CN117215198A - 一种混流生产系统的脆性调控方法 - Google Patents

Abstract

本发明适用于工业工程领域，提供了一种混流生产系统的脆性调控方法。与现有技术相比，本发明提出了一种混流生产系统的脆性评估和调控方法。建立系统预测模型计算混流生产系统的实时状态信息；建立判断所述扰动事件是否造成永久性生产损失的扰动识别机制；建立了离散事件驱动的模型预测控制方法和脆性调控机制，实时反馈校正和滚动优化作业释放时刻，实现对混流生产系统的弹性控制，降低因生产扰动导致系统的生产损失，提升系统的稳态性能。同时，有效解决了弹性控制的系统实现问题，对产线实际中的维护、节能、换产等具有重要意义。

Description

一种混流生产系统的脆性调控方法

技术领域

本发明适用于工业工程领域，尤其涉及一种混流生产系统的脆性调控方法。

背景技术

混流生产是指在同一条生产线上同时生产多种不同型号、不同数量的产品。在混流生产过程中，不可避免的会出现各类扰动事件，比如设备故障、物料短缺、人员波动、装配错误、产品质量缺陷等。扰动事件会影响到生产系统的在制品加工，并通过脆性传播效应造成系统的堵塞、饥饿、线不平衡、作业任务发生延迟等一系列问题。当扰动事件发生时，有可能会发生系统在制品失调的情况，通常表现为系统在制品爆炸或者在制品过少影响产能。

现有技术中存在以下缺点：(1)混流生产系统结构复杂，需要克服以离散方式建立混流生产系统状态空间方程的困难。(2)当前的系统性能调控方法忽略了系统输入对整个系统性能的影响，因而无法制定满足生产要求的作业计划，增加了车间生产管理的难度。(3)由于混流生产系统的随机性和非线性特性，建立控制策略以快速响应意外干扰是一项重大挑战。

针对上述缺点，本发明提出一种混流生产系统的脆性调控方法，降低因生产扰动导致系统的生产损失，提升系统的稳态性能。

发明内容

本发明提供提出一种混流生产系统的脆性调控方法，旨在解决现有技术中因生产扰动导致系统的生产损失问题。

所述脆性调控方法包括以下步骤：

S1、对混流生产系统进行系统识别，建立系统预测模型，所述系统预测模型用于计算所述混流生产系统的实时状态信息；

S2、通过对所述系统预测模型进行模型预测控制并根据在制品的序列调整作业释放时间；

S3、对所述混流生产系统的扰动事件进行监听，建立判断所述扰动事件是否造成永久性生产损失的扰动识别机制；

S4、根据所述扰动识别机制建立用于所述作业释放时间滚动优化和反馈校正的离散模型预测控制触发机制。

优选的，步骤S1包括以下子步骤：

S11、根据所述混流生产系统的历史数据获得切换概率和切换函数，得到每一所述在制品的生产模式；

S12、根据所述生产模式分析每一设备的加工时间；

S13、根据所述加工时间进行极大加运算，得到每一所述在制品的状态值。

优选的，所述系统预测模型通过将所述混流生产系统中生产线的物理结构转化为数学矩阵进行建立，所述数学矩阵包括系统结构转化矩阵、加工时间转化矩阵、并行机转化矩阵、缓存区转化矩阵、输入设备转化矩阵以及扰动事件矩阵。

优选的，所述系统预测模型满足以下关系式：

s.t.

u(s+j)-u(s+j-1)≥0，j＝0，…，N_p-1

|u_i(s+j)-p·(s+j)|≤μ_max，i＝1，…，n_u，j＝0，…，N_p-1

Δu(s+j)-Δu(s+N_c-1)＝0，j＝N_c，…，N_p-1

Δv(s+j)＝0，j＝N_c，…，N_p-1

其中，J(s)表示第s个所述在制品的系统指标，J_out(s)表示第s个所述在制品的输出成本指标，J_in(s)表示第s个所述在制品的输入成本指标，λ表示模型预测控制中对误差跟踪和控制成本之间进行权衡的权重系统，表示所述在制品的输入时刻，/>表示控制函数；

表示预测时域内的系统输出，/>表示第/>种切换模式的系统矩阵，x(s)表示设备开始加工第s个所述在制品的时刻；

u表示输入口，N_c表示模型预测控制中进行预测后得出的系统控制范围的控制时域，N_p表示模型预测控制中进行预测后得出的系统控制范围的预测时域，j表示所述在制品的序号；

u_i(s)表示第i个输入口输入第s件在制品的时刻，i表示输入口序号，ρ表示系统稳定性系数，μ_max表示使所述在制品释放时间间隔收敛的最大值，n_u表示输入口个数，Δu(s+j)表示第s+j个所述在制品与第s+j-1个所述在制品的输入时刻差，Δu(s+N_c-1)表示第s+N_c-1个所述在制品与第s+N_c-2个所述在制品的输入时刻差，Δv(s+j)表示控制函数；

表示辅助控制变量，/>表示辅助输入变量，q表示辅助控制变量的容许值，/>表示辅助输入变量的容许值。

优选的，所述扰动识别机制通过将扰动情况下每一所述在制品的输出时刻和无扰动情况下最后一个所述在制品从生产线输出的时刻依次进行比较，判断是否造成永久性生产损失。

优选的，所述扰动识别机制满足以下关系式：

其中，loss_i表示第i个扰动单独作用下的生产损失，d表示订单量，q_i表示第i个扰动单独作用下输出时刻大于Y_f的最小在制品数量，Y^E(k)为扰动下第k个所述在制品的输出时刻，Y_f为无扰动情况下最后一个所述在制品的输出时刻。

优选的，所述S4还包括以下子步骤：

S41、判断是否存在所述扰动事件，若是，则触发离散事件模型预测控制，确定所述扰动事件发生时的目标在制品并进行步骤S42；若否，则结束；

S42、判断所述扰动事件是否发生在时间窗以内，若是，则不会产生永久性生产损失，所述目标在制品的输出不会发生延迟；若否，则会产生永久性生产损失，基于所述目标在制品的系统输出预测对应的系统输出序列，得到输出成本；

S43、根据所述目标在制品的系统输入预测对应的系统输入序列，得到输入成本。

与现有技术相比，本发明提出了一种混流生产系统的脆性评估和调控方法。建立系统预测模型计算混流生产系统的实时状态信息；建立判断所述扰动事件是否造成永久性生产损失的扰动识别机制；建立了离散事件驱动的模型预测控制方法和脆性调控机制，实时反馈校正和滚动优化作业释放时刻，实现对混流生产系统的弹性控制，降低因生产扰动导致系统的生产损失，提升系统的稳态性能。同时，有效解决了弹性控制的系统实现问题，对产线实际中的维护、节能、换产等具有重要意义。

附图说明

下面结合附图详细说明本发明。通过结合以下附图所作的详细描述，本发明的上述或其他方面的内容将变得更清楚和更容易理解。附图中：

图1是本发明实施例提供的混流生产系统的脆性调控方法的流程框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参考图1，图1是本发明实施例提供的混流生产系统的脆性调控方法的流程框图。本发明提供一种混流生产系统的脆性调控方法，所述脆性调控方法包括以下步骤：

S1、对混流生产系统进行系统识别，建立系统预测模型，所述系统预测模型用于计算所述混流生产系统的实时状态信息；

在本发明实施例中，步骤S1包括以下子步骤：

S11、根据所述混流生产系统的历史数据获得切换概率和切换函数，得到每一所述在制品的生产模式；

S12、根据所述生产模式分析每一设备的加工时间；

S13、根据所述加工时间进行极大加运算，得到每一所述在制品的状态值。

具体的，考虑扰动的混流生产系统的建模步骤总结如下：根据切换场景确定切换规则，根据历史数据获得切换概率和切换函数，从而得到每个在制品的生产模式；根据生产模式分析每台设备的加工时间，求解出状态方程中的系统矩阵。进行极大加运算，得到在制品的状态值，完成一个在制品状态空间的求解。并循环以上步骤，得到所有在制品的状态值。

对混流生产系统进行系统识别，把生产线的物理结构转化为数学矩阵，所述数据矩阵包括系统结构转化矩阵、加工时间转化矩阵、并行机转化矩阵、缓存区转化矩阵、输入设备转化矩阵、扰动事件矩阵，以完成扰动下切换极大加代数的系统预测模型的建立。

首先，有如下假设：(1)第一个设备永远不会饥饿，最后一个设备永远不会堵塞。(2)系统的工件在设备之间的传输时间忽略不计。(3)所有的缓存区都是可靠的，即扰动事件不会发生在缓存区。(4)系统可以有多个输入设备，但只有一个输出设备，并且最后一个设备为输出设备。

扰动下的非混流生产系统的极大代数建模结果为：

状态方程：

输出方程：

对于混流生产系统而言，系统的生产状态会进行切换，这种可以在不同的操作模式之间切换的离散事件系统称之为切换极大加线性系统。假设系统具有m种切换模式，使系统对于每个事件步数s有对应的模式l(s)∈{1,...,m}，则可以用切换极大加线性状态空间模型描述系统：

矩阵A^(l(s))，B^(l(s))是模式l(s)对应的系统矩阵，状态x(s)通常是内部事件发生第s次的时刻，输入u(s)包含输入事件发生第s次的时刻，输出y(s)包含输出事件发生第s次的时刻，模式l(s)决定了在第s次事件发生期间哪种极大加线性模型有效。其对应的极大代数状态空间方程可以表述为：

状态方程：

输出方程：

其中，D^(L(s))(s)为第L(s)种切换模式的系统矩阵。L(s)决定了系统切换为何种生产模式，它是一个函数，其取值由上一个在制品的生产模式L(s-1)、上一个在制品的状态空间X(s-1)、该在制品输入时刻u(s)以及一个额外的控制函数v(s)决定。因此，可以定义一个切换概率P(L(s)|L(s-1)，X(s-1)，U(s)，v(s))，该切换概率表示为在满足L(s-1)、X(s-1)、U(s)以及v(s)条件下，第s个在制品的生产模式为L(s)的概率。对于切换概率，有：

0≤P(L(s)|L(s-1)，X(s-1)，U(s)，v(s))≤1

以及L

对于不同的场景，切换类型包括确定性切换、带有不变概率的随机性切换以及概率取决于生产状态或者输入的随机性切换。切换概率具有不同的取值规则，需要考虑其中的确定性切换情景。在该场景中，对于第s个在制品，L(s)取何值取决于L(s-1)和v(s)，假设一个具有三种模式的系统L(s)∈{1，2，3}，v(s)为控制函数，v(s)∈[0，1]，在事件步长s处从模式1开始，让v(s)决定系统保持在模式1(for v(s)<a₁)，从模式1切换到模式2(for a₁≤v(s)<b₁)，或者从模式1切换到模式3(v(s)≥b₁)。则有：

对上述不同模式下的系统矩阵进行归一化处理，使用一个矩阵进行表示：

将上式变为如下形式：

状态方程：

输出方程：

其中，

S2、通过对所述系统预测模型进行模型预测控制并根据在制品的序列调整作业释放时间；

在本发明实施例中，模型预测控制(Economic model predictive control，e-MPC)的主要优点是它是一种能够充分处理约束的闭环控制方法，可以通过输入在制品序列和实时系统数据进行预测。它主要包含三个基本参数：(1)代表模型预测控制中对系统预测范围的预测时域Y_p，它主要跟过程阶跃响应的长度有关；(2)代表模型预测控制中对系统预测后控制范围的控制时域N_c，一般来说，N_c≤N_p；(3)代表模型预测控制中对误差跟踪和控制成本之间进行权衡的权重系统λ。作为输入成本指标的加权值，λ越大，模型预测控制更注重控制成本对系统的影响；λ越小，则模型预测控制更注重误差跟踪对系统的影响。

根据生产过程中的离散事件动态系统建模公式，可以推导出基于第s步状态的第s+N_p步状态预测：

基于第s步状态的第s+N_p步系统输出预测：

对于预测时域内基于第s步状态的第1,2,…,N_p步状态预测以及系统输出预测，通过集合的形式进行归纳，则可得到基于第s步状态的N_p步系统输出表达式：

其中，

由此得到模型预测控制的一般表达式，它可以通过基于第s步状态x(s)的N_p步预测，求解预测时域内的系统输出此外，模型预测控制还能求解预测时域内的系统输入/>

综合上述推导，可以建立对于切换极大加代数的模型预测控制公式，对于切换极大加线性状态空间模型描述的生产系统的模型预测控制，定义预测向量：

其中，表示基于已知第s步对输出y(s+j)的预测，u(s+j)表示对第s+j步输入的预测，r(s+j)表示对第s+j步输出的参考，N_p是预测时域，决定了在模型预测控制中预测的步数。

定义：

当m>n时，有

当m＝n时，有

当m<n时，

令：

因此对于任意模式序列状态空间转换方程可以转化为：

根据上式建立归一化切换极大加线性状态空间模型的模型预测控制，通过集合的形式进行归纳，可得到基于第s个工件系统输出T(s)的N_p步系统输出表达式：

其中，

至此已构建基于切换极大加代数的模型预测控制表达式。在该表达式下，可以求解基于第s个在制品系统输出Y(s)的N_p步系统输出以及基于第s个在制品系统输入U(s)的N_p步最优的在制品释放时间序列/>以最小化系统指标。由输出成本指标J_out和输入成本指标J_in组成的系统指标定义为：J(s)＝J_out(s)+λJ_in(s)。在描述输出成本指标之前，必须先有截止时间r，截止时间是人为设定的时间界限值，代表着系统每步的截止时间。因此J_out和J_in定义为：

结合切换极大加代数下的系统输出表达式，时间步长为N_p的时间变换离散事件的模型预测控制可以建模为：

s.t.

u(s+j)-u(s+j-1)≥0，j＝0，…，N_p-1 (12)

|u_i(s+j)-ρ·(s+j)|≤μ_max，i＝1，…，n_u，j＝0，…，N_p-1 (13)

Δu(s+j)-Δu(s+N_c-1)＝0，j＝N_c，…，N_p-1 (1-4)

Δv(s+j)＝0，j＝N_c，…，N_p-1 (1-5)

其中，J(s)表示第s个所述在制品的系统指标，J_out(s)表示第s个所述在制品的输出成本指标，J_in(s)表示第s个所述在制品的输入成本指标，λ表示模型预测控制中对误差跟踪和控制成本之间进行权衡的权重系统，表示所述在制品的输入时刻，/>表示控制函数；

表示预测时域内的系统输出，/>表示第/>种切换模式的系统矩阵，x(s)表示设备开始加工第s个所述在制品的时刻；

u表示输入口，N_c表示模型预测控制中进行预测后得出的系统控制范围的控制时域，N_p表示模型预测控制中进行预测后得出的系统控制范围的预测时域，j表示所述在制品的序号；

u_i(s)表示第i个输入口输入第s件在制品的时刻，i表示输入口序号，ρ表示系统稳定性系数，μ_max表示使所述在制品释放时间间隔收敛的最大值，n_u表示输入口个数，Δu(s+j)表示第s+j个所述在制品与第s+j-1个所述在制品的输入时刻差，Δu(s+N_c-1)表示第s+N_c-1个所述在制品与第s+N_c-2个所述在制品的输入时刻差，Δv(s+j)表示控制函数；

表示辅助控制变量，/>表示辅助输入变量，q表示辅助控制变量的容许值，/>表示辅助输入变量的容许值。

公式(1-1)描述了动态系统，公式(1-2)保证了序列不递减，公式(1-3)保证了系统的稳定性。

S3、对所述混流生产系统的扰动事件进行监听，建立判断所述扰动事件是否造成永久性生产损失的扰动识别机制；

在本发明实施例中，监听扰动事件并对扰动事件进行记录，生成扰动事件因子建立判断所述扰动事件是否造成永久性生产损失的扰动识别机制。

脆性时间窗(vulnerability time window(VTW))才是生产损失的机会时间窗口，在扰动事件E(t_e，m_i，d_e)发生后的[t_e，t_e+VTW]时间段内修复停机设备可避免生产损失，不需要事先确定生产线的瓶颈设备。扰动事件的VTW可由最后一台设备上在制品的输出时刻来计算。

其中，Y^E(r)是扰动事件E(t_e，m_i，d_e)下第r件在制品输出生产线时刻。

离散e-MPC根据生产系统的实时状态调整作业释放时间。生产系统发生扰动时，系统可能会发生堵塞或者饥饿。如果扰动时间不会导致永久性生产损失，那么随着时间的推移，堵塞的在制品会被消耗掉，饥饿的设备会重新得到在制品进行加工，生产系统将恢复到初始状态。否则，系统将会产生永久性的生产损失，需要重新生成作业计划。因此，为了使离散的e-MPC良好的工作，应考虑基于永久性生产损失识别的反馈控制信号。本发明的重点是建立离散事件状态空间模型来准确的表示生产系统的动态行为，因此根据VTW，提出了一种新的永久性生产损失的扰动识别机制。其计算方法为：记录无扰动情况下最后一个工件从生产线输出的时刻，将其与扰动下每个工件输出时刻依次比较，找到使后者大于前者的最小工件数，订单量与最小工件数的差值即为生产损失。用数学表达式可以表示为：

其中，loss_i为第i个扰动单独作用下的生产损失，d为订单量，q_i为第i个扰动单独作用下输出时刻大于Y_f的最小工件数，Y^E(k)为扰动下第k个工件的输出时刻，Y_f为无扰动情况下最后一个工件的输出时刻。

S4、根据所述扰动识别机制建立用于所述作业释放时间滚动优化和反馈校正的离散模型预测控制触发机制。

在本发明实施例中，所述S4还包括以下子步骤：

S41、判断是否存在所述扰动事件，若是，则触发离散事件模型预测控制，确定所述扰动事件发生时的目标在制品并进行步骤S42；若否，则结束；

S42、判断所述扰动事件是否发生在时间窗以内，若是，则不会产生永久性生产损失，所述目标在制品的输出不会发生延迟；若否，则会产生永久性生产损失，基于所述目标在制品的系统输出预测对应的系统输出序列，得到输出成本；

S43、根据所述目标在制品的系统输入预测对应的系统输入序列，得到输入成本。

具体的，如果扰动事件造成了永久性的生产损失，首先识别混流生产系统中在时间窗内不会受到影响的WIP，使它们生产顺序提前并更新释放时间。利用离散e-MPC模型对后续的N_c步生成实时生产序列释放时间，并将数据反馈给制造执行系统(ManufacturingExecution System，MES)和生产管理系统。并根据实时系统状态对下一步的生产序列释放时间进行优化。

对于生产系统而言，离散事件的模型预测控制可以根据实时数据感知系统变化，调控扰动下系统的在制品。由于在制品投放时间更新的频繁程度会影响生产系统管理的难度，并且模型预测控制的触发机制会影响系统的应对不确定性事件的能力，本发明设计了一种用于所述作业释放时间滚动优化和反馈校正的离散模型预测控制触发机制。该机制可以分为三个步骤：

建立扰动下的切换极大加代数模型并判断是否存在扰动事件，若发生扰动事件，则触发离散事件模型预测控制，并确定扰动事件发生的目标在制品s；若没有发生扰动事件，则结束。

发生扰动事件之后，判断扰动事件是否发生在时间窗以内，若扰动持续时间在时间窗以内，则系统不会产生永久性生产损失，在制品输出不会发生延迟，即J_out＝0；若持续时间在时间窗意外，则系统会产生永久性生产损失，此时需要基于第s个在制品的系统输出y(s)，预测N_p步的系统输出序列并与截止时间r比较来计算延迟量，从而得到输出成本J_out的值。

根据任务交期约束求解离散e-MPC，基于第s个在制品的系统输入u(s)，预测N_p的系统输入序列从而计算输入成本指标J_in的值；并且根据控制时域N_c的大小，从N_p步的预测序列/>中选取N_c步的输入控制序列，作为扰动下的系统输入数据。

与现有技术相比，本发明提出了一种混流生产系统的脆性评估和调控方法。建立系统预测模型计算混流生产系统的实时状态信息；建立判断所述扰动事件是否造成永久性生产损失的扰动识别机制；建立了离散事件驱动的模型预测控制方法和脆性调控机制，实时反馈校正和滚动优化作业释放时刻，实现对混流生产系统的弹性控制，降低因生产扰动导致系统的生产损失，提升系统的稳态性能。

同时，解决了弹性控制的系统实现问题。数字孪生系统作为弹性控制的基础，基于数字孪生技术，平台上的控制系统中可实现中断监视，中断分析和弹性控制等功能。首先，数字孪生系统可对机器的工作状态，物流的物料位置以及缓冲区在制品的占用情况进行实时监控；此外，数字孪生使用的并行虚拟环境为弹性控制提供了预先模拟测试弹性控制策略的可能，对产线实际中的维护、节能、换产等具有重要意义。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上面结合附图对本发明的实施例进行了描述，所揭露的仅为本发明较佳实施例而已，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式用等同变化，均属于本发明的保护之内。

Claims (7)

1.一种混流生产系统的脆性调控方法，其特征在于，所述脆性调控方法包括以下步骤：

S1、对混流生产系统进行系统识别，建立系统预测模型，所述系统预测模型用于计算所述混流生产系统的实时状态信息；

S2、通过对所述系统预测模型进行模型预测控制并根据在制品的序列调整作业释放时间；

S3、对所述混流生产系统的扰动事件进行监听，建立判断所述扰动事件是否造成永久性生产损失的扰动识别机制；

S4、根据所述扰动识别机制建立用于所述作业释放时间滚动优化和反馈校正的离散模型预测控制触发机制。

2.如权利要求1所述的混流生产系统的脆性调控方法，其特征在于，步骤S1包括以下子步骤：

S11、根据所述混流生产系统的历史数据获得切换概率和切换函数，得到每一所述在制品的生产模式；

S12、根据所述生产模式分析每一设备的加工时间；

S13、根据所述加工时间进行极大加运算，得到每一所述在制品的状态值。

3.如权利要求1所述的混流生产系统的脆性调控方法，其特征在于，所述系统预测模型通过将所述混流生产系统中生产线的物理结构转化为数学矩阵进行建立，所述数学矩阵包括系统结构转化矩阵、加工时间转化矩阵、并行机转化矩阵、缓存区转化矩阵、输入设备转化矩阵以及扰动事件矩阵。

4.如权利要求1所述的混流生产系统的脆性调控方法，其特征在于，所述系统预测模型满足以下关系式：

s.t.

u(s+j)-u(s+j-1)≥0,j＝0,…,N_p-1

|u_i(s+j)-ρ·(s+j)|≤μ_max,i＝1,…,n_u,j＝0,…,N_p-1

Δu(s+j)-Δu(s+N_c-1)＝0,j＝N_c,…,N_p-1

Δv(s+j)＝0,j＝N_c,…,N_p-1

其中，J(s)表示第s个所述在制品的系统指标，J_out(s)表示第s个所述在制品的输出成本指标，J_in(s)表示第s个所述在制品的输入成本指标，λ表示模型预测控制中对误差跟踪和控制成本之间进行权衡的权重系统，表示所述在制品的输入时刻，/>表示控制函数；

表示预测时域内的系统输出，/>表示第/>种切换模式的系统矩阵，x(s)表示设备开始加工第s个所述在制品的时刻；

u表示输入口，N_c表示模型预测控制中进行预测后得出的系统控制范围的控制时域，N_p表示模型预测控制中进行预测后得出的系统控制范围的预测时域，j表示所述在制品的序号；

u_i(s)表示第i个输入口输入第s件在制品的时刻，i表示输入口序号，ρ表示系统稳定性系数，μ_max表示使所述在制品释放时间间隔收敛的最大值，n_u表示输入口个数，Δu(s+j)表示第s+j个所述在制品与第s+j-1个所述在制品的输入时刻差，Δu(s+N_c-1)表示第s+N_c-1个所述在制品与第s+N_c-2个所述在制品的输入时刻差，Δv(s+j)表示控制函数；

表示辅助控制变量，/>表示辅助输入变量，q表示辅助控制变量的容许值，/>表示辅助输入变量的容许值。

5.如权利要求1所述的混流生产系统的脆性调控方法，其特征在于，所述扰动识别机制通过将扰动情况下每一所述在制品的输出时刻和无扰动情况下最后一个所述在制品从生产线输出的时刻依次进行比较，判断是否造成永久性生产损失。

6.如权利要求4所述的混流生产系统的脆性调控方法，其特征在于，所述扰动识别机制满足以下关系式：

其中，loss_i表示第i个扰动单独作用下的生产损失，d表示订单量，q_i表示第i个扰动单独作用下输出时刻大于Y_f的最小在制品数量，Y^E(k)为扰动下第k个所述在制品的输出时刻，Y_f为无扰动情况下最后一个所述在制品的输出时刻。

7.如权利要求1所述的混流生产系统的脆性调控方法，其特征在于，所述S4还包括以下子步骤：

S41、判断是否存在所述扰动事件，若是，则触发离散事件模型预测控制，确定所述扰动事件发生时的目标在制品并进行步骤S42；若否，则结束；

S42、判断所述扰动事件是否发生在时间窗以内，若是，则不会产生永久性生产损失，所述目标在制品的输出不会发生延迟；若否，则会产生永久性生产损失，基于所述目标在制品的系统输出预测对应的系统输出序列，得到输出成本；

S43、根据所述目标在制品的系统输入预测对应的系统输入序列，得到输入成本。