2.2?基于數(shù)據(jù)的復(fù)雜制造系統(tǒng)調(diào)度體系結(jié)構(gòu)

2.2.1　DSACMS概述

如圖2?1所示,DSACMS包含4部分,分別為數(shù)據(jù)層、模型層、調(diào)度方法模塊和數(shù)據(jù)處理與分析模塊。

(1)數(shù)據(jù)層

基于數(shù)據(jù)的調(diào)度,其前提是擁有豐富的與調(diào)度相關(guān)的數(shù)據(jù)源。數(shù)據(jù)源之一是企業(yè)中的ERP、MES和SCADA等信息系統(tǒng)。來自數(shù)據(jù)源的與調(diào)度相關(guān)的數(shù)據(jù)構(gòu)成了DSACMS的數(shù)據(jù)基礎(chǔ)。這些數(shù)據(jù)既包括離線歷史數(shù)據(jù)(如工件加工歷史信息、產(chǎn)品歷史生產(chǎn)信息、設(shè)備歷史加工信息、設(shè)備維護信息、設(shè)備故障信息等),也包括在線靜態(tài)數(shù)據(jù)(如產(chǎn)品訂單信息、產(chǎn)品工藝流程信息、設(shè)備加工能力信息和設(shè)備布局信息等)和在線動態(tài)數(shù)據(jù)(如設(shè)備狀態(tài)信息與WIP狀態(tài)信息等)。數(shù)據(jù)源也可以是模擬制造系統(tǒng)運作過程的仿真模型離線運行生成的離線仿真數(shù)據(jù),包括離線仿真性能指標數(shù)據(jù)和離線仿真優(yōu)化調(diào)度決策數(shù)據(jù)。上述數(shù)據(jù)可分別用于構(gòu)造模型層中的性能指標預(yù)測模型、模型參數(shù)預(yù)測模型和自適應(yīng)調(diào)度模型。

(2)模型層

模型層包括面向?qū)ο蠓抡婺Ｐ汀?shù)預(yù)測模型、性能指標預(yù)測模型和自適應(yīng)調(diào)度模型。

① 面向?qū)ο蠓抡婺Ｐ汀∶嫦驅(qū)ο蠓抡婺Ｐ屯ㄟ^對象關(guān)系映射由數(shù)據(jù)層制造系統(tǒng)在線數(shù)據(jù)驅(qū)動,即根據(jù)制造系統(tǒng)在線數(shù)據(jù)動態(tài)構(gòu)造仿真模型的對象模型。仿真模型的動態(tài)過程,如工件的加工方式、調(diào)度策略的實現(xiàn)細節(jié),均被固化于仿真模型,而仿真模型中的對象模型則通過動態(tài)加載制造系統(tǒng)的在線數(shù)據(jù)從而保證仿真模型中對象狀態(tài)和不同對象之間的關(guān)系與制造系統(tǒng)保持同步。為了分析調(diào)度決策對制造系統(tǒng)調(diào)度性能指標的影響,可以通過對面向?qū)ο蟮姆抡婺Ｐ驮O(shè)置調(diào)度決策進行模型仿真,分析仿真輸出的調(diào)度性能指標來評估調(diào)度決策。

② 數(shù)據(jù)驅(qū)動參數(shù)預(yù)測模型　數(shù)據(jù)驅(qū)動參數(shù)預(yù)測模型主要通過對制造系統(tǒng)運行生成的歷史數(shù)據(jù)進行挖掘獲得,如緊急訂單、設(shè)備故障、設(shè)備維護、加工時間、產(chǎn)能和加工周期預(yù)測模型等。這些參數(shù)或者表征了模型的不確定事件發(fā)生概率(如前4項),或者表征了制造系統(tǒng)的調(diào)度參數(shù)(如后2項)。將這些參數(shù)集成到面向?qū)ο蠓抡婺Ｐ?可以生成大量考慮不確定信息的生產(chǎn)系統(tǒng)運行樣本數(shù)據(jù),供模型與調(diào)度優(yōu)化進行挖掘使用。

③ 數(shù)據(jù)驅(qū)動性能預(yù)測模型　數(shù)據(jù)驅(qū)動性能預(yù)測模型可以通過對離線歷史數(shù)據(jù)或離線仿真性能指標數(shù)據(jù)進行挖掘獲得。如設(shè)備、加工中心與制造系統(tǒng)調(diào)度模型等,通過在線調(diào)用和在線優(yōu)化上述模型,可以預(yù)測設(shè)備、加工中心或制造系統(tǒng)的期望性能與調(diào)度約束,為優(yōu)化調(diào)度決策的實時選擇提供指導(dǎo)。

④ 數(shù)據(jù)驅(qū)動自適應(yīng)調(diào)度模型　數(shù)據(jù)驅(qū)動自適應(yīng)調(diào)度模型通過制造系統(tǒng)離線歷史數(shù)據(jù)中較優(yōu)調(diào)度決策的數(shù)據(jù)和離線仿真優(yōu)化調(diào)度決策數(shù)據(jù)在模型層建立自適應(yīng)調(diào)度模型。根據(jù)制造系統(tǒng)的在線調(diào)度環(huán)境,調(diào)用自適應(yīng)調(diào)度模型完成實際的制造系統(tǒng)派工操作。在實際運用時,由于調(diào)度方法適應(yīng)的調(diào)度環(huán)境特征與關(guān)注的性能指標有所不同,需要綜合考慮在線數(shù)據(jù)(如設(shè)備狀態(tài)信息與WIP狀態(tài)信息等)與調(diào)度模型獲得的性能指標、調(diào)度約束與優(yōu)化調(diào)度決策,通過自適應(yīng)調(diào)度模型選擇合適的調(diào)度決策完成派工。

(3)調(diào)度方法模塊

離線仿真數(shù)據(jù)的生成依賴于調(diào)度方法模塊。而調(diào)度方法模塊包含了生產(chǎn)計劃模塊和實時派工模塊。連同模型層中的面向?qū)ο蠓抡婺Ｐ秃蛿?shù)據(jù)層中的制造系統(tǒng)在線數(shù)據(jù)形成了基于仿真的調(diào)度方法。生產(chǎn)計劃模塊中的算法組件確定了工件投入生產(chǎn)線的時間和數(shù)量,集成了投料規(guī)則或算法。生產(chǎn)調(diào)度模塊中的規(guī)則組件用來確定工件加工優(yōu)先級的計算方法,每種調(diào)度規(guī)則優(yōu)化不同的性能指標。該方法的優(yōu)點在于實時性好,可快速響應(yīng)調(diào)度環(huán)境的變化,缺點在于制造性能指標優(yōu)化程度過分依賴于投料策略和調(diào)度決策的選擇。元啟發(fā)式搜索算法可以通過迭代運行仿真模型獲取優(yōu)化的投料策略和實時調(diào)度規(guī)則配置,但多次重復(fù)運行仿真模型,尤其是復(fù)雜制造系統(tǒng)的仿真模型是一個耗時的過程,通過元啟發(fā)式算法在線優(yōu)化投料策略和實時調(diào)度規(guī)則幾乎不可能,因此在模型層中提出了通過挖掘離線仿真數(shù)據(jù)構(gòu)建自適應(yīng)調(diào)度模型的方案。

生產(chǎn)計劃模塊和實時調(diào)度模塊對性能指標的影響與調(diào)度周期有關(guān)。如果調(diào)度周期短,主要關(guān)注短期性能指標,性能指標主要依賴于初始調(diào)度環(huán)境和實時調(diào)度策略,受生產(chǎn)計劃和不確定參數(shù)及事件的影響較小。如果調(diào)度周期長,主要關(guān)注長期性能指標,性能指標主要依賴于生產(chǎn)計劃和實時調(diào)度策略,必須考慮不確定參數(shù)及事件的影響,而初始調(diào)度環(huán)境的影響被削弱。在不同的調(diào)度周期下,性能指標的影響因素不同。對應(yīng)到模型層,根據(jù)仿真模型運行時間的不同,數(shù)據(jù)驅(qū)動性能指標預(yù)測模型可分為實時性能指標、短期性能指標和長期性能指標預(yù)測模型。根據(jù)優(yōu)化迭代過程中每次運行仿真模型的時間不同,數(shù)據(jù)驅(qū)動自適應(yīng)調(diào)度模型分為實時自適應(yīng)調(diào)度、短期自適應(yīng)調(diào)度和長期自適應(yīng)調(diào)度模型。

(4)數(shù)據(jù)處理與分析模塊

數(shù)據(jù)處理與分析模塊用來實現(xiàn)數(shù)據(jù)變換和調(diào)度相關(guān)屬性的抽取,包括數(shù)據(jù)的抽取、轉(zhuǎn)化和加載,也包括數(shù)據(jù)模型和對象模型的映射規(guī)則,實現(xiàn)對象模型和關(guān)系模型之間的映射。數(shù)據(jù)處理與分析模塊的核心在于數(shù)據(jù)預(yù)處理方法和數(shù)據(jù)驅(qū)動預(yù)測模型的構(gòu)造方法。由于制造系統(tǒng)的數(shù)據(jù)普遍存在噪聲、不完備、高耦合、分布不規(guī)律等問題,需要運用數(shù)據(jù)預(yù)處理技術(shù)對相關(guān)的離、在線數(shù)據(jù)進行過濾、凈化、去噪和優(yōu)化等處理,從而提高數(shù)據(jù)挖掘的質(zhì)量。基于調(diào)度相關(guān)數(shù)據(jù)存在的問題,數(shù)據(jù)預(yù)處理模塊考慮了異常值過濾、空缺值填補、數(shù)據(jù)維規(guī)約等問題,通過智能優(yōu)化算法迭代,優(yōu)化K均值數(shù)據(jù)聚類、K均值變量聚類、K近鄰等數(shù)據(jù)預(yù)處理算法參數(shù),提高數(shù)據(jù)預(yù)處理的質(zhì)量。模型層中的預(yù)測模型需要通過數(shù)據(jù)挖掘的方法從數(shù)據(jù)層的樣本中獲得。由于調(diào)度性能指標和優(yōu)化的調(diào)度方案需要大量的離線仿真或優(yōu)化才能得到,因此,為了提高泛化能力,采用基于選擇性集成的方式,即在生成個體學(xué)習(xí)器和選擇最終的學(xué)習(xí)器中均引入了計算智能方法。