扰动累积下基于数字孪生的车间重调度

doi:10.16182/j.issn1004731x.joss.21-0110

摘要/Abstract

摘要：

针对隐性扰动累积下车间重调度问题，搭建车间重调度决策服务，实现数字孪生驱动的扰动累积下的车间重调度。提出一种调度参数更新的方式，采用随机概率分布来描述调度参数的分布，提升调度参数的准确性；利用孪生网络搭建隐性扰动检测模型，以实时数据为输入，实现重调度的启动时刻的判定；从历史调度数据中提取用于调度知识挖掘的样本数据，利用伪孪生网络获取工序和机器的状态数据的映射关系作为调度规则，用于车间的重调度。仿真实验证明了所提数字孪生驱动的重调度模式的可行性。

关键词: 扰动累积, 数字孪生, 孪生网络, 调度规则挖掘

Abstract:

A new shop rescheduling model driven by digital twin is proposed to solve the problems of disturbance cumulative rescheduling. A scheduling parameter updating method is proposed and a random probability distribution is used to describe the distribution of scheduling parameters to improve the accuracy of scheduling parameters. An implicit disturbance detection model is built based on Siamese Network using real-time data as input to realize the start time of rescheduling. The sample data for scheduling knowledge mining are extracted from the historical scheduling scenarios. Through the Pseudo-Siamese CNN, the mapping relationship between the Process state and machine state is obtained, which is applied to production online rescheduling. Simulation experiments show the feasibility of the proposed digital twin driven shop rescheduling model.

Key words: recessive disturbance, digital twin, siamese network, dispatching rule mining

中图分类号:

TP391.9

吴定会, 张桐瑞, 张秀丽. 扰动累积下基于数字孪生的车间重调度[J]. 系统仿真学报, 2022, 34(3): 573-583.

Dinghui Wu, Tongrui Zhang, Xiuli Zhang. Job Shop Rescheduling Under Recessive Disturbance Based on Digital Twin[J]. Journal of System Simulation, 2022, 34(3): 573-583.

