2.2?基于數據的復雜制造系統調度體系結構

2.2.1　DSACMS概述

如圖2?1所示,DSACMS包含4部分,分別為數據層、模型層、調度方法模塊和數據處理與分析模塊。

(1)數據層

基于數據的調度,其前提是擁有豐富的與調度相關的數據源。數據源之一是企業中的ERP、MES和SCADA等信息系統。來自數據源的與調度相關的數據構成了DSACMS的數據基礎。這些數據既包括離線歷史數據(如工件加工歷史信息、產品歷史生產信息、設備歷史加工信息、設備維護信息、設備故障信息等),也包括在線靜態數據(如產品訂單信息、產品工藝流程信息、設備加工能力信息和設備布局信息等)和在線動態數據(如設備狀態信息與WIP狀態信息等)。數據源也可以是模擬制造系統運作過程的仿真模型離線運行生成的離線仿真數據,包括離線仿真性能指標數據和離線仿真優化調度決策數據。上述數據可分別用于構造模型層中的性能指標預測模型、模型參數預測模型和自適應調度模型。

(2)模型層

模型層包括面向對象仿真模型、參數預測模型、性能指標預測模型和自適應調度模型。

① 面向對象仿真模型　面向對象仿真模型通過對象關系映射由數據層制造系統在線數據驅動,即根據制造系統在線數據動態構造仿真模型的對象模型。仿真模型的動態過程,如工件的加工方式、調度策略的實現細節,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加載制造系統的在線數據從而保證仿真模型中對象狀態和不同對象之間的關系與制造系統保持同步。為了分析調度決策對制造系統調度性能指標的影響,可以通過對面向對象的仿真模型設置調度決策進行模型仿真,分析仿真輸出的調度性能指標來評估調度決策。

② 數據驅動參數預測模型　數據驅動參數預測模型主要通過對制造系統運行生成的歷史數據進行挖掘獲得,如緊急訂單、設備故障、設備維護、加工時間、產能和加工周期預測模型等。這些參數或者表征了模型的不確定事件發生概率(如前4項),或者表征了制造系統的調度參數(如后2項)。將這些參數集成到面向對象仿真模型,可以生成大量考慮不確定信息的生產系統運行樣本數據,供模型與調度優化進行挖掘使用。

③ 數據驅動性能預測模型　數據驅動性能預測模型可以通過對離線歷史數據或離線仿真性能指標數據進行挖掘獲得。如設備、加工中心與制造系統調度模型等,通過在線調用和在線優化上述模型,可以預測設備、加工中心或制造系統的期望性能與調度約束,為優化調度決策的實時選擇提供指導。

④ 數據驅動自適應調度模型　數據驅動自適應調度模型通過制造系統離線歷史數據中較優調度決策的數據和離線仿真優化調度決策數據在模型層建立自適應調度模型。根據制造系統的在線調度環境,調用自適應調度模型完成實際的制造系統派工操作。在實際運用時,由于調度方法適應的調度環境特征與關注的性能指標有所不同,需要綜合考慮在線數據(如設備狀態信息與WIP狀態信息等)與調度模型獲得的性能指標、調度約束與優化調度決策,通過自適應調度模型選擇合適的調度決策完成派工。

(3)調度方法模塊

離線仿真數據的生成依賴于調度方法模塊。而調度方法模塊包含了生產計劃模塊和實時派工模塊。連同模型層中的面向對象仿真模型和數據層中的制造系統在線數據形成了基于仿真的調度方法。生產計劃模塊中的算法組件確定了工件投入生產線的時間和數量,集成了投料規則或算法。生產調度模塊中的規則組件用來確定工件加工優先級的計算方法,每種調度規則優化不同的性能指標。該方法的優點在于實時性好,可快速響應調度環境的變化,缺點在于制造性能指標優化程度過分依賴于投料策略和調度決策的選擇。元啟發式搜索算法可以通過迭代運行仿真模型獲取優化的投料策略和實時調度規則配置,但多次重復運行仿真模型,尤其是復雜制造系統的仿真模型是一個耗時的過程,通過元啟發式算法在線優化投料策略和實時調度規則幾乎不可能,因此在模型層中提出了通過挖掘離線仿真數據構建自適應調度模型的方案。

生產計劃模塊和實時調度模塊對性能指標的影響與調度周期有關。如果調度周期短,主要關注短期性能指標,性能指標主要依賴于初始調度環境和實時調度策略,受生產計劃和不確定參數及事件的影響較小。如果調度周期長,主要關注長期性能指標,性能指標主要依賴于生產計劃和實時調度策略,必須考慮不確定參數及事件的影響,而初始調度環境的影響被削弱。在不同的調度周期下,性能指標的影響因素不同。對應到模型層,根據仿真模型運行時間的不同,數據驅動性能指標預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測模型。根據優化迭代過程中每次運行仿真模型的時間不同,數據驅動自適應調度模型分為實時自適應調度、短期自適應調度和長期自適應調度模型。

(4)數據處理與分析模塊

數據處理與分析模塊用來實現數據變換和調度相關屬性的抽取,包括數據的抽取、轉化和加載,也包括數據模型和對象模型的映射規則,實現對象模型和關系模型之間的映射。數據處理與分析模塊的核心在于數據預處理方法和數據驅動預測模型的構造方法。由于制造系統的數據普遍存在噪聲、不完備、高耦合、分布不規律等問題,需要運用數據預處理技術對相關的離、在線數據進行過濾、凈化、去噪和優化等處理,從而提高數據挖掘的質量。基于調度相關數據存在的問題,數據預處理模塊考慮了異常值過濾、空缺值填補、數據維規約等問題,通過智能優化算法迭代,優化K均值數據聚類、K均值變量聚類、K近鄰等數據預處理算法參數,提高數據預處理的質量。模型層中的預測模型需要通過數據挖掘的方法從數據層的樣本中獲得。由于調度性能指標和優化的調度方案需要大量的離線仿真或優化才能得到,因此,為了提高泛化能力,采用基于選擇性集成的方式,即在生成個體學習器和選擇最終的學習器中均引入了計算智能方法。