张雨绮结婚经过多年的深入探索,加之疫情的影响及国外的封锁,我国高端装备制造业走出了一条具有中国特色的创新发展之路。在专利数量上,我国高端装备制造专利数量近年来的增速追平发达国家;工信部数据显示,最近十年装备工业增加值均保持中高速增长,投资界对整个高端制造行业持积极态度。信息化、人工智能、协同技术等的创新发展是提高高端制造企业竞争力的关键。
为进一步聚焦高质量发展导向,集聚企业资源,加快打造高端智能装备产业创新集群,2023年2月7日,由张家港市科技局主办,大新镇承办、国泰创投集团旗下北京国泰帕克科技服务有限公司协办的“科技企业张家港行”高端智能装备专场活动成功举办。
会上,北京石油化工学院副教授、人工智能研究院智能机器人实验室副主任 滕达做了题为《面向高端装备制造协同优化的人工智能方法的探讨与展望》的报告。小编整理了滕教授演讲的干货内容,以飨读者。
滕达,现任北京石油化工学院副教授,人工智能研究院智能机器人实验室副主任,研究方向为智能装备、先进制造、多源传感器融合。2015年于中国铁道科学研究院获得博士学位, 2012年于中国科学技术大学获得硕士学位,2009年于江南大学获得学士学位。曾在中国铁道科学研究院担任助理研究员和副研究员,主持和参与多项重大科研项目研究,包括国家创新基金、北京市教委专项基金、国铁集团和中国铁道科学研究院等课题,参与多家大型国企、纳斯达克上市企业及中小企业的课题研究及企业咨询服务,累计发表20余篇论文,获得5项国家发明专利授权。
首先,需要定义什么是“高端制造协同”?我们经过对论文的调研和统计得到以下四个方面:
第一,制造与库存协同。这个问题解决的是高效的制造与库存协同的优化调度问题,在提高设备利用率的同时降低零配件和在制品的库存。通过统计高质量文章的热度得出,近十年来,这个主题的文章数量趋于平缓,与其他子课题相比,文章数量还是比较多的。
第二,制造与配送协同。这个问题是将高端装备制造中的实际要素,包括批处理、不确定加工时间、恶化效应、学习效应与配送阶段的交付时间、车辆数量、运输成本等要素进行通盘考虑。近五年来,这个问题的研究热度有了显著地提高。
第三,制造与组装的协同。在全球化背景下,零部件厂商的地理位置和生产能力是有差异的。这就要求我们在协同调度的时候,不仅对零件厂商进行智能调度,而且要通盘考虑对整个产品的组装流程进行研究,最终提高高端装备制造系统的整体效率。从论文数量上可以看出,这个问题近三年的研究热度有明显提高。
第四,制造与维修协同。为了保证生产的安全,通常需要安排一些维修,但是过多的维修或者说不合理地维修反而会降低效率。在这方面,近四年论文数量有明显提升。
最后,我们将以上四个分类做综合对比,可以看出学术界对于高端装备制造协同问题的分类方法及研究热度。
众所周知,人工智能算法本质上是解决优化的问题。针对不同的优化目标,关于协同问题的人工智能算法可以分为三大类,每一大类下面又可分为几个小类:
第一、基于完工时间优化目标的智能求解方法。其中又包括最小化最大完工时间、最小化资源消耗、最优运输和最优维修。
第二、基于生产成本优化目标的智能求解方法。包括库存成本、配送成本和维修成本。
第三、基于能源消耗优化目标的智能求解方法。包括能源消耗量,能源成本和碳排放量。
香港大学的团队将香港某个铝业集团的生产协同问题纳入到差异化生产系统的研究框架之内,他们经过调研提出了一些待解决的问题:
1. 生产一件成品的工艺路线不唯一,选择工艺路线对物料利用率和生产效率有重要影响
为此,他们设计了两阶段求解算法。首先,是通过整数规划模型来做工艺上的规划,把工艺确定下来。第二是用粒子群优化的方法对作业进行调度。最后总结了一个结论:最小化总流通时间并且保证它的最长完成时间是一个上限,可以有效的减少通用库存的压力。
加拿大怀雅逊团队针对动力电池生产中的闭环供应链(CLSC)问题进行了研究。待解决的问题:
他们使用了模糊ANP模型、距离法和ε-约束方法来解决他们的问题。这也是第一个将模糊ANP模型应用于多电池闭环供应量的研究。
扬州大学团队探讨加工资源和运输资源集成情况下的绿色作业车间调度问题。加工资源包括各种各样的机床,运输资源包括AGV小车、机器人(机械臂)和实际车辆。为了解决这个问题,他们定义了一组优化目标:最小化的完工时间及最小化能耗。
为了解决这个问题,该团队用分布估计算法和模拟退火算法的优点相结合,设计了改进分布估计方法,最终得出结论:AGV小车的运输速度对整个车间的综合能耗有直接的影响。
最后一个是上海理工大学的最新研究成果。他们对半导体晶圆节能分布式制造和预维修做了联合优化,涵盖晶圆片的制造阶段和检测修复阶段。他们希望优化的有三点:最小化完工时间、最小化碳排放,最小化预维护成本。
为此,他们设计了一个改进的混合多目标灰狼算法,在改进的过程中分别对解码方案、初始化种群融合策略、捕食行为搜索策略、子种群变异策略进行了改进。他们使用某个高新企业的真实数据和流程进行了仿真,最终他们得出了一个帕雷托最优解集,企业决策者可以根据这个解集,还有自己利益倾向的考量,选择需要的解决方案,最终实现生产效率、经济利益和绿色指标之间的平衡。
(参考文献:董君, 叶春明. 半导体晶圆节能分布式制造与预维护联合优化[J]. 系统仿线 未来展望
对于面向高端装备制造协同优化的人工智能方法的展望,滕达教授认为可以从以下四个方面开展未来工作:
,供应链安全问题最主要的是保证自主可控,这方面任重而道远。第二,对互联网与大数据环境下的鲁棒性标准优化问题研究,核心是将生产过程中真正的故障因素考虑在内,而不是提出理想化的模型。第三,工业大数据驱动的智能协同优化算法的研究,这也要求我们借鉴目前比较流行的大数据、大模型理论,真正地利用好工业大数据。最后,基于工业界内比较广泛认可的方法,就是将传统的算法与人工智能算法相结合,取其所长。
|