光纤制造智能调度研究

本资料包含pdf文件1个，下载需要1积分

光纤制造智能调度研究姜培明 。，郑永前(1.同济大学机械工程学院，上海 200092；2.康宁(上海)光纤有限公司，上海 200233)摘 要：光纤制造是典型的现代高科技产业，行业内普遍采用多设备的工作站模式，其生产特点为高速生产，集中控制，整合反馈质量控制模式。文章 旨在建立智能调度模型，利用简化模型模拟三道生产线之 间的多 目标调度 ，通过 变异 系数法确定各 自目标对应的权重，利用遗传算法作为核心工具求解建立的数学模型并利用工具对提出的方法进行验证，结果表明使用模型新预设的逻辑在新建立的制造执行系统的前后设备之间可以有效地实现工序设备之间的最佳匹配，优化三道工序之间的产能，提高设备效率。

关键词 ：遗传算法；光纤制造 ；多目标；变异系数 法；智能调度中图分类号：THI66 文献标志码 ：A doi：10.7535/hbgykj.2013yx0308Intelligent scheduling model for optical fiber productionJIANG Peiming。”，ZHENG Yongqian(1.School of Mechanical Engineering，Tongji University，Shanghai 200092，China；2.Corning Fiber Optical Shanghai。

Shanghai 200233，China)Abstract：An inteligent scheduling model for fiber production is established to simulate a multiple target scheduling acrossmultiple equipment in three processes.The weight of each target is calculated by coefficient of variance method，and genetic al-gorithm is used to establish a verified mode1.The logic in new MES system can improve the schedule efficiency for multiple e-quipments，optimize the capacity of Whole system and improve equipment utilization。

Key words：genetic algorithm ；fiber production；multi target；coefficient of variance method；intelligent schedule光导纤维(以下简称光纤)是-种由光在特殊材料制造而成的纤维中按照全反射原理传送的光传导工具，在玻璃核心之外，由化学制涂料作为保护套，使其能够做小于6O。弯曲但是不至于断裂。通常光纤的-头发射装置使用发光二极管或者激光将光脉冲传送至光缆，另-端使用光敏元器件检测脉冲。

包含大量光纤的线缆称为光缆。由于光在光纤中的传送损失比电在电线中的损耗低很多，更因为主要收稿日期：2013-02-03；修回日期：2013-04-10责任编辑：李 穆作者简介：姜培 明(1980-)，男 ，上海人，硕士研究生 ，主要从事智能高度等方面的研究。

通讯作者：郑永前教授。E-mail：yongqian###tongji.edu.cn原材料蕴藏量巨大，易开采，因此价格便宜，此 2种因素促使光纤被用作目前最主要的长距离大信息量的信息传送工具L1]。

光纤 的制造工艺分为预制棒成型、光纤拉丝 、光纤复绕、光纤测试，其核心生产工艺在预制棒成型以及光纤拉丝，这 2个站点是典型的工作站并且站内都有大量的相同设备 。与大多数规模化生产的工作站型产业类似，多生产线对多生产线调度的问题也是光纤制造调度的-个主要研究问题。多生产线调度问题兼有 Paralel-machine(多生产线并行)调度和 Flow-shop(流水车间)调度 的特点 ，是-种较新的调度领域研究对象。目前多生产线调度问题的研究还属于起步阶段 ，主要存在如下问题 ：170 河 北 工 业 科 技 第 3O卷1)将多生产线的并行生产等同于多台机器的并行生产方式；2)将调度问题 中的各条生产线当作 同样功能、效率及质量的设备来处理；3)分批策略制定不合理，批次是固定的而不是动态的 ；4)多生产线调度问题研究多数为单目标的调度研究 。

解决多生产线多 目标智能调度 目标在于迅速为生产物料寻找到合适的匹配机器。光纤制造高速度生产及长准备时间的生产特点决定了光纤生产前道拉丝不可能因为质量缺陷而停机重启动，只能在后道工序进行废弃。因此根据不同的批次大小，最大化系统效率，充分利用瓶颈工序的产能来决定匹配机器是-个有实际意义的研究 。本文提出应用于多目标多生产线调度问题更有效 的新算法。

