智能工厂生产调度问题研究现状与趋势

    魏翠翠

    摘 要：生产调度问题是智能工厂的核心问题，关系到智能工厂的顺利运行与工作效率。随着物联网与大数据技术的发展，智能工厂的工作效率越来越多的依赖于调度控制的智能化程度。本文综述了目前智能工厂生产调度问题的发展现状，将目前的调度问题按其控制特征归纳为三类，即优先调度规则、基于历史数据的调度规则和基于实时数据的调度规则，并分别讨论了三类生产调度控制的特征与优劣，为后续生产调度问题乃至智能工厂的研究提供一些参考。

    关键词：智能工厂;调度;控制;数据

    DOI：10.12249/j.issn.1005-4669.2020.25.323

    1 引言

    智能工厂就是通过构建智能化生产系统和网络化分布生产设施，实现生产过程的智能化。同传统工厂相比，智能工厂最大的特征就是具备了自主收集、分析、判断和计划的能力。智能生产调度是实现智能工厂的必要环节，随着物联网与大数据技术的发展，大量学者对智能生产调度问题进行了研究与实际应用。目前，常用的生产调度规则可以大体分为3类：1）优先调度规则;2）基于历史数据的调度规则;3）基于实时数据的调度规则。

    2 優先调度规则

    优先调度规则是一种简单的启发式规则，它的计算效率高、实际可操作性强且可用于实时调度，适用于复杂动态的调度环境。汤健

    超[1]提出了一种兼顾工序先后次序约束的Kacem分派准则，以遗传算法为框架，在初始种群的阶段采用改进的Kacem准则，同时利用混沌优化系统提高算法对全局的遍历性。张道广等[2]以船舶制造领域为背景，提出一种基于优先规则的启发式算法，可在同时满足多种资源约束的情况下形成较优的调度方案。王东军等[3]针对一种具有工件释放时间、机器可用时间和机器适用限制等约束的并行同速机调度问题，提出基于优先规则的调度算法框架以快速生成可行调度方案。

    3 基于历史数据的调度规则

    基于历史数据的调度规则就是从调度相关历史数据中挖掘关于调度规则的调度知识来指导实际车间调度活动。汤洪涛等[4]提出了一种从具有工业大数据特点的调度相关历史数据中挖掘调度规则的方法。在进行数据预处理时，结合开源大数据技术完成数据采集、清洗、整合与筛选。同时，对调度相关历史数据集合进行基于扰动属性的聚类，从而对不同扰动环境下做出的调度决策所产生的数据集合进行合理划分。王成龙[5]等提出一种分支定界算法用于搜寻优化调度方案，在此基础上，提出一种基于决策树分类技术的调度知识挖掘方法，用于挖掘隐藏在优化调度方案中的调度知识，所提取的调度知识可以直接作为新的调度规则来指导作业车间的调度过程。Tarik等[6]针对单机总加权拖期最小化调度问题展开研究，提出了一种采用神经网络的调度规则挖掘方法。Ingimundardottir等[7]为了提高调度规则的挖掘效率与准确率，提出了一种训练数据的构造方法，并通过偏好学习的方法，从训练数据中挖掘调度规则。

    4 基于实时数据的调度规则

    基于实时数据的调度规则以物联网与数据通信技术为基础，通过实时检测的现场数据，能对任务的变化做出及时响应，更加适用于多品种、小批量生产模式下的柔性制造车间。蔡越坤等[8]提出一种基于随机扰动蚁群算法的多Agent 协商策略，通过Agent对数据进行实时提取，产生实时动态的调度结果，使调度结果更加符合实际。梁文杰等[9]基于标准粒子群优化算法，针对精冲汽车零件的智能制造车间模型，通过采用按工序编码生成可行调度及按工件交叉更新粒子的方法，将改进后的混合粒子群优化算法应用到其生产调度上。邹攀等[10]根据车间实时信息，以最大完工时间、瓶颈机床负荷和机床总负荷为优化目标，研究和实现了分层蚁群-遗传混合算法的多目标智能寻优方法，有效地解决了现代柔性作业车间的调度问题。

    5 总结

    1）优先调度规则控制逻辑较简单，计算效率高，具有很强的实际可操作性，可用于实时调度，适用于复杂动态的调度环境。但其调度规则较为单一，性能容易受到实际环境变化的影响，不能在所有的扰动环境中都有较好的调度性能。因此，优先调度规则往往同其他调度规则结合使用，以具备更好的环境适应性。

    2）基于历史数据的调度规则是基于一定的算法，从历史数据中挖掘调度规则，具有很高的智能性和适应性，适用于大批量生产的智能车间调度。但是，该规则需要大量历史数据来进行训练，以保证模型的准确性。

    3）基于实时数据的调度规则是基于现场检测的数据实时调度，保证生产目标实时最优，该规则往往是多种智能算法的协同配合，能够根据环境不同调用不同的算法，能够适应不同的调度环境。相应的，其控制算法较为复杂，成本较高，适用于多品种，小批量的智能化柔性制造车间。

    参考文献

    [1]汤健超.基于混合进化算法的若干调度问题研究[D].华南理工大学，2012.

    [2]张道广，聂兰顺，靳金涛，战德臣.基于优先规则的空间资源约束项目调度算法[J].计算机工程，2015，41（05）：62-69+76.

    [3]王东军，刘翱，刘克，刘波.基于优先规则的复杂并行机调度问题研究[J].系统工程理论与实践，2016，36（03）：779-786.

    [4]汤洪涛，费永辉，陈青丰，詹燕，鲁建厦，李晋青.基于工业大数据的柔性作业车间动态调度研究[J].计算机集成制造系统，1-22.

    [5]王成龙，李诚，冯毅萍，荣冈.作业车间调度规则的挖掘方法研究[J].浙江大学学报（工学版），2015，49（03）：421-429+438.

    [6]TARIK CAKAR， RASSIT， KOKER， OZKAN CANAY. A new neuro-dominance rule for single-machine tardiness problem with double due date[J].Neural Comput & Applications， 2015，26（6）：1439-1450.

    [7]INGIMUNDARDOTTIR H， Runarsson， TP. Discovering dispatching rules from data using imitation learning： A case study for the job-shop problem[J].Journal of Scheduling，2018，21（4）：413-428.

    [8]蔡跃坤，王俊佳，朱智鹏.基于多Agent的智能工厂生产调度优化[J].西南科技大学学报，2020，35（01）：90-94.

    [9]梁文杰，王桂棠，陈志盛，吴佳毅.基于混合粒子群算法的汽车零件精冲车间调度研究[J].机电工程技术，2017，46（09）：6-10.

    [10]邹攀，李蓓智，杨建国，施烁，梁越昇.基于分层蚁群遗传算法的多目标柔性作业车间调度方法[J].中国机械工程，2015，26（21）：2873-2879+2884.