CN115689025A - 一种自动化生产线智能布局方法及系统 - Google Patents
一种自动化生产线智能布局方法及系统 Download PDFInfo
- Publication number
- CN115689025A CN115689025A CN202211376884.1A CN202211376884A CN115689025A CN 115689025 A CN115689025 A CN 115689025A CN 202211376884 A CN202211376884 A CN 202211376884A CN 115689025 A CN115689025 A CN 115689025A
- Authority
- CN
- China
- Prior art keywords
- layout
- production line
- data
- task
- mechanical arm
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种自动化生产线智能布局方法及系统,包括:S1,获取工艺流程数据并对其解析得到任务数据,根据任务数据确定任务所需使用的机械臂;S2,初始化产线布局数据,并构建自动化产线智能算法的生物个体;S3,对线体、工位与任务进行调整,得到调整后的产线布局作为一个种群;S4,对调整后的产线布局进行合理性检测;S5,基于检测后的产线布局,进行机械臂轨迹规划;S6,对得到的产线布局进行布局评价;S7,对产线布局的调整策略进行优化调整;S8,进行种群调整,记录最优个体,并通过展示模块实时展示生产线布局和布局评价结果,当满足停止条件时结束布局过程,否则回到S3对产线布局进行调整。本发明能够实现对自动化生产线的智能布局。
Description
技术领域
本发明涉及智能布局的领域,尤其涉及一种自动化生产线智能布局方法及系统。
背景技术
近年来,随着工业自动化进程的推进,越来越多的机械臂被应用到工业制造中来,黑灯工厂里的自动化产线也在不断地变得庞大起来,这其中的产线布局与优化调整都给设计人员带来了巨大的工作负担。
近期人工智能技术在多个领域的应用与发展,使得越来越多的人员将人工智能技术应用到工业机器人遇到的问题上来。常见的算法应用领域主要集中在视觉应用与机械臂运动规划等方面,但没人在生产线布局的进行智能布局落地研究。传统的生产线布局主要依靠人工,凭借机械工程师自身学识与经验针对具体应用场景进行自动化生产线布局设计,影响产线布局的因素异常繁杂。虽有一整套的设计规则与规范,但都是界定模糊且主管意识较强的规则,无法直接数据化标准化。初版生产线布局设计完成后,每次优化调整影响大复工部分大,总设计周期长。
发明内容
本发明的目的在于提供一种自动化生产线智能布局方法,用以解决现有自动化产线智能布局优化困难的问题。
一方面,本发明实施例提供了一种自动化生产线智能布局方法,包括:
S1,获取工艺流程数据并对其解析得到任务数据,根据任务数据确定任务所需使用的机械臂;
S2,初始化产线布局数据,并构建自动化产线智能算法的生物个体;
S3,采用整体与局部分离的方式对产线布局进行调整,分别对线体、工位与任务进行调整,得到调整后的产线布局作为一个种群;
S4,对调整后的产线布局进行合理性检测;
S5,基于检测后的产线布局,进行机械臂轨迹规划;
S6,对得到的产线布局进行布局评价;
S7,对产线布局的调整策略进行优化调整;
S8,进行种群调整,记录最优个体,并通过展示模块实时展示生产线布局和布局评价结果,当满足停止条件时结束布局过程,否则回到S3对产线布局进行调整。
另一方面,本发明实施例还提供了所述S1还包括:
S1-1,工艺流程数据解析构建任务数据;
S1-2,根据任务数据,获取满足任务需求的机械臂。
另一方面,本发明实施例还提供了所述S1-1还包括:
采取人机交互的方式,获取完整的工艺流程数据,工艺流程数据包含总装信息、装配物信息、装配优先级、装配类型等数据;
采取自主分析结合人机交互的方式,算法自主分析部分工艺数据,其余数据通过交互获取;
读取已有的工艺流程文件获取工艺流程数据。
另一方面,本发明实施例还提供了所述S2中的初始化产线布局数据还包括:
根据任务数据与机械臂数据生成初始的布局数据:将加工工艺信息数字化为任务数据,计算出任务空间;
依据数字化的机械臂数据,计算近似的工作空间;
以机械臂工作空间覆盖任务空间,机械臂空间无重叠,机械臂无碰撞的规则,生成各工位内数字模型的相对位姿,依照工艺优先级连接工位构建初始布局;
扫描已有的产线布局,即模型排布结构,结合任务数据构建初始产线布局数据。
