论文阅读|《基于数字孪生的复杂产品离散装配车间动态调度》

Posted 2021-06-02 码丽莲梦露

《基于数字孪生的复杂产品离散装配车间动态调度》

                 计算机集成制造系统/2021/北京理工大学

 静态调度：在调度范围内可用资源（如机器、人员）固定且一直可用；任务的属性确定（如开始时间、截止日期、工时等）。这些假设有些不符合车间实际生产情况，因为生产车间的不确定因素和扰动很多，所以静态调度方法很难真正应用于实际生产过程。

动态调度：最常用的方法是预调度-重调度（事后、被动的动态调度方法），通常是先生成一个初始计划，然后在出现扰动时对进化进行动态修改。随着物联网技术在生产车间中的大部分数据能够被获取和存储，一些学者开始研究主动式动态调度方法。主动调度指在调度之前，通过分析历史数据和实时数据来预测车间未来的运行状态，并针对可能会出现的扰动进行提前调度的一种方法。

数字孪生因其虚实结合为解决主动调度提供了思路和途径。

1 基于数字孪生的复杂产品离散装配车间调度框架

运行流程如下：以车间孪生数据为中心，物理车间生产执行系统可以实时获取车间生产中与调度相关的信息，如设备运行信息、人员在岗信息、加工任务信息和生产状态信息等各种调度数据，通过车间孪生数据中心将其反馈到相应的虚拟车间，虚拟车间在实时感知的调度数据的基础上，结合历史调度数据触发更新优化过程，同时将更新过程中产生的仿真数据也上传到车间孪生数据中心，融合的孪生数据可以驱动各种车间服务，包括生产信息统计、车间状态监控、工时在线预测、实时调度方案生成等，服务的输出通过车间孪生数据中心反馈到物理车间执行，形成虚实不断迭代演化的车间调度过程。

2 复杂产品离散装配车间调度问题建模

此车间调度问题为：混合流水车间调度问题

目标：最大完工时间最小化

车间调度问题采用遗传算法来解决：编码采用两层编码

3 基于实时数据和神经网络的工时在线预测

    工时是车间调度问题中最重要的输入之一，预测工时对车间提升调度效率具有至关重要的作用，有关装配过程工时影响因素的研究分为以下几类：装配对象物理属性、装配工艺因素、设备及工装因素、人员因素、其他因素等。

这篇文章的研究点：对装配车间，特别是离散型装配车间，每个工序都需要不同的物料，然而不同工位或者机器均比较分散，而且每个工位上的缓存位置优先，有些工件不能立刻转运到下一工序的工位，导致同一工件的相邻两个工序之间物料的转运时间不一样，从而影响最终工序的工时。实时工时预测如下：

另外，根据扰动情况，将实际执行过程中得到的实作工时案例进行分类，常见扰动类型下得到的实际工时案例作为训练样本来更新模型，不常见扰动类型会单独存储，只有当某类不常见的扰动类型出现次数足够多时，才会将其集中用于模型更新，以减少个别极端样本对网络整体的影响。

工时的预测模型：神经网络模型

模型训练过程使用的参数优化方法为Adam算法；损失函数为均方根误差；模型隐藏层的激活函数使用能避免梯度弥散的Relu激活函数，输出层使用线性激活函数。训练过程使用L2正则化来提高模型的泛化能力

4 面向复杂产品离散装配的数字孪生车间动态调度

动态调度流程图如下：

这篇文章的扰动事件分为：工艺约束变更、车间资源约束变更和装配执行的事件误差3类：

（1）工艺约束变更的扰动事件：任务要求完工时间提前、紧急插单、任务取消等

（2）车间资源约束变更的扰动事件：仪器设备故障、物料缺失等

（3）装配执行时间误差的扰动事件：物料配送延时、执行时间误差、质量问题排故等。