CN109102107A - 一种基于物流仿真的多行车间设备布局方法 - Google Patents

一种基于物流仿真的多行车间设备布局方法 Download PDF

Info

Publication number
CN109102107A
CN109102107A CN201810747127.8A CN201810747127A CN109102107A CN 109102107 A CN109102107 A CN 109102107A CN 201810747127 A CN201810747127 A CN 201810747127A CN 109102107 A CN109102107 A CN 109102107A
Authority
CN
China
Prior art keywords
logistics
workshop
multirow
formula
production unit
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.)
Pending
Application number
CN201810747127.8A
Other languages
English (en)
Inventor
朱海平
卫志栋
关辉
马雷博
殷风婷
张聪
周旋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201810747127.8A priority Critical patent/CN109102107A/zh
Publication of CN109102107A publication Critical patent/CN109102107A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于车间设备布局相关技术领域，其公开了一种基于物流仿真的多行车间设备布局方法，该方法包括以下步骤：(1)构建多行车间生产与物流系统的仿真模型，并通过运行所述仿真模型进来得到仿真数据，进而训练出神经网络，建立多行车间设备布局方案与车间物流延迟响应时间之间的映射关系；(2)基于求得的所述映射关系，建立多行生产车间设备布局优化的数学模型，所述数学模型的目标函数中包括横向物流成本、纵向物流成本及物流延迟响应时间成本；(3)基于所述数学模型，采用遗传算法求解得到多行车间设备的最优布局方案。本发明考虑到了物流延迟响应时间成本，完善了布局方案的评价指标，与实际情况契合度更高，适用性较好。

Description

一种基于物流仿真的多行车间设备布局方法
技术领域
本发明属于车间设备布局相关技术领域，更具体地，涉及一种基于物流仿真的多行车间设备布局方法。
背景技术
良好的设备布局不仅在组织生产管理方面能有效地提高企业的生产效率，而且对优化物料搬运路线、提升产品质量、提高设备利用率、改善工作环境、降低产品库存、减少人员使用及能源消耗等方面均有积极影响。
传统的车间设备布局优化中，设备布局的改善依赖从业人员工作经验，在进行车间布局时带有一定的盲目性与随机性，对设备布局方案的评价体系往往停留在定性分析层面。设备布局规划作为一个综合性问题，在制造业中，其规划者需要考虑到厂房建设、产品工艺、物料输送、运行成本、环境安全等多方面因素，使得设备布局规划实施困难，给规划者造成极大的挑战。随着运筹学与计算机技术的发展，学者们将工厂布局问题进行简化与抽象，将车间的生产指标定义为目标函数与决策变量来进行建模分析。这种数学建模的方法主要存在以下问题：1.评价的目标是车间的物流距离最小化，忽略了物流时间成本，不够合理；2.数学建模方法过于抽象，脱离实际，不易修改。相应地，本领域存在着发展一种适用性较好的基于多行车间设备布局方法的技术需求。
发明内容
针对现有技术的以上缺陷或改进需求，本发明基于现有车间布局的特点，研究及设计了一种适用性较好的基于物流仿真的多行车间设备布局方法。所述布局方法解决了传统设备布局中忽略物流时间成本的问题，其建立的设备布局优化模型考虑了物流延迟响应时间成本，整合了生产中需要考量的各种因素，使得体系更加完善，进而提高了准确率。此外，所述布局方法建模简单，与实际情况契合度较高，实用性较好。
为实现上述目的，本发明提供了一种基于物流仿真的多行车间设备布局方法，该布局方法包括以下步骤：
(1)构建多行车间生产与物流系统的仿真模型，并通过运行所述仿真模型来得到仿真数据，进而训练出神经网络，以建立多行车间设备布局方案与车间物流延迟响应时间之间的映射关系；
(2)基于求得的所述映射关系，建立多行生产车间设备布局优化的数学模型，所述数学模型的目标函数中包括横向物流成本、纵向物流成本及物流延迟响应时间成本；
(3)基于所述数学模型，采用遗传算法求解得到多行车间设备的最优布局方案。
进一步地，步骤(3)后还包括对得到的最优布局方案进行仿真验证以检验所述最优布局方案是否满足生产要求的步骤。
进一步地，仿真模型构建时，根据影响因素与物流评估的关联程度将生产系统中的部分影响因素进行简化，同时对生产系统进行了分类建模。
进一步地，多行车间设备布局方案与车间物流延迟响应时间之间的映射关系的建立包括以下子步骤：
(a)运行所述仿真模型以得到仿真数据集：对生成的布局方案z进行仿真实验，输出每一种布局方案下的物流延迟响应时间t，从而得到仿真数据集[z，t]；其中，布局方案z的数学表达式为：
z＝{x1,y1,x2,y2,…,xn,yn}
式中，xi与yi分别表示生产单元i所处位置的横纵坐标；n表示研究的生产单元数量；
(b)将所述仿真数据集进行归一化处理后划分为训练集、验证集和测试集；
(c)建立神经网络，并设定相关参数；
(d)输出神经网络的误差分布图，并统计出神经网络的预测值与真实值之间的误差率r。
进一步地，所述目标函数的表达式为：
式中，C表示车间总运输成本，单位为人·米；xij与yij分别表示生产单元i到生产单元j运输的横向与纵向距离，单位为米，其系数与分别表示对应搬运方式需要的物流人员数；t0为当前布局结构下车间一年总物流延迟时间，β0为其权重；Q为惩罚函数。
进一步地，生产单元i到生产单元j运输的横向距离采用公式(2)进行计算，公式(2)为：
式中，xi表示生产单元i的中心点横坐标；表示车间内纵向道路的横坐标；p表示纵向道路数。
进一步地，生产单元i到生产单元j运输的纵向距离采用公式(3)进行计算，公式(3)为：
yij＝|yj-yi| (3)
式中，yi表示生产单元i的中心点纵坐标。
进一步地，生产单元中心坐标采用公式(4)进行计算，公式(4)为：
式中，xz+1表示与xz相邻的生产单元的中心坐标，式中ΔT表示干涉道路宽度；lz表示生产单元的横向长度，当有道路干涉时，生产单元的中心坐标平移一个对应宽度。
进一步地，所述数学模型的约束条件采用公式(6)、公式(7)、公式(8)及公式(9)表示，公式(6)、公式(7)、公式(8)及公式(9)分别为：
k≤Ymax (8)
wN*li≥Si (9)
其中，xi表示生产单元i的中心点横坐标；XN表示生产单元i所在行的最大行长；li表示生产单元i的横向长度；Fik用于记录生产单元i是否在行数k；k为行数；Ymax为车间最大行数；wN为第N行纵向宽度；Si为生产单元i所需要的面积。
进一步地，步骤(3)包括以下子步骤：首先，基于所述数学模型，设计编码以将布局方案转化为遗传算法易处理的搜索空间，同时生成初始种群；接着，判断是否满足遗传运算终止条件，若满足，则运算终止；否则对初始种群内各个个体进行适应度值计算；之后，执行选择算子，以从上一代种群中选择部分个体来构成一个种群；接着，执行交叉算子，以在选择出来的个体中执行交叉运算而产生新的个体进入新种群；最后，对新种群中的每个个体执行变异算子，以生成新的集合即为下一代种群。
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，本发明提供的基于物流仿真的多行车间设备布局方法主要具有以下有益效果：
1.所述数学模型的目标函数中包括横向物流成本、纵向物流成本及物流延迟响应时间成本，克服了现有多行布局方法中难以考虑车间物流延迟响应时间的问题，综合了生产中需要考量的各种因素，完善了布局体系，进而提高了准确性及适用性。
2.通过所述仿真模型进行仿真来得到仿真数据，进而采用神经网络建立多行车间设备布局方案与车间物流延迟响应时间之间的映射关系，基于求得的所述映射关系，建立多行生产车间设备布局的数学模型，所建立的数学模型与实际生产契合度较高，且模型直观、易于实施。
3.所述布局方法还包括对得到的最优布局方案进行仿真验证以检验所述最优布局方案是否满足生产要求的步骤，对得到最优布局方案进行仿真验证，以确保最终使用的布局方案满足生产要求，适用性较好，且提高了准确率。
4.仿真模型构建时，根据因素与物流评估的关联程度将生产系统中的部分因素进行简化，同时对生产系统进行了分类建模，如此合理地差别化处理各个因素，以简化模型，同时提高模型与实际车间的契合度，此外，提高了建模速度，缩短了仿真模型的仿真时间。
附图说明
图1是本发明较佳实施方式提供的基于物流仿真的多行车间设备布局方法的流程示意图。
图2是本发明第一实施方式提供的基于物流仿真的多行车间设备布局方法涉及的天车的调度流程示意图。
图3是本发明第一实施方式提供的基于物流仿真的多行车间设备布局方法涉及的物流小车的仿真调度策略示意图。
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方式，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方式仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
请参阅图1，本发明较佳实施方式提供的基于物流仿真的多行车间设备布局方法主要包括以下步骤：
步骤一，构建多行车间生产与物流系统的仿真模型，并通过所述仿真模型进行仿真来得到仿真数据，进而采用神经网络建立多行车间设备布局方案与车间物流延迟响应时间之间的映射关系。
具体地，对实际生产系统中一些与物流评估关联不大的因素进行简化，对车间生产系统进行分类建模；并根据物理车间内的生产与调度策略建立仿真规则库，进而对得到的仿真模型进行编译及调试。
多行车间设备布局方案与车间物流延迟响应时间之间的映射关系的建立时的策略如下：
2.1，运行所述仿真模型以得到仿真数据集：对生成的布局方案z进行仿真实验，并输出每一种布局方案下的物流延迟响应时间t从而生成仿真数据集【z，t】。其中，布局方案z的数学表达式为：
z＝{x1,y1,x2,y2,…,xn,yn} (10)
式中，xi与yi分别表示生产单元i所处位置的横纵坐标；n表示研究的生产单元数量。
2.2，将所述仿真数据集进行归一化处理后划分为训练集、验证集及测试集。
2.3，建立神经网络，并设定相关参数。神经网络需要设定的参数包括输入值矩阵、输出值矩阵、神经网络的层数、神经网络每一层的传递函数、训练函数权值学习函数、性能函数、迭代次数、学习速率及目标误差。
2.4，输出神经网络的误差分布图，并统计出神经网络的预测值与真实值之间的误差率r。
步骤二，基于求得的所述映射关系，建立多行生产车间设备布局的数学模型，所述数学模型的目标函数中包括横向物流成本、纵向物流成本及物流延迟响应时间成本。
具体地，所述目标函数采用以下公式进行表达：
yij＝|yj-yi| (3)
其中，公式(1)表示数学模型的目标函数，C为车间总运输成本，单位为人·米；xij与yij分别为生产单元i到生产单元j运输的横向与纵向距离，单位为米，其系数与分别为对应搬运方式需要的物流人员数；t0为当前布局结构下车间一年总物流延迟时间，β0为其权重；Q为惩罚函数。
公式(2)为生产单元i到生产单元j运输的横向距离算式，其中xi表示生产单元i的中心点横坐标，表示车间内纵向道路的横坐标，p表示纵向道路数；公式(3)为生产单元i到生产单元j运输的纵向距离算式，其中yi表示生产单元i的中心点纵坐标；公式(4)表示生产单元中心坐标的算式，xz+1表示与xz相邻的生产单元的中心坐标，式中ΔT表示干涉道路宽度，lz表示生产单元的横向长度，当有道路干涉时，生产单元的中心坐标平移一个对应宽度；公式(5)为惩罚函数，避免生产单元排序方案的总行数超出车间最大行数。
所述数学模型的约束条件如下面公式所示：
k≤Ymax (8)
wN*li≥Si (9)
式中，公式(6)保证了每行的生产布置不超过最大行长XN；公式(7)记录了生产单元i是否在行数k，同时保证生产单元不会被重复安排；公式(8)保证行数不大于最大行数Ymax；公式(9)保证了每个生产单元安排的区域面积大于所需面积Si，其中wN表示第N行纵向宽度(亦为生产单元i被安排的宽度)。
步骤三，基于所述数学模型，采用遗传算法来求解多行车间设备的最优布局方案。
步骤三具体包括以下步骤：首先，基于所述数学模型，设计合理的编码，以将布局方案转化为遗传算法易处理的搜索空间，同时生成初始种群；接着，判断是否满足遗传运算终止条件，若满足，则运算终止；否则对初始种群内各个个体进行适应度值计算；之后，执行选择算子，以从上一代种群中选择部分个体来构成一个种群；接着，执行交叉算子，以在选择出来的个体中执行交叉运算而产生新的个体进入新种群；最后，对新种群中的每个个体执行变异算子，以生成新的集合即为下一代种群。
步骤四，对得到的最优布局方案进行仿真验证，以检验所述最优布局方案是否存在其他缺陷，即检验所述最优布局是否满足生产要求，如果存在则重新进行调整直至得到的最优布局方案满足生产要求，否则结束，并输出最优布局方案。
请参阅图2及图3，以某线圈车间为例，本发明第一实施方式提供的基于物流仿真的多行车间设备布局方法进行说明。某线圈生产车间划分为19个生产单元，各生产单元的空间约束和位置约束见表1，其中“固定”表示该生产单元由于设备搬运成本高等原因不可变动位置，保留其初始位置。同时，由于原始生产车间厂房几乎不会变动，所以沿用原始厂房的尺寸与布局；车间主要被分为AB、CD、DE、EF、FG共5跨区域，这5跨区域用来放置所有生产单元，其中BC跨为辅跨，用于安排办公室、设置打磨间等其他非生产单位，右下角横跨3行的矩形区域为新建设的试验厅，不用作生产布置；各跨的尺寸大小及坐标信息见表2；不同生产单元之间的物流搬运任务量见表3。
表1各生产单元的空间约束和位置约束
表2车间各跨的尺寸大小及坐标信息
表3生产单元之间物流搬运任务量
起点 终点 运输量 起点 终点 运输量
M1 M2 32 M10 M11 288
M2 M20 145 M11 M12 288
M3 M4 900 M13 M14 32
M4 M5 900 M14 M15 32
M5 M6 900 M15 M16 32
M6 M7 643 M16 M17 32
M7 M8 643 M17 M18 500
M8 M9 643 M18 M7 750
M8 M20 750 M19 M10 108
M9 M10 50
本发明第一实施方式提供的基于物流仿真的多行车间设备布局方法主要包括以下步骤：
S1，构建多行车间生产与物流系统仿真建模，具体包括以下步骤：
步骤101：模型设定。将一些与物流状况评估关联不大的因素进行简化，如车间生产资料充足，一年工作时间为300×8小时，生产两大类产品，产品的良品率为100％，设备故障率为0。
步骤102：建立仿真模块。本实施方式利用仿真软件Plant Simulation，建立线圈生产系统设备加工单元模块与物流模块。
设备加工单元由一个加工设备和一前一后两个固定容量的暂存区组成，一个存放该工序待加工线圈，另一个存放已完成该工序处理等待运输到下工序的线圈。其中，车间物流模块主要包括天车运输与物流小车运输两部分。
步骤103：仿真逻辑控制。在本实施方式中，时间调度的主要逻辑包括投料策略、天车调度策略和物流小车的调度策略，其中天车的调度策略如图2所示，物流小车的调度策略如图3所示。仿真模拟订单一般采用泊松分布，车间内两种产品分别服从λ＝18000支/年与λ＝3000支/年的泊松分布。
步骤104：仿真模型编译与调试，保证无运行报错后，对图标资源和逻辑方法资源进行排列、规划，对车间内不同区域进行背景贴图、着色，以完成线圈车间仿真布局。
S2，利用BP神经网络建立车间布局方案与车间物流延迟响应时间的映射关系，具体包括以下步骤：
步骤201：设定输入变量与输出变量，输入为布局方案，输出为每一种布局方案下的物流延迟响应时间t。
步骤202：通过仿真模型获取数据集，对生成的布局方案进行仿真试验，输出每一种布局方案下的物流延迟响应时间t从而生成数据集[z,t]。
步骤203：将数据集进行归一化处理，根据70％、15％、15％的比例随机将500组数据分为训练集、验证集和测试集。
步骤204：建立BP神经网络，并进行参数设置。其中，神经网络的层数为10，传递函数为“tansig”，训练函数为贝叶斯正则化算法，学习函数为“learngdm”，即梯度下降法；利用编写好的matlab代码进行训练。
步骤205：输出BP神经网络的误差分布直方图，统计出BP神经网络的预测值与真实值的误差率r，误差率统计情况见表4。
表4误差率统计表
S3，建立包含有物流延迟响应时间成本的多行生产车间单元布局的数学模型。所述数学模型的目标函数中包括横向物流成本，纵向物流成本与物流延迟响应时间成本，其计算方式如式(1)：
式中，C表示车间总运输成本，单位为人·米；xij与yij分别表示生产单元i到生产单元j运输的横向与纵向距离，单位为米，其系数与分别表示对应搬运方式需要的物流人员数；t0为当前布局结构下车间一年总物流延迟时间，β0为其权重。
S4，根据建立的数学模型，采用相应的遗传算法来求解最优布局方案，其步骤如下：
步骤401，编码：在多行设施布局优化问题中，其编码的通常分为布局序列和间隔序列，本实施方式采用“自动换行”的布局方式，即当其某一行中的剩余空间不足以布置剩余生产单元时，则将下一生产单元置于下一行的第一位，其中编码的基本形式为：
[1,2,3,…,n；Δ1,Δ2,Δ3,…,Δn] (10)
其中，数字序列“1,2,3,…,n”表示n个生产单元在车间中从左至右，从第一行至最后一行的排列顺序；参数“Δ1,Δ2,Δ3,…,Δn”表示对应序号的生产单元与其左侧生产单元之间的横向距离，若某生产单元左侧无生产单元，即该生产单元在所在行的第一位，则Δ表示该生产单元与其左侧车间墙体的距离。
步骤402，生成初始种群。本实施方式中设置种群规模为20，种群代数为50，初始种群为车间原始布局和随机生成布局的结合。
步骤403，选择。本文采用经典的轮盘赌选择方法，即按照个体的适应度占所有个体适应度总和百分比作为选择概率。
步骤404，交叉。本实施方式设置交叉率为0.2，采用部分映射交叉方法，即在父代上选择两个交叉点，父代两个交叉点间的片段进行交换，交换后的剩余片段若与交换片段有冲突，则对剩余片段冲突部分进行部分映射操作，如父代1[1,2,|3,4|,5,6]与父代2[4,1,|6,5|,2,3]进行部分映射交叉，则其产生子代1[1,2,6,5,3,4]与子代2[5,1,3,4,2,6]。
步骤405，变异。本实施方式设置变异率为0.1，采用互换式变异方法，即随机选择父代两个编码点进行交换形成子代，如父代[1,2,3,4,5,6]中第二编码点与第四编码点进行交换产生变异子代[1,4,3,2,5,6]。
S5，利用步骤S4的算法进行设备布局方案求解，以求得最优布局方案，算法从第37代开始出现最佳布局方案，至第43代形成完全收敛。调整后的最佳布局方案为[5,4,3,6,2,1|,13,14,9,10,11,12|,17,18,15|,16,19,|7,8]，其中”|”将不同行的设备隔开。
将求得的布局方案进行仿真验证，检验生成的布局方案是否存在其他缺陷。若该布局方案下的产能、物流距离、物流延迟响应时间、在制品等指标满足生产要求，则该布局方案即为最终布局方案。
本发明提供的基于物流仿真的多行车间设备布局方法，其首先建立目标车间的仿真模型，并通过设计与训练BP神经网络来进行预测车间内物流延迟响应时间，然后建立基于遗传算法的考虑物流延迟响应时间的多行设备布局优化模型来求得优化布局方案，最后利用仿真模型验证求得的设备布局方案，克服了传统多行布局方法中难以考虑车间物流延迟响应时间的问题，完善了车间设备布局方案的评价指标，通过仿真验证的方式使得布局方案更具实用性，更佳贴合实际情况。
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方式而已，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 (10)

1.一种基于物流仿真的多行车间设备布局方法，其特征在于，该方法包括以下步骤：
(1)构建多行车间生产与物流系统的仿真模型，并通过运行所述仿真模型来得到仿真数据，进而训练出神经网络，以建立多行车间设备布局方案与车间物流延迟响应时间之间的映射关系；
(2)基于求得的所述映射关系，建立多行生产车间设备布局优化的数学模型，所述数学模型的目标函数中包括横向物流成本、纵向物流成本及物流延迟响应时间成本；
(3)基于所述数学模型，采用遗传算法求解得到多行车间设备的最优布局方案。
2.如权利要求1所述的基于物流仿真的多行车间设备布局方法，其特征在于：步骤(3)后还包括对得到的最优布局方案进行仿真验证以检验所述最优布局方案是否满足生产要求的步骤。
3.如权利要求1所述的基于物流仿真的多行车间设备布局方法，其特征在于：仿真模型构建时，根据影响因素与物流评估的关联程度将生产系统中的部分影响因素进行简化，同时对生产系统进行了分类建模。
4.如权利要求1所述的基于物流仿真的多行车间设备布局方法，其特征在于：多行车间设备布局方案与车间物流延迟响应时间之间的映射关系的建立包括以下子步骤：
(a)运行所述仿真模型以得到仿真数据集：对生成的布局方案z进行仿真实验，输出每一种布局方案下的物流延迟响应时间t，从而得到仿真数据集[z，t]；其中，布局方案z的数学表达式为：
z＝{x1,y1,x2,y2,…,xn,yn}
式中，xi与yi分别表示生产单元i所处位置的横纵坐标；n表示研究的生产单元数量；
(b)将所述仿真数据集进行归一化处理后划分为训练集、验证集和测试集；
(c)建立神经网络，并设定相关参数；
(d)输出神经网络的误差分布图，并统计出神经网络的预测值与真实值之间的误差率r。
5.如权利要求1-4任一项所述的基于物流仿真的多行车间设备布局方法，其特征在于：所述目标函数的表达式为：
式中，C表示车间总运输成本，单位为人·米；xij与yij分别表示生产单元i到生产单元j运输的横向与纵向距离，单位为米，其系数与分别表示对应搬运方式需要的物流人员数；t0为当前布局结构下车间一年总物流延迟时间，β0为其权重；Q为惩罚函数。
6.如权利要求5所述的基于物流仿真的多行车间设备布局方法，其特征在于：生产单元i到生产单元j运输的横向距离采用公式(2)进行计算，公式(2)为：
式中，xi表示生产单元i的中心点横坐标；表示车间内纵向道路的横坐标；p表示纵向道路数。
7.如权利要求5所述的基于物流仿真的多行车间设备布局方法，其特征在于：生产单元i到生产单元j运输的纵向距离采用公式(3)进行计算，公式(3)为：
yij＝|yj-yi| (3)
式中，yi表示生产单元i的中心点纵坐标。
8.如权利要求5所述的基于物流仿真的多行车间设备布局方法，其特征在于：生产单元中心坐标采用公式(4)进行计算，公式(4)为：
式中，xz+1表示与xz相邻的生产单元的中心坐标，式中ΔT表示干涉道路宽度；lz表示生产单元的横向长度，当有道路干涉时，生产单元的中心坐标平移一个对应宽度。
9.如权利要求1-8任一项所述的基于物流仿真的多行车间设备布局方法，其特征在于：所述数学模型的约束条件采用公式(6)、公式(7)、公式(8)及公式(9)表示，公式(6)、公式(7)、公式(8)及公式(9)分别为：
k≤Ymax (8)
wN*li≥Si (9)
其中，xi表示生产单元i的中心点横坐标；XN表示生产单元i所在行的最大行长；li表示生产单元i的横向长度；Fik用于记录生产单元i是否在行数k；k为行数；Ymax为车间最大行数；wN为第N行纵向宽度；Si为生产单元i所需要的面积。
10.如权利要求1-8任一项所述的基于物流仿真的多行车间设备布局方法，其特征在于：步骤(3)包括以下子步骤：首先，基于所述数学模型，设计编码以将布局方案转化为遗传算法易处理的搜索空间，同时生成初始种群；接着，判断是否满足遗传运算终止条件，若满足，则运算终止；否则对初始种群内各个个体进行适应度值计算；之后，执行选择算子，以从上一代种群中选择部分个体来构成一个种群；接着，执行交叉算子，以在选择出来的个体中执行交叉运算而产生新的个体进入新种群；最后，对新种群中的每个个体执行变异算子，以生成新的集合即为下一代种群。
CN201810747127.8A 2018-07-09 2018-07-09 一种基于物流仿真的多行车间设备布局方法 Pending CN109102107A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810747127.8A CN109102107A (zh) 2018-07-09 2018-07-09 一种基于物流仿真的多行车间设备布局方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810747127.8A CN109102107A (zh) 2018-07-09 2018-07-09 一种基于物流仿真的多行车间设备布局方法

Publications (1)

Publication Number Publication Date
CN109102107A true CN109102107A (zh) 2018-12-28

Family

ID=64845949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810747127.8A Pending CN109102107A (zh) 2018-07-09 2018-07-09 一种基于物流仿真的多行车间设备布局方法

Country Status (1)

Country Link
CN (1) CN109102107A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109711092A (zh) * 2019-01-16 2019-05-03 重庆大学 一种基于设计结构矩阵的加工车间布局设计方法及系统
CN109992899A (zh) * 2019-04-08 2019-07-09 中国人民解放军陆军防化学院 一种基于改进的slp和遗传算法的洗消站装备设施布局方法
CN111539118A (zh) * 2020-04-29 2020-08-14 昆明昆船物流信息产业有限公司 一种环行穿梭车系统的仿真计算方法及计算机程序产品
CN113190885A (zh) * 2021-03-12 2021-07-30 西安理工大学 一种工业流水线车间布局规划方法
CN113313286A (zh) * 2021-04-23 2021-08-27 北京国信云服科技有限公司 基于遗传算法的末端物流网点布局方法、装置、设备及介质
CN113685923A (zh) * 2021-10-25 2021-11-23 南通朗迪机械科技有限公司 一种口罩生产的无尘车间环境调控方法及系统
CN114707345A (zh) * 2022-04-18 2022-07-05 海尔数字科技（上海）有限公司 加工车间无人小车系统调度方法、系统和存储介质
CN115099459A (zh) * 2022-05-20 2022-09-23 西南交通大学 一种考虑间隙和装卸点的车间多行布局方法
CN116362407A (zh) * 2023-04-06 2023-06-30 湘南学院 一种考虑制造系统运行性能的设施布局优化方法
CN116522801A (zh) * 2023-06-28 2023-08-01 中国电子工程设计院有限公司 一种用于物流系统的布局仿真方法及装置
WO2024045099A1 (zh) * 2022-08-31 2024-03-07 西门子股份公司 用于生成车间布局的方法、设备、介质和产品

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
万鹏等: "《汽车零部件生产线数字化建模及分析》", 《机械设计与制造》 *
李顺: "《H公司车间布局优化与仿真研究》", 《中国优秀硕士学位论文全文数据库经济与管理科学辑》 *
陈勇等: "《可重构制造系统的车间作业调度策略》", 《东南大学学报》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109711092A (zh) * 2019-01-16 2019-05-03 重庆大学 一种基于设计结构矩阵的加工车间布局设计方法及系统
CN109992899B (zh) * 2019-04-08 2023-04-14 中国人民解放军陆军防化学院 一种基于改进的slp和遗传算法的洗消站装备设施布局方法
CN109992899A (zh) * 2019-04-08 2019-07-09 中国人民解放军陆军防化学院 一种基于改进的slp和遗传算法的洗消站装备设施布局方法
CN111539118A (zh) * 2020-04-29 2020-08-14 昆明昆船物流信息产业有限公司 一种环行穿梭车系统的仿真计算方法及计算机程序产品
CN113190885A (zh) * 2021-03-12 2021-07-30 西安理工大学 一种工业流水线车间布局规划方法
CN113313286A (zh) * 2021-04-23 2021-08-27 北京国信云服科技有限公司 基于遗传算法的末端物流网点布局方法、装置、设备及介质
CN113685923A (zh) * 2021-10-25 2021-11-23 南通朗迪机械科技有限公司 一种口罩生产的无尘车间环境调控方法及系统
CN113685923B (zh) * 2021-10-25 2021-12-21 南通朗迪机械科技有限公司 一种口罩生产的无尘车间环境调控方法及系统
CN114707345A (zh) * 2022-04-18 2022-07-05 海尔数字科技（上海）有限公司 加工车间无人小车系统调度方法、系统和存储介质
CN115099459A (zh) * 2022-05-20 2022-09-23 西南交通大学 一种考虑间隙和装卸点的车间多行布局方法
WO2024045099A1 (zh) * 2022-08-31 2024-03-07 西门子股份公司 用于生成车间布局的方法、设备、介质和产品
CN116362407A (zh) * 2023-04-06 2023-06-30 湘南学院 一种考虑制造系统运行性能的设施布局优化方法
CN116362407B (zh) * 2023-04-06 2024-01-16 湘南学院 一种考虑制造系统运行性能的设施布局优化方法
CN116522801A (zh) * 2023-06-28 2023-08-01 中国电子工程设计院有限公司 一种用于物流系统的布局仿真方法及装置
CN116522801B (zh) * 2023-06-28 2023-09-15 中国电子工程设计院有限公司 一种用于物流系统的布局仿真方法及装置

Similar Documents

Publication Publication Date Title
CN109102107A (zh) 一种基于物流仿真的多行车间设备布局方法
Deng et al. Differential evolution algorithm with wavelet basis function and optimal mutation strategy for complex optimization problem
CN109657354A (zh) 一种基于数字孪生的混流装配车间快速重构方法及系统
Deep et al. Design of robust cellular manufacturing system for dynamic part population considering multiple processing routes using genetic algorithm
CN104077630B (zh) 一种模拟人体细胞演化的复杂作业车间布局方法
CN109492774A (zh) 一种基于深度学习的云资源调度方法
CN104808627A (zh) 一种离散制造系统的车间布局方法
Guilani et al. Redundancy allocation problem of a system with increasing failure rates of components based on Weibull distribution: A simulation-based optimization approach
CN109165799A (zh) 基于遗传算法的走班教学排课系统
García‐Hernández et al. Facility layout design using a multi‐objective interactive genetic algorithm to support the DM
CN106527381A (zh) 一种面向并行批处理机动态调度的快速评估方法
CN105976054A (zh) 一种计量器具仓储系统的货位优化方法
Hicks A genetic algorithm tool for designing manufacturing facilities in the capital goods industry
Moussa et al. Master assembly network for alternative assembly sequences
Dhodiya et al. Genetic algorithm based hybrid approach to solve fuzzy multi-objective assignment problem using exponential membership function
CN104656620A (zh) 重型机床再制造综合评价系统
CN104636528A (zh) 基于行为流复杂产品功能群落及其演化的发动机建模方法
Jang et al. Offline-online reinforcement learning for energy pricing in office demand response: lowering energy and data costs
Aghajani-Delavar et al. A multi-objective vibration damping optimization algorithm for solving a cellular manufacturing system with manpower and tool allocation
CN113901728B (zh) 基于迁移遗传算法的电脑第二类装配线平衡优化方法
Wu et al. Cross‐Trained Worker Assignment Problem in Cellular Manufacturing System Using Swarm Intelligence Metaheuristics
CN104239975A (zh) 基于改进离散粒子群算法的船舶引航排班方法
CN110363372A (zh) 组建人与机器人的团队
Ehtesham Rasi Optimization of the multi-objective flexible job shop scheduling model by applying NSGAII and NRGA algorithms
Cakar et al. A neuro-genetic approach to design and planning of a manufacturing cell

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181228

RJ01 Rejection of invention patent application after publication