生产计划与调度搜集资料 .docx

生产计划与调度搜集资料
目前大多数仿真是以静态方式运行的。仿真系统仅以启动时确定下来的静态数据集作为输入，仿真运行过程中不能动态地向系统注入数据。如果有新数据到来，必须重新运行仿真系统。这就限制了应用仿真系统的分析和预测能力。而许多领域已形成了对动态应用仿真系统的需求，在此背景下，美国国家自然科学基金会（thenationalsciencefoundation，nsf）提出了动态数据驱动应用系统（dynamicdatadrivenapplicationsystems，dddas）的概念和研究方向，试图将仿真与实验有机地结合起来，构成一种仿真与实验融合为一体的自然和谐的共生动态反馈系统。
各单元模块的功能如下
1.控制单元。控制仿真模型运行，抽取模型的状态特征数据与注入数据对比分析，据此调整模型和分辨率；控制实际生产线运行，根据仿真结果数据反馈生产线调度优化方案；控制数据采集，根据仿真结果数据产生数据采集策略，反馈数据采集模块执行。
2.仿真模型单元。根据控制系统指令，产生新的仿真目标策略。据此，从模型库调用相应模型进行新模型的构建，并动态调整模型或模型参数，达到仿真结果与仿真目标逼近。最后，将模型与仿真结果进行分析评价，并形成知识保存在知识库中，为完善模型库构建和模型选择提供依据。
3.人机接口单元。显示仿真结果，支持用户对仿真策略进行调整和控制，支持用户根据仿真结果对生产线运行进行控制，支持用户根据仿真结果对数据采集策略进行选择控制。
4.数据采集单元。根据控制系统指令，生成新的数据采集策略。据此，采集生产线上的数据，并且具备多信息源数据融合能力。
（一）动态数据驱动仿真单元
此单元由调度模块和仿真模块组成，完成调度方案的生成功能。
其中，调度模块包括相互协同的两个层次。上层模块是生产计划调度器，采用全局优化的方法，利用群体智能蚁群算法进行寻优，可产生一个静态的调度计划，其寻优时间长的问题可以通过多agent建模的分布式计算能力得到解决。下层模块是实时调度模块，采用启发式的规则对生成的调度计划进行调整，并通过仿真进行分析和验证。当不确定事件发生，生产线上的环境变量发生改变时，该模块负责调整调度计划适应新的系统状态。如果在多个调度目标无法优化的情况下，通知上层模块，重新生成调度计划。整个过程是一个动态反馈过程。采用智能算法的优点在于能够从全局的角度进行优化，缺点在于模型描述的精度不高和易于陷入局部优化解；利用带启发式规则的仿真方法恰恰能够精确地描述模型和改善局部的解的性能，同时在较短的时间内生成优化的调度方案。上层的调度结果不仅会指导下层的调度过程，即带启发式规则的仿真是对智能蚁群算法产生的调度计划的局部修改；而且下层的调度结果也能帮助上层的调度寻优，启发式规则产生的某些局部优化解也可以作为启发信息指导蚁群算法更快地收敛。
仿真模块完成以下三种功能：首先，它能够实现用户可视化的生产线建模，模型的复杂程度可以根据用户研究问题的深度不同进行定义和设置；其次，为适应动态变化的生产环境，在仿真运行过程中，生产模型也可以根据生产线的具体情况进行自动修正，如某个设备失效等；最后，对调度模块产生的调度方案进行仿真，并把由此生成的对该调度方案的多目标评价值和对瓶颈设备的预测数据反
馈给调度模块，作为对下一步调度优化判断的依据。
（二）动态数据驱动仿真控制单元
由中心推理机和辅助功能agent组成，共同构成一个调度决策支持系统。中心推理机实现基于案例库或规则库的智能决策功能，辅助功能agent在中心推理机的协同下工作，包括多目标管理agent、优化策略管理agent、调度仿真剧情管理agent、调度因素分析agent等四种类型的agent，它们分别实现不同的控制功能。
