CN111047081A

CN111047081A - 一种面向绿色生产的制造资源配置优化决策方法

Info

Publication number: CN111047081A
Application number: CN201911192488.1A
Authority: CN
Inventors: 孙群
Original assignee: Shanghai Dianji University
Current assignee: Shanghai Dianji University
Priority date: 2019-11-28
Filing date: 2019-11-28
Publication date: 2020-04-21

Abstract

本发明提供了一种面向绿色生产的制造资源配置优化决策方法，S1、制造资源进行优化配置。S2、建立制造资源配置优化模型；S3、建立时间目标函数以及碳排放成本目标函数；S4、建立约束条件模型；S5、进行编码产生初始种群；S6、确定适应度函数；S7、应用选择、交叉、变异算子产生新一代种群；S8、根据约束条件模型和新一代种群计算适应度，随后判断是否满足迭代停止准则，若满足进行S9，若不满足回到S6重新确定适应度函数；S9、进行多目标函数的量纲归一化处理以输出最终参数后并结束。本发明针对车间层可用制造资源进行配置，选取同时满足加工时间、加工成本及碳排放较低等动态约束的制造资源优化配置决策，实现高效低碳的绿色生产。

Description

一种面向绿色生产的制造资源配置优化决策方法

技术领域

本发明属于机械制造工艺规划领域，涉及典型机械切削加工过程中的的一种制造资源配置优化方法，在满足产品工艺质量的前提下，综合考虑制造过程中低碳排放约束和加工时间，为快速、合理地选择制造资源提供理论和方法支持。

背景技术

目前，制造资源优化配置研究主要集中在制造资源优化配置模型和优化配置方法两方面。在资源优化配置模型研究方面，或者针对车间生产计划与调度问题，或针对网络化制造背景下资源的协同分配问题,或者适应柔性制造系统的多品种多工艺需求的制造资源优化的研究以求彻底释放制造资源的能力，或者从虚拟企业的角度进行研究，从选择制造资源的载体(制造单元或者企业)的角度建立制造资源优化模型，并进行资源评价和选择。评价指标体系主要包括交货期(T)、成本(C)、质量(Q)、服务(S)等。

在优化配置方法研究方面：当前主要从多目标优化的角度进行决策方法研究。主要的方法有：1)数学整数规划方法，其主要思想是用整数规划的方法建立资源的优化配置模型，但是该算法不能很好的对一些优化指标进行量化；2)层次分析法，在AHP方法的基础上引入了模糊技术对于优化标准进行量化，这种方法虽然能够对于一些定性指标进行很好的量化,但是它对判断矩阵的一致性要求往往需要反复调整，凭大致的估计来进行，带有极大的盲目性，而且判断矩阵的一致性往往与人们决策思维一致性也存在差异；

3)遗传算法，该方法对于多目标优化问题能够进行很好的解决。

目前对于工艺过程中制造资源配置的优化研究主要以质量、成本、时间、或者利润等为优化目标，虽然已经有部分研究关注了能耗目标，但这些研究多是只考虑单目标优化方法，少数考虑多目标的研究也是以成本、时间、质量等传统目标的优化方法，较少涉及到加工过程的生态环境影响指标为优化目标，面向低碳排放的资源配置优化有待进一步深入研究。

在机械制造系统中，工艺规划的结果将直接影响着产品加工质量、生产成本、生产效率等决策目标，决策目标下各项任务的组合优化安排就是工艺规划优化研究内容。工艺规划对产品的制造来说是一项既复杂又重要的工作，可能涉及下述几项或全部的任务：零件要求分析；原材料或毛坯选择；工艺路线选择；加工设备及工具选择；工艺参数计算；加工路径规划等。为了简化问题的复杂度，本文主要考虑工艺规划中的制造资源低碳评估与配置问题，并将研究内容限定在：基于工艺规划任务中制造资源(加工设备和工具)的选择对生态环境的影响评估为基础，研究资源环境约束(低碳约束)下制造资源的决策优化问题。

