论文部分内容阅读
在智能制造的背景下,制造大数据作为智能制造的核心资源,是赋予制造“智能”的关键要素。随着制造物联网技术的迅猛发展,制造物联设备在车间现场大量部署,实现对生产过程制造要素状态的全面感知,车间中积累了海量的生产过程状态数据,而如何利用大数据分析技术进一步挖掘离散制造车间的内在演化规律,解析系统内部运行的复杂特性,追踪影响车间性能提升的瓶颈位置,并执行智能决策以改善离散制造车间在扰动等动态因素作用下的震荡、失稳现象,是制造大数据技术在制造车间中落地应用亟需解决的问题。因此,本研究面向离散制造车间生产管控的大数据分析与智能决策技术,为提升车间精准化与智能化的管控能力具有极其重要的意义。本研究以离散制造车间的生产过程管控为研究对象,在大数据技术对离散制造车间应用模式分析的基础上,搭建了面向车间生产管控的大数据分析与智能决策体系架构,并提炼出生产进度在线预测、生产瓶颈时空漂移发现和生产过程智能决策三项关键技术进行深入研究。主要研究内容包括以下五个方面:(1)针对离散制造车间中所积累的海量数据,首先对制造大数据概念、来源及特点进行了总结,通过制造数据时空建模和本体集成的方法,对多源异构制造大数据进行统一管理。针对制造大数据分析与智能决策的需求,以“数据采集—集成建模—分析处理—应用服务”为主线,构建了面向离散制造车间的大数据分析与智能决策体系架构,从中提炼出三项关键技术并阐述了三者在生产过程管控中的业务逻辑关系,为后续研究内容提供框架支撑。(2)针对订单生产进度的预测问题,分析了影响生产进度的订单任务状态、在制品实时状态及制造单元实时状态等定性因素,提出订单生产进度预测的形式化描述模型,利用车间历史生产过程中采集的数据作为训练样本,搭建一种堆叠稀疏自编码机模型进行订单生产进度的在线预测,从而量化车间生产状态及任务的变化对生产进度所产生的动态影响。通过自编码机的特征提取与数据降维能力,对车间运行中产生的高维制造数据进行特征表示学习,并将预训练后的多个自编码机中间层迁移堆叠,形成的堆叠稀疏自编码机,用于提高模型对高维制造数据的泛化性能并实现高精度的生产进度预测,预测模型可以对未来生产进度是否满足生产计划要求进行在线判断,为生产过程智能决策提供先决条件。(3)针对所预测的生产进度不能达到生产计划的情况,寻找当前车间中阻碍生产计划顺利执行的瓶颈单元。研究生产瓶颈的产生与漂移问题,首先对生产过程中瓶颈产生的原因进行了分析,并分别定义生产瓶颈及瓶颈漂移的概念。在生产瓶颈程度量化的基础上,提出采用主要数据与辅助数据的方式,分别描述车间中各制造单元瓶颈程度和制造单元实时状态。为准确跟踪生产瓶颈在车间运行过程中的时空漂移,设计了平行门控循环单元模型用于提取主要数据与辅助数据中的时序变化特征,并为模型设置不同的时间跨度,发现车间中瓶颈漂移的短期、中期和长期趋势,实现对离散制造车间中瓶颈的准确定位与追踪。(4)针对订单生产进度情况与生产瓶颈的漂移位置,研究面向离散制造车间的智能决策方法,实现对车间生产运行状态的决策调控。首先采用复杂事件处理方法判别导致瓶颈产生的扰动因素,并依据生产进度与计划的偏离程度设定智能决策触发点。针对于决策优化方案的制定,设计了多智能体强化学习的智能决策机制,搭建的全息虚拟学习环境并设置强化学习智能体,进行车间状态属性的感知和决策行为的自学习,以最小化最大完成时间作为智能体的决策行为奖励函数,筛选智能体在车间各钟状态下能够达到最大回报的决策行为,并采用经验共享机制实现智能体的协同决策,最后,将训练完备的智能体在实际生产过程中应用,实现根据车间实时生产状态进行决策行为的自主制定,对离散制造车间中存在的不确定性扰动因素进行智能决策优化。(5)针对上述研究内容,结合车间现场已搭建的制造物联数据采集设备,采用Mongo DB平台对制造过程海量数据进行分布式存储,并以此为基础开发了面向离散制造车间生产管控的大数据分析与智能决策支持平台。最后,在某航空发动机机加车间验证了原型系统中数据采集、数据管理、车间生产状态可视化、生产进度在线预测、生产瓶颈漂移发现和生产过程智能决策等模块的可用性与有效性。