基于免疫机制的有机制造系统状态评估研究*

周建华，唐敦兵，张海涛，郑 堃，蔡祺祥

(南京航空航天大学 机电学院，江苏 南京 210016)

随着技术与经济的快速发展，制造企业的市场环境和生产条件变得更加复杂和不可预测，市场与竞争全球化、客户需求日益个性化、产品生命周期缩短以及产品对功能、价格、质量和交货期等对制造系统提出了更高的要求，快速、有效地处理各种动态变化的要求和制造过程的各种不确定性因素是制造系统建模中的自适应、自组织和全局优化控制等需要考虑的重要问题。本文借鉴生物系统的组织结构、自适应控制和调节规律等，提出了有机制造系统的概念[1]，并将生物体的神经调节、内分泌调节和免疫防御等机制应用于制造系统的研究中，为解决制造系统应对复杂动态性问题的自我调节、自组织和自适应等研究提供了新思路。

由于制造系统越来越复杂，运行过程中不确定性扰动(如任务变化、物料准备延误、操作延时和设备故障等)频繁出现。造成不确定性的原因包括信息的缺乏、复杂性、彼此冲突和可信度，数据表述的模糊性，以及测量的误差等[2]。扰动的影响时间分为短时间内产生的扰动和长时间的扰动因素[3]。在扰动事件的影响和处理上可分为任务层扰动、生产工艺层扰动、物料资源层扰动和生产执行层扰动[4]。

受生物免疫系统机制启发产生的人工免疫系统已广泛应用于各领域的研究中。在故障诊断领域，人工免疫系统的相关理论已经有很多研究和实际应用[5]。免疫机理在生产安全和事故预警领域中已得到研究和应用[6]。在生产制造领域，免疫原理已用于建立产品制造过程的关键质量特征预防控制模型[7]和构建制造系统在线故障监测与诊断的免疫防御系统模型[8]。

本文结合有机制造系统中的扰动特点和生物免疫机制，提出了处理有机制造系统中不确定性扰动的免疫监控模型，采用免疫机制处理系统中的扰动事件，以维持系统的稳定和高效运行。

1 有机制造系统免疫监控模型

1.1 有机制造系统介绍

本文借鉴生物系统的研究成果和神经—体液调控、免疫机制等的相关知识，将自组织和自适应视为制造系统的生命特征，提出了有机制造系统的概念[9-10]。

有机制造单元作为系统的基本组成部分，对应于生命体的各层次器官，是一个具有自组织功能的自主体，由数字神经节点、控制器、感知器、决策器及设备等组成，能针对内、外部环境的变化进行自我调节，以应对各种复杂性因素。最为宏观层次可将有机制造系统视为有机制造单元，而最低层次可将制造资源(机床、AGV和机器人等)作为一个有机制造单元。

有机制造系统模型由不同层次的有机制造单元构成递归控制的结构，每一层次上的有机制造单元都能对自身面临的内、外环境变化进行自我调节。宏观层有机制造单元在对子系统的监督和各子系统之间充分交流协作基础上，对微观层有机制造单元进行协调控制。

1.2 有机制造系统监控技术与免疫系统的比较

生物免疫系统具有免疫监视和识别、学习、记忆、反馈和防御等机制[11]。免疫监视和识别指免疫系统会对生物体的内、外部环境进行监测，区分“自我(自身组织)”和“非我(外部病原体和体内的病变细胞)”；免疫学习指初次识别一种新的抗原时，需要较长的时间才能生产新的抗体来清除抗原；免疫记忆是指系统会保留抗原的记忆信息，当再次遇到相同或者结构相似的抗原时，在记忆机制的作用下能迅速应答。在免疫应答过程中，抗体、抗原和免疫细胞之间存在相互作用的免疫反馈机制。当抗原较多时，免疫细胞和抗体会增多；当抗体较多时，一段时间后抗原减少，免疫系统趋于平衡，体现出反馈效应。

有机制造系统在运行过程中会遇到诸如机器或设备的故障、订单的变化、人员缺勤或操作失误、物料不能及时供应等不确定性扰动，因此，需要建立合理的扰动监测指标体系，当检测到各指标的变化后，要能够准确地识别出异常。对于首次遇到的扰动，形成解决措施的过程较慢，解决问题的时间较长；而对于反复出现的类似问题，系统可以参考以往出现的情况，形成快速有效的应对方法，系统自适应的形成决策，减少扰动影响。这个过程体现了监控模块的“学习”机制，这相当于生物免疫系统的免疫学习，监控模块对类似问题的判断体现了“记忆”机制相当于生物免疫系统的免疫记忆，监控模块形成决策后作用于系统，使系统的生产趋于稳定状态体现出“反馈”，这相当于生物免疫系统的反馈机制。因此，可以借鉴生物免疫系统的功能和机制来构建有机制造系统的监控模块。

