基于大数据的加工作业主动调度方法研究

Production scheduling is an important factor affecting the efficiency of manufacturing and resource utilization. The actual conditions of machines in manufacturing as well as deterioration effects of processing time and processing quality have been not taken into consideration in traditional production scheduling, which results in that the mass data related to manufacturing process have not been highly exploited. In order to meet the requirements of high quality and traceability of producing products in modern manufacturing systems, this project proposes a proactive scheduling approach based on manufacturing big data. In particular, based on the collection and management of data related to manufacturing process, complex event processing for the real-time data in product manufacturing site is investigated by taking RFID data flow in workpieces in process as an example. Meanwhile, the prediction models of machinig error and tool wear are established after correlation analysis between machinig error/tool wear and manufacturing process data. Machine allocations and job machining sequences are determined via intelligent optimization algorithms according to the conditions of machines and workpices by adopting event-driven scheduling strategy with the consideration of the events produced by accumulated error of workpiece processing time, and the prediction models of tool wear and machining error as rescheduling events. Finally, the proposed scheduling approach is verified by experiments. This study will provide a new approach for production scheduling problems, as well as.theoretical and technological support for the application of big data analysis in product manufacturing.

调度是影响生产效率和资源利用率的重要因素。传统调度研究没有考虑实际生产机器运行状况以及加工时间和加工质量存在的恶化效应，因而也无法利用反映实际加工运行状况的海量数据。为了满足现代制造系统的高质量产品加工以及溯源等方面需求，本项目提出一种基于制造大数据的主动调度方法。具体而言，就是在探讨产品制造过程数据收集与管理方法基础上，以在制品的RFID数据流为例，研究面向制造现场实时数据的复杂事件处理机制；探讨加工误差和刀具磨损与制造过程数据之间的关系，建立加工误差和刀具磨损的预测模型；进而采用事件驱动的调度策略，以工件加工累积时间偏差以及刀具磨损和加工误差模型产生的事件作为重调度的驱动事件，根据机器和工件状态，通过智能优化算法来确定机器分配和工件加工次序；最后通过实验来验证所提出的调度方法。项目研究将为生产调度问题提供新的方法，同时为大数据在产品制造中的应用提供理论和技术的支持。

高效的作业车间调度是实现智能制造的基础和关键。新一轮工业革命将对制造业产生根本性影响，由此而形成基于社会信息物理系统的新型智能制造模式，并产生具有结构性、半结构性和非结构性的大数据。本项目提出一种大数据驱动的主动调度方法，其策略是通过大数据建模预测干扰事件发生的可能性，并在干扰事件发生前根据资源（包括机器和工件）实时状态通过智能算法来实现重调度。经过四年的潜心研究，项目组高质量超额完成预期目标，出版专著2部和发表论文56篇，其中被SCI收录22篇（一区TOP期刊论文10篇）、被EI收录28篇，获得发明专利和软件著作权各1项，培养博士毕业生4名、硕士毕业生4名，3人职称得到晋升，参加国际学术会议7人次，并以本项目为依托分别获得国家自然科学基金委员会和国家留学基金管理委员会资助的国际合作与交流项目各1项，2名博士生先后分别获得国家留学基金管理委员会资助出国留学，并学成回国顺利获得博士学位，所取得成果已在企业得到应用。.项目组从理论、建模和应用三个层次上来研究大数据驱动的主动调度的原理、架构、优化算法及其应用，并取得如下重要进展：1)建立了大数据驱动的主动制造运作机制与体系架构；2)实现制造大数据智能处理以及基于云雾结合的机器视觉工件识别与抓取；3)形成面向在制品的RFID复杂事件处理机制；4)建立基于大数据深度学习的刀具磨损/故障预测模型；5)针对诸如复杂多目标、共融AGV以及个性化3D打印等作业车间需求，提出多种作业车间调度智能优化算法；6)形成基于预测和事件驱动的产品加工制造主动调度方法。这些研究最终形成一种基于数据全面感知、收集、分析、共享的人机物协同主动制造方法，实现感知、分析、定向、决策、调整、控制于一体的人机物协同的主动生产，为大数据驱动的智能制造发展提供支持，进而促进新一代智能制造理论与技术的形成与发展。