CN113792927B - 基于遗传算法的航空航天柔性产品工序优化方法 - Google Patents

基于遗传算法的航空航天柔性产品工序优化方法 Download PDF

Info

Publication number
CN113792927B
CN113792927B CN202111087464.7A CN202111087464A CN113792927B CN 113792927 B CN113792927 B CN 113792927B CN 202111087464 A CN202111087464 A CN 202111087464A CN 113792927 B CN113792927 B CN 113792927B
Authority
CN
China
Prior art keywords
execution
equipment
task
procedure
action
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.)
Active
Application number
CN202111087464.7A
Other languages
English (en)
Other versions
CN113792927A (zh
Inventor
刘延芳
佘佳宇
李霏
马国财
齐乃明
曹志宏
霍明英
周芮
倪晨瑞
高海波
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.)
Harbin Institute of Technology
Beijing Institute of Electronic System Engineering
Original Assignee
Harbin Institute of Technology
Beijing Institute of Electronic System Engineering
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 Harbin Institute of Technology, Beijing Institute of Electronic System Engineering filed Critical Harbin Institute of Technology
Priority to CN202111087464.7A priority Critical patent/CN113792927B/zh
Publication of CN113792927A publication Critical patent/CN113792927A/zh
Application granted granted Critical
Publication of CN113792927B publication Critical patent/CN113792927B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06Q10/06316—Sequencing of tasks or work
    • 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)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Genetics & Genomics (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • General Factory Administration (AREA)

Abstract

基于遗传算法的航空航天柔性产品工序优化方法，属于自动化装配技术领域，本发明为解决现有柔性生产技术无法适应航空航天领域高端复杂产品多品种、变批量生产特点的问题。它包括：对设备级单元的参数进行表征，所述设备级单元包括执行设备和被操作对象；根据生产线的任务需求，建立任务‑工序‑动作序列的生产数据库；根据生产数据库，采用遗传算法对执行设备的执行工序进行优化设计，以最短加工时间作为优化目标，获得执行设备的加工工序序列。本发明用于对航空航天领域柔性产品的自动化生产装配。

