基于数据驱动建模与仿真优化的流水线规划方法及设备与流程

本发明属于生产线规划与设计领域，更具体地，涉及一种基于数据驱动建模与仿真优化的流水线规划方法及设备。

背景技术：

随着近些年国内经济迅速发展，产品多品种小批量需求的增加，市场向企业提出愈发智能化、数字化的要求。伴随着的行业竞争的加剧，为快速抢占这个不断增长的市场，企业想通过对当前生产模式的升级，在工厂采用先进的智能硬件和软件系统，推行智能制造新模式，从而提高产能和产品质量，提升企业自身竞争，扩大市场并降低生产成本。智能制造对车间制造柔性有较高需求，亟需一个能够快速、实时的仿真系统，对生产系统进行评估和优化。

但传统仿真技术消耗大量人力和时间成本，且无法对生产车间的改动做出快速响应。传统流水线车间必须向智能车间转型，但是智能车间建造成本较高，因此需要在设计阶段对智能车间系统进行详细的分析，而离散事件建模仿真技术作为生产系统分析的有效工具，愈发重要。在柔性较高的自动化流水线车间中，由于仿真技术可以处理利用数学模型无法处理的复杂系统，能够准确地描述现实情况，确定影响系统的关键因素，近几年来有越来越多人开始研究仿真建模技术在智能车间中的应用。

要实现流水线车间真正的智能化，迫切需要能够快速对车间进行准确评估的方法。

技术实现要素：

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于数据驱动建模与仿真优化的流水线规划方法及设备，其目的在于，采用面向对象的方式，通过车间制造系统的数据导入进行分层建模并驱动仿真模型运行，并基于运行结果进行仿真模型优化，由此实现对智能流水线的自动规划和设计以及对车间进行快速准确地评估。

为了实现上述目的，本发明提供了一种基于数据驱动建模与仿真优化的流水线规划方法，包括如下步骤：

(1)针对流水线车间的普遍特征，使用面向对象的建模方法，将车间的实体进行抽象生成类，建立各个类之间的关系，从而获得自动流水线车间的概念模型；并根据已知生产制造数据搭建自动流水线车间的数据模型，包括：车间物理布局数据、生产工艺数据和生产计划数据；

(2)根据自动流水线车间的流程，使用分层建模的方式，先基于自动流水线车间的概念模型和数据模型中的车间物理布局数据、生产工艺数据，建立自动流水线车间的静态仿真模型；再导入数据模型中的生产计划数据来驱动静态仿真模型运行，实现动态仿真；

(3)根据预设指标对动态仿真的输出结果进行判定，若不满足预设指标，则对当前的流水线车间静态仿真模型进行瓶颈识别，基于识别出的瓶颈环节，重新分配流水线资源并再次对仿真输出结果进行判定，直至满足预设指标，获得最优仿真模型，即获得流水线车间的最优规划设计方案。

进一步地，步骤(1)包括如下子步骤：

(1.1)整理自动流水线车间的层次结构，对车间基本构成元素和流程进行整理，将流水线车间模型分为两个部分：生产线和物流系统，生产线负责完成物料的加工过程，物流系统负责物料在整个车间中的整个转运过程；

(1.2)使用统一建模语言建立车间概念模型，用于描述自动流水线车间中的抽象类以及类与类之间的关系；

(1.3)从数据建模的角度，将流水线车间的数据分为车间物理布局数据、产品订单数据和仿真结果数据，根据上述数据、分类以及概念模型描述的类与类之间的对应关系，建立自动流水线车间的数据模型。

进一步地，步骤(2)包括如下子步骤：

(2.1)根据实际的流水线车间设计需求，定制最底层的智能实体，包括智能实体的类型、类名、外观及属性；

(2.2)根据车间物理布局数据、生产工艺数据，生成流水线车间的布局模型、仿真元素和仿真所必须的数据表格，并且设置智能实体的详细参数及各数据表格的关联关系，获得静态仿真模型；

(2.3)根据实际工序和/或工艺定义仿真运行逻辑并导入到仿真模型中，使仿真模型按照预定规则有条理的运行，得到动态仿真模型；

(2.4)将静态仿真模型中的数据表格与数据模型中的数据表关联，通过导入数据模型中的数据驱动动态仿真模型运行；

(2.5)设置仿真运行时必要的参数，运行动态仿真模型，输出仿真结果。

进一步地，步骤(3)中基于机台负荷识别瓶颈工序，以工序负荷和机械手负荷为指标进行优化调节；其中，机台和机械手的负荷率计算公式如下：

通过计算每个机台的工作负荷，将工序内所有机台的平均负荷作为该工序的负荷，通过工序的负荷来判断瓶颈工序位置：

其中，trun:仿真运行时间；

tp:工序内的加工时间；

tr:工序内的机械手置换物料所占用的时间；

tc:工序内物料清洗时间；

tm:产线线尾工序机械手转移料盘所占用时间，一个料盘放置两个物料；

tx:在仿真期间机械手移动总时间；

在仿真期间ri置换的物料次数；

mi:流水线中的机台；

rj:流水线中的机械手；

pk:流水线加工的工序；

工序pk中包含的机台数量；

机台mi在仿真期间的总产出；

tpi:生产线在第i次迭代时的产出；

机台mi的工作负荷率；

机械手ri的工作负荷率；

工序pk的资源负荷率；

根据公式(1)～(3)计算出工序的工作负荷率及机械手的工作负荷率，工作负荷率最大的工序为瓶颈工序，同时确定工作负荷率最大的机械手；以机械手和工序的工作负荷率为指标，对流水线资源进行优化分配，以使自动流水线车间的产能最大；重新分配的流水线资源包括机台、工序、机械手和/或工作站。

进一步地，识别出瓶颈后，采用禁忌算法进行优化分配，在优化分配过程中，设置如下约束条件：

约束条件：

a.一个加工机台在同一时刻只能加工一个工序，且只能加工一个物料；

b.一个产品的同一道工序只能在一个机台上加工；

c.处在同一工作站内的机台只能加工相同的工序；

d.处在同一工作站内的机台只能由相同的机械手辅助换料；

基于上述约束条件，该禁忌算法优化分配过程如下：

(3.1)参数初始化及初始解设计

在开始优化运算之前，需要设置工序的作业时间、工序数量、生产线的机台数量以及机械手数量；以及设计一个初始的机台分配方案作为程序的初始解x^now；令禁忌表最优解x^best＝x^now＝pi，最优解对应的值value^best＝f(x^best)＝ri；

初始解迭代设计如下：

l:生产线的工作站机台分布情况；

q:工序数量；

s:生产线的工作站数量

n:生产线的机械手数量；

pi:工序序列，“i”表示迭代次数；

ri:机械手序列，“i”表示迭代次数；

p0:工序序列的初始值；

r0:机械手序列的初始值；

(3.2)判断是否满足终止条件；

终止条件：

预先设定好随机变换次数

循环内随机变换次数达到预先设置的上限时，转至步骤(3.7)；否则转至步骤(3.3)；

(3.3)基于引导规则的邻域生成方法

引导性规则以机械手和工序的工作负荷率为判断依据，对机台分配方案记性调整，得到原始解的邻域，包括以下三种引导规则：

a.调整工序分配：

瓶颈工序的工作站数量加1，非瓶颈工序工作站数量减1；非瓶颈工作站数据量大于1才可以进行数量减少的操作；

b.调整机械手分配：

机械手负荷率最低的工作站数量加1，机械手负荷率最高的工作站数量减1；机械手负荷率最高的工作站数量大于1时才可以进行数量减少的操作；

c.同时调整工作站和机械手分配：

同时调整工序和机械手分配计划，得到一系列的组合方案；

根据以上三项引导规则，生成原始解x^now的邻域n(x^now)，在邻域n(x^now)中选择没有在禁忌表h内出现过的解，组成的解集为候选集c_n(x^now)；

(3.4)仿真得到解的评价值

仿真运行候选集c_n(x^now)，得到候选集c_n(x^now)中每个解的评价值；

(3.5)更新最优解和禁忌表

在c_n(x^now)中选一个评价值最好的解作为x^best，令x^now＝x^best，判断若f(x^now)＞value^best，更新历史最优值，并将当前解x^now加入禁忌表h，转步骤(3.3)；若f(x^now)＜value^best，转入步骤(3.6)对x^now进行随机变换；

(3.6)随机变换

首先对x^now进行编码，然后对编码进行随机变换，随机变换后的编码为有效编码且没有在禁忌表h中出现过，则解码得到随机变换的解，转到步骤(3.2)；否则，重新进行随机变换；

(3.7)结果输出

输出历史最优解x^best和对应的目标值f(x^best)，即最终的优化分配方案和该方案的产能。

为了实现上述目的，另一方面，本发明还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如前所述的任意一种方法。

为了实现上述目的，另一方面，本发明还提供了一种基于数据驱动建模与仿真优化的流水线规划设备，包括如上所述的计算机可读存储介质以及处理器，处理器用于调用和处理计算机可读存储介质中存储的计算机程序。

总体而言，本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

1.通过数据驱动的方法，利用收集整理的数据、现场逻辑和数据模型，在系统中自动建立仿真模型，数据驱动建模新方法增强了仿真模型的柔性、通用性和可移植性，提高了规划效率。

2.本发明提供的基于数据驱动建模与仿真优化的流水线规划方法,实现了数据驱动快递建立模型,其模型的灵活性和重用性较好，可以通过修改外部数据库数据驱动模型运行不同的仿真实验。因此该建模技术与优化方法结合，扩大了仿真优化的应用范围。

3.数据驱动的建模技术可以通过与其他系统进行数据集成，通过实时数据驱动仿真模型自动生成和运行。响应实时需求，辅助现场做出更精确的决策，摆脱依赖经验的决策，给出实时仿真优化后方案。