图/表 17

图1

图2

图3

表1

图4

图5

表2

表3

图6

图7

图8

图9

图10

图11

图12

图13

表4

参考文献 18

1	唐秋华, 成丽新, 张利平. 扰动累积下基于机器学习的重调度方式选择[J]. 中国机械工程, 2019, 30(4): 472-479.
	Tang Qiuhua, Cheng Lixin, Zhang Liping. Re-Scheduling Mode Selection Under Recessive Disturbance Accumulation via Machine Learning[J]. China Mechanical Engineering, 2019, 30(4): 472-479.
2	Wang Chuang, Jiang Pingyu. Manifold Learning Based Rescheduling Decision Mechanism for Recessive Disturbances in RFID-Driven Job Shops[J]. Journal of Intelligent Manufacturing, 2018, 29(7): 1485-1500.
3	刘民. 基于数据的生产过程调度方法研究综述[J]. 自动化学报, 2009, 35(6): 785-806.
	Liu Min. A Survey of Data-Based Production Scheduling Methods[J]. Acta Automatica Sinica, 2009, 35(6): 785-806.
4	刘壮, 张中敏, 杜先军. 基于改进TOPSIS的制造车间重调度决策方法研究[J]. 组合机床与自动化加工技术, 2017(1): 157-160.
	Liu Zhuang, Zhang Zhongmin, Du Xianjun. Re-Scheduling Decision of Method Manufacturing Workshop Based on Improved TOPSIS[J]. Modular Machine Tool and Automatic Machining Technology, 2017(1): 157-160.
5	Akkan Can. Improving Schedule Stability in Single-Machine Rescheduling for New Operation Insertion[J]. Computers and Operations Research (S0305-0548), 2015, 64: 198-209.
6	左乐. 不确定环境下柔性作业车间的多目标动态调度研究[D]. 北京: 北京交通大学, 2015.
	Zuo Le. Study on Multi-Objective Dynamic Production Scheduling Problem of Flexible Job Shop under Uncertainty[D]. Beijing: Beijing Jiaotong University, 2015.
7	张洁, 秦威. 智能制造调度为先——«制造系统智能调度方法与云服务»导读[J]. 中国机械工程,2019, 30(8): 1002-1007.
	Zhang Jie, Qin Wei. Intelligent Manufacturing Scheduling First-A Guide of ManufacturingSystem Intelligent Scheduling Method and Cloud Service[J]. China Mechanical Engineering, 2019, 30(8): 1002-1007.
8	李欣, 刘秀, 万欣欣. 数字孪生应用及安全发展综述[J].系统仿真学报, 2019, 31(3): 385-392.
	Li Xin, Liu Xiu, Wan Xinxin. Overview of Digital Twins Application and safe Development[J]. Journal of System Simulation, 2019, 31(3): 385-392.
9	陶飞, 刘蔚然, 刘检华, 等. 数字孪生及其应用探索[J].计算机集成制造系统, 2018, 24(1): 1-18.
	Tao Fei, Liu Weiran, Liu Jianhua, etal. Digital Twin and its Potential Application Exploration[J]. Computer Integrated Manufacturing Systems, 2018, 24(1):1-18.
10	费永辉. 基于数字孪生的柔性作业车间动态调度研究[D]. 杭州: 浙江工业大学, 2019.
	Fei Yonghui. Research on Flexible Job Shop Dynamic Scheduling Based on Digital Twins[D]. Hangzhou: Zhejiang University of Technology, 2019.
11	Fang Y, Peng C, Lou P, et al. Digital-Twin Based Job Shop Scheduling Towards Smart Manufacturing[J]. IEEE Transactions on Industrial Informatics (S1551-3203), 2019, 15: 6425-6435.
12	Chopra S, Hadsell R, Lecun Y. Learning a Similarity Metric Discriminatively, with Application to Face Verification[C]// 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05). San Diego, CA, USA: IEEE, 2005.
13	Hughes L H, Schmitt M, Mou L, et al. Identifying Corresponding Patches in SAR and Optical Images with a Pseudo-Siamese CNN[J]. IEEE Geoscience and Remote Sensing Letters (S1505-598X), 2018, 15(5): 784-788.
14	Fei Tao, Cheng Jiangfeng, Qi Qinglin, et al. Digital Twin-Driven Product Design, Manufacturing and Service with Big Data[J]. The International Journal of Advanced Manufacturing Technology (S0268-3768), 2018, 94: 3563-3576.
15	侯智, 陈倩, 陈进. 制造过程中的不确定信息及其处理方法综述[J]. 机床与液压, 2018, 46(5): 121-126.
	Hou Zhi, Chen Qian, Chen Jin. Review of Uncertain Information and Its Processing Methods in Manufacturing Process[J]. Machine Tool and Hydraulics, 2018, 46(5): 121-126.
16	蒋静静. 基于深度强化学习的离散型制造企业车间动态调度研究[D]. 西安: 西安理工大学, 2020.
	Jiang Jingjing. Research on Job Shop dynamic Scheduling of Discrete Manufacturing Enterprise Based on Deep Reinforcement learning[D]. Xi'an: Xi'an University of Technology, 2020.
17	Wei Zhang, Peng Gaoliang, Li Chuanhao, et al. A New Deep Learning Model for Fault Diagnosis with Good Anti-Noise and Domain Adaptation Ability on Raw Vibration Signals[J]. Sensors (S1424-8220), 2017, 17(2): 425.
18	孔飞, 吴定会, 纪志成. 基于双层粒子群优化算法的柔性作业车间调度优化[J]. 计算机应用, 2015, 35(2): 476-480.
	Kong Fei, Wu Dinghui, Ji Zhicheng. Flexible Job Shop Scheduling Optimization Based on Two-Layer Particle Swarm Optimization Algorithm[J]. Journal of Computer Applications, 2015, 35(2): 476-480.

