CN116702624A - 一种人机交互约束双边拆卸线设置方法 - Google Patents
一种人机交互约束双边拆卸线设置方法 Download PDFInfo
- Publication number
- CN116702624A CN116702624A CN202310762510.1A CN202310762510A CN116702624A CN 116702624 A CN116702624 A CN 116702624A CN 202310762510 A CN202310762510 A CN 202310762510A CN 116702624 A CN116702624 A CN 116702624A
- Authority
- CN
- China
- Prior art keywords
- disassembly
- task
- robot
- refers
- constraint
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims description 33
- 230000002146 bilateral effect Effects 0.000 title claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000005265 energy consumption Methods 0.000 claims abstract description 18
- 241000555745 Sciuridae Species 0.000 claims abstract description 14
- 238000010845 search algorithm Methods 0.000 claims abstract description 12
- 238000013178 mathematical model Methods 0.000 claims abstract description 7
- 230000001932 seasonal effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 241000699670 Mus sp. Species 0.000 description 14
- 230000006399 behavior Effects 0.000 description 14
- 238000009826 distribution Methods 0.000 description 7
- 235000013305 food Nutrition 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 241000723418 Carya Species 0.000 description 5
- 241000699666 Mus <mouse, genus> Species 0.000 description 5
- 230000002068 genetic effect Effects 0.000 description 5
- 244000305267 Quercus macrolepis Species 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 244000062645 predators Species 0.000 description 3
- 238000004064 recycling Methods 0.000 description 3
- 238000009958 sewing Methods 0.000 description 3
- 241000899834 Obovaria olivaria Species 0.000 description 2
