

将

替换为盒约束与l_p球约束的交集，引入辅助变量y_i以及z_i，将问题模型转换如下：

y_i∈S_b

z_i∈S_p

其中，S_b＝{y_i|||y_i||_∞≤1}，

在本发明一实施例中，所述步骤B3具体实现如下：

引入

以及

考虑步骤B2中约束，构造增广拉格朗日函数如下：

所述步骤B4具体实现如下：

将问题根据工厂分解成u个子问题，定义

即边缘端通信并计算得到的其他边缘端对于子任务

的决策变量的和，每个边缘端需要最小化的拉格朗日函数表示如下：

在本发明一实施例中，所述步骤B5具体包括以下步骤：

步骤B51、每个边缘端初始化

y_i，z_i，λ_i，ω，θ，σ以及ρ_i；

步骤B52、在未达到收敛条件的情况下，每个工厂根据更新公式更新y_i，z_i，

ω，θ，σ，λ_i以及ρ_i；

a)所述收敛条件为

其中，stop为大于零的收敛指标，可根据实际情况取值；

b)在每个边缘端，y_i，z_i，

ω，θ，σ，λ_i以及ρ_i依次更新：

1)首先，对于每一个y_ij，其更新公式如下：

2)关于z_i，更新公式如下：

其中

3)在工厂

与决策变量

相关的拉格朗日函数表示如下：

引入

即为除了

以外的其他u-1个决策变量的和，将问题拆分成u个子问题，每个子问题表示如下：

可以看出上述式子是关于

的二次函数，要求取最小值，应该让导数等于0，由此可得如下式子：

因此，

的更新公式为：

4)ω_j的更新公式如下：

5)θ_ij的更新公式如下：

6)σ_ij的更新公式如下：

7)λ_i的更新公式如下：

8)ρ_i的更新公式如下：

μ会根据实际问题以及收敛速度取值，有时，为防止ρ_i增长过快，还会为其设置上限；

步骤B53收敛后，每个边缘端可根据自己的决策变量知道自己要执行的子任务，子任务也会立刻运输到边缘端所管理的工厂以投入生产。

本发明还提供了一种工业4.0需求驱动的分布式动态边缘云智能制造系统，采用如权利要求1-9任一所述的工业4.0需求驱动的分布式动态边缘云智能制造方法，包括需求获取与设计模块、子任务分配模块、打包运输模块；具体为：

A、需求发布与设计模块：用于客户发布个性化需求以及设计师设计产品，包括需求发布模块、设计模块以及产品分解模块；首先，客户向云端发布个性化产品需求，其次，设计师通过云端获取需求信息，发布初步设计，然后，设计师与客户沟通，确定最终设计，最后，云端根据最终设计，将个性化产品分解为几个子任务以供后续生产制造；

B、子任务分配模块：用于在决策时刻将来自多个个性化产品的待分配子任务通过分布式方法分配给可用工厂，从而最大化所有可用工厂总利润，包括待分配子任务信息发布模块，工厂能力判断模块以及基于l_p-BoxADMM的分布式子任务分配模块；在决策时刻，有多个子任务待分配，边缘端根据云端发布的待分配子任务信息，判断当前工厂状态是否能够执行任一待分配子任务，并将结果返回云端，云端收集到可用工厂信息后，采用动态分布式任务分配模型以及基于l_p-BoxADMM的方法通过协调可用工厂完成任务分配；

C、打包运输模块：用于打包和运输未完成/完成的产品以及原材料，包括未完成子任务运输模块、完成子任务运输模块以及原材料运输模块；首先，所述模块可用于工厂之间运输未完成的产品以将当前待分配子任务运输到对应的工厂，其次，所述模块可用于打包和运输完成的产品到达客户指定的地址，最后，所述模块还用于运输执行子任务所需要购买的原材料；该模块是否有能力运输未完成的产品以及工厂亟需的原材料，也决定了工厂在决策时刻是否有能力执行待分配子任务。

相较于现有技术，本发明具有以下有益效果：本发明以客户需求为驱动，让客户参与产品生产全生命周期并实时提出修改意见，提高了产品个性化程度，同时，采用分布式边缘云架构，减轻云端负担，保障数据隐私，避免单点故障，提高鲁棒性。

