本发明涉及智能制造能力评估领域，尤其涉及一种智能制造生产调度协同管控能力的评估系统和评估方法。
背景技术：
近年来，倡导以“智能制造”为主导的第四次工业革命正在改变人类学习、工作和生活的方式，也持续推动工业生产向工业化与信息化融合发展。推进智能制造，能够有效缩短产品研制周期，提高生产效率和产品质量，降低运营成本和资源能源消耗，加快发展智能制造，对于提高制造业供给结构的适应性和灵活性、培育经济增长新动能都具有十分重要的意义。
企业在智能制造新背景下，希望了解企业自身的智能制造能力水平，也希望通过智能制造能力评估明确之后技术投资的重点与方向。因此，智能制造新背景对企业如何进行智能制造能力评估提出了需求。
公开号为cn106910023a的中国专利公开了一种智能制造的能效评估方法及系统，该专利文献考虑智能制造过程中设备、工艺、环境以及产品对能效的影响，提供一种统一的能效评估方法；公开号为cn106227906a的中国专利公开了一种基于性能退化分析的智能制造装备可靠性的评估方法，其评估对象为智能制造装备的使用可靠性，该评估为贝叶斯方法评估。
目前有提出的智能制造能力评估大多采用多级智能制造能力评价指标的方法。如文献《我国主要省市智能制造能力综合评价与研究——基于因子分析法的实证分析》(《现代制造工程》，2016(1)：151-158.)、《智能制造企业评价指标及评估方法的探讨》(《电子技术应用》，2015，41(11)：6-8.)中，通过设置一系列评价指标及对应指标权重，通过多级统计打分的形式确定最终能力得分，但该方法在企业应用时会存在不少问题。比如：1、评价指标的打分需要大量统计工作；2、评价指标权重正确性十分关键，但由于难以确定一般采用专家知识；3、评价指标设置缺乏灵活性，评价指标确定后无法满足企业全生命周期需求。因此，在评估系统进行智能制造能力评估时，如何不依赖大量评价指标，且需要在企业实际应用时可用，这是一个值得考虑的问题。
中国电子技术标准研究院于2016年发布的《中国智能制造成熟度模型白皮书》中，提出了智能制造能力成熟度模型矩阵，从设计、生产、物流、销售、服务、资源要素、互联互通、系统集成、信息融合、新兴业态10大类核心能力以及细化的27个域建立能力评估模型，模型中对相关域进行从低到高5个等级的分级与要求，但是分级定义停留在定性阶段。而在企业实际评估中，为了评估工作的可用性及准确性，对评估等级需要进行定量化评估。
技术实现要素：
本发明提供一种智能制造生产调度协同管控能力的评估系统，可对智能制造生产调度协同管控能力进行定量化评估。
本发明提供了如下技术方案：
一种智能制造生产调度协同管控能力的评估系统，包括：
数据采集模块，采集智能制造生产过程中的生产调度数据；
能力评估仿真器，对覆盖全域能力范围的多维度生产调度能力仿真场景进行仿真，建立标准能力数据库；
标准能力数据库，包含各仿真场景的生产调度仿真数据，将数据采集模块采集的生产调度数据与仿真数据进行比对，得到对生产调度协同管控能力水平的评价结果。
本发明的评估系统将多维度生产调度能力矩阵转化为生产调度能力指标的定量仿真计算，对照生产调度能力标准数据库可得到能力等级评估的定量化结果，以此来反映智能制造生产线生产调度工作流各岗位的单维能力及整体协同能力水平之间的关系。
所述的数据采集模块为智能制造工厂的数据采集设备，如集散控制系统(dcs)、监测控制与数据采集系统(scada)、库存管理系统(ims)等，采集智能制造生产过程中的生产调度数据。
智能制造生产过程中的生产调度数据包括生产调度能力矩阵、评估输入数据集及评估指标测量值。
生产调度能力包括调度排产能力、调度指挥能力、生产监控能力及调度统计能力。
所述的能力评估仿真器包括多维度生产调度能力矩阵组态模块、仿真输入配置数据集、能力评估仿真模型和评估指标仿真输出数据集。
多维度生产调度能力矩阵表示为capcon(m×n)，其中m表示待评估生产调度工作流中涉及的生产调度能力的种类，包括调度排产能力、调度指挥能力、生产监控能力及调度统计能力；n表示待评估多维度生产调度能力仿真场景的数量。不同仿真场景配置不同的生产调度能力。
以生产成本为划分依据，每项生产调度能力设为三个等级，以基本生产成本(或利润)为最低能力等级下限指标，以各项能力为最优能力时产生的生产成本(或利润)为最高能力等级上限指标。
多维度生产调度能力矩阵组态模块根据评估需要对生产调度能力矩阵进行组态，构建仿真场景。
仿真输入配置数据集表示为capinput＝({schoutput}，ratsch-exe，{errdat}，errstat})，其中{schoutput}表示某一仿真场景下调度排产的指令集合，ratsch-exe表示该仿真场景下指令的调度执行率，{errdat}表示该仿真场景下生产监控数据采集的误差集合，errstat表示该仿真场景下生产统计误差。
所述的某一仿真场景为多维度生产调度能力矩阵capcon(m×n)中的任意一个n对应的仿真场景。
所述的能力评估仿真模型包括生产过程仿真模型和生产调度工作流模型。
实际工业生产调度涉及计划排产优化、调度优化、工艺管理、操作指令、过程监控、绩效分析、统计平衡、能源管理等多个岗位，协作关系复杂。实际工厂生产调度通常采取调度人员参与的半自动优化调度系统，可分为调度排产、指令下达、生产监控和绩效评估四个环节。
所述的生产调度工作流模型包括计划排产agent模型、指挥调度agent模型、生产监控agent模型及绩效评估agent模型。
所述的计划排产agent模型定义为最优级、专家级及经验级三个等级。最优级模型基于准确的调度优化模型及优化求解器，可得到理论最优解；专家级模型基于人工专家及专家规则，得到合理排产；经验级模型则根据算术法平局分摊产能进行排产。
所述的指挥调度agent模型定义为最优级、专业级及经验级三个等级。最优级模型根据排产方案结合准确的指挥调度模型，可得到最优的调度指令，让全部指令准确执行；专业级模型基于专业化指挥调度手段，得到合理调度指令；经验级模型根据历史调度经验择优下达调度指令。
所述的生产监控agent模型定义为最优级、优化级及基础级三个等级。最优级模型具备调度管控相关全面且准确的数据，基于准确的数据分析模型，为优化调度、优化排产提供最有效的实时生产信息；优化级模型具备大部分调度管控数据，根据专家规则分析数据，为调度排产提供实时生产信息；基础级模型则具备调度管控的必需数据项，确保日常生产工作的进行。
所述的绩效评估agent模型定义为最优级、系统级及经验级。最优级模型基于准确的kpi(关键绩效指标)指标体系，得到理论最准确绩效，准确反馈导致执行偏离相关指标；系统级模型基于评价规则得到绩效，并反馈执行偏离程度；经验级模型则根据单一综合标准进行绩效评估。
所述的评估指标仿真输出数据集capoutput＝(costopt，costcurr，costdevi)，其中costopt为最优值，为各项生产调度能力为最优能力时产生的最高能力等级上限指标；costcurr表示当前仿真场景对应的定量值；costdevi定义为能力提升度，表示当前仿真场景对应的定量值偏离最优值的程度。
所述的标准能力数据库表示为capsta＝(capcon(m×n)，{capoutput})，其中capcon(m×n)表示覆盖全域能力范围的多维度生产调度能力矩阵，{capoutput}表示对应的评估指标仿真输出数据集。
一种智能制造生产调度协同管控能力的评估方法，包括以下步骤：
(1)根据企业评估目标选择待评估生产过程，建立待评估生产过程的能力评估仿真模型；
(2)多维度生产调度能力矩阵进行设计组态，构建覆盖全域能力范围的多个生产调度过程的仿真场景；
(3)逐个定义仿真场景的仿真输入配置数据集；通过能力评估仿真模型分别对各仿真场景进行仿真，得到评估指标仿真输出数据集，建立标准能力数据库；
(4)通过数据采集模块采集实际生产过程的生产调度能力矩阵、评估输入数据集及评估指标测量值，对比标准能力数据库得到实际生产过程的生产调度协同管控能力水平的评价结果和能力提升度。
与现有技术相比，本发明的有益效果为：
本发明首次将多维度生产调度能力矩阵转化为生产调度能力指标的定量仿真计算，对照生产调度能力标准数据库可得到能力等级评估的定量化结果，以此来反映智能制造生产线生产调度工作流各岗位的单维能力及整体协同能力水平之间的关系。
附图说明
图1为智能制造生产调度协同管控能力的评估系统的结构示意图；
图2为实施例生产过程仿真模型的结构示意图；
图3为实施例生产调度工作流模型的结构示意图；
图4为实施例仿真场景输出结果示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。
如图1所示，一种智能制造生产调度协同管控能力的评估系统，包括数据采集模块、标准能力数据库及能力评估仿真器。
数据采集模块包括工厂已有的数据采集设备，如集散控制系统(dcs)、监测控制与数据采集系统(scada)、库存管理系统(ims)等，用于正确感知并采集智能制造生产过程中生产调度所需的各项数据。
能力评估仿真器包括多维度生产调度能力矩阵组态模块、对应的仿真输入配置数据集、能力评估仿真模型及评估指标仿真输出数据集。
标准能力数据库，包含各仿真场景的生产调度仿真数据，将数据采集模块采集的生产调度数据与仿真数据进行比对，得到对生产调度协同管控能力水平的评价结果。
评估智能制造生产调度协同管控能力的方法包括以下步骤：
步骤一，明确企业评估目标并建立待评估生产过程的能力评估仿真模型。
首先明确企业评估目标，并建立待评估生产过程的能力评估仿真模型，能力评估仿真模型包括生产过程仿真模型及生产调度工作流模型。
以短周期离散事件的stn经典过程案例为例展开评估系统的具体实施过程。stn经典过程的生产过程仿真模型包括5种反应过程，分别为加热、反应1、反应2、反应3、分离，4种反应装置，分别为适用于任务1的加热器，适用于任务2、3、4的反应器1、反应器2与反应器3，适用于分离提纯的蒸馏器。过程中涉及三种原料a、b、c，两种中间产物ab、bc，加热a，混合物e以及两种产品1、2，具体反应流程与比例见图2。
案例中的企业目标是在固定生产周期内追求生产产品1、产品2的利润最大化。
实际工业生产调度涉及计划排产优化、调度优化、工艺管理、操作指令、过程监控、绩效分析、统计平衡、能源管理等多个岗位，协作关系复杂。实际工厂生产调度通常采取调度人员参与的半自动优化调度系统，其工作流如图3所示。可分为调度排产、指令下达、生产监控和绩效评估四个环节。
生产调度工作流模型包括计划排产agent模型、指挥调度agent模型、生产监控agent模型及绩效评估agent模型。每个agent模型根据定义分为三个等级。
计划排产agent模型定义为最优级、专家级及经验级三个等级。最优级模型基于准确的调度优化模型及优化求解器，可得到理论最优解；专家级模型基于人工专家及专家规则，得到合理排产；经验级模型则根据算术法平局分摊产能进行排产。
指挥调度agent模型定义为最优级、专业级及经验级三个等级。最优级模型根据排产方案结合准确的指挥调度模型，可得到最优的调度指令，让全部指令准确执行；专业级模型基于专业化指挥调度手段，得到合理调度指令；经验级模型根据历史调度经验择优下达调度指令。
生产监控agent模型定义为最优级、优化级及基础级三个等级。最优级模型具备调度管控相关全面且准确的数据，基于准确的数据分析模型，为优化调度、优化排产提供最有效的实时生产信息；优化级模型具备大部分调度管控数据，根据专家规则分析数据，为调度排产提供实时生产信息；基础级模型则具备调度管控的必需数据项，确保日常生产工作的进行。
绩效评估agent模型定义为最优级、系统级及经验级。最优级模型基于准确的kpi指标体系，得到理论最准确绩效，准确反馈导致执行偏离相关指标；系统级模型基于评价规则得到绩效，并反馈执行偏离程度；经验级模型则根据单一综合标准进行绩效评估。
步骤二，对多维度生产调度能力矩阵进行设计组态，形成覆盖全域能力范围的多个生产调度过程仿真场景，并逐个定义对应能力矩阵生产场景的仿真评估输入数据集。
多维度生产调度能力矩阵可表示为capcon(m×n)，其中m表示待评估生产调度工作流中涉及的单维度能力种类，案例中m具体包括调度排产能力、调度指挥能力、生产监控能力及调度统计能力。n表示待评估的生产调度不同能力配置场景的数量，考虑到场景代表性与展示系统功能全面性，案例中n取值为6。每项能力三个等级用a、b、c表示，a为能力最优，c为能力最低，能力矩阵capcon(m×n)可表示为：
仿真输入配置数据集，表示为capinput＝({schoutput}，ratsch-exe，{errdat}，errstat})，对应所述多维度生产调度能力矩阵capcon(m×n)中的任意一个n对应的能力配置场景，其中{schoutput}表示此能力场景下调度排产的指令集合，ratsch-exe表示此能力场景下指令的调度执行率，{errdat}表示此能力场景下生产监控数据采集的误差集合，实施例的生产监控数据采集误差包括数据采集率与采集误差率两方面，errstat表示此能力场景下生产统计误差。
具体场景设置与对应仿真输入集合表示如下：
场景1、调度排产能力、调度指挥能力、生产监控能力及调度统计能力设为最优级，对应{schoutput}为最优调度排产指令{schoutput_opt}，如表1所示，ratsch-exe为95％，{errdat}集合误差主要包括设备状态数据、设备生产能力数据、储罐状态数据产生监控误差，为{0.5％，0.5％，0.5％}，errstat为0。对应的输出数据为costopt，即各项能力为最优能力时产生的生产成本为最高能力等级上限指标生产成本(或利润)的最优值。
场景2、调度指挥能力、生产监控能力及调度统计能力设为最优级，调度排产采用次优排产方案，对应{schoutput}为次优调度排产指令{schoutput_2}，如表2所示，ratsch-exe为95％，{errdat}集合误差主要包括设备状态数据、设备生产能力数据、储罐状态数据产生监控误差，为{0.5％，0.5％，0.5％}，errstat为0.5％。
场景3、调度指挥能力、生产监控能力及调度统计能力设为最优级，调度排产采用人工排产方案，具体以10次人工排产的利润均值为准，对应{schoutput}为{schoutput_3}，如表3所示，ratsch-exe为95％，{errdat}集合误差主要包括设备状态数据、设备生产能力数据、储罐状态数据产生监控误差，为{0.5％，0.5％，0.5％}，errstat为0.5％。
场景4、调度排产能力、调度指挥能力、调度统计能力设为最优级，生产监控采用优化级模型，即无法准确监控所有调度相关数据，具体为能提供全部设备状态与设备生产能力的准确数据，无法准确提供储罐状态数据，对应{schoutput}为{schoutput_opt}，如表1所示，ratsch-exe为95％，{errdat}误差源自储罐状态数据产生的监控误差，为{0.5％，0.5％，20％}，errstat为0.5％。
场景5、调度指挥能力、调度统计能力设为最优级，调度排产采用次优排产方案，生产监控采用优化级模型，对应{schoutput}为{schoutput_2}，如表2所示，ratsch-exe为95％，{errdat}为{0.5％，0.5％，20％}，errstat为0.5％。
场景6、调度排产能力、调度指挥能力、生产监控能力及调度统计能力设为次优级，对应{schoutput}为{schoutput_2}，如表2所示，ratsch-exe为80％，{errdat}为{0.5％，0.5％，20％}，errstat为10％。
表1调度排产指令集合{schoutput_opt}
表2调度排产指令集合{schoutput_2}
表3调度排产指令集合{schoutput_3}
注：表1～3中：
步骤三，分别对设置的场景进行生产调度仿真，得到评估指标仿真输出数据集，建立标准能力数据库。
采用生产调度工作流模型进行多智能体仿真，仿真结果可表示为评估指标仿真输出数据集capoutput＝(costopt，costcurr，costdevi)，其中costopt表示各项能力为最优能力时产生的生产成本为最高能力等级上限指标生产成本(或利润)的最优值，costcurr表示特定能力矩阵对应的成本定量值，costdevi表示当前值偏离最优值的程度，定义为能力提升度。输出数据集如图4所示。把6个仿真场景输出数据集保存至标准能力数据集中，当有新的仿真场景数据集，把新的仿真场景及场景输入输出信息保存至标准数据集，逐渐完善标准能力数据库。标准能力数据库可表示为capsta＝(capcon(m×n)，{capoutput})，其中：
每行代表一种能力，每列代表一个具体场景；
三行分别表示costopt、costcurr，、costdevi，每列代表一个具体场景的输出数据集。
根据能力提升度划分能力等级，第一等级能力偏离度为0～10％，第二等级能力偏离度为10％～25％，第三等级能力偏离度为25％以上。
步骤四，对实际生产过程进行评估分析，生产数据采集模块采集实际生产过程的调度能力矩阵、对应评估输入数据集及评估指标测量值。
案例中，实际生产为人工排产，指令集表3所示，调度执行率ratsch-exe为80％，监控数据误差率集{errdat}为{0.5％，0.5％，20％}，生产统计误差errstat为0.5％，对应能力矩阵为[cbba]t，利润值为10035units，对应输出数据集为
以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。