附图说明

图1为本发明的数据驱动建模与仿真优化的流水线规划与设计方法流程；

图2为本发明的车间基本组成机构；

图3为本发明的生产线中物料与顶升机构、顶升机构、机械手和加工机台的交互关系图；

图4为本发明的自动流水车间的物流系统中线头缓冲、agv和仓库的交互关系图；

图5为本发明的流水线车间的统一建模语言模型示意；

图6为本发明的流水线仿真模型输入输出数据分类；

图7为本发明的机台及机械手逻辑建模示意；

图8为本发明的零件、工作和工序的逻辑建模示意；

图9为本发明的工作站、机台、机械手和工序之间的逻辑建模示意；

图10为本发明的线头缓冲逻辑建模示意；

图11为本发明的整体车间静态仿真模型框架示意；

图12为本发明的车间的物理布局模型；

图13为本发明的拉式上料仿真逻辑示意；

图14为本发明的自动建模实现流程；

图15为本发明的静态模型自动生成示意；

图16为本发明的导入仿真处理逻辑示意；

图17为本发明的基于数据驱动建模的生产线优化；

图18为本发明的禁忌算法优化流程图。

本发明涉及的所有公式中的符号含义如下：

l:生产线的工作站机台分布情况；

q:工序数量；

s:生产线的工作站数量

n:生产线的机械手数量；

pi:工序序列，“i”表示迭代次数；

rj:机械手序列，“j”表示迭代次数；

p0:工序序列的初始值；

r0:机械手序列的初始值；

算法中解的随机变换次数；

trun:仿真运行时间；

tp:工序内的加工时间；

tr:工序内的机械手置换物料所占用的时间；

tc:工序内物料清洗时间；

tm:产线线尾工序机械手转移料盘所占用时间，一个料盘放置两个物料；

tx:在仿真期间机械手移动总时间；

在仿真期间ri置换的物料次数；

mi:流水线中的机台；

rj:流水线中的机械手；

pk:流水线加工的工序；

工序pk中包含的机台数量；

机台mi在仿真期间的总产出；

tpi:生产线在第i次迭代时的产出；

机台mi的工作负荷率；

机械手ri的工作负荷率；

工序pk的资源负荷率；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明的优选实施例以智能制造流水线车间为例，具体阐述本发明提供的基于数据驱动建模与仿真优化的流水线规划方法；实施例提供的基于数据驱动建模与仿真优化的流水线规划方法，其流程框图如图1所示，主要包括数据交互平台及优化程序、数据建模、自动建模与仿真、仿真优化，其中数据交互平台包括仿真输入/输出数据、优化算法和优化规则。数据交互平台可从车间信息系统获取基础建模数据，如布局信息、设备清单，仿真运行逻辑数据包括生产计划、生产工艺数据等。数据交互平台也包括为仿真结果持续改善的优化算法库和优化规则，也储存仿真运行结果、执行的结果、计划的调整。数据转换可选用常用的数据库。

本发明具体包括以下步骤：

步骤1：建立自动化流水车间数据模型：针对流水线车间的普遍特征，使用面向对象的建模方法，针对自动化流水线车间的特点，对车间中的资源和流程进行整理，将车间的实体抽象生成类，建立各个类之间的关系，构建自动流水线车间概念模型，然后基于统一建模语言表示方法描述模型，并在数据库中搭建数据模型。从制造系统的各个系统获取数据，构建资源模型和数据模型。资源模型包括车间物理布局数据、生产工艺数据、生产计划数据。

面向对象的基本概念主要有四个：

1)对象：对象是对实际系统中事物的模型，例如机台模型、机械手模型；

2)类：具有相同的属性特征和行为特征的对象的集合；

3)属性：对象的状态特征；

4)操作：对象的行为特征。

在本发明的一个优选实施例中，步骤1中建立自动化流水车间数据模型包括如下子步骤：

(1.1)请参照图2，图2是本实施例所选车间的基本组成机构示意图。

流水线车间模型分为两个部分，生产线和物流系统，其中生产线主要完成物料的加工过程，而物流系统负责物料在整个车间中的整个转运过程。生产线的基本组成单元是机台和机械手，机械手负责辅助机台换料动作，不同数量的机台和机械手组成生产线的最小生产单元。通过传送带将机台连接起来，物料在机台之间进行自动运输。生产线的来料和完成品存储在每条流水线的线头缓冲，构成完整的生产线模块。为满足生产线的物料需求，流水线车间还需要一套完整物流系统，物流系统由原料配料区、成品检测包装区、agv及agv路径构成。

(1.1.1)生产线：

1)加工机台：车间的主体就是加工机台，加工机台是对物料进行加工的地方，车间的所有加工机台都是通用机台，机台之间通过输送带连接，通过输入加工代码，可以加工不同工序。其中每个机台中只有一个夹具，一次只能放入一个物料进行加工。每一个加工机台都有对应的顶升机构和机械手，顶升机构作为加工机台的物流缓冲区，机械手辅助其上料和下料过程。

2)机械手：机械手辅助加工机台和生产线进行上料和下料动作，同时还负责对加工机台夹具清理等；此外，为了提高良率，机械手负责将加工完的物料运送到清洗机，待清洗完之后在运送至原料盘。在rgv模式的产线中，机械手和rgv绑定在一起，还可以在生产线中来回移动服务更多的加工机台。在生产线的线头，还有机械手负责将原料从上料滚筒线送到产线，或者将成品从产线送到下料滚筒线。

3)顶升机构：顶升机构是固定在输送带上，在特定的时间点触发，将传送带上的物料顶起，作为机台加工的备料位置。顶升机构作为机台和传送带之间的连接结构，主要是为加工机台提供一个暂存料盘的缓冲区，同时也是机械手夹取物料的定位装置。

生产线中物料与顶升机构、顶升机构、机械手和加工机台的交互关系如图3所示。

(1.1.2)物流系统

1)仓库：仓库在整个车间中的作用是存放物料。在自动化流水线车间中，仓库主要有两个功能。首先，仓库要提前为运输小车准备好原料，等待接收到送货指令时，将备好的原料自动装载的小车上；其次，仓库还是整个车间中存放成品的地方，流水线将加工完的成品，由运输小车运输到仓库，然后自动与仓库对接，将小车上的成品卸载到指定位置，成品进行检测和包装后进入仓库。一般企业都会引入立体仓库来管理生产车间中的物料。

2)线头缓冲：所有自动化流水线都是由线头集中供料，因此会设置一个线头缓冲。线头缓冲主要负责生产流水线加工机台与车间物流系统的对接，同时对缓冲区的物料水平进行监控，向仓库和agv小车发出指令，为线头缓冲补充原料与运走成品。一般线头通过机械手将原料一个一个的向流水线上投放。