附图说明

图1是本发明提出的工业4.0需求驱动的分布式动态边缘云智能制造模式示意图。

图2是本发明基于l_p-BoxADMM的方法完成任务分配的流程图。

图3是本发明提出的工业4.0需求驱动的分布式动态边缘云智能制造系统结构图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

本发明一种工业4.0需求驱动的分布式动态边缘云智能制造方法，如图1所示，包括以下步骤：

步骤S1、客户向云端发布个性化产品需求；

步骤S2、设计师获取需求信息，与客户沟通，确定最终设计；

步骤S3、云端根据最终设计，将个性化产品分解为几个子任务；

步骤S4、在决策时刻，边缘端根据云端发布的待分配子任务信息，判断当前工厂状态是否能够执行任一待分配子任务，并将结果返回云端；

步骤S5、建立动态分布式任务分配模型；

步骤S6、采用基于l_p-BoxADMM的方法完成任务分配；

步骤S7、待个性化产品的所有子任务完成，将产品打包并运输给客户。

所述步骤S5包括以下步骤：

步骤A1、以最大化决策时刻t所有工厂总利润为目标，建立目标函数；

步骤A2、根据所述场景实际情况，添加必要约束；

步骤A3、将模型转化成标准的求解最小化问题的分布式优化数学模型。

所述步骤A1包括以下步骤：

动态分布式任务分配模型的目标是最大化决策时刻t所有工厂总利润，目标函数如下：

其中，i,j分别表示工厂和子任务的下标，n,m分别表示可用工厂和待分配子任务的数量，

表示工厂

执行子任务

能够获得的效用，

表示执行代价，

表示运输代价。

表示工厂

在决策时刻t是否有能力执行子任务

如果是的话，值为1，否则，值为0。

为待求解的决策变量，表示在决策时刻t，是否将子任务

分配给工厂

执行，是的话，值为1，否则，值为0。

每个工厂的利润都可以表示为效用减去执行代价减去运输代价。因此，效用

执行代价

以及运输代价

的获取至关重要。

效用

受工厂生产能力匹配度以及工厂执行子任务所花费的时间长短的影响。执行每个子任务

都需要原材料

以及一定的生产能力

其中q为需要的生产能力种类总数。生产需要的每种原材料

的数量表示为

每个工厂

在决策时刻所拥有的生产能力表示为

因此，定义

表示工厂

的第h种生产能力是否与子任务

执行所需要的第k种能力相同，如果是的话，值为1，否则为0。不仅如此，效用的计算还需要获取先前完成子任务

最快用时TT_j以及子任务

最高售价price_j，并且，预估工厂

执行子任务

用时为

由此可得，效用

计算如下：

执行代价

包括机器设置成本

生产成本

(单位时间生产成本乘以生产时间)以及原材料购买成本。每种原材料

的成本的计算包括两种情况，第一种情况是原材料

需要的数量

大于工厂库存的数量

那么原材料成本就是购买成本

(需要购买的数量乘以单位购买成本)加上储存成本

(原材料储存数量乘以原材料单位储存成本)，如果原材料数量足够生产，那么只需要储存成本

基于此，引入

来判断需要的原材料数量是否多于原材料库存数量，如果是的话，值为1，否则，值为0。因此，执行代价计算公式如下：

运输代价

包括子任务

运输到工厂

的代价

以及各种需要购买的原材料的运输代价。每种需要购买的原材料

的运输代价为购买数量

乘以单位运输代价

因此，运输代价

计算公式表示如下：

所述步骤A2包括以下步骤：

动态分布式任务分配模型的约束主要从以下几个方面考虑：

1)

以及

的取值为0或1，表示如下：

2)此外，子任务运输代价

和原材料运输代价

的取值如下：

运输代价取值为-1，表示没有能力运输，即子任务

或者购买的原材料

无法运输到工厂

运输代价为0，对于子任务

来说，可能存在三种情况，当前子任务

为第一个子任务、当前子任务就在工厂

无需运输，或者因为其他情况导致子任务运输代价为0；对于原材料来说，就是指原材料

运输到工厂

代价为0。其他情况下，运输代价为大于0的实数。

3)假定待分配子任务在决策时刻至少有一个工厂可以执行，因此，就有了如下关于

的约束：

4)