制造资源的界定：本文中的“制造资源”是指物能资源，包括产品的加工活动中与工艺要素相关联的电能消耗、资源消耗。为简便起见，将加工过程中涉及的能源消耗、资源消耗统称为制造资源消耗。同时，由于制造资源中的工装夹具和辅助物流等产生的碳足迹具有多样性及其复杂性，而且它们的碳足迹研究边界更需要明确界定，因此，工装夹具和辅助物流等产生的碳足迹分析作为以后的研究方向，本文暂不做考虑。本文主要研究产品的工艺过程中与制造对象、工艺方法、加工时间相关联的工艺要素的资源选择问题，具体包括制造车间可用的机床设备、刀具、切削液、润滑油等的制造资源配置。(见图1)

发明内容

本发明以满足加工质量为前提，采用聚类分析法对车间层可用制造资源进行预配置，在此基础上，在动态优化配置中考虑加工时间、碳排放成本等约束对制造资源选择的影响，构建制造资源配置优化模型，基于遗传算法对制造资源预配置进行决策优化。具体方案如下：

一种面向绿色生产的制造资源配置优化决策方法，包括如下步骤：

S1、制造资源进行优化配置：

设零件p的可选工艺路线集合为

其中n_p为零件p的可选工艺路线数；R_i为零件p的第i条工艺路线，

R_ij为工艺路线R_i的第i个工艺单元；n_i为工艺路线R_i的工艺单元数量，

为满足工艺单元R_ij加工要求的第k种制造资源，m为满足工艺单元R_ij加工要求的制造资源数量；

首先采用自上而下策略，将动态工艺R按照其可能的组合分解为

然后分别对集合R中的特定元素R_i进行资源优化配置；

S2、建立制造资源配置优化模型：

设决策变量为

且

对于工艺单元R_ij若选择第k个制造资源则为1，否则为0，有且必须选择一个制造资源；

优化的目标函数分别为时间目标函数和碳排放成本目标函数，其数学模型为：

目标函数：minF(t,c)(1)

约束条件：

式2中M_ij为第j道工序中可供选择的制造资源，J为工序数量，i＝1,2,…,n；

S3、建立时间目标函数以及碳排放成本目标函数；

S4、建立约束条件模型；

S5、进行编码产生初始种群；

S6、确定适应度函数；

S7、应用选择、交叉、变异算子产生新一代种群；

S8、根据约束条件模型和新一代种群计算适应度，随后判断是否满足迭代停止准则，若满足进行S9，若不满足回到S6重新确定适应度函数；

S9、进行多目标函数的量纲归一化处理以输出最终参数后并结束。

进一步的，步骤S3中，所述时间目标函数为零件p使用的总加工时间T^p，零件p使用的总加工时间T^p由如下参数计算得出：加工工艺时间

机床设备更换时间

换刀时间

和工装夹具更换时间

零件p使用的总加工时间T^p的具体结算过程如下：

S310、计算加工工艺时间

假设工序P_i的加工时间为t_i，工艺路线R_i中的工序总数为n，则加工工艺过程使用的总时间

为：

一个工序加工过程时间函数的数学模型表示为：

式4-5中，t_m是工序切削时间，t_ct是更换新刀一次所用时间，t_ot是除换刀外其他辅助时间，t_toollife是刀具寿命，L_w是加工长度，Δ是加工余量，n是主轴转速，d₀是工件直径(或刀具直径)，υ_c是切削速度，f是进给量，α_sp是切削深度，则加工过程时间函数为：