- 241000700159 Rattus Species 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 231100001261 hazardous Toxicity 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 235000006667 Aleurites moluccana Nutrition 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 240000007049 Juglans regia Species 0.000 description 1
- 235000009496 Juglans regia Nutrition 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 235000014571 nuts Nutrition 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种人机交互约束双边拆卸线设置方法，包括以下步骤，收集拆卸线和拆卸任务信息，建立以最小化开启工作站数量、空闲时间均衡指标、机器人能耗和人力成本为目标，包含人机交互约束操作的双边拆卸线平衡问题的混合整数线性规划数学模型，之后通过快速非主导排序对种群进行排序分类，将分类后的初始解种群利用离散松鼠搜索算法进行寻优，输出满足迭代条件的最终解作为拆卸方案执行；本发明首次将人机交互拆卸模式引入拆卸线平衡问题，并建立了一个考虑人机交互行为的MIP模型，可在极短时间内求解小规模案例的单目标最优解，还能够验证所提元启发式算法的正确性，提出的离散松鼠搜索算法能够快速获得真实的帕累托前沿解，特别是用于求解大规模案例。
Description
技术领域
本发明涉及设施布局技术领域，具体是一种人机交互约束双边拆卸线设置方法。
背景技术
日益减少的初级资源、严格的环境法规、环保意识的提高在世界范围内推动了循环经济的高速发展。作为循环经济的主要载体，再制造业在再生资源的运输、拆解回收、绿色供应链等诸多环节上将面临更多挑战。拆解分类是再制造过程中最关键的一个环节，因为报废产品被拆除后可以回收、再利用或再制造，这有效延长了报废产品生命周期并创造经济价值。由于在拆解大规模项目终止(End oflife，EOL)产品时具有标准化与高效率优势，拆卸线已经被资源回收企业广泛接受和采用。
大规模EOL产品通常体积较大，单边或U型拆卸线可能会降低操作者的拆卸效率，例如操作者拆卸汽车的轮胎和门时需要在拆卸线两侧来回移动，增加了无效生产时间。而双边拆卸线可在两侧设置配对站，配对站可以共享操作工具和固定装置，并同时完成两侧的拆卸任务。这种布局形式不仅缩短了线长也减少了生产时间。另外，在拆卸大规模产品时，有些拆卸任务需要两侧操作者协作完成，例如在拆卸汽车的挡风玻璃时，首先需要两侧操作者同时剥离四周的密封橡胶圈，然后将挡风玻璃协同抬下工作站。根据现有文献的调查，过去的研究通常假设一个任务仅分配给一个操作者，并没有考虑同一个任务由两个操作者协作完成，尽管协同拆卸经常出现在实践中。
传统的拆卸方法通常假设拆卸任务由人类完成，并在建立数学模型时考虑了不同操作者之间的差异性，包括体力、健康状态、技能水平等。如今，随着机器人技术的快速迭代升级，有些机器人已经能代替人工完成简单的、重复性的拆卸作业。随着工业5.0的浪潮不断袭来，工业5.0需要一种更个性化的人机交互技术，将人与机器的优势互补，在生产制造中保障人的身心健康和福祉。然而，人机交互技术为拆卸线平衡问题(DLBP)增加了很多约束，例如人和机器的约束关系、人-机和产品的约束关系，这些约束急剧增加了DLBP的难度和复杂度，在解决涉及人机交互技术的拆卸线平衡的问题上，需要更加全面地考虑相关因素。
发明内容
鉴于此，本发明的主要目的在于提供了一种人机交互约束双边拆卸线设置方法(HRI-TDLBP)，其考虑了工作站数量，空闲均衡指标，机器人能耗和拆卸成本对拆卸线设置的影响，更加符合人机拆卸的实际工作情况，能够获得更优的拆卸线组合。
本发明的技术方案是，一种人机交互约束双边拆卸线设置方法，包括以下步骤：
步骤S1：收集拆卸线和拆卸任务信息，建立以最小化开启工作站数量、空闲时间均衡指标、机器人能耗和人力成本为目标，包含人机交互约束操作的双边拆卸线平衡问题的混合整数线性规划数学模型。
步骤S2：进行种群初始化，之后通过快速非主导排序对种群进行排序分类，建立外部档案记录分类后的初始解种群；
步骤S3：将分类后的初始解种群利用离散松鼠搜索算法进行寻优，输出满足迭代条件的最终解作为拆卸方案执行。
本发明的技术效果是：
1、本发明首次将人机交互拆卸模式引入拆卸线平衡问题，并建立了一个考虑人机交互行为的混合整数规划模型(Mixed Integer Program，MIP)，使得可以极短时间内求解小规模案例的单目标最优解，还被用于验证所提元启发式算法的正确性。
2、本发明根据问题特征设计了编码、解码，并引入快速非支配排序提高了算法的搜索能力，所创新提出的离散松鼠搜索算法(DSSA)能够快速获得真实的帕累托前沿解，特别是用于求解大规模案例。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。
图1为本发明整体流程示意图；
图2为本发明带有人机交互行为约束的双边拆卸线示意图；
图3为本发明中的优先关系图转化为优先关系矩阵示意图；
图4为本发明中DSSA中两个序列通过减法操作进行交换任务的过程示意图；
图5为不同算法求解P52的帕累托前沿图；
图6为某品牌动力电池模组的三维立体图；
图7为不同算法求解动力电池模组案例的解集分布；
图8为动力的电池模组的四种拆卸方案图。
具体实施方式
下面结合实施例及附图，对本发明作进一步地的详细说明。
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
实施例：
参见图1、图2，本发明中所提出的一种人机交互约束双边拆卸线设置方法的具体流程如图1所示，包括以下步骤：
步骤S1：收集拆卸线和拆卸任务信息，建立以最小化开启工作站数量、空闲时间均衡指标、机器人能耗和人力成本为目标，包含人机交互约束操作的双边拆卸线平衡问题的混合整数线性规划数学模型。
数学模型包括拆卸产品中，任一个零件的拆卸时间、零件属性和拆卸优先关系，其中，拆卸时间包括采用工人拆卸时的拆卸时间和采用机器人拆卸时的拆卸时间。
零件属性包括危害零件、复杂零件和普通零件，危害零件表示在拆卸过程中具有一定的安全隐患的零件，需要尽可能将其分配给机器人拆卸；复杂零件表示结构复杂、机器人难以拆卸的零件，通常需要分配给工人拆卸；普通零件表示较为常规的零件，可以分配给机器人或工人拆卸。
拆卸优先关系是指，对于一些零件来讲，必须将其另一些零件拆卸后，才能够对该零件进行拆卸，因此，另一些零件就称为该零件的紧前任务。
由此可知，目标函数包括最小化开启工作站数量、空闲时间均衡指标、机器人工作站能耗和拆卸成本，其目标函数应当为：
F＝min(f1,f2,f3,f4) (1)
最小化开启工作站数量如式(2)所示：
最小化空闲时间均衡指标如式(3)所示：
对式(3)进行线性化处理，得到线性化约束后的最小化空闲时间均衡指标如式(4)所示：
其中，Q＝|yiw-yjw|
最小化机器人工作站的能耗如式(5)所示：
对式(5)进行线性化处理，得到线性化约束后的最小化机器人工作站的能耗如式(6)所示：
其中，
最小化拆卸成本如式(7)所示：
