一种考虑线边仓容量的3C智造车间产线调度方法与系统

本发明属于车间调度，特别涉及一种考虑线边仓容量的3c智造车间产线调度方法与系统。

背景技术：

1、随着互联网和大数据的快速发展，3c制造业逐渐向数字化、智能化、网络化和柔性化的生产制造模式转型升级。生产调度模块作为3c智造车间的核心组成部分，是提高工厂整体生产效率的关键环节之一。近年来，先进的智能调度技术的广泛应用，极大提升了车间调度的效率和准确性。

2、常见的求解车间调度的方法包括启发式算法和元启发式算法。启发式算法是指车间调度员利用单个调度规则或多种调度规则进行组合求解，其优点是算法较简单，但针对的问题特征单一，求解大规模车间调度问题的能力较差，存在过程复杂、无法达到最优解的问题。元启发式算法是车间调度中心利用智能算法求解每个加工线体上最优的订单加工顺序，元启发式算法相较于启发式算法能在一定的时间范围内求解出近似解，但实时性和泛化性较低。

3、当前，3c智能生产车间主要采用基于调度规则的启发式调度。申请号为cn202311425372.4的专利申请公开了一种基于演员-评论家算法的置换流水车间调度方法，包括：利用优先调度规则生成置换流水车间调度的初始解；利用完全二叉树对所述初始解进行表达，得到代表初始解的初始二叉树、代表初始解进化过程的中间二叉树和代表最优解的最终二叉树；基于初始二叉树、中间二叉树和最终二叉树设计状态、动作、奖励以及智能体与环境的交互过程；设计策略网络和价值网络；以策略网络表示演员-评论家算法中的actor，以价值网络表示演员-评论家算法中的critic，对演员-评论家算法进行训练，得到相对初始解较优的可行解。然而，大多数3c智能制造车间的加工线体之间存在放置在制品的线边仓，一旦发生在制品数量到达临界值导致的上游加工线体阻塞停滞等问题，基于调度规则的启发式调度方法因缺乏实时性，无法及时有效地处理冲突，将会影响整个工厂的运输效率和生产连续性。

技术实现思路

1、针对上述现有技术的不足，本发明提出了一种考虑线边仓容量的3c智造车间产线调度方法与系统，在考虑有限线边仓在制品容量的条件下实现加工订单和加工线体的合理调度，实时高效解决因线边仓在制品容量不足导致的上游加工线体阻塞等问题，具有有效克服基于调度规则的启发式调度方法所存在的实时性差、易陷入局部最优解等问题。

2、为了达到上述目的，本发明采用以下技术方案：

3、一种考虑线边仓容量的3c智造车间产线调度方法，包括以下步骤：

4、步骤s1、根据3c智造车间的实际生产情况，基于调度系统中调度层的调度中心通过需求层和监控层提取车间环境的初始信息，包括加工订单、加工线体和线边仓的信息，并构建任务排产调度的异构图模型，异构图模型包括加工订单的工序节点、加工线体节点和连接弧约束关系信息，存储在图模型模块中；

5、步骤s2、在调度层中，车间调度中心将步骤s1中得到的异构图模型进行图嵌入操作，利用图注意力机制对邻域内的特征进行加权求和，以提取加工订单的工序节点的高维特征、加工线体节点的高维特征和连接弧的高维特征，将以上三种高维特征进行平均池化操作，得到异构图模型的全局特征；

6、步骤s3、在调度层中，车间调度中心基于步骤s1得到的异构图模型和步骤s2得到的工序节点高维特征、线体节点高维特征、连接弧高维特征以及异构图全局特征，利用演绎者-评论家的强化学习算法将待加工的任务分配到指定的加工线体；

7、步骤s4、基于步骤s3分配到指定的加工线体的任务，进入执行任务阶段，同时与车间工作环境进行交互，车间调度中心将接收来自加工线体的生产信息和调度系统管理层的订单加工信息；

8、步骤s5、在监控层和管理层中，车间调度中心通过步骤s4中加工线体和订单加工信息，对车间加工状态进行及时监控，实现车间任务的实时性调度。

9、所述的步骤s1具体为：

10、车间调度中心在每个调度时间点获取需要加工任务的初始信息，包括订单种类、订单工序数、订单加工数量；同时车间调度中心在开始加工前获取车间环境的初始信息，包括待生产任务的信息、生产线体的占用情况和线边仓的在制品容量；根据初始信息构建排产调度的异构图模型，包括任务的工序节点、加工线体节点、工序节点之间的有向弧和机器和工序节点之间的无向弧。

11、所述的步骤s2中工序节点的特征信息包括：

12、(a)订单加工状态，若该订单已完成则为1，未完成为0；

13、(b)订单加工工序，当前工序节点对应加工订单的工序编号；

14、(c)订单的完成率，当前工序对应订单的完成率，如式(1)所示；

15、

16、式中，si,o为第i个订单已完成的j道工序；

17、si为第i个订单需要加工的总工序数；

18、(d)邻接节点的数量，与当前工序节点距离为一个单位长度的工序节点和加工线体节点的数量和；

19、(e)当前工序的开始时间，当前工序的开始时间如式(2)所示，若不存在因线边仓容量出现的阻塞情况，开始时间为当前订单的上一道工序的结束时间和当前加工线体的结束时间的最大值；若存在堵塞情况，则开始时间由解除阻塞情况的时间确定，即下游工段产生新加工任务的时间点：

20、

21、式中：eti,j-1为第i个订单第j-1道工序的结束时间；

22、mej,p为第j个工序中第p个并行加工线体的结束时间；

23、x为第j个工序是否阻塞，阻塞时为0，无阻塞为1；

24、msj+1,a为第j+1个工序中第a个并行加工线体的开始时间；

25、(f)当前工序的结束时间，如式(3)所示，当前工序结束时间为并行加工线体的开始时间与加工时间之和；

26、

27、式中：eti,j-1为第i个订单第j-1道工序的结束时间；

28、msj,a为第j个工序中第a个并行加工线体的开始时间；

29、ai,j为第i个订单第j个工序的加工数量；

30、ai,j为第j个工序第a个并行加工线体的每小时产出量。

31、所述的步骤s2中的加工线体节点的特征信息包括：

32、(1)加工线体的状态，若该加工线体开始加工订单则为1，未开始为0；

33、(2)加工线体的利用率，如式(4)所示，加工线体的利用率由加工时间的完成时间确定；

34、

35、式中：uj,a为第j道工序第a台并行加工线体的利用率；

36、pj,a为第j道工序第a台并行加工线体的总加工时间；

37、cj,a为第j道工序第a台并行加工线体的总完成时间；

38、(3)邻接工序节点的数量，与当前加工线体节点距离为一个单位长度的工序节点数量；

39、所述的步骤s2中的连接弧的特征信息包括：工序节点之间的有向弧的特征信息和工序节点和加工线体节点的无向弧的特征信息；

40、工序节点之间的有向弧的特征信息是包括线边仓的状态，若线边仓容量未到预警容量为0，到达预警容量为1；有向弧的特征信息还包括线边仓的在制品数量，在制品数量由上下游加工线体共同决定；工序节点和加工线体节点的无向弧的特征信息是指加工时间；工序节点和的有向弧的特征信息是指加工数量。

41、所述的步骤s2流程为：车间调度中心将订单的工序节点、加工线体节点和各连接弧的特征信息利用不同训练参数的多线性层感知机进行特征升维，提取高维度的特征信息，进而利用图注意力机制分别将工序节点、加工线体节点和连接弧的特征进行局部图嵌入；加工线体节点的特征图嵌入包括两部分，分别是其一阶邻域内的所有工序节点特征嵌入的加权和与其注意力系数的乘积，以及加工线体节点自身特征嵌入与其注意力系数的乘积；工序节点的特征图嵌入包含其一阶邻域内的所有工序节点的特征、所有机器节点特征以及与下一工序点连接边特征的乘积；连接弧的特征图嵌入包含其所连接的线体节点和工序节点的特征注意力加权和，以提取加工订单的工序节点的高维特征、加工线体节点的高维特征；车间调度中心利用平均池化方法求解全局图嵌入特征，将所获得的订单工序节点特征、加工线体节点特征及其连接边的特征输入多层结构相同但参数不同的神经网络中进行深度特征提取和平均池化，最后进行拼接得到固定维度的异构图模型的全局特征；

42、由于步骤s1中获得的基于3c生产模式构建的异构图模型会随着订单的调度过程不断更新变化，当第i个订单的第j道工序选择了加工线体a，即第j道工序中其余的并行加工线体无法加工，与对应工序节点的连接弧需要删除。

43、所述的步骤s3具体为：

44、车间调度中心通过观测系统的整体状态，包括工序节点高维特征如加工订单工序进度、加工订单掩码；线体节点高维特征如线体状态、线体效率，连接弧高维特征如加工时间，以及异构图全局特征信息，在包含有效的加工线体和加工订单工序连接弧的动作空间中进行动作的选择，将加工订单分配到指定的加工线体进行加工；通过加工线体执行当前的加工工序，车间调度中心进行通过与生产环境交互，计算奖励函数，包括是否满足交货期和最大化加工线体利用率；车间调度中心在选择动作时，利用正态分布采样的方法进行选择，将观测到的生产状态输入演绎者-评论家强化学习算法中的演绎者算法后，得到每个有效动作的评分；进而将状态和动作同时输入到演绎者-评论家强化学习算法中的评论家算法后，得到关于当前状态和动作的评分；车间调度中心根据动作评分和状态评分的加权和归一化处理后进行正态分布采样，将每个加工订单合理地分配给加工线体。

45、所述的步骤s4具体为：

46、车间调度中心按照步骤s3的方法将所有加工订单的工序进行排产调度，加工线体接收到订单后进行工作，同时与车间环境进行交互，因加工线体故障、达到线边仓预警容量导致加工线体阻塞问题均由加工线体与车间调度中心进行信息传递，同时车间调度中心会实时监控当前订单的生产状况，针对可能出现的动态事件调整生产订单的加工顺序。

47、所述的步骤s5具体为：

48、车间调度中心接收到加工线体发送的信息后，针对产生的突发状况进行处理，若出现加工线体故障的情况，车间调度中心将对应编号的加工线体节点掩码置为0，表示该线体不可用，在当前工序的后续调度中不会选择该线体对应的连接弧，进而将该线体上的任务交由当前工序的其它并行机进行生产，最小化对调度目标的影响；若遇到线边仓阻塞的情况，车间调度中心暂停线边仓上游工序所有并行机的生产，即将上游工序的工序掩码置为0，直到线边仓的容量低于预警容量后再将其置为1；若遇到紧急插单的情况，车间调度中心在该时间点的异构图模型中添加新订单对应的工序节点、可生产对应工序的加工线体节点和连接弧，更新异构图的全局图嵌入特征，并在该时间点优先调度该订单。

49、一种考虑线边仓容量的3c智造车间产线调度系统，用于实现上述调度方法，包括需求层、物料层、调度层、管理层和监控层：

50、所述的需求层，根据生产订单的需求和供应链信息获取车间加工订单，用于车间调度系统作业调度模块的原始信息创建和初始计划生成；

51、所述的物料层，车间仓储系统根据需求订单的种类，向调度层提供加工原料的仓储信息以及各线边仓中在制品的仓储信息，同时实时获取原料和在制品数量；

52、所述的调度层，根据需求订单的原始信息和物料信息，结合目前车间中的生产情况，利用强化学习算法对多个加工订单的多道工序进行生产线体的分配，实现有限线边仓容量下的最优排产调度；

53、所述的管理层，调度中心生成排产计划并成功下发后，每一个订单的加工信息由作业管理层进行实时管理，同时处理车间中紧急插单等事件；

54、所述的监控层，实际生产过程存在着多种动态事件，包括生产线体故障、车间资源短缺等，监控层对车间中出现的多种动态事件进行实时监控，并通过车间物联网向任务调度层反馈，进行主动调度处理。

55、与现有技术相比，本发明具有以下有益效果和优势：

56、1.本发明将3c智造车间中的调度中心、仓储系统和加工机器进行有机结合，利用车间调度中心和实际生产环境的交互，实时传输加工订单和加工线体的信息，使得加工订单加工过程能够在交货期内高效完成；这种基于异构图模型和强化学习算法的产线调度方式，便于车间调度中心在实际生产环境中大量且复杂的数据资源中整合提取特征信息，进而快速准确地找到最优的调度方案，同时不易陷入局部最优解，可以保证得到的结果是全局最优解，导致车间生产资源的浪费或加工订单的逾期；3c智造车间的生产布局较复杂，设备众多，产线调度问题无法使用数学多项式进行准确全面表达，基于调度规则等启发式算法和基于智能算法的元启发式算法无法准确得到产线调度的最优结果；本发明提出的产线调度方法，可以很好地解决这个问题，利用异构图模型对车间调度过程的图形化表达、图注意力机制方法提取特征信息的能力和强化学习算法较强的泛化能力，提高产线调度的实时性和准确性。

57、2.本发明步骤s1中，车间调度中心以构建异构图模型的方式将实际生产环境中的特征信息进行提取，能够避免不同种信息独立传递导致的数据处理负担，并减轻数据处理的难度；同时可以将加工线体是否占用，加工订单的生产情况以及线边仓的在制品仓储量较清晰地展现出来，以便在安排调度任务时进行动作的选择和奖励函数的设计；比较全面完整地描述订单加工的实际状态，使得最终求解的调度结果能够更贴近优化目标的同时，更加符合实际。

58、3.本发明车间调度中心以异构图模型的形式对调度过程进行展现，并以图形的方式进行存储和传递，在高效快速提取特征信息的同时，避免接收并筛选大量不同种类的数据，节省数据计算时间的同时实现了数据存储的轻量化和数据处理的精准化，也为之后调度任务的分配提供了清晰的数据样本。

59、4.本发明对于产线的全局调度设定不同任务优先级和优化目标，可以进一步提高车间生产加工的柔性，有利于车间调度中心根据车间不同的实际需求，更好地实现最优调度。

60、5.本发明利用图注意力机制方法对基于生产实际的异构图模型进行高维特征提取、拼接等操作，能够保证加工订单、加工线体和线边仓容量三个维度信息的独立传递，同时图注意力机制方法具有较强的端到端学习能力，能够根据变化的异构图模型学习到关键信息，车间调度中心可以更好地得到异构图模型中各元素特征和全局特征，有利于强化学习在选取动作时能够更加符合调度目标。

61、6.本发明车间调度中心根据当前的生产状态选择相应的动作后，计算该动作得到的实时回报，进而与环境进行交互得到下一状态，当前的回报与未来选择的动作和生产状态有关，因此强化学习算法会对未来动作获得的回报进行预估，从而对当前动作进行准确估计，使得到的调度结果更加准确；经过多次训练学习后，在遇到新的调度任务时，强化学习调度算法能够快速精准地找到最优解，具有较好的泛化性。

62、7.本发明通过设定加工订单掩码、加工线体掩码和加工订单的工序掩码操作，可以避免发生机器故障、线边仓阻塞或资源短缺时造成加工线体利用率降低、加工订单滞留时间长等情况，通过动态更改异构图模型的节点信息，进而将动态事件时间点之后的加工订单进行重新调度；通过大量数据训练，该调度算法对动态事件求解的结果具有良好的实时性和较高的鲁棒性；通过在原始的异构图模型中增加工序节点的位置来解决紧急插单等情况，可以有效减小突发状况对订单加工的影响。

63、8.本发明在处理加工线体故障、紧急插单等突发情况时，车间调度中心需要根据实际生产情况进行调度任务的变化，进而需要车间生产环境的状态信息；传统的收集方式是车间调度中心接收到加工线体或加工订单的变化信息后，再获取全局车间的状态数据进行重调度，这样会导致重调度的结果下发出现较大延迟；本发明通过车间调度中心、加工线体与实际加工环境的并行交互，当出现动态事件时，实际生产数据等信息能够并行上传到车间调度中心，这样可以提高信息传递的准确率，也降低了单条信息的容量，便于车间调度中心进行接收；同时可以避免车间调度中心收集零散的车间状态数据，导致其负担过重。

64、9.本发明将线边仓的在制品仓储情况作为加工订单的工序节点连接弧之间的权重，便于神经网络能提取并识别到线边仓容量对加工订单的影响，也保证了所得到的调度结果可以满足线边仓不产生阻塞的条件，提升了加工线体的利用率。

65、综上所述，本发明实现了3c智造车间产线的全局调度，解决了多加工线体并行生产、因线边仓在制品容量不足导致的上游加工线体阻塞等问题。