考虑设备退化的矩阵制造系统实时加工调度方法研究

本文创新性地提出考虑设备退化实时加工时间（SPMMS-RPT）的矩阵制造系统（MMS）调度问题，通过构建集成预测性维护（PM）的数学模型，开发基于双深度Q网络（DDQN）的智能调度算法，有效解决设备可重构性带来的配置切换时间与退化导致的动态加工时变难题，实验证明该方法在缩短制造周期（makespan）和计算效率上显著优于传统方法。

　　

Highlight

设备可重构性与设备退化赋予矩阵制造系统（MMS）调度更强的物理意义和更复杂的约束条件。可重构性引入配置切换时间作为传统加工时长和物流时间外的第三时间参数，而设备退化导致的动态时变特性使实际加工时间取代理论值。本研究创新性地提出考虑实时加工时间的MMS调度问题（SPMMS-RPT）。

当前调度算法研究现状

调度算法主要分为三类：(1) 精确算法，如动态规划和分支定界；(2) 启发式算法，包括简单启发式（SHA）和元启发式（如智能优化算法）；(3) 人工智能算法。

SPMMS-RPT问题详解

该问题需在k台机器上调度n个工件，每个工件包含有序工序集O_Ji={O_i,1,...,O_i,ni}。系统在配置集A下运行，配置切换会占用机器时间（类似设置时间），且切换独立于其他机器。

DDQN算法简介

马尔可夫决策过程（MDP）是强化学习（RL）的基础，智能体通过试错与环境交互，以奖励为导向寻找最优策略。SPMMS-RPT被转化为MDP问题，通过DDQN实现状态-动作映射优化。

车间实况分析

某特种车辆零部件制造车间采用MMS，通过10台可重构加工中心、8个模块化装配站和5台智能焊接机器人实现"一线双用、一机多能"的矩阵布局，显著提升多品种小批量订单响应能力。

制造系统横向对比

在相同订单量和设备数下，SPMMS的最优解为23（传统柔性制造系统FMS为24）；中大规模场景下SPMMS达114（FMS为119），验证其调度优势。

结论

本研究构建的SPMMS-RPT调度框架通过强化学习实现作业-设备状态协同优化，实验表明其较传统方法缩短制造周期15%，计算效率提升40%，为工业5.0时代智能运维提供新范式。