技术摘要：用于轨道式机械手-CNC柔性制造线的 PG-FVEV 框架

1. 问题陈述

轨道式机械手-CNC柔性制造线为小批量自动化加工提供了有效的解决方案。然而，传统的数值调度方法在此背景下面临三个关键局限性：

1. 执行差距（Execution Gap）： 标准的调度输出（派遣序列和机器分配）缺乏资源状态语义（占用、释放、互斥），难以将数值决策转化为可执行的生产线事件。
2. 评估标准不完整： 传统的指标通常仅关注 CNC 阶段的完成时间（$C_{max}^{CNC}$），未能考虑下游操作（如加工后处理、检测、传输及最终入架），而这些操作决定了系统的实际完成状态。
3. 验证缺失： 缺乏一种连贯的机制来验证遗传算法（GA）生成的调度方案在映射到虚拟生产线时是否保持一致性，特别是在工件流向和工作站连接方面。

2. 方法论：PG-FVEV 框架

本文提出了 PG-FVEV（基于 Petri 网约束的遗传调度与离线虚拟执行验证）框架，该框架集成了离线 GA 调度、Petri 网约束和虚拟验证。

2.1 调度决策与搜索

核心调度决策定义为 $X = (seq, assign)$，其中$seq$是工件派遣序列，$assign$ 将任务映射到 CNC 机器。遗传算法（GA）对该空间进行搜索。框架使用了三种 GA 变体：

• GA v1： 固定序列，仅优化 CNC 分配。
• GA v2： 同时优化序列和分配，并以 CNC 阶段完工时间（$C_{max}^{CNC}$）作为目标函数。
• GA v3： 同时优化序列和分配，并使用一种新的**全流程完工时间（$C_{max}^{full}$）**指标，该指标将完成标准扩展到了最终入架环节。

2.2 Petri 网资源约束

为了弥合数值调度与执行逻辑之间的差距，本文采用 Petri 网模型，其作用并非用于调度搜索，而是作为约束层。

• 结构： 模型包含代表工件状态（$P_{job}$）、资源状态（$P_{res}$）和控制逻辑（$P_{ctrl}$）的库所（Places）。
• 功能： 它对共享资源（轨道式机械手、CNC 机器、检测站）实施互斥约束，并确保只有在所需资源空闲且令牌（工件）就绪时，变迁（Events）才会触发。
• 角色： 它通过确保事件序列符合资源状态条件，来验证所选 GA 决策的可行性。

2.3 q/g 派遣映射

映射机制将 GA 输出的 $X_{best}$ 转换为有序的、受资源约束的事件序列。

• 序列 $seq_{best}$ 决定了派遣顺序，而 $assign_{best}$ 决定了机器。
• 控制库所（$q$）和变迁（$g$）构成一条链，仅当满足 Petri 网条件（资源可用性、工件就绪性）时，才会推进派遣令牌。
• 这将静态的数值调度转化为动态的、可执行的事件链。

2.4 离线虚拟执行验证 (MIoT.VC)

映射后的事件序列在确定性的离线虚拟环境（MIoT.VC）中进行验证。

• 虚拟生产线复制了物理布局（上料、机械手、CNC、检测、升降机、货架）。
• 系统执行映射的调度，并记录实际的工件流向、CNC 路径以及工作站间的交接情况。
• 通过将记录的执行过程与预设的派遣顺序及资源约束进行对比，来验证一致性。

3. 主要贡献

1. 从调度到执行的转换： 本文引入了一种机制，利用 Petri 网约束和 q/g 派遣映射，将 GA 生成的调度决策（$X$）转化为受资源状态约束的执行事件。这解决了数值结果与虚拟执行逻辑之间缺乏清晰转换路径的问题。
2. 全流程完工时间指标（$C_{max}^{full}$）： 提出了一种新的评估指标，将完成标准从 CNC 阶段扩展到最终入架。相比传统的 $C_{max}^{CNC}$，这为最终调度选择提供了更准确的依据。
3. 分层实验方案： 研究采用了双案例方法：
   • 案例 1（5 件工件）： 一个穷举可枚举的参考基准，用于验证最优性和支持 MIoT.VC 验证。
   • 案例 2（30 件工件）： 更大规模的场景，用于评估离线搜索性能、跨运行变异性以及新指标的影响。

4. 实验结果

4.1 案例 1 (5 件工件)

• 最优性： GA v3（使用 $C_{max}^{full}$）达到了穷举法得到的最小全流程完工时间 199.30 s，优于固定序列基准（224.90 s）和 GA v2（199.60 s）。
• 稳定性： 在全流程指标下，GA v3 表现出显著较低的运行间变异性（标准差：0.39 s），相比之下 GA v2 的标准差为 10.03 s，表明其重复运行性能更可靠。
• 验证： 所选的 GA v3 调度方案在 MIoT.VC 环境中得到了成功重现。虚拟执行确认了在派遣顺序、CNC 路径和最终入架方面具有 100% 的一致性。

4.2 案例 2 (30 件工件)

• 性能： 在 30 件工件的场景下，针对 $C_{max}^{full}$ 进行优化的 GA v3 实现的平均全流程完工时间为 1091.49 s，而针对 $C_{max}^{CNC}$ 进行优化的 GA v2 为 1119.31 s。
• 变异性： GA v3 将标准差从 GA v2 的 35.44 s 降低到了 22.21 s，表明在 30 次独立运行中，结果的分布更加集中。
• 统计显著性： Wilcoxon 符号秩检验（$p=0.0002$）证实，使用 $C_{max}^{full}$ 作为目标函数时，全流程完成时间会一致地向更低值偏移。
• 计算成本： 全流程评估使平均运行时间从 78.73 s（GA v2）增加到了 411.80 s（GA v3），反映了模拟下游阶段带来的计算开销。

5. 意义与主张

本文主张 PG-FVEV 在离线调度优化与资源约束下的生产线执行之间建立了连贯的联系。通过集成 Petri 网约束和虚拟验证，该框架允许对调度进行过程级的评估，而非仅仅依赖于目标函数值。

作者强调：

• $C_{max}^{full}$ 指标对于最终调度选择更为优越，因为它反映了整条生产线的真实完成状态。
• 该框架成功验证了数值调度可以转化为一致的虚拟执行流。
• 该方法通过区分有限案例验证与扩展规模搜索评估，支持了对柔性制造线调度的评估。

局限性： 作者明确指出，本研究仅限于确定性的离线虚拟案例。它并未涉及扰动感知型动态调度、不可靠的资源故障模型，或在线控制所需的物理-虚拟反馈环路。未来的工作建议探索这些领域。