面向制造裝配過程的大數據分析與調度優化研究

宋海濤，陸 濤，李世強，蘭雅琴

（工業互聯網創新中心（上海）有限公司，上海201306）

0 引言

隨著新工業革命時代的序幕徐徐拉開，物聯網、工業互聯網、智能ICT技術、人工智能等技術成為舞臺上最受矚目的新星。在這些新興技術的推動下，工業領域中的大數據環境正在逐漸形成，數據從制造過程中的副產品轉變成為備受企業關注的戰略資源。航空、航天、高鐵等領域的設備具有結構復雜、工作條件嚴格、可靠性要求高等特點。隨著新一代設備綜合性能的提高，裝配質量和效率的要求也越來越高。裝配在產品的生產制造過程中占據十分重要的地位。裝配序列規劃是產品數字化裝配規劃過程的重要組成部分，裝配序列規劃結果的優劣直接影響著產品的質量、使用壽命和性能[1]。

特別是裝配過程中產生的異構數據使得裝配調度優化問題更加復雜。許多常見的方法和模型對裝配大數據的處理有局限性。基于大數據的裝配調度問題是指具有裝配資源能力約束的多目標優化問題。然而，各種因素的影響很難用一個清晰的數學模型來描述。

裝配過程復雜性（APC）依賴于裝配過程屬性，如裝配零件和技術。裝配復雜度從根本上決定了人的失誤率，也對產品質量有重要影響[2]。趙雷[1]通過二次開發工具CAA，完成自動提取產品三維模型的裝配信息，采用混合算法進行裝配序列的求解，實現了最優裝配序列的生成，驗證了該算法的可行性。薛問濤[3]利用UG軟件平臺和VC++語言作為建模工具，構建裝配模型，對系統各模塊進行程序設計，使系統在UG的環境下，實現三維裝配體和零件模型的生成及裝配信息的提取。李慧[4]在分析了裝配規劃過程對產品數據信息需求的基礎上，建立了面向裝配的產品層次模型，以及基于NURBS統一化表達的零件幾何信息模型；并結合干涉關系矩陣，建立了包含設備資源信息的層次化裝配關系模型，實現了對零件及其裝配資源動態約束關系的表達，降低了裝配規劃的復雜程度。盧小平[5]針對虛擬裝配中的產品裝配順序規劃問題，提出層次化裝配模型，在此基礎上生成產品裝配層次樹結構，并給出基于裝配關聯圖的分層規劃算法，通過固定順序判據法降低裝配序列組合復雜性，提高裝配順序規劃的效率。孟飆等[6]通過建立由質量數據關系模型和質量數據倉庫模型共同組成質量數據模型體系，設計出一種基于數據模型體系的飛機裝配質量數據挖掘循環機制。劉明周等[7]除了各種制造資源的靜態裝配信息和各部門之間的協調之外，在裝配系統的操作過程中產生的大量動態和實時的資源信息也會導致裝配系統的復雜性。此外，對輪式移動機器人或拉式制造系統[8-9]有一些建模研究。

現有的制造系統建模方法大多從一個特定的角度函數模型、信息模型或動態模型中考慮問題，沒有充分考慮和利用制造過程中的大數據效用。在涉及信息環境的制造過程建模中，這一問題更加突出。

劉曉波[10]以CAD工程軟件CATIA/V5為平臺，完成基于模型定義的飛機裝配工藝輔助系統提高工藝人員的設計工作效率。實現飛機裝配工藝信息的分類、獲取、標注等需求。馮廷廷[11]基于MBD技術，通過對飛機裝配流程的分析，以及對裝配工藝模型的設計與仿真，最后生成裝配指令，提高飛機裝配效率。熊峰[1 2]利用XML技術構建飛機裝配工藝信息模型，研究了其特點，用Java編程技術共享裝配工藝信息。林美安[13]考慮到劃分裝配單元，選擇定位基準與方法，利用DELMIA技術實現對飛機自動化裝配仿真。

尤其在復雜設備的制造裝配中，大多屬于單件或小批量生產，其裝配生產線多為多產品、多狀態、多批次、混合生產，裝配調度極其復雜。

多產品混合模型裝配線的調度包括兩個密切相關的方面：最優有效作業分配和最優生產序列。MILTBURG[14]、Pereira和VIL[15]以盡量減少裝配工位數、最小裝配時間和工位間最平衡負荷為目標，將多產品混合模型裝配線轉換為單一品種裝配線來實現作業分配。趙新坤[16]通過建立基于知識的飛機裝配工藝數據模型，并利用云服務平臺技術建立了多個云服務工藝系統，提出基于粗糙集理論的飛機裝配工藝屬性約簡算法和飛機快速工藝設計匹配算法，解決了企業歷史工藝數據資源浪費問題，實現對歷史工藝數據的充分利用。Hwang和Kaayaya[17]以日本鍋爐廠為對象，研究了基于操作特性相似性的混合模型裝配線，并利用遺傳算法在系統級獲得裝配平衡。

以往的調度研究大多是基于靜態調度環境，假定任務的執行不受干擾。然而，在實際生產過程中，往往存在大量的不確定性，導致確定性模型調度缺乏魯棒性。為了解決這一問題，對不確定信息調度問題進行了研究[18-19]。然而，現有的不確定性調度研究并沒有充分考慮到在制造業中產生的大數據。事實上，基于裝配大數據的分析和決策可以在一定程度上減少不確定因素對制造調度的干擾。另一方面，過去的調度研究也很少考慮人的因素，或者簡單地處理人的因素的量化，并沒有探索基于生理信號的人為錯誤的原因和規律[20]。上述研究證實了大數據分析在裝配調度優化過程中的必要性和可行性。

1 面向制造裝配過程的大數據分析與調度優化的體系結構

產品不同，具體裝配過程也不同，根據零部件裝配過程的一般框架模型[21]（如圖1）將多道工序裝配過程分解為操作人員的基本行為序列。

本研究提出一個大數據分析和調度優化系統，其目的是將與裝配質量相關的制造和人為因素數據集成起來，實現制造裝配的質量評價和作業調度優化。該系統由幾個子模塊組成（如圖2）。

圖1 產品裝配過程一般框架模型

圖2 面向制造裝配過程的大數據分析與調度優化系統的體系結構

數據操作模塊：該模塊通過底層數據采集系統收集制造信息，包括自動測量儀器和其他制造過程和資源數據庫。同時，模塊需要對數據進行預處理，并用唯一的標識對所有制造資源進行編碼。

評估和調度模塊：該模塊提供多目標裝配質量評估、人為誤差預測和作業調度優化等功能。

可視化輸出模塊：及時發布調度方案到作業現場，并對進度異常或資源短缺的節點進行預警。

數據庫管理模塊：復雜的裝配線需要一套專業的裝配清單，包括裝配過程描述、相關的檢查定額，以及裝配零件、工具、材料等。

2 面向制造裝配的大數據分析與調度優化系統的支持技術

為了實現系統的功能和體系結構，關鍵技術主要集中在四個方面：裝配過程的大數據分析與處理、大數據決策、人為誤差預測和基于大數據的裝配調度。決策和調度優化模型基于設備裝配系統中產生的大數據。具體實施方法如圖3所示。

圖3 面向制造裝配的大數據分析與調度優化系統的支持技術

2.1 大數據分析與處理

制造過程中產生的動態的、多樣的、相互矛盾的大數據是制造系統復雜性的根本因素。影響設備裝配質量的因素有多方面。唐娟[22]將不確定信息分為實體元素和非實體元素，實體元素覆蓋了設備、人員、材料等信息。非實體元素覆蓋了操作標準、工藝規范和生產管理信息。它們都可能導致成品質量波動。為了建立裝配質量的指標體系和開發裝配質量的測量方法，所涉及的工作包括：傳感器網絡和多源裝配質量數據的測量建模，根據信號輸入的類型，將裝配質量相關的大數據分為機械量、電量、熱量等，設計出相應的質量源感知量。其次，分析感知設備和面向不同感知對象、裝配條件、裝配人員等因素的適用性，并建立裝備智能化實時感知系統。

2.2 裝配質量的大數據決策

制造執行過程涉及多個多屬性或多目標決策問題。實際數據環境中包含大量不確定信息，所收集的數據通常出現數據缺失和不完全信息。因此，有必要對裝配大數據進行分析和處理，然后再進行決策。其目的是：

（1）建立無效或弱有效的數據處理后的決策表；

（2）完善不完全信息；

（3）沖突和不一致信息的標準化處理。

為了處理不確定信息，許多學者提出了基于粗糙集理論的知識約簡方法[23-25]。然而，經典粗糙集理論在大數據處理中存在一定的困難。本文提出了將局部線性嵌入（LLE）、Adaboost（自適應Boosting）、支持向量機（SVM）和D-S證據理論（Dempster-Shafer證據理論）集成在大數據決策中。對于制造過程中的大量非線性數據，局部線性嵌入是一種廣泛應用的非線性數據降維方法。其特點是處理后的低維數據可以保持與觀測樣本的原始高維數據相同的拓撲關系。通過降維，確定了裝配質量的主要特征和屬性。裝配質量的特征權重對多目標決策的影響可以通過AdaBoost給出不同的條件來實現。AdaBoost通過迭代裝配大數據，根據分類錯誤率更新弱分類器的權重，使得大數據可以有效地用于特征權重的決策[26]。基于大數據集的裝配評價結合特征變量，輸入實際裝配數據，進行裝配質量評價。然后，利用支持向量機和D-S證據理論，對裝配過程進行質量評價，如圖4所示。支持向量機與D-S證據理論的結合得到了廣泛的應用。將支持向量機的輸出映射到質量等級的概率，作為D-S證據理論（即基本概率分配，BPA）中質量等級的判別函數，實現BPA分配的客觀性。最后，利用D-S證據理論對不同等級的數據進行融合。

圖4 基于大數據集的制造裝配評價過程

2.3 基于生理大數據的裝配人員誤差預測

由于思維的復雜性、人體生理的復雜性以及人、組織技術和環境的相互制約和制約，裝配工人的誤差行為是極其復雜的（如圖5）。為了更好地預測人的誤差，將神經工業工程應用于大數據特征降維過程中，采用改進的遺傳算法對樣本數據進行分段編碼，并將各段間的編碼進行遺傳交叉變異操作。

圖5 制造裝配過程中的人為誤差因素模型

此外，從裝配技術、裝配環境、多任務等方面對人的心理負荷和認知能力的影響，建立耦合的人-機-環境模型，研究各種因素對裝配過程中人為誤差的影響機理。基于大數據的制造裝配中人為誤差的預測是基于所獲得的生理大數據，采用遺傳算法和貝葉斯學習方法預測此過程中的人為誤差：

步驟1：分析裝配人員誤差預測模型。

步驟2：輸入樣本數據。

步驟3：基于改進遺傳算法的特征降維。

步驟4：構造基于貝葉斯學習的分類器。

步驟5：裝配人員的誤差預測。

2.4 基于大數據的裝配調度

為了實現生產效率、生產線平衡和智能裝配的最大化，關鍵是要根據裝配過程中的大數據來解決混合模型裝配線的建模問題，并找到一種有效的求解動態規劃模型的方法，如下：

充分利用裝配執行的歷史信息，建立裝配活動的知識模板、組裝任務和工作分解。

結合描述柔性裝配的多目標調度問題，以生產效率最大化、成本最小化、設備利用率最大化為優化目標，實現復雜裝備裝配的多目標調度優化。

（1）制造裝配任務的可變度量聚類

通過對裝配任務的相似性分析，將屬于不同裝配階段的相似裝配任務集成在同一批中，以保證裝配生產效率和生產線平衡的最大化。

通過可變度量聚類初步處理裝配任務，根據不同裝配任務的不同過程，在k維空間中用不同的裝配參數建立裝配任務的高維聚類空間（數據集D、特征參數和閾值）。

通過MDL（最小描述長度）技術剪輯空間，構造由密集單元構成的樣本的優化聚類空間。在優化聚類空間的基礎上，利用k-均值算法對裝配任務進行聚類。

（2）制造裝配調度與求解

基于裝配大數據的裝配調度決策的目標和定量表達是首要任務。調度目標集成了生產效率、設備利用率、人的因素（心理負荷）等，為調度問題的建立奠定了基礎。此外，分析了裝配調度問題中涉及的裝配約束，包括配送時間、資源能力、成本、任務優先級等，并利用混合智能算法求解制造裝配的調度優化問題。

3 結論

本文提出了一種面向制造裝配的多目標決策調度優化模型，闡述了大數據分析與調度優化系統的支撐技術，為定量化、信息化的裝備制造提供決策支持。本研究的貢獻可歸納如下：

（1）通過對制造裝配過程中產生的裝配大數據進行分析，發現裝配大數據與裝備制造中裝配任務執行的綜合性能之間的關系。在此基礎上，構建了具有知識關聯的裝配資源模型，為制造裝配決策奠定了基礎。

（2）提出了制造裝配過程中多目標決策問題的一般解決方案，包括裝配大數據的維數約簡、特征權重評價、基于裝配大數據的裝配質量評價和人的誤差預測等。

（3）局部線性嵌入方法可以減少不確定信息的干擾，提高裝配調度系統在動態大數據環境下的適應性和準確性。同時，基于大數據的AdaBoost算法的特征權重評價比傳統的人工評價方法更客觀、更科學。

（4）在復雜設備裝配調度優化前，利用神經工業工程對裝配人員的性能進行準確預測有助于探索各種因素對裝配質量的影響規律，明顯提高裝配的可靠性。

本文所分析的支撐技術為大數據決策在制造優化中的應用提供了良好的理論基礎和應用參考。但是在某些情況下，復雜設備的小批量生產可能導致歷史制造數據的短缺，影響優化效果。在接下來的研究中，將繼續改進模型的約束和算法，如引入時間窗約束等，以更好地適應在時間效率要求和數據不充分情形下的環境系統。