1.3 有机制造系统免疫监控模型的构建

有机制造系统由各有机制造单元通过一定的组织特性和控制方式，形成具有递归控制特征的控制模型。在构建系统免疫监控模块时，需要考虑系统的控制模型要求，本文建立的免疫监控模型如图1所示。

图1 有机制造系统的免疫监控系统模型

图1中，免疫监控单元的传感器完成数据采集和处理功能；决策器接收任务信息并决定单元行为；控制器主要执行相关的指令；显示器对单元的状态进行显示；通信接口完成各监控单元之间免疫信息的传递或与系统控制器进行通信。

在系统的免疫监控模块中，单元免疫监控模块能针对内、外部环境变化进行自适应调节，系统中完成同种类型功能的单元之间的功能模块、内外部环境具有很大的相似性，其免疫环境和信息具有类似性和关联性，面临着相同的抗原和抗体等；因此，它们可以组成免疫细胞系，通过相互之间进行任务、状态和免疫信息传递，协调同种类型的有机制造单元内的任务，在不同类型的单元之间，通过系统控制器对系统中的各组成单元进行协调控制，实现免疫调节功能。

1.4 免疫监控模型的运行机制

根据有机制造系统的控制和监控功能的要求，基于制造系统监控方法和生物免疫机制，整个免疫监控模块总体的运行机制如图2所示。

图2 有机制造系统免疫监控模型的运行机制

在有机制造系统免疫监控中监测模块主要针对系统中的信息和运行状态进行实时采集，包括设备和物料信息、生产任务/订单信息、人员信息和系统运行中的状态信息，本文假设检测模块输出的数据是经过处理后的有效的监测数据。

有机制造系统在运行过程中，各种扰动事件的发生将破坏系统的稳定运行，在同一时间出现的扰动事件越多，事件影响越严重，则系统的运行状态变得越恶劣，类似于生命系统，可以认为有机制造系统同样存在健康状态。本文定义抗原浓度表示扰动事件的多少和严重性，定义系统的健康状态为免疫力指数，综合系统中的所有抗原来评估系统的免疫力指数。当抗原浓度越小时，免疫力指数越大，系统处于健康状态；当抗原浓度越大时，对系统的威胁越大，免疫力指数降低，系统运行状态恶化，当免疫力指数低于阈值时，需要免疫监控模块对扰动进行处理。

自适应协调控制阶段，结合系统当前的状态信息，调度模块在抗体中参数的作用下，调用系统中的自适应调度算法，生成新的调度作业方案，通过执行新的作业方案消除扰动造成的影响，维持系统高效、稳定地运行。

2 有机制造系统免疫监控模型的功能模块

有机制造系统免疫监控模型主要是借鉴生物免疫系统的机制，对扰动进行识别，并对其造成的影响和系统的状态进行量化评估，针对性地生成控制方案，消除扰动对系统的影响，其功能包括免疫识别、免疫状态评估、免疫学习和记忆和免疫自适应调节等，如图3所示。

图3 有机制造系统免疫监控模型的功能模型

2.1 系统的免疫识别模型

以0,1对抗原二进制编码，即经过检测模块对数据进行处理后扰动状态向量中的各扰动事件的值用布尔量0,1表示，免疫识别过程如图4所示。

将免疫监控模型中各种类型的扰动状态“自体集”定义为：

(1)

各类扰动的状态向量定义为：

(2)

经过免疫识别后，生成抗原

(3)

其中扰动事件的状态表示为：

图4 抗原识别流程图

2.2 系统的免疫状态评估模型

2.2.1 复杂系统监控状态评估方法简介

目前，桥梁、电力、核工业和军事装备等领域已经广泛采用了健康状态评估技术[12]，常见的健康状态评估方法有模型法、层次分析法、模糊评判法、基于贝叶斯网络的方法和灰色理论等。

本文基于群决策的模糊层次分析法[13]来构建有机制造系统免疫监控系统的免疫力指数模型，定量地分析系统中各种扰动事件对有机制造系统的影响并评估有机制造系统的性能趋势。

