浅谈分布式制造

传统的制造系统是异构系统的集合，其特征是资本、材料和机器集中在单个制造设施中，决策能力（如生产计划、调度和控制）在一个中心节点（如计算机和服务器）中执行。这种集中式系统具有优点颇多，它易于控制、具有易于控制和管理数据的简单数据库设计与架构，并且还遵循标准化的策略和过程。然而，这些系统由于以刚性结构构建因此往往高度不灵活，在容量有限、需求增加的情况下，这些系统容易遇到瓶颈，导致全系统故障和失效，并产生维护问题，因为整个系统都依赖于其核心单元。

集中式系统的局限性，以及新的制造模式和大规模定制化的推进，正引导着制造业走向分布式。在此P2P系统中，所有的对等点都对称地通信，并执行相同的角色。分布式制造的概念和网络繁多，包括分段制造、分形制造、分布式微型工厂、战略网络、虚拟企业和簇概念，并具有多种优势。在资源方面，分布式结构允许最终产品在离客户更近的地方制造，从而降低了与生产、存储和运输相关的成本；分布式结构便于获取更及时的信息，提高对消费者市场的反应能力，以便及时做出决策，缩短生产销售时间；分布式结构将工作负载分散到多个供应商和机器上，因此其中一个组成部分出现故障不会导致整个生产停止；分布式结构通过资源共享，可以利用过剩或闲置的产能；分布式结构支持生产可伸缩性，以适应不断变化的需求；最后，分布式结构实现了按需生产，从而减少了预测需求和保持大量库存的需要，进而减少了资源浪费。在网络架构方面，分布式系统通过平衡各节点之间的整体负载，以及通过边缘计算和雾计算降低整体网络延迟，提高了系统的多样性和灵活性，并在最大限度上克服了性能瓶颈。

（一）分布式制造的技术推动因素

近年来，出现了一些可以作为CPPS分布式推动因素的技术。ICT的兴起不可避免，因为它是CPPS的关键驱动因素之一。特别是在互联行业中，分布式单元（如机器、工厂、供应链）之间的有效数据交换对于执行数据分析以实现接近实时的决策和控制至关重要。中间件是实现分布式控制系统的关键技术之一，它是操作系统和分布式应用程序之间的可重用软件层。这些技术促进了工业控制系统的信息交流，以及异构设备和子系统的集成。一些常见的中间件架构包括开放平台通信统一架构（OPCUA）、数据分发服务和实时公共对象请求代理架构。据了解，这些中间件技术都不能支持DCS的所有要求。因此，包括5G在内的高速互联网的发展，以及基于行业标准（如MQTT、Eclipse和RabbitMQ）最新的多协议，对中间件的成功应用至关重要。中间件技术本身不要求重新设计产品结构，但可以确保网络延迟低，并支持分布单元之间接近实时的通信。这在大数据时代和制造业不断变化的环境中尤为重要。此外，在操作和环境不确定的情况下，部署射频识别设备至关重要，这将为分布式生产线和供应链提供有效的实时监测和数据采集。

（二）相关案例研究

在分布式制造系统中，作业调度和资源分配必须在多个分布式工厂中进行，每个工厂都由一条独立、独一的生产线组成。可行的计划和调度方法必须能够解决分布式制造系统所带来的固有挑战。因此，研究人员已经对这个特定主题进行了持续的研究，本文将按时间顺序进行回顾。

Block等为分布式MES引入了一种新的针对CPPS的PPC方法。分布式框架由边缘计算组成，该框架进行实时数据采集，并在边缘设备上进行存储和评估。P2P通信使用HTTP请求，是通过具象状态传输和WebSockets实现的。Li等提出了一种基于多智能体系统（MAS）的方法来实现分布式制造和资源共享的全局优化调度。该方法包括一个企业级多智能体子系统，其中包括作业、资源和管理器代理，企业联盟以及中介和调度代理。实验研究表明，MAS方法可使调度效率提高35.2%。Vespoli等引入了一种分布式调度方法，用于持续运作的生产线的作业排序。该方法通过多智能体仿真验证了其有效性，使系统的生产率提高了4%。Fu等提出了一种高维多目标头脑风暴优化算法，通过最小化延迟和能量消耗，来解决由多个工厂组成的分布式制造系统的调度问题，其中每个工厂都有一条独立的生产线。研究人员将该算法与非支配排序遗传算法II和多目标遗传局部搜索两种算法进行比较，得到了一组测试数据，该算法的结果优于其他两种算法。Kumar等开发了一种基于智能体的操作规划方法，该方法允许将决策分配给各种功能代理。研究人员将该方法应用于某汽车制造企业复杂的四功能集成问题。对比该方法与该公司现有规划方法的性能后，发现生产成本和计算时间分别减少了21.6%和50.8%。然而，该研究有一定局限性，因为这项工作不是在动态条件下进行的。

分布式制造的分布式MPC（DMPC）的概念需要被特别提及，因为DMPC中各个控制器需要面对众多挑战，比如数据传输问题、众多过程变量的控制以及大型分布式设备及其众多子系统的计算复杂性。DMPC利用一系列独特的控制器在不同的处理器中执行控制计算和操作，与此同时各个控制器之间相互通信以实现闭环过程目标。

Farina等设计了一种合作迭代DMPC，并通过在模拟环境中模拟真实世界天然气制冷厂的功能，将其与非合作性DMPC进行了比较。他们从工作中总结出，与DPC相比，DMPC中每个独立的控制器都需要整个工厂的完整工作知识，否则可能会限制此类控制器的可扩展性。然而，随着现代ICT技术更易获得，以及数字化转型的推动，可以通过有效满足基础设施和通信需求来克服这一限制。在上述研究中，DMPC的性能在所有测试场景中都超过了DPC，证明了其在分布式制造过程中的稳定性。为了解决分布式制造中数据传输延迟的问题，Ravi和Kaisare实施了一种分布式MPC框架，在该框架中，测量整个工厂的一个或多个子实体的过程变量的频率不高，之后这些过程变量在固有延迟下进行传递。他们采用状态增广公式，并将其与卡尔曼滤波集中估计器相结合。该方法能够提供更好的预测控制，提高线性和非线性系统在不同延迟下的控制性能。Yin等为燃烧后二氧化碳（CO2）捕获装置中的吸收塔设计了一个分布式监测框架。他们将吸收塔建模为五个不同但相互作用的子系统，并为整个吸收塔开发了一个带有局部估计器的分布式状态估计网络。这项工作的意义在于，它依赖一种具有新的触发条件的迭代算法，简化了快速收敛和高效计算之间的权衡。他们的仿真结果表明，该方法能够较好地估计吸收塔子系统的状态。

（三）小结

在日益变化和竞争激烈的生产环境中，随着大规模定制的不断发展，更有效地分配可用资源变得更为重要。分布式制造系统在智能AI算法的驱动下，系统地将众多分布式实体组合成自主、主动的机器或设备组合。它的系统架构是可扩展和模块化的，并不断地相互协作和交互，有助于上述原因下的资源分配。这样的系统提供了许多好处，比如灵活的架构、满足按需生产的能力，以及对消费者市场的响应能力等。考虑到此类系统的不断发展和扩大规模的内在本质，以及数字技术在制造业中的发展和应用，分布式的趋势只会加速。这将有助于制造业的转型，而分布式如本节所述，将被广泛应用于解决生产计划和控制、工作调度、资源分配和市场与客户邻近性等方面的问题。