模块化产线智能自治生产系统

1.本发明涉及生产单元构建和智能制造领域，尤其涉及产线中生产单元智能化和模块化的整体系统。


背景技术：

2.随着当今科技的进步和消费模式的转变，多品种、小批量、个性化的生产模式逐渐取代了传统的大批量、单一品种的生产模式。生产单元制造模式是将加工设备在一定的生产面积上按工艺流程的顺序和要求进行布置，由一个制造团队负责完成从原材料准备导成品产出的一系列生产与管理过程。相对于传统的生产模式，生产单元能够有效的提高设备的利用率、缩短完工时间、增加系统柔性，因此成为当下制造业主流的生产模式之一。
3.目前的生产单元系统在面对产量变化、设备故障、订单需求变化等方面存在柔性不足、智能化程度不高、无法处理车间扰动的问题。因此需要一种可以将当前生产单元进行模块化和智能化封装的生产系统，既使得不同或相同生产单元之间能够快速配合，便于产线的扩大，又能赋予生产单元自学习能力，增加设备自治性，从而有效面对车间复杂的不确定性干扰带来的影响，提升生产单元中各成员间的协作能力。


技术实现要素：

4.为了解决上述本领域中存在的技术问题，本发明提供一种模块化产线智能自治生产单元系统，该系统主要对生产单元进行模块化和智能化封装，使其具备自组织和自协作的能力，方便系统的快速重构，更好的应对车间的不确定性干扰，提高系统柔性和对环境变化的适应能力。
5.为了实现以上目的，本发明采用以下技术方案：模块化产线智能自治生产系统，所述生产系统包含加工模块、运输模块和仓储模块，各模块分别由对应的加工设备、运输设备、立体仓库物理实体及对应的虚拟智能体组成；物理实体具备设备通信、数据采集、设备监控和数据处理功能，虚拟智能体具备状态感知、协作、决策和学习功能；所述加工模块对工件按照相应的工艺进行加工，采集加工中各传感器数据并对设备故障、刀具磨损进行分析预测；所述运输模块在加工设备之间或加工设备和仓库间运输工件，采用自动化运输设备实现物料搬运功能，自主完成路径规划、冲突解决；所述仓储模块根据承载工件的类型进行分类存储，响应物流调度系统的运输指令，完成物料的输送、检测和识别，对仓储信息进行分析和管理。
6.进一步的，所述加工设备的物理实体包括加工机床车床、铣床、磨床、加工中心；所述运输设备的物理实体包括agv、移载设备、机械手设备；所述立体仓库物理实体包括带有仓储功能、材料管理功能、自动控制功能的仓库设备；
所述虚拟智能体，其功能是对各物理实体进行智能化封装，将物理实体映射为对应的智能体，使对应物理实体具备协作、学习、自组织、自决策的能力，与各物理实体共同组成对应的加工模块、运输模块和仓储模块。
7.进一步的，各物理实体上设有统一的适配层接口和数据格式，便于设备的信息交互和数据传输；各物理实体利用设备自身的数据采集接口或外设传感器对加工过程中的工况指标进行采集；各物理实体对采集到的数据进行分类、清洗和预处理，得到能够用于分析的数据；各物理实体基于所述用于分析的数据进行设备故障预测、系统运行时间统计、质量信息统计和订单信息统计，实现对生产周期全流程进行监控，提高应对突发状况的能力和生产效率。
8.作为本技术的一种优选实施方案，所述工况指标包含该物理实体的电流、电压、温升、功耗信息。
9.进一步的，所述虚拟智能体包含状态感知模块、协作模块、决策模块和学习功能模块，通过设备自身提供的数据采集接口和/或增加额外的传感器对加工过程中的工况指标进行采集，并对数据进行自学习；状态感知模块对加工设备物理实体的状态进行监控和管理，协作模块在各虚拟智能体之间通过合同网协商的方式解决某项加工任务；决策模块由各虚拟智能体通过信息交互和事件感知来选择对应的处理策略进而控制整个装备的行为；学习模块在各虚拟智能体之间学习以往经验，通过不断的更新得以适应外部环境的变化。
10.更进一步的，所述生产系统好包括训练模块，所述训练模块通过虚拟智能体中的状态感知模块传递的物理实体和立体车间环境状态数据为基础，对各虚拟智能体进行训练，从而获得全局最优的调度、动作和订单安排策略，对车间出现的扰动进行工序和订单方面的调整。
11.本发明提出一种模块化产线智能自治生产单元系统，其优势在于：1. 可以将各组织成员划分为装备实体和虚拟装备智能体两个部分，分别起到执行和决策的作用，使生产单元各组织具备学习和思考的能力，将具体设备模块化以方便动态调整产线的规模。
12.2. 可以通过智能体感知产线状态，多智能体间互相合作，通过协商的方式对某问题达成一致意见，解决冲突矛盾，完成单个智能体无法解决的任务，协调智能体之间的目标和资源，使设备具备智能化的特点，实现生产单元自组织、自决策。
13.3. 可以通过训练模块对各组织的装备智能体进行集中训练，通过对生产环境进行建模模拟真实环境，使智能体获得最佳的策略和动作，优化调度系统，增加系统的抗干扰能力。
附图说明
14.为了更清楚地说明本发明中的技术方案，下面将对本发明中所需要使用的附图进
行简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其它附图。
15.图1是本发明模块化产线智能自治生产单元系统结构图；图2是本发明中策略训练模块的结构图。
具体实施方式
16.为了使本发明的目的、技术方案和优点更加清楚，下面将结合说明书附图对本发明的实施方式做进一步地详细叙述。
17.实施例1本实施例为模块化产线智能自治生产系统，所述生产系统包含加工模块、运输模块和仓储模块，各模块分别由对应的加工设备、运输设备、立体仓库物理实体及对应的虚拟智能体组成；物理实体具备设备通信、数据采集、设备监控和数据处理功能，虚拟智能体具备状态感知、协作、决策和学习功能；所述加工模块对工件按照相应的工艺进行加工，采集加工中各传感器数据并对设备故障、刀具磨损进行分析预测；所述运输模块在加工设备之间或加工设备和仓库间运输工件，采用自动化运输设备实现物料搬运功能，自主完成路径规划、冲突解决；所述仓储模块根据承载工件的类型进行分类存储，响应物流调度系统的运输指令，完成物料的输送、检测和识别，对仓储信息进行分析和管理。
18.进一步的，所述加工设备的物理实体包括加工机床车床、铣床、磨床、加工中心；所述运输设备的物理实体包括agv、移载设备、机械手设备；所述立体仓库物理实体包括带有仓储功能、材料管理功能、自动控制功能的仓库设备；所述虚拟智能体，其功能是对各物理实体进行智能化封装，将物理实体映射为对应的智能体，使对应物理实体具备协作、学习、自组织、自决策的能力，与各物理实体共同组成对应的加工模块、运输模块和仓储模块。
19.进一步的，各物理实体上设有统一的适配层接口和数据格式，便于设备的信息交互和数据传输；各物理实体利用设备自身的数据采集接口或外设传感器对加工过程中的工况指标进行采集；各物理实体对采集到的数据进行分类、清洗和预处理，得到能够用于分析的数据；各物理实体基于所述用于分析的数据进行设备故障预测、系统运行时间统计、质量信息统计和订单信息统计，实现对生产周期全流程进行监控，提高应对突发状况的能力和生产效率。
20.作为本技术的一种优选实施方案，所述工况指标包含该物理实体的电流、电压、温升、功耗信息。
21.进一步的，所述虚拟智能体包含状态感知模块、协作模块、决策模块和学习功能模块，通过设备自身提供的数据采集接口和/或增加额外的传感器对加工过程中的工况指标进行采集，并对数据进行自学习；
状态感知模块对加工设备物理实体的状态进行监控和管理，协作模块在各虚拟智能体之间通过合同网协商的方式解决某项加工任务；决策模块由各虚拟智能体通过信息交互和事件感知来选择对应的处理策略进而控制整个装备的行为；学习模块在各虚拟智能体之间学习以往经验，通过不断的更新得以适应外部环境的变化。
22.更进一步的，所述生产系统好包括训练模块，所述训练模块通过虚拟智能体中的状态感知模块传递的物理实体和立体车间环境状态数据为基础，对各虚拟智能体进行训练，从而获得全局最优的调度、动作和订单安排策略，对车间出现的扰动进行工序和订单方面的调整。
23.图1为生产单元主要包括加工模块、运输模块和仓储模块的整体系统图，如图1所示，每个模块都由对应的物理实体和虚拟智能体组成，加工物理实体包括各种加工机床车床、铣床、磨床、加工中心等设备。运输物理实体包括agv、移载设备、机械手等各种搬运设备。仓库物理实体包括带有仓储功能、材料管理功能、自动控制功能的仓库设备。虚拟智能体，其功能是对所述各种物理实体进行智能化封装，是物理实体的一种映射方式，使对应物理实体具备协作、学习、自组织、自决策的能力，与各物理实体共同组成对应的模块。虚拟智能体使用java平台的jade框架进行编写，同时部署到对应设备的工业控制计算机中。每个设备对应并维护唯一的一个智能体模块，不同的设备根据种类和加工类型的不同进行区分。所有设备共享并维护同一个注册表服务，注册表服务为产线提供所有设备的基本信息和ip地址，方便设备之间在决策时搜索可用的设备，每当一个设备接入到制造系统中时，虚拟智能体会向注册表中写入此设备的基本信息和本机ip地址，以便其他设备搜索。
24.如图1所示，设备功能模块包括设备通信、数据采集、设备监控和数据处理功能。设备通信功能解决不同协议和系统的设备之间数据通信问题，采用tcp/ip协议，对于固定设备配备工控机与之相连，然后再与上层网络连接，移动设备通过无线的形式与车间网络相连，提供统一的适配层接口和数据格式，方便设备的信息交互和数据传输。数据采集功能利用设备自身提供的数据采集接口或增加额外的传感器对加工过程中的电流、电压、温升、功耗等指标进行采集，每台设备通过架设在工控机中的数据库存储数据，数据库之间互不干扰。数据处理功能利用数据处理技术对采集到的数据进行分类、清洗和处理，处理掉各种因素干扰造成的异常情况，便于进一步分析数据信息。设备监控功能是利用数据处理功能分析到的数据进行设备故障预测、系统运行时间统计、质量信息统计和订单信息统计，以实现对生产周期全流程进行监控，提高应对突发状况的能力和生产效率。
25.如图1所示，智能体功能模块包括状态感知、协作、决策和学习功能，通过设备功能模块提供的数据进行自学习、自组织。状态感知功能通过相关数据接口对制造装备的状态进行监控和管理。协作功能是各智能体通过合作的方式解决某项加工任务。决策功能是由各智能体通过信息交互和事件感知来选择对应的处理策略进而控制整个装备的行为。学习功能是生产单元智能性的体现，各智能体之间学习以往经验来预测未来，通过不断的更新得以适应外部环境的变化。智能体功能模块会根据工控机中适配层中的监测统一接口，获取当前的状态信息，同时制造装备中的部分信息由传感器获得。设备在进行协作时，将获取按照定义的格式信息打包并发送给对方设备，对方设备会将传递的信息进行处理。协作的
信息会根据具体的交互内容存储在不同的数据库中；设备正常运行状态时信息，存储在设备状态库中，主要存放加工状态、加工参数等信息；在设备发生故障的时候，故障信息也会传递，并存储在故障信息库中。决策功能模型采用改进合同网方案，在传统的合同网方案上加入通信预处理算法，根据招投标信息的重要程度和设备状态将设备的投标信息排序，优先考虑排序靠前设备的投标信息，从而减少网络通讯压力，决策功能信息来源主要有两个：一个是适配层监测信息，该信息是设备的状态；另一个是设备之间交互的信息。这些信息传递到分析决策模块，首先对信息进行分类，主要分为设备自身动作信息与环境相关的加工任务信息；其次，分析决策层分析过程也按照着分类的信息来进行展开；最后，将分析结果依据交互模型以及定义格式进行打包，反馈至虚拟智能体，实现自身动作的控制以及加工任务信息的控制。学习功能采用基于策略梯度的强化学习算法，当车间出现扰动时，通过算法分析当前各设备状态并采取相应应对策略，将策略记录到经验库中，当下一次出现同样类型的扰动时，通过算法优先采取使用过的经验策略，如果不能解决当前扰动，则通过强化学习算法重新学习新的处理方式并加入到经验库中。
26.如图1所示，训练模块是通过智能体功能模块传递的设备和车间环境状态数据为基础，对各智能体进行训练，从而获得全局最优的调度、动作和订单安排策略，对车间出现的扰动进行工序和订单方面的调整，提升设备利用率和抵抗风险的能力。训练模块采用python编程语言，应用tensorflow流行框架搭建maddpg多智能体强化学习算法，并将训练模块打包发布到云端服务器中，同时预留数据接入和获取接口，当订单下发到产线中时，先将订单基本信息预处理，然后通过http请求发送到对应训练模块云端服务器中，训练出最优订单组合、设备选择和运输路线后将数据发送回每台设备的虚拟智能体模块中，从而控制物理设备完成订单加工任务。
27.如图2所示，策略训练整体分为三个部分，集中训练、智能体和生产单元环境。利用多智能体强化学习算法maddpg，智能体通过执行相应的动作使得生产单元环境给予一定的反馈，智能体得到反馈后综合评估自身的状态发送到集中训练中心，训练中心一方面可以模拟加工环境的状况对资源调度题提供一定的指导，另一方面可以根据现场状况实时改变训练的方式，针对加工中出现的不确定性给出应对策略，并将具体策略传递给智能体，智能体再去根据策略执行相应的动作完成加工任务。
28.本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
29.上述仅为本技术的较佳实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。