CN104570997A - 一种用于金属结构件下料与加工排产集成优化方法 - Google Patents

Abstract

本发明公开一种用于金属结构件的排料与排产集成优化方法，包括：(1)从零件库中选取一组待下料零件并提取零件相关信息(2)从板材库中选择可以用于该零件排料的板材(3)利用排料算法对零件放置在可用板材上进行排料，得到多种排料方案；(4)利用蚁群算法选择一种排料方案；(5)利用递阶遗传算法求解得到一组零件加工顺序和机器选择方案；(6)综合评价该排料方案及零件加工顺序和机器选择方案；(7)循环执行步骤(4)和步骤(5)，并利用上述目标值修正蚁群算法和递阶遗传算法参数继续优化，直至获得最优排料方案和排产方案。本发明的下料与加工排产集成优化方法，可以缩短金属结构件产品生产周期，降低其在制品数量和提高设备利用率。

Description

一种用于金属结构件下料与加工排产集成优化方法

技术领域

本发明涉及金属结构件制造领域，更具体地，涉及一种用于金属结构件排料与排产集成优化方法。

背景技术

金属结构件被广泛应用于工程机械、船舶行业、港口机械、重工机械和航天航空等多个领域。它们大都具有相同的工艺流程例如订单→工艺设计→制定生产作业计划→优化排料→下料→机械加工→折弯成型→构件焊合→入库。随着市场的竞争的加剧，金属结构件制造业和其他行业企业一样，面临着激烈的竞争。当今激烈的竞争，迫切要求企业对整体制造流程进行优化，缩短生产周期、提高生产效率和材料的利用率，进而提升企业的经济效益。

不同的零件组合在一起形成一个下料模型，在同一下料模型上所有的零件的切割完成时间是相同的，如何安排不同的零件在同一下料模型，在保证材料利用率的同时，使得后序生产过程中在制品的数量最少，也是金属结构件生产过程中要解决的重要问题之一。

目前，现有技术中单独对排料或排产的技术方案都有披露，给出了多种对于金属结构件的排料方案，可以很好地对金属结构件进行下料优化。对于排产问题，目前的方案一般都是以利用率高为目标，但是由于排产中存在着复杂约束状态，例如加工制造过程的工艺约束、零件交货期约束、库存约束等，如果只是一味的采用排料利用率高的方案，会导致在制品数量大，加工等待时间长，生产周期长，生产成本高等问题。特别是，目前对下料和排产的优化都是各自独立设计，通过考虑各自因素而形成各自单一的优化目标。而在实际的金属结构件的加工制造中，由于不同的零件通常可以组合在一起形成一个下料模型，一个下料模型往往需要在不同的加工设备上完成加工，因此下料和排产往往相互影响，交叉作用，单一的优化无法实现加工效率的最大化。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种金属结构件的排料与排产集成优化方法，通过排料方案和排产方案的集成优化，解决目前安排下料模型在不同切割上切割和安排零件在不同的机器上加工中存在的设备利用率低、加工等待时间长、生产周期长而使 得效率无法最大化的问题。

按照本发明的一个方面，提供一种金属结构件的排料与排产集成优化方法，包括如下步骤：

(1)从零件库中选取一组待下料零件并提取零件相关信息；

(2)从板材库中选择可以用于该零件排料的板材；

(3)根据选取的下料零件和板材，对零件放置在可用板材上进行排料，得到多种排料方案(根据零件的多少和板材规格，对同一批零件，不同的排料方案包括不同的下料模型，一种排料方案可能包含多个下料模型)；

(4)针对每一组待下料零件利用蚁群算法选择一种排料方案；

(5)基于该排料方案利用递阶遗传算法求解得到一组零件加工顺序和机器选择方案；

(6)以材料利用率、makespan、机器最大负载为目标综合评价该排料方案及零件加工顺序和机器选择方案；

(7)循环执行步骤(4)和步骤(5)，并利用上述目标值修正蚁群算法和递阶遗传算法参数以继续优化，直至获得最优排料方案和排产方案。

其中，材料利率、makespan、机器最大负载为目标综合评价是通过Pareto最优解来实现的，Pareto最优解是指若x*∈C，且在C中不存在比x*更优越的解x，则称x*是多目标最优化模型式的Pareto最优解，又称为有效解。

