自動變速器油泵數字化車間信息管理系統設計及部分關鍵技術研究

發布時間：2023-07-08 09:52

中文摘要 I

英文摘要 III

1 緒論 1

1.1論文的選題背景 1

1.2國內外相關研究現狀綜述 2

1.2.1數字化車間研究現狀 2

1.2.2數字化車間關鍵技術研究現狀 3

1.3論文研究意義及課題來源 6

1.3.1論文研究目的和意義 6

1.3.2論文課題來源 7

1.4 論文研究內容 7

1.5 本章小結 8

2自動變速器油泵數字化車間信息管理系統設計 9

2.1自動變速器油泵制造車間現狀及需求分析 9

2.1.1自動變速器油泵制造特點分析 9

2.1.2自動變速器油泵制造車間現狀 10

2.1.3自動變速器油泵制造車間需求分析 12

2.2自動變速器油泵數字化車間信息管理系統設計 13

2.2.1自動變速器油泵制造數字化車間總體方案 13

2.2.2自動變速器油泵數字化車間信息管理系統功能設計 17

2.3本章小結 21

3自動變速器油泵制造數字化車間關鍵技術研究 23

3.1面向少品種大批量油泵制造過程優化調度技術 23

3.1.1面向少品種大批量油泵制造過程的動態調度優化模型 23

3.1.2基于DQN和QGA的動態調度優化算法 27

3.1.3案例驗證 35

3.2面向自動變速器油泵制造過程的物料管理方案 40

3.2.1基于多層編碼結構模型的物料編碼技術 40

3.2.2基于MBOM的物料狀態數字化描述方法 46

3.2.3面向油泵制造過程的物料跟蹤管理技術 51

3.3本章小結 54

4自動變速器油泵數字化車間信息管理系統部分功能模塊開發 55

4.1 系統開發簡介 55

4.1.1系統開發平臺選擇 55

4.1.2系統開發技術路線 55

4.2自動變速器油泵數字化車間信息管理系統部分功能模塊開發 56

4.2.1數據庫結構設計 56

4.2.2基礎數據管理模塊 57

4.2.3生產調度管理模塊 58

4.2.4物流管理模塊 60

4.3 本章小結 61

5 結論 62

參考文獻 63

附錄 69

A.作者在攻讀碩士學位期間參與的科研項目目錄 69

B.作者在攻讀碩士學位期間取得的科研成果目錄 69

C.作者在攻讀碩士學位期間獲得的獎勵目錄 69

D. 學位論文數據集 70

致謝 71

1緒論

1.1論文的選題背景

制造業是國民經濟中的重要支柱，反映著國家的綜合實力。由于人口紅利帶來的優勢，我國制造業發展迅猛，目前在全球范圍內占有一席之地［1］。但隨著經濟全球化的趨勢不斷加深，以及勞動力成本不斷上升，我國傳統制造業面臨著嚴峻的挑戰［2］。我國的傳統制造業需要改變以往依靠廉價勞動力的發展模式，與快速發展的互聯網結合［3］，逐步向信息化、自動化、智能化方向轉變［4,5］。在此環境下，我國提出《中國制造 2025》發展戰略，逐步完善國民工業體系，加快產業升級轉型［6］。我國制造業的現代制造企業在國家政策的支持下，以及自身發展需要，逐漸注重企業自身的信息化和智能化建設，加大資源投入，但由于自身的信息基礎薄弱、生產管理落后、缺乏相關技術人才，使得企業推進智能改造的實際推進結果并不理想［7］。為了解決這些問題，企業加大對柔性制造、網絡化制造、智能制造等方面的研究，以逐步推進企業的升級轉型。

數字化車間結合了數字技術、網絡技術和先進管理技術，通過工業互聯網集成車間所有信息，對車間生產的各個環節實行數字化和網絡化管理，并構建整個生產車間的信息管理平臺［8］。建設數字化車間，能夠實現整個生產環節的信息化管理，減少加工過程的人力成本，促進資源的合理分配，提高生產效率，是企業提升自身數字化、信息化、智能化水平的重要環節。

油泵作為汽車自動變速器的關鍵零部件之一，具有廣泛的市場需求，具有結構復雜、加工精度高、清潔度要求高、工藝難度大等特點，是制約國內自動變速器技術研發和產業化的重要瓶頸。隨著國內汽車產業的發展，對汽車零部件在提高產品質量、增加生產效益、降低生產成本和減少資源消耗等方面要求提高。《中國制造 2025》明確指出應大力發展自主關鍵技術，促進汽車制造業的轉型升級，并提出以制造業的數字化、網絡化、智能化作為行業發展的戰略方針。在此環境下，基于“數字化車間”的轉型升級是最佳技術路徑。油泵制造車間數字化不僅可以提升自身數字化制造能力，實現企業由大到強的轉變，還能促進同類企業智能制造整體水平的提升，帶動區域經濟發展，突破國外企業壟斷的局面，具有重大的戰略意義。

因此，對于自動變速器油泵制造企業來說，迫切需要通過數字化、信息化、智能化手段來提升自動變速器制造行業的智能制造水平，加快自動變速器油泵數字化車間及其關鍵技術研究以實現產品提質增值、制造降本增效，形成一種數字化車間新模式，為新形勢下汽車自動變速器油泵制造企業的轉型升級提供支撐。

1.2國內外相關研究現狀綜述

1.2.1數字化車間研究現狀

目前，國內外學者對數字化車間的研究主要集中在模型概念、系統架構、仿真模擬、行業標準、車間布局等方面。

在模型概念方面，張兆坤［9］等定義了數字化車間信息模型的基本內涵，針對信息模型的標準化問題，明確了信息模型建模的指導流程。聶志［10］根據離散制造車間的生產模式，建立了基于物聯網技術的數字化車間信息管理系統的三層應用模型。王麟琨［11］等利用數據字典技術數字化描述資產，考慮信息的互聯互通和管理，建立了多維度的智能工廠和數字化車間信息模型，并總結出智能工廠和數字化車間的核心要素。趙紅武［12］等基于數據集成規范，從工廠結構和產品生命周期縱橫兩個維度，建立了開關設備數字化車間運行數據流模型，為開關設備行業數字化車間管理提供了樣本。陶俐言［13］等針對產品數據的零散性、各子系統間缺乏一致性等問題，提出了基于單一產品數據源的制造資源庫模型，能夠對所有的制造資源實行統一管理。Liu［14］等建立了考慮機床特性的數字孿生車間超級網絡模型，可實現多種數據類型的集中分類管理。LiuQ］等提出了基于工作流的企業集成自動化系統應用模型，并設計了工作流引擎，給出了具有定制形式的工作流結構，最后通過智能數字工廠的硬件平臺，闡述了現代智能車間集成自動化系統的實現過程。 Zhangs］等為了減少智能制造車間的碳排放，考慮離散制造車間的復雜性和不確定性，提出了基于數字雙驅動的智能制造車間碳排放預測和低碳控制模型。 Natalia［17］等建立了基于數據挖掘的生產過程資源狀態預測模型，并提出了基于預測模型的數字生態系統架構概念。

在系統架構方面，陶飛［18］等設計了數字孿生車間的參考系統架構，并研究了物理車間異構要素融合、虛擬車間多維模型融合、車間物理—信息數據融合、車間服務/應用融合等問題，為研究數字孿生車間問題提供了參考。胡松松［19］從車間執行層、信息交互層、現場設備層三個方面構建了離散制造數字化車間體系結構。王立平［20］等針對異構系統與設備間的互聯互通問題，建立了機床制造加工數字化車間的信息模型架構，并基于OPC UA協議對信息模型進行實例化。隋少春［21 ］等根據飛機結構件的制造特點，基于基礎物理層、中間管理層和頂端智能管控層，設計了飛機結構件智能數字化車間架構，為航空航天制造領域的智能化研究提供了參考。饒納新［22］等融合數據采集技術、數字化制造技術、分布式數字控制技術，基于工業互聯網，提出了數字化車間信息集成模型和網絡架構，提高了生產效率。李美琴［23］等分析了船舶動力關鍵配套企業生產車間的制造特點和需求，提出了針對大規模定制生產的制造體系結構和基于知識的生產運行模式。

在仿真模擬方面，數字孿生技術研究較多，數字孿生技術可以實現物理設備和網絡模型硬件的在線仿真。Jiang［24］將離散事件系統建模理論應用于三維數字孿生車間模型，提出了快速創建虛擬模型的建模方法，建立了車間級物理生產系統與其鏡像虛擬模型之間的連接實現機制。Wu［25］等提出了一種基于五維數字孿生框架的數字孿生建模方法，以表示數字孿生對象及其屬性之間的復雜關系。Liu［26］等在數字孿生技術的基礎上，針對工業 4.0 環境下的流程型智能制造系統設計，提出了 CMCO （配置設計-運動計劃-控制開發-優化解耦）設計架構。除此之外，陳棟［27］等利用3DS MAX仿真技術構建了反映實際物理車間的信息模型，在仿真環境下進行作業加工，并將仿真結果運用于生產管理的優化。

在行業標準方面，韓麗［28］等在總結了新能源汽車數字化車間的體系架構和業務流程的基礎上，提出了新能源汽車數字化車間標準體系框架，為后續新能源行業數字化車間的標準化研究提供了參考。劉子豪［29］等針對船舶行業數字化車間互聯互通問題，建立了數字化車間現場網絡架構模型，對現場網絡的標準化問題進行了初步探索。

在車間布局上，王少衛［30］等基于模糊評價規則，建立了車間布局評價模型，并應用到發動機關鍵零部件生產中，驗證了該模型的有效性。田亮［31］等利用試驗設計的方法分析了影響車間布局的因素，在對車間布局仿真建模的基礎上，建立了數控磨床車間布局多目標優化模型，并用遺傳算法求解。Liu［32］等針對船舶制造業鋼結構加工數字化車間的布局特點，建立了 3D視覺參數模型，并利用遺傳算法求解車間布局優化模型，來優化生產流程和實現車間的合理布。

綜上所述，在工業 4.0 的環境下，目前對數字化車間的研究主要集中在概念模型、系統架構、模擬仿真、行業標準、車間布局等理論層面，為制造行業的數字化建設提供了參考。

1.2.2數字化車間關鍵技術研究現狀

數字化車間技術是在生產制造過程中，運用數字化手段對整個車間進行高效管理，提供一個集合生產過程中各個要素的信息平臺。基于該平臺，可對整個生產過程進行追蹤和管理，能夠從整體上設計最佳的工業路線和車間布局，并通過虛擬仿真平臺，模擬生產過程中的行為，優化工藝參數和提升加工質量，從而指導實際的生產加工。數字化車間技術是一個針對制造車間的綜合解決方案，包含了一系列技術，主要包括數字化仿真技術、優化調度技術、工藝執行管理技術、物流編碼和跟蹤技術、實時數據采集技術、可視化監控技術、大數據分析技術、工業互聯網技術、系統集成技術等。本文結合自動變速器油泵制造特點和企業的實際需求，對數字化車間的優化調度技術和物流管理技術進行深入探討，本節分析這兩項技術的研究現狀。

①優化調度技術的國內外研究現狀

汽車變速器油泵具有少品種大批量、工藝及工藝流程復雜、交貨期要求嚴格、按訂單生產等特點，在生產制造過程中經常遇到不可預測的加工設備故障、刀夾具損壞、坯料供應不及時等情況，對汽車變速器油泵制造過程的調度優化問題是一個車間動態調度問題，國內外關于車間動態調度問題的研究成果如下。

一方面，學者研究通過制定策略或依據經驗規則來處理動態調度問題。王春［33］等通過滾動窗口機制，將動態調度問題轉化為多個連續靜態調度問題來求解；吳正佳［34］對于機器故障問題，制訂完全重調度和插入重調度的響應策略，解決柔性作業車間動態調度問題；宋李俊［35］等考慮生產設備出現故障情況，利用滾動時域優化策略，求解柔性作業車間動態調度問題。張國輝［36］等以時間和偏差度為指標，結合車間工人的經驗制訂了多階段人機協同調度策略；Sang［37］等提出了一種新的中斷管理方法，用來衡量調度的穩定性、魯棒性、行為主體的不滿意度，并使用優化算法求解中斷管理模型，以有效地降低重調度計劃和初始計劃間的誤差oLiu［38］將原始的動態柔性模糊作業車間調度問題簡化為傳統的靜態模糊柔性作業車間問題，并用為快速分布算法求解靜態車間調度問題，提高了收斂速度和計算精度。

另一方面，學者利用啟發式算法來求解動態調度問題。顧澤平［39］等提出了結合離散仿真和層次分析法的混合遺傳算法，求解加工時間或者到達時間不確定、排隊規則出錯三類不確定事件下的多目標柔性作業車間動態調度模型，得到魯棒性較好的較優解；龍田［40］等針對 7 個目標，設計了一種免疫調度算法，能根據車間情況選擇對應規則求解調度問題；張祥［41］等利用動態交互層機制，結合 PSGA 算法，提高了動態調度處理緊急訂單的能力；陳超［42］等利用結合遺傳算法和模擬退火算法的混合算法，求解以平均流經時間和能耗為目標的車間調度優化模型； Yong［43］等建立了與時間指標有關的多目標柔性作業車間動態調度模型，并基于多目標遺傳規劃，提出了 4種超啟發式算法。Li［44］等考慮了新作業到達、機器故障、作業取消和加工時間變化四種動態事件，建立了以最大完工時間最小化為優化目標的靜態柔性作業車間調度，設計了一種基于蒙特卡羅樹搜索算法的重新調度方法求解該模型。

此外，一些學者研究了如何提升調度模型對環境的適應性。王玉芳［45］等提出一種結合聚類-動態搜索的Q-learning強化學習算法，根據環境動態選擇調度策略； Shen［46］等利用自啟發式框架以加強對環境的適應性，并用結合進化算法的動態響應策略，來求解車間動態調度問題。

針對以上研究，存在一些值得改進的地方。針對一種或幾種動態事件干擾下的車間調度研究較多，需要提高在多種動態事件干擾下的處理能力，提高調度模型對動態環境的適應性；在多個動態事件干擾下，如何根據環境的變化動態地評價調度行為，即建立更有效的環境-行為評價模型；在求解目標上，多以時間、成本、機器負荷等效益指標為評價指標，而綜合考慮時間、能耗等指標的較少，對動態調度的穩定性評價也較少。

②物流管理技術的國內外研究現狀

數字化車間的物流管理包含很多方面，包括物料配送和路徑的優化、物流狀態的數字化描述、物料編碼生成、物料實時跟蹤等。需要結合具體車間狀態，利用比較成熟的技術和理論，對生產過程中的物料編碼和對物流路線進行合理地規劃，制定符合企業實際生產環境的物流管理方案，能實現物流的自動化，促進物流效率的提升。

目前對物流管理地研究主要集中在物料狀態描述、物料編碼規則制定、物料配送和路徑優化、物料跟蹤管理系統架構等方面。

在物料狀態描述方面，徐輝［47］等提出了基于庫存批次的物料管理方法，以記錄入庫前的物料加工信息，實現 ERP 的物料狀態獲取和物料的有效管理。黃學文［48］提出了基于二進制和十六進制的物料工藝狀態描述方法，該方法采用了物料工藝狀態矢量和物料工藝狀態值，滿足了物料及在制品的管理需求。張楠［49］等針對鋼鐵行業的物料狀態管理，提出了基于批次的物料工藝狀態描述方法，通過工序批次狀態矢量、合批批次追溯矢量和合批爐次追溯矢量動態表達工序維信息，建立了面向屬性維度和時間維度的物料工藝狀態描述模型。

在物料編碼規則制定上，Cai［50］等建立了靈活的物料編碼模型，該模型包含類碼、屬性碼和流碼三種編碼類別，定義了編碼字段之間的約束關系，最后適應阿爾法和數字組合編碼方法，開發了可自動生成物料編碼的物料編碼系統。莊存波［51］等針對復雜產品裝配中物料動態跟蹤困難、物料信息可追溯性差的問題，提出了一種基于流程和條碼的復雜產品離散裝配過程中的物料動態跟蹤與管理技術。李周瑜［52］針對多品種變批量復雜生產環境下，采用物料基碼與批次物料衍生碼相結合的方式，建立了物料狀態控制機制，實現了混合生產環境下的高效物料周轉管理。