用来表示工厂

在决策时刻t是否有能力执行子任务

如果有的话，值为1，否则，值为0。有如下约束会导致

这四个约束从上到下依次表示：

·如果子任务

无法运输到工厂

(即

)，那么是工厂

无法执行子任务

·如果工厂

执行子任务

必须购买原材料

(即

)，但是购买原材料

无法运输到工厂

那么，子任务

无法在工厂

执行

·如果工厂

能够匹配给子任务

的能力小于总能力种类的一半，那么，也视为工厂

没有能力执行子任务

·如果工厂

所获得的利润小于0的话，那么也视为工厂

无法执行子任务

5)关于决策变量

有如下约束：

前者表示任何一个子任务都最多被一个工厂执行，后者表示任何一个工厂都最多只能执行一个子任务。

6)最后，是关于

的约束：

即如果工厂

执行子任务

需要购买原材料

那么，

取值为1，否则为0。

所述步骤A3包括以下步骤：

令

定义

效用

执行代价

运输代价

以及工厂执行能力变量

都可在决策时刻t根据计算实时获得，因此，求解时只需要考虑与

相关的约束，则，数学模型可表示为：

由于每个管理工厂

的边缘端只知道自身的目标函数f_i(x_i)，并且也只能决定与自身相关的决策变量

的取值情况，因此这是一个分布式优化问题，该问题假设每个边缘端之间能够正常通信，并且能够获得来自其他边缘端刚更新过的决策变量

所述步骤S6如图2所示，主要包括以下步骤：

步骤B1添加虚拟工厂或虚拟子任务，将不等式约束转化为等式约束；

步骤B2将决策变量二值约束转化成盒约束与l_p球约束的交集；

步骤B3构造增广拉格朗日函数；

步骤B4将问题分解为每个工厂要解决的子问题；

步骤B5根据更新公式以及收敛条件进行分布式求解。

所述步骤B1包括以下步骤：

为了便于求解，令u＝max{n,m}，对于n＜m的情况，添加m-n个虚拟工厂，这些虚拟工厂执行所有子任务的代价

置为0，同样，对于n＞m的情况，添加n-m个虚拟子任务，每个工厂执行虚拟子任务的代价

置为0，那么，问题就转化为将u个任务(包括虚拟任务)分配给u个工厂(包括虚拟工厂)的分布式任务分配问题，

数学模型转化为：

所述步骤B2包括以下步骤：

由于x∈{0,1}ⁿ等价于

将

替换为盒约束与l_p球约束的交集，引入辅助变量y_i以及z_i，将问题模型转换如下：

y_i∈S_b

z_i∈S_p

其中，S_b＝{y_i|||y_i||_∞≤1}，

所述步骤B3包括以下步骤：

引入

以及

考虑步骤B2中所述约束，构造增广拉格朗日函数如下：

所述步骤B4包括以下步骤：

将问题根据工厂(包括虚拟工厂)分解成u个子问题，定义

即边缘端通信并计算得到的其他边缘端对于子任务

的决策变量的和，每个边缘端需要最小化的拉格朗日函数表示如下：

所述步骤B5包括以下步骤：

步骤B51每个边缘端初始化

y_i，z_i，λ_i，ω，θ，σ以及ρ_i；

步骤B52在未达到收敛条件的情况下，每个工厂根据更新公式更新y_i，z_i，

ω，θ，σ，λ_i以及ρ_i；

a)所述收敛条件为

其中，stop为大于零的收敛指标，可根据实际情况取值。

b)在每个边缘端，y_i，z_i，

ω，θ，σ，λ_i以及ρ_i依次更新：

1)首先，对于每一个y_ij，其更新公式如下：

2)关于z_i，更新公式如下：

其中

3)在工厂

与决策变量

相关的拉格朗日函数表示如下：

引入

即为除了

以外的其他u-1个决策变量的和，将问题拆分成u个子问题，每个子问题表示如下：

可以看出上述式子是关于

的二次函数，要求取最小值，应该让导数等于0,由此可得如下式子：

因此，

的更新公式为：

4)ω_j的更新公式如下：

5)θ_ij的更新公式如下：

6)σ_ij的更新公式如下：

7)λ_i的更新公式如下：

8)ρ_i的更新公式如下：

μ一般会根据实际问题以及收敛速度取值，有时，为了防止ρ_i增长过快，还会为其设置上限。

步骤B53收敛后，每个边缘端可根据自己的决策变量知道自己要执行的子任务，子任务也会立刻运输到边缘端所管理的工厂以投入生产。步骤B53收敛后，每个边缘端根据决策变量得到该工厂分配到的子任务。

本发明还提供了一种工业4.0需求驱动的分布式动态边缘云智能制造系统，如图3所示，采用工业4.0需求驱动的分布式动态边缘云智能制造方法，包括需求获取与设计模块、子任务分配模块、打包运输模块；具体为

A.需求发布与设计模块：用于客户发布个性化需求以及设计师设计产品，包括需求发布模块、设计模块以及产品分解模块；首先，客户向云端发布个性化产品需求，其次，设计师通过云端获取需求信息，发布初步设计，然后，设计师与客户沟通，确定最终设计，最后，云端根据最终设计，将个性化产品分解为几个子任务以供后续生产制造。

B.子任务分配模块：用于在决策时刻将来自多个个性化产品的待分配子任务通过分布式方法分配给可用工厂，从而最大化所有可用工厂总利润，包括待分配子任务信息发布模块，工厂能力判断模块以及基于l_p-Box ADMM的分布式子任务分配模块。在决策时刻，有多个子任务待分配，边缘端根据云端发布的待分配子任务信息，判断当前工厂状态是否能够执行任一待分配子任务，并将结果返回云端，云端收集到可用工厂信息后，采用动态分布式任务分配模型以及基于l_p-Box ADMM的方法通过协调可用工厂完成任务分配。

C.打包运输模块：用于打包和运输未完成/完成的产品以及原材料，包括未完成子任务运输模块、完成子任务运输模块以及原材料运输模块；首先，所述模块可用于工厂之间运输未完成的产品以将当前待分配子任务运输到对应的工厂，其次，所述模块可用于打包和运输完成的产品到达客户指定的地址，最后，所述模块还用于运输执行子任务所需要购买的原材料。该模块是否有能力运输未完成的产品以及工厂亟需的原材料，也决定了工厂在决策时刻是否有能力执行待分配子任务。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (8)