作为本发明的改进，所述步骤(4)具体过程为： 

Step1：设置相关参数：α、β、ρ、ε、最大迭代次数NC_max、Q、蚂蚁数量N_ant；

Step2：生成蚂蚁N_ant并放置在第一级节点上(y_lg,g＝1,l＝1,2,…,L)；

Step3：一次迭代循环：计算所有蚂蚁的状态转移概率并选择下一组的节点，直至走完所有级(g＝1,2,…,G)，如果蚂蚁没有能够走完所有小组，则将该蚂蚁k所选择的节点放入的禁忌表tabu_k；

Step4：算本次迭代的最好解，如果优于当前的最好解，则用其替换当前的最好；

Step5：更新各个节点的信息素量；

Step6：循环执行上述步骤直至达到最大迭代次数NC_max，并输出选择排样方案；

作为本发明的改进，所述步骤(5)具体过程为： 

Step1：产生初始种群，将代数置0，并初如化参数；

Step2：找出种群的Pareto集合，并分配阶层；计算种群中每个个体的适应度，将适应度较大的前Elite_Size个个体复制到精英列表中；

Step3：选择、交叉、变异；

Step4：将精英列表中的个体添加到种群中，计算种群中每个个体的适应度和各目标值，然后找出该种群的Pareto集合，并分配阶层；

Step5：保留阶层数较小的N_ind个个体；用前Elite_Size个个体更新精英列表；更新群体Pareto最优解集合；代数自加1；

Step6：如果代数尚未达到最大代数，转到Step3；否则，输出最优解，结束。

作为本发明的改进，所述选择具体采用轮盘赌的方式来进行，即个体每次被选中的概率与其在整个种群中的相对适应度成正比例关系。

作为本发明的改进，对于控制基因串采用换序变异，即随机选择基因串上的两个位置，将这两个位置上的基因进行交换；对于参数基因串采用整数变异，即对每一个基因以一定的概率用一整数代替该基因，其中该整数可以用机器集合里的与该基因不相同的整数。

本发明中，通过研究金属结构件下料与加工排产中N个零件生成P个下料模型在M台不同类型机器加工过程，其中，下料工序是以下料模型为单位，并且同一下料模型在不同切割机下料时其切割速度不一定相同，其它的加工工序是以零件为单位，对于同一零件在不同的机器上的加工时间是相等的，每个零件或下料模型仅需在某一机器上加工一次，从而优化目标有材料利用率、总完工时间和每台机器的完工时间。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：在排料时，对同一组零件排料时会提供多种排样方案，在加工排产时综合考虑各种因素从这些排样方案中选择一种合理的排样方案，可以降低其生产过程中在制品的数量，从而降低金属结构件的生产成本，并且通过对加工排产进行优化，可以实现相邻工序的紧密衔接和保持加工过程顺畅，从而降低了设备利用率，减少加工等待时间和生产成本，进而提高企业竞争力。

附图说明

图1为按照本发明实施例构建的用于金属结构件排料与排料集成优化方法流程图；

图2为按照本发明实施例构建的优化方法中排料方案选择问题构造图；

图3为按照本发明实施例构建的优化方法中编码与解码方法示意图；

图4为按照本发明实施例构建的优化方法中控制基因交叉操作示意图；

图5为按照本发明实施例构建的优化方法中控制基因变异操作示意图；

图6为按照本发明实施例构建的优化方法中结构件焊接关系及加工时间示意图；

图7为按照本发明实施例构建的优化方法中的排料方案的排料示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于 限定本发明。

为方便说明，先对本实施例中引入的如下符号作统一的如下表的说明：

表1 符号对照表

目标函数： 

1、材料损失率最少：

$f_1=\min (1-\frac{\underset{i=1}{\overset{I}{\mathrm{\Σ}}}S\_\mathrm{par}{t}_i}{\underset{l\_n=1}{\overset{\mathrm{LN}}{\mathrm{\Σ}}}S\_\mathrm{layou}{t}_{i\_n}}{Y}_l)---\left(1\right)$

2、最后完工工件的完工时间最短：

$f_2=\min \left(\underset{i=1}{\overset{I}{\max }}{\mathrm{CT}}_i\right)---\left(2\right)$

3、最大负荷最小：

$f_3=\min \left(\underset{m=1}{\overset{M}{\max }}\underset{i=1}{\overset{I}{\mathrm{\Σ}}}\underset{j\∈J_i}{\mathrm{\Σ}}{t}_{\mathrm{ijm}}{z}_{\mathrm{ijm}}\right)---\left(3\right)$

