李广明 张雪 张红 余晨晖 岳晶莹

(1.东莞理工学院 计算机科学与技术学院，广东东莞 523808；2.东莞理工学院 财务处，广东东莞 523808)

随着智能制造的发展，柔性制造系统进入到人们的生产和生活中，它的概念第一次出现在英国Molines公司研制的“系统24”中。柔性制造系统(Flexible Manufacturing System，FMS)是由大型数控自动加工管理装置、物料自动存储管理装置以及电脑自动控制管理系统等组合构成的一种新型自动化产品制造管理系统。其设计包含了FMS功能单元资源管理、车间布局与工艺流程优化智能算法研究、工艺资源仿真与数字化设计等多学科多领域的专业知识应用[1]。近年来，市场的变化使小批量、多品种生产方式成为需要，由于市场竞争的加剧和顾客需求的多样化，导致了传统以规模效应带动成本的刚性生产线很难适应市场的快速变化。为此，针对多品种小批量自动化生产而研制一种基于物联网的智慧排程柔性制造系统有着广阔的应用前景。

柔性制造系统的规划设计问题是属于变量多、耦合关系复杂的非线性混合离散优化问题,目前在柔性制造系统中采用的大多是遗传算法。遗传算法具有全局寻优、对目标函数和设计变量要求少等优点，但是存在局部搜索能力差、收敛速度慢以及处理约束问题困难等缺点[2-3]。在工程设计、作业调度、智能控制等诸多优化领域，经常会遇到条件限制(约束)，在问题求解方面，这些条件约束带来了极大的挑战，进而引出了约束优化问题[4]。近年来，学者们提出了很多把约束条件与进化算法相结合的约束处理方法，这些约束优化方法对于约束优化算法的性能和效率具有重大的影响，好的约束优化方法可以把约束优化问题变成无约束优化的问题。非线性约束优化的问题在制造和工程机械自动化中有着重要的实际应用[5]，一般适用于目标函数或者约束条件中至少存在一个极点，这就是非线性约束函数最优化的问题[6]。协同过滤算法在1992年被学者们提出，受到了国内外学术界的广泛重视和关注，协同过滤算法的基本理论思路就是那些具有相同或者相似的价值观、思想观、知识水平和兴趣偏好的使用者，其对于信息的要求也可以说是相似的[7]，协同过滤算法能够有效地使用其他用户的反馈信息[8-10]。

在生产实践中，经常遇到非线性约束优化问题，该问题的求解方法可分为确定性方法和随机性方法两类[11]。确定性方法往往需要函数的导数信息, 例如可行方向法和约束变尺度法等。该方法对目标函数和约束函数的连续性和可微性有较强的要求, 只能适用于分析性质较好的函数, 很难用于一些复杂的工程优化问题。而随机性方法对函数的要求较低,只需利用函数值，它可用于一般的复杂工程优化问题, 适应面广。智能优化算法是采用较多的随机算法,如遗传算法(Genetic Algorithm，GA)和粒子群算法(Particle Swarm Optimization，PSO)是一种仿生随机搜索算法。近年来该类算法在约束优化问题中得到了广泛的应用[12-13]，对传统的遗传算法也进行了改进, 提出一种基于实数编码技术的新型自适应混沌遗传算法来求解复杂非线性约束优化问题[14]。

针对以上问题，在中小型加工制造业的柔性制造系统设计过程中，为了既保证产品质量、提高成品率又缩短完工时间提高生产效率，采用约束优化算法和协同过滤算法相结合，以试图解决运算效率和算法复杂度等问题。设计一种基于非线性约束和协同过滤算法的柔性制造系统，将该系统应用于珠三角的某些中小型电镀加工企业以实现自动化电镀过程中的智慧排程。具体过程是，首先使用协同过滤算法计算出相应电镀件所对应的最匹配的工件槽，然后使用约束优化算法调度电镀车间的龙门架以优化行车移动过程以及电镀槽工件电镀的时间，最终建模出适合多品种小批量的电镀生产智慧排程系统的算法模型，并通过仿真测试和生产实践进行调试和改进。

1 柔性制造系统总体设计

本系统是基于工业物联网技术、自动化技术和人工智能技术的系统。其具有排产、调度与监控等功能，能帮助中小型加工制造业解决柔性化制造转型过程中存在的信息收集与传输、运行控制、数据管理与通信网络等问题。实现缩短生产周期，保证生产能力的相对稳定，提高设备的利用率，减少直接劳动力，提高产品质量的一致性，并有效地针对多品种、中小批量生产的特点来制定精益生产的方式。在加工区，系统采用传感器采集加工液参数信息通过云服务器传输到系统，并且可以在LED显示屏上投放车间生产实况信息。系统设计的结构分为智慧排程子系统、无线监控子系统、多屏协同通信子系统和云端数据分析与远程监控子系统四个模块。系统的框架结构如图1所示。

图1 系统整体架构图

其中智能化排程子系统的核心技术是两大算法，分别是非线性约束算法和协同过滤算法，通过运用这两种算法建立模型可以优化排程过程，本文重点介绍如何通过算法建模实现柔性制造系统的智慧排程。无线传感实时监控子系统实现了设备智能控制，按照设定的方案智能控制生产设备的运行，减少不合理的等待时间。

多屏协同通信子系统能够获取需要动态显示的LED显示屏内容，从指定FLASH扇区读取字模数据，通过16Pin排线将数据发送到各个数据显示模块，包括数据传输和多屏显示两部分。本系统使用的是 MQX Lite嵌入式操作系统，因为本系统的设计对外部设备功能的依赖性较强，所以以设备为中心对系统进行任务划分。云端数据分析与远程监控子系统将生产现场采集到的加工液数据、排程数据、设备运行数据等各相关数据上传至云服务器，可以让用户远程监控加工的作业现场。其中包括对LED显示屏的工作状态进行查看和切换，对产品加工计划进行实时调整以及对产品加工历史信息进行查看等。

此处LoRa模块的工作模式主要分为两种，分别是点对多点无线模式和网关模式。点对多点无线模式的特点是LoRa快速组网透传，无需复杂布线，主机可以接收从机的数据，从机不限个数。例如，工控机的上位机程序需要实时获取来自各类溶液传感器的数据，因此需要在工控机端通过USB转RS485模块并设为主机状态；又例如，在电镀排程过程中各类溶液通过RS485接口与LoRa模块相连并设为从机状态。

2 协同过滤算法模型设计

为了使需要加工的工件匹配到合适的工件槽进行加工，在系统获取到生产车间的信息之后，需要对信息进行处理，设计出系统的最优化生产流程。在众多的推荐算法中，协同过滤算法以其简单高效而受到工业界的关注[15]。协同过滤算法模块流程如图2所示。系统会根据优化目标生成工件需求条件和工件槽特征，然后采用已经训练好的协同过滤算法模型计算工件槽和工件的相似度，得到相似度最高的工件槽之后返回给加工区，安排给指定工件进行加工作业，然后记录预测的准确率。

图2 协同过滤算法流程图

具体算法流程如下：

假设已知每个进行加工的工件具有x1和x2两个特征，其中x1表示该工件加工需要的浓度，x2表示该工件加工需要的时间。如果一个工件的特征表示为(1，0)，那么就认为该工件是一个需要大浓度浸泡的物件；如果特征表示为(0，1)，那么就认为该工件是一个缓慢反应的物件；如果表示为(0.5，0.5)，那么就认为该工件是一个需要一定浓度适当延长浸泡时间的物件。

假设现在已经计算出所有加工工件的特征数据，那么系统就可以利用这些数据来记录每个工件的特征。由于工件特征x是二维的，工件槽工作条件状态θ也应该是二维的,如果识别到某工件A特征为θ(4.5，1)，且某工件槽a的特征为(0.9，0)，那么就可以评估该工件A对工件槽a 的匹配度为4.05。工件A特征表明其需要大浓度浸泡，工件槽a的特征表明它是一个具备高浓度溶液的槽，因此匹配度也就较高。对于每一个工件而言，其优化目标为：

(1)

其中θ(j)表示j第个工件的特征；x(i)表示第i个工件槽的特征；y(i,j)表示第j个工件对第i个工件槽的匹配度；i:r(i，j)=1表示第j个工件对第i个工件槽是匹配过的(不是缺失值)；m(j)表示第个工件匹配工件槽的数目，其中的正则项是防止过拟合的。由于左右两项具有m(j),因此式(1)还可以写成：

(2)

利用梯度下降更新θ(j)：

(3)

所求θ(j)即为第j个工件的匹配条件。如果是已知工件特征θ，那么系统就可以学习工件槽的特征x了。对于每一个工件槽，其优化函数为：

(4)

利用梯度下降更新x(i):

(5)

所求x(i)即为第i个工件槽的特征。如果现在工件槽特征和工件特征都未知，那么可以把上面两个目标函数结合起来进行优化。协同过滤优化目标：给出x(1),…,x(nm)，估计θ(1),…,θ(nm)：

给出θ(1),…,θ(nm)，估计x(1),…,x(nm):

同时最小化x(1),…,x(nm)和θ(1),…,θ(nm)：

J(x(1),…,x(nm),θ(1),…,θ(nu))=

(6)

因此，可以得出如下协同过滤算法：初始化x(1),…,x(nu),θ(1),…,θ(nu)，为小的随机值。然后运用最小梯度下降法，Jx(1),…,x(nm),θ(1),…,θ(nu)，对于每一个j=1,…nu，i=1,…nm：

(7)

(8)

最终，可以得到工件需求条件和工件槽特征。根据训练得到的参数，就可以预测那些缺失值，然后可以把预测的高匹配度工件槽安排给指定工件进行加工作业。

3 非线性约束算法模型设计

在预测好加工工件所对应的工件槽之后，怎样在流水线上使工件以最短时间到达相应工件槽并完成加工流程，对生产效率具有很重要的影响。本研究主要采用非线性约束排程算法设计出最优化的行车移动过程。非线性约束排程算法流程如图3所示，主要负责接收用户输入的关于产品生产的条件以及产品的生产工艺流程，通过进行非线性约束求解，得出产品的上线生产排程结果，然后通过多屏协同通信子系统进行显示。同时，用户也可以根据结果进行再次的调整，触发新的排程，最后把最终的排程结果输送到主程序模块进行产品上线生产安排。

图3 非线性约束算法流程图

具体算法如下：

(9)

(10)

已知一个完整的行车移动过程为行车吊起产品移动到一个工件槽，并且上升到导轨准备下一个动作的一个完整过程所需要花费的时间，则第i个产品完成第j个生产步骤所需要的移动时间可以表示为：

(11)

该模型主要应用在智能化排程子系统中，用来优化行车移动过程，以获取最小的行车移动时间来缩短加工时间，提高生产效率。

4 系统实验与测试

本系统的Android模块是一个智慧排程监控的模块，系统实现了对加工排程的仿真、检测以及控制功能。该应用系统的所有基本功能都是基于OpenGL ES API软件进行设计实现，仿真界面的绘制是通过OpenGL ES绘图技术来实现的。只需要通过多个Activity 进行画面之间的切换即可达到所需要的UI效果，Android仿真图如图4所示。

图4 Android仿真图

系统的检测功能是通过获取NB-IoT网关上传到云端数据库的以json格式封装的数据，将数据显示在检测页面上并使用图表控件MP Android Chart绘制曲线图，便于用户直观了解加工工作的变化情况，可以实时检测到加工液的温度、浓度、PH值等。系统的检测图如图5所示。

图5 系统检测图

在实验中，采用五金件镀雾锡为测试对象，按照电镀的标准工艺规范进行操作。对于实时性检测要求高的加工溶液，利用传感器检测其各种参数数据，并做到实时传输。对于传统加工方法，当镀件在处理时，起落臂会停下来等待的情况，可进行多级流水线生产，时间利用率会明显提高。表1所示是某酸洗槽实验检测的数据。

检测条件：

1)溶液成分：NaNO3、H2SO4、HCl 、XF-5;

2)试验室温度：23±2 ℃;

3)试验室相对湿度：85%以上。

表1 酸洗槽的数据检测

通过在某公司进行实验测试，传统生产线上的电镀制作环节平均需要180分钟左右。在应用智慧排程柔性制造系统后，电镀制作环节大约减少了100 min，平均生产时长显著减少，并且产品合格率也由原来的89%提高到96%，同比提高7%。

5 结语

针对物联网智慧排程柔性制造系统构建了两大算法模型，分别是非线性约束算法和协同过滤算法，对算法进行建模、优化和应用分析。它们是实现智能化排程子系统的核心技术，可以有效实现智能调度，得到工件需求条件和工件槽特征，把预测的高匹配工件槽安排给指定的工件进行加工，为实现物联网智慧排程柔性制造系统提供了算法支持。介绍了物联网智慧排程柔性制造系统的总体设计，通过传感器采集工业现场数据上传至服务器，在系统中进行数据加工分析和智能控制。以电镀工业中的五金件镀雾锡为系统测试对象，对系统的数据采集、检测以及智能调度功能进行了测试，表明设计的物联网智慧排程柔性制造系统对改进传统自动化加工制造业生产的效率、节能减排有较好的效果，本系统有望在中小型加工制造业中逐步推广应用。