CN115239199A - 一种汽车行业中基于混线柔性生产的分布式调度方法 - Google Patents

一种汽车行业中基于混线柔性生产的分布式调度方法 Download PDF

Info

Publication number
CN115239199A
CN115239199A CN202211029307.5A CN202211029307A CN115239199A CN 115239199 A CN115239199 A CN 115239199A CN 202211029307 A CN202211029307 A CN 202211029307A CN 115239199 A CN115239199 A CN 115239199A
Authority
CN
China
Prior art keywords
production
scheduling
state
neural network
equipment
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211029307.5A
Other languages
English (en)
Inventor
李成
杨博
郑忠斌
陈彩莲
关新平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202211029307.5A priority Critical patent/CN115239199A/zh
Publication of CN115239199A publication Critical patent/CN115239199A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种汽车行业中基于混线柔性生产的分布式调度方法，涉及柔性生产领域，所述方法包括以下步骤：S101：构建工厂的信息物理***，并将生产线、生产设备和物料运输设备与各自的数字化模型互联，该信息物理***为工厂的控制枢纽和决策枢纽；S103：建立基于MQTT的发布‑订阅机制的通信模型，该MQTT消息中包含时间戳信息以及生产状况或设备信息所对应的时间信息；S105：在工厂的中心服务器上构建调度模块，该调度模块中内置分布式调度方案，该分布式调度方案通过强化学习确定排产计划。本发明秉持柔性生产的理念，在生产过程中发生排产计划之外的情况时，可以及时针对突发的生产状况对排产计划做出调整，增加排产计划的鲁棒性。

