智能制造系统下的柔性生产线构建与调度优化

傅宝根 1 朱亚明 2 倪燕 2 陈阳 2
（1.南京航空航天大学 金城学院，江苏南京 211100）
（2.江苏联合职业技术学院 南京技师分院，江苏南京 211100）

摘要：在智能制造系统背景下，柔性生产线的构建与调度优化已成为制造企业应对多品种、小批量生产需求的关键技术路径。本文聚焦柔性生产线动态重构能力与智能调度算法设计，系统研究了硬件层可重构加工单元与软件层数字孪生系统的集成方法，提出了基于深度强化学习（DRL）与多智能体系统（MAS）的动态调度优化模型。通过构建混合流水车间调度（HFSP）多目标优化框架，实现了完工时间、设备利用率与能耗的综合优化。研究进一步指出，边缘计算与 5G 技术的融合将推动实时调度优化，而人机协同安全与碳中和目标下的能效提升是未来研究重点。本文为智能制造系统下柔性生产线的工程化应用提供了理论支撑与技术参考。

关键词：智能制造；柔性生产线；调度优化；深度强化学习

引言：

在全球制造业向智能化、柔性化转型的背景下，传统刚性生产线因设备专用性强、工艺调整困难等问题，难以适应多品种、小批量生产的动态需求。智能制造系统（Intelligent Manufacturing System, IMS）通过物联网、数字孪生、人工智能等技术的深度融合，为柔性生产线的构建与调度优化提供了创新解决方案。柔性生产线作为 IMS 的核心载体，其动态重构能力与智能调度策略直接影响制造企业的响应速度、资源利用率及市场竞争力。

一、智能制造系统与柔性生产线基础理论

1.智能制造系统架构与关键技术

通过物理系统与信息系统、材料与制造系统的融合，实现产品、设备及工厂生产流程等全流程的智能化感知、预测、决 策 与 优 化 控 制 ， 从 而 达 到 智 能 制 造 系 统（IntelligentManufacturingSystem，IMS）。IMS 的主要层次包括：感知层（借助物联网（InternetofThings，IoT）中的传感器技术、射频识别（RadioFidelityIdentification，RFID）、视频采集卡，以及数据采集和控制设备，实时识别和获取设备状态、物料数据以及环境数据）；网络层（5G、工业以太网等进行信息传递及通讯，实现信息的快速交互与高可靠传输）；平台层（构建企业级数据、应用程序以及用户集成平台的基础设施，云技术、边缘计算技术，提供对分布式数据的采集及计算、存储能力）；应用层（数字孪生等应用技术，人工智能（AI）的应用算法、机器学习算法（DeepLearning，DL），包括深度学习和强化学习用于最优工艺参数，最优资源分配计算方法，边缘计算，通过物联网边缘节点对数据的本地处理计算，从而减少上行及云端的计算负载、大幅降低响应时间）等。

2.柔性生产线定义与分类

可重构生产线即灵活应对产品品种、加工过程及生产批量的变化而构建的制造系统，其本质是以模块化（设备模块化）为核心、以重构工艺（工艺流程可重构）为表征、以自适应系统（系统自适应）为保证的具有高柔性、可重构特征的生产单元或产线系统。可从柔性维度的角度划分为工艺柔性（多工艺可重构）、设备柔性（设备功能的可重构）和产品柔性（多品种生产）；可从布局形式角度划分为线性生产线、U 型生产线和模块化生产线，U 型生产线短途输送距离与加工等待时间短，由此产生更高的生产效率；模块化产线根据加工单元可重构性，即运用标准化的加工单元（如模块化、功能复合的可重构机床、模块化/分布式协作机器人），快速重构生产线，比如，日本 FANUC 公司设计模块化机器人产线，可在 2h 内切换生产从汽车零部件到 3C 产品的工艺。柔性产线的效益，既体现在生产线及其装备灵活的柔性生产能力，更体现在依靠软件系统（如 MES、SCADA）的集成，对生产数据的分析、决策等实时作出判断，实现资源配置的最佳组合。

3.调度优化问题建模

调度优化是柔性生产线高效运作的根本性问题，它涉及在满足工艺约束及资源约束条件下，如何安排工件加工顺序或设备分配使完工时间最短、设备利用率最高或能耗最低等。代表性的柔性线调度问题有混合流水车间调度(HFSP)、柔性作业车间调度(FJSP)等。其中，HFSP 是一个典型的单目标柔性线调度问题，可以建模为：给定工件数目为 n、设备数目为 m，每一工件有若干个工序组成，任意工序在若干台设备上均可加工，确定工件调度顺序和设备分配，使总完工时间最小。目标函数常表示为 mini=1∑nCi，其中 Ci 为工件 i 的完成时间。约束条件包含设备的加工能力、加工顺序和工艺路线等。在实际建模过程中还需要考虑到动态因素（如设备故障、插单等），引入动态调度需要实时数据，例如建立的基于强化学习的调度算法能够通过与环境交互学习最优调度策略，另外，多目标需要平衡不同目标之间完工时间、成本和消耗的能量之间冲突的问题。调度问题由于NP-hard，因此需要将启发式算法和智能优化结合在一起进行求解。

二、柔性生产线构建技术体系

1.硬件层设计

物理层硬件是柔性生产制造系统实现动态能力的基础，主要是在硬件设备可拆分的、通用化的平台基础上开展设计，包括设备系统化的模块化可重构设计，如数字化机床配备换刀系统和多轴联动技术，使加工设备模块化在 15 分钟左右完成工艺转换，满足不同零件不同材质的动态加工需求；柔性机器人、自动化单元的应用能够更好地拓展产线灵活化布局，如配备柔性力控与视觉传感器的协作机器人，与人工协同装配作业，改变生产模式；智能物流系统基于 AGV与柔性仓库的物流，通过无线电频率识别、导航，更好地实现物料供应与库存的动态化管理等。某新能源汽车锂电池产线利用柔性可重构加工工作站进行模块化焊接作业，采用AGV 柔性物流，换线时间从 4 小时降为 40 分钟，生产效率提高 30%；生产加工过程的物理层还需要引入感知网络，主要基于分布式传感器、振动检测等来实时监测设备状态，从而分析故障提前处理和设备健康维护提供支持。应考虑具有扩展性和灵活性，避免异构设备接口，采用诸如 OPCUA 通信协议，进行信息集成等。

2.软件层架构

数字化工厂的软件层是融合了业务模块的软件技术，通过计算机软件对硬件提供信号的综合。其总体软件架构主要包含 MES 制造执行系统、SCADA 数据采集和监视控制系统、高级分析系统。MES 系统，相当于工厂的大脑，通过当前订单以及当前车间设备，结合工艺知识，发出最佳生产计划，并通过 API 协议接口与 ERP、PLM 等软件系统对接，从而进行一系列的数字化业务闭环。SCADA 系统用于监控设备层数据（加工数据、能效消耗数据等），采集后的数据在边缘计算节点进行数据处理，只上传对产线有影响的主要数据到云端，减少网络流量的传输。高级分析系统利用人工智能和机器学习处理算法来进行数据分析。例如通过数据分析处理的设备退化模型来提供刀具的寿命预测，发出刀具维修工单。通过软件系统的应用可以给多角色提供多级别的交互。例如操作员通过移动 App 来了解当前生产工序及生产线的状态，工程师可通过数字孪生系统的界面，开展远程虚拟调试工作等。

3.动态重构机制

重构的本质是动态的线体重构，它需要基于硬、软件的模块化设计和线体的智慧化调度，重构体系，其中：工序调整可运用基于参数化工艺库的决策规则引擎来实现，例如在订单生产需求调整时，系统可以通过匹配类似的工艺模板来调整流程顺序和设备布局。快速换模技术（SMED）可针对工序调整所需的外部资源和生产条件提供标准化工装夹具与预设参数功能以简化工位切换（如图 1 所示）。数字孪生技术是重构的虚拟验证工具，其可基于生产瓶颈及物流冲突等方面进行仿真分析，例如可以基于仿真来比较生产单元重新布置以后是否仍然符合产能，从而避免不必要的物理试验；以设备健康状态实时监控为基础的健康管理系统（PHM），基于实时监控设备健康状况，进而灵活调整节拍，例如当前台设备异常报警振动或噪音变化超标，则系统会自动将此台设备对应的订单进行重定向处理。重构需要综合考量成本、时间及质量的目标，例如需利用多目标优化算法比较换线成本及订单交期。

三、柔性生产线调度优化算法

1.传统调度算法分析

传统的调度算法是柔性线早期的主流调度算法，然而它在柔性线中的一些局限性越来越显现出来：遗传算法(Geneticalgorithm，GA)是利用遗传思想进行信息交叉和选择以寻求最优解的算法，由于容易收敛于局部门解、计算量大；粒子群优化算法(ParticleSwarmOptimization，PSO)是群集算法，对于不同初始参数的结果亦不一致，同时对动态扰动变化有困难；规则调度算法，如先到达先服务(FIFO)、最短加工时间(SPT)等，均具有运算简单的特点，但都是静态算法，不具备决策的灵活性，很难解决订单变化和机器设备损坏等生产扰动问题。

2.改进型智能调度算法

增益式智能调度算法运用深度学习及强化学习增强动态 调 度 算 法 的 能 力 。 深 度 强 化 学 习(DeepReinforcementLearning，简称 DRL)结合了神经网络和强化学习，通过对智能体与环境进行交互学习最优动作，例如，采用深度 Q 学习网络(DeepQLearningNetwork，简称 DQN)的调度算法可以利用设备运行状态、产品优先级等信息实时调整加工任务的顺序。多智能体系统(MultipleAgentsystems，简称 MAS)通过多个代理之间进行决策协作解决分布式调度：每台代理控制 1 个设备或 1 个工艺，通过通信协议来交互获取的局部信息，避免获取过多的全局信息。考虑到动态扰动，文献提出了在线学习的思想，例如，通过滑动窗口更新历史数据，使得调度算法能够在线对生产变化做出反馈。

3.多目标优化模型

柔性生产线多目标优化模型旨在满足复杂多目标需求，各目标值比如工件完工时间最小化、加工设备最大容量最大、设备总能耗最小等，以混合流水车间调度(HFSP)为例，柔性生产线调度数学模型定义为min(i=1∑nCi,j=1∑mUj,k=1 ∑tEk)式中，Ci 是工件 i 的加工完成时间，Uj 是设备 j 的闲时，Ek 是时间窗口 k 的能耗。约束为工艺顺序、设备约束和资源约束。为了解决该问题可采用加权和或求 Pareto 最优解法，如通过调整不同权重系数可得到不同偏好的调度方案，比如工件交货期重要时，增强完工时间的目标权重，若注重能源费用时，增强能耗目标。而在应用中，还需要加入模糊评价解决不同目标之间的冲突，如可以将设备效率和能耗转化为满意度函数，使用多目标粒子群（mopso）寻找折中解。

结束语：

生产线的柔性化与调度优化是智能制造系统实现定制化、高效率生产的必要条件。因此本文提出的智能集成、动态重构的柔性生产线硬件结构与智能、重构的软件结构相配合，实现了多品种小批量的柔性装配生产。针对传统的调度方法适应性差、自适应能力差、在动态条件下离散程度高等特点，设计的基于深度强化学习以及多智能体的多目标调度算法能够更好地解决此问题。

参考文献：
【1】引领煤机装备制造数智化转型——煤机装备智能制造柔性生产线创新团队 [J].智能矿山,2024,5 (11):2-7.
【2】林星烨,谭伟美,凌海全.浅析基于 PLC 控制系统的智能柔性生产线设计 [J]. 中国设备工程,2024,(20):40-43.
【3】李冰,赵兰欣.智能制造中 FMS 柔性生产线的研制与应用 [J]. 中国机械, 2024,(14):51-54.

作者简介：傅宝根（1984 年 1 月-），男，汉族，江苏南京人，副教授，研究方向：机械设计制造及自动化，增材技术，模具设计。