蔡飞飞，郗欣甫，沈瑞超，孙以泽

(东华大学 机械工程学院，上海 201620)

生产车间是企业信息流、工作流、物料流和控制流的交汇点，也是确保生产计划顺利完成的关键部分[1]。对车间生产过程进行实时监控，有助于企业及时掌握生产动态并根据生产情况实时调整订单计划，进而有效控制生产进度，提高生产效率和制造水平，实现资源最优配置与效益最大化[2]。

经编车间过程监控不仅监控经编机生产织造过程中的数据，还监控操作人员信息，以此作为车间生产调度的数据来源，可更好地管理车间。信息物理系统(cyber-physical system，CPS)[3]利用先进感知、计算、通信等技术将物理与信息空间相映射和交互，致力于实现按需响应与动态优化。利用CPS构建经编车间监控系统，既可以采集人机数据，又可以进行计算与响应，可提高经编机的智能响应性能，也可提升经编车间的动态调控能力。目前，CPS已在相关行业中得到应用。付盼[4]提出利用CPS研究农业远程监控系统中关键技术；毕筱雪等[5]借助CPS设计了数控机床监控系统；陈容等[6]基于CPS设计了智能控制生产线框架。我国作为经编大国[7]，经编机占有量高，但车间生产数据利用率低、管理方式落后。经编布织造过程中，经常出现断纱、漏针等情况，需人工不断巡检，以及时排查、发现、上报并修复，从而确保加工过程顺利进行。计划人员需手工抄录工艺数据，及时计算盘头纱线剩余量和织造时间，而经编车间由于产品种类多、工艺多、设备多，造成车间用工多，给人工管理带来极大困难。经编布在加工过程中，需经历上轴、穿纱与织造等步骤，其中上轴与穿纱步骤均由人工完成，工艺难易程度、人员分配及人工熟练度等因素将影响工序完成时间。鉴于上述原因，车间排程需考虑设备型号、产品种类、工艺参数、人工熟练程度等因素，存在多因素组合优化困难及交期不准的问题。此外，操作人员素质参差不齐，导致接纱、落布及设备故障等信息记录不完整或缺失，无法为管理人员提供有效的故障修复措施、成因分析、人员考核标准等车间管理优化信息。为此，需对经编车间生产过程进行监控，并依据生产数据进行生产调度，合理配置人、机、物等资源。本文为实现经编车间的过程监控与生产调度，基于CPS设计经编车间过程监控体系架构并划分车间管理层次结构，构建经编机信息模型并赋予数据具体内涵，通过在边缘侧计算，加快了计算效率与响应速度，最后利用系统数据进行生产订单排程，以实现订单的快速分配与执行。

1 经编车间CPS体系架构

为更好地管理车间和更快地响应指令，按照

CPS技术标准与经编车间实际情况，设计两级经编车间体系架构。单元级经编CPS架构如图1所示，该架构主要立足于感知与自动控制层面，通过信息壳将物理世界与信息世界相连。经编机内传感器、控制器等硬件设备，以及一线操作员工、管理员等，既是信息采集源也是信息接收方和执行方，既是数据环流的起点也是终点。考虑到经编机自身数据量大，为更好地传输与展示数据，一方面需构建经编机信息模型以丰富数据内涵，另一方面需将整个系统的计算工作分配至边缘侧即单元级经编CPS中，以加快数据处理效率与指令响应进程。

经编布订单多，需拆分后分配至多台经编机上加工，为实时感知单台经编机生产状态，并促进经编机之间的互联、互通与互操作，从而在一定程度上提高制造资源优化配置的广度、深度与精度，需构建系统级经编CPS架构，如图2所示。利用大数据分析制定科学决策，通过监视诊断及时发现生产故障信息，协调各部门、工种，加快制造进程，提升经编车间管理水平，保证如期交货。

2 信息建模

车间内经编机数量众多，单纯数据无法显示来源及相互间联系，缺乏针对性[8]，采用OPC UA进行经编机信息建模，以便于各类数据存储与检索。经编机通常包含感知设备(传感器、射频读卡器和编码器)和控制设备(电动机和打码机)。感知设备只具备变量属性，不具备方法；控制设备除具有变量属性外，还具有方法。表1为不同节点的经编机对象类型，表2为控制设备中电动机的定义。

表1 经编机对象类型

表2 电动机类型定义

经编机中各类设备类型定义与电动机类型相似，整个模型以XML形式保存，可以在不同平台和不同语言环境下识别，根据经编机的具体型号在软件中实例化对应数量的对象，即可完成经编机模型的建立，使用过程中可根据需求增删节点，具有操作灵活方便、开发周期短的优势，经编机整体信息模型对象如图3所示。

3 边缘侧数据计算

经编车间过程监控需要进行大量数据采集与计算，数据同时传输不仅造成传输通道阻塞，还会留下数据安全隐患，影响指令传递效率。在靠近网络边缘侧的单元级经编CPS内，进行单个经编机内数据计算，既可以减轻服务器计算压力，也可以将计算结果直接反馈给当前经编机，减少了数据反馈时间。经编布织造时间的准确预测，有助于把握交货期并合理配置生产人员与设备，可减少上下游产品的库存量，提升企业效益。影响经编布织造时间的因素较多，各因素既单独影响织造时间又相互联系与影响，其相互之间的关系可抽象为

(1)

式中：T为织造时间；G,H,K,P为自变量与因变量之间的某种函数映射关系；a～f为织造时间的影响因素，依次为设备、工艺参数、人员熟练度、订单数量、停机次数和保养时长。

分析式(1)可知，织造时间与列出的6类因素存在某种相互影响关系。订单量越大，织造时间越长；订单数量分配不均，整体织造时间无法预估；停机次数越多则停机累计时长越长，织造时间将延长，而设备性能优劣影响停机次数，人员熟练度影响单次停机时长；设备保养时长影响生产进程，设备持续运行不保将降低设备性能，从而影响织造质量及时间；人工操作熟练程度影响操作设备的时间与处理停机状况所需的时间；工艺参数的差异将导致纱线送经量、布匹牵拉密度、电机运转速度等参数不同，从而使得各机构运动过程不同，最终导致织造时间不同；不同类型的设备性能不同，加工同样的产品消耗的时间不尽相同。

各因素之间相互影响，导致映射关系G较为复杂，难以用精确数学表达式表征。为解决上述问题，采用BP神经网络构建经编布织造时间预测模型，通过大量数据的训练，不断优化神经元权重与阈值，使得结果不断逼近准确值。分析上述6类影响因素，可通过统一订单数量减少一维影响因素，从而减少模型复杂度及求解时间。因经编布织造时间的影响因素有5类，根据BP神经网络结构，可确定输入层包含5个神经元，输出层包含1个神经元。为求出隐含层层数及各层神经元个数，需利用数据进行训练，如图4～6所示。

单、双隐含层的均方误差最大值分别为0.124和0.034 h，最小值分别为0.056和0.021 h。由此可见，单隐含层的最小均方误差比双隐含层的最大均方误差还大，故隐含层选择双层结构。由图5可知，在神经元个数为10时，均方误差最小。由图6可知，当双隐含层次层神经元个数为9时，均方误差最小。至此可以确定适合经编布织造时间预测的BP神经网络结构，即输入层(5个神经元)、双隐含层(神经元个数分别为10和9)和输出层(1个神经元)，如图7所示。

为验证图7所示BP神经网络模型预测结果的准确性，随机选取100组数据代入模型进行运算。通过对比样本预测值与期望值，得到样本的预测误差，结果如图8所示。由图8可知，大多数预测误差绝对值小于0.4，表明预测结果较为准确。根据经编布织造过程实际情况可知，样本预测误差在可容纳范围内，故可作为预测经编布织造时间的一种方案。

4 生产调度

经编车间内经编机种类多、订单多、操作人员流动性大，经编机选择、人员配置、物料供应等方面协调作业需生产部门制定详细生产计划。为降低人力成本并减少加工织造时间成本，以保证订单如期交货，需优化现有的生产调度方式。利用系统级经编CPS的数据，进行大数据计算以制定科学决策方案。相比普通机加工车间生产调度[9]，经编车间存在特殊性：相关工序需人工完成，由于完成时间与操作工数量及熟练度有关，故不能忽略人工工序；同一经编机上不同订单工序之间相互制约。不同订单工序之间的约束抽象为

(2)

式中：TOj, 1为第j号订单的第Oj, 1工序的开始时间；TOi, N0为第i号订单的第Oi, N0工序的开始时间；N0为订单加工工序的最后一道工序数；tOi, N0,k为第Oi, N0工序在第k台设备上的加工时间；M(Oi, N0)为第Oi,N0工序选择的加工设备；X(Oi, N0,M(Oi, N0))为第Oi, N0工序在M(Oi, N0)机床上加工的开始时间。

遗传算法在解决柔性作业车间调度问题方面具有很好的效果且应用范围广[10]。考虑到经编车间生产过程中人工参与度高，不同订单之间存在相互约束的特点，对遗传算法进行改进后求解经编车间生产订单的排程方案。其主要过程如下：人员虚拟化；订单分配与可选设备确定；基于工序和设备的编码；选择、交叉与变异；编码条件约束；适应度计算；求解；调度图反虚拟化。人员虚拟化是在排程时，将参与上轴的班组员工虚拟成能够完成上轴的设备，将穿纱的班组员工虚拟成能够穿纱的设备，并与选出的具体经编机一起组成基础设备。编码条件约束是指将式(2)的约束加载进算法中，以确保编码与加工时间符合实际情况，从而充分考虑经编车间排程特点。调度图反虚拟化是指将虚拟的机器即不同工种的班组操作人员反虚拟化成在实际设备上加工的操作序列，形成符合经编车间生产过程的调度方案甘特图。现代化生产过程中，多功能机的出现加快了柔性化制造过程，借鉴多功能机概念，将上轴工与穿纱工按照一定比例进行分组，形成同时具备上轴与穿纱两种功能的工种，将此过程称为“类多功能”分组。

以8订单9机床的范例进行测试，分别求解普通分组与“类多功能”分组的生产调度方案，经反虚拟化得到生产调度甘特图，图中工序Oj, i上方的数字代表操作班组代号或经编机编号，如图9和10所示。由图9和10可知：普通分组时订单完成所用时间较长，生产过程不连续；“类多功能”分组时订单完成所用时间较短，生产过程较为紧密。两种分组方式求解得到的最优解随着迭代次数而改变，普通分组在完成25次迭代后收敛于最小值，“类多功能”分组在完成12次迭代后收敛于最小值，可见其收敛速度优于普通分组，如图11所示。

5 应用分析

经编车间过程监控中，除采集经编机控制器中数据外，还需要采集其他信息，如经编机的停机原因。单元级经编CPS通过控制经编机启停的方式，规范挡车工输入停机原因，保证每一次停机产生时间、原因、时长等信息均被系统采集。单元级经编CPS将采集的数据经计算后，一方面将整机状态数

据包反馈给系统级经编CPS，另一方面将计算结果形成的决策反馈回经编机，使其精准执行。系统级经编CPS将单元级经编CPS反馈的状态数据包进行再处理：一方面进行“透明化”工作，便于管理人员掌握生产车间实时动态，并及时调度人员进行故障修复，减少经编机停机时长；另一方面进行大数据分析，综合考量各方面资源、成本，形成生产排程方案，从宏观上指导经编车间生产。

图形化界面用以展示生产动态，包含停机记录信息、产能信息、工艺信息、订单信息以及人员安排等信息，管理员根据系统计算的纱线剩余量、时间及警示信息，及时向整经车间提交纱线需求单；结合开机时长、月度产量趋势图、当日产量、断纱时长等数据，判断挡车工工作效率和经编机生产效率等参数，作为绩效考核参考指标。单车间生产信息可视化界面如图12所示。

目前，系统已经在企业试运行，效果良好。采用系统后，车间巡检人员已从3人减至1人；每班次操作员工人数比原先减少10%；生产排程人员减少1人；班次产能提高2%；穿纱工穿纱时间显著提高；上轴工与穿纱工配合效率提高；停机信息记录提高90%。

6 结 语

本文研究了经编车间的CPS体系结构，提出适用于经编车间的两级CPS监控与生产调度架构；建立了经编机信息模型，可赋予数据深刻内涵与意义；构造了边缘侧计算的经编布织造时间预测模型，以辅助进行复杂数据的预测；研究了采用改进遗传算法进行经编车间生产调度的问题，提出生产人员虚拟化与编码约束的解决方案，以辅助管理人员进行订单排程作业。实践表明，系统能够准确、及时传输数据，准确记录停机原因，实时展示厂区、车间、设备的各种数据，便于管理人员掌握生产进程与动态，从而及时调度操作人员解决设备故障，可保证生产顺利进行。