无线传感器网络在车间调度优化应用研究*

韩晋栋，徐晋勇，张应红

(桂林电子科技大学 机电工程学院，广西 桂林 541004)



无线传感器网络在车间调度优化应用研究*

韩晋栋，徐晋勇，张应红

(桂林电子科技大学 机电工程学院，广西 桂林 541004)

针对车间生产因少量员工缺勤而造成生产效率大幅度降低的问题，利用RFID和ZigBee建立数据采集和信息传输的传感器网络；采用自适应遗传算法对无线传感器网络采集到的数据进行数据优化，建立了优化调度的设计模型；并将优化后的结果应用于生产调度。在人员调动较少的前提下，达到了生产效率最大化的预期目标。经仿真实验验证，优化后的结果能使产量提高10%。

物联网；改进遗传算法；优化；调度

0 引言

机械制造业为整个国民经济提供技术装备，其发展水平是国家工业化程度的主要标志之一[1]。随着经济全球化、信息化进程日益深入，机械制造装备行业市场竞争日益激烈，客户需求日趋个性化，国内市场国际化的趋势加剧，国际资本加速进入中国机械制造业，无数企业仍在“制造之觞”中逶迤前行，这些因素共同促使中国机械制造企业更应该关注信息化建设，借助信息化提升企业的创新能力，实现精益化生产与管理[2]。管理人员应该实时掌控物料加工仓储情况、人员在岗情况和机器工况等信息，发挥物料管理在资源调节中的“指挥棒”作用。日本企业界认为“只看一个企业的物流调度便可以判断企业的管理水平”[3-6]。因此高效的调度是企业有效的盈利手段之一。

1 车间调度问题描述

车间调度属于生产调度，是以生产进度计划为依据的一项活动[7]。现代企业生产活动具有持续性强，生产环节多且生产协作关系复杂等特点，在某一环节出问题可能会影响到整个生产流程。因此实时掌握生产流程中的各个数据具有十分重要的意义[8]。本次研究的目的是实时采集车间员工在岗信息，如有员工缺工，系统将根据生产计划调派相近工序员工替代，达到产量最大化目的。此次设计通过物联网采集数据，使用ZigBee和RFID作为数据传输方式，最后将采集到的数据用遗传算法进行优化，用优化结果指导生产调度。

2 无线传感器网络结构设计

物联网的出现带来一种新的数据采集方式，因而获得工业界的广泛亲睐。在物联网时代，将生产设备、建筑、通讯设备和运输设备等与智能硬件和互联网融为一体。通过物联网技术可以方便地获得人员、设备、仓储及物流等各项数据，实现从原料到商品的完全监控[9]。车间调度优化就是物联网应用的一个实例。

在实际车间调度中，物联网起到信息采集的重要作用。数量巨大的RFID和传感器处于物联网的最底端，为整个物联网采集所需数据，是物联网技术的关键组成部分；RFID和传感器通过互联网与服务器相连，将采集到的数据通过传感器网络发送到服务器；服务器再将数据整合之后通过互联网传送到优化中心进行数据挖掘和优化，管理层可以得到优化后的结果指导生产。

车间物联网结构如图1所示，由安装在车间门口处和机床上的RFID阅读器，工人携带的RFID芯片、贴在零件、半成品和产品上的RFID芯片，集线器，服务器和各管理终端组成。

图1 车间物联网结构图

各类RFID芯片及阅读器将工人的在岗信息、工人所在机床信息、无人使用机床信息、零件加工信息、某位工人加工某道工序时间信息、零件及半成品在仓库存储位置及其存储时间等信息上传服务器。服务器将这些信息汇总之后分类发送至各管理终端，并抄送一份送入分析诊断中心。诊断中心将信息整理优化后得到每位工人出勤、产量和合格率；每台机床工况和合格率；每个产品从原料到成品所经过的加工工序时间及其仓储时间等信息；当有员工缺勤，分析诊断中心会根据目前生产情况、在岗工人的各类信息和正常运转机床信息提出调度方案。

图2 加工信息与资源情况关系图

经过分析诊断中心分析优化之后得到如图2的加工信息与资源情况之间的关系，并将此关系量化后送至公司生产管理部门。生产管理部门根据优化结果实时做出人员、设备等的调整。

3 系统硬件设计

Zigbee无线传感器网络的建立需要由协调器、路由器和信息采集模块构成，协调器用于组建网络，路由器用于通信范围的扩展和中继，信息采集模块则是用于信息的采集和获取[10]。

