CN108959782B - 一种智能车间的布局优化方法、装置及设备 - Google Patents
一种智能车间的布局优化方法、装置及设备 Download PDFInfo
- Publication number
- CN108959782B CN108959782B CN201810744707.1A CN201810744707A CN108959782B CN 108959782 B CN108959782 B CN 108959782B CN 201810744707 A CN201810744707 A CN 201810744707A CN 108959782 B CN108959782 B CN 108959782B
- Authority
- CN
- China
- Prior art keywords
- layout
- parameters
- intelligent
- workshop
- guided vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004519 manufacturing process Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 description 8
- 238000007599 discharging Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种智能车间的布局优化方法、装置及设备,该方法包括:获取智能车间的初始参数;构建以最小化运输成本为优化目标的布局优化模型及对应的约束条件;根据初始参数、布局优化模型和约束条件;获取智能车间对应的最优布局参数,以利用最优布局参数对智能车间进行布局;本发明通过根据初始参数和以最小化运输成本为优化目标的布局优化模型及对应的约束条件,获取智能车间对应的最优布局参数,可以在满足产品及工艺要求的情况下,将布局对象布局在布局区域和自动导向车路经网路中,使得包含自动导向车的负载、空载和等待运输成本的智能车间的总运输成本最小,提高了智能车间物流的运输效率,从而降低智能车间的生产成本。
Description
技术领域
本发明涉及生产车间或制造系统规划布局领域,特别涉及一种智能车间的布局优化方法、装置及设备。
背景技术
车间设备布局规划是制造系统设计的重要环节,良好的车间布局可以提高企业整体效益,降低高达50%的生产运营费用。智能车间中大都是定制化的生产定单,意味着产品品种繁多、定单随机到达、不同产品之间存在工艺差异等;同时这类智能车间还包含自动化加工单元和自动化物流储运系统。经历了资源配置阶段后,智能车间的加工能力与物料储运能力已经初步达到平衡的状态。这时物料储运系统的布局结构、各个加工单元的位置,相应的上料与下料口的位置,以及存储单元的位置等,会对运输成本产生很大的影响。
现有技术中,传统的智能车间布局方法以综合物流强度最小为优化目标,即优化AGV(Automatic Guided Vehicle,自动导向车)负载路径总长度,并未考虑空载物流和等待时间所造成的运输成本增加,认为自动导向车等待时间很少或自动导向车运输的制品的重量远大于自动导向车的重量。因此,如何在智能车间的布局过程中减少运输成本,从而降低智能车间的生产成本,是现今急需解决的问题。
发明内容
本发明的目的是提供一种智能车间的布局优化方法、装置及设备,在智能车间布局时以最小化运输成本为优化目标,减少智能车间的总运输成本,从而降低智能车间的生产成本。
为解决上述技术问题,本发明提供一种智能车间的布局优化方法,包括:
获取智能车间的初始参数;其中,所述初始参数包括所述智能车间的几何参数和产品及工艺参数;
构建以最小化运输成本为优化目标的布局优化模型及对应的约束条件;其中,所述运输成本包括自动导向车负载运输成本、自动导向车空载运输成本和自动导向车等待运输成本;
根据所述初始参数、所述布局优化模型和所述约束条件,获取所述智能车间对应的最优布局参数,以利用所述最优布局参数对所述智能车间进行布局。
可选的,所述布局优化模型,具体为:
所述约束条件,包括:
P(X,Y,ZΠ,Δ)≥0,以使全部单元和全部路段均在所述几何参数中车间布局区域内,各个单元的位置彼此不重叠,每个单元的位置与每条路段的位置彼此不重叠,每个单元至少有一个边对应的路段平行,每个单元的上料口和/或下料口的位置必须在其与路段接壤的边上;
