CN114253232A - 一种生产线中加工工位的配置方法及系统 - Google Patents

一种生产线中加工工位的配置方法及系统 Download PDF

Info

Publication number
CN114253232A
CN114253232A CN202111455786.2A CN202111455786A CN114253232A CN 114253232 A CN114253232 A CN 114253232A CN 202111455786 A CN202111455786 A CN 202111455786A CN 114253232 A CN114253232 A CN 114253232A
Authority
CN
China
Prior art keywords
station
instrument
equipment
production line
model
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.)
Granted
Application number
CN202111455786.2A
Other languages
English (en)
Other versions
CN114253232B (zh
Inventor
贾帅阳
康仪
李雨声
杨健
苟源
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.)
CETC 29 Research Institute
Original Assignee
CETC 29 Research Institute
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 CETC 29 Research Institute filed Critical CETC 29 Research Institute
Priority to CN202111455786.2A priority Critical patent/CN114253232B/zh
Publication of CN114253232A publication Critical patent/CN114253232A/zh
Application granted granted Critical
Publication of CN114253232B publication Critical patent/CN114253232B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • 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)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种生产线中加工工位的配置方法及系统，该配置方法，包括以下步骤：S1，PBOM数据库构建；S2，仪器设备资源需求数据库构建；S3，集合关系定义；S4，工位数量和工位指标模型计算；S5，仪器设备模型数据库构建；S6，工位配置处理。本发明解决了解决现有技术存在的在多品种、小批量、生产产品种类及数量随时间变化大的柔性生产线中，加工工位的分类及配置复杂且工位配置效果差，加工工位种类及数量难以匹配生产线的加工需求等问题。

Description

一种生产线中加工工位的配置方法及系统
技术领域
本发明涉及生产线工艺设计技术领域，具体是一种生产线中加工工位的配置方法及系统。
背景技术
电子装备生产具有以下特点：1)功能复杂、性能指标繁多、生产工序多，不同测试工序对应的测试需求多样，需要多种不同的仪器设备；2)多品种小批量，同一时间生产线上的产品种类多、数量各异，随时间变化大等特点，导致产线工位分类极其复杂，工位数量配比精准计算难度很大。所以，这种方式产生的装配、测试及调试等加工工位种类及数量不能很好地满足生产线的加工需求，测试人员经常自行相互借用仪器设备，更改工位配置。长此以往，该方法导致产线工位配置不合理、仪器设备管理混乱、仪器设备利用率不可控。
对于多品种、小批量、生产产品种类及数量随时间变化大的柔性生产线测试工位的分类及配置的复杂问题，该方法只能达到局部最优，不能为柔性生产线实现数字化转型提供支撑。
发明内容
为克服现有技术的不足，本发明提供了一种生产线中加工工位的配置方法及系统，解决现有技术存在的在多品种、小批量、生产产品种类及数量随时间变化大的柔性生产线中，加工工位的分类及配置复杂且工位配置效果差，加工工位种类及数量难以匹配生产线的加工需求等问题。
本发明解决上述问题所采用的技术方案是：
一种生产线中加工工位的配置方法，包括以下步骤：
S1，PBOM数据库构建：构建生产线中所有产品对应的所有加工工序的PBOM数据库；
S2，仪器设备资源需求数据库构建：将生产线中所有产品对应的所有加工工序的加工需求指标化及数字化，形成加工工序的仪器设备资源需求数据库；
S3，集合关系定义：定义不同加工工序的仪器设备资源需求集合之间的关系，并给出工位分类规则和/或工位分类约束条件；
S4，工位数量和工位指标模型计算：构建基于遗传免疫混合算法、工位分类规则及工位分类约束条件的工位规划模型，仿真计算实现工位数量和工位指标模型的确定；
S5，仪器设备模型数据库构建：将生产线中的所有仪器设备指标化及数字化，形成仪器设备模型数据库；
S6，工位配置处理：根据工位规划模型输出的工位数量和工位指标模型，调用仪器设备模型数据库匹配工位数量和工位指标模型，形成生产线中加工工位的配置。
作为一种优选的技术方案，步骤S1包括以下步骤：
S11，梳理生产线需生产产品集，制定产品加工工序的PBOM构建规则和构建要素规范；
S12，构建产品加工工序的PBOM表，将所有需生产产品的PBOM数据整理为结构化数据，建立产品加工工序的PBOM数据库。
作为一种优选的技术方案，步骤S2包括以下步骤：
S21,将加工工序PBOM中的工序资源需求状况进行细化及数字化，分析每个加工工序对仪器设备类别、仪器设备功能和/或仪器设备参数指标的需求范围；
S22,将各产品加工工序的仪器设备资源需求整理为仪器设备资源需求集合，形成产品加工工序的仪器设备资源需求数据库。
作为一种优选的技术方案，步骤S3包括以下步骤：
S31，将不同加工工序的仪器设备资源需求集合中的内容进行匹配、比较，定义不同加工工序的仪器设备资源需求集合之间的关系；
S32，将不同加工工序的仪器设备资源需求集合自由组合，可以形成不同种类的工位类别，形成初始的工位种类，并给出工位分类规则和/或工位分类约束条件。
作为一种优选的技术方案，所述工位分类规则包括：
当不同加工工序的仪器设备资源需求集合之间为包含或一致关系时，则将这些集合都归为一类，形成一种工位类别；
当两种不同加工工序的仪器设备资源需求集合之间为相似关系时：若这两种加工工序对应的产品的数量都＜设定阈值，则取集合的并集形成一种工位类别；若这两种加工工序对应的产品数量均≥设定阈值，则各自的集合自成一类工位；若一集合对应的产品数量≥设定阈值，另一集合对应的产品数量＜设定阈值，则取集合的并集形成一种工位类别。
作为一种优选的技术方案，所述工位分类约束条件包括以下情形的一种或多种：
根据车间的物理空间，给出车间最大容纳工位数量N，工位总数量Mnum<N；
若不同加工工序的仪器设备资源需求集合为一致关系，则它们的组合必须被保留；
给定一个判定阈值G1，当产品数量≥G1，该产品加工工序的仪器设备资源需求集合需要被单独分类；
若给定一个判定阈值G2，当产品数量＜G2，该产品加工工序的仪器设备资源需求集合不能被单独分类；其中，G2＜G1；
仪器设备资源需求集合的组合被保留的概率为组合中的仪器设备资源需求集合之间的相似度的正相关函数。
作为一种优选的技术方案，步骤S4包括以下步骤：
S41，构建基于遗传免疫混合算法、工位分类规则及工位分类约束条件的工位规划模型的功能视图，明确工位规划模型的组成和原理；
S42，基于工位规划模型的功能视图，利用生产仿真软件进行建模，调用工位规划模型中的遗传免疫混合算法进行工位数量和工位指标模型方案仿真优化，以加权工位利用率和仪器设备利用率为目标函数，给出目标函数的最优解。
作为一种优选的技术方案，步骤S41包括以下步骤：构建工位规划模型具备预处理、生产线仿真、目标约束函数及工位规划优化功能。
作为一种优选的技术方案，步骤S41包括以下步骤：
S421，基于生产仿真软件，构建步骤S41中所述工位规划模型，启动遗传免疫混合算法；
S422，以预处理后的生产线的数据作为遗传免疫混合算法的初始种群，每条染色体包含一种产品加工工序的仪器设备资源需求集合的自由组合体以及每个组合体的数量；
S423，遗传免疫混合算法调用生产线仿真模型计算各个染色体对应的加权工位利用率和仪器设备利用率；
S424，遗传免疫混合算法调用工位规划优化模型对种群中的染色体进行选择、交叉、变异操作，形成新的种群，形成新的工位数量和工位指标模型方案；
S425，依据遗传免疫混合算法设置的迭代次数持续迭代更新，重复步骤S423和S424，直至遗传免疫混合算法迭代结束且达到收敛状态，给出当前算力下工位配置最优解。
一种生产线中加工工位的配置系统，基于所述的一种生产线中加工工位的配置方法，包括以下模块：
PBOM数据库构建模块，用以，构建生产线中所有产品对应的所有加工工序的PBOM数据库；
仪器设备资源需求数据库构建模块，用以，将生产线中所有产品对应的所有加工工序的加工需求指标化及数字化，形成加工工序的仪器设备资源需求数据库；
集合关系定义模块，用以，定义不同加工工序的仪器设备资源需求集合之间的关系，并给出工位分类规则和/或工位分类约束条件；
工位数量和工位指标模型计算模块，用以，构建基于遗传免疫混合算法、工位分类规则及工位分类约束条件的工位规划模型，仿真计算实现工位数量和工位指标模型；
仪器设备模型数据库构建模块，用以，将生产线中的所有仪器设备指标化及数字化，形成仪器设备模型数据库；
工位配置处理模块，用以，根据工位规划模型输出的工位数量和工位指标模型，调用仪器设备模型数据库匹配工位数量和工位指标模型，形成生产线中加工工位的配置。
本发明相比于现有技术，具有以下有益效果：
(1)本发明解决了现有技术存在的在多品种、小批量、生产产品种类及数量随时间变化大的柔性生产线中，加工工位的分类及配置复杂且工位配置效果差，加工工位种类及数量难以匹配生产线的加工需求等问题；
(2)本发明较好地解决了生产线由于生产产品品种多、批量小和生产产品种类及数量随时间变化大引起测试工位种类及数量频繁变更导致仪器设备综合效率不高等问题；
(3)本发明基于生产产品各工序测试需求的数字化指标数据库和产品PBOM，构建柔性生产过程模型，以加权工位利用率和仪器设备利用率为目标函数，仿真计算实现了工位最优分类和配置，同时兼顾关键稀缺仪器的利用率，指导生产线测试工位的建设；
(4)本发明避免了生产线中测试工位配置变动，降低了仪器设备管理难度、提高了仪器设备利用率，可以为生产线实现数字化转型提供支撑。
附图说明
图1为本发明所述一种生产线中加工工位的配置方法的步骤示意图；
图2为实施例3、实施例4中根据当前生产产品测试工序测试需求指标化示意表产生的工位种类示意图；
图3为实施例3、实施例4基于遗传免疫混合算法及典型约束条件的柔性工位规划模型。
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。
值得说明的是：1、本发明中所述加工工序包括装配、测试、调试等工序，而本发明的适用场景在背景技术、发明内容等部分已阐述，实施例中的具体应用场景并不应该被视为限制本发明保护范围的条件；2、“仪器设备”是用于加工工序的器械的广义称谓，指仪器和/或设备，甚至也可以包括手动工具等，“仪器设备”一词不应被视为具体的限制。
实施例1
如图1至图3所示，一种生产线中加工工位的配置方法，包括以下步骤：
S1，PBOM数据库构建：构建生产线中所有产品对应的所有加工工序的PBOM数据库；
S2，仪器设备资源需求数据库构建：将生产线中所有产品对应的所有加工工序的加工需求指标化及数字化，形成加工工序的仪器设备资源需求数据库；
S3，集合关系定义：定义不同加工工序的仪器设备资源需求集合之间的关系，并给出工位分类规则和/或工位分类约束条件；
S4，工位数量和工位指标模型计算：构建基于遗传免疫混合算法、工位分类规则及工位分类约束条件的工位规划模型，仿真计算实现工位数量和工位指标模型的确定；
S5，仪器设备模型数据库构建：将生产线中的所有仪器设备指标化及数字化，形成仪器设备模型数据库；
S6，工位配置处理：根据工位规划模型输出的工位数量和工位指标模型，调用仪器设备模型数据库匹配工位数量和工位指标模型，形成生产线中加工工位的配置。
作为一种优选的技术方案，步骤S1包括以下步骤：
S11，梳理生产线需生产产品集，制定产品加工工序的PBOM构建规则和构建要素规范；
S12，构建产品加工工序的PBOM表，将所有需生产产品的PBOM数据整理为结构化数据，建立产品加工工序的PBOM数据库。
作为一种优选的技术方案，步骤S2包括以下步骤：
S21,将加工工序PBOM中的工序资源需求状况进行细化及数字化，分析每个加工工序对仪器设备类别、仪器设备功能和/或仪器设备参数指标的需求范围；
S22,将各产品加工工序的仪器设备资源需求整理为仪器设备资源需求集合，形成产品加工工序的仪器设备资源需求数据库。
作为一种优选的技术方案，步骤S3包括以下步骤：
S31，将不同加工工序的仪器设备资源需求集合中的内容进行匹配、比较，定义不同加工工序的仪器设备资源需求集合之间的关系；
S32，将不同加工工序的仪器设备资源需求集合自由组合，可以形成不同种类的工位类别，形成初始的工位种类，并给出工位分类规则和/或工位分类约束条件。
作为一种优选的技术方案，所述工位分类规则包括：
当不同加工工序的仪器设备资源需求集合之间为包含或一致关系时，则将这些集合都归为一类，形成一种工位类别；
当两种不同加工工序的仪器设备资源需求集合之间为相似关系时：若这两种加工工序对应的产品的数量都＜设定阈值，则取集合的并集形成一种工位类别；若这两种加工工序对应的产品数量均≥设定阈值，则各自的集合自成一类工位；若一集合对应的产品数量≥设定阈值，另一集合对应的产品数量＜设定阈值，则取集合的并集形成一种工位类别。
作为一种优选的技术方案，所述工位分类约束条件包括以下情形的一种或多种：
根据车间的物理空间，给出车间最大容纳工位数量N，工位总数量Mnum<N；
若不同加工工序的仪器设备资源需求集合为一致关系，则它们的组合必须被保留；
给定一个判定阈值G1，当产品数量≥G1，该产品加工工序的仪器设备资源需求集合需要被单独分类；
若给定一个判定阈值G2，当产品数量＜G2，该产品加工工序的仪器设备资源需求集合不能被单独分类；其中，G2＜G1；
仪器设备资源需求集合的组合被保留的概率为组合中的仪器设备资源需求集合之间的相似度的正相关函数。
作为一种优选的技术方案，步骤S4包括以下步骤：
S41，构建基于遗传免疫混合算法、工位分类规则及工位分类约束条件的工位规划模型的功能视图，明确工位规划模型的组成和原理；
S42，基于工位规划模型的功能视图，利用生产仿真软件进行建模，调用工位规划模型中的遗传免疫混合算法进行工位数量和工位指标模型方案仿真优化，以加权工位利用率和仪器设备利用率为目标函数，给出目标函数的最优解。
作为一种优选的技术方案，步骤S41包括以下步骤：构建工位规划模型具备预处理、生产线仿真、目标约束函数及工位规划优化功能。
作为一种优选的技术方案，步骤S41包括以下步骤：
S421，基于生产仿真软件，构建步骤S41中所述工位规划模型，启动遗传免疫混合算法；
S422，以预处理后的生产线的数据作为遗传免疫混合算法的初始种群，每条染色体包含一种产品加工工序的仪器设备资源需求集合的自由组合体以及每个组合体的数量；
S423，遗传免疫混合算法调用生产线仿真模型计算各个染色体对应的加权工位利用率和仪器设备利用率；
S424，遗传免疫混合算法调用工位规划优化模型对种群中的染色体进行选择、交叉、变异操作，形成新的种群，形成新的工位数量和工位指标模型方案；
S425，依据遗传免疫混合算法设置的迭代次数持续迭代更新，重复步骤S423和S424，直至遗传免疫混合算法迭代结束且达到收敛状态，给出当前算力下工位配置最优解。
一种生产线中加工工位的配置系统，基于所述的一种生产线中加工工位的配置方法，包括以下模块：
PBOM数据库构建模块，用以，构建生产线中所有产品对应的所有加工工序的PBOM数据库；
仪器设备资源需求数据库构建模块，用以，将生产线中所有产品对应的所有加工工序的加工需求指标化及数字化，形成加工工序的仪器设备资源需求数据库；
集合关系定义模块，用以，定义不同加工工序的仪器设备资源需求集合之间的关系，并给出工位分类规则和/或工位分类约束条件；
工位数量和工位指标模型计算模块，用以，构建基于遗传免疫混合算法、工位分类规则及工位分类约束条件的工位规划模型，仿真计算实现工位数量和工位指标模型；
仪器设备模型数据库构建模块，用以，将生产线中的所有仪器设备指标化及数字化，形成仪器设备模型数据库；
工位配置处理模块，用以，根据工位规划模型输出的工位数量和工位指标模型，调用仪器设备模型数据库匹配工位数量和工位指标模型，形成生产线中加工工位的配置。
实施例2
如图1至图3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：
本发明涉及柔性生产线中测试工位的分类和配置方法，主要涉及电子装备生产线测试工位分类和配置领域，具体来说涉及基于数字化仿真模型来分类和配置柔性生产线中测试工位的方法，基于生产产品各工序测试需求的数字化指标数据库和产品PBOM，构建柔性生产过程模型，以加权工位利用率和仪器设备利用率为目标，仿真计算实现工位最优分类和配置，进一步根据仪器设备数字化指标数据库，指导测试工位的建设。
本发明目的是克服现有技术存在的不足，提出基于数字化仿真模型来分类和配置柔性生产线中测试工位的方法，以达到合理准确配置测试工位，降低仪器设备管理难度、提高仪器设备利用率，为柔性生产线实现数字化转型提供支撑。
本发明针对现有技术的不足，提出了基于数字化仿真模型来分类和配置柔性生产线中测试工位的方法，主要为了解决生产线工位种类及数量设置不合理导致仪器设备综合效率不高等问题，基于生产产品PBOM和产品各工序测试需求的数字化指标数据库，构建基于遗传免疫混合算法的柔性生产过程模型，以加权工位利用率和仪器设备利用率为目标函数，仿真计算实现工位最优分类和配置，进一步根据仪器设备数字化指标数据库，指导测试工位的建设。
柔性生产线中测试工位的分类和配置方法，具体步骤如下：
步骤S1：构建生产线中所有产品的调试段PBOM数据库；
步骤S2：将生产线中所有产品的所有测试工序的测试需求指标化、数字化，形成产品测试工序测试需求数据库；
步骤S3：定义测试工序的数字化测试需求集合之间的关系，并给出基础的工位分类规则和典型的分类约束；
步骤S4：构建基于遗传免疫混合算法及典型约束条件的柔性工位规划模型，仿真计算实现工位最优分类和配置；
步骤S5：将生产线中的所有仪器设备指标化、数字化，形成仪器设备模型数据库；
步骤S6：根据柔性工位规划模型输出的工位分类和配置，调用仪器设备模型数据库，形成产线测试工位配置。
为更好地实现本发明，进一步为：
所述步骤S1具体为：
1.1梳理产线需生产产品集J＝{J1,J2,…,Ji…,Jn}，根据产线的各自特点，制定产品调试段PBOM构建规则和构建要素规范，其中，核心要素为每个产品的工艺路线(包括了产品的装配和调试工序)、每个工序的实做工时、准备时间以及工作周期以及每个工序的资源需求状况。
1.2按规范构建产品调试段的PBOM表，利用常用的数据库软件，将所有需生产产品的PBOM数据整理为结构化数据，建立产品调试段PBOM数据库。
所述步骤S2具体为：
2.1着重将产品调试段PBOM中的工序资源需求状况进行细化，数字化，即，分析每个测试工序对各类仪器设备的各个功能的需求以及对应功能参数的需求范围；某一具体指标的数字化描述方案可以表示为α_β_γ，α用来描述仪器和设备类别，推荐使用仪器或设备的英文单词的缩写来表示，β用来描述所需的该仪器功能，推荐使用该仪器功能的英文单词的缩写表示，γ描述该功能的指标大小，直接采用相应的数值即可。
2.2那么，如果产品Ji的调试PBOM中包含了一道或几道测试工序Ji-Sk，k＝1,2,…ei，ei表示产品Ji的测试工序总数，可以记Qik表示产品Ji的测试工序Sk的测试需求集合，也可以记为Ji-Sk。Qik＝{α_β_γ、α1_β1_γ1……αn_βn_γn}，其中n代表需求指标的种类。
2.3进一步，将各产品测试工序的数字化测试资源需求，按上述格式单独整理为测试需求集合Qik，形成产品测试工序的测试需求数据库。根据上述数据库，可以统计出每仪器所需的功能集合，形成各个仪器的功能定义规则。仪器α＝{α_β，α_β1,……,α_βn}。
所述柔性生产线产品测试工序测试需求指标化示意表如表1所示。
表1所述柔性生产线产品测试工序测试需求指标化示意表
Figure BDA0003386601670000121
Figure BDA0003386601670000131
Figure BDA0003386601670000141
所述步骤S3具体为：
3.1将不同测试工序的测试需求集合Qik中的字符进行匹配、比较，如果两个集合中的字符完全相同，那么它们的关系定义为“一致”；如果两个集合是从属关系(注意，对于字符串α_β_γ、α1_β1_γ1，若α_β＝α1_β1，且γ<γ1，它们也满足所属集合的从属关系)，那么它们的关系定义为“包含”；如果两个集合之间不属于上述两种关系，那么它们的关系定义为“相似”，进一步，通过比较两个集合之间的字符串的匹配度——相同字符串个数/较大集合的字符串个数，来定义相似关系的“相似度”。
3.2不同产品测试工序的测试需求集合的自由组合，可以形成不同种类的工位类别Mj，从功能角度来说，可表示为集合{Qik|Qik Mj，i,k是任意选定的产品种类和测试工序序号}或者集合{Ji-Sk|Ji-SkMj，i,k是任意选定的产品种类和测试工序序号}。为了对测试需求集合进行初始分类，形成初始的车间工位种类，需要给出了一些基础的分类规则：
1)当不同测试工序的测试需求集合之间为包含或一致关系，那么将这些集合都归为一类，形成工位类别；
2)当不同测试工序的测试需求集合之间为相似关系，如果这两种测试工序对应的产品的数量都较少(给定一个阈值G，当低于该值，则数量较少；否则数量较多)，取集合的并集形成工位类别；当它们对应的产品数量都较多，那么各自的集合自成一类工位；当某一集合对应的产品数量较多，某一集合对应的产品数量较少，那么可以取集合的并集形成工位类别。
3.3当利用算法自动组合不同的测试需求集合，为了使得算法的运算更加高效且工位的分类更加合理，给出一些典型的分类约束条件。
1)根据车间的物理空间，给出车间最大容纳工位数量N，工位总数量Mnum<N；
2)当不同测试工序的测试需求集合为“一致”关系，则它们的组合必须被保留；
3)给定一个产品数量多的判定阈值G1，当高于G1，该产品测试工序的测试需求集合需要被单独分类；(在2)的前提条件下)
4)给定一个产品数量少的判定阈值G2，当低于G2，该产品测试工序的测试需求集合不能被单独分类；
5)相似度较高(不同集合之间的相似度记为S)的测试需求集合被组合,或者它们的组合被保留的概率较大，否则概率较小；即，概率P为相似度S的正相关函数。
所述步骤S4具体为：
4.1构建模型的功能视图，明确模型的组成和原理。模型主要包括：预处理系统、柔性产线仿真模型、目标约束函数和柔性工位规划优化模型四大功能模块。实际的生产系统是模型的优化结果要作用的对象。
所述的4.1具体为：
4.1.1预处理系统的功能有三点：
1)根据接下来一个周期需要生产的产品种类从产品测试工序的数字化测试需求数据库中提取对应的数据，形成接下来一个周期内要进行分类的集合A；
2)根据产品数量、工位总数的约束以及3.2中的基础分类规则，对集合A进行分类，形成初始工位种类；进一步随机给出不同工位种类的数量。
3)给形成的初始工位规划进行编码,如mi-k，i＝1,2,…,H，H为当前工位的种类数，k＝1,2,…Oi，Oi为工位种类i的数量。进一步，为模型中的工位构建进入、离开的控制接口，以及生产数量、工作时间的统计接口，形成虚拟车间。
4.1.2柔性产线仿真模型的功能有二点：
1)基于固定输入的产品种类和数量，根据计算出来的车间工位分类和配置，按照FCFS规则(先进入工位前队列进行排队的产品优先级越高，越优先加工)，将产品在虚拟车间中模拟运行；
2)根据上述仿真结果，计算出该车间工位数量和工位指标模型下的加权工位利用率和仪器利用率。
4.1.3目标约束函数主要包含了产线管理者对工位利用率和仪器利用率的具体要求，用来评价车间工位数量和工位指标模型(工位分类与配置)的合理性。
4.1.4柔性工位规划优化模型的功能有三点：
1)该模型中包含了遗传免疫混合算法的主体结构以及算法的核心参数的设置(如：迭代次数、每代数量、突变概率、交叉概率等等)，在该模型中触发算法的运行；
2)利用遗传免疫算子——免疫选择算子对种群中的染色体的适应度进行判定、选择；其中种群是由不同的染色体组成的，每条染色体代表产品测试工序的测试需求集合Ji-Sk的自由组合的(工位分类)方案和每个组合体(工位类别)的数量分配方案；判定的标准由目标函数确定。
3)利用遗传免疫算子——交叉算子、突变算子实现了不同产品工序的测试需求集合Ji-Sk的多样组合，以及各种组合体(工位类别)的数量配置的多样组合，即实现了车间工位分类和配置方案的多样性；
4)该模型包含了工位分类和配置的约束条件，具体见3.3，该约束条件便于合理的车间工位分类和配置方案的形成。
4.2基于上述模型的功能视图，利用生产仿真软件进行建模，调用模型中的遗传免疫混合算法进行工位分类和配置方案仿真优化，给出满足目标函数的近似最优解——合理的车间工位分类和配置方案。
所述的4.2具体为：
4.2.1基于生产仿真软件，构建4.1中所阐述的柔性车间工位规划模型，进一步明确车间接下来一段周期的生产任务(生产种类和数量)；在柔性工位规划优化模块中启动遗传免疫混合算法流程。
4.2.2首先，遗传免疫混合算法将调用预处理系统，形成初始种群；每条染色体包含产品测试工序的测试需求集合Ji-Sk的自由组合的方案和每个组合体(工位类别)的数量分配方案；
4.2.3其次，算法调用柔性产线仿真模型计算各个染色体对应的适应度，即各个染色体所代表的车间工位规划方案所对应的加权工位利用率和仪器利用率。
4.2.4接着，算法调用柔性工位规划优化模型对种群中的染色体进行选择、交叉、变异操作，形成新的种群，即新的车间工位分类和配置方案。
4.2.5依据算法设置的迭代次数持续迭代更新，即重复4.2.3和4.24步骤，直至算法迭代结束且达到收敛状态。最后，模型将给出当前算力下，工位近似最优分类和配置方案。
所述步骤S5具体为：
5.1根据2.3中形成的各个仪器的功能定义规则，采用数字化描述方案α_β_γ来表示生产线所拥有的仪器、设备。那么，每个仪器的功能模型可以表示为集合α＝{α_β_γ，α_β1_γ1，……，α_β1_γ1}。
5.2将生产线中所有仪器设备表示为上述的数字化集合状态，形成仪器设备模型数据库。
所述步骤S6具体为：
6.1根据柔性工位规划模型输出的工位分类和配置方案，逐一从仪器设备模型数据库中自动选择满足功能性能指标要求的仪器设备，直到完成所有工位的配置；
6.2为保证关键稀缺仪器设备的利用率，包含关键稀缺仪器设备的每种工位可以具备多个版本的配置。Mj表示优化后的工位种类，则Mj-H表示包含了稀缺仪器设备的工位，Mj-L表示不包含稀缺仪器设备。
6.3产线根据工位的配置表指导所有工位的搭建，对于低配版本的工位，其配置表中对缺省仪器设备与相应产品工序的关系进行备注。
本发明的有益效果如下：
本发明涉及上述柔性生产线中测试工位的分类和配置方法，较好地解决了电子装备柔性生产线由于生产产品品种多、批量小和生产产品种类及数量随时间变化大引起测试工位种类及数量频繁变更导致仪器设备综合效率不高等问题。本发明基于生产产品各工序测试需求的数字化指标数据库和产品PBOM，构建柔性生产过程模型，以加权工位利用率和仪器设备利用率为目标函数，仿真计算实现了工位最优分类和配置，同时兼顾关键稀缺仪器的利用率，指导生产线测试工位的建设。
与现有技术对比，本发明避免了柔性生产线中测试工位配置变动，降低了仪器设备管理难度、提高了仪器设备利用率，可以为柔性生产线实现数字化转型提供支撑。
实施例3
如图1至图3所示，本实施例包含实施例1、实施例2的全部技术特征，本实施例在实施例1、实施例2的基础上，提供更细化的实施方式。
本发明针对现有技术的不足，提出了基于数字化仿真模型来分类和配置柔性生产线中测试工位的方法，主要为了解决生产线工位种类及数量设置不合理导致仪器设备综合效率不高等问题，基于生产产品PBOM和产品各工序测试需求的数字化指标数据库，构建基于遗传免疫混合算法的柔性生产过程模型，以加权工位利用率为目标函数，仿真计算实现工位最优分类和配置，进一步根据仪器设备数字化指标数据库，指导测试工位的建设。
柔性生产线中测试工位的分类和配置方法，具体步骤如下：
步骤S1：构建生产线中所有产品的调试段PBOM数据库；
步骤S2：将生产线中所有产品的所有测试工序的测试需求指标化、数字化，形成产品测试工序测试需求数据库；
步骤S3：定义测试工序的数字化测试需求集合之间的关系，并给出基础的工位分类规则和典型的分类约束；
步骤S4：构建基于遗传免疫混合算法及典型约束条件的柔性工位规划模型，仿真计算实现工位最优分类和配置；
步骤S5：将生产线中的所有仪器设备指标化、数字化，形成仪器设备模型数据库；
步骤S6：根据柔性工位规划模型输出的工位分类和配置，调用仪器设备模型数据库，形成产线测试工位配置。
为更好地实现本发明，进一步为：
所述步骤S1具体为：
1.1梳理产线需生产产品集J＝{J1,J2,…,Ji…,Jn}，根据产线的各自特点，制定产品调试段PBOM构建规则和构建要素规范，其中，核心要素为每个产品的工艺路线(包括了产品的装配和调试工序)、每个工序的实做工时、准备时间以及工作周期以及每个工序的资源需求状况。
1.2按规范构建产品调试段的PBOM表，利用常用的数据库软件，将所有需生产产品的PBOM数据整理为结构化数据，建立产品调试段PBOM数据库。
所述步骤S2具体为：
2.1着重将产品调试段PBOM中的工序资源需求状况进行细化，数字化，即，分析每个测试工序对各类仪器设备的各个功能的需求以及对应功能参数的需求范围；某一具体指标的数字化描述方案可以表示为α_β_γ，α用来描述仪器和设备类别，推荐使用仪器或设备的英文单词的缩写来表示，β用来描述所需的该仪器功能，推荐使用该仪器功能的英文单词的缩写表示，γ描述该功能的指标大小，直接采用相应的数值即可。
仪器设备具体的参数至少应包括：直流电源的通道数量、电压、电流和程控方式；信号源的频率范围、输出功率范围、调制方式和程控方式；频谱仪的频率范围、输入功率范围和程控方式；矢量网络分析仪的频率范围、端口数量和程控方式；可调谐光源的输出波长范围、输出光功率范围和程控方式；光谱分析仪的波长范围、输入光功率范围和程控方式；光功率计的波长范围、输入光功率范围和程控方式。
某一测试工序需要一个最大电压为5V的直流电源，数字化表示为：DC_MAXV_5。
2.2那么，如果产品Ji的调试PBOM中包含了一道或几道测试工序Ji-Sk，k＝1,2,…ei，ei表示产品Ji的测试工序总数，可以记Qik表示产品Ji的测试工序Sk的测试需求集合，也可以记为Ji-Sk。Qik＝{α_β_γ、α1_β1_γ1……αn_βn_γn}，其中n代表需求指标的种类。
2.3进一步，将各产品测试工序的数字化测试资源需求，按上述格式单独整理为测试需求集合Qik，形成产品测试工序的测试需求数据库。根据上述数据库，可以统计出每仪器所需的功能集合，形成各个仪器的功能定义规则。仪器α＝{α_β，α_β1,……,α_βn}。
所述步骤S3具体为：
3.1将不同测试工序的测试需求集合Qik中的字符进行匹配、比较，如果两个集合中的字符完全相同，那么它们的关系定义为“一致”；如果两个集合是从属关系(注意，对于字符串α_β_γ、α1_β1_γ1，若α_β＝α1_β1，且γ<γ1，它们也满足所属集合的从属关系)，那么它们的关系定义为“包含”；如果两个集合之间不属于上述两种关系，那么它们的关系定义为“相似”，进一步，通过比较两个集合之间的字符串的匹配度——相同字符串个数/较大集合的字符串个数，来定义相似关系的“相似度”。
3.2不同产品测试工序的测试需求集合的自由组合，可以形成不同种类的工位类别Mj，从功能角度来说，可表示为集合{Qik|Qik Mj，i,k是任意选定的产品种类和测试工序序号}或者集合{Ji-Sk|Ji-SkMj，i,k是任意选定的产品种类和测试工序序号}。为了对测试需求集合进行初始分类，形成初始的车间工位种类，需要给出了一些基础的分类规则：
1)当不同测试工序的测试需求集合之间为包含或一致关系，那么将这些集合都归为一类，形成工位类别；
2)当不同测试工序的测试需求集合之间为相似关系，如果这两种测试工序对应的产品的数量都较少(给定一个阈值G，当低于该值，则数量较少；否则数量较多)，取集合的并集形成工位类别；当它们对应的产品数量都较多，那么各自的集合自成一类工位；当某一集合对应的产品数量较多，某一集合对应的产品数量较少，那么可以取集合的并集形成工位类别。
3.3当利用算法自动组合不同的测试需求集合，为了使得算法的运算更加高效且工位的分类更加合理，给出一些典型的分类约束条件。
1)根据车间的物理空间，给出车间最大容纳工位数量N，工位总数量Mnum<N；
2)当不同测试工序的测试需求集合为“一致”关系，则它们的组合必须被保留；
3)给定一个产品数量多的判定阈值G1，当高于G1，该产品测试工序的测试需求集合需要被单独分类；(在2)的前提条件下)
4)给定一个产品数量少的判定阈值G2，当低于G2，该产品测试工序的测试需求集合不能被单独分类；
5)相似度较高(不同集合之间的相似度记为S)的测试需求集合被组合,或者它们的组合被保留的概率较大，否则概率较小；即，概率P为相似度S的正相关函数。
所述步骤S4具体为：
4.1构建模型的功能视图，明确模型的组成和原理。模型主要包括：预处理系统、柔性产线仿真模型、目标约束函数和柔性工位规划优化模型四大功能模块。实际的生产系统是模型的优化结果要作用的对象。
所述的4.1具体为：
4.1.1预处理系统的功能有三点：
1)根据接下来一个周期需要生产的产品种类从产品测试工序的数字化测试需求数据库中提取对应的数据，形成接下来一个周期内要进行分类的集合A；
2)根据产品数量、工位总数的约束以及3.2中的基础分类规则，对集合A进行分类，形成初始工位种类；进一步随机给出不同工位种类的数量。
3)给形成的初始工位规划进行编码,如mi-k，i＝1,2,…,H，H为当前工位的种类数，k＝1,2,…Oi，Oi为工位种类i的数量。进一步，为模型中的工位构建进入、离开的控制接口，以及生产数量、工作时间的统计接口，形成虚拟车间。
4.1.2柔性产线仿真模型的功能有二点：
1)基于固定输入的产品种类和数量，根据计算出来的车间工位分类和配置，按照FCFS规则(先进入工位前队列进行排队的产品优先级越高，越优先加工)，将产品在虚拟车间中模拟运行；
2)根据上述仿真结果，计算出该车间工位数量和工位指标模型下的加权工位利用率和仪器利用率。
4.1.3目标约束函数主要包含了产线管理者对工位利用率和仪器利用率的具体要求，用来评价车间工位数量和工位指标模型(工位分类与配置)的合理性。
4.1.4柔性工位规划优化模型的功能有三点：
1)该模型中包含了遗传免疫混合算法的主体结构以及算法的核心参数的设置(如：迭代次数、每代数量、突变概率、交叉概率等等)，在该模型中触发算法的运行；
2)利用遗传免疫算子——免疫选择算子对种群中的染色体的适应度进行判定、选择；其中种群是由不同的染色体组成的，每条染色体代表产品测试工序的测试需求集合Ji-Sk的自由组合的(工位分类)方案和每个组合体(工位类别)的数量分配方案；判定的标准由目标函数确定。
3)利用遗传免疫算子——交叉算子、突变算子实现了不同产品工序的测试需求集合Ji-Sk的多样组合，以及各种组合体(工位类别)的数量配置的多样组合，即实现了车间工位分类和配置方案的多样性；
4)该模型包含了工位分类和配置的约束条件，具体见3.3，该约束条件便于合理的车间工位分类和配置方案的形成。
4.2基于上述模型的功能视图，利用生产仿真软件进行建模，调用模型中的遗传免疫混合算法进行工位分类和配置方案仿真优化，给出满足目标函数的近似最优解——合理的车间工位分类和配置方案。
所述的4.2具体为：
4.2.1基于生产仿真软件，构建4.1中所阐述的柔性车间工位规划模型，进一步明确车间接下来一段周期的生产任务(生产种类和数量)；在柔性工位规划优化模块中启动遗传免疫混合算法流程。
4.2.2首先，遗传免疫混合算法将调用预处理系统，形成初始种群；每条染色体包含产品测试工序的测试需求集合Ji-Sk的自由组合的方案和每个组合体(工位类别)的数量分配方案；
4.2.3其次，算法调用柔性产线仿真模型计算各个染色体对应的适应度，即各个染色体所代表的车间工位规划方案所对应的工位利用率、仪器利用率以及线平衡率。
4.2.4接着，算法调用柔性工位规划优化模型对种群中的染色体进行选择、交叉、变异操作，形成新的种群，即新的车间工位分类和配置方案。
4.2.5依据算法设置的迭代次数持续迭代更新，即重复4.2.3和4.24步骤，直至算法迭代结束且达到收敛状态。最后，模型将给出当前算力下，工位近似最优分类和配置方案。
所述步骤S5具体为：
5.1根据2.3中形成的各个仪器的功能定义规则，采用数字化描述方案α_β_γ来表示生产线所拥有的仪器、设备。那么，每个仪器的功能模型可以表示为集合α＝{α_β_γ，α_β1_γ1，……，α_β1_γ1}。仪器的参数至少应包括：直流电源的电压范围、电流范围、功率范围和程控方式；信号源的频率范围、输出功率范围、调制方式和程控方式；频谱仪的频率范围、输入最大安全功率和程控方式；矢量网络分析仪的频率范围、输出功率范围、端口数量和程控方式；可调谐光源的输出波长范围、输出光功率范围和程控方式；光谱分析仪的波长范围、输入最大安全光功率和程控方式；光功率计的波长范围、输入最大安全光功率和程控方式。
5.2将生产线中所有仪器设备表示为上述的数字化集合状态，形成仪器设备模型数据库。
所述步骤S6具体为：
6.1根据柔性工位规划模型输出的工位分类和配置方案，逐一从仪器设备模型数据库中自动选择满足功能性能指标要求的仪器设备，直到完成所有工位的配置；
6.2为保证关键稀缺仪器设备的利用率，包含关键稀缺仪器设备的每种工位可以具备多个版本的配置。Mj表示优化后的工位种类，则Mj-H表示包含了稀缺仪器设备的工位，Mj-L表示不包含稀缺仪器设备。
6.3产线根据工位的配置表进行所有工位的搭建，对于低配版本的工位，其配置表中对缺省仪器设备与相应产品工序的关系进行备注。如：缺α1—Ji-Sk。
值得说明的是，关于遗传免疫混合算法，为将遗传算法与免疫结合的算法，具体可采用以下步骤：
遗传算法包括以下步骤：
A1,初始化；
A2,适应度计算；
A3,选择、交叉和变异；
A4,终止条件判断。
免疫算法包括以下步骤：
B1,识别抗体；
B2,生成初始化的抗体；
B3,适应度计算；
B4,计算抗体浓度和激励度；
B5,免疫选择；
B6,克隆、变异、克隆抑制；
B7,终止条件判断。
则遗传免疫混合算法可采用以下步骤：
C1，初始化；
C2,适应度计算；
C3,选择、交叉和变异；
C4,免疫选择；
C5，终止条件判断。
所述遗传免疫混合算法还可以在以上步骤的基础上做适当变形或拓展，所有符合以上思路的将遗传算法与免疫结合的算法均应被视为属于所述遗传免疫混合算法的范畴。
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)

1.一种生产线中加工工位的配置方法，其特征在于，包括以下步骤：
S1，PBOM数据库构建：构建生产线中所有产品对应的所有加工工序的PBOM数据库；
S2，仪器设备资源需求数据库构建：将生产线中所有产品对应的所有加工工序的加工需求指标化及数字化，形成加工工序的仪器设备资源需求数据库；
S3，集合关系定义：定义不同加工工序的仪器设备资源需求集合之间的关系，并给出工位分类规则和/或工位分类约束条件；
S4，工位数量和工位指标模型计算：构建基于遗传免疫混合算法、工位分类规则及工位分类约束条件的工位规划模型，仿真计算实现工位数量和工位指标模型的确定；
S5，仪器设备模型数据库构建：将生产线中的所有仪器设备指标化及数字化，形成仪器设备模型数据库；
S6，工位配置处理：根据工位规划模型输出的工位数量和工位指标模型，调用仪器设备模型数据库匹配工位数量和工位指标模型，形成生产线中加工工位的配置。
2.根据权利要求1所述的一种生产线中加工工位的配置方法，其特征在于，步骤S1包括以下步骤：
S11，梳理生产线需生产产品集，制定产品加工工序的PBOM构建规则和构建要素规范；
S12，构建产品加工工序的PBOM表，将所有需生产产品的PBOM数据整理为结构化数据，建立产品加工工序的PBOM数据库。
3.根据权利要求1或2所述的一种生产线中加工工位的配置方法，其特征在于，步骤S2包括以下步骤：
S21,将加工工序PBOM中的工序资源需求状况进行细化及数字化，分析每个加工工序对仪器设备类别、仪器设备功能和/或仪器设备参数指标的需求范围；
S22,将各产品加工工序的仪器设备资源需求整理为仪器设备资源需求集合，形成产品加工工序的仪器设备资源需求数据库。
4.根据权利要求3所述的一种生产线中加工工位的配置方法，其特征在于，步骤S3包括以下步骤：
S31，将不同加工工序的仪器设备资源需求集合中的内容进行匹配、比较，定义不同加工工序的仪器设备资源需求集合之间的关系；
S32，将不同加工工序的仪器设备资源需求集合自由组合，可以形成不同种类的工位类别，形成初始的工位种类，并给出工位分类规则和/或工位分类约束条件。
5.根据权利要求4所述的一种生产线中加工工位的配置方法，其特征在于，所述工位分类规则包括：
当不同加工工序的仪器设备资源需求集合之间为包含或一致关系时，则将这些集合都归为一类，形成一种工位类别；
当两种不同加工工序的仪器设备资源需求集合之间为相似关系时：若这两种加工工序对应的产品的数量都＜设定阈值，则取集合的并集形成一种工位类别；若这两种加工工序对应的产品数量均≥设定阈值，则各自的集合自成一类工位；若一集合对应的产品数量≥设定阈值，另一集合对应的产品数量＜设定阈值，则取集合的并集形成一种工位类别。
6.根据权利要求5所述的一种生产线中加工工位的配置方法，其特征在于，所述工位分类约束条件包括以下情形的一种或多种：
根据车间的物理空间，给出车间最大容纳工位数量N，工位总数量Mnum<N；
若不同加工工序的仪器设备资源需求集合为一致关系，则它们的组合必须被保留；
给定一个判定阈值G1，当产品数量≥G1，该产品加工工序的仪器设备资源需求集合需要被单独分类；
若给定一个判定阈值G2，当产品数量＜G2，该产品加工工序的仪器设备资源需求集合不能被单独分类；其中，G2＜G1；
仪器设备资源需求集合的组合被保留的概率为组合中的仪器设备资源需求集合之间的相似度的正相关函数。
7.根据权利要求6所述的一种生产线中加工工位的配置方法，其特征在于，步骤S4包括以下步骤：
S41，构建基于遗传免疫混合算法、工位分类规则及工位分类约束条件的工位规划模型的功能视图，明确工位规划模型的组成和原理；
S42，基于工位规划模型的功能视图，利用生产仿真软件进行建模，调用工位规划模型中的遗传免疫混合算法进行工位数量和工位指标模型方案仿真优化，以加权工位利用率和仪器设备利用率为目标函数，给出目标函数的最优解。
8.根据权利要求7所述的一种生产线中加工工位的配置方法，其特征在于，步骤S41包括以下步骤：构建工位规划模型具备预处理、生产线仿真、目标约束函数及工位规划优化功能。
9.根据权利要求8所述的一种生产线中加工工位的配置方法，其特征在于，步骤S41包括以下步骤：
S421，基于生产仿真软件，构建步骤S41中所述工位规划模型，启动遗传免疫混合算法；
S422，以预处理后的生产线的数据作为遗传免疫混合算法的初始种群，每条染色体包含一种产品加工工序的仪器设备资源需求集合的自由组合体以及每个组合体的数量；
S423，遗传免疫混合算法调用生产线仿真模型计算各个染色体对应的加权工位利用率和仪器设备利用率；
S424，遗传免疫混合算法调用工位规划优化模型对种群中的染色体进行选择、交叉、变异操作，形成新的种群，形成新的工位数量和工位指标模型方案；
S425，依据遗传免疫混合算法设置的迭代次数持续迭代更新，重复步骤S423和S424，直至遗传免疫混合算法迭代结束且达到收敛状态，给出当前算力下工位配置最优解。
10.一种生产线中加工工位的配置系统，其特征在于，基于权利要求1至9任一项所述的一种生产线中加工工位的配置方法，包括以下模块：
PBOM数据库构建模块，用以，构建生产线中所有产品对应的所有加工工序的PBOM数据库；
仪器设备资源需求数据库构建模块，用以，将生产线中所有产品对应的所有加工工序的加工需求指标化及数字化，形成加工工序的仪器设备资源需求数据库；
集合关系定义模块，用以，定义不同加工工序的仪器设备资源需求集合之间的关系，并给出工位分类规则和/或工位分类约束条件；
工位数量和工位指标模型计算模块，用以，构建基于遗传免疫混合算法、工位分类规则及工位分类约束条件的工位规划模型，仿真计算实现工位数量和工位指标模型；
仪器设备模型数据库构建模块，用以，将生产线中的所有仪器设备指标化及数字化，形成仪器设备模型数据库；
工位配置处理模块，用以，根据工位规划模型输出的工位数量和工位指标模型，调用仪器设备模型数据库匹配工位数量和工位指标模型，形成生产线中加工工位的配置。
CN202111455786.2A 2021-12-01 2021-12-01 一种生产线中加工工位的配置方法及系统 Active CN114253232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111455786.2A CN114253232B (zh) 2021-12-01 2021-12-01 一种生产线中加工工位的配置方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111455786.2A CN114253232B (zh) 2021-12-01 2021-12-01 一种生产线中加工工位的配置方法及系统

Publications (2)

Publication Number Publication Date
CN114253232A true CN114253232A (zh) 2022-03-29
CN114253232B CN114253232B (zh) 2023-05-26

Family

ID=80793694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111455786.2A Active CN114253232B (zh) 2021-12-01 2021-12-01 一种生产线中加工工位的配置方法及系统

Country Status (1)

Country Link
CN (1) CN114253232B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115392807A (zh) * 2022-10-31 2022-11-25 南京复创大数据产业发展有限公司 一种基于过程工艺数据的大数据质量分析方法和系统
US11874647B2 (en) * 2022-04-14 2024-01-16 Chengdu Qinchuan Iot Technology Co., Ltd. Industrial internet of things system for controlling production line parameter and control methods thereof

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000141176A (ja) * 1998-11-04 2000-05-23 Honda Motor Co Ltd 生産ラインの作業配分シミュレーション方法
JP2003186523A (ja) * 2001-12-19 2003-07-04 Ntt Data Corp 生産管理支援システム、方法、および装置、ならびにプログラム
JP2004076404A (ja) * 2002-08-19 2004-03-11 Takiya Kensetsu Kogyo Kk 二系列の階層構造を用いた工事管理システム及び工事管理の方法
US20060235554A1 (en) * 2005-04-15 2006-10-19 Ray Ellis Automated job management
CN107944698A (zh) * 2017-11-22 2018-04-20 重庆大学 面向云制造的制造需求与设备能力归一化建模方法
CN109657354A (zh) * 2018-12-20 2019-04-19 华中科技大学 一种基于数字孪生的混流装配车间快速重构方法及系统
WO2019080342A1 (zh) * 2017-10-27 2019-05-02 昆山精讯电子技术有限公司 一种电子器件检测装置
CN110276126A (zh) * 2019-06-20 2019-09-24 北京机械设备研究所 基于缓存区容量计算的自动化生产线优化方法
CN110837958A (zh) * 2019-10-31 2020-02-25 中国电子科技集团公司第二十九研究所 一种基于共性工位的测试仪器管理方法
CN112070438A (zh) * 2020-09-08 2020-12-11 艾普工华科技（武汉）有限公司 一种基于配置分层的物料配送方法和系统
CN112085368A (zh) * 2020-09-02 2020-12-15 西南交通大学 一种基于免疫遗传算法的设备产能配置与布局优化方法
CN113454548A (zh) * 2019-02-28 2021-09-28 纳米电子成像有限公司 流水线的动态训练

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000141176A (ja) * 1998-11-04 2000-05-23 Honda Motor Co Ltd 生産ラインの作業配分シミュレーション方法
JP2003186523A (ja) * 2001-12-19 2003-07-04 Ntt Data Corp 生産管理支援システム、方法、および装置、ならびにプログラム
JP2004076404A (ja) * 2002-08-19 2004-03-11 Takiya Kensetsu Kogyo Kk 二系列の階層構造を用いた工事管理システム及び工事管理の方法
US20060235554A1 (en) * 2005-04-15 2006-10-19 Ray Ellis Automated job management
WO2019080342A1 (zh) * 2017-10-27 2019-05-02 昆山精讯电子技术有限公司 一种电子器件检测装置
CN107944698A (zh) * 2017-11-22 2018-04-20 重庆大学 面向云制造的制造需求与设备能力归一化建模方法
CN109657354A (zh) * 2018-12-20 2019-04-19 华中科技大学 一种基于数字孪生的混流装配车间快速重构方法及系统
CN113454548A (zh) * 2019-02-28 2021-09-28 纳米电子成像有限公司 流水线的动态训练
CN110276126A (zh) * 2019-06-20 2019-09-24 北京机械设备研究所 基于缓存区容量计算的自动化生产线优化方法
CN110837958A (zh) * 2019-10-31 2020-02-25 中国电子科技集团公司第二十九研究所 一种基于共性工位的测试仪器管理方法
CN112085368A (zh) * 2020-09-02 2020-12-15 西南交通大学 一种基于免疫遗传算法的设备产能配置与布局优化方法
CN112070438A (zh) * 2020-09-08 2020-12-11 艾普工华科技（武汉）有限公司 一种基于配置分层的物料配送方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SHIH-WEN HSIAO: "Intelligent Assembly of Cosmetic in the Flexible Production" *
张沪俊: "基于精益造船制造资源数据库的研究" *
梁子财: "基于缓冲区容量优化配置的生产线仿真与优化" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11874647B2 (en) * 2022-04-14 2024-01-16 Chengdu Qinchuan Iot Technology Co., Ltd. Industrial internet of things system for controlling production line parameter and control methods thereof
CN115392807A (zh) * 2022-10-31 2022-11-25 南京复创大数据产业发展有限公司 一种基于过程工艺数据的大数据质量分析方法和系统

Also Published As

Publication number Publication date
CN114253232B (zh) 2023-05-26

Similar Documents

Publication Publication Date Title
CN114253232B (zh) 一种生产线中加工工位的配置方法及系统
Mukhopadhyay et al. Multiobjective genetic algorithm-based fuzzy clustering of categorical attributes
Zhong et al. Self-learning gene expression programming
Cai et al. Advice classes of parameterized tractability
CN106022480B (zh) 基于d-s证据理论的机器人功能模块粒度划分评价方法
Zanghi et al. Strategies for online inference of model-based clustering in large and growing networks
CN110147389A (zh) 帐号处理方法和装置、存储介质及电子装置
CN110909787A (zh) 基于聚类的进化算法进行多目标批调度优化的方法和系统
CN107451210B (zh) 一种基于查询松弛结果增强的图匹配查询方法
Talbi Hybrid metaheuristics for multi-objective optimization
CN110021340A (zh) 一种基于卷积神经网络和规划动态算法的rna二级结构生成器及其预测方法
Baesler et al. Multi-response simulation optimization using stochastic genetic search within a goal programming framework
Mishra et al. A review of random test case generation using genetic algorithm
Asokan et al. Machine-cell grouping in cellular manufacturing systems using non-traditional optimisation techniques-A comparative study
CN117436679B (zh) 一种元宇宙资源匹配方法及其系统
Wang et al. Improved selection strategy for multi‐objective evolutionary algorithms with application to water distribution optimization problems
CN107305640A (zh) 一种不均衡数据分类的方法
CN108509764A (zh) 一种基于遗传属性约简的古生物谱系演化分析方法
CN111798152A (zh) 一种门店智能管理方法和装置
CN108764586A (zh) 模糊Petri网参数优化方法、系统及电子设备
CN110019383A (zh) 一种关联规则挖掘方法、装置及计算机可读存储介质
CN109472276A (zh) 模式识别模型的构建方法和装置及模式识别方法
CN106980989A (zh) 基于用户行为特性分析的商户推荐方法
Zolfagharifar et al. Developing a hybrid intelligent classifier by using evolutionary learning (Genetic Algorithm and Decision Tree)
CN115048490A (zh) 一种基于深度学习的云制造服务流程推荐方法

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