Description

一种汽车行业中基于混线柔性生产的分布式调度方法
技术领域
本发明涉及柔性生产领域，尤其涉及一种汽车行业中基于混线柔性生产的分布式调度方法。
背景技术
随着社会的进步与发展，汽车行业的生产的模式也在逐渐发生变化，由于在上世纪，汽车在市场的需求量大且品种相对来说还比较单一，所以汽车生产主要采用固定生产线的模式，现如今随着人们对汽车的消费已逐渐从“出行刚需”到“个性消费”，汽车的种类和型号也在不断地细分，这样产生的结果就是，汽车的生产厂商相比于过去，需要在生产过程中更频繁地针对更多种型号的汽车进行生产计划的切换，因此在在汽车生产过程中对于不同订单的排产计划的制定就显得尤为重要。以下对目前关于汽车整车制造的生产模式以及每种模式所对应的生产调度方案的特点进行分类讨论。
目前，整车制造有三种主要的生产模式，分别是：加工车间模式、批量生产模式和混线生产模式
加工车间模式：加工车间模式就是在汽车流水线发明应用之前各汽车公司所采用生产模式，即由熟练的汽车工人进行“手工”装配。该模式严重依赖汽车工人对汽车生产工艺的熟练程度，生产工人需要在同一工位装配非常多的零件，需要工人掌握很多技能，工序之间的时间间隔并不固定，主要取决于不同工人对工艺步骤的思考、调整和休息时间。当需要生产的数量很多时，交付时长就会很长，而且不同工位之间的物料的运输基本依靠人员参与的运输车，因此该模式的自动化水平较低。由于生产成本较高而且生产速度极慢，现在的汽车生产厂商对于满足社会大众需求的即需求量较大的种类或型号的汽车的生产很少采用该种模式，但是对于那些产量较低的定制化的汽车制造而言，如奢侈品牌汽车的生产，或是样车的生产，该模式就尤为合适，从汽车产品设计到最终产品的成型的生产过程中需要不断地进行人为地调整，而且这种人为的调整非常必要，属于工艺的精致化处理：对于样车生产而言，只有样车得到客户的认可才会制定适用于量产的工艺方案和专用的生产线以进行后续大规模的生产；而对于定制化的奢侈品而言由于需求量小，为此搭建专门的生产线的成本极高，反而以工人为生产核心的车间加工更为合适，而且也方便引入个性化的设计。因此，以上种种原因使该模式在现有的普遍高产能的汽车制造中仍然长期存在。根据加工车间模式的特点，可以知道该模式下的生产调度的特点主要体现在对工人的调度上。结合不同工人对各个工艺的掌握程度的差异，合理地安排生产任务，并使工艺步骤可按时间顺序先后执行，生产调度的主要特点如下：
1、工位和工人是生产任务的主要载体，而且通常，排产计划的制定中对工人的生产调度，是影响生产进度的主要因素。
2、每个生产任务的时间并不能准确确定，只能确定一个大致的时间范围。
3、需要排产的产品需求量通常较少，排产模型求解的规模通常不大。
批量生产模式：批量生产模式是在某一固定生产线上通过更换一定的设备工装工具、物料或人工实现不同型号的汽车产品在时间上交替批量式的生产。该模式与加工车间模式相比，单车型的产量会提高，但在车型需要频繁切换生产时，也会因为不同型号汽车的生产需要在同一条生产线上更换设备、物料及人员等操作而花费大量时间成本，从而使产率下降。因此合理的批量生产计划需要通过详细计算转换成本、不同型号汽车生产中每种工序的时长、不同型号产品的需求量来制定。同时，出于减少车型生产切换时间的考虑，在产品的设计之初就充分考虑了产品的工艺过程，强调“工艺过程驱动产品设计”，提高不同车型中通用部件或工序所占的成分，以减少型号切换时所付出的时间代价。该模式下的生产调度的特点：
1、预先计算不同车型生产的切换时间，充分考虑不同型号汽车生产中相同的工序或部件，减少切换时间；根据每种工序的时长确定各个车型生产中每条生产线的周期，再根据需求量，预先确定每种型号的汽车每批的生产量。
2、排产调度与产品设计前后配合、相辅相成。
3、调度问题的数学模型涉及到的参数较多，规模较大。
混线生产模式：与批量生产模式类似，该模式也是在同一生产线上制造不同车型产品，但不同之处是，该模式在批量生产模式的基础上，采用更加通用的生产平台，车架的定位点在多种待生产的型号中可以共用，而且生产设备的生产方式更加柔性、更加灵活，无需在不同车型生产的切换中停止生产线以替换调度加工设备，而是可以通过准确识别当前待加工的零件或部件所属的车型产品，根据预先制定的相应的程序进行当前工序的加工生产。此外，生产设备对部件的加工也需要物流搬运***的积极配合，需要在执行某车型生产的某一工序之前，将其所需要的相匹配的部件准确就位。同时在工具的调配方面，确保工具在生产不同的车型的部件时也尽可能的灵活地切7换，而不用像批量生产模式中切换工装工具那样花费大量的时间。因此，高自动化和高柔性物流搬运***和生产工具如智能的AGV、智能的机器臂是混线生产模式的主要载体和推动力。该生产模式的生产调度的特点主要有：
1、生产设备由于预先存储不同车型不同工序的执行程序，具备可生产多车型多种工序和多车型生产切换方便等特点，可行的生产调度的组合计划繁多。
2、物料搬运和工具切换调度的积极配合，尽可能使生产设备在生产某一工序时，相匹配的物料和工具已经配齐，而且加工设备上的工具的更换比较方便。
3、调度问题的数学模型涉及到的参数繁多，规模巨大。
现阶段，大多数的汽车生产厂商都是采用多车型混线生产模式的车辆生产线。只是它们的自动化和柔性化程度会有所不同，但所追求的生产理念基本一致。该生产模式囿于当前生产线上设备的柔性程度的水平，比较适用于有一定复杂度但不是太复杂的车型混合情况。目前针对混线生产的排产计划的制定通常采用集中式的调度方案，该方案的特点是，当实际的生产发生意外情况时，生产计划需要重新制定。
因此，本领域的技术人员致力于开发一种汽车行业中基于混线柔性生产的分布式调度方法。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是在混线柔性生产的基础上，如何通过分布式排产计划制定方案，降低中心服务器的计算复杂度，同时在有意外的生产状况发生时，可根据实际的生产情况对生产计划做出相应的调整，以使排产计划的制定更加具备适应性。
为实现上述目的，本发明提供了一种汽车行业中基于混线柔性生产的分布式调度方法，所述方法包括以下步骤：
S101：构建工厂的信息物理***，并将生产线、生产设备和物料运输设备与各自的数字化模型互联，所述信息物理***为所述工厂的控制枢纽和决策枢纽；
S103：建立基于MQTT的发布-订阅机制的通信模型，所述MQTT消息中包含时间戳信息以及生产状况或设备信息所对应的时间信息；
S105：在所述工厂的中心服务器上构建调度模块，所述调度模块中内置分布式调度方案，所述分布式调度方案通过强化学习确定排产计划。
进一步地，所述步骤S101中的所述信息物理***包括中心服务平台，所述中心服务平台包括通信模块、数字孪生模块和调度模块，所述三个模块之间存在数据交互；其中，
所述通信模块，负责采集各个设备的生产信息，并将采集数据存储到数据库中；
所述数字孪生模块，对所述工厂中用于生产的设备和资料进行数字化建模，以便调度控制和可视化展示；
所述调度模块，根据所述数字孪生模块中所包含的生产设备和物料运输设备的生产状况信息，制定排产计划。
进一步地，所述调度模块包括调度算法和调度沙盘，所述调度算法设置有所述排产计划所需要的算法集合，以及与所述算法相对应的接口；所述调度沙盘设置为生产调度的模拟平台，通过所述调度算法得到的所述排产计划在所述调度沙盘中进行模拟。
进一步地，所述步骤S101包括如下步骤：
S1011：在所述生产线、所述生产设备和所述物料运输设备上部署OPC-UA协议客户端，所述OPC-UA协议客户端将所述生产线和/或所述生产设备上的数据转化为数字模型，并按照OPC-UA协议与所述数字孪生模块进行信息交互；
S1012：在所述生产线、所述生产设备、所述物料运输设备和检测设备上部署MQTT客户端，所述MQTT客户端发布与订阅生产信息和物流信息；
S1013：在所述生产线和所述生产设备的控制器上部署第一控制模块，所述第一控制模块中包含不同型号产品的加工程序，所述生产线在实际生产过程中使用的加工程序通过所述排产计划调度确定；
S1014：在所述物料运输设备上部署第二控制模块，所述第二控制模块中包含运输物料种类、运载量、路径规划等调度命令，所述物料运输设备在实际生产过程中的物流运输任务通过所述排产计划调度确定。
进一步地，所述步骤S103中包括如下步骤：