3.1 RFID信息采集模块电路设计

信息采集主要包括人员信息、零件信息、加工设备信息及时间信息的采集同时需要将这些信息发送出去，并通过该装置进行数据的传输。人员信息和零件信息由RFID射频芯片提供，因此本文设计的信息采集装置以射频芯片MFRC522和CC2530单片机为核心构成RFID读卡器，MFRC522是NXP公司推出的应用于13.56MHz非接触式通信中高集成度非接触式读写卡芯片，具有低电压、低成本、体积小特点[11]。该芯片采用了先进的调制和解调技术，完全集成了在13.56MHz下所有类型的被动非接触式通信方式和协议，支持 ISO14443A的多层应用，其内部发送器部分可驱动读写器天线与ISO 14443A/MIFARE卡和应答机的通信，而无需其它电路。MFRC522与主机间的通信采用串行通信，且可根据不同的用户需求，选取SPI、I2C或串行UART，有利于减少连线，缩小PCB 板体积，降低成本。信息采集模块电路原理图如图3所示。

图3 信息采集模块电路原理图

这里MFRC522与CC2530之间采用SPI通信。MFRC522可复位其接口，可以通过控制管脚上的逻辑电平来识别微控制器接口，对执行了上电或复位的CC2530控制器接口的类型进行自动检测。在与CC2530单片机通信时，MFRC522用作从机，接收CC2530单片机的数据，及发送和接收RF接口的相关的通信数据。通信时，SPI时钟SCK由CC2530产生，数据通过MOSI线从CC2530传到MF RC522；数据通过MISO线从MF RC522发回到CC2530主控制器。MOSI和MISO在传输的时候，每个字节都是高位在前低位在后。MOSI上的数据在时钟的上升沿保持不变，在时钟的下降沿时改变。MISO也跟它类似，在时钟的下降沿，MISO上的数据由MF RC522来提供，在时钟的上升沿的时候数据就保持不变。

LCD显示用于显示机床号，当前使用人员的名字、工号，当前加工零件的图纸编号，当前工艺名称和要求，上一道工序的名称，下一道工序的名称，加工时长等等信息。

3.2 Zigbee无线网络

由于由于ZigBee无线技术具有低功耗低成本高扩充性免频段使用费等优点[9]，而且适合工业现场环境，本数据采集终端设计了一种Zigbee无线通信的模块，选用符合Zigbee技术的2.4GHz射频系统芯片CC2530，在单个芯片上整合了射频的前端内存和微控制器，工作电压范围为2～3.6V，采用较少的外围电路即可实现无线信号的收发，射频模块电路原理如图3所示。

系统时钟由32MHz晶振提供，32kHz晶振为系统休眠所用时钟，复位按键与RESET接口连接可实现硬件复位与初始化系统。SPI接口与MFRC522连接，将读取到的数据存放在收发电路的先进先出缓存(FIFO)中，数据接收完后以DMA方式将收发缓存中的数据输入到CC2530指定采集的数据的存储区。发送数据时以DMA方式将需要发送的数据送到RF指定的FIFO，再通过CC2591无线模块发送给协调器节点，协调器节点将收集到的各个数据采集模块的数据通过串口上传至上位机。

4 遗传算法优化设计及调度优化

遗传算法源于达尔文生物进化论的遗传、变异和自然选择思想，是一种具有隐形并行智能搜索算法[12]。它具有自组织、自学习和自适应性等优点，同时也存在一些诸如早熟、不易收敛等缺点[13-14]。经过多年对传统遗传算法的改进，改进的遗传算法克服了上述缺点，因此我们使用改进遗传算法进行优化仿真。

4.1 遗传算法基本原理

遗传算法包括编码策略及技术、建立初始种群、构造适应度函数、选择操作、交叉操作、变异操作、算法终止条件设定和参数设置。

编码：编码是GA(遗传算法)的第一步，涉及到运算的精度及收敛的速度，需要根据不同的需求采用不同的编码策略。确定编码策略后将由该类型编码组成染色体，由染色体相互组合构成解空间。

