一种适应边缘侧不确定性的边云协同智能调度算法制造技术

本发明专利技术提出了一种适应边缘侧不确定性的边云协同智能调度算法，用以满足复杂制造场景中对于动态调度的要求

【技术实现步骤摘要】
一种适应边缘侧不确定性的边云协同智能调度算法


[0001]本专利技术属于工业互联网
，涉及一种适应边缘侧不确定性的边云协同智能调度算法，包含该模型的约束条件
、
目标函数和算法流程，用于解决异构制造资源高效调度问题
。

技术介绍

[0002]依托工业物联网带来的海量数据，边缘计算
、
云计算等新一代信息技术得以快速发展和广泛应用
。
在制造业数字化转型的背景下，构建人
、
机
、
物
、
料
、
法
、
环全要素制造资源高效协同的新型人工智能框架成为可能
。
[0003]工业生产中的异构制造资源调度问题指的是将生产需求通过合适的调度方案分配给各工厂
、
车间
、
流水线执行，实现制造资源的充分利用和生产任务的高效执行
。
制造资源调度面临制造任务动态变化
、
制造过程扰动因素多
、
制造资源不确定性
、
生产各要素往往分布于本地和远程等不同的地理位置等诸多挑战
。
因此，如何根据生产任务分配人员
、
物料
、
产线等制造资源，避免生产断点，成为构建边云协同智能调度算法的难点所在
。
[0004]为解决上述问题，边缘侧构建制造资源不确定性模型，并根据任务需求
、
资源变化等进行动态调度/>。

技术实现思路

[0005]本专利技术解决的技术问题是：生产任务动态变化
、
制造过程扰动因素多
、
制造资源
、
过程面临不确定性等因素下，制造资源
、
任务难以高效调度的问题
。
为此，提出了一种适应边缘侧不确定性的边云协同智能调度算法，采用以下技术方案予以实现：
[0006](1)
不确定性建模
[0007]1.
时间不确定性分析
[0008]对于工业终端的制造任务，其等待时间通常来自于物料上料时间
、
前序任务执行等待时间以及设备执行等待时间
。
此时工序等待时间见下式：
[0009][0010]工序执行时间见下式：
[0011][0012]其中，为
i
号任务的第
w
号工序的车间等待时间，为各项前置工序的执行时间，为完工前置工序的工件转运时间，为后续工序预计执行工件的物料上料时间，为各工序加工时间
。
无故障情况下，等各环节所需时间，具有均一性，因此可由区间数来表示其不确定性
。
在一个短周期内，通过数据采集节点得到一系列同类数据，通过箱式图模块确定上述等待数据的上边缘
、
下边缘
、
中位数和两个四分位数
。
通常，超过上下限的值为异常值
。
取其上
、
下四分位数作为区间数的端点
。
[0013]各工序的等待时间等可通过区间数描述其不确定性
。
[0014]等待时间可由箱型图得出该组工序等待时间的上四分位数和下四分位数，记为
[a
，
b]。
假定时间窗口中加工时间数组长度
N
，给定当组工序积极系数
μ
，
μ
∈(0
，
1)
，当当前等待时间
t
delay
、
置信度如下所示
。
[0015]t
delay
＝
a+
μ
(b
‑
a)
[0016][0017]各工序的加工时间可通过概率密度函数描述其不确定性
。
[0018]加工时间通常服从正态分布
。
通过滑动时间窗口得到一组工序加工时间的平均数
mean
及方差
δ
，根据3δ
原则，该组工序加工时间记为
[mean
‑3δ
，
mean+3
δ
]。
当前加工时间如下所示，给定当组工序积极系数
μ
，
μ
∈(0
，
1)
，置信度
f
ijkconfidence
如下所示
。
[0019]t
＝
mean
‑3δ
+6
μδ
[0020][0021]首先通过
adftest()
函数和
kpsstest()
函数校验该组物料的等待时间不具有趋势性
、
周期性，可以通过区间数建模
。
由此得到前置物料转运时间
、
前置工序执行时间和物料上料时间的估计值
、
分布区间
。
同样的，确定其构件转运时间
、
工序执行时间，作为装配时间矩阵进行后续调度方案设计
。
[0022]2.
产线可用性不确定性分析
[0023]首先进行数据清洗
。
而后通过内部迭代循环检测输入数据集的异常值，排除点异常和相关性异常
。
针对每条产线，选取单位时间内的上料数和单位时间内工序执行总数作为
k
‑
means
聚类特征，用以判断产线状态，产线状态可分为“忙碌”、“空闲”、“检修”、“换产”。
由此确定当前可用产线
。
[0024]3.
工位可用性不确定性分析
[0025]对各工位采用
PCA
‑
BP
模型，以监督学习方式完成故障诊断
。
当工位发生故障时，通过
BP
神经网络完成维修时间预测
。
[0026](2)
复杂制造场景建模
[0027]边缘侧工厂生产装配时，机器故障
、
人员离岗
、
物料滞留等情况会导致生产停滞
、
滞后，甚至造成生产断点
。
在这种情况下，以云为主的调度方法难以实时监控生产异常，快速完成生产计划的调整
。
为此，研究面向边缘侧不确定性的动态调度算法，应针对以下七条特征
。
此类特征对于点位众多
、
工序复杂
、
存在空间约束
、
制造过程存在强不确定性的制造场景具有一定的普适性
。
[0028]a)
一个型号装配任务可分解为多个部件，由多条装配线并行加工；而各个部件装配过程存在前驱后继的约束，即，各构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种适应边缘侧不确定性的边云协同智能调度算法，其特征在于流程如下：边缘侧需根据不确定性模型
、
在线监测
、
故障诊断和维修时间预测模型，实时定位异常工位，预测维修所需时间，并上报边缘侧以便调整调度方案
。
本节提出了适应边缘侧不确定性的边云协同智能调度算法，面向复杂制造场景
。
其工作流程简述为：
(1)
边缘侧工厂首先通过流水线上实时采集到的各物料转运时刻
、
工件加工时刻
、
换产时间等，建立不确定性模型，得到各构件的加工序列集和加工时间矩阵
。(2)
边缘侧工厂以各产线上的构件完工量和前置构件抵达量作为判断产线状态的特征，通过边缘侧
K
‑
means
模型寻找可用产线
。(3)
边缘侧工厂接收云端发送的包含
N
个型号的装配任务，根据云端分布式调度方案得到云端调度结果，根据边缘侧分布式调度算法，将各型号的订单分配到装配工厂的各产线
、
车间上
。(4)
通过
PCA
‑
BP
故障诊断模型和
BP
维修时间预测模型，实时定位异常工位，预测维修所需时间，并上报边缘侧以便调整调度方案
。(5)
当边缘侧故障诊断模型发出预警，而故障点位影响调度计划执行时，则应用边缘侧
.
寻优调度算法修改边缘侧后续调度计划，通过右移重调度或完全重调度的方法，以最小完工时间
、
最小消耗
、
最小人员
/
空间占用量为目标函数，利用代工厂剩余负荷完成任务生产
。2.
根据权利要求1所述的复杂制造场景，其特征具体为：
(1)
一个型号装配任务可分解为多个部件，由多条装配线并行加工；而各个部件装配过程存在前驱后继的约束，即，各构件需以固定顺序装配
。(2)
每道装配工序存在空间约束；可能出现当前装配线装配空间不能容纳该工序加工的情况
。(3)
每道装配工序存在人员约束；可能出现当前工位在岗人员不能完成该工序装配的情况
。(4)
每个工厂均存在多条高柔性装配线，但每条装配线上同一时间只能进行某一类型装配工作；
(5)
装配线可用状态不定；存在换产
、
忙碌
、
故障
、
空闲多种状态；
(6)
工位可用状态不定
。
可能出现随机扰动，使当前装配工作不能继续执行；
(7)
可切换装配线；换产需要换产能耗；换产能耗和空间偏离量成正比
。3.
根据权利要求1所述的不确定性模型，其特征在于：
(1)
产线不确定性可由
K
‑
means
聚类算法描述
。
在装配开始前，各产线可用状态不一，产线可能处于“空闲”、“忙碌”、“换产”、“检修”等状态
。
鉴于各类产线运行特征各不相同，本节通过无监督的
K
‑
means
算法以各类产线的历史制造数据训练
K
‑
means
聚类模型的簇
。
再通过计算
K
‑
means
算法判定产线空闲的集合中，实际符合产线标签的比例，得到产线不确定性的置信度
。fline
confidence
＝
accuracy
Kmeans
(2)
各工序的等待时间等可通过区间数描述其不确定性
。
等待时间可由箱型图得出该组工序等待时间的上四分位数和下四分位数，记为
[a
，
b]。
假定时间窗口中加工时间数组长度
N
，给定当组工序积极系数
μ
，
μ
∈(0
，
1)
，当前等待时间
t
delay
与置信度如下
。t
delay
＝
a+
μ
(b
‑
a)(3)
各工序的加工时间可通过概率密度函数描述其不确定性
。
加工时间通常服从正态分布
。
通过滑动时间窗口得到一组工序加工时间的平均数
mean
及方差
δ
，根据3δ
原则，该组工序加工时间记为
[mean
‑3δ
，
mean+3
δ
]。
当给定当组工序积极系数
μ
，
μ
∈(0
，
1)
，当前加工时间与置信度
f
ijkconfidence
如下
。t
＝
mean
‑3δ
+6
μδ
(4)
装配过程中，各工位可能出现随机扰动，利用
PCA
‑
BP
网络在线监测...

【专利技术属性】
技术研发人员：袁海斌，李朋栖，付麟钧，袁海文，吕建勋，刘颖异，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：