另一方面,本发明实施例还提供了所述S2中通过初始产线布局数据构建自动化产线智能算法的生物个体还包括:
提取工位内模行位姿数据生成基因段,再提取工位走势与布局生成基因段,拼接基因段,构建智能算法的生物个体。
另一方面,本发明实施例还提供了所述S3还包括:
S3-1,初始化差分进化算法;
S3-2,基于差分进化算法进行生物种群自然选择,筛选最优的布局生物个体。
另一方面,本发明实施例还提供了所述S3-2还包括:
S3-2-1,通过变异操作对产线布局进行部分调整;
S3-2-2,生成交叉个体,并通过交叉操作拼接两个不同的布局,实现对布局的大范围调整;
S3-2-3,修正新生成个体的异常基因段,保证代表基因的值在允许范围内;其目的在于进一步降低无效布局的生物个体,提升布局优化速度。
S3-2-4,对基因表达后个体基因产生变动的个体,同步个体实际表达基因保持调整基因与实际表达基因一致。
另一方面,本发明实施例还提供了所述S4还包括:
S4-1,进行产线布局的线体整体检测,即对生产线整体进行宏观的合理性检测,线体整体检测包括线体交叉检测和工位间碰撞检测;
S4-2,以单包括个工位为目标,进行工位物体检测,工位物体检测包括工位内部碰撞检测、运送线空间禁入检测和工位内部件位置合理性检测;
S4-3,以工艺加工为目标进行检测,进行任务执行检测,任务执行检测包括机械臂任务完成度检测、机械臂的可达空间覆盖度检测和机械臂的任务无干涉检测。
另一方面,本发明实施例还提供了所述S6还包括:
S6-1,设置评价指标,包括节拍time、占地area和成本value;
S6-2,为评价指标分配权重并计算生产线评价得分,根据得分判断产线布局是否有效。
另一方面,本发明实施例还提供了所述S7还包括:
S7-1,收集并记录变动个体的基因段调整结果,标注出布局个体调整后对布局有益或无益的基因段;
S7-2,挑选最活跃的优劣基因段,计算公式为:
positiveMax=max(positiveg0,positiveg1,…,positivegn)
negativeMax=max(negativeg0,negativeg1,…,negativegn)
其中,positiveMax是最积极调整得分,positivegi是基因段gi的积极得分,且positivegi的值大于等于0,negativeMax是最消极调整得分,negativegi是基因段gi的消极得分,且negativegi的值小于等于0。
S7-3,重计算基因活跃度,提升布局有益基因段活跃度,并抑制布局无益基因段的活跃度,计算公式为:
其中,g′i是基因段gi调整后活跃度,gi是基因段gi的活跃度,α与β为加权系数,η是调整率。
另一方面,本发明实施例还提供了一种自动化生产线智能布局系统,包括:任务获取单元、产线初始化单元、布局调整单元、检测单元、机械臂轨迹规划单元、布局评价单元、策略优化单元、种群调整单元和展示单元。
其中,任务获取单元能够根据工艺流程数据获取任务数据以及任务所需使用的机械臂;产线初始化单元用于初始化产线布局数据;布局调整单元用于对产线布局进行调整;检测单元用于对调整后的产线布局进行合理性检测;机械臂轨迹规划单元用于对机械臂的工作轨迹进行规划;布局评价单元用于对产线布局进行布局评价,得到其是否有效的评价结果;策略优化单元用于对产线布局的调整策略进行优化调整;种群调整单元用于对布局调整单元得到的产线布局进行排序,得到当前最优布局个体;展示单元能够实时展示产线布局。
本发明的有益效果为:本发明提出的自动化生产线智能布局方法,填补了自动化产线智能布局的研究空白,为智能布局拓展了一个参考方向;为解决进化类算法的收敛缓慢问题提供了新方向;其有益效果至少包括:①自适应提升少数有效基因变异方法;②增加基因表达自适应与基因同步模块,进一步加速算法收敛速度,提升算法的实用性;采用智能体与AI分离的架构模式,提升了AI算法的复用性;提取机械工程师布局设计规则,构建合理性检测模块;提取机械工程师布局设计关注目标,提取综合评价方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1为本发明实施例中提供的自动化生产线智能布局方法的整体流程示意图;
图2为本发明实施例中提供的自动化生产线智能布局系统的整体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
在本说明书的描述中,所使用的“包含”、“包括”、“具有”、“含有”等,均为开放性的用语,即意指包含但不限于。参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”等的描述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本申请的实施,其中的步骤顺序不作限定,可根据需要作适当调整。
实施例1
本发明实施例中提供了一种自动化生产线智能布局方法,图1为该方法的整体流程示意图,如图1所示,该方法包括:
S1,获取工艺流程数据并对其解析得到任务数据,根据任务数据确定任务所需使用的机械臂;
具体的,S1还包括:
S1-1,基于人机交互、自主分析结合人机交互或读取现有工艺流程文件的方式获取工艺流程数据,并解析工艺流程数据从而构建任务数据;
具体的,基于人机交互的方式获取工艺流程数据还包括:采取人机交互的方式获取完整的工艺流程数据,工艺流程数据包括总装信息、装配物信息、装配优先级、装配类型等数据;
基于自主分析结合人机交互获取工艺流程数据还包括:采取自主分析结合人机交互的方式,通过算法自主分析部分工艺数据,如总装信息、装配物信息、装配优先级以及部分装配类型等信息,其余数据通过交互获取;
也可以采用读取现有工艺流程文件的方式获取工艺流程数据。
进一步的,采用开放的任务解析算法解析工艺流程数据,得到任务数据;任务数据包括任务的需求自由度及其最大需求范围,以及生产线所承载物品的重量。
S1-2,获取可选的机械臂信息,结合任务数据获取满足任务需求的机械臂;
具体的,采用基于AI的智能算法自主推荐满足任务需求的机械臂,或由本领域技术人员指定机械臂。
S2,根据任务数据和所选机械臂初始化产线布局数据,并构建自动化产线智能算法的生物个体;
具体的,S2中初始化产线布局数据还包括:
根据任务数据与机械臂数据生成初始的布局数据,将加工工艺信息数字化为任务数据,计算出任务空间;
将机械臂的数据数字化,依据数字化的机械臂数据,得到机械臂的工作空间数据;
以机械臂工作空间覆盖任务空间,机械臂空间无重叠,机械臂无碰撞的规则,生成各工位内工件、机械臂、托盘、支架、运送带等数字模型的相对位姿,依照工艺优先级连接工位构建初始布局。
技术人员表搭建产线布局,扫描搭建的产线布局,即模型排布结构,结合任务数据构建初始产线布局数据。
进一步的,通过初始产线布局数据构建自动化产线智能算法的生物个体还包括:
提取工位内模行位姿数据生成基因段,再提取工位走势与布局生成基因段,拼接基因段,构建智能算法的生物个体。
S3,采用基因交叉与变异的方式对产线布局进行调整,分别对线体、工位与任务进行调整,得到调整后的产线布局作为一个种群;
具体的,S3还包括:
S3-1,初始化差分进化算法;
智能体对自身数据进行编码构建生物个体,初始化或复制个体信息,构建生物种群;本发明在差分进化算法中增加了数据压缩映射的模块,将遗传类算法的基因值域控制在0-1之间,提高了算法的泛用性。
本发明基于差分进化算法对产线布局的调整包括从整体和局部两个方面进行调整,整体调整即对生产线的整体框架进行规划,例如选择L型、U型或一字型等产线类型,局部调整为对于生产线的具体结构进行调整。
S3-2,基于差分进化算法进行生物种群自然选择,筛选优异布局生物个体;
具体的,生物个体包含完整的布局信息,S3-2还包括:
S3-2-1,通过变异操作对产线布局进行部分调整;
变异操作包括调整生物个体的基因,并限定调整的实际表达度,生成变异个体,变异个体的变异方向随机生成;
变异操作用于调整少数的布局数据,即对布局进行小幅度的调整,避免大范围调整带来的无效布局过多,拖慢布局优化的进度。
其中,变异计算公式为:
ig′i=α*rang
其中,ig′i为变异后的生物个体第i号基因段,α为基因的允许表达度,rang是随机数,且rang∈[0,1]。
S3-2-2,生成交叉个体,并通过交叉操作拼接两个不同的布局,实现对布局的大范围调整;
具体的,通过生物个体基因交叉生成交叉个体,交叉基因来源于选择时挑选的两个不同个体,提升基因个体的丰富性与并行计算适应度。
交叉操作主要目的是拼接两个不同的布局,提升布局大范围调整的能力,加速优异布局段的结合,提高布局优化速度。
其中,基因交叉公式为:
ind′i=indi+(indj-indk)
其中,ind′i为交叉后的生物个体i,indi为原始生物个体i,indj、indk分别为生物个体j、k;
S3-2-3,修正新生成的交叉个体的异常基因段,保证代表基因的值在允许范围内;其目的在于进一步降低无效布局的生物个体,提升布局优化速度。
S3-2-4,对基因表达后个体基因产生变动的个体,同步个体实际表达基因保持调整基因与实际表达基因一致。
S4,对调整后的产线布局进行合理性检测,并进入S5;
具体的,S4还包括:
S4-1,进行产线布局的线体整体检测,即对生产线整体进行宏观的合理性检测;
其中,本实施例中的线体整体检测包括线体交叉检测和工位间碰撞检测;
线体交叉检测为:将立体的工位模型布局根据产线走势简化为虚拟线,检测各线段是否相交,避免工位空间交叠的现象发生;
工位间碰撞检测为:检测两个工位整体间是否碰撞,采用的算法是点云碰撞检测方法,避免空间交叠的现象发生。
S4-2,进行工位物体检测,以单包括个工位为目标,进行精细化的合理性检测;
其中,本实施例中的工位物体检测包括工位内部碰撞检测、运送线空间禁入检测和工位内部件位置合理性检测;
工位内部碰撞检测为:对工位内机械臂、支架、运送线体、工件等物体进行碰撞检测,采用点云碰撞检测的方法,避免产线部件无法正确安装;
运送线空间禁入检测为:划定运送线附近的禁止干涉空间,检测是否有其它物体进入该区域,避免其它物体阻塞工件运输;
工位内部件位置合理性检测为:工位内部各结构的位置是否合理,例如,机械臂的摆放是否在合理空间,如摆放在桌台上表面,不是悬浮,穿透等,避免布局无法落地实施。
S4-3,进行任务执行检测,以工艺加工为目标进行检测:
其中,本实施例的任务执行检测包括机械臂任务完成度检测、机械臂的可达空间覆盖度检测和机械臂的任务无干涉检测;
机械臂任务完成度检测为:检测计算机械臂在当前位姿能够完成指定任务的程度,避免机械臂无法完成指定任务;
机械臂的可达空间覆盖度检测为:机械臂可达空间是否能够覆盖自己负责的所有任务的任务空间,避免机械臂无法覆盖合任务空间;
机械臂的任务无干涉检测为:检测机械臂完成任务时是否存在相互干涉的现象,避免机械臂碰撞。
S5,基于检测后的产线布局,进行机械臂轨迹规划;
其中,机械臂轨迹规划包括单机械臂轨迹规划和多机械臂协同规划;
单机械臂轨迹规划主要包括数学计算规划方法和基于人工智能的规划方法,基于人工智能的规划方法包括人工势场法、蚁群算法、强化学习法等;
多机械臂协同规划还包括以下步骤:
计算机械臂任务时间,分析机械臂节拍;
根据运动轨迹绘制机械臂运动覆盖空间;
根据时空干涉,进行任务调度分析,得到时序路径点。
S6,对得到的产线布局进行布局评价;
其中,S6还包括:
S6-1,设置评价指标,包括节拍time、占地area和成本value;
具体的,为了数据化标准化评价方法,本实施例中选取重要性高的指标作为关键指标对产线布局进行评价,包括节拍time、占地area和成本value;
节拍又称客户需求周期、产距时间,是指在一定时间长度内,总有效生产时间与客户需求数量的比值,是客户需求一件产品的市场必要时间;
占地为生产线的总占地空间;
成本为搭建生产线的总需求成本。
S6-2,为评价指标分配权重并计算生产线评价得分,根据得分判断产线布局是否有效;
生产线评价得分计算式为:
其中,fiti为生产线评价得分,time为节拍,area为占地空间,value为成本,α、β、γ与λ为各指标的加权系数,isRight表示是否满足合理性需求。
若得到的fiti大于零表示该生产线布局为有效的布局,若fiti为-1则表示布局失败,该布局无效;且fiti越大则表示需求偏向性契合度就越高。
S7,对产线布局的调整策略进行优化调整,并进入S8;
具体的,自适应调节基因活跃度,本发明通过改进单基因调整策略,提升其多基因调整能力,主要针对长基因遗传算法的初始收敛缓慢问题,提升有效布局个体的出现率,加速收敛的优化策略。
具体的,S7还包括:
S7-1,收集并记录变动个体的基因段调整结果,标注出布局个体调整后对布局有益或无益的基因段;
S7-2,挑选最活跃的优劣基因段,计算公式为:
positiveMax=max(positiveg0,positiveg1,…,positivegn)
negativeMax=max(negativeg0,negativeg1,…,negativegn)
其中,positiveMax是最积极调整得分,positivegi是基因段gi的积极得分,且positivegi的值大于等于0,negativeMax是最消极调整得分,negativegi是基因段gi的消极得分,且negativegi的值小于等于0。
S7-3,重计算基因活跃度,提升布局有益基因段活跃度,并抑制布局无益基因段的活跃度,计算公式为:
其中,g′i是基因段gi调整后活跃度,gi是基因段gi的活跃度,α与β为加权系数,η是调整率。
S8,种群调整,记录最优个体,并通过展示模块实时展示产线布局,当满足停止条件时结束布局过程,否则回到S3对产线布局进行调整。
具体的,将合理布局个体按评价由大到小排序,保留一定数量的个体,本发明中至少保留两个产线布局个体,去除其它个体,并记录当前最优布局个体;
停止条件为通过S5中的合理性检测以及S6中评价为有效布局的产线布局,若不满足停止条件则舍弃该产线布局,并返回S3,若满足则输出该产线当前最优布局。
在智能布局工程中输出产线布局数据,通过展示模块控制布局结构实时渲染展示当前最优布局;评价分值与相关数据日志更新与记录。
本发明中的展示模块为第三方可视化平台,如unity。
实施例2
本发明还提出了一种自动化生产线智能布局系统,实施例1中所提出的自动化生产线智能布局方法能够基于该自动化生产线智能布局系统实现,该系统包括:任务获取单元、产线初始化单元、布局调整单元、检测单元、机械臂轨迹规划单元、布局评价单元、策略优化单元、种群调整单元和展示单元。
其中,任务获取单元能够根据工艺流程数据获取任务数据以及任务所需使用的机械臂;产线初始化单元用于初始化产线布局数据;布局调整单元用于对产线布局进行调整;检测单元用于对调整后的产线布局进行合理性检测;机械臂轨迹规划单元用于对机械臂的工作轨迹进行规划;布局评价单元用于对产线布局进行布局评价,得到其是否有效的评价结果;策略优化单元用于对产线布局的调整策略进行优化调整;种群调整单元用于对布局调整单元得到的产线布局进行排序,得到当前最优布局个体;展示单元能够实时展示产线布局,供工作人员参考。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (11)
1.一种自动化生产线智能布局方法,其特征在于,包括:
S1,获取工艺流程数据并对其解析得到任务数据,根据任务数据确定任务所需使用的机械臂;
S2,初始化产线布局数据,并构建自动化产线智能算法的生物个体;
S3,采用整体与局部分离的方式对产线布局进行调整,分别对线体、工位与任务进行调整,得到调整后的产线布局作为一个种群;
S4,对调整后的产线布局进行合理性检测;
S5,基于检测后的产线布局,进行机械臂轨迹规划;
S6,对得到的产线布局进行布局评价;
S7,对产线布局的调整策略进行优化调整;
S8,进行种群调整,记录最优个体,并通过展示模块实时展示生产线布局和布局评价结果,当满足停止条件时结束布局过程,否则回到S3对产线布局进行调整。
2.如权利要求1所述的自动化生产线智能布局方法,其特征在于,所述S1还包括:
S1-1,工艺流程数据解析构建任务数据;
S1-2,根据任务数据,获取满足任务需求的机械臂。
3.如权利要求2所述的自动化生产线智能布局方法,其特征在于,所述S1-1还包括:
采取人机交互的方式,获取完整的工艺流程数据,工艺流程数据包含总装信息、装配物信息、装配优先级、装配类型等数据;
采取自主分析结合人机交互的方式,算法自主分析部分工艺数据,其余数据通过交互获取;
读取已有的工艺流程文件获取工艺流程数据。
4.如权利要求2或3所述的自动化生产线智能布局方法,其特征在于,所述S2中的初始化产线布局数据还包括:
根据任务数据与机械臂数据生成初始的布局数据:将加工工艺信息数字化为任务数据,计算出任务空间;
依据数字化的机械臂数据,计算近似的工作空间;
以机械臂工作空间覆盖任务空间,机械臂空间无重叠,机械臂无碰撞的规则,生成各工位内数字模型的相对位姿,依照工艺优先级连接工位构建初始布局;
扫描已有的产线布局,即模型排布结构,结合任务数据构建初始产线布局数据。
5.如权利要求4所述的自动化生产线智能布局方法,其特征在于,所述S2中通过初始产线布局数据构建自动化产线智能算法的生物个体还包括:
提取工位内模行位姿数据生成基因段,再提取工位走势与布局生成基因段,拼接基因段,构建智能算法的生物个体。
6.如权利要求1所述的自动化生产线智能布局方法,其特征在于,所述S3还包括:
S3-1,初始化差分进化算法;
S3-2,基于差分进化算法进行生物种群自然选择,筛选最优的布局生物个体。
7.如权利要求6所述的自动化生产线智能布局方法,其特征在于,所述S3-2还包括:
S3-2-1,通过变异操作对产线布局进行部分调整;
S3-2-2,生成交叉个体,并通过交叉操作拼接两个不同的布局,实现对布局的大范围调整;
S3-2-3,修正新生成个体的异常基因段,保证代表基因的值在允许范围内;其目的在于进一步降低无效布局的生物个体,提升布局优化速度。
S3-2-4,对基因表达后个体基因产生变动的个体,同步个体实际表达基因保持调整基因与实际表达基因一致。
8.如权利要求1所述的自动化生产线智能布局方法,其特征在于,所述S4还包括:
S4-1,进行产线布局的线体整体检测,即对生产线整体进行宏观的合理性检测,线体整体检测包括线体交叉检测和工位间碰撞检测;
S4-2,以单包括个工位为目标,进行工位物体检测,工位物体检测包括工位内部碰撞检测、运送线空间禁入检测和工位内部件位置合理性检测;
S4-3,以工艺加工为目标进行检测,进行任务执行检测,任务执行检测包括机械臂任务完成度检测、机械臂的可达空间覆盖度检测和机械臂的任务无干涉检测。
9.如权利要求1所述的自动化生产线智能布局方法,其特征在于,所述S6还包括:
S6-1,设置评价指标,包括节拍time、占地area和成本value;
S6-2,为评价指标分配权重并计算生产线评价得分,根据得分判断产线布局是否有效。
10.如权利要求1所述的自动化生产线智能布局方法,其特征在于,所述S7还包括:
S7-1,收集并记录变动个体的基因段调整结果,标注出布局个体调整后对布局有益或无益的基因段;
S7-2,挑选最活跃的优劣基因段,计算公式为:
positiveMax=max(positiveg0,positiveg1,…,positivegn)
negativeMax=max(negativeg0,negativeg1,…,negativegn)
其中,positiveMax是最积极调整得分,positivegi是基因段gi的积极得分,且positivegi的值大于等于0,negativeMax是最消极调整得分,negativegi是基因段gi的消极得分,且negativegi的值小于等于0。
S7-3,重计算基因活跃度,提升布局有益基因段活跃度,并抑制布局无益基因段的活跃度,计算公式为:
其中,g′i是基因段gi调整后活跃度,gi是基因段gi的活跃度,α与β为加权系数,η是调整率。
11.一种自动化生产线智能布局系统,其特征在于,包括:任务获取单元、产线初始化单元、布局调整单元、检测单元、机械臂轨迹规划单元、布局评价单元、策略优化单元、种群调整单元和展示单元。
其中,任务获取单元能够根据工艺流程数据获取任务数据以及任务所需使用的机械臂;产线初始化单元用于初始化产线布局数据;布局调整单元用于对产线布局进行调整;检测单元用于对调整后的产线布局进行合理性检测;机械臂轨迹规划单元用于对机械臂的工作轨迹进行规划;布局评价单元用于对产线布局进行布局评价,得到其是否有效的评价结果;策略优化单元用于对产线布局的调整策略进行优化调整;种群调整单元用于对布局调整单元得到的产线布局进行排序,得到当前最优布局个体;展示单元能够实时展示产线布局。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211376884.1A CN115689025A (zh) | 2022-11-04 | 2022-11-04 | 一种自动化生产线智能布局方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211376884.1A CN115689025A (zh) | 2022-11-04 | 2022-11-04 | 一种自动化生产线智能布局方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115689025A true CN115689025A (zh) | 2023-02-03 |
Family
ID=85049666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211376884.1A Pending CN115689025A (zh) | 2022-11-04 | 2022-11-04 | 一种自动化生产线智能布局方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115689025A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116484795A (zh) * | 2023-06-26 | 2023-07-25 | 中国电子科技集团公司第二十九研究所 | 一种多芯片组件装配生产线的布局生成系统及方法 |
CN116968037A (zh) * | 2023-09-21 | 2023-10-31 | 杭州芯控智能科技有限公司 | 一种多机械臂协同任务调度方法 |
-
2022
- 2022-11-04 CN CN202211376884.1A patent/CN115689025A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116484795A (zh) * | 2023-06-26 | 2023-07-25 | 中国电子科技集团公司第二十九研究所 | 一种多芯片组件装配生产线的布局生成系统及方法 |
CN116484795B (zh) * | 2023-06-26 | 2023-08-18 | 中国电子科技集团公司第二十九研究所 | 一种多芯片组件装配生产线的布局生成系统及方法 |
CN116968037A (zh) * | 2023-09-21 | 2023-10-31 | 杭州芯控智能科技有限公司 | 一种多机械臂协同任务调度方法 |
CN116968037B (zh) * | 2023-09-21 | 2024-01-23 | 杭州芯控智能科技有限公司 | 一种多机械臂协同任务调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115689025A (zh) | 一种自动化生产线智能布局方法及系统 | |
Yang et al. | Parallel manufacturing for industrial metaverses: A new paradigm in smart manufacturing | |
CN109799822A (zh) | 移动机器人全局平滑路径规划方法 | |
CN104408518A (zh) | 基于粒子群优化算法的神经网络学习优化方法 | |
CN109159127A (zh) | 一种基于蚁群算法的双焊接机器人智能路径规划方法 | |
US20210073695A1 (en) | Production scheduling system and method | |
CN105139072A (zh) | 应用于非循迹智能小车避障系统的强化学习算法 | |
CN111240209B (zh) | 构型动型控型优型联动响应的自适应组态方法及系统 | |
CN113281993B (zh) | 一种贪心k-均值自组织神经网络多机器人路径规划方法 | |
CN113869571A (zh) | 一种基于异构数据的智慧能源建筑综合信息物理融合方法 | |
Zhang et al. | Real-time machine learning prediction of an agent-based model for urban decision-making | |
CN110221583A (zh) | 一种基于HoloLens的智能装配生产线仿真方法 | |
CN105487496A (zh) | 基于双目标并行island-hfc混合模型遗传编程算法的火电厂热工在线过程辨识及控制算法的优化方法 | |
CN110543727A (zh) | 一种基于改进粒子群算法的全向移动智能轮椅机器人参数辨识方法 | |
CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
CN111738499A (zh) | 一种基于新型邻域结构的作业车间分批调度方法 | |
CN112231966A (zh) | 一种基于数字孪生的协作机器人可装配性预测系统及方法 | |
Qiao et al. | Adaptive collaborative optimization of traffic network signal timing based on immune-fireworks algorithm and hierarchical strategy | |
CN116214527B (zh) | 一种增强人机协作适应性的三体协同智能决策方法和系统 | |
Wu et al. | 3D modeling and design effect optimization of ceramics using virtual reality | |
Wang | Optimal scheduling of flow shop based on genetic algorithm | |
CN115099061B (zh) | 一种机器人仓储系统自动建模方法及系统 | |
Li et al. | Digital twin-based virtual reconfiguration method for mixed-model robotic assembly line | |
CN114290335A (zh) | 一种机器人轨迹规划方法 | |
CN110450160B (zh) | 一种开放式免编程机器人的控制方法 |
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 |