基于大数据与云计算的智能装配生产线MES系统及其协同调度方法

摘要: 本发明涉及mes协同调度,尤其涉及基于大数据与云计算的智能装配生产线mes系统及其协同调度方法。背景技术:1、随着智能制造的发展,智能装配生产线凭借自动化、柔性...
基于大数据与云计算的智能装配生产线MES系统及其协同调度方法

本发明涉及mes协同调度,尤其涉及基于大数据与云计算的智能装配生产线mes系统及其协同调度方法。

背景技术:

1、随着智能制造的发展,智能装配生产线凭借自动化、柔性化、集成化优势广泛应用于高端装备、汽车零部件、精密电子等制造领域,mes(manufacturing execution system,制造执行系统)系统作为衔接上层计划管理层与底层设备执行层的核心载体,依托大数据与云计算技术实现生产协同调度,是保障装配生产线高精度、高效率柔性生产的关键。

2、系统多源数据采集与融合能力薄弱,现有技术多采用固定周期采样方式,对机器人、agv(automated guided vehicle,自动引导车)、智能传感器等异构设备适配性差,无法实现高精度实时数据采集,设备层、执行层与调度层数据相互割裂,形成大量数据孤岛;云端大数据处理存在冗余噪声大、有效特征提取能力不足等问题,算力资源利用率低,难以提供精准、实时的全局数据支撑,导致调度决策与现场生产工况脱节。现有调度模式智能化与动态适配能力不足,多依赖传统静态排程与人工预设参数,缺乏适配多工位、多资源耦合装配场景的智能动态调度模型,无法结合设备负载、工序进度、物料库存、订单优先级等多维变量自适应优化;同时集中式云算力分配不均衡,面对设备故障、急单插入、物料短缺、产品换型等动态扰动响应滞后,需人工介入调整,易造成工序拥堵、设备闲置、产线停滞等问题。多单元时序协同精度较低,系统对设备作业、物料配送、工序流转的时序管控能力不足,信号传输与任务下发存在延迟,易出现待料堆积、工序等待、设备空转等协同脱节问题,且传统调度逻辑通用性差,无法适配混线生产的差异化工艺需求,极易引发节拍失衡、调度混乱。云端调度系统缺乏风险预判与闭环优化能力,仅能事后被动调整,无法依托历史数据挖掘潜在生产风险,前置调度优化能力缺失;同时云端数据传输存储安全防护机制不完善,易出现数据泄露、指令冲突等问题,且无调度效果迭代优化机制,调度误差持续累积,导致设备利用率与订单交付效率偏低,限制了智能装配生产线的智能化与柔性化升级发展。

技术实现思路

1、鉴于此,本发明实施例提供了基于大数据与云计算的智能装配生产线mes系统及其协同调度方法,能够通过多源异构终端实时采集多维度生产数据,经归一化与特征提取获得有效参数;对参数分类存储与标准化融合,建立全局数据集并执行全局优化生成预案,经边缘节点本地修正为适配工况的细粒度指令;进而结合实时状态与任务队列进行多资源约束优化,生成设备级方案并下发执行;同时持续监控运行状态与进度,若出现动态扰动则触发重调度,否则维持原方案执行。

2、一方面,提供了基于大数据与云计算的智能装配生产线mes协同调度方法,该方法包括:s1,通过部署于智能装配生产线的多源异构数据采集终端,实时采集多维度生产数据,对多维度生产数据进行归一化及特征提取预处理操作,得到有效生产特征参数;s2,对有效生产特征参数进行分类存储和标准化融合处理,建立统一数据视图,形成全局共享的生产数据集,基于生成的全局共享的生产数据集,执行全局优化调度,生成全局协同调度预案;将全局协同调度预案下发至智能装配生产线的边缘计算节点,对全局协同调度预案进行本地化修正与精化,生成适配当前产线实际工况的细粒度调度指令;s3,根据细粒度调度指令,结合智能装配生产线的实时状态信息与任务队列信息,执行多资源约束下的协同调度优化计算,生成设备级协同调度方案,并分别下发至对应的智能装配生产设备,驱动各执行设备按照设备级协同调度方案执行对应操作;s4,采集各执行设备的实时运行状态数据与工序完成进度数据,并反馈至边缘计算节点,判断是否出现动态扰动事件,若是,则重新执行s2至s3,生成更新后的协同调度方案并下发执行,若否,则维持当前设备级协同调度方案继续执行生产。