式(3)表示零件某道工序只能在一台机器上加工。

约束条件： 

式中：约束式①表示零件R_i和R_k互不重叠；约束式②表示零件R_i均排在板材S内；约束式③表示零件某道工序只能在一台机器上加工；约束式④表示同一下料模型的零件x和零件y下料完成时间与零件x和y所在的下料模型Pl_n的完工时间相同；约束式⑤表示加工过程含有特殊工艺约束，即零件零件i第j道工序可用机器集合SMij∈M，约束式⑥表示加工顺序，即约束每一个工件的工序是按顺序完成的，也就是说必须在上一道工序完成后才能进行下一道工序加工，不可以先进行下一道工序的加工。约束式⑦表示每个零件在每道加工工序上完成时间。约束式⑧表示每个零件的完成时间。约束式⑨表示机器约束，即一台机器工作时，至多只能加工一个工件，不能同时加工两个工件。

(3)利用蚁群算法选择一种排料方案，该步骤具体包括以下子步骤：

根据步骤(1)，每个小组可以在不同规格上的板材上排料，进而得到不同的排料方案。这些排料方案并不是材料利用率越高越好，因为选用材料利用率高排料方案有可能造成其它优化目标(例如，最大负荷最小，零件最大加工完工时间最小)不理想，从而造成整体的优化目标不好。所以在选择排料方案时，应统筹考虑全局优化目标，而并不是一味选用材料利用率高的排料方案。根据目标函数及约束条件的特征，排料方案选择问题构造图设计如图2所示。现有G组零件需要下料，可以将G组待下料零件变成G级决策问题。每个节点{y_lg|l＝1,2,...,L；g＝1,2,...,G}表示第g小组零件第l套排料方案。蚂蚁在各节点间移动，并留下一定量的信息素，以此影响下一批蚂蚁的移动方向。

排料方案选择问题的蚁群算法的实现步骤如下：

_________________________________________________________________ 

Step1：初始化； 

设置相关参数：α、β、ρ、ε、NC_max(最大迭代次数)、Q、N_ant(蚂蚁数量)。

Step2：生成N_ant蚂蚁并放置在第一级节点上(y_lg,g＝1,l＝1,2,…,L)；

Step3：一次迭代循环：计算所有蚂蚁的状态转移概率并选择下一组的节点，直至走完所有级(g＝1,2,…,G)，如果蚂蚁没有能够走完所有小组，则将该蚂蚁k所选择的节点放入的禁忌表tabu_k；

Step4：算本次迭代的最好解，如果优于当前的最好解，则用其替换当前的最好；

Step5：更新各个节点的信息素量，代数自加1；

Step6：如果代数尚未达到最大代数，转到Step3；否则，输出最优解，结束。

_________________________________________________________________ 

算法1：排料方案选择问题的蚁群算法

(4)基于步骤(3)选择的排料方案，利用递阶遗传算法求解零件加工顺序和机器选择方案。该步骤具体包括以下子步骤：

①编码与解码 

对于加工排产优化问题，若初始解直接采用二进制编码，那么得到的染色体将会十分复杂，并在交叉和变异操作时也很困难，所以采用自然数编码方式。

编码与解码方法，如图3所示。零件的加工顺序依次是：零件1下料→零件3下料→零件2下料→零件2成型→零件3成型→零件2机加工→零件1机加工→零件3焊接→零件1焊接→零件2焊接。参数基因表示零件加工路径选择，即零件所经每道工序所选择在那台机器上加工。该图中零件对应控制基因所给出的加工顺序分别选取机器M₁、M₂、M₁、M₂、M₅、M₄、M₆、M₇、M₈、M₈和M₉。每个参数基因所解码对应一个问题的决策0-1变量z_ijm。

②初始化种群 

首先将加工排产优化问题分解为确定零件加工顺序两个子问题和选择加工路径，然后采用启发式规则确定零件加工顺序(控制基因)，即先将所有零件先按其加工工序排序，若工序相同的，再随机产生一组(假设产生N_ind个)加工顺序这样就可以得到N_ind个可行加工序列，其中N_ind表示种群的大小，最后给每个可行加工序列中每个零件的每道工序随机分配一台可用机器。

③个体适应度 

采用基于共享机制(sharing)的小生境方法^[9]实现调整相似个体适应值。

$\mathrm{fitness}\left(i\right)=\frac{\exp (-1/r_i)}{{\mathrm{nc}}_i}---\left(5\right)$