1 多生产线多目标调度问题1.1 多生产线作业协调调度问题在过去的几十年中，人们对于调度问题进行了大量的研究，主要 的方法有应用数学 、运筹学、目标规划和动态规划以及决策分析方法等，研究并解决了-系列的有代表意义的调度和优化。20世纪 7O年代起人们对于各种调度 问题 的研究不断深入 ，大量的研究表明调度问题的复杂性超出过去研究的想象 ，许多调度的问题被证实为 NP-Hard问题[3]。

随着计算机技术的发展 ，利用大数规则及穷举法等为 NP-Hard问题的研究带来了契机 ，另外神经网络、遗传算法 、退火算法等智能算法逻辑的发展也为复杂调度问题的解决提供了新的手段[4]。

多生产线调度问题可以简单描述为 n个工作如何分配给 台机器的问题 ，虽然这个问题可以用简单的排列组合方式进行描述 ，但-般来说会有作业优先级 、时间限制 、平行移动、不允许停止等制约条件。同时-般的目标均为在最携的时间内完成指定任务集 。

1.2 多目标优化问题及权重选择在离散制造生产系统 中，-个工件-般经过-系列的工艺过程加工完成 ，每道工序需要特定 的机器和其他的资源共 同来完成 ，各个工件在各机器上的加工顺序(称为技术约束条件)通常是事先 给定的。车间调度的作用就是根据现有的资源状况合理地安排作业加工顺序 ，以满足特定生产 目标的要求 ，- 般包括作业排序和资源分配，但本文 中加入第三因素(Work In Process在制品控制)和第四因素(考虑后续站点的批次数量集中处理)，通过现场智能化计算机管理进行更好的逻辑控制。

多目标问题的解决必定会面临各个分解 目标 的权重研究，本文在对于各种权重方法研究筛洋，确定适合于实际生产问题的变异系数法(Coefficientof Variation method)。该方法直接利用各 项指标所包含的信息 ，通过计算到指标权重，是-种客观赋权的方法 。

1.3 多生产线多目标调度实例说明以下例子中使用的数据均由笔者根据实际情况提取的部分设备作为实验数据(见图1)。

某生产线上的设备 Process 1 内已经完成 M台设备上的m 个盘(M- l，2， ，m，( -5))，同时有后道对应的 Process 2 N 台复绕机 (N- 1，2，， ，( -10))，复绕机后有 Process 3 设备烘箱 ，充入贵重气体对光纤进行处理 ，满箱才能开启 ，每满箱长度为 800 km。初始数据采用现场 PLC/SCADA 回馈数据，根据当时现场实际回馈数据得到表 1。图 1由 Length意义为初 始瞬 时 Process1 之 后 等 待 的 在 制 品 盘 长，Left Time意 义 为Process 2 上现有 的大盘根据盘长与运行速度，系统自动计算的剩下的时间。Length为 Process 2上 当前 运 行 盘 的 长 度 。Process 3 的 ChamberLength(km)代表现有烘箱内的长度。

实际生产中-般用效率为系统整体运行的考量标准 ，但此工序为工厂的非瓶颈工序 ，因此不必以传统的 0EE 目标来进行衡量 ，根据 ToC理论(Theo-ry of Constraint)及工厂实际运行经验 ，将该效率指标分为两个方面即烘箱等待时间，以及后道 wIP移动速度 。对上述指标进行量化 ，定义 目标 函数如式(1)所示 ：ScoresW lTotalTime十W 2NextBatchTime。

(1)式中：TotalTime为达到批次的最小时间(假设满箱公里数 800 km)，Wl-(权重 1)；NextBatch-Time为 Process 2 ，Process 3 内堆积的 WIP数量最少，将公里数通过速度转化为时间 ；W。-(权重2)，其代表着合理地控制在制品、半成品的储备量，本文中适应度函数与 目标取相同意义 ]。