S1031：设置所述中心服务平台上的所述通信模块通过MQTT客户端订阅主题消息，所述主题消息包括每条所述生产线生产状态的主题消息、每个所述物料运输设备运载信息的主题消息和所述检测设备检测信息的主题消息；
S1032：设置每条所述生产线和所述生产设备上的所述通信模块通过MQTT客户端订阅主题消息，所述主题消息包括：产品或部件的产量信息和生产信息、所述中心服务平台的调度策略信息；
S1033：设置每个所述物料运输设备上的所述通信模块通过MQTT客户端订阅主题消息，所述主题消息包括每条所述生产线生产状态的主题消息、所述中心服务平台所述调度策略信息和所述检测设备检测需求的主题消息。
进一步地，所述步骤S105中的所述分布式调度方案包括策略调整阶段和策略稳定阶段，所述策略调整阶段和策略稳定阶段均包括如下步骤：
S1051：在所述调度模块中根据所述数字孪生模块中的数字化模型，将所述生产线、所述物料运输设备和所述检测设备抽象为相应的数字调度对象，所述数字调度对象包含对象参数、订阅参数、发布参数、对象模型以及所述对象模型的触发模式和触发条件；
S1052：对生产调度方案中的固定参数进行初始化：根据不同型号产品的生产流程以及其中所涉及部件生产中的数量关系，确定所述每种型号产品以及所述部件的总生产量，并根据生产关系确定所述每种产品或部件的生产价值；
S1053：进入所述策略调整阶段，在所述中心服务平台上对各个所述数字化模型模拟，完成所述生产线和所述物料运输设备的状态-行为神经网络训练；
S1054：进入所述策略稳定阶段，将所述中心服务平台中的每个所述数字化模型分发到所述生产线和所述生产设备，按照所述数字化模型中的所述状态-行为神经网络中的参数执行调度方案。
进一步地，所述步骤S1051中所述数字化模型到所述数字调度对象的抽象化包括如下步骤：
S10511：所述生产设备数字化模型的抽象化，包括：对象参数为所述生产设备所能生产的产品种类，订阅参数为所在生产线的生产节拍、当前生产产品的种类，发布参数为当前生产对其他所需部件的需求量，对象模型包括产品的生产关系模型，所述对象模型的触发条件为周期触发，触发周期为生产节拍的数值；
S10512：所述生产线数字化模型的抽象化，包括：对象参数为所述生产线所能生产的产品种类以及生产节拍，订阅参数为其它产品或部件生产线的生产情况，发布参数为当前所生产产品或部件的种类编号及其生产效率、线上产量缓存信息，对象模型包括产品的生产关系模型、状态-值神经网络和状态-行为神经网络；所述订阅参数设置为所述状态-值神经网络和所述状态-行为神经网络的输入参数，所述对象模型中的生产关系模型的触发模式为周期触发，触发周期为生产节拍的数值，所述状态-行为神经网络和所述状态-值神经网络的触发模式为外部触发；
S10513：所述物料运输设备数字化模型的抽象化，包括：对象参数为所述物料运输设备对每种产品或部件的运载额度和在不同所述生产设备或所述生产线之间运输所需时长，订阅参数为所有所述生产设备和所述生产线的生产信息，发布参数为物料的运输状况，对象模型包括物料的运输模型、所述状态-值神经网络和所述状态-行为神经网络；所述订阅参数设置为所述状态-值神经网络和所述状态-行为神经网络的输入参数，所述运输模型的触发模式为内部触发，所述状态-行为神经网络和所述状态-值神经网络的触发模式为外部触发；
S10514：所述检测设备数字化模型的抽象化，包括：对象参数为所述检测设备所能检测的产品种类以及检测时长，订阅参数为各条所述生产线的生产情况，发布参数为产品或部件的质量信息，对象模型为每条所述生产线的权重模型，所述权重模型决定生产相同部件或产品的所述生产线的生产权重。
进一步地，所述步骤S1052中，对每一条所述生产线、每个所述生产设备、每个所述物料运输设备和每个所述检测设备，均抽象化为一个单独的数字模型，对所述数字模型中的参数进行初始化。
进一步地，所述步骤S1053中，所述状态-行为神经网络的训练包括生产训练数据和利用所述训练数据对状态-行为神经网络进行训练，具体包括如下步骤：
S10531：所述生产线获取相应的订阅信息，由所述状态-行为神经网络确定每条所述生产线下一步不同生产行为的概率，并以所述概率进行采样，发布所述生产线生产状态的主题消息；
S10532：所述物料运输设备获取相应的订阅信息，由所述状态-行为神经网络确定不同运输行为的概率，并以所述概率进行采样，发布所述物料运输设备运载信息的主题消息；
S10533：计算S10531和S10531步骤中所生产的产品或部件的生产价值之和，循环执行S10531和S10531步骤，直至训练数据满足预定数量；
S10534：计算中间变量δ＝R+γv(S′，w)-v(S，w)，
其中，v为状态-值神经网络的输出结果，w为状态-值神经网络的参数，R为当前生产行为所生产的所有产品或部件的价值总量，γ＝0.95，S为当前状态，S′为新状态；
S10535：更新状态-值神经网络的参数
Figure BDA0003811897400000061
其中，β为常数；
S10536：更新状态-行为神经网络的参数
Figure BDA0003811897400000062
其中，α为常数，π(·，·)为状态-行为神经网络的输出结果，θ为状态-行为神经网络的参数；
S10537：将当前状态S替换为新状态S′重新执行S10534步骤，直至所述状态-值神经网络参数w和所述状态-行为神经网络参数θ达到稳定条件，所述稳定条件参数w和θ值变化范围小于预定值，或者新状态S′为全部生产完毕的状态。
进一步地，所述步骤S1054包括如下步骤：
S10541：所述中心服务平台为每个所述生产设备和每条所述生产线分发所述数字化模型，设置每个所述检测设备对不同所述生产线的初始化生产权重值相等；
S10542：每条所述生产线、每个所述生产设备和每个所述物料运输设备，按照所述数字化模型中的所述状态-行为神经网络对下一步的执行方案进行采样，执行动态调度方案，并将所述调度方案放入训练数据集中；对于所述物料运输设备，使用归一化概率替换所述调度方案中的概率，归一化概率计算公式为
Figure BDA0003811897400000063
w为生产权重；
S10543：通过实际的检测环节确定每个产品或部件在所述生产线上的合格率qn，通过公式
Figure BDA0003811897400000064
确定每条所述生产线的生产权重；如果某生产线的合格率小于达标合格率，则停止所述生产线的生产，并对所述生产线进行检修；
S10544：经过一段执行时间后，回到策略调整阶段，在现有运行参数的基础上继续训练所述状态-行为神经网络。
在本发明的较佳实施方式中，与现有的整车制造行业中混线生产的排产计划的制定技术相比，本发明的优点在于：
1、本发明秉持柔性生产的理念在生产过程中发生排产计划之外的情况时，可以及时针对突发的生产状况对排产计划做出调整，增加排产计划的鲁棒性，而不用像集中式的调度方案那样，暂停生产线，重新对生产任务进行排产。
2、与现有的集中式的排产计划制定的方案相比，分布式的调度技术有利于排产问题的求解。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的一种汽车行业中基于混线柔性生产的分布式调度方法示意图；
图2是现有技术中汽车整车制造的工艺流程示意图；
图3是本发明的一个较佳实施例的基于混线柔性生产的工厂CPS框架示意图；
图4是本发明的一个较佳实施例的分布式调度方法在MQTT发布-订阅机制中涉及到的消息主题。
具体实施方式
以下参考说明书附图介绍本发明的多个优选实施例，使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施例来得以体现，本发明的保护范围并非仅限于文中提到的实施例。
在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件的厚度。
如图1所示，本发明实施例的一种汽车行业中基于混线柔性生产的分布式调度方法示意图，包括如下步骤：
S101：构建工厂的信息物理***，并将生产线、生产设备和物料运输设备与各自的数字化模型互联，所述信息物理***为所述工厂的控制枢纽和决策枢纽，如图3所示。其中，该信息物理***包括中心服务平台，中心服务平台包括通信模块、数字孪生模块和调度模块，三个模块之间存在数据交互，各个模块的具体功能如下：
1)通信模块，负责采集各个设备的生产信息，并将采集数据存储到数据库中；
2)数字孪生模块，对所述工厂中用于生产的设备和资料进行数字化建模，以便调度控制和可视化展示；