初始总群生成：在解空间中随机抽取取定数量的个体组成初始种群，遗传算法将由这些个体开始交叉变异等操作。

构造适应度函数：适应度函数是评价个体是否适应环境的标准。每次迭代产生新个体之后都要对每个新个体进行适应度评估并按适应度高低排序，以便选取适应环境的个体参与后续运算，可以加速收敛。

评价适应度的函数由公式(1)表达：

(1)

式中： Ds(P)—种群规模为n的适应度均方差，

fi—第i个个体适应度数值，

该式的时间复杂度是O(NlogN)[15]。

选择操作：当所有新个体被适应度函数评估并排序之后，选择操作会选出一部分高适应度个体参与后续运算[10]。选择操作采用“保存最优部分个体策略”，这样可以保证最适应环境的个体避免因交叉和变异而退化，这样可以加速收敛。采用该方法的好处是种群的适应度不会随着迭代而下降。

交叉操作：两条染色体为父代，以一定概率取它们中同等位置的一点或多点，交换取定点之间的基因，从而产生新个体的操作。

变异操作：以一个较小概率取某染色体的某点，取得的点进行变异操作。通过改变基因的数值达到改变个体适应度的效果。鉴于固定的变异概率在迭代后期对收敛起较大的反作用，因此我们选用自适应变异概率进行运算。自适应变异概率为公式(2)如下：

(2)

式中： Pm—变异概率；

f—变异个体适应度；

fmax—为种群最大适应度；

favg—为种群平均适应度；

Pcmin—交叉概率值；

Pmmax—变异概率取值上限；

Pmmin—变异概率取值下限。

算法终止条件：GA和其他算法一样，必须满足一个确定的条件才能停止迭代运算。这个条件可以是迭代代数、运算时间和适应度值[16-19]。

4.2 遗传算法参数设计

此次优化的数据来源于某型号六面顶铰链梁液压缸体生产车间，该缸体生产共分粗车外圆、精车外圆、镗内壁、精镗内壁、钻孔及攻丝等五道工序，每道工序由一个班进行生产。超硬材料六面顶铰链梁液压缸体零件图如图4。笔者连续采集12个工作日的工人出勤情况和产量数据，并将缺勤工作日的工人进行遗传算法仿真调度得出优化结果。

采用改进遗传算法优化车间调度问题，首先设置优化目标，优化目标为当天成品产量最高。也就是要求每个生产班产量最大化且生产数量尽可能相同。其中约束条件为：各生产班人数之和为在岗总人数；各班人数不少于1人且不大于总人数；各生产班人员尽可能少调动。设置优化变量为各生产班人数[R1,R2,R3,R4,R5]。编码参数设置：各班人数是在各自范围内离散变化，与遗传算法数据处理方式相类似，故本例使用十进制正整数进行染色体编码[20]。初始种群设置为80，交叉概率为0.8，变异概率为自适应概率，如公式(2)。设置迭代结束条件为：在100次迭代出现最大值不再变化。

图4 超硬材料六面顶铰链梁液压缸体零件图

项目123456789101112粗车外圆000000000000精车外圆000000000100镗内壁010000000000精镗内壁000000000000钻孔攻丝000000000000

表2 优化前产量统计表

4.3 人员调度优化

针对超硬材料六面顶铰链梁液压缸体生产调度优化，首先采集缺工人数和员工工作效率和确定遗传算法相关参数，然后进行调度优化，提高当天产量。员工缺工数据和每天参量如图1和图2所示，优化前后产量对比如表3所示。如表4所示，改进遗传算法可靠性较好，此次仿真结果较可靠。

表3 优化后产量变化结果表

表4 遗传算法最优解结果及准确率统计表

表4中，n为工件数，m为工序数，C为理论最优解，c为算法求解得到的最优解。

5 结论

对大型车间人员调度的问题进行数据统计和分析，利用改进遗传算法进行调度优化。对某型号的超硬材料六面顶铰链梁液压缸体生产进行优化调度，结果表明在人员缺工的情况下，通过适当的人员调度操作可以在一定范围内加大产量，减小损失。从算法的验证可以看出此次优化可信度较高。

[1] 董鹏，郑理，彭若帆,等.制造业内部物流所处的困境及优化管理研究[J].湖南包装,2014(12):3-8.

