《Computers & Industrial Engineering》：TTFM: A triggered task flow model for latency-critical task scheduling in distributed industrial systems
編輯推薦：
本文針對工業4.0背景下分布式自動化系統任務調度效率問題，提出基于IEC 61499標準的觸發式任務流模型（TTFM），通過顯式建模觸發源、 sink及關鍵端到端任務流，構建了量化延遲成本的優化框架。對比分析四類啟發式算法，發現Tabu Search算法在解決NP難調度問題中具有最佳性能/收斂速度平衡，并通過擴展性分析驗證其在工業級大規模場景的有效性。
作者：向成峰、陳娜、孫磊、王建全、張榮輝、馬張超
單位：北京科技大學自動化與電氣工程學院，中國北京市學院路30號，郵編100083
摘要
隨著工業4.0的發展，工業系統變得更加分布式和事件驅動，優化任務分配和調度以最小化延遲對于提高生產效率和穩定性變得越來越關鍵。然而，傳統的運籌學和調度模型往往無法捕捉到這些分散式自動化系統所固有的復雜事件驅動特性和關鍵的端到端流程。為了解決這一難題，我們提出了基于IEC 61499標準的觸發任務流模型（Triggered Task Flow Model，簡稱TTFM）。TTFM通過明確建模觸發源、接收器、關鍵的端到端任務流及其可量化的成本，提供了更真實的表示。為了將模型應用于實踐，我們建立了一種在TTFM框架內表示工業應用和標準基準的方法。通過對延遲組成的分析，驗證了該模型在捕捉動態物理瓶頸方面的有效性。然后，我們制定了任務分配和調度優化問題，以最小化關鍵流程的延遲，這直接影響生產穩定性和響應性。通過對四種啟發式算法的比較評估，發現禁忌搜索（Tabu Search，簡稱TS）在解決這一NP難題時提供了解決方案質量和收斂速度的優越平衡。可擴展性分析證實了TS在實際工業規模上的可行性。我們的工作為工業工程師和運營管理者提供了一個高保真的任務模型及其應用方法，驗證了其在設計和管理下一代高性能分布式工業系統中的有效性。
引言
工業工程的主要目標一直是優化生產過程，以提高效率、降低成本并確保質量。經典的研究領域，如作業車間調度、流水線調度和資源受限項目調度，為工廠車間的物理任務和資源管理提供了基礎方法（Khadivi等人，2025年）。最近的進展通過納入復雜的物理約束（如夾具-托盤的可用性和裝載操作）以及勞動力管理和質量保證要求（Caricato等人，2021年；Grieco等人，2022年）進一步完善了這些模型。然而，這些模型傳統上假設底層的控制和計算任務能夠即時且可靠地執行（Zhang等人，2020年）。在工業4.0和5.0時代，生產系統變得越來越分布式、數據驅動，并依賴于復雜的網絡物理交互，這一假設的有效性正受到越來越多的挑戰（Coito等人，2022年；Maddikunta等人，2022年）。因此，物理生產線的性能與控制它的分布式計算任務的性能緊密相關。
一個關鍵但常被忽視的挑戰是優化這些執行“生產計劃”的“計算任務”。這兩層之間存在深刻的同構性。優化機械臂的物理路徑在概念上類似于優化邊緣-云網絡中的計算任務分配，以最小化延遲（Kang等人，2024年）。這兩種情況都涉及為有限資源（物理空間與CPU周期；機械臂與計算節點）競爭的依賴操作序列。計算層的效率已成為瓶頸，但傳統的調度模型缺乏解決這一問題的粒度（Zhang等人，2024年）。
雖然計算機科學領域已經探索了計算任務卸載（Chen等人，2024年；Deng等人，2023年；Dong等人，2024年；Feng等人，2022年；Mohammadian等人，2024年），但現有的模型通常不適合未來的工業控制應用。這些應用具有分布式特性、復雜的時空依賴性和事件驅動的執行邏輯，這源于多個傳感器、控制器和執行器在協調過程中的交互（Ding等人，2019年；Pang等人，2015年）。當前的模型通常簡化了問題空間：一些將任務視為獨立實體（Ma等人，2022年；You和Tang，2021年），忽略了緊密耦合的控制循環；其他模型使用有向無環圖（DAG）（Chen等人，2023年；Mao等人，2021年；Tong等人，2024年），這些模型通常假設任務集是單一的入口/出口點。這些方法在模擬先進工業控制中普遍存在的兩個關鍵方面時存在不足：
- 多條件激活路徑：工業過程涉及由多種來源（例如周期性信號、傳感器事件）觸發的任務。執行流程根據觸發條件而有顯著差異。現有模型通常缺乏明確量化這些來源和任務流的機制。
- 關鍵路徑優化：系統性能通常由特定關鍵任務流（傳感器到執行器的鏈）的端到端延遲決定，而不是全局指標（如平均完成時間）。傳統目標無法保證這些特定關鍵路徑的性能。
IEC 61499標準專為分布式工業自動化系統設計，通過其功能塊和事件驅動范式為解決這些挑戰提供了概念基礎（Christensen等人，2012年）。它允許將應用程序建模為事件觸發的功能組件網絡，這與現代工業控制邏輯的性質非常吻合，如圖1所示（Alois Zoitl，2023年）。
受IEC 61499原則和現有研究中發現的差距的啟發，本文提出了一種新的工業控制任務模型，稱為觸發任務流模型（TTFM）。TTFM通過捕捉條件執行路徑并專注于特定的輸入-輸出鏈，能夠更準確地表示分布式、事件驅動的工業控制應用。它將現代工業控制的復雜現實轉化為一個明確的優化問題，專注于最小化關鍵任務流的延遲，這直接影響控制性能（見圖2）。
本文的主要貢獻包括：
- 我們提出了TTFM，這是一種用于事件驅動的分布式工業控制的通用計算任務模型，比傳統的邊緣卸載模型更能真實地優化端到端延遲。
- 我們設計了模型組件，包括源和接收器，以解決DAG模型在多輸入/輸出系統中的局限性，將任務流定義為有向路徑，以反映真實的事件驅動過程，并定義精確的優化目標。
- 我們建立了一種將IEC 61499程序和通用任務轉換為TTFM的機制，通過過濾、連接性提取等過程。我們還設計了一種適用于云-邊緣-設備架構的資源建模方法，以及基于標準任務圖（STG）的任務模型轉換方法，以提供模型數據。
- 我們基于TTFM制定了優化問題，并比較了四種啟發式算法，確定禁忌搜索（TS）是更好的方法。我們進一步在不同問題規模上評估了TS，驗證了模型的有效性和算法對大規模工業環境的適應性。
我們的發現為這些優化技術在更真實的工業控制任務模型中的應用提供了寶貴的見解，強調了模型保真度在實現下一代工業自動化系統性能改進方面的重要性。本文的其余部分組織如下：第2節回顧相關工作，第3節詳細介紹了提出的TTFM，第4節描述了優化方法，第5節詳細描述了實驗設置，第6節展示了結果并進行了分析，第7節討論了所提出方法的有效性和局限性，最后是結論。
相關工作
工業自動化系統長期以來一直以通過IEC 61131-3編程的PLC為中心。然而，向分布式智能的演變暴露了這種集中式方法的局限性。為了解決這些問題，IEC 61499標準應運而生，它擴展了經典的功能塊架構，加入了專為分布式控制設計的事件驅動執行模型和控制流的顯式表示（Lyu & Brennan，2021年）。最近的研究積極探索了...
提出的TTFM
本節介紹了我們基于IEC 61499標準的新型工業控制任務卸載模型TTFM。與用于邊緣計算卸載的傳統任務模型不同，我們的模型明確捕捉了工業控制應用的時空依賴性和事件驅動特性。該模型由三個關鍵組件組成：任務模型，描述計算任務及其依賴性；計算網絡模型...
優化方法
本文解決的核心問題是在提出的TTFM框架內優化任務分配和調度。具體來說，目標是最小化一組預定義的關鍵任務流的累積端到端延遲，如方程（16）中所表述的。，這涉及確定任務到計算節點（任務分配的最佳映射，并為每個任務分配唯一的執行優先級。優化受到...
實驗設置
為了嚴格評估所提出的優化方法在TTFM中的性能，我們建立了一個受控的實驗環境。鑒于獲取符合TTFM結構的多樣化、大規模真實世界工業控制系統軌跡的挑戰，我們采用了系統生成方法來創建可復制和可擴展的測試實例。這些實例包含了TTFM指定的工業控制任務特性（第3節）...
結果與分析
本節展示了第5節詳細描述的實驗結果。首先，我們通過檢查在不同資源約束下延遲組成的變化來驗證所提出的TTFM的物理保真度。隨后，我們對四種啟發式算法進行了比較評估，以確定最小化問題的最佳求解器，然后對更優算法的可擴展性進行了分析，以評估其在大規模工業環境中的可行性...
討論
在前面的章節中，我們建立了TTFM框架，并證明了禁忌搜索在解決相關優化問題方面的優越性。然而，這些優化結果的實際價值在很大程度上取決于底層模型的保真度。本節討論了建模假設的有效性，特別是分析了排隊延遲估計機制的可靠性，并隨后討論了這一方法的局限性和未來方向...
結論
本文解決了分布式工業系統中任務優化的關鍵挑戰，這是一個由于現代工業應用的復雜事件驅動性質而變得復雜的問題。為了解決這個問題，我們首先提出了TTFM，這是一個旨在準確捕捉工業任務事件驅動、相互依賴性質的新框架。該框架通過明確建模關鍵元素（包括觸發源、目的地接收器、特定的端到端任務流等）來實現其準確性...
CRediT作者貢獻聲明
向成峰：寫作 - 審稿與編輯、撰寫原始草案、驗證、調查、形式分析、數據整理。陳娜：寫作 - 審稿與編輯、驗證、監督、方法論、調查、形式分析、概念化。孫磊：寫作 - 審稿與編輯、方法論、資金獲取。王建全：驗證、項目管理、資金獲取、概念化。張榮輝：驗證、形式分析。馬張超：調查...
寫作過程中使用生成式AI和AI輔助技術的聲明
在準備這項工作時，作者使用了包括Gemini和Claude在內的AI工具來協助代碼調試和語言潤色。使用這些工具后，作者根據需要審查和編輯了內容，并對發表文章的內容負全責。
利益沖突聲明
作者聲明他們沒有已知的財務利益或個人關系可能會影響本文報告的工作。
致謝
這項工作部分得到了北京市自然科學基金與海淀區原創創新聯合研究基金（授權號L232001）、山西省重大科學技術專項（授權號202301020101001）、廣東省基礎與應用基礎研究基金（授權號2024A1515011480和2025A1515011300）、山西省地方科學技術發展指導基金（授權號YDZJSX20231B017和YDZJSX2024B017）以及基礎研究基金的支持...
