CN113671913A - 一种智能制造车间隐形扰动应对方法 - Google Patents

Abstract

本发明公开了一种智能制造车间隐形扰动应对方法，包括以下步骤：调用数据采集获取的任务执行数据及原始车间资源调度方案；利用支持向量机技术进行软测量模型的构建，辅助车间资源状态的监测；判断车间资源状态偏差对任务执行的影响程度是否超越阈值以确定重调度触发时刻；运行短暂容错机制并利用二分类器快速抉择重调度方式；执行重调度方案，完成车间内隐形扰动的应对，为智能制造车间资源调度优化提供重要保障。本发明采用数据替代手段完成短暂容错机制，在异常数据检测出到切换重调度方案的短时间内进行数据替换，保证整体重调度过程的快速响应及平稳运行。

Description

一种智能制造车间隐形扰动应对方法

技术领域

本发明属于智能车间资源调度技术领域，具体涉及一种智能制造车间隐形扰动应对方法。

背景技术

为了适应变化万千、竞争激烈的市场环境，制造企业向多类型、小规模的离散制造模式转变，导致车间生产过程变得复杂动态，发生突发事件的概率大大提高。而目前离散型制造企业使用的车间调度系统，同生产实际情况相差甚远，在复杂动态场合很难应用，通常需要人工对调度方案进行适应性调整。但是人工调整的优劣取决于调度员的经验和知识水平，而且往往需要耗费大量的时间和劳动力，调度方案的稳定性及车间生产效率难以保证。所以，迫切需要改善生产车间依赖人工调整的现状。与此同时，智能制造与数字化工厂的发展，使生产车间产生大量数据，为机器学习的应用提供了可能。在这种环境下，使用深度学习、深度强化学习，开发基于这些数据的自学习、自适应车间调度系统，不仅考虑了这些数据的价值，还可以通过数据对实际调度车间的实现动态感知和智能控制，从而指导实际生产过程出现的各种动态问题，实现车间自适应调度，缓解车间对人工调整的依赖。

智能制造车间包含有各类资源，这些资源的可靠性和抗干扰性难以完全保证，这就造就了现今智能车间内的无法避免的各式扰动。车间扰动是资源重调度研究的根本驱动力，助推着人们在重调度机制上开疆拓土。智能制造现行模式下，利用车间资源实时产生的任务执行数据监测车间内扰动，确立车间内扰动应对策略是智能制造系统服务的关键突破口之一，扰动应对方法的好坏直接影响着智能制造平台的运营，快速高效的重调度机制为智能制造车间资源调度优化提供了基础性的保障。

车间内扰动可以分为多个种类，加工中心故障、交付提前、紧急插单、环境影响等，但这些都属于看得见摸得着的常规扰动，可以通过目前常用的重排机制进行应对。而有一类扰动是不可见却又实实在在影响着产品制造过程的平稳可靠，例如，长时间累计的加工时间偏差、工件搬运不畅、产品质量下降、单一加工中心利用率减小等。这类扰动往往隐于普通加工过程并有赖于偏差的累积，因此被称为隐形扰动或累计扰动。目前，有关这类扰动事件的应对策略研究还不够完备，如何高效应对智能车间隐形扰动成为智能制造领域一个亟待解决的问题。

公开号为CN111859039A的中国专利公开了一种基于改进案例推理技术的车间扰动决策方法及装置，首先获取车间历史扰动案例信息和目标案例信息；以三元表述模型描述扰动案例；按照扰动类型将车间历史扰动案例划分为不同的扰动案例库；根据目标案例的背景描述，计算目标案例与对应的扰动案例库中的历史案例之间的案例相似度；根据案例相似度，获得目标案例的扰动决策。本发明利用基于改进的案例推理技术实现车间扰动决策。该专利虽然可以解决车间的扰动问题，但是只能解决常规扰动的问题，不能有效地解决隐形扰动的问题。

发明内容

本发明的目的是针对现有技术存在的问题，提供一种智能制造车间隐形扰动应对方法，以实现车间内隐形扰动的快速发现与应对，同时完善隐形扰动下车间资源的重调度机制。

为实现上述目的，本发明采用的技术方案是：

一种智能制造车间隐形扰动应对方法，其特征在于，包括以下步骤：

S1，获取车间目标案例的实时资源数据(即任务执行数据)，所述目标案例按照原始调度方案在车间执行；

S2，利用所述实时资源数据构建预测模型(采用支持向量机算法实现)，并通过所述预测模型得到目标案例的预测资源数据，便于监测目标案例的资源异常状态；

S3，利用所述目标案例的实时资源数据和预测资源数据确定重调度触发时刻；

S4，当所述目标案例执行至重调度触发时刻后，运行短暂容错机制；

S5，在所述短暂容错机制运行的时间段内选择重调度方案；

S6，执行所述重调度方案。

进一步地，步骤S2包括以下步骤：

S21，利用所述实时资源数据建立资源数据集：G＝[(x₁,y₁),(x₂,y₂),…,(x_m,y_m)]；

S22，根据所述资源数据集构建预测模型：

S23，将求解预测模型的最优预测值问题转换为寻求

的问题；

S24，利用Lagrange乘子将约束条件

引入求解函数(即上述寻求最小值的问题)内；

S25，对各个变量求解偏导的方程为：

S26，依据最优化条件计算预测模型对于目标案例资源数据的预测值为：

其中，x_i为资源实例的特征向量，y_i为资源执行加工任务过程中状态的实际测量值，m表示数据集规模大小；

为预测值，w为权重系数，b为阈值；

与

表示松弛变量，δ表示损失敏感度；

为了将约束条件引入求解函数内，利用Lagrange乘子构建拉格朗日函数：

其中，

为各约束条件引入的Lagrange乘子；，

为x_i的转置，x_j为第j个资源实例的特征向量。

进一步地，步骤S3包括以下步骤：

S31，利用资源数据偏差对任务执行的影响程度

将预测模型得到的预测值与实时采集的资源数据进行对比；

S32，判断所述影响程度INF是否超越阈值d(通过数据挖据得到)；

S33，若0≤INF≤d，则隐形扰动处于起始阶段，该阶段内原始调度方案仍然有效；返回步骤S31；

S34，若INF＞d，则隐形扰动已经累积到能使原始调度方案失效，确定INF＞d发生的时间点为重调度触发时刻。

进一步地，步骤S4包括以下步骤：

S41，调用案例库中目标案例的所有资源数据，并在所有资源数据中找到异常数据；

S42，计算所有资源数据中各个资源数据(x_j,y_j)与异常数据(x_i,y_i)之间的差值为：

其中，n为特征向量x_i内元素个数，

为x_i内第v个元素，

为x_j内第v个元素；

S43，将所有资源数据按照计算得出的差值大小进行排序，从所有资源数据中选出与异常数据(x_i,y_i)之间的差值最小的k个资源数据；将这k个资源数据组成临近值数据集：[(x_i1,y_i1),(x_i2,y_i2),…,(x_ik,y_ik)]；

其中，x_ik表示与异常数据临近的第k个资源实例的特征向量，y_ik表示与异常数据临近的第k个目标变量实际测量值；

S44，将这k个资源数据与异常数据的差值作为权重的关键指标，通过加权平均的方式，将这k个资源数据的输出值y_il分别乘以对应的权重，得到的总和即为替代异常数据的目标值：

其中，D_l为第l个案例数据与异常值之间的距离；

S45，利用所述目标值替代目标案例执行过程中的异常数据，在异常数据检测出到切换重调度方案的短时间内进行数据替换，以确保重调度时刻非故障资源的继续运行，原调度方案的短时平稳执行。

进一步地，步骤S5包括以下步骤：

S51，调用案例库中历史扰动案例的历史资源数据构成训练数据集：(x₁,Y₁),(x₂,Y₂),…,(x_n,Y_n)；

其中，Y_n表示第n个案例的重调度方式选择值；

S52，利用Sigmoid分类器对所述训练数据集中的数据进行深度学习，生成隐形扰动下的重调度方案选择模型：

S53，将目标案例的异常数据输入所述重调度方案选择模型，得到目标案例在隐形扰动下的重调度方案。同时进行异常状态的回溯判定，以确认造成此资源异常状态的隐形扰动表现形式，供以客户参考。

进一步地，步骤S52包括以下步骤：

S521，若选择Y＝0，则选择常规重调度方案，即在重调度触发时刻，快速确立工件的释放时刻与加工中心的可用时刻，然后以目标函数最优为导向调用智能优化算法，快速重排剩余工序生成重调度方案；所述目标函数包括最大完工时间、最低成本等；所述智能优化算法可采用遗传算法。

S522，若选择Y＝1，则选择关键工序等比例重调度方案，即认定在重调度触发时刻前，隐形扰动对工件加工的影响可以被接受，加之短暂容错机制的存在，因此该道工序的已加工进度被系统认可，当挪换到另一加工中心进行加工时，剩余加工时长依据剩余进度进行等比例换算。T₀为重调度触发时刻，此时在隐形扰动影响下的加工中心M_k正在加工工序O_ij，其剩余进度为

挪换到O_ij的可选加工中心集中任一台加工中心M_q，其相应的加工时长变为t′_ijk＝t_ijk×rate，其中，ET_ijk为O_ij在加工中心M_k上的完成时刻。

与现有技术相比，本发明的有益效果是：(1)本发明通过构建预测模型来预测目标案例的资源数据，连续监测效能高，对资源异常状态敏感，有利于重调度触发时刻的确定，补足了智能制造车间系统的数据利用方案。(2)本发明采用数据替代手段完成短暂容错机制，在异常数据检测出到切换重调度方案的短时间内进行数据替换，保证整体重调度过程的快速响应及平稳运行。(3)本发明采用二分类器进行重调度方式的抉择，达到系统对隐形扰动的监测、容错、快速抉择、调用算法生成方案、执行重调度的一套快速应对机制，保证了本发明的效率及有效性。

附图说明

图1为本发明方法的流程图；

图2为本发明中智能制造车间内各隐形扰动表现形式分类图；

图3为本发明中实例应用所在智能车间简要示意图；

图4为本发明中原始调度方案甘特图；

图5为本发明中关键工序等比例重调度甘特图。

具体实施方式

下面将结合本发明中的附图，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动条件下所获得的所有其它实施例，都属于本发明保护的范围。

如图1所示，本实施例提供了一种智能制造车间隐形扰动应对方法，其特征在于，包括以下步骤：

S1，获取车间目标案例的实时资源数据(即任务执行数据)，所述目标案例按照原始调度方案在车间执行；

S2，利用所述实时资源数据构建预测模型(采用支持向量机算法实现软测量建模)，并通过所述预测模型得到目标案例的预测资源数据，便于监测目标案例的资源异常状态；

S3，利用所述目标案例的实时资源数据和预测资源数据确定重调度触发时刻；

S4，当所述目标案例执行至重调度触发时刻后，运行短暂容错机制；

S5，在所述短暂容错机制运行的时间段内选择重调度方案；

S6，执行所述重调度方案。

进一步地，步骤S2包括以下步骤：

S21，利用所述实时资源数据建立资源数据集：G＝[(x₁,y₁),(x₂,y₂),…,(x_m,y_m)]；

S22，根据所述资源数据集构建预测模型：

S23，将求解预测模型的最优预测值问题转换为寻求

的问题；

S24，利用Lagrange乘子将约束条件

引入求解函数(即上述寻求最小值的问题)内；

S25，对各个变量求解偏导的方程为：

S26，依据最优化条件计算预测模型对于目标案例资源数据的预测值为：

其中，x_i为资源实例的特征向量，y_i为资源执行加工任务过程中状态的实际测量值，m表示数据集规模大小；

为预测值，w为权重系数，b为阈值；

与

表示松弛变量，δ表示损失敏感度；

为了将约束条件引入求解函数内，利用Lagrange乘子构建拉格朗日函数：

其中，

为各约束条件引入的Lagrange乘子；，

为x_i的转置，x_j为第j个资源实例的特征向量。

进一步地，步骤S3包括以下步骤：

S31，利用资源数据偏差对任务执行的影响程度

将预测模型得到的预测值与实时采集的资源数据进行对比；

S32，判断所述影响程度INF是否超越阈值d(通过数据挖据得到)；

S33，若0≤INF≤d，则隐形扰动处于起始阶段，该阶段内原始调度方案仍然有效；返回步骤S31；

S34，若INF＞d，则隐形扰动已经累积到能使原始调度方案失效，确定INF＞d发生的时间点为重调度触发时刻。

进一步地，步骤S4包括以下步骤：

S41，调用案例库中目标案例的所有资源数据，并在所有资源数据中找到异常数据；

S42，计算所有资源数据中各个资源数据(x_j,y_j)与异常数据(x_i,y_i)之间的差值为：

其中，n为特征向量x_i内元素个数，

为x_i内第v个元素，

为x_j内第v个元素；

S43，将所有资源数据按照计算得出的差值大小进行排序，从所有资源数据中选出与异常数据(x_i,y_i)之间的差值最小的k个资源数据；将这k个资源数据组成临近值数据集：[(x_i1,y_i1),(x_i2,y_i2),…,(x_ik,y_ik)]；

其中，x_ik表示与异常数据临近的第k个资源实例的特征向量，y_ik表示与异常数据临近的第k个目标变量实际测量值；

S44，将这k个资源数据与异常数据的差值作为权重的关键指标，通过加权平均的方式，将这k个资源数据的输出值y_il分别乘以对应的权重，得到的总和即为替代异常数据的目标值：

其中，D_l为第l个案例数据与异常值之间的距离；

S45，利用所述目标值替代目标案例执行过程中的异常数据，在异常数据检测出到切换重调度方案的短时间内进行数据替换，以确保重调度时刻非故障资源的继续运行，原调度方案的短时平稳执行。

进一步地，步骤S5包括以下步骤：

S51，调用案例库中历史扰动案例的历史资源数据构成训练数据集：(x₁,Y₁),(x₂,Y₂),…,(x_n,Y_n)；

其中，Y_n表示第n个案例的重调度方式选择值；

S52，利用Sigmoid分类器对所述训练数据集中的数据进行深度学习，生成隐形扰动下的重调度方案选择模型：

S53，将目标案例的异常数据输入所述重调度方案选择模型，得到目标案例在隐形扰动下的重调度方案。同时进行异常状态的回溯判定，以确认造成此资源异常状态的隐形扰动表现形式，供以客户参考。

进一步地，步骤S52包括以下步骤：

S521，若选择Y＝0，则选择常规重调度方案，即在重调度触发时刻，快速确立工件的释放时刻与加工中心的可用时刻，然后以目标函数最优为导向调用智能优化算法，快速重排剩余工序生成重调度方案；所述目标函数为最大完工时间；所述智能优化算法采用遗传算法。

S522，若选择Y＝1，则选择关键工序等比例重调度方案，即认定在重调度触发时刻前，隐形扰动对工件加工的影响可以被接受，加之短暂容错机制的存在，因此该道工序的已加工进度被系统认可，当挪换到另一加工中心进行加工时，剩余加工时长依据剩余进度进行等比例换算。T₀为重调度触发时刻，此时在隐形扰动影响下的加工中心M_k正在加工工序O_ij，其剩余进度为

