CN110084405A - 吞吐柔性智能装配物流路径规划方法 - Google Patents
吞吐柔性智能装配物流路径规划方法 Download PDFInfo
- Publication number
- CN110084405A CN110084405A CN201910263598.6A CN201910263598A CN110084405A CN 110084405 A CN110084405 A CN 110084405A CN 201910263598 A CN201910263598 A CN 201910263598A CN 110084405 A CN110084405 A CN 110084405A
- Authority
- CN
- China
- Prior art keywords
- production
- station
- product
- time
- path
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000004519 manufacturing process Methods 0.000 claims abstract description 224
- 238000013439 planning Methods 0.000 claims abstract description 47
- 238000013461 design Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 54
- 238000004088 simulation Methods 0.000 claims description 35
- 210000000349 chromosome Anatomy 0.000 claims description 26
- 238000011217 control strategy Methods 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 23
- 108090000623 proteins and genes Proteins 0.000 claims description 22
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 8
- 239000002994 raw material Substances 0.000 claims description 8
- 238000011144 upstream manufacturing Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 238000005183 dynamical system Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 230000003139 buffering effect Effects 0.000 claims description 3
- 238000003754 machining Methods 0.000 claims description 3
- 230000026676 system process Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 238000001727 in vivo Methods 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000009183 running Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009510 drug design Methods 0.000 description 1
- 238000004043 dyeing Methods 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Manufacturing & Machinery (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及吞吐柔性智能装配物流路径规划方法，包括以下步骤：步骤A，在智能装配物流路径规划平台中输入最终成品的具体参数；具体参数包括成品的数量、装配产品所需的零件种类、零件数量、已生产完整零件的数量、以及装配所需时间；步骤B，传感器系统实时收集相关产品信息，并传递给处理单元；步骤C，规划平台处理单元经过数据计算，为产品P下一个生产流程寻找工位；步骤D，移动产品P到下一个工位或移至当前工位缓冲区；步骤E，在该工位进行生产流程生产，并将当前工位状态实时传递给处理单元；步骤F，如果生产未完成，则重复步骤E‑F；步骤G,当生产完成后，得到成品P。
Description
技术领域
本发明涉及吞吐柔性智能装配物流路径规划方法。
背景技术
各国政府都已意识到信息和通信技术在工业生产中的重要性，并启动了相应 方案争取抢先完成产业数字化和智能化升级，如美国提出的工业网络 (IndustrialInternet)和先进制造伙伴关系(AMP)计划、德国提出的工业4.0 (Industie 4.0)以及法国的新工业法国(La Nouvelle France Industrielle) 计划等。
高速发展的语义大数据、云计算和网格计算等技术为信息和通信技术(ICT) 在智能工业中广泛使用提供了广阔空间。CPS系统早在2006年就被美国国家科 学基金会(NSF)确定为关键研究领域。上世纪八十年代，日本发那科(FANUC) 公司就建成了自动化电机加工车间，由柔性制造单元(包括工业机器人)、立体 仓库和无人化电机装配车间组成，通过自动引导台车传送毛坯和工件24小时连 续运转。在德国，工业4.0计划的目标是利用CPS和数字技术(如物联网)发展 智能工厂和制造系统。德国“Autonomik für Industrie 4.0”技术方案中的 ReApp通过智能机器人编程简化了开发和降低了经济投资。ReApp利用语义描述 能够自动地生成程序的骨架，甚至直接生成程序。智能制造系统(IMS)计划以 发展下一代协作制造系统为目标，通过将生产工程、创新信息和通信技术整合到 CPS来实现智能工厂。
与世界先进水平相比，我国制造业大而不强，尤其在信息化程度、质量效益 等方面差距明显，转型升级和跨越发展已经成为未来十年紧迫而艰巨的任务。
当前我国信息化与工业深度融合总体上处于起步阶段，智能化制造水平较 低，大部分企业仍以信息化手段单项应用为主，面临集成应用跨越困难、智能装 备不足、组织结构僵化、流程管理缺失等挑战，以及国产研发设计工具、制造执 行系统、工业控制系统、大型管理软件缺失等一系列问题。同时，新一代信息技 术和智能制造关键装备都面临标准和知识产权缺失、关键器件依赖进口、集成服 务能力差、核心技术受制于人等问题，跨学科、跨领域政产学研协同、以企业为 主体的制造业创新体系尚不健全。
作为世界第一大汽车消费国，我国汽车制造装备长期由欧美、日本等发达国 家垄断，大量汽车制造、实验装备仍依赖国外。工业4.0为我国推进智能制造 带来了的发展机遇，发展智能化、柔性化自动生产线将有力的提升企业的核心竞 争力。
工业4.0智能制造核心是将传感器、嵌入式终端系统、智能控制系统、通信 设施等通过CPS形成一个智能网络，其实现过程分为四步：建立企业网和工程数 据库实现CAD、CAE、CAM等功能；进行信息集成、特征建模，形成CAD、CAE、CAM 等集成系统；建立产品模型初步实现并行工程，进一步将MIS、MRPII与CAD/CAM 系统进行集成，实现整个企业内部的信息集成及并行工程；最后对企业内的生产、 经营等活动进行建模、仿真实现虚拟制造。
在高端制造业中，通过建模与仿真技术可以及时、并行地模拟出产品的制造 过程乃至产品全生命周期的各种活动对产品设计的影响，预测、检测、评价产品 性能和产品的可制造性等。为了获得包括时间、空间、概率模型的可靠性、通信 连接、自适应性、上下文感知、互操作性和自主性，对CPS仿真需要先进的建模 技术，需要一个全面的集成建模框架规范和建模的体系结构。目前比较常用的仿 真方法包括离散事件仿真(DES)和基于Agent的仿真(ABS)。前者通常用于调度任 务、容量规划，以及瓶脖子鉴定；后者侧重于分散定义环境中的单个对象行为建 模或用于建模、模拟和控制MS。然而，考虑到相关规划问题和在工业应用中的易 用性，现有Holonic制造系统(HMS)的方法和工具都不适合直接仿真。
发明内容
本发明所要解决的技术问题总的来说是提供一种吞吐柔性智能装配物流路 径规划方法；详细解决的技术问题以及取得有益效果在后述内容以及结合具体实 施方式中内容具体描述。
为解决上述问题，本发明所采取的技术方案是：
一种吞吐柔性智能装配路径规划平台包括传感器系统、生产线系统、实时物 流路径智能控制系统、以及通信设施；
传感器系统，用于通过对应的传感器对产品零件的参数实时记录和传递；
生产线系统，用于对产品零件的生产和产品装配的实施；
实时路径规划智能控制系统，包括采用自主决策算法的智能控制系统处理单 元，其与传感器系统连接，根据零件生产需求增加或减少生产线数量、根据生产 需求实时动态的调节用于零件生产和产品装配生产线之间的比例、以及根据装配 需求调整装配线上的零件数量和先后顺序；
通信设施，带有通信协议，其与实时物流路径智能控制系统相连，用于通过 实时物流路径智能控制系统的智能控制结果控制生产线的生产和装配生产活动。
在实时路径规划智能控制系统中的触摸屏或键盘，用于输入最终成品的具体 参数；
传感器系统收集相关产品信息包括当前产品类型、当前产品标识、当前工作 流程表示、当前工位状态、当前工位缓冲区状态、当前产品加工剩余时间；传感 器系统将产品信息并传递给智能控制系统处理单元；
规划平台V-模型设计框架，基于生产线系统的离散并行生产线系统结构， 建立用于分析生产流程的有拉式生产系统广义随机Petri网模型；
在生产线系统中通过最短路径和最短时间约束下的控制策略配置N个立体 工位，工位设置方式在数量和装配冗余度上设置前提是满足多种产品类型的吞吐 柔性化装配。
生产线系统包括给定的上游的R-1条生产线，该R-1条生产线之间无工序交 叉，每条生产线有对应的缓冲区；所有缓冲区的产品传送有下游的准备区；汇集 在准备区的产品传送连接有准配线，准配线连接有装配线，装配线连接有仓库； 装配线对上游生产线生产的产品进行装配；
生产线系统为离散并行生产线系统结构。
整体生产线的工位采用全相连拓扑结构并为每个工位配置缓冲区，每个工位 为每一个产品类型执行N种不同的工作流程，工位状态通过传感器系统收集数 据并发送给控制处理单元，工位根据处理单元处理结果提前将预处理零件送至缓 冲区。
自主决策算法的智能控制系统处理单元，用于为P下一个工作流程搜索可用 的工位，并使用基于最短约束的控制策略决策函数f(x)确定并切换到最优路径， 接收传感器检测产品P是否进入对应工位或对应缓冲区。
其中，基于最短约束的控制策略决策函数f(x)，最短约束，就是基于最短路 径和最短时间的约束，路径是指所有工位的拓扑结构相连的距离，工位采用全相 连拓扑结构，根据工位间的相互距离和生产线系统的传送带的传送速度决定传送 带传输时间，每个工位为产品执行两个或三个以上个不同的工作流程，将该实时 物流路径智能控制规划平台进行建模并简化成有向图，传送带作为有向图的边， 传送带传输时间作为边的权值，工位作为有向图的顶点，工位工作流程完成时间 作为该顶点的权值，最短路径和最短时间约束就是有向图中选定边和顶点的权值 累加值最小约束，路径寻优平台控制策略算法简化成是实时有向图分类保序必经 点最短路径问题。
实时有向图分类保序必经点最短路径问题基于遗传算法描述，采用基于实时 路径的染色体编码方案，即染色体由一串整数组成，每个基因位代表图的有向边 或顶点权值，一个染色体就代表一条从原点到宿点的路径，路径中不能出现环路； 初始种群采用分类保序随机初始化种群，第一个基因位选择原点基因，随后基因 位根据其种群要求的分类保序基因位约束下随机选择，随后重复直至到达宿点， 完成染色体初始化；适应度函数即f(x)＝tn-tm，tn表示当前染色体权值，即现 行状态下产品寻找的最优路径长度，tm表示理想状态下工序的绝对最短路径长 度；交叉算子采用单点交叉，即从父代个体v1和v2中随机选择两个点和交换v1中后面和v2中后面的基因链，若形成的后代个体满足分类保序基因 位约束且后代个体内不存在环路，则保存操作；变异算子根据传感器实时传送的有向图顶点的权值进行相应染色体中基因位权值替换，实现基因变异，重新计算 染色体适应度。
其中，基于最短路径、最短时间控制策略约束的工位配置设计；
定义产品类型Pi需要有限个工作包序列加工步骤
式中mi为Pi需要的工作包个数；每个工位WSj能够执行针对不同产品的工 作包。
在最短路径和最短时间约束下设定控制策略配置N个立体工位；每个工位包 括每一个产品类型执行N种不同的工作包，工位设置方式在数量和装配冗余度的 前提是满足多种产品类型的吞吐柔性化装配；
产品的控制策略以离散的方式根据产品处理单元内的微机来确定；工位的对 应信息通过传感器系统的RFID模块或从工位收集数据的实时物流路径智能控制 系统的服务器来提供。
其中，该规划平台为动态随机系统，要求生产计划人员要通过决策工具来规 划和评估系统配置；系统配置包括工位布局、物流与工作包分配；对于给定产品， 需要通过仿真分析系统进行技术性能和经济可行性分析和优化，通过模拟分析系 统布局、为工作包分配工位的决策效果和随着时间的推移系统的指标，进而获得 最优的系统性能指标；将系统布局、多种产品类型的工作包、工位的加工能力、 缓冲区大小、产品路径、不同的控制策略和物资供应作为平台的变量进行优化， 将动力系统行为、产品的分散决策因素以及工位加工能力与产品的需求相匹配， 最后给出最优设计方案。
一种吞吐柔性智能装配路径规划方法，借助于智能装配物流路径规划平台， 规划平台包括传感器系统、生产线系统、实时物流路径智能控制系统、以及通信 设施，其特征在于，所述的智能装配路径规划方法包括以下步骤：
步骤A，在智能装配物流路径规划平台中输入最终成品的具体参数；具体参 数包括成品的数量、装配产品所需的零件种类、零件数量、已生产完整零件的数 量、以及装配所需时间；
步骤B，传感器系统实时收集相关产品信息，并传递给处理单元；
步骤C，规划平台处理单元经过数据计算，为产品P下一个生产流程寻找工 位；
步骤D，移动产品P到下一个工位或移至当前工位缓冲区；
步骤E，在该工位进行生产流程生产，并将当前工位状态实时传递给处理单 元；
步骤F，如果生产未完成，则重复步骤E-F；
步骤G,当生产完成后，得到成品P。
在步骤B中，其数据计算步骤在于，首先，为产品P下一个工作流程搜索可 用的工位；然后，检查有无可用的工位；其次，使用基于最短约束的控制策略决 策函数f(x)确定最优路径；再次，根据最优路径切换工位的工作状态；紧接着， 检测产品P是否进入对应工位或对应缓冲区；最后，反馈工位实时状态作为其他 工作流程的基础信息。
对于基于最短约束的控制策略决策函数f(x)，其中，最短约束，就是基于最 短路径和最短时间的约束，路径是指所有工位的拓扑结构相连的距离；首先，工 位采用全相连拓扑结构，根据工位间的相互距离和生产线系统的传送带的传送速 度决定传送带传输时间，每个工位为产品执行N个不同的工作流程；然后，将 该实时物流路径智能控制规划平台进行建模并简化成有向图，传送带作为有向图 的边，传送带传输时间作为边的权值，工位作为有向图的顶点，工位工作流程完 成时间作为该顶点的权值；从而，最短路径和最短时间约束就是有向图中选定边 和顶点的权值累加值最小约束，路径寻优平台控制策略算法简化成是实时有向图 分类保序必经点最短路径问题。
对于实时有向图分类保序必经点最短路径采用使用遗传算法描述，基于实 时路径的染色体编码方案，即染色体由一串整数组成，每个基因位代表图的有向 边或顶点权值，一个染色体就代表一条从原点到宿点的路径，路径中不能出现环 路；
对遗传算法模型描述的步骤在于，
S1,数据初始化，即根据传感器收集数据计算有向图分类保序必经点的绝对 最短路径；
S2,根据初始化种群方法进行初始化种群。
S3,根据交叉算子进行交叉操作；
S4,计算生成染色体的适应度并和父代染色体适应度比较，淘汰适应度低的 染色体；
S5,判断种群收敛性，若种群收敛，得到最优路径，若种群不收敛，则转到 S3；
S6,根据最短路径为产品的下个工作流程找到了工位并进行加工；
S7,检查产品成产是否完成，若生产完成，则结束；若生产未完成，则继续；
S8，根据变异算子进行工位权值改变；
S9，得到新的初始化种群，转到S2。
其中，初始种群采用分类保序随机初始化种群，首先，第一个基因位选择原 点基因；然后，基因位根据其种群要求的分类保序基因位约束下随机选择；其次， 重复直至到达宿点，完成染色体初始化；
其中，适应度函数即f(x)＝tn-tm，tn表示当前染色体权值，即现行状态下 产品寻找的最优路径长度，tm表示理想状态下工序的绝对最短路径长度；
其中，交叉算子采用单点交叉，即从父代个体v1和v2中随机选择两个点和 交换v1中后面和v2中后面的基因链，若形成的后代个体满足分类保序 基因位约束且后代个体内不存在环路，则保存操作；
其中，变异算子根据传感器实时传送的有向图顶点的权值进行相应染色体中 基因位权值替换，实现基因变异，重新计算染色体适应度。
其中，在步骤A之前还设置生产线系统的设计仿真流程；该设计仿真流程 以西门子系列工业软件为基础，分析产品生命周期管理系列软件数据格式，包括 NX、TeamCenter的数据输出标准、与CAD、CAE、和/或CAM系统的数据对接方法； 具体流程如下：
流程三一，判断生产线系统是否有零件的需求；当没有，停止执行；当有， 取到对应的原材料；
流程三二，判断对应原材料生产线上的机器是否空间，当忙碌，等待直到该 机器为空闲；当空闲，该机器加工该原材料为对应的零件；
流程三三，加工后的零件等待传递至零件缓冲区；
流程三四，在缓冲区，判断是否有装配该零件的需求且是否有所需要的该零 件；当有装配该零件的需求且无需要的该零件时，将流程三三的零件传递至缓冲 区；当有装配该零件的需求且有需要的该零件时，将该零件送至准配线上，等待 执行流程三五；
流程三五，判断装配线上的装配机器是否空闲，当有空闲，将该零件进行装 配；
流程三六，判断仓库是否有库存且有输送需求；当仓库无库存且有输送需求 的时候，将流程三五的装配件进行入库，并将该指令信息反馈给流程三一。
其中，该规划平台为动态随机系统，要求生产计划人员要通过决策工具来规 划和评估系统配置；系统配置包括工位布局、物流与工作包分配；对于给定产品， 需要通过仿真分析系统进行技术性能和经济可行性分析和优化，通过模拟分析系 统布局、为工作包分配工位的决策效果和随着时间的推移系统的指标，进而获得 最优的系统性能指标；将系统布局、多种产品类型的工作包、工位的加工能力、 缓冲区大小、灵活的产品路径、不同的控制策略和物资供应作为平台的变量进行 优化，将动力系统行为、产品的分散决策因素以及工位加工能力与产品的需求相 匹配，最后给出最优设计方案。
仿真流程的系统配置和优化的技术路线如下：
路线五一，建立汽车制动器智能制造系统仿真模型，
首先，确定企业预期生产规模、上游生产线生产时间、工位数量与布局、 生产线产能水平、以及生产和装配阶段看板设置，为仿真模型确定约束条件；
其中，生产线产能水平受工位数目、工作包的处理时间、缓冲器大小以及其 在工作环境中的位置影响；生产线产能水平包括同时被处理的产品的最大值，避 免系统过载；
然后，假定客户需求在预期生产规模内波动，系统共加工N种类型的汽车 制动器产品，为了获得汽车制动器生产系统中各项最优参数和生产率之间的关 系，设生产系统计仿真流程，并在Petri网模型分析的基础上对智能制造系统建 立仿真模型并进行仿真；
其次，基于最短路径和最短时间控制策略约束下的工位配置和物流路径规 划，对于每个工作包WPk,在当前工位处理的同时由最短路径和最短时间约束的 控制策略进行下一工位决策计算；产品通过调用搜索函数确定最适合工位用于处 理下一个工作包，搜索函数确定能够根据控制策略为下个工作包选择的最适合的 工位并通过优先权规则解决冲突；
再次，对生产系统建立仿真模型；其中，生产子系统和装配子系统用来观察 生产线和装配线的工作状态，库存模块用来调整基础库存参数；当完成装配阶段 时，Divide模块用来观察生产率；释放看板子系统用来释放看板及设置看板数 量。
路线五二，仿真和参数优化，给出最优设计方案
首先，通过调整生产阶段的各个工位的加工能力、看板配置、缓冲区大小、 零件物流、产品路径、产品基础库存量和待加工零部件库存量，观察参数变化时 生产率与完工件的结果并进行分析；
然后，为了观察基础库存与生产率之间的关系，改变基础库存数量进行仿 真，观测平均生产率和缓冲区零部件数量的收敛稳定情况；为了观察调整生产阶 段生产时间和装配阶段装配时间的比例与生产率之间的关系，改变生产时间和装 配时间比进行进一步仿真；
再次，根据不同业务过程对模型进行优化，获取最优的系统参数；
最后，完成企业基于CPS和仿真模型优化参数的生产系统的智能化设计。
本发明的路径规划在最短路径和最短时间约束下，结合零件使用优先级、产 品装配时间复杂度等信息，结合并行进化算法，实现动态组合路径规划，实现产 品装配效率和生产线设备使用效率最大化。
本发明提供了一种吞吐柔性智能装配路径规划方法及规划平台，本发明的路 径规划在最短路径和最短时间约束下，结合零件使用优先级、产品装配时间复杂 度等信息，结合并行进化算法，实现动态组合路径规划，实现产品装配效率和生 产线设备使用效率最大化。本发明可以满足产品在质量、生产效率、风险、鲁棒 性、价格和生态友好性等因素之间的最优平衡；智能生产线满足用户个性化需求， 允许在设计、配置、订购、规划、制造和运作等环节能够考虑到个体和客户特殊 需求，即使在最后阶段仍能按照客户需求进行更改，实现灵活的最优生产。柔性 装配系统是实现复杂装配工艺、提高装配效率和保证装配质量的主要方式，实现 了分布式协调控制和网络化柔性装配结构的工程应用，构建了基于知识的虚拟装 配序列规划系统，构建了描述装配语义关系的装配模型，简化了自动装配序列生成难度。
本发明的有益效果不限于此描述，为了更好的便于理解，在具体实施方式部 分进行了更加详细的描述。
附图说明
图1是本发明V-模型设计框架的结构示意图。
图2是本发明生产线系统的结构示意图。
图3是本发明拉式生产系统的Petri网模型的结构示意图。
图4是本发明仿真流程图。
图5是本发明装配线工位设置的结构示意图。
图6是本发明装配模型和物流路径规划的结构示意图。
图7是本发明工位决策算法的结构示意图。
具体实施方式
如所有图所示，本发明涉及的吞吐柔性智能装配物流路径的最优规划方法。 该方法借助于规划平台。
本发明的路径规划在最短路径和最短时间约束下，结合零件使用优先级、产 品装配时间复杂度等信息，结合并行进化算法，实现动态组合路径规划，实现产 品装配效率和生产线设备使用效率最大化。
本发明涉及的吞吐柔性智能装配物流路径规划平台包括传感器系统、生产线 系统、实时物流路径智能控制系统、以及通信设施；结合企业，本次集中研究汽 车制动系统仿真模型为例并对系统变量进行优化，给出最优设计方案。
传感器系统，用于对产品零件使用优先级、产品装配时间复杂度等具体参数 实时记录和传递；
生产线系统，用于对产品零件的生产和产品装配的具体实施；
实时路径规划智能控制系统，其与传感器系统连接，根据零件生产需求增加 或减少生产线数量、根据生产需求实时动态的调节用于零件生产和产品装配生产 线之间的比例、以及根据装配需求调整装配线上的零件数量和先后顺序；
通信设施，其与实时物流路径智能控制系统相连，用于通过实时物流路径智 能控制系统的智能控制结果控制生产线的具体生产和装配等生产活动。
本发明基于德国先进的V-模型设计框架。如图1所示，先将需求进行分解 为几个部分，在不同领域进行建模设计并进行集成、优化，最终给出最优的整体 解决方案。
全能制造系统HMS(Holonic Manufacturing System)；MS为制造系统。
步骤一、生产系统设计
本发明将HMS与CPS中的传感器系统中的传感器、生产线系统中的生产线、 准配线、与智能传输设备、实时物流路径智能控制系统中的智能控制系统处理单 元、自主决策算法与机微型计算、以及通信设施中的通信协议进行组合，实现灵 活的、可扩展MS配置。
生产线系统包括给定的生产线系统上游的R-1条生产线，该R-1条生产线之 间无工序交叉，每条生产线有对应的缓冲区；所有缓冲区的产品传送有下游的准 备区；汇集在准备区的产品传送连接有准配线，准配线连接有装配线，装配线对 上游生产线生产的产品进行装配。生产线系统为离散并行生产线系统结构。
整个汽车制动器生产系统可柔性化加工生产多种型号的制动器总成，如图2 所示。
步骤二、生产系统的Petri网模型分析
基于生产线系统的离散并行生产线系统结构，建立有拉式生产系统广义随机Petri网模型分析生产流程。
如图3所示，库所MPi及idle MPi内的令牌标记(Token)代表生产线系 统中的机器状态(忙碌或空闲)，其他库所中的Token数代表实体的个数(加工 数量或看板数量)。日生产指令只下达到最后一道工序即装配线，对其他工序的 生产指令通过看板实现。即，后道工序通过看板向前道工序领取加工数量时等同 于向前道工序发出了生产指令。
步骤三、设计仿真流程
为了获得汽车制动器生产线系统中的各项具体参数(具体参数还包括生产阶 段的看板数量、装配阶段的看板数量、上游生产线生产时间、下游装配线装配时 间、以及产品基础库存量和待加工零部件库存量)和生产率之间的关系，设计仿 真流程如图4所示。以西门子系列工业软件为基础，分析产品生命周期管理系列 软件数据格式，包括NX、TeamCenter的数据输出标准，与CAD、CAE、和/或CAM 系统的数据对接方法。
流程三一，判断生产线系统是否有零件的需求；当没有，停止执行；当有， 取到对应的原材料；
流程三二，判断对应原材料生产线上的机器是否空间，当忙碌，等待直到该 机器为空闲；当空闲，该机器加工该原材料为对应的零件；
流程三三，加工后的零件等待传递至零件缓冲区；
流程三四，在缓冲区，判断是否有装配该零件的需求且是否有所需要的该零 件；当有装配该零件的需求且无需要的该零件时，将流程三三的零件传递至缓冲 区；当有装配该零件的需求且有需要的该零件时，将该零件送至准配线上，等待 执行流程三五；
流程三五，判断装配线上的装配机器是否空闲，当有空闲，将该零件进行装 配；
流程三六，判断仓库是否有库存且有输送需求；当仓库无库存且有输送需求 的时候，将流程三五的装配件进行入库，并将该指令信息反馈给流程三一。
步骤四、基于最短路径、最短时间控制策略约束的工位配置设计
定义产品类型Pi需要有限个工作包序列加工步骤
式中mi为Pi需要的工作包个数；考虑到系统的柔性化，每个工位WSj能够 执行针对不同产品的工作包，也可以在不同的工作状态。
如图5所示，不同于传统流水线式装配线设置，通过最短路径和最短时间约 束下的控制策略配置九个立体工位；每个工位包括每一个产品类型执行两种不同 的工作包，工位设置方式在数量和装配冗余度的前提是满足多种产品类型的吞吐 柔性化装配。因此，系统在实际实施时可以根据生产要求，提高产品类型的数量 或适当减少工位数量以保证设备的利用率。
实际生产中，产品的控制策略以离散的方式由产品处理单元内的微机来确 定；工位的有关信息(如当前产品的加工剩余时间)可以通过RFID技术或从工 位收集数据的服务器来提供。
步骤五、建立系统配置和优化的技术路线；
以上目标系统是一种高度动态随机系统，要求生产计划人员要通过适当的决 策工具来规划和评估包括工位布局、物流和工作包分配等系统配置。然而，由于 系统各部分的动态交互特点和运行过程的随机性，数学优化方法难以实现系统的 配置和优化。因此对于给定产品，需要通过仿真分析系统进行技术性能和经济可 行性分析和优化，通过模拟分析系统布局、为工作包分配工位等决策的效果和随 着时间的推移系统的指标，进而获得最优的系统性能指标。将系统布局、多种产 品类型的工作包、工位的加工能力、缓冲区大小、灵活的产品路径、不同的控制 策略和物资供应等因素作为系统变量进行优化，将动力系统行为、产品的分散决 策因素以及工位加工能力和产品的需求相匹配，最后给出最优设计方案。
系统配置和优化的技术路线：
要实现汽车制动器智能化、柔性化自动生产线，需要重点解决两方面的技术 问题，研究方法和技术路线如下：
路线五一，建立汽车制动器智能制造系统仿真模型，
首先，确定企业预期生产规模、上游生产线生产时间、工位数量与布局、 生产线产能水平、以及生产和装配阶段看板设置，为仿真模型确定约束条件；
其中，生产线产能水平受工位数目、工作包的处理时间、缓冲器大小以及其 在工作环境中的位置影响；生产线产能水平包括同时被处理的产品的最大值，避 免系统过载；
然后，假定客户需求在预期生产规模内波动，系统共加工N种类型的汽车 制动器产品，为了获得汽车制动器生产系统中各项最优参数和生产率之间的关 系，设生产系统计仿真流程，并在Petri网模型分析的基础上对智能制造系统建 立仿真模型并进行仿真；
其次，基于最短路径和最短时间控制策略约束下的工位配置和物流路径规 划，对于每个工作包WPk,在当前工位处理的同时由最短路径和最短时间约束的 控制策略进行下一工位决策计算；产品通过调用搜索函数确定最适合工位用于处 理下一个工作包，搜索函数确定能够根据控制策略为下个工作包选择的最适合的 工位并通过优先权规则解决冲突。
如图7所示基于立体工位和最短路径和最短时间约束控制策略的决策算法 流程。
再次，对汽车制动器生产系统建立仿真模型。其中，生产子系统和装配子系 统用来观察生产线和装配线的工作状态，库存模块用来调整基础库存参数。当完 成装配阶段时，Divide模块用来观察生产率。释放看板子系统用来释放看板及 设置看板数量。
路线五二，仿真和参数优化，给出最优设计方案
首先，通过调整生产阶段的各个工位的加工能力、看板配置、缓冲区大小、 零件物流、产品路径、产品基础库存量和待加工零部件库存量，观察参数变化时 生产率与完工件的结果并进行分析。
然后，为了观察基础库存与生产率之间的关系，改变基础库存数量进行仿 真，观测平均生产率和缓冲区零部件数量的收敛稳定情况。为了观察调整生产阶 段生产时间和装配阶段装配时间的比例与生产率之间的关系，改变生产时间和装 配时间比进行进一步仿真。
再次，根据不同业务过程对模型进行优化，获取最优的系统参数。
最后，完成企业基于CPS和仿真模型优化参数的汽车制动器生产系统的智能 化设计。
本发明通过系统生产仿真，分析系统参数与系统性能之间的关系，优化系 统参数为深度融合的数据和物理环境提供数据支持，为提高企业生产率提供依 据。
本发明依据企业对智能化生产线的产能要求和先进制造水平，重点解决两方 面的关键技术问题：(1)柔性化智能制造系统仿真研究及性能优化；(2)智能化 生产线的开发设计。主要创新点有：(1)设计矩阵工位配置方法取代传统生产线， 在提供柔性化制造的基础上提高生产线的吞吐能力、最大程度降低生产时滞、提 高生产效率；(2)设计一种基于最短路径和最短时间约束下的控制策略，动态配 置最短物流路径和最短生产时间规划和物流路径规划；(3)在Petri网模型分析 的基础上对智能制造系统建立仿真模型并进行仿真，基于CPS的自组织网络根据 不同业务过程对模型进行优化，获得最优的系统参数,完成汽车制动器智能生产 线的最优设计。
本发明提供了一种吞吐柔性智能装配路径规划方法，本发明的路径规划在最 短路径和最短时间约束下，结合零件使用优先级、产品装配时间复杂度等信息， 结合并行进化算法，实现动态组合路径规划，实现产品装配效率和生产线设备使 用效率最大化。本发明可以满足产品在质量、生产效率、风险、鲁棒性、价格和 生态友好性等因素之间的最优平衡；智能生产线满足用户个性化需求，允许在设 计、配置、订购、规划、制造和运作等环节能够考虑到个体和客户特殊需求，即 使在最后阶段仍能按照客户需求进行更改，实现灵活的最优生产。通过仿真和参 数优化，该智能制造系统可以满足产品在质量、生产效率、风险、鲁棒性、价格 和生态友好性等因素之间的最优平衡；智能生产线满足用户个性化需求，允许在 设计、配置、订购、规划、制造和运作等环节能够考虑到个体和客户特殊需求， 即使在最后阶段仍能按照客户需求进行更改，实现灵活的最优生产。
本发明设计合理、成本低廉、结实耐用、安全可靠、操作简单、省时省力、 节约资金、结构紧凑且使用方便。
本发明充分描述是为了更加清楚的公开，而对于现有技术就不再一一例举。
Claims (7)
1.一种吞吐柔性智能装配物流路径规划方法，其特征在于：借助于智能装配物流路径规划平台，规划平台包括传感器系统、生产线系统、实时物流路径智能控制系统、以及通信设施，其特征在于，所述的智能装配路径规划方法包括以下步骤：
步骤A，在智能装配物流路径规划平台中输入最终成品的具体参数；具体参数包括成品的数量、装配产品所需的零件种类、零件数量、已生产完整零件的数量、以及装配所需时间；
步骤B，传感器系统实时收集相关产品信息，并传递给处理单元；
步骤C，规划平台处理单元经过数据计算，为产品P下一个生产流程寻找工位；
步骤D，移动产品P到下一个工位或移至当前工位缓冲区；
步骤E，在该工位进行生产流程生产，并将当前工位状态实时传递给处理单元；
步骤F，如果生产未完成，则重复步骤E-F；
步骤G,当生产完成后，得到成品P。
2.根据权利要求1所述的吞吐柔性智能装配物流路径规划方法，其特征在于:在步骤B中，其数据计算步骤在于，首先，为产品P下一个工作流程搜索可用的工位；然后，检查有无可用的工位；其次，使用基于最短约束的控制策略决策函数f(x)确定最优路径；再次，根据最优路径切换工位的工作状态；紧接着，检测产品P是否进入对应工位或对应缓冲区；最后，反馈工位实时状态作为其他工作流程的基础信息。
3.根据权利要求2所述的吞吐柔性智能装配物流路径规划方法，其特征在于:对于基于最短约束的控制策略决策函数f(x)，其中，最短约束，就是基于最短路径和最短时间的约束，路径是指所有工位的拓扑结构相连的距离；首先，工位采用全相连拓扑结构，根据工位间的相互距离和生产线系统的传送带的传送速度决定传送带传输时间，每个工位为产品执行N个不同的工作流程；然后，将该实时物流路径智能控制规划平台进行建模并简化成有向图，传送带作为有向图的边，传送带传输时间作为边的权值，工位作为有向图的顶点，工位工作流程完成时间作为该顶点的权值；从而，最短路径和最短时间约束就是有向图中选定边和顶点的权值累加值最小约束，路径寻优平台控制策略算法简化成是实时有向图分类保序必经点最短路径问题。
4.根据权利要求3所述的吞吐柔性智能装配物流路径规划方法，其特征在于:对于实时有向图分类保序必经点最短路径采用使用遗传算法描述，基于实时路径的染色体编码方案，即染色体由一串整数组成，每个基因位代表图的有向边或顶点权值，一个染色体就代表一条从原点到宿点的路径，路径中不能出现环路；
对遗传算法模型描述的步骤在于，
S1,数据初始化，即根据传感器收集数据计算有向图分类保序必经点的绝对最短路径；
S2,根据初始化种群方法进行初始化种群。
S3,根据交叉算子进行交叉操作；
S4,计算生成染色体的适应度并和父代染色体适应度比较，淘汰适应度低的染色体；
S5,判断种群收敛性，若种群收敛，得到最优路径，若种群不收敛，则转到S3；
S6,根据最短路径为产品的下个工作流程找到了工位并进行加工；
S7,检查产品成产是否完成，若生产完成，则结束；若生产未完成，则继续；
S8，根据变异算子进行工位权值改变；
S9，得到新的初始化种群，转到S2。
5.根据权利要求4所述的吞吐柔性智能装配物流路径规划方法，其特征在于:其中，初始种群采用分类保序随机初始化种群，首先，第一个基因位选择原点基因；然后，基因位根据其种群要求的分类保序基因位约束下随机选择；其次，重复直至到达宿点，完成染色体初始化；其中，适应度函数即f(x)＝tn-tm，tn表示当前染色体权值，即现行状态下产品寻找的最优路径长度，tm表示理想状态下工序的绝对最短路径长度；
其中，交叉算子采用单点交叉，即从父代个体v1和v2中随机选择两个点和交换v1中后面和v2中后面的基因链，若形成的后代个体满足分类保序基因位约束且后代个体内不存在环路，则保存操作；
其中，变异算子根据传感器实时传送的有向图顶点的权值进行相应染色体中基因位权值替换，实现基因变异，重新计算染色体适应度。
6.根据权利要求1-5任一项所述的吞吐柔性智能装配物流路径规划方法，其特征在于:其中，在步骤A之前还设置生产线系统的设计仿真流程；该设计仿真流程以西门子系列工业软件为基础，分析产品生命周期管理系列软件数据格式，包括NX、TeamCenter的数据输出标准、与CAD、CAE、和/或CAM系统的数据对接方法；具体流程如下：
流程三一，判断生产线系统是否有零件的需求；当没有，停止执行；当有，取到对应的原材料；
流程三二，判断对应原材料生产线上的机器是否空间，当忙碌，等待直到该机器为空闲；当空闲，该机器加工该原材料为对应的零件；
流程三三，加工后的零件等待传递至零件缓冲区；
流程三四，在缓冲区，判断是否有装配该零件的需求且是否有所需要的该零件；当有装配该零件的需求且无需要的该零件时，将流程三三的零件传递至缓冲区；当有装配该零件的需求且有需要的该零件时，将该零件送至准配线上，等待执行流程三五；
流程三五，判断装配线上的装配机器是否空闲，当有空闲，将该零件进行装配；
流程三六，判断仓库是否有库存且有输送需求；当仓库无库存且有输送需求的时候，将流程三五的装配件进行入库，并将该指令信息反馈给流程三一。
7.根据权利要求6所述的吞吐柔性智能装配物流路径规划方法，其特征在于:其中，该规划平台为动态随机系统，要求生产计划人员要通过决策工具来规划和评估系统配置；系统配置包括工位布局、物流与工作包分配；对于给定产品，需要通过仿真分析系统进行技术性能和经济可行性分析和优化，通过模拟分析系统布局、为工作包分配工位的决策效果和随着时间的推移系统的指标，进而获得最优的系统性能指标；将系统布局、多种产品类型的工作包、工位的加工能力、缓冲区大小、灵活的产品路径、不同的控制策略和物资供应作为平台的变量进行优化，将动力系统行为、产品的分散决策因素以及工位加工能力与产品的需求相匹配，最后给出最优设计方案。
仿真流程的系统配置和优化的技术路线如下：
路线五一，建立汽车制动器智能制造系统仿真模型，
首先，确定企业预期生产规模、上游生产线生产时间、工位数量与布局、生产线产能水平、以及生产和装配阶段看板设置，为仿真模型确定约束条件；
其中，生产线产能水平受工位数目、工作包的处理时间、缓冲器大小以及其在工作环境中的位置影响；生产线产能水平包括同时被处理的产品的最大值，避免系统过载；
然后，假定客户需求在预期生产规模内波动，系统共加工N种类型的汽车制动器产品，为了获得汽车制动器生产系统中各项最优参数和生产率之间的关系，设生产系统计仿真流程，并在Petri网模型分析的基础上对智能制造系统建立仿真模型并进行仿真；
其次，基于最短路径和最短时间控制策略约束下的工位配置和物流路径规划，对于每个工作包WPk,在当前工位处理的同时由最短路径和最短时间约束的控制策略进行下一工位决策计算；产品通过调用搜索函数确定最适合工位用于处理下一个工作包，搜索函数确定能够根据控制策略为下个工作包选择的最适合的工位并通过优先权规则解决冲突；
再次，对生产系统建立仿真模型；其中，生产子系统和装配子系统用来观察生产线和装配线的工作状态，库存模块用来调整基础库存参数；当完成装配阶段时，Divide模块用来观察生产率；释放看板子系统用来释放看板及设置看板数量。
路线五二，仿真和参数优化，给出最优设计方案
首先，通过调整生产阶段的各个工位的加工能力、看板配置、缓冲区大小、零件物流、产品路径、产品基础库存量和待加工零部件库存量，观察参数变化时生产率与完工件的结果并进行分析；
然后，为了观察基础库存与生产率之间的关系，改变基础库存数量进行仿真，观测平均生产率和缓冲区零部件数量的收敛稳定情况；为了观察调整生产阶段生产时间和装配阶段装配时间的比例与生产率之间的关系，改变生产时间和装配时间比进行进一步仿真；
再次，根据不同业务过程对模型进行优化，获取最优的系统参数；
最后，完成企业基于CPS和仿真模型优化参数的生产系统的智能化设计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910263598.6A CN110084405B (zh) | 2019-04-01 | 2019-04-01 | 吞吐柔性智能装配物流路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910263598.6A CN110084405B (zh) | 2019-04-01 | 2019-04-01 | 吞吐柔性智能装配物流路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110084405A true CN110084405A (zh) | 2019-08-02 |
| CN110084405B CN110084405B (zh) | 2023-04-07 |
Family
ID=67414183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910263598.6A Active CN110084405B (zh) | 2019-04-01 | 2019-04-01 | 吞吐柔性智能装配物流路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110084405B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112149205A (zh) * | 2020-09-22 | 2020-12-29 | 上海翼锐汽车科技有限公司 | 一种车身可制造性分析数据集成系统 |
| CN112150088A (zh) * | 2020-11-26 | 2020-12-29 | 深圳市万邑通信息科技有限公司 | 一种吞吐柔性智能装配物流路径规划方法及系统 |
| CN112596473A (zh) * | 2020-11-20 | 2021-04-02 | 首钢京唐钢铁联合有限责任公司 | 一种热镀板生产控制方法和装置 |
| CN112757287A (zh) * | 2019-10-21 | 2021-05-07 | 泰连服务有限公司 | 自主移动车辆及操作该自主移动车辆的方法 |
| CN112965500A (zh) * | 2021-03-27 | 2021-06-15 | 同济大学 | 一种过必经点集且有额外硬约束的路径规划方法及设备 |
| CN112966876A (zh) * | 2021-03-19 | 2021-06-15 | 北京京东振世信息技术有限公司 | 订单的生产调度方法、装置、电子设备及可读介质 |
| CN113298429A (zh) * | 2021-06-21 | 2021-08-24 | 柳州市索创智能科技有限公司 | 一种自动化生产线的智能模拟评估方法及系统 |
| CN113779782A (zh) * | 2021-08-29 | 2021-12-10 | 西北工业大学 | 考虑工件报废的装配线建模与性能评估方法 |
| CN114770508A (zh) * | 2022-05-05 | 2022-07-22 | 广州东焊智能装备有限公司 | 一种基于工业机器人的自动装配生产线 |
| CN116720790A (zh) * | 2023-08-09 | 2023-09-08 | 中国标准化研究院 | 一种典型零件抽样检验方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1529261A (zh) * | 2003-10-05 | 2004-09-15 | 华中科技大学 | 一种带状态性能反馈的规则调度方法及其调度系统 |
| CN102231233A (zh) * | 2011-06-29 | 2011-11-02 | 南京航空航天大学 | 自动引导车分布式自主协同控制系统及控制方法 |
| CN102819684A (zh) * | 2012-08-15 | 2012-12-12 | 西安建筑科技大学 | 一种远程协同诊断任务分配方法 |
| CN105825293A (zh) * | 2016-03-10 | 2016-08-03 | 桂林电子科技大学 | 一种基于果蝇优化算法的多工位装配序列规划方法 |
| CN106875064A (zh) * | 2017-02-24 | 2017-06-20 | 西安电子科技大学 | 一种基于遗传算法的求指定点约束下的路由方法 |
| CN107390684A (zh) * | 2017-07-14 | 2017-11-24 | 华南理工大学 | 一种多机器人协同的汽车零配件焊接最优路径规划方法 |
| CN108388146A (zh) * | 2018-02-01 | 2018-08-10 | 东南大学 | 一种基于信息物理融合的三维装配工艺设计系统及运行方法 |
| US20190078427A1 (en) * | 2017-09-11 | 2019-03-14 | Nabors Drilling Technologies Usa, Inc. | Systems, devices, and methods for generating an adjusted ideal drilling path |
-
2019
- 2019-04-01 CN CN201910263598.6A patent/CN110084405B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1529261A (zh) * | 2003-10-05 | 2004-09-15 | 华中科技大学 | 一种带状态性能反馈的规则调度方法及其调度系统 |
| CN102231233A (zh) * | 2011-06-29 | 2011-11-02 | 南京航空航天大学 | 自动引导车分布式自主协同控制系统及控制方法 |
| CN102819684A (zh) * | 2012-08-15 | 2012-12-12 | 西安建筑科技大学 | 一种远程协同诊断任务分配方法 |
| CN105825293A (zh) * | 2016-03-10 | 2016-08-03 | 桂林电子科技大学 | 一种基于果蝇优化算法的多工位装配序列规划方法 |
| CN106875064A (zh) * | 2017-02-24 | 2017-06-20 | 西安电子科技大学 | 一种基于遗传算法的求指定点约束下的路由方法 |
| CN107390684A (zh) * | 2017-07-14 | 2017-11-24 | 华南理工大学 | 一种多机器人协同的汽车零配件焊接最优路径规划方法 |
| US20190078427A1 (en) * | 2017-09-11 | 2019-03-14 | Nabors Drilling Technologies Usa, Inc. | Systems, devices, and methods for generating an adjusted ideal drilling path |
| CN108388146A (zh) * | 2018-02-01 | 2018-08-10 | 东南大学 | 一种基于信息物理融合的三维装配工艺设计系统及运行方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张铁男等: "生产能力约束条件下的柔性作业车间调度优化", 《系统工程理论与实践》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112757287A (zh) * | 2019-10-21 | 2021-05-07 | 泰连服务有限公司 | 自主移动车辆及操作该自主移动车辆的方法 |
| CN112149205A (zh) * | 2020-09-22 | 2020-12-29 | 上海翼锐汽车科技有限公司 | 一种车身可制造性分析数据集成系统 |
| CN112596473A (zh) * | 2020-11-20 | 2021-04-02 | 首钢京唐钢铁联合有限责任公司 | 一种热镀板生产控制方法和装置 |
| CN112150088A (zh) * | 2020-11-26 | 2020-12-29 | 深圳市万邑通信息科技有限公司 | 一种吞吐柔性智能装配物流路径规划方法及系统 |
| CN112966876A (zh) * | 2021-03-19 | 2021-06-15 | 北京京东振世信息技术有限公司 | 订单的生产调度方法、装置、电子设备及可读介质 |
| CN112966876B (zh) * | 2021-03-19 | 2024-04-12 | 北京京东振世信息技术有限公司 | 订单的生产调度方法、装置、电子设备及可读介质 |
| CN112965500B (zh) * | 2021-03-27 | 2022-07-05 | 同济大学 | 一种过必经点集且有额外硬约束的路径规划方法及设备 |
| CN112965500A (zh) * | 2021-03-27 | 2021-06-15 | 同济大学 | 一种过必经点集且有额外硬约束的路径规划方法及设备 |
| CN113298429A (zh) * | 2021-06-21 | 2021-08-24 | 柳州市索创智能科技有限公司 | 一种自动化生产线的智能模拟评估方法及系统 |
| CN113779782B (zh) * | 2021-08-29 | 2024-03-19 | 西北工业大学 | 考虑工件报废的装配线建模与性能评估方法 |
| CN113779782A (zh) * | 2021-08-29 | 2021-12-10 | 西北工业大学 | 考虑工件报废的装配线建模与性能评估方法 |
| CN114770508A (zh) * | 2022-05-05 | 2022-07-22 | 广州东焊智能装备有限公司 | 一种基于工业机器人的自动装配生产线 |
| CN114770508B (zh) * | 2022-05-05 | 2023-08-22 | 广州东焊智能装备有限公司 | 一种基于工业机器人的自动装配生产线 |
| CN116720790A (zh) * | 2023-08-09 | 2023-09-08 | 中国标准化研究院 | 一种典型零件抽样检验方法及系统 |
| CN116720790B (zh) * | 2023-08-09 | 2023-10-20 | 中国标准化研究院 | 一种典型零件抽样检验方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110084405B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110084405A (zh) | 吞吐柔性智能装配物流路径规划方法 | |
| CN110058573A (zh) | 吞吐柔性智能装配物流路径规划平台 | |
| Qamsane et al. | A unified digital twin framework for real-time monitoring and evaluation of smart manufacturing systems | |
| Leng et al. | Dynamic scheduling in RFID-driven discrete manufacturing system by using multi-layer network metrics as heuristic information | |
| Xu et al. | Computer-aided process planning–A critical review of recent developments and future trends | |
| CN109559027A (zh) | 应用于钢铁企业高速工具钢冶炼流程的计划调度系统 | |
| Dotoli et al. | A multi-agent advanced traveler information system for optimal trip planning in a co-modal framework | |
| CN101916404A (zh) | 一种装备制造过程多厂协同调度优化方法 | |
| CN109886580B (zh) | 一种智能工厂管控模型及其管控方法 | |
| Lv et al. | Priority-based distributed manufacturing process modeling via hierarchical timed color Petri net | |
| CN101789096A (zh) | 一种基于目标导引的炼钢-连铸生产物流仿真优化方法 | |
| CN110222924A (zh) | 多方式的城市轨道交通车站客流控制系统及控制方法 | |
| CN105974891A (zh) | 一种基于动态看板的模具生产过程自适应控制方法 | |
| CN116050122A (zh) | 基于汽车柔性装配产线的数字孪生推演系统及方法 | |
| CN111240209A (zh) | 构型动型控型优型联动响应的自适应组态方法及系统 | |
| CN103500375A (zh) | 一种基于eM-Plant的MES调度控制方法 | |
| CN112508489A (zh) | 一种面向复杂装备制造的顶层规划设计方法 | |
| Rozs et al. | Collaborative systems, operation and task of the manufacturing execution systems in the 21st century industry | |
| Li et al. | Effective methods for integrated process planning and scheduling | |
| CN116643877A (zh) | 算力资源调度方法、算力资源调度模型的训练方法和系统 | |
| CN118011986A (zh) | 一种机械加工智能生产线优化调度方法及系统 | |
| Zhang et al. | Dynamic decision-making for knowledge-enabled distributed resource configuration in cloud manufacturing considering stochastic order arrival | |
| CN108665094A (zh) | 一种数据驱动的铜板带熔铸-连轧优化调度方法 | |
| CN111882049B (zh) | 基于企业智能神经网络物质流监控及分析系统 | |
| Liu et al. | Design of an Optimal Scheduling Control System for Smart Manufacturing Processes in Tobacco Industry |
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 |