CN110276475A - 一种断路器自动化装配生产的优化配置方法 - Google Patents
一种断路器自动化装配生产的优化配置方法 Download PDFInfo
- Publication number
- CN110276475A CN110276475A CN201910434904.8A CN201910434904A CN110276475A CN 110276475 A CN110276475 A CN 110276475A CN 201910434904 A CN201910434904 A CN 201910434904A CN 110276475 A CN110276475 A CN 110276475A
- Authority
- CN
- China
- Prior art keywords
- operation element
- degree
- parallelism
- assembly
- circuit breaker
- 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 135
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 53
- 230000000694 effects Effects 0.000 claims abstract description 16
- 238000004458 analytical method Methods 0.000 claims abstract 2
- 230000006870 function Effects 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000005553 drilling Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 7
- 230000014759 maintenance of location Effects 0.000 claims description 6
- 239000012141 concentrate Substances 0.000 claims description 5
- 238000012804 iterative process Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 3
- 238000013209 evaluation strategy Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 108091026890 Coding region Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013152 interventional procedure Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000032696 parturition Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41805—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by assembly
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41845—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by system universality, reconfigurability, modularity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/30—Arrangements for executing machine instructions, e.g. instruction decode
- G06F9/30145—Instruction analysis, e.g. decoding, instruction word fields
-
- 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
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Manufacturing & Machinery (AREA)
- Entrepreneurship & Innovation (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
Abstract
本发明提供一种断路器自动化装配生产线的优化配置方法,包括各作业元素的名称、序号、作业时间、成本和最大并行度,并基于断路器的结构原理及工艺要求对各作业元素的名称、序号、作业时间分析,得到各作业元素间装配优先关系和工艺连接关系;根据各作业元素的成本和最大并行度,优化调整各作业元素工序并行度及其对应的分流或合流单元成本,并以装配优先关系、工艺连接关系和优化调整所得工序最大并行度为约束条件,以装配线生产节拍及成本最小为目标,构建多目标优化问题;在多目标优化问题中求最优解作为优化配置方案。实施本发明,使断路器自动化装配线的设备成本和生产效率均达到优化水平。
Description
技术领域
本发明涉及断路器技术领域,尤其涉及一种断路器自动化装配生产线的优化配置方法。
背景技术
断路器是配电网中重要的保护性设备,广泛应用于电力、石油、化工、建筑等国民经济的各个领域,其保护特性在维护电网稳定运行、确保人身和财产安全方面具有重要作用。断路器自动化装配生产线具有生产质量高、一致性好、可靠稳定的特点,对断路器制造企业而言,在综合考虑设备总成本和生产效率条件下对自动化装配生产线进行优化配置,对提高设备利用率、降低成本、提高生产效率等方面具有重要意义。
现有的装配生产线优化方法,主要包括装配线平衡、系统仿真优化和精益生产优化等。其中,装配线平衡方法主要通过将不同类型的多作业元素,按照一定算法分配在不同工作站内,使各工作站之间达到均衡,以实现生产成本和效率的优化;系统仿真优化方法主要通过对装配线优化配置方案进行仿真验算,以模拟出真实装配作业规律,进而评价各配置方案的优劣;精益生产方优化方法主要通过对库存控制、计划管理和质量管理等内容进行优化调控,以追求装配线的“零浪费”目标。
但是,上述三种装配生产线配置优化方法均存在不足之处,其不足之处在于:在装配线平衡方法中,由于需要对作业元素/工序进行再分配,因而对于装配线的柔性有较大要求,不适用于断路器自动化装配生产优化问题;在系统仿真优化方法和精益生产优化方法中,主要适用于装配线的方案验证和评价管理,但无法提供多目标优化的解决方案。
因此,亟需一种断路器自动化装配生产的优化配置方法,能综合考虑设备总成本和生产效率,使断路器自动化装配线的设备成本和生产效率均达到优化水平,最好地服务于断路器装配作业生产。
发明内容
本发明实施例所要解决的技术问题在于,提供一种综合考虑设备总成本和生产效率的断路器自动化装配生产的优化配置方法,使断路器自动化装配线的设备成本和生产效率均达到优化水平,最好地服务于断路器装配作业生产。
为了解决上述技术问题,本发明提供了一种断路器自动化装配生产的优化配置方法,所述方法包括以下步骤:
步骤S1、确定断路器自动化装配生产线上各作业元素的名称、序号、作业时间、成本和最大并行度,并基于断路器的结构原理及工艺要求对各作业元素的名称、序号、作业时间进行分析,得到断路器自动化装配生产线上各作业元素间装配优先关系和工艺连接关系;
步骤S2、根据各作业元素的成本和最大并行度,优化调整各作业元素的工序并行度及其对应的分流单元成本或合流单元成本,并以各作业元素间装配优先关系、工艺连接关系和最大并行度为约束条件,以断路器自动化装配生产线的生产节拍及成本最小为目标,构建多目标优化问题;
步骤S3、基于拥挤度的Pareto的回溯搜索优化算法,在所述多目标优化问题中求各作业元素的装配序列及其对应的工序并行度的最优解,并将所述多目标优化问题求得的每一个最优解时所对应的装配序列及其对应的工序并行度作为断路器自动化装配生产线的优化配置方案。
其中,所述方法进一步包括:
获取所述多目标优化问题求得的每一个最优解时所对应优化配置方案中断路器自动化装配生产线的成本,并根据所获取到的每一个优化配置方案中断路器自动化装配生产线的成本,计算出每一个优化配置方案在企业投资回报周期年限的利润总额,且进一步将利润总额为最大的优化配置方案作为断路器自动化装配生产线的最终优化配置方案。
其中,所述步骤S2具体包括:
统计断路器自动化装配生产线的作业元素总数,并生成两段与作业元素总数同等个数且均匀分布在(0,1)区间内的两位随机小数,分别作为装配序列编码和并行度编码;
根据各作业元素的序号以及各作业元素间装配优先关系和工艺连接关系,对所生成的装配序列编码进行解码,得到装配生产线的装配序列;
根据各作业元素的最大并行度,对所生成的并行度编码进行解码,作为各作业元素优化调整的工序并行度,并根据各作业元素的成本,进一步确定各作业元素优化调整所得工序并行度对应的分流单元成本或合流单元成本;
以各作业元素间装配优先关系、工艺连接关系和最大并行度为约束条件,以断路器自动化装配生产线的生产节拍及成本最小为目标,构建多目标优化问题。
其中,所述根据各作业元素的序号以及各作业元素间装配优先关系和工艺连接关系,对所生成的装配序列编码进行解码,得到装配生产线的装配序列的具体步骤包括:
将所生成的装配序列编码与各作业元素的序号进行映射,并根据所生成的装配序列编码的大小来调整各作业元素的序号优先级排序,且根据各作业元素间装配优先关系和工艺连接关系,将序号调整后的各作业元素进行再次重新调整,进一步将再次调整后的各作业元素的序号组合为各作业元素的装配序列。
其中,所述根据各作业元素的最大并行度,对所生成的并行度编码进行解码,作为各作业元素优化调整的工序并行度的具体步骤包括:
将所生成的并行度编码与各作业元素的序号进行映射,并逐一将各作业元素的最大并行度与其对应映射的并行度编码相乘,所得的积经向上取整后分别作为各作业元素优化调整的工序并行度。
其中,所述多目标优化问题由断路器自动化装配线的生产节拍和成本的目标函数形成,可分别表示如下方程:
在方程(1)中,CT为路器自动化装配线的生产节拍(等同于生产速率); ti为作业元素i在单个设备条件下的作业时间;pi为作业元素i的并行度;I为作业元素集;tb为分流/合流单元的作业时间;在方程(2)中,A为路器自动化装配线的成本;Ai为作业i的单个工作站成本;Ab为单个分流/合流单元成本;Dj为0-1变量,对于任意工位j(2≤j≤N),若pj-1≠pj,则Dj=1,否则Dj=0。
其中,所述步骤S5中,基于拥挤度的Pareto的回溯搜索优化算法的具体步骤包括:
(I)种群初始化
首先进行种群初始化操作,以获得历史种群oldP和当前种群P。历史种群用于确定每次迭代进化过程的搜索方向,当前种群通过精英保留策略以实现优质装配线配置方案的记忆。种群初始化的方法表示为如下:
Pm,i~U(lowi,upi)(3)
oldPm,i~U(lowi,upi)(4)
在方程(3)和(4)中,i=1,2,3,...,2N,m=1,2,3,...,D,且在断路器自动化装配生产的优化配置问题中,N表示必要装配工序的个数,D表示种群规模;lowi和upi分别表示第i维问题的下界和上界,且lowi=0,upi=1;U表示均匀分布函数;
(II)选择I
选择I算子主要用来确定每次迭代过程中的历史种群oldP,以确定迭代搜索方向。其公式表示为:
oldP:=permutting(oldP)(6)
其中,“:=”是赋值操作;a和b是两个服从U(0,1)均匀分布的随机变量;permutting是随机洗牌函数,用于随机扰乱历史种群中各装配线配置方案编码的排序;
(III)变异
变异算子主要用于生成实验种群T的最初形态,分别包含了对装配序列编码和并行度编码的变异,其公式如下所示:
Mutant=P+F·(oldP-P)(7)
其中,F=3·rndn是方向决定矩阵(oldP-P)的幅度控制函数,且F=3·rndn 是服从标准正态分布的随机数;
(IV)交叉
交叉算子主要用于生成实验种群T的最终形态,而T的初始形态为变异算子所产生的Mutant。交叉算子主要分为两个步骤:
第一个步骤是搭建2N×D的二进制整数值映射矩阵map,该映射矩阵map 的计算公式如下所示:
map1:2N,1:D=1(8)
在方程(9)中,a和b是符合U(0,1)分布的随机数;mixrate是交叉概率,也是该算法中唯一需要设定的寻优参数,取mixrate=1;randi(D)表示在[0,D]上均匀分布的随机取整函数;u=permutting(<1,2,3,...,D>)是随机排序的整数向量;
第二个步骤是以映射矩阵为引导,完成实验种群T的搭建。将当前种群个体Pi,j和Mutant的序列编码和并行度编码通过方程(10)选择性地映射在实验种群的个体上,并通过方程(11)的边界控制策略,以实现搜索空间的设定,
其中,方程(10)用于完成实验种群T的构建,方程(11)用于对装配序列随机键和并行度随机键的搜索边界设定,且方程(11)中的rnd为服从U(0,1) 均匀分布的随机变量;
(V)选择II
在选择II算子中,主要是通过对当前种群P和实验种群T中的个体进行适应度函数比较,将基于拥挤度的Pareto评价策略嵌入到回溯搜索优化算法中,通过精英保留策略,实现精英个体的记忆;
首先,要实现Pareto层级的搭建,其详细步骤如下:
step 1、建立构造集,将所有初始解放入该构造集中,并计算初始解的各目标函数,记当前层级c=0;
step 2、c=c+1,构建层级c的非支配解集;
step 3、寻找出构造集中的所有非支配解,并将这些非支配解放入当前层级的非支配解集;
step 4、在当前层级解集中,将所有解按某一目标函数进行排序;
step 5、判断构造集中的解数量是否大于零,若满足,则返回step 2,否则结束。
其次,需要在该Pareto层级中筛选出目标个数的解,以实现种群继续寻优并获取最优解。假定需筛选出Mq个解,且层级c中解的个数为NUM(c),筛选目标解的详细步骤如下:
Step 1、创建构造集,令构造集中解的实时数量为NS,c=1,并获取Pareto 层级;
Step 2、若NS+NUM(c)>Mq,则在当前层级中逐一筛选拥挤度最大的个体放入构造集中,直到NS=Mq,并转step 4,否则转step 3;其中,拥挤度表示与其相邻个体之间距离的总和,计算公式如下:
方程(12)中,CFk表示个体k的拥挤度;fk l表示个体k的第l个目标函数值;和分别表示第l个目标函数的最大值和最小值,可设定该个体拥挤度的数值为4,以保证迭代过程的种群多样性;
Step 3、将当前层级中的所有个体均放入构造集中,c=c+1,转step 2;
Step 4、输出构造集并结束。
实施本发明方法,具有如下有益效果:
与传统的断路器自动化装配生产的优化配置方法对比,本发明根据各作业元素的成本和最大并行度,优化调整各作业元素的工序并行度及其对应的分流单元成本或合流单元成本,并以各作业元素间装配优先关系、工艺连接关系和各作业元素优化调整所得工序并行度对应的分流单元成本或合流单元成本为约束条件,以断路器自动化装配生产线的生产节拍及成本最小为目标,构建多目标优化问题,求解得到断路器自动化装配生产线的优化配置方案,该求解得到断路器自动化装配生产线的优化配置方案综合考虑设备总成本和生产效率,使断路器自动化装配线的设备成本和生产效率均达到优化水平,最好地服务于断路器实际装配作业生产。
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一些实施例,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,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例提供的断路器自动化装配生产的优化配置方法的流程图;
图2为本发明实施例提供的断路器自动化装配生产的优化配置方法应用场景中反映19个作业元素间优先关系和工艺连接关系的断路器装配线工艺优先关系图;
图3为本发明实施例提供的断路器自动化装配生产的优化配置方法应用场景中所得到的优化配置方案与现有技术中的优化配置方案利润条形对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。
如图1所示,为本发明实施例中,提供的一种断路器自动化装配生产的优化配置方法,所述方法包括以下步骤:
步骤S1、确定断路器自动化装配生产线上各作业元素的名称、序号、作业时间、成本和最大并行度,并基于断路器的结构原理及工艺要求对各作业元素的名称、序号、作业时间进行分析,得到断路器自动化装配生产线上各作业元素间装配优先关系和工艺连接关系;
具体为,断路器自动化装配生产线包括外壳上料、手柄上料、手柄压紧和磁系统上料等多个作业元素名称及其序号,还包括各作业元素的作业时间、设备成本和最大并行度数据,最大并行度来源于企业对于该作业单元在设备体积、场地限制上的要求。由于小型断路器的结构特征和构造原理,其装配过程具有一定工艺性要求,因此断路器自动化装配生产线上各作业元素间存在一定的优先关系和工艺连接关系。
装配优先关系来自于断路器零件空间约束关系和构造特征,防止装配过程中产生干涉过程;工艺连接关系来自于断路器装配、检测和压紧等作业的特殊工艺性,使得两作业/工艺之间不可分割,必须使一个作业安排在另一作业的下一个工位上,以提高装配过程的可靠性和稳定性。可以理解的是,可以依据各作业元素间装配优先关系和工艺连接关系,搭建出优先关系矩阵W和工艺连接关系矩阵B。
优先关系矩阵W和工艺连接关系矩阵B的赋值含义表示为:若作业元素s 优先于作业元素r,则Wrs=1,否则Wrs=0;若作业元素s与作业元素r之间存在工艺连接约束关系,且s应紧随作业s其后,则Brs=1,否则Brs=0。
在该断路器自动化装配生产线中,各作业元素的详情如表1所示,包括外壳上料、手柄上料、手柄压紧和磁系统上料等十九个作业元素,且在系统单元包含零件上料、零件配合、零件压合与检测等工作,共有串行动作269个,并行动作139个,每个生产节拍需要完成动作总数327个,系统零部件总数达到 4568个。
表1:
由于小型断路器的结构特征和构造原理,其装配过程具有一定工艺性要求,表1中各作业元素的工艺优先关系可描述为如图2所示的装配优先关系和工艺连接关系。
依据图2可搭建优先关系矩阵W和工艺连接关系矩阵B,具体如下:
其中,W和B均为19阶方阵,分别代表了19个装配线必要作业元素之间的装配优先关系和工艺连接关系。
步骤S2、根据各作业元素的成本和最大并行度,优化调整各作业元素的工序并行度及其对应的分流单元成本或合流单元成本,并以各作业元素间装配优先关系、工艺连接关系和最大并行度为约束条件,以断路器自动化装配生产线的生产节拍及成本最小为目标,构建多目标优化问题;
具体为,考虑并行工位序列规划和分流/合流设备成本条件下,建立了基于成本和装配效率的多目标优化模型。针对模型中决策变量(装配工艺序列和并行配置方案)的离散性特点,提出了基于随机键的两段式编/解码方法,通过考虑装配优先关系、工艺连接关系和最大并行度限制的二段式解码,实现了对工序刚性约束的描述。具体情况如下:
步骤S1、统计断路器自动化装配生产线的作业元素总数,并生成两段与作业元素总数同等个数且均匀分布在(0,1)区间内的两位随机小数,分别作为装配序列编码和并行度编码;
步骤S2、根据各作业元素的序号以及各作业元素间装配优先关系和工艺连接关系,对所生成的装配序列编码进行解码,得到装配生产线的装配序列;
步骤S3、根据各作业元素的最大并行度,对所生成的并行度编码进行解码,作为各作业元素优化调整的工序并行度,并根据各作业元素的成本,进一步确定各作业元素优化调整所得工序并行度对应的分流单元成本或合流单元成本;
步骤S4、以各作业元素间装配优先关系、工艺连接关系和各作业元素优化调整所得工序并行度对应的分流单元成本或合流单元成本为约束条件,以断路器自动化装配生产线的生产节拍及成本最小为目标,构建多目标优化问题。
在步骤S1中,回溯搜索优化算法适用于连续性问题优化,而针对工序刚性约束的装配线多目标优化属于离散型问题,需要进行决策变量的编码/解码设计。本文采用随机键编码方法,结合工序刚性约束关系,基于并行配置方案和装配序列进行两段式编码,将离散型决策变量转变为连续型变量,便于优化求解。例如统计断路器自动化装配生产线的作业元素总数为N,生成两段N个均匀分布在(0,1)区间内的两位随机小数,分别作为装配序列编码和并行度编码。在该断路器自动化装配生产线中,依据表1的19个作业元素,生成两段19个均匀分布在(0,1)区间内的两位随机小数。
在步骤S2中,根据各作业元素的序号以及各作业元素间装配优先关系和工艺连接关系,对第一段编码(装配序列编码)进行解码。此时,将所生成的装配序列编码与各作业元素的序号进行映射,并根据所生成的装配序列编码的大小来调整各作业元素的序号优先级排序,且根据各作业元素间装配优先关系和工艺连接关系,将序号调整后的各作业元素进行再次重新调整,进一步将再次调整后的各作业元素的序号组合为各作业元素的装配序列。此时,联合作业元素的排序、装配优先约束和工艺连接约束,将第一段编码强制转化为可行解,实现了装配优先约束和工艺连接约束的设定。
在步骤S3中,根据各作业元素的最大并行度,对对第二段编码(并行度编码)进行解码,此时,将所生成的并行度编码与各作业元素进行映射,并逐一将各作业元素的最大并行度与其对应映射的并行度编码相乘,所得的积经向上取整后分别作为各作业元素优化调整的工序并行度;
然后,根据各作业元素的成本,对照各作业元素优化调整的工序并行度,可以进一步确定各作业元素优化调整所得工序并行度对应的分流单元成本或合流单元成本。
在步骤S4中、以各作业元素间装配优先关系、工艺连接关系和各作业元素优化调整所得工序并行度对应的分流单元成本或合流单元成本为约束条件,以断路器自动化装配生产线的生产节拍及成本最小为目标,构建多目标优化问题。
该多目标优化问题由断路器自动化装配线的生产节拍和设备总成本的目标函数形成。生产节拍的目标函数和设备总成本的目标函数,可分别表示如下方程:
在方程(1)中,CT为断路器自动化装配线的生产节拍(等同于生产速率); ti为作业元素i在单个设备条件下的作业时间;pi为作业元素i的并行度;I为作业元素集;tb为分流/合流单元的作业时间;在方程(2)中,A为断路器自动化装配线的设备成本;Ai为作业i的单个工作站成本;Ab为单个分流/合流单元成本;Dj为0-1变量,对于装配序列中的任意工序j(2≤j≤N),若pj-1≠pj,则Dj=1(表示工序j-1与j之间需要设定分流或合流单元),否则Dj=0(表示工序j-1与j之间不需要设定分流或合流单元)。
步骤S5、基于拥挤度的Pareto的回溯搜索优化算法,在所述多目标优化问题中求各作业元素的装配序列及其对应的工序并行度的最优解,并将所述多目标优化问题求得的每一个最优解时所对应的装配序列及其对应的工序并行度均作为断路器自动化装配生产线的优化配置方案。
具体为,基于拥挤度的Pareto的回溯搜索优化算法包括种群初始化、选择I、变异、交叉和选择II五个步骤,具体如下:
(I)种群初始化
首先进行种群初始化操作,以获得历史种群oldP和当前种群P。历史种群用于确定每次迭代进化过程的搜索方向,当前种群通过精英保留策略以实现优质装配线配置方案的记忆。种群初始化的方法表示为如下:
Pm,i~U(lowi,upi)(3)
oldPm,i~U(lowi,upi)(4)
在方程(3)和(4)中,i=1,2,3,...,2N,m=1,2,3,...,D,且在断路器自动化装配生产的优化配置问题中,N表示必要装配工序的个数,D表示种群规模;lowi和upi分别表示第i维问题的下界和上界,且由编码原理可知lowi=0,upi=1; U表示均匀分布函数;
在一个例子中,N=19,D=500,个体的前19维元素代表第一段编码,即装配线序列编码,后19维元素代表第二段编码,即并行度编码。个体经过解码后可代表一个完整的装配线配置方案,包含了对装配序列和并行度的决策控制。
(II)选择I
选择I算子主要用来确定每次迭代过程中的历史种群oldP,以确定迭代搜索方向。其公式表示为:
oldP:=permutting(oldP)(6)
其中,“:=”是赋值操作;a和b是两个服从U(0,1)均匀分布的随机变量;permutting是随机洗牌函数,用于随机扰乱历史种群中各装配线配置方案编码的排序。
选择I算子使回溯搜索优化算法具有记忆性,以实现回溯搜索。回溯操作和随机扰乱操作均可以防止在搜索全局最优的装配线配置方案的过程中,使迭代寻优过程被局部较优的装配线配置方案约束限制。
(III)变异
变异算子主要用于生成实验种群T的最初形态,分别包含了对装配序列编码和并行度编码的变异,其公式如下所示:
Mutant=P+F·(oldP-P)(7)
其中,F=3·rndn是方向决定矩阵(oldP-P)的幅度控制函数,且rndn是服从标准正态分布的随机数;
(IV)交叉
交叉算子主要用于生成实验种群T的最终形态,而T的初始形态为变异算子所产生的Mutant。交叉算子主要分为两个步骤:
第一个步骤是搭建2N×D的二进制整数值映射矩阵map,该映射矩阵map 的计算公式如下所示:
map1:2N,1:D=1(8)
在方程(9)中,a和b是符合U(0,1)分布的随机数;mixrate是交叉概率,也是该算法中唯一需要设定的寻优参数,取mixrate=1;randi(D)表示在[0,D]上均匀分布的随机取整函数;u=permutting(<1,2,3,...,D>)是随机排序的整数向量;
第二个步骤是以映射矩阵为引导,完成实验种群T的搭建。将当前种群个体Pi,j和Mutant的序列编码和并行度编码通过方程(10)选择性地映射在实验种群的个体上,并通过方程(11)的边界控制策略,以实现搜索空间的设定,
其中,方程(10)用于完成实验种群T的构建,方程(11)用于对装配序列随机键和并行度随机键的搜索边界设定,且方程(11)中的rnd为服从U(0,1) 均匀分布的随机变量;
变异算子和交叉算子的作用是为了生成新个体,以发现探索潜在更优的断路器自动化装配生产线的优化配置方案。
(V)选择II
在选择II算子中,主要是通过对当前种群P和实验种群T中的个体进行适应度函数比较,将基于拥挤度的Pareto评价策略嵌入到回溯搜索优化算法中,通过精英保留策略,实现精英个体的记忆;
首先,要实现Pareto层级的搭建,其详细步骤如下:
step 1、建立构造集,将所有初始解放入该构造集中,并计算初始解的各目标函数,记当前层级c=0;
step 2、c=c+1,构建层级c的非支配解集;
step 3、寻找出构造集中的所有非支配解,并将这些非支配解放入当前层级的非支配解集;
step 4、在当前层级解集中,将所有解按某一目标函数进行排序;
step 5、判断构造集中的解数量是否大于零,若满足,则返回step 2,否则结束。
经过上述步骤即可实现对Pareto层级的搭建,完成对装配设备成本和生产效率的多目标评价。
其次,需要在该Pareto层级中筛选出目标个数的解,以实现种群继续寻优并获取最优解。假定需筛选出Mq个解,且层级c中解的个数为NUM(c),筛选目标解的详细步骤如下:
Step 1、创建构造集,令构造集中解的实时数量为NS,c=1,并获取Pareto 层级;
Step 2、若NS+NUM(c)>Mq,则在当前层级中逐一筛选拥挤度最大的个体放入构造集中,直到NS=Mq,并转step 4,否则转step 3;其中,拥挤度表示与其相邻个体之间距离的总和,计算公式如下:
方程(12)中,CFk表示个体k的拥挤度;fk l表示个体k的第l个目标函数值;和分别表示第l个目标函数的最大值和最小值,可设定该个体拥挤度的数值为4,以保证迭代过程的种群多样性;
Step 3、将当前层级中的所有个体均放入构造集中,c=c+1,转step 2;
Step 4、输出构造集并结束。
在每次迭代过程中,在以当前种群P和实验种群T的混合种群中,使用该 Pareto评价策略筛选出等同于种群规模D的个体,并将这些个体作为下一次迭代过程的当前种群P。在迭代结束时,在最终的Pareto层级中筛选出所有层级为 1的解,并剔除生产节拍过慢和设备总成本过高的个体,即可得到所需的多个最优解,每一个最优解所对应优化配置方案即为断路器自动化装配生产线的优化配置方案。
在该实施例中,将断路器自动化装配生产线总体成本上限设定为900万元,节拍上限设定为4秒/级,种群规模D设定为500,迭代次数itnmax为1000,混合率mixrate为1。经过实验计算后,得出计算结果如表2所示,这些方案可以实现真实断路器装配线布局成本与生产速率的最优化。
表2
在本发明实施例中,这些优化配置方案均为真实最优方案,在成本和节拍约束的范围内,不存在其他配置方案能支配这些配置方案,同时还可以针对这些优化解,根据利润来对最优解集进行决策。因此,所述方法进一步包括:
获取多目标优化问题求得的每一个最优解时所对应优化配置方案中断路器自动化装配生产线的成本,并根据所获取到的每一个优化配置方案中断路器自动化装配生产线的成本,计算出每一个优化配置方案在投资回报周期中的利润总额,且进一步将利润总额为最大的优化配置方案作为断路器自动化装配生产线的最终优化配置方案。
在该实例中,针对表2所示的优化解集,需要对最优解集进行决策,根据企业需求,设企业投资回报周期为2年,因此以2年内盈利最多的配置方案为最终结果,企业利润计算公式如下:
式中NP代表利润总和,ky代表装配线运营年数,取ky=2,kd代表每年工作天数,取kd=300;kh代表每天工作时数,取kh=16;ka为作业出勤率,取 ka=0.8;kf代表设备正常工作时间比例,取kf=0.9;kr为小型断路器的利润比例,取kr=0.08;pb为小型断路器的单价,取pb=10;CT表示各方案的生产节拍;A表示各方案设备总成本;3600表示一小时内的秒数,10000表示将元转化为万元。
将如表2的8个优化配置方案和现有的装配线方案(成本为636万元,生产节拍为5.4秒/级)进行利润计算,得到两年内的利润比较结果,构建出如图3 的利润条形对比图。
在图3中,配置方案1~8分别为表2中对应的1~8个配置方案,方案9为现有的装配线方案,每个方案的两年利润值表示在各条形上方。由图3的利润对比可知,配置方案1在两年内可获得最高净利润(约105万元),针对企业的具体需求,方案1为最优的配置方案,且相比于现有方案,生产效率提高了 40.7%,设备成本降低18.6%。
实施本发明实施例,具有如下有益效果:
与传统的断路器自动化装配生产的优化配置方法对比,本发明根据各作业元素的成本和最大并行度,优化调整各作业元素的工序并行度及其对应的分流单元成本或合流单元成本,并以各作业元素间装配优先关系、工艺连接关系和各作业元素优化调整所得工序并行度对应的分流单元成本或合流单元成本为约束条件,以断路器自动化装配生产线的生产节拍及成本最小为目标,构建多目标优化问题,求解得到断路器自动化装配生产线的优化配置方案,该求解得到断路器自动化装配生产线的优化配置方案综合考虑设备总成本和生产效率,使断路器自动化装配线的设备成本和生产效率均达到优化水平,最好地服务于断路器实际装配作业生产。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (7)
1.一种断路器自动化装配生产的优化配置方法,其特征在于,所述方法包括以下步骤:
步骤S1、确定断路器自动化装配生产线上各作业元素的名称、序号、作业时间、成本和最大并行度,并基于断路器的结构原理及工艺要求对各作业元素的名称、序号、作业时间进行分析,得到断路器自动化装配生产线上各作业元素间装配优先关系和工艺连接关系;
步骤S2、根据各作业元素的成本和最大并行度,优化调整各作业元素的工序并行度及其对应的分流单元成本或合流单元成本,并以各作业元素间装配优先关系、工艺连接关系和最大并行度为约束条件,以断路器自动化装配生产线的生产节拍及成本最小为目标,构建多目标优化问题;
步骤S3、基于拥挤度的Pareto的回溯搜索优化算法,在所述多目标优化问题中求各作业元素的装配序列及其对应的工序并行度的最优解,并将所述多目标优化问题求得的每一个最优解时所对应的装配序列及其对应的工序并行度作为断路器自动化装配生产线的优化配置方案。
2.如权利要求1所述的断路器自动化装配生产的优化配置方法,其特征在于,所述方法进一步包括:
获取所述多目标优化问题求得的每一个最优解时所对应优化配置方案中断路器自动化装配生产线的成本,并根据所获取到的每一个优化配置方案中断路器自动化装配生产线的成本,计算出每一个优化配置方案在企业投资回报周期年限的利润总额,且进一步将利润总额为最大的优化配置方案作为断路器自动化装配生产线的最终优化配置方案。
3.如权利要求1所述的断路器自动化装配生产的优化配置方法,其特征在于,所述步骤S2具体包括:
统计断路器自动化装配生产线的作业元素总数,并生成两段与作业元素总数同等个数且均匀分布在(0,1)区间内的两位随机小数,分别作为装配序列编码和并行度编码;
根据各作业元素的序号以及各作业元素间装配优先关系和工艺连接关系,对所生成的装配序列编码进行解码,得到装配生产线的装配序列;
根据各作业元素的最大并行度,对所生成的并行度编码进行解码,作为各作业元素优化调整的工序并行度,并根据各作业元素的成本,进一步确定各作业元素优化调整所得工序并行度对应的分流单元成本或合流单元成本;
以各作业元素间装配优先关系、工艺连接关系和最大并行度为约束条件,以断路器自动化装配生产线的生产节拍及成本最小为目标,构建多目标优化问题。
4.如权利要求3所述的断路器自动化装配生产的优化配置方法,其特征在于,所述根据各作业元素的序号以及各作业元素间装配优先关系和工艺连接关系,对所生成的装配序列编码进行解码,得到装配生产线的装配序列的具体步骤包括:
将所生成的装配序列编码与各作业元素的序号进行映射,并根据所生成的装配序列编码的大小来调整各作业元素的序号优先级排序,且根据各作业元素间装配优先关系和工艺连接关系,将序号调整后的各作业元素进行再次重新调整,进一步将再次调整后的各作业元素的序号组合为各作业元素的装配序列。
5.如权利要求3所述的断路器自动化装配生产的优化配置方法,其特征在于,所述根据各作业元素的最大并行度,对所生成的并行度编码进行解码,作为各作业元素优化调整的工序并行度的具体步骤包括:
将所生成的并行度编码与各作业元素的序号进行映射,并逐一将各作业元素的最大并行度与其对应映射的并行度编码相乘,所得的积经向上取整后分别作为各作业元素优化调整的工序并行度。
6.如权利要求3所述的断路器自动化装配生产的优化配置方法,其特征在于,所述多目标优化问题由断路器自动化装配线的生产节拍和设备总成本的目标函数形成,可分别表示如下方程:
在方程(1)中,CT为断路器自动化装配线的生产节拍(即生产速率);ti为作业元素i在单个设备条件下的作业时间;pi为作业元素i的并行度;I为作业元素集;tb为分流/合流单元的作业时间;在方程(2)中,A为路器自动化装配线的设备总成本;Ai为作业i的单个工作站成本;Ab为单个分流或合流单元成本;Dj为0-1变量,对于装配序列中的任意工序j(2≤j≤N),若pj-1≠pj,则Dj=1,表示工序j-1与j之间需要设定分流或合流单元;否则Dj=0,表示工序j-1与j之间不需要设定分流或合流单元。
7.如权利要求1所述的断路器自动化装配生产线的优化配置方法,其特征在于,所述步骤S5中,基于拥挤度的Pareto的回溯搜索优化算法的具体步骤包括:
(I)种群初始化
首先进行种群初始化操作,以获得历史种群oldP和当前种群P,历史种群用于确定每次迭代进化过程的搜索方向,当前种群通过精英保留策略以实现优质装配线配置方案的记忆,种群初始化的方法表示为如下:
Pm,i~U(lowi,upi) (3)
oldPm,i~U(lowi,upi) (4)
在方程(3)和(4)中,i=1,2,3,...,2N,m=1,2,3,...,D,且在断路器自动化装配生产的优化配置问题中,N表示必要装配工序的个数,D表示种群规模;lowi和upi分别表示第i维问题的下界和上界,且lowi=0,upi=1;U表示均匀分布函数;
(II)选择I
选择I算子主要用来确定每次迭代过程中的历史种群oldP,以确定迭代搜索方向,其公式表示为:
oldP:=permutting(oldP) (6)
其中,“:=”是赋值操作;a和b是两个服从U(0,1)均匀分布的随机变量;permutting是随机洗牌函数,用于随机扰乱历史种群中各装配线配置方案编码的排序;
(III)变异
变异算子主要用于生成实验种群T的最初形态,分别包含了对装配序列编码和并行度编码的变异,其公式如下所示:
Mutant=P+F·(oldP-P) (7)
其中,F=3·rndn是方向决定矩阵(oldP-P)的幅度控制函数,且rndn是服从标准正态分布的随机数;
(IV)交叉
交叉算子主要用于生成实验种群T的最终形态,而T的初始形态为变异算子所产生的Mutant,交叉算子主要分为两个步骤:
第一个步骤是搭建2N×D的二进制整数值映射矩阵map,该映射矩阵map的计算公式如下所示:
map1:2N,1:D=1 (8)
在方程(9)中,a和b是符合U(0,1)分布的随机数;mixrate是交叉概率,也是该算法中唯一需要设定的寻优参数,取mixrate=1;randi(D)表示在[0,D]上均匀分布的随机取整函数;u=permutting(<1,2,3,...,D>)是随机排序的整数向量;
第二个步骤是以映射矩阵map为引导,完成实验种群T的搭建,将当前种群个体Pi,j和Mutant的序列编码和并行度编码通过方程(10)选择性地映射在实验种群的个体上,并通过方程(11)的边界控制策略,以实现搜索空间的设定,
其中,方程(10)用于完成实验种群T的构建,方程(11)用于对装配序列随机键和并行度随机键的搜索边界设定,且方程(11)中的rnd为服从U(0,1)均匀分布的随机变量;
(V)选择II
在选择II算子中,主要是通过对当前种群P和实验种群T中的个体进行目标函数(装配线的生产节拍和设备总成本)比较,将基于拥挤度的Pareto评价策略嵌入到回溯搜索优化算法中,通过精英保留策略,实现精英个体的记忆;
首先,要实现Pareto层级的搭建,其详细步骤如下:
step1、建立构造集,将所有初始解放入该构造集中,并计算初始解的各目标函数,记当前层级c=0;
step2、c=c+1,构建层级c的非支配解集;
step3、寻找出构造集中的所有非支配解,并将这些非支配解放入当前层级的非支配解集;
step4、在当前层级解集中,将所有解按某一目标函数进行排序;
step5、判断构造集中的解数量是否大于零,若满足,则返回step2,否则结束;
其次,需要在该Pareto层级中筛选出目标个数的解,以实现种群继续寻优并获取最优解,假定需筛选出Mq个解,且层级c中解的个数为NUM(c),筛选目标解的详细步骤如下:
Step1、创建构造集,令构造集中解的实时数量为NS,当前层级c=1,并获取Pareto层级;
Step2、若NS+NUM(c)>Mq,则在当前层级中逐一筛选拥挤度最大的个体放入构造集中,直到NS=Mq,并转step4,否则转step3;其中,拥挤度表示与其相邻个体之间距离的总和,计算公式如下:
方程(12)中,CFk表示个体k的拥挤度;表示个体k的第l个目标函数值;和分别表示第l个目标函数的最大值和最小值,可设定该个体拥挤度的数值为4,以保证迭代过程的种群多样性;
Step3、将当前层级中的所有个体均放入构造集中,c=c+1,转step2;
Step4、输出构造集并结束。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910434904.8A CN110276475B (zh) | 2019-05-23 | 2019-05-23 | 一种断路器自动化装配生产的优化配置方法 |
US16/698,951 US20200371506A1 (en) | 2019-05-23 | 2019-11-28 | Configuration-based optimization method of automated assembly and production of circuit breaker |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910434904.8A CN110276475B (zh) | 2019-05-23 | 2019-05-23 | 一种断路器自动化装配生产的优化配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276475A true CN110276475A (zh) | 2019-09-24 |
CN110276475B CN110276475B (zh) | 2023-05-26 |
Family
ID=67959441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910434904.8A Active CN110276475B (zh) | 2019-05-23 | 2019-05-23 | 一种断路器自动化装配生产的优化配置方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20200371506A1 (zh) |
CN (1) | CN110276475B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178600A (zh) * | 2019-12-17 | 2020-05-19 | 上海卡鲁自动化科技有限公司 | 一种多约束条件下的车间装配工艺智能优化方法 |
CN111290360A (zh) * | 2020-03-25 | 2020-06-16 | 湖南大学 | 一种铸造生产线多目标优化方法 |
CN111474853A (zh) * | 2020-04-22 | 2020-07-31 | 温州大学 | 一种基于节拍约束的断路器孪生车间模型动力学控制方法 |
CN114022028A (zh) * | 2021-11-22 | 2022-02-08 | 江苏科技大学 | 一种自动化混合流水线调度布局集成优化方法 |
CN115879782A (zh) * | 2023-01-05 | 2023-03-31 | 深圳市鼎山科技有限公司 | 一种基于物联网的生产供应链监测管理系统及方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113627078B (zh) * | 2021-07-26 | 2024-07-26 | 北京理工大学 | 一种d-rms构型设计多目标优化方法 |
CN113805541B (zh) * | 2021-08-18 | 2023-03-14 | 东风电驱动系统有限公司 | 一种零件装配体的装配方法及系统 |
CN113985739B (zh) * | 2021-11-17 | 2024-01-26 | 江苏科技大学 | 一种基于改进智能水滴算法的装配序列优化方法 |
CN116167593B (zh) * | 2023-04-21 | 2023-08-04 | 鲁东大学 | 用于零等待作业车间调度的工件加工时刻获取方法及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323952A (zh) * | 2011-09-09 | 2012-01-18 | 河海大学常州校区 | 基于改进遗传算法的可重构装配线排序方法 |
CN105760621A (zh) * | 2016-03-16 | 2016-07-13 | 同济大学 | 一种考虑复杂度的装配线平衡方法 |
CN106711996A (zh) * | 2016-11-28 | 2017-05-24 | 国网河南省电力公司郑州供电公司 | 一种母线失压故障供电恢复及开关操作顺序生成方法 |
US20190079975A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Scheduling method and system based on hybrid variable neighborhood search and gravitational search algorithm |
-
2019
- 2019-05-23 CN CN201910434904.8A patent/CN110276475B/zh active Active
- 2019-11-28 US US16/698,951 patent/US20200371506A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102323952A (zh) * | 2011-09-09 | 2012-01-18 | 河海大学常州校区 | 基于改进遗传算法的可重构装配线排序方法 |
CN105760621A (zh) * | 2016-03-16 | 2016-07-13 | 同济大学 | 一种考虑复杂度的装配线平衡方法 |
CN106711996A (zh) * | 2016-11-28 | 2017-05-24 | 国网河南省电力公司郑州供电公司 | 一种母线失压故障供电恢复及开关操作顺序生成方法 |
US20190079975A1 (en) * | 2017-09-11 | 2019-03-14 | Hefei University Of Technology | Scheduling method and system based on hybrid variable neighborhood search and gravitational search algorithm |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178600A (zh) * | 2019-12-17 | 2020-05-19 | 上海卡鲁自动化科技有限公司 | 一种多约束条件下的车间装配工艺智能优化方法 |
CN111290360A (zh) * | 2020-03-25 | 2020-06-16 | 湖南大学 | 一种铸造生产线多目标优化方法 |
CN111290360B (zh) * | 2020-03-25 | 2021-07-02 | 湖南大学 | 一种铸造生产线多目标优化方法 |
CN111474853A (zh) * | 2020-04-22 | 2020-07-31 | 温州大学 | 一种基于节拍约束的断路器孪生车间模型动力学控制方法 |
CN111474853B (zh) * | 2020-04-22 | 2022-04-12 | 温州大学 | 一种基于节拍约束的断路器孪生车间模型动力学控制方法 |
CN114022028A (zh) * | 2021-11-22 | 2022-02-08 | 江苏科技大学 | 一种自动化混合流水线调度布局集成优化方法 |
CN115879782A (zh) * | 2023-01-05 | 2023-03-31 | 深圳市鼎山科技有限公司 | 一种基于物联网的生产供应链监测管理系统及方法 |
CN115879782B (zh) * | 2023-01-05 | 2023-05-09 | 深圳市鼎山科技有限公司 | 一种基于物联网的生产供应链监测管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110276475B (zh) | 2023-05-26 |
US20200371506A1 (en) | 2020-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276475A (zh) | 一种断路器自动化装配生产的优化配置方法 | |
CN112700045B (zh) | 一种基于土地储备实施监测模型的智能选址系统 | |
Stanujkic et al. | Extension of ratio system part of MOORA method for solving decision-making problems with interval data | |
Meza et al. | A multiobjective evolutionary programming algorithm and its applications to power generation expansion planning | |
Florez et al. | Multi-objective transmission expansion planning considering multiple generation scenarios | |
CN112381421B (zh) | 一种考虑电力市场全维度的源网荷多主体博弈规划方法 | |
CN110197345A (zh) | 一种以线路为单元的配电网综合评价方法 | |
CN107248029A (zh) | 一种土地利用结构优化的多目标改进差分进化模型 | |
Hesamzadeh et al. | Merger analysis in wholesale power markets using the equilibria-band methodology | |
CN115496253A (zh) | 一种基于多目标遗传算法的输电线路路径优化方法及系统 | |
CN101916999B (zh) | 500kv区域控制中心控制域优化系统 | |
Zhou et al. | Dynamic changes and multi-dimensional evolution of portfolio optimization | |
CN110289616A (zh) | 一种基于网络分析的高压配电网项目动态选择方法 | |
CN104484546B (zh) | 一种电网规划项目自动潮流校核文件的生成方法 | |
Mussoi et al. | An integrated multicriteria decision‐making approach for distribution system expansion planning | |
Malinchik et al. | Geo-spatial resource analysis and optimization of investment strategies for renewable energy | |
Panda et al. | Effectiveness of GA on short term load forecasting | |
CN115310878B (zh) | 一种基于国土空间要素数据的电力空间规划设计方法 | |
CN112418715B (zh) | 风电功率序列场景集的生成方法、装置以及存储介质 | |
Kim et al. | Multileveled symbiotic evolutionary algorithm: Application to FMS loading problems | |
CN114519297A (zh) | 基于嵌套nsga-ii的多目标双层交互式优化方法 | |
Larsson | The network performance assessment model: a new framework of regulating the electricity network companies | |
Alfaris et al. | The Integrated Energy Decision Support System | |
Exizidis | Electricity markets with high wind power penetration: Information sharing and incentive-compatibility | |
CN110473124A (zh) | 基于KnEA高维多目标优化的大学区教育资源配置方法 |
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 |