S311、计算机床设备更换时间

式7中，

是机床设备更换一次所用时间，M_i是工序P_i中使用的机床设备，且

S312、计算换刀时间

式9中，

是刀具更换一次所用时间，T_i是工序P_i中使用的刀具，且

S313、计算工装夹具更换时间

式10中，

是更换一次夹具所用时间，F_i工序P_i中使用的工装夹具，且

S314、零件p在工艺路线R_i中的总加工时间T计算公式为：

进一步的，步骤S3中，碳排放产生的构成部分由电能产生的碳足迹、刀具使用产生的碳足迹，切削液使用产生的碳足迹组成，具体结算过程如下：

S320、机床碳足迹建模：

式中EF_e为电力碳足迹因子，单位kg-CO₂/kWh，E_severmotor为伺服电机的电力消耗，单位kWh；

E_spindlemotor为主轴电机的电力消耗，单位kWh；

E_{coolingsystem}为主轴冷却系统的电力消耗，单位kWh；

E_compressor为压缩机的电力消耗，单位kWh；

E_coolantpump为冷却液循环泵的电力消耗，单位kWh；

E_chipconveyor为排屑装置的电力消耗，单位kWh；

E_ATC为自动换刀装置的电力消耗，单位kWh；

E_toolmagazine为刀库电机的电力消耗，单位kWh；

E_stand-by为机床待机的电力消耗，单位kWh。

E_spindlemotor与E_servomotor可以根据查阅机床规格参数得到，为简化其他数据的收集难度，其他各部件电力消耗(包括冷却系统，循环泵，排屑装置，自动换刀装置，待机消耗等)按主轴电动功率的1/3估算给出；

S321、切削液碳足迹公式为：

式中t_coolant为在单个NC程序中切削液的使用时间，单位s；

t_update为切削液的更新间隔时间，单位s；

EF_cprod为切削液在工艺过程中的碳足迹因子，单位s；

EF_cdisp为切削液在废弃物处理过程中的碳足迹因子，单位s；

V_coolant—切削液初始量，单位L；

—切削液的额外补充量，单位L；

EF_water为水蒸发的排放因子，单位kg-CO₂/L；

V_water为稀释液(水)初始量，单位L；

为稀释液(水)的额外补充量，单位L。

S322、润滑剂碳足迹公式为：

式中C_spindlelub为主轴润滑剂的碳足迹，单位kg-CO₂；

C_slidewaylub为导轨润滑剂的碳足迹，单位kg-CO₂。

式中t_spindle为NC程序中主轴运行时间，单位s；

t_discharge为润滑剂释放平均间隔时间，单位s；

V_discharge为主轴润滑剂释放量，单位L；

EF_spindleprod为主轴润滑剂加工过程的排放因子，单位kg-CO₂/L；

EF_spindledisp为主轴润滑剂废弃物处理过程的排放因子，单位kg-CO₂/L。

式中t_slideway为NC程序中导轨运行时间，单位s；

t_supply为润滑剂供应平均间隔时间，单位s；

V_supply为导轨润滑剂供应量，单位L；

EF_slidewayprod为导轨润滑剂加工过程排放因子，单位kg-CO₂/L；

EF_slidewaydisp为导轨润滑剂废弃物处理过程的排放因子，单位kg-CO₂/L。

S323、刀具碳足迹公式为：

式中t_prod为加工时间，单位s；

t_toollife为刀具使用寿命，单位s；

EF_toolprod为刀具在加工过程的排放因子，单位kg-CO₂/kg；

EF_tooldisp为刀具处理过程的排放因子，单位kg-CO₂/kg；

m_tool为刀具重量，单位kg；

N_re为再次加工的总次数；

C_re为再次加工所产生的碳足迹，单位kg-CO₂。

在工艺过程i中，由使用刀具产生的碳足迹

可采用在其使用寿命周期内按时间折算到加工过程的分配方法，计算公式为：

S324、切屑碳足迹公式为：

式中V_workpiece为工件体积，单位cm³；V_product为产品体积，单位cm³；

ρ_density为工件密度，单位kg/cm³；EF_chip为切屑处理过程的排放因子，单位kg-CO₂/kg。

S325、零件p在工艺路线R_i中的碳排放成本C_i为：

进一步的，在步骤S4中进行决策变量约束：在某一工艺单元从可选择的制造资源中选择一个作为实际的加工资源，即：

进一步的，在步骤S5中，

进行染色体编码，编码机制采用自然码的编码方式，每个自然数对应一个特征加工单元。

进一步的，在步骤S6中，

设定个体目标函数值F(x)为其相应的适应度函数；

采用完全随机的方法产生初始群体，原始种群体由一定个数的工艺顺序码链组成的集合，集合中的每个个体代表一种工艺路线，其中工艺排序中的群体中个体数目大于特征加工单元数目的1/4。

进一步的，步骤S9中，多目标函数的量纲归一化处理步骤如下：

采用加权求和法将多目标优化问题转化为单目标优化问题，即：

minF(t,c)＝min(ω₁T_p+ω₂C_p) (15)

式15中，ω₁，ω₂分别是对应于T_p和C_p的权重系数，ω₁,ω₂≥0且ω₁+ω₂＝1，权重值的确定通过层次分析法、模糊综合评价法得出；

将时间目标函数T_p与成本目标函数C_p的量纲做归一化处理，具体方法如下：

式16中，T_max和T_min分别是单目标时间函数优化的最大值和最小值，C_max和C_min分别是单目标加工成本函数的最大值和最小值，量纲归一化处理后的单目标优化函数为：

在动态工艺规划中，制造资源配置决策是实现工艺优化的难点之一。本发明在讨论动态工艺描述方式的基础上，建立了以最小加工工艺时间(高效)和最低碳排放成本(低碳)为优化目标的多目标优化模型，引入权重系数将其转换为单目标优化模型，并应用遗传算法对优化模型进行求解，探索低碳高效加工的制造资源优化配置。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。

图1为制造资源分类模型，本发明将加工过程中涉及的能源消耗、资源消耗统称为制造资源消耗，具体包括制造车间可用的机床设备、刀具、切削液、润滑油等的制造资源。

图2为制造资源的聚类分析方法示意图，为保证产品的加工质量，以提取产品的静态工艺特征为基础上，提取聚类样本并进行分析，制造资源的聚类分析方法包括3个主要内容：分类、确定度量指标和聚类分析。

图3是基于遗传算法的制造资源配置优化流程图，将优胜劣汰的自然选择反应应用于制造资源配置过程的搜索和寻优过程。

具体实施方式

在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员而言显而易见的是，本发明可以无需一个或多个这些细节而得以实施。在其他的例子中，为了避免与本发明发生混淆，对于本领域公知的一些技术特征未进行描述。

为了彻底理解本发明，将在下列的描述中提出详细的步骤以及详细的结构，以便阐释本发明的技术方案。本发明的较佳实施例详细描述如下，然而除了这些详细描述外，本发明还可以具有其他实施方式。

基于制造资源预配置的决策优化

1.问题描述。

面向低碳工艺规划的制造资源配置决策优化就是在动态工艺规划中选择一条合理的制造资源配置，该工艺规划应在满足零件质量要求的前提下使零件的碳足迹、加工时间和生产成本最低。

设零件p的可选工艺路线集合为

R_ij为工艺路线R_i的第i个工艺单元；n_i为工艺路线R_i的工艺单元数量。

为满足工艺单元R_ij加工要求的第k种制造资源，m为满足工艺单元R_ij加工要求的制造资源数量。

本章对于工艺优化的目标就是在可选择工艺路线集合R中确定一条工艺路线R_i，对R_i中各工艺单元的制造资源进行优化配置。

制造资源的决策问题是个典型的NP问题，比工艺路线的决策要更加复杂。为了简化复杂问题的求解，可采用分级求解策略，即首先采用自上而下策略，将动态工艺R按照其可能的组合分解为

然后分别对集合R中的特定元素R_i进行资源优化配置；最后采取自下而上的策略，在

中寻求最优的工艺路线，从而实现零件的整体工艺过程优化和企业制造资源的优化配置。

2.制造资源配置优化模型

制造资源优化配置的目标就是对零件p的特定的工艺路线：

在

中选择最适合的资源配置，使得R_i整体达到资源优化配置。本文主要从工艺过程的制造资源高效(加工时间短)、低碳(碳足迹小)两个方面对工艺路线进行优化，优化目标为加工工艺时间、碳足迹成本。设决策变量为

且

对于工艺单元R_ij，如果选择第k个制造资源则为1，否则为0，有且必须选择一个制造资源。

目标函数：minF(t,c) (1)

约束条件：

式中M_ij——第j道工序中可供选择的制造资源；

J——工序数量；

i＝1,2,…,n。

3.目标函数的建立

(1)时间目标函数的建立

零件p使用的总加工时间T^p包括制造过程中的加工工艺时间、零件工艺过程中相邻工序的加工装备的更换时间，具体包括：加工工艺时间

机床设备更换时间

换刀时间

和工装夹具更换时间

其中：

1)加工工艺时间

为：

一个工序加工过程时间函数的数学模型可表示为：

式中，t_m是工序切削时间，t_ct是更换新刀一次所用时间，t_ot是除换刀外其他辅助时间，t_toollife是刀具寿命，L_w是加工长度，Δ是加工余量，n是主轴转速，d₀是工件直径(或刀具直径)，υ_c是切削速度，f是进给量，α_sp是切削深度。则加工过程时间函数为：

2)机床设备更换时间

机床设备的更换时间是指：在零件工艺过程中，相邻的两个工序需要在不同设备上加工时，零件在调换至不同设备过程中所使用的时间。机床设备更换时间

为：

其中，

是机床设备更换一次所用时间；M_i是工序P_i中使用的机床设备。且：

3)换刀时间

换刀时间

是指：当相邻两个工序需要使用不同的刀具加工时所使用的换刀时间。换刀时间

为：

其中，

是刀具更换一次所用时间；T_i是工序P_i中使用的刀具。且：

4)工装夹具更换时间

工装夹具更换时间

是指：相邻两个工序需要更换不同的夹具所使用的时间。工装夹具更换时间

为：

其中，

是更换一次夹具所用时间；F_i工序P_i中使用的工装夹具。

且：

综上，零件p在工艺路线R_i中的总加工时间T为：

(2)碳排放成本目标函数的建立

本发明主要考虑切削加工过程中的碳排放产生的主要构成部分，即：电能产生的碳足迹、刀具使用产生的碳足迹，切削液使用产生的碳足迹。

1)机床碳足迹建模，参见公式：

式中EF_e为电力碳足迹因子，单位kg-CO₂/kWh，E_severmotor为伺服电机的电力消耗，单位kWh；E_spindlemotor为主轴电机的电力消耗，单位kWh；

E_{coolingsystem}为主轴冷却系统的电力消耗，单位kWh；E_compressor为压缩机的电力消耗，单位kWh；E_coolantpump为冷却液循环泵的电力消耗，单位kWh；E_chipconveyor为排屑装置的电力消耗，单位kWh；E_ATC为自动换刀装置的电力消耗，单位kWh；E_toolmagazine为刀库电机的电力消耗，单位kWh；E_stand-by为机床待机的电力消耗，单位kWh。

E_spindlemotor与E_servomotor查机床规格参数得到，为简化其他数据的收集难度，其他各部件电力消耗(包括冷却系统，循环泵，排屑装置，自动换刀装置，待机消耗等)按主轴电动功率的1/3估算给出。

2)切削液碳足迹，参见公式：

式中t_coolant为在单个NC程序中切削液的使用时间，单位s；t_update为切削液的更新间隔时间，单位s；EF_cprod为切削液在工艺过程中的碳足迹因子，单位s；EF_cdisp为切削液在废弃物处理过程中的碳足迹因子，单位s；V_coolant—切削液初始量，单位L；

—切削液的额外补充量，单位L；EF_water为水蒸发的排放因子，单位kg-CO₂/L；V_water为稀释液(水)初始量，单位L；

为稀释液(水)的额外补充量，单位L。

3)润滑剂碳足迹，参见公式：

式中C_spindlelub为主轴润滑剂的碳足迹，单位kg-CO₂；C_slidewaylub为导轨润滑剂的碳足迹，单位kg-CO₂，

式中t_spindle为NC程序中主轴运行时间，单位s；t_discharge为润滑剂释放平均间隔时间，单位s；V_discharge为主轴润滑剂释放量，单位L；EF_spindleprod为主轴润滑剂加工过程的排放因子，单位kg-CO₂/L；EF_spindledisp为主轴润滑剂废弃物处理过程的排放因子，单位kg-CO₂/L，

式中t_slideway为NC程序中导轨运行时间，单位s；t_supply为润滑剂供应平均间隔时间，单位s；V_supply为导轨润滑剂供应量，单位L；EF_slidewayprod为导轨润滑剂加工过程排放因子，单位kg-CO₂/L；EF_slidewaydisp为导轨润滑剂废弃物处理过程的排放因子，单位kg-CO₂/L。

4)刀具碳足迹，参见公式：

式中t_prod为加工时间，单位s；t_toollife为刀具使用寿命，单位s；EF_toolprod为刀具在加工过程的排放因子，单位kg-CO₂/kg；EF_tooldisp为刀具处理过程的排放因子，单位kg-CO₂/kg；m_tool为刀具重量，单位kg；N_re为再次加工的总次数；C_re为再次加工所产生的碳足迹，单位kg-CO₂。在工艺过程i中，由使用刀具产生的碳足迹

5)切屑碳足迹，参见公式：

式中V_workpiece为工件体积，单位cm³；V_product为产品体积，单位cm³；ρ_density为工件密度，单位kg/cm³；EF_chip为切屑处理过程的排放因子，单位kg-CO₂/kg。

综上，零件p在工艺路线R_i中的碳排放成本C_i为：

在低碳经济的背景下，碳排放成本核算成为重要的工作，各国都已启动了碳交易市场，但碳价还没有形成统一的标准，在不同区域不同时间段，碳价的波动很大。本文取2013年深圳碳市场碳价(每吨60至80元之间波动)中间值70元/吨进行碳排放成本核算，即P_c＝70元/吨。

4.约束条件的确定

在基于聚类分析的制造资源配置方法研究中已经考虑了产品的工艺方法、加工精度、外形尺寸与制造资源的加工能力匹配的问题，实现了满足加工质量的制造资源预配置，本章在此基础上结合碳足迹建模理论，实现高效低碳目标下制造资源的优化配置，不再设定性能约束(加工质量)与边界约束(加工能力)条件，只进行决策变量约束。

决策变量约束：即在某一工艺单元，只能从可选择的制造资源中选择一个作为实际的加工资源，即满足以下条件：

5.优化算法设计

(1)基于遗传算法的制造资源配置优化流程

以适应度函数(或目标函数)为依据，通过对群体个体施加遗传操作，以实现群体内个体结构重组的迭代处理过程。在这一过程中，群体个体(问题解)一代代地得以优化并逐渐逼近最优解。GA的核心就是对染色体进行处理，这些染色体对应于数据或数组，通常由一维串结构数据来表示，串上的各个位置的取值即为“基因”。一定数量的个体构成了GA的群体或种群(Population Size)；个体对环境的适应程度称为适应度值(Fitness)，适应度值的大小决定染色体被繁殖的概率大小，反映了适者生存的原理。GA通过编码操作(Coding)、交叉操作(Crossover)、复制操作(Reproduction)、变异操作(Mutation)、译码操作(Decoding)等，采用随机搜索规律具有内在的并行处理功能，从整个可行解空间多点搜寻，找到近似的全局最优或次优解。(见图3)

3)遗传算法数学描述及步骤

假设有一个待优化问题：

F＝f(x₁,x₂,…x_n)，F∈R，(x₁,x₂,…x_n)∈Ω (13)

其中，x₁,x₂,…x_n为自变量，可以是数字，也可以是逻辑变量。Ω为问题的解空间。F＝f(x₁,x₂,…x_n)是属于实数域R的一个实数，成为适应度函数。优化的目标是找到一个解

使得式(5.33)达到最大(或最小，或其他优化目标)。

遗传算法主要包括三种操作：选种、重组和变异。根据各代群体中个体的适应度进行选种，然后完成基因重组和变异，逐代繁衍后代，直至满足收敛条件，求得所需的最优解。本文基于遗传算法的资源配置优化模型求解主要步骤如下：

S4～S5：进行染色体编码，随机产生初始群体。

S6：计算群体中每个个体的适应度函数值。

S7：应用选择、交叉、变异算子产生新一代种群。

S8：判断是否满足迭代停止准则？如果满足，则执行下一步，否则，返回S6，继续计算。

(2)编码机制、适应度函数及遗传算子设计

1)编码机制

编码(Coding)是应用遗传算法时要解决的首要问题，也是设计遗传操作的一个关键步骤，其将问题的可行解空间转换到遗传算法所能处理的搜索空间的转换方法。常见的编码方式主要包括二进制编码，格雷码编码，十进制编码等。二进制编码是遗传算法中最主要的一种编码方法，它采用0和1所组成的二进制符号串来表示基因个体，主要适用于自变量为数值量的优化或自变量间相互影响较小的问题。

根据工艺路线排序的特点，采用一种自然码的编码方式，每个自然数对应一个特征加工单元。设某零件经加工链选择和分解之后，有n个特征加工单元，则对应的自然数字码链长度为n，显然其可能的工艺顺序总数为n！对于n个待优化顺序的测点，染色体长度为n，1～n的自然数分别代表第1～n个测点。

2)产生原始种群

采用完全随机的方法产生初始群体，原始种群体即由一定个数(设其数目为m)的工艺顺序码链组成的集合，集合中的每个个体代表一种工艺路线。为了保证能搜索到合理的工艺路线，工艺排序中的群体中个体数目应大于特征加工单元数目的1/4。

3)选种、基因重组和变异

选种采用比例选择算子使个体按照与适应度成正比的概率向下一代群体繁殖。从保证群体数目不因计算代数的增加而萎缩这方面考虑，双亲数目不能太少，一般应取个体数目的1/3左右。基因变异保证了群体中个体的多样性，较小的变异率不能提供较快的进化速度，较难达到最高的适应度；过大的变异率虽有助于全局的最优搜索，但也会破坏因重组产生的优良个体，而需要更多的搜索代数。工艺排序中排序的变异率可选为1/6左右。

4)适应度函数及遗传算子设计

GA的适应度函数是遗传算法指导搜索的唯一信息，它的选取是算法好坏的关键。适应度函数要能有效地指导搜索沿着面向参数优化组合的方向，逐渐逼近最佳参数组合，而不会导致搜索不收敛或陷入局部最优解，同时，这个适应度函数也应该易于计算。对于工艺路线优化的问题，优化目标是求F_min，并且适应函数的值是正数值，可以直接设定个体目标函数值F(x)就是其相应的适应度函数。

5)终止计算条件

当新一代适应度函数值没有显著变化，则计算停止，并输出结果，输出最高适应度对应的加工设备序列，供决策者选择。

(3)多目标函数的量纲归一化处理

对于多目标优化问题，各目标往往是互相关联又相互冲突，一个目标的改善又会引起另一个目标性能的改变。因此，在工艺多样性下，要求多个目标同时都寻求pareto解通常很难，在求解多目标优化问题时，最简单通用的方法就是将多目标的问题转化为单目标的优化求解问题。在多目标优化转化为单目标优化的转化过程中，加权求和方法是经常采用的一种方法。本文即采用加权求和法将上述多目标优化问题转化为单目标优化问题，即：

minF(t,c)＝min(ω₁T_p+ω₂C_p) (15)

式中，ω₁，ω₂分别是对应于T_p和C_p的权重系数，ω₁,ω₂≥0且ω₁+ω₂＝1。对于权重值的确定，可以通过多种系统工程评价方法，如层次分析法，模糊综合评价法等。

由于时间目标函数T_p与成本目标函数C_p的量纲不同，无法直接对其进行直接计算，需要将其量纲做归一化处理，具体方法如下：

式中，T_max和T_min分别是单目标时间函数优化的最大值和最小值，C_max和C_min分别是单目标加工成本函数的最大值和最小值。量纲归一化处理后的单目标优化函数为：

本发明不仅是对资源高效利用以及低碳排放的深入扩展，更是对低碳制造的有效落实，为我国机械产品的碳排放评估以及典型切削加工方式的高效低碳生产决策提供参考；积极促进粗放式制造企业向高效低碳制造转变，为我国机械产品的碳排放评估提供参考，对于我国制造型企业实现绿色生产具有推动意义。

以上对本发明的较佳实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施；任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述揭示的方法和技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例，这并不影响本发明的实质内容。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均仍属于本发明技术方案保护的范围内。

Claims

1.一种面向绿色生产的制造资源配置优化决策方法，其特征在于，包括如下步骤：

S1、制造资源进行优化配置：

设零件p的可选工艺路线集合为

然后分别对集合R中的特定元素R_i进行资源优化配置；

S2、建立制造资源配置优化模型：

设决策变量为

且

目标函数：minF(t,c) (1)

约束条件：

S3、建立时间目标函数以及碳排放成本目标函数；

S4、建立约束条件模型；

S5、进行编码产生初始种群；

S6、确定适应度函数；

S7、应用选择、交叉、变异算子产生新一代种群；

2.如权利要求1所述的面向绿色生产的制造资源配置优化决策方法，其特征在于，步骤S3中，所述时间目标函数为零件p使用的总加工时间T^p，零件p使用的总加工时间T^p由如下参数计算得出：加工工艺时间

机床设备更换时间

换刀时间

和工装夹具更换时间

零件p使用的总加工时间T^p的具体结算过程如下：

S310、计算加工工艺时间

为：

一个工序加工过程时间函数的数学模型表示为：

式4-5中，t_m是工序切削时间，t_ct是更换新刀一次所用时间，t_ot是除换刀外其他辅助时间，t_toollife是刀具寿命，L_w是加工长度，Δ是加工余量，n是主轴转速，d₀是工件直径，υ_c是切削速度，f是进给量，α_sp是切削深度，则加工过程时间函数为：

S311、计算机床设备更换时间

式7中，

S312、计算换刀时间

式9中，

是刀具更换一次所用时间，T_i是工序P_i中使用的刀具，且

S313、计算工装夹具更换时间

式10中，

是更换一次夹具所用时间，F_i工序P_i中使用的工装夹具，且

S314、零件p在工艺路线R_i中的总加工时间T计算公式为：

3.如权利要求1所述的面向绿色生产的制造资源配置优化决策方法，其特征在于，步骤S3中，碳排放产生的构成部分由电能产生的碳足迹、刀具使用产生的碳足迹，切削液使用产生的碳足迹组成，具体结算过程如下：

S320、机床碳足迹建模：

EF_e为电力碳足迹因子，E_severmotor为伺服电机的电力消耗，E_spindlemotor为主轴电机的电力消耗，E_{coolingsystem}为主轴冷却系统的电力消耗，E_compressor为压缩机的电力消耗，E_coolantpump为冷却液循环泵的电力消耗，E_chipconveyor为排屑装置的电力消耗，E_ATC为自动换刀装置的电力消耗，E_toolmagazine为刀库电机的电力消耗，E_stand-by为机床待机的电力消耗；

S321、切削液碳足迹公式为：