基于联邦学习机制中数据的复杂制造系统的调度系统

技术领域

本发明涉及智能生产制造领域，具体涉及一种基于联邦学习机制中数据的复杂制造系统的调度系统。

背景技术

现有技术中的制造系统调度问题自上世纪50年代被提出以来，因具有重要意义而备受学术界重视，生产调度系统也逐渐成为制造型企业重要的决策支持系统。随着研究的深入，根据时间粒度可将制造系统调度问题细分为3类：生产计划、生产排程和实时派工。根据调度类型可分为投料计划、工件调度和设备维护调度。针对这些不同层次和类型调度问题的建模和优化，数学规划、Petri网、仿真模型、启发式规则、人工智能方法得到了广泛应用。这些模型和方法根据其对应求解的调度问题形成生产调度系统(ProductionSchedulingSystem，PSS)中不同的调度模块，并在一些实际调度环境下取得成功应用。但与调度问题理论研究成果的多样性相比，成功解决实际制造环境调度问题的应用案例还比较单一，多数集中在数学规划和启发式调度规则为主的调度仿真系统，智能化水平不高。以Intel的面向半导体制造领域的先进计划调度系统(AdvancedPlanningScheduling，APS)为例，APS协同了生产计划模块、生产排程模块和实时调度模块，集成了仿真模型、启发式实时调度规则、整数规划等建模和优化方法，所采用的建模和优化方法较为传统。因此调度的理论研究和调度系统的实际应用之间存在鸿沟。其主要原因有如下两点：(1)对于具体调度问题，传统建模优化方法不足以应对制造系统的大规模和复杂性，对应的调度模块适用性受到局限；(2)对调度问题的研究集中于具体调度问题的建模与优化和对应调度模块的开发，而对PSS各个模块之间的协同交互研究的较少，即对PSS体系结构的研究不够充分。

现有技术的技术缺陷主要表现在，例如，PSS体系结构有如下两种实现方式，(1)多Agent形式：将各个调度模块封装为Agent，并以Agent协商的方式进行调度模块之间的协同。(2)组件化形式：将各个调度模块的调度方法封装为组件，根据不同制造系统的特点，进行重构，定制具有较高鲁棒性的制造系统。基于数据的方法随着90年代以来数据挖掘技术的发展在制造系统调度领域已经取得了一定的应用。针对传统建模优化方法的局限性，通过引入基于数据的方法可以对其进行有效改进。但总体上，已有的基于数据的调度方法是对求解特定调度问题的具体调度模块的局部改进，而并未对现有的调度系统体系结构起到全面支持的作用。

发明内容

本发明克服了现有技术的不足，提供了一种基于联邦学习机制中数据的复杂制造系统的调度系统，能够利用制造系统中和调度相关的数据对复杂制造系统的调度问题进行全面的支持。

为达到上述目的，本发明采用的技术方案为：一种基于联邦学习机制中数据的复杂制造系统的调度系统，包括DSACMS调度系统，所述DSACMS调度系统包括，相互交互联系的数据层、模型层、数据处理与分析模块、调度方法模块；所述数据层包括用于调用采集数据源的数据接口以及与所述数据接口连接的数据库，所述数据库还与所述模型层、数据处理与分析模块、调度方法模块交互连接；所述模型层包括面向对象仿真模型、参数预测模型、性能指标预测模型和自适应调度模型中的一种或多种；所述调度方法模块包括生产计划模块和实时派工模块，所述调度方法模块用于辅助离线仿真数据的生成。

本发明一个优选的实施方案中，数据源包括企业中的信息系统的数据参数或/和数据源模拟制造系统运作过程的仿真模型离线运行生成的离线仿真数据，包括离线仿真性能指标数据和离线仿真优化调度决策数据；所述数据库包括离线历史数据、在线静态数据、在线动态数据、学习样本数据。

本发明一个优选的实施方案中，离线历史数据包括工件加工历史信息、产品历史生产信息、设备历史加工信息、设备维护信息、设备故障信息中的一种或多种；所述在线静态数据包括产品订单信息、产品工艺流程信息、设备加工能力信息和设备布局信息中的一种或多种；所述在线动态数据包括设备状态信息或/和WIP状态信息。

本发明一个优选的实施方案中，离线历史数据为制造系统运行历史数据模型R

本发明一个优选的实施方案中，面向对象仿真模型采用的是制造系统面向对象模型，所述制造系统面向对象模型包括制造系统对象模型、制造系统动态模型、制造系统功能模型；即，OOSM

本发明一个优选的实施方案中，参数预测模型、性能指标预测模型和自适应调度模型均为数据驱动预测模型，所述数据驱动预测模型包含不确定因素估计模型、性能指标预测模型、自适应调度模型，即，DDPM＝(PPM,UPM,ASPM)；数据驱动预测模型为DDPM，不确定因素估计模型为UPM，性能指标预测模型为PPM，自适应调度模型为ASPM。

本发明一个优选的实施方案中，调度方法模块的生产计划模块包括生产计划方法集和生产调度方法集，实时派工模块包括元启发式搜索方法集；即，SchModule＝{PlanMethods,SchMethods,MHS}；调度方法模块为SchModule，生产计划方法集为PlanMethods，生产调度方法集为SchMethods，元启发式搜索方法集为MHS；PlanMethods中的方法是用于处理订单的生产计划方法；SchMethods中的方法是实现工件调度的生产调度方法。

本发明一个优选的实施方案中，数据处理与分析模块包括抽取转换加载方法集，对象关系映射规则集，数据预处理方法集，预测建模方法集，元启发式优化方法集；即DataProAnalyModule＝{ETL,ORM,PreProcData,BuildPredictionModel,MHO}；数据处理与分析模块为DataProAnalyModule，抽取转换加载方法集为ETL，对象关系映射规则集为ORM，数据预处理方法集为PreProcData，预测建模方法集为BuildPredictionModel，元启发式优化方法集为MHO。

本发明一个优选的实施方案中，ETL中的方法用于数据模型的转换，ORM实现制造系统在线数据模型和面向对象模型中对象模型的映射，PreProcData实现学习样本数据的预处理，BuildPredictionModel从学习样本学习得到数据驱动的预测模型，MHO针对PreProcData和BuildPredictionModel中的方法存在参数敏感，进行参数优化。

本发明一个优选的实施方案中，一种采用基于联邦学习机制中数据的复杂制造系统的调度系统的生产制造管理设备，包括控制器，以及与所述控制器驱动连接的若干个生产辅助设备，所述控制器内置有基于联邦学习机制中数据的复杂制造系统的调度系统。

本发明解决了技术背景中存在的缺陷，本发明有益的技术效果是：

基于现有技术中传统调度方法的不足和局限，本发明公开了一种基于联邦学习机制中数据的复杂制造系统的调度系统，能利用制造系统中和调度相关的数据对复杂制造系统的调度问题进行全面的支持。

第一、数据处理与分析模块中由于制造系统信息系统中的数据普遍存在噪声、不完备、高耦合、分布不规律等问题，运用数据预处理技术对相关的离在线数据进行过滤、净化、去噪、优化等处理从而提高数据挖掘的质量。

第二、调度方法模块中数据驱动自适应调度模型根据优化迭代过程中每次运行仿真模型的时间分为实时自适应调度、短期自适应调度、长期自适应调度模型。

第三、模型层中为了分析调度决策对制造系统调度性能指标的影响，可以通过对面向对象仿真模型设置调度决策进行模型仿真，分析仿真输出的调度性能指标来评估调度决策。数据驱动模型参数预测模型将这些参数集成到面向对象仿真模型，可以生成大量考虑不确定信息的生产系统运行样本数据，供模型挖掘与调度优化方法挖掘使用。数据驱动性能预测模型，可以通过对离线历史数据或离线仿真性能指标数据进行挖掘获得。可以预测设备、加工中心或制造系统期望的性能指标与调度约束，为优化调度决策的实时选择提供指导。综合考虑在线数据与调度模型获得的性能指标、调度约束与优化调度决策，通过自适应调度模型选择合适的调度决策完成派工。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的优选实施例中的DSACMS调度系统的结构示意图；

图2是本发明的优选实施例中的数据模型与关系模型的映射与转换示意图；

图3是本发明的优选实施例中的基于Petri网的半导体设备制造过程动态模型；

图4是本发明的优选实施例中的基于状态机图的设备状态动态模型的结构示意图；

图5是本发明的优选实施例中的DSACMS对调度建模与优化的支持的结构示意图。

具体实施方式

现在结合附图和实施例对本发明作进一步详细的说明，这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、底、顶等)，则该方向性指示仅用于解释在某一特定姿态下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。除非另有明确的规定和限定，术语“设置”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例一

如图1所示，本实施例公开了一种基于联邦学习机制中数据的复杂制造系统的调度系统，包括DSACMS调度系统，DSACMS调度系统包括，相互交互联系的数据层、模型层、数据处理与分析模块、调度方法模块。

(一)数据层

数据层包括用于调用采集数据源的数据接口以及与数据接口连接的数据库，数据库还与模型层、数据处理与分析模块、调度方法模块交互连接。数据源包括企业中的信息系统的数据参数或/和数据源模拟制造系统运作过程的仿真模型离线运行生成的离线仿真数据；包括离线仿真性能指标数据和离线仿真优化调度决策数据。数据库包括离线历史数据、在线静态数据、在线动态数据、学习样本数据。离线历史数据包括工件加工历史信息、产品历史生产信息、设备历史加工信息、设备维护信息、设备故障信息中的一种或多种；在线静态数据包括产品订单信息、产品工艺流程信息、设备加工能力信息和设备布局信息中的一种或多种；在线动态数据包括设备状态信息或/和WIP状态信息。

进一步的，定义2.1(数据模型)数据模型R由一组关系模式R

定义K(R

定义

定义

离线历史数据为制造系统运行历史数据模型R

①制造系统在线数据模型

制造系统在线数据模型R

设备由R

加工区由R

工序由R

设备的加工菜单由R

工艺流程由R

流程的工步由R

订单由R

工件由R

②制造系统运行历史数据模型

制造系统运行历史数据从设备历史运行信息和工件运行历史信息两个角度来刻画，定义R

设备运行历史由R

工件运行历史由R

③学习样本数据模型

学习样本数据是构造数据驱动模型的基础，定义R

不确定因素样本数据模型为关系模式集合：

R

性能指标预测样本数据模型R

自适应调度样本数据模型为关系模式集合：

{R

(二)模型层

具体的，模型层包括面向对象仿真模型、参数预测模型、性能指标预测模型和自适应调度模型。

①制造系统面向对象模型，即面向对象仿真模型。

面向对象仿真模型采用的是制造系统面向对象模型，制造系统面向对象模型包括制造系统对象模型、制造系统动态模型、制造系统功能模型；即，OOSM

定义2.2(对象模型)对象模型C由一组类定义描述,C＝{C

A

M

Ref

Agg

定义2.3(对象关系映射)ORM∈DataPreprocAnalyModule为数据模型和对象模型之间的映射C＝ORM(R)

ORM(R

ORM(K(RC

ORM(PK(R

由定义2.3给定的映射机制可推导出制造系统面向对象模型的对象模型C

C

C

C

C

C

C

C

C

C

制造系统对象模型的动态模型D

从调度的角度考察功能模型F

当调度周期T给定时，F

面向对象仿真模型通过对象关系映射由数据层制造系统在线数据驱动，即根据制造系统在线数据动态构造仿真模型的对象模型。仿真模型的动态过程，如工件的加工方式，调度策略的实现细节均被固化于仿真模型，而仿真模型对象模型通过动态加载制造系统的在线数据从而保证仿真模型中对象状态和对象之间的关系与制造系统保持同步。为了分析调度决策对制造系统调度性能指标的影响，可以通过对面向对象仿真模型设置调度决策进行模型仿真，分析仿真输出的调度性能指标来评估调度决策。

②数据驱动预测模型包括参数预测模型、性能指标预测模型、自适应调度模型。

数据驱动模型参数预测模型，主要通过对制造系统运行历史数据进行挖掘获得，如紧急订单、设备故障、设备维护、加工时间、产能、加工周期预测模型等，这些参数或者表征了模型的不确定事件发生概率(如前4项)或者表征了制造系统的调度参数(如后2项)，将这些参数集成到面向对象仿真模型，可以生成大量考虑不确定信息的生产系统运行样本数据，供模型挖掘与调度优化方法挖掘使用。

数据驱动性能预测模型，可以通过对离线历史数据或离线仿真性能指标数据进行挖掘获得。如设备、加工中心与制造系统调度模型等，通过在线调用和在线优化上述模型，可以预测设备、加工中心或制造系统期望的性能指标与调度约束，为优化调度决策的实时选择提供指导。

数据驱动自适应调度模型通过制造系统离线历史数据中较优调度决策的数据和离线仿真优化调度决策数据在模型层建立自适应调度模型。根据制造系统的在线调度环境，调用自适应调度模型完成实际的制造系统派工操作。由于调度方法适应的调度环境特征与关注的性能指标有所不同。在实际运用时，综合考虑在线数据(如设备状态信息与WIP状态信息等)与调度模型获得的性能指标、调度约束与优化调度决策，通过自适应调度模型选择合适的调度决策完成派工。

具体的，参数预测模型、性能指标预测模型和自适应调度模型均为数据驱动预测模型，数据驱动预测模型包含不确定因素估计模型、性能指标预测模型、自适应调度模型，即，DDPM＝(PPM,UPM,ASPM)；数据驱动预测模型为DDPM，不确定因素估计模型为UPM，性能指标预测模型为PPM，自适应调度模型为ASPM。

DDPM通过DataPrcoAnalyModule中的方法利用DataLevel定义的样本学习数据构造，preProcData∈DataPrcoAnalyModule为数据预处理方法，BuildPredictionModel∈DataPrcoAnalyModule为基于数据的预测建模方法。

OOSM

ins

y

其中：x

通过preProcData对ins

Y

从而：UPM＝{Y

当制造系统呈大规模，制造过程复杂时，OOSM

通过preProcData对ins

Y

从而：PPM＝{Y

由于制造系统的复杂性，迭代优化OOSM

ins

通过preProcData对ins

Y

由此：ASPM＝{Y

(三)调度方法模块

调度方法模块包括生产计划模块和实时派工模块，调度方法模块用于辅助离线仿真数据的生成。调度方法模块的生产计划模块包括生产计划方法集和生产调度方法集，实时派工模块包括元启发式搜索方法集；即，SchModule＝{PlanMethods,SchMethods,MHS}；调度方法模块为SchModule，生产计划方法集为PlanMethods，生产调度方法集为SchMethods，元启发式搜索方法集为MHS；PlanMethods中的方法是用于处理订单的生产计划方法；SchMethods中的方法是实现工件调度的生产调度方法。

其中PlanMethods中的方法是用于处理订单的生产计划方法，例如半导体制造系统中的投料策略，可以采用固定投料、基于交货期的投料、多目标投料、智能投料等方法，SchMethods实现工件调度的生产调度方法，例如半导体制造系统中的用于计算工件优先级的实时调度规则或用于工件排序的搜索方法等。PlanMethods和SchMethods中的方法可以在OOM

生产计划模块中的算法组件确定了工件投入生产线的时间和数量，集成了投料规则或算法。生产调度模块中的规则组件确定工件在设备加工的优先级的计算方法，每种调度规则优化不同的调度性能指标。该方法的优点在于实时性好，可快速响应调度环境的变化，缺点在于投料策略和调度决策适应的调度环境与关注的性能指标有所不同，对制造性能指标优化程度过分依赖与投料策略和调度决策的选择。元启发式搜索算法可以通过迭代运行仿真模型获取优化的投料策略和实时调度规则配置，但多次重复运行仿真模型尤其是复杂制造系统的仿真模型是一个耗时的过程，通过元启发式算法在线优化选择合适的投料策略和实时调度规则配置几乎不可能。因此在模型层中提出了通过挖掘离线仿真优化调度数据构建自适应调度模型的方案。

生产计划模块和实时调度模块对性能指标的影响和调度周期有关，如果调度周期短，主要关注短期全局性能指标和短期局部性能指标，性能指标主要依赖于初始调度环境和实时调度策略的选择，生产计划和不确定参数及事件的影响较小。如果调度周期长，主要关注长期全局性能指标，性能指标主要依赖于生产计划和实时调度策略的选择，必须考虑不确定参数及事件的影响，而初始调度环境的影响被削弱。在不同的调度周期下，性能指标的影响因素不同。对应到模型层，数据驱动性能指标预测模型根据生成样本的仿真模型运行时间可分为实时性能指标、短期性能指标、长期性能指标预测模型。数据驱动自适应调度模型根据优化迭代过程中每次运行仿真模型的时间分为实时自适应调度、短期自适应调度、长期自适应调度模型。

(四)数据处理与分析模块

数据处理与分析模块包括抽取转换加载方法集，对象关系映射规则集，数据预处理方法集，预测建模方法集，元启发式优化方法集；即

DataProAnalyModule＝{ETL,ORM,PreProcData,BuildPredictionModel,MHO}；数据处理与分析模块为DataProAnalyModule，抽取转换加载方法集为ETL，对象关系映射规则集为ORM，数据预处理方法集为PreProcData，预测建模方法集为BuildPredictionModel，元启发式优化方法集为MHO。ETL中的方法用于数据模型的转换，ORM实现制造系统在线数据模型和面向对象模型中对象模型的映射，PreProcData实现学习样本数据的预处理，BuildPredictionModel从学习样本学习得到数据驱动的预测模型，MHO针对PreProcData和BuildPredictionModel中的方法存在参数敏感，进行参数优化。

数据处理与分析模块的核心在于数据预处理方法和数据驱动预测模型的构造方法。由于制造系统信息系统中的数据普遍存在噪声、不完备、高耦合、分布不规律等问题，需要运用数据预处理技术对相关的离在线数据进行过滤、净化、去噪、优化等处理从而提高数据挖掘的质量。基于调度相关数据存在的问题，数据预处理模块考虑了异常值过滤，空缺值填补，数据维规约等问题，通过智能优化算法迭代优化K均值数据聚类，K均值变量聚类，K近邻等数据预处理算法参数提高数据预处理的质量。模型层中的数据驱动预测模型需要通过数据挖掘的方法从数据层的样本数据中获得。由于调度性能指标和优化的调度方案需要大量的离线仿真或优化才能得到，为了提高泛化能力，采用基于选择性集成的方式，在生成个体学习器和选择最终的学习器中均引入了计算智能方法。

进一步的，对复杂制造系统调度建模与优化的支持是通过ModelLevel模型层中的模型和SchModule调度方法模块中的方法共同实现，如图5所示，基于数据的特点通过DDPM体现，UPM，PPM和OOSM

实施例二

一种采用实施例一中公开的基于联邦学习机制中数据的复杂制造系统的调度系统的生产制造管理设备，包括控制器，以及与所述控制器驱动连接的若干个生产辅助设备，所述控制器内置有基于联邦学习机制中数据的复杂制造系统的调度系统。

本发明工作原理：

如图1～图4所示，针对传统建模优化方法的局限性，通过引入基于数据的调度方法可以对其进行有效改进。但总体上，已有的基于数据的调度方法是对求解特定调度问题的具体调度模块的局部改进，而并未对现有的调度系统体系结构起到全面支持的作用。本发明的基于数据复杂制造系统的调度系统对传统调度方法的不足和局限，利用制造系统中和调度相关的数据对复杂制造系统的调度问题进行全面的支持。

以上具体实施方式是对本发明提出的方案思想的具体支持，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在本技术方案基础上所做的任何等同变化或等效的改动，均仍属于本发明技术方案保护的范围。