文章

分布式自主协同制造——一种智能车间运行新模式

2019-06-06庄存波 刘检华 熊辉

187阅
针对当前以MES为核心的传统车间运行模式一直存在的异常响应缓慢、决策实时性差、系统稳定性低等问题,提出了一种智能车间运行新模式——分布式自主协同制造。

1 引言

    当前全球化竞争形势下,快速响应市场变化、满足用户个性化的定制需求、缩短产品上市周期、实现产品制造与服务融合是制造企业提升市场竞争力和实现价值创造的重要手段,在此背景下面向多品种变批量的柔性化混线生产成为目前制造企业主要生产模式之一。然而,市场环境、客户需求和生产系统运行环境的复杂性、动态性和不确定性等因素使得面向多品种变批量的复杂离散制造车间在运行过程中会出现大量的生产异常,如何融合和使用新一代信息技术(如物联网、云计算、大数据、数字孪生、5G等,简称New IT)和新一代人工智能技术(简称New AI)来实现对车间生产异常的实时监控、精准预测和快速响应,从而提高车间生产效率、缩短产品制造周期、优化制造资源配置,真正实现柔性化、敏捷化和智能化的车间运行,已成为国内外学者和制造企业关注的热点问题之一,也是工业4.0和智能制造背景下需要重点解决的瓶颈问题之一。

    当前,复杂离散制造车间主要采用自上而下、集中式和计划式的车间运行模式,即通过制造执行系统(Manufacturing Execution System,MES)实现上层企业资源规划(Enterprise Resource Planning,ERP)系统与底层工业控制系统(或生产现场)之间的信息传递和交互,并通过MES对制造过程中的时间进度、产品质量、成本、制造资源、能耗等要素进行集中统一管控。以车间调度(包含静态调度和动态调度,涉及时间进度、制造资源和能耗管控)为例,以MES为核心的传统车间运行流程如图1所示。

以MES为核心的传统车间运行流程

图1 以MES为核心的传统车间运行流程

    首先,厂调度员在ERP系统中根据客户订单编制细化的生产任务(即生产计划),并通过集成接口将任务需求和对应的工艺路线下发至MES系统,形成任务池。车间调度员结合生产现场的制造资源实际情况(制造资源池),在MES系统中启动调度模块,实现任务-资源的匹配、组合和优化,最终形成调度方案来指导车间生产。在生产过程中,通过在车间部署射频识别(Radio Frequency Identification,RFID)标签和读写器、条码和扫描枪、传感器等硬件设备,实现人员、物料、设备等车间制造资源的智能实时感知和生产数据的在线实时采集,并通过工业以太网、传感网、无线网络(2/3/4/5G)、蓝牙等车间工业互联网络传输至MES系统。车间调度员根据MES系统对实时数据的分析结果判断是否需要对生产任务进行重新排产。当需要进行重新排产时,车间调度员在MES系统中触发重调度流程并将新产生的调度方案下发至生产现场来替代之前的调度方案,生产现场的人员、物料、设备等制造资源依据调整后的调度方案进行生产。

    复杂离散制造车间多面向订单生产,其在运行过程具有动态性和随机性强、不确定因素多等特点,因此生产异常出现频繁。当前这种计划式和集中式的传统车间运行方式,其最大弊端是不能实现复杂离散制造车间现场生产异常的实时响应和动态调度,从而导致决策不及时、计划不可用、管控效率低等问题,也难以适应当前工业4.0形势下的新一代信息技术和新一代人工智能技术发展需求。为了应对频发的生产异常,国内外学者也做了很多相关研究。在静态调度方面,学者们提出了基于模糊逻辑的预测调度等方法来提高调度方案的抗干扰能力(包括零件加工时间的扰动、物料到达时间的不确定、设备健康状态的动态性、工艺路线的柔性等),从而降低动态调度的发生频率,然而这种调度方式以损失一定的生产效率为前提,且在多品种小批量定制化产品制造车间的应用效果并不明显(车间运行环境具有复杂性、动态性和不确定性等特点,生产异常仍然过于频繁,调度和决策的实时性问题仍没有得到很好地解决)。在动态调度方面,目前的调度策略主要集中在重调度领域,包括事件(异常)驱动的重调度、周期驱动的重调度、时间和周期混合驱动的重调度等。然而,单纯的事件驱动方式会导致生产计划的“神经质现象”;单纯的周期驱动方式则会导致生产系统不能及时响应出现的动态事件;事件-周期混合驱动的方式能够充分发挥两类驱动机制各自的优势,但简单的叠加仍然不能解决以MES为核心的传统车间运行模式带来的异常响应缓慢、决策实时性差、系统稳定性低等问题。为此,在20世纪90年代前后,有部分学者就提出了基于多智能体(或作多Agent)技术的动态调度方法,其采用分布式的自治架构(Autonomous architectures)或中介架构(Mediator architectures),通过任务Agent、单元(或资源)Agent以及事件Agent之间的通信、交互、合作、博弈和决策实现事件驱动的任务-资源的匹配、组合和优化,从而快速解决生产异常,为实现事件驱动的实时调度和运行优化提供了一种非常有效的手段。然而由于当时技术水平的现状,设备大多缺乏智能、人-机-物-环互联互通困难、生产现场数据实时性差、AI技术陷入低潮等各样因素,基于多Agent的动态调度方法和其中所隐含的分布式协同思想一直没能引起国内外学者的广泛关注。

    近年来,随着工业4.0、工业互联网和智能制造等制造战略的提出、以及New IT和New AI技术的快速发展和在制造领域的深入应用,泛在感知、普适计算、人-机-物-环互联互通、物理空间和虚拟空间深度融合已成为工业4.0下智能车间的几个重要特征,现有以MES为核心的传统集中式和计划式运行策略已不再适合现阶段智能车间的发展趋势。多Agent技术作为分布式人工智能研究的一个重要分支,通过赋予制造资源实体/集合和任务实体/集合一定的智能,基于多Agent相关理论和技术,能够实现分布式的车间实时调度和管控,从而为新阶段的智能车间运行提供基础。Wang等提出了主动调度(Initiative scheduling)的概念,阐述了主动调度与被动调度(Passive scheduling)在定义、调度元素关系和运行模式等方面的区别,并指出其主要特征是开发了设备(资源)实体和工件(任务)实体的主观能动性,即在调度决策过程中设备和工件均能主动协商和决策,而不是被动接受中心系统或平台(如MES)的调度结果。这种新的调度模式为车间异常快速响应和现场问题智能决策等功能的实现提供了新的手段,且符合现阶段生产设备/装置和生产系统智能化的发展趋势。Zhang等构建了基于Agent和信息物理系统(Cyber-Physical Systems,CPS)的智能车间(Intelligent Shop-floor)体系架构,包括智能机器Agent、自组织模型和自适应模型三个组成部分;开发了基于Agent的智能车间CPS系统来实现上述功能模型,并应用灰度关联分析和分层冲突解决方法实现智能车间的自组织及自适应能力。同时,针对多目标柔性车间实时调度问题,Zhang等提出了基于博弈论(Game Theory)的双层调度方法,其与传统调度方法的区别在于,当异常对计划的影响程度小于预先设定的阈值时,不再采用传统的重调度方式解决异常,而是通过工序与机器的自主交互实现异常的实时处理,从而实现事件驱动的车间动态实时调度。

    上述研究成果借鉴多Agent思想和人工智能技术,通过赋予任务(或工序)实体/集合和制造资源(或设备)实体/集合以智能,通过两者之间的通信、交互与自主决策实现任务-资源的快速匹配与组合,从而实现任务-资源的自组织和自适应、生产异常的实时处理等,有力推动了工业4.0下智能车间的发展和实现。然而,该技术思路仍有以下问题值得关注:①基于多Agent的车间调度方法能够实现事件驱动的任务和资源双向自主匹配及组合,能够解决以MES为核心的传统车间运行模式存在的实时性差、决策缓慢等瓶颈问题,为工业4.0下的智能车间运行提供了新方法和新思路,很有可能成为未来的发展趋势,目前没有找到文献直接论述这一观点。②目前,基于多Agent的车间调度方法主要考虑资源Agent与任务Agent之间的通信与交互,较少考虑资源Agent与资源Agent之间的自主交互与协同决策。同时,基于多Agent的调度方法所求得的解是局部解,有时难以保证解的全局性,如何平衡局部优化与全局优化是一个需要解决的问题。③多品种小批量柔性化混线生产过程中存在许多不确定性因素,导致车间生产异常频繁,仅仅采用事件驱动的管控模式容易导致制造系统不稳定;如果能减少异常出现频率,则能够提高制造系统稳定性,从而更高效地提高生产效率和优化资源配置。④现有研究只考虑了智能车间本身,并未涉及智能车间向外的协同和扩展性等问题。因此,本文结合现有研究成果,探讨提出一种New IT和New AI技术驱动的智能车间运行新模式——分布式自主协同制造,并对智能车间的分布式自主协同制造的概念、体系架构、运行机制、关键技术和特点等进行研究和阐述,从而为智能车间的实时管控和运行优化提供理论和方法参考。

2 智能车间的分布式自主协同制造的概念和体系架构

    智能车间的分布式自主协同制造是在新一代信息技术和新一代人工智能技术的驱动下,在赋予制造任务实体/集合和制造资源实体/集合一定智能(包括自感知、自学习、自决策、自组织、自适应等)的基础上,采用边缘局部优化和云端全局优化相结合的方式,通过资源-资源、任务-资源的双向实时自主通信、交互和决策,实现多智能体分布式的、自主、协同解决(或提前避免)车间生产异常,从而最大化提高车间生产效率、优化制造资源配置、保证产品质量、降低生产成本和能耗的一种工业4.0下智能车间运行模式。

    基于上述所提概念,构建如图2所示的智能车间的分布式自主协同制造的体系架构。

智能车间的分布式自主协同制造的体系架构

图2 智能车间的分布式自主协同制造的体系架构

    该体系架构主要包括两部分:1)边缘局部优化和分布式自主决策;2)云端全局优化和精准预测。

    (1)边缘局部优化和分布式自主决策:主要满足智能车间局部优化和实时管控的需求,在边缘层实现车间异常的实时决策和快速处理,其中边缘层主要指车间制造资源层(以下均以智能设备代表制造资源)和制造任务执行层。通过制造任务Agent(逻辑Agent)和智能设备(实物Agent)之间的双向实时自主通信和交互,以及智能设备之间的信息/知识互联互通和自主协同决策,实现智能车间制造任务和智能设备的自感知、自学习、自决策、自组织和自适应。一方面,制造任务Agent和智能设备之间通过黑板模式和消息传递模式进行通信,即两者均可在“黑板”上发布和读取当前的需求信息和服务信息,并根据自身实际状态进行需求/服务的主动发现和自主决策;其次,通过消息传递机制向提供对应需求/服务的Agent主动传递信息,实现主动“抢单”(包括抢需求和抢服务)。另一方面,智能设备之间实现互联互通,通过信息/知识实时共享以及协作、协商等手段和机制,自主协同解决车间生产异常或避免可能的生产异常,并形成新的解决方案来指导物理车间的生产。

    (2)云端全局优化和精准预测:主要实现智能车间的全局优化和精准预测,一方面通过大数据和数字孪生技术实现精准预测,从而降低异常出现频率;另一方面通过周期驱动的方式生成阶段性的全局最优解,辅助边缘层进行局部优化。云端主要指车间管控层,包括进度管控(确保按时按量完成客户订单,提高车间生产效率)、质量管控(确保生产的每一个环节都符合技术文件要求和企业管理要求,并确保中间数据采集完整准确,做到全过程的质量数据完全可追溯)、资源管控(一方面确保制造资源能够按时按量按需到位,保证生产顺利进行;另一方面尽可能高效地利用制造资源,从而实现制造资源的优化配置,降低生产成本)、成本管控(尽量降低生产成本,确保企业的盈利能力和可持续发展能力)和能耗管控(尽量降低车间生产过程中的能源损耗,实现绿色清洁生产和可持续制造)等。

    以车间调度为例,通过制造任务和智能设备的云端化接入,一方面在云端实现对制造任务执行情况和智能设备运行状态的动态实时可视化监控;另一方面根据历史数据和实时数据预测制造任务的完工时间、智能设备的健康状态和寿命等。基于预测结果、当前任务执行情况和智能设备运行状态,实现进度、资源、能耗等的预测性全局调度和管控,并下发至边缘层指导物理车间生产。另外,通过周期驱动的动态调度方式生成阶段性的全局优化解(预调度解)来辅助边缘层进行任务-设备组合的局部优化和实时决策,从而有效提高局部所得解的全局性能。

3 智能车间的分布式自主协同制造的运行机制

    以动态调度为例,智能车间的分布式自主协同制造的运行机制如图3所示,主要包括三部分:制造任务层、智能设备层和管控决策层。

智能车间的分布式自主协同制造的运行机制

图3 智能车间的分布式自主协同制造的运行机制

    (1)制造任务层:服务需求方。在新订单插入、交货期变更、人员变动、物料配送不及时、设备故障等生产异常出现时,一方面可以主动向智能设备层提出服务请求,包括质量(如尺寸、粗糙度、精度等)、数量、工种(如车、铣、刨、磨等)、优先级(如紧急、重要、不紧急等)、工艺路线约束(即工序顺序约束)、时间约束(如交货期)、目标约束(如交货期优先、加工时间优先)等需求和约束。另一方面,当任务优先级较高时,根据智能设备池的实时状态,主动发现当前满足服务需求且空闲的智能设备,并直接向指定智能设备发出服务请求,智能设备根据自身情况向该任务反馈是否同意接单。

    (2)智能设备层:服务供应方。在制造任务层服务需求发布后,根据自身的属性、能力、状态、负载和目标(例如能耗最低、空载时间最少等),并结合其它智能设备的实际运行情况,实现对服务需求的主动发现、自动匹配和主动抢单等;另一方面在设备出现故障或需要停机维护时,预测停机时间,并释放停机期间已分配的待完成任务队列,使得制造任务层能够向其它可用智能设备发布更新后的服务需求,或者其他智能设备在获取相关信息后主动“抢”所释放的任务队列。同时,对于直接从任务层发出的服务请求,智能设备根据自身情况判定是否同意接单并将结果实时反馈给该任务。

    (3)管控决策层:任务-设备组合仲裁方。首先根据事先设定的判定条件,基于现场实时数据,判断仲裁的优化策略是全局优化还是局部优化。如果是局部优化(目的为了提高对生产异常的响应速度),则在预先给定一个目标效益函数的前提下,选择一个交互策略(合作博弈或非合作博弈),并根据智能设备和制造任务的抢单情况(智能设备抢单完成后,进入候选任务-设备池)实行仲裁,即基于实时数据,计算每个候选任务-设备的目标效益函数值,并将任务分配给最优的智能设备形成最终的任务-设备组合,并生成实时调度甘特图指导物理车间的生产过程。如果是全局优化(目的为了提高智能车间动态调度的全局优化性能),则根据当前任务进度和设备状态等实时数据,基于已有的预调度结果,在合理的时间范围内,在云端对所有待完成制造任务和智能设备进行全局重调度,并根据全局调度结果从候选池中选择最优的任务-设备组合。同时,为了提高制造系统运行性能,在每个调度周期(根据制造系统实际情况预先设定)的开始,基于云端的预测结果和实时数据,对制造任务和智能设备进行周期性的全局重调度,将调度结果作为仲裁小组选择最优任务-设备组合的参考和依据。这种协调全局和局部优化、周期与事件驱动相结合的车间管控和运行方式既能够充分发挥工业4.0下车间智能设备和制造任务的主动性,从而实现任务-设备的自感知、自决策、自组织和自适应,满足生产异常实时响应和处理需求;又能够保证生产系统运行的全局性能,从而真正实现智能化的车间实时管控和运行优化。另外,为保证生产顺利进行和生产的优化运行,管控决策层对候选设备-资源有一票否决权,也有一票决定权。

4 智能车间的分布式自主协同制造的底层基础技术

    4.1 制造任务层次化分解与语义化建模

    为了实现制造任务服务需求与智能设备服务能力之间的匹配、组合以及两者之间的双向自主通信与交互,如何对制造任务进行合理的层次化分解和统一描述,直接影响到智能车间边缘层制造任务(服务需求方)和智能设备(服务供应方)的匹配程度、制造任务-智能设备的自组织和自决策准确度、以及云端全局优化和精准预测等功能的实现。根据制造任务层次的不同,将制造任务分解为产品层、组/部件层、零件层和工序层,分别对应产品总装任务、组/部件部装任务、零件加工任务和工序级任务。对于工位级物料配送任务(将物料按时按量运送到正确的工位),将其视为工序级任务,物流运输设备即为智能设备。同时,构建支持语义的制造任务描述模型,以便任务Agent能将制造任务(即服务需求)以可扩展标记语言(Extensible Markup Language,XML)、Web本体描述语言(Web Ontology Language,OWL)等统一的形式将需求信息发布在“黑板”上或者接入云端,以便智能设备、云端全局优化和预测管控系统等能对需求信息进行解析、分类和信息的推理,从而为智能车间边缘层制造任务(服务需求方)和智能设备(服务供应方)的数据双向自主交互、自组织、自适应与自决策、以及云端全局优化和预测管控等提供模型支撑。

    以工序级任务为例,基于语义的智能车间制造任务描述模型如图4所示,包括基本信息、目标信息、服务需求信息和实时状态信息等。基本信息指该任务的基本属性信息,包括ID、代号、名称、具体内容、所属产品、生产车间等;目标信息指该任务实体为满足自身利益最大化设定的目标和博弈规则,包括时间、成本、质量和能耗相关的目标;服务需求信息是该任务实体根据自身内容及产品工艺路线等发布的基本需求信息,包括工种、几何精度、表面粗糙度、工艺路线约束、要求完成时间和优先级等;实时状态信息记录该任务当前的状态或所属阶段,包括待分配、物料准备、待执行、正在执行和已完成。

基于语义的智能车间制造任务描述模型

图4 基于语义的智能车间制造任务描述模型

    4.2 面向CPS的智能设备建模

    智能车间中的智能设备主要包括智能机器(如加工设备、检测设备)、物流运输设备如智能自动导引车(Automated Guided Vehicle,AGV)等。智能设备是智能车间的重要组成部分,如何对智能设备进行建模是智能车间分布式自主协同制造的底层基础技术之一。CPS是工业4.0的核心关键技术,其是一个综合计算(Computing)、通信(Communication)和控制(Control)的复杂系统,并通过构筑信息空间与物理空间数据交互的闭环通道,实现信息虚体与物理实体之间的交互联动。借鉴文献中的智能机器Agent模型,本文面向CPS对智能设备进行建模,如图5所示,主要包括三部分:软硬件组成、功能模块组成、与边缘层信息共享区和云端的接口。

面向CPS的智能设备建模

图5 面向CPS的智能设备建模

    (1)软硬件组成:包括微处理器、嵌入式软件等计算与决策模块,传感器、RFID标签、条码、WIFI(如5G)、网线等智能感知和数据高速传输模块,机械手臂、数码相机等执行与控制模块。通过软硬件的配置每个智能设备都具备CPS的计算、通讯和控制功能。

    (2)功能模块组成:包括交互与通讯模块、控制模块和自主决策模块。①交互与通信模块主要实现自身状态智能感知、周围环境信息实时获取、与其他智能设备和上层平台/系统进行信息分享和交互等功能,具体包括实时状态智能感知、实时信息分享、实时环境信息感知与获取、实时服务能力发布和实时状态云端接入等。②控制模块主要实现智能设备的动作执行与控制,确保智能设备能正常运转和工作,如拍照、抓取、移动、加工、检测等。③自主决策模块是智能设备的核心模块,主要实现实时信息(含自身状态及周围环境信息)驱动下的计算、推理、认知与决策,包括知识库、规则库、模型库和算法库,以及用于辅助优化决策的数字孪生驱动的嵌入式实时仿真分析软件。

    (3)与边缘层信息共享区和云端的接口:与边缘层信息共享区的接口实现智能设备服务能力在边缘层的实时更新和发布,以便与其它智能设备或制造任务进行信息/知识共享和交互。与云端的接口实现智能设备实时状态和服务能力的云端接入,一方面为云端的全局优化和精准预测提供实时数据支撑,另一方面为企业/集团/行业/产业云制造平台的搭建和实现预留接口。

5 智能车间的分布式自主协同制造的关键技术

    如图6所示,根据智能车间的分布式自主协同制造的体系架构和运行机制,其涉及的关键技术大致可以分为:①智能车间“人-机-物-环”互联互通技术;②智能车间多智能体自决策与自组织技术;③智能车间运行状态精准预测技术;④智能车间运行状态全局优化技术;⑤智能车间的分布式自主协同制造运行技术。

智能车间的分布式自主协同制造涉及的关键技术

图6 智能车间的分布式自主协同制造涉及的关键技术

    (1)智能车间“人-机-物-环”互联互通技术。主要包括:制造资源智能感知技术、多源异构数据清洗与融合技术、多源异构数据解析与获取技术、工业互联网络优化配置技术、智能设备研制及其虚拟化服务化技术。

    (2)智能车间多智能体自决策与自组织技术。主要包括:智能设备嵌入式实时仿真与决策优化技术、基于深度学习和知识推理的智能体自学习和自决策技术、多智能体双向实时自主通信与交互技术、任务-资源自组织及自适应调整模型和算法、资源-资源自组织及自主协同决策模型和算法、多智能体自组织与自主协同决策性能评价技术。

    (3)智能车间运行状态精准预测技术。主要包括:智能设备健康状态和寿命预测、制造任务完工时间预测、瓶颈设备和瓶颈资源预测、外协外购零部件和物料到达时间预测、实时数据驱动的产品精度分析与预测。

    (4)智能车间运行状态全局优化技术。主要包括:周期驱动的智能车间绿色动态调度技术、周期驱动的智能车间物料配送与优化技术、智能车间AGV小车路径规划技术、智能车间全要素全流程动态实时可视化监控技术、智能车间模型知识库和决策算法库构建技术。

    (5)智能车间的分布式自主协同制造运行技术。主要包括:智能车间的分布式自主协同制造模式的理论基础和体系结构、运行标准和协议、控制模型和运行机制、运行性能评估与验证。

6 智能车间的分布式自主协同制造的特点

    如图7所示是智能车间的分布式自主协同制造与传统车间运行模式的特点对比。传统车间运行模式采用计划式、集中式和被动式的管控方式,仅局限于车间内部;分布式自主协同制造是面向多智能体的分布式、实时、主动管控,且具有向车间外的可扩展性和协同能力。具体说明如下:

分布式自主协同制造与传统车间运行模式的特点对比

图7 分布式自主协同制造与传统车间运行模式的特点对比

    (1)局部实时管控与全局计划式管控相结合:多数的车间运行决策问题规模较大,且是NP难问题。传统的车间运行模式属于计划式管控,以获得全局最优解为目标,容易导致求解时间过长、决策不及时。由于多品种小批量制造车间内外部环境变化快、生产异常多,有时会导致决策的速度甚至赶不上变化的速度,使得生成的计划很难真正用于指导车间生产。然而,分布式自主协同制造兼顾了车间运行的全局优化性能和局部优化性能,既能通过设备-任务、设备-设备的通信、交互和自主协同决策实现边缘层的局部优化和实时管控(例如实时生成调度方案指导车间生产),也能通过云端的高性能计算能力和决策能力实现全局优化和精准预测(生成的计划可用于辅助边缘层进行实时决策),从而最大程度地提高车间生产效率和制造资源利用率,降低生产成本和能耗,最终达到车间运行最优化的目标。

    (2)分布式管控:传统的车间运行模式大多采用以MES为核心的集中式管控,即通过MES实现对车间生产过程中的时间、成本、质量、资源和能耗等要素的集中统一管控。当生产现场出现异常时,首先将其反馈至MES系统;MES系统接到异常报警后,根据现场实际情况,生成解决方案,再反馈至生产现场。这种异常处理方式导致生产现场问题处理滞后,系统稳定性不高(当MES系统出现问题或者某个节点的信息传递出现问题时,整个流程都将停滞,影响生产效率;即使数据是实时的,异常也得不到及时处理)。然而,分布式自主协同制造是面向多Agent的分布式协同管控,每个设备实体/集合、任务实体/集合都是独立的Agent,能够主动感知周围环境和主动获取其他Agent信息,并自主进行决策、组织和执行控制,系统的稳定性更高(即使某个Agent出现问题导致出现生产异常,其他Agent也可以自主协同决策和解决),在异常出现时的处理效率也更高,实时性更好。

    (3)主动管控:以调度为例,在传统的车间运行模式中,资源(或设备)和任务(或工件)的组合与排序方案都是MES的调度模块确定的,两者都是被动的,彼此之间没有信息交互,也没有主动发现、自主匹配和决策的能力。然而,分布式自主协同制造是在新一代人工智能技术和新一代信息技术快速发展的驱动下,通过赋予设备和任务一定的智能,当车间运行过程中出现异常时,任务-设备之间、设备-设备之间能够实现双向实时通信和交互,并根据实时信息(含自身实时状态信息和周围环境信息)进行自主协同决策,从而主动、实时地解决车间异常,真正实现面向智能车间的实时管控和主动管控。

    (4)可向外扩展和协同:传统的车间运行模式以MES为核心,大多局限于车间内部或企业内部,向车间或企业外的可扩展性不强,协同能力弱。然而,分布式自主协同制造是基于面向服务架构(Service-Oriented Architecture,SOA)的思想,通过统一的语义描述模型,将制造任务的实时需求、智能设备的实时状态和能力进行虚拟化和服务化。这样不仅能够实现设备-设备的自主协同决策、任务-设备的自主匹配及组合优化,也能够实现制造任务和智能设备的云端接入和服务化,从而与云制造模式无缝连接,大大提升了系统向外的可扩展性和协同能力。该种模式符合制造业敏捷化、协同化、服务化、社会化和智能化的发展趋势,具有广阔的发展和应用前景。

7 结论

    本文针对当前以MES为核心的传统车间运行方式存在的异常响应缓慢、决策实时性差、系统稳定性低等问题,提出了一种智能车间运行新模式——分布式自主协同制造,并围绕智能车间的分布式自主协同制造的概念、体系架构、运行机制、关键技术和特点等问题进行了初步探讨和研究。分布式自主协同制造作为一种未来智能车间运行的新模式,有可能成为复杂离散制造车间的主要运行模式之一,也符合新一代信息技术和新一代人工智能技术快速发展的需求,对实现工业4.0和智能制造具有重要推动作用。该模式以物-物互联为基础,以智-智协同为核心,在充分发挥边缘层优化的实时性和云端优化的全局性的基础上,通过制造任务Agent和智能设备的双向实时自主通信、交互和决策,以及智能设备和智能设备之间的自主协同决策,实现事件(异常)驱动的边缘层制造任务(服务需求方)和智能设备(服务供应方)的自主匹配和局部组合优化、以及周期驱动的云端全局优化和精准预测,从而提高异常的响应速度、降低异常的出现频率以及生产的不确定性所带来的负面影响,真正实现工业4.0下柔性化、敏捷化和智能化的车间运行。后续将就如何实现智能车间的分布式自主协同制造的工程落地应用涉及到的理论、方法和关键技术等展开深入研究。

    本文在CIMS上首发

责任编辑:程玥
本文为作者授权转载文章,任何人未经原作者同意,不得复制、转载、摘编等任何方式进行使用,e-works不承担由此而产生的任何法律责任! 如有异议请及时告之,以便进行及时处理。联系方式:editor@e-works.net.cn tel:027-87592219/20/21。
读者评论 (0)
请您登录/注册后再评论