多目标管理agent：负责控制当前调度优化的方向，对调度方案评价函数中多个不同目标的权重进行动态的参数调整，实现调度目标与当前生产线的实际生产情况一致。柔性制造系统生产线调度问题是一个多目标的优化问题。短期优化目标包括：最大化生产量、最大化wip移动步数、最小订单交货延迟率、降低加工周期、降低加工周期方差、降低wip水平等。目标之间存在相互制约的关系，如何选取各目标优化的权重以平衡各目标优化的能力是需要解决的问题。各目标权值的大小比例是一个动态调适的过程。首先，它必须与我们生产计划对当前生产的要求和侧重点一致。同时，它也在不断地动态调整，保持与生产线当前的实际生产情况一致，完成这个任务需要中心推理机的协同，如基于案例库的推理等。
优化策略管理agent。直接对调度和仿真模块下达指令，负责监控调度仿真的执行过程。优化策略管理agent根据控制模块设定的优化目标或调度模块反馈的优化目标的达成情况，在中心推理机的帮助下，按照推理规则，进行模型和算法的调整，实现全局优化算法和局部优化算法之间的动态协作，当满足一定的条件时，返回优化的调度方案作为当前的最优解。
调度仿真剧情管理agent。协助用户完成“what—if”分析。与传统仿真不同，动态数据驱动仿真是一种与生产线生产过程并行的仿真方法。因此，我们可以在仿真过程中设置多个时间断点，通过改变假设条件来进行生产预测；同时，也可以进行回放分析，这在传统仿真方法中是无法实现的。对多剧情仿真的管理由仿真剧情管理agent实现；同时，仿真参数和得到的结果也将作为知识保存在案例库中。
调度因素分析agent。接收来自数据采集模块的实时生产线数据，比较仿真数据与生产数据的差异，如果发现两者有较大的偏差，即参数超出了允许的域值范围，则使用中心推理机分析原因，并将分析的调度因素传递给优化策略管理agent，作为调整调度模型和算法的依据。同时，将调度因素反馈给数据采集策略agent，由后者按一定的策略完成下一步的生产线数据采集工作。
（三）动态数据注入单元
由数据采集策略agent根据调度因素分析a—gent反馈的结果生成下一步的数据采集策略，然后派出对应的移动agent到生产制造ems系统中采集生产线上的生产数据。由于柔性制造系统生产线由上百个生产设备构成，如果对所有的生产数据进行采集必然影响数据的采集效率，所以采用移动agent既缩短时间又提高数据的精确性，同时还可以根据需要对数据作一定的预处理以缩小传递的数据量。
（四）用户界面交互agent负责把仿真数据展示给用户，同时，接收用户对仿真模型或参数的控制。使用户可以实时地控制仿真的整个过程，并利用仿真结果指导生产和数据采集过程。
模型运行机制
从图3中可见，动态数据驱动仿真的过程与生产线的生产过程是并行进行的。仿真系统根据一定的时钟节拍采样生产线上的数据；然后，将仿真数据与生产线数据作比较，使用因素分析agent分析原因。如果发现两者有较大的偏差，即参数超出了允许的域值范围，则调整仿真模型，重新进行仿真。其中，仿真模型根据动态注入的生产数据完成自适应调整是整个dddas的核心，本文采用分层优化的思想生成调度方案，同时达到全局和局部的优化目标。首先，将智能搜索技术与离散事件仿真技术相结合，得到上层的调度方案；然后，应用优化策略agent对仿真结果进行分析，找到进一步优化的方向，利用启发式调度规则进行方案调整得到下层的调度方案，并反复地使用仿真进行验证。不仅下层的调度方案建立在上层调度方案的基础上；同时，上层的调度模块接受下层调度方案的局部优化解作为启发信息引导搜索过程，以加快收敛，在较短的时间内得到全局的优化解。与传统的静态仿真不同，dddas仿真能动态地吸收新的数据，并将仿真过程同真实系统相融合，让二者相互协同起来。一方面，通过真实系统运行过程中产生的参数同步地对仿真系统进行调整，可以大大提高仿真的准确性、时效性、智能化；另一方面，通过仿真提供的数据同步地为真实系统地运行提供决策支持，这些将大大地扩展仿真系统的应用能力。
第6页 共6页