其中,Xn为所述几何参数中车间布局区域内的第n个单元的位置向量;Ym为所述几何参数中车间布局区域内的第m条路段的位置向量;Zn为所述几何参数中车间布局区域内的第n个单元的入料口和/或出料口的位置向量;Π为所述几何参数中自动导向车路经网络的拓扑结构,Δ为所述产品及工艺参数,ξ为随机元,Q1(·)为所述自动导向车负载运输成本,Q2(·)为所述自动导向车空载运输成本,Q3(·)为所述自动导向车等待运输成本,E{·}为随机函数的数学期望,P(·)为多个块状单元和/或路段的顶点坐标之间的相互限制关系式。
可选的,当所述初始参数包括性能指标参数时,所述约束条件,还包括:
E{T(Z,Y;ξ|Π,Δ,ξ)}≤ts和E{Θ(Z,Y;ξ|Π,Δ,ξ)}≥θs;
其中,ts为所述性能指标参数中的平均生产周期,θs为所述性能指标参数中的平均产出率,T(·)为不同的布局参数与制品在车间的逗留时间之间的函数关系,Θ(·)为不同的布局参数与制品的产出率之间的函数关系。
可选的,所述获取所述智能车间对应的最优布局参数之后,还包括:
利用所述最优布局参数对所述智能车间的布局进行仿真。
本发明还提供了一种智能车间的布局优化装置,包括:
获取模块,用于获取智能车间的初始参数;其中,所述初始参数包括所述智能车间的几何参数和产品及工艺参数;
构建模块,用于构建以最小化运输成本为优化目标的布局优化模型及对应的约束条件;其中,所述运输成本包括自动导向车负载运输成本、自动导向车空载运输成本和自动导向车等待运输成本;
优化模块,用于根据所述初始参数、所述布局优化模型和所述约束条件,获取所述智能车间对应的最优布局参数,以利用所述最优布局参数对所述智能车间进行布局。
可选的,所述构建模块,包括:
约束条件构建子模块,用于构建P(X,Y,Z|Π,Δ)≥0,以使全部单元和全部路段均在所述几何参数中车间布局区域内,各个单元的位置彼此不重叠,每个单元的位置与每条路段的位置彼此不重叠,每个单元至少有一个边对应的路段平行,每个单元的上料口和/或下料口的位置必须在其与路段接壤的边上;
其中,Xn为所述几何参数中车间布局区域内的第n个单元的位置向量;Ym为所述几何参数中车间布局区域内的第m条路段的位置向量;Zn为所述几何参数中车间布局区域内的第n个单元的入料口和/或出料口的位置向量;Π为所述几何参数中自动导向车路经网络的拓扑结构,Δ为所述产品及工艺参数,ξ为随机元,Q1(·)为所述自动导向车负载运输成本,Q2(·)为所述自动导向车空载运输成本,Q3(·)为所述自动导向车等待运输成本,E{·}为随机函数的数学期望,P(·)为多个块状单元和/或路段的顶点坐标之间的相互限制关系式。
可选的,当所述初始参数包括性能指标参数时,所述约束条件构建子模块,还用于构建E{T(Z,Y;ξ|Π,Δ,ξ)}≤ts和E{Θ(Z,Y;ξ|Π,Δ,ξ)}≥θs;
其中,ts为所述性能指标参数中的平均生产周期,θs为所述性能指标参数中的平均产出率,T(·)为不同的布局参数与制品在车间的逗留时间之间的函数关系,Θ(·)为不同的布局参数与制品的产出率之间的函数关系。
可选的,该装置还包括:
仿真模块,用于利用所述最优布局参数对所述智能车间的布局进行仿真。
此外,本发明还提供了一种智能车间的布局优化设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述任一项所述的智能车间的布局优化方法的步骤。
本发明所提供的一种智能车间的布局优化方法,包括:获取智能车间的初始参数;其中,初始参数包括智能车间的几何参数和产品及工艺参数;构建以最小化运输成本为优化目标的布局优化模型及对应的约束条件;其中,运输成本包括自动导向车负载运输成本、自动导向车空载运输成本和自动导向车等待运输成本;根据初始参数、布局优化模型和约束条件,获取智能车间对应的最优布局参数,以利用最优布局参数对智能车间进行布局;
可见,本发明通过根据初始参数和以最小化运输成本为优化目标的布局优化模型及对应的约束条件,获取智能车间对应的最优布局参数,可以在满足产品及工艺要求的情况下,将布局对象在布局区域和自动导向车路经网路中,使得包含自动导向车的负载、空载和等待运输成本的智能车间的总运输成本最小,提高了智能车间物流的运输效率,从而降低智能车间的生产成本。此外,本发明还提供了一种智能车间的布局优化装置及设备,同样具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种智能车间的布局优化方法的流程图;
图2为本发明实施例所提供的一种智能车间的布局优化装置的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,图1为本发明实施例所提供的一种智能车间的布局优化方法的流程图。该方法可以包括:
步骤101:获取智能车间的初始参数;其中,初始参数包括智能车间的几何参数和产品及工艺参数。
可以理解的是,本步骤的目的可以为获取步骤102中构建的布局优化模型及对应的约束条件所需的智能车间的初始参数。对于初始参数所包含的参数类型,可以由设计人员根据实用场景和用户需求自行设置,如可以根据布局优化模型及对应的约束条件对应进行设置,若布局优化模型及对应的约束条件中并未考虑智能车间对应的生产系统的性能指标,则初始参数可以仅包括智能车间的几何参数和产品及工艺参数;若布局优化模型及对应的约束条件中并考虑智能车间对应的生产系统的性能指标,则初始参数还可以如平均生产周期与平均产出率的性能指标参数。本实施例对此不做任何限制。
其中,本步骤中初始参数包括的智能车间的几何参数和产品及工艺参数的具体内容,可以由设计人员根据实用场景和用户需求自行设置,如智能车间的几何参数可以包括智能车间布局所需的车间布局区域的几何形状和相关尺寸、自动导向车(AVG)的路经网络、每个需要在智能车间布局的生产单元的几何尺寸,智能车间的产品及工艺参数可以包括智能车间对应的生产系统需要生产的各类制品的数量和重量的概率分布,以及概率工艺路径。本实施例对此不做任何限制。
步骤102:构建以最小化运输成本为优化目标的布局优化模型及对应的约束条件;其中,运输成本包括自动导向车负载运输成本、自动导向车空载运输成本和自动导向车等待运输成本。
可以理解的是,为了提高智能车间物流的运输效率,本步骤中构建的布局优化模型与传统的优化AGV(自动导向车)负载路径总长度有所不同,该布局优化模型的优化目标是运输成本(平均运输成本)最小化。
可以理解的是,对于本步骤中构建的布局优化模型和对应的约束条件的具体内容,可以由设计人员根据实用场景和用户需求自行设置,如运输成本仅包括自动导向车负载运输成本、自动导向车空载运输成本和自动导向车等待运输成本时,构建的布局优化模型可以如下所示:
其中,Xn为几何参数中车间布局区域内的第n个单元的位置向量;Ym为几何参数中车间布局区域内的第m条路段的位置向量;Zn为几何参数中车间布局区域内的第n个单元的入料口和/或出料口的位置向量;Π为几何参数中自动导向车路经网络的拓扑结构,Δ为产品及工艺参数,ξ为随机元,Q1(·)为自动导向车负载运输成本,Q2(·)为自动导向车空载运输成本,Q3(·)为自动导向车等待运输成本,E{·}为随机函数的数学期望。
具体的,运输成本Q由自动导向车负载运输成本Q1、自动导向车空载运输成本Q2和自动导向车等待运输成本Q3组成。车负载运输成本Q1可以为AGV按照制品的工艺路径从存储区域(单元)或加工单元(单元)运输制品至另一个加工单元或存储区域产生的运输成本,依据制品的重量及工艺路径、AGV路径网络拓扑结构,是各单元的入料口和/或出料口的位置向量Z和路段的位置向量Y的函数;自动导向车空载运输成本Q2可以为AGV空载运输所产生的运输成本,在生产过程中空载是要尽量避免的,但定制生产系统中制品的工艺路线及工时差异比较大,瓶颈工序实时变化,前后工序衔接很难及时,难免空载运输,通过各单元上下料口的位置向量Z和路段的位置向量Y的合理取值,可以减少自动导向车空载运输成本Q2;由于各种随机因素的共同作用导致了智能车间的制品经常处于等待状态,如:等待加工,等待运输,等待装卸等,自动导向车等待运输成本Q3可以为制品所在单元发出请求运输指令至AGV上料这段时间所折合的成本,通过各单元上下料口的位置向量Z和路段的位置向量Y的合理取值,可以减少自动导向车等待运输成本Q3。
对应的,如上述布局优化模型对应的约束条件,可以仅包括以下5类几何形状与位置的约束条件:①各个单元(存储区域和加工单元)的位置彼此不能重叠;②每个单元的位置与每条路段的位置彼此不能重叠;③每个单元至少有一个边与某条路段平行;④每个单元上料与下料口的位置必须在其与路段接壤的边上;⑤所有布局对象(单元和路段)都必须在车间的范围内。如可以将每个布局对象均看作矩形块,用4个顶点坐标表示,第n个单元的位置向量可以为Xn={x11,x12,x21,x22,x31,x32,x41,x42},本步骤构建的上述布局优化模型对应的约束条件可以为P(X,Y,Z|Π,Δ)≥0,以使全部单元和全部路段均在所述几何参数中车间布局区域内,各个单元的位置彼此不重叠,每个单元的位置与每条路段的位置彼此不重叠,每个单元至少有一个边对应的路段平行,每个单元的上料口和/或下料口的位置必须在其与路段接壤的边上其中,P(·)为多个块状布局对象(单元或路段)的顶点坐标之间的相互限制关系式。
优选的,为了进一步满足智能车间对应的生产系统的指标性能要求,上述布局优化模型对应的约束条件还可以包括生产系统运行过程各性能指标对应的约束条件,如对于生产系统的性能指标参数中主要的平均生产周期和平均产出率这两个指标,在传统的智能车间布局方法中往往认为这两个指标与物流强度强相关,即物流强度小了生产周期就短,产出率就高,所以在优化布局中没有考虑这两个指标。而智能车间生产定制化产品,工艺路线复杂且多可选,工时定额各异,主要物料搬运工具AGV每次运输的工件数量少,缓存区数量得到有效控制,智能车间AGV小车行走在复杂的路径网络上,不再是相对单一的运输路径,使得综合物流强度与生产周期和产出率的相关度减弱,即不同布局方案,可能综合物流强度相差不大,但平均生产周期或平均产出率差别却很大,因此在本实施例所提供的方法,可以考虑平均生产周期和平均产出率,也就是说,步骤101中获取的初始参数还可以包括如平均生产周期和平均产出率的性能指标参数,即本步骤构建的上述布局优化模型对应的约束条件还可以包括E{T(Z,Y;ξ|Π,Δ,ξ)}≤ts和E{Θ(Z,Y;ξ|Π,Δ,ξ)}≥θs;其中,ts为性能指标参数中的平均生产周期,θs为性能指标参数中的平均产出率,T(·)为不同的布局参数与制品在车间的逗留时间之间的函数关系,Θ(·)为不同的布局参数与制品的产出率之间的函数关系。
需要说明的是,本步骤中构建的以最小化运输成本为优化目标的布局优化模型可以如上述所示,运输成本包括自动导向车负载运输成本、自动导向车空载运输成本和自动导向车等待运输成本,也就是说,若考虑如因AGV拥堵或绕道所导致的额外成本,可以在对应的自动导向车负载运输成本、自动导向车空载运输成本或自动导向车等待运输成本的计算过程中,直接加入该额外成本;本步骤中构建的布局优化模型,最小化的运输成本也可以包括自动导向车负载运输成本、自动导向车空载运输成本、自动导向车等待运输成本和其他成本(如因AGV拥堵或绕道所导致的额外成本),本实施例对此不做任何限制。
可以理解的是,对于本步骤中构建以最小化运输成本为优化目标的布局优化模型及对应的约束条件的具体方式,可以由设计人员根据实用场景和用户需求自行设置,只要保证步骤103中可以使用本步骤构建的布局优化模型和约束条件,本实施例对此不做任何限制。对应的,对于本步骤与步骤101并不存在必然的逻辑顺序,可以如本实施例所示先获取初始参数再构建布局优化模型和约束条件,也可以先构建布局优化模型和约束条件,再获取初始参数,如步骤103可以使用之前构建保存的布局优化模型和约束条件。本实施例对此同样不作任何限制。
步骤103:根据初始参数、布局优化模型和约束条件,获取智能车间对应的最优布局参数,以利用最优布局参数对智能车间进行布局。
可以理解的是,本步骤的目的可以为利用初始参数和构建的以最小化运输成本为优化目标的布局优化模型及对应的约束条件,获取满足约束条件的情况下,布局优化模型输出的对智能车间进行布局所需的布局参数(最优布局参数),对于最优布局参数的具体内容,可以由设计人员根据实用场景和用户需求自行设置,如用户或布局装置需要根据仿真模型对智能车间进行布局时,最优布局参数可以为进行仿真所需的对应的参数。本实施例对此不做任何限制。
对应的,本步骤之后还可以包括利用最优布局参数对智能车间的布局进行仿真的步骤,以通过生成仿真模型的方式使用户可以更好的了解智能车间的布局情况。
本实施例中,本发明实施例通过根据初始参数和以最小化运输成本为优化目标的布局优化模型及对应的约束条件,获取智能车间对应的最优布局参数,可以在满足产品及工艺要求的情况下,将布局对象在布局区域和自动导向车路经网路中,使得包含自动导向车的负载、空载和等待运输成本的智能车间的总运输成本最小,提高了智能车间物流的运输效率,从而降低智能车间的生产成本。
请参考图2,图2为本发明实施例所提供的一种智能车间的布局优化装置的结构图。该装置可以包括:
获取模块100,用于获取智能车间的初始参数;其中,初始参数包括智能车间的几何参数和产品及工艺参数;
构建模块200,用于构建以最小化运输成本为优化目标的布局优化模型及对应的约束条件;其中,运输成本包括自动导向车负载运输成本、自动导向车空载运输成本和自动导向车等待运输成本;
优化模块300,用于根据初始参数、布局优化模型和约束条件,获取智能车间对应的最优布局参数,以利用最优布局参数对智能车间进行布局。
可选的,构建模块200,可以包括:
模型构建子模块,用于构建布局优化模型;其中,布局优化模型为
约束条件构建子模块,用于构建P(X,Y,Z|Π,Δ)≥0,以使全部单元和全部路段均在几何参数中车间布局区域内,各个单元的位置彼此不重叠,每个单元的位置与每条路段的位置彼此不重叠,每个单元至少有一个边对应的路段平行,每个单元的上料口和/或下料口的位置必须在其与路段接壤的边上;
其中,Xn为几何参数中车间布局区域内的第n个单元的位置向量;Ym为几何参数中车间布局区域内的第m条路段的位置向量;Zn为几何参数中车间布局区域内的第n个单元的入料口和/或出料口的位置向量;Π为几何参数中自动导向车路经网络的拓扑结构,Δ为产品及工艺参数,ξ为随机元,Q1(·)为自动导向车负载运输成本,Q2(·)为自动导向车空载运输成本,Q3(·)为自动导向车等待运输成本,E{·}为随机函数的数学期望,P(·)为多个块状单元和/或路段的顶点坐标之间的相互限制关系式。
可选的,当初始参数包括性能指标参数时,约束条件构建子模块,还用于构建E{T(Z,Y;ξ|Π,Δ,ξ)}≤ts和E{Θ(Z,Y;ξ|Π,Δ,ξ)}≥θs;
其中,ts为性能指标参数中的平均生产周期,θs为性能指标参数中的平均产出率,T(·)为不同的布局参数与制品在车间的逗留时间之间的函数关系,Θ(·)为不同的布局参数与制品的产出率之间的函数关系。
可选的,该装置还可以包括:
仿真模块,用于利用最优布局参数对智能车间的布局进行仿真。
本实施例中,本发明实施例通过优化模块300根据初始参数和构建模块200构建的以最小化运输成本为优化目标的布局优化模型及对应的约束条件,获取智能车间对应的最优布局参数,可以在满足产品及工艺要求的情况下,将布局对象在布局区域和自动导向车路经网路中,使得包含自动导向车的负载、空载和等待运输成本的智能车间的总运输成本最小,提高了智能车间物流的运输效率,从而降低智能车间的生产成本。
此外,本发明实施例还提供了一种智能车间的布局优化设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现如上述实施例所述的智能车间的布局优化方法的步骤。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置及设备而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的智能车间的布局优化方法、装置及设备进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (7)
1.一种智能车间的布局优化方法,其特征在于,包括:
获取智能车间的初始参数;其中,所述初始参数包括所述智能车间的几何参数和产品及工艺参数;
构建以最小化运输成本为优化目标的布局优化模型及对应的约束条件;其中,所述运输成本包括自动导向车负载运输成本、自动导向车空载运输成本和自动导向车等待运输成本;
根据所述初始参数、所述布局优化模型和所述约束条件,获取所述智能车间对应的最优布局参数,以利用所述最优布局参数对所述智能车间进行布局;
所述布局优化模型,具体为:
所述约束条件,包括:
P(X,Y,Z|Π,Δ)≥0,以使全部单元和全部路段均在所述几何参数中车间布局区域内,各个单元的位置彼此不重叠,每个单元的位置与每条路段的位置彼此不重叠,每个单元至少有一个边存在与之平行的路段,每个单元的上料口和/或下料口的位置必须在其与路段接壤的边上;
2.根据权利要求1所述的智能车间的布局优化方法,其特征在于,当所述初始参数包括性能指标参数时,所述约束条件,还包括:
E{T(Z,Y;ξ|Π,Δ,ξ)}≤ts和E{Θ(Z,Y;ξ|Π,Δ,ξ)}≥θs;
其中,ts为所述性能指标参数中的平均生产周期,θs为所述性能指标参数中的平均产出率,T(·)为不同的布局参数与制品在车间的逗留时间之间的函数关系,Θ(·)为不同的布局参数与制品的产出率之间的函数关系。
3.根据权利要求1或2所述的智能车间的布局优化方法,其特征在于,所述获取所述智能车间对应的最优布局参数之后,还包括:
利用所述最优布局参数对所述智能车间的布局进行仿真。
4.一种智能车间的布局优化装置,其特征在于,包括:
获取模块,用于获取智能车间的初始参数;其中,所述初始参数包括所述智能车间的几何参数和产品及工艺参数;
构建模块,用于构建以最小化运输成本为优化目标的布局优化模型及对应的约束条件;其中,所述运输成本包括自动导向车负载运输成本、自动导向车空载运输成本和自动导向车等待运输成本;
优化模块,用于根据所述初始参数、所述布局优化模型和所述约束条件,获取所述智能车间对应的最优布局参数,以利用所述最优布局参数对所述智能车间进行布局;
所述构建模块,包括:
约束条件构建子模块,用于构建P(X,Y,ZΠ,Δ)≥0,以使全部单元和全部路段均在所述几何参数中车间布局区域内,各个单元的位置彼此不重叠,每个单元的位置与每条路段的位置彼此不重叠,每个单元至少有一个边存在与之平行的路段,每个单元的上料口和/或下料口的位置必须在其与路段接壤的边上;
