1. 项目概述:LLM驱动的智能车间调度革命
在无锡某智能制造实验室里,一台西门子数控机床刚刚完成当前工序,它的机器服务器模块(MSM)立即监测到"决策时刻"的到来。短短3秒内,通过大语言模型(LLM)驱动的多智能体协商,工件下一道工序的最佳加工设备已被选出——这个场景展示了我们团队最新研发的智能车间调度系统。传统制造系统在面对多品种、小批量生产需求时,往往需要人工调度员花费数小时重新排产,而我们的系统通过LLM赋能的智能体网络,实现了秒级动态响应。
这套系统的核心创新在于将大型语言模型与多智能体架构深度融合。每个制造单元(如机床、AGV小车)都配备专属智能体,包含五个关键模块:机器服务器模块(MSM)负责物理设备连接,投标邀请模块(BIM)和投标模块(BM)处理智能体间协商,思考模块(TM)和决策模块(DM)则依托LLM进行推理决策。当某台设备完成工序后,其BIM会发起招标流程,收集其他设备的实时状态(通过BM生成投标文件),整合成自然语言描述的问题文档交由TM分析。LLM基于预设的调度规则(如SPT最短加工时间、WINQ最小工作量)进行推理,最终由DM输出设备选择决策。
关键突破点:
- 完全规避传统AI方法的数据收集和训练过程,部署复杂度降低70%
- 通过提示词工程实现零样本调度决策,响应延迟控制在5秒内
- 支持6种主流LLM引擎的无缝切换,错误率<0.03%
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 系统架构深度解析
2.1 三层架构设计理念
我们的系统采用分层架构设计,将物理设备与智能决策解耦:
物理层 包含车间所有制造单元及其MSM模块。以实验中的发那科数控机床为例,其MSM使用C#开发的适配程序,通过厂商SDK实现:
- 实时采集设备状态(空闲/忙碌、缓冲区长度等)
- 执行数控加工程序
- 触发决策流程(当检测到"决策时刻"时)
协商层 是智能体交互的中枢,核心是BIM和BM模块。当3号铣床的MSM检测到决策需求时:
- 其BIM会筛选能处理下一工序的设备(如排除当前加工铝件的车床)
- 向候选设备的BM发送包含工件信息的招标邀请
- 接收各BM返回的投标文件(含设备实时状态)
- 生成结构化问题文档,示例格式:
markdown复制# 车间全局状态
平均利用率:
