CN114036452A - 一种应用于离散型生产线的产能评估方法 - Google Patents

Abstract

本发明公开了一种应用于离散型生产线的产能评估方法，包括以下步骤：S1，在生产线所生产的产品中选取一个代表产品，将生产线所生产的其他所有产品的产量按标准工时换算成代表产品的产量；S2，计算假定产品的生产能力；S3，根据产能影响因素，采用模糊评价集合来描述各产能影响因素对生产线产能的影响强度，得到初始评估指标体系；S4，得到单产能影响因素对产线产能的评价，再利用单产能影响因素评价矩阵与各自权重的乘积得到各产能影响因素之间对产能大小的相对重要性，从而对生产线的产能进行综合评估。本发明解决了现有技术存在的精度较低、评估准确性已不能满足当前企业对产能评估的高精准要求等问题。

Description

一种应用于离散型生产线的产能评估方法

技术领域

本发明涉及生产线产能评估技术领域，具体是一种应用于离散型生产线的产能评估方法。

背景技术

在生产线产能评估方面，国内外学者进行了大量研究，刘小玲等针对订单型生产，提出了一种基于Dijkstra思想快速评估车间动态产能的方法，通过对工序建立数学模型，应用改进的算法对所有订单进行评估，从而实现对生产能力动态评估；王昆鹏针对中小企业面向定制的生产特点，结合具体企业实例，建立中小企业产能柔性评价指标体系和模糊逻辑规则，设计了中小企业产能柔性评价系统；赵银平等以工时法和粗糙集为理论依据，利用ASP和SQL Server数据库平台，设计并开发了离散型产能评估系统；王佩珊等针对油气田开发产能评估，提出了一种基于偏最小二乘回归的快速产能评估方法，简化了建模构建与求解，能够预测增产效果并在产量要求时确定施工参数；李江等利用仿真方法对生产线的生产能力进行评估，完善了生产线产能规划仿真及生产线布局仿真的一般流程，使得生产线工作效率得到明显提高；刘大成等在当前数据采集、统计和分析基础上，通过由上至下的生产过程子过程及活动冲突消解，结合作业测定方法，反方向自下而上逐层简化资源参数集，达到对当前生产能力的定量评估和潜力预测。综上所述，产能评估主要有生产系统建模、仿真建模与分析及基于历史数据估算三类方法，但还存在以下不足：①生产系统建模时，模型中各维度的赋值与隶属函数准确性过于依赖评估专家经验，并且未考虑产线现状负荷，导致闲置产能评估不精准；②生产线仿真模型与实际生产相差较大，尤其是离散性制造，由于其边界条件过多，会存在部分边界定义不清或缺失的问题。此外，为了避免失真各模型指标赋值需要大量真实有效的数据，需做大量工作来收集、分析数据；③历史数据与当年任务量大小、紧急程度具有较大关联，工序(或设备)实际可用产能与历史数据不一定匹配，依据工序产能数据进行资源优化调配会出现瓶颈工序识别错误等问题。并且历史数据通常以年进行计算，较长的时间线会降低评估准确性。

生产线产能评估领域中，纯生产线产能建模的方式精度较低，且模型中各维度的赋值与隶属函数主要依靠评估专家经验，已不能满足当前企业对产能评估的高精准要求。

发明内容

为克服现有技术的不足，本发明提供了一种应用于离散型生产线的产能评估方法，解决现有技术存在的精度较低、评估准确性已不能满足当前企业对产能评估的高精准要求等问题。

本发明解决上述问题所采用的技术方案是：

一种应用于离散型生产线的产能评估方法，包括以下步骤：

S1，在生产线所生产的产品中选取一个代表产品，将生产线所生产的其他所有产品的产量按标准工时换算成代表产品的产量；

S2，计算假定产品的生产能力，其中，假定产品是由生产线所生产的各种产品按其产量比重构成的一种假想产品；

S3，根据产能影响因素，采用模糊评价集合来描述各产能影响因素对生产线产能的影响强度，得到初始评估指标体系；

S4，得到单产能影响因素对产线产能的评价，再利用单产能影响因素评价矩阵与各自权重的乘积得到各产能影响因素之间对产能大小的相对重要性，从而对生产线的产能进行综合评估。

作为一种优选的技术方案，步骤S1中，各具体产品的产能计算公式为：

M_Qv表示第v种产品生产能力；d_v表示第v种产品占全部产品产量的比重；

其中，

式中，MO表示代表产品的生产能力，F表示单位设备全有效工作时间，S表示生产该产品所用设备数量，t_O表示代表产品单位产品标准工时；

式中，K_v表示第v种产品换算系数，Qv表示第v种产品计划产量，m表示全部产品的种类数；

其中，

式中，t_v表示第v种产品单位产品标准工时。

作为一种优选的技术方案，步骤S2中，假定产品的生产能力计算公式为：

作为一种优选的技术方案，步骤S3中，产能影响因素包括：生产技术、人员与设备、物料、环境、质量和/或管理。

作为一种优选的技术方案，步骤S3中，某一产能影响因素对产能大小的影响划分为五个等级，单产能影响因素对产能的影响程度用隶属于模糊评价集合中各产能影响因素的强度来表示。

作为一种优选的技术方案，步骤S3中，各产能影响因素的强度计算公式为：

μ_i(x_i)＝{μ_i1(x_i)，μ_i2(x_i)，μ_i3(x_i)，μ_i4(x_i)，μ_i5(x_i)}，i＝1，2，...，6，

各产能影响因素得到初始评估指标体系为：

若x_i的范围为[a0，a1)，则评价等级为“好”；

若x_i的范围为[a1，a2)，则评价等级为“较好”；

若x_i的范围为[a2，a3)，则评价等级为“中等”；

若x_i的范围为[a3，a4)，则评价等级为“较差”；

若x_i的范围为[a4，a5)，则评价等级为“好”；

其中，i表示各产能影响因素的标号，j表示评价等级的标号，μ_ij(x_i)(i＝1，2，…，6；j＝1，2，…，5)表示某一因素处于某个等级时对产能影响强度大小，a0、a1、a2、a3、a4、a5表示评定影响因素等级的数值，a0＜a1＜a2＜a3＜a4＜a5。

作为一种优选的技术方案，步骤S4中，模糊理论计算单产能影响因素的影响强度步骤如下：

步骤S41，将各产能影响因素的评价标准进行线性变换，公式如下：

S＝min{a₁-a₀，a₂-a₁，a₃-a₂，a₄-a₃，a₅-a₄}，

式中，

s表示影响因素评价标准区间中五个区间段最小值，a^* ₀表示影响因素评价标准区间左边界，a^* _j(j＝1，2，...，5)表示线性化后的五个区间段的右边界，x_i ^*表示线性化后x_i在区间所处的位置；

步骤S42，计算得到线性变化后产能影响因素评价标准区间的左零点D(x_i)和右零点C(x_i)，计算公式为：

步骤S43，根据自变量x_i所属区间不同，计算得到不同的分布密度函数，计算公式为：

当x_i ^*<(a^* ₀+a^* ₅)/2时，分布密度函数为：

当x_i ^*≥(a^* ₀+a^* ₅)/2时，分布密度函数为：

步骤S44，计算单产能影响因素在等级区间内的隶属度，计算公式为：

式中，μ_ij ^*(x_i)(j＝1,2,...,5)表示单产能影响因素x_i在某个等级区间内的隶属度；步骤S45，计算得到μ_ij(x_i)(i＝1,2，…，6；j＝1,2，…，5)，从而得到单产能影响因素对产线产能的评价，计算公式为：

步骤S46，利用单产能影响因素评价矩阵与权重的乘积得到各产能影响因素之间对产能大小的相对重要性，从而对产能大小进行综合评价，实际产能计算公式为：

其中，

式中，ω_i表示权重，n为影响产能因素个数，n＝6。

作为一种优选的技术方案，还包括以下步骤：

S5，对步骤S4中单产能影响因素的权重进行二次优化。

作为一种优选的技术方案，步骤S5中，采用遗传算法求解单产能影响因素的权重的最优解。

作为一种优选的技术方案，步骤S5包括以下步骤：

S51，选取六个初始种群集合；

S52，计算种群内个体适应度f_i(z)；

S53，判断是否达到遗传代数N_i：若是，输出各产能影响因素权重值；若否，产生新种群，然后返回步骤S52。

本发明相比于现有技术，具有以下有益效果：

(1)本发明引入代表产品、假定产品等综合评估产能，解决了现有技术存在的精度较低、评估准确性已不能满足当前企业对产能评估的高精准要求等问题；

(2)本发明针对离散型生产线实际运行情况，对其进行了详细的分析，并建立了产能评估体系；

(3)本发明基于模糊层次分析原理构造产能评估模型，利用产能评估模型，计算出复杂离散型产线的产能，能够显著有效地提高产能预测精度；

(4)本发明采用历史统计数据对模型进行优化，结合遗传优化算法对模型中各影响因素权重最优值进行求解，以进一步提高模型计算精度；在此基础上得出的产能评估模型，能够精准地预测出离散型生产线产能。

附图说明

图1为本发明的步骤示意图；

图2为本发明的离散型生产线产能评估指标示意图；

图3为本发明本发明的遗传算法优化产能评估模型流程图；

图4为本发明的典型产品预测产能与实际产出对比图。

具体实施方式

下面结合实施例及附图，对本发明作进一步的详细说明，但本发明的实施方式不限于此。

实施例1

如图1至图4所示，本发明采用的方法具体如下：

S1：在生产线所生产的产品中选取一个代表产品，将其他所有产品的产量按标准工时换算成代表产品的产量。代表产品的生产能力计算公式如下：

式中，F表示单位设备全有效工作时间；S表示生产该产品所用设备数量；t_O表示代表产品单位产品标准工时。产线中产品计划产量通常利用代表产品进行替代，其中，产品换算系数如下式：

式中，K_v表示第v种产品换算系数；t_v表示第v种产品单位产品标准工时；t_o表示代表产品单位产品标准工时。代表产品产量计算公式如下：

Qd_v＝Q_v×K_v(v＝1，2，...，m)，

式中，Qv表示产品计划产量；Q_dv表示产品计划产量转换成代表产品后的产量。因此，各具体产品的产能计算公式为：

式中，M_Qv表示第v种产品生产能力；dv表示第v种产品占全部产品产量的比重。

S2：考虑到电子装联产品品种过多，且各类产品结构、工艺、劳动量差异较大，采用代表产品计算生产能力难以保证其计算准确性，本发明采用假定产品作为计量单位。假定产品是由各种产品按其产量比重构成的一种假想产品，其产能计算公式如下：

式中，m表示某产线生产m种结构与工艺不相似的产品；M_Qv表示其中第v种产品生产能力；d_v表示第v种产品占m种产品比重；M表示假定产品生产能力。

S3：在生产过程中，车间运行状态、供应链、工作人员等因素都会对产品产能造成影响。在通过对某电子工厂实际情况进行分析后，确定了离散型生产线产能影响因素，并对产能评估体系的指标进行预选。离散型生产线产能评估指标主要分为生产技术、人员与设备、物料、环境、质量、管理等六个方面，将其确定为离散型生产线产能评估的一级指标，得到初始评估指标体系，如图2所示。

对离散型生产线产能评价采用模糊评价集合A来进行描述，则某一因素x_i(i＝1，2，...，6)对产能大小的影响划分为五个等级，各评价指标标准形式如表1所示，表1如下。

表1产能影响因素的评价标准表

单因素影响程度可以用隶属于模糊评价集合A中各元素的强度来表示：

μ_i(x_i)＝{μ_i1(x_i)，μ_i2(x_i)，μ_i3(x_i)，μ_i4(x_i)，μ_i5(x_i)}，i＝1，2，...，6，

式中，μ_ij(xi)(i＝1，2，…，6；j＝1，2，…，5)表示某一因素处于某个等级时对产能影响强度大小，a0、a1、a2、a3、a4、a5表示评定影响因素等级的数值，依据因素类型及相关指标要求而定，a0＜a1＜a2＜a3＜a4＜a5。

S4：建立各评价指标的单因素评价矩阵是评估产线产能中的关键，模糊理论计算单因素影响强度μ_i(x_i)步骤如下：

将各指标的评价标准进行线性变换：

S＝min{a₁-a₀，a₂-a₁，a₃-a₂，a₄-a₃，a₅-a₄}，

式中，

s表示影响因素评价标准区间中五个区间段最小值，a^* ₀表示影响因素评价标准区间左边界，a^* _j(j＝1，2，...，5)表示线性化后的五个区间段的右边界，x_i ^*表示线性化后x_i在区间所处的位置；