第 3期 姜培明，等：光纤制造智能调度研究 171(流程 1)在制品 盘长350 km在制品 长 2l。km在制 品 盘长 100 km在制品 盘长 50 km在制品 盘长 9.5 km(流程 2)图 1 现场实际情况模拟 图Fig.1 Shop floor situation chart权重的选择采取变异系数法，取 30 d现场数据，将每天产量作为评价指标。通过 Minitab计算，由表 1表达计算过程 ，首先得到 30 d的现场数据的均值 和标准差 ，在此对于考量 的 2个变量进行-定的说 明 便 于 读 者 的 了 解。TotalTime相 当 于Process 3 的等待总 时间，即从 开箱后 (箱 内公里数为 O)开始 到满箱 (箱 内公里 数为 800 km)的时间；NextBatchTime为-个设计的考量后道 WIP移动速度的概念 ，相 当于 throughput，根据李特尔定律(LittleS Law)WIP-Throughput×Cycle Time的变化 ，本文取 Next Batch Time-WIP/Through-put，其表达的含义为后道 WlP整体的在制品移动的速度 。即可以等同为烘箱开箱时间的最重要的考量因素。根据实际数据的计算 c - 得到 Coef-ficient of Variance(变异系数)，通过 比例变化为权重的对应值。

表 1 变异系数法计算关键数值表Tab.1 Critical data sheet of coefficient ofvariance calculation(流程 3)烘箱 l#8o0 km快速装满烘箱.最携等待时间.即可以优化 三道 工序系统的产能1.4 遗传算法简介及算法流程图遗传算法是计算数学中用于解决最优化的搜索算法，是进化算法的-种▲化算法最初是借鉴了进化生物学中的-些现象而发展起来 的，这些现象包括遗传 、突变 、自然选择以及杂交等。

遗传算法通常实现方式为-种计算机模拟。如图 2所示描述了最基本 的遗传算法的流程图，对于- 个最优化问题 ，可以表述为-定数量的候砚(称为个体)的抽象表示(称为染色体)的种群向更好的解进化 。传统上 ，解用二进制表示(即 0和 1的串)，但也可以用其他表示方法 ▲化从完全随机个体的种群开始，之后-代-代发生。在每-代中，整个种群的适应度被评价 ，从 当前种群 中随机地选择多个个体(基于它们的适应度)，通过 自然选择 和突变产生新的生命种群，该种群在算法的下-次迭代中成为当前种群 。

经过这-系列的过程(选择、交配和突变)，产生的新-代个体不同于初始的-代 ，并-代-代向增加整体适应度的方向发展，因为最好 的个体总是更多的被选择去产生下-代，而适应度低的个体逐渐被淘汰掉。这样 的过程不断的重复 ：每个个体被评价 ，计算 出适应度 ，2个个体交配，然后突变，产生第3代 。周而复始 ，直到终止 条件满足为止，即种群进化到-定的收敛时期 ，通过优胜劣汰，最后 留下的种群还原编码即为最优解集[7]。

172 河 北 工 业 科 技 第 3O卷图 2 遗传算法基本流程 图Fig.2 Genetic algorithm process chart2 应用实例2.1 遗传算法部分程序及参数设置2.1.1 遗传算法主要参数设置首先作者要确定的是初始种群数量(Popula-tion size)和变量数(Number of Variable)，种群数量是本代对应的基因数量，例如选择种群数量为 100，在适应度函数内的变量数为 3的话 ，代表了本代有[1OO，3]的矩阵，同-个个体只能在种群中产生-次。根据本例适应度 函数确定变量数为 5，对应 5个输入盘 。

随后设定的是交叉概率(Crossover[faction)此参数对应的是当前代后-代对应的变异概率，参数为[O，1]中的任意数。从 0到 1对应交叉概率从大到小 ，0代表者完全变异子代，1代表所有的子代除了精英个体外都是交叉子代，作者根据文献[14]选择 0.8作为合适的交叉概率 。

接着进行选择操作，尺度函数 (Scaling func-tion)其代表编码过程选择的方法，本文选择的是按比例计算又称为选择的蒙特卡罗法，即利用比例于各个个体适应度的概率决定其子孙的遗留可能性 。

P - (M 为个体总数目)。 (2)分子 是单个适应度函数值 ，分母所有适应读函数的值的求和( - 1，2，，M)。

变异函数(Mutation function)描述了基因算法怎么对于整个代群体的个体进行随机变化，本文选择了 自适应法(Adaptive feasible)。变异选择-个适当的变异率，设平均的适应度函数为 厂，如果单体的适应度为 ，如果 ，l> ，那么变异率会变低 ，相反则变异率变高，保留最优解，但是不好处就是可能会有局部收敛的问题。下面是变异率的公式，公式中Npar是染色体设定的数量， 是第 忌个染色体编码的位数 ，.；为染色体位数。

pin 豢 -÷ ㈤编码方式选择实数编码方式，对应现场工序 1产生的 5个盘 即认 为是数列的第 l～第 5个框 ，工序 2有 1O台机器可以选择 ，因此考虑之前选择的种群数目100，由计算机随机生成 100个父代种群，例如图 3所示数列。

