Digital Twin-Enabled Dynamic Production Scheduling for Concurrent Multi-Program Manufacturing Operations
本文提出了一种分层数字孪生赋能框架，该框架集成了机器健康预测、模糊推理和多智能体协同，旨在针对各种干扰情况下的并发多程序制造，动态优化生产调度，并平衡完工时间、能耗和进度偏差。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代工业的核心地带，工厂不再仅仅是等待指令的静止机器行。它们是复杂的、活生生的系统，数十条不同的产品线同时运行，共享着相同的工具、相同的工人以及相同的能源。管理人员面临的挑战是，即使在出现问题时，也要保持这些生产线的顺畅运转。机器可能会缓慢磨损，关键部件可能会损坏，或者客户可能会突然提出一个需要插队的紧急订单。传统的生产规划方法通常依赖于在开工前绘制的一张静态地图。一旦工作开始，如果一台机器变慢或停止运行，计划往往就会失效，导致延误和能源浪费。为了解决这个问题，工程师们转向了一个被称为“数字孪生”的概念。想象一个完美的、虚拟的整个工厂车间的副本，它能够实时更新，精确镜像物理世界。通过观察这个虚拟版本，管理者可以在问题发生前预见它们，并在不停止真实机器的情况下测试新的方案。这种方法使工厂能够实现瞬时适应，在条件发生变化时立即调整资源并改变进度，确保生产在面对现实世界的必然混乱时仍能高效进行。
德州拉马尔大学（Lamar University）的一位研究人员提出了一种专门针对同时运行多种程序的工厂使用该技术的新方法。该研究引入了一个类似于工厂“神经系统”的分层系统，将单个机器的健康状况与整个生产计划的大局联系起来。该系统并非等待机器完全损坏，而是监测早期的故障征兆。它使用一种经过训练的计算机模型来识别数据中的模式（如电机振动和电流），从而预测机器是处于健康状态、开始退化还是即将发生故障。这些信息并不会保存在单独的维护日志中；相反，它们会被直接输入到“调度大脑”中。如果预测某台机器很快会“生病”，系统可以将早期的退化信息提供给全局调度层，从而允许系统在故障或瓶颈形成之前，将工作转移到另一台机器上。
该系统由两个主要层级组成。第一层由每个工作站的“局部孪生”组成。这些数字副本不断监控物理设备。当它们检测到机器行为发生变化时，会将此信息传递给“全局孪生”，后者掌握着整个工厂的当前状态图谱，包括正在进行的订单、物料位置以及哪些工人可用。为了决定下一步行动，系统使用模糊逻辑控制器，这是一种像人类主管一样处理不确定性的推理引擎。它不仅仅看到“好”或“坏”；它还能理解“灰色地带”，例如一台“基本良好但正在减速”的机器。基于这种细致入微的视角，系统会决定是按原计划继续运行、呼叫人工操作员检查机器，还是触发全厂范围的工作重新调度。
当需要变更时，系统并不会随机打乱进度。它会运行一次复杂的搜索，以找到最佳的新方案。这种搜索旨在平衡三个相互竞争的目标：尽可能快地完成所有工作、使用最少的能量，以及尽可能保持新进度与原计划接近以避免混乱。系统会生成许多可能的解决方案，并呈现出最佳的权衡方案，让管理者能够根据当前的优先级做出选择。在任何新计划被发送到真实的工厂车间之前，都会先在一个三维虚拟仿真环境中进行测试。这一步骤确保了新的进度表在物理世界中确实可行，能够检查碰撞、延迟或资源冲突。只有在虚拟测试通过后，系统才会通过安全的通信链路将更新后的指令发送给真实的机器。
研究人员通过一系列模拟场景测试了该框架，以观察它在压力下的表现。模拟场景包括正常生产、机器逐渐磨损、突发机器故障以及紧急订单的插入。在虚拟测试中，这套新系统表现出了明显的优势。当一台机器开始退化时，与仅在机器损坏后才采取行动的标准方法相比，该系统成功地减少了约 5.4% 的总完工时间。在发生突发机器故障的情况下，改进效果更为显著，将延迟缩短了约 13.3%。当插入紧急订单时，该系统通过智能重排进度而非简单地推迟所有任务，将延迟减少了约 11.8%。这些结果表明，通过将早期健康预测与灵活调度相结合，工厂即使在发生干扰时也能保持稳定的生产流。
研究还强调了该系统如何处理速度、能量和稳定性之间的权衡。模拟显示，系统可以找到节省能源的进度表，但这通常意味着进度会比原计划产生更大的偏差。反之，最快的进度有时需要消耗更多能量或对工作流进行更大规模的调整。系统成功识别了这些折衷方案，提供了既尊重机器物理极限又兼顾工人可用性的选项。研究指出，这是一个基于仿真的发现，这意味着数据来自工厂的计算机模型，而非真实的工厂车间。虽然结果令人鼓舞，但作者指出，该系统仍需使用真实的工业数据和物理实验进行测试，以确认其在实际制造环境这一复杂且不可预测的环境中的表现。
最终，这项工作提出了一个让工厂能够“预见未来”的闭环。通过将单台机器的健康状况与整个工厂的进度挂钩，并通过在投入现实应用前在虚拟世界中测试每一个新想法，该系统提供了一种保持生产顺畅运行的方法。它超越了“坏了再修”的旧观念，转而提出了一种生产计划能根据设备状况进行实时调整的未来。该框架为处理现代制造业的复杂性提供了一种结构化方式，在这些场景中，多种程序在竞争资源，且意外事件已成为常态。尽管该方法的全部潜力仍有待现实世界的验证，但仿真结果表明，这样的系统可以显著减少停机时间和能源浪费，使并发制造作业这一复杂的“舞蹈”变得更具韧性和效率。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。