3)调度模块，根据所述数字孪生模块中所包含的生产设备和物料运输设备的生产状况信息，制定排产计划。调度模块包括调度算法和调度沙盘，调度算法设置有排产计划所需要的算法集合，以及与算法相对应的接口；调度沙盘设置为生产调度的模拟平台，通过调度算法得到的排产计划在调度沙盘中进行模拟。
本步骤包括如下具体步骤：
S1011：在所述生产线、所述生产设备和所述物料运输设备上部署OPC-UA协议客户端，所述OPC-UA协议客户端将所述生产线和/或所述生产设备上的数据转化为数字模型，并按照OPC-UA协议与所述数字孪生模块进行信息交互；
S1012：在所述生产线、所述生产设备、所述物料运输设备和检测设备上部署MQTT客户端，所述MQTT客户端发布与订阅生产信息和物流信息；
S1013：在所述生产线和所述生产设备的控制器上部署第一控制模块，所述第一控制模块中包含不同型号产品的加工程序，所述生产线在实际生产过程中使用的加工程序通过所述排产计划调度确定；
S1014：在所述物料运输设备上部署第二控制模块，所述第二控制模块中包含运输物料种类、运载量、路径规划等调度命令，所述物料运输设备在实际生产过程中的物流运输任务通过所述排产计划调度确定。
S103：建立基于MQTT的发布-订阅机制的通信模型，所述MQTT消息中包含时间戳信息以及生产状况或设备信息所对应的时间信息。
本步骤包括如下详细步骤：
S1031：设置所述中心服务平台上的所述通信模块通过MQTT客户端订阅主题消息，所述主题消息包括每条所述生产线生产状态的主题消息、每个所述物料运输设备运载信息的主题消息和所述检测设备检测信息的主题消息；
S1032：设置每条所述生产线和所述生产设备上的所述通信模块通过MQTT客户端订阅主题消息，所述主题消息包括：产品或部件的产量信息和生产信息、所述中心服务平台的调度策略信息；
S1033：设置每个所述物料运输设备上的所述通信模块通过MQTT客户端订阅主题消息，所述主题消息包括每条所述生产线生产状态的主题消息、所述中心服务平台所述调度策略信息和所述检测设备检测需求的主题消息。
S105：在所述工厂的中心服务器上构建调度模块，所述调度模块中内置分布式调度方案，所述分布式调度方案通过强化学习确定排产计划。
分布式调度方案包括策略调整阶段和策略稳定阶段，每个阶段都包括如下步骤：
S1051：在所述调度模块中根据所述数字孪生模块中的数字化模型，将所述生产线、所述物料运输设备和所述检测设备抽象为相应的数字调度对象，所述数字调度对象包含对象参数、订阅参数、发布参数、对象模型以及所述对象模型的触发模式和触发条件；
数字化模型到所述数字调度对象的抽象化包括如下步骤：
S10511：所述生产设备数字化模型的抽象化，包括：对象参数为所述生产设备所能生产的产品种类，订阅参数为所在生产线的生产节拍、当前生产产品的种类，发布参数为当前生产对其他所需部件的需求量，对象模型包括产品的生产关系模型，所述对象模型的触发条件为周期触发，触发周期为生产节拍的数值；
S10512：所述生产线数字化模型的抽象化，包括：对象参数为所述生产线所能生产的产品种类以及生产节拍，订阅参数为其它产品或部件生产线的生产情况，发布参数为当前所生产产品或部件的种类编号及其生产效率、线上产量缓存信息，对象模型包括产品的生产关系模型、状态-值神经网络和状态-行为神经网络；所述订阅参数设置为所述状态-值神经网络和所述状态-行为神经网络的输入参数，所述对象模型中的生产关系模型的触发模式为周期触发，触发周期为生产节拍的数值，所述状态-行为神经网络和所述状态-值神经网络的触发模式为外部触发；
S10513：所述物料运输设备数字化模型的抽象化，包括：对象参数为所述物料运输设备对每种产品或部件的运载额度和在不同所述生产设备或所述生产线之间运输所需时长，订阅参数为所有所述生产设备和所述生产线的生产信息，发布参数为物料的运输状况，对象模型包括物料的运输模型、所述状态-值神经网络和所述状态-行为神经网络；所述订阅参数设置为所述状态-值神经网络和所述状态-行为神经网络的输入参数，所述运输模型的触发模式为内部触发，所述状态-行为神经网络和所述状态-值神经网络的触发模式为外部触发；
S10514：所述检测设备数字化模型的抽象化，包括：对象参数为所述检测设备所能检测的产品种类以及检测时长，订阅参数为各条所述生产线的生产情况，发布参数为产品或部件的质量信息，对象模型为每条所述生产线的权重模型，所述权重模型决定生产相同部件或产品的所述生产线的生产权重。
S1052：对生产调度方案中的固定参数进行初始化：根据不同型号产品的生产流程以及其中所涉及部件生产中的数量关系，确定所述每种型号产品以及所述部件的总生产量，并根据生产关系确定所述每种产品或部件的生产价值。对每一条生产线、每个生产设备、物料运输设备和检测设备，均抽象化为一个单独的数字模型，对数字模型中的参数进行初始化。
S1053：进入所述策略调整阶段，在所述中心服务平台上对各个所述数字化模型模拟，完成所述生产线和所述物料运输设备的状态-行为神经网络训练。
状态-行为神经网络的训练包括生产训练数据和利用所述训练数据对状态-行为神经网络进行训练，具体训练过程如下：
S10531：所述生产线获取相应的订阅信息，由所述状态-行为神经网络确定每条所述生产线下一步不同生产行为的概率，并以所述概率进行采样，发布所述生产线生产状态的主题消息；
S10532：所述物料运输设备获取相应的订阅信息，由所述状态-行为神经网络确定不同运输行为的概率，并以所述概率进行采样，发布所述物料运输设备运载信息的主题消息；
S10533：计算S10531和S10531步骤中所生产的产品或部件的生产价值之和，循环执行S10531和S10531步骤，直至训练数据满足预定数量；
S10534：计算中间变量δ＝R+γv(S′，w)-v(S，w)，
其中，v为状态-值神经网络的输出结果，w为状态-值神经网络的参数，R为当前生产行为所生产的所有产品或部件的价值总量，γ＝0.95，S为当前状态，S′为新状态；
S10535：更新状态-值神经网络的参数
Figure BDA0003811897400000101
其中，β为常数；
S10536：更新状态-行为神经网络的参数
Figure BDA0003811897400000102
其中，α为常数，π(·，·)为状态-行为神经网络的输出结果，θ为状态-行为神经网络的参数；
S10537：将当前状态S替换为新状态S′重新执行S10534步骤，直至所述状态-值神经网络参数w和所述状态-行为神经网络参数θ达到稳定条件，所述稳定条件参数w和θ值变化范围小于预定值，或者新状态S′为全部生产完毕的状态。
S1054：进入所述策略稳定阶段，将所述中心服务平台中的每个所述数字化模型分发到所述生产线和所述生产设备，按照所述数字化模型中的所述状态-行为神经网络中的参数执行调度方案。
具体包括如下步骤：
S10541：所述中心服务平台为每个所述生产设备和每条所述生产线分发所述数字化模型，设置每个所述检测设备对不同所述生产线的初始化生产权重值相等；
S10542：每条所述生产线、每个所述生产设备和每个所述物料运输设备，按照所述数字化模型中的所述状态-行为神经网络对下一步的执行方案进行采样，执行动态调度方案，并将所述调度方案放入训练数据集中；对于所述物料运输设备，使用归一化概率替换所述调度方案中的概率，归一化概率计算公式为
Figure BDA0003811897400000103
w为生产权重；
S10543：通过实际的检测环节确定每个产品或部件在所述生产线上的合格率qn，通过公式
Figure BDA0003811897400000104
确定每条所述生产线的生产权重；如果某生产线的合格率小于达标合格率，则停止所述生产线的生产，并对所述生产线进行检修；
S10544：经过一段执行时间后，回到策略调整阶段，在现有运行参数的基础上继续训练所述状态-行为神经网络。
本发明利用目前流行的云边协同技术以及MQTT通信技术，在此基础上通过设定云边之间生产信息的交互协议，为分布式的生产调度方案提供可行技术保障。本发明充分利用分布式调度方案的灵活、动态的特点，当发生设备故障或插单情况时，可通过本发明中的动态调度策略方案自动应对，具有很高的自适应性，并减轻了调度技术人员的工作负担，并且有利于实现生产的自动化。本发明秉持柔性生产的理念在生产过程中发生排产计划之外的情况时，可以及时针对突发的生产状况对排产计划做出调整，增加排产计划的鲁棒性，而不用像集中式的调度方案那样，暂停生产线，重新对生产任务进行排产。
如图2所示，现有技术中汽车整车制造的工艺流程中，各个生产线按照各自排产计划进行生产，并和车身总成一起进行装配后进行后续的涂装、检测等相关工艺。
下面结合本发明的优选实施例对汽车行业中基于混线柔性生产的分布式调度方法进行详细说明。
一种汽车行业中基于混线柔性生产的分布式调度方法主要包括三个大步骤，每个大步骤中包含若干小步骤，具体步骤如下：
步骤一：构建工厂的信息物理***(CPS，Cyber-Physical Systems)，其为全厂各个设备的控制以及生产任务执行决策的枢纽，功能主要是：1、生产排产调度，2、各个设备的生产信息的上传与执行命令的下达，3、不同设备通过此平台进行信息交互，4、生产调度情况的可视化展示，如图3所示。其所需的具体步骤如下：
S1、搭建工厂的中心服务平台，其中包含通信模块、数字孪生模块和调度模块，三个模块之间存在数据交互。通信模块负责各个设备的生产信息的采集，并将数据存储到数据库中以便中心服务器对其进行数据分析或其它设备对其进行生产状态的查询。同时设备的生产信息也用于数字孪生模块中的数字化模型中。数字孪生模块是对工厂中用于生产的设备和资料进行数字化建模以便调度控制以及可视化展示。调度模块主要是针对数字孪生模块中关于生产设备的和运输设备的数字化模型所包含的生产状况等信息制定排产计划，调度模块包含两个组成部分——算法和沙盘，算法部分为排产计划可以用到的算法的集合，以及与算法相对应的接口；沙盘部分为对生产调度的模拟平台，通过调度算法得到的排产计划在沙盘中进行模拟，尤其在发生插单的情况下，需在沙盘中对因包含插单产品而重新制定的生产计划进行模拟预演，如果不满足原订单的约束条件则放弃该插单的生产，如果满足，则接受该插单。搭建工厂的中心服务平台的具体步骤如下：
Sub1、搭建数字孪生模块，其中包括部署OPC-UA(OLE(Object Linking andEmbedding)for Process Control-Unified Architecture)服务器和可视化模型工具。通过OPC-UA协议，对工厂中的生产要素即设备和资源进行数字化建模，其中包括冲压、焊接、涂装和总成生产线以及每条产线上各个加工设备的参数和属性的数字化建模和物流运输设备的参数和属性数字化建模。生产线的参数和属性包括：生产线编号、与生产线相匹配的生产设备编号、生产线所生产的部件或产品类型、生产线的产出量、产出缓存等；生产设备的参数和属性包括：生产设备编号、所用工具类型、夹具类型、加工部件类型、加工状态、产出量，进料缓存等；物流运输设备的参数和属性包括：运输设备编号、夹具类型、运输状态、负载类型、负载量等。
Sub2、搭建通信模块。通信模块上需要履行的通信协议包括：
1、MQTT：用于不同生产线、生产线与运输设备、运输设备与运输设备之间的生产信息交互。此时，需要在中心服务平台***的通信模块中部署MQTT的broker和client。
2、HTTPS：用于外网对中心服务平台***的访问，一般为对数字孪生子***(模块)的访问，如外部干预控制、可视化展示等。
3、UDP：用于工业生产中大量的媒体数据的传输，如视频音频的传输。
Sub3、搭建调度模块，调度模块与数字孪生模块互通，可以访问OPC-UA数字化模型，获取每条产线、每个生产设备和运输设备的生产状态相关的参数，可通过选择调度算法库中的相应的调度算法针对当前的生产状况制定排产计划。
S2、将不同生产线以及其匹配的生产设备和物料运输设备与它们各自的数字化模型互联，即通过OPC-UA协议在数字孪生***上可以实时反映当前的生产状况，具体步骤如下：
Sub1、在不同生产线以及其匹配的生产设备和物料运输设备上部署OPC-UA协议的客户端，用于将产线或设备上的数据进行数字模型的转化，按照OPC-UA协议与平台的数字孪生***进行信息交互。
Sub2、在不同生产线以及其匹配的生产设备和物料运输设备以及检测设备上部署MQTT的client，用于生产信息和物流信息的发布与订阅。
Sub3、在生产线和生产设备的控制器上部署控制模块，控制模块中包含不同型号产品的加工程序，对于生产线在实际的生产过程中具体的加工程序通过排产计划的调度来确定。
Sub4、在物流运输设备上部署控制模块，控制模块中包含运输物料种类、运载量、路径规划等调度命令，在实际的生产过程中具体的物流运输的任务通过排产计划的调度来确定。
步骤二：建立基于MQTT的发布-订阅机制的通信协议，规定以下所论述的诸主题的消息均需包含时间戳信息以及消息中主体信息即生产状况或设备信息所对应的时间信息，在以下的分步介绍中不再赘述，在MQTT发布-订阅机制中涉及到的消息主题如图4所示。而且若无特别说明，消息中主体信息所对应的时间即为时间戳时间，如果二者有异，会在后续的介绍中提到。具体的实施步骤如下：
S1、设置中心服务平台上的通信模块通过MQTT的client订阅三种主题的消息：订阅关于每条生产线的生产状态主题消息，消息的主题格式为“【生产线编号】-【产品或部件种类编号】-生产信息”，消息的内容为所订阅的生产线上生产的产品或部件的生产量、生产效率和产出缓存等信息，该主题消息由各条生产线的通信模块中MQTTclient发布；订阅关于每个运输设备的主题消息，消息的主题格式为“【运输设备编号】-运载信息”，消息的内容为所订阅的运输设备当前的运输产品或部件的类型以及运输量、目的产线和设备等信息，该主题消息由各个运输设备的通信模块中MQTT client发布；订阅关于检测设备的主题消息，消息的主题格式为“【产品或部件种类编号】-检测信息”，该主题消息由各检测设备的通信模块中MQTT client发布，消息的内容为所订阅的产品或部件在最近生产的一定数量N单位中的合格率以及不合格产品所对应的制造生产线，此数量N为预先规定的常数。
S2、设置每条生产线和生产设备上的通信模块通过MQTT的client订阅三种主题的消息：订阅关于产品或部件的产量信息和生产信息，此两种信息的消息主题格式分别为；“【产品或部件种类编号】-产量信息”和“【产品或部件种类编号】-阶段生产信息”。“【产品或部件种类编号】-产量信息”主题的消息内容包括所订阅产品或部件的总产量信息和生产效率，由中心服务平台的通信模块中MQTT client发布；“【产品或部件种类编号】-阶段生产信息”主题消息的内容包括所订阅产品的生产时间段信息和该时间段内的产量和生产效率等信息，由各条生产线的通信模块的MQTT client发布。订阅中心服务平台的调度策略信息，其消息的主题格式为“中心服务平台-生产调度策略”，消息的内容为中心服务平台中调度模块所计算的排产计划的指令，该主题消息由中心服务平台的通信模块中MQTT client发布；
S3、设置每个运输设备上的通信模块通过MQTT的client订阅三种主题的消息：订阅关于每条生产线的生产状态主题消息，其消息主题和内容与S1中所述相同；订阅中心服务平台的调度策略信息，其消息的主题格式为“中心服务平台-物流调度策略”，消息的内容为中心服务平台中调度模块所计算的排产计划的指令，该主题消息由中心服务平台的通信模块中MQTT client发布；订阅关于检测设备的主题消息，消息的主题格式为“【检测设备编号】-【待检测产品或部件的种类编号】-检测需求”，消息的内容为所订阅的检测设备对所订阅的产品或部件的需求量，该主题消息由各检测设备的通信模块中MQTT client发布。
步骤三：在工厂的中心服务器上构建调度模块，并在该模块中内置的分布式调度方案，该方案通过强化学习的方式确定排产计划，并且该方案实施的前提假设是1、每个生产设备可以识别当前待加工的部件的种类以及所属的产品类型；2、每个设备或生产线可以对所生产的产品或部件进行地址解析标注，如以条形码或二维码为载体在所生产的产品或部件上标注该生产环节中涉及到的生产设备、所在生产线以及相应生产参数等信息；3、检测设备可以通过地址解析技术可以对产品的生产过程进行追溯。分布式调度方案主要分为两个阶段，第一个阶段是策略调整阶段，第二个阶段是策略稳定阶段，每个阶段具体的步骤如下：
S1、在调度模块中根据数字孪生中的数字化模型将各条生产线和各个运输设备和检测设备抽象为相应的数字调度对象，数字调度对象包含四个组成部分，分别为：对象参数、订阅参数、发布参数、对象模型以及模型触发模式和条件。模型触发模式有三种，分别是周期触发、内部事件触发和外部事件触发。周期触发就是以一定的周期T执行模型中的运算，T为预先确定的常数，触发条件即时间间隔；内部事件触发为当对象参数或发布参数满足一定条件时对象模型才进行运算的方式为内部事件触发，后文简记为内部触发；而外部事件触发为当订阅参数满足一定条件时才执行对象模型的计算的方式为外部事件触发，后文简记为外部触发。以下分别对生产设备、生产线、运输设备和检测设备4种数字化模型到数字调度对象的抽象化步骤展开详细介绍：
Sub1、生产设备数字化模型的抽象化：对象参数为设备所能生产的产品的种类；订阅参数为所在生产线的生产节拍、当前生产产品的种类；发布参数为当前生产对其他所需部件的需求量；对象模型的组成包括产品的生产关系模型，模型的触发条件为周期触发，触发周期为生产节拍的数值。
Sub2、生产线数字化模型的抽象化：对象参数为产线所能生产产品的种类以及生产节拍、订阅参数为其它产品或部件生产线的生产情况；发布参数为当前所生产产品或部件的种类编号及其生产效率、线上产量缓存等信息；对象模型的组成包括产品的生产关系模型、状态-值神经网络以及状态-行为(或称为状态-动作)神经网络。订阅参数同时作为状态-值神经网络和状态-行为神经网络的输入层。对于状态-行为神经网络，发布参数中所生产产品的种类以及不同的生产效率作为神经网络的输出层的每个神经元，输出层的神经元的输出值表示每一种生产情况的概率。对于状态-值神经网络，输出为一个神经元，该神经网络的初始化为0。生产关系模型的触发模式为周期触发，触发周期为生产节拍的数值，状态-行为神经网络的触发模式为外部触发，状态-行为神经网络和状态-值神经网络的触发模式为外部触发。
Sub3、运输设备数字化模型的抽象化：对象参数为设备对每种产品或部件的运载额度和在不同生产设备或产线之间运输所需时长；订阅参数为所有生产线和生产设备的生产信息；发布参数为物料的运输状况；对象模型的组成包括物料的运输模型、状态-值神经网络以及状态-行为神经网络。订阅参数同时作为状态-值神经网络和状态-行为神经网络的输入层。对于状态-行为神经网络，发布参数中的每一种运输状态情况即从某一生产线运送某一产品到某一生产设备的信息(生产线L，产品P，目标设备D)分别作为状态-行为神经网络的输出层的每个神经元，输出层神经元的输出值表示每一种运输情况的概率。对于状态-值神经网络，输出为一个神经元，该神经网络的初始化为0。运输模型的触发模式为内部触发，状态-行为神经网络和状态-值神经网络的触发模式为外部触发。
Sub4、检测设备数字化模型的抽象化：对象参数为设备所能检测的产品的种类以及检测时长；订阅参数为各条生产线的生产情况；发布参数为产品或部件的质量信息；对象模型为每条产线的权重模型，权重模型决定生产相同部件或产品的生产线的生产权重，计算公式为
Figure BDA0003811897400000141
其中qn为n号产线的合格率q0为达标合格率。质量的qn信息在本发明中不由模型确定，而由实际的检测过程确定。但是初始化时，每个检测设备的对不同产线的生产权重相等，均为1。
S2、对生产调度方案中的固定参数进行初始化：根据不同型号产品的生产流程以及其中所涉及到部件生产中的数量关系确定每一种型号的产品以及部件的总生产量，并且根据生产关系确定每种部件或产品的生产价值V。如果是插单情况，则假设接受插单，将插单产品与现有的订单中尚未完成的产品或部件混合在一起来确定当前每种部件仍需生产的总量。对每一条生产线、每个生产设备、运输设备和检测设备抽象化为一个单独的数字模型，对模型中的参数进行初始化，其中涉及状态-行为神经网络的模型，其参数进行随机初始化。
然后进入分布式调度方案中的第一阶段即S3，由于在第一阶段无法知道产品检测时的合格率，所以在策略调整阶段，检测设备的数字调度对象并不参与模拟。
S3、进入第一阶段——策略调整阶段，在中心服务平台上模拟对各个数字化模型进行模拟，该阶段的具体步骤如下：
Sub1、生产训练数据：
SubSub1、生产线获取相应的订阅信息，由状态-行为神经网络分别确定每条产线下一步不同生产行为的概率，并以该概率进行采样，发布生产信息主题消息。
SubSub2、运输设备获取相应的订阅信息，由状态-行为神经网络分别确定不同运输行为的概率，并以该概率进行采样，发布运载信息主题消息。
SubSub3、对上两步的模拟过程计算所有当前两步所生产的产品或部件的生产价值之和I，循环SubSub1和SubSub2直至训练数据满足一定数量。
Sub2、通过所生产的训练数据对生产线和运输设备的状态-行为神经网络进行训练。训练过程如下：
SubSub1、计算中间变量δ＝R+γv(S′，w)-v(S，w)，v为状态-值神经网络的输出结果，w为神经网络的参数，R为当前的生产行为所生产的所有产品或部件的价值总量，γ为一预先设定的常数，一般取为0.95。
SubSub2、更新状态-值神经网络的参数
Figure BDA0003811897400000151
β为一预先设定的常数。
SubSub3、更新状态-行为神经网络的参数
Figure BDA0003811897400000152
α为一预先设定的常数，π(·，·)为状态-动作神经网络的输出结果，θ为神经网络的参数。
SubSub4、将当前状态S替换为新状态S′重新SubSub1，直至两个神经网络的参数达到稳定条件，稳定条件有两种：1、两种神经网络的模型的参数随着训练的变化范围小于预定值；2、新状态S′为全部生产完毕的状态。
S4、进入第二阶段——策略稳定阶段，该阶段将中心平台中每个数字化模型分发到各个产线和设备，按照数字化模型中状态-行为神经网络中的参数执行调度方案。由于在实际生产操作中包含检测环节，所以，执行调度过程中的生产数据依然放回训练数据集里，每经过一段时间回到第一阶段，再现有的模型参数的基础上继续训练。该阶段的具体步骤如下：
Sub1、中心服务平台为每个设备和每条产线分发数字化模型，初始化每个检测设备的对不同产线的生产权重相等，均为1。
Sub2、每条生产线、每个生产设备以及每个运输设备按照数字化模型中的状态-行为神经网络对下一步的执行方案进行采样，然后执行动态的调度方案，并且将此一步的执行方案放到训练数据集中。此步中，对于运输设备，原数字化模型中的状态-行为神经网络所得到的不同运输状况的概率乘以所涉及的产线在检测设备生产权重，然后重新进行概率的归一化
Figure BDA0003811897400000161
w为生产权重。
Sub3、通过实际的检测环节确定每个产品或部件在所生产的生产线上的合格率qn，通过公式
Figure BDA0003811897400000162
确定每条生产线的生产权重。如果某产线的合格率小于达标合格率，则停止该产线生产，对产线进行检修。
Sub4、经过一段执行时间后，回到第一阶段，在现有的参数基础上继续训练。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种汽车行业中基于混线柔性生产的分布式调度方法，其特征在于，所述方法包括以下步骤：
S101：构建工厂的信息物理***，并将生产线、生产设备和物料运输设备与各自的数字化模型互联，所述信息物理***为所述工厂的控制枢纽和决策枢纽；
S103：建立基于MQTT的发布-订阅机制的通信模型，所述MQTT消息中包含时间戳信息以及生产状况或设备信息所对应的时间信息；
S105：在所述工厂的中心服务器上构建调度模块，所述调度模块中内置分布式调度方案，所述分布式调度方案通过强化学习确定排产计划。
2.如权利要求1所述的方法，其特征在于，所述步骤S101中的所述信息物理***包括中心服务平台，所述中心服务平台包括通信模块、数字孪生模块和调度模块，所述三个模块之间存在数据交互；其中，
所述通信模块，负责采集各个设备的生产信息，并将采集数据存储到数据库中；
所述数字孪生模块，对所述工厂中用于生产的设备和资料进行数字化建模，以便调度控制和可视化展示；
所述调度模块，根据所述数字孪生模块中所包含的生产设备和物料运输设备的生产状况信息，制定排产计划。
3.如权利要求2所述的方法，其特征在于，所述调度模块包括调度算法和调度沙盘，所述调度算法设置有所述排产计划所需要的算法集合，以及与所述算法相对应的接口；所述调度沙盘设置为生产调度的模拟平台，通过所述调度算法得到的所述排产计划在所述调度沙盘中进行模拟。
4.如权利要求1所述的方法，其特征在于，所述步骤S101包括如下步骤：
S1011：在所述生产线、所述生产设备和所述物料运输设备上部署OPC-UA协议客户端，所述OPC-UA协议客户端将所述生产线和/或所述生产设备上的数据转化为数字模型，并按照OPC-UA协议与所述数字孪生模块进行信息交互；
S1012：在所述生产线、所述生产设备、所述物料运输设备和检测设备上部署MQTT客户端，所述MQTT客户端发布与订阅生产信息和物流信息；
S1013：在所述生产线和所述生产设备的控制器上部署第一控制模块，所述第一控制模块中包含不同型号产品的加工程序，所述生产线在实际生产过程中使用的加工程序通过所述排产计划调度确定；
S1014：在所述物料运输设备上部署第二控制模块，所述第二控制模块中包含运输物料种类、运载量、路径规划等调度命令，所述物料运输设备在实际生产过程中的物流运输任务通过所述排产计划调度确定。
5.如权利要求1所述的方法，其特征在于，所述步骤S103中包括如下步骤：
S1031：设置所述中心服务平台上的所述通信模块通过MQTT客户端订阅主题消息，所述主题消息包括每条所述生产线生产状态的主题消息、每个所述物料运输设备运载信息的主题消息和所述检测设备检测信息的主题消息；
S1032：设置每条所述生产线和所述生产设备上的所述通信模块通过MQTT客户端订阅主题消息，所述主题消息包括：产品或部件的产量信息和生产信息、所述中心服务平台的调度策略信息；
S1033：设置每个所述物料运输设备上的所述通信模块通过MQTT客户端订阅主题消息，所述主题消息包括每条所述生产线生产状态的主题消息、所述中心服务平台所述调度策略信息和所述检测设备检测需求的主题消息。
6.如权利要求1所述的方法，其特征在于，所述步骤S105中的所述分布式调度方案包括策略调整阶段和策略稳定阶段，所述策略调整阶段和策略稳定阶段均包括如下步骤：
S1051：在所述调度模块中根据所述数字孪生模块中的数字化模型，将所述生产线、所述物料运输设备和所述检测设备抽象为相应的数字调度对象，所述数字调度对象包含对象参数、订阅参数、发布参数、对象模型以及所述对象模型的触发模式和触发条件；
S1052：对生产调度方案中的固定参数进行初始化：根据不同型号产品的生产流程以及其中所涉及部件生产中的数量关系，确定所述每种型号产品以及所述部件的总生产量，并根据生产关系确定所述每种产品或部件的生产价值；
S1053：进入所述策略调整阶段，在所述中心服务平台上对各个所述数字化模型模拟，完成所述生产线和所述物料运输设备的状态-行为神经网络训练；
S1054：进入所述策略稳定阶段，将所述中心服务平台中的每个所述数字化模型分发到所述生产线和所述生产设备，按照所述数字化模型中的所述状态-行为神经网络中的参数执行调度方案。
7.如权利要求6所述的方法，其特征在于，所述步骤S1051中所述数字化模型到所述数字调度对象的抽象化包括如下步骤：
S10511：所述生产设备数字化模型的抽象化，包括：对象参数为所述生产设备所能生产的产品种类，订阅参数为所在生产线的生产节拍、当前生产产品的种类，发布参数为当前生产对其他所需部件的需求量，对象模型包括产品的生产关系模型，所述对象模型的触发条件为周期触发，触发周期为生产节拍的数值；
S10512：所述生产线数字化模型的抽象化，包括：对象参数为所述生产线所能生产的产品种类以及生产节拍，订阅参数为其它产品或部件生产线的生产情况，发布参数为当前所生产产品或部件的种类编号及其生产效率、线上产量缓存信息，对象模型包括产品的生产关系模型、状态-值神经网络和状态-行为神经网络；所述订阅参数设置为所述状态-值神经网络和所述状态-行为神经网络的输入参数，所述对象模型中的生产关系模型的触发模式为周期触发，触发周期为生产节拍的数值，所述状态-行为神经网络和所述状态-值神经网络的触发模式为外部触发；
S10513：所述物料运输设备数字化模型的抽象化，包括：对象参数为所述物料运输设备对每种产品或部件的运载额度和在不同所述生产设备或所述生产线之间运输所需时长，订阅参数为所有所述生产设备和所述生产线的生产信息，发布参数为物料的运输状况，对象模型包括物料的运输模型、所述状态-值神经网络和所述状态-行为神经网络；所述订阅参数设置为所述状态-值神经网络和所述状态-行为神经网络的输入参数，所述运输模型的触发模式为内部触发，所述状态-行为神经网络和所述状态-值神经网络的触发模式为外部触发；
S10514：所述检测设备数字化模型的抽象化，包括：对象参数为所述检测设备所能检测的产品种类以及检测时长，订阅参数为各条所述生产线的生产情况，发布参数为产品或部件的质量信息，对象模型为每条所述生产线的权重模型，所述权重模型决定生产相同部件或产品的所述生产线的生产权重。
8.如权利要求6所述的方法，其特征在于，所述步骤S1052中，对每一条所述生产线、每个所述生产设备、每个所述物料运输设备和每个所述检测设备，均抽象化为一个单独的数字模型，对所述数字模型中的参数进行初始化。
9.如权利要求6所述的方法，其特征在于，所述步骤S1053中，所述状态-行为神经网络的训练包括生产训练数据和利用所述训练数据对状态-行为神经网络进行训练，具体包括如下步骤：
S10531：所述生产线获取相应的订阅信息，由所述状态-行为神经网络确定每条所述生产线下一步不同生产行为的概率，并以所述概率进行采样，发布所述生产线生产状态的主题消息；
S10532：所述物料运输设备获取相应的订阅信息，由所述状态-行为神经网络确定不同运输行为的概率，并以所述概率进行采样，发布所述物料运输设备运载信息的主题消息；
S10533：计算S10531和S10531步骤中所生产的产品或部件的生产价值之和，循环执行S10531和S10531步骤，直至训练数据满足预定数量；
S10534：计算中间变量δ＝R+γυ(S′，w)-υ(S，w)，
其中，ν为状态-值神经网络的输出结果，w为状态-值神经网络的参数，R为当前生产行为所生产的所有产品或部件的价值总量，γ＝0.95，S为当前状态，S′为新状态；
S10535：更新状态-值神经网络的参数
Figure FDA0003811897390000041
其中，β为常数；
S10536：更新状态-行为神经网络的参数
Figure FDA0003811897390000042
其中，α为常数，π(·，·)为状态-行为神经网络的输出结果，θ为状态-行为神经网络的参数；
S10537：将当前状态S替换为新状态S′重新执行S10534步骤，直至所述状态-值神经网络参数w和所述状态-行为神经网络参数θ达到稳定条件，所述稳定条件参数w和θ值变化范围小于预定值，或者新状态S′为全部生产完毕的状态。
10.如权利要求6所述的方法，其特征在于，所述步骤S1054包括如下步骤：
S10541：所述中心服务平台为每个所述生产设备和每条所述生产线分发所述数字化模型，设置每个所述检测设备对不同所述生产线的初始化生产权重值相等；
S10542：每条所述生产线、每个所述生产设备和每个所述物料运输设备，按照所述数字化模型中的所述状态-行为神经网络对下一步的执行方案进行采样，执行动态调度方案，并将所述调度方案放入训练数据集中；对于所述物料运输设备，使用归一化概率替换所述调度方案中的概率，归一化概率计算公式为
Figure FDA0003811897390000043
w为生产权重；
S10543：通过实际的检测环节确定每个产品或部件在所述生产线上的合格率qn，通过公式
Figure FDA0003811897390000044
确定每条所述生产线的生产权重；如果某生产线的合格率小于达标合格率，则停止所述生产线的生产，并对所述生产线进行检修；
S10544：经过一段执行时间后，回到策略调整阶段，在现有运行参数的基础上继续训练所述状态-行为神经网络。
CN202211029307.5A 2022-08-23 2022-08-23 一种汽车行业中基于混线柔性生产的分布式调度方法 Pending CN115239199A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211029307.5A CN115239199A (zh) 2022-08-23 2022-08-23 一种汽车行业中基于混线柔性生产的分布式调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211029307.5A CN115239199A (zh) 2022-08-23 2022-08-23 一种汽车行业中基于混线柔性生产的分布式调度方法

