2.2.2　DSACMS的形式化描述

DSACMS可定義為四元組DSACMS=<DataLevel,ModelLevel,SchModule,DataProcAnalyModule>。其中DataLevel表示數(shù)據(jù)層,ModelLevel表示模型層,DataProcAnalyModule為數(shù)據(jù)處理和分析模塊,SchModule為調(diào)度方法模塊。

(1)數(shù)據(jù)層

定義2.1(數(shù)據(jù)模型)　數(shù)據(jù)模型R由一組關(guān)系模式R₁,…,RNR定義,記R={R₁,…,RNR},關(guān)系模式Ri由屬性ARi,₁,…,ARi,k定義,記Ri=(ARi,₁,…,ARi,NRi)

定義K(Ri)={ARi,₁,…,ARi,NRi}為R所有屬性的集合。

定義PK(Ri)?{ARi,₁,…,ARi,NRi}為主鍵,用于唯一標識R所定義元組。

定義FK(Ri)?{ARi,₁,…,ARi,NRi}為外鍵,用于關(guān)聯(lián)其他關(guān)系模式。

數(shù)據(jù)層包含三類數(shù)據(jù)模型,分別是制造系統(tǒng)在線數(shù)據(jù)模型R_MS、制造系統(tǒng)歷史數(shù)據(jù)模型R_MSRH、學習樣本數(shù)據(jù)模型R_LS,記DataLevel={R_MS,R_MSRH,R_LS}。在調(diào)度時刻t,inst(R_MS)為時刻t制造系統(tǒng)在線數(shù)據(jù)模型R_MS定義的數(shù)據(jù)庫實例,數(shù)據(jù)從MES、SCADA系統(tǒng)中抽取,反映制造系統(tǒng)當前格局,inst(R_MSRH)為當前時刻制造系統(tǒng)運行歷史數(shù)據(jù)模型R_MSRH定義的數(shù)據(jù)庫實例,包含時刻t之前一段時間(一般為一年或幾個月)的制造系統(tǒng)運行記錄數(shù)據(jù),inst(R_LS)為當前時刻學習樣本數(shù)據(jù)模型R_LS定義的數(shù)據(jù)庫實例,其中數(shù)據(jù)通過對過去某些時刻t'(t'<t)數(shù)據(jù)庫實例inst'(R_MS)和inst'(R_MSRH)進行抽取、轉(zhuǎn)化、加載(Extract Transformation Loading,ETL)操作或者基于inst'(R_MS)運行或優(yōu)化運行面向?qū)ο蠓抡婺Ｐ蜕伞?/p>

① 制造系統(tǒng)在線數(shù)據(jù)模型　制造系統(tǒng)在線數(shù)據(jù)模型R_MS={R_eqp,R_wa,R_op,R_recipe,R_proc,R_step,R_order,R_job},其中:

設備由R_eqp=(eqp_id,recipe_id,job_id,wa_id,A_eqp,₁,…,A_eqp,Ne)定義,PK(R_eqp)={eqp_id},FK(R_eqp)={recipe_id,job_id,wa_id}=PK(R_recipe)∪PK(R_job)∪PK∪(R_wa),eqp_id為設備標識,recipe_id表示設備當前處理的加工菜單,job_id表示當前加工的工件,wa_id表示設備所在加工區(qū),A_eqp,₁,…,A_eqp,Ne為設備描述屬性,描述例如設備類型、加工模式等信息。

加工區(qū)由R_wa=(wa_id,A_wa,₁,…,A_wa,Nw)定義,PK(R_wa)={wa_id},wa_id為加工區(qū)標識,A_wa,₁,…,A_wa,Nw為加工區(qū)描述屬性,描述加工區(qū)名稱、緩沖區(qū)隊長等信息。

工序由R_op=(op_id,A_op,₁,…,A_op,No)定義,PK(R_op)={op_id},op_id為工序標識,A_op,₁,…,A_op,No為工序描述屬性,描述例如工序名稱、工序描述等信息。

