基于免疫機制的有機制造系統狀態評估研究*

周建華，唐敦兵，張海濤，鄭 堃，蔡祺祥

(南京航空航天大學 機電學院，江蘇 南京 210016)

隨著技術與經濟的快速發展，制造企業的市場環境和生產條件變得更加復雜和不可預測，市場與競爭全球化、客戶需求日益個性化、產品生命周期縮短以及產品對功能、價格、質量和交貨期等對制造系統提出了更高的要求，快速、有效地處理各種動態變化的要求和制造過程的各種不確定性因素是制造系統建模中的自適應、自組織和全局優化控制等需要考慮的重要問題。本文借鑒生物系統的組織結構、自適應控制和調節規律等，提出了有機制造系統的概念[1]，并將生物體的神經調節、內分泌調節和免疫防御等機制應用于制造系統的研究中，為解決制造系統應對復雜動態性問題的自我調節、自組織和自適應等研究提供了新思路。

由于制造系統越來越復雜，運行過程中不確定性擾動(如任務變化、物料準備延誤、操作延時和設備故障等)頻繁出現。造成不確定性的原因包括信息的缺乏、復雜性、彼此沖突和可信度，數據表述的模糊性，以及測量的誤差等[2]。擾動的影響時間分為短時間內產生的擾動和長時間的擾動因素[3]。在擾動事件的影響和處理上可分為任務層擾動、生產工藝層擾動、物料資源層擾動和生產執行層擾動[4]。

受生物免疫系統機制啟發產生的人工免疫系統已廣泛應用于各領域的研究中。在故障診斷領域，人工免疫系統的相關理論已經有很多研究和實際應用[5]。免疫機理在生產安全和事故預警領域中已得到研究和應用[6]。在生產制造領域，免疫原理已用于建立產品制造過程的關鍵質量特征預防控制模型[7]和構建制造系統在線故障監測與診斷的免疫防御系統模型[8]。

本文結合有機制造系統中的擾動特點和生物免疫機制，提出了處理有機制造系統中不確定性擾動的免疫監控模型，采用免疫機制處理系統中的擾動事件，以維持系統的穩定和高效運行。

1 有機制造系統免疫監控模型

1.1 有機制造系統介紹

本文借鑒生物系統的研究成果和神經—體液調控、免疫機制等的相關知識，將自組織和自適應視為制造系統的生命特征，提出了有機制造系統的概念[9-10]。

有機制造單元作為系統的基本組成部分，對應于生命體的各層次器官，是一個具有自組織功能的自主體，由數字神經節點、控制器、感知器、決策器及設備等組成，能針對內、外部環境的變化進行自我調節，以應對各種復雜性因素。最為宏觀層次可將有機制造系統視為有機制造單元，而最低層次可將制造資源(機床、AGV和機器人等)作為一個有機制造單元。

有機制造系統模型由不同層次的有機制造單元構成遞歸控制的結構，每一層次上的有機制造單元都能對自身面臨的內、外環境變化進行自我調節。宏觀層有機制造單元在對子系統的監督和各子系統之間充分交流協作基礎上，對微觀層有機制造單元進行協調控制。

1.2 有機制造系統監控技術與免疫系統的比較

生物免疫系統具有免疫監視和識別、學習、記憶、反饋和防御等機制[11]。免疫監視和識別指免疫系統會對生物體的內、外部環境進行監測，區分“自我(自身組織)”和“非我(外部病原體和體內的病變細胞)”；免疫學習指初次識別一種新的抗原時，需要較長的時間才能生產新的抗體來清除抗原；免疫記憶是指系統會保留抗原的記憶信息，當再次遇到相同或者結構相似的抗原時，在記憶機制的作用下能迅速應答。在免疫應答過程中，抗體、抗原和免疫細胞之間存在相互作用的免疫反饋機制。當抗原較多時，免疫細胞和抗體會增多；當抗體較多時，一段時間后抗原減少，免疫系統趨于平衡，體現出反饋效應。

有機制造系統在運行過程中會遇到諸如機器或設備的故障、訂單的變化、人員缺勤或操作失誤、物料不能及時供應等不確定性擾動，因此，需要建立合理的擾動監測指標體系，當檢測到各指標的變化后，要能夠準確地識別出異常。對于首次遇到的擾動，形成解決措施的過程較慢，解決問題的時間較長；而對于反復出現的類似問題，系統可以參考以往出現的情況，形成快速有效的應對方法，系統自適應的形成決策，減少擾動影響。這個過程體現了監控模塊的“學習”機制，這相當于生物免疫系統的免疫學習，監控模塊對類似問題的判斷體現了“記憶”機制相當于生物免疫系統的免疫記憶，監控模塊形成決策后作用于系統，使系統的生產趨于穩定狀態體現出“反饋”，這相當于生物免疫系統的反饋機制。因此，可以借鑒生物免疫系統的功能和機制來構建有機制造系統的監控模塊。

1.3 有機制造系統免疫監控模型的構建

有機制造系統由各有機制造單元通過一定的組織特性和控制方式，形成具有遞歸控制特征的控制模型。在構建系統免疫監控模塊時，需要考慮系統的控制模型要求，本文建立的免疫監控模型如圖1所示。

圖1 有機制造系統的免疫監控系統模型

圖1中，免疫監控單元的傳感器完成數據采集和處理功能；決策器接收任務信息并決定單元行為；控制器主要執行相關的指令；顯示器對單元的狀態進行顯示；通信接口完成各監控單元之間免疫信息的傳遞或與系統控制器進行通信。

在系統的免疫監控模塊中，單元免疫監控模塊能針對內、外部環境變化進行自適應調節，系統中完成同種類型功能的單元之間的功能模塊、內外部環境具有很大的相似性，其免疫環境和信息具有類似性和關聯性，面臨著相同的抗原和抗體等；因此，它們可以組成免疫細胞系，通過相互之間進行任務、狀態和免疫信息傳遞，協調同種類型的有機制造單元內的任務，在不同類型的單元之間，通過系統控制器對系統中的各組成單元進行協調控制，實現免疫調節功能。

1.4 免疫監控模型的運行機制

根據有機制造系統的控制和監控功能的要求，基于制造系統監控方法和生物免疫機制，整個免疫監控模塊總體的運行機制如圖2所示。

圖2 有機制造系統免疫監控模型的運行機制

在有機制造系統免疫監控中監測模塊主要針對系統中的信息和運行狀態進行實時采集，包括設備和物料信息、生產任務/訂單信息、人員信息和系統運行中的狀態信息，本文假設檢測模塊輸出的數據是經過處理后的有效的監測數據。

有機制造系統在運行過程中，各種擾動事件的發生將破壞系統的穩定運行，在同一時間出現的擾動事件越多，事件影響越嚴重，則系統的運行狀態變得越惡劣，類似于生命系統，可以認為有機制造系統同樣存在健康狀態。本文定義抗原濃度表示擾動事件的多少和嚴重性，定義系統的健康狀態為免疫力指數，綜合系統中的所有抗原來評估系統的免疫力指數。當抗原濃度越小時，免疫力指數越大，系統處于健康狀態；當抗原濃度越大時，對系統的威脅越大，免疫力指數降低，系統運行狀態惡化，當免疫力指數低于閾值時，需要免疫監控模塊對擾動進行處理。

自適應協調控制階段，結合系統當前的狀態信息，調度模塊在抗體中參數的作用下，調用系統中的自適應調度算法，生成新的調度作業方案，通過執行新的作業方案消除擾動造成的影響，維持系統高效、穩定地運行。

2 有機制造系統免疫監控模型的功能模塊

有機制造系統免疫監控模型主要是借鑒生物免疫系統的機制，對擾動進行識別，并對其造成的影響和系統的狀態進行量化評估，針對性地生成控制方案，消除擾動對系統的影響，其功能包括免疫識別、免疫狀態評估、免疫學習和記憶和免疫自適應調節等，如圖3所示。

圖3 有機制造系統免疫監控模型的功能模型

2.1 系統的免疫識別模型

以0,1對抗原二進制編碼，即經過檢測模塊對數據進行處理后擾動狀態向量中的各擾動事件的值用布爾量0,1表示，免疫識別過程如圖4所示。

將免疫監控模型中各種類型的擾動狀態“自體集”定義為：

(1)

各類擾動的狀態向量定義為：

(2)

經過免疫識別后，生成抗原

(3)

其中擾動事件的狀態表示為：

圖4 抗原識別流程圖

2.2 系統的免疫狀態評估模型

2.2.1 復雜系統監控狀態評估方法簡介

目前，橋梁、電力、核工業和軍事裝備等領域已經廣泛采用了健康狀態評估技術[12]，常見的健康狀態評估方法有模型法、層次分析法、模糊評判法、基于貝葉斯網絡的方法和灰色理論等。

本文基于群決策的模糊層次分析法[13]來構建有機制造系統免疫監控系統的免疫力指數模型，定量地分析系統中各種擾動事件對有機制造系統的影響并評估有機制造系統的性能趨勢。