挪换到O_ij的可选加工中心集中任一台加工中心M_q，其相应的加工时长变为t′_ijk＝t_ijk×rate，其中，ET_ijk为O_ij在加工中心M_k上的完成时刻。

本实施例中，SVM为现有技术，常用于软测量建模；Sigmoid分类器为现有技术中的方法，常用于二分类场景。

如图2所示，隐形扰动在智能制造车间内主要有三种表现形式，包括：

与设备资源关联的隐形扰动，主要包括：长期加工同质品类产品及算法寻优导致调度方案偏重车间内某一些设备资源，部分加工中心负荷过高影响设备寿命及可靠性，单一或少部分加工中心利用率减小，无形间增加设备维护成本；

与产品质量关联的隐形扰动，主要包括：各车间资源技术精度偏差，例如表面粗糙度、尺寸精度、形状精度、定位精度等，这部分隐形扰动可以以智能检测设备采集的质量数据为基础进行监测；

与时间偏差关联的隐形扰动，主要包括：工件搬运不畅累积导致的开始加工时间偏差，工业机器人工作效率降低导致的装夹拆卸时间偏差，加工中心加工效率变低造成的完工时间偏差。

为了使本发明的技术手段、创作特征、工作流程、使用方法达成目的与功效，且为了使该隐形扰动应对方法易于明白了解，下面结合具体实例，进一步阐述本发明。

为了实现对本发明隐形扰动应对方法的应用，对某企业一智能制造车间单次加工任务的实际数据进行本发明的实例应用，图3为该智能车间简要示意图，10台加工中心采用环线布局，依靠工业机器人、AGV、仓储货架来完成工件的调整、安装、拆卸、搬运等操作。

图4为原始调度方案的甘特图示意，是一个10个加工中心加工10个工件的车间调度实例，该智能车间在执行初始调度方案时，系统监测到加工中心M₈产生隐形扰动，依据软测量模型判定重调度触发时刻为25min，通过数据采集得到的各加工中心调整时间历史案例数据，经数据预处理手段辅助数据挖掘预估得出加工中心M₃的调整时间为25分钟，意味着25-50min这个时间段内M₃不能用于加工。系统调用任务执行数据由Sigmoid分类器得出重调度方式选择变量Y＝1，回溯发现此刻M₃上发生与时间偏差关联的隐形扰动，由于短暂容错机制的存在，隐形扰动达到影响车间资源正常执行生产任务的阈值前的短暂时刻内，其对初始调度方案的执行成果是可被接受的。因此判定选用关键工序等比例重调度方案，以达到最大化减小扰动影响、节省成本按期交付的目的，图5为关键工序等比例重调度甘特图。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种智能制造车间隐形扰动应对方法，其特征在于，包括以下步骤：

S1，获取车间目标案例的实时资源数据，所述目标案例按照原始调度方案在车间执行；

S2，利用所述实时资源数据构建预测模型，并通过所述预测模型得到目标案例的预测资源数据；

S3，利用所述目标案例的实时资源数据和预测资源数据确定重调度触发时刻；

S4，当所述目标案例执行至重调度触发时刻后，运行短暂容错机制；

S5，在所述短暂容错机制运行的时间段内选择重调度方案；

S6，执行所述重调度方案。

2.根据权利要求1所述的一种智能制造车间隐形扰动应对方法，其特征在于，步骤S2包括以下步骤：

S21，利用所述实时资源数据建立资源数据集：G＝[(x₁,y₁),(x₂,y₂),…,(x_m,y_m)]；

S22，根据所述资源数据集构建预测模型：

S23，将求解预测模型的最优预测值问题转换为寻求

的问题；

S24，利用Lagrange乘子将约束条件

引入求解函数内；

S25，对上述各个变量求解偏导的方程为：

S26，依据最优化条件计算预测模型对于目标案例资源数据的预测值为：

其中，x_i为资源实例的特征向量，y_i为资源执行加工任务过程中状态的实际测量值，m表示数据集规模大小；

为预测值，w为权重系数，b为阈值；

与

表示松弛变量，δ表示损失敏感度；

为了将约束条件引入求解函数内，利用Lagrange乘子构建拉格朗日函数：

其中，

为各约束条件引入的Lagrange乘子；，

为x_i的转置，x_j为第j个资源实例的特征向量。

3.根据权利要求2所述的一种智能制造车间隐形扰动应对方法，其特征在于，步骤S3包括以下步骤：

S31，利用资源数据偏差对任务执行的影响程度

将预测模型得到的预测值与实时采集的资源数据进行对比；

S32，判断所述影响程度INF是否超越阈值d；

S33，若0≤INF≤d，则隐形扰动处于起始阶段，该阶段内原始调度方案仍然有效；返回步骤S31；

S34，若INF＞d，则隐形扰动已经累积到能使原始调度方案失效，确定INF＞d发生的时间点为重调度触发时刻。

4.根据权利要求1所述的一种智能制造车间隐形扰动应对方法，其特征在于，步骤S4包括以下步骤：

S41，调用案例库中目标案例的所有资源数据，并在所有资源数据中找到异常数据；

S42，计算所有资源数据中各个资源数据(x_j,y_j)与异常数据(x_i,y_i)之间的差值为：

其中，n为特征向量x_i内元素个数，

为x_i内第v个元素，

为x_j内第v个元素；

S43，将所有资源数据按照计算得出的差值大小进行排序，从所有资源数据中选出与异常数据(x_i,y_i)之间的差值最小的k个资源数据；将这k个资源数据组成临近值数据集：[(x_i1,y_i1),(x_i2,y_i2),…,(x_ik,y_ik)]；

其中，x_ik表示与异常数据临近的第k个资源实例的特征向量，y_ik表示与异常数据临近的第k个目标变量实际测量值；

S44，将这k个资源数据与异常数据的差值作为权重的关键指标，通过加权平均的方式，将这k个资源数据的输出值y_il分别乘以对应的权重，得到的总和即为替代异常数据的目标值：

其中，D_l为第l个案例数据与异常值之间的距离；

S45，利用所述目标值替代目标案例执行过程中的异常数据。

5.根据权利要求1所述的一种智能制造车间隐形扰动应对方法，其特征在于，步骤S5包括以下步骤：

S51，调用案例库中历史扰动案例的历史资源数据构成训练数据集：(x₁,Y₁),(x₂,Y₂),…,(x_n,Y_n)；

其中，Y_n表示第n个案例的重调度方式选择值；

S52，利用Sigmoid分类器对所述训练数据集中的数据进行深度学习，生成隐形扰动下的重调度方案选择模型：

S53，将目标案例的异常数据输入所述重调度方案选择模型，得到目标案例在隐形扰动下的重调度方案。

6.根据权利要求5所述的一种智能制造车间隐形扰动应对方法，其特征在于，步骤S52包括以下步骤：

S521，若选择Y＝0，则选择常规重调度方案，即在重调度触发时刻，快速确立工件的释放时刻与加工中心的可用时刻，然后以目标函数最优为导向调用智能优化算法，快速重排剩余工序生成重调度方案；

S522，若选择Y＝1，则选择关键工序等比例重调度方案，即认定在重调度触发时刻前，隐形扰动对工件加工的影响可以被接受，加之短暂容错机制的存在，因此该道工序的已加工进度被系统认可，当挪换到另一加工中心进行加工时，剩余加工时长依据剩余进度进行等比例换算。T₀为重调度触发时刻，此时在隐形扰动影响下的加工中心M_k正在加工工序O_ij，其剩余进度为

挪换到O_ij的可选加工中心集中任一台加工中心M_q，其相应的加工时长变为t′_ijk＝t_ijk×rate；其中，ET_ijk为O_ij在加工中心M_k上的完成时刻。

Images