船舶管件智能化派工系统

胡敏

中船第九设计研究院工程有限公司 上海 200090

引言

加快船舶制造智能化升级，为智能制造在我国船舶工业的深化发展提供有力支撑，实现船舶精益生产，是国内船舶企业的共同目标[1]。当前，在我国船舶管件加工制造行业中已经引入了数字化制造协同管理技术，其能够将项目管理、计划管理、物料管理、生产准备、作业管理、质量管理、系统管理等集成为一体化管理平台，为船舶管件的加工制造过程提供系统化管理服务。然而，船舶行业受市场周期性波动和劳务成本增加的影响，工种的稳定性有所下降，部分工种甚至出现短缺[2]；与此同时，行业的发展与扩张又使得生产部门面临着巨大的生产压力。因此如何高效地利用现有的资源与生产条件来最大化地提高生产效率是船舶管件加工生产行业的共同难点问题[3]。

智能化派工系统在一些行业已经得到了运用，比如电力行业，但是船舶行业还在探索中[4]。本文设计一种适用于船舶加工行业的智能化派工系统。基于船舶管件加工制造行业现有的数字化制造协同管理平台，本文研究开发了基于机器学习和强化学习算法的智能化派工系统。该系统是基于生产部门的最大产能、车间效率，以及管件特征，将需要加工生产的管件任务自动推荐派送给相应的部门。该系统的建立过程可分为以下三步：第一步，利用过去船舶管件加工生产的各部门各车间产能数据，以及相应的设备信息结合机器学习，使模型学习到各部门各车间的产能边界。其次建立强化学习模型，结合产能边界条件值、管件特征、各部门车间当前正在进行的作业状态等信息建立强化学习模型。第三步，实现智能派工。根据当前环境的变化，做出相应变化的动态学习模型，智能推荐最佳的派工任务。

1 船舶管件智能化派工系统总体设计

本文根据船厂管件加工制造流程以及任务派工特点，通过在原有的数字化制造协同管理平台的基础之上添加智能化派工系统模块。该模块能够通过机器学习算法对过去车间生产数据进行学习得到各个车间的产能边界，结合当前生产状态，以及过去生产加工的管件信息等数据进行强化学习模型的训练，最终在输入待生产加工的管件信息后，该智能化派工系统能够结合数字化制造协同管理平台中各车间的当前生产状态自动将新的待生产加工任务派发到特定的生产车间，以此能够保证各车间生产加工任务的最优效率。该系统框架图1所示：

图1 船舶管件智能派工系统总体设计

2 基于机器学习算法的船舶各车间生产情况分析

2.1 船舶各车间生产变量的确定

现有的生产管控系统数据直接获取当前各部门的生产状态数据，以及待加工生产的任务信息数据，提取派工模型所涉及的变量，主要包括两类：第一类是各部门的作业状态信息、第二类是系统已派发任务信息。部分变量如下：

表1 变量信息表

2.2 船舶各车间生产数据分析

为了获取现有的船舶各车间生产状态的规律，本文运用机器学习模型，学习生产的规律，并确定产能边界。在机器学习中，有很多涉及监督学习的算法，本文选择了4种算法，其中自适应增强学习算法[5]是集成算法boosting的典型代表，而随机森林[6]算法则是集成算法bagging的典型代表，其次还有以传统统计学为基础的逻辑斯蒂回归。这4种算法都适合于做分类算法，但在不用的类型的样本数据和不同行业中，由于样本的分布有很大差异，因此这4种算法的表现效果上总有差异。

以管件生产为例。本文选择随机森林进行生产特征重要度计算。其主要思想为利用每个特征在随机森林中的每棵树上所做贡献的平均值进行对比，计算方法为利用平均不纯度的减少，测量方式为计算分支前某一节点与分支后两个节点gini指数的变化量。例如选择为“管型”、“管线”、“品名”、“规格”、“校管”、“焊接”、“表面处理”、“上架”等八个特征进行重要度计算，同时可以使用其他选择或是车间构造新的特征组合进行计算。结果如图2。

图2 船舶管件生产环节重要度排序图

3 基于强化学习获得各车间的排产信息

船舶生产系统的生产数据量巨大，凭经验很难高效地派工。本文强化学习的任务可以用马尔科夫决策过程（Markov Decision Process，MDP）来描述，机器处于环境E中，状态空间为X，其中每个状态 是机器感知到的环境的描述，如在车间生产任务上这就是当前生产状态的描述；模型能采取的动作构成了动作空间A，如生产过程中有多种管件加工工艺类型、不同时间段的多个加工任务等多种可供选择的动作；若某个动作 作用在当前状态x上，则潜在的转移函数P将使得环境从当前状态按某种概率转移到另一个状态。如有两个加工任务，一个是要求在3天后交货，一个是要求在10天后交货，若选择动作是3天后交货的加工任务，则生10天后交货的生产任务有2种可能，一种是逾期交货，一种的如期交货；在转移到另一个状态的同时，环境会根据潜在的“奖赏”（reward）函数R反馈给模型一个奖赏，如保证一个任务都如期交货则+1，两个生产任务都逾期则-10，最终两个任务都如期交货+100。综合起来，强化学习任务对应了四元组 ，其中 指定了状态转移概率。 指定了奖赏[7]。

令 表示从状态x出发使用策略 作所带来累积奖赏；函数 表示从状态x出发，执行动作 后再使用策略 所带来的累积奖赏。由累积奖赏的定义，有状态值函数：

表示起始状态， 表示起始状态上采取的第一个动作；对于T步累积奖赏，用下标t表示后续执行的步数。我们有状态动作值函数：

由于MDP具有马尔可夫性质，即系统下一时刻的状态仅由当前时刻的状态决定，不依赖于以往任何状态，于是值函数有很简单的递归形式。对于T步累积奖赏有：

类似的，对于折扣累积奖赏有：

综上，我们根据最终的策略函数作为最优化求解，就可以建立一个基于马尔科夫决策的强化学习模型，对与不同状态下船舶生产部门通过对过去数据的学习就可以得到一个产能边界信息数据。具体部门的工作情况及产能边界信息展示如热力图，图3所示（因保密要求隐去具体派工数据）：

图3 2020年管加二部作业对派工计划表

4 船舶管件智能派工系统构建

4.1 船舶管件智能派工系统架构

船舶管件智能派工系统设计时采用msSQL 2016作为数据库服务器，并使用ABP开发框架进行服务端开发，以此提高服务端的稳定性和功能完整性。系统模块功能如表2所示。

表2 船舶管件智能派工系统模块说明

4.2 船舶管件智能派工系统测试

为保证系统在最复杂的情况下，能够做出最合理的派工。我们利用历史生产数据作为训练数据对模型进行训练后，选择2020年6月的116条生产任务数据输入至模型中。模型精确地给出了的派工结果能够保证98%的任务在上架日期内完成，即逾期率只有2%。而2020年实际当月的生产任务有26%的逾期。另外，由数字化制造协同管理平台生产管控系统中2020年6月两部门的工作情况，我们发现两部门工作符合存在明显的差异，显然是生产任务没有进行合理的派发所导致，而根据智能派工系统所推荐的派工结果来看各部门的工作负荷也有所改观，116条任务中管加二部工派发了61条生产加工任务，管二大连派发了55生产条加工任务。这证明我们的智能化派工系统能够输出合理的派工信息，提升部门的生产效率。

表3 智能派工系统派工结果

5 结束语

本文为了提高船舶制造过程中管件的管理效率，设计实现了船舶管件生产加工任务的智能化派工系统。首先采用机器学习技术对各生产加工部门历史生产数据进行学习，获得其动态产能边界，在此基础上结合待派发的生产加工任务信息以及各部门的当前生产状态信息建立强化学习预测模型，将新的加工任务输入模型即可输出应该承担该生产任务的部门；较好地实现了船舶管件加工生产任务的智能派工，极大地减少了工作人员的工作负担，很好地提升了各部门的效率。