5.根据权利要求4所述的智能车间的布局优化装置,其特征在于,当所述初始参数包括性能指标参数时,所述约束条件构建子模块,还用于构建E{T(Z,Y;ξ|Π,Δ,ξ)}≤ts和E{Θ(Z,Y;ξΠ,Δ,ξ)}≥θs;
其中,ts为所述性能指标参数中的平均生产周期,θs为所述性能指标参数中的平均产出率,T(·)为不同的布局参数与制品在车间的逗留时间之间的函数关系,Θ(·)为不同的布局参数与制品的产出率之间的函数关系。
6.根据权利要求4或5所述的智能车间的布局优化装置,其特征在于,还包括:
仿真模块,用于利用所述最优布局参数对所述智能车间的布局进行仿真。
7.一种智能车间的布局优化设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至3任一项所述的智能车间的布局优化方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810744707.1A CN108959782B (zh) | 2018-07-09 | 2018-07-09 | 一种智能车间的布局优化方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810744707.1A CN108959782B (zh) | 2018-07-09 | 2018-07-09 | 一种智能车间的布局优化方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108959782A CN108959782A (zh) | 2018-12-07 |
CN108959782B true CN108959782B (zh) | 2023-05-09 |
Family
ID=64482589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810744707.1A Active CN108959782B (zh) | 2018-07-09 | 2018-07-09 | 一种智能车间的布局优化方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108959782B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274627B (zh) * | 2019-12-25 | 2022-07-08 | 江苏艾佳家居用品有限公司 | 基于非线性最优化的厨房自动布局方法、装置、计算机设备 |
US20220318446A1 (en) * | 2021-04-01 | 2022-10-06 | Autodesk, Inc. | Techniques for designing manufacturing facilities |
CN113792933A (zh) * | 2021-09-24 | 2021-12-14 | 中船黄埔文冲船舶有限公司 | 一种车间布局优化方法、装置、电子设备及存储介质 |
CN114971488A (zh) * | 2022-06-13 | 2022-08-30 | 清华大学 | 一种布局规划方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102422313A (zh) * | 2009-05-05 | 2012-04-18 | 埃克森美孚研究工程公司 | 用于优化运输方案的方法 |
CN107578199A (zh) * | 2017-08-21 | 2018-01-12 | 南京航空航天大学 | 一种求解二维装载约束物流车辆调度问题的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7672855B2 (en) * | 2005-02-25 | 2010-03-02 | Oracle International Corp. | Transportation planning with drop trailer arrangements |
-
2018
- 2018-07-09 CN CN201810744707.1A patent/CN108959782B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102422313A (zh) * | 2009-05-05 | 2012-04-18 | 埃克森美孚研究工程公司 | 用于优化运输方案的方法 |