3)agv系统(automatedguidedvehicle，简称agv)：车间的仓库和线头缓冲由agv系统进行连接，agv系统由agv小车和小车的路径组成。小车接受线头缓冲和仓库的指令，根据指定的agv路径运送原料和成品，agv小车可以有灵活的调度策略，是构成车间物料系统的关键环节。自动流水车间的物流系统中线头缓冲、agv和仓库的交互关系如图3、图4所示。

对自动流水线车间的组成进行分析，对车间基本构成元素和流程进行整理之后，还需从数据建模的角度，对流水线车间进行建模。首先使用统一建模语言建立车间概念模型，然后对数据进行分类整理，通过数据库管理系统的关系数据表构建车间的数据模型。

(1.2)使用统一建模语言建立车间概念模型，描述自动流水线车间中的抽象类以及类与类之间的关系；

本实施例采用uml概念模型设计数据库中构建的数据模型，生成的数据库模型保持与真实系统的一致性和独立性，有效地减少后期数据维护工作。因此从另一个方面来说uml是构建数据库的有效工具。目前，大多是关系数据库，可以在数据库中，将uml的类—属性模式转换为表，使用数据表之间的关系的来表现uml概念模型中的类之间的关系。只有构建良好的数据结构才能够方便的生成仿真模型。

图5是本实施例通过uml概念模型设计数据库建立的流水线车间的统一建模语言模型示意，其核心在于，利用统一的建模语言描述自动流水线车间中的抽象类以及类与类之间的关系。在本实施例中，line表示车间中的生产线，一条流水线由多个工序(process)和一条线头缓冲(linebuffer)组成，而一个工序由多个工作站(station)组成，每个工作站由1至2个加工机台组成，机械手(robot)可以同时服务1个或者多个工作站。模型中定义了工作(job)，工作中的数据与加工零件种类和所属工序有关。

order是车间中的订单实体，驱动模型中零件实体的生成，同时定义生成零件的数量和零件的生产优先级；

job实体是对车间中机台任务进行的抽象，job包含了机台加工的工艺参数，如“加工时间”、“机械手辅助时间”、“物料清洗时间”、“成品转移到回流线时间”等，由于工件的工艺参数与生产线和零件种类相关，因此每个零件在每条产线上的不同工序都需要定义一个job实体；

machine类表示模型中的加工机台实体，是组成流水线的基本组成元素，反映流水线的基本构成。在流水线车间中所有的零件加工都是在加工机台上完成的，在柔性自动化的流水线车间中，每一个加工机台都是一个工作中心，可以根据输入的参数不同而加工不同的工序和零件；

robot类表示模型中的机械手实体，在自动化流水线中，机械手代替工人辅助加工机台换料，一个机械可以同时多个工作站的换料辅助；

transporter是模型中对仓库和线头缓冲区进行物料转运的运输工具，线头缓冲区缺料或成品堆满时，会发出一个agv的任务需求，要求agv进行物料转运；

linebuffer类表示模型中的线头缓冲，作为生产线的一个原料缓存和成品对方区域，同时和车间的原料及成品仓库交互，补充生产线的原料缓存和运送生产线生产所堆积的成品；

上述英文实体名称可以由用户自行设计，便于数据库识别及自己记忆、区分即可。

(1.3)自动流水线仿真模型输入输出数据分类。

从数据建模的角度，对流水线车间进行建模，对数据进行分类整理，通过数据库管理系统的关系数据表构建车间的数据模型。基于流水线车间的组成和建模目的，使用所收集到的数据和概念模型描述的对应关系，在数据库中建立数据模型。将车间模型的数据分为3类，车间物理布局数据，产品订单数据和仿真结果数据，如图6所示。

1)车间物理布局数据为车间的物理组成，包括生产线中机台、机械手、线头缓冲、agv、仓库等信息，用于建模时模型中物理实体的初始化，具体如下：

车间布局信息：包括车间的物理布局，机械手和机台与生产线的对应关系；

资源参数信息：智能实体的配置参数信息，如缓冲大小，加工容量，移动速度等。

2)产品生产数据为车间中生产的产品信息，体现为模型中的临时实体，包括产品的工艺数据、订单信息、机台分配计划等。

3)仿真结果数据是根据建模的目的，确定能够评价仿真模型优劣的指标，这里主要包括产能、设备利用率等。产能可以体现为相同产品在不同机台分配计划下的产能，从而对比得到优化的机台配比；设备利用率可以从另一方面反映出机台的使用情况，同时判断生产线的瓶颈工序和剩余产能。

(2)建立自动化流水线数据驱动仿真建模：根据自动流水线车间的流程，使用分层建模的方式，从数据交互平台中将资源模型转化为仿真输入数据，建立自动流水线车间中的仿真模型；在仿真软件平台开发基于数据驱动的仿真模型生成模块，并通过导入数据模型中的数据来驱动仿真模型搭建和运行。即，的方式，进行仿真实验，具体如下：

(2.1)在数据模型的基础上，根据自动流水线车间的流程，使用分层建模的方式，根据车间的仿真建模逻辑和仿真运行逻辑进行分析，先按照数据模型中的静态布局数据建立静态仿真模型，再导入产品订单数据进行动态仿真，建立自动流水线车间中的仿真模型；如图1所示，自动建模与仿真中包含三个模块：模型生成模块、数据导入模块、仿真运行控制模块；

模型生成模块：要建立自动流水线车间的仿真模型，必须以车间的智能实体(例如机台、机械手等)为基本元素，通过完整、准确的车间元素的逻辑流程分析，建立出完整并且正确的车间模型。模型生成模块通过读取数据模型中的物理布局数据，自动生成仿真模型的智能实体、元素、数据表格以及仿真逻辑等必要元素，完成车间的静态仿真模型。

如图7所示为机台及机械手逻辑建模示意，加工机台是构成流水线的基本元素，零件的所有加工都是在加工机台上进行的。除加工外在机台上还需要完成其他工作流程，如对物料进行清洗，检测等，并且机械手置换物料也会造成机台等待。因此在机台上增加相关的时间属性和逻辑。机械手是辅助加工机台进行上下料的机构，由于一些生产线为了提高机械手的稼动率，同时降低生产线的建设成本，将机械手放在轨道上来回移动，从而达到使用一个机械手可同时对多个加工机台进行辅助换料的目的。

机械手的调度是通过机台发出需求来实现的，本实施例中采用先到先服务的规则，当加工机台需要辅助上下料时，向对应的机械手发出指令，若机械手空闲，则直接对机台进行服务，若机械手繁忙，则将加工机台的请求放入请求的队列中，等机械手空闲自动去执行队里中的任务。由于机械手需要在轨道上来回移动，因此在建立机械手模型时，需在静态仿真模型中添加robot模块，同时输入robot初始位置、移动速度等基本信息。

而工序和工作模块建模逻辑则是，在流水线车间模型中，可以加工不同的零件(part)。不同的零件有不同的加工工艺，将加工工艺拆分成若干个工作(job)后，按照一定的加工顺序进行加工，工作的属性包括加工时间、机械手换料时间、清洗时间等。需要将工作分配到流水线上的工序(process)中进行生产，因此工作中由一个processid属性将工作与工序进行关联。零件、工作和工序的关系如图8所示。

工作站模块建模：若干个机台构成一个工作站(station)，即流水生产线的最小生产，在机台中添加stationid属性进行关联。每个工作站都需要由机械手(robot)辅助上下料，在工作站中添加robotid属性进行关联。流水线中的机台都是通用机台，可以进行多种类型的加工，机台通过参数设置后可以加工任何一道工序。需要将工作站与工序关联才能得到所需的工艺数据，因此模型中添加processid属性将工作站与工序进行关联。流水线通过传送带负责运输物料，顶升机构负责存储流水线上的物料，工作站、机台、机械手和工序之间的关系如图9所示。

而线头缓冲及仓库建模逻辑则是，线头缓冲主要是连接物流系统与自动流水线的一个纽带，建模逻辑如图10。agv小车将整车的原料运到线头缓冲，线头机械手根据需求将线头缓冲的物料一盘一盘的搬运到生产线上进行加工。当线头缓冲的库存低于安全库存时，线头会发出一条指令，要求agv小车搬运指定的物料到线头缓冲。当线头缓冲的成品物料堆积到一定数量时，线头也会发出指令，呼叫agv小车进行下料操作。agv小车与线头之间的上下料是通过滚筒线自动进行的。

agv及agv路径的建模逻辑是，agv小车属于生产车间中负责物料转运的关键环节，将原料从原料仓库运到线头缓冲区，然后在将线头完成品运到成品仓库，agv有指定的运行路线，agv是单向运行的，当前方有agv暂停时，后面的agv不能超车只能在后面等待

自动化流水线车间整体模型：在完成了之前所有的模块的建模之后，以一条生产线为例，生产线有5个工作站[s1,s2,s3,s4,s5]，其中包括了9个机台[m1,m2,m3,m5,m6,m7,m8,m9,m10]，2个机械手[r1,r2]；r1服务工作站s1、s2和s3，r2服务工作站s4和s5；生产线加工两个工序分别为p1和p2，工序p1由工作站s1和s2加工，工序p2由s3、s4和s5。流水线头缓冲“lb”给流水线供应加工原料和暂存完成品。流水线车间中还包括运送物料的agv小车和原料及成品仓库。如图11所示，将所有模块逻辑进行组合可以得到整个自动化车间的整体车间静态仿真模型。

要驱动静态仿真模型的运行，还需要导入相关的仿真运行数据，这时调用数据导入模块。数据导入模块：将仿真模型中的数据表格与数据库的数据表进行关联，在仿真运行前调用数据导入模块，将数据库中的数据导入仿真模型，驱动仿真模型运行。需输入模型运行所必要的数据，如生产线机台分配计划，车间的产品订单投放计划，产品的加工时间等工艺数据等。在配置资源的信息参数，如agv配置数量，agv送货容量和速度等数据，将这些数据作为仿真的初始化数据。因为这类数据是仿真模型中的静态数据，同时也是可以为车间系统进行效率优化的常见调整参数，这样可以使模型针对不同产品生产进行动态调整。

仿真模型运行初始化数据：在仿真模型中根据车间物理布局信息，得到流水线车间的物理布局模型如图12所示，包括了仓库，运输工具agv，包含了工作站和机械手的流水线布局及流水线线头缓冲。

在模型读取完订单数据，生产线机台分配计划，工艺数据等基本数据后，仿真模型运行过程中的逻辑还包括生产线初始化上料逻辑，物料选择对应的生产线进行加工；当生产线缓冲区缺料时触发物料补充逻辑；物料在生产线上依据工序加工顺序依次进行加工，此时通过生产线拉式上料逻辑保证生产线内正常加工；agv负责原料从原料仓库到生产线线头和成品从生产线线头到成品仓库的物料转运。

加工机台模块包含了物料的加工、清洗，及机械手辅助换料逻辑，是生产线的主要元素。机台子模块读取数据以确定所加工的工序，robotid确定加工机台和机械手的服务关系。在初始确定了机台与工序，机台与机械手的对应关系后，完成了生产线基本配置，模型产生订单的物料实体到加工机台上进行加工。物料进入机台模块后，调用机械手，模拟现实系统中换料的流程，换料后加工，加工后进行清洗，最后机械手将料盘移动到传送带等流程。当机台上有物料正在加工时，排队等待的原料不获取机械手。

生产线拉式上料逻辑，每个工序都有自己的加工节拍，为了保障工序间不会堆积物料导致生产线堵塞，流水线上采用后工序拉动前工序上料的逻辑。在仿真模型中，当物料在工序上完成加工之后，首先自动判断下一个工序是否有空闲机台，若有空闲机台则直接物料直接流到下工序；若后工序没有空闲当后工序没有空闲机台时，物料在原机台上等待。拉式上料的仿真逻辑如图13流程所示。

仿真运行控制模块：完成了模型建立与数据导入之后，可以设置好仿真相关参数，如仿真运行时间，运行仿真模型，得到的运行结果可以通过数据导出到外部数据库查看。

(2.2)如图14的自动建模实现流程示意图所示，本实施例借助api开发基于数据驱动的仿真模型生成模块，并通过导入数据模型中的数据来驱动仿真模型搭建和运行。数据驱动建模的关键是准确的对数据模型中的数据进行映射。根据数据模型中的数据结构，建立对应的仿真模型。因此，首先需要根据实际系统中的对象，建立仿真概念模型；然后通过读取定义好的物理布局数据自动生成模型，通过数据导入将模型运行数据导入当模型的数据表中。最后，通过仿真运行的仿真结果。具体地，包括如下步骤：

(2.2.1)开发模型自动建模模块，安装在仿真平台上；根据实际系统，通过分层建模思路，定制化模型最底层的智能实体。

通过前面讲述的方法对自动流水车间所包含的元素抽象后，针对车间实体得到了具体的类，在仿真模型中，通过定制化智能实体来实现数据模型中的类，然后通过对智能实体中属性赋值生成车间中具体的模块，达到快速建立大规模模型的目的。模型中主要的智能实体有机台、机械手、工序、线头缓冲、原料及成品仓库、agv小车。如表1所示，展示了定制化智能实体中的主要属性。

表1智能实体属性表

(2.2.2)调用自动建模模块，导入车间物理布局数据、生产工艺数据，自动生成仿真模型中的布局模型、仿真元素和仿真所必须的表格，并且设置实体的详细参数及表格的关联关系。

流水线车间模型的布局信息主要包括加工机台，线头缓冲和仓库的物理位置，机械手与agv的初始位置及容量信息。

如图15所示静态模型自动生成示意，通过仿真软件软件开放的接口及方法，使编程语言编写仿真模型自动生成模块，通过读取物理布局数据在生成智能实体的布局模型。

通过读取数据库中实体所对应数据表的信息生成智能实体，导入方法示意；打开excel表格，将其中的实体，路径，元素和表格数据等导入模型中。

在智能实体的数据导入后，调用仿真软件的api中生成智能实体的函数，在仿真模型中自动生成智能实体，仿真模型中用到的元素和数据表格，并在生成的同时赋予其相对应的属性，实现方法示意。

为了读取数据库中的信息，需在仿真模型中生成表格结构的模板，通过模型表格中主键和外键的关联方式，将job和process关联，使工序读取到对应的工艺数据信息，然后表station与process和robot关联，使工作在分配的对应的工序和换料机械手。通过仿真平台的函数提供的方法实现数据表格式生成与相关属性的赋值。

最后machine和station关联后，使得所有信息数据与最终的工作执行者-加工机台关联，使模型得以正常运行。后续工作即将数据库的数据导入到仿真模型的表格中。

(2.2.3)如图16所示的导入仿真处理逻辑示意图，为了实现仿真模型中复杂逻辑，还需单独定义仿真运行逻辑(process)。通过将提前定义好的仿真逻辑保存到xml文件中，在数据驱动建模时，将定义好的xml文件导入到模型中，模型内会自动生成process处理流程，使仿真模型按照预定规则有条理的运行。

仿真中会监控线头缓冲的缓冲，当线头缓冲的原料缓存或成品缓存达到临界值时，就会触发小车进行物料运送。生产线物料缓存低于安全库存时，通知原料仓库发送一车物料，由小车运送至线头。

模型中需要统计机台的产能和利用率。在建模时，将计算机台产能和利用率的表达式提前写到表格中。仿真流程process在仿真结束后执行一次，将模型中的机械手利用率，机台产出和机台利用率结果记录到表格中。

(2.2.4)在完成了前面3个步骤后，完成了仿真模型的建立，但是要使仿真模型运行，还需导入相关的数据；这一步将仿真模型中的数据表格与数据库中数据表关联，通过导入数据库中的数据驱动仿真模型运行，并且将仿真的运行结果导出到数据库中进行结果分析。

仿真模型的数据表格与数据库数据进行关联，当数据库的数据更新改变时，刷新模型中的数据表格相应更新。实现从模型外部对仿真模型进行更改。

(2.2.5)设置运行时必要的参数，如仿真运行时间，运行仿真模型，运行完成后统计仿真结果，将仿真运行时间内的机械手平均利用率、机台平均利用和机台总产出输出到表格中。

(3)基于数据驱动的仿真优化：仿真实验的结果由指定指标进行评估分析，若需优化，可借助基于数据驱动的仿真持续优化并最终给出需执行的仿真方案。图17是基于数据驱动建模的生产线优化示意图，针对流水线资源分配不合理问题，开发基于瓶颈识别的带有引导规则的算法仿真优化模块，借助优化模块运行仿真模型得到生产线配置优化方案；在数据驱动仿真建模技术基础上，增加了仿真优化算法库，对仿真模型进行仿真优化。基于数据驱动的仿真优化框架主要包括5个层次：

第一层是优化模块，根据仿真模型的运行结果各项指标的评估评判是否优化，若不需优化，可执行生产计划并进行生产现场监控，将仿真结果反馈给数据交互平台；若可优化，则在生产线上以工序负荷和机械手负荷为指标，识别瓶颈，基于瓶颈识别，使用从优化算法和优化规则中的带有引导规则的优化算法进行反复优化，解决生产过程中设备资源能力分配不合理的问题；

第二层是数据交互，实现数据库中的数据与仿真运行数据之间的转换，控制模型运行和最终优化程序和数据库之间的数据读取及写入功能。

第三层是数据库及优化程序层，数据库存储模型的输入输出数据，优化程序通过仿真运行的输出结果反馈并调整仿真模型的配置参数数据，通过反复执行上述过程，对模型的参数进行优化。

第四层是数据驱动生成仿真模型，这个层次通过导入车间静态物理布局数据及关系数据表格模板，然后将模型的数据表与数据库进行关联。

第五层是模型运行，根据数据库中的输入数据驱动模型运行，并将模型运行结果反馈给数据库。

本实施例提供的优化模块主要是针对流水线机台分配计划的仿真优化。流水线瓶颈的无法识别，导致流水线工序、机台和机械手的配置不合理。仿真优化主要是基于仿真建模的方法对各种不同配置方案进行评估分析，识别瓶颈，对基于瓶颈进行引导规则的算法优化进行配置参数的调整。

本发明中提出基于机台负荷的瓶颈识别方法，定义机器负荷最大的工序为瓶颈工序。以工序负荷和机械手负荷为指标的仿真模型中的瓶颈识别方法，判断流水线上的瓶颈位置；

加工机台和机械手的负荷率计算方法如下所示。

通过计算每个机台的工作负荷，将工序内所有机台的平均负荷作为该工序的负荷，通过工序的负荷来判断瓶颈工序位置：

通过数据驱动运行仿真模型，可以得到机台的产出和利用率，机械手的利用率数据。根据公式(1)、公式(2)和公式(3)计算出工序的工作负荷率及机械手的工作负荷率。然后按照工作负荷对工序和机械手进行排序，已知工作负荷最大的工序为瓶颈工序，同时工作负荷最大的机械手也会影响到生产线的产能，因此引导性规则以机械手和工序的工作负荷率为判断依据，对机台分配方案进行调整工序、机械手、工作站和机械手分配。

作为进一步的优化，本实施例还提供了基于瓶颈识别的带有引导规则的禁忌搜索算法仿真优化模块，借助优化模块运行仿真模型得到生产线配置优化方案。通过外部程序控制仿真输入的方法，不断调用仿真模型进行运算，对生产线配置进行优化。在对输入参数进行调整时，设置一种规则引导程序快速找到生产线的优化配置。通过生产线工序的工作负荷与机械手负荷，来调整机台分配方案，最终得到较好的生产线机台分配方案。

根据流水生产线的实际情况，设置如下约束条件：

a.一个加工机台在同一时刻只能加工一个工序，且只能加工一个物料；

b.一个产品的同一道工序只能在一个机台上加工；

c.处在同一工作站内的机台只能加工相同的工序；

d.处在同一工作站内的机台只能由相同的机械手辅助换料。

如图18的禁忌算法优化流程图所示，首先进行参数初始化，确定随机变换次数，再通过简单的规则得到初始解p0和r0；然后计算初始解的目标值及相关参数，这一过程通过仿真模型运行得到；通过运行仿真模型得到方案的目标值(生产线产能和资源负荷率)，制定有导向性的优化规则，生成新解，然后通过比较生产下一代解pi和rj，判断是否优于上一代的最优解，是则进行随机变换生成新解，在判断是否满足迭代终止条件，若满足终止条件，则输出算法优化计算结果，结束程序。具体步骤如下：

(3.1)参数初始化及初始解设计

在程序开始运算之前，需要设置的静态参数包括工序的作业时间，如工序的加工时间，换料时间，清洗时间，移动时间，工序数量，生产线的机台数量，机械手数量等。然后设计一个初始的机台分配方案作为程序的初始解x^now；令禁忌表x^best＝x^now＝pi，value^best＝f(x^best)＝ri。

j企业目前根据工序的加工时间和其他操作时间为权重分配为工序分配工作站数量，初始解的迭代设计如下：

(3.2)判断是否满足终止条件。

终止条件：

预先设定好随机变换次数随机变换次数为一个常数，根据问题规模确定。例如一个有10个工作站、4个机械手的流水线，加3道工序，则其机台分配计划方案数量是5400个，计算得到随机变换次数为7。当循环内随机变换次数达到预先设置的上限时，终止循环，邻域内的最优解目标值f(x^best)，输出历史最优解和目标值。

在程序运行前设置了随机变换次数当达到随机变换次数后，终止迭代，输出优化结果。为了同时考虑到工序分配和机械手分配，给出一个生产线数据和工序数可知其所有可能的机台分配计划方案数量为因此设置随机变换次数的计算方法如下，若满足终止条件这转到“步骤(3.7)”：

(3.3)基于引导规则的邻域生成方法

通过数据驱动运行仿真模型，可以得到机台的产出和利用率，机械手的利用率数据。根据公式(1)、公式(2)和公式(3)计算出工序的工作负荷率及机械手的工作负荷率。然后按照工作负荷对工序和机械手进行排序，已知工作负荷最大的工序为瓶颈工序，同时工作负荷最大的机械手也会影响到生产线的产能，因此引导性规则以机械手和工序的工作负荷率为判断依据，对机台分配方案记性调整，得到原始解的邻域。

a.调整工序分配：将工序的负荷由高到低排序，由于负荷最高的工序为瓶颈工序，负荷最低的工序空闲等待时间最长，要保证提高瓶颈工序的产，同时不会影响整体产能，增加瓶颈工序的工作站数量，减少非瓶颈工序工作站数量。由于工序中工作站数量不可能为0，因此需要判断非瓶颈工作站数据量大于1才可以进行非瓶颈工序工作站减少的操作。

b.调整机械手分配：对机械手调整的思路与对工序调整思路相似。将机械手负荷率由低到高进行排序，将机械手负荷最低的工作站数量加1，机械手负荷最高的且工作站数量大于1的机械手下的工作站数量减1。

c.同时调整工作站和机械手分配：同时考虑调整工序和机械手分配计划，得到一系列的组合方案。

根据以上3个引导规则，生成了原始解x^now的邻域n(x^now)，在邻域n(x^now)选择没有在禁忌表h内出现过的解，组成的解集为候选集c_n(x^now)，通过仿真模型运行的结果，得到候选集中每个解的评价值。

(3.4)仿真得到解的评价值

模型的评价值是仿真得到的生产线产出。设置模型运行时间，在模型运行结束后，最后一个工序的机台产出之和为生产线的实际产出，这个结果可以直接由仿真得到，然后返回为算法的目标值f(x)。

(3.5)更新最优解和禁忌表

在c_n(x^now)中选一个评价值最好的解x^best，令x^now＝x^best，更新禁忌表h，判断若f(x^now)＞value^best，更新历史最优值。当前解x^now加入禁忌表h，转“步骤(3.3)”。若f(x^now)＜value^best，对x^now进行随机变换，接“步骤(3.6)”。

(3.6)随机变换

随机变换时，首先对原始解解进行编码，如将解pi＝[3，4，5]转化为pi＝[1，1，1，0，1，1，1，1，0，1，1，1，1，1]，即将3拆分为3个1，4拆分为4个1，5拆分为5个1，3、4、5的编码之间用0隔开，通过改变0和1的位置，则可以改变解的数值分配。

在解中随机找到1个数值“0”和一个数值“1”进行位置交换，当有两个“0”靠在一起，或者编码串的边缘有“0”时，随机变换的解为无效解，只有检测到解为有效解且没有在禁忌表h中出现过，才输出随机变换的解，否则从新生产的解。得到随机变换后的解后，对其进行解码，转到“步骤(3.2)”。

(3.7)结果输出

结束程序，输出结果为最终的工序和机械手分配方案和该方案的产能。

由上述举例可知，对带有引导规则的禁忌搜索算法，可利用数据驱动生成的仿真模型，通过对仿真模型的数据输入与输出进行操作，实现对流水线配置优化。利用仿真软件中的实验模块设计优化算法插件。通过禁忌搜索算法开发优化模块插件插入到仿真平台中，选定自定义的仿真优化模块，运行试验。优化模块会根据算法设计的流程自动生成邻域解，并插入到仿真试验中。优化模块插件对流水线中机台上工序的分配和机台上机械手的分配进行优化，找到一个合适只使得生产线的产出最大。

设置模型运行时间，在模型运行结束后，最后一个工序的机台产出之和为生产线的实际产出，这个结果可直接由仿真得到，然后返回为算法的目标值。输出最终的工序和机械手分配方案和该方案的产能。

总体而言，本发明基于数据驱动的基础上，对流水线进行快速分析并建立数据模型，借助数据交互，在仿真软件平台开发数据驱动建模模块，并导入数据运行仿真模型，输出仿真结果根据各项指标评估结果优劣，借助数据交互平台选择优化规则和优化算法，对设备资源分配不合理进行持续优化改善，进行合理的流水线规划设计。

本发明旨在发明一种基于数据驱动建模与仿真优化的流水线规划方法，基于数据驱动的仿真模型从现有的数据中整理得到仿真的输入数据，能够准确的模拟真实系统的运行，得到准确的结果。基于数据驱动的仿真模型的仿真生成逻辑和控制逻辑是分离的，市场对产品的需求或产品结构发生改变，需要改变车间中的资源数量及布局时，数据驱动的模型中，只需调整输入时的参数，快速建立仿真模型应对更改。

通过数据交互平台进行数据的读取和储存，不仅可快速通过输入数据进行仿真布局模型，而且在此基础上通过数据驱动仿真模型的运行，可以实现数据的作用，实现更为方便快捷的建立仿真模型；当市场对产品的需求或产品结构发生改变，需要改变车间中的资源数量及布局时，数据驱动仿真建模技术修改外部数据库数据驱动模型运行不同的仿真实验，可以实现实时对智能车间状况进行仿真建模分析；在数据驱动的仿真模型上使用仿真优化，扩大了仿真优化的范围，通过与其他系统进行数据集成，优化程序通过仿真运行的输出结果反馈并调整仿真模型的配置参数数据，通过反复执行上述过程，对模型的参数进行优化。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。