設備的加工菜單由R_recipe=(recipe_id,eqp_id,op_id,A_recipe,₁,…,A_recipe,Nr)定義,PK(R_recipe)={recipe_id},FK(R_recipe)={eqp_id,op_id}=PK(R_eqp)∪PK(R_op),recipe_id為加工菜單標識,eqp_id表示菜單所屬設備,op_id表示菜單處理的工序,A_recipe,₁,…,A_recipe,Nr為加工菜單描述屬性,描述了加工時間等信息。

工藝流程由R_proc=(proc_id,A_proc,₁,…,A_proc,Np)定義,PK(R_proc)={proc_id},proc_id為工藝流程標識,A_proc,₁,…,A_proc,Np為工藝流程描述屬性,描述例如工藝流程步驟、光刻次數(shù)等信息。

流程的工步由R_step=(step_id,proc_id,oper_id,position,A_step,₁,…,A_step,Ns)定義,PK(R_step)={step_id},FK(R_step)=PK(R_proc)∪PK(R_op)={proc_id,op_id},step_id為工步標識,proc_id表示工步所屬工藝流程,op_id表示工步處理的工序,position表示工步在工藝流程中的位置。A_step,₁,…,A_step,Ns為工步描述屬性,描述例如前道工步、后道工步、工藝約束等信息。

訂單由R_order=(order_id,proc_id,A_order,₁,…,A_order,Nor)定義,PK(R_order)={order_id},FK(R_order)=PK(R_proc)={proc_id},order_id表示訂單標識,proc_id表示訂單所需的工藝流程,A_order,₁,…,A_order,Nor為訂單描述屬性,描述例如訂單到達時間、訂單數(shù)量、交貨期、已投料數(shù)量、預計投料時間、投料數(shù)量以及其他訂單相關(guān)外部因素等信息。

工件由R_job=(job_id,order_id,eqp_id,wa_id,step_id,A_job,₁,…,A_job,Nj)定義,PK(R_job)={job_id },FK(R_job)={order_id,eqp_id,wa_id,step_id}=PK(R_order)∪PK(R_eqp)∪PK(R_wa)∪PK(R_step),job_id為工件標識,order_id表示工件所屬訂單,eqp_id表示正在加工工件的設備,wa_id表示工件所在加工區(qū),step_id表示工件當前加工工步(當工件正在加工)或下一工步(當工件在等待加工),A_job,₁,…,A_job,Nj為工件描述屬性,描述例如工件當前狀態(tài)等信息。

② 制造系統(tǒng)運行歷史數(shù)據(jù)模型　制造系統(tǒng)運行歷史數(shù)據(jù)從設備運行歷史信息和工件運行歷史信息兩個角度來刻畫,定義R_MSRH={R_erh,R_jrh},其中:

設備運行歷史由R_erh=(eqp_id,event_type,begin_time,end_time,A_erh,₁,…,A_erh,N_erh)定義,eqp_id為設備標識,event_type表示設備所處狀態(tài),例如加工、維護、故障、測試等,begin_time為狀態(tài)開始時間,end_time為狀態(tài)結(jié)束時間。A_erh,₁,…,A_erh,N_erh為狀態(tài)描述屬性,例如加工模式、故障類型等信息。

工件運行歷史由R_jrh=(job_id,event_type,begin_time,end_time,A_jrh,₁,…,A_jrh,N_jrh)定義,job_id為工件標識,event_type表示工件所處狀態(tài),例如加工、等待、試片、返工等,begin_time為狀態(tài)開始時間,end_time為狀態(tài)結(jié)束時間。A_jrh,₁,…,A_jrh,N_jrh為狀態(tài)描述屬性,例如工藝參數(shù)設置等。

③ 學習樣本數(shù)據(jù)模型　學習樣本數(shù)據(jù)是構(gòu)造數(shù)據(jù)驅(qū)動模型的基礎,定義R_LS={R_P,R_UNC,R_AS},R_LS中關(guān)系模式的屬性可從R_MS和R_MSRH使用ETL得到,ETL∈DataProcAnalyModule是由一組關(guān)系代數(shù)操作組成的集合,用于抽取R_LS中屬性值。

不確定因素樣本數(shù)據(jù)模型為關(guān)系模式集合:

R_UNC={R_unc=(X_unc,₁,…,X_unc,N_unc,Y_unc)|unc∈UNC},其中,UNC為制造系統(tǒng)中存在不確定因素的集合,例如設備加工時間、設備故障、緊急訂單等。X_unc=(X_unc,₁,…,X_unc,N_unc)=ETLX_unc(R_MS,R_ERH,R_JRH),是表征不確定因素unc影響因素的屬性集(向量),描述例如設備連續(xù)運行時間、設備切換加工菜單頻率、設備故障、設備保養(yǎng)等信息,ETLX_unc∈ETL為抽取unc影響因素屬性的關(guān)系代數(shù),Y_unc=ETLY_unc(R_MS,R_ERH,R_JRH)為不確定因素發(fā)生的結(jié)果屬性(變量),描述例如設備是否發(fā)生故障等信息,ETLX_unc∈ETL為抽取unc結(jié)果屬性的關(guān)系代數(shù)。

性能指標預測樣本數(shù)據(jù)模型R_P=(X_se,₁,…,X_se,N_se,X_sch,₁,…,X_sch,N_sch,Y_p1,…,Y_p,NP),其中,X_se=(X_se,₁,…,X_se,N_se)=ETLX_se(R_MS)是表示制造系統(tǒng)當前調(diào)度環(huán)境的屬性集(向量),例如在制品分布、緊急工件分布等,ETLX_se∈ETL表示抽取調(diào)度環(huán)境屬性的關(guān)系代數(shù)操作。X_sch=(X_sch,₁,…,X_sch,N_sch)表示調(diào)度方法設置方案的屬性集(向量),例如調(diào)度方法分配(按設備或加工區(qū))。Y_pi表示制造系統(tǒng)在調(diào)度環(huán)境X_se下采用調(diào)度方法設置方案X_sch得到的性能指標屬性(變量),描述例如準時交貨率、平均加工周期等調(diào)度性能指標。

自適應調(diào)度樣本數(shù)據(jù)模型為關(guān)系模式集合:

{R_AS,_pi=(X_se,₁,…,X_se,N_se,Y_sch,₁,…,Y_sch,N_sch)|pi∈P},其中,Y_sch=(Y_sch,₁,…,Y_sch,N_sch)表示在調(diào)度環(huán)境X_se下優(yōu)化性能指標pi的調(diào)度方法設置方案的屬性集(向量)。

(2)模型層

ModelLevel=(OOSM_MS,DDPM_MS)

① 制造系統(tǒng)面向?qū)ο竽Ｐ汀≈圃煜到y(tǒng)的面向?qū)ο蠓抡婺Ｐ?Object?Oriented Simulation Model,OOSM_MS)是可執(zhí)行的仿真模型,根據(jù)對象建模技術(shù)的定義,OOSM_MS可由制造系統(tǒng)對象模型(C_MS)、制造系統(tǒng)動態(tài)模型(D_MS)、制造系統(tǒng)功能模型(F_MS)從三個方面描述:

OOSM_MS=(C_MS,D_MS,F_MS)

定義2.2(對象模型)　對象模型C由一組類定義描述,C={C₁,…CNC},類Ci可由四元組的形式定義,Ci=<ACi,MCi,RefCi,AggCi>,其中:

ACi為描述Ci定義對象的屬性的集合;

MCi為Ci定義對象可調(diào)用的方法集合;

RefCi為Ci定義的對象引用對象的集合,記為ci:Cj∈RefCi,即Cj定義的對象cj(cj:Cj)被Ci定義的對象引用。

AggCi包含若干組成Ci的對象集合,記為cks:Set<Ck>∈AggCi,即Ci定義的對象包含了一組由Ck定義的對象所組成的集合(cks:Set<Ck>)。

ID(ACi)?ACi為可唯一標識Ci對象的屬性集。

定義2.3(對象關(guān)系映射)　ORM∈DataPreprocAnalyModule為數(shù)據(jù)模型和對象模型之間的映射C=ORM(R)。

ORM(Ri)=Ci

ORM(K(RCi)-FK(RCi))∪PK(RCi)=ACi

ORM(PK(RCi))=ID(ACi)

PK(RCj)?FK(RCi)=> ci:ORM(RCj)∈RefCi

PK(RCi)?FK(RCk)=> cks:Set<ORM(RCk)>∈AggCi

由定義2.3給定的映射機制可推導出制造系統(tǒng)面向?qū)ο竽Ｐ偷膶ο竽Ｐ?i>C_MS,C_MS描述了對象的類型和關(guān)聯(lián),C_MS由一組類定義組成。C_MS={C_eqp,C_proc,C_op,C_wa,C_order,C_job,C_recipe,C_step},其中:

C_eqp類定義了設備對象,C_eqp=<A_eqp,M_eqp,Ref_eqp,Agg_eqp>,其中,A_eqp={eqp_id,A_eqp,₁,…,A_eqp,Ne}為設備屬性的集合,eqp_id為設備標識,A_eqp,₁,…,A_eqp,Ne為設備描述屬性;Ref_eqp={wa:C_wa,recipe:C_recipe,job:C_job},wa為設備所在加工區(qū),recipe為設備當前加工菜單,job為設備當前加工的工件,Agg_eqp={recipes:Set<C_recipe>},recipes表示設備可處理的加工菜單集合。

C_wa類定義了加工區(qū)對象,C_wa=<A_wa,M_wa,Ref_wa,Agg_wa>,其中,A_wa={wa_id,A_wa,₁,…,A_wa,Nw}為設備屬性的集合,其中wa_id為加工區(qū)標識,A_wa,₁,…,A_wa,Nw為描述屬性;Ref_wa=?,Agg_wa={eqps:Set<C_eqp>,jobs:Set<C_job>},eqps表示加工區(qū)包含的設備集合,jobs表示當前位于加工區(qū)的工件集合。

C_op類定義了工序?qū)ο?C_op=<A_op,M_op,Ref_op,Agg_op>,其中,A_op={op_id,A_op,₁,…,A_op,No}為設備屬性的集合,其中,op_id為工序標識,A_op,₁,…,A_op,No為工序描述屬性;Ref_op=?,Agg_op=?。

C_recipe類定義了加工菜單對象,C_recipe=<A_recipe,M_recipe,Ref_recipe,Agg_recipe>,其中,A_recipe={recipe_id,A_recipe,₁,…,A_recipe,Nr}為加工菜單屬性的集合,其中,recipe_id為加工菜單標識,A_recipe,₁,…,A_recipe,Nr為加工菜單的描述屬性;Ref_recipe={eqp:C_eqp,op:C_op},eqp表示加工菜單所在的設備,op表示加工菜單處理的工序,Agg_recipe=?。

C_proc類定義了工藝流程對象,C_proc=<A_proc,M_proc,Ref_proc,Agg_proc>,其中,A_proc={proc_id,A_proc,₁,…,A_proc,Np}為工藝流程屬性的集合,其中proc_id為工藝流程標識,A_proc,₁,…,A_proc,Np為工藝流程的描述屬性;Ref_proc=?,Agg_proc={steps:Set<C_step>}表示與工藝流程對象包含的工步。

C_step類定義了加工步驟對象,C_step=<A_step,M_step,Ref_step,Agg_step>,其中,A_step={step_id,position,A_step,₁,…,A_step,Ns}為工步屬性的集合,其中step_id為工步標識,position為工步在其所屬的工藝流程中的位置,A_step,₁,…,A_step,Ns為工步的描述屬性;Ref_step={proc:Proc},proc為流程步所屬的工藝流程,Agg_step=?。

C_order類定義了訂單對象,C_order=<A_order,M_order,Ref_order,Agg_order>,其中,A_order={order_id,A_order,₁,…,A_order,Nor}為訂單屬性的集合,其中order_id為訂單標識,A_order,₁,…,A_order,Nor為訂單的描述屬性;Ref_order={proc:Proc},proc為完成訂單所需的工藝流程,Agg_order={jobs:Set<C_job>}表示訂單包含的工件。

