Нейронная сеть корректор для распределения работ в задаче внутрицехового планирования Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 517.977.56+517.977.58

НЕЙРОННАЯ сеть корректор для распределения работ В ЗАДАЧЕ ВНУТРИЦЕХОВОГО ПЛАНИРОВАНИЯ

© Л. А. Лукьянов*, С. И. Спивак, В. Л. Христолюбов

Башкирский государственный университет Россия, Республика Башкортостан, 450076 г. Уфа, ул. Заки Валиди, 32.

*Email: [email protected] Тел.: +7 (347) 273 32 87.

Классификация задач внутрицехового планирования может быть построена на основе классификации задач теории расписаний, типа jobshop, openshop, flowshop. Задача построения расписания для цеха как правило решается MES системами, которые при построении расписания учитывают множество критериев оптимизации. Такими критериями в частности могут быть: минимизация длительности производственного цикла, сокращение простоев оборудования, выравнивание загрузки производственных мощностей цеха, повышение коэффициента загрузки станков и т.д. Таким образом, любая MES система должна иметь векторный вид критерия оптимизации при построении расписания. Кроме того, необходимо предусмотреть способ расширения базы критериев на основе некоторого алфавита и определенных логических правил. Упомянутое выше требование накладывает определенные сложности при реализации системы планирования ввиду необходимости формализации критериев. В данной работе предлагается новый подход в формализации дополнительных критериев оптимизации на основе нейронных сетей, призванных скорректировать загрузку оборудования. Формализация выполняется с использованием сетей двух типов: многослойного персептрона, обновляющего весовые коэффициенты за счет обучения с учителем; сети Кохонена, выполняющей кластеризацию входных данных на основе функции меры близости.

Ключевые слова: внутрицеховое планирование, теория расписаний, нейронная сеть Кохо-нена, многослойный персептрон, мера близости, обучение с учителем, обучение без учителя, MES система, экспертная система.

Введение

В настоящее время существует множество программных систем различного назначения, которые в той или иной степени строят оптимальное, или близко к оптимальному, расписание загрузки оборудования. В качестве оборудования могут выступать как рабочие центры, так и отдельные машины (станки) вместе с обслуживающим персоналом. Цель данных систем - сделать более прозрачными процессы управления над ресурсами предприятия и сократить человеческий фактор в сфере автоматизации производственных задач. Среди предлагаемых системных решений для задач планирования и управления сложилась достаточно устойчивая градация данных систем по возрастанию цены и функциональности продукта: APS, MES, ERP. Традиционно, задача внутрицехового планирования решается системами класса MES, которые при построении расписания загрузки оборудования оперируют фактическими данными производственной обстановки (состояния цеха) [5]. Программные системы данного класса рассматривают особенности технологических процессов, протекающих в цехе и строят расписания не только основываясь на общем, стандартном критерии максимизации прибыли предприятия, как происходит при планировании в APS и ERP системах, но и учитывая векторный характер критерия оптимальности. Действительно, критерий оптимальности при построении расписания для цеха имеет вид векторного функционала, причем критерии, входящие в

данный функционал, должны быть непротиворечивы между собой. Такими критериями могут быть: минимизация цикла изготовления какой-либо ДСЕ по технологическому процессу; сокращение времени выполнения операций, за счет оптимального назначения на обслуживающие устройства; минимизация состава и длительности переналадок; сокращение брака, за счет более грамотного распределения человеческих ресурсов; сокращение страхового запаса на технологические нужды; выравнивание загрузки оборудования по цеху; максимизация общего коэффициента загрузки, либо частного для тех или иных обслуживающих единиц и т.д. Список данных критериев неограничен и может пополняться с течением времени. Стоит отметить, что среди приведенных критериев имеются как взаимоисключающие, так и дополняющие друг друга, причем если критерии противоречат между собой, то это не значит, что использоваться при построении расписания выполнения работ должен только один из них. Например, увеличение потолка коэффициента загрузки может привести к неравномерной загрузке обслуживающих единиц, так как узкое место (некий универсальный станок с большой номенклатурой запуска) будет тормозить загрузку других обслуживающих устройств по маршруту движения ДСЕ.

Большинство MES систем предлагают при построении расписания работы оборудования выбрать какой-либо из критериев, которые предопределены заранее и не могут быть изменены, для проведения

оптимизации на множестве допустимых расписаний. Следовательно, у потенциальных пользователей данных систем планирования возникает сразу же вопрос по поводу действительной оптимальности полученного расписания и подстройки под частную производственную обстановку. Таким образом, наличие предопределенных критериев усложняет внедрение данных систем в эксплуатацию, либо вовсе делает этот процесс невозможным. Данная проблема уже поднималась некоторыми авторами, занимающимися производственными задачами и вопросами исследования операций. В частности, Загидул-лин Р. Р. рассматривает «возможность пополнения базы критериев» в качестве одной из наиболее важных характеристик систем планирования [2]. Актуальность данной проблемы связана процессом внедрения системы планирования в эксплуатацию и созданием прозрачности алгоритма распределения работ по обслуживающим устройствам (то есть основному эвристическому модулю), который чаще всего вызывает массу вопросов у производственников. В связи с этим, мы предлагаем новый способ распределения работ по оборудованию на горизонте планирования на основе нейронных сетей типа многослойного персептрона и сети Кохонена для первоначальной кластеризации работ. Стоит отметить, что основные критерии оптимизации (они также остаются в формализованном математическом виде) не заменяются нейронными сетями, а лишь только дополнительные критерии построения расписаний вводятся в систему посредством настройки весовых параметров нейронной сети. Такая нейронная сеть выполняет в системе планирования роль корректора, способного изменить логику расчета плана в соответствии с некоторыми вербальными требованиями к производственному процессу [1]. Например, сначала должны быть удовлетворены потребности типа «запчасти», потом все остальные. В стандартных MES системах потребовалось бы изменять алгоритм построения расписания, чтобы учесть те или иные факторы, что является достаточно сложным мероприятием, требующем определенной подготовки и квалификации.

Нейросетевой корректор -основной компонент системы внутрицехового планирования

Изучим вопрос о том, каким образом может быть использован нейросетевой подход при планировании работ в цехе. Любая MES система при построении сменно-суточного расписания для участников процесса производства оперирует большим количеством информации, которая отражает состояние производственной обстановки:

информация о состоянии, технических данных и доступного фонда времени оборудования;

информация о квалификации и доступности рабочего персонала;

информация о движении ДСЕ внутри цеха;

информация о технологическом процессе как совокупности технологических и вспомогательных операций;

информация о нормах времени выполнения операций

Список приведенной выше информации способен видоизменяться с течением времени, дополняясь новыми особенностями производственного процесса изготовления ДСЕ. Данная работа показывает, что информация о состоянии обсуживающих устройств и выполняемых операций, и всех связанных с ними перемещений внутри цеха, может успешно использоваться при построении расписаний выполнения цеховых заданий.

Рассмотрим место нейросетевого корректора, как модуля редактирования расчета, внутри системы внутрицехового планирования. Для этого необходимо проследить процесс построения расписания, начиная от сбора данных из единого информационного пространства предприятия и заканчивая утверждением полученных расписаний.

На рис. 1 показана архитектура системы внутрицехового планирования, а именно, ее функциональная составляющая. Как видно из диаграммы, выбор обслуживающего устройства (ОУ) для планирования работ (деталеопераций в проекции) производится на основании критериев минимизации, проверки гипотез, нейронной памяти [6]. Проверка гипотез обеспечивается структурой данных, позволяющей выполнять многомерный анализ, а нейронная память реализована сетью Кохонена для кластеризации выполняемых работ по типам РЦ либо двуслойным перцептроном для учета особенностей загрузки оборудования внутри цеха. Таким образом, модуль расчета системы внутрицехового планирования является одновременно интеллектуальным и универсальным за счет разделения потоков информации и обрабатывающей ее логики на три компонента:

• Алгоритмы планирования используют оперативную информацию и заложены в оптимизационной модели, реализованной в виде критериев минимизации производственных показателей (цикла изготовления ДСЕ, длительности переналадки оборудования и т.д.);

• Статистическая информация накапливается в процессе построения расписаний и позволяет выполнять проверку гипотез при определении варианта распределения работ на обслуживающие устройства. Гипотезой является МБХ-запрос, апеллирующий ко множеству фактов (вероятность поломки оборудования, процент брака при выполнении работы определенным РЦ и т.д.) [6];

• Специальная информация вводится в систему планирования периодически и необходима для изменения поведения планировщика при распределении работ в независимости от качества получаемого расписания. Например, часто возникают ситуации, когда требуется выполнять

Рис. 1. Диаграмма функциональности нейросетевого модуля и его связи с остальными компонентами системы.

работы принадлежащие заказу X, только на РЦ Y. Использование нейронной сети позволяет исключить некоторые работы из пула распределяемых работ по оборудованию и жестко закрепить за данными работами определенные РЦ.

Сеть Кохонена для кластеризации работ на группы по РЦ

Сеть Кохонена или самоорганизующаяся карта является одним из типов нейронных сетей без обучения с учителем. Данная нейронная сеть предназначена для решения задач кластеризации [3]. Алгоритмы планирования, обрабатывая информацию об операциях, нормах времени, оборудовании и ресурсах, строят расписания постоянно, разбивая на группы входные данные. Таким образом, задача кластеризации работ должна решаться с использованием SOM-решетки в виде отдельного функционального модуля для обеспечения гибкости системы планирования. SOM решетка состоит из двух слоев нейронов: входных нейронов и SOM нейронов (выходной слой, группы). Для определения входного слоя необходимо выделить признаки, по которым решается в процессе кластеризации отнесение работы к той или иной группе. В качестве признаков работ при разбиении на группы можно выделить следующие:

• Время выполнения работы (операции) в норма часах. При кластеризации играет роль не точное время, но отнесение времени к категории: критичное, длительное, среднее, минимальное;

• Выполнение деталеоперации для партии (размер партии, тип партии: месячная, полугодовая, квартальная, годовая);

• Предыдущая и следующая по маршруту дета-леоперация;

• Тип и срочность заказа к которому принадлежит данная деталеоперация;

• РЦ которое может выполнить данную детале-операцию за минимальное время;

• РЦ которое может выполнить данную детале-операцию за максимальное время.

Весовые коэффициенты изначально могут быть определены случайным образом. Для корректировки весов используется функция: w¿_; (С + 1) = w¿Д£:) + * (%1 — w¿J (t)), где t - номер шага, w¿_; - связь между ьым и j-ым нейроном, - числовая характеристика ьго входного нейрона, ^(Ь) - норма обучения (На рис. 2 используется норма равная 0.06 на шаге Слой SOM нейронов содержит нейроны конкретных РЦ цеха, поэтому он может периодически изменяться по количеству нейронов. Необходимо отметить, что в данном нейрон РЦ является укрупненным компонентом, обычно представляющем группу станков с рабочим персоналом одного типа. Выходные нейроны показывают степень принадлежности текущей работы к тому или иному классу РЦ. Веса SOM решетки обновляются в процессе выполнения кластеризации. В качестве меры близости SOM-решетки используются следующие функции:

• ^1=0(хк1 — хб1)2 квадрат расстояния между центром выходного SOM нейрона и входной точкой К;

• I (хк1 — Хх01 модуль разности между центром выходного SOM нейрона и входной точкой К;

(1,хк1 — хз1 > +С -а

• { . - кусочно-линейная функ-(. 0, иначе

ция между центром выходного SOM нейрона и входной точкой К.

После обработки данной сетью входной информации работы становятся сгруппированы по типам

Рис. 2. SOM решетка для распределения работ по РЦ.

РЦ и дальнейший процесс построения расписания значительно упрощается. Также может быть использован двуслойный перцептрон для распределения работ по РЦ. Отличие данного подхода состоит в том, что обучение должно производиться вручную, оператором. Однако, преимущество использования перцептрона заключается в том, что при наличии корректора можно обучить нейронную сеть производить кластеризацию точным образом, начиная с первого шага [4].

ЛИТЕРАТУРА

1. ThanosAlifantis, Stewart Robinson. Using simulation and neural networks to develop a scheduling advisor. Warwick Business School University of Warwick Coventry, CV4 7AL UK. 2001. Pp. 954-958.

2. Загидуллин Р. Р. Планирование машиностроительного производства. Старый Оскол: ТНТ, 2013. 392 с.

3. Хайкин Саймон. Нейронные сети: полный курс, 2-е издание. Пер. с англ. М. : Издательский дом «Вильямс», 2006. 1104 с.

4. Miss. Rukhsana G. Sache. Neural Network for Solving JobShop Scheduling Problem. IOSR Journal of Computer Engineering e-ISSN: 2278-0661, p-ISSN: 2278-8727, Volume 16, Issue 6, Ver. VIII (Nov. - Dec. 2014), PP 18-25.

5. Ю. В. Полянсков, В. Л. Китаев. Система оперативного планирования (MES-система) механообрабатывающего производства авиастроительного предприятия. Известия Самарского научного центра Российской академии наук, т. 15, №4(4), 2013.

6. Лукьянов Л. А., Спивак С. И., Христолюбов В. Л. Организация системы хранения данных для задачи внутрицехового планирования с целью ускорения генерации расписаний на основе OLAP-технологии. Вестник Башкирск. ун-та. Том 21, 2016, №. 2. С. 274-280.

Поступила в редакцию 21.11.2016 г.

ISSN 1998-4812

BeciHHK EamKHpcKoro yHHBepcHTeTa. 2016. T. 21. №4

863

NEURAL NETWORK EDITING TOOL FOR WORKS DISTRIBUTION IN THE INTRASHOP PLANNING PROBLEM

© L. A. Lukyanov*, S. I. Spivak, V. L. Khristolyubov

Bashkir State University 32 Zaki Validi St., 250076 Ufa, Republic of Bashkortostan, Russia.

Phone: +7 (34 7) 273 32 87.

*Email: [email protected]

Classification of intrashop planning tasks can be constructed on the basis of classification of scheduling problems like in jobshop, openshop or flowshop. Intrashop planning task used to be solved by MES systems that considering a set of optimality criterion with the aim of scheduling works. In particular, such optimality criterion could be minimization of production cycle length, reduction of the amount of equipment downtime, capacity utilization of industrial plant facilities, and so on. Thus, every system like MES must have vector criterion of scheduling optimization. In addition, there is a method for expanding the optimality criterion set based on the alphabet and a certain logical rules. This requirement imposes some difficulties with implementation in the planning system due to necessity of criterion formalization. In this article, the authors propose a new method for formalization of additional optimality criteria based on neural networks to adjust equipment capacity utilization. Formalization must be hold with two types of neural networks: multilayer perceptron updating weight coefficients by supervised learning and Kohonen's neural network producing clasterization of input data with proximity measure function.

Keywords: intrashop planning, theory of scheduling, Kohonen's neural network, multilayer perceptron, proximity measure, supervised learning, unsupervised learning, MES system, expert system.

Published in Russian. Do not hesitate to contact us at [email protected] if you need translation of the article.

REFERENCES

1. ThanosAlifantis, Stewart Robinson. Using simulation and neural networks to develop a scheduling advisor. Warwick Business School University of Warwick Coventry, Pp. 4 7AL UK. 2001. Pp. 954-958.

2. Zagidullin R. R. Planirovanie mashinostroitel'nogo proizvodstva [Planning of engineering production]. Staryi Oskol: TNT, 2013.

3. Khaikin Saimon. Neironnye seti: polnyi kurs, 2 ed.nie . Per. s angl. [Neural networks: complete course, 2nd ed. Transl. from English] M. : Izdatel'skii dom «Vil'yams», 2006.

4. Miss. Rukhsana G. Sache. Neural Network for Solving Job-Shop Scheduling Problem. IOSR Journal of Computer Engineering e-ISSN: 2278-0661, p-ISSN: 2278-8727, Volume 16, Issue 6, Ver. VIII (Nov. - Dec. 2014), Pp. 18-25.

5. Yu. V. Polyanskov, V. L. Kitaev. Sistema operativnogo planirovaniya (MES-sistema) mekhanoobrabatyvayushchego proizvodstva avi-astroitel'nogo predpriyatiya. Izvestiya Samarskogo nauchnogo tsentra Rossiiskoi akademii nauk, t. 15, No. 4(4), 2013.

6. Luk'yanov L. A., Spivak S. I., Khristolyubov V. L. Organizatsiya sistemy khraneniya dannykh dlya zadachi vnutritsekhovogo planirovaniya s tsel'yu uskoreniya generatsii raspisanii na osnove OLAP-tekhnologii. Vestnik Bashkirsk. un-ta. Vol. 21, 2016, No. . 2. Pp. 274-280.

Received 21.11.2016.