一种离散制造系统瓶颈单元智能识别建模方法

张永阳ZHANG Yong-yang；彭恩高PENG En-gao；罗振琨LUO Zhen-kun

（①北京理工大学珠海学院工业自动化学院，珠海 519088；②重庆掌思科技有限公司，重庆 400039）

0 引言

移动互联网的快速普及，后疫情时代消费习惯的日新月异，批量生产的产品逐渐被定制化、个性化、数字化产品所取代[1]，企业生产方式，也逐渐向柔性制造和离散制造转变[2]。因此，识别生产系统的瓶颈位置，改善瓶颈产能，提高生产效率，变得越来越重要。

为了识别生产系统的瓶颈单元，Binbin Huang等运用深度神经网络和时间序列分析，来实现智能工厂生产瓶颈的预测[3]。杨昊龙等使用基于长短期记忆神经网络，提出了一种实时定位情形下的生产瓶颈预测方法[4]。王绍伟，金文祥[5]运用启发式算法，来准确识别生产过程的瓶颈阶段，以提高生产效率。然而，这些方法，难以实现数据共享，难以实现瓶颈动态识别。

因此，提出了一种基于面向对象着色Petri网和云仿真技术的瓶颈智能识别方法，从客户实际需求出发，建立Petri网子模型，嵌入生产系统大数据，智能识别瓶颈单元位置。该方法具有模块化、面向对象、云端处理的特征。

1 瓶颈智能识别建模方法

1.1 模型定义

离散制造系统，用七元组表示为[6]：

1.2 识别流程

根据IIMFB理念，运用云仿真和OOCPN技术，制定瓶颈智能识别的运作流程如下：①制造系统工艺流程分析；②建立OOCPN抽象模型；③进行抽象模型性能分析；④构建制造系统云仿真模型；⑤嵌入生产系统大数据和产能函数模型；⑥运行云仿真模型，智能识别瓶颈位置；⑦判断瓶颈产能是否满足客户订单需求。若满足，则结束；反之，则返回对瓶颈进行改善提升，优化云仿真模型，重新研判，直至系统产能满足客户需求为止。

2 瓶颈智能识别模型构建

2.1 抽象模型的构建

运用IIMFB方法，可将制造系统中所有生产单元抽象为封闭Petri网子模块，IMi表示第i生产单元的输入信息库所；OMi表示第i生产单元的输出信息库所；Pi表示第i生产单元的状态库所，Tk表示第k工序完工的门变迁。建立抽象模型，如图1所示。

生产单元的具体操作被封装在圆角矩形框中，视作Petri网子模块，子模块通过输入/输出映射函数和信息传递门，实现相互信息传递和反馈。

2.2 产能函数模型的建立

在制造型企业中，生产能力的计算以生产单元或加工工序为单位进行统计分析[7]。生产能力计算公式如下：

式中，M表示计划期内某生产单元的产能，S表示生产单元包含设备台数，Fe表示单台设备的有效工作时间，t表示制造单位产品所需该种设备的台时数，ti表示第i种产品所需该种设备台时数，θi表示第i种产品的产量在计划总产量中所占比例，n表示工厂产品品种数。

生产设备每天有效工作时间为：

其中，R为设备停机时间占比（包含设备点检、维修保养等），η为宽放率（包括班前会、喝水、上洗手间、工间操等宽放时间），μ为每天倒班次数

综合公式（3）、（4）和（5），建立日产能目标函数如下：

2.3 云仿真建模与瓶颈智能识别

云计算技术，可以将实体工厂、虚拟仿真工作，植入到云服务器中[8]，从而实现数据的实时共享，而且还可以基于云服务器，建立云仿真模型，将生产一线数据和产能函数模型嵌入云仿真模型中，通过大数据、云计算，智能识别实体工厂的瓶颈单元，其逻辑关系如图2所示。

3 应用实例

3.1 变压器工艺流程描述

Z公司生产经营数据储存于集团云服务器中，可实现全球共享。Z公司主营业务为220KV/240MVA（视在功率）油浸式电力变压器的研发、制造、销售和售后服务，现有生产能力约12800MVA/年。由于该公司中标了部分智能电网改造项目，生产订单增至15360 MVA/年，产能提升非常迫切。

运用工时测定方法，结合云端大数据，可计算出220KV/240MVA变压器各工序的工时定额，如表1所示。

表1 变压器生产工序的工时定额

3.2 变压器生产Petri网定义

变压器制造系统，可用七元组表示为：

其中：Pi表示库所集，；Tj表示变迁；IMi表示输入信息库所集；OMi表示输出信息库所集；Ii表示从库所P到变迁T的输入映射函数；Oi表示从变迁T到库所P的输出映射函数；Ci表示库所的色彩集。

3.3 变压器抽象模型的建立

运用IIMFB方法，可将变压器生产流程中各工序，分别抽象出14个状态库所子模块P1～P14，并结合实际情况，设立1个缓冲子模块P15，然后将这15个库所子模块，按照工艺流程进行优化组合，建立Z工厂变压器制造系统抽象模型。

3.4 变压器生产系统云仿真建模与分析

3.4.1 云仿真初始模型的建立

采用云仿真软件，将变压器OOCPN抽象模型中15个库所模块P1～P15，分别用不同的工作站表示，结合云端数据和生产实际，对云仿真模型微调（如增加工作站），并对人员、资源、优先级等参数进行设置（如：班次为2班，单班工作8小时，宽放率15%，停机时间占比13.8%，每年工作250天等），建立云仿真初始模型（如图3所示）。

3.4.2 云仿真模型运行结果分析

通过运行云仿真模型，输出各工序的产能数据（如表2），然后智能识别出瓶颈单元。

表2 各工序的生产能力

为了验证云仿真输出数据的准确性，在此，以线圈干燥工序为例，采用公式（5）计算：

由表2可知，线圈干燥工序年产能为12811MVA，与公式（5）计算结果一致。

由于线圈干燥工序年产能12811MVA＜15360MVA，不能满足生产订单需求，其他工序均大于生产订单需求。因此，线圈干燥生产单元为变压器生产系统的瓶颈单元。

3.4.3 提出优化改善举措

结合企业生产实际，建议线圈干燥工序实行3班生产作业。优化后变压器生产系统云仿真模型（如图4）。

再次运行云仿真模型，瓶颈位置转移至线圈立绕位置，其日产能为0.2752sets/d，年产能为16512MVA＞15360MVA，满足生产订单需求。

3.4.4 评估优化改善效果

生产系统改善后，年产能由12811MVA提升至16512MVA，达到并超过了生产订单的产能需求，产能提升了28.89%，增产效益达到1735.16万元/年。（表3）

表3 改善效果分析

4 结论

本文针对离散制造系统瓶颈单元识别问题，运用云仿真技术和OOCPN技术，提出了一种瓶颈单元智能识别建模方法，构建了制造系统OOCPN抽象模型，优化了产能计算函数模型，建立了基于云计算的虚拟仿真模型，并将生产数据和产能函数模型嵌入云仿真模型中，运用云计算技术，智能识别制造系统的瓶颈单元。通过实证研究，验证了所提出的IIMFB方法的有效性。