数据驱动的智能车间闭环调度机制

The smart workshop is a cornerstone of "Industrial 4.0" and "Made in China 2025". It has the characteristics of self-learning and self-adaptiveness. In addition to the hardware implementation environment, the production scheduling is also facing new challenges, and there is an urgent need to meet the smart workshop operating requirement of self-adaptive scheduling mechanism, in pursuit of optimizing overall performance. This project concludes this requirement into the scientific problem of data driven closed-loop scheduling mechanism for smart workshop. Firstly, with techniques of artificial intelligence, machine learning and system simulation etc., the smart workshop data driven closed-loop scheduling framework is designed. Secondly, the scheduling knowledge and performance prediction knowledge are learning from data using machine learning, a double closed-loop scheduling mechanism is deigned to realize closed-loop control of scheduling process and closed-loop updating of the scheduling knowledge. Thirdly, multi-dimension evaluation model of smart workshop and integration of mechanism model into data model are studied to make the learned knowledge more valuable. Finally, based on existing equipment of the laboratory, the closed-loop scheduling experiment environment of the smart workshop is constructed. This project enriches and develops the theory of manufacturing system scheduling in theory, and puts forward new ideas and new methodologies to address the adaptive scheduling of the smart workshop, and provides scientific basis for discovering optimized operation methods of the smart workshop as well.

智能车间是实现“工业4.0”和“中国制造2025”的基石，具有自学习和自适应等特性，除需要架设物联网、CPS等环境外，其生产调度也面临着新的挑战，迫切需要能满足智能车间运行需求的自适应调度机制，达到综合性能优化。本项目将此需求凝练为数据驱动的智能车间闭环调度科学问题。首先，综合运用人工智能、机器学习、系统仿真等技术，构建数据驱动的智能车间闭环调度框架；其次，应用机器学习方法从数据中获取智能车间不同模式下的调度知识和性能预测知识；设计双闭环调度机制，实现调度过程的闭环控制和调度知识的闭环更新；再者，研究智能车间运行多维评价体系，在数据模型中集成能耗等机理模型，使学习到的知识更具价值；最后以实验室已有设备为基础，构建智能车间的闭环调度实验环境。本项目研究在理论上进一步丰富和发展制造系统调度理论，在实践上，探索解决智能车间自适应调度的新思路与新方法，为发现智能车间优化运行方法提供科学依据。

适应性调度是提升智能车间对不确定环境适应性的一项关键技术，也是本领域当前国际研究热点之一。本项目依照计划对数据驱动的智能车间闭环调度问题展开深入研究，获得了具有理论和实际意义的研究成果：.在数据驱动的智能车间适应性调度框架方面，基于信息物理生产系统，构建了包含生产数据获取、动态扰动识别、调度策略调整和调度方案生成四个环节的自适应调度框架，实现了动态环境下调度方案的适应性调整；为了进一步增强调度系统的抗干扰和自学习能力，在上述框架基础上，扩充鲁棒调度、实时调度、重调度和闭环优化的联动运行机制，提出了智能车间闭环联动适应性调度体系框架，形成了覆盖调度执行全流程的适应性调度与优化。.在数据驱动的智能车间调度方法方面，研究基于人工智能技术的车间调度新方法，提出了基于有监督学习的智能车间适应性调度方法、基于强化学习的智能车间适应性调度方法以及基于人机混合增强智能的适应性调度方法。.在智能车间适应性调度闭环优化方面，提出了基于调度知识管理的闭环优化机制，形成双闭环的智能车间调度方法，即“调度执行-调度监控-调度优化”的调度环路和“知识生成-知识使用-知识更新”的调度知识环路，提升了调度优化的精准性和持续有效性。.研制了面向智能车间的CPPS实验平台，对本项目所提出的理论和方法进行综合应用验证。.项目组已发表学术论文33篇，其中SCI收录13篇，EI收录13篇，出版专著1部，申请发明专利8项(其中授权1项)，获批软件著作权2项，培养博士研究生4名，硕士研究生8名。.项目研究成果丰富了车间调度的理论研究，具有重要科学意义；也为智能车间高效稳定运行提供了有效手段，具有重要的应用价值。