[2] 文武,王小侠.企业内部物流的标准化管理与信息化应用[J].沈阳大学学报(社会科学版),2012(5):11-13.

[3] 俞仲秋.当代物流外包中企业战略关系矩阵的探索与研究[J].物流科技,2011(4):45-47.

[4] 郭玉杰.第三方物流企业内部控制环境建设研究[J]. 会计之友,2014(4):64-67.

[5] Guoyujie. Third party logistics enterprise internal control environment construction research [J]. accounting of the 2014(4)：66-68.

[6] 制造业企业物流管理创新研究——以美的集团芜湖制冷设备有限公司为例[J].特区经济,2009(7)：2-6.

[7] 李传鹏，王桂从，崔焕勇.柔性作业车间调度问题研究现状及发展趋势[J].组合机床与自动化加工技术，2012(11)：109-112.

[8] 韩立杰.基于internet的数据监控系统的监控与实现[J].科技创新导报，2010(2)：72-75.

[9] 孙利民，李建中，陈渝，等.无线传感器网络[M].北京：清华大学出版社，2005.

[10] 魏延,曹长修,唐政,等.利用ZigBee技术构建无线传感器网络 [J].重庆大学学报(自然科学版),2011,7(15):203-204.

[11] 张东，姜岩峰，生晓坤．RFID中天线的优化设计[J].电子测量与仪器学报，2011，25(7)：626-629．

[12] 杨红红，吴智铭．基于自适应遗传算法的柔性动态调度研究[J].中国机械工程，2002,13(21):1845-1848．

[13] 喻寿益,邝溯琼. 保留精英遗传算法收敛性和收敛速度的鞅方法分析[J].控制理论与应用, 2010(7):843-848.

[14] Wu Xiaojin,Zhu Zhongying.Reseaarch on diversity measure of genetic algorithms[J].Information and Control, 2005,34(4):416-422.

[15] 徐宗本，聂赞坎，张文修,等.父代种群参与竞争遗传算法几乎必然收敛[J].应用数学学报，2002，25(1):167-175.

[16] 余琦玮，赵亮，潘双夏基于遗传算法的柔性作业车间调度优化[J].组合机床与自动化加工技术，2004(4):32-34.

[17] 李宏,焦永昌,张莉,等.一种求解全局优化问题的新混合遗传算法[J].控制理论与应用,2007,24(3):343-348.

[18] Moura Scott Jason,Fathy Hosam K,Callaway Duncan S,et al.A stochastic optimal control approach for power management in plug-in hybrid electric vehicles[J]. IEEE Transactions on Control Systems Technology,2011.

[19] 陈庭贵,琚春华.多干扰的资源约束项目调度问题[J].计算机集成制造系统,2012,18(11):2409-2418.

[20] 万敏，唐敦兵，王雷,等.求解车间调度问题的改进型自适应遗传算法[J].科学技术与工程，2013,13(11):2997-3001.

(编辑 李秀敏)

Research on the Application of Wireless Sensor Networks in Job Shop Scheduling Optimization

HAN Jin-dong，XU Jin-yong，ZHANG Ying-hong

(School of Mechanical and Electrical Engineering, Guilin University of Electronic Technology, Guilin Guangxi 541004,China)

In order to solve the workshop production efficiency greatly reduces the problem caused by a small number of employee absenteeism. In this paper, RFID and ZigBee establish data collection and information transfer of sensor networks, using adaptive genetic algorithm to optimize the data collected by wireless sensor network, and the establishment of the design model optimization scheduling. The result is applied to the optimized production scheduling. The expected goal of maximizing the efficiency of the personnel transfer and production is achieved. After the experimental verification, the optimized results can improve the yield of 10%.

intemet of things; improved genetic algorithm; optimization; scheduling

1001-2265(2016)10-0157-04

10.13462/j.cnki.mmtamt.2016.10.043

2015-11-27；

2016-01-21

广西制造系统与先进制造技术重点实验室(10004607-005)；桂林电子科技大学研究生创新项目(YJCXS201508)；全国大学生创新训练计划项目(201510595001)

韩晋栋(1988—)，男，山西朔州人，桂林电子科技大学硕士研究生，研究方向为制造业信息化，(E-mail)maizi1980s@sina.com。

TH166；TG65

A