3、另一方面,提供了基于大数据与云计算的智能装配生产线mes系统,该系统包括:多源数据采集与预处理模块、云边协同的调度预案生成与精化模块、多资源约束下的调度优化与指令执行模块和实时监控与动态重调度触发模块;其中,多源数据采集与预处理模块,用于通过部署于智能装配生产线的多源异构数据采集终端,实时采集多维度生产数据,对多维度生产数据进行归一化及特征提取预处理操作,得到有效生产特征参数;云边协同的调度预案生成与精化模块,用于对有效生产特征参数进行分类存储和标准化融合处理,建立统一数据视图,形成全局共享的生产数据集,基于生成的全局共享的生产数据集,执行全局优化调度,生成全局协同调度预案;将全局协同调度预案下发至智能装配生产线的边缘计算节点,对全局协同调度预案进行本地化修正与精化,生成适配当前产线实际工况的细粒度调度指令;多资源约束下的调度优化与指令执行模块,用于根据细粒度调度指令,结合智能装配生产线的实时状态信息与任务队列信息,执行多资源约束下的协同调度优化计算,生成设备级协同调度方案,并分别下发至对应的智能装配生产设备,驱动各执行设备按照设备级协同调度方案执行对应操作;实时监控与动态重调度触发模块,用于采集各执行设备的实时运行状态数据与工序完成进度数据,并反馈至边缘计算节点,判断是否出现动态扰动事件,若是,则重新执行s2至s3,生成更新后的协同调度方案并下发执行,若否,则维持当前设备级协同调度方案继续执行生产。

4、有益效果

5、本发明实施例提供的技术方案带来的有益效果至少包括:

6、1、通过部署多源异构数据采集终端并以归一化及特征提取方式进行预处理,有效解决了现有技术中数据感知维度单一、实时性差、融合精度不足的问题,使采集到的有效生产特征参数具备一致性、可比性和低冗余度,为后续调度决策提供了精准、全面、实时的数据基础,显著提升了数据质量与利用效率。通过将有效生产特征参数在云计算平台中进行分类存储、标准化融合处理并建立以工位编号、时间窗口和订单批次为联合索引键的统一数据视图,形成全局共享的生产数据集,打破了设备层、执行层与调度层之间的数据孤岛,实现了多源异构数据的语义统一与时序同步,支持多用户、多任务的并行并发访问,大幅提升了生产数据的共享性与关联分析能力,为全局优化调度提供了完整、可靠的数据支撑。

7、2、通过以最小化最大完工时间、最大化设备利用率和最小化总加权拖期惩罚为联合优化目标,构建多目标多约束的混合整数规划模型,并结合启发式规则混合生成初始种群及迭代优化机制,在云计算平台的分布式算力支撑下生成全局协同调度预案,有效克服了现有技术中静态排程规则适应性差、无法结合多维变量进行自适应调优的缺陷,实现了全局层面上的资源优化配置与任务统筹规划,显著提高了调度方案的整体最优性和前瞻性。通过将全局协同调度预案下发至边缘计算节点,并由边缘计算节点根据本地实时工况快照进行偏差计算、修正必要性判定及多维度本地化修正与精化,在不超过预设计算时间窗的约束下生成适配当前产线实际工况的细粒度调度指令,有效解决了现有技术中集中式云端调度与产线实际运行状态脱节的问题,实现了全局最优性与局部实时性的有机统一,大幅提升了调度指令对动态生产工况的适配精度和响应速度。

8、3、通过在边缘计算节点中以细粒度调度指令为输入,结合智能装配生产线各设备的实时状态信息与任务队列信息,以多资源约束集合为硬约束,以多邻域搜索策略进行迭代优化,生成设备级协同调度方案,并将方案分解为各设备可执行的精细化动作时序列表、切换时序表、检测计划表及工序流转时序表,有效解决了现有技术中多设备、多工序、多物流单元协同联动精度不足、时序管控薄弱的缺陷,实现了各执行设备之间动作时序的精准匹配与无缝衔接,显著减少了工位待料、物料堆积、工序等待及设备空转等协同脱节问题,大幅提升了生产线的节拍平衡度和整体运行效率。通过以预设采样周期持续采集各执行设备的实时运行状态数据与工序完成进度数据,计算多维度偏差量及综合偏离度指标,并依据设备故障、紧急插单、物料短缺、工序返工、产品换型等五类扰动事件的判别规则进行逐项判定,同时结合扰动影响范围评估触发动态重调度的必要性,有效解决了现有技术中仅能事后被动调整、缺乏前瞻性预判与容错机制的缺陷,实现了对动态扰动事件的快速感知、精准识别与及时响应,显著增强了智能装配生产线的抗干扰能力和生产稳定性。