田 旭,郭 宇,黃少華,劉道元,高瀚鵬,劉 賽

(南京航空航天大學(xué)機(jī)電學(xué)院,南京 210016)

0 引言

制造業(yè)是國(guó)民經(jīng)濟(jì)的支柱產(chǎn)業(yè),在生產(chǎn)制造過(guò)程中,消耗大量能源,排放大量溫室氣體,降低制造過(guò)程碳排放、實(shí)現(xiàn)制造系統(tǒng)節(jié)能優(yōu)化已成為當(dāng)前研究重點(diǎn)[1-2]。分析能耗機(jī)理和影響因素,構(gòu)建車間能耗模型,便于把握車間能耗演化趨勢(shì)[3],也為車間能耗優(yōu)化、提高制造系統(tǒng)性能提供了理論基礎(chǔ)和支持。

國(guó)內(nèi)外學(xué)者在分析機(jī)床能量特性、建立車間能耗模型方面開展了大量的研究工作,主要包括數(shù)學(xué)建模和數(shù)據(jù)驅(qū)動(dòng)兩類。數(shù)學(xué)建模方法通過(guò)建立確定的數(shù)學(xué)模型來(lái)分析能量效率及特性,從而進(jìn)行優(yōu)化減少能耗。王秋蓮等[4]從能量源構(gòu)成角度出發(fā),構(gòu)建了數(shù)控機(jī)床能量流數(shù)學(xué)模型。ALBERTELLI[5]從能耗、損耗和效率角度分析,建立了主軸系統(tǒng)能量經(jīng)驗(yàn)?zāi)Ｐ?。WOJCICKI等[6]分析車床能耗構(gòu)成及能量耗散機(jī)理,建立車床切削能耗數(shù)學(xué)模型。上述方法能較好適用于單機(jī)設(shè)備的能耗建模,但需要大量實(shí)驗(yàn)校驗(yàn),難以適用于動(dòng)態(tài)多變、影響因素多的離散制造車間能耗預(yù)測(cè)。

隨著物聯(lián)網(wǎng)、大數(shù)據(jù)等技術(shù)的發(fā)展,車間實(shí)時(shí)產(chǎn)生大量生產(chǎn)數(shù)據(jù)[7],采用數(shù)據(jù)驅(qū)動(dòng)的智能預(yù)測(cè)方法,分析數(shù)據(jù)間關(guān)聯(lián)關(guān)系,揭示系統(tǒng)運(yùn)行機(jī)理,進(jìn)行大規(guī)模復(fù)雜系統(tǒng)的分析與決策[8]。ZHANG等[9-10]以生產(chǎn)數(shù)據(jù)為驅(qū)動(dòng),將自編碼器、深度置信網(wǎng)絡(luò)等方法應(yīng)用到機(jī)床能耗分析控制中。PAN等[11]采用基因表達(dá)式編程算法進(jìn)行數(shù)控機(jī)床能耗建模。李聰波等[12]提出基于元?jiǎng)幼鞯臄?shù)控車削能耗預(yù)測(cè)模型。呂景祥等[13]采用3種智能算法建立車削和鉆削加工能耗模型,實(shí)現(xiàn)能耗預(yù)測(cè)。當(dāng)前研究中多采用卷積神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)等方法進(jìn)行數(shù)據(jù)信息提取,但車間生產(chǎn)數(shù)據(jù)具有時(shí)序性,采用循環(huán)神經(jīng)網(wǎng)絡(luò)提取時(shí)序信息,有助于提高能耗預(yù)測(cè)的準(zhǔn)確性。

本文以離散制造車間數(shù)據(jù)為支撐,分析車間能耗影響因素,提出一種融合雙向門控循環(huán)和殘差單元(bidirectional gated recurrent unit-residual unit,BiGRU-ResUnit)的車間能耗預(yù)測(cè)方法,門控循環(huán)單元結(jié)構(gòu)提高模型的時(shí)序信息提取能力,殘差單元豐富提取信息,防止模型退化。以某一航空離散制造車間的生產(chǎn)數(shù)據(jù)為例,并與常見的5種預(yù)測(cè)模型進(jìn)行對(duì)比分析,驗(yàn)證了所提方法的適用性和有效性。

1 離散制造車間能耗影響因素分析

離散制造車間的能耗受人、機(jī)、料、法、環(huán)以及各類擾動(dòng)事件的共同影響,能耗環(huán)節(jié)多、流程復(fù)雜、隨機(jī)影響因素多,預(yù)測(cè)較為復(fù)雜。離散制造車間的能耗主要包括設(shè)備能耗、運(yùn)輸能耗和公共能耗[11]3個(gè)部分。設(shè)備能耗是指訂單生產(chǎn)過(guò)程中所使用的車間設(shè)備的總能耗;運(yùn)輸能耗主要由物料和工件運(yùn)送過(guò)程中所使用的轉(zhuǎn)運(yùn)車、傳送帶和叉車等能耗組成;公共能耗主要來(lái)源于車間的照明、空調(diào)和風(fēng)扇等,如表1所示,本文僅針對(duì)車間的電能消耗進(jìn)行研究。為更加準(zhǔn)確地建立離散制造車間能耗模型,分別從能耗組成和車間總體對(duì)能耗進(jìn)行具體分析。

表1 離散制造車間能耗組成

1.1 設(shè)備能耗

設(shè)備能耗包括加工設(shè)備和輔助設(shè)備能耗,主要組成部分為加工設(shè)備能耗。輔助設(shè)備能耗與其運(yùn)行功率和開啟時(shí)長(zhǎng)成正比,且輔助設(shè)備功率值可以參考相關(guān)產(chǎn)品額定功率或通過(guò)實(shí)際測(cè)量獲得,研究中可以認(rèn)為是一個(gè)恒定值[14]。加工設(shè)備能耗可表示為:

(1)

式中:τ為時(shí)間,pk為τ時(shí)刻設(shè)備k的功率,與設(shè)備狀態(tài)有關(guān)。加工設(shè)備在訂單生產(chǎn)過(guò)程中包括啟動(dòng)狀態(tài)、待機(jī)狀態(tài)、空載狀態(tài)、加工狀態(tài)和停機(jī)狀態(tài)5種狀態(tài)。在實(shí)際生產(chǎn)過(guò)程中,生產(chǎn)設(shè)備的啟動(dòng)和停止時(shí)間短[15],單次能源消耗較為固定,加工設(shè)備的主要能耗產(chǎn)生在待機(jī)、空載和加工3種狀態(tài)中。設(shè)備在完成當(dāng)前調(diào)度安排后,進(jìn)入待機(jī)狀態(tài)[16],此時(shí)設(shè)備功率與其本身輔助部件額定功率相關(guān),不同設(shè)備待機(jī)功率不同,但基本保持穩(wěn)定,待機(jī)時(shí)間與剩余加工任務(wù)安排相關(guān);處于加工狀態(tài)時(shí),設(shè)備功率和時(shí)間均與加工工件類型有關(guān),加工不同零件時(shí),設(shè)備負(fù)載不同,功率不同,加工時(shí)間不同;加工設(shè)備在完成當(dāng)前工件的當(dāng)前工序、等待下一個(gè)加工任務(wù)期間,會(huì)轉(zhuǎn)為空載狀態(tài)[16],此時(shí)運(yùn)行功率與出/入緩存區(qū)工件隊(duì)列和等待時(shí)間相關(guān)。

1.2 運(yùn)輸能耗

運(yùn)輸能耗指在加工過(guò)程中,運(yùn)輸設(shè)備在車間和倉(cāng)庫(kù)、各工序、各工位上將工件或物料進(jìn)行運(yùn)輸所需要的能量[17]。常見的運(yùn)輸設(shè)備有AGV小車、傳送帶、叉車等,運(yùn)輸能耗可表示為:

(2)

式中:pu為運(yùn)輸設(shè)備u運(yùn)輸功率,τ為運(yùn)輸時(shí)間。運(yùn)輸設(shè)備工作過(guò)程中,固定工位之間的工件運(yùn)輸,其路線較為固定,負(fù)載與運(yùn)送工件類型和數(shù)量有關(guān),故運(yùn)輸能耗與AGV狀態(tài)、在制品運(yùn)輸種類和數(shù)量有關(guān)。

1.3 公共能耗

公共能耗是指車間生產(chǎn)過(guò)程中為產(chǎn)品加工和技術(shù)人員工作提供合適環(huán)境以及進(jìn)行生產(chǎn)任務(wù)查詢規(guī)劃等設(shè)備的能耗,包括照明設(shè)備、空調(diào)、風(fēng)扇、電子看板等,這一部分能耗較為穩(wěn)定。

1.4 車間能耗影響因素

結(jié)合上述分析,離散制造車間能耗主要包括設(shè)備能耗、運(yùn)輸能耗和公共能耗,考慮到公共能耗部分較為固定,車間能耗的變化主要來(lái)源于設(shè)備能耗和運(yùn)輸能耗部分。由于離散制造車間復(fù)雜多變,能量消耗過(guò)程復(fù)雜,難以對(duì)其能耗進(jìn)行精準(zhǔn)建模及簡(jiǎn)單計(jì)算求和,為了更加準(zhǔn)確分析其能耗,在考慮車間生產(chǎn)物流全過(guò)程影響因素的基礎(chǔ)上,建立數(shù)據(jù)驅(qū)動(dòng)的車間能耗模型,以實(shí)現(xiàn)高精度的能耗預(yù)測(cè)?，F(xiàn)將離散制造車間能耗影響因素主要?jiǎng)澐譃?類:加工設(shè)備狀態(tài)、實(shí)時(shí)生產(chǎn)狀態(tài)、剩余生產(chǎn)任務(wù)、運(yùn)輸設(shè)備狀態(tài),表示如下:

S=[MSt,RTt,WNt,TSt]

(3)

式中:MSt表示加工設(shè)備狀態(tài),RTt表示t時(shí)刻各工位實(shí)時(shí)生產(chǎn)狀態(tài),WNt表示t時(shí)刻車間剩余加工任務(wù),TSt表示t時(shí)刻運(yùn)輸設(shè)備配送狀態(tài)。量化表達(dá)如下:

(1)加工設(shè)備狀態(tài)。加工設(shè)備狀態(tài)與設(shè)備能耗直接相關(guān),量化表示如下:

(4)

(2)實(shí)時(shí)生產(chǎn)狀態(tài)。實(shí)時(shí)生產(chǎn)中狀態(tài)由各工位入緩存區(qū)、在加工和出緩存區(qū)工件狀態(tài)來(lái)表示,量化表示如下:

(5)

(6)

(7)

(8)

(3)剩余生產(chǎn)任務(wù)。生產(chǎn)任務(wù)可以包含一個(gè)或幾個(gè)生產(chǎn)訂單,涉及多種工件的加工,生產(chǎn)任務(wù)組成的不同可以由各種類型工件的數(shù)量來(lái)表示,所以將當(dāng)前剩余待完成的生產(chǎn)任務(wù)組成量化表示如下:

(9)

(10)

(11)

2 基于BiGRU-ResUnit的離散制造車間能耗預(yù)測(cè)

2.1 車間能耗影響因素

基于BiGRU-ResUnit的離散制造車間能耗預(yù)測(cè)建模如圖1所示。首先,對(duì)數(shù)據(jù)進(jìn)行歸一化,隨機(jī)選取其70%作為訓(xùn)練集,其余作為測(cè)試集;其次,使用訓(xùn)練集訓(xùn)練BiGRU-ResUnit網(wǎng)絡(luò),提取數(shù)據(jù)時(shí)序特征的同時(shí),融合殘差單元避免網(wǎng)絡(luò)退化問(wèn)題,提高預(yù)測(cè)模型性能;最后,使用測(cè)試集驗(yàn)證預(yù)測(cè)模型的適用性和有效性。

圖1 離散制造車間能耗預(yù)測(cè)模型

2.2 能耗預(yù)測(cè)方法

由于原始數(shù)據(jù)集來(lái)源較多(如時(shí)間、空間、狀態(tài)等),數(shù)據(jù)集特征數(shù)眾多,且各特征對(duì)應(yīng)的數(shù)據(jù)具有不同的量綱和單位。如果直接通過(guò)原始數(shù)據(jù)進(jìn)行預(yù)測(cè),將導(dǎo)致具有較大值的特征對(duì)目標(biāo)的影響大于具有較小值的特征。因此,對(duì)各數(shù)據(jù)特征進(jìn)行歸一化處理,去除單位限制,將其轉(zhuǎn)換為無(wú)量綱的純數(shù)值。本文采用最大最小歸一化的處理方法,將各數(shù)據(jù)特征轉(zhuǎn)換至[0,1]區(qū)間,實(shí)現(xiàn)對(duì)原始數(shù)據(jù)的等比例縮放。如式(12)所示。

(12)

式中:X*為歸一化后的數(shù)據(jù),X為原始數(shù)據(jù),Xmax、Xmin分別為數(shù)據(jù)集中該數(shù)據(jù)特征中的最大值和最小值。

離散制造車間的能耗數(shù)據(jù)具有時(shí)序性,根據(jù)預(yù)測(cè)網(wǎng)絡(luò)的輸入需求,綁定時(shí)序排列的time_up條數(shù)據(jù),重構(gòu)形成一條新的訓(xùn)練數(shù)據(jù),如式(13)所示。

(13)

式中:Sj-time_up+i為第j-time_up+i條數(shù)據(jù),i=1,2,…,time_up。

循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks,RNN)主要用于時(shí)序預(yù)測(cè),能夠挖掘時(shí)序數(shù)據(jù)深層次的信息。門控循環(huán)單元(gated recurrent unit,GRU)[18]是一種特殊的循環(huán)神經(jīng)網(wǎng)絡(luò),相比于常規(guī)RNN,緩解梯度消失問(wèn)題,其內(nèi)部由重置門和更新門兩個(gè)門控組成[19],如圖2所示。本文選用雙向門控循環(huán)單元(bidirectional gated recurrent unit,BiGRU),由正反方向的兩個(gè)GRU網(wǎng)絡(luò)構(gòu)成,加強(qiáng)對(duì)數(shù)據(jù)時(shí)序關(guān)聯(lián)信息的獲取。

圖2 GRU單元結(jié)構(gòu)

GRU單元t時(shí)刻的輸入為xt,輸出為yt和傳遞給下一個(gè)節(jié)點(diǎn)的隱藏層狀態(tài)ht。輸入zt和t-1時(shí)刻的隱藏層狀態(tài)ht-1,獲取更新門控zt和重置門控rt,如式(14)、式(15)所示。更新門控xt用于遺忘和選擇記憶,遺忘、清除存儲(chǔ)單元中的無(wú)用信息,對(duì)當(dāng)前節(jié)點(diǎn)信息進(jìn)行選擇性記憶。其范圍為0～1,越接近1,記憶過(guò)去的信息越多;反之,遺忘過(guò)去的信息越多。重置門控rt將當(dāng)前輸入xt和t-1隱藏層狀態(tài)結(jié)合,rt趨近于1時(shí),認(rèn)為過(guò)去的隱藏信息都有用,并將其添加到當(dāng)前信息中;rt為0時(shí),則丟棄上個(gè)時(shí)刻隱藏信息。

zt=σ(xtWxz+ht-1Uhz+bzt)

(14)

rt=σ(xtWxr+ht-1Uhr+brt)

(15)

(16)

(17)

為獲取更豐富的特征信息,需加深網(wǎng)絡(luò)深度,但網(wǎng)絡(luò)層數(shù)增加會(huì)引起退化問(wèn)題,因此,引入殘差單元[23],在豐富特征的同時(shí),降低樣本數(shù)據(jù)的特征損失,有效防止模型退化問(wèn)題,便于更好把握能耗的未來(lái)變化趨勢(shì)。本文所用殘差單元結(jié)構(gòu)如圖3所示,包含卷積層、批量歸一化(batch normalizaiton,BN)層、Relu激活函數(shù)層和殘差連接。以x為輸入,跳躍連接輸出端,其連接權(quán)重為1,輸出如式(18)所示。

圖3 殘差單元結(jié)構(gòu)

F(x)′=F(x)+x

(18)

式中:F(x)為經(jīng)兩個(gè)卷積層提取后的特征。

在BiGRU網(wǎng)絡(luò)特征提取的基礎(chǔ)上,縱向疊加多個(gè)殘差單元,解決網(wǎng)絡(luò)層數(shù)加深引起的梯度爆炸或梯度消失等問(wèn)題,并堆疊全連接層實(shí)現(xiàn)車間能耗預(yù)測(cè)。在網(wǎng)絡(luò)訓(xùn)練過(guò)程中,加入dropout層,將神經(jīng)網(wǎng)絡(luò)的神經(jīng)元按照一定的概率短暫性地從網(wǎng)絡(luò)中丟失,由于是隨機(jī)丟棄,增加了輸入數(shù)據(jù)的多樣性,避免了模型過(guò)于匹配訓(xùn)練的樣本。通過(guò)Adam優(yōu)化器不斷迭代尋優(yōu),提高數(shù)據(jù)融合的準(zhǔn)確度。采用均方損失函數(shù)(mean square error loss,MSELoss)作為損失函數(shù),其表示為:

(19)

(20)

式中:λ為L(zhǎng)2正則化系數(shù),取值為0.5;ωi為各層網(wǎng)絡(luò)權(quán)重值。

3 實(shí)例驗(yàn)證

3.1 模型參數(shù)設(shè)置

本文以某航天離散制造車間的生產(chǎn)數(shù)據(jù)為研究案例,驗(yàn)證所提能耗預(yù)測(cè)方法的有效性。車間共有13個(gè)工位,每個(gè)工位配備一定容量入/出緩存區(qū),主要加工8種類型的工件,每個(gè)工件有固定的工藝路線。采集了36 480條制造數(shù)據(jù),每條有761個(gè)特征。以上述數(shù)據(jù)集為基礎(chǔ),經(jīng)多次實(shí)驗(yàn),取網(wǎng)絡(luò)參數(shù)如下:迭代次數(shù)為250,批量化尺寸為64,訓(xùn)練過(guò)程的模型學(xué)習(xí)率為0.000 1。網(wǎng)絡(luò)結(jié)構(gòu)如表2所示。

表2 BiGRU-ResUnit網(wǎng)絡(luò)結(jié)構(gòu)

3.2 結(jié)果對(duì)比分析

選取均方根誤差RMSE、平均絕對(duì)誤差MAE、決定系數(shù)R2來(lái)反映預(yù)測(cè)模型的準(zhǔn)確度,計(jì)算如式(21)～式(23)所示。

(21)

(22)

(23)

從測(cè)試集中隨機(jī)選取100條數(shù)據(jù),將本文所提算法模型BiGRU-ResUnit與多層感知機(jī)(multilayer perceptron,MLP)、BiGRU、卷積神經(jīng)網(wǎng)絡(luò)模型(convolutional neural networks,CNN)、雙向門控循環(huán)單元-卷積神經(jīng)網(wǎng)絡(luò)模型(bidirectional gated recurrent unit-convolutional neural networks,BiGRU-CNN)、門控循環(huán)單元-殘差單元(gated recurrent unit-residual unit net,GRU-ResUnit)五種對(duì)比模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,如圖4所示。MLP模型的預(yù)測(cè)結(jié)果偏差最大,CNN、BiGRU、BiGRU-CNN、GRU-CNN模型在測(cè)試集上的擬合度依次提升,證明了BiGRU-ResUnit模型預(yù)測(cè)效果最好。

(a) BiGRU-ResUnit曲線圖 (b) MLP曲線圖

(c) CNN曲線圖 (d) BiGRU曲線圖

(e) BiGRU-CNN曲線圖 (f) GRU-ResUnit曲線圖圖4 模型RMSE損失曲線

為更直觀地驗(yàn)證所提算法的優(yōu)越性,6種模型在迭代過(guò)程中測(cè)試集的RMSE變化如圖5所示,不同評(píng)價(jià)指標(biāo)對(duì)比如表3所示。圖5中,BiGRU-ResUnit相較GRU-ResUnit能夠收斂到更優(yōu)值,說(shuō)明了雙向結(jié)構(gòu)加強(qiáng)了對(duì)時(shí)序數(shù)據(jù)的特征提取能力。相較于BiGRU,殘差單元能夠提取到更豐富的特征信息,有效防止模型退化問(wèn)題,提升模型預(yù)測(cè)的準(zhǔn)確度。從表3可以看出,MLP在所有評(píng)價(jià)指標(biāo)中表現(xiàn)最差,其次是CNN,說(shuō)明GRU能夠有效的提取數(shù)據(jù)中的時(shí)序信息,提高模型的預(yù)測(cè)能力。BiGRU-ResUnit相較于其他5種方法,所有指標(biāo)表現(xiàn)最優(yōu),說(shuō)明所提方法在能耗預(yù)測(cè)方面具有優(yōu)越性。

圖5 模型RMSE對(duì)比圖

表3 不同評(píng)價(jià)指標(biāo)對(duì)比

為進(jìn)一步說(shuō)明BiGRU-ResUnit模型的穩(wěn)定性,圖6對(duì)6個(gè)模型的預(yù)測(cè)殘差(由實(shí)際值和預(yù)測(cè)值之間的差值表示)進(jìn)行比較分析。BiGRU-ResUnit的預(yù)測(cè)誤差密度分布集中在0左右,對(duì)稱到0,比其他5種方法更細(xì)長(zhǎng),證明了所提方法有助于減小預(yù)測(cè)誤差,提高預(yù)測(cè)魯棒性。

圖6 6種算法模型殘差值對(duì)比圖 圖7 所提算法時(shí)序預(yù)測(cè)結(jié)果圖

從測(cè)試集中選取300條連續(xù)的數(shù)據(jù)進(jìn)行驗(yàn)證,準(zhǔn)確率為96.05%。如圖7所示,預(yù)測(cè)曲線能夠較好地?cái)M合標(biāo)簽曲線波動(dòng)趨勢(shì),說(shuō)明所提BiGRU-ResUnit模型能夠?qū)崿F(xiàn)離散制造車間能耗精準(zhǔn)預(yù)測(cè)。

4 結(jié)束語(yǔ)

本文基于離散制造車間能耗影響因素分析,建立了一種基于BiGRU-ResUnit的離散制造車間能耗預(yù)測(cè)模型。該方法將雙向門控循環(huán)單元和殘差單元進(jìn)行結(jié)合,提高了預(yù)測(cè)模型對(duì)時(shí)序信息的捕捉能力,并豐富了網(wǎng)絡(luò)特征,緩解網(wǎng)絡(luò)性能退化問(wèn)題。結(jié)合車間數(shù)據(jù)分析,相比其他五類網(wǎng)絡(luò)模型,所提方法能夠更好地提取能耗數(shù)據(jù)中蘊(yùn)含的知識(shí),提高能耗預(yù)測(cè)的準(zhǔn)確度。在未來(lái)的研究中,建立更加完備的能耗組件-系統(tǒng)能耗關(guān)聯(lián)模型,并考慮注意力機(jī)制,提高加工系統(tǒng)能耗的預(yù)測(cè)能力。依托生產(chǎn)過(guò)程在線仿真環(huán)境,以能耗預(yù)測(cè)為依據(jù)觸發(fā)動(dòng)態(tài)決策,建立基于深度強(qiáng)化學(xué)習(xí)的決策模型,實(shí)現(xiàn)離散制造車間的自適應(yīng)能耗優(yōu)化。