CN107578199A (zh) * | 2017-08-21 | 2018-01-12 | 南京航空航天大学 | 一种求解二维装载约束物流车辆调度问题的方法 |
Non-Patent Citations (2)
Title |
---|
基于遗传算法的车间设备布局问题研究;曹战;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20080515;第C029-85页 * |
重型装配车间多车型软时间窗配送车辆路径优化研究;贾佳祺;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180415;第44页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108959782A (zh) | 2018-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108959782B (zh) | 一种智能车间的布局优化方法、装置及设备 | |
CN109375601B (zh) | 基于数据驱动建模与仿真优化的流水线规划方法及设备 | |
CN108959783B (zh) | 一种智能车间的布局仿真优化方法及装置 | |
CN111091238B (zh) | 一种自动化集装箱码头agv智能化调度方法 | |
CN104408589B (zh) | 基于混合粒子群算法的agv优化调度方法 | |
Jamrus et al. | Extended priority-based hybrid genetic algorithm for the less-than-container loading problem | |
CN107909228B (zh) | 基于模因计算的动态车辆收发货路径规划方法及装置 | |
CN111563672B (zh) | 一种多载agv数量配置方法 | |
CN109086936B (zh) | 一种智能车间的生产系统资源配置方法、装置及设备 | |
CN112801484B (zh) | 一种考虑配料误差的物料配送调度方法和系统 | |
CN108564211A (zh) | 物流运输路径规划方法及系统 | |
Shang et al. | Spatial scheduling optimization algorithm for block assembly in shipbuilding | |
Yifei et al. | An estimate and simulation approach to determining the automated guided vehicle fleet size in FMS | |
Zhou et al. | Information-based allocation strategy for grid-based transshipment automated container terminal | |
CN112950091A (zh) | 车辆调度方法、装置及存储介质 | |
CN112668248A (zh) | 混凝土运输车调度优化计算理论模型的方法及系统 | |
CN101957760A (zh) | 一种过程执行时间的测定方法 | |
CN103489091A (zh) | 一种钢铁产品船运集配方法 | |
CN116224926A (zh) | 面向单件小批柔性制造车间的动态调度优化方法及装置 | |
CN111082444B (zh) | 一种多移动储能车路径规划方法、系统及装置 | |
Lin et al. | A multi-objective cooperative particle swarm optimization based on hybrid dimensions for ship pipe route design | |
CN113792933A (zh) | 一种车间布局优化方法、装置、电子设备及存储介质 | |
CN108768857A (zh) | 一种虚拟路由转发方法、装置及系统 | |
CN113469614A (zh) | 行驶路线的动态调整方法、装置、设备及存储介质 | |
CN112001646A (zh) | 一种物料调度方法、装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |