智能作业车间动态调度系统研究与实现

张恺琪，张淑丽

(哈尔滨理工大学　软件学院，黑龙江 哈尔滨 150080)



智能作业车间动态调度系统研究与实现

张恺琪，张淑丽

(哈尔滨理工大学软件学院，黑龙江 哈尔滨 150080)

为解决单件小批车间生产受到不确定性事件的影响，而使得实际生产过程偏离作业车间计划，导致产品无法按期交付这一问题，研究并实现了智能作业车间动态调度系统。系统包含基于Zigbee与传感器等物联网技术实现的智能感知子系统、基于大数据分析技术实现的智能双驱动机制子系统和基于云计算技术实现的调度算法云服务子平台，保证了作业计划动态调度的高质量完成。最后，将哈尔滨电机厂历史生产数据作为测试用例，验证智能作业车间动态调度系统的有效性。

作业车间计划；Zigbee；生产异常；大数据分析；算法云服务

在单件小批制造企业中，作业车间计划的执行总会受到内部和外部、主观和客观、技术和管理等随机事件的影响[1-2]。因此，单件小批型的制造企业车间生产过程存在许多的不确定性因素，例如：订单随机到达，客户个性化需求增多，交货期要求越来越短，订单变更现象日益频繁，生产过程中出现废品和设备故障，以及产品制造进度拖期等。这些不确定性因素会导致实际的生产过程与预期计划偏离，原有的作业车间计划方案就不再可行，影响生产的有序性，降低生产效率，导致产品无法按期交付，给制造企业带来不必要的经济损失[3]。本文针对这一问题，设计并实现了智能作业车间动态调度系统。作业车间动态调度作为制造企业生产管理的核心内容和关键技术，其目标是在不过分影响车间有限生产资源的情况下，将生产过程中产生的复杂异常事件通过更改作业计划的方式来解决，并保证车间生产目标的最优化[4]。

在设计与实现该系统时，首先，采用基于Zigbee、传感器等物联网技术实现的智能感知子系统，使得车间管理人员能够在最短的时间内掌握订单和生产现场的变化；然后，利用基于大数据分析技术实现的智能双驱动机制子系统，保证了作业车间中生产异常的及时、准确发现。最后，采用基于云计算技术实现的调度算法云服务子平台，高质量地实现了作业车间动态调度，从而最终保证了生产过程中随机出现的异常情况可以获得及时、准确和高效的响应与处理，最终实现了作业车间计划与作业执行的同步，达到车间稳定生产、资源均衡利用、及时满足客户需求等多目标，降低了不确定性因素给企业带来的损失，使企业提高其业务掌控能力和调控能力，适应日益不确定的市场环境。

1　智能感知子系统

智能感知子系统是基于Zigbee与传感器等物联网技术实现车间智能数据采集，即对产品生产全生命周期的各类要素信息实现同步采集，建立尽可能全的多维数据环境，改善作业车间动态调度系统的数据分析能力和效率。

1.1 全生命周期多维数据模型

为建立互联互通的数据环境，解决数据接口标准化问题，使得数据分析能够在一个统一的平台上进行，本文提出了产品生产全生命周期多维数据模型，该模型包括以下6个维度的数据：

1)设备运行状态参数：用来反映生产设备运行的健康状态，此类数据具有采样频率高、采样变量(温度、压力、加速度等)繁杂的特点。

2)设备运行工况数据：主要指生产设备的负载、转速、运行模式等工作条件的设定信息，此类数据是进行设备健康分析的参考。

3)作业车间的环境参数：主要指可能影响设备、生产人员健康和安全的环境信息，例如，温度、噪音、粉尘浓度等。环境数据有助于更好地分析设备运行状态受环境影响的规律。

4)设备的维护保养记录：主要指全生命周期内的点检、维护、维修和保养更换记录，此类数据有助于建立高质量的设备健康预测模型。

5)绩效类数据：主要指与设备运行状态相关的绩效类指标数据，例如，能耗、生产质量、加工精度等。

6)生产过程类数据：主要指产品的工件工序在设备上的加工进度数据，例如，工件工序的实际开始加工时间和结束加工时间。

为了同步获取多维数据，在作业车间进行数据采集时，采集手段是多元化的，一部分可以从PLC控制器、RFID读写器等提供的读写接口获取，另一部分则需要通过与ERP、EAM、BOM等系统建立通讯接口获取。此外，更为重要的是在作业车间部署传感器以实现底层车间海量数据的实时获取。

在部署传感器时，针对数据传输效率以及信息共享要求的基础上采用Zigbee技术作为采集关键技术，Zigbee技术作为促进物联网发展的核心技术是一种近距离、低复杂度、低能耗、低速率以及低成本的无线通信技术，有着使用方便、应用范围广、可嵌入性强等优点[5]。

1.2Zigbee 网络设计

在考虑数据可靠性、无线传输距离以及生产环境等关键指标的基础上，Zigbee网络采用簇状网络结构，该结构中包含简单功能设备及全功能设备，其中全功能设备具有收发数据及数据处理等功能；而简单设备具有数据采集及发送等功能。

根据簇状网络模型，该系统的工作流程为自底向上，其中由底层Zigbee节点通过传感器获取底层数据，进行初始处理后发送到上层汇聚节点，汇聚节点对数据进行再加工，并发送给顶层上位机，如图1所示。

1.3智能感知子系统的实现

智能感知子系统以现有Zigbee产品为基础，采用cc2530基础主板，搭载最新Zigbee的模块及传感器，其中传感器主要包含有DS18B20防水型温度探测器、DHT11温湿度传感器、MQ-2气体传感器、HC-SR501人体红外传感器以及光敏传感器等传感器，具备了温度、湿度、气体、光亮等5项基本要素的采集功能。

实际工作中整个系统以神经网络的调控方式进行，即数据源向上层发送信息，控制端向下层发送指令的方式。

2　智能双驱动机制子系统

作业车间动态调度是一种基于车间生产异常驱动的生产管理响应行为，因此，作业车间动态调度驱动机制主要分为两部分：①对车间异常事件进行定义并根据异常事件的来源进行大致分类。②对分类后的异常事件进行分类捕获，通过相关决策分析后给出相应的处理方案。

2.1异常事件的定义与分类

异常事件是指超出了正常计划范围的加工任务、工件加工状态、设备运行状态以及资源使用情况。按照异常事件的来源，可以将异常事件分为两大类，如表1所示。

图1　Zigbee数据传输模型

T1变更订单例如,需要更改正在加工的订单的交货期加急订单例如,新的更高优先级的订单到来,必须优先保证其按需交付T2加工准备阶段加工执行阶段工艺是否准备就绪人员是否准备就绪设备是否准备就绪设备故障工序偏离计划工艺更新车间噪音

T1类型是指来自于ERP系统的异常加工任务，主要包括变更订单和加急订单；T2类型是指来自于SFC系统的异常事件。其中对于T2类的事件，又可以细分为两类：加工准备阶段的异常事件和加工执行阶段的异常事件。

2.2智能双驱动机制子系统的设计

智能作业车间动态调度驱动机制基于大数据分析技术，需要具备感知异常事件的能力与对捕获异常事件进行决策分析的能力，以衡量是否需要执行动态调度。合理的智能驱动机制不但能够快速有效地响应异常事件，而且能够减少因频繁进行作业调度动态调节而导致的系统振荡。

1)异常事件感知。针对车间智能数据采集模块获取到的大量异常信息，设计异常事件感知模块，通过提取关键异常性能指标进行准确的异常事件捕获。与此同时，结合车间异常事件的来源对当前异常信息进行关联分析，有效提高异常捕获的准确率。

2)决策分析。对于异常事件感知模块中捕获到的有效车间生产异常，决策分析采用双引擎驱动机制来进行响应。引擎1采用基于ECA规则[6]的建立“异常事件-条件-响应动作”匹配规则库，引擎2采用基于大数据分析技术将异常事件与处理动作进行关联匹配，如图2所示。

通过对异常事件进行影响程度、处理优先级等各项指标的综合分析来获取最优异常处理方案，有效降低因频繁进行作业调度动态调节而导致的系统振荡的可能性。

3　调度算法云服务子平台

3.1功能需求与设计

调度算法云服务子平台的目标是将作业车间动态调度算法从制造执行系统中分离出来，对其进行服务化封装，通过云平台的虚拟资源池对其进行管理，使得调度算法这一关键的软制造资源可以得到充分的利用，为此，调度算法云服务子平台包括以下功能：

1)算法云服务化封装。算法云服务化封装的主要任务是定义统一的形式化描述规则，对即将接入算法云服务平台的算法资源和算法云服务请求进行标准话的语义封装。

图2　双引擎的智能驱动机制

2)智能匹配与推荐。算法云服务请求与算法云服务的智能匹配的主要任务是对算法云服务请求进行解析，然后通过语义推理和匹配度计算，从候选算法服务资源集合中发现可选服务集合，再利用推荐度计算公式对可选服务集合中的算法服务进行计算，按照推荐度大小向算法服务请求者进行推荐。

3)算法云服务的监控与管理。算法云服务的监控与管理的主要任务是对算法云服务的状态进行监控，并对正在处理的算法云服务的处理过程进行跟踪，以及对算法云服务请求者的评价信息进行收集。

智能匹配与推荐是调度算法云服务子平台的核心功能，在进行智能匹配时，首先进行功能方面的匹配，从候选服务集中选择一组能够在功能方面满足算法调度请求的算法服务可选集合；接下来，综合考虑算法性能、历史信用评级、算法实际执行情况等指标，对获得的可选集合中的每个算法服务进行推荐度计算，根据推荐度对他们进行排序，然后推荐给调度请求者。

