第2章　规划层DOPR协同制造研究

2.1　主动制造研究

制造业面临的挑战是找到新的技术解决方案来改善制造系统，以在生产新的定制产品的同时确保高质量和低成本。所有系统工作所需的数量、复杂性和信息详细程度都有了相当大的提升，增加了整个过程中对系统语义互操作性的需求。规划层的首要任务是与外部环境进行交互，以获得制造系统所需要的任务信息，包括对于“工业4.0”来说非常重要的订单产品的定制化要求与订单信息这样的任务管理详情。在规划层首先要研究的就是基于社交网络与语义网络的订单管理与用户需求管理。国内有些学者将这种模式称为“主动制造”。一旦通过外部网络获取了企业的订单信息（或任务信息），在规划层就可以把接收到的订单进行分解，分解到任务层后对任务进行调度并调用制造资源信息。这些制造资源包括企业内部的厂房、设备、工装等信息，也可能是处于整个制造云内企业可用的制造资源。在这种生产条件下，企业可以通过“制造云”进行分布式的生产计划调度。制造计划制定之后，通过确定订单计划来确定企业级、分厂级、车间级的制造计划，根据制造订单计划来制定制造资源计划，对资源进行优化配置，配合计划完成。

规划层DOPR协同制造方法以大数据为支撑，针对当前生产计划编排脱节现象而导致任务分配不均、资源负荷参差不齐等问题，研究多车间、多部门、多任务之间的协同规划方法，应用基于DOPR协同的主动制造方法、分布式生产计划方法以及资源优化配置方法，使任务均衡分配、资源合理利用。与传统的制造模式不同的是，DOPR协同制造研究通过制造企业大数据，获取企业从订单到生产再到入库全过程信息，通过智能工具（或者知识）的支撑，使制造过程数据不断更新、资源优化配置、企业生产计划动态制定，让制造业大数据为企业带来便利与利润。DOPR协同制造模式能够使企业利润最大化、产品质量大幅提高、交付时间及时准时、企业期量标准的准确性达到最优。

2.1.1　大数据环境下的任务（订单）管理

当今的制造企业必须能够对制造环境的变化做出反应，例如高质量产品的动态需求、产品生命周期的缩短以及产品定制需求的增加。自动化和信息系统试图提高制造业的响应能力和灵活性。例如，基于代理的系统可以帮助组织提高灵活性和适应性，并支持分布式和分散的结构。传感器、云服务和通信技术的最新发展提供了将物理制造设施及机器设备连接到互联网应用的虚拟世界的能力。可以处理物理世界中的实际操作，同时在网络世界中通过先进的数据处理和仿真模型在制造过程、供应链和操作层面对其进行监控。来自制造业的数据连同外部数据源变得无处不在且更容易获取。在为大数据环境做出贡献的同时更需要适当的方法将数据转换成有价值和可操作的信息。

智能制造系统有潜力从根本上改变产品的设计、制造、供应、使用、再制造和最终退役的方式。该研究内容主要研究在大数据环境下的任务（订单）管理。要让数据驱动业务，就需要将数据作为制造系统的输入，进而在数据分析支持下实现数据的实时反馈、生产全方位监控、模拟预测和业务流程优化。本节主要研究在大数据环境下的任务（订单）管理。要让数据驱动业务，就需要将数据作为制造系统的输入，进而在数据分析支持下实现数据的实时反馈、生产全方位监控、模拟预测和业务流程优化。为了应对制造大数据的挑战，引入大数据分析技术与主动计算，尤其是事件驱动的主动计算，以此让制造企业达到DOPR的充分协同，在协同制造中引入主动制造的概念。在制造系统中，大数据应用还需进一步与物理世界和社会世界融合，因此主动制造的研究可以由三个系统组成，即社会系统、信息系统和物理系统。在三个系统有机结合的大数据的支持下，不仅能够预测市场的需求，而且能够根据制造系统的健康状况，自动配置和优化制造资源，从而实现主动生产，为用户提供客户化/个性化的产品/服务。

2.1.2　主动制造的系统构成研究

这种大数据驱动的主动制造延伸和发展了事件驱动的云制造模式，进而形成了主动事件驱动的社会信息物理生产系统。该系统如图2-1所示。

图2-1　社会信息物理生产系统

在三个系统中，中间信息层是核心，通过核心层收集的数据可以形成大数据和实时数据流、知识网；通过文本挖掘、社会网络分析、深度学习、语义Web和云处理等大数据挖掘（知识发现）方法，使历史大数据升华为有意义的信息、知识，形成预测模型，并通过复杂事件处理使实时数据流上升为有意义的复杂事件。主动事件驱动机器自主决策，或将所提取的信息/知识或事件或初步决策主动推送给社会层的社会系统（人际网）中的人，做进一步决策或确认，最后再经由信息层实现对制造资源的控制，使产品在物理系统中实现制造。由此可见，实现数据向信息、知识和智慧的转化是主动制造和智慧制造的共性关键技术，知识网就是实现这种转化的手段与工具，具体包括数据挖掘/业务智能（Business Intelligent，BI）、语义Web和数据流处理（复杂事件处理）等。数据挖掘或BI技术是实现结构化数据向知识转化的传统工具与手段，正面临半结构化和非结构化的大数据的挑战，需要引入云计算等技术来加以拓展和延伸。其研究架构如图2-2所示。

图2-2　主动制造研究框架

从人工系统的智能（智慧）实现途径来看，主动制造通过“感知（观察）—定向—决策—行动”模拟人类的主动行为，即从人工智能的行为主义角度出发研究制造系统问题，不同于从符号主义或联结主义角度出发研究的现有智能制造。因此，从人工智能研究学的角度看，主动制造是智能制造的一个新类别。通过对社交网络上人类语言与订单的分析，借助知识与方法的支持，达到使生产的订单与生产计划、生产资源相协同的目标。通过主动制造的模式，实现DOPR在规划层的协同。

2.1.3　主动制造的个性化生产

为了识别大数据对企业的影响，特别是对制造配置的影响，需要研究价值创造的路径。我们利用数据驱动的业务模型概念，如数据源、关键活动和产品，来识别制造业中数据驱动的价值创造类型。数据在数量和种类上都在迅速增长，社交媒体平台和移动设备被广泛使用，大量数据也从一系列业务数据源生成，包括识别传感器、嵌入互联网的设备、智能电表、射频识别（RFID），以及交易数据库、协作产品开发数据库（用于计算机辅助设计、计算机辅助制造和数字制造）、社交媒体、客户反馈和销售点数据，也可以将数据库管理系统和数据仓库（产品/过程设计、组装、材料规划、质量控制、调度、维护、故障检测）作为数据源。在这一节的研究中，我们区分了“内部”和“外部”数据源。内部数据来源于企业内部的生产流程和业务管理，而外部数据生成于消费者和更广泛的环境，如表2-1所示。

表2-1　内外部数据源

根据上述研究，本书提出了一个概念框架（见图2-3），含三个相关的子系统。第一部分是竞争优势，包括区分基于价格的战略和基于差异化竞争的战略的维度。第二部分是竞争性优先事项，包括成本、质量、交付和灵活性四个方面。第三部分是实施战略，包括三个维度：分销度、与客户的密切度和生产规模。该框架的下半部分涉及大数据和数据驱动的价值创造。它的三个子部分包括数据源、关键活动和数据用户，来自被处理的资源（数据源）和输出值（数据用户）创建过程。数据源进一步划分为内部数据源（如制造工艺数据、生产计划数据和质量数据）和外部数据源（如销售点数据、客户反馈数据和社交媒体数据）。对于与数据相关的关键活动，框架包括对可以创造价值的不同类型的分析。对于数据用户，框架识别公司内部的用户以及来自价值链不同部分的用户，如设计、供应链、生产、市场和销售以及售后服务。

图2-3　个性化制造框架

一般来说，生产配置仍然是由大量生产和削减成本的动机所驱动的。这些现有的制造配置和制造过程大多被发现能够提供满足确定的市场细分的产品。大数据应用在提供更高的客户洞察力和大规模定制的可能性的同时，也被广泛用于通知和优化当前的制造配置。这说明个性化生产框架最终将取决于与现有生产方法相比的市场生存能力评估，并解释了框架中出现的关于大规模定制和分布式制造的不同观点。企业对大数据的使用各不相同，在部署大数据应用程序的地方，这些应用程序有助于更好地理解营销趋势和细微差别，与客户建立联系并支持定制，以及改进现有生产安排和供应链的协调。在未来一段时间内，传统和新制造理念可能共存。随着数据分析、制造系统和数字生产方法以及商业模式的不断完善和发展，我们预计消费品领域的更多公司将探索如何将个性化生产框架与大数据相结合，以满足快速变化和日益苛刻的市场需求。