以上各式中，Sk为工作站开启变量，表示若第k个工作站开启，则Sk＝1，否则Sk＝0；CT为节拍时间；I是拆卸任务集合，{1,2,...,n}；M是配对工作站编号集合；L是配对站两侧编号，L＝{l|1,2}，l＝1时表示左侧，l＝2时表示右侧；W是操作者编号，W＝{w|1,2}，w＝1时为工人拆卸，w＝2时为机器人拆卸；i，j表示拆卸任务编号；为二进制变量，表示如果任务i被分配给位于第k个配对站的l侧，则/>否则/>ti指的是任务i的拆卸时间；OE指的是机器人在单位时间内的操作功耗；/>指的是操作者分配变量，如果任务i被分配给位于第k个配对站的w操作者，则/>否则，/>式中yi1为操作者为工人时的操作者分配变量，yi2为操作者为机器人时的操作者分配变量；SE指的是机器人在单位时间内待机功耗；SRkl为机器人分配变量，如果第k个配对站的l侧是机器人，则SRkl＝1，否则，SRkl＝0；Crt为机器人拆卸时的单位时间成本；Cmt为工人拆卸时的单位时间成本；BH是待拆卸产品中具有危害属性的任务集合；Ch是指拆卸危害任务时需要的额外成本；
拆卸线数学模型中的第一个目标f1由式(2)给出，表示最小化工作站的数量以降低成本。第二个目标f2由式(3)给出，旨在提高工作站之间负载平滑度，减少工作站空闲时间以增加拆卸效率。第三个目标f3由式(5)给出，旨在最小化机器人工作站的能耗，包括机器人的待机能耗和拆卸能耗。第四个目标f4由式(7)给出，用于衡量拆卸成本，包括机器人拆卸成本，工人拆卸成本和拆卸危害任务的额外成本。
为提高MIP模型的求解效率，有必要对模型线性化处理，其中：
式(3)中所表示的目标f2可添加如式(8)—(13)所示的针对最小化空闲时间均衡指标进行线性化处理所需要满足线性化约束：
Qijw＝max{yjw-yiw,yiw-yjw} (8)
式(5)中所表示的目标f3包含和yiw两个决策变量的乘积，令则目标f3可以表示为式(6)所示的形式，并添加相应的线性约束如式(14)—(17)所示的针对最小化机器人工作站的能耗进行线性化处理所需要满足的线性化约束：
其中，Piklw表示目标函数线性化所需变量。
本发明中，目标函数还需要满足相应的约束条件，其具体为基本约束，方向约束，任务属性约束和人机交互约束。
基本约束是所有类型拆卸线都需要满足的约束，是指产品流进入拆卸线被分解时需要满足零件优先关系和节拍时间约束。在双边拆卸线中，拆卸任务被分配给左右两侧的配对站，两个配对站之间的任务必须满足优先关系，同时单个配对站的所有任务的完成时间之和必须小于节拍时间。
方向约束由双边拆卸线的特征决定，是指在待分配的任务集被分成了三个方向，左边任务集，右侧任务集和其它任务集。左侧任务只能被分配于在线的左侧，右侧任务集只能被分配与线的右侧，而其它任务可以被分配给任意一侧。
任务属性约束参考自人机混合拆卸模式所考虑的安全策略。本发明规定危害任务必须分配给机器人，而复杂任务必须分配给人类。而既危害又复杂的任务被定义为复杂任务，因为机器人无法完成。
人机交互约束中的交互行为可进行如下定义：
(1)人-人交互，当两侧的操作者被确定为人工后，此时交互拆卸被定义为人人交互行为，而交互任务只能为复杂任务或无属性任务。
(2)人-机交互，当一侧操作者为人工另一侧操作者为机器人后，此时交互拆卸被定义为人机交互行为，而交互任务只能为无属性任务。
(3)机-机交互，当两侧的操作者被确定为机器人后，此时交互拆卸被定义为机-机交互行为，而交互任务只能为危害任务或无属性任务。
基于此，以上几种约束应当满足如下公式：
任务分配约束：
式(18)—(22)表示任务分配约束。式(18)将所有任务都分配给工作站。式(19)和式(20)限制了左侧任务和右侧任务只能分别分配给工作站的左侧和右侧。式(21)表示交互拆卸任务必须分配给同一工作站的两侧配对站。式(22)表示复杂任务和危害任务不能分配到同一个配对站。
操作分配约束：
式(23)—(26)表示任务分配约束。式(23)限制了一个任务只能被分配一个操作者。式(24)和式(25)要求复杂任务必须分配给人工，而危害任务必须分配给机器人。式(26)表示同一个配对站里的任务只能由一个操作者完成。
时间约束：
式(27)—(33)表示时间约束。式(27)根据任务时间、节拍时间和任务总数提供了工作站数量的上界和下界。式(28)和(29)表示同一个工作站的任务要依次完成。式(30)限制每个配对站的工作时间不能超过节拍时间，式(31)表示交互任务的开始时间必须一致。式(32)限制紧后任务的开始时间必须要晚于紧前任务的结束时间。式(33)给定任务开始时间一个下界。