3.2关键技术

算法云服务平台基于云计算技术，采用SOA架构，应用Struts、Spring和Hibernate框架进行搭建。算法云服务化封装，采用虚拟化技术[7]，对算法云服务资源进行抽象描述，进而封装成一个个Web Service，并用WSDL文档保存其描述信息。算法云服务管理，参照Apache的JUDDI构造私有的UDDI注册中心，对算法云服务进行管理。

算法云服务检匹配与推荐时，首先采用标准的服务解析器，对算法云服务请求进行解析，然后通过Jena推理机进行语义推理，得到可选算法云服务集，最后，利用Qos匹配算法，得到最合适的算法云服务进行调度处理。

在进行功能匹配时，主要是从算法服务的功能描述、算法服务的约束、算法服务的输入参数和算法服务的输出参数4个维度对算法服务资源和算法服务请求进行语义匹配，前者的语义必须包含后者，才将其加入可选服务集合。

在进行性能匹配度计算时，主要是从算法的求解能力、算法的收敛性以及算法的求解精度3个参数进行匹配度计算。对可选服务集合进行匹配度计算之后，可以按匹配度的大小进行排序，推荐给算法服务请求者。此外，在实际进行算法服务推荐时，还应综合考虑算法服务请求者的历史评价以及云平台对算法服务执行过程状态参数的监控值。

4 　车间动态作业计划与调度系统

哈尔滨电机厂是我国大型电站设备制造骨干企业，每年生产的产品中多数均是新产品，都需要重新进行工艺设计并组织生产，是典型的单件小批制造企业。为此，本文利用其历史生产数据作为测试用例，来验证智能的作业车间动态调度系统。

图3给出了异常发现到异常处理的过程。图4给出了算法请求者和算法服务提供者的操作界面。

图3　异常发现与异常处理

图4　调度算法云服务子平台

5　结　论

本文在研究与实现智能作业车间动态调度系统时，综合运用了物联网、大数据、云计算等先进信息技术，设计并实现了智能感知子系统、智能的双驱动机制子系统以及调度算法云服务子平台，通过这些功能模块保证了整个系统在处理单件小批型的制造企业作业车间中的各类不确定性事件时，可以实现异常信息的实时捕获、智能化的响应以及高质量的处理，从而实现了车间作业计划与作业执行的同步，保证了敏捷化的车间生产与加工。最后，采用哈尔滨电机厂实际的历史车间生产数据，对车间动态作业计划与调度系统进行了测试与验证。

[1]李伯虎,张霖,任磊,等.云制造典型特征、关键技术与应用[J].计算机集成制造系统,2012,18(7):1345-1356.

[2]何文广,李伟,齐建家,等 .基于蓝牙技术的车间设备监测系统研究[J].黑龙江工程学院学报,2016,30(1):30-34.

[3]徐迭石,马超,张淑丽,等.大数据环境下MES作业计划与调度能力云服务化研究[J].计算机工程与科学,2016,38(4):10-17.

[4]彭建刚,刘明周,张铭鑫，等.多目标柔性作业车间调度算法研究综述[J] ,中国机械工程,2014,25(23):3244-3254.

[5]王权平,王莉.Zigbee技术及其应用[J].现代电信科技,2014 (1):33-37.

[6]CHAO Ma,LIU Sheng-Hui,ZHANG Hong-Guo,et al.ECA-based drive mechanism for exception handling in single and small batch MES[C].International Conference on Frontiers of Internet of Things,Hsinchu,Taiwan,2014.12.4-12.6

[7]尹超,夏卿,黎振武.基于OWL-S的云制造服务语义匹配方法[J].计算机集成制造系统,2012,18(7):1495-1501.

[责任编辑：刘文霞]

Research and implementation of intelligent job shopdynamic scheduling system

ZHANG Kaiqi,ZHANG Shuli

(School of Software, Harbin University of Science and Technology, Harbin 150080, China)

The single and small batch workshop production would be affected by uncertain events because of which will make the actual implementation deviate from the scheduling and lead to that the products can not be delivered on schedule. For solving this problem, this paper studies and implements an intelligent system of job shop dynamic scheduling. The intelligence of the system contains the intellisense subsystem based on Zigbee, sensors and other Internet of Thing technologies, intelligent dual drive mechanism subsystem and scheduling algorithm of cloud services sub-platform. This intelligent system of job shop dynamic scheduling will make job shop dynamic scheduling complete in high quality. Finally, this paper selects historical production data from Harbin Electrical Machinery Plant as test cases to verify the validity.

job shop scheduling; Zigbee; abnormal production; big data analysis; scheduling algorithm service

10.19352/j.cnki.issn1671-4679.2016.04.008

2016-05-03

国家自然科学基金资助面上项目(51375128)；黑龙江省教育厅科学技术研究项目(12541159)；国家级大学生创新创业训练计划项目(201510214002)

张恺琪(1995-)，女，本科生，研究方向：企业智能计算.

TP315

A

1671-4679(2016)04-0036-05