CN110851962A - 一种数字化车间布局优化方法 - Google Patents

Abstract

本发明提供一种数字化车间布局优化方法，包括：步骤S1）对车间设备布局做出简化与假设，获取车间各个工序的占地面积，对车间进行区域划分；步骤S2）分析车间布局的优化目标，确定决策变量与约束条件；步骤S3）建立车间布局优化的数学模型；步骤S4）确定相应的目标函数；步骤S5）采用改进的自适应遗传算法进行求解；步骤S6）得到数字化车间布局优化的方案；本发明优点在于：针对物流成本最低及车间面积可利用率最大两个因素建立数学模型，使用一种改进的自适应遗传算法进行求解，交叉率和变异率可以根据个体适应度的值自动调整，能使算法跳出局部最优，并且迅速找到最优结果，从而有效提高算法整体寻优能力。

Description

一种数字化车间布局优化方法

技术领域

本发明涉及智能车间技术领域，尤其涉及一种数字化车间布局优化方法。

背景技术

数字化车间布局优化是运用布局优化和物流路径设计的理论，在分析现有车间布局的基础上，结合数字化车间柔性化的特点对车间布局规划进行研究和设计，从而使空间得到充分利用，减少物流成本与时间，提高生产效率。设备布局是制造系统设计和优化的主要内容，它是指企业根据经营目标和生产纲领，将有限的空间合理地组合与分配给人员、设备、物料等生产要素，以满足从原材料的接收、零件和产品的制造直到成品的包装、发运的产品生产全生命周期中各生产要素所需空间，并获得最大的生产经济效益。

在工业4.0的背景下，数字化车间越来越追求实现产品的个性化定制，以满足用户的个性化需求，意味着产品的种类繁多，不同产品的加工工艺也存在差异。对车间的布局结构、各个加工单元的位置、各个设备上料下料的位置、物料存储的位置等进行科学合理的设计布局，就可以高效的利用车间内的生产资源，减少车间内的劳动及物流运输成本，提高生产效率。

传统的车间布局方法是根据二维图纸依靠设计人员的相关经验进行设计，已经不能满足数字化车间在生产实际中的需求，主要存在以下问题：

1.依靠人员经验进行车间布局的规划周期较长，需要耗费人力物力资源，且规划不能达到最优化，影响了数字化车间的生产效率等；

2.传统的车间布局方法在车间投产前，无法对车间系统的生产效率、物流时间和物流成本等性能进行有效的验证，规划的正确性不能得到保证，从而难以满足实际生产的需求，所以提出一种更准确的数字化车间布局优化方法是十分必要的。

发明内容

本发明的目的是提供一种数字化车间布局优化方法。

为了实现上述目的，本发明的技术方案是：

一种数字化车间布局优化方法，其特征在于，包括以下步骤：

步骤S1)对车间设备布局做出简化与假设，获取车间各个工序的占地面积，根据零件加工工艺流程对车间进行区域划分；

步骤S2)分析车间布局的优化目标，确定决策变量与约束条件；

步骤S3)根据车间总物流成本最小及面积利用率最大的原则，建立车间布局优化的数学模型；

步骤S4)确定相应的目标函数；

步骤S5)采用改进的自适应遗传算法进行求解；

步骤S6)得到数字化车间布局优化的方案。

进一步地，在所述步骤S1中，对车间设备布局做出简化与假设包括：

(1)假设车间中所有制造设备的形状为矩形，忽略其他细节形状；

(2)产品的加工工艺流程与车间的设备编号保持一致；

(3)在同一行进行布置的设备其矩形中心坐标在同一水平线上，且所有设备放置的方位相同；

(4)所有设备沿X轴方向依次进行放置，当同行中所有设备的长度与设备之间的间距之和超过车间生产线横向最大约束时，该行中的最后一个设备自动换入下一行。

进一步地，在所述步骤S2中，确定决策变量包括：

确定车间设备布局模型的相关参数，设定L为加工单元的长度，H为加工单元的宽度，l_i为设备i的长度，h_i为设备i的宽度，x_i为设备i矩形中心的横坐标，y_i为设备i矩形中心的纵坐标，S为设备行间距，d_ij为设备i和设备j之间的净间距。

进一步地，在所述步骤S2中，约束条件包括：

(1)每个设备只能布置在一个位置上且每行最多布置n个单元；

(2)满足任意两台设备不重叠；

其中i,j＝1,2,…,n.

(3)每行上的设备在X轴方向上不能超过车间范围；

(4)不同行上的设备在Y轴方向上不能超过车间范围；

其中：

进一步地，在步骤S4中，确定相应的目标函数包括：

设定车间布局问题的数学模型为

c_ij为搬运成本；f_ij为搬运频率；d_ij为搬运距离，且d_ij＝|x_i-x_j|+|y_i-y_j|；p_ij为运输物料的重量；c₁,c₂为权重因子，且c₁+c₂＝1；S_t为面积利用率。

进一步地，所述步骤S5包括以下步骤：

步骤S51)根据建立的车间布局优化数学模型，确定其编码方式，对车间站位序列进行编码；

步骤S52)由计算机随机产生N个初始设备的排列序列及净间距，组成初始种群；

步骤S53)根据确定的目标函数及约束条件设计适应度转换规则，设计适应度函数；

步骤S54)根据实际生产选择遗传算子，进行自适应遗传运算，交叉概率与变异概率自适应调整，生成新的个体；

步骤S55)根据预设的终止条件，判断新的个体是否为最优解，若是，则跳转至步骤S56，若否，则返回至步骤S53；

步骤S56)输出最优解。

进一步地，在所述步骤S51中，编码方式为：

采用实值编码方式，编码包括设备符号与净间距两部分，表示形式如下：

[{m₁,m₂,…,m_n},{Δ₁,Δ₂,…,Δ_n}]

其中，{m₁,m₂,…,m_n}表示设备的排列顺序，{Δ₁,Δ₂,…Δ_n}表示第i台设备与第i-1台设备的净间距，取值为大于零的实数。

进一步地，在所述步骤S53中，

采取目标函数倒数的形式设计适应度函数，结合自动换行策略作为惩罚项，适应度函数如下式：

根据权利要求6所述的一种数字化车间布局优化方法，其特征在于，在所述步骤S54中，遗传运算包括，

采用轮盘赌选择法对每代中的个体进行选择运算，采用部分匹配交叉算法(PMX)来计算设备新的布局序列，对于净间距，采用均匀算数交叉方法来调整设备间的距离，采用均匀变异方法处理设备间的净间距序列。

进一步地，在所述步骤S54中，自适应的交叉概率P_c和变异概率P_m的计算公式如下：

其中，f_max表示群体中最大的适应值；f_avg表示群体平均适应值；f表示要交叉的两个个体中较大的适应度值；f′表示要变异的个体的适应度值；k₁、k₂、k₃和k₄为常数，且满足k₁＜k₂,k₃＜k₄。

本发明的优点在于：

1)将数字化车间内的设备根据加工零件的加工工艺分为不同的加工生产单元，使具有密切加工关系的零件加工设备在一个单元内，然后对加工单元进行多行布局；

2)针对物流成本最低及车间面积可利用率最大两个因素建立数学模型，使用一种改进的自适应遗传算法进行求解，交叉率和变异率可以根据个体适应度的值自动调整，能使算法跳出局部最优，并且迅速找到最优结果，从而有效提高算法整体寻优能力。

附图说明

图1为本发明的流程示意图；

图2为本发明步骤S5的流程示意图；

图3为是本发明实施例的一种车间设备布局示意图

具体实施方式

下面将结合附图对本发明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。

本实施例公开了一种数字化车间布局优化方法。

为了方便建立数学模型，需要对生产车间设备布局做出如下简化与假设：

(1)车间中所有制造设备的形状都假设为矩形，忽略其他细节形状；

(2)产品的加工工艺流程与车间的设备编号保持一致；

(3)在同一行进行布置的设备其矩形中心坐标在同一水平线上，且所有设备放置的方位相同；

(4)所有设备沿X轴方向依次进行放置，当同行中所有设备的长度与设备之间的间距之和超过车间生产线横向最大约束时，该行中的最后一个设备自动换入下一行。

根据对实际车间的假设与简化，车间设备布局模型相关参数如下，参数之间的关系如图1所示。其中，L为该加工单元的长度，H为该加工单元的宽度，l_i为设备i的长度，h_i为设备i的宽度，x_i为设备i矩形中心的横坐标，y_i为设备i矩形中心的纵坐标，S为设备行间距，d_ij为设备i和设备j之间的净间距。

1)每个设备只能布置在一个位置上且每行最多布置n个单元。

2)满足任意两台设备不重叠。

其中i,j＝1,2,…,n.

3)每行上的设备在X轴方向上不能超过车间范围。

4)不同行上的设备在Y轴方向上不能超过车间范围。

其中：

车间布局的目标就是建立合理的物流路径,满足各设备单元间的总物料搬运成本最小化，因此,车间布局问题的数学模型可表达为:

式中c_ij为搬运成本；f_ij为搬运频率；d_ij为搬运距离，且d_ij＝|x_i-x_j|+|y_i-y_j|；p_ij为运输物料的重量；c₁,c₂为权重因子，且c₁+c₂＝1；S_t为面积利用率。

本实施例采用改进的遗传算法进行车间布局优化，如图1所示，包括以下步骤：

步骤S1)对车间设备布局做出简化与假设，获取车间各个工序的占地面积，根据零件加工工艺流程对车间进行区域划分；

在所述步骤S1中，对车间设备布局做出简化与假设包括：

(1)假设车间中所有制造设备的形状为矩形，忽略其他细节形状；

(2)产品的加工工艺流程与车间的设备编号保持一致；

(3)在同一行进行布置的设备其矩形中心坐标在同一水平线上，且所有设备放置的方位相同；

(4)所有设备沿X轴方向依次进行放置，当同行中所有设备的长度与设备之间的间距之和超过车间生产线横向最大约束时，该行中的最后一个设备自动换入下一行。

步骤S2)分析车间布局的优化目标，确定决策变量与约束条件；

在所述步骤S2中，确定决策变量包括：

确定车间设备布局模型的相关参数，设定L为加工单元的长度，H为加工单元的宽度，l_i为设备i的长度，h_i为设备i的宽度，x_i为设备i矩形中心的横坐标，y_i为设备i矩形中心的纵坐标，S为设备行间距，d_ij为设备i和设备j之间的净间距。

在所述步骤S2中，约束条件包括：

(1)每个设备只能布置在一个位置上且每行最多布置n个单元；

(2)满足任意两台设备不重叠；

其中i,j＝1,2,…,n.

(3)每行上的设备在X轴方向上不能超过车间范围；

(4)不同行上的设备在Y轴方向上不能超过车间范围；

其中：

步骤S3)根据车间总物流成本最小及面积利用率最大的原则，建立车间布局优化的数学模型；

步骤S4)确定相应的目标函数；

设定车间布局问题的数学模型为

c_ij为搬运成本；f_ij为搬运频率；d_ij为搬运距离，且d_ij＝|x_i-x_j|+|y_i-y_j|；p_ij为运输物料的重量；c₁,c₂为权重因子，且c₁+c₂＝1；S_t为面积利用率。

步骤S5)采用改进的自适应遗传算法进行求解；

步骤S6)得到数字化车间布局优化的方案。

如图2所示，所述步骤S5具体包括以下步骤：

步骤S51)根据建立的车间布局优化数学模型，确定其编码方式，对车间站位序列进行编码；

编码方式为：

采用实值编码方式，编码包括设备符号与净间距两部分，表示形式如下：

[{m₁,m₂,…,m_n},{Δ₁,Δ₂,…,Δ_n}]

其中，{m₁,m₂,…,m_n}表示设备的排列顺序，{Δ₁,Δ₂,…Δ_n}表示第i台设备与第i-1台设备的净间距，取值为大于零的实数；

步骤S52)由计算机随机产生N个初始设备的排列序列及净间距，组成初始种群，一般是由计算机随机产生N个初始设备的排列序列及净间距组成初始种群，种群的过大和过小都会影响算法求解的准确性，这里选择种群规模为100；

步骤S53)根据确定的目标函数及约束条件设计适应度转换规则，设计适应度函数，采取目标函数倒数的形式设计适应度函数，结合自动换行策略作为惩罚项，适应度函数如下式：

步骤S54)根据实际生产选择遗传算子，进行自适应遗传运算，交叉概率与变异概率自适应调整，生成新的个体，自适应遗传算法中，交叉概率和变异概率能够随适应度自动改变，从而提高算法寻优的整体性能；

自适应遗传运算，采用轮盘赌选择法对每代中的个体进行选择运算，采用部分匹配交叉算法(PMX)来计算设备新的布局序列，对于净间距，采用均匀算数交叉方法来调整设备间的距离，采用均匀变异方法处理设备间的净间距序列；

自适应的交叉概率P_c和变异概率P_m的计算公式如下：

其中，f_max表示群体中最大的适应值；f_avg表示群体平均适应值；f表示要交叉的两个个体中较大的适应度值；f′表示要变异的个体的适应度值；k₁、k₂、k₃和k₄为常数，且满足k₁＜k₂,k₃＜k₄。

步骤S55)根据预设的终止条件，判断新的个体是否为最优解，若是，则跳转至步骤S56，若否，则返回至步骤S53；

步骤S56)输出最优解。

如图3所示，具体实施时，举例如下：

某船舶分段制造数字化车间长270m，宽85m，车间布局中的具体信息与算法参数如表1。

表1车间设备编号及信息

运用matlab软件编写相应程序，对自适应遗传算法以及标准遗传算法进行运算。选取算法的参数，群体容量N＝100,最大遗传代数为200，自适应遗传算法中P_c1＝0.9，P_c2＝0.6，P_m1＝0.1，P_m2＝0.01；标准遗传算法中P_c＝0.6，P_m＝0.1；以上述参数运用两种算法对问题进行计算。

对比两种算法的最优目标函数值，自适应遗传算法的优化程度明显高于标准遗传算法，优化后的函数值由最初的95870减小为3060，达到最优解的进化代数也小于遗传算法，其收敛速度更快，克服了遗传算法收敛慢的弱点，优化后车间内的物料搬运成本与搬运时间比最初的布局减少30％，对车间内的生产效率有一定的提升。

综上所述，本发明依据总物流成本最小且车间面积利用率最高的原则建立车间布局优化的数学模型，确定相应的目标函数，结合车间实际情况进行参数设定，使用一种改进的自适应遗传算法对目标函数进行求解，相比于传统的车间布局优化方法，有效的提高了计算的效率和准确性，降低了车间的物流成本，节省了物流时间，能够有效地提高车间的生产效率，对车间布局优化有一定指导意义。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种数字化车间布局优化方法，其特征在于，包括以下步骤：

步骤S1)对车间设备布局做出简化与假设，获取车间各个工序的占地面积，根据零件加工工艺流程对车间进行区域划分；

步骤S2)分析车间布局的优化目标，确定决策变量与约束条件；

步骤S3)根据车间总物流成本最小及面积利用率最大的原则，建立车间布局优化的数学模型；

步骤S4)确定相应的目标函数；

步骤S5)采用改进的自适应遗传算法进行求解；

步骤S6)得到数字化车间布局优化的方案。

2.根据权利要求1所述的一种数字化车间布局优化方法，其特征在于，在所述步骤S1中，对车间设备布局做出简化与假设包括：

(1)假设车间中所有制造设备的形状为矩形，忽略其他细节形状；

(2)产品的加工工艺流程与车间的设备编号保持一致；

(3)在同一行进行布置的设备其矩形中心坐标在同一水平线上，且所有设备放置的方位相同；

(4)所有设备沿X轴方向依次进行放置，当同行中所有设备的长度与设备之间的间距之和超过车间生产线横向最大约束时，该行中的最后一个设备自动换入下一行。

3.根据权利要求1所述的一种数字化车间布局优化方法，其特征在于，在所述步骤S2中，确定决策变量包括：

确定车间设备布局模型的相关参数，设定L为加工单元的长度，H为加工单元的宽度，l_i为设备i的长度，h_i为设备i的宽度，x_i为设备i矩形中心的横坐标，y_i为设备i矩形中心的纵坐标，S为设备行间距，d_ij为设备i和设备j之间的净间距。

4.根据权利要求3所述的一种数字化车间布局优化方法，其特征在于，在所述步骤S2中，约束条件包括：

(1)每个设备只能布置在一个位置上且每行最多布置n个单元；

(2)满足任意两台设备不重叠；

其中i,j＝1,2,…,n.

(3)每行上的设备在X轴方向上不能超过车间范围；

(4)不同行上的设备在Y轴方向上不能超过车间范围；

其中：

5.根据权利要求1所述的一种数字化车间布局优化方法，其特征在于，在步骤S4中，确定相应的目标函数包括：

设定车间布局问题的数学模型为

c_ij为搬运成本；f_ij为搬运频率；d_ij为搬运距离，且d_ij＝|x_i-x_j|+|y_i-y_j|；p_ij为运输物料的重量；c₁,c₂为权重因子，且c₁+c₂＝1；S_t为面积利用率。

6.根据权利要求1所述的一种数字化车间布局优化方法，其特征在于，所述步骤S5包括以下步骤：

步骤S51)根据建立的车间布局优化数学模型，确定其编码方式，对车间站位序列进行编码；

步骤S52)由计算机随机产生N个初始设备的排列序列及净间距，组成初始种群；

步骤S53)根据确定的目标函数及约束条件设计适应度转换规则，设计适应度函数；

步骤S54)根据实际生产选择遗传算子，进行自适应遗传运算，交叉概率与变异概率自适应调整，生成新的个体；

步骤S55)根据预设的终止条件，判断新的个体是否为最优解，若是，则跳转至步骤S56，若否，则返回至步骤S53；

步骤S56)输出最优解。

7.根据权利要求6所述的一种数字化车间布局优化方法，其特征在于，在所述步骤S51中，编码方式为：

采用实值编码方式，编码包括设备符号与净间距两部分，表示形式如下：

[{m₁,m₂,…,m_n},{Δ₁,Δ₂,…,Δ_n}]

其中，{m₁,m₂,…,m_n}表示设备的排列顺序，{Δ₁,Δ₂,…Δ_n}表示第i台设备与第i-1台设备的净间距，取值为大于零的实数。

8.根据权利要求6所述的一种数字化车间布局优化方法，其特征在于，在所述步骤S53中，

采取目标函数倒数的形式设计适应度函数，结合自动换行策略作为惩罚项，适应度函数如下式：

9.根据权利要求6所述的一种数字化车间布局优化方法，其特征在于，在所述步骤S54中，遗传运算包括，

采用轮盘赌选择法对每代中的个体进行选择运算，采用部分匹配交叉算法(PMX)来计算设备新的布局序列，对于净间距，采用均匀算数交叉方法来调整设备间的距离，采用均匀变异方法处理设备间的净间距序列。

10.根据权利要求9所述的一种数字化车间布局优化方法，其特征在于，在所述步骤S54中，自适应的交叉概率P_c和变异概率P_m的计算公式如下：

其中，f_max表示群体中最大的适应值；f_avg表示群体平均适应值；f表示要交叉的两个个体中较大的适应度值；f′表示要变异的个体的适应度值；k₁、k₂、k₃和k₄为常数，且满足k₁＜k₂,k₃＜k₄。

Images