式中：r_i—个体的解i的等级；nc_i—小生境数。

④选择

选择算子是将群体中适应度较高的个体以较大的几率保留，同时为了在一定程度上增加群体的多样性，对部分适应度较差的个体也予以保留。采用轮盘赌的方式来进行选择，即个体每次被选中的概率与其在整个种群中的相对适应度成正比例关系。

⑤交叉

针对控制基因交叉操作采用多点交叉与启发式算子相结合的交叉方法。如图4所示，其基本原理如下，假设有n个零件需要加工，现有两个父代个体A和B，随机选择在范围内的两个交叉点x和y(x<n，y<n)。分别在父代个体A上找到与x相关基因的位置和父代个体B上找 到与y相关基因的位置。生成一子代个体A'，首先给定父代个体A上x相关的基因，并保持位置不动，剩余的位置按照父代个体B基因的顺序依次填入父代个体B除与x相关的基因。同样，生成一子代个体B'，首先给定父代个体B上y相关的基因，并保持位置不动，剩余的位置按照父代个体A基因的顺序依次填入父代个体A除与y相关的基因。在填入其它基因过程中，应注意同一个零件其加工顺序不能改变。若存在某零件的后一加工工序的基因位置在前一加工工序基因位置的前面，则将这两个基因的位置互换。若对参数基因进行交叉操作，容易产生非法解。所以交叉操作只适用于控制基因。

⑥变异

对于控制基因串采用换序变异，即随机选择基因串上的两个位置，将这两个位置上的基因进行交换。由于同一个零件其加工顺序不能改变，若存在某零件的后一加工工序的基因位置在前一加工工序基因位置的前面，则将这两个基因的位置互换，具体操作如图5所示。对于参数基因串采用整数变异，即对每一个基因以一定的概率用一整数k(k为可以用机器集合里的某一个与该基因不相同的整数)代替该基因。该算法采用设置最大迭代次数法，当达到最大迭代次数时算法停止。

基于上述规则和定义，求解加工排产优化问题的递阶遗传算法主要步骤如下：

______________________________________________________

Step1：产生初始种群，将代数置0，并初如化参数；

Step2：找出种群的Pareto集合，并分配阶层；计算种群中每个个体的适应度，将适应度较大的前Elite_Size个个体复制到精英列表中；

Step3：选择、交叉、变异；

Step4：将精英列表中的个体添加到种群中，计算种群中每个个体的适应度和各目标值，然后找出该种群的Pareto集合，并分配阶层；

Step5：保留阶层数较小的N_ind个个体；用前Elite_Size个个体更新精英列表；更新群体Pareto最优解集合；代数自加1；

Step6：如果代数尚未达到最大代数，转到Step3；否则，输出最优解，结束。

______________________________________________________

算法2：零件加工顺序及机器选择问题的递阶遗传算法

(5)输出最优解，即排料方案、零件加工顺序及机器选择方案。

采用本发明的系统对下料与加工排产进行集成优化，在生产设备的运行情况非常好的情况下，采用如图1所示的方法流程。本实施例优选采用30个零件生成4个下料模型(3种排料方案)在9台不同类型机器加工过程，其中，下料工序是以下料模型为单位，并且同一下料模型在不同切割机下料时其切割速度不一定相同，其它的加工工序是以零件为单位，对 于同一零件在不同的机器上的加工时间是相等的。每个零件或下料模型仅需在某一机器上加工一次，优化目标有材料利用率、总完工时间和每台机器的完工时间。

本例假设下料工序有3台切割机(CM1，CM2，CM3)，它们的切割速度别为600mm/min、500mm/min和400mm/min；机械加工工序、成型加工工序、焊合工序分别有2台机器(MM1和MM2、BM1和BM2、WM1和WM2)，每个零件在同工序的两台机器上的加工时间相同。表2给出了所有零件的相关信息，图6给出所有零件的焊接关系及焊合加工时间。

排料与排产集成优化方法步骤如下：

(1)对待下料零件利用专门的排料软件中(SmartNest)的不同排料算法放置不同规格的板材上得到多种排料方案，其排料方案如表3所示。

(2)构建金属结构件排料与排产集成优化数学模型。

(3)利用蚁群算法选择一种排料方案并转入步骤(4)，其求解步骤如算法1所示，其中设置种群大小为200；最大迭代次数为1000；信息启发式因子α为0.9；望式启发因子β为6；信息素的蒸发系数ρ为0.4；信息素强度Q为1000。