优先关系约束：
工作站分配约束：
式(36)—(40)表示工作站分配约束。式(36)表示如果当前配对站有危害任务，则操作者为机器人。同理，式(37)表示如果当前配对站有复杂任务，则操作者为人类。式(38)表示同一配对站只能分配一个操作者。式(39)约束了工作站数量的上界和下界。式(40)表示工作站要依次开启。
二进制变量范围：
以上各式中，Sk为工作站开启变量，表示若第k个工作站开启，则Sk＝1，否则Sk＝0；CT为节拍时间；I是拆卸任务集合，{1,2,...,n}；M是配对工作站编号集合；L是配对站两侧编号，L＝{l|1,2}，l＝1时表示左侧，l＝2时表示右侧；W是操作者编号，W＝{w|1,2}，w＝1时为工人拆卸，w＝2时为机器人拆卸；i，j表示拆卸任务编号；为二进制变量，表示如果任务i被分配给位于第k个配对站的l侧，则/>否则/>ti指的是任务i的拆卸时间；OE指的是机器人在单位时间内的操作功耗；/>指的是操作者分配变量，如果任务i被分配给位于第k个配对站的w操作者，则/>否则，/>式中yi1为操作者为工人时的操作者分配变量，yi2为操作者为机器人时的操作者分配变量；SE指的是机器人在单位时间内待机功耗；SRkl为机器人分配变量，如果第k个配对站的l侧是机器人，则SRkl＝1，否则，SRkl＝0；Crt为机器人拆卸时的单位时间成本；Cmt为工人拆卸时的单位时间成本；Ch是指拆卸危害任务时需要的额外成本；BI指的是待拆卸产品中需要配对站两侧的工作站交互拆卸的任务集；BC指的是待拆卸产品中具有复杂属性的任务集；BH指的是待拆卸产品中具有危害属性的任务集；i',j'是需要系统拆卸任务的编号；Tl为配对站每侧的任务分配集合，如果任务i∈Tl，那么i只能分配给配对站的l侧；/>为正数；STi指的是任务i的开始时间，STj同理；TPij指的是拆卸任务的优先关系矩阵，TPij＝[aij]n×n；如果aij＝1，任务i为任务j的紧前任务；/>是一个拆卸序列变量，如果任务i和j被分配给位于第k个配对站l侧的w操作者并且任务i被分配在任务j之前，则/>否则，/>Qijw和uijw均为约束线性化所需变量；
步骤S2：进行种群初始化，之后通过快速非主导排序对种群进行排序分类，建立外部档案记录分类后的初始解种群；
种群初始化过程包括编码、解码和目标函数计算，本发明中采用的编码方式可以用如图3所示的一个10规模案例进行说明，图3为一个10规模的任务优先关系图转变为优先关系矩阵的过程，其中，只有任务5、6据拆卸完成后才能继续任务7的拆卸，因此将任务5、6称为任务7的紧前任务；同时，只有任务8完成拆卸后，才能进行任务2、3的拆卸，因此认为任务2、3是任务8的紧后任务。
根据TP矩阵获得初始解：首先找到没有任何紧前关系约束的任务，即TP矩阵中任务编号对应的列向量的所有元素均为0，并对这些任务随机排序。当i被分配后，将TP矩阵第i行元素全部置零，来解除任务i对紧后任务j的限制。最后，重复上述操作即可获得一组数组长度与任务规模相等的可行拆卸序列。
在得到可行拆卸序列后，首先将其对应的各项拆卸任务进行属性识别，根据模型约束，具有复杂属性和危害属性的任务必须分别分配给人工工作站和机器人工作站，即工作站类型由任务属性决定。如果工作站首先被分配了无任何属性的任务，暂时不定义工作站类型，直到被分配了且具备危害或复杂属性的任务后，根据任务属性定义工作站类型。当工作站类型确定下来后，必须为不同属性的任务开启新的工作站。
之后建立并更新外部档案WD，对生成出的种群中的个体进行基于帕累托精英策略的快速非主导排序，通过帕累托精英策略筛选出第一类解，即最优解；再对剩下的解进行帕累托精英策略筛选，得出第二类非劣解；剩余较差的解作为第三类解，分级出三类种群用于后续步骤中的离散松鼠搜索算法(DSSA)的寻优过程。
步骤S3：将分类后的初始解种群利用离散松鼠搜索算法进行寻优，输出满足迭代条件的最终解作为拆卸方案。