Description

基于遗传算法的航空航天柔性产品工序优化方法
技术领域
本发明涉及一种航空航天柔性产品的工序优化方法，属于自动化装配技术领域。
背景技术
自动化装配是以自动化机械代替人工劳动的一种装配技术，自动化装配技术以机器人为装配机械，同时需要柔性的外围设备。近年来，自动化装配生产线在各个行业快速发展，例如在汽车制造领域，已经相对发展成熟。但是在航空航天领域，由于专用技术性强、产品批量小，自动化装配技术相对发展比较弱势。例如，导弹的柔性装配技术发展非常受限，一方面是受技术的封锁和限制，更重要的一方面，是受生产量的影响。数量不多而状态多一直以来在研制和批生产中都有所体现，批生产的数量也不高。
因此，高端复杂产品的装配技术发展一直较为缓慢，对该技术领域的研究也很少，自动化装配系统依然比较落后。
发明内容
本发明目的是为了解决现有柔性生产技术无法适应航空航天领域高端复杂产品多品种、变批量生产特点的问题，提供了一种基于遗传算法的航空航天柔性产品工序优化方法。
本发明所述一种基于遗传算法的航空航天柔性产品工序优化方法，该方法的具体过程包括：
S1、对设备级单元的参数进行表征，所述设备级单元包括执行设备和被操作对象；
S2、根据生产线的任务需求，建立任务-工序-动作序列的生产数据库；
S3、根据S2获取的生产数据库，采用遗传算法对执行设备的执行工序进行优化设计，以最短加工时间作为优化目标，获得执行设备的加工工序序列。
优选的，S1所述对执行设备的参数进行表征的具体方法是：
执行设备的参数包括模型数据、运动数据、属性数据、功能数据、状态数据和能力数据；
所述模型数据为设备的外形尺寸的三维模型，通过设备的出厂信息获取；
所述运动数据为设备移动部件的位置和部件移动速度的实时运动信息，通过传感器采集的实时信息获取；
所述属性数据为设备的名称、出厂厂家和寿命，通过设备的出厂信息获取；
所述功能数据为设备能够完成的功能清单，通过设备的的出厂信息获取；
所述状态数据为设备当前已完成的任务的工作状态；
所述能力数据为设备可承载的最大重量、最大尺寸和可达到范围，通过设备的的出厂信息获取。
优选的，S1所述对被操作对象的参数进行表征的具体方法是：
所述被操作对象的参数包括模型数据、属性数据、质量数据、尺寸数据和存放位置数据；
所述模型数据为被操作对象的外形尺寸的三维模型，通过被操作对象的出厂信息获取；
所述属性数据为被操作对象的名称、出厂厂家和寿命，通过被操作对象的出厂信息获取；
所述质量数据为被操作对象的质量，通过被操作对象的出厂信息获取；
所述尺寸数据为被操作对象的外包络尺寸，通过被操作对象的出厂信息获取；
所述存放位置数据为被操作对象的存放位置，通过存放后输入坐标获取。
优选的，S2所述建立任务-工序-动作序列的生产数据库的具体方法包括：
S2-1、将生产线的任务全部列举，建立任务数据库；
S2-2、将列举的每个任务拆分为多个工序，每个工序与执行设备、操作对象建立映射关系，建立工序数据库；
S2-3、将各个工序拆分为多个指定的动作序列，每个动作序列与执行设备的运动数据建立映射关系。
优选的，S2-1所述将生产线的任务全部列举，建立任务数据库的具体方法包括：
根据生产线的任务需求，由顶层任务决策系统整合生产线需要实现的全部任务的清单；
任务数据库包括任务ID、任务名和工序存放数据库；
所述任务ID是任务编号；
所述任务名是任务编号对应的任务的名称；
所述工序存放数据库是存放对应任务名称的工序组成的数据库。
优选的，S2-2所述的工序之间的关系有：替换、可逆和前置；
所述替换关系是：当一个部件与另一个部件之间具备相同的功能时，两个部件之间可以替换；
所述可逆关系是：当一个部件与另一个部件之间的安装顺序可以调换时，两个部件之间可以进行交换顺序；
所述前置关系是：当一个部件与另一个部件之间的安装顺序不可以调换时，两个部件之间存在前后顺序。
优选的，S2-2所述的工序数据库的内容包括：工序ID、工序名、机械臂名称和动作表；
所述工序ID是工序的编号；
所述工序名是工序编号对应的工序名称；
所述机械臂名称是工序名称可使用的机械臂；
所述动作表是机械臂名称执行的工序所对应的动作。
优选的，S2-3所述每个动作序列与执行设备的运动数据建立映射关系的具体内容包括：动作ID、动作名、对象和时间；
所述动作ID是：当动作ID为i时，动作ID表示工序的第i个动作；
所述动作名是：动作ID对应的动作的名称；
所述对象是：该动作名称对应的被操作对象；
所述时间是：执行该动作需要的时间。
