CN116127695A - 一种基于综合性能评价的生产线构建方法及系统 - Google Patents

Abstract

本发明属于生产线生产技术领域，并具体公开了一种基于综合性能评价的生产线构建方法及系统，其包括：S1、确定生产线的评价指标，将各评价指标加权融合确定生产线综合性能评价指标；S2、通过建模仿真获取不同生产线参数对应的综合性能评价指标的评估值，进而得到样本集；S3、通过样本集对预测模型进行训练，得到训练后的预测模型；S4、基于预测模型，对待构建生产线参数进行优化，使综合性能评价指标满足需求，从而完成生产线构建。同时将遗传算法和预测模型相结合，实现产线配置参数的全局优化。本发明方法是实现可预测生产的基础，对于拟建线的设计和在产线的改进都有重要的意义。

Description

一种基于综合性能评价的生产线构建方法及系统

技术领域

本发明属于生产线生产技术领域，更具体地，涉及一种基于综合性能评价的生产线构建方法及系统。

背景技术

生产线是根据产品的工艺路径来确定和布置专业化生产设备的一种高效的生产组织方式，相对于传统的生产组织方式，生产线具有很高的生产效率。目前对于生产线性能的研究涉及各个维度，包括产能、可用性、鲁棒性和平衡等；而在构建生产线时，需要对各性能指标进行快速、准确的评估，以选定最优的生产线参数，提高生产效率。

但目前的研究大都只针对生产线性能的某一维度，对于生产线性能的反映都具有一定的片面性。同时，采用仿真软件获取不同生产线参数对应的性能指标是比较费时的，特别是在产线的设计阶段，由于很多配置参数都没有确定，对于各种不同的设计方案只能逐一更改仿真模型参数，并再分别进行多次独立重复仿真，完成这一过程需要大量的时间和计算资源。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于综合性能评价的生产线构建方法及系统，其目的在于，综合考虑多个生产线性能评价指标，并提高生产线参数的调整优化效率，快速构建符合综合性能需求的生产线。

为实现上述目的，按照本发明的一方面，提出了一种基于综合性能评价的生产线构建方法，包括模型训练阶段和模型使用阶段；

模型训练阶段包括：

S1、确定生产线的评价指标，将各评价指标加权融合确定生产线综合性能评价指标；

S2、通过建模仿真获取不同生产线参数对应的综合性能评价指标的评估值，进而得到样本集；

S3、通过样本集对预测模型进行训练，得到训练后的预测模型；

模型使用阶段包括：

S4、基于预测模型，对待构建生产线参数进行优化，使综合性能评价指标满足需求，从而完成生产线构建。

作为进一步优选的，对已有生产线进行调整时：在模型使用阶段，根据生产线参数对评价指标的敏感性，筛选部分生产线参数输入训练后的预测模型，并优先调整敏感性较高的生产线参数，使预测模型预测的综合性能评价指标满足需求，从而完成生产线的调整构建。

作为进一步优选的，生产线参数对评价指标的敏感性的计算方法为：先使用Morris方法定性地筛选出敏感性较高的部分生产线参数；再使用Sobol法对筛选出的生产线参数进行定量敏感性分析，得到各个生产线参数的敏感性。

作为进一步优选的，重新构建生产线时：在模型使用阶段，采用XGBoost预测模型与遗传算法相结合对生产线参数进行优化，具体以生产线参数为种群个体，以通过XGBoost预测模型计算出的综合性能评价指标作为适应度，通过遗传算法迭代优化，确定最优生产线参数，完成生产线的重新构建。

作为进一步优选的，所述生产线的评价指标包括生产线产能、可用性、鲁棒性和平衡率，通过层次分析法将各评价指标加权融合确定生产线综合性能评价指标。

作为进一步优选的，步骤S2中，通过Plant Simulation仿真获取生产线综合性能评价指标。

作为进一步优选的，通过Welch移动平均法确定仿真预热时间，并在仿真结束后，将仿真预热时间内获取的评估值删除，以剩下的评估值构建样本集。

作为进一步优选的，以剩下的评估值构建样本集具体为：以生产线参数及其对应的综合性能评价指标的评估值构建数据集，通过拉丁抽立方采样在数据集中进行样本选取，从而得到样本集。

作为进一步优选的，所述生产线参数包括各零件在不同加工单元的加工周期、加工单元故障维修时间、加工单元故障间隔时间和加工单元缓冲区大小。

按照本发明的另一方面，提供了一种基于综合性能评价的生产线构建系统，包括处理器，所述处理器用于执行上述基于综合性能评价的生产线构建方法。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：

1.本发明对各性能指标进行赋权，从而进行加权融合获得综合性能评价指标，基于综合性能评价指标的建立，通过仿真模型来获取评价所需的数据；进而采用预测模型来代替仿真模型，避免仿真模型获取结果的过程繁琐和耗时耗力，并且基于预测模型进行参数优化，从而快速构建符合综合性能需求的生产线。本发明方法是实现可预测生产的基础，对于拟建线的设计和产线的改进都有重要的意义。

2.针对不同的应用场景，本发明对参数优化方法进行了不同设计：

对于已有产线的改进，每个生产线配置参数的变化都会影响评价结果，但每个参数对评价结果的影响不同，有些参数对评价结果的影响较大，而有些参数对评价结果的影响较小；本发明通过Morris-Sobol敏感性分析，确定了对产线评价结果影响较大的关键参数，可利用分析结果对输入空间进行降维，减少建模时的计算量，实现参数局部优化，提高参数优化效率。

对于新产线构建，则采用XGBoost预测模型与遗传算法相结合对生产线参数进行优化，可避免陷入局部最优，实现参数全局优化，使综合性能评价指标达到最优。

3.本发明通过对预测模型的设计，可以有更快的预测速度，耗费的计算资源少，还具有以下优点：能对不同参数设置的产线方案的综合性能评价指标结果进行预测；能消除仿真中随机性的影响，平滑仿真结果；应用预测模型可以更加方便地探究各个配置参数对生产线综合性能评价指标结果的影响程度；应用预测模型可以更加快速便捷地对生产线进行参数优化。

4.本发明从反映生产线性能的四个维度中选取了代表性指标，综合考虑了生产线各维度性能，可为生产线进行综合的评估，使评估值更能代表一个生产线的综合整体性能，从而更好地把握生产线的整体状态，更好地进行设计和优化。

5.在仿真阶段，离散时间仿真存在一个初始瞬态问题，导致模型的输出结果与稳态时的结果不同的现象，使用Welch移动平均法定一个仿真预热时间，在经过仿真预热时间的运行后，模型的观测值达到其稳态时候的表现，可以将仿真预热时间内的观测值删除，只将剩下的观测值进行统计求解，提高仿真结果准确性。

6.利用离散时间仿真模型进行计算机仿真实验获取所有样本数据集，对样本进行分层随机抽样，具体为拉丁抽立方采样来进行样本选取，使样本分布更加均匀，随机性也较高。

附图说明

图1为本发明实施例基于综合性能评价的生产线构建方法流程图；

图2为本发明实施例层次分析法构建综合性能评价指标结构示意图；

图3为本发明实施例生产线综合性能指标获取的仿真流程图；

图4为本发明实施例生产线综合性能指标预测模型和参数优化示意图；

图5为本发明实施例换向器生产线的结构模型。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明实施例提供的一种基于综合性能评价的生产线构建方法，以换向器生产线为例进行说明，如图1所示，包括如下步骤：

S1、为生产线选取具有代表性的评价指标，并用层次分析法为各指标确定适合的权重，将各指标加权融合得到生产线的综合性能评价指标。

进一步的，评价指标包括：反映生产线生产能力的生产线产能指标；反映生产线保持正常生产能力的生产线可用性指标；反映生产线应对环境变化能力的生产线鲁棒性指标；以及反映生产线连续性与合理性的生产线平衡指标。

具体的，产能是指在既定的组织技术条件下，生产线在一定时间内所能生产的产品数量或生产一定数量的产品所需的时间，用于衡量生产线的生产能力，是生产线性能中最重要的一个维度。对于多品种生产线，采用计件的方式更加方便后续以产品法计算总产能，公式如式(1)：

其中：PN表示生产的产品总数；T_total表示生产总时间。

生产线可用性指在排除外部因素(如供货、人员、成品存储等问题)的前提下，生产线在规定的条件下和规定的时间内，处于可执行规定功能状态的能力。可用度定义为系统处于可工作状态的程度，即系统能工作的时间与能工作和不能工作的时间之和的比值，是评价系统可用性最重要的一个指标，因此选用可用度作为换向器生产线的可用性指标。换向器生产线的生产时间即为生产线工作时间减去整线停产时间。公式如式(2)：

其中：A表示生产线可用度；WT表示生产线工作时间；PRDT表示生产线生产时间；OLST表示生产线整线停产时间，OLST＝WT-PRDT。

生产线鲁棒性是指生产线生产过程中抵御受到的干扰的能力。换向器生产线通过在生产单元间增设缓冲区，则可以有效缓解这种扰动传播。可以选用停机转化率作为换向器生产线的鲁棒性评价指标。换向器生产线的停机转化率定义为设备故障转化为整线停产的概率，即各生产设备故障时间之和减去生产线停产时间与生产线设备故障时间之和的比率。公式如式(3)：

其中，DCR表示生产线停机转化率；

表示生产线中所有设备的故障时间之和；ttr_ij表示第i个设备的第j次故障持续时间；n表示生产线中的设备总数；m_i表示第i个设备的故障次数；OLST表示生产线停产时间，为生产线工作时间减去生产时间。

生产线平衡是指平均各加工单元的加工时间，合理分配每个加工单元的作业，以平衡各生产单元的负荷，使各加工单元的加工时间尽量相近。生产线平衡率是衡量生产线平衡最重要的指标，因此采用平衡率作为换向器生产线平衡的指标，公式如式(4)：

其中：LB表示平衡率，n表示生产线加工单元数，t_i表示第i个加工单元的加工时间，

表示所有加工单元的总加工时间，P表示瓶颈工序的加工时间，即加工时间最长的工序的加工时间。

进一步的，选取的四个评价指标，即生产线产能、可用性、鲁棒性和平衡率，其分别反映换向器生产线性能的某一维度，都具有一定的片面性。要全面地对换向器生产线进行评估，就需要综合各指标的评估结果。可以应用层次分析法，为四个指标分别赋予适当的权重，再按权重对各指标进行加权求和，从而得到一个能综合反映换向器生产线各维度性能的综合性能评价指标。利用层次分析法为各指标进行赋权的过程，是通过构建产线设置参数、选取的四个评价指标和综合性能评价指标间的层次关系，判断各指标间的相对重要关系，构建一个适当的判断矩阵，并对其作一致性检验，判断四个评价指标相对综合性能评价指标的相对重要性排序是否正确，最后以判断矩阵的特征向量的形式给出各评价指标的权值。根据得到的四个指标的权值，可以将四个指标归一化后结合起来构建换向器产线的综合性能评价指标。

具体的，基于层次分析法构建生产线的综合性能评价指标，如图2所示，包括：

S11、建立层次结构模型。将综合性能评价指标、选取的四个评价指标和产线参数设置分别划分为目标层、准则层和方案层，各层的意义为：目标层的综合性能评价指标表示要评估的结果；准则层的四个评价指标表示目标层考虑的因素；方案层的产线设置参数表示参与评估的不同方案，即表示不同参数配置下的产线。

S12、构造判断矩阵。在确定各评价指标的权重时，为了避免使用单纯的定性判断的结果，可以使用一致性矩阵法构造判断矩阵。判断矩阵由准则层的四个选取的评价指标对于目标层的综合性能评价指标的相对重要性的比较来确定。判断矩阵中的元素a_ij表示的是第i个因素相对于第j个因素的重要性。

S13、层次单排序与一致性检验。层次单排序，就是排序中准则层的各评价指标对决策层的综合性能评价指标的相对重要性的排序权值。而一致性检验就是确定单排序是否正确的过程。一致性检验的步骤如下：

1)计算判断矩阵的最大特征值；

2)计算一致性指标：

其中CI表示一致性指标；λ_max表示判断矩阵的最大特征值；n表示因素个数，也即判断矩阵的行数或列数。

3)确定一致性指标RI；

4)计算一致性比率：

其中：CR表示一致性比率；CI表示一致性指标；RI表示平均随机一致性指标。

5)判断。若CR<0.1，则表示判断矩阵具有满意的一致性，否则需要对判断矩阵进行修正。

6)特征根法求取每个因素的权值。若判断矩阵(a_ij)_n×n的一致性检验通过，则(a_ij)_n×n的最大特征根λ_max的特征向量即对应各评价指标对应的权重。再对特征向量进行归一化，得到排序权向量

的元素即为准则层的各评价指标相对于目标层综合性能评价指标的相对重要性的排序权值。

S14、结合四个指标构建综合性能指标。其中生产线可用度、停机转化率和生产线平衡率三个指标的值介于0～1，而产能的值则超过这个范围，若直接进行加权求和，则结果中生产线产能所占比重过大，权值失去意义。因此需要先将生产线产能进行归一化才能进行有效加权。

S2、构建生产线的离散时间仿真模型，基于仿真模型得到生产线综合性能评价指标的评估值，从而获取用于计算的数据(样本集)，并且确定仿真重复次数和仿真预热时间来使模型更加准确。

进一步的，对生产线进行离散事件建模，本发明采用了Plant Simulation软件作为建模软件，记录和求解了生产线的综合性能评价指标；同时，为了减少仿真过程中随机性的影响，确定了独立重复仿真实验的实验次数，并使用Welch移动平均法探讨了离散事件仿真中的初始瞬态问题。

对于还在设计阶段的新生产线，建立新的生产线并投入生产的成本很高，一个好的设计方案对于高性能生产线的建成具有重要意义。通过建立仿真模型，可以对不同设计方案的可行性进行验证，并选择其中性能较好的设计方案。对生产线进行调整、优化时，若直接对实际生产线进行调整、实验，成本是很高的。而通过生产线的计算机仿真模型，可以探究在不同条件下生产线的性能，从而既能够探究改进生产线的方法，又不影响实际生产。在仿真过程中，可以通过改变某一输入参数，并观察输出的变化来探究各输入对输出的影响。对于复杂的生产线，纯粹的数学模型较难获得精确的解析解，而通过细化仿真模型则可以得到较为精细的解。

具体的，如图3所示，步骤S2包括：

S21、生产线建模假设。为方便后续在合理范围内对生产线进行建模，进行合理的指标评估。

S22、生产线仿真建模。换向器生产线的模型应具有以下特点：生产线的各建模参数可调；能够求解并记录综合性能评价指标；能够对多组不同参数设置下的产线进行独立重复性仿真实验。使用Plant Simulation软件建立的离散事件仿真模型实现了对换向器生产线综合性能评价指标的计算。

S23、仿真次数与仿真预热时间的确定。确定仿真实验的次数，可以借助Experiment对象。Experiment对象可以统计多次独立重复仿真的输出结果，并计算输出结果在一定置信度下的置信区间，因此可以通过观察不同仿真次数下输出结果的变化幅度和置信区间的区间大小来确定合适的仿真次数。在仿真阶段，离散时间仿真存在一个初始瞬态问题，导致模型的输出结果与稳态时的结果不同的现象，使用Welch移动平均法定一个仿真预热时间，在经过仿真预热时间的运行后，模型的观测值达到其稳态时候的表现，因此可以将仿真预热时间内的观测值删除，只将剩下的观测值进行统计求解。

S24、样本集获取。在生产线系统中，可以用X表示影响系统行为的因子向量，x₁,x₂,…,x_R表示X的各因子，即系统的各输入参数；Y表示生产线系统的响应向量，即生产线综合性能评价指标。因此，可以将源系统的响应关系定义为：Y＝G(X)＝G(x₁,x₂,…,x_R)。利用仿真模型进行计算机仿真实验获取所有样本数据集，对样本数据集中样本进行分层随机抽样得到最终样本集；具体为拉丁抽立方采样来进行样本选取，使样本分布比较均匀，随机性也较高。

S3、基于机器学习算法构建预测模型来代替仿真模型，并通过样本集对预测模型进行训练，提高获取生产线综合性能评价指标的效率。

进一步的，采用XGBoost模型作为最终的预测模型。为证明XGBoost模型的效果，本发明分别构建了基于GBDT和XGBoost模型的换向器生产线综合性能评价指标和其他各评价指标的预测模型，并使用这两种预测模型对当前换向器生产线进行分析。

具体的，梯度提升树(Gradient Boosting Decision Tree，GBDT)算法和极致梯度提升(eXtreme Gradient Boosting，XGBoost)算法都是一种集成学习模型，基学习器为回归树，其将多个基学习器串联组成一个强学习器，每棵回归树都对前一个的结果进行纠正，使模型不断优化。对GBDT模型进行参数设置，要确定的参数主要有boosting框架参数和基学习器参数，其中boosting框架参数主要有弱学习器的最大迭代代数n_estimators、弱学习器的权重缩减系数learning_rate、子采样subsample和损失函数loss，基学习器参数主要有决策树的最大深度max_depth以及内部节点再划分所需最小样本数min_samples_split等。XGBoost模型则多了正则化权重项alpha、L2正则化权重项lambda等的设置。训练后分别进行验证集合测试集的验证，对比两者的效果，对比结果显示基于XGBoost模型的预测效果更好。

S4、根据不同的应用场景，基于预测模型，对生产线参数进行优化，使综合性能评价指标满足需求，完成生产线构建。

(1)对已有生产线进行调整时：根据生产线参数对评价指标的敏感性，筛选部分生产线参数输入训练后的预测模型，并优先调整敏感性较高的生产线参数，重新对结果进行预测，使预测模型预测的综合性能评价指标满足需求，从而完成生产线的调整构建。

进一步的，由于生产线预测模型的输入参数个数较多，对于多维输入参数，将Morris法与Sobol法结合起来对指标进行参数敏感性分析；Morris法是一种定性的敏感性分析方法，Sobol法是一种定量的敏感性分析方法。具体先使用计算成本较低的Morris方法进行初筛，定性地筛选出敏感性较高的几个参数，降低模型维度，再使用Sobol法对筛选出的几个关键参数进行定量的敏感性分析，得到每个参数具体的敏感性值，调优时优先调整对输出结果贡献大的配置参数。

(2)重新构建生产线时：在模型使用阶段，采用XGBoost预测模型与遗传算法相结合对生产线参数进行优化；以生产线参数为种群个体，以通过XGBoost预测模型计算出的综合性能评价指标作为适应度，通过遗传算法迭代优化，确定最优生产线参数，完成生产线的重新构建，优化流程如图4所示。

具体的，遗传算法中适应度函数用于评价个体和种群的好坏，适应度越高，表明个体或群体越优秀。通过对个体即输入的生产线参数进行编码，进行后续选择、交叉和变异等操作，并利用XGBoost预测模型得出综合评价指标值即适应度，经过一定代数的进化之后，种群中个体的适应度得到提高，选出种群中适应度最高的个体，并对其进行解码，得到的个体的参数就是最终的优化结果。

为检验XGBoost遗传算法的效果，使用XGBoost遗传算法和Plant Simulation的GA工具这两种方法进行实验，并对结果进行了比较。具体的，本发明遗传算法部分的参数设置如下：种群大小为20，进化代数为500，交叉概率为0.4，变异概率为0.2。另外，使用PlantSimulation软件中用于参数优化的遗传算法(GA)工具GAWizard，在GAWizard中定义种群大小、进化代数、适应度函数和输入输出等遗传算法的重要参数；同时设置对于每个个体的重复观察次数，通过对每个个体进行重复观察以保证其统计可靠性。比较的结果可以得出XGBoost遗传算法在优化效果与GA工具相近的情况下，具有较少的运算时间。

以下通过换向器生产线具体实例对本发明方法进行说明：

换向器生产线的结构模型如图5所示，其中，B₁₁～B₅₂表示的缓冲区中，B_i1(i＝1,2,3,4,5)表示用来存放待加工零件的缓冲区，B_i2(i＝1,2,3,4,5)表示存放已加工零件的缓冲区，容量分别为K_i1和K_i2(i＝1,2,3,4,5)，且K_i1＝K_i2(i＝1,2,3,4,5)。AGV小车运送零件经过各加工单元时，先将运送的零件转移到存放待加工零件缓冲区，再将存放在已加工零件缓冲区中的零件转移到AGV小车上。

T₁～T₅分别表示加工单元S₁～S₅的加工周期，其中第三个加工单元S₃由于是由两个相同的加工设备S₃₁和S₃₁并联组成，因此其加工周期为：T₃＝(T₃₁+T₃₂)/2。

其中，加工单元准备时间指在更换不同的加工零件时，更换夹具等操作的准备时间。加工单元的tbf和ttr指在生产过程中对加工单元的故障和维修记录进行记录，从而统计得到的各加工单元的故障间隔时间与故障维修时间，通常，tbf与ttr为服从一定统计分布的随机变量，换向器产线中的分布形式为Weibull分布。一共有三种零件，Part1为零件1，Part2为零件2，Part3为零件3。

以上的参数即为产线的重要参数，后续预测时的输入参数即选取这些因子。考虑的因子(配置参数)及其变化范围如表1-3所示。

表1加工周期变化范围(s)

表2ttr分布(h)与tbf分布(min)变化范围

表3缓冲区大小变化范围

即生产线参数有26个：T₁₁,T₂₁,T₁₂,T₃₂,T₁₃,T₂₃,T₃₃,T₁₄,T₂₄,T₂₅,T₃₅,ttr₁,ttr₂,ttr₃,ttr₄,ttr₅,tbf₁,tbf₂,tbf₃,tbf₄,tbf₅,K₁,K₂,K₃,K₄,K₅。其中，T_ij表示第i个零件在第j个加工单元的加工周期；ttr_k表示第k个加工单元故障维修时间；tbf_n表示第n个加工单元故障间隔时间；K_m表示第m个加工单元缓冲区大小。

利用层次分析法得到产能、可用性、鲁棒性和平衡这四个指标对应的权值分别为：0.4146，0.0982，0.2436，0.2436，同时这四个指标值相差较大，进行归一化后进行加权。然后运用XGBoost网络，输入26维参数，可以分别预测出四个维度的指标以及综合性能指标，得到预测模型。

进而使用Morris-Sobol法对指标进行参数敏感性分析，使用Morris法进行初筛，对综合性能评价指标影响较大的几个输入参数为T31、ttr1、ttr3、ttr4、K1、K2、K4、K5，再使用Sobol法进行进一步的敏感性分析，显示敏感性最高的两个参数为K1和ttr3。因此产线在提高换向器生产线的综合性能评价指标，调整配置参数时，可以优先调优这两个参数，提高优化产线的效率。

为了验证优化结果，将参数输入到Plant Simulation仿真模型中进行仿真实验，其参数优化结果与仿真实验验证的结果的绝对误差和相对误差都很小，验证了优化结果的正确性。同时，在优化的效果与仿真软件几乎相同的情况下，效率大幅提高约650倍。

综上，本发明采用预测模型来代替仿真模型，避免仿真模型获取结果的过程繁琐和耗时耗力，并且对生产线综合性能评价指标模型进行参数敏感性分析和参数优化。本发明方法可以在设计阶段和运行阶段进行使用，在设计阶段应用本发明评价方法，可以在产线建立前对不同参数设置的生产线新方案的综合性能评价指标结果进行快速预测并降低计算成本；在产线的运行阶段，对产线运用本发明评价方法，通过敏感性分析和参数优化可以对已有的生产线进行改进优化，避免对实际生产线直接进行调整，从而不影响直接生产。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于综合性能评价的生产线构建方法，其特征在于，包括模型训练阶段和模型使用阶段；

模型训练阶段包括：

S1、确定生产线的评价指标，将各评价指标加权融合确定生产线综合性能评价指标；

S2、通过建模仿真获取不同生产线参数对应的综合性能评价指标的评估值，进而得到样本集；

S3、通过样本集对预测模型进行训练，得到训练后的预测模型；

模型使用阶段包括：

S4、基于预测模型，对待构建生产线参数进行优化，使综合性能评价指标满足需求，从而完成生产线构建。

2.如权利要求1所述的基于综合性能评价的生产线构建方法，其特征在于，对已有生产线进行调整时：在模型使用阶段，根据生产线参数对评价指标的敏感性，筛选部分生产线参数输入训练后的预测模型，并优先调整敏感性较高的生产线参数，使预测模型预测的综合性能评价指标满足需求，从而完成生产线的调整构建。

3.如权利要求2所述的基于综合性能评价的生产线构建方法，其特征在于，生产线参数对评价指标的敏感性的计算方法为：先使用Morris方法定性地筛选出敏感性较高的部分生产线参数；再使用Sobol法对筛选出的生产线参数进行定量敏感性分析，得到各个生产线参数的敏感性。

4.如权利要求1所述的基于综合性能评价的生产线构建方法，其特征在于，重新构建生产线时：在模型使用阶段，采用XGBoost预测模型与遗传算法相结合对生产线参数进行优化，具体以生产线参数为种群个体，以通过XGBoost预测模型计算出的综合性能评价指标作为适应度，通过遗传算法迭代优化，确定最优生产线参数，完成生产线的重新构建。

5.如权利要求1所述的基于综合性能评价的生产线构建方法，其特征在于，所述生产线的评价指标包括生产线产能、可用性、鲁棒性和平衡率，通过层次分析法将各评价指标加权融合确定生产线综合性能评价指标。

6.如权利要求1所述的基于综合性能评价的生产线构建方法，其特征在于，步骤S2中，通过Plant Simulation仿真获取生产线综合性能评价指标。

7.如权利要求6所述的基于综合性能评价的生产线构建方法，其特征在于，通过Welch移动平均法确定仿真预热时间，并在仿真结束后，将仿真预热时间内获取的评估值删除，以剩下的评估值构建样本集。

8.如权利要求7所述的基于综合性能评价的生产线构建方法，其特征在于，以剩下的评估值构建样本集具体为：以生产线参数及其对应的综合性能评价指标的评估值构建数据集，通过拉丁抽立方采样在数据集中进行样本选取，从而得到样本集。

9.如权利要求1-8任一项所述的基于综合性能评价的生产线构建方法，其特征在于，所述生产线参数包括各零件在不同加工单元的加工周期、加工单元故障维修时间、加工单元故障间隔时间和加工单元缓冲区大小。

10.一种基于综合性能评价的生产线构建系统，其特征在于，包括处理器，所述处理器用于执行如权利要求1-9任一项所述的基于综合性能评价的生产线构建方法。

Images