1.一种工业4.0需求驱动的分布式动态边缘云智能制造方法，其特征在于，包括以下步骤：

步骤S1、客户向云端发布个性化产品需求；

步骤S2、设计师获取需求信息，确定最终设计；

步骤S3、云端根据最终设计，将个性化产品分解为几个子任务；

步骤S4、在决策时刻，边缘端根据云端发布的待分配子任务信息，判断当前工厂状态是否能够执行任一待分配子任务，并将结果返回云端；

步骤S5、建立动态分布式任务分配模型；

步骤S6、采用基于l_p-BoxADMM的方法完成任务分配；

步骤S7、待个性化产品的所有子任务完成，将产品打包并运输给客户；

所述步骤S5具体包括以下步骤：

步骤A1、以最大化决策时刻t所有工厂总利润为目标，建立目标函数；

步骤A2、根据场景实际情况，添加约束条件；

步骤A3、将模型转化成标准的求解最小化问题的分布式优化数学模型；

所述步骤A1具体实现如下：

动态分布式任务分配模型的目标是最大化决策时刻t所有工厂总利润，目标函数如下：

其中，i,j分别表示工厂和子任务的下标，n,m分别表示可用工厂和待分配子任务的数量，

表示工厂

执行子任务

能够获得的效用，

表示执行代价，

表示运输代价；

表示工厂

在决策时刻t是否有能力执行子任务

如果是的话，值为1，否则，值为0；

为待求解的决策变量，表示在决策时刻t，是否将子任务

分配给工厂

执行，是的话，值为1，否则，值为0；每个工厂的利润都可以表示为效用减去执行代价减去运输代价；

效用

受工厂生产能力匹配度以及工厂执行子任务所花费的时间长短的影响，执行每个子任务

都需要原材料

以及生产能力

其中q为需要的生产能力种类总数，生产需要的每种原材料

的数量表示为

每个工厂

在决策时刻所拥有的生产能力表示为

因此，定义

表示工厂

的第h种生产能力是否与子任务

执行所需要的第k种能力相同，如果是的话，值为1，否则为0；效用的计算还需要获取先前完成子任务

最快用时TT_j以及子任务

最高售价price_j，并且，预估工厂

执行子任务

用时为

由此可得，效用

计算如下：

执行代价

包括机器设置成本

生产成本

以及原材料购买成本，每种原材料

的成本的计算包括两种情况，第一种情况是原材料

需要的数量

大于工厂库存的数量

那么原材料成本就是购买成本

加上储存成本

如果原材料数量足够生产，那么只需要储存成本

基于此，引入

来判断需要的原材料数量是否多于原材料库存数量，如果是的话，值为1，否则，值为0；因此，执行代价计算公式如下：

运输代价

包括子任务

运输到工厂

的代价

以及各种需要购买的原材料的运输代价，每种需要购买的原材料

的运输代价为购买数量

乘以单位运输代价

因此，运输代价

计算公式表示如下：

2.根据权利要求1所述的工业4.0需求驱动的分布式动态边缘云智能制造方法，其特征在于，所述步骤A2具体实现如下：

动态分布式任务分配模型的约束包括：

1)

以及

的取值为0或1，表示如下：

2)子任务运输代价

和单位运输代价

的取值如下：

运输代价取值为-1，表示没有能力运输，即子任务

或者购买的原材料

无法运输到工厂

运输代价为0，对于子任务

来说，存在三种情况，当前子任务

为第一个子任务、当前子任务就在工厂

无需运输，或者因为其他情况导致子任务运输代价为0；对于原材料来说，就是指原材料

运输到工厂

代价为0，其他情况下，运输代价为大于0的实数；

3)假定待分配子任务在决策时刻至少有一个工厂可以执行，因此，关于

的约束：

4)