优选的，S3所述采用遗传算法对执行设备的执行工序进行优化设计的具体方法包括：
S3-1、采用遗传算法分别对工序和执行设备进行编码的分配；
所述采用遗传算法对工序进行编码分配的具体方法是：
采用工件的序号表示待加工工件的工序，工件的序号出现的次数等于该工件的工序总数；所述工序总数等于编码染色体的基因总数；
根据工件的序号在染色体中出现的次序进行编译，也就是从左至右扫描染色体，第r次出现的工件序号，表示该工件的第r道工序；
所述采用遗传算法对执行设备进行编码分配的具体方法是：
设工序的总数为l，工序ID分别用1、2、3、…、l表示；
对于l个工序，形成l个可选择执行设备的子集{S1、S2、S3、…、Sl}；
第i个工序的可选择执行设备的子集为Si，Si中元素的个数为ni，Si中的元素表示为{m1i、m2i、m3i、…、mni}；
基于执行设备分配的编码基因表示为[g1,g2,…,gi,…,gl]；其中，gi表示第i个基因，gi是[1,ni]内的整数，是集合Si中的第gi个元素mgi，表示第i个工序的加工执行设备；
S3-2、根据S3-1获取的执行设备编码的基因串选择每道工序的执行设备，然后按照S3-1获取的工序编码的基因串确定每台执行设备上的工序顺序；
S3-3、将染色体中的基因串相互交叉；
工序编码基因串的交叉过程为：
将所有的工件随机分成两个集合；
第一个子代染色体继承第一个父代染色体中第一个集合内工件对应的基因；
第二个子代染色体继承第二个父代染色体中第一个集合内工件对应的基因；
第二个父代染色体将已被继承基因删除，剩余基因按照原有顺序填充至第一个子代染色体中；
第一个父代染色体将已被继承基因删除，剩余基因按照原有顺序填充至第二个子代染色体中；
执行设备编码基因串的交叉过程为：随机产生一个由0和1组成的集合，该集合与染色体长度相等，将两个父代染色体中与该集合中0位置处的基因相互交换，获得两个子代染色体；
S3-4、将染色体中的基因串进行变异；
工序编码基因串的变异过程为：从工序编码的染色体中随机选择一个基因，随机插入另一个位置；
执行设备编码基因串的变异过程为：随机选择两道工序，选择执行这两道工序的其中一个执行设备，将选择的执行设备的编码置入S3-1获取的执行设备编码的基因串中。
优选的，S3所述采用遗传算法对执行设备的执行工序进行优化设计还包括约束条件：
同一时刻同一台执行设备只能加工一个待加工工件；
每个待加工工件在一个时刻只能在一台执行设备上进行加工，且不能中断；
每个待加工工件的工序有先后约束，不同待加工工件的工序没有先后约束；
不同待加工工件具有相同的优先级。
本发明的优点：本发明提出的基于遗传算法的航空航天柔性产品工序优化方法，首先对设备级单元的参数进行表征，此处提出的是一种“几何-物理-行为-规则-约束”多维度的单元表征方法，实现了对设备级单元的参数化表征。建立任务-工序-动作序列的生产数据库，扩展性强，异源异构数据融合能力强，后期能够对生产线模块库进行拓展。最后，采用遗传算法对机械臂的执行工序进行优化，具有较强的收敛性，适用于对航空航天产品的加工生产，能够提高航空航天产品的加工效率。
附图说明
图1是本发明所述基于遗传算法的航空航天柔性产品工序优化方法的原理示意图；
图2是建立任务数据库的原理框图；
图3是建立工序数据库的原理框图；
图4是获取动作序列的原理框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作出创造性劳动的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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。
具体实施方式一：下面结合图1说明本实施方式，本实施方式所述基于遗传算法的航空航天柔性产品工序优化方法，该方法的具体过程包括：
S1、对设备级单元的参数进行表征，所述设备级单元包括执行设备和被操作对象；
S2、根据生产线的任务需求，建立任务-工序-动作序列的生产数据库；
S3、根据S2获取的生产数据库，采用遗传算法对执行设备的执行工序进行优化设计，以最短加工时间作为优化目标，获得执行设备的加工工序序列。
具体实施方式二：本实施方式对实施方式一作进一步说明，S1所述对执行设备的参数进行表征的具体方法是：
执行设备的参数包括模型数据、运动数据、属性数据、功能数据、状态数据和能力数据；
所述模型数据为设备的外形尺寸的三维模型，通过设备的出厂信息获取；
所述运动数据为设备移动部件的位置和部件移动速度的实时运动信息，通过传感器采集的实时信息获取；
所述属性数据为设备的名称、出厂厂家和寿命，通过设备的出厂信息获取；
所述功能数据为设备能够完成的功能清单，通过设备的的出厂信息获取；
所述状态数据为设备当前已完成的任务的工作状态；
所述能力数据为设备可承载的最大重量、最大尺寸和可达到范围，通过设备的的出厂信息获取。
本实施方式中，模型数据用于厂房布局规划和厂房虚拟三维模型的建立。运动数据用于描述设备移动部件的实时运动状态，包括位置、部件移动速度等信息，可用于故障排查。属性数据包括设备的名称、出厂厂家、设备寿命等，可用于设备规格信息的查找。功能数据包括动作内容、功能完成时间等。能力数据作为约束条件和选择相关设备的约束信息。
本实施方式中，以协作机械臂和转运车为例，相应的执行设备的参数表征方式如表1和表2所示：
表1
表2
进一步的，S1所述对被操作对象的参数进行表征的具体方法是：
所述被操作对象的参数包括模型数据、属性数据、质量数据、尺寸数据和存放位置数据；
所述模型数据为被操作对象的外形尺寸的三维模型，通过被操作对象的出厂信息获取；
所述属性数据为被操作对象的名称、出厂厂家和寿命，通过被操作对象的出厂信息获取；
所述质量数据为被操作对象的质量，通过被操作对象的出厂信息获取；
所述尺寸数据为被操作对象的外包络尺寸，通过被操作对象的出厂信息获取；
所述存放位置数据为被操作对象的存放位置，通过存放后输入坐标获取。
本实施方式中，模型数据用于厂房虚拟三维模型建立。具体形式可为通用的三维模型，设备的三维模型在前期直接导入到系统中。属性数据用于设备规格信息的查找。
本实施方式中，以PBE板为例，相应的被操作对象的参数进行表征方式如表3所示：
表3
具体实施方式三：下面结合图2、图3和图4说明本实施方式，本实施方式对实施方式一作进一步说明，S2所述建立任务-工序-动作序列的生产数据库的具体方法包括：
S2-1、将生产线的任务全部列举，建立任务数据库；
S2-2、将列举的每个任务拆分为多个工序，每个工序与执行设备、操作对象建立映射关系，建立工序数据库；
S2-3、将各个工序拆分为多个指定的动作序列，每个动作序列与执行设备的运动数据建立映射关系。
本实施方式中，每个任务具有全部可实现的工序安排方案。
进一步的，S2所述建立执行设备的生产数据库的具体内容包括：执行设备的名称、最大负载质量、最大夹取尺寸和机械臂覆盖范围。
本实施方式中，在对工序进行规划调度时，需要的是执行设备的能力信息，包括机械臂最大负载质量、最大夹取尺寸、机械臂覆盖范围，因此建立机械臂能力数据库如表4所示：
表4
ID 名称 最大负载质量 最大夹取尺寸 xmin xmax ymin ymax
1 机械臂1 8kg 200mm -100mm 2000mm -100mm 2000mm
2 机械臂2 10kg 200mm -100mm 2000mm -100mm 2000mm
再进一步的，S2所述建立被操作对象的生产数据库的具体内容包括：被操作对象的名称、质量、外包络尺寸和存放位置。
本实施方式中，与机械臂能力相对应的是被操作对象的相关属性信息，包括被操作对象名称、重量、最大外包络尺寸、存放位置，因此建立被操作对象属性数据库如表5所示：
表5
再进一步的，S2-1所述将生产线的任务全部列举，建立任务数据库的具体方法包括：
根据生产线的任务需求，由顶层任务决策系统整合生产线需要实现的全部任务的清单；
任务数据库包括任务ID、任务名和工序存放数据库；
所述任务ID是任务编号；
所述任务名是任务编号对应的任务的名称；
所述工序存放数据库是存放对应任务名称的工序组成的数据库。
本实施方式中，任务的具体划分根据厂房的具体规格进行制定，拟定三个装配任务，任务数据库如表6所示：
表6
ID 任务名 工序存放数据库
1 任务1 task1
2 任务2 task2
3 任务3 task3
再进一步的，S2-2所述的工序之间的关系有：替换、可逆和前置；
所述替换关系是：当一个部件与另一个部件之间具备相同的功能时，两个部件之间可以替换；
所述可逆关系是：当一个部件与另一个部件之间的安装顺序可以调换时，两个部件之间可以进行交换顺序；
所述前置关系是：当一个部件与另一个部件之间的安装顺序不可以调换时，两个部件之间存在前后顺序。
再进一步的，S2-2所述的工序数据库的内容包括：工序ID、工序名、机械臂名称和动作表；
所述工序ID是工序的编号；
所述工序名是工序编号对应的工序名称；
所述机械臂名称是工序名称可使用的机械臂；
所述动作表是机械臂名称执行的工序所对应的动作。
本实施方式中，机械臂名称是工序名称可使用的机械臂(也就是执行设备)，某些工序可以使用多个机械臂执行，因此在工序数据库内同一工序可以多次出现，以对应不同的机械臂，此时以工序ID区分表示对应不同机械臂的工序。
本实施方式中，工序数据库如表7所示：
表7
其中，动作表为由机械臂i执行的工序所对应的动作组成数据库。其命名规则为Task_i_j_k，i表示对应的任务，j表示任务i中的第j个工序，k表示使用的机械臂序号。
再进一步的，S2-3所述每个动作序列与执行设备的运动数据建立映射关系的具体内容包括：动作ID、动作名、对象和时间；
所述动作ID是：当动作ID为i时，动作ID表示工序的第i个动作；
所述动作名是：动作ID对应的动作的名称；
所述对象是：该动作名称对应的被操作对象；
所述时间是：执行该动作需要的时间。
本实施方式中，根据每个具体工序，建立全部可能的动作序列清单。其中，每个指定动作与被操作对象相对应。动作组成如表8所示：
表8
ID 动作名 对象 时间
1 抓取框架 1-框架 10
2 放置框架 1-框架 20
具体实施方式四：本实施方式对实施方式一作进一步说明，S3所述采用遗传算法对执行设备的执行工序进行优化设计的具体方法包括：
S3-1、采用遗传算法分别对工序和执行设备进行编码的分配；
所述采用遗传算法对工序进行编码分配的具体方法是：
采用工件的序号表示待加工工件的工序，工件的序号出现的次数等于该工件的工序总数；所述工序总数等于编码染色体的基因总数；
根据工件的序号在染色体中出现的次序进行编译，也就是从左至右扫描染色体，第r次出现的工件序号，表示该工件的第r道工序；
所述采用遗传算法对执行设备进行编码分配的具体方法是：
设工序的总数为l，工序ID分别用1、2、3、…、l表示；
对于l个工序，形成l个可选择执行设备的子集{S1、S2、S3、…、Sl}；
第i个工序的可选择执行设备的子集为Si，Si中元素的个数为ni，Si中的元素表示为{m1i、m2i、m3i、…、mni}；
基于执行设备分配的编码基因表示为[g1,g2,…,gi,…,gl]；其中，gi表示第i个基因，gi是[1,ni]内的整数，是集合Si中的第gi个元素mgi，表示第i个工序的加工执行设备；
S3-2、根据S3-1获取的执行设备编码的基因串选择每道工序的执行设备，然后按照S3-1获取的工序编码的基因串确定每台执行设备上的工序顺序；
S3-3、将染色体中的基因串相互交叉；
工序编码基因串的交叉过程为：
将所有的工件随机分成两个集合；
第一个子代染色体继承第一个父代染色体中第一个集合内工件对应的基因；
第二个子代染色体继承第二个父代染色体中第一个集合内工件对应的基因；
第二个父代染色体将已被继承基因删除，剩余基因按照原有顺序填充至第一个子代染色体中；
第一个父代染色体将已被继承基因删除，剩余基因按照原有顺序填充至第二个子代染色体中；
执行设备编码基因串的交叉过程为：随机产生一个由0和1组成的集合，该集合与染色体长度相等，将两个父代染色体中与该集合中0位置处的基因相互交换，获得两个子代染色体；
S3-4、将染色体中的基因串进行变异；
工序编码基因串的变异过程为：从工序编码的染色体中随机选择一个基因，随机插入另一个位置；
执行设备编码基因串的变异过程为：随机选择两道工序，选择执行这两道工序的其中一个执行设备，将选择的执行设备的编码置入S3-1获取的执行设备编码的基因串中。
本实施方式中，编码与解码是指染色体和调度解之间进行相互转换。遗传算法的编码由两部分组成，第一部分为基于工序的编码，用来确定工序的加工先后顺序；第二部分为基于机器分配的编码，用来选择每道工序的加工机器。
进一步的，S3所述采用遗传算法对执行设备的执行工序进行优化设计还包括约束条件：
同一时刻同一台执行设备只能加工一个待加工工件；
每个待加工工件在一个时刻只能在一台执行设备上进行加工，且不能中断；
每个待加工工件的工序有先后约束，不同待加工工件的工序没有先后约束；
不同待加工工件具有相同的优先级。
本实施方式中，采用m台执行设备要加工n种待加工工件。每个工件包含一道或多道工序，工件的工序顺序是预先确定的；每道工序可以在多个执行设备(机械臂)上加工，工序的加工时间随执行设备(机械臂)的性能不同而变化。调度目标是为每道工序选择最合适的执行设备(机械臂)、确定每台执行设备(机械臂)上各工件工序的最佳加工顺序及开工时间，使总的加工时间最短。
虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其他所述实施例中。

Claims (8)

1.基于遗传算法的航空航天柔性产品工序优化方法，其特征在于，该方法的具体过程包括：
S1、对设备级单元的参数进行表征，所述设备级单元包括执行设备和被操作对象；
S2、根据生产线的任务需求，建立任务-工序-动作序列的生产数据库；
S3、根据S2获取的生产数据库，采用遗传算法对执行设备的执行工序进行优化设计，以最短加工时间作为优化目标，获得执行设备的加工工序序列；
S2所述建立任务-工序-动作序列的生产数据库的具体方法包括：
S2-1、将生产线的任务全部列举，建立任务数据库；
S2-2、将列举的每个任务拆分为多个工序，每个工序与执行设备、操作对象建立映射关系，建立工序数据库；
S2-3、将各个工序拆分为多个指定的动作序列，每个动作序列与执行设备的运动数据建立映射关系；
S3所述采用遗传算法对执行设备的执行工序进行优化设计的具体方法包括：
S3-1、采用遗传算法分别对工序和执行设备进行编码的分配；
所述采用遗传算法对工序进行编码分配的具体方法是：
采用工件的序号表示待加工工件的工序，工件的序号出现的次数等于该工件的工序总数；所述工序总数等于编码染色体的基因总数；
根据工件的序号在染色体中出现的次序进行编译，也就是从左至右扫描染色体，第r次出现的工件序号，表示该工件的第r道工序；
所述采用遗传算法对执行设备进行编码分配的具体方法是：
设工序的总数为l，工序ID分别用1、2、3、…、l表示；
对于l个工序，形成l个可选择执行设备的子集{S1、S2、S3、…、Sl}；
第i个工序的可选择执行设备的子集为Si，Si中元素的个数为ni，Si中的元素表示为{m1i、m2i、m3i、…、mni}；
基于执行设备分配的编码基因表示为[g1,g2,…,gi,…,gl]；其中，gi表示第i个基因，gi是[1,ni]内的整数，是集合Si中的第gi个元素mgi，表示第i个工序的加工执行设备；
S3-2、根据S3-1获取的执行设备编码的基因串选择每道工序的执行设备，然后按照S3-1获取的工序编码的基因串确定每台执行设备上的工序顺序；
S3-3、将染色体中的基因串相互交叉；
工序编码基因串的交叉过程为：
将所有的工件随机分成两个集合；
第一个子代染色体继承第一个父代染色体中第一个集合内工件对应的基因；
第二个子代染色体继承第二个父代染色体中第一个集合内工件对应的基因；
第二个父代染色体将已被继承基因删除，剩余基因按照原有顺序填充至第一个子代染色体中；
第一个父代染色体将已被继承基因删除，剩余基因按照原有顺序填充至第二个子代染色体中；
执行设备编码基因串的交叉过程为：随机产生一个由0和1组成的集合，该集合与染色体长度相等，将两个父代染色体中与该集合中0位置处的基因相互交换，获得两个子代染色体；
S3-4、将染色体中的基因串进行变异；
工序编码基因串的变异过程为：从工序编码的染色体中随机选择一个基因，随机插入另一个位置；
执行设备编码基因串的变异过程为：随机选择两道工序，选择执行这两道工序的其中一个执行设备，将选择的执行设备的编码置入S3-1获取的执行设备编码的基因串中。
2.根据权利要求1所述的基于遗传算法的航空航天柔性产品工序优化方法，其特征在于，S1所述对执行设备的参数进行表征的具体方法是：
执行设备的参数包括模型数据、运动数据、属性数据、功能数据、状态数据和能力数据；
所述模型数据为设备的外形尺寸的三维模型，通过设备的出厂信息获取；
所述运动数据为设备移动部件的位置和部件移动速度的实时运动信息，通过传感器采集的实时信息获取；
所述属性数据为设备的名称、出厂厂家和寿命，通过设备的出厂信息获取；
所述功能数据为设备能够完成的功能清单，通过设备的出厂信息获取；
所述状态数据为设备当前已完成的任务的工作状态；
所述能力数据为设备可承载的最大重量、最大尺寸和可达到范围，通过设备的出厂信息获取。
3.根据权利要求1所述的基于遗传算法的航空航天柔性产品工序优化方法，其特征在于，S1所述对被操作对象的参数进行表征的具体方法是：
所述被操作对象的参数包括模型数据、属性数据、质量数据、尺寸数据和存放位置数据；
所述模型数据为被操作对象的外形尺寸的三维模型，通过被操作对象的出厂信息获取；
所述属性数据为被操作对象的名称、出厂厂家和寿命，通过被操作对象的出厂信息获取；
所述质量数据为被操作对象的质量，通过被操作对象的出厂信息获取；
所述尺寸数据为被操作对象的外包络尺寸，通过被操作对象的出厂信息获取；
所述存放位置数据为被操作对象的存放位置，通过存放后输入坐标获取。
4.根据权利要求1所述的基于遗传算法的航空航天柔性产品工序优化方法，其特征在于，S2-1所述将生产线的任务全部列举，建立任务数据库的具体方法包括：
根据生产线的任务需求，由顶层任务决策系统整合生产线需要实现的全部任务的清单；
任务数据库包括任务ID、任务名和工序存放数据库；
所述任务ID是任务编号；
所述任务名是任务编号对应的任务的名称；
所述工序存放数据库是存放对应任务名称的工序组成的数据库。
5.根据权利要求1所述的基于遗传算法的航空航天柔性产品工序优化方法，其特征在于，S2-2所述的工序之间的关系有：替换、可逆和前置；
所述替换关系是：当一个部件与另一个部件之间具备相同的功能时，两个部件之间可以替换；
所述可逆关系是：当一个部件与另一个部件之间的安装顺序可以调换时，两个部件之间可以进行交换顺序；
所述前置关系是：当一个部件与另一个部件之间的安装顺序不可以调换时，两个部件之间存在前后顺序。
6.根据权利要求1所述的基于遗传算法的航空航天柔性产品工序优化方法，其特征在于，S2-2所述的工序数据库的内容包括：工序ID、工序名、机械臂名称和动作表；
所述工序ID是工序的编号；
所述工序名是工序编号对应的工序名称；
所述机械臂名称是工序名称可使用的机械臂；
所述动作表是机械臂名称执行的工序所对应的动作。
7.根据权利要求1所述的基于遗传算法的航空航天柔性产品工序优化方法，其特征在于，S2-3所述每个动作序列与执行设备的运动数据建立映射关系的具体内容包括：动作ID、动作名、对象和时间；
所述动作ID是：当动作ID为i时，动作ID表示工序的第i个动作；
所述动作名是：动作ID对应的动作的名称；
所述对象是：该动作名称对应的被操作对象；
所述时间是：执行该动作需要的时间。
8.根据权利要求1所述的基于遗传算法的航空航天柔性产品工序优化方法，其特征在于，S3所述采用遗传算法对执行设备的执行工序进行优化设计还包括约束条件：
同一时刻同一台执行设备只能加工一个待加工工件；
每个待加工工件在一个时刻只能在一台执行设备上进行加工，且不能中断；
每个待加工工件的工序有先后约束，不同待加工工件的工序没有先后约束；
不同待加工工件具有相同的优先级。
CN202111087464.7A 2021-09-16 2021-09-16 基于遗传算法的航空航天柔性产品工序优化方法 Active CN113792927B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111087464.7A CN113792927B (zh) 2021-09-16 2021-09-16 基于遗传算法的航空航天柔性产品工序优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111087464.7A CN113792927B (zh) 2021-09-16 2021-09-16 基于遗传算法的航空航天柔性产品工序优化方法

Publications (2)

Publication Number Publication Date
CN113792927A CN113792927A (zh) 2021-12-14
CN113792927B true CN113792927B (zh) 2024-07-23

Family

ID=78878627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111087464.7A Active CN113792927B (zh) 2021-09-16 2021-09-16 基于遗传算法的航空航天柔性产品工序优化方法

Country Status (1)

Country Link
CN (1) CN113792927B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116384719A (zh) * 2023-06-06 2023-07-04 天津市佳和食品科技有限公司 基于智能控制的食品生产线自动化管理系统及其实现方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106610653A (zh) * 2015-12-25 2017-05-03 四川用联信息技术有限公司 一种自交叉遗传算法解柔性作业车间调度问题
CN109986563A (zh) * 2019-05-01 2019-07-09 湖南大学 一种多移动机器人协同作业方法及系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000330966A (ja) * 1999-05-18 2000-11-30 Japan Tobacco Inc スケジューリング装置及びその方法とこのスケジューリングプログラムを格納する記録媒体
JP2003280714A (ja) * 2002-03-19 2003-10-02 Toshiba Corp 生産スケジューリング方法及び生産スケジューリング装置
AU2003231253A1 (en) * 2002-05-09 2003-11-11 Rocky Kahn Manipulation device with dynamic intensity control
CN106610652A (zh) * 2015-12-22 2017-05-03 四川用联信息技术有限公司 改进编码方式的遗传算法解分布式柔性作业车间调度问题
CN108364126A (zh) * 2018-01-30 2018-08-03 陕西科技大学 基于多色集合的改进遗传算法求解静态车间调度的方法
CN110069880B (zh) * 2019-04-30 2021-04-20 西安交通大学 一种基于仿真的多目标设备布局和生产排程协同优化方法
CN111144710B (zh) * 2019-12-06 2023-04-07 重庆大学 一种可持续性混合流水车间的构建和动态调度方法
CN111582561A (zh) * 2020-04-23 2020-08-25 华南理工大学 一种面向小批量多品种的可重构生产线调度优化方法
CN112926819A (zh) * 2020-12-23 2021-06-08 平安普惠企业管理有限公司 基于改进遗传算法的调度方法、装置、设备及存储介质
CN112529131A (zh) * 2021-02-18 2021-03-19 国能信控互联技术有限公司 一种电厂基于三维可视化的设备全生产周期管理系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106610653A (zh) * 2015-12-25 2017-05-03 四川用联信息技术有限公司 一种自交叉遗传算法解柔性作业车间调度问题
CN109986563A (zh) * 2019-05-01 2019-07-09 湖南大学 一种多移动机器人协同作业方法及系统

Also Published As

Publication number Publication date
CN113792927A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
CN112818446B (zh) 一种智能车间数字孪生系统的构建方法
CN110069880B (zh) 一种基于仿真的多目标设备布局和生产排程协同优化方法
Tilbury Cyber-physical manufacturing systems
CN113792927B (zh) 基于遗传算法的航空航天柔性产品工序优化方法
Zhang et al. Drilling path optimization by optimal foraging algorithm
CN110889552A (zh) 一种基于最优参数遗传算法的苹果自动装箱路径优化方法
CN112327621A (zh) 一种基于蚁群算法的柔性生产线自适应控制系统及方法
CN116880424A (zh) 一种基于多目标优化的多机器人调度方法以及装置
Yuan et al. Multi-objective coupling optimization of electrical cable intelligent production line driven by digital twin
CN117406684A (zh) 基于Petri网与全连接神经网络的柔性流水车间调度方法
CN114707748A (zh) 一种基于群体免疫-遗传算法的混流产线智能排产方法
WO2022055898A1 (en) Assembly sequence generation
CN107479523B (zh) 基于qpso的多智能体生产制造过程优化方法和装置
Yin et al. Multi-Man–Robot Disassembly Line Balancing Optimization by Mixed-Integer Programming and Problem-Oriented Group Evolutionary Algorithm
CN117182911A (zh) 基于粒子群算法的串联工业机器人运动学误差补偿技术
CN111985162A (zh) 一种基于深度学习的置换流水车间控制方法及系统
CN116774657A (zh) 一种基于鲁棒优化的再制造车间动态调度方法
CN113657818B (zh) 基于双循环嵌套优化策略的Job Shop调度问题求解方法及系统
CN115438929A (zh) 一种面向航空发动机装配车间可重入工序的调度方法
Zhang et al. A novel variable neighborhood genetic algorithm for multi-objective flexible job-shop scheduling problems
CN115700647A (zh) 一种基于禁忌搜索遗传算法的车间柔性作业调度方法
Spellini et al. Production recipe validation through formalization and digital twin generation
US12099346B1 (en) Large-scale dynamic double-effect scheduling method for flexible job shop based on genetic programming
Gao et al. An effective memetic algorithm for the distributed integrated scheduling of tree-structured products
Rodríguez León et al. Performance comparison between a classic particle swarm optimization and a genetic algorithm in manufacturing cell design

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