2.2.2 有机制造系统中扰动层次模型的建立

在对有机制造系统的扰动因素分析的基础上，构建监控的指标体系和扰动分析的层次模型，提出的系统免疫力指数评估层次结构如图5所示。目标层A为有机制造系统的免疫力指数；准则层B包括系统中m种抗原；指标层C包括各抗原所包含的多个扰动事件，扰动事件的发生与否将决定整个有机制造系统的免疫力指数大小。

图5 免疫力指数层次分析模型图

2.2.3 基于群决策的模糊层次分析法计算权重

(4)

并按下式进行变换：

(5)

(6)

(7)

2.2.4 抗原浓度大小的计算

根据群决策的模糊层次分析法，构建m种抗原中n个扰动事件的模糊互补矩阵，将其按式4～式7求得抗原中各扰动事件对抗原的影响权重：

(8)

系统中有m种抗原的扰动事件状态向量表示为：

(9)

定义有机制造系统中抗原i的浓度大小为：

(10)

fi∈[0,1]，fi的值越接近于1，表示该抗原的浓度越大，对系统的危害越大；fi的值越趋向于0，表示该抗原浓度越小，对系统的危害越小。

2.2.5 有机制造系统免疫力指数评估计算

有机制造系统中每一种抗原对系统的危害程度是不同的，根据群决策的模糊层次分析法，构建m种抗原对免疫力指数的模糊互补矩阵，将其按式4～式7求得m种抗原对系统免疫力指数的影响权重：

(11)

某时刻m种抗原浓度大小构成向量：

f=(f1f2…fm)

(12)

结合抗原的浓度与其影响权重，定义系统抗原威胁指数Eval的评估公式如下：

(13)

式中，fi为第i种抗原的浓度；ωi为第i种抗原的影响权重；Eval∈[0,1]，Eval的值越小，表明抗原的总的危害越小，其值越大，则系统中抗原危害越大。

定义正常状态下有机制造系统的免疫力指数为1，考虑到抗原的危害，则系统免疫力指数Imm的评估公式为：

Imm=1-Eval

(14)

Imm∈[0,1]，可知免疫力指数Imm与抗原威胁指数Eval呈负相关关系，系统免疫力指数Imm值越大，说明系统越健康；Imm值越小，则系统的状态越恶劣。

2.3 系统的免疫应答模型

有机制造系统在运行过程中，除了已知的抗原库和抗体库中存在的抗原、抗体之外，指标体系中的扰动事件可能随机性和组合性的发生，在指标体系之外的扰动事件也可能发生，从而形成新的抗原，此时需要借助学习机制应用新技术和新工艺等产生新的抗体，即免疫监控模块对新抗原的免疫学习与记忆功能，通过免疫学习和记忆将不断更新和丰富抗体库。免疫应答功能模块如图6所示。

图6 有机制造系统免疫监控的免疫应答功能模块

2.4 系统的免疫自适应调节模型

图7 有机制造系统中自适应免疫调节模块

本文根据有机制造系统中扰动的特点、免疫监控和基于信息素的调度模块，构建免疫调节模型，如图7所示。将抗体中的信息传递给调度模块，结合系统的状态信息重新调度或者局部调整生成调度作业方案，以消除扰动影响，从而维持系统高效、稳定地运行。

3 有机制造系统免疫力指数计算示例

以有机制造系统试验仿真平台为计算示例，对免疫评估模型进行计算验证，由于篇幅所限，免疫学习模型和免疫调节模型将另外撰文进行说明。仿真试验平台包括6个有机制造单元、2个AGV、自动化立体仓库和PC机，如图8所示。图8模拟了订单处理、系统资源的调度协调、工件的加工和运行状态监控等整个制造过程。

考虑有机制造系统的特点，根据各种扰动因素来源和相互关系，本文将扰动因素构成的抗原分为计划任务层抗原EP、物料资源层抗原ER、生产工艺层抗原ET、制造资源层抗原EM和人员变动层抗原EH等5种类型的抗原，每个抗原内包含多个扰动事件，如图9所示，采用布尔量0,1表示抗原向量中的扰动事件，0表示正常状态，1表示该扰动事件发生。

图8 有机制造系统仿真试验平台示意图

图9 有机制造系统免疫力指数评估层次结构图

群决策过程中请2位制造领域的专家进行决策，且2位专家的决策权重相等，即式6中λ1=λ2=0.5。由2位专家分别给准则层B的5个抗原对目标层A进行两两比较，获得的模糊互补矩阵A1和A2。

同理，可获得指标层C中各抗原的扰动事件对准则层B中对应的抗原的影响权重：

ωB1、ωB2、ωB3、ωB4、ωB5分别表示生产计划层抗原EP、物料资源层抗原ER、工艺层抗原ET、制造资源层抗原EM和人员变动层抗原EH中各扰动事件的影响权重。

假设系统运行过程中某一时刻的抗原状态为：

则表示系统中出现了订单取消、订单延后、工艺路线变动、工装准备延时和人员操作失误等扰动事件。在实际生产中，当出现上述扰动事件时，系统一般受到了较大的扰动影响，原有的作业计划已经不能满足调度目标，需要调整或重新制定作业计划。

有机制造系统中抗原EP的浓度为：

fEP=vEP·ωB1=

同理，求出其他抗原的浓度，则抗原浓度向量为：

由式13可计算出系统抗原威胁指数：

Eval=f·ωA=

则该状态下系统免疫力指数：

Imm=1-Eval=1-0.253 5=0.746 5

系统免疫力指数较低，表明系统受到了较为严重的干扰，需要免疫监控模块进一步分析，对抗原进行免疫应答，通过抗体中的调度参数由调度算法重新生成调度作业计划，以消除系统的扰动，维持其正常、稳定地运行。评估结果与实际情况基本符合，表明了评估的有效性。

4 结语

本文借鉴生物免疫系统的调节机制，提出了有机制造系统的免疫监控模型及其运行机制，阐述了免疫监控模型中各模块的功能和实现方法，并重点分析了免疫监控模型中的免疫力指数评估方法。通过实验仿真平台上进行实验，实验结果表明该免疫力指数评估方法能够有效地评估有机制造系统受到的扰动因素影响。因此，该免疫力指数评估方法可以为系统中制造资源的合理利用以及稳定运行提供依据。

[1] Tang D B, Gu W B, Wang L，et al. A neuroendocrine-inspired approach for adaptive manufacturing system control[J]. International Journal of Production Reseach, 2011, 49(5): 1255-1268.

[2] Zimmermann H J. An application-oriented view of modeling uncertainty[J]. European Journal of Operational Research, 2000, 122(2): 190-198.

[3] 朱传军. 车间不确定信息的约简及知识发现研究[D]. 武汉: 华中科技大学, 2006.

[4] Liu M, Shan H, Jiang Z Q, et al. Dynamic rescheduling optimization of job-shop under uncertain conditions[J]. Jixie Gongcheng Xuebao/Journal of Mechanical Engineering, 2009, 45(10): 137-142.

[5] 任伟建, 于宗艳, 王玉英, 等. 人工免疫系统及其在故障诊断领域中的应用[J]. 系统工程与电子技术, 2006, 28(12): 1960-1965.

[6] 陈清光, 段伟利, 陈国华, 等. 基于免疫机理的化工园区安全生产预警机制设计[J]. 中国安全科学学报, 2011, 21(9): 159-164.

[7] 张根保, 纪富义, 任显林, 等. 面向产品制造过程的关键质量特征免疫预防控制模型[J]. 计算机集成制造系统, 2011, 17(4): 791-799.

[8] 唐敦兵, 郑堃, 顾文斌, 等. 类生物化制造系统自适应免疫监控关键技术研究[J]. 中国机械工程, 2011, 22(10): 1253-1259.

[9] 王雷. 类生物化制造系统协调机制及关键技术研究[D]. 南京: 南京航空航天大学, 2010.

[10] 唐敦兵, 张海涛, 蔡祺祥, 等. 基于神经内分泌调控机制的类生物化制造系统研究[J]. 南京航空航天大学学报, 2014, 46(2): 175-180.

[11] 叶青. 基于免疫机理的化工园区安全生产应急研究[D]. 广州: 华南理工大学, 2012.

[12] 张晓阳. 面向复杂系统生命周期的故障诊断技术研究[D]. 南京: 南京理工大学, 2005.

[13] 徐泽水. 模糊互补判断矩阵排序的一种算法[J]. 系统工程学报, 2001, 16(4):311-314.

*国家自然科学基金资助项目(51175262)

江苏省杰出青年基金资助项目(BK2012010111)

江苏省产学研基金资助项目(BY201220116)