大數據技術在智能制造運營管理系統中的應用研究

陳晨 秦雙雙 常芹

摘要：智能制造運營/執行管理系統（MOM/MES）采集大量生產制造數據，對制造數據進行有效地分析處理，將為改善整體制造運營管理體系提供依據和方向。本文介紹了按訂單生產（MTO）制造模式中的大數據分析方法，其中訂單延誤率和工作負荷是該制造模式下最關鍵的數據指標之一，在運營管理決策中起著關鍵作用。該研究的目的是研究在MTO企業的運營過程中由制造執行系統（MES）收集的制造數據，并開發用于支持運營計劃的工具。開發的工具可用于生產模擬和潛在資源負荷的預測。

關鍵詞：智能制造運營（執行）管理系統；大數據；可視化；運營管理；按訂單生產制造模式

1 引言

MES/MOM 系統中，采集和存儲大量的來自不同生產運營過程的多源異構數據，被定義為“制造大數據”。制造大數據不同于互聯網下的社交網絡大數據，具有如下鮮明的特點[1-2]：1）強時序性；2）強關聯性；3）高預警性；4）數據增量性巨大。主要是因為生產制造過程本身是一個連續的整體的系統[1]。因此，需要開發新的數據分析工具或算法來發現生產運營過程中潛在的特定的問題和知識。

在本文中，針對于離散制造業常見的按訂單生產制造（MTO）模式，提出了基于可視化模型的大數據分析算法。基于以往的行為模式中，采用大數據算法（如深度學習）預測未來生產中可能存在的威脅和瓶頸。

按訂單生產（MTO制造）是離散制造業最常見的生產制造模式之一[3-4]，通常是面向項目/訂單的制造類型，如機械裝置[3]或能源設備[4]等復雜產品的生產制造都采用該制造模式。

如今，MTO制造業面臨著動態多變的商業環境，全球化的強大影響，競爭日益劇烈[5-6]、不正確的需求預測、開發過程中的頻繁變更、高度依靠單一供應鏈體系以及交貨時間短等挑戰[6]。另一方面，他們還面臨著信息不完整、工業知識圖譜不完善以及資源的隨機性等問題。因此，對車間操作和物料流的有效管理是控制這種高度動態的制造環境的操作復雜性的關鍵因素之一[7]。

很多制造業也意識到可靠、準確的數據是生產運營管理的必要條件[7-8]，也是企業保持市場競爭力的關鍵因素，因此很多制造業已實施部署了各種制造信息系統（如MES、MOM和ERP）并集成了企業中各種相關業務，目的是確保信息的完整、改善車間的可視性和物料流的可追溯性等，以便更好地生產決策。這些信息系統都生成并存儲相關項目、工單、操作、資源、生產計劃和事件等的多源異構數據。在智能制造模式和工業4.0范式的推動下[5-6，8]，人們越來越意識到制造業數據的價值和潛力。但是，由于缺乏相關知識和如何有益地使用可用數據的想法，大數據分析技術提供的可能性與制造業從制造大數據中提取價值的能力之間存在很大差距[9]。因此，本文嘗試采用大數據分析技術，挖掘制造大數據自身的價值，以支持制造運營管理。

2 案例分析

在本節中，將對MTO制造業中基于實際制造業數據的運營管理進行數據分析的初步研究。

大量的研究和實踐表明，MTO制造業最容易出現，且不容易控制的來源于生產計劃[3，5]。計劃不充分導致交貨時間長、訂單延誤率高、資源利用效率低、工作超負荷和關鍵資源瓶頸等，這些都是MTO公司的典型問題。其主要是因為產品種類繁多，批次數量少，缺乏冗余資源，生產負荷不平衡，物料流不足等導致。

如圖1所示，以活動模型（IDEF0）圖的形式展示試驗研究的工作流程。第一步，MES數據的預處理；第二步，部署生產方案可視化模擬工具；第三步，測試用于計劃排產任務的不同啟發式算法；最后，應用開發的模擬工具演示并測試了預測工具的開發和使用，該工具可用于預測工作系統上的工作量累積。

2.1 數據準備和預處理

實驗研究中考慮的數據與在被研究的MTO制造業公司的車間中執行制造操作有關。實驗中，采用MES數據庫的備份。數據從2016年1月開始，為期18個月。該實驗數據集包括58 865個制造工序，14 422個工單和352個工作系統的數字、分類和文本描述。