在物料跟蹤管理系統架構方面，Zhao［53］等提出了建材裝備制造企業訂單生命周期跟蹤系統的框架和功能模型，基于該模型，使用移動智能體技術和XML技術, 構建了訂單跟蹤系統的框架，并在Aglet平臺上實現了應用。Moon［54］等基于精益管理原則和物流質量原則，在RFID輔助系統的協同下，設計了面向對象的物料跟蹤系統，優化物料管理。Zhou［55］等在原始BOM代碼中應用了新的BOM編碼標準和方法，并提出了改進的BOM質量跟蹤模型，該模型可在加工車間、生產批次、采購批次、材料供應商等方面確定質量的來源，實現了整個過程的質量跟蹤。Ye［56］通過分析精益生產模式,提出了一種基于條形碼的在制品跟蹤管理系統模型以及B / S結構的系統框架。Chen［57］等研究了磁泵裝配過程中的管理系統，該系統包括生產線管理模塊、裝配流程管理模塊、材料跟蹤管理模塊和工藝流程（WIP）跟蹤管理模塊，實現了產品裝配流程跟蹤功能，實現了零部件、零部件、 WIP 和產品在此過程中的可追溯性。Guo［58］等建立了卷煙包裝生產物流多維模式，在SNP的基礎上實現生產物流多維質量控制，將單顆粒材料批次和批次的最低程度進行包裝跟蹤和管理，跟蹤生產物流的全過程。Sun［59］通過跟蹤現有的監控系統和數據傳輸技術，采用了基于WSN的新技術物流車輛監控系統，實現了車輛的精準定位，提高了貨物運輸管理效率。Oner［60］等提出了 RFID設計、配置和部署的路線圖，以支持牛仔布生產過程中的信息跟蹤。Ko®］等研究了中小型企業的工作流程和需求，提出了一種基于與RFID集成的云計算服務的物料管理與跟蹤系統，實現了具有訪問普遍性的自動化跟蹤。周廷美［62］等依據手工操作下物料管理和B/S架構的特點，采用ASP .NET技術，開發了一套基于B/S的物料管理系統。

1.3論文研究意義及課題來源

1.3.1論文研究目的和意義

油泵作為汽車自動變速器的關鍵零部件之一，其結構復雜、加工精度高、清潔度要求高、工藝難度大，具有少品種、大批量、訂單式生產的特點。油泵制造企業要適應市場變化，必須增加自身的智能化水平，建設數字化車間是提升數字化水平的重要途經。針對油泵制造特點，研究油泵數字化制造車間的關鍵技術，作為企業升級轉型的重要參考，以逐步提升車間制造水平，促進車間的自動化、信息化，從而縮短產品研發周期，降低生產成本，提升生產效率。本文對自動變速器油泵制造數字化車間總體設計及關鍵技術研究的目的主要包括以下：

①分析與總結汽車變速器油泵制造特點和車間現狀，并深度挖掘數字化車間需求。以此為基礎，提出汽車變速器油泵制造數字化車間的總體設計方案，搭建數字化車間信息管理系統總體架構，為企業的數字化車間信息建設提供參考。

②對汽車變速器油泵制造數字化車間的部分關鍵技術展開研究。針對汽車變速器油泵制造的特點以及生產過程中不可預測的動態事件干擾，以平均延期懲罰、加工能耗、偏差度為目標，建立面向汽車變速器油泵制造的動態調度優化模型，提出基于DQN和QGA的動態調度優化算法，通過案例驗證調度模型的有效性、適應性和魯棒性；提出一套面向變速器油泵制造過程的物流管理方案，包括制定基于多層編碼結構模型的物料編碼方案，提出基于MBOM的物料狀態數字化描述方法，實現生產過程的物料跟蹤和生產質量追溯。

③開發汽車變速器油泵制造數字化車間信息管理系統的部分模塊，具有基礎數據管理、生產調度管理、物料管理等功能，為自動變速器油泵制造數字化車間管理系統提供支持工具。

1.3.2論文課題來源本論文研究課題來源于2018年重慶市技術創新與應用示范項目“汽車自動變速器油泵總成智能制造車間研發與應用示范項目”。

1.4論文研究內容

結合當前數字化車間的最新研究進展，針對自動變速器制造車間的特點，研究自動變速器油泵制造數字化車間的關鍵技術，論文的研究如下：

第一章，了解當前數字化車間的背景，分析與總結數字化車間的研究現狀及關鍵技術的研究進展，并說明論文的研究目的和研究意義。

第二章，提出了汽車變速器油泵制造數字化車間信息管理系統的設計方案。分析了汽車變速器油泵制造特點，結合油泵制造車間現狀和數字化車間需求，提出汽車變速器油泵制造數字化車間的總體設計方案，搭建數字化車間信息管理系統總體架構。

第三章，研究汽車變速器油泵制造數字化車間的部分關鍵技術。針對汽車變速器油泵制造的特點以及生產過程中不可預測的動態事件干擾，以平均延期能耗、加工能耗、偏差度為目標，建立面向汽車變速器油泵制造的動態調度優化模型，提出基于DQN和QGA的動態調度優化算法，通過案例驗證調度模型的有效性、適應性和魯棒性；提出一套面向變速器油泵制造過程的物流管理方案，包括制定基于多層編碼結構模型的物料編碼方案，提出基于MBOM的物料狀態數字化描述方法，最后構建了面向油泵制造過程的物料跟蹤管理技術。

第四章，汽車變速器油泵制造數字化車間信息管理系統的部分模塊開發。開發了信息管理系統的部分模塊，具有基礎數據管理、生產調度管理、物料管理等功能。

第五章，結論。總結全文的技術研究。

1.5本章小結

本文首先簡述了自動變速器油泵制造數字化車間的背景，然后分析了數字化車間、車間調度、物料管理的研究現狀，最后針對當前數字化車間研究和企業建設數字化車間過程中存在的問題，明確了本文的研究意義，簡述了本文的內容框架。

2自動變速器油泵數字化車間信息管理系統設計

2.1自動變速器油泵制造車間現狀及需求分析本節針對自動變速器油泵制造過程展開特點分析，并總結了自動變速器油泵制造車間的現狀，以此為基礎，探討自動變速器油泵數字化車間的需求。

2.1.1自動變速器油泵制造特點分析自動變速器油泵制造具有結構復雜、少品種大批量生產模式、制造工藝及工藝流程復雜、機加工藝和裝配工藝共存、清潔要求和清潔難度高、交貨期要求嚴格、按訂單生產等特點，同時汽車變速箱油泵制造車間各種原材料、工裝夾具、量具等品類繁雜，這給企業的信息化管理帶來一定的困難。自動變速器油泵制造的特點如下：

①少品種大批量生產由于自動變速器是汽車中的重要部件，變速器油泵的需求相當大，但油泵的

種類需求相對不大，油泵制造是一種少品種大批量生產模式。相較于多品種生產模式，少品種類型的產品為了提高制造效率，制造柔性相對不高，設備多以組合機床、專業機床等專用通用設備為主。采用自動流水線生產，流水生產線前期投資大，建設周期比較長。

②制造工藝及工藝流程復雜油泵需要在高壓環境下工作，零部件間的配合精度要求高，有很強的耐磨性，

油泵內部構造復雜，其制造工藝也較為復雜，對制造精度要求高，目前高性能的油泵總成技術國內水平不高。

③制造離散性油泵的一些核心零件通過機床加工，由本車間的自動化生產線生產，這類零

件屬于自制件。泵體、葉輪等鑄造件通過其它相關企業進行生產，這類屬于外協件。自制件生產任務和外協件生產任務分別由本企業和外部企業完成。在車間內部，除了自動流水線上的零件制造具有離散性外，還有一些檢驗作業車間、裝配車間，完成各自的任務，在車間內部的制造任務分散。

④生產并行性對自動變速器油泵的制造任務進行分發后，車間內部的生產任務可以并行執

行，比如機加工藝和裝配工藝配合生產。同時，企業內部和外部的生產任務并行生產，最后集中到總成車間，完成最后的總成任務。在同一時間段內，多個生產任務并行執行，存在資源共享和資源沖突等情況，需要從整體上進行合理的調配，促進整個生產環節的有效進行。

⑤物料、輔助工具繁多

制造車間的物料、量具、工裝夾具、刀具等品類繁多，在管理上有一定的難度。需要建立合理的庫存分類系統，準確而詳細地記錄各類量具、刀具等，記錄其編號、名稱、類型、數量等信息，以方便管理。同時針對繁多的物料，需要制定合理的編碼規則，并實行質量跟蹤，進行統一高效地管理。

⑥交貨期要求嚴格

汽車行業的需求大，對自動變速器油泵的需求也大，由于客戶需求量大，且為了快速搶占市場，對油泵的交貨期要求嚴格，經常有緊急訂單的情況。企業為了滿足嚴格的交貨期要求，需要提升適應動態環境變化的能力，制定合理的調度策略，生產出足夠的產品，以滿足市場的需要。

2.1.2自動變速器油泵制造車間現狀

根據對自動變速器油泵的制造特點的分析，油泵制造具有少品種大批量、工藝復雜、機加工藝和裝配工藝并存、物料、輔助工具繁多等特點，在生產管理上有一定的難度。從整個生產流程看，生產任務的完成不僅需要企業內部各部門的協調一致，也需要企業間的協調配合，部門間、企業間的信息傳遞變得尤為重要。由于制造主體間存在著資源占有的互斥性，如何有效地完成資源的合理有序的分配，對生產任務的合理分配，是車間調度關注的重點問題。同時，車間的物料繁多，制定合理的編碼規則，如何實現物料的實時跟蹤，是數字化車間不容忽視的問題。通過到企業現場進行調研和考察，了解到自動變速器油泵制造車間的管理模式，對生產加工過程和車間管理中存在的問題進行了分析，總結出自動變速器油泵制造車間的現狀。

①工藝過程控制難度大

汽車變速箱油泵制造車間工序環節多、工藝參數控制要求高、機加工藝和裝配工藝共存等特點，使得油泵制造車間工藝執行過程控制難度大。能夠對車間信息進行準確高效地采集并集成到控制端，是實現有效過程控制的支持，當前的汽車變速器油泵制造車間生產環境下，車間的設備運行狀態信息采集困難，設備間還未完全實現互聯互通，對在制工件的工藝狀態描述不詳細，對各種原材料的編碼系統不夠完善，信息的編碼效率低下，無法實現整個加工車間的實時信息高效采集及信息集成，當前車間信息缺失的現狀使得工藝過程控制變得更加困難。在工藝執行端，企業各部門間的信息阻塞，無法實現信息共享，部門間的聯動性較差，僅僅通過傳統部門傳喚的方式，對突發情況的反應能力差，使得工藝執行效率低下。企業在過程控制技術研究這塊，缺乏足夠的技術支撐，利用比較成熟的過程控制技術能力還存在缺陷。

②車間調度效率低

自動變速器油泵制造屬于典型的少品種大批量生產模式，也是一種訂單式生產模式，對交貨期要求比較嚴格，優化調度技術通過制定車間的生產計劃，對加工材料、加工設備、人員進行合理的安排，達到優化配置資源的目的。目前自動變速器油泵車間的生產計劃主要通過人工進行制定，主要依靠以往的經驗，并未達到調度配置效率的最大化，而且面對緊急訂單、設備故障等突發情況，依靠手工的方式顯然有些反應不足，無法實現動態調度。

③車間物料管理復雜車間物料管理是對產品整個生命周期中，對生產物料的庫存、搬運、流動的管理，物料管理水平高，有利于提高整個生產車間的生產效率。自動變速器油泵制造車間在生產過程中，原材料、量具、檢查工具繁多，分類管理難度大，企業內部的編碼系統不夠完善，無法實現高效的分類管理。同時，生產物料品種不一，企業往往忽略了物料間的差異性，進行籠統地庫存管理，造成存取困難、庫存空間效率低、搬運不便等狀況。由于缺乏對物料狀態的有效描述，數據采集程度低，現代化的物流設備建設水平低，比如RFID、二維碼等電子標簽利用程度低，導致物流跟蹤難度大，阻礙了對物料的實時跟蹤與記錄。

④數據采集與實時監控能力不足企業實現信息化的關鍵是提升自身的數據采集水平和實時監控能力，能夠實現對物料和生產線狀態的可視化實時監控，是構建數字化車間的基礎，極大提高了生產管理的效率。自動變速器油泵生產車間的數據采集設備建設程度低，很多地方還存在人工監控的情況。目前車間的加工設備種類繁多，數據格式不一致，在采集接口上還未實現兼容，能夠采集不同通信協議、不同數據類型的數據，是企業還需要建設的地方。對于采集的數據缺乏有效的處理方式，油泵制造企業往往只是記錄，不能做進一步的分析以挖掘出潛在價值。

⑤信息集成程度低目前自動變速器油泵制造車間的信息集成度低，主要體現各種加工設備的狀態信息集成難度高，無法建立統一的設備采集接口，實現對各種設備的集中有效管理；車間各部門間的信息分散，未能構建集中的車間信息管理系統；在車間層系統與企業層系統間的通訊協議不一致，系統間信息交互困難，難以將車間層信息匯總到企業端。

2.1.3自動變速器油泵制造車間需求分析

根據對自動變速器油泵制造車間的現狀分析，制造車間存在著數據采集與可視化監控能力不夠、物料跟蹤技術落后、信息集成度不高、制造過程控制難、車間調度效率低等問題，導致車間信息管理落后，對生產過程無法實現集中有效的監控，從而極大地影響了生產效率的提升，無法滿足日益擴大的市場需求，進而在行業競爭中處于下風地位。隨著信息技術的快速發展，企業需要利用信息化和智能化手段提升自身實力，建設數字化車間是制造型企業實現轉型的關鍵。本文將從數字化車間的技術要求，基于精益制造、智能制造等理念，對自動變速器油泵制造數字化車間的需求進行系統地分析。

①車間實時數據采集與監控

自動變速器油泵制造車間現場的資源繁多，需要通過傳感器、智能終端、人機交互等方式獲取數據，并通過各種數據采集設備采集到上位機中，上位機通過部署數據采集與監控系統進行顯示與監控。需要實現對關鍵加工設備運行狀態的監控，主軸參數、進給參數、加工件數等狀態參數和加工信息能夠實時反映在監控系統中，能夠實現對加工設備的在線監控、報警監測等功能；對于數據采集方式，系統能夠針對不同信息來源，能夠實現統一而高效地接收，具有良好的通用性和兼容性。

②生產調度優化

自動變速器油泵作業車間的生產任務繁重，可用加工設備資源有限，為了實現資源的合理有效分配，結合數字化車間的智能化手段，利用智能算法解決車間調度問題，實現資源的合理配置和生產效率的提升。汽車變速箱油泵具有少品種大批量、工藝及工藝流程復雜、交貨期要求嚴格、按訂單生產等特點，需要對加工任務信息、加工工藝信息、生產訂單交付期信息、加工時間、設備能力、人員狀況、刀夾具狀況、質量狀況等各類約束條件進行數字化描述，作為優化調度技術的基礎；針對自動變速器油泵制造的生產模式，利用快速智能優化調度算法，實現對油泵制造過程生產任務的優化調度；針對生產制造過程中經常遇到不可預測的加工設備故障、刀夾具損壞、坯料供應不及時等情況，能夠快速響應變化，并在合理次數范圍內調整生產計劃。

③物料信息編碼和動態跟蹤

針對自動變速器油泵制造車間不同的物料特點，分別采用單件自動傳送、批量自動傳送等多種車間物流方式，能夠適應不同物料的運輸要求；針對繁多的物料，制定各種物料的編碼規則，能夠實現對物料的狀態識別，為質量可回溯跟蹤建立基礎；針對不同工藝環節和檢測環節，分別采用批號跟蹤、單件跟蹤等多種物料跟蹤方式，具有更高的靈活性；對在制品的工藝狀態進行跟蹤，實時記錄加工過程涉及的設備、人員、刀夾具、質量等信息，實現物流的全程跟蹤，從而實現物料質量的可回溯跟蹤；對歷史信息進行永久保存，可隨時查看庫存原材料、半成品、成品的信息。

④信息集成通過數據采集與監控系統采集的數據不能孤立地存在，必須通過網絡接口向上級系統傳遞，車間層的制造執行系統需要數據采集系統的數據，以完成對車間的實時控制；制造執行系統與上層其它系統間也存在信息交互，各個系統間需要建立統一的信息接口，通過互聯網服務描述協議將各系統的服務提供給其它系統使用。

2.2 自動變速器油泵數字化車間信息管理系統設計

2.2.1自動變速器油泵制造數字化車間總體方案根據自動變速器油泵制造特點，結合自動變速器油泵制造車間現狀及其數字化需求，基于層次架構，本文提出了自動變速器油泵制造數字化車間的總體方案，該總體方案包括五個層次，分別為車間設備層、基礎支撐層、數據采集與監控層、制造執行層、系統交互層。其中，車間設備層和基礎支撐層是數字化車間的底層建設，數據采集與監控層和制造執行層是自動變速器油泵制造信息管理系統的主體，系統交互層是信息管理系統對外交互的接口，如圖 2.1 所示。

圖2.1自動變速器油泵制造數字化車間總體方案

Figure 2.1 The overall plan of the digital workshop for automatic transmission oil pump

manufacturing

①車間設備層

車間設備層是整個制造車間的主體構成要素，是數字化車間的管理對象，包括工業機器人、數控機床、加工中心、數控磨床等制造設備，以及數字化工具、數字化量具、檢測設備、識別設備等輔助設備。傳統的設備由于老化嚴重，無法達到更高的加工精度，并且產量低下，無法滿足日益增長的市場需求，需要對傳統的加工設備、輔助工具、物流裝備、輸送裝備等進行數字化、自動化、智能化改造，比如用新式的數控機床更換大部分的傳統手工式機床，在兩道工序之間安裝機械手，以實現物料的連續加工。通過對傳統設備的改造，可以提高設備的性能，實現整個產品線的升級與轉型，提高生產效率，為設備間的互聯互通奠定基礎。

②基礎支撐層基礎支撐層，是數字化車間的基礎，為整個系統的搭建提供硬件支撐和信息通信安全支持，包括智能感知與通信儀器、數據庫、工業互聯網和信息安全系統。智能感知與通信儀器是采集車間設備數據和傳輸數據的儀器，包括采集各種信號的智能傳感器、智能終端、數控系統、10模塊、PLC等。數據庫主要是保存采集數據的工具，包括存儲介質和數據庫管理軟件兩個方面，以存儲數據的類型為劃分依據，可將數據庫分為保存實時加工信息的實時加工數據庫、保存歷史加工信息的歷史加工數據庫、保存物料信息的物料數據庫、保存工藝數據的工藝數據庫。工業互聯網是整個車間信息流動的基礎，通過互聯網技術連接車間各要素，實現設備與設備、設備與系統、不同系統間的信息交互，工業互聯網建設主要包括各種終端主機的網絡配置、路由設備的鋪設和信息集成三方面。信息安全系統為整個數字化車間的信息交互提供安全保證，防止外來勢力惡意攻擊信息管理系統，造成整個系統的癱瘓以及信息泄漏。建設車間網絡防火墻，能夠對不良的網絡訪問進行攔截，并制定黑名單和白名單等策略，將惡意攻擊系統的IP加入黑名單，永久地阻止其訪問網絡；將企業內部人員的訪問IP加入白名單，當企業人員訪問制作執行系統時，可快速放行，從而提高信息傳輸效率。

③數據采集與監控層

數據采集與監控層是數字化車間信息建設的核心，是實現車間數字化的必要前提，可對整個數字化車間進行動態監控，是數字化信息管理系統的數據來源。數據采集質量在很大程度上影響著對車間的控制精準性，同時對車間的設備人員實現動態監控可提高車間數字化管理效率，是企業需要集中精力建設的環節。

數據采集與監控層主要分為數據采集模塊和監控模塊。數據采集模塊負責將底層數據通過各種傳輸協議采集上來，并對數據進行處理與保存。數據傳輸協議主要包括用于串口通信的RS232/485協議、用于定義設備通信接口標準的OPC協議、用于工業領域高效傳輸的 M0DBUS 協議等。底層智能設備的信息通過該層的數據采集接口收集，在經過一定的數據處理后，保存在數據庫中，并通過工業互聯網傳輸到上層，整個信息流的傳動對于上層的執行人員來說是透明的，上層的執行人員不用考慮設備的差異性、接口不統一等問題，可直接對底層的智能設備進行信息讀取和控制，可極大減輕工程人員的額外負擔。

監控模塊負責將實時信息通過圖形化方式展示，并提供對車間設備和人員的控制管理功能。該模塊主要包括設備運行狀態監控、機床加工信息監控、操作人員在線監控、設備報警監控、機床能耗監控、工藝參數調整等功能。車間管理人員可通過該模塊，實時監控制造車間的運行狀態，提高了車間數字化管理效率。

④制造執行層

制造執行層是數字化車間管理的核心，是車間管理人員實現智能化管理車間的重要層級，其中包含很多對數據的處理和分析，涉及到許多核心技術，是建設數字化車間的重點和難點。

該層定義了一個綜合數據查詢接口，通過訪問數據庫，讀取車間管理需要的數據，極大地簡化了數據查詢操作。歷史數據庫中保存著從底層采集上來的工件加工狀態信息、設備狀態信息、質檢信息、原材料信息、庫存信息等多源異構結構化信息，也保存著振動、溫度、圖片等非結構化信息，用于更加全面地數據分析和數據統計，為監控系統的構建提供支撐。

核心功能單元，是整個解決方案中關鍵的一步，也是數字化車間需要突破的技術難點。該功能單元包括車間作業計劃管理、設備管理、物料管理、質量管理、工裝管理、工藝管理、工單管理、人員管理、文檔管理、基礎數據管理等。核心功能單元主要對從數據采集層的數據進行分類、歸納、分析、處理，并通過圖表、動態工藝流程圖展示車間運行狀態，對一些關鍵部位進行集中監控、報警預置。該層對上層的訂單進行處理，根據歷史數據庫查詢工藝數據，選擇其加工設備、人員、數控程序、圖紙等信息，并下發給設備層。當有多個訂單時，需要根據已有的加工資源和人力資源，在滿足所有訂單的完工期要求的前提下，分配合理的工序加工順序和可用設備，完成對加工任務的調度，能最大化地優化資源分配效率，從而提高生產效率。接著制定合理的車間生產計劃，將加工過程需要的程序圖紙下發到制定工位，控制著整個生產線的加工流程。同時，需要對設備、刀具、夾具等進行管理，記錄其加工件數、磨損程度、壽命等信息，判斷其能否滿足加工要求，對不滿足要求的設備輔具做到及時地更換。最后，對車間的工作人員進行管理，統計某個時間段內車間內可用人數，將人員分配到指定工位，同時協調不同工位人員的配合交流，提高整個車間的協同制作能力。

⑤系統交互層

系統交互層是整個自動變速器油泵制造信息管理系統的對外交互接口，包括人機交互和系統間交互兩方面。在人機交互方面，通過PC機、移動終端、車間看板等硬件設備，提供web網頁和GUI界面兩種圖形化顯示模式，向車間操作員和管理人員提供登錄注冊、歷史信息查詢、車間狀態瀏覽、圖表顯示等功能。與其它系統的交互，主要提供制造執行系統(Manufacturing Execution System, MES) 與上層 ERP( Enterprise Resource Planning)、 PDM( Product Data Management)、 CAM/CAPP(Computer-aided manufacturing/Computer Aided Process Planning)系統的交互接口，通過工業互聯網，實現系統間的信息互通、功能共享和協作一致。對于信息互通，企業上層人員無需關心數據的具體傳輸手段，通過統一的通訊接口，實現信息的透明傳輸。對于功能共享，頂層系統通過指令控制下層系統，并調用下層系統中某個功能模塊，同時下層系統可以請求調用上層系統的功能。對于協作一致，企業領導層可將其制定的車間生產任務及其相關信息通過ERP系統下放到本系統中，本系統對其分析處理，并讀取PDM系統提供的產品信息，制定合理的車間生產計劃，滿足加工產品的需求，從而實現整個企業的生產協調。

2.2.2自動變速器油泵數字化車間信息管理系統功能設計

根據自動變速器油泵制造車間的特點，結合制造車間的制造現狀和數字化需求，本小節針對信息管理系統進行功能設計。自動變速器油泵制造數字化信息管理系統是數字化車間建設的核心內容，包括制造執行系統和數據采集與監控系統兩個方面，本小節主要針對制造執行系統的核心功能單元進行功能設計。信息管理系統的功能設計如圖 2.2所示下：

圖 2.2 自動變速器油泵數字化車間信息管理系統核心功能

Figure 2.2 The core functions of the automatic transmission oil pump digital workshop information

management system

自動變速器油泵數字化車間信息管理系統核心功能主要包括任務管理、計劃管理、調度管理、設備管理、工藝管理、工裝管理、物料管理、質量管理、工單管理、人員管理、文件管理、基礎數據管理，涵蓋了數字化車間人力、物料、設備等方面的管理。

① 任務管理

任務管理主要完成上級管理層發放下來的加工任務，并對任務進行管理和進度監控。自動變速器油泵的需求大，其制造模式是一種面向訂單的生產模式，生產任務會出現突然性的增長，造成車間生產任務的繁重。對不同種類、多道批次的生產任務的有序管理，可減輕任務分配的壓力，避免出現任務雜亂、完工任務和未完工任務交織的情況。本模塊包含對任務的添加、修改、刪除、執行等功能也向工作人員提供了任務詳細信息查看和任務進度信息查看功能，實現對任務的管理。

②計劃管理

計劃管理負責根據當前時間段內可用的設備資源和人力資源，通過車間調度模塊對需要完成的加工任務進行資源分配和人員分配，制定合理的車間生產作業計劃，并負責對生產計劃的管理。該模塊包括生產計劃制定、生產計劃調整等計劃操作功能，也支持多種導入方式，包括從上層系統導入、手工導入等方式，具有一定的靈活性。生產計劃查看包含對生產計劃的進度查詢和詳細信息查看，通過進度條等多種可視化方式展現進度信息，詳細信息主要包括計劃涉及到的工件、人員、到期時間等信息。

③調度管理

調度管理的職責在于對資源的優化配置，提高車間整體的生產效率。車間調度是根據車間已有設備資源和人力資源，在滿足加工期的前提下，對即將加工的生產任務進行時間和設備人員上的合理分配。調度管理模塊首先從上級管理層導入加工任務信息，從基礎數據管理模塊中導入設備信息，通過對這些信息的合理利用，可對當前車間進行靜態調度或者動態調度。靜態調度，是指在車間生產前，對當前已有的資源進行任務分配和加工時序上的安排，在整個加工過程中均按照該安排執行，對于突發情況的響應能力較差。動態調度，是為了提高對動態事件的響應能力，當出現動態事件時，重新分配車間資源和安排加工時序，對車間的生產計劃做出及時調整，從而提升車間的生產效率。在調度完成后，可以生成甘特圖，以直觀地看到優化調度的效果。

④設備管理

設備是數字化車間的物理硬件基礎，對其管理是整個系統管理中的重要組成部分。設備管理主要是包括對設備日常管理和設備故障管理。設備日常管理是指對正常狀態下的設備管理，包括設備信息查詢、設備狀態顯示、設備參數修改、設備超限報警等功能，可以完成對設備的實時監控，通過參數修改完成對設備的狀態控制，對即將出現問題的設備進行預報警。設備故障管理是對出現故障的設備進行管理，包含故障信息記錄、故障維修管理等功能。故障維修管理會首先查看歷史庫中是否存在類似的故障，如果存在即調入相對應的維修方案，已完成故障的快速修復，如果不存在則通知相關的維修人員，提供設備故障信息和相似的歷史故障信息，最大程度上幫助維修人員完成維修任務，當維修完成后，記錄相對應的維修方法，以方便解決下次出現類似的故障狀況。

⑤工裝管理

工裝管理模塊負責對車間的刀具、輔具、量具、檢具、夾具等工藝工具的數字化管理，以配合加工設備完成對工件的生產任務。該模塊包括刀具信息查看、刀具更換、換刀記錄、夾具管理、量具管理、檢具管理等模塊。對于各種工具的管理可進一步劃分為日常管理和維護管理，日常管理是對使用中的工具進行管理，記錄其使用時間和使用性能，當其臨近使用壽命或其使用性能有大幅度的下滑時，可進行替換。維護管理是對庫存中的工具進行管理，記錄其型號、規格、數量、廠商等信息，包含入庫工具和出庫工具的管理。

⑥工藝管理與工單管理

工藝管理是為整個生產環節的加工過程提供工藝支持，是數字化車間不可缺少的部分。工藝管理包括工藝數據分析、統計報表生成、工藝操作規范、工藝編制管理、數控程序下發、加工圖紙下發。其中，工藝數據分析完成對現有的加工件數統計，對不同工藝參數下的生產情況分析，通過工藝參數優化的方式計算出較優工藝參數，以提高生產質量和效率，然后生成統計分析報表。同時，向車間工作人員提供工藝操作規范，規范人員操作機床的方式，減少安全事故的發生。不同零件的加工圖紙和數控程序通過可視化導入或者在線編輯方式生成，并記錄相應的編輯或導入信息，根據車間生成計劃，將數控程序和加工圖紙下發到指定工位中，完成零件的加工。

工單管理是根據車間生產計劃，對下發到指定工位上的工作人員的工單進行管理。該模塊主要包括工單錄入、工單分類、工單下發、工單進度查詢。工單錄入可根據車間作業計劃和作業人員信息，由該數字化車間信息管理系統自動生成，也支持手工錄入等方式。由于工單繁多，需要對工單進行分類管理，并通過編號加以區分，以方便下次查詢。工單下發是將作業期內需要完成的工單下發到指定工位，操作人員可通過終端下載查看。

⑦物料管理

物料管理主要是對加工車間的原材料、半成品、成品、輔助材料等物料的管理，有效地物料管理可提高庫存利用率和物料運輸效率，減少物料入庫和出庫時間，達到對物料的有序歸納、分類編碼、高效存取等要求。該模塊主要包括物料信息錄入、物料信息編碼、條碼分配、物料狀態監控、物料信息查詢、庫存管理等。物料信息編碼，根據通用的編碼規則，針對不同物料特點，生成物料唯一的識別碼和反映物料狀態的狀態碼。物料狀態監控，實時記錄物料在生產線中的流動位置、加工時間、數量、操作者等信息，可供車間人員查詢，并向其它模塊及上層系統反饋。庫存管理，可實時顯示整個倉儲的剩余容量，并對出入庫的物料進行統計。

⑧質量管理

質量管理是企業保證產品質量不可缺少的環節，也是數字化車間的要求。質量管理模塊主要包括工序檢驗、成品檢驗、不合格品管理、質檢結果查詢、質檢數據分析、質檢報表生成、質量預測等。對加工中的每道工序和最后的成品進行檢驗，記錄不合格品的編號、原因，并將質檢結果存入質檢數據庫，向車間人員提供質檢結果查詢功能。可對數據庫中的質檢數據和工藝數據進行數字化分析，實現缺陷追溯和質量預測等目的，并生成質檢報表供上層決策層參考。

⑨人員管理與文件管理

人員管理模塊包括員工信息查詢、用戶權限管理、員工生產報表、員工統計分析。員工信息查詢，可通過上層系統查看員工考勤情況、當前加工工件、所屬部門等信息。用戶權限管理，負責分配用戶的權限，規定擁有不同權限的用戶的系統操作限制。對員工進行統計分析，并向上層提供員工生產報表。

由于自動變速器油泵制造車間的文件繁多，涉及到工藝、質量、人員等方面，需要對文件進行合理地管理。該模塊包括工藝文件管理、工單文件管理、歷史加工文件管理、加工狀態文件管理，對各類文件進行存檔，提供文檔整理、文檔預覽、文檔錄入、文檔查詢下載等功能。

⑩基礎數據管理

基礎數據管理負責將從通用數據查詢接口讀取的數據進行預處理，并進行封裝，向信息管理系統中的各個模塊發送，其它的模塊不用關心數據的來源，同時本模塊擁有對數據操作的權限，其它模塊操作數據必須通過本模塊提供的操作接口，避免其它模塊對數據的誤操作。本模塊包括工藝信息管理、加工信息管理、設備狀態信息管理、質檢信息管理、物料信息管理等，可實現圖紙、程序、工藝數據、設備數據的讀取、修改、刪除等操作。

2.3本章小結

本章根據少品種大批量自動變速器油泵制造數字化車間的特點，分析了當前制造車間的現狀，探討了數字化車間的需求，提出了數字化車間總體方案，構建了由車間設備層、基礎支撐層、數據采集與監控層、制造執行層、系統交互層五層組成的自動變速器油泵制造車間信息管理系統架構，并設計了信息系統的核心功能體系，以支持自動變速器油泵數字化車間平臺的搭建。

3自動變速器油泵制造數字化車間關鍵技術研究

3.1面向少品種大批量油泵制造過程優化調度技術結合自動變速器油泵制造車間的現狀和需求，以及在調度過程中經常需要應對緊急訂單、設備故障等動態事件，本節兼顧車間調度的生產效益、環境效益和穩定性的考慮，將同時考慮平均延期懲罰、能耗、偏差度三項指標，構建面向少品種大批量油泵制造過程的動態調度優化模型，在多種動態事件的干擾下，通過深度Q學習神經網絡算法(Deep Q-learning Network，DQN)建立環境-行為評價神經網絡模型，作為遺傳算法的適應度函數，并利用結合混沌搜索方法的量子遺傳算法(Quantum Genetic Algorithm， QGA)求解優化模型。

3.1.1面向少品種大批量油泵制造過程的動態調度優化模型

①問題描述面向少品種大批量的車間調度問題是一種流水車間調度問題，結合自動變速器油泵制造車間的生產具有一定的柔性，該問題描述為：現有待加工工件集 J = { J1, J2,…,Jn }和加工設備集A = {A1, A2,…,Am }，每個工件Ji包含Oi道工序，根據車間調度的要求，每道工序可有一臺或多臺設備供選擇。根據工件的工藝路徑和各自工序的可選加工設備集合，將各道工序分配給滿足加工條件的設備。同時，在滿足工藝約束和符合設備加工條件的前提下，對各個加工設備上分配到的工序集進行排序。

而對于車間調度問題，需要考慮動態不確定因素對其影響，比如機器故障或阻塞、不合格工件重返工、訂單變化等隨機性事件。同時，為了提高動態調度的穩定性，提高模型的預見性和整體性，還需要進行周期性重調度。因此，本節基于上述問題，考慮機器故障、到達時間不確定、緊急訂單插入三種不確定事件對調度模型的影響，在周期性重調度的環境下，合理地進行設備分配和工序作業分配，使拖期懲罰、能耗、偏差度三項指標達到最優。

本文建立的模型是基于如下假設：

假設 1 同一工件的工序之間有順序要求，不同工件之間沒有順序要求；假設 2 在開始加工時，所有加工設備資源均可使用，所有工件均可被加工；假設 3 一道工序只能選擇一臺設備，一臺設備只能同時加工一道工序；假設 4 加工設備在加工過程中不會故障，不考慮工序加工中斷的情況；假設 5 系統內所有設施緩沖區無限，忽略運輸時間、準備時間等；假設 6 工件的加工路線不變，所有工件的優先級一致。

本模型中使用的參數和指標如下：

N 表示工件總數；

i表示工件索引號，ig{1,2,…,N}; G表示工件i的最大工序數；

j為工序索引號，j e{l,2,…,Q};

M 表示可用加工設備數；

m表示加工設備索引號，m e{1,2,…,M};

s 表示一臺設備上工序的加工順序索引號；

Qm表示加工設備m上安排生產的工序總數；

Tm表示工件i的工序j在生產設備m上所花費的生產時間；

D表示工件i的交貨期；

Gm(s)表示在生產設備m上按順序開始加工工序s的起始時間；

B，“表示在工件i中工序j的開始加工時間；

Cmax表示整個調度過程的最大完工時間；

Gj表示工件i中的工序j的完工結束時間；

xmj表示工件i中的工序j是否選擇在設備m上加工，是為1，否為0；

§m〈s)表示工件i中的工序j在加工設備m上的加工順序索引號是否為s，是則為1，否則為0；

Ec 表示加工總能耗；

Ec(i, j,m)表示工件i的工序j在設備m上的所產生的能耗；

Ek 表示空載總能耗；

Xm為衡量機器在調度開始后發生故障時刻的隨機變量；

Xr 為衡量機器維修時間的隨機變量；

Xg 為衡量工件到達時間的隨機變量；

Xe 為衡量緊急訂單的到來時刻的隨機變量。

②優化目標為了保證模型的有效性，將以最小化平均拖期懲罰、最小化能耗為優化目標。同時，為了兼顧動態調度過程中對穩定性的要求，需要評定動態調度中調度計劃調整的程度，即相對于原始調度計劃的偏離程度，故以最小化偏差度作為第三個優化目標，并以此建立優化模型。

min (EDP , Ep,DV) (3-1)

1)平均拖期懲罰

本文基于均衡生產理念，將調度目標確定為最小化平均拖期懲罰EDP :

min 工 EP - max{C; - D, 0}

EDP =——

Di = AT + f 工 T （3-3）

j=1

Ci =工 Ci, j （3-4）

j=1

Ci,j = Bi,j +Exmj xTm , j g{1,2,…,Oi } （3-5）

m=1

其中:ER為單位拖期懲罰系數；f為交貨因子；Oi為作業i的工序總數；Tj為工件i的工序j的實際加工時間；AT為工件i原材料的到達時間；D為工件i的交貨期；C.j是某道工序的完工時間，由開始時間和該道工序花費的生產時間構成。

2）能耗

自動變速器油泵制造車間的能耗主要體現為生產能耗和輔助環節能耗。生產能耗主要是指與加工環節直接相關的能源消耗，包括加工能耗、換刀能耗、換夾具能耗、機床空載等待能耗等。輔助環節能耗，主要是在輔助生產的過程中所產生的能源消耗，比如切削液的能耗、工件運輸能耗等。對于調度結果的影響程度而言，其中的部分能耗對結果的影響并不大，以及實際測量復雜等因素的存在，故根據問題的描述簡化對能耗的定義，只考慮因加工順序不同和分配方式的差異而變化較大的能耗，包括加工能耗和設備空載能耗。

加工能耗包括整個調度流程中所產生的切削能耗、空切能耗、換刀能耗和裝夾能耗等。所以，實際生產中的加工能耗為：

N Oi M

Ec =工工£瑞xEc （i,j,m）（3-6）

i =1 j =1 m =1

設備的等待能耗可用對所有設備的上下道工序之間的時間間隔的累積表示：

故總能耗為

3）偏差度

偏差度是衡量在重調度時刻，舊調度計劃中待加工工序的開始時間與新調度計劃中待加工工序的開始時間的差值。

3-9)

其中Ns表示整個調度過程中調度調整次數，Nd表示在重調度時刻的待加工工序的總工序數，S”,,“和S”q分別表示第n次重調度前后工件i的工序j的計劃開始時間。

③約束條件

Bi, j+1 Ci, j，j E {1,2,…，Oi - 1} （3-10）

m 匸{1,2,…,M}，s 匸{1,2，…,Qm- 1}

工悄=1 （3-11）

m=1

NOi

Gm （s + 1） > Gm （s） + 工工黑（s） X 邙（3-12）

i=1 j =1

” =Qm （3-13）

j=1

工 C j w D（i）（3-14）

j=1

Bi,j > 0， Gm （s） > 0 （3-15）

xjj 匸｛0,1｝，昭（s）匸｛0,1｝（3-16）

& G（&m 5 0m ）， X^r 匸 G（^r，Pr ）

Xg G G©g , Pg ）， Xe G G（de , Pe ）（3-17）

式（3-10）表示同一工件內的工序滿足工藝路線約束；式（3-11）表示一道工序只能選擇一臺設備加工；式（3-12）表示加工設備約束，一臺設備只能同時加工一道工序；式（3-13）表示設備m上加工的工序總數約束；式（3-14）表示工件的交貨期約束；式（3-15）表示對決策變量在數值上的約束；式（3-16）表示再調度時刻正在機器上加工的工序將不受影響，繼續完成原來的加工；式（3-17）表示動態事件的隨機變量均服從伽馬分布。

④動態調度響應策略

本文采取基于DQN和QGA的動態調度響應策略。該策略結合了動態事件重調度和周期性重調度，是一種完全反應式調度策略，在動態事件和周期性重調度的觸發下，基于當前系統的狀態，動態地根據基于DQN和QGA的調度算法進行重調度，制定新的調度計劃，以適應車間制造環境的動態變化。

為了對當前系統狀態進行準確地描述，將工序分為以下5類，已完工工序、正在加工工序、已調度但待加工工序、不可調度工序、待調度工序。已完工工序是指在重調度時刻已經完成加工的工序，正在加工工序指在重調度時刻正在加工的工序，已調度但待加工工序指上一個調度周期內已經分配但等待加工的工序，不可調度工序指上一個調度周期和本調度周期內，按照工藝流程下一步不可進行加工的工序，待調度工序指上一調度周期內不可調度但當前調度周期內可調度的工序。重調度需要解決的是，在當前重調度周期內，需要匯總可調用工序，包括已調度但待加工工序和待調度工序，并對其進行調度和安排加工。

在重調度時刻，對系統的狀態進行描述，選擇耦合性低、對目標影響大的屬性，主要有與時間有關的屬性和與能耗有關的屬性。與時間有關的屬性包括工序加工時間Tp、工件剩余工序數Nr、各工件剩余加工時間Tr、工序到達時間Ta、設備的可用時間Tm、交貨期D、工件的權重0。與能耗有關的屬性包括工序的加工能耗Ep、工件的剩余加工能耗Er。

3.1.2基于DQN和QGA的動態調度優化算法

①量子遺傳算法介紹

量子遺傳算法，這是一種將具有概率性的量子計算與GA算法融合在一起的算法［63］。該算法在一般的編碼過程中添加了對基因的量子矢量表達，一位基因可由兩位量子比特表示，并利用量子旋轉門對量子比特的相位旋轉實現染色體的進化，相較于一般的遺傳算法，具有良好的收斂和多樣性。

種群個體的染色體采用基于量子比特形式的編碼解碼方式，即傳統算法中表達信息的一位基因用兩位基因來表達，該段信息數據處于“0”態和“1”態的疊加態中，根據概率具體選擇處于某種量子態中的基因。這就使得QGA算法有更好的多樣性特征。量子比特表示同時處在兩個量子態的疊加態中，如公式(3-18) 所示：

|0〉= a|O〉0|1〉 (3-18)

0〉和1〉分別對應量子計算中的“0”態和“1”態，(a, 0)表示處于“0”態和“1”態的概率幅，也就是以多大的概率取到 0或 1。該參數滿足如下條件： |a|2 +10|2 = 1 (3-19)

量子遺傳算法的收斂是通過量子旋轉門更新來實現的，對某個量子比特在經過量子門的相位調整后，會逐漸向著某一狀態傾斜，最終收斂于局部最優解。量子旋轉門的表達式如下：

cos(d) — sin(0J / 、

U(0i)= ' " ' 丿 (3-20)

_ sin(Q) cos(0J _

對量子比特進行相位上的調整，如下：

a 「a ]

=U (0i) =

[0\ J cos(0i) — sin(0i) "|「a _ sin(0J cos(e)__0 _ (3-21)

其中，&是旋轉角，由0 = s（a,0）仏0得到，A0表示旋轉角的大小，s（a,0）表示旋轉角的方向，可由表1查得；（％, 0）T和（％0分別表示染色體的量子比特i在通過量子旋轉門調整前后的概率幅。

量子旋轉門的原理是通過比較當前個體和最優個體的適應度，選擇合適的旋轉角大小和方向使相應的基因向適應度更高的方向演化，從而收斂于局部最優解。

表3.1 旋轉角調整策略

Table 3.1 Helix angle adjustment strategy

x best f (x) > f (best) A0 s 3, P)

a0 > 0 a0 < 0 a= 0 P=0

0 0 False 0 0 0 0 0

0 0 True 0 0 0 0 0

0 1 False A0 +1 -1 0 ±1

0 1 True A0 -1 +1 ±1 0

1 0 False A0 -1 -1 ±1 0

1 0 True A0 +1 -1 0 ±1

1 1 False 0 0 0 0 0

1 1 True 0 0 0 0 0

②深度 Q 學習神經網絡算法

深度 Q 學習神經網絡算法是一種結合強化學習和神經網絡的算法。該算法定義了一種智能體，該智能體能夠對復雜的環境做出響應，依據策略執行動作，并得到在該環境下的反饋，利用該反饋進行不斷學習，訓練能夠對動態環境做出最優響應的神經網絡模型，從而提升對環境的適應能力。

該算法主要包括以下三個要素：環境的狀態S、智能體的動作A、環境對智能體的獎勵R。根據上文，本文的環境狀態包括時間和能耗有關的屬性，時刻t的 St 描述為：

St = {Tp, Nr , TR, TA, Tm, D,0, Ep, Er } （3-22）

當智能體執行動作后，狀態由St變化到St+1，設定狀態變化的一步為最早的一個或一批工件加工完成，此時會進入下一個狀態。

在t時刻，動態調度系統所執行的動作A是下一步中加工的工序集，動作A 是由動作選擇策略產生的。該策略根據對環境的觀察，以概率&選擇獲得價值最大的動作。

獎勵函數 R 的選取要考慮整個調度系統的優化目標，同時確保強化學習模型能夠向著獎勵最大化的方向擬合，本文對各個調度目標采取加權方式求和，并將求解目標的最小化轉化為強化學習中的獎勵最大化，獎勵函數如下：

丄 ,調度結束并按期完成

a1EDp + a2E+a3DV

0 ，調度未結束

—1 , 調度結束但延期完成

"表示縮放因子，來控制對獎勵值的調整。ai、a2、a分別表示對平均延期懲罰、能耗、偏差率的權值。

在動態調度系統中，評價動態調度動作的優劣程度可用動作-價值函數 Q(S, A)來描述，該價值函數是一個神經網絡模型，即DQN算法要求出的模型。該神經網絡的訓練數據是在強化學習過程中產生的，一段周期內的學習數據輸入神經網絡模型中，進行訓練得到神經網絡模型。訓練該神經網絡的成本函數如下： L (0}) = Es ,a~p(?)「(卩-Q(s, a ； )) J (3-24)

i = 1,2,…,N, j = 1,2,..., M 其中，N表示算法的迭代次數，M表示神經網絡的參數個數，y-是當前環境下采取行動得到的現實值，即訓練數據的輸出值，Q(s,a0J是根據當前評估神經網絡求出的估計值。

DQN算法關鍵的一步是對ji的求解，為是根據現實神經網絡求出的現實值, 現實神經網絡是上一個迭代周期內的評估神經網絡。在算法中采用兩個神經網絡的目的是為了減少算法的不穩定性。 yi 的求解公式如下：

yi = r +ymax a'Q(sa '屁J (3-25)

其中，丫表示獎勵衰減因子，在0?1之間取值。S'和a'表示執行動作a后智能體進入的下一個狀態和可選動作，Q(s',a';弘J是現實神經網絡，該算法基于貪婪策略，通過對下一個狀態的可選動作集的遍歷，選擇其中使得現實值最大化的動作。

③基于QGA和DQN的調度算法整體框架

本文改進了一般的QGA算法，利用DQN算法學習出的Q價值神經網絡模型作為調度模型的適應度函數，提高了算法對動態環境的學習性和適應性，融合了動態調整旋轉角策略，增強了其收斂能力，并結合混沌搜索方法，能夠對解空間均勻遍歷。

算法具體步驟如下：

步驟1設定個體總數popsize、單個個體的基因總數w、變異概率P，、交叉概率PC、種群進化代數MaxGen、重調度周期TL、動態事件的概率參數、最大學習調度次數MaxL、學習周期GapL、更新周期GapUp等參數；

步驟 2 初始化用來訓練神經網絡的經驗池，初始化 Q 評估神經網絡模型 (Q-evaluate)和Q現實神經網絡模型(Q-target)，初始化學習調度次數TLs為1，學習步數step為1；

步驟3在初始調度時刻，對已到達工件進行調度，記錄當前初始系統狀態S0 ；

步驟4按照均勻規則初始化種群G0，生成popsize條概率幅一致的染色體；

步驟5對染色體解碼，得到下一步加工的工序集，記錄當前系統狀態S，通過Q-evaluate價值函數得到適應度，并以此來更新量子旋轉門，生成子代種群Gc ；

步驟6將父代Gp與子代Gc種群合并成種群Gh，并對其解碼，通過Q-evaluate 價值函數測量出種群的適應度；

步驟 7 按照適應度大小挑選出下一代種群；

步驟 8對挑選出的種群以設定的概率執行交叉操作，并根據一定規則取部分個體變異，生成種群Gb ；

步驟9采取精英保留策略，選擇Gh中適應度高的個體與種群Gb合并，生成下一代種群G ；

步驟10 返回步驟4循環，直到達到最大種群進化次數；

步驟 11 將種群中適應度最高的染色體進行解碼，得到下一步的加工工序集 A，記錄當前系統狀態S，計算出獎勵值R，并由執行動作推導出下一個系統狀態S'，將｛A， S， R， S'｝記錄到經驗池中，并更新step；

步驟12通過step判斷是否達到一個Q-target更新周期，達到即用Q-evaluate 神經網絡更新Q-target神經網絡；

步驟13通過step判斷是否達到一個學習周期，達到開始進行Q-evaluate神經網絡的訓練，隨機抽取經驗池中的一批數據作為網絡模型的輸入數據，對應的輸出數據根據公式計算得出，以此來訓練Q-evaluate神經網絡；

步驟 14 判斷一次調度是否完成，未完成返回步驟 4，完成則更新學習調度次數Ts ；

步驟15判斷學習調度次數TLs是否達到最大學習調度次數MaxL，未達到返回步驟 3，達到則表明強化學習過程結束，適應度函數模型學習完成；

步驟16 根據適應度函數模型求解最優解，執行步驟4~9；

步驟 17 對種群進行混沌搜索，如果找到一個非支配解，則將該非支配解對應的個體代替種群中前端序值低的個體；

④算法具體設計

1)初始化

種群的初始化影響最終求解的質量和收斂速度。種群的初始化涉及工件加工

順序和設備選擇兩方面。為了保證種群多樣性，同時兼顧初始種群的質量，將種

或取 1 的概率是一致的。

2)多層編碼方案由自動變速器油泵制造車間動態調度的問題特性可知，其編碼由兩部分組

成，分別是工序排序向量(Operation sequence vector， 0V)和加工設備選擇向量 (Machine assignment vector，MV)。

量子編碼是 QGA 算法中十分關鍵的步驟，也是相對較為復雜的步驟。在本文中，根據不同的部分，制定不同的編碼策略，實現多層編碼。對于工序排序向量，根據所有工件的最大工序數k，每一道工序分配長度為Lp =[ log2]+1的量子比特位；對于加工設備向量，根據所有工序的最大可選擇設備數l，為每道需選擇設備的工序分配長度為La =([log2] + 2卜l的量子比特位。最后染色體的總位數

w為:

w = LP x H + LA x H

其中H為所有工件的工序總數，N為工件數。

接下來，需要對其進行解碼。由于量子比特是通過概率幅對解的一種線性疊

加態，首先將其轉換為十進制染色體，再根據各自的解碼策略，將其轉換為最終解。針對種群某一個體的染色體的解碼方案如下：

a.對于w位的初始解Q，根據概率幅將雙行的初始解其轉換為單行的二進制代碼Q。設Q(t)為第t位的量子比特，系統產生一個0到1的隨機數r，若

b.根據上面的編碼策略，按照0V和MV分別進行十進制解碼。對于0V, 將每Lp位的二進制串解碼成十進制串，由此得到長度為H的十進制串Dp ；對于 MV,將每La/l位的二進制串轉換為十進制串，由此得到長度為lxH的十進制串 Da。最終得到的十進制染色體如下：

D = [Dp | Da ] (3-28)

c.對于十進制染色體D，同樣按照兩部分分別處理。

對于0V,將Dp中的數按從小到大標記序號，標記序號最小的數所在的位置被替換為第一個加工的工件索引號，標記序號次小的數所在的位置被替換為第二個工件索引號，依此類推。如果在dp中出現相等的數字，則位置序號較小的數代表工序號較小的工件。由此得到所有工序的加工順序序列Sp。Sp中的第n次出現的數i將表示工件i的第n道工序。

對于MV，每l位為一個單元，在一個單元內有l位十進制數，根據能夠加工該單元對應的工序的最大設備數g，取前g位中的最小數，該最小數所在的位置序號即為加工該道工序所對應的設備選擇索引號，如果最小數有相同的，則對大小相同的位置隨機選擇一個作為設備選擇序號。由此得到設備選擇序列SA。

最終得到工序調度染色體S如下：

S = [ Sp | Sa ] （3-29）

d.根據MV將OV中的每道工序分配到對應設備中，完成調度，得到最終調度解。

解碼流程圖如下：

圖 3.2 解碼流程圖

Fig. 3.2 Decoding flowchart

3）動態調整旋轉角策略

量子旋轉角大小的選擇對量子遺傳算法的性能影響大。如果旋轉角幅值太小，則可能導致收斂速度比較慢，如果旋轉角太大，則可能導致在最優解附近徘徊，無法收斂。一般情況下，量子旋轉角的大小是固定的，無法對進化情況做出自適應調整，這便導致收斂速度較慢或無法收斂。

本文提出一種動態調整旋轉角策略。當種群中個體的適應度與種群中最優個體的適應度的差距較大時，可適當調大旋轉角的幅值，以達到快速收斂的目的；反之則可適當減小旋轉角的幅值，對個體進行微調，防止在最優解周圍來回震蕩，無法收斂。旋轉角幅值的調整函數如下：

△ & = _（臨乂一鳩）（3-30）

fmax

其中，A0表示旋轉角幅值，0max和&mm限定了旋轉角的極值，fm ax和fmn表示種群的個體適應度極值，fc表示個體的適應度。該策略關聯了旋轉角與個體適應度，可動態自適應調整旋轉角度，從而提升整體的收斂速率。

4）交叉操作

在本文中使用了一種關聯所有染色體的交叉技術，即全干擾交叉方式。這種方法的特點是所有染色體均受影響。例如假設人口為 4，基因數為 5，其中每個數字代表染色體上的一個量子位。交叉操作完成后，染色體的每一位都將重新排列并斜向連接以形成新的種群。該交叉操作可以最大化地利用整個種群的染色體信息，提高種群的多樣性，并有效地減少早熟現象的發生。

16 ； 12| 8 ； 4 ［ 20

圖3.3 全干擾交叉演示

Fig. 3.3 Demonstration of full interference crossover

5）變異操作雖然量子遺傳算法相較于經典遺傳算法，同樣位數的量子比特包含了更加豐富的信息，種群多樣性更好，但僅靠量子態帶來的多樣性，對于搜索全局最優解是不夠的，還是可能出現過早地收斂于局部解問題，因此需要加入量子變異來提升算法的性能。而變異操作可以有效地減少早熟現象的發生，提高算法的尋優能力。

在 QGA 算法中通常使用量子非門來進行變異操作，量子非門的表示形式如下:

可得到：

著良好的物理性能，可以得到比較均勻的解集，能提高對解空間的搜索能力，但容易產生不動點情況，在算法中需要避開它。混沌變量的迭代步驟如下：

步驟1初始化迭代次數j = 1 ；

步驟2取某一染色體Qj，對該染色體的第一行進行迭代，迭代公式如下:

j+1 2X 0 < xi < 0.5

X‘ _〔2(1 — x{) 0.5 < xj < 1

X表示第一行的第i位基因，根據量子比特的性質，生成雙行的染色體QjT。

令j _ j +1，并判斷是否達到設定條件，若未達到則進入步驟3,否則直接結束;

步驟3判斷得到的染色體第一行的基因是否滿足xj ={0，0.25，05，075}或者£ = ，k ={1，2，3，4}o若滿足則說明此時混沌搜索陷入不動點，跳轉到

步驟4;否則返回步驟2繼續迭代;

步驟4按照如下公式對進行更新，并返回步驟2

xi _ X -rand(0,1)

在以上基礎上，將當前代種群引入混沌變量進行混沌搜索，在最大迭代次數內，若迭代得到的解不受當前所有種群支配，則結束迭代并記錄當前非劣解; 若始終沒有得到非劣解，則迭代至最大迭代次數后停止迭代。

3.1.3案例驗證

①測試數據

本文通過測試案例來驗證本文算法解決動態調度問題的可行性。當前并沒有標準測試算例來測試車間調度問題，本文參考Brandimarte車間調度問題標準算例，生成一系列的測試算例。為簡化問題，本文每個工件的工序數一致。測試算例的參數如下:

表 3.2 測試算例參數

Table 3.2 Test case parameters

算例名稱工件總數工序數設備數加工時間工序能耗

MK01 6 4 4 [1,9] [2,8]

MK02 6 5 4 [1,10] [3,9]

MK03 6 5 6 [2,9] [4,10]

MK04 6 6 6 [3,8] [2,9]

MK05 8 4 4 [1,9] [2,8]

MK06 8 5 4 [1,10] [3,9]

MK07 8 5 6 [2,9] [4,10]

算例名稱工件總數工序數設備數加工時間工序能耗

MK08 8 6 6 [3,8] [2,9]

MK09 10 4 4 [1,9] [2,8]

MK10 10 5 4 [1,10] [3,9]

MK11 10 5 6 [2,9] [4,10]

MK12 10 6 6 [3,8] [2,9]

MK13 12 4 4 [1,9] [2,8]

MK14 12 5 4 [1,10] [3,9]

MK15 12 5 6 [2,9] [4,10]

MK16 12 6 6 [3,8] [2,9]

具體生成步驟以算例01為例：工件總數目為6，單個工件的工序數為4，某道工序的可選加工設備以一定概率隨機選取，在［1,9］之間隨機生成不同機器上工序的生產時間，并且是整數；在加工設備上加工不同工序所用的能耗在［2,8］之間隨機選取，且為實數；各個工件的交貨期設為50乘以工件設備數之比。

②評價指標

采用迭代距離 Dis 指標［65］來評價算法的收斂性能： Dis 表示的是當前算法的非劣解集A相對于真實Pareto解集A *的距離。該距離越小，表明當前算法的非劣解集越接近真實 Pareto 解，算法求優性能就越好。

Dis =—'―工 min{axy | x e A} （3-35）

N“* yeA*

真實Pareto解集可由所有算法算得的非劣解集構成的集合中的非劣解近似表示，Na*表示該非劣解集的元素個數。表示解A與A *中元素y在歸一化空間內的距離。

采用AMetric指標［66］來衡量非劣解集的多樣性。通過非劣解集中相鄰解的歐式距離與平均距離的差值累加，來反映解空間分布的均勻性。其數學表達式如下： N-1.

dl + dr + 工 |d； — d|

A= 旦 = （3-36）

dl + dr + （N — 1）d

其中N為非劣解的數目，dl和dr分別表示真實Pareto解集的兩個極值解和非劣解集對應的兩個邊界解的距離；di表示依次排列的兩個非劣解的距離，d表示均值。當A值越大，說明算法的多樣性越差，反之則算法的多樣性好。

③實驗結果

本次實驗首先需要驗證通過DQN強化學習得到的Q適應度函數的有效性，以及本算法對環境的適應性和魯棒性，將其與其他評估適應度的方法進行對比。常用的求解多目標解的適應度的方法有兩種，一種是將多目標通過加權方式轉換為單目標來進行評價，還有一種是構造基于非支配排序等級的實值函數，來評價多目標解。在本次實驗以MK04作為算例，設定種群迭代次數為80，種群個體數為 40，單位延期懲罰系數為 0.4，且當前只考慮設備發生故障的情況，為了統一計量各個評價方法的優劣，設定設備在時刻8出現故障，并在時刻20維修好。在量子遺傳算法的基礎上，分別調用這三種方法，各自重復運行 10 次，選擇調度結果中較優解（平均延期懲罰最小優先），運行結果如下:

圖3.4采用Q適應度函數的重調度甘特圖

圖 3.5 采用加權適應度函數的重調度甘特圖

Fig. 3.5 Rescheduling Gantt chart using weighted fitness function

圖 3.6 采用基于非支配排序等級的適應度函數的重調度甘特圖

Fig. 3.6 Rescheduling Gantt chart using fitness function based on non-dominated ranking rank

表 3.3 采用各種適應度函數的實驗結果

Table 3.3 Experimental results using various fitness functions

適應度函數 EDP Ep DV Pareto 解個數

Q 價值 -16.533 180.24 0.012 22

加權方式 -12.4 180.75 0.064 18

基于非支配排序等級 -14.133 181.6 0.075 19

如表 3.3 記錄著所有 pareto 解中的各項目標的最小值及 pareto 解個數，在所求解的各項目標上，采用 Q 適應度函數的算法算出的最小值均明顯優于其他兩種方法算出的結果，表明其對解空間的尋優能力更強，能夠很好地評估染色體的適應度。同時，其對動態事件有很好的響應，能夠根據當前環境做出整體的最優選擇，如圖 3.4~3.6 是采用各種適應度函數得到的最小平均延期懲罰解對應的重調度結果，當機器故障修復后，采用Q適應度函數的算法并不急于在機器3上安排工件4加工，而是選擇等待工件2的加工，而其他兩種算法都急于在機器 3上安排工件4加工，從而不能達到整體最優。相較于其它兩種算法，采用Q適應度函數的算法對環境具有良好的適應性和魯棒性。

在車間動態調度問題上，為驗證算法的有效性，將本節的算法深度強化學習 -量子遺傳算法(DQN-QGA)與求解動態調度問題的常用算法非支配遺傳算法排序算法(Non-dominated genetic algorithm，NSGA)進行比較，同時為了驗證該算法在對環境適應性的提升，與一般非支配量子遺傳算法(Non-dominated quantum genetic algorithm，NSQGA)進行比較，并在各個測試案例進行測試驗證。為保

證一致性，對各個算法設定同樣參數，包括種群進化代數為 100，種群個體總數為80，動態事件均服從伽馬分布，根據文獻40中對動態事件的仿真策略，a取

0.2，0取0.4。同時對各個算例重復運行20次，取20次運算結果的Pareto前沿解作為某個算法的運算結果。實驗結果如下：

表3.4各類算法關于指標Dis和A的計算結果

Table 3.4 The calculation results of various algorithms on the indicators Dis and A

DQN-QGA NSQGA NSGA

算例 Dis A Dis A Dis A

MK01 0.014 0.266 0.096 0.762 0.064 0.572

MK02 0.019 0.518 0.049 0.692 0.092 0.684

MK03 0.021 0.372 0.071 0.645 0.033 0.506

MK04 0.032 0.475 0.072 0.661 0.016 0.628

MK05 0.009 0.570 0.090 0.659 0.044 0.773

MK06 0.019 0.644 0.099 0.669 0.04 0.708

MK07 0.029 0.605 0.112 0.464 0.053 0.638

MK08 0.009 0.478 0.071 0.719 0.072 0.66

MK09 0.005 0.585 0.047 0.493 0.072 0.706

MK10 0.013 0.349 0.083 0.863 0.044 0.631

MK11 0.005 0.551 0.063 0.616 0.081 0.742

MK12 0.041 0.688 0.061 0.719 0.015 0.537

MK13 0.016 0.568 0.09 0.338 0.052 0.81

MK14 0.022 0.548 0.072 0.769 0.023 0.515

MK16 0.011 0.428 0.071 0.509 0.057 0.559

MK17 0.030 0.561 0.116 0.899 0.041 0.232

在收斂性指標上， DQN-QGA 算法明顯優于其他算法。在 16 個算例上， DQN-QGA的Dis指標均比NSQGA和NSGA 小,表明其求出的非劣解接近實際 Pareto 解，與常規算法相比，極大的提高了算法收斂性。在多樣性指標上， DQN-QGA算法在超過三分之二的算例中，A指標比其他算法小，由于編碼解碼復雜和智能算法自身的隨機性，在剩下的算例中，本文算法的A指標比其他算法大。總體說來，相較于傳統的遺傳算法和量子遺傳算法，DQN-QGA算法在有效性、環境適應性、魯棒性上有明顯的優勢。

3.2面向自動變速器油泵制造過程的物料管理方案

物料管理是車間生產中重要的環節，是車間信息管理系統的核心功能之一。自動變速器油泵制造車間的物料繁多，包括原材料、毛胚、工件、夾具、刀具等管理難度大。針對自動變速器油泵制造車間物料繁多、機加工序和裝配工序混合的制造特點，為了實現生產過程中對物料的跟蹤和質量可回溯管理，提出面向自動變速器油泵制造過程的物料管理方案，首先制定了基于多層編碼結構模型的物料編碼方案，接著提出了基于MBOM的物料狀態數字化描述方法，最后在前兩種技術的支撐下，構建了面向油泵制造過程的物料跟蹤管理技術。

3.2.1基于多層編碼結構模型的物料編碼技術

物料編碼是物料管理的基礎，通過對不同類型、不同批次的物料編碼，實現對物料的唯一標識和批次管理。針對汽車變速箱油泵少品種大批量生產模式、制造工藝及工藝流程復雜、制造車間各種原材料、工裝夾具、量具等品類繁雜、機加工藝和裝配工藝共存等特點，基于多層編碼結構模型，制定合理的物料編碼規則，以提高物料分類和物料跟蹤效率。

①物料分類

在進行物料編碼前，需要進行物料分類，可采用工業領域中常用的AB分類控制方法，將物料分為兩A、B兩大類。A類是滿足自動變速器油泵制造需求的直接材料，例如原材料、成品件、在制件等，B類由輔助材料組成，主要有輔助工具、潤滑液、冷卻液等，本文主要研究A類的詳細分類。A類主要有成品件、工序在制品、原材料，B類均劃分為輔助材料，詳細的物料分類如圖3.7：

物料分類

②多層物料編碼結構物料編碼結構包括物料字段的定義和字段關系的約束。在定義物料編碼結構上，常用的編碼方式有四種，分別是順序編碼、結構編碼、分類編碼、序列編碼。順序編碼使用阿拉伯數字或拉丁字母順序識別物料，例如編號 1 表示軸類零件，編號2表示孔類零件。結構編碼能夠反映清晰的結構關系，具有易于記憶的優點，但是它不適用于標識不同類型的物料。分類編碼易于搜索和控制，但難以確定類型邊界。序列代碼很少單獨使用，因為它不能反映物料間的關系。近年來，隨著對編碼技術的研究不斷增多，編碼結構在編碼長度和編碼字段關系上趨于靈活。影響編碼結構靈活性、可用性、高效性的因素有很多，包括編碼長度、特征描述、結構穩定性、標準兼容性和組織合理性。本節將結合這五個因素來設計物料編碼結構，考慮其中一個或幾個而忽略其他因素將導致編碼結構不穩定。

因此，根據數字化車間的物料屬性及其需求設計物料編碼結構。基于自動變速器制造車間物料的分類和結構要素，提出了一種自動變速器油泵制造車間物料多層編碼結構模型，該結構模型由六種類型（層次）的編碼字段組成：類碼、屬性碼、版本碼、流水碼、關聯碼、狀態碼，如圖3.8所示。其中箭頭連接線表示字段關系，字段關系定義了編碼字段之間的約束關系，編號（1）表示從屬關系，編號（2）表示并行關系，編號（3）表示直接依賴關系，編號（4）表示聯合依賴關系，虛線框內的編碼字段為可選部分。

根據分類編碼原理，類碼字段是區分物料類型的最直接手段，該字段值具有唯一性，并且類碼字段的組合能夠包含不同類型的物料對象。屬性碼是對物料屬性進行編碼，包括尺寸規格、顏色、材料等。版本碼是對產品更新時的版本號進行編碼，可方便產品的售后維護和提高變更管理效率。流水碼是通過一系列數字來區分相同類型的物料，是實例對象的唯一標識，流水碼的初始值和步長可以自由定義。關聯碼是可選部分，主要是針對同一生產序列的零部件間的組裝關系進行編碼，反映著組裝成當前物料的上游物料來源，如果當前關聯碼為 0 則表示該物料是單個零件。狀態碼記錄著當前物料在生產過程中的狀態，也是可選部分，主要包括所在工位、工組號等信息，是隨著物料的流動而動態更新的。

編碼字段不是獨立的，它們之間具有一定的約束關系。自動變速器油泵制造車間物料編碼結構中存在三個關系，分別為并行關系、從屬關系、依賴關系。并行關系是指編碼字段間相互獨立，互換順序不影響對物料信息的解析和破壞物料編碼的邏輯語義，例如同等級別的屬性碼字段之間是一種并行關系。從屬關系是指按一定順序生成物料字段，例如在類碼字段中，類碼字段 2 必須在類碼字段 1 的后面。依賴關系是指不同層次的編碼字段間的決定關系，表明某一層次的字段值的生成依賴于其它層次的字段值。其中，直接依賴關系是指被依賴字段值決定依賴字段值，例如屬性碼字段取決于類碼字段。聯合依賴關系是指某一層次的字段值的生成同時依賴于兩個及以上的其它層次的字段值，例如類碼字段和版本碼字段決定著流水碼的生成。

編碼結構模型是編碼規則的基礎，本節的多層編碼結構模型可以高度滿足靈活的編碼要求，為下面的編碼規則制定奠定基礎。

③物料編碼規則

為了確保高效的編碼效率和便于維護，在制定編碼規則時應遵循如下常用的物料編碼原則：

1）唯一性。物料編碼能夠區別不同種類、不同批次的物料，一個物料的信息碼對應著車間唯一的物料，從而保證物料管理的準確性和有效性。

2）適用性。物料編碼能夠與物料的特點、狀態等信息掛鉤，信息管理系統可對該信息碼進行分析，并提取出物料的特點、狀態等信息。

3）完整性。要求物料編碼規則對物料信息的表達盡可能全面，滿足車間管理需求。

4）簡潔性。由于承載物料信息的硬件條件有限，以及對其傳輸效率和檢索效率的要求，物料編碼不能過于冗長，在編碼時盡量采用文本符號作為編碼字段，以減少傳輸和讀取的困難度。

5）可擴展性。為了適應不斷擴張的產品需求，物料的不斷增多，需要在已有的物料信息碼基礎上錄入新的物料信息，同時編碼系統要與舊編碼系統兼容，具有一定的可擴展性。

通常，存在三種編碼形式，分別為數字編碼、字母編碼和混合編碼。字母編碼具有明顯的物料語義、易于識別和記憶的優點，但是當物料庫容量比較大時，制定物料編碼的任務比較繁重。數字編碼具有易于操作、快速輸入的優點，顯著地提高了效率，但是卻難以識別及記憶。混合編碼方法是字母數字結合的編碼形式，它同時兼顧了兩種方法中的優點，并得到了廣泛的應用。自動變速器油泵物料品種繁多、數量龐大，并且包含信息復雜。為了便于識別和操作，使用字母數字混合編碼方法，數字從0到9隨機排列，字母從A到Z隨機排列。

根據物料編碼原則，并參考國家相關物料編碼標準，同時考慮了自動變速器油泵制造車間特點、現狀和需求，基于多層編碼結構模型和混合編碼形式，提出了自動變速器油泵制造車間物料編碼規則，如圖3 . 9所示。

Fig. 3.9 Material coding rules of automatic transmission oil pump manufacturing workshop

在自動變速器油泵物料編碼規則中，不同層次的編碼字段之間用分隔符進行隔離，可采用“-”短橫線來區分。類碼的各字段長度一致，均為兩位。一位編碼不能滿足編碼的唯一性和適用性要求，并且可擴展性差。三位編碼能滿足適應性、唯一性、完整性要求，但是編碼的長度過長，帶來空間和時間維度上的消耗，而且不符合簡單性的物料編碼原則。屬性碼的各字段長度不同，可根據自動變速器油泵制造車間物料的不同屬性進行設置。版本碼長度可設置為二位，并用數字表示。流水碼長度固定，可設置為三位，并用數字表示。關聯碼的各字段長度與形式與流水碼一致，便于實現物料的跟蹤。狀態碼的長度與工序號、檢驗號一致，通常為二位。自動變速器油泵物料編碼規則可以根據類別、特征、屬性、版本、狀態指示所有物料，避免了物料編碼的信息遺漏和歧義。

④編碼系統功能設計

物料編碼系統主要包括四個部分，分別為編碼結構的定義、編碼規則的定義、編碼字段值的生成和編碼管理，在技術實現上分別對應著編碼結構編輯器、編碼規則庫、編碼生成器、物料編碼庫。基于多層次的編碼結構模型，可在編碼結構編輯器中定義每種編碼字段及其之間的關系，該定義功能只向上層的設計人員開放。編碼字段名互相不重復，編碼字段之間的約束關系是固定不變的。基于編碼結構，可制定編碼規則，并將其在保存在編碼規則庫中。每個編碼字段的制定規則對應著編碼規則庫中一個規則集。在申請生成物料編碼時，該系統會選擇對應的編碼規則集，并將編碼請求發送到編碼生成器，結合編碼規則生成唯一的物料編碼。物料編碼生成后，將其與相關的物料信息一起存儲在物料編碼庫中。最后，該系統向車間管理員提供查詢、修改、刪除物料編碼等功能。自動變速器油泵制造車間物料編碼系統模型如圖 3.10 所示。

Fig. 3.10 Material coding system model of automatic transmission oil pump manufacturing workshop

本編碼系統的關鍵技術是多層物料編碼結構模型。基于該編碼結構模型，物料的信息模型由物料對象、物料規則、操作接口（功能）三部分組成。物料對象是指具體的物料及其相關的屬性、版本、關聯關系等。編碼規則包括所有已定義的編碼規則。操作接口（功能）是指定義編碼規則、約束編碼字段關系、操作物料編碼的功能。基于該信息模型，建立一個數據庫來管理物料數據，實現對物料的高效管理。

當員工輸入物料信息或者掃描物料時，物料編碼系統可以返回物料的編碼，實現對物料編碼的自動化，提高物流管理的效率。自動變速器油泵制造車間的物料編碼系統處理流程如下：

步驟 1 編碼系統讀取員工的輸入物料信息，解析該信息，并提取搜索關鍵字；

步驟 2 根據該搜索關鍵字遍歷物料編碼庫，如果查找到，則直接返回物料編碼，如果未查找到，則繼續；

步驟 3 對該物料進行分類操作，以分類號作為關鍵字遍歷物料規則庫，如果查找到匹配規則，則執行步驟 5，未查到，則繼續；

步驟 4 結合編碼結構編輯器，向編碼規則庫中添加規則，并產生對應的規則集

步驟 5 基于規則集，生成類碼字段；

步驟 6 查詢物流的屬性信息，基于規則集，生成屬性碼字段；

步驟7從PDM系統中，讀取版本信息，基于規則集，生成版本碼字段；

步驟 8 基于規則集，生成流水碼字段；

步驟 9 判斷當前編碼字段是否滿足唯一性，不滿足則返回步驟 8，滿足則繼

續；

步驟9 判斷當前編碼長度是否超限，超限則返回步驟6，不超限則繼續；

步驟 10 判斷該物料是否為組合件，是則基于規則集，生成關聯碼字段，不是

則繼續；

步驟 10 判斷該物料是否處于加工中，是則基于規則集，生成狀態碼字段，不

是則繼續；

步驟 11 輸出物流編碼。

圖 3.11 自動變速器油泵制造車間的物料編碼系統處理流程

Fig. 3.11 The processing flow of the material coding system in the automatic transmission oil pump manufacturing workshop

3.2.2基于 MBOM 的物料狀態數字化描述方法

物料管理的重要內容是對物料信息的收集和處理。物料信息可以分為靜態信息和動態信息，靜態信息指的是物料的不變信息，例如名稱、物料編號、物料編碼等信息，動態信息指物料在流動或加工裝配過程中的變化信息，例如物料的流動位置、物料的加工狀態信息等。其中，如何數字化描述物料的狀態信息是數字化車間的一項技術難點。由于自動變速器油泵制造過程的復雜性，以及一些動態事件的干擾，使得物料信息的數字化描述變得更加困難。本小節將首先探討自動變速器油泵制造車間物料狀態的分類，作為物料數字化描述的前置準備；接著，通過對前沿的物料描述技術的分析，提出基于MBOM的自動變速器油泵制造車間物料狀態數字化描述方法。

① 物料狀態分類

在車間層面，自動變速器油泵制造車間的物料主要經過了從入庫到成品出車間的狀態轉變。在轉變過程中，經歷的狀態類型繁多復雜，而且常伴有突發情況而處于被中斷的狀態。為了方便自動變速器油泵制造車間的管理人員及企業上層領導能夠對車間物料進行狀態監控和跟蹤，并且出現問題時能夠追蹤到出現問題的具體某一狀態，需要對物料狀態進行細分。結合自動變速器油泵制造車間的特點，車間物料狀態可分為以下幾類：坯料入庫狀態、坯料輸送狀態、在制件等待加工狀態、在制件加工狀態、在制件中斷狀態、在制件異常狀態、在制件質檢狀態、在制件完工狀態、成品質檢狀態、返工狀態、成品輸送狀態、成品在庫狀態、成品返修狀態、廢料狀態等。在自動變速器油泵制造車間的加工制造過程中，物料狀態轉換過程如圖 3.12 所示。

圖 3.12 物料狀態的轉換過程

Fig. 3.12 The transition process of material status

坯料入庫狀態表示坯料存放在庫存中，是物料的初始態，此時還未進入生產

流程中。當發生領料行為時，物料狀態轉換為坯料輸送狀態。

當物料到達指定工位時，此時進入在制件階段。如果當前的加工隊列處于占滿狀態，在制件處于等待加工狀態。當加工隊列有空閑位置時，在制件進入加工狀態。在加工過程中，可能出現動態事件的干擾，比如機器故障等問題，會導致在制件進入中斷狀態，直到事件被處理后，重新進入加工等待狀態。當到達車間內階段性的質檢環節時，此時物料進入在制件質檢狀態，如果質檢結果不合格，在制件需要返工，進入在制品返工狀態。當產品加工完成且車間內的質檢合格，即進入在制件完工狀態。

質檢部門驗收產品時，此時物料進入成品質檢狀態，如果檢驗合格，進入成品輸送狀態，當到達倉庫時，物料進入成品在庫狀態。如果檢驗不合格且不可修復，則進入廢料狀態。如果質檢不合格且可修復，則進入返修狀態。如果質檢不合格且需要返工，則進入成品返工狀態。

通過對物料狀態的分類，以及建立物料狀態轉換機制，為物料狀態的數字化描述奠定基礎。

② 基于MBOM的物料狀態數字化描述

對于車間的數字化描述常用方法有四種，分別為繩結描述法、物料清單法、字段描述法、工藝狀態矢量描述法。繩結描述法是采用類似繩結的字符串來描述物料信息，簡單易于理解，但工藝流程比較復雜時，字符串長度也會較大，影響讀取效率；物料清單法是將物料加工過程中的每一個狀態都定義唯一的狀態碼，并分配物料清單以保存其狀態信息，能夠最大程度地表達物料的狀態信息，但實現復雜，維護難度高；字段描述法是將物料所有可能的狀態類型定義成位圖形式，物料處于某一種狀態，該狀態所對應的位為true，該方式表達簡單，但要表達所有物料狀態的難度大，可擴展性較差；工藝狀態矢量描述法是通過多維矢量表達不同維度的工藝信息，信息表達精煉，但建模復雜，適用性不高。

通過以上的分析，結合自動變速器油泵制造車間的特點，采用物料清單的數字化描述法。物料清單(Bill of Material，BOM)是一種描述物料信息的數據結構, 表明產品的物料組成及其關系，用于搭建物料數據與文檔之間聯系的橋梁。物料清單可以表達零部件或產品之間的父子裝配關系，同時也記錄著零部件或產品的屬性特征信息。

物料清單一般由三部分構成，包括物料主項、物料子項和物料屬性。物料主項用來標識本產品或零部件，在整個物料管理體系中是唯一的；物料子項是構成該產品或零部件的物料，反映著裝配關系；物料屬性用來說明該產品或零部件的特征信息。

物料清單從數據結構的存儲結構及關系上可分為三種，分別為樹狀BOM、矩陣BOM、差異型BOM。其中，樹狀BOM由于其較為高效的存取效率及清晰的信息語義表達，作為目前比較常用的BOM數據結構。物料清單在企業的不同層級有不同的表現，在設計部門，設計物料清單(Engineering BOM，EBOM)用來表示產品或零部件的設計結構；在工藝部門，工藝物料清單(Processing BOM，PBOM) 用來表示產品或零部件的工藝結構；在車間制造部門，制造物料清單(Manufacture BOM，MBOM)用來表示產品或零部件的制造信息，包括具體的每一道工序。通過一定的規則，可實現設計物料清單向工藝物料清單的轉變，工藝物料清單向制造物料清單的轉變，如圖 3.13。

設計部門工藝部門制造部門

EBOM PBOM MBOM

圖 3.13 BOM 轉換圖

Fig. 3.13 BOM conversion diagram

MBOM是由PBOM轉化而來，增加了詳細的工序信息、制造過程信息，是一種描述車間物料信息的方法。本小節，將以傳統的制造BOM數據模型為基礎，提出自動變速器油泵制造車間物料狀態的數字化描述方法，如圖 3.14。

圖 3.14 基于 MBOM 的物料狀態描述方法

Fig. 3.14 The description method of material status based on MBOM

為了描述物料的狀態信息，將物料MBOM分為組件/產品BOM、零件BOM、工序BOM。在物料狀態描述方法中的，首先將創建組件/產品BOM實例和所屬的零件BOM實例，通過物料編碼系統賦予唯一的標識編碼，并配置好相應的靜態信息,以及配置零件BOM中的父物料索引，表明組件和零件間的裝配關系。零件或組件BOM中的每道工序所對應的工序狀態索引還未配置，表明此時的工件還未形成,需要通過工序BOM來賦值工序狀態索引。

相較于傳統的MBOM,物料狀態描述方法增加了工序BOM,存放零件在該道工序的狀態信息，包括操作員、位置、加工時間、故障等信息。MBOM物料狀態描述模型的核心是將工序狀態實例化，例如物料狀態描述模型中的 P10、P11、 P12是工序Bl、B2、B3的實例對象，對應著具體狀態下的物料Bo物料所經過的每道工序將通過物料編碼模塊生成唯一的標識編碼，并將狀態信息存放在數據庫中，工序BOM中的狀態描述字段是指向數據庫狀態信息表的索引。同時，零件B 的物料清單中的工序狀態索引將指向剛剛生成的工序BOM （P10、P11）,反映著零件B當前的制造狀態。當零件B制造完成時，將會生成完整的零件BOM，并通過父物料索引字段找到組件A的BOM，將組件A的子物料索引字段賦值，表明組件A的零件B加工完成。同時，組件A也和零件一樣，可能需要進一步的加工, 因此也需要配置工藝狀態索引字段。

通過以上方式，實現自動變速器油泵制造車間物料狀態的數字化描述，為物料跟蹤和質量可回溯建立基礎。

3.2.3面向油泵制造過程的物料跟蹤管理技術

物料跟蹤是指對物料的實時跟蹤和質量可回溯，其中包括對在制件的狀態跟蹤。企業為了實現高效的物料管理，需要對物料尤其是在制品的生產狀態和質量跟蹤。物料跟蹤技術的要點是對物料信息實時記錄和物料信息管理。本小節將結合自動變速器油泵制造車間的特點和現狀，首先研究物料信息記錄方式，為物料跟蹤提供前提；接著研究車間物料跟蹤管理技術，以實現物料的實時跟蹤和質量可回溯。

①物料信息記錄方式

物料信息可分為兩種，一種是靜態信息，不隨時間變化，比如物料的編號；另一種是動態信息，隨著時間的變化而變化，比如物料的制造狀態信息。針對不同類型的物料數據，采用不同的物料信息記錄技術，常見的物料信息記錄技術有條形碼、二維碼、 RFID 等技術。

1）基于條形碼的物料信息記錄技術

條形碼是由將多個寬度不同的黑線和白線組合在一起的圖形，表示一串字母、數字或符號等。讀取物料編碼信息的是條碼閱讀器，該條碼閱讀器通過掃描條碼，得到一組反射光信號，此信號通過光電轉換為電子信號，經過解碼轉換為對應的數字字母符號。物料系統通過條碼閱讀器能夠定位到物料的加工位置，并記錄下物料在該工位的狀態。在制造領域，條形碼常用于表示保存少量簡單的靜態信息，比如物料編碼信息，不適用于對于信息量要求高的場合。

2）基于二維碼的物料信息記錄技術二維碼是在二維方向上存儲信息的圖形，利用多個幾何體來表示字符信息，

可用圖象輸入設備掃描二維碼的方式獲取信息。相比于條碼，二維碼是一種信息含量高的物料標識技術，能夠保存圖片、聲音等非結構化數據，同時具有高安全性、存儲可靠的優點。但是二維碼的編碼解碼復雜，且易于破損二影響識別，在復雜的自動變速器油泵制造車間環境中，適用性不高。

3）基于 RFID 的物料信息記錄技術

RFID （Radio Frequency Identification,射頻識別技術）是一種通過無線方式進行物料識別的技術。該技術通過無線射頻的方式向數據芯片中進行讀寫操作，能夠快速且不接觸地完成信息的交互，具有廣泛的應用前景。常見的RFID系統由三部分組成，分別為標簽、讀寫器和天線，其中標簽是唯一的編碼標識，附屬在待識別的物料上，并可保存豐富的信息；讀寫器是存取標簽中數據的設備，支持讀寫操作；天線是標簽和閱讀器之間傳遞射頻信號的橋梁。

RFID 系統的工作原理如圖 3.15 所示：讀寫器向電子標簽發送無線射頻信號，電子標簽通過耦合元件感應到，并通過此獲得能量來支持其完成向讀寫器發送信息的任務，其中包含著時序控制功能，讀寫器接收到電子標簽回傳的信號，首先對該信號進行光電轉換、解碼操作，接著將轉換后的數據上傳到計算機中，進行集中處理。計算機執行一個標簽編碼認證過程，接著根據管理員工的控制需求發出控制指令，從而實現電子的讀寫操作。

與上述兩種物料信息記錄技術相比，RFID標簽支持可讀寫操作，具有穿透性強、可重復利用、錄入效率高、信息量大等優點，適用于復雜的自動變速器油泵制造環境，但RFID技術實現的硬件成本和軟件成本均比較高，適用于狀態變化頻繁的物料信息記錄。

根據對三種物料數據記錄方式的優缺點分析，結合自動變速器油泵制造車間的數字化需求，本文采用條形碼+RFID結合的混合方式，核心在制品的跟蹤采用 RFID 技術，通過計算機系統對關鍵物料信息的快速采集及記錄，為關鍵物料的實時跟蹤提供硬件支持。其余類型的物料由于在流動過程中的動態性不高，以及出

于靈活管理和軟硬件成本的考慮，采用條形碼的方式，通過條碼閱讀器錄入物料信息，并將其集成到物料管理系統中。

②物料跟蹤管理物料跟蹤管理是對物料在制造車間的位置、工序狀態、質量等情況進行跟蹤，以實現物料狀態監控和物料信息可回溯的目的。本節將針對自動變速器油泵的制造特點，提出物料跟蹤管理技術，如圖 3.16 所示。

圖 3.16 面向自動變速器油泵制造過程的物料跟蹤管理技術

Fig. 3.16 Material tracking management method for automatic transmission oil pump manufacturing

process

物料的跟蹤管理首先從生產任務下發開始。生產任務是由ERP系統下發到自動變速器油泵制造車間的，管理人員通過下發領料單和工單，告知生產車間的作業任務。在任務下發的過程中，物料管理系統需要從數據庫中調入該物料加工對應的設計BOM和工藝BOM，并結合自動變速器油泵的制造特點轉換為MBOM模型，對應的成品MBOM實例的各字段信息將在物料跟蹤過程中更新。

接著，根據領料單到倉庫中領取物料。在領料的同時，記錄下領取料的種類、批次等信息，根據該信息通過物料編碼模塊生成物料編碼，作為領取物料唯一的身份標識，并錄入物料編碼庫中。如果該物料是刀具、輔具等類型的物料，將物料編碼信息轉換成條碼信息，打印出條碼并粘貼在上面。如果該物料是制造坯件，將物料編碼信息通過讀寫器寫入電子標簽中，該電子標簽粘附在物料的載具上。此時，將物料的編碼信息載入生成的零件BOM實例中，標識唯一的零件BOM實例。

然后，物料進入生產環節。生產環節是物料管理的重點，包括對物料的工藝狀態信息跟蹤、物料位置跟蹤、質檢信息跟蹤等。當物料到達指定工位時，通過條碼閱讀器掃描條碼或者RFID讀寫器掃描電子標簽，讀取物料的編碼信息，從數據庫中搜索該物料編碼對應的零件BOM實例，將在該工位產生的工藝狀態信息、位置信息等記錄到零件BOM實例的對應字段中。物料經過每一個工位，都將生成一個工序BOM實例，該工序實例記載著零件在該道工序的詳細信息，包括加工人員、是否發生故障、加工時間等信息，并將工序實例的地址索引記錄在零件BOM 實例上。如果零件加工完成，該零件構成的成品BOM實例將會記錄下該零件BOM 實例的地址索引，以支持物料的可回溯跟蹤。

最后，進入成品入庫環節。成品入庫前會經過物料驗收，物料驗收結果將通過手工方式錄入管理系統，管理系統搜索物料對應的成品BOM實例，并將驗收結果信息寫入指定字段中。同時，在入庫時，一些物料信息比如質量、產品編號、庫存位置也將記錄在MBOM中。在需要查詢物流信息時，通過搜索該物料對應的 MBOM,將得到物料經過每一到工序的加工信息、質量信息，以及構成零件的加工信息、信息，從而實現物料跟蹤和質量可回溯管理。

3.3本章小結

本章首先結合自動變速器油泵制造車間的特點和現狀，針對車間調度的動態事件干擾問題，以平均延期懲罰、能耗、偏差度三項指標，構建面向少品種大批量油泵制造過程的動態調度優化模型，通過 DQN 算法建立環境-行為評價神經網絡模型，作為遺傳算法的適應度函數，并利用結合混沌搜索方法的 QGA 算法求解優化模型。接著，提出面向自動變速器油泵制造過程的物料管理方案，首先制定基于多層編碼結構模型的物料編碼技術，接著提出基于MBOM的物料狀態數字化描述方法，最后構建了面向油泵制造過程的物料跟蹤管理技術，以支持生產過程中對物料的跟蹤和質量可回溯。

4自動變速器油泵數字化車間信息管理系統部分功能模塊開

發

4.1系統開發簡介

4.1.1系統開發平臺選擇

本文設計的自動變速器油泵數字化車間信息管理系統能夠實現自動變速器油泵生產過程中數據實時采集、信息交互、任務管理、計劃管理、調度管理、設備管理、工藝管理、工裝管理、物料管理、質量管理、工單管理、人員管理、文件管理、基礎數據管理等功能，并提供一個可視化監控管理界面以及后臺數據處理，用于對數字化車間的實時監控和管理，提高車間的數字化管理程度。本文通過對車間信息管理系統的研究，并比較了各種軟件開發技術，選擇了當前主流的 Microsoft .NET Framework 4.6 平臺作為系統的開發環境，在數據庫方面則選用安全性較高、查詢效率高的 Microsoft SQL Server 2014 關系型數據庫，開發語言采用 C#語言，系統開發工具為Microsoft Visual Studio 2015軟件，從而搭建數字化車間信息管理信息系統。

4.1.2系統開發技術路線

①在對數字化車間的國內外發展現狀研究的基礎上，分析了自動變速器油泵制造車間的特點和現狀，探究了面向少品種大批量自動變速器油泵制造過程的數字化車間信息管理系統的需求。

②結合自動變速器油泵制造車間的特點和現狀，構建了由智能設備層、數據采集層、車間執行層、信息安全與交互層組成的自動變速器油泵數字化車間信息管理系統架構，并對系統的核心功能模塊進行了詳細的功能設計，以及分析需要實現的關鍵技術。

③以Microsoft Visual Studio 2015軟件為開發平臺，使用C#高級語言開發自動變速器油泵數字化車間信息管理系統，包括通訊接口的搭建、數據處理算法的研發、監控顯示界面的設計、核心功能模塊的程序編寫。根據數據庫原理，結合數字化車間的數據環境，完成數據庫的表的設計，并用 Microsoft SQL Server 2014 數據庫軟件搭建數據管理平臺。

④初步調試應用自動變速器油泵數字化車間信息管理系統，不斷跟蹤反饋系統的執行情況，并修改完善系統，以適應數字化車間生產環境。

4.2自動變速器油泵數字化車間信息管理系統部分功能模塊開發

自動變速器油泵數字化車間信息管理系統功能眾多，開發時間長。根據自動變速器油泵數字化車間信息管理系統功能設計，以及結合部分關鍵技術的研究結果，完成信息管理系統的數據庫設計、基礎數據管理、生產調度管理和物料管理模塊的開發及應用。

4.2.1數據庫結構設計

為了支持信息管理系統的數據存儲和查詢操作，設計合理的數據庫結構至關重要。尤其是在復雜的生產環境下，生產管理數據流較大，合格規范的數據庫能夠減少系統管理在數據查詢方面的阻塞，節省數據存儲的空間，從而提高整個系統操作的效率。結合自動變速器油泵制造數字車間信息管理系統的數據要求，設計包含車間各種信息的數據表，如表所示。

表 4.1 數據庫表

Table 4.1 Database Table

編號表名中文名說明

1 SYSTEM_EMPLOYEE 系統用戶信息表記錄系統用戶的信息

2 SYSTEM_USERROLE 用戶角色信息表記錄角色信息

3 SYSTEM_AUTH 權限管理表記錄角色和權限信息

4 SYSTEM_SYSLOG 系統日志信息表記錄系統操作信息

5 PLANMANAGE_PLANINFO 車間生產計劃表記錄車間生產計劃信息

6 MANAGE_TASKINFO 任務信息表記錄車間任務信息

7 BASIC_WORKCENTER 工位信息表記錄工位信息

8 BASIC_ EQUIPMENT 設備信息表記錄設備基礎信息

9 BASIC_TOOL 工裝信息表記錄工裝基礎信息

10 BASIC_ DRAW 圖紙信息表記錄圖紙基礎信息

11 BASIC_PROCESS 工序信息表記錄工序基礎信息

12 MANAGE_TASK_STATION 任務-工位關聯表任務對應工位的關聯信息

13 STATION_EQUIPMENT 工位-設備關聯表作業中心設備關聯信息

14 EQUIPMENT_TOOL 設備-工裝關聯表設備對應工裝的關聯信息

15 PROCESS_EQUIPMENT 工序-設備關聯表工序對應設備的關聯信息

16 BASIC_PRODUCT_DBOM 成品DBOM表成品DBOM物料信息

17 BASIC COM DBOM 零件DBOM表零件DBOM物料信息

編號表名中文名說明

18 BASIC_PROCESS_DBOM 工序DBOM表工序DBOM物料信息

19 STATUS_PROCESS 工序狀態表物料詳細工序狀態信息

20 BASIC_QUALITY 質檢信息表物料的詳細質檢信息

21 MONITOR_ALARM 報警信息表記錄報警相關信息

22 MONITOR_EQUIPMENT 設備故障記錄表記錄故障相關信息

23 EQUIPMENT_ STATUS 設備狀態信息表記錄設備狀態

4.2.2基礎數據管理模塊

基礎數據管理負責從通用數據查詢接口讀取的數據進行預處理，提供數據操

作接口，作為支持其它模塊的基礎。本模塊包括工藝信息管理、設備狀態信息管理、質檢信息管理、物料信息管理、工位信息管理、工裝信息管理、人員信息管理等，可實現人員、圖紙、程序、工藝、設備、工裝等信息的讀取、修改、刪除

圖 4.1 基礎數據管理界面圖

Fig. 4.1 Basic data management interface diagram

4.2.3生產調度管理模塊

生產調度管理模塊包括任務管理模塊、調度管理、計劃管理三部分功能，提供對任務的添加、修改、刪除、執行等任務管理功能，并在此基礎上進行車間作業調度工作，執行任務分配，并生成甘特圖。

①任務管理模塊

本模塊主要執行對任務的添加、修改、刪除、執行等操作，同時提供歷史查詢功能。任務的關鍵信息包括任務編號、任務要加工的零件、加工數量、計劃開始時間、計劃結束時間、任務人員等。通過任務編號實現對任務的統一管理。

圖4.2 任務管理界面圖

Fig. 4.2 Task management interface diagram

②靜態調度模塊靜態調度模塊，主要是在作業前對所有任務的調度分配，不考慮之后的突發情況對生產線的影響。通過QGA智能算法把當前的所有任務分配到指定的設備(工位)上，并生成對應的甘特圖，以及顯示包括迭代次數、完工時間、能耗的計算結果。

檢甘生產件歎，息件«1:

小王

圖 4.3 靜態調度模塊界面圖

Fig. 4.3 Interface diagram of static dispatch module

③動態調度模塊

動態調度，是為了提高對動態事件的響應能力，當出現動態事件時，重新分配車間資源和安排加工時序，對車間的生產計劃做出及時調整，從而提升車間的生產效率。本模塊結合加工任務信息和可用設備信息，當發生設備故障等突發事件時，利用DQN和QGA的混合智能算法求解當前的任務分配問題，進行重調度流程，并生成甘特圖，以直觀地看到優化調度的效果。同時，也包括隨迭代次數變化的計算結果（完工時間、能耗、偏差率）。

圖 4.4. 動態調度模塊界面圖

Fig. 4.4. Interface diagram of dynamic scheduling module

4.2.4物流管理模塊

物料管理主要是對加工車間的原材料、半成品、成品、輔助材料等物料的管理，有效地物料管理，可提高庫存利用率和物料運輸效率，減少物料入庫和出庫時間，達到對物料的有序歸納、分類編碼、高效存取等要求。該模塊主要包括物料信息錄入、物料信息編碼、物料狀態監控、物料信息查詢、庫存管理等。物料編碼，根據通用的編碼規則，針對不同物料特點，生成物料唯一的識別碼。物料跟蹤管理，實時記錄物料在生產線中的流動位置、加工時間、數量、操作者等信息，可供車間人員查詢，并向其它模塊及上層系統反饋。

圖 4.5 物料管理模塊界面圖

Fig. 4.5 Interface Diagram of Material Management Module

4.3 本章小結本章結合自動變速器油泵制造車間數字化信息管理系統功能體系，開發了數字化車間信息管理系統的部分功能模塊，包括基礎管理模塊、生產調度模塊和物料管理模塊，實現了數字化車間任務的優化調度和物料狀態的跟蹤管理。

5結論

汽車自動變速器油泵具有少品種大批量、工藝及工藝流程復雜、交貨期要求嚴格、按訂單生產、機加工藝和裝配工藝共存等特點。油泵制造車間面臨信息化程度低、動態事件干擾、排產復雜、物料配送困難、物料及各種工裝夾具量具品類繁雜、物料跟蹤難度大等問題。應用數字化、信息化、智能化控制和管理手段，實現汽車自動變速器油泵制造過程的信息化管理，有助于提高產品質量、縮短產品升級周期、降低成本和提高生產效率。

為此，論文在課題組前期研究成果基礎上，結合當前的研究背景，提出了汽車自動變速器油泵數字化車間信息管理系統的設計方案，深入研究了數字化車間的部分關鍵技術，最后開發了自動變速器油泵數字化車間信息管理系統的部分功能模塊，主要的研究成果及結論如下：

① 總結分析了自動變速器油泵制造特點，根據自動變速器油泵制造車間現狀和數字化車間需求，提出了自動變速器油泵制造數字化車間總體方案，搭建了數字化車間信息管理系統總體架構。

②針對自動變速器油泵制造少品種大批量、工藝復雜等特點，以及制造過程中加工設備故障、刀夾具損壞、坯料供應不及時等動態事件干擾，以平均延期懲罰、能耗、偏差度為目標，建立了面向自動變速器油泵制造的動態調度優化模型，提出了一種基于DQN和QGA的動態調度優化算法，通過案例驗證調度模型的有效性、適應性和魯棒性。

③針對自動變速器油泵制造車間物料批量大、原材料及工裝夾具量具品類繁雜、機加工藝和裝配工藝共存等特點，提出了一套面向自動變速器油泵制造過程的物料管理方案。首先制定出基于多層編碼結構模型的物料編碼方案，接著提出了基于MBOM的物料狀態數字化描述方法，最后構建了面向油泵制造過程的物料跟蹤管理技術，實現了數字化車間物料跟蹤和產品質量回溯等功能。

④在以上研究基礎上，開發了自動變速器油泵數字化車間信息管理系統部分功能模塊，實現了數據采集、生產調度管理及物料管理等功能，驗證了本文相關研究的有效性，為汽車變速器油泵制造數字化車間的建設提供了支持。

參考文獻

[1]方新.《中國制造業發展研究報告》(系列報告)書評[J].科研管理,2020, 41(01):290.

[2]龔其國,楊麗萍.“中國制造 2025”背景下制造業的發展策略研究——基于社會網絡分析和文本挖掘[J].科技促進發展,2020,16(08):917-923.

[3]陶永,蔣昕昊，劉默,劉繼紅,趙罡.智能制造和工業互聯網融合發展初探[J].中國工程科學,2020,22(04):24-33.

[4]薛純,楊瑾.信息化驅動裝備制造業轉型升級機理研究[J].西安財經學院學報,2019,32(05):120-127.

[5]劉軍，常慧紅,張三峰.智能化對中國制造業結構優化的影響[J].河海大學學報(哲學社會科學版),2019,21(04):35-41+106.

[6]黃群慧，賀俊.中國制造業的核心能力、功能定位與發展戰略——兼評《中國制造2025》[J]. 中國工業經濟,2015(06):5-17.

[7]池仁勇,梅小苗,阮鴻鵬.智能制造與中小企業組織變革如何匹配?[J].科學學研究,2020,38(07):1244-1250+1324.

[8]梁開鵬.機床齒輪加工數字化車間物流管理系統的設計[D].重慶大學,2018.

[9]張兆坤，邵珠峰,王立平，趙欽志,張云峰.數字化車間信息模型及其建模與標準化[J].清華大學學報(自然科學版),2017,57(02):128-133+140.

[10]聶志.基于物聯網的數字化車間制造過程數據采集與管理研究[D].南京航空航天大學,2014.

[11]王麟琨，王春喜.智能工廠/數字化車間參考模型概述與分析[J].中國儀器儀表,2017(10):63-72.

[12]趙紅武,史亞斌,趙勇,胡進壽,閆興浪.開關設備數字化車間的縱橫一體運行數據流模型設計 [J]. 工業技術經濟,2019,38(04):77-86

[13]陶俐言，王志峰,聶清,梁滿棠.面向數字化工廠的車間布局與生產線仿真研究[J].杭州電子科技大學學報(自然科學版),2014,34(06):1-7.

[14]Liu Z F, Chen W, Zhang C X, et al. Intelligent scheduling of a feature-process-machine tool super network based on digital twin workshop[J]. Journal of Manufacturing Systems, 2021,58(2):157-167.

[15]Liu Y F, Zhao Y, Li K J, et al. Access control based intelligent workshop integrated automation system based on workflow engine. Computers & Electrical Engineering,2020,87.

[16]Zhang C Y, Ji W X. Digital twin-driven carbon emission prediction and low-carbon control of intelligent manufacturing job-shop. Procedia CIRP,2019,83:624-629.

[17]Natalia B, Alexander S. Industrial digital ecosystems: Predictive models and architecture

development issues. Annual Reviews in Control, 2020. https://doi.org/10.1016/j.arcontro l.2020.11.001.

[18]陶飛，程穎，程江峰，張萌，徐文君,戚慶林.數字孿生車間信息物理融合理論與技術J].計算機集成制造系統,2017,23(08):1603-1611.

[19]胡松松.離散制造數字化車間基于MES的智能裝備集成平臺研究與設計[D].重慶大學，2015.

[20]王立平，張兆坤,邵珠峰，王民.機床制造加工數字化車間信息模型及其應用研究J].機械工程學報，2019，55(09):154-165.

[21]隋少春，牟文平,龔清洪，黎小華,陳尚宇.數字化車間及航空智能制造實踐J].航空制造技術，2017(07):46-50.

[22]饒納新，欒京東,郭明儒，馬琪，李海兵,鐘正虎.數字化車間DNC/MDC與MES集成技術研究與系統設計[J].航天制造技術,2019(02):41-44+48.

[23]李美琴.船舶動力關鍵配套企業智能車間體系結構與運行模式研究[D].重慶大學,2016.

[24]Jiang H F， Qin S F， Fu J L， et al. How to model and implement connections between physical and virtual models for digital twin application. Journal of Manufacturing Systems，2021，58(2):36-51.

[25]Wu C L， Zhou Y C， Marcus V P P， et al. Conceptual digital twin modeling based on an integrated five-dimensional framework and TRIZ function model. Journal of Manufacturing Systems，2021，58(2):79-93.

[26]Liu Q， Leng J W， Yan D X， et al. Digital twin-based designing of the configuration， motion， control， and optimization model of a flow-type smart manufacturing system. Journal of Manufacturing Systems，2021，58(2):52-64.

[27]陳棟.面向Job Shop數字化車間的MES系統及仿真技術研究[D].南京理工大學,2019.

[28]韓麗，丁華，劉冬梅 . 新能源汽車數字化車間標準化研究 [J]. 中國標準化，2019(21):121-124+130.

[29]劉子豪，趙川，朱佳文,李淼.船舶行業數字化車間網絡標準初探[A].中國標準化協會.第十五屆中國標準化論壇論文集[C].中國標準化協會:中國標準化協會,2018:5.

[30]王少衛,李山,孫根正,陳冰.數字化車間布局模糊層次評價方法研究[J].計算機仿真，2009，26(07):290-293.

[31]田亮.數字化車間離散模式生產布局與作業流程研究[D].湖南大學,2018.

[32]Liu Y , Meng M , Wang D P . Research on the Digital Workshop Layout Based on Steel Material Processing Workshop[J]. Procedia Engineering, 2012, 29:1521-1527.

[33]王春，張明，紀志成，王艷.基于遺傳算法的多目標動態柔性作業車間調度[J].系統仿真學報, 2017, 29(08): 1647-1657.

[34]吳正佳, 何海洋, 黃燦超, 張利平, 孟榮華, 蔡保健. 帶機器故障的柔性作業車間動態調度[J].機械設計與研究,2015, 31(03): 94-9&

[35]宋李俊，趙虎.基于滾動時域優化策略的柔性作業車間動態調度研究[J].現代制造工程,2015(02):30-35+42.

[36]張國輝，王永成，張海軍.多階段人機協同求解動態柔性作業車間調度問題[J].控制與決策, 2016, 31(01): 169-172.

[37]Sang Y W, Tan J P, Liu W. A New Many-objective Green Dynamic Scheduling Disruption Management Approach for Machining Workshop. Based on Green Manufacturing, Journal of Cleaner Production,2021.

[38]Liu B J, Fan Y S, Liu L. A fast estimation of distribution algorithm for dynamic fuzzy flexible job-shop scheduling problem. Computers & Industrial Engineering,2015,87:193-201.

[39]顧澤平，楊建軍，周勇.不確定因素擾動下多目標柔性作業車間魯棒調度方法[J]•計算機集成制造系統,2017,23(01):66-74.

[40]龍田，王俊佳.基于調度規則和免疫算法的作業車間多目標調度[J].信息與控制,2016,45(03):278-286.

[41]張祥，王艷，紀志成.基于動態交互層的柔性作業車間動態調度問題研究[J]•系統仿真學報, 2020, 32(11): 2129-2137.

[42]陳超，王艷，嚴大虎，紀志成.面向能耗的柔性作業車間動態調度研究[J].系統仿真學報, 2017, 29(09): 2168 -2174+2181.

[43]Yong Z, Jian J Y, Zhuang H. Automatic Design of Scheduling Policies for Dynamic Flexible Job Shop Scheduling via Surro-gate-assisted Cooperative Coevolution Genetic Programming[J]. International Journal of Production Research (S0020-7543), 2020, 58(9): 2561-2580.

[44]Li K X, Deng Q W, Zhang L, et al. An effective MCTS-based algorithm for minimizing makespan in dynamic flexible job shop scheduling problem. Computers & Industrial Engineering,2021.https://doi.org/10.1016/j.cie.2021.107211.

[45]王玉芳，嚴洪森.基于改進Q學習的知識化制造自適應動態調度策略[J].控制與決策, 2015,30(11):1930-1936.

[46]Shen X N, Yao X. Mathematical Modeling and Multi-objective Evolutionary Algorithms Applied to Dynamic Flexible Job Shop Scheduling Problems[J]. Information Sciences (S0020-0255), 2015, 298: 198-224.

[47]徐輝,吳濤,陳春博，鐘旭，張宇.基于庫存批次管理的ERP物料狀態管理的研究[J].信息技術與信息化,2020(10):64-66.

[48]黃學文，范玉順•基于二進制和十六進制的物料工藝狀態描述方法J] •計算機集成制造系統,2006(02):280-284.

[49]張楠,薄洪光，劉曉冰,王萬雷.基于批次的鋼鐵行業物料工藝狀態描述方法[J].計算機集成制造系統,2008(04):785-792.

[50]Cai H, Dai M Y, Yu T. Material Coding for Aircraft Manufacturing Industry. Journal of Aerospace Technology and Management, 2014,6:183-191.

[51]莊存波，劉檢華，唐承統,邢香園•復雜產品離散裝配過程中的物料動態跟蹤與管理技術J] •計算機集成制造系統,2015,21(01):108-122.

[52]李周瑜，王愛民,龍震海•復雜制造執行中的動態批次與物料協調技術J] •計算機集成制造系統,2014,20(04):836-846.

[53]Zhao P, Guo S S, Lei W, et al. Study of order lifecycle tracking systems in building material equipment manufacturing enterprises[J]. Journal of Industrial and Production Engineering, 2018, 35(5):328-337.

[54]Moon S K, Xu S Z, Hou L, et al. RFID-aided tracking system to improve work efficiency of scaffold supplier: stock management in Australasian supply chain. Journal of Construction Engineering and Management-asce, 2018,144:04017115.

[55]Zhou C Y, Cao Q. Design and implementation of intelligent manufacturing project management system based on bill of material. Cluster Computing, 2018:1-9.

[56]Ye W H. Study on the Barcode Based WIP Tracking and Management System under the Lean Production Mode. Machine Building & Automation, 2006.

[57]Chen H, Gao T, Mu G Y, et al. Research on the Material Tracking Management System in the Magnetic Pump Assembly Process. Applied Mechanics and Materials, 2012,220-223:513 - 516.

[58]Guo M Z, Zhang M, et al. Research and Application of Multi Dimension Intelligent Quality Control System for Production Logistics Based on SNP. DEStech Transactions on Engineering and Technology Research, 2017.

[59]Sun H. A Logistics Monitoring Technology Based on Wireless Sensors. Int. J. Online Eng., 2017,13:150-159.

[60]Oner M, Ustundag A, Budak A. An RFID-based tracking system for denim production processes[J]. International Journal of Advanced Manufacturing Technology, 2016:1-14.

[61]Ko H S, Azambuja M, Lee H F. Cloud-based materials tracking system prototype integrated with radio frequency identification tagging technology[J]. Automation in Construction, 2016, 63:144-154.

[62]周廷美，賀卉娟，莫易敏.基于B/S的物料管理信息系統的研究[J].現代制造工程，2018, 2:24-28.

[63]Han K H， Kim J H. Genetic quantum algorithm and its application to combinatorial optimization problem[C]// Proc of IEEE Congress on Evolutionary Computation，2000: 1354-1360．

[64]聶瑞，章衛國,李廣文，劉小雄•基于Tent映射的自適應混沌混合多目標遺傳算法[J] •北京航空航天大學學報， 2012， 38（08）: 1010-1016.

[65]SCHUTZE O，ESQUIVEL X，LARA A，et al. Using the averaged Hausdorff distance as a performance measure in evolutionary multi-objective optimization[J]. IEEE Transactions on Evolutionary Computation， 2012， 16（4）: 504-522.

[66]DEB K，PRATAP A，AGARWAL S，et al. A fast and elitist multi-objective genetic algorithm: NSGA-II[J]. IEEE transactions on evolutionary computation， 2002， 6（2）: 182-197.

【本文地址：http://www.bzhlmm.com//guanlilei/gongshangguanli/xixinguanli/8792.html】

上一篇：基于BIM的長山大橋設計應用及信息管理

下一篇：沒有了

相關標簽:

最熱期刊