C_job類定義了工件對象,C_job=<A_job,M_job,Ref_job,Agg_job>,其中,A_job={job_id,A_job,₁,…,A_job,Nj}為工件屬性的集合,其中job_id為工件標識,A_job,₁,…,A_job,Nj為工件的描述屬性;Ref_job={order:C_order,eqp:C_eqp,wa:C_wa,step:C_step},Agg_job=?。

C_MS定義的對象實例objt(C_MS)可通過對R_MS定義的數(shù)據(jù)庫實例inst(R_MS)根據(jù)映射規(guī)則ORM執(zhí)行轉(zhuǎn)換,記為objt(C_MS)=TRF(inst(R_MS)),即t時刻制造系統(tǒng)的在線數(shù)據(jù)模型實例,通過ORM定義的轉(zhuǎn)換TRF可得面向?qū)ο竽Ｐ椭袑ο髮嵗俺跏蓟哪Ｐ万?qū)動架構(gòu)角度,模型實例之間的轉(zhuǎn)換可以從模型的定義之間的映射定義,因此,TRF可由ORM定義。如圖2?2所示。

從調(diào)度的角度考察功能模型F_MS,可將F_MS定義如下:

當調(diào)度周期T給定時,F_MS描述了調(diào)度環(huán)境X_se下采用調(diào)度方法配置X_sch與性能指標之間的映射關(guān)系,即F_MS={Ypi=fpi(X_se,X_sch)|pi∈P}。

② 數(shù)據(jù)驅(qū)動預測模型　模型層中的數(shù)據(jù)驅(qū)動預測模型DDPM包含三類模型:不確定因素估計模型(UPM),性能指標預測模型(PPM),自適應調(diào)度模型(ASPM)。即DDPM=(PPM,UPM,ASPM)。DDPM通過DataProcAnalyModule中的方法利用DataLevel定義的樣本學習數(shù)據(jù)構(gòu)造,preProcData∈DataProcAnalyModule為數(shù)據(jù)預處理方法,BuildPredictionModel∈DataProcAnalyModule為基于數(shù)據(jù)的預測建模方法。

OOSM_MS中包含例如工件加工時間、設備故障、緊急訂單等不確定因素(UNC),為了使得OOSM_MS的運行結(jié)果更為精確,可從制造系統(tǒng)的實際運行歷史記錄中得到一組數(shù)據(jù)驅(qū)動的不確定因素估計模型UPM表征這些不確定因素,對于unc∈UNC,其數(shù)據(jù)驅(qū)動預測模型f'_unc從inst(R_unc)學習得到:

　　inst(R_unc)={<x_unc,t_',y_unc,t_'> |x_unc,t_'

　　=ETLX_unc(inst_'(R_MS),inst_'(R_ERH),inst'(R_JRH)),

　y_unc,t_'=ETLY_unc(inst'(R_MS),inst'(R_ERH),inst'(R_JRH))}

其中,x_unc,t_'為unc的影響因素向量X_unc的取值,y_unc,t_'為unc結(jié)果變量Y_unc的取值。一般情況下,y_unc,t_'可以從歷史數(shù)據(jù)中抽取,當y_unc,t_'難以獲取時,亦可通過OOSM_MS模擬實際制造系統(tǒng)運作得到。

通過preProcData對inst(R_unc)進行預處理,調(diào)用數(shù)據(jù)驅(qū)動建模方法BuildPredictionModel可得不確定因素unc的數(shù)據(jù)驅(qū)動預測模型f'_unc(X'_unc):

Y_unc=f'_unc(X'_unc)=BuildPredictionModel(preProcData(ins(R_unc)))

其中,X'_unc是經(jīng)過數(shù)據(jù)預處理的規(guī)約后的unc的影響因素。

從而UPM={Y_unc=f'_unc(X'_unc)|unc∈UNC}

當制造系統(tǒng)呈現(xiàn)大規(guī)模且制造過程復雜時,OOSM_MS的運行時間較長,難以在線運行。已知OOSM_MS的功能模型F_MS,可從OOSM_MS的運行歷史數(shù)據(jù)中得到一組數(shù)據(jù)驅(qū)動的性能指標預測模型PPM作為F_MS的近似表達,通過調(diào)用PPM中的模型可以快速得到F_MS的近似輸出。對于性能指標pi,其數(shù)據(jù)驅(qū)動預測模型f'pi由inst(R_P)學習得到:inst(R_P)={<x_se,t',x_sch,yp₁,t',…,ypNP,t'>|x_se,t'=ETL_se(inst_'(R_MS)),ypi,t'=fpi(x_se,t',x_sch),pi∈P,t'<t}

其中,x_se,t'為t'時刻調(diào)度環(huán)境向量X_se的取值,從數(shù)據(jù)庫實例inst'(R_MS)中抽取,x_sch為調(diào)度方法設置向量X_sch的取值,可以由用戶指定,亦可通過枚舉法遍歷。ypi,t'為在時刻t',調(diào)度環(huán)境為x_se,t'時,采用x_sch所指定的調(diào)度方法設置,以給定的調(diào)度周期T運行OOSM_MS得到的性能指標pi,t'的取值。如x_sch和實際制造系統(tǒng)采用的調(diào)度方法設置一致,則亦可直接從制造系統(tǒng)在t'之后T個時刻的R_MSRH的數(shù)據(jù)庫實例中獲取pi的值,即從ins(t'₊T)R_MSRH中獲取pi,t'的值,記為pi,t'=ETLYpi(ins(t'₊T)R_MSRH),其中T為調(diào)度周期。

通過preProcData對inst(R_P)進行預處理,進一步調(diào)用數(shù)據(jù)驅(qū)動建模方法BuildPredictionModel可得性能指標pi的數(shù)據(jù)驅(qū)動預測模型f'pi(X'_se,X_sch):

Ypi=f'pi(X'_se,X_sch)=BuildPredictionModel(preProcData(inst(R_P)))

其中,X'_se是經(jīng)過數(shù)據(jù)預處理規(guī)約的調(diào)度環(huán)境向量。

從而PPM={Ypi=f'pi(X'_se,X_sch)|pi∈P')

其中,P'是經(jīng)過數(shù)據(jù)預處理規(guī)約的調(diào)度性能指標集。

由于制造系統(tǒng)的復雜性,迭代優(yōu)化OOSM_MS的調(diào)度方法設置無法在線完成。已知OOSM_MS的功能模型F_MS,可從OOSM_MS的優(yōu)化運行歷史數(shù)據(jù)中得到數(shù)據(jù)驅(qū)動的自適應調(diào)度模型作為優(yōu)化F_MS的方法。對于性能指標pi,其數(shù)據(jù)驅(qū)動自適應調(diào)度模型argmifpi(X'_se,X_sch)由inst(R_AS,pi)學習得到:

inst(R_AS,pi)={<x_se,t',y_sch,t'> |y_sch,t'=argmifpi(X'_se,X_sch)}

其中,x_se,t'為t'時刻調(diào)度環(huán)境向量X_se的取值,從數(shù)據(jù)庫實例inst'(R_MS)中抽取。y_sch,t'為在調(diào)度環(huán)境x_se,t'下通過迭代運行OOSM_MS可最優(yōu)化(令最優(yōu)化為最小化)調(diào)度性能指標pi的調(diào)度方法設置。y_sch,t'亦可為在調(diào)度環(huán)境x_se,t'下實際生產(chǎn)線上得到較優(yōu)化調(diào)度性能指標pi的調(diào)度方法設置,即當制造系統(tǒng)在t'至t'+T時間段內(nèi)性能指標pi達到較好結(jié)果(由ins(t'₊T)R_MSRH推斷出),則將制造系統(tǒng)在t'時刻采用的調(diào)度方法設置作為y_sch,t'保存。

通過preProcData對inst(R_AS,pi)進行預處理,進一步調(diào)用數(shù)據(jù)驅(qū)動建模方法BuildPredictionModel可得自適應優(yōu)化性能指標pi的數(shù)據(jù)驅(qū)動預測模型argmifpi(X'_se,X_sch):

