1.3.2　基于數據的調度建模

基于數據的調度建模包括:①將信息系統中的數據通過模型映射的方式生成描述生產調度過程的模型;②對制造系統的不確定因素構造數據驅動的預測模型從而實現生產調度過程模型的求精;③構造數據驅動的性能指標預測模型,調用性能指標預測模型可以快速近似求得實際制造系統和生產調度過程模型在調度環境下采用調度規則的性能指標。

(1)基于數據的調度描述模型

基于數據的調度描述模型主要體現為Petri網模型和離散事件仿真模型。傳統調度建模方式較為瑣碎和僵化,一旦有設備的更替或者有新工藝的引入就需要修改整個模型;而采用基于數據的方法,可以將繁瑣的建模工作集中到從數據到生產調度的映射,模型變更可以通過修改模型中的數據實現,具有較好的靈活性和擴展性。例如,Gradisar將生產線的設備布局和加工產品的工藝流程等數據映射成描述生產過程調度的Petri網模型,在模型中融入了一些啟發式調度規則并評價了調度性能指標,以實例說明了方法的可行性,其不足之處是沒有考慮生產系統的動態信息,無法用于帶有非零初始狀態的制造系統的調度問題;Mueller提出了將半導體生產線相關數據映射為面向對象Petri網仿真模型的方法,模型的基本元素由設備加工工序、產品工藝流程、設備以及輔助器具組成,考慮了批加工工序、工具和設備的故障時間、工件返工等因素,不足之處是對生產線作了較大的簡化,同樣沒有考慮半導體制造系統的非零初始狀態;Ye等提出了動態建模方法,基于生產線的靜態數據和動態數據構造生產線的離散事件仿真模型,可以反映生產線實際工況,其不足在于數據到模型的映射只針對特定仿真軟件(Plant Simulation),轉換方法的通用性有待進一步提高。

(2)復雜制造系統數據驅動的不確定性因素預測

復雜制造系統的大規模、復雜性、不確定性導致其在制造過程中會面臨很多不確定因素,例如模型參數的不確定、隨機事件的不確定以及產品質量的不確定。如何采用數據驅動的方法合理利用制造系統歷史數據對這些不確定因素進行預測,從而提高制造過程描述模型的運行準確率是一項很有實際意義的工作。

復雜制造系統中的很多模型參數既不是固定值,也不滿足特定分布,但這些參數對調度性能有重要影響。例如工件加工時間是許多調度規則中都需要使用的重要參數,而在以往的工作中或者直接使用工藝文件中的理論加工時間,或者通過求平均值,或者基于人工經驗進行估計,效果均不理想。除了這些建模基礎參數,很多新的調度策略也引入了新的決策參數,如加工周期、產能等,這些參數亦很難用確定的公式估計,并對調度策略的效果有直接影響。因此,如何從歷史數據中挖掘這些參數的預測模型,是基于數據調度的一個重要組成部分。

(3)復雜制造系統數據驅動的性能指標預測

對于大規模復雜制造系統,通過計算機運行其生產調度模型時會存在運行時間過長的問題。以半導體制造系統為例,會涉及數百臺加工設備、數千卡硅片以及上百道加工工序,以1天為調度周期就需要花費數小時運行其描述模型。為了更方便地研究這類大規模復雜制造系統的調度問題,可以通過其歷史數據構造出數據驅動的預測模型來預測其性能指標(例如生產周期、在制品數量、成品率等),研究性能指標與其影響因素(調度環境與調度策略)之間的關系。