CN116027741A - 一种用于复杂制造场景的边云协同人工智能框架 - Google Patents

Abstract

本发明提出了一种面向复杂制造场景的边云协同人工智能框架，实现开放环境下工业互联网制造云端与边缘侧动态协同的异构制造资源高效调度。该框架采用边云协同架构，整个系统包括边缘侧轻量化人工智能模型、边缘侧不确定性模型和云端寻优调度模型三部分构成。其中，边缘侧实时采集生产状态数据，构建制造过程不确定性模型，搭载分布式人工智能模型完成供给端数据的预处理和实时分析，并进行实时显示，同时将预处理后的数据和分析结果发送至云端；云服务中心汇总分布式边缘侧人工智能模型的分析结果和数据，通过边缘侧分布式调度方案提供的供需数据，多次寻优迭代，得到最优排产方案；而后挖掘历史排产数据，进一步使用云端计算引擎的计算能力，完成预防性调度排产，提升决策水平。通过边缘端与云端的协同工作，面向制造过程扰动因素对分布式流水线、车间、工厂进行快速、全局建模，进而动态调整各节点产能负荷，提升订单交期承诺覆盖率。

Description

一种用于复杂制造场景的边云协同人工智能框架

技术领域

本发明属于工业互联网技术领域，涉及一种面向复杂制造场景的边云协同人工智能框架，包含该框架的整体架构、边缘侧建模方式以及云端计算任务，用于解决异构制造资源高效调度问题。

背景技术

依托工业物联网带来的海量数据，边缘计算、云计算等新一代信息技术得以快速发展和广泛应用。在制造业数字化转型的背景下，构建人、机、物、料、法、环全要素制造资源高效协同的新型人工智能框架成为可能。

工业生产中的异构制造资源调度问题指的是将生产需求通过合适的调度方案分配给各工厂、车间、流水线执行，实现制造资源的充分利用和生产任务的高效执行。制造资源调度面临制造任务动态变化、制造过程扰动因素多、制造资源不确定性、生产各要素往往分布于本地和远程等不同的地理位置等诸多挑战。因此，如何根据生产任务分配人员、物料、产线等制造资源，避免生产断点，成为构建边云协同框架的难点所在。

为解决上述问题，边缘侧构建制造资源不确定性模型，并根据任务需求、资源变化等进行本地的分布式调度，并发送云端；云端利用往期调度数据进行预防性调度。

发明内容

本发明解决的技术问题是：生产任务动态变化、制造过程扰动因素多、制造资源、过程面临不确定性等因素下，制造资源、任务难以高效调度的问题。为此，提出了一种面向复杂制造场景的边云协同人工智能框架，采用以下技术方案予以实现：

(1)不确定性建模

由“需求履行-工厂生产-仓库送料”构成的复杂制造系统存在诸多不确定性，而这些不确定性对于排产方案可执行性影响重大。针对车间等待时间、物料上料时间、工件转运时间、工序执行时间建模，由区间数来表示其不确定性。在一个短周期内，通过数据采集节点得到一系列同类数据，通过Spark Streaming的箱式图模块确定上述等待数据的上边缘、下边缘、中位数和两个四分位数，四分位数设为γ_comp。得到前置物料转运时间前置工序执行时间和物料上料时间的估计值、分布区间和概率密度函数。

其中，γ_comp为各类等待时间的三倍方差，为各类等待时间分布的概率密度函数。

(b)可靠性不确定性；

当车间状态处于故障或用料不足时，需重新选择可用设备或等待用料补充完成后执行制造任务；此时，等各环节所需时间不再具有均一性。当一个短周期内，通过数据采集节点得到的前置物料转运时间前置工序执行时间和物料上料时间等均偏离四分位数，可以作为出现车间状态处于故障或用料不足等情况的指标。针对上述情况，本发明通过实施方式(2)边缘侧轻量化人工智能框架完成车间故障诊断与物料耗损预测。

(2)边缘侧轻量化人工智能框架

(a)边缘侧轻量化人工智能算法I

车间状态具有高维、高冗余、低相关性等特点，基于统计方法和物理特征的建模方式难以描述这样复杂混沌的系统。另一方面，边缘端计算环境难以满足深度学习模型的算力要求。因此，本发明采用主成分分析法后置神经网络模型，以监督学习方式筛查异常车间。

对样本数据进行归一化处理，归一化后得到样本矩阵Z_a×b。其中各项元素z_ij为：

其中、样本数据x_ij可为传感器、执行器等控件状态向量、噪音信号的特征幅频向量、图像像素卷积向量等。

计算相关系数矩阵R_a×b。其中各项元素r_ij为：

计算R_a×b的特征值与特征向量。

|R-μ_nI|＝0

对特征值降序排列，选择主成分向量，计算投影矩阵。

将得到的主成分数据作为输入层数据，将正常情况与若干类故障情况作为输出层，训练网络得到各隐含层权重，采用阶跃函数作为激活函数，对输入值进行判断，当分类为故障情况则输出0，进而驱动输出模块报警，并更新D_avail，i制造任务可用车间列表D_avail，i。

(b)边缘侧轻量化人工智能算法II

针对物料滞留、库存量低于安全库存等可用II型长监督模型向云端控制台发出调整信号change。边缘II型长监督模型首先通过短周期Len_move内的时序数据，使用BP神经网络小批次有监督地预测物料耗损量；长监控周期Len_sw内连续报送异常状态Ω_ab时，可发送补料信号，并更新设备D_avail，i的资源上限

该BP神经网络模型选用sigmoid函数作为激活函数。当时间序列数据进入长监督模型，对连续三次的数据赋予隐含层权值，再利用sigmoid函数输出模型处理结论，从而判断信号是否异常。

(3)适应不确定性环境下的调度问题建模方法

结合(1)中的不确定性因素和(2)中提供的不可用车间列表，将复杂制造场景进行如下描述：一组加工任务I＝{I₁，I₂，…，I_n}被提交到某边缘侧工厂上，每个加工任务可以由一个五元组I_manu，i＝{t_i，D_avail，i，q_i，G_i，E_i}来表示，其中，t_i为制造任务执行时间，不随车间不同而变化，D_avail，i为制造任务可用车间列表，q_i为物料需求量，G_i表示前置任务，E_i表示切换加工车间造成的能源耗损。不同加工任务I_n的加工顺序无约束，该组加工任务交期时间为该组加工任务的完工时刻分别为制造任务可用车间的剩余物料

制造过程通常具有如下约束：

(a)不同加工任务没有顺序约束；

(b)车间D_avail，i只能加工某类加工任务I_n；

(c)某一加工任务I_n开始加工的必要条件是其前置任务G_i已完成加工；

(d)某一加工任务I_n完成加工的必要条件是其执行时间t_i内，D_i处于可用状态；

(e)加工任务I_n的物料需求量q_i应小于当前车间的剩余物料

(f)该组加工任务的完工时刻均在交期时间之前；

(g)加工任务I_n在不同车间D切换时，需考虑搬运、机器停转等造成的能源耗损。

根据上述问题描述与假设，给出考虑不确定性因素、车间故障、缺料等情况下复杂制造场景批次交货调度问题的数学模型：

目标函数：

time＝max(time_i)，i∈[1，n]

其中，time为完成制造周期内订单序列I＝{I₁，I₂，…，I_n}的总完工时间；γ₁、γ₂分别为完工时间、加工能耗占评价标准的权重。

约束条件：

其中，为完成制造周期内订单序列I＝{I₁，I₂，…，I_n}的完工时刻；为订单序列I＝{I₁，I₂，…，I_n}的交期时刻；为当前车间的可用时长；为完成当前工序的制造资源消耗量；为当前车间的剩余制造资源。

(4)边缘侧分布式调度方案

现有云边环境下制造资源、制造任务大规模分布式调度的研究较少，但有研究者提出了计算资源大规模调度的方法，即IPSO方法。本发明改进了IPSO方法，使其适用于制造资源调度问题。问题背景描述为：云服务中心收集到N个订单，每个订单包含不同型号的生产任务，且互相独立；各型号订单可分配到任意工厂，但工厂的某一个车间同一时段仅能生产一种订单；调度方案需将此N个订单分配给M个代工厂完成生产。上述背景下，进行大规模生产任务调度。该方案主要分为三个阶段：短周期订单收集、执行资源预测、分布式车间调度。

第一阶段，在短周期T内，收集各边缘侧订单，并依据型号类别将订单任务划分批次；将各批次订单随机分配到各车间；

即针对制造任务和边缘生产车间进行分组。在分组策略中，总订单中各批次订单按顺序平均分到生产车间内，原始订单数量为N，分为M组，则一号车间待生产任务为第个任务，以此类推，伪代码如下。

第二阶段，根据PSO算法生成各批次在各工厂内的调度方案，并记录各批次完工时间向量time_m＝{time_D1，time_D2，…，time_Dn}；得到各批次的完工时间矩阵TIME＝{time₁，time₂，…，time_m}；

第三阶段，根据贪心算法，选取具有最小完成时间的调度方案，作为边缘侧分布式调度方案，与工厂-型号对应表一并上传云端。

(5)云端寻优调度方案

得到上述边缘侧分布式调度结果后，在具有最大完工时间的代工厂上移出具有负载最重的某批次任务，移至具有最小完工时间的代工厂上，直到最小完成时间收敛。负载即为完成该批次任务所占用的时间。

云端寻优调度方案首先根据各车间使用时间进行升序排列，根据任务的使用时间需求量对任务进行降序排列，以期望以消耗最短的时间完成制造任务，然后顺序分组。伪代码表示如下：

(6)云端预防性调度方案

利用边缘侧轻量化人工智能模型得到的分析结果，根据模型I进行车间重调度，根据模型II完成订单预生产。在具体实施方法(4)、(5)得到的调度方案的基础上，根据具体实施方案(2)得到的车间故障状态和预期订单需求完成预防性调度。将预测的制造任务分配到正在生产与该预测结果型号相同的车间中，以避免车间切换造成的能耗。伪代码如下：

附图说明

图1是用于复杂制造场景的边云协同调度框架图；

图2是复杂制造场景系统构架图；

图3是边缘侧分布式调度策略流程图；

图4是云端寻优调度策略流程图；

图5是云端预防性调度策略流程图。

Claims (7)

1.一种面向复杂制造场景的边云协同人工智能框架，其特征在于结构如下：

所述框架包括边缘侧不确定性模型、边缘侧人工智能算法和云端寻优调度三部分。其中。边缘侧针对产线运行、物料回填、需求履约等制造过程进行不确定性建模；借助边缘侧人工智能模型对传感器实时采集到的工业现场数据进行预处理和实时分析，得到物料耗损预测结果、订单需求预测结果和车间故障诊断表；依据分析结果，对一个周期内收集到的订单信息进行边缘侧分布式调度策略，得到制造资源、生产需求的本地调度方案。云服务中心以总完工时间最短为优化目标，对分布式调度策略多次寻优迭代，获取最终调度方案。最后，云服务中心基于当前调度策略的可用资源与订单需求预测结果，进行云端预防性调度。

2.根据1所述的不确定性模型，具体为：

当生产任务正常执行时，各环节所需时间具有均一性，可通过箱型图和区间数来描述：

其中，

为i号任务的第w号工序的车间等待时间，

为各项前置工序的执行时间，

为完工前置工序的工件转运时间，

为后续工序预计执行工件的物料上料时间，

为各工序加工时间。γ_comp为各类等待时间的三倍方差，

为各类等待时间分布的概率密度函数。

当车间状态处于故障或用料不足时，需重新选择可用设备或等待用料补充完成后执行制造任务；此时，

等各环节所需时间不再具有均一性。

等偏离四分位数时，可以作为出现车间状态处于故障或用料不足等情况的指标。

3.根据权利要求1所述的边缘侧人工智能模型，其特征在于：

(i)边缘人工智能模型I步骤如下：

对样本数据进行归一化处理，归一化后得到样本矩阵Z_a×b。其中各项元素z_ij为：

其中、样本数据x_ij可为传感器、执行器等控件状态向量、噪音信号的特征幅频向量、图像像素卷积向量等。

计算相关系数矩阵R_a×b。其中各项元素r_ij为：

计算R_a×b的特征值与特征向量。

|R-μ_nI|＝0#(3.1.10)

对特征值降序排列，选择主成分向量，计算投影矩阵。

将得到的主成分数据作为输入层数据，将正常情况与若干类故障情况作为输出层，训练网络得到各隐含层权重，采用阶跃函数作为激活函数，对输入值进行判断，当分类为故障情况则输出0，进而驱动输出模块报警，并更新D_avall，i制造任务可用车间列表D_avall，i。

(ii)边缘人工智能模型II介绍如下：

第一步，短周期Len_move内，采集车间传感器信号，获取物料需求、人员在/离岗等制造资源状态消息。

第二步，针对上述时间序列数据使用BP神经网络小批次有监督地预测制造资源消耗量；对连续三次的数据赋予隐含层权值，再利用sigmoid函数输出模型处理结论，判断信号是否异常。

第三步，长监控周期Len_sw内连续报送异常状态Ω_ab时，可发送补料信号，并更新设备D_avall，i的资源上限

。

4.根据权利要求1所述的适应不确定性的调度算法，改进其数学模型如下：

考虑不确定性因素、车间故障、缺料等情况下复杂制造场景批次交货调度问题的数学模型：

目标函数：

time＝max(time_i)，i∈[1，n]

其中，time为完成制造周期内订单序列I＝{I₁，I₂，…，I_n}的总完工时间；γ₁、γ₂分别为完工时间、加工能耗占评价标准的权重。E_i为车间切换流水线的能耗，车间每切换一次待加工工序，E_i＝5；工厂切换一次加工型号，E_i＝2。

约束条件：

其中，

为完成制造周期内订单序列I＝{I₁，I₂，…，I_n}的完工时刻；

为订单序列I＝{I₁，I₂，…，I_n}的交期时刻；

为当前车间的可用时长；

为完成当前工序的制造资源消耗量；

为当前车间的剩余制造资源。

5.根据权利要求1所述的边缘侧分布式调度算法，其特征在于步骤如下：

第一阶段，在短周期T内，收集各边缘侧订单，并依据型号将生产任务划分批次；

第二阶段，根据PSO算法生成各批次在各工厂内的调度方案，并记录某型号在各工厂的完工时间向量time_m＝{time_D1，time_D2，…，time_Dn}，得到各批次的完工时间矩阵TIME＝{time₁，time₂，…，time_m}；

第三阶段，使用贪心算法，得到具有最小完成时间的调度方案，作为边缘侧分布式调度方案，与工厂-型号对应表一并上传云端。

6.根据权利要求1所述的云端寻优调度策略，其特征在于步骤如下：

第一步，根据各工厂剩余制造资源进行升序排列；

第二步，选择剩余制造资源最少的工厂，根据占用时间将制造任务降序排序；

第三步，将占用时间最多的制造任务移至的剩余制造资源最多的工厂；

第四步，重复前三步，直到总完成时间收敛到最小，作为云端寻优调度策略。

7.根据权利要求1所述的云端预防性调度策略，其特征在于步骤如下：

第一步，根据权利所述(2)，得到待重调度订单序列；

第二步，根据型号，将重调度订单序列分组；

第三步，选择正在生产该型号的工厂，根据占用时间将制造任务降序排序；

第四步，将该组重调度订单根据所用时间进行降序排序

第五步，将占用时间最多的制造任务移至剩余时间最短的工厂；

第六步，重复第四、五步，直到该型号订单完成排产；

第七步，重复第三、四、五步，直到所有订单完成排产。

Images