CN115660318A

CN115660318A - 一种用于物联制造车间的人机协作任务分配方法

Info

Publication number: CN115660318A
Application number: CN202211206796.7A
Authority: CN
Inventors: 刘长春; 唐敦兵; 朱海华; 王震; 张林琦; 熊鑫
Original assignee: Nanjing University of Aeronautics and Astronautics
Current assignee: Nanjing University of Aeronautics and Astronautics
Priority date: 2022-09-30
Filing date: 2022-09-30
Publication date: 2023-01-31

Abstract

本发明实施例公开了一种用于物联制造车间的人机协作任务分配方法，涉及智能制造领域，能够综合考虑工作人员的多种特征因素，选择适合的工作人员来匹配任务，以实现人机任务的动态分配。本发明包括：获取车间中人员的人员任务分配特征；对原始的任务进行分解得到子任务集合，并在所述子任务集合中确定第一类子任务，所述第一类子任务包括需要人员参与来协作完成的子任务；根据人员任务分配特征，为第一类子任务分配人员，得到各个第一类子任务的分配结果；根据分配结果，将第一类子任务的任务信息向对应的人员终端推送。

Description

一种用于物联制造车间的人机协作任务分配方法

技术领域

本发明涉及智能制造领域中设计人机协作任务分配方面的技术，尤其涉及一种用于物联制造车间的人机协作任务分配方法。

背景技术

伴随着物联网技术、传感器技术、人工智能技术等先进科学技术的快速兴起，一种以智能感知、物物相联、智慧决策为特征的制造模式开始登上了制造业的历史舞台，即物联制造。在物联制造中，异构的机器设备之间能互联互通，机器设备不再是简单的动作执行者，开始具备了感知环境、自主控制、学习决策的能力。总的来说，物联制造是物联网技术与智能制造高度融合的产物。尽管在物联制造背景下，机器设备具备感知性、自主性、合作性以及适应性等特征，可以代替人员执行大量的加工任务，大大提高制造车间的智能化水平。然而，人员的能力和特征无法完全被机器转移，人的感官经验、思维判断是需要不断沉淀和实践的，人员能够对环境进行反射性应变，对不确定和不可预测的事件主动创造知识。因此，光靠机器是无法保证车间系统的效率和稳定性，人员仍然是物联制造中不可或缺的因素。需要充分发挥出人员的主动能动性以及机器的高效稳定性，相互协作完成复杂的生产任务。

在人机协作的物联制造系统中，如何协调好人员和机器间的关系是核心部分，包括了任务分配关系以及人机交互关系。任务分配关系主要涉及如何正确划分人员和机器的工作职责，保证人员与机器有条不紊地配合协作，以及设计高效的车间任务动态分配策略，提高整个物联车间生产的运转效率。人机交互的趋势是最大程度地便利人员的交互操作，摆脱复杂形式的交互界面，按照人员的意图需求，简单顺畅地输入信息，快速直观地收到反馈信息。

因此，如何快速直观得为生产人员选择并推送合适的人机协作任务分配方案，从而提高人机交互的效率，成为了需要研究的问题。

发明内容

本发明的实施例提供一种用于物联制造车间的人机协作任务分配方法，能够综合考虑工作人员的多种特征因素，选择适合的工作人员来匹配任务，以实现人机任务的动态分配。

为达到上述目的，本发明的实施例采用如下技术方案：

S1、获取车间中人员的人员任务分配特征；

S2、对原始的任务进行分解得到子任务集合，并在所述子任务集合中确定第一类子任务，所述第一类子任务包括需要人员参与来协作完成的子任务；

S3、根据人员任务分配特征，为第一类子任务分配人员，得到各个第一类子任务的分配结果；

S4、根据分配结果，将第一类子任务的任务信息向对应的人员终端推送。

本发明实施例提供的用于物联制造车间的人机协作任务分配方法，本实施例中，则是借助层次技能树模型、三参数双曲模型和UWB定位技术，实现人员技能、操作时间、位置距离的精确计算，能够对人员任务分配特征进行精准挖掘。本实施例基于多特征约束的人机协作任务动态分配技术，运模糊层次分析法重点分析当机器请求工作人员执行任务时，如何综合考虑工作人员的多种特征因素，选择适合的工作人员来匹配任务，以实现人机任务的动态分配。进一步的，还可以利用增强现实技术，实现在复杂繁琐的加工任务下，工作人员依旧能够高效便捷地实现与机器的交互操作。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的人机协作任务分配的调度流程机制图；

图2为本发明实施例提供的人员的层次技能树模型图；

图3为本发明实施例提供的遗传算法求解预估人员工时的流程图；

图4为本发明实施例提供的人机协作任务分解与划分流程图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

随着市场和技术的发展，对制造系统的柔性和敏捷性提出了更高的要求。伴随着物联网技术与传统离散车间的深度融合，物联制造能够实现对生产车间的智能感知、智能控制和智能决策，从而实时调控制造车间的生产活动。然而，物联制造车间的动态扰动问题，如对刀、设备维护、更换夹具等，都离不开车间人员的手动操作。为了实现高效的人机任务分配策略，本实施例采用人员技能树模型、学习曲线以及UWB人员定位技术，量化了人员目标的特征要素，并通过事件驱动模型以及模糊层次分析法，设计了人机任务的动态调度算法。通过建立人员与机器和谐互补的协作关系，解决人机任务动态分配以及车间人机交互信息滞后的问题，进一步提高物联制造车间的生产效率和稳定性。

本发明实施例提供一种用于物联制造车间的人机协作任务分配方法，包括：

S1、获取车间中人员的人员任务分配特征；

其中，人员任务分配特征包括了：人员的层次技能树模型、人员的操作时间和人员当前位置与任务点之间的距离。

其中，可以通过任务分解将一个复杂的任务分解成一个个简单、相关性低的子任务，并将子任务进行划分，决定是否需要人员参与来协作完成任务。

其中，综合考虑需要参与人机协作任务的人员的多种特征因素，确定多特征约束人机任务的分配目标，建立多特征约束模型，运用模糊层次分析法构建特征权重模型，进而选择最适合的工作人员来匹配任务，以实现人机任务的动态分配。

其中，可以通过增强现实技术，将分配的人机协作任务推送到对应工作人员的增强现实眼镜端，并以此实现工作人员对机器的高效交互。

本实施例中，在S1中包括：

S1.1、根据车间中人员技能之间的相关性和层次性，建立人员的层次技能树模型。

其中，在S1.1中包括：

建立人员的层次技能树模型：

其中，s指代技能，

表示父节点技能s的权重值，

表示技能s下子技能s′的权重值。通过对比权重的高低，可以看出人员对加工任务的适合程度。

通过匹配质量m(p_i,t_i)来描述工作人员p_i对于加工任务t_i的匹配度，m(p_i,t_i)的值与人员适合该任务的程度正相关，m(p_i,t_i)的计算方式包括：

m(p_i,t_j)＝σ₁(p_i,t_j)+σ₂(p_i,t_j)

其中，加工任务t_i∈T，加工任务t_i的技能需求

其中s_i表示完成该任务所需要的技能，

表示技能s_i在任务t_i中所占的百分比，i为正整数，T表示时间常数集合，σ₁(p_i,t_i)表示人员p_i对于任务t_i的技能水平影响值，σ₂(p_i,t_j)表示人员p_i对于非任务t_i的技能水平影响值，α为固定系数用于代表两个技能的关联程度，t_j表示j时刻的任务，

表示t_j个任务的技能需求，j表示j时刻，

表示技能s在任务t_j中所占的百分比，depth(s)表示s个技能数，σ表示技能水平影响值，father^(n-1)(s)表示比技能s高n-1层的父节点集合，fatherⁿ(s)表示比技能s高n层的父节点集合，child(father⁽ⁿ⁾(s))表示技能s下的子节点集合。

S1.2、将三参数双曲模型拟合历史加工时间记录，并利用所述三参数双曲模型预估人员的操作时间；

其中，在S1.2中，可以基于三参数双曲模型拟合历史加工时间记录，利用遗传算法完成参数模型的求解、预估人员的操作时间。所述三参数双曲模型表示为：

f(X)表示预估人员的操作时间，X表示染色体个体，x_i和y_i表示待拟合的人员工时数据，k表示算法进化代数，p表示交叉概率，r表示变异概率。

S1.3、可以通过UWB技术获取车间中人员的位置，并计算人员当前位置与任务点之间的距离，其中所述任务点对应第一类子任务，所述任务点指向了车间中的任务位置；

其中，在S1.3中，可以通过UWB技术获取物联制造车间的人员位置信息，计算人员当前位置与任务点之间的距离。人员当前位置与任务点之间的距离为：

Dis(p_i)＝Loc(p_i)-Loc(t_i)，

其中，Dis(p_i)表示人员p_i对于任务点t_i的距离。

本实施例中，在S3中，包括：

根据人员任务分配特征，获取由多特征约束的人机任务的分配目标；和，对所述人员任务分配特征进行归一化处理；

建立模糊互补判断矩阵，并利用所述模糊互补判断矩阵计算出各人员任务分配特征的权重向量；

对所得到的权重向量进行归一化处理，得出各个人机协作方案的综合评价指标的系数值，并根据系数值将人机协作方案进行优先级排序，所述人机协作方案包括了一个第一类子任务与一个人员的分配关系。

所述建立模糊互补判断矩阵，并利用所述模糊互补判断矩阵计算出各人员任务分配特征的权重向量，包括：

建立模糊互补判断矩阵H，用于比较元素(特征)之间的重要性程度，其中，

a_nn表示第n行第n列特征因素，n为正整数。

利用模糊互补判断矩阵H计算各个特征的权重向量w_i，并构建对应模糊互补判断矩阵H的特征矩阵B，其中：

B＝(w_ij)_n×n，w_j表示第j个因素的权重，a_ij表示第i行第j列特征因素。

进一步的，对矩阵H和矩阵B进行相容性指标判断，计算得到相容性指标I(H,B)，若I<0.1，则判定模糊互补判断矩阵H的一致性检验通过，否则需要重新调整和检验模糊互补矩阵，其中：

具体举例来说，上述执行流程也可以实现为：

A1：建立人员技能水平、车间完工时间和任务分配均衡为约束的人机任务分配目标；

A2：通过人员层次技能树模型算出该任务技能的匹配质量m(p_i,t_j)；

A3：通过三参数双曲模型和遗传算法求解工作人员p_i执行加工任务t_i的预估时长；

A4：通过UWB定位技术，计算出人员执行该任务需要移动的距离PD_i；

A5：确定系统各个特征因素的因果关系，并对各个特征归一化处理，构建基于多特征决策的综合评价指标模型；

A6：建立模糊互补判断矩阵H，比较元素(特征)之间的重要性程度，模糊互补判断矩阵H是：

A7：根据模糊互补判断矩阵计算出各特征的权重向量w_i，构建模糊互补判断矩阵H的特征矩阵B：

B＝(w_ij)_n×n

A8：通过对矩阵H和矩阵B进行相容性指标判断，计算出相容性指标I(H,B)，若I<0.1，则可以认为模糊互补判断矩阵的一致性检验通过，否则需要重新调整和检验模糊互补矩阵；相容性指标I(H,B)是：

A9：将权重向量进行归一化处理，得出综合评价指标的具体系数，并将各个人机协作方案的值进行优先排序，最终选择合适的方案。

进一步地，为了更好的实现本发明，所述S11具体为：

其中，

表示父节点技能s的权重值，

代表技能s下子技能的权重值。通过对比权重的高低，可以看出人员对加工任务的适合程度。

定义一个加工任务t_i∈T，这个任务的技能需求

其中s_i表示完成该任务所需要的技能，

表示技能s_i在任务t_i中所占的百分比。

通过定义匹配质量m(p_i,t_i)来描述工作人员p_i对于加工任务t_i的匹配度，m(p_i,t_i)的值越大，代表该人员越适合该任务。如下，给出了匹配质量m(p_i,t_i)的计算公式：

m(p_i,t_j)＝σ₁(p_i,t_j)+σ₂(p_i,t_j)

其中σ₁(p_i,t_i)表示人员p_i对于任务t_i的技能水平影响值，σ₂(p_i,t_j)表示人员p_i对于非任务t_i的技能水平影响值，α为固定系数，代表两个技能的关联程度。

进一步地，为了更好的实现本发明，所述S12具体为：

其中，X表示染色体个体，x_i和y_i表示待拟合的人员工时数据。

进一步地，为了更好的实现本发明，所述S13具体为：

Dis(p_i)＝Loc(p_i)-Lot(t_i)

