潘俊峰，唐敦兵，张泽群，伍健民，冯俊

(南京航空航天大学 机电学院，江苏 南京 210016)

0 引言

随着制造业走向社会化和个性化，客户的个性化需求不断增长。对于企业而言，订单变得数量不确定、时间不确定、优先级也不确定。离散制造车间(discrete manufacturing workshop, DMW)作为制造系统中的加工处理环节，有望更加灵活、快速地适应环境变化，并根据资源条件动态处理生产任务[1]。

为了充分发挥DMW的优势，有研究学者提出了多Agent制造系统(multi-Agent manufacturing system, MAMS)。它将车间里的物理设备与功能抽象成可以独立决策的实体，这种设计方式让多个决策实体共同应对和解决问题，减少了请求上层控制决策的等待时间。

在MAMS领域，KOUIDER A等[2]提出了一种基于协作方法的分布式多Agent调度系统。KROTHAPALLI N K C等[3]将车间实体抽象成两种典型的Agent，即设备智能体(machine agent, MA)和工件智能体(part agent, PA)。在后续的研究中，研究者们通常使用这两类典型Agent。为了提高系统的整体性能，研究人员进一步提出了各类功能Agent，包括监控智能体(supervisor agent，SA)和数据库智能体(database agent，DA)等[4]。但是，在MAMS研究中，绝大多数的研究均是使用软件仿真，鲜有提及将Agent与实际设备的集成。

尽管MAMS可以稳定运行，但整体运行结果通常不是全局最优的。在分层/集中式控制系统中，Agent可以基于当前状态和知识做出快速响应决策，但是很难实现全局推论，进而选取最佳策略。因此，多层混合控制架构和SA被广泛地应用以确保MAMS的整体性能。例如文献[4]中的实例，在SA和系统底层Agent(如MA、PA)之间建立了严格但可调整的层次架构，SA有权禁止或者更改下层Agent的决策结果。

随着个性化定制的流行，订单的不规则性变得越来越强。在设计MAMS的整体性能保证系统时，需要考虑如何在不影响MAMS的重要功能(例如反应性、鲁棒性和自治性)的情况下实现这一目标。

针对这一问题，本文进行了两项研究。一方面，构建了易于部署的MAMS体系结构，可以在不同的DWM中重新实现。另一方面，本文提出了以自组织规则中决策参数的系数作为调整目标来保障全局性能的方法。在决策过程中，指导分层控制架构中的Agent做出有利于全局性能的决策。在本文中，简要叙述第一部分工作，着重于第二部分的研究。

1 结合设备的Agent

首先将车间中的设备按照特定功能进行分割组合，形成功能单元(functional unit, FU)，FU是构成DWM的基本组件。图1显示了位于DMW实验室的铣削FU。该铣削FU主要由CNC铣床及其对应的工位台、RFID读/写设备和各类传感器构成。在分布式人工智能的启发下，设计并提出了智能体计算节点(agent computing node, ACN)的概念[7]。本文基于JADE(java agent development)框架，设计开发了整体系统，搭载于ACN上，并通过物理连接与FU建立联系。

图1 铣削FU示例

ACN的物理硬件载体可以是车间服务器或嵌入式工控机。在开发阶段，将单个ACN程序植入到小型嵌入式计算机中，该程序可以智能地控制单个FU。ACN软件由硬件适配层、智能分析层和基于JADE的信息交互层三层组成。

1) 硬件适配层用于与机器互连，链接库根据不同设备的通信协议提供功能支持，硬件适配层用于完成设备的动作控制和信息采集。

2) 智能分析层是基于边缘计算思想构建智能体的核心部分，此处收集了来自FU和车间环境的信息，Agent线程模块通过这些信息进行分析、协商、决策、控制FU。

3) 基于JADE的信息交互层用于与其他ACN的交互。JADE是基于JAVA语言的Agent开发框架，它封装了消息交换的接口，该接口符合FIPA(the foundation for intelligent physical agents)提出的Agent交互技术规范。

在本文的研究环境中，RFID读写器的天线安装在与FU相连的工位台中。RFID读写器作为信息的传感节点，通过TCP/IP或RS232/RS485通信协议实现与ACN的互连，从而构建了获取和传输生产信息的通道。自动仓储系统的ACN从云端系统获取订单信息，并通过RFID读写器将信息写入工件托盘的RFID标签。FU通过位于工位台上的RFID读写器来感知工件的到达，并通过存储在RFID标签中的信息来分析处理任务。通过ACN的感知，FU之间的工件传输相当于在ACN之间信息传输。

ACN是执行MA和PA的容器。如图2所示，以铣削FU为例，ACN中的MA程序负责单元本身的操作。当工件到达时，当前的ACN会将其视为一项任务，与此部分对应的PA程序此时处于静默状态。对于ACN而言，该部分等价于一串数据，其中包括任务ID和工艺矩阵。

图2 PA与MA

通过任务ID，ACN从车间服务器获取与任务相关的信息。通过工艺矩阵，ACN可以获取当前工艺步骤。当加工设备中没有任务时，ACN将从待加工的工位台中选择任务来进行处理。选择工件后，工件的数据将与相应程序结合在一起以生成PA程序。ACN将充当此PA运行的容器，直到处理完该工件，并通过协商和交互确定下一步工艺的承担设备。此后，该PA程序将停止运行，该部分将再次转换成一条数据的形式存在。

PA通常以一串数据的形式存在，并在需要时由ACN生成运行程序。ACN的智能分析层负责管理MA和PA的线程。在这种模式下，PA不会总是占用计算空间和内存，只存储必要的数据在RFID标签中用于生成PA线程，并与车间中的工件一起流动。

