CN111178600A - 一种多约束条件下的车间装配工艺智能优化方法 - Google Patents

一种多约束条件下的车间装配工艺智能优化方法 Download PDF

Info

Publication number
CN111178600A
CN111178600A CN201911301200.XA CN201911301200A CN111178600A CN 111178600 A CN111178600 A CN 111178600A CN 201911301200 A CN201911301200 A CN 201911301200A CN 111178600 A CN111178600 A CN 111178600A
Authority
CN
China
Prior art keywords
workshop
optimization
quality
individuals
production
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
CN201911301200.XA
Other languages
English (en)
Inventor
黄汝佳
李玲莲
杜辉
陈磊
李忠皓
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.)
Shanghai Kalu Automation Science And Technology Co ltd
SAIC General Motors Corp Ltd
Original Assignee
Shanghai Kalu Automation Science And Technology Co ltd
SAIC General Motors Corp Ltd
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 Shanghai Kalu Automation Science And Technology Co ltd, SAIC General Motors Corp Ltd filed Critical Shanghai Kalu Automation Science And Technology Co ltd
Priority to CN201911301200.XA priority Critical patent/CN111178600A/zh
Publication of CN111178600A publication Critical patent/CN111178600A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06N3/12—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
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开一种多约束条件下的车间装配工艺智能优化方法，根据车间实际生产限制条件对车间的装配工艺信息进行数字化储存，并进行数据化建模，然后将数据化工艺信息输入计算机中的工艺优化算法中进行优化求解，获得最优的工序排序组合方案，使所有工序流程占用的生产资源最小化；并将优化后的工序排序组合方案进行结构化输出，与工厂的生产工艺数据库对接。本发明能实现复杂工艺排序的优化，使生产资源利用最优、节省人员与时间、从而提高生产率降低生产成本。

Description

一种多约束条件下的车间装配工艺智能优化方法
技术领域
本发明涉及计算机辅助工艺过程设计技术领域，具体涉及一种多约束条件下的车间装配工艺智能优化方法。
背景技术
紧密围绕中国制造2025，迎合制造行业智能制造战略，开展覆盖产品生产全业务链的智能制造推进工作。围绕智能开发与智能生产制定了自动化、柔性化、绿色化、数字化、网联化五大目标。开展前瞻技术研究及集成应用，识别未来新业务要素所需核心能力并打造提升，通过对软件系统及智能硬件的部署，实现全业务数字化，打造动力总成智能制造标杆。
随着企业生产业务的发展和推进，车间装配工序日益复杂，合理利用车间有限的空间与生产资源以优化装配工序、简化车间装配流程，提升装配效率也更加重要。目前车间常见装配工艺主要依靠工艺工程师设计定制，对工程师的工程经验依赖较高，并且当工序增加时，工程师需设计新的装配工艺，导致时间和人力资源的浪费。
另一方面，当工序种类繁杂、工艺约束条件复杂、装配资源有限的条件下，很难利用现有装配资源实现复杂的装配序列，装配资源装配工序的优化较难实现，导致装配资源的浪费。
发明内容
由于现有技术存在的上述问题，本发明提出一种多约束条件下的车间装配工艺智能优化方法，本方法根据装配工序信息及车间工位资源，并考虑各工序间的关联关系及约束条件。利用遗传优化算法进行多约束优化求解，计算得到有限工位资源下的最优装配序列，使系统装配流程利用的装配资源最小化。
根据本发明的目的，本发明提出的一种多约束条件下的车间装配工艺智能优化方法，根据车间实际生产限制条件对车间的装配工艺信息进行数字化储存，并进行数据化建模，然后将所述数据化工艺信息输入计算机中的工艺优化算法中进行优化求解，获得最优的工序排序组合方案，使所有工序流程占用的生产资源最小化；并将优化后的工序排序组合方案进行结构化输出，与工厂的生产工艺数据库对接。
作为本发明的进一步特征，所述车间实际生产限制条件包括：不同工位的先后顺序限制，即某些工序具备特定的先后顺序；需满足工位节拍限制，即同一工位上的所有工序的作业时长，应不大于该工位的节拍；工序紧密限制，即限制某些工序必须在相同工位上紧密完成。
作为本发明的进一步特征，其在满足所述车间实际生产限制条件前提下对各项工序的排列和组合进行优化，使所有装配工序所占用的的工位数总和最小化。
作为本发明的进一步特征，所述装配工艺信息包括工序名称、节拍、姿态和工序间关联关系。
作为本发明的进一步特征，本发明所述的车间装配工艺智能优化方法，所述工艺优化算法为模拟遗传学机理构建优化模型，对生产工艺的工序序列进行数字编号，并根据优胜劣汰的思路挑选优质序列进行不断的迭代优化，并不断淘汰劣质的工序序列，最终得到满足优化目标的工序序列。
根据本发明的目的，本发明提出的一种多约束条件下的车间装配工艺智能优化方法，包括以下步骤：
S1、工艺信息数字化存储：车间工程人员总结车间装配工艺信息，将不同装配工艺进行信息化储存；
S2、工艺信息数据化建模：将工序信息及工序间关联关系转化为二维浮点型矩阵，完成数据化建模，便于后续输入优化算法；
S3、基于工艺信息初始化优化方案种群：将S2中的工序信息依据约束关系分配到不同的工位中，将若干种分配方案作为解决方案的个体形成解决方案的种群，以各分配方案所消耗的工位数计算适应度，工位数越低的解决方案适应度值越高；
S4、依据优胜劣汰的规则，挑选其中适应度较高的优质个体，以优质个体作为继续迭代优化的原料，对原料个体进行交叉变异工序变化操作并继续迭代获得下一代解决方案种群，由此，优质个体的工序序列被保留和迭代，而劣质个体在后续迭代过程中逐渐被淘汰；
S5、将S3中上一代优质个体与S4迭代得到的迭代结果进行组合，获取下一代解决方案种群，对下一代种群按照S3挑选优质个体，并按照S4进行交叉变异工序变化操作，获得再下一代种群，由此不断进行迭代，直至优质个体的工位数不再发生变化，即完成工序优化；
S6、将S5计算出的优质工序排序组合方案输出,输出的方案为结构化文本，与工厂的生产工艺数据库对接。
由于采用以上技术方案，本发明的一种在多约束条件下的车间装配工艺智能优化方法，具有以下优点：
(1)通过优化算法实现实际生产条件下复杂装配工艺的自动排序，实现生产资源的最优化利用，经过优化后，相同的工序所需的工位数降低；
(2)通过计算机软件替代人工完成复杂工序流程的排序，节约时间和人力资源；
(3)基于上述对生产资源、时间及人力资源的节约，降低企业生产成本。
附图说明
图1为本发明的实施步骤及原理；
图2为本发明的应用逻辑框图；
图3为本发明中遗传算法优化过程。
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式，本领域的技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。
如图1所述，本发明提出的一种多约束条件下的车间装配工艺智能优化方法，其按照车间实际生产限制条件对装配工艺信息进行工艺信息化，对工艺信息进行数据化建模，将各工序信息转化为数学语言；将数字建模信息输入遗传优化算法中进行优化求解，获得最优的工艺排序方案，使所有工序流程占用的装配资源最小化；并将优化后的排序方案输出。
本发明的的实际生产限制条件包括：不同工位的先后顺序限制，即某些工序具备特定的先后顺序；需满足工位节拍限制，即限制单个工位上工序的总运行时长；工序紧密限制，即限制某些工序必须在相同工位上紧密完成，如下表所示：
实际生产限制条件 详细描述
工序先后顺序 部分特定工序间须满足先后约束条件
工位节拍限制 单项工序运行时长<X秒
工序紧密限制 部分工序须在同一工位上紧密完成
本发明的一种多约束条件下的车间装配工艺智能优化方法，通过将数据化建模的工艺信息输入到遗传优化算法中，优化工艺装配资源，使装配资源最小化。如图2所示，工艺信息输入到遗传优化算法中得到初始化种群，得到工位数资源占用较大的装配工艺序列。经过优化算法不断计算适应度排序，并保留优质个体，淘汰劣质个体，最终得到优化后的工艺装配序列，优化前后的工位数如下表所示：
优化前后工艺方法 所需工位数
优化前 89
优化后 81
本发明的一种多约束条件下的车间装配工艺智能优化方法，通过遗传优化算法实现工艺排序优化，遗传优化算法的实现步骤如图3所示，算法进行种群初始化，种群中的每个个体代表一种装配工艺工序序列；按照每个个体占用的工位数资源计算种群的适应度，工位数小的个体适应度高；按照适应度排序，挑选适应度高的优质个体；对优质的个体进行工序序列的交叉变异，获得子个体，将子个体与种群组合，作为新一代种群。按照上述方法继续计算新种群的适应度并在此基础上选择优质个体进行交叉变异，最终优质的工序序列被保留，劣质的工序序列被淘汰，优质的工序序列即为消耗工位数较少的工艺排序方法。
本发明提出的一种多约束条件下的车间装配工艺智能优化方法，包括如下步骤：
S1、工艺经验信息化：车间工程人员总结车间装配工艺信息，将不同装配工艺进行信息化储存，包括工序名称、节拍、姿态、工序间关联关系等，并将信息进行数字化存储；
S2、工艺信息数据化建模：将工序信息及工序间关联关系转化为二维浮点型矩阵，完成数据化建模，便于后续输入优化算法；
S3、基于工艺信息初始化优化方案种群：将S2中的工序信息依据约束关系分配到不同的工位中，将若干种分配方案作为解决方案的个体形成解决方案的种群，以各分配方案所消耗的工位数计算适应度，工位数越低的解决方案适应度值越高；
S4、依据优胜劣汰的规则，挑选其中适应度较高的优质个体，以优质个体作为继续迭代优化的原料，对原料个体进行交叉变异等工序变化操作并继续迭代获得下一代解决方案种群。由此，优质个体的工序序列被保留和迭代，而劣质个体在后续迭代过程中逐渐被淘汰；
S5、将S3中上一代优质个体与S4迭代得到的迭代结果进行组合，获取下一代解决方案种群，对下一代种群按照S3挑选优质个体，并按照S4进行交叉变异等工序变化操作，获得再下一代种群，由此不断进行迭代，直至优质个体的工位数不再发生变化，即完成工序优化；
S6、将S5计算出的优质工序排序组合方案输出，输出的方案为结构化文本，与工厂的生产工艺数据库对接。
但是，上述的具体实施方式只是示例性的，是为了更好的使本领域技术人员能够理解本专利，不能理解为是对本专利包括范围的限制；只要是根据本专利所揭示精神的所作的任何等同变更或修饰，均落入本专利包括的范围。

Claims (6)

1.一种多约束条件下的车间装配工艺智能优化方法，其特征在于，根据车间实际生产限制条件对车间的装配工艺信息进行数字化储存，并进行数据化建模，然后将所述数据化工艺信息输入计算机中的工艺优化算法中进行优化求解，获得最优的工序排序组合方案，使所有工序流程占用的生产资源最小化；并将优化后的工序排序组合方案进行结构化输出，与工厂的生产工艺数据库对接。
2.根据权利要求1所述的车间装配工艺智能优化方法，其特征在于，所述车间实际生产限制条件包括：不同工位的先后顺序限制，即某些工序具备特定的先后顺序；需满足工位节拍限制，即同一工位上的所有工序的作业时长，应不大于该工位的节拍；工序紧密限制，即限制某些工序必须在相同工位上紧密完成。
3.根据权利要求1或2所述的车间装配工艺智能优化方法，其特征在于，其在满足所述车间实际生产限制条件前提下对各项工序的排列和组合进行优化，使所有装配工序所占用的工位数总和最小化。
4.根据权利要求3所述的车间装配工艺智能优化方法，其特征在于，所述装配工艺信息包括工序名称、节拍、姿态和工序间关联关系。
5.根据权利要求4所述的车间装配工艺智能优化方法，其特征在于，所述工艺优化算法为模拟遗传学机理构建优化模型，对生产工艺的工序序列进行数字编号，并根据优胜劣汰的思路挑选优质序列进行不断的迭代优化，并不断淘汰劣质的工序序列，最终得到满足优化目标的工序序列。
6.根据权利要求5所述的车间装配工艺智能优化方法，其特征在于，包括以下步骤：
S1、工艺信息数字化存储：车间工程人员总结车间装配工艺信息，将不同装配工艺进行信息化储存；
S2、工艺信息数据化建模：将工序信息及工序间关联关系转化为二维浮点型矩阵，完成数据化建模，便于后续输入优化算法；
S3、基于工艺信息初始化优化方案种群：将S2中的工序信息依据约束关系分配到不同的工位中，将若干种分配方案作为解决方案的个体形成解决方案的种群，以各分配方案所消耗的工位数计算适应度，工位数越低的解决方案适应度值越高；
S4、依据优胜劣汰的规则，挑选其中适应度较高的优质个体，以优质个体作为继续迭代优化的原料，对原料个体进行交叉变异工序变化操作并继续迭代获得下一代解决方案种群，由此，优质个体的工序序列被保留和迭代，而劣质个体在后续迭代过程中逐渐被淘汰；
S5、将S3中上一代优质个体与S4迭代得到的迭代结果进行组合，获取下一代解决方案种群，对下一代种群按照S3挑选优质个体，并按照S4进行交叉变异工序变化操作，获得再下一代种群，由此不断进行迭代，直至优质个体的工位数不再发生变化，即完成工序优化；
S6、将S5计算出的优质工序排序组合方案输出,输出的方案为结构化文本，与工厂的生产工艺数据库对接。
CN201911301200.XA 2019-12-17 2019-12-17 一种多约束条件下的车间装配工艺智能优化方法 Pending CN111178600A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911301200.XA CN111178600A (zh) 2019-12-17 2019-12-17 一种多约束条件下的车间装配工艺智能优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911301200.XA CN111178600A (zh) 2019-12-17 2019-12-17 一种多约束条件下的车间装配工艺智能优化方法