Publications (1)

Publication Number Publication Date
CN115239199A true CN115239199A (zh) 2022-10-25

Family

ID=83680923

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211029307.5A Pending CN115239199A (zh) 2022-08-23 2022-08-23 一种汽车行业中基于混线柔性生产的分布式调度方法

Country Status (1)

Country Link
CN (1) CN115239199A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116151599A (zh) * 2023-04-21 2023-05-23 湖南维胜科技有限公司 一种基于深度强化学习的排产数据处理方法
CN117875680A (zh) * 2024-03-13 2024-04-12 南京理工大学 一种基于工艺原子模型的液压泵生产流程柔性管控方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116151599A (zh) * 2023-04-21 2023-05-23 湖南维胜科技有限公司 一种基于深度强化学习的排产数据处理方法
CN117875680A (zh) * 2024-03-13 2024-04-12 南京理工大学 一种基于工艺原子模型的液压泵生产流程柔性管控方法

Similar Documents

Publication Publication Date Title
CN115239199A (zh) 一种汽车行业中基于混线柔性生产的分布式调度方法
Viswanadham et al. Performance modeling of automated systems
Biesinger et al. A digital twin for production planning based on cyber-physical systems: A Case Study for a Cyber-Physical System-Based Creation of a Digital Twin
CN112435571B (zh) 一种工业互联网+智能制造技术融合生产与综合实训***
JP2927232B2 (ja) 分散シミュレーション装置および分散シミュレーション方法
CN114449023A (zh) 双前分平台式工业物联网及其控制方法
CN109884996B (zh) 生产控制***、方法及生产管理***
Lee et al. JIT and the effects of varying process and set‐up times
Coito et al. A novel framework for intelligent automation
Jha Handbook of flexible manufacturing systems
CN109676280A (zh) 车身制造通用化***和车身制造通用化智能工厂***
Doh et al. Systems integration in the lean manufacturing systems value chain to meet industry 4.0 requirements
CN110516939A (zh) 仓库作业调度***
CN112558576A (zh) 一种安全高效的自动化集成控制方法及***
CN112508489A (zh) 一种面向复杂装备制造的顶层规划设计方法
Kaihara et al. A new approach on CPS-based scheduling and WIP control in process industries
CN114049011A (zh) 生产排程方法及装置
Llewelyn Review of CAD/cam
Nof Critiquing the potential of object orientation in manufacturing
CN115981263A (zh) 一种智能制造的生产控制***
Ostgathe et al. System for product-based control of production processes
Kim et al. Computational shipyard dynamics
Rahnejat Simulation aids design for flexible automation
CN115826545B (zh) 多品种小批量混线机加工柔性制造调度与执行方法及***
Isamukhamedov et al. Ensuring reliable operation of stranding machine for cable production through the use of intelligent technologies

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination