肖德风

（中国石油天然气股份有限公司大庆炼化分公司 黑龙江省大庆市 163411）

作为全球制造业首屈一指的大国，我国拥有大量的装备制造企业，特别是重工业发达的东北地区，但是随着我国经济的不断发展以及产业结构的不断调整，这些制造企业生产成本高、生产效益低以及资源利用率低的问题越来越突出，市场核心竞争力急剧下降，而MES（制造执行系统）正式解决当前我国制造业诸多问题的有效途径。作为企业上层计划管理与基层车间中坚的纽带，MES 是界于两者之间的生产管理技术与实时信息系统，其最大的优势就是作业计划和调度优化方面，这方面也成为了制造业系统进行调度、规划和管理改革，实现企业优化发展的热点研究方向。

1 MES作业计划和调度能力云服务化研究发展背景。

在大数据的环境背景下，我国的云计算技术取得了突飞猛进的发展，这给传统制造业改革带来了发展契机，云制造系统逐渐走入了制造业领域的视野。简而言之，云制造系统就是一种虚拟化处理过程，主要虚拟化的内容为制造企业的制造能力和制造资源，通过帮助制造企业构造制造能力池来达到对制造资源的按需分配，进而为用户实现制造企业的云服务化，这种云制造系统的优势在于在制造企业的全生命周期服务过程中实现成本控制，同时还能够实现产品的高质量把控。

随着我国大数据技术的不断深入发展，我国的制造业正式从“数据时代”步入了“大数据时代”，在云制造系统发展的背景下，本文主要通过研究制造企业的的单件小批MES作业计划与调度系统，来解决传统生产过程中所遇到的具体问题，并对云服务化的实现展开具体的阐述。

2 MES综合系统的结构概述。

本文基于大数据环境下研究的单件小批MES 作业计划和调度能力问题主要以哈尔滨电机厂采用的MES 系统为基础，对其设计应用的单件小批MES 作业和调度综合优化系统进行系统分析，在实践摸索中找寻解决关键问题的办法。

如图1 所示，ERP 和车间控制层SFC 的异常信息实时传输至通讯接口组件，而SFC也需要定期的接收通讯接口组件发出的轮询，该步骤设计的目的就是帮助车间控制层定期对作业计划执行讯息进行实时更新，以便系统捕获异常信息，分析组件在统一接受完信息后，系统会作出相应的反应，对输出的异常事件进行自动化处理。而通过引入制造能力云服务平台组件，作业计划和调度优化的算法大幅提升，能够给予作业计划与调度接口更加科学、适合的设计规划，全面提升车间作业调度员在应对异常事件处理的工作效率。

图1：单件小批MES 作业计划与调度综合优化系统体系结构

3 MES作业计划和调度优化系统的关键问题分析。

3.1 高效获取异常信息以及发现异常事件。

本文通过设计主动感知子系统以及异常实时监控系统来解决MES 作业计划和调度优化系统中如何高效获取异常信息以及发展异常事件的关键问题。

（1）将制造企业生产车间的异常事件进行定义和分类，并依照异常事件的来源将其分为两大类，详情如图2 所示。

T1类型标记为加工任务，主要包含加急订单和变更订单，信息来自于ERP 系统中；T2类型标记为异常事件，主要包含工件加工、设备运行、人力资源、工具资源以及物料资源等五个方面的异常状态，信息来自于SFC 系统中。

（2）问题分析。本文对车间生产过程产生的异常事件信息采用主动感知子系统和异常实时监控的设计，其主要具备两大职能。一方面，异常实时监控系统能够对上层的ERP 系统以及下层的SFC 系统进行异常状态采集，依照在上层ERP 以及下层SFC 数据库中预先设定的字段取值来获取异常信息数据，对客户端（ERP 和SFC）推送出来的异常信息进行监听，并实时捕获。另一方面，通过设定定时的轮询机制，在一定周期频率内，主动感知子系统能够从SFC 系统中获得作业计划的执行信息，从中找寻不易被发现的能够导致订单无法按要求交付的异常事件。

（3）技术实现。本文设计的主动感知子系统以及异常实时监控在技术赖以发展的核心基础主要有：Socket 网络通信机制、数据库触发器、数据关联分析以及Digester。

3.2 智能化处理异常事件。

本文以关联关系和ECA 规则两种决策引擎作为基础，为MES解决如何智能化处理异常事件量身定做了智能驱动机制子系统。进而帮助MES 作业计划和调度优化系统实现了对异常事件从感知到智能决策的过程。

（1）智能驱动机制子系统需要在设计方面具备两个方面的功能。一方面，智能驱动机制子系统需要具体对异常事件的感知能力，该部分能力主要通过系统设置的事件监听功能来实现，智能驱动机制子系统在设计之初要预先设定异常事件集合，在实际运行过程中，产生的异常事件要与异常事件集合内的数据进行一致性对比，进而为下一步决策分析进行驱动；另一方面，智能驱动机制系统需要针对异常事件特点找寻系统预设定的动作关联关系，进而实现智能化的决策分析，该系统的预设定动作需要依靠大量的典型作业计划静态制定算法以及海量的车间实际生产数据作为基础，

（2）体系结构设计。本文采用的智能驱动机制子系统是基于双决策引擎的异常处理体系基础上设计出来的，其具体结构设计如图3 所示。

关联关系决策引擎本质上就是深入分析异常事件和处理动作之间的相关联系，该决策引擎能够将关联动作简单化处理，并具备极高的执行效率，然而其缺点也较为明显，就是关联动作的执行必须建立在海量的车间实际生产数据基础之上。而ECA 规则本质上就是深入分析异常事件和处理动作之间的因果关系，优点是能够与经验丰富生产调度员的人为决策进行有机融合，缺点是十分依赖专业领域高水平的专家，成本高且难度大。因此，本文采用双引擎算法的互补式设计来弥补单一算法设计上的不足。

图2：异常事件分类

图3：智能驱动机制子系统体系结构示意图

图4：算法云服务子平台体系结构

（3）技术实现。一方面，基于ECA 规则设计的决策引擎的动态配置实现采用可扩展标记语言的XML 来实现，同时进行动态配置以满足决策引擎嵌入ECA 规则集的需求，这种设计对系统的功能性和兼容能力的两方面需求都提供了充足的保障；另一方面，基于关联关系的决策引擎主要应用了并行处理技术以及数据挖掘技术，在数据挖掘算法方面，主要采用了比较经典的BayesNet 和NaiveBayes 算法，这两种算法能够与MES 实时生产环境的GSP 序列挖掘算法相匹配。此外，本文对数据挖掘算法的数据预处理过程采用MapReduce 并行处理解决方案，帮助两种决策引擎实现快速、适应的智能匹配模式，确保该系统对实践相应处理动作的有效性。

3.3 作业计划与调度优化算法计算能力服务化。

为了实现MES 作业计划和调度能力的云服务化，有效解决算法能力的服务化问题，本文主要是通过设计相应的服务子平台，来实现作业计划和调度优化算法的计算能力服务化。

首先，问题分析。MES 作业计划和调度能力的云服务化实现就必须制定高质量的工序级作业计划应用在车间生产过程中，这种作业调度的优化对算法要求较高，因此，要想切实解决这一问题就必须在算法云服务子平台进行设计之前而明确其具体功能内容：

（1）虚拟化封装功能；

（2）注册和发布功能；

（3）服务请求解析的匹配性功能；

（4）监控和管理功能（主要针对执行状态、信誉度以及执行效率等进行监控和管理）。

其次，体系结构设计。本文设计出的算法云服务自平台主要包含算法云服务能力池模块、云服务请求解析器、算法云服务管理中心模块、算法云服务代理以及云服务搜索和匹配模块等五部分，具体结构设计如图4 所示。

第三，技术实现。本文设计的算法云服务子平台在构建过程中，面向服务的体系结构采用SOA 架构进行搭建，对外则是提供SaaS层次的云计算服务，而SOA 体系结构主要采用WebService 技术实现。在虚拟化技术的支撑下，算法云服务资源池对各个算法进行抽象，并封装成不同的WebService，任务的执行过程对上层应用而言是完全透明的。

4 结语

本文设计的这种基于大数据环境背景下的MES 作业计划和调度能力云服务模式是一项MES 系统的综合优化动作，本文提出的闭环体系结构设计能够优化传统制造企业小批MES 系统的工作效率，通过搭配异常实时监控系统以及主动感知子系统，能够帮助制造车间的作业计划与调度及时处理异常数据，并依靠智能驱动机制子系统，配合算法云服务子平台对车间的调度计划和作业计划进行算法上的优化处理，使传统MES 系统工作向着云制造模式的方向发展，全面提升MES 作业计划和调度能力。