本发明属于工业互联网，涉及一种适应边缘侧不确定性的边云协同智能调度算法，包含该模型的约束条件、目标函数和算法流程，用于解决异构制造资源高效调度问题。
背景技术：
1、依托工业物联网带来的海量数据，边缘计算、云计算等新一代信息技术得以快速发展和广泛应用。在制造业数字化转型的背景下，构建人、机、物、料、法、环全要素制造资源高效协同的新型人工智能框架成为可能。
2、工业生产中的异构制造资源调度问题指的是将生产需求通过合适的调度方案分配给各工厂、车间、流水线执行，实现制造资源的充分利用和生产任务的高效执行。制造资源调度面临制造任务动态变化、制造过程扰动因素多、制造资源不确定性、生产各要素往往分布于本地和远程等不同的地理位置等诸多挑战。因此，如何根据生产任务分配人员、物料、产线等制造资源，避免生产断点，成为构建边云协同智能调度算法的难点所在。
3、为解决上述问题，边缘侧构建制造资源不确定性模型，并根据任务需求、资源变化等进行动态调度。
技术实现思路
1、本发明解决的技术问题是：生产任务动态变化、制造过程扰动因素多、制造资源、过程面临不确定性等因素下，制造资源、任务难以高效调度的问题。为此，提出了一种适应边缘侧不确定性的边云协同智能调度算法，采用以下技术方案予以实现：
2、(1)不确定性建模
3、1.时间不确定性分析
4、对于工业终端的制造任务，其等待时间通常来自于物料上料时间、前序任务执行等待时间以及设备执行等待时间。此时工序等待时间见下式：
5、
6、工序执行时间见下式：
7、
8、其中，为i号任务的第w号工序的车间等待时间，为各项前置工序的执行时间，为完工前置工序的工件转运时间，为后续工序预计执行工件的物料上料时间，为各工序加工时间。无故障情况下，等各环节所需时间，具有均一性，因此可由区间数来表示其不确定性。在一个短周期内，通过数据采集节点得到一系列同类数据，通过箱式图模块确定上述等待数据的上边缘、下边缘、中位数和两个四分位数。通常，超过上下限的值为异常值。取其上、下四分位数作为区间数的端点。
9、各工序的等待时间等可通过区间数描述其不确定性。
10、等待时间可由箱型图得出该组工序等待时间的上四分位数和下四分位数，记为[a，b]。假定时间窗口中加工时间数组长度n，给定当组工序积极系数μ，μ∈(0，1)，当当前等待时间tdelay、置信度如下所示。
11、tdelay＝a+μ(b-a)
12、
13、各工序的加工时间可通过概率密度函数描述其不确定性。
14、加工时间通常服从正态分布。通过滑动时间窗口得到一组工序加工时间的平均数mean及方差δ，根据3δ原则，该组工序加工时间记为[mean-3δ，mean+3δ]。当前加工时间如下所示，给定当组工序积极系数μ，μ∈(0，1)，置信度fijkconfidence如下所示。
15、t＝mean-3δ+6μδ
16、
17、首先通过adftest()函数和kpsstest()函数校验该组物料的等待时间不具有趋势性、周期性，可以通过区间数建模。由此得到前置物料转运时间、前置工序执行时间和物料上料时间的估计值、分布区间。同样的，确定其构件转运时间、工序执行时间，作为装配时间矩阵进行后续调度方案设计。
18、2.产线可用性不确定性分析
19、首先进行数据清洗。而后通过内部迭代循环检测输入数据集的异常值，排除点异常和相关性异常。针对每条产线，选取单位时间内的上料数和单位时间内工序执行总数作为k-means聚类特征，用以判断产线状态，产线状态可分为“忙碌”、“空闲”、“检修”、“换产”。由此确定当前可用产线。
20、3.工位可用性不确定性分析
21、对各工位采用pca-bp模型，以监督学习方式完成故障诊断。当工位发生故障时，通过bp神经网络完成维修时间预测。
22、(2)复杂制造场景建模
23、边缘侧工厂生产装配时，机器故障、人员离岗、物料滞留等情况会导致生产停滞、滞后，甚至造成生产断点。在这种情况下，以云为主的调度方法难以实时监控生产异常，快速完成生产计划的调整。为此，研究面向边缘侧不确定性的动态调度算法，应针对以下七条特征。此类特征对于点位众多、工序复杂、存在空间约束、制造过程存在强不确定性的制造场景具有一定的普适性。
24、a)一个型号装配任务可分解为多个部件，由多条装配线并行加工；而各个部件装配过程存在前驱后继的约束，即，各构件需以固定顺序装配。
25、b)每道装配工序存在空间约束；可能出现当前装配线装配空间不能容纳该工序加工的情况。
26、c)每道装配工序存在人员约束；可能出现当前工位在岗人员不能完成该工序装配的情况。
27、d)每个工厂均存在多条高柔性装配线，但每条装配线上同一时间只能进行某一类型装配工作；
28、e)装配线可用状态不定；存在换产、忙碌、故障、空闲多种状态；
29、f)工位可用状态不定；可能出现随机扰动，使当前装配工作不能继续执行；
30、g)可切换装配线；换产需要换产能耗；换产能耗和空间偏离量成正比。
31、(3)调度算法约束条件和目标函数建模
32、约束条件：
33、表1调度问题主要符号变量定义
34、
35、各型号、零件、工序完工时刻与开工时刻的差值要超过该工序所需加工时间。
36、
37、任意一个零件仅能在一台机器上完成加工。
38、
39、某零件某工序的在开工之前，其前置加工操作必须全部完成。
40、
41、目标函数：
42、a)在装配过程中，每道装配工序可能在不同工位上完成装配，在不同工位上占用的时间不同，消耗的物料不同，耗费的电力不同。因此每道工序在不同工位上的装配消耗不同。eijk代表每道工序在k工位上的消耗，它是占用的人力、物力的总和，由装配工序类别和所用工位有关。本节针对不同工序类别给定消耗量。
43、
44、b)装配工序在不同工位上完成装配时，所占用的人员和空间也不同。以占用最少人员/空间为组合优化目标，定义工位占用量。工位占用量包括人员占用量和空间占用量。
45、
46、c)在满足工序约束和工位可用的前提下，最小化总完工时间的数学描述如下：
47、
48、(4)边缘侧分布式调度
49、针对本节给定的目标函数和不确定性模型，设计了相应的nsga-iii算法。具体步骤如下所示：
50、步骤1：设置进化代数计数器t＝1；随机产生初始种群；初始种群数p＝105。
51、边缘侧分布式调度针对某产线，某构件在某工位上完成加工。因此，可进行的选择为构件选择和工位选择。为此，设计了双层编码体系，其中，第一段基因为构件编码，第二段基因为工位编码。若共有n个构件，每个构件的装配工序有nm道。第1-nm位基因表示第一个构件调度顺序，每个构件编号出现的顺序数为该构件的第m道装配工序；而第nm-2nm位基因表示该构件选择的工位编号。
52、步骤2：按照约束条件对染色体进行解码。
53、步骤3：计算每个个体对应的分目标函数值fij(i＝1，2，……p，j＝1，2，3)
54、改进目标函数值，在计算最小完工时间时，将加工时间、工位可用概率、维修时间等不确定性因素的置信度的倒数与该目标函数相乘，使得可靠性高的解集被优先选择。
55、步骤4：判断是否完成等级分类与拥挤距离的计算，完成则转步骤7，否则转步骤5。
56、步骤5：快速非支配排序。根据目标函数值进行非劣分层，将当前种群中的所有非劣解个体划分为同一等级，令其等级为1；然后将这些个体从种群中移出，在剩余个体中找出新的非劣解，令其等级为2；重复上述过程，直至种群中所有个体都被设定相应的等级。
57、步骤6：计算同一非劣等级内个体的拥挤密度。
58、步骤7：锦标赛选择。随机选择两个个体，首先比较非劣前沿等级，如果非劣等级不同，则取等级级数较小的个体，如果是在同一等级的个体，则再比较其拥挤密度，取密度较小的个体，形成种群pop1(t)。
59、步骤8；执行交叉、变异操作。
60、(1)采用自适应单点交叉算法对种群pop1(t)进行交叉操作，得到种群pop2(t)
61、(2)采用自适应单点交叉算法对种群pop2(t)进行变异操作，得到qt。
62、步骤9：合并pt和qt获得新种群rt。
63、步骤10：计算新种群中，各个个体对应的分目标函数值。
64、步骤11：采用步骤5相同的方法，对新种群进行快速非支配排序。
65、步骤12：选择前n个个体产生新一代种群npt。
66、(5)边缘侧寻优调度
67、当边缘侧发生故障时，最小化消耗量和最小化完工时间目标函数不变，将最小化占用量目标函数换成最小化人员、空间偏移量。求解重调度方案。
68、表2重调度问题符号变量定义
69、
70、minf3＝minfspare+minfstaff
71、
72、
73、同时，设定偏移量惩罚系数和拖期时间惩罚系数，将重调度方案产生的偏移量惩罚与右移重调度拖期时间惩罚对比，选择右移重调度方案或完全重调度方案。
74、本发明与现有技术相比的优点在于：
75、(1)本发明提出了一种适应边缘侧不确定性的边云协同智能调度算法，该算法面向复杂制造中的混合流水车间的多目标调度问题，在考虑产线、工位可用状态、维修时间不确定性的基础上，构建了以最小工位占用率、最小消耗及最小完工时间为目标函数的边云协同智能调度算法。针对边缘侧可能存在的工位故障等不确定性情况，利用时间窗口驱动器进行实时响应，更符合实际生产情况。
76、(2)选取调度目标为装配消耗、工位占用率和最小完工时间，针对多目标优化问题，使用改进非支配排序遗传算法，基于改进的拥挤密度排序法改善同一非劣等级个体的排序。当边缘侧发生故障时，最小化消耗量和最小化完工时间目标函数不变，将最小化占用量目标函数换成最小化人员、空间偏移量，进行求解重调度方案。同时，设定偏移量惩罚系数和拖期时间惩罚系数，将重调度方案产生的偏移量惩罚与右移重调度拖期时间惩罚对比，选择右移重调度方案或完全重调度方案。可以实现边云协同场景下，适应边缘侧不确定性进行任务的有效调度。