Publications (1)

Publication Number Publication Date
CN111178600A true CN111178600A (zh) 2020-05-19

Family

ID=70656612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911301200.XA Pending CN111178600A (zh) 2019-12-17 2019-12-17 一种多约束条件下的车间装配工艺智能优化方法

Country Status (1)

Country Link
CN (1) CN111178600A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001637A (zh) * 2020-08-25 2020-11-27 上海汽车集团股份有限公司 一种工艺流程确定方法、装置、服务器及存储介质
CN112001567A (zh) * 2020-09-11 2020-11-27 中电九天智能科技有限公司 工厂的生产管理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866697A (zh) * 2014-02-20 2015-08-26 香港纺织及成衣研发中心有限公司 一种生产线工序编排及平衡控制方法
CN108846502A (zh) * 2018-04-27 2018-11-20 中车青岛四方机车车辆股份有限公司 车间生产线布局优化方法及装置
CN110276475A (zh) * 2019-05-23 2019-09-24 温州大学 一种断路器自动化装配生产的优化配置方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104866697A (zh) * 2014-02-20 2015-08-26 香港纺织及成衣研发中心有限公司 一种生产线工序编排及平衡控制方法
CN108846502A (zh) * 2018-04-27 2018-11-20 中车青岛四方机车车辆股份有限公司 车间生产线布局优化方法及装置
CN110276475A (zh) * 2019-05-23 2019-09-24 温州大学 一种断路器自动化装配生产的优化配置方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
付宗仁;: "基于遗传算法的多资源平衡工序排序优化决策" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001637A (zh) * 2020-08-25 2020-11-27 上海汽车集团股份有限公司 一种工艺流程确定方法、装置、服务器及存储介质
CN112001567A (zh) * 2020-09-11 2020-11-27 中电九天智能科技有限公司 工厂的生产管理方法
CN112001567B (zh) * 2020-09-11 2023-11-10 中电九天智能科技有限公司 工厂的生产管理方法

Similar Documents

Publication Publication Date Title
Zhu et al. An efficient evolutionary grey wolf optimizer for multi-objective flexible job shop scheduling problem with hierarchical job precedence constraints
Swarup et al. Unit commitment solution methodology using genetic algorithm
Guo et al. A harmony search-based memetic optimization model for integrated production and transportation scheduling in MTO manufacturing
CN111178600A (zh) 一种多约束条件下的车间装配工艺智能优化方法
Nepal et al. A multi-objective supply chain configuration model for new products
CN113139710B (zh) 一种基于遗传算法的多资源并行任务高级计划排程方法
CN109934364B (zh) 一种基于遗传模拟退火算法的刀具准时化配送方法
Moussa et al. Master assembly network for alternative assembly sequences
CN111047272A (zh) 一种用于多语言协同开发的项目调度方法及装置
CN113822525B (zh) 基于改进遗传算法的柔性作业车间多目标调度方法及系统
CN114881504B (zh) 一种基于订单选择的电子精密件全自动柔性生产线调度方法
CN112686474A (zh) 一种基于改进的水波优化算法的可并行装配线平衡方法
CN114611379A (zh) 一种基于数据驱动的加工工艺节能规划方法
CN113065714A (zh) 一种多项目式多目标集中采购决策优化方法及系统
CN117557078B (zh) 一种基于时间节点的智能生产计划管理方法及系统
Yan et al. A case study on integrated production planning and scheduling in a three-stage manufacturing system
CN116307008A (zh) 一种mto和mts混合生产模式下aps排产方法
CN110705650A (zh) 一种基于深度学习的钣金布局方法
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
CN113485278B (zh) 优化两生产指标的柔性作业车间调度多目标分布估计方法
Mei et al. A method for man hour optimisation and workforce allocation problem with discrete and non-numerical constraints in large-scale one-of-a-kind production
CN115545329A (zh) 一种适用于服装制造产线的一体化动态排程方法
Labbi et al. Genetic algorithm combined with Taguchi method for optimisation of supply chain configuration considering new product design
CN106779415A (zh) 一种项目预算的管理方法及系统
Wang et al. Integrated Scheduling Algorithm for Complex Products Based on the Dynamic Subtree Operation Set Inverse Coding

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200519