其中，Dis(p_i)表示人员p_i对于任务点t_i的距离。

进一步地，为了更好的实现本发明，所述S3中，根据如下公式计算基于模糊层次分析法的特征权重值：

B＝(w_ij)_n×n

其中，H为模糊互补判断矩阵，w_i为各元素的权重向量，B为模糊互补判断矩阵H的特征矩阵，I(H,B)为相容性指标。

本实施例的优选方案中，所述人员终端为采用增强现实(AR)的智能眼镜设备。以此实现工作人员对机器的高效交互

进一步的，在S2中，包括：

当一个任务被发起时，首先需要判断物联系统中有没有对该任务存在适用的解决方案和成熟的规则程序。如果存在，则判断该任务的解决方案中是否需要人员参与，如果需要人员更换内容，则由人员更换内容后，机器执行任务；

如果需要人员操纵设备，则由人员操纵设备来执行任务；

否则全部由机器来执行任务。

如果不存在成熟的方案和程序，则需要进一步判断该任务的属性能否由人员来完成，其中，可以由运行本发明所提出的人机协作方法的计算机判断，根据维修任务的需求会包含是否需要人员参与，再由计算机去识别，然后安排合理的人机协作方案。比如考虑任务是否具有危险性、任务是否超出人员的感知能力、任务的精度是否超出人员的能力、人员的稳定性可靠性能否满足任务要求、人员的成本是否过高等一系列问题，最终系统判断是由人员还是机器设备来执行该任务。

在现有的人机协作任务分配方式中，主要的问题有：1.现有技术在动态化的物联制造车间环境下，人员难以及时准确地获取车间加工信息。2.现有技术中人员执行任务存在主观性和不确定性，物联制造系统难以高效合理地分配人机任务。3.现有技术条件下，在处理复杂繁琐的加工任务时，人员难以高效便捷地实现与机器的交互操作。提供了一种面向物联制造车间的人机协作任务分配方法。

本实施例中，则是借助层次技能树模型、三参数双曲模型和UWB定位技术，实现人员技能、操作时间、位置距离的精确计算，能够对人员任务分配特征进行精准挖掘。本实施例基于多特征约束的人机协作任务动态分配技术，运模糊层次分析法重点分析当机器请求工作人员执行任务时，如何综合考虑工作人员的多种特征因素，选择最适合的工作人员来匹配任务，以实现人机任务的动态分配。进一步的，还可以利用增强现实技术，实现在复杂繁琐的加工任务下，工作人员依旧能够高效便捷地实现与机器的交互操作。

本实施例采用人员技能树模型、学习曲线以及UWB人员定位技术，量化人员目标的特征要素，然后采用事件驱动模型以及模糊层次分析法，构建人机任务的动态调度算法，最后将权重向量进行归一化处理，得出综合评价指标的具体系数，并将各个人机协作方案的值进行优先排序，最终选择合适的人机协作任务分配方案。例如图2所示的一种具体实例，图2中包括了为人机协作任务分解与划分流程，确定人机协作任务分解与划分的方法如下：当一个任务被发起时，首先需要判断物联系统中有没有对该任务存在适用的解决方案和成熟的规则程序。如果存在，则判断该任务的解决方案中是否需要人员参与，如果需要人员更换内容，则由人员更换内容后，机器执行任务；如果需要人员操纵设备，则由人员操纵设备来执行任务；否则全部由机器来执行任务。如果不存在成熟的方案和程序，则需要进一步判断该任务的属性能否由人员来完成，比如考虑任务是否具有危险性、任务是否超出人员的感知能力、任务的精度是否超出人员的能力、人员的稳定性可靠性能否满足任务要求、人员的成本是否过高等一系列问题，最终系统判断是由人员还是机器设备来执行该任务。在这个过程中，首先挖掘人员在任务分配中的技能匹配度、预计完成时间和人员位置的特征因素，能够对人员任务分配特征进行精准挖掘。然后，对人机协作的任务进行分解和划分，构建基于事件驱动的多特征约束调度模型，通过模糊层次分析法确定技能匹配、工时评估、工作时长和位置信息的特征权重值。紧接着，将权重向量进行归一化处理，得出综合评价指标的具体系数，并将各个人机协作方案的值进行优先排序，最终选择合适的人机协作任务分配方案。最后，利用增强现实技术，实现在复杂繁琐的加工任务下，工作人员依旧能够高效便捷地实现与机器的交互操作。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。