Y_sch=argmifpi(X'_se,X_sch)=BuildPredictionModel(preProcData(ins(R_AS))),X'_se是經(jīng)過數(shù)據(jù)預處理規(guī)約的調(diào)度環(huán)境變量。

由此ASPM={Y_sch=argmifpi(X'_se,X_sch)|pi∈P}

(3)調(diào)度方法模塊

調(diào)度方法模塊包含三類方法:生產(chǎn)計劃方法集(PlanMethods),生產(chǎn)調(diào)度方法集(SchMethods),元啟發(fā)式搜索方法集(MHS),可用下式表示:

SchModule={PlanMethods,SchMethods,MHS}

其中,PlanMethods中的方法是用于處理訂單的生產(chǎn)計劃方法,例如半導體制造系統(tǒng)中的投料策略,可以采用固定投料、基于交貨期的投料、多目標投料、智能投料等方法;SchMethods實現(xiàn)工件調(diào)度的生產(chǎn)調(diào)度方法,例如半導體制造系統(tǒng)中的用于計算工件優(yōu)先級的實時調(diào)度規(guī)則或用于工件排序的搜索方法等。PlanMethods和SchMethods中的方法可以在OOM_MS中實現(xiàn),PlanMethods中的方法可以作為C_order類的成員方法實現(xiàn)(在M_order中實現(xiàn)),SchMethods中的方法可以作為C_eqp類、C_wa類或C_job類的成員方法實現(xiàn)(在M_eqp、M_wa或M_job中實現(xiàn))。PlanMethods和SchMethods中的方法也可封裝成構(gòu)件供OOSM_MS調(diào)用。OOSM_MS對調(diào)度方法的設置(例如將實時調(diào)度規(guī)則按設備/加工區(qū)生產(chǎn)線進行分配)以一定形式編碼,由向量X_sch表示,X_sch的值可以通過枚舉遍歷或者用戶設置的方式給定,OOSM_MS根據(jù)編碼規(guī)則解碼X_sch并調(diào)用相應的生產(chǎn)計劃方法和生產(chǎn)調(diào)度方法實現(xiàn)調(diào)度,完成加工,得到相應性能指標。當通過迭代運行OOM_MS的方式生成數(shù)據(jù)驅(qū)動自適應調(diào)度模型學習樣本時,當X_sch維度較高,argmifpi(x_se,t',X_sch)很難實現(xiàn),因此可通過MHS提供元啟發(fā)式搜索方法,通過迭代優(yōu)化運行OOM_MS的方式,得到較優(yōu)的X_sch值作為訓練樣本,即mhs∈MHS,使得:

mh(fpi(x_se,t',X_sch))≈argmifpi(x_se,t',X_sch)

(4)數(shù)據(jù)處理與分析模塊

調(diào)度方法模塊包含五類方法:抽取轉(zhuǎn)換加載方法集(ETL)、對象關(guān)系映射規(guī)則集(ORM)、數(shù)據(jù)預處理方法集(PreProcData)、預測建模方法集(BuildPredictionModel)和元啟發(fā)式優(yōu)化方法集(MHO),可用下式表示:

DataProcAnalyModule={ETL,ORM,PreProcData,BuildPredictionModel,MHO}

其中,ETL中的方法用于數(shù)據(jù)模型的轉(zhuǎn)換,ORM實現(xiàn)制造系統(tǒng)在線數(shù)據(jù)模型和面向?qū)ο竽Ｐ椭袑ο竽Ｐ偷挠成?PreProcData實現(xiàn)學習樣本數(shù)據(jù)的預處理,BuildPredictionModel從學習樣本學習得到數(shù)據(jù)驅(qū)動的預測模型,MHO針對PreProcData和BuildPredictionModel中的方法存在參數(shù)敏感等缺點,進行參數(shù)優(yōu)化。例如,已知數(shù)據(jù)集DS,preProcData_pars∈PreProcData,pars為PreProcData所需設置的參數(shù)集,則可選用mho∈MHO,通過mho(preProcData_pars(DS))優(yōu)化pars設置,提升preProcData_pars對數(shù)據(jù)預處理的質(zhì)量。