基于物聯網的包裝生產輔助系統關鍵調度方法設計

柯鵬，李文翔，胡威

（1.武漢科技大學冶金工業過程系統科學湖北省重點實驗室，武漢 430081；2.武漢科技大學計算機科學與技術學院，武漢 430065；3.武漢科技大學冶金自動化與檢測技術教育部工程研究中心，武漢 430081）

基于物聯網的包裝生產輔助系統關鍵調度方法設計

柯鵬1，2，李文翔2，3，胡威2

（1.武漢科技大學冶金工業過程系統科學湖北省重點實驗室，武漢 430081；2.武漢科技大學計算機科學與技術學院，武漢 430065；3.武漢科技大學冶金自動化與檢測技術教育部工程研究中心，武漢 430081）

針對未來包裝印刷產業的發展趨勢，設計基于物聯網的生產輔助系統，并通過對設備、產品及生產過程的智能感知和處理，實現面向總加工時延優化和總開銷優化的任務調度方法。仿真和現場生產實驗指出總加工時延優化調度方法和總開銷優化調度方法針對各自優化目標的有效性。

包裝印刷制造；物聯網；調度；遺傳算法

0 引言

未來的產品包裝印刷產業將配合產業自動化趨勢，朝著兩個方向發展：一是包裝印刷機械功能多元化，多元、彈性且具有多種切換功能的包裝印刷機械方能適應多樣性的市場需求；二是生產控制智能化，包裝生產將廣泛采用自動化和信息技術，實現實時、精準、高效的過程控制[1]。而目前包裝印刷生產中存在很多問題，包括：①原材料損耗大，物流配送調度不合理且效率低下；②機械裝配制造的生產力水平低下，很多裝配工作仍然是手工進行；③對原材料、設備和產品的狀況沒有良好的跟蹤、控制和共享手段[2]。針對印刷包裝生產過程中的數據感知、數據處理和過程優化，目前尚無有效的信息化和自動化處理方法的研究。

本文設計面向包裝印刷制造的工業物聯網[3]生產輔助系統（I-MAS），利用RFID技術和無線傳感器網絡技術使企業的每一個設備都具有數據感知、處理和通信能力，可以實時準確地獲取設備的運作情況，將生產過程納入統一的自動化和信息化管理，降低原材料成本，提高產品質量和生產效率，重點對基于此系統的智能生產調度方法的原理、優化目標和實現進行了闡述，并對調度系統的運行效果進行分析和比較。

1 系統總體功能和架構

包裝印刷生產車間應能充分利用其中的加工設備同步高效地處理多個不同的印刷任務，利用其中的運輸設備高效地運輸原料到加工車間并運輸合格產品到倉庫，并根據原料數目及時地給出提示以進行原料補充。

本文所提出的I-MAS，其所涉及的對象包括：原材料狀態、加工設備狀態、運輸設備狀態、產品狀態、倉庫容量狀態。其中各類原材料可處于充足和短缺兩類狀態，通過原料倉庫中原料包電子標簽的統計數目信息來獲取；設備可處于停止、工作、空閑和維修四類狀態，通過設備上關聯的傳感器來獲取或設定；產品可處于加工中、入庫中、入庫后和廢棄四類狀態，通過產品中的電子標簽來獲取或設定；各倉庫的容量狀態用可用貨柜的數目來描述，通過貨柜上傳感器的狀態來獲取。基于物聯網的數據信息包括來自被感知對象的狀態消息和設置被感知對象的控制消息，狀態消息被應用層的評估單元進行綜合處理，形成發向各對象的控制消息，包括：原料補充、原料調用、加工設備運行與維護調度、產品檢測與分類、運輸設備運行與維護調度等。結合物聯網的三層模型[4]，數據流程如圖1所示，其中網絡層由WLAN和CAN總線實現，在應用層由一臺服務器實現采集、評估和調度功能。

圖1 包裝印刷生產輔助系統的物聯網模型

2 關鍵調度方法的實現

基于以上系統實現高效生產的關鍵環節在于如何依照獲取的各感知對象的狀態，將各種并行的包裝印刷生產任務分配給各個不同功能的設備，這就需要高效的生產調度方法。

2.1 調度方法的實現基礎

包裝印刷任務通常需要通過裁剪、著色、封膠、塑形和組裝等步驟[5]及若干個設備來依次實現，這樣就需要將一個生產任務分解為若干個子任務，每個子任務在一個設備中加工。考慮到生產設備的多類性和數目、子任務間的關聯性及產量規模，為各個子任務分配加工設備是一個復雜的離散最優化問題，本文采用遺傳算法[6～7]解決此問題。遺傳算法通過模仿自然界的進化過程來解決優化問題，算法始于一個隨機選擇的染色體編碼初始解集合，按照一定的操作規則不斷地迭代，包括適應度函數評價、染色體選擇、交叉替換、變異等步驟，在每次迭代中隨機生成更優的新解，同時舍棄一些次優解。它是一種自適應的多方向搜索尋優過程，能直接對結果對象進行操作，具有良好的魯棒性。

2.2 生產調度相關實體描述

考慮到加工設備及其功能的多樣性，將設備實現對應功能所需的費用和時間統一用標準參考產品SRP來折算，例如用某加工設備完成某個功能，所需的費用相當于生產x個SRP，而所需的時間相對于y個SRP。生產調度相關實體及其屬性描述如下：

第i臺加工設備Ei（0≤i＜ENum），其中ENum為加工設備總數。其屬性包括：①單元生產時延（記為PDi）表示用Ei生產一個標準參考部件的時延；②單元生產費用（含原料開銷，記為PCi）表示用Ei生產一個標準參考部件的費用；③通過感知手段獲取的設備當前狀態（停止、工作、空閑和維修）及負載Li（等效為SRP的數目）。

將一個生產任務分解為多個子任務后，第n類子任務STn（0≤n＜STNum，其中STNum為子任務類型的總數）是分解到各加工設備上的最小單元，STn和設備Ei之間存在如圖2所示的功能映射矩陣F[STNum] [ENum]，如果某設備能對某類子任務進行處理，則相應矩陣元素為1，否則為0。

圖2 子任務類型與加工設備間的功能映射

第m類工序Pm（0≤m＜PNum，其中PNum為工序類型總數）將不同子任務按特定生產流程組合得到樹型結構[8]，最后完成的子任務為工序樹的根節點。圖3為2種不同工序的構成方式示例。

每個樹節點為一個子任務，其相關屬性包括：

子任務等效生產量PVm，n，指在Pm中STn的產出等效為多少個SRP。

待處理的第k個任務Tk（0≤k＜TNum，TNum為此次調度將處理的任務個數）具有的屬性包括：此任務對應的工序類型Prck；STn在Tk對應的工序樹中的父節點的子任務類型Prnk，n；總生產件數TMk；以Ek，n表示Tk所含的子任務STn被分配到的設備。

圖3 子任務按樹型組成不同工序示例

具體的示例如下：若Tk的工序中包含STn，且依據F將Tk的STn調度到Ei上，則設置分配標記Uk，n，i=1，否則為0。依據圖2和圖3，有PNum=2、STNum=5、ENum= 4，給定3個待處理任務，其中task0的工序類型為process0，task1和task2的工序類型為process1，則得到如圖4所示的分配示例，task0中的ST0分配到E0上，對應為U0，0，0=1，而task1中的ST2分配到E2上，對應為U1，2，2=1。考慮到有多個設備能夠完成同一子任務，調度分配方案可能有很多種，并導致不同的生產效能[9]。各任務及其中的子任務用不同樣式的邊框表示。

圖4 子任務調度分配和處理過程示例

2.3 生產調度的遺傳算法實現模型

遺傳算法實現的每個染色體給出了對各任務中的子任務進行調度的一個方案，Tk中的每個STn對應一個基因，基因的索引編號為k*STNum+n，如果此Tk中的STn被分配到Ei上，則染色體的值為i。如果STn不在Tk中，則此基因被賦值為-1。基于圖4的工序，對3個任務的染色體編碼的例子如圖5所示。

隨機生成N個染色體形成初始種群，N的范圍為[40，120]。

圖5 染色體初始化示例

依據不同的優化目標[9]，得到不同的適應度函數。其中面向總開銷最小化，給出設備Ei上的生產開銷描述為：

系統總開銷優化調度（COS）的目標表述為：

對應的適應度函數為：

此批任務的總加工時延取決于完成最后一個加工子任務的時間。由于各子任務間的復雜依賴關系，往往需要等待位于另一個設備中的前步子任務完成后，才能進行當前子任務，故難以準確描述實際的加工處理時間。在理想的調度分配方案下，最晚完成加工任務的設備應該能夠不間斷地執行其中各項子任務而沒有空閑等待，其中各子任務在各自工序中相關的前步子任務均已在其他設備上加工就緒。這種情況下最后停工的設備的實際工作時間即為理想系統加工時延，表示為此設備上各子任務獨立處理時間的總和，再加上設備上當前負載所需的加工時間。

總加工時延最優化調度（DOS）的目標表述為：

對應的適應度函數為：

第二，抵債資產的會計核算。商業銀行債權資產的入賬評估、償還能力、保管和處理方式均需要進行明確要求和針對性說明，另外還需要對賬面價值進行審計，也就是需要對抵債的總體價值進行評估后，對處理環節加以明確，以明確銀行最終的損益。相關文件雖單方面規范債權資產的會計處理，另外對于財務處理也進行明確分析，但是文件中堅持以公允價值對整個會計進行計算和評估，也就是說對于抵債資產方面的入賬以及相關價值評估需要在有限期限內進行成本計算。前后文件存在明顯差異，以至于影響會計信息準確性和可比性。

后繼步驟包括染色體的選擇、交叉和變異，生產新種群后繼續下一代遺傳操作，直到足夠多的代數或適應度函數值收斂。

3 調度方法在生產輔助系統中的應用效果

本文提出的系統應用在某包裝印刷生產企業中，已經通過物聯網平臺獲取了目前8臺加工設備、6類工序和11類子任務的各種屬性，包括具體的工序樹的組成方式、功能映射矩陣F、各設備的不同PCi和PDi、子任務的PVm，n。基于這些屬性，首先在MATLAB中實現遺傳算法求各優化目標對應的最佳染色體，然后基于此染色體對應的調度分配結果展開仿真實驗。

設定9個任務場景，其中各包含若干任務，隨機設定各任務的工序類型，但任務總量分別對應為1000～9000個SRP。針對隨機調度（RAN）、DOS、COS，獲取總生產時延、總生產開銷、單位時間設備利用率這三個指標，結果如圖6～圖8所示。

圖6 總生產時延仿真結果

圖7 總生產開銷仿真結果

圖8 單位時間設備利用率仿真結果

在實際生產過程中，將一批任務等分成3份，分別采用RAN、DOS和COS調度方法加工，得到的時延和開銷結果如圖9所示。

圖9 不同調度方法的應用效果比較

從以上分析和實驗可以看出，時延優化調度能提供最短的系統加工時延，達到最高的加工效率，開銷優化調度則提供最小的系統加工開銷，實現最經濟的運作，而隨機調度方法的效果最差。

4 結語

本文實現了基于物聯網的面向多道工序生產過程的包裝印刷生產輔助系統，其中能夠充分感知相關生產元素的狀態和特征，并實現了基于遺傳算法的智能調度方法，用于不同生產目標的優化。

未來的工作包括對所感知信息的充分利用，及針對原料運輸和產品入庫的智能調度方法。

參考文獻：

[1] 陳港能.包裝印刷的特殊加工工藝[J].網印工業，2014（2）：45～47

[2] 許文才.包裝印刷產業技術概述與展望[J].印刷雜志，2013（1）：24～27

[3] 吳彥合.物聯網技術在工業領域的應用研究[D].內蒙古科技大學碩士學位論文，2013

[4] 楊正洪.智慧城市——大數據、物聯網和云計算之應用[M].清華大學出版社,2014

[5] 陸江,張紅燕.基于BP神經網絡的包裝產品銷量預測研究[J].福建電腦,2011（12）：85～86

[6] Laili，Yuanjun,Zhang Lin,Tao Fei.Energy Adaptive Immune Genetic Algorithm for Collaborative Design Task Scheduling in Cloud Manufacturing System[C].Proc.of IEEE Int'l Conference on Industrial Engineering and Engineering Management.2011：1912～1916

[7] 史憲銘,陳春良,石文華,等.基于遺傳算法的維修裝備功能規劃.系統工程與電子技術[J]，2014，6（7）：1346～1351

[8] Lartigau Jorick,Nie Lanshun,Xu Xiaofei,et al.Scheduling Methodology for Production Services in Cloud Manufacturing[C].Proc.of Int'l Joint Conference on Service Sciences，2012：34～39

[9] Geyik Faruk.Process Plan and Part Routing Optimization in a Dynamic Flexible Job Shop Scheduling Environment:An Optimization Via Simulation Approach[J].Neural Computing and Applications，2013,23（6）:1631～1641

[10] Michael L.Pinedo.Scheduling:Theory,Algorithms and Systems[M].New York,USA:Springer Science and Business Media,LLC，2008

李文翔（1979-），湖北武漢人，博士，副教授，研究方向為云計算

胡威（1979-），男，安徽人，博士，副教授，研究方向為智能計算、云計算、嵌入式系統

Design of the Key Scheduling Method of Packaging Production Assistant System Based on the Internet of Things

KE Peng1，2，LI Wen-xiang2，3，HU Wei2
（1.Hubei Province Key Laboratory of Systems Science in Metallurgical Process，Wuhan University of Science and Technology,Wuhan 430081；2.College of Computer Science and Technology,Wuhan University of Science and Technology,Wuhan430081；3.Engineering Research Center of Metallurgical Automation and Detecting Technology of Ministry of Education,Wuhan University of Science and Technology,Wuhan 430081)

For the future development trend of packaging and printing industry,designs the manufacture assistant system based on the Internet of Things.By intellisense and handling of equipment,products and production processes,achieves total processing delay optimization and task scheduling method for optimizing the total cost.Simulations and field experiments indicate the total production and processing delay optimal scheduling methods and the validity of the total cost optimization scheduling approach for their optimization goals.

Packaging and Printing Manufacturer;Internet of Things;Scheduling Method;Genetic Algorithm

1007-1423（2015）02-0021-05

10.3969/j.issn.1007-1423.2015.02.006

柯鵬（1977-），湖北武漢人，博士，研究方向為智能計算計算

湖北省教育廳科技研究計劃（No.Q20141110）、冶金工業過程系統科學湖北省重點實驗室（武漢科技大學）開放基金（No.Y201322）、武漢科技大學教育部冶金自動化與檢測技術工程研究中心開放基金（No.MARC201304）