2.2.2 有機制造系統中擾動層次模型的建立

在對有機制造系統的擾動因素分析的基礎上，構建監控的指標體系和擾動分析的層次模型，提出的系統免疫力指數評估層次結構如圖5所示。目標層A為有機制造系統的免疫力指數；準則層B包括系統中m種抗原；指標層C包括各抗原所包含的多個擾動事件，擾動事件的發生與否將決定整個有機制造系統的免疫力指數大小。

圖5 免疫力指數層次分析模型圖

2.2.3 基于群決策的模糊層次分析法計算權重

(4)

并按下式進行變換：

(5)

(6)

(7)

2.2.4 抗原濃度大小的計算

根據群決策的模糊層次分析法，構建m種抗原中n個擾動事件的模糊互補矩陣，將其按式4～式7求得抗原中各擾動事件對抗原的影響權重：

(8)

系統中有m種抗原的擾動事件狀態向量表示為：

(9)

定義有機制造系統中抗原i的濃度大小為：

(10)

fi∈[0,1]，fi的值越接近于1，表示該抗原的濃度越大，對系統的危害越大；fi的值越趨向于0，表示該抗原濃度越小，對系統的危害越小。

2.2.5 有機制造系統免疫力指數評估計算

有機制造系統中每一種抗原對系統的危害程度是不同的，根據群決策的模糊層次分析法，構建m種抗原對免疫力指數的模糊互補矩陣，將其按式4～式7求得m種抗原對系統免疫力指數的影響權重：

(11)

某時刻m種抗原濃度大小構成向量：

f=(f1f2…fm)

(12)

結合抗原的濃度與其影響權重，定義系統抗原威脅指數Eval的評估公式如下：

(13)

式中，fi為第i種抗原的濃度；ωi為第i種抗原的影響權重；Eval∈[0,1]，Eval的值越小，表明抗原的總的危害越小，其值越大，則系統中抗原危害越大。

定義正常狀態下有機制造系統的免疫力指數為1，考慮到抗原的危害，則系統免疫力指數Imm的評估公式為：

Imm=1-Eval

(14)

Imm∈[0,1]，可知免疫力指數Imm與抗原威脅指數Eval呈負相關關系，系統免疫力指數Imm值越大，說明系統越健康；Imm值越小，則系統的狀態越惡劣。

2.3 系統的免疫應答模型

有機制造系統在運行過程中，除了已知的抗原庫和抗體庫中存在的抗原、抗體之外，指標體系中的擾動事件可能隨機性和組合性的發生，在指標體系之外的擾動事件也可能發生，從而形成新的抗原，此時需要借助學習機制應用新技術和新工藝等產生新的抗體，即免疫監控模塊對新抗原的免疫學習與記憶功能，通過免疫學習和記憶將不斷更新和豐富抗體庫。免疫應答功能模塊如圖6所示。

圖6 有機制造系統免疫監控的免疫應答功能模塊

2.4 系統的免疫自適應調節模型

圖7 有機制造系統中自適應免疫調節模塊

本文根據有機制造系統中擾動的特點、免疫監控和基于信息素的調度模塊，構建免疫調節模型，如圖7所示。將抗體中的信息傳遞給調度模塊，結合系統的狀態信息重新調度或者局部調整生成調度作業方案，以消除擾動影響，從而維持系統高效、穩定地運行。

3 有機制造系統免疫力指數計算示例

以有機制造系統試驗仿真平臺為計算示例，對免疫評估模型進行計算驗證，由于篇幅所限，免疫學習模型和免疫調節模型將另外撰文進行說明。仿真試驗平臺包括6個有機制造單元、2個AGV、自動化立體倉庫和PC機，如圖8所示。圖8模擬了訂單處理、系統資源的調度協調、工件的加工和運行狀態監控等整個制造過程。

考慮有機制造系統的特點，根據各種擾動因素來源和相互關系，本文將擾動因素構成的抗原分為計劃任務層抗原EP、物料資源層抗原ER、生產工藝層抗原ET、制造資源層抗原EM和人員變動層抗原EH等5種類型的抗原，每個抗原內包含多個擾動事件，如圖9所示，采用布爾量0,1表示抗原向量中的擾動事件，0表示正常狀態，1表示該擾動事件發生。

圖8 有機制造系統仿真試驗平臺示意圖

圖9 有機制造系統免疫力指數評估層次結構圖

群決策過程中請2位制造領域的專家進行決策，且2位專家的決策權重相等，即式6中λ1=λ2=0.5。由2位專家分別給準則層B的5個抗原對目標層A進行兩兩比較，獲得的模糊互補矩陣A1和A2。

同理，可獲得指標層C中各抗原的擾動事件對準則層B中對應的抗原的影響權重：

ωB1、ωB2、ωB3、ωB4、ωB5分別表示生產計劃層抗原EP、物料資源層抗原ER、工藝層抗原ET、制造資源層抗原EM和人員變動層抗原EH中各擾動事件的影響權重。

假設系統運行過程中某一時刻的抗原狀態為：

則表示系統中出現了訂單取消、訂單延后、工藝路線變動、工裝準備延時和人員操作失誤等擾動事件。在實際生產中，當出現上述擾動事件時，系統一般受到了較大的擾動影響，原有的作業計劃已經不能滿足調度目標，需要調整或重新制定作業計劃。

有機制造系統中抗原EP的濃度為：

fEP=vEP·ωB1=

同理，求出其他抗原的濃度，則抗原濃度向量為：

由式13可計算出系統抗原威脅指數：

Eval=f·ωA=

則該狀態下系統免疫力指數：

Imm=1-Eval=1-0.253 5=0.746 5

系統免疫力指數較低，表明系統受到了較為嚴重的干擾，需要免疫監控模塊進一步分析，對抗原進行免疫應答，通過抗體中的調度參數由調度算法重新生成調度作業計劃，以消除系統的擾動，維持其正常、穩定地運行。評估結果與實際情況基本符合，表明了評估的有效性。

4 結語

本文借鑒生物免疫系統的調節機制，提出了有機制造系統的免疫監控模型及其運行機制，闡述了免疫監控模型中各模塊的功能和實現方法，并重點分析了免疫監控模型中的免疫力指數評估方法。通過實驗仿真平臺上進行實驗，實驗結果表明該免疫力指數評估方法能夠有效地評估有機制造系統受到的擾動因素影響。因此，該免疫力指數評估方法可以為系統中制造資源的合理利用以及穩定運行提供依據。

[1] Tang D B, Gu W B, Wang L，et al. A neuroendocrine-inspired approach for adaptive manufacturing system control[J]. International Journal of Production Reseach, 2011, 49(5): 1255-1268.

[2] Zimmermann H J. An application-oriented view of modeling uncertainty[J]. European Journal of Operational Research, 2000, 122(2): 190-198.

[3] 朱傳軍. 車間不確定信息的約簡及知識發現研究[D]. 武漢: 華中科技大學, 2006.

[4] Liu M, Shan H, Jiang Z Q, et al. Dynamic rescheduling optimization of job-shop under uncertain conditions[J]. Jixie Gongcheng Xuebao/Journal of Mechanical Engineering, 2009, 45(10): 137-142.

[5] 任偉建, 于宗艷, 王玉英, 等. 人工免疫系統及其在故障診斷領域中的應用[J]. 系統工程與電子技術, 2006, 28(12): 1960-1965.

[6] 陳清光, 段偉利, 陳國華, 等. 基于免疫機理的化工園區安全生產預警機制設計[J]. 中國安全科學學報, 2011, 21(9): 159-164.

[7] 張根保, 紀富義, 任顯林, 等. 面向產品制造過程的關鍵質量特征免疫預防控制模型[J]. 計算機集成制造系統, 2011, 17(4): 791-799.

[8] 唐敦兵, 鄭堃, 顧文斌, 等. 類生物化制造系統自適應免疫監控關鍵技術研究[J]. 中國機械工程, 2011, 22(10): 1253-1259.

[9] 王雷. 類生物化制造系統協調機制及關鍵技術研究[D]. 南京: 南京航空航天大學, 2010.

[10] 唐敦兵, 張海濤, 蔡祺祥, 等. 基于神經內分泌調控機制的類生物化制造系統研究[J]. 南京航空航天大學學報, 2014, 46(2): 175-180.

[11] 葉青. 基于免疫機理的化工園區安全生產應急研究[D]. 廣州: 華南理工大學, 2012.

[12] 張曉陽. 面向復雜系統生命周期的故障診斷技術研究[D]. 南京: 南京理工大學, 2005.

[13] 徐澤水. 模糊互補判斷矩陣排序的一種算法[J]. 系統工程學報, 2001, 16(4):311-314.

*國家自然科學基金資助項目(51175262)

江蘇省杰出青年基金資助項目(BK2012010111)

江蘇省產學研基金資助項目(BY201220116)