預處理原始數據并創建三個沒有丟失、無意義和極值的關系表。這些關系表的結構見下表。

將工作訂單的實際開始時間戳確定為第一個相應操作的實際開始時間戳。單個工作訂單的工序由操作實際開始時間戳的順序確定。將實際加工時間計算為結束加工時間減去開始加工時間。

盡管表中包含有關352個工作站的信息，但是在觀察到的18個月時間段內（即用于表操作中的處理）僅使用了160個。數據預處理系統以Python編程語言實現，數據庫管理系統采用MySQL。

2.2 生產計劃模擬假定

基于預處理的MES數據，開發生產方案可視化模擬工具。仿真工具以Python編程語言實現，并使用面向文檔的NoSQL數據庫MongoDB來存儲和管理生成的仿真方案，以進行進一步地分析和可視化。

為了簡化進行實驗研究，同時考慮到信息的不完整性，因此做出了如下假設和簡化：

1）24/7全天候生產，無休假；2）在單個工作站上一次只能執行一項操作；3）在處理單個工序的過程中沒有中斷，這意味著工序的工作不能在中間停下來，然后再繼續進行；4）所有工作站都被視為獨自位于自己的位置，并且物料從一個工作站傳輸到另一個工作站，然后執行后續操作。由于缺少有關物流運輸的信息，因此將材料從一個工作站運輸到另一個工作站所需的時間隨機設置為30～90 min；5）每次操作后，需要進行運輸，然后才能開始相應工作單的后續操作；6）在操作處理時間中已經考慮到工作中斷、故障和故障排除等；7）不考慮維護工作。

2.3 可視化仿真用例：測試用于計劃排產任務的啟發式算法

為了顯示如何使用生產場景模擬工具，給出了測試啟發式算法以計劃任務的示例。測試了兩種用于計劃排產任務的簡單啟發式算法：

1）先進先出策略（FIFO）。在該策略下，工作站上等待時間最長的工序將首先進行處理。

2）最早計劃時間策略（EPT）。在該策略下，工作站上首先要處理的是計劃的作業開始日期最早的工序。

用來比較兩種不同調度啟發式方法的仿真結果的指標是延遲訂單的分布情況。工單延遲是通過工單的和來計算（實際完成時間/計劃完成時間）。

模擬開始時間為2016年1月4日，模擬結束時間為2017年5月1日。

工單延遲時間的結果分布如圖2所示。為了指示生產方案模擬工具的準確性和可靠性，在圖2中添加了基于原本MES數據計算的實際工單延遲時間的分布。通常，目標是工單的結束時間不會太晚也不會太早。結果顯示EPT策略啟發式算法效果較優。

2.4 大數據預測算法分析

與車間中的運營管理相關的另一問題是工作站的工作負荷，即需要在工作系統上完成的工作的累積。

為了預測工作站的工作負荷值，可以預測工作的處理時間、工作位置和工作訂單的狀態（在等待，運輸或處理中）。

在實驗中開發并使用了基于歷史數據的預測操作處理時間的功能和學習調度啟發式方法的功能，并在實驗中使用了機器學習技術來預測操作處理時間并學習了操作選擇的啟發式方法。實現的機器學習算法是基于Python機器學習庫Scikit-learn [10]。 由于易于調整，與其他方法（例如神經網絡）可比的預測能力以及方法的可伸縮性，因此使用了隨機森林算法。

預測哪個操作將首先在工作系統上進行處理的算法包括兩個連續的步驟：

步驟一：對于要在工作系統上處理的一組等待操作中的每個操作，請使用OPSEL預測器（如下所述）進行預測，該預測器返回0或1。

步驟二：從OPSEL預測變量預測為1的操作集中隨機選擇操作。如果沒有預測為1的操作，則從觀察到的工作站的所有等待操作集中隨機選擇操作。

OPSEL預測是基于機器學習技術進行分類。它以一種既可以學習FIFO也可以學習EPT啟發式的方式進行設計。用于學習的個體實例對應于在某個工作站中選擇操作的個體過去情況，并且對應于在該工作站中等待處理的個體操作。特征向量由三個特征組成：1）在觀察到的工作站中要處理的所有等待操作的數量；2）等待時間更長的操作的數量；3）待等待的操作的數量和具有較早的計劃操作開始時間。相關目標類別yopsel表示是否選擇了觀察情況下的操作（yopsel = 1）或未選擇（yopsel = 0）。

使用單獨的訓練和測試集方法估計已實施的預測選擇模型的性能。訓練和測試集都包含一個月時間段的實例（一個月用于訓練，下一個用于測試）。使用開發的生產方案模擬工具。結果是：1）在使用FIFO啟發式的情況下，該模型正確地預測了100%的示例中的所選操作。2）在使用EPT啟發式算法的情況下，模型正確預測了75%的示例中的選定操作，這可能是由于以下情況經常發生的結果：多個等待操作的計劃開始時間與計劃中選定的操作的計劃開始時間完全相同。

生產場景可視化模擬工具用于演示工作站工作負荷預測工具的使用并評估其性能。選擇EPT策略下的啟發式算法。模擬的開始時間為2016年1月4日。開始預測時間設置為2017年2月15日。預測時間提前了一個月，直到2017年3月15日。開始收集示例以學習OPSEL預測器的時間設置為開始預測時間之前的30天。工作系統工作過載可視化的一般原理，用于顯示預測結果，如圖3所示。

2.4.1 結果與討論

如圖4所示，給出了實際和預測的工作系統工作超負荷的比較。

預測的操作開始數為2 371，而在預測期間實際開始的操作數為2 946。97.6%的預測操作在2017年5月1日之前的實際場景中啟動。這些預測操作的平均誤差（預測和實際開始時間戳相減的平均值）和MAE的開始時間分別為-3.86和9.13天。預測的操作處理時間的平均誤差，MAE和RMSE分別為56.25 min，19.38 h和32.03 h。

通常，除了預測操作選擇和操作處理時間之外，機器學習技術還可以用于其他功能，例如，預測運輸時間、預測工單延遲和預測工單的操作順序改變等。

可視化有助于決策。如果可以盡早預測某些工作站的關鍵工作負荷，可以提前采取行動，例如，可以重新安排相關的工作訂單，可以將操作重定向到類似的工作站，甚至可以外購等。

3 結束語

本文研究了如何采用大數據分析技術對制造執行/運營管理系統（MES/MOM）采集的多源異構數據進行分析預測，以便支持制造業制造運營管理決策。文中以離散制造業常見的按訂單生產（MTO）制造模式進行說明。

根據實際的制造大數據，提出了生產情景可視化模擬和算法驗證相結合的研究思路，開發了生產情景模擬工具，并將其用于實驗研究。實驗包括測試用于計劃排產任務的啟發式算法，以及生成數據分析工具以預測工作系統中的工作量。基于大數據的可視化模型，以方便進行操作管理的決策并有效地呈現匯總信息。結果表明，這種分析方法有助于更好地管理操作，從而更有效地執行操作，更好地利用資源，縮短交貨時間并提高到期日可靠性，良好地支持制造運營管理決策。通過實驗，確定了在實際制造環境中開發和實施大數據分析工具時需要考慮的問題和挑戰。

參考文獻

[1] Esmaeilian B，Behdad S，Wang B.The evolution and future of manufacturing[J].A review Journal of Manufacturing Systems，2016（39）：79-100.

[2] Rihtarsi，Sluga A.Quality management in the era of IoT & Big Data[D].Bled Slovenia：a case study in ETO Company，2017.

[3] Babiceanu RF，Seker R.Big data and virtualization for manufacturing cyber-physical systems：A survey of the current status and future outlook[J].Computers in Industry ，2016（81）：128-37.

[4] Pedregosa F，Varoquaux G，Gramfort A，et al. Scikit-learn： Machine learning in Python[J].Journal of Machine Learning Research，2011，12（28）：25-30.

[5] 閆紀紅，李柏林.智能制造研究熱點及趨勢分析[J]. 中國機械工程，2020，8（2）：28-29.

[6] 張潔，汪俊亮，呂佑龍，等.大數據驅動的智能制造[J].中國機械工程，2019，18（2）：78-79.

[7] Guerra-Zubiaga DA，Young RI. A manufacturing model to enable knowledge maintenance in decision support systems[J].J Manuf Syst，2006，25（2）：122-136.

[8] 李海峰，閆光榮.工業互聯環境下的PLM 應用[J].航空制造技術，2016，18（5）：78-79.

[9] Babiceanu RF，Seker R.Big data and virtualization for manufacturing cyber-physical systems：A survey of the current status and future outlook[J].Computers in Industry ，2016（81）：128-37.

[10] Ji W，Wang L.Big data analytics based fault prediction for shop floor scheduling[J].Journal of Manufacturing Systems ，2017（43）：187-94.