2 规则调整策略

使用ACN，可以实现对DMW的性能改进。如图3所示，多个带有ACN的FU共同构成了一个分层控制系统。在该系统中，ACN的软件程序可以抽象为一个虚拟操作层，称为“自组织控制层”。该层主要负责个体自主和群体协商行为。从混合控制策略中可以得知，增加“监视调控层”，以监控车间整体信息，并且能对车间进行调控，这样可以保障全局性能。在本文的设计中，此“监视调控层”将不会直接控制车间的决策，而只是影响ACN决策因子，从而间接控制车间决策，这保证了ACN是车间内部的唯一控制者。

图3 系统整体架构

将车间内的一组加工单元抽象成FU，通过ACN控制，以这样的方式组成了一套MAMS。从传统的角度来看，在MAMS中，MA和PA是基本组件，ACN的智能分析层负责管理Agent线程。作为决策节点，ACN遵从设计人员制定的决策方式，并根据设计的流程完成决策过程。本文以实验室环境中的系统为例。无论ACN如何控制机床本身，仅从调度的角度来看，系统操作都可以简化为几种类型的决策活动。本文重点介绍系统运行中的性能保证，并选择以下两个决策过程作为监视调控层的调整对象。

1) 工件选择机床：当数据形成PA后，将监视相应工件当前工艺流程的处理状态，并在即将完成处理时启动一轮协商决策。系统中具有相应功能的MA将成为该协商的参与者，而PA是协商发起人与裁定者。在本文中，每个FU的负载、单位时间能耗以及工位台使用率将作为决策因素。

2) 机床选择工件：当加工机床完成当前的工件加工任务时，根据协商规则，它将在工位台中选择下个工件进行加工。在本文中，将选择交货日期、订单日期和工件到达此FU的时间作为决策因素。

对于上述决策因子，进行归一化处理，并赋予不同权重，本文设计的监控调控层将根据实际情况实时调整这些权重。如图3所示，监视层包含3个过程，认知过程、分析过程和调控过程。以下基于3个过程分别叙述决策过程。

认知过程：该过程负责统计和分类每个ACN上传数据，并将用于获取工件信息列表和FU信息列表。工件信息列表记录了每个工件的当前处理进度，而FU信息列表则负责记录每个FU的工位台和机器负载。

分析过程：根据需求设计各种指标并设置相应的参考值。分析过程是通过认知过程中的数据来计算指标的，并将其与相应的参考值进行比较，以确定是否执行自组织规则修改。在本文中，使用一个设计指标(临近超时指标，near-delivery index, NDI)进行说明。NDI用于确定生产活动中是否存在超时风险以及该超时风险的具体值。单个工件的NDI计算过程如下：

(1)

式中：Eti表示第i个工件的交货日期与预估完工日期的差值；Rti表示第i个工件预估的剩余处理时间，即预估完工日期与当前时刻的差值；NDIi表示第i个工件的NDI值。NDI的取值范围是[0,1]，NDI的值越小，过期任务的风险越大。系统时刻t的NDI值取正在进行的工作的最小值，用NDIt表示。将在分析域中设置参考值，以确定是否需要根据NDIt调整当前规则。

调控过程：本文通过NDI对“工件选择机床”和“机床选择工件”决策中各种决策因素的权重进行调整。交货日期越紧急，对生产资源能源消耗的考虑就越少，那么选择负荷少、等待零件少的机器的可能性就越大。同时，当交货日期更为紧急时，处理单元优先选择交货日期较短的零件进行处理。总结上述各项因素，可以得出NDI与每个决策因子权重之间的相关性，设计调整函数，或者当NDI处于不同区间时直接设计权重值。

3 车间部署MAMS

通过ACN在准工业环境中实现了DMW的雏形，并形成了MAMS，车间布局如图4所示。按照上一节的思路设计了监控调控层，以调整生产过程中两个决策过程(即“工件选择机床”和“机床选择工件”)中每个因素的权重。决策过程中每个因素的数值(例如能耗、各个时间点和负载)将由ACN在实际条件下实时计算。同时，这些参数将被归一化处理。为每个FU准备了一个能耗采集设备，并将其连接到相应的ACN。 在系统运行期间，将基于先前的能耗值来预测下一步所需的能耗。节点的机床负载和加工时间等信息将通过Agent程序进行收集统计。

图4 工业环境实际部署样例

本文通过重复执行相同订单的生产以验证多Agent制造系统的实际生产效果，比较3种模式之间的差异，包括无规则模式，即ACN在做出选择时遵循先到先服务的原则、没有监控调控层的固定规则和本文提出的模式。通过计算超期时间和总能耗的总和，并将多次运行后的平均值作为标准，结果如图5所示。在实际操作中，通过实时调整规则，可以更好地保持MAMS的整体性能。

图5 实验结果

4 结语

在现代制造环境中，DMW有望更灵活、更快速地适应环境变化，并能动态处理生产任务。MAMS被认为是解决这类问题的重要方法。但是，部署困难和缺乏全局性能保证措施限制了分层控制系统在实际工业现场的使用。而且最主要障碍之一是大多数基于Agent的研究仅仅使用软件仿真模拟而不集成物理设备。

针对这些问题，本文提出了一种ACN概念，以改进DMW中MAMS的实现。然后，研究监控调控层以实时优化ACN的自组织规则。通过监控层，可以指导ACN做出有利于整体性能的决策。