用来表示工厂

在决策时刻t是否有能力执行子任务

如果有的话，值为1，否则，值为0，有如下约束会导致

这四个约束从上到下依次表示：

1)如果子任务

无法运输到工厂

即

那么是工厂

无法执行子任务

2)如果工厂

执行子任务

必须购买原材料

即

但是购买原材料

无法运输到工厂

那么，子任务

无法在工厂

执行；

3)如果工厂

能够匹配给子任务

的能力小于总能力种类的一半，那么，也视为工厂

没有能力执行子任务

4)如果工厂

所获得的利润小于0的话，那么也视为工厂

无法执行子任务

5)关于决策变量

有如下约束：

前者表示任何一个子任务都最多被一个工厂执行，后者表示任何一个工厂都最多只能执行一个子任务；

6)关于

的约束：

即如果工厂

执行子任务

需要购买原材料

那么，

取值为1，否则为0。

3.根据权利要求2所述的工业4.0需求驱动的分布式动态边缘云智能制造方法，其特征在于，所述步骤A3具体实现如下：

令

定义

效用

执行代价

运输代价

以及工厂执行能力变量

都可在决策时刻t根据计算实时获得，因此，求解时只需要考虑与

相关的约束，则数学模型可表示为：

由于每个管理工厂

的边缘端只知道自身的目标函数f_i(x_i)，并且也只能决定与自身相关的决策变量

的取值情况，因此这是一个分布式优化问题，该问题假设每个边缘端之间能够正常通信，并且能够获得来自其他边缘端刚更新过的决策变量

4.根据权利要求3所述的工业4.0需求驱动的分布式动态边缘云智能制造方法，其特征在于，所述步骤S6具体包括以下步骤：

步骤B1、添加虚拟工厂或虚拟子任务，将不等式约束转化为等式约束；

步骤B2、将决策变量二值约束转化成盒约束与l_p球约束的交集；

步骤B3、构造增广拉格朗日函数；

步骤B4、将问题分解为每个工厂要解决的子问题；

步骤B5、根据更新公式以及收敛条件进行分布式求解。

5.根据权利要求4所述的工业4.0需求驱动的分布式动态边缘云智能制造方法，其特征在于，所述步骤B1具体实现如下：

令u＝max{n,m}，对于n＜m的情况，添加m-n个虚拟工厂，这些虚拟工厂执行所有子任务的代价

置为0，同样，对于n＞m的情况，添加n-m个虚拟子任务，每个工厂执行虚拟子任务的代价

置为0，那么，问题就转化为将u个任务分配给u个工厂的分布式任务分配问题，

数学模型转化为：

所述步骤B2具体实现如下：

由于x∈{0,1}ⁿ等价于

将

替换为盒约束与l_p球约束的交集，引入辅助变量y_i以及z_i，将问题模型转换如下：

y_i∈S_b

z_i∈S_p

其中，S_b＝{y_i|||y_i||_∞≤1}，

6.根据权利要求5所述的工业4.0需求驱动的分布式动态边缘云智能制造方法，其特征在于，所述步骤B3具体实现如下：

引入

以及

考虑步骤B2中约束，构造增广拉格朗日函数如下：

所述步骤B4具体实现如下：

将问题根据工厂分解成u个子问题，定义

即边缘端通信并计算得到的其他边缘端对于子任务

的决策变量的和，每个边缘端需要最小化的拉格朗日函数表示如下：

7.根据权利要求6所述的工业4.0需求驱动的分布式动态边缘云智能制造方法，其特征在于，所述步骤B5具体包括以下步骤：

步骤B51、每个边缘端初始化

y_i，z_i，λ_i，ω，

σ以及ρ_i；

步骤B52、在未达到收敛条件的情况下，每个工厂根据更新公式更新y_i，z_i，

ω，

σ，λ_i以及ρ_i；

a)所述收敛条件为

其中，stop为大于零的收敛指标，可根据实际情况取值；

b)在每个边缘端，y_i，z_i，

ω，

σ，λ_i以及ρ_i依次更新：

1)首先，对于每一个y_ij，其更新公式如下：

2)关于z_i，更新公式如下：

其中

3)在工厂

与决策变量

相关的拉格朗日函数表示如下：

引入

即为除了

以外的其他u-1个决策变量的和，将问题拆分成u个子问题，每个子问题表示如下：

可以看出上述式子是关于

的二次函数，要求取最小值，应该让导数等于0，由此可得如下式子：

因此，

的更新公式为：

4)ω_j的更新公式如下：

5)

的更新公式如下：

6)σ_ij的更新公式如下：

7)λ_i的更新公式如下：

8)ρ_i的更新公式如下：

μ会根据实际问题以及收敛速度取值，有时，为防止ρ_i增长过快，还会为其设置上限；

步骤B53收敛后，每个边缘端可根据自己的决策变量知道自己要执行的子任务，子任务也会立刻运输到边缘端所管理的工厂以投入生产。

8.一种工业4.0需求驱动的分布式动态边缘云智能制造系统，其特征在于，采用如权利要求1-7任一所述的工业4.0需求驱动的分布式动态边缘云智能制造方法，包括需求获取与设计模块、子任务分配模块、打包运输模块；具体为：

A、需求发布与设计模块：用于客户发布个性化需求以及设计师设计产品，包括需求发布模块、设计模块以及产品分解模块；首先，客户向云端发布个性化产品需求，其次，设计师通过云端获取需求信息，发布初步设计，然后，设计师与客户沟通，确定最终设计，最后，云端根据最终设计，将个性化产品分解为几个子任务以供后续生产制造；

B、子任务分配模块：用于在决策时刻将来自多个个性化产品的待分配子任务通过分布式方法分配给可用工厂，从而最大化所有可用工厂总利润，包括待分配子任务信息发布模块，工厂能力判断模块以及基于l_p-BoxADMM的分布式子任务分配模块；在决策时刻，有多个子任务待分配，边缘端根据云端发布的待分配子任务信息，判断当前工厂状态是否能够执行任一待分配子任务，并将结果返回云端，云端收集到可用工厂信息后，采用动态分布式任务分配模型以及基于l_p-BoxADMM的方法通过协调可用工厂完成任务分配；

C、打包运输模块：用于打包和运输未完成/完成的产品以及原材料，包括未完成子任务运输模块、完成子任务运输模块以及原材料运输模块；首先，所述模块可用于工厂之间运输未完成的产品以将当前待分配子任务运输到对应的工厂，其次，所述模块可用于打包和运输完成的产品到达客户指定的地址，最后，所述模块还用于运输执行子任务所需要购买的原材料；该模块是否有能力运输未完成的产品以及工厂亟需的原材料，也决定了工厂在决策时刻是否有能力执行待分配子任务。

Images