Series 1Series 2Series 3Series 4Series 1o01 2 3 4 51 3 2 6 89 8 3 4 72 1 4 8 5图 3 父代种群排列编码Fig.3 Code array of parent generation作者可以认 为每 1个数列都是 5位，每 l位代表前道工序的设备上的盘，以 Series 1为例 ，可以被解释为第 1个盘对应 2 工序第 1台设备，第 2个盘对应 2 工序第 2台设备，依此类推。

2.1.2 程序伪码(自定义遗传算法，适应度函数偏弱)参数设置 Spool Length--[350000，21000O，100000，50000，9500]；9/5%盘长初始化EquipmentStatus-[25，3O，2，5，12，200，2，120， 155，184，99999；80000，100000， 200000，第 3期 姜培明，等：光纤制造智能调度研究 173100000，300000，150000，50000，380000，219000，53； 设备状态矩阵245000， 2.2 收敛结果及最优解Speed- 1560；%%速度参数初始化FinishTime-0；% 本机结束时间初始化TotalTime- 0； 总时间初始化scores 0；CurrentBatch- 0； 当前批次初始化NextBatchRemain- 800000； 下 次批 次还剩余长度Temp- zeros(2，16)；TEMPA - 0；TEMPB- 0； 当前指针设定NextBatchTime-O； 下-批次时间Wl-0.7；% 权重 1初始化W2-0.3；% 权重 2初始化for i- 1：i；i为最大循环TotalTime - TotalTime EqptStatus(1，i) 十SpoolLength(1，i)/Speed 本次盘的总时间计算公式Temp(1，i)- EqptStatus(1，i)；Temp(2，i)- EqptStatus(2，i)；FinishTime- EqptStatus(1，i) SpoolLength(1，i)/26； 本台设备结束时间计算公式EqptStatus(1，i)- FinishTime；EqptStatus(2，i)- SpoolLength(1，i)；EndIf i> 5Temp(i 5)- Temp(i)while CurrentBatch< NextBatchRemain有没有达到批次的判断j- jl；CurrentBatch- CurrentBatch十 Temp(2，j)；现有烘箱量加下-批次NextBatchTime- Temp(1，j)；endscores - W 1 TotalTime W 2 Next-BatchTime； 适应度评价函数本程序为伪码 ，仅仅描述程序主体适应度函数定义，计算过程 ，限于篇幅遗传算法定 义及参数设置程序未列出。

图 4为从基 因代数及适应度函数收敛 图，可知整体系统在第 48代进入收敛，收敛值 415.05即为本文中公式(1)所述适应度函数的最小值，也是对应系统效率最大的数值。本例对应最优解集为3，4，5，1，7)表达的含义为，1至 5号等待的盘分别依次等待现有 3号 ，4号 ，5号 ，1号，7号设备上在制盘结束后依次上机。根据结果重新调整生产安排如图5所示，整体效率经过数据符合确实是现有条件的最优解。

l81614∞ 12i 10§ 8星642Best：415.0526 Mean：415.05260 10 20 30 40 50 60 70 8O 90 100Generation图 4 基因代数及适应度函数收敛图Fig.4 Genetic generation and fitnessfunction convergence plot3 结 语本文结合遗传算法提出实际生产中调度多目标优化方法 ，对方法进行了实例验证，证明方法的可行性。其研究意义和新颖性如下。

1)现代大规模集 约式 生产工厂均为技术密集型或者设备密集型，且流程复杂，通过该种算法可以适用于 多 目标 ，更多设 备 ，更 复杂 的模型 ，降 低生产线管理者 的劳动 负荷 ，提高反应 速度及 生 产效率 。

2)实际生产过程中管理者作决策时往往有优先级排序及多 目标决策等-系列过多依赖于主观判断的考虑因素 ，通过既定 的系统设计 可以避免 由于人员经验不足造成的错误决策 。