计算得到线性变化后产能影响因素评价标准区间的左零点D(x_i)和右零点C(x_i)，计算公式为：

根据自变量x_i所属区间不同，分布密度函数有不同形式。

当x_i ^*<(a^* ₀+a^* ₅)/2时，分布密度函数为：

当x_i ^*≥(a^* ₀+a^* ₅)/2时，分布密度函数为：

采用区间内的平均分布密度表示该区间的隶属度，计算公式为：

式中，μ_ij ^*(x_i)(j＝1,2,...,5)表示单产能影响因素x_i在某个等级区间内的隶属度；

步骤S45，计算得到μ_ij(x_i)(i＝1,2，…，6；j＝1,2，…，5)，从而得到单产能影响因素对产线产能的评价，计算公式为：

基于上述建立的模糊综合评判模型，可得到单因素对产线产能的评价。如图2所示，产线产能存在多个影响因素，需综合评价不同因素对产能影响的权重。利用单因素评价矩阵与权重的乘积可得到各因素之间对产能大小的相对重要性，从而对产能大小进行综合评价。本发明采用模糊层次分析法对权重进行求取，则判断矩阵P为：

式中n为影响产能因素个数，由步骤S3可知,n＝6，则权重可表示为：

根据上式对产能影响因素权重的求解，可得到实际产能计算公式：

式中M表示假定产品生产能力。

S5：在生产线产能评估模型构建过程中，模型中各维度的赋值与隶属函数主要依靠评估专家经验，评估模型精度很大程度受专家水平影响。为了保证离散型生产线产能计算的准确性，需对产能评估模型进行二次优化。在离散型生产线产能评估模型中，各影响因素权重最优解随机分布在约束范围内，无法准确将其搜索到。而遗传算法在求解问题时，采用多点搜索的方式，可以遍历参数约束范围求解出最优值，并且遗传算法可以实现带有复杂约束的单目标或多目标函数问题的求解。因此，本发明采用遗传算法求解离散型生产线产能评估模型权重最优解，其流程如图3所示。

通过遗传算法对离散型生产线产能评估模型二次优化后，可确定产能评估函数，利用产能评估函数实现对离散型生产线产能的计算，完成对产线产能的预测及分析。

本发明提出了一种基于遗传算法的离散型生产线产能评估方法，与传统方法不同的是，该发明从生产线实际运行情况出发，建立产能评估指标体系，利用模糊层次分析原理构造产能评估模型；并通过历史实测数据对产能评估模型进一步优化，使产能预测值与实测值偏差最小，以提高产能评估模型计算精度。通过使用本发明，可以将产能预测偏差控制在15％以内，且与传统方法相比，预测偏差率可降低10％～40％，能够实现对企业生产的有效指导。

本发明的有益效果如下：

(1)针对离散型生产线实际运行情况，对其进行了详细的分析，并建立了产能评估体系。

(2)基于模糊层次分析原理构造产能评估模型，利用产能评估模型，计算出复杂离散型产线的产能，能够显著有效地提高产能预测精度。

(3)针对产能评估模型精度很大程度受专家水平影响的问题，本发明采用历史统计数据对模型进行优化，结合遗传优化算法对模型中各影响因素权重最优值进行求解，以进一步提高模型计算精度。在此基础上得出的产能评估模型，能够精准地预测出离散型生产线产能。

实施例2

如图1至图4所示，作为实施例1的进一步优化，本实施例包含了实施例1的全部技术特征，除此之外，本实施例还包括以下技术特征：

步骤1：根据上述分析，离散型生产线产能评估指标存在生产技术、人员与设备、物料、环境、质量、管理六个方面，其为离散型生产线产能评估一级指标。利用步骤S2-S4得到产能评估模型中各个影响因素的初始权重值ω_0i(i＝1,2,...,6)。

步骤2：为了保证离散型生产线产能计算的准确性，需对产能评估模型进行二次优化。由于依靠评估专家无法确定更加精确的权重值，本发明采用遗传算法对模型进行优化，其流程如图3所示，各影响因素权重值ω_i(i＝1,2,...,6)定义为未知数z_i(i＝1,2,...,6)。在搜索权重最优值时，需要设定变量的约束区间，根据经验值分别选取

为变量范围，进行种群初始化。

根据步骤S5的分析，目标函数定义为：

式中，z_i(i＝1,2,...,6)为函数自变量，其最优解即为影响因素权重ω_i(i＝1,2,...,6)最优值；Mp为产线某一时段实际产能历史数据；Mp(z)为步骤S1-S4产能评估模型计算出的理论实际产能；目标函数数量m根据历史数据数量确定。此外，为了避免运算结果稳定在约束区间的局部最优解，本发明选择完成足够大的遗传代数Ni作为终止条件。最终，遗传优化模型将输出z_i(i＝1,2,...,6)最优解，即ω_i(i＝1,2,...,6)最优解。

步骤3：结合步骤1、2中相关数据，得到产能评估模型中各个影响因素的权重值ω_0i(i＝1,2,...,6)；同时，利用实测的历史数据对权重值进行二次优化，得到优化后的权重值ω_1i(i＝1,2,...,6)，结果如表1所示，表2如下。

表1产能评估模型中一级指标的权重值

步骤4：为了验证产能评估模型的有效性，本发明以某电子厂家15种典型产品为例，对该15种产品过去半年的产能进行预测。分别采用传统建模法和本发明所提方法进行预测，将预测数据与实际数据进行对比，对模型可靠性进行验证，对比结果如图4所示。此外，对产能预测偏差率进行了详细统计，P1为传统建模方法预测偏差率，P2为模糊层次分析模型预测偏差率，P3为二次优化后模型预测偏差率，如表2所示，表3如下。

表2典型产品预测产能与实际产出对比统计表

步骤5：由图4可明显地得出，预测数据与实测数据大致相符，与传统建模方法相比，本发明方法产能预测精度更高；并且利用遗传优化算法对模型进行优化后，模型预测精度得到进一步提升；验证了本发明所提方法是有效可行的。同时，对产能预测偏差率进行了详细统计，结果如表2所示。由表2可知，本发明所提方法预测偏差率可控制在15％以内，考虑到生产现场存在多种不确定因素干扰的问题，此偏差范围是可接受的；与传统方法相比，预测偏差率可降低10％～40％，充分说明了本发明的高精度和优越性。

此外，从图4、表2中可以明显的看出，15类产品中86.67％产品产能预测值是高于实测值的。由于企业在生产过程中通常以订单为导向，且市场存在较多不可预知的情况，产线设备、人员通常会闲置，导致产线实际运行时间低于规定时长，因此，利用产能评估模型预测数据大概率高于实测值，由此进一步证明了本发明所提基于遗传算法的生产线产能评估方法的有效性和可行性。

如上所述，可较好地实现本发明。

本说明书中所有实施例公开的所有特征，或隐含公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合和/或扩展、替换。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。

Claims (10)

1.一种应用于离散型生产线的产能评估方法，其特征在于，包括以下步骤：

S1，在生产线所生产的产品中选取一个代表产品，将生产线所生产的其他所有产品的产量按标准工时换算成代表产品的产量；

S2，计算假定产品的生产能力，其中，假定产品是由生产线所生产的各种产品按其产量比重构成的一种假想产品；

S3，根据产能影响因素，采用模糊评价集合来描述各产能影响因素对生产线产能的影响强度，得到初始评估指标体系；

S4，得到单产能影响因素对产线产能的评价，再利用单产能影响因素评价矩阵与各自权重的乘积得到各产能影响因素之间对产能大小的相对重要性，从而对生产线的产能进行综合评估。

2.根据权利要求1所述的一种应用于离散型生产线的产能评估方法，其特征在于，步骤S1中，各具体产品的产能计算公式为：

M_Qv表示第v种产品生产能力；d_v表示第v种产品占全部产品产量的比重；其中，

式中，MO表示代表产品的生产能力，F表示单位设备全有效工作时间，S表示生产该产品所用设备数量，t_O表示代表产品单位产品标准工时；

式中，K_v表示第v种产品换算系数，Qv表示第v种产品计划产量，m表示全部产品的种类数；

其中，

式中，t_v表示第v种产品单位产品标准工时。

3.根据权利要求2所述的一种应用于离散型生产线的产能评估方法，其特征在于，步骤S2中，假定产品的生产能力计算公式为：

4.根据权利要求3所述的一种应用于离散型生产线的产能评估方法，其特征在于，步骤S3中，产能影响因素包括：生产技术、人员与设备、物料、环境、质量和/或管理。

5.根据权利要求4所述的一种应用于离散型生产线的产能评估方法，其特征在于，步骤S3中，某一产能影响因素对产能大小的影响划分为五个等级，单产能影响因素对产能的影响程度用隶属于模糊评价集合中各产能影响因素的强度来表示。

6.根据权利要求5所述的一种应用于离散型生产线的产能评估方法，其特征在于，步骤S3中，各产能影响因素的强度计算公式为：

μ_i(x_i)＝{μ_i1(x_i)，μ_i2(x_i)，μ_i3(x_i)，μ_i4(x_i)，μ_i5(x_i)}，i＝1，2，...，6，

各产能影响因素得到初始评估指标体系为：

若x_i的范围为[a0，a1)，则评价等级为“好”；

若x_i的范围为[a1，a2)，则评价等级为“较好”；

若x_i的范围为[a2，a3)，则评价等级为“中等”；

若x_i的范围为[a3，a4)，则评价等级为“较差”；

若x_i的范围为[a4，a5)，则评价等级为“好”；

其中，i表示各产能影响因素的标号，j表示评价等级的标号，μ_ij(x_i)(i＝1，2，…，6；j＝1，2，…，5)表示某一因素处于某个等级时对产能影响强度大小，a0、a1、a2、a3、a4、a5表示评定影响因素等级的数值，a0＜a1＜a2＜a3＜a4＜a5。

7.根据权利要求6所述的一种应用于离散型生产线的产能评估方法，其特征在于，步骤S4中，模糊理论计算单产能影响因素的影响强度步骤如下：

步骤S41，将各产能影响因素的评价标准进行线性变换，公式如下：

S＝min{a₁-a₀，a₂-a₁，a₃-a₂，a₄-a₃，a₅-a₄}，

式中，

s表示影响因素评价标准区间中五个区间段最小值，a^* ₀表示影响因素评价标准区间左边界，a^* _j(j＝1，2，...，5)表示线性化后的五个区间段的右边界，x_i ^*表示线性化后x_i在区间所处的位置；

步骤S42，计算得到线性变化后产能影响因素评价标准区间的左零点D(x_i)和右零点C(x_i)，计算公式为：

步骤S43，根据自变量x_i所属区间不同，计算得到不同的分布密度函数，计算公式为：

当x_i ^*<(a^* ₀+a^* ₅)/2时，分布密度函数为：

当x_i ^*≥(a^* ₀+a^* ₅)/2时，分布密度函数为：

步骤S44，计算单产能影响因素在等级区间内的隶属度，计算公式为：

式中，μ_ij ^*(x_i)(j＝1，2，...，5)表示单产能影响因素x_i在某个等级区间内的隶属度；

步骤S45，计算得到μ_ij(x_i)(i＝1，2，…，6；j＝1，2，…，5)，从而得到单产能影响因素对产线产能的评价，计算公式为：

步骤S46，利用单产能影响因素评价矩阵与权重的乘积得到各产能影响因素之间对产能大小的相对重要性，从而对产能大小进行综合评价，实际产能计算公式为：

其中，

式中，ω_i表示权重，n为影响产能因素个数，n＝6。

8.根据权利要求7所述的一种应用于离散型生产线的产能评估方法，其特征在于，还包括以下步骤：

S5，对步骤S4中单产能影响因素的权重进行二次优化。

9.根据权利要求8所述的一种应用于离散型生产线的产能评估方法，其特征在于，步骤S5中，采用遗传算法求解单产能影响因素的权重的最优解。

10.根据权利要求8或9所述的一种应用于离散型生产线的产能评估方法，其特征在于，步骤S5包括以下步骤：

S51，选取六个初始种群集合；

S52，计算种群内个体适应度f_i(z)；

S53，判断是否达到遗传代数N_i：若是，输出各产能影响因素权重值；若否，产生新种群，然后返回步骤S52。

Images