(4)基于步骤(3)选择的排料方案，利用递阶遗传算法求解零件加工顺序和机器选择方案。其求解步骤如算法2所示，其中控制基因的交叉概率为0.7，变异概率为0.6；参数基因的变异概率为0.4。判断是否满足程序停止条件，若满足转入步骤(3)；否则返回步骤(3)。

(5)输出最优化解，即排料方案、零件加工顺序及机器选择方案。其中排料方案如图7所示。

表2 零件信息

表3 排料方案

表4 结果对照表

表4加给工出排了产没问有题考虑多种排料方案下的加工排产问题和考虑多种排料方案下的加工排产问题相关目标值的比较。如果采用传统的方法(没有考虑多种方案的加工排产)，排料人员会根据自己的经验给出材料利用率比较高的排料方案，若采用该种排料方案，虽然材料利用率比较高，但有可能同时会使其它目标(makespan、最大负载)非常差，与采用本发明提出的方法相比，材料利用率提高获得的利益并不能填补其它目标所损失利益，这也说明并不是采用材料利用率越高的排料方案越好。所以要将排料方案选择和加工排产协同优化更能符合实际需求。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种用于金属结构件的排料与排产集成优化方法，它包括下列步骤：

(1)从零件库中选取一组待下料零件并提取零件信息；

(2)从板材库中选择可以用于该零件排料的板材；

(3)根据提取的零件信息对零件放置在可用板材上进行排料，得到多种排料方案；

(4)针对每一组待下料零件利用蚁群算法从上述多种排料方案中选择出一种排料方案；

(5)基于选择出的该排料方案利用递阶遗传算法求解得到一组零件加工顺序和机器选择方案；

(6)以材料利率、最大完工时间(makespan)、机器最大负载为目标综合评价该排料方案及所述零件加工顺序和机器选择方案，获得目标值最优的排料方案及零件加工顺序和机器选择方案；

(7)循环执行步骤(4)和步骤(5)，并利用上述目标值修正蚁群算法和递阶遗传算法参数，继续优化，直至获得最优排料方案和排产方案。

2.根据权利要求1所述的一种用于金属结构件的排料与排产集成优化方法，其中，所述步骤(4)利用蚁群算法进行选择的具体过程为：

Step1：初始化设置最大迭代次数NC_max及蚂蚁数量N_ant；

Step2：生成蚂蚁N_ant并放置在第一级节点；

Step3：一次迭代循环：计算所有蚂蚁的状态转移概率并选择下一组的节点，直至走完所有级，如果蚂蚁没有能够走完所有小组，则将该蚂蚁所选择的节点放入的禁忌表；

Step4：计算本次迭代的最好解，如果优于当前的最好解，则用其替换当前的最好解；

Step5：更新各个节点的信息素量；

Step6：循环执行上述步骤直至达到最大迭代次数NC_max，进而选择得到排样方案。

3.根据权利要求1或2所述的一种用于金属结构件的排料与排产集成优化方法，其中，所述步骤(5)具体过程为：

Step1：产生初始种群，将代数置0，并初始化参数；

Step2：找出种群的Pareto集合，并分配阶层；计算种群中每个个体的适应度，将适应度较大的个体中的M个个体复制到精英列表中，其中M为预设整数值；

Step3：选择、交叉、变异；

Step4：将所述精英列表中的个体添加到种群中，计算种群中每个个体的适应度和各目标值，然后找出该种群的Pareto集合，并分配阶层；

Step5：保留阶层数较小的个体，用其中的M个体更新精英列表，并更新群体Pareto最 优解集合，且代数自加1；

Step6：如果代数尚未达到最大代数，转到Step3；否则，输出最优解，结束。

4.根据权利要求3所述的一种用于金属结构件的排料与排产集成优化方法，其中，所述选择具体采用轮盘赌的方式来进行，即个体每次被选中的概率与其在整个种群中的相对适应度成正比例关系。

5.根据权利要求3或4所述的一种用于金属结构件的排料与排产集成优化方法，其中，对于控制基因串采用换序变异，即随机选择基因串上的两个位置，将这两个位置上的基因进行交换；对于参数基因串采用整数变异，即对每一个基因以一定的概率用一整数代替该基因，其中该整数可以用机器集合里的与该基因不相同的整数。

6.根据权利要求1-5中任一项所述的一种用于金属结构件的排料与排产集成优化方法，其中，步骤(6)中的所述目标值最优的排料方案及零件加工顺序和机器选择方案通过获取多目标最优化模型式的Pareto最优解得到。