SERU 系统中的自适应多目标重调度:通过基于案例推理学习决策者偏好
《Expert Systems with Applications》:Adaptive Multi-Objective rescheduling in seru Systems: Learning Decision-Maker preferences through Case-Based reasoning
【字体:
大
中
小
】
时间:2026年08月30日
来源:Expert Systems with Applications 9.4
编辑推荐:
**摘要**
重调度是指在当前排产计划因扰动变得不可行或效率低下时,对生产计划进行重新优化。本研究考虑了一个多目标seru重调度问题,旨在应对效率与稳定性之间的权衡,同时处理工人缺勤、工具故障与维修以及订单变更等不确定事件。该问题被建模为两个相互冲突的目标:最小化生产周期(
**摘要**
重调度是指在当前排产计划因扰动变得不可行或效率低下时,对生产计划进行重新优化。本研究考虑了一个多目标seru重调度问题,旨在应对效率与稳定性之间的权衡,同时处理工人缺勤、工具故障与维修以及订单变更等不确定事件。该问题被建模为两个相互冲突的目标:最小化生产周期(makespan)和最小化重调度过程中被重新调度的批次数量。我们评估了一些响应策略的效果,发现其有效性取决于扰动事件的规模。为辅助决策者(DM),我们提出了一种基于案例推理(CBR)的框架,该框架能够从类似系统条件下做出的历史重调度决策中进行系统性学习。该框架通过检索并聚合相关历史案例中的偏好信息,引导基于偏好的进化搜索趋向于决策者的感兴趣区域(ROI)。除了这种先验初始化之外,我们的方法还支持通过交互反馈和后验选择进行偏好的渐进式细化,并辅以折中解分析。这种三模式方法在不同的偏好确定性水平下提供了灵活的决策支持。根据我们的仿真实验,CBR驱动器显示出向历史决策者偏好的统计显著收敛趋势。因此,即使专家离开系统,他们的知识和经验仍然嵌入在系统中。
**引言**
Seru主要是一种配备简单工具和一名或多名工人的微型装配单元,是1990年在日本工业界开发的一种新型单元制造系统的变体(参见Liu等,2010;Sakazume,2005、2006;Isa和Tsuru,2002;Stecke等,2012;Yu和Tang,2019;Kaku,2017)。Seru生产系统(SPS)与单元生产系统之间最重要的区别在于,SPS可以被轻松重新设计(Yin等,2017)。因此,它既保留了车间作业计划的灵活性,又具备传送带装配线的效率(C. Liu等,2013;Ying和Tsai,2017)。SPS的关键要素之一是多技能劳动力,因此它被视为以人为中心生产的代表(Liu等,2010)。关于SPS及其管理机制的更多说明见Stecke等(2012)、Yin等(2008)和Liu等(2014)。
SPS的主要目的是通过在工序之间快速移动零件和库存来提供持续流。该系统实际上是丰田准时制制造物料流系统(JIT MS)的延伸。JIT MS侧重于物料流,而该系统侧重于组织(JIT OS)(Stecke等,2012)。Li等(2026)讨论指出,与JIT MS相比,SPS在稳定环境和不稳定环境中的快速响应能力分别提高了20%和50%。
Seru有三种类型:分岗式(divisional)、轮岗式(rotating)和移动摊位式(yatai)(Stecke等,2012;Yu等,2018)。在分岗式seru中,操作被分为若干工位,一个或多个交叉培训的工人被分配到每个工位。分岗式seru类似于缩短的装配线,工人在其中独立执行自己的操作(Wang和Tang,2017)。相反,轮岗式seru中的工人能够完成从开始到结束的全部生产过程。任务在U型短线上的固定工位执行,工人跟随前面的同事从一个工位走到下一个工位(Yin等,2018)。轮岗式seru的生产产出几乎与分配的工人数成正比。轮岗式seru的一个显著优势是其能够通过调整工人数迅速适应需求波动(Fujita等,2022)。它还有助于seru内工人之间的知识转移,使他们能够了解任务的最佳实践。在日本,"yatai"一词指的是街头食品商贩,他们可能在空间有限的移动摊位上由一名操作员提供多种食物(Wang和Tang,2017)。在SPS的语境中,yatai代表一种只有一名工人的特殊轮岗式seru。
根据组织演化的观点,分岗式seru是向装配线最接近的转变,而yatai是需要完美组织的seru类型(Sakazume,2005)。SPS的最优性能由多个相互依赖的优化问题组成,如seru系统设计(seru形成)和seru调度,这些都是NP难问题(Yu和Tang,2019)。
在当今复杂多变的制造系统中,不确定事件(扰动)如机器故障、操作员缺勤和处理时间波动可能导致计划变更,使其变得次优甚至不可行(Liu等,2022;Luo,2020;Ouelhadj和Petrovic,2009)。除了这些内部扰动之外,企业现在为客户提供更大的灵活性和修改订单的能力,以客户为中心的环境中获得竞争优势,这导致订单到达和修改的频率比以前更高(Liu等,2022)。因此,企业开发动态调度方法来维持车间的高效生产至关重要。
"动态调度"概念用于指能够利用实时数据更新被扰乱计划的优化模型。这些模型在文献中被称为各种名称,包括实时调度、在线(或动态)调度和重调度模型(Ghaleb等,2020)。在动态制造环境中,计划人员必须迅速应对不确定事件,并以经济高效的方式修订计划(Vieira等,2003)。相对较小的不确定性通常在车间中被忽略,而较大的不确定性则会演变为混乱(Aytug等,2005)。虽然重调度通常是有益的,但它可能导致设置次数增加、物品重新调度、运输量增加以及系统紧张(Ghaleb等,2020)。这意味着重调度策略可能导致与之前的计划显著不同的新计划。排产稳定性是对计划进行修订或变更次数的度量。如果修订是通过移动受扰动影响的作业/暴露而不改变其他作业的位置来实现的,则称为修复。排产修复是对当前计划进行一些局部调整以节省时间和保持稳定性。然而,从头开始重调度通常涉及不稳定性和低效率,这需要改进。Rangsaritratsamee等(2004)和Cowling和Johansson(2002)同时考虑了效率(以生产周期、延迟等衡量)和稳定性(以作业开始时间与之前计划的总偏差衡量)。最近,Kulcsár等(2025)提出了用于衡量排产不稳定性指标的细化方法,如路线变更、机器重新分配、延迟变化和设置修改。
在seru单元中,重调度涉及调整批次分配、处理序列、工人分配或seru配置,以维持生产效率和系统稳定性。Li等(2024)解决了多目标seru重调度问题,其中生产周期被视为效率度量,批次完工时间与之前计划的偏差被视为稳定性度量。
在本研究中,我们考虑了在工人缺勤、工具故障与维修以及订单变更等不确定事件下的多目标seru重调度问题。这些事件经常扰乱正常运营,给决策者带来重大挑战。这些扰动经常迫使决策者根据系统当前状态在效率与稳定性之间调整优先级。例如,当seru利用率较低时,或者在每日排产结束时大多数作业即将完工时(Li等,2020),决策者可能会优先考虑效率,通过最小化生产周期来应对扰动。相反,在运营高峰期,决策者可能关注减少批次重新调度以防止混乱并维持系统稳定性。因此,动态重调度反复需要决策者的偏好。这些偏好通常在经验丰富的计划人员离开时丢失。因此,我们提出了一种基于CBR的组织记忆,从历史重调度案例中学习偏好模式,并用于引导基于偏好的搜索。该框架通过实时适应系统状态来支持决策者,包括那些新来的、困惑或压力下的决策者。
**本文的研究贡献可总结如下:**
1. 为有效管理不确定事件,我们提出了一个多目标重调度优化模型,同时最小化两个关键性能指标:反映生产效率的生产周期和考虑重调度期间排产稳定性的重新调度成本。我们研究了这两个目标函数之间的权衡关系。
2. 我们评估了一些实用的启发式方法,如管理层重调度和左右移动策略。我们将这些响应策略与初始计划和高效的重调度方案进行了比较。我们讨论了在何种条件下哪种策略更为有效。
3. 我们提出了一个决策支持框架,将CBR循环与三模式偏好表达相结合:基于相似历史案例的CBR驱动先验初始化、通过交互反馈进行渐进式细化,或由折中解鲁棒性分析支持的后验选择。
4. 与调度领域中仅依赖传统运营变量(处理时间、交货期、机器可用性)的传统CBR应用不同,我们丰富了状态空间,纳入了现有文献中缺失但对实际决策有用的人本和情境变量。
**Seru生产与重/调度**
Seru生产系统(SPS)是为应对高需求波动和短产品生命周期带来的挑战而开发的,在这种环境下,装配线不是合适的解决方案(Yin等,2017)。它是单元制造的一种变体,其特点是单元可重构而非固定(Yin等,2008;Stecke等,2012;Yin等,2017)。文献中报道了佳能、索尼、日立等企业从装配线转向seru的举措(Yu等,2014;Yu等,2017a;Yu等,2017b)。
**问题定义**
该问题涉及一组seru,记为J,一组批次,记为M,一组产品,记为N,以及一组多技能工人,记为W。每个批次包含单一产品类型。每种产品需要在具有多个不同工作站点S的seru上执行若干任务(Yu等,2014;Yu等,2017a;Yu等,2017b)。每个批次由多个相同的物品(或零件)组成,作为一个生产单元进行处理。Seru的类型为轮岗式或移动摊位式。
**计算结果**
在本节中,我们进行了实验以观察所开发算法在不同实时考虑条件下的性能,包括缺勤/工具故障场景、批次规模变更场景以及不同的决策策略。所有算法均以Python 3.7编写,实验在一台配备Intel(R) Core(TM) i5-11400H 2.7 GHz处理器、16 GB内存的个人计算机上进行。我们使用ILOG Cplex求解器(Cplex,2010)求解单目标……
**结论**
本研究提出了一个在不确定事件下的多目标seru重调度问题,通过最小化生产周期和被重新调度的批次数量来实现。我们研究了Pareto前沿,并推断目标之间的权衡取决于扰动类型,其中资源扰动是更具挑战性的类型。我们提出了一些实用的重调度策略。我们的结果表明,简单的响应策略可以有效吸收轻微扰动,然而,在重大扰动下……
**AI声明**
在准备本文期间,作者使用了ChatGPT/Claude来提高文本的清晰度和可读性,并简化了代码。在使用该工具/服务后,作者对内容进行了审核和编辑,并承担已发表文章内容的全部责任。
**披露声明**
作者未报告任何潜在的利益冲突。
**未引用参考文献**
Rostami等,2017;Yu等,2017;Yu等,2017;Zhang等,2022;Zhang等,2022。
**利益冲突声明**
作者声明他们不存在已知的竞争性经济利益或个人关系,这些关系可能会影响本文所报道的工作。
Banu Soylu | Gazi Bilal Y?ld?z
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号