序号	特征描述
1	车间内空闲的机器数
2	车间内正在加工的机器数
3	车间内空闲的工件数
4	车间内正在加工的工件数
5	机器正在加工的工件编号
6	机器所要加工的工序数
7	机器还未加工的工序数
8	机器已经加工的工序数
9	机器加工时长的总和
10	机器空闲时间总和
11	工件正在被加工的机器编号
12	工件的工序数
13	工件还未加工的工序数
14	工件已经加工的工序数
15	工件加工时长的总和
16	工件空闲时间总和

序号	描述
1	工件编号
2	工件待加工工序的编号
3	工件还未加工的工序数
4	工件已经加工的工序数
5	工件加工时长的总和
6	工件空闲时间总和

序号	描述
1	机器编号
2	机器前一个加工工件编号
3	机器已经加工的工序数
4	机器加工时长的总和
5	机器空闲时间总和
6	待加工工序在机器上的预计加工时间

方案类型	最大完工时间	完工时间偏差
扰动后调度方案	57.99	4.99
伪孪生网络方案	56.86	3.86
SPT调度方案	68.90	15.90

[1]	周维, 刘宇翔, 廖广平, 马鑫. 结合交并比损失的孪生网络目标跟踪算法研究[J]. 系统仿真学报, 2022, 34(9): 1956-1967.
[2]	李伯虎, 柴旭东, 张霖, 卿杜政, 施国强, 林廷宇, 郭丽琴, 杨晨, 谷牧, 贾政轩, 公慧, 唐震. 面向智慧物联网的新型嵌入式仿真技术研究[J]. 系统仿真学报, 2022, 34(3): 419-441.
[3]	舒亮, 张洁, 杨艳芳, 杨秒, 吴自然. 考虑节拍约束的断路器孪生车间模型动力学控制[J]. 系统仿真学报, 2021, 33(6): 1277-1287.
[4]	刘瑜, 谢强. 数字孪生的技术特点及在飞行试验中的应用展望[J]. 系统仿真学报, 2021, 33(6): 1364-1373.
[5]	张霖, 陆涵. 从建模仿真看数字孪生[J]. 系统仿真学报, 2021, 33(5): 995-1007.
[6]	伍朝辉, 刘振正, 石可, 王亮, 梁晓杰. 交通场景数字孪生构建与虚实融合应用研究[J]. 系统仿真学报, 2021, 33(2): 295-305.
[7]	肖通, 江海凡, 丁国富, 江磊, 马术文. 五轴磨床数字孪生建模与监控研究[J]. 系统仿真学报, 2021, 33(12): 2880-2890.
[8]	王峻峰, 张玉帆, 邵瑶琪, 李世其. 面向生产性能数字孪生的仿真数据映射研究[J]. 系统仿真学报, 2021, 33(10): 2470-2477.
[9]	周军华, 薛俊杰, 李鹤宇, 姬杭, 林廷宇, 施国强. 关于武器系统数字孪生的若干思考[J]. 系统仿真学报, 2020, 32(4): 539-552.
[10]	张冰, 李欣, 万欣欣. 从数字孪生到数字工程建模仿真迈入新时代[J]. 系统仿真学报, 2019, 31(3): 369-376.
[11]	刘潇翔, 汤亮, 曾海波, 刘羽白, 张新邦. 航天控制系统基于数字孪生的智慧设计仿真[J]. 系统仿真学报, 2019, 31(3): 377-384.
[12]	李欣, 刘秀, 万欣欣. 数字孪生应用及安全发展综述[J]. 系统仿真学报, 2019, 31(3): 385-392.
[13]	肖莹莹, 王玫, 郭丽琴, 邢驰, 庄长辉. 基于数字孪生的智能制造计划管理[J]. 系统仿真学报, 2019, 31(11): 2323-2334.
[14]	吴昀璞, 金炜东, 任俊箫. 基于孪生卷积网络的高速列车转向架故障辨识[J]. 系统仿真学报, 2019, 31(11): 2562-2568.