松鼠搜索算法(SSA)是目前常用的一种具有较好的实验结果的寻优算法，为适应本发明中的应用场景，对其进行离散性调整。
离散性调整后的离散松鼠搜索算法(DSSA)主要包括以下步骤：
1、首先设置问题参数与算法参数，所述的问题参数包括预设节拍时间CT、机器人工作站的能耗(包括机器人的待机能耗和拆卸能耗)、拆卸成本(包括机器人拆卸成本，工人拆卸成本和拆卸危害任务的额外成本)；所述算法参数包括种群规模Pop_num，最大迭代次数G，外部档案个数N；
2、将步骤S2中完成编码后的任务拆卸序列构建初始种群，建立外部档案，开始迭代；
3、之后通过非主导排序来进行随意初始化，以实现不同的操作选择，从而将位置更新；
如图1所示的，通过非主导排序将初始化后得到的种群进行分类，来分别对应实现三种操作行为，三种具体的操作行为以飞鼠的觅食行为进行类比：在森林中，只有3种树木可供飞鼠觅食选择，如普通树(无食物)、橡树(橡子坚果来源)和山核桃树(山核桃坚果来源)。通过随机数来选择三种具体操作行为中的一种从而实现位置更新，同时产生部分随机解，具体如下：
根据SSA算法可知，飞鼠的迁徙行为总是被捕猎者的存在所影响。不存在捕食者时，飞鼠会在整个森林中有效地滑翔和搜索它最喜欢的食物。当捕食者的存在时，飞鼠被迫使用小的随机行走来搜索附近的藏身之处。可设定捕食者存在概率Pdp的位置更新机制来模拟这种自然行为。设dg是随机滑动距离，R1,R2和R3是区间[0,1]上随机获得的任意数，FSht是到达山核桃树的飞鼠的位置，FSat是橡子树上向山核桃树移动的飞鼠的位置，FSnt是普通树上为满足日常能源需求的向橡子树上移动的飞鼠的位置，t表示当前的迭代，Gc是滑翔常数，用以平衡探索与开发。常规SSA算法中飞鼠的动态迁徙行为的三种情况如下：
情况1：飞鼠可能向山核桃树移动，新位置更新如下：
情况2：飞鼠为了满足日常能源需求向橡子树移动，新位置更新如下：
情况3：飞鼠已经食用过橡子可能会向山核桃树移动，以便储存山核桃，以防食物短缺，新位置更新如下：
由于本发明中的HRI-TDLBP是一个离散性问题，连续操作是不适用的，因此将这三种迁徙行为离散化如下：
式(44)—(46)中，⊙表示通过减法操作得到两个序列间的可行交换对，表示通过乘法操作系数得到可行交换任务集，/>表示通过加法操作使当前序列与交换任务集进行任务交换。具体例子可参考图4，序列FSat与序列FSht通过减法操作得到了交换对FSat⊙FSht＝{(9,6),(10,9),(6,10)}。可以看到，任务9、10、6在序列FSat中的可交换区间为分别为(1，4，5，10，6，7，8)，(1，4，9，5，6，7，8)和(1，4，9，5，10，7，8)，任务6、9、10在序列FSht中的可交换区间为分别为(1，4，5，9，10，7，8)，(1，4，6，5，10，7，8)和(1，4，6，5，9，7，8)，其中，可交换区间根据拆卸任务的优先关系进行确定。如果交换对的两个任务都出现在了对方的交换区间内，说明它们是可行的，相反，如果交换对中有一个任务不在对方的可交换区间内，那么这个交换对就是不可行的。最后通过可行交换对得到新的序列/>相似的，参照上述减法操作的步骤，相应的还可根据现有技术得出乘法操作和加法操作之后的交换任务集。
4、位置更新之后，DSSA算法中同样引入了季节监测用于避免算法陷入局部最优；
将上一步中实现位置变化的解与生成的部分随机解进行收集、汇总和整合，通过公式计算得到季节常数。通过对季节常数的大小进行比较来决定是否实施季节扰动策略，保障在最后寻优阶段能再跳出一次局部区域，可以将搜索群体随机弹跳到离目前所在位置较远的新区域，以此来检查是否还有更优的目标解。季节监测的具体操作如下：
季节变化明显地影响飞鼠的觅食活动。飞鼠在低温环境下觅食成本很高，会遭受巨大的热量损失，气候条件迫使它们在冬天不活跃。季节性监测扰动策略模拟了这种天气影响，使SSA免于陷于局部最优解。
本发明中基于问题的离散特性对季节常数的计算公式修改如式(47)所示：
式中，m表示和FSht的交换对数量，x1和x2表示交换对第一个和第二个任务，Gm表示给当前任务一个在[0,1]区间内的随机数，/>FSht,k均为适应度值。
季节性监测条件为其中Smin是季节常数的最小值，其表达式为式(48)所示：
式(48)中，t和tm分别为当前迭代和最大迭代次数。可以看到，Smin与DSSA的探索与开发能力有关。Smin值越大，算法的探索性越强Smin值越小，算法的开发能力越强。
5、满足季节监测之后，引入莱维(Levy)飞行策略进一步帮助算法更好地进行全局搜索；
如果发现季节性监测条件已经满足(即冬季已经结束)，则将无法在森林中寻找最佳冬季食物来源的飞鼠任意迁移。冬季结束时，由于觅食成本较低，飞鼠变得活跃。冬季无法在森林中寻找最佳食物来源，但仍然存活下来的飞鼠可能会向新的方向觅食。将这种行为融入到建模中可以提高DSSA的探索能力。假设只有那些无法寻找到山核桃仁食物来源并存活下来的飞鼠才会向不同的方向移动，以寻找更好的食物来源。这种飞鼠的位置更新如式(49)所示：
式(49)中，普通树上为满足日常能源需求的向橡子树上移动的飞鼠的新位置；FSL和FSU分别为第i只飞鼠所在位置的下界和上界，⊕表示通过加法操作使当前序列与交换任务集进行任务交换，⊙表示通过减法操作得到两个序列间的可行交换对。
这里利用了莱维分布来促进更好和高效的求解空间的探索，其数学表达如式(50)所示：
式(50)中，γ,μ＞0。γ是尺度参数，μ是移位参数，s接近于正无穷的一个常数。
莱维飞行计算公式如式(51)所示：
式中：ra和rb为[0,1]上的正态分布随机数；β为常数，在DSSA中取1.5；
σ的计算公式如式(52)所示：
其中，Γ(n)＝(n-1)！
6、最后重复离散松鼠搜索算法(DSSA)的寻优过程，得到较优解可行性的个体，并更新外部档案WD，直至迭代计算次数满足终止条件，并再次利用基于帕累托精英策略的快速非主导排序获取外部档案中满足迭代条件后的非劣解作为最终结果输出。
以下为本实施例的实际运行中的效果展示：
程序测试环境：
本章数值实验的模拟计算环境为Intel(R)Core(TM)i9-10900K CPU@3.7GHz，32GBRAM Windows 10Pro操作系统，并使用MATLAB R2020b进行编程和运行。
为了验证所提DSSA的求解性能，引入了一个经典的缝纫机案例(P52)，具有52个任务。P52案例优化目标包括闲置率(FIdle)、平滑率(FSmooth)和拆卸成本(FCost)。利用同类型算法：蚂蚁菌落/遗传算法(ACGA)、遗传模拟退火算法(GASA)、人造鱼类群算法(AFSA)、多目标改进的颗粒群优化(MIPSO)和局部邻里遗传算法(LNGA)对大规模的包含52个缝纫机拆卸任务的实例P52进行求解。经过大量的测试，本研究设定DSSA参数为NS＝500,Pdp＝0.2，算法截至时间为500s，其结果如表1所示。
表1不同算法求解HRI-DLBP的结果
表1列出了DSSA和其它5个算法关于缝纫机案例的结果，将表1中的所有解经过一次pareto筛选后保留的解只有14个，其中3个解属于LNGA的解集，11个解属于所提DSSA获得的解集，如表1加粗字体所示。由于所有算法的解的第一个目标都为0.0579，仅用目标2和目标3作为坐标系绘制了所有算法在目标空间内的分布图。如图5所示，可以明显的看出所提DSSA的解成为了其它算法的帕累托(Pareto)前沿。
为了进一步验证DSSA的优越性，本发明引入了一个某品牌动力电池模组的拆卸案例来验证所提算法求解模型和实际应用的能力。同时，与花朵受粉算法(FPA)、非支配排序遗传算法(NSGA-II)、遗传模拟退火算法(GASA)和人造鱼类群算法(AFSA)进行比较，每个算法参数设定如表2所示。
表2不同算法参数设定
/>
图6展示了某品牌动力电池模组的三维立体图，包含44个拆卸任务。图中编号对应的部件名称如表3所示，该表给出了每个任务的拆卸时间，拆卸方向，交互约束，任务属性和优先关系。
表3编号对应的部件名称表
/>
Pareto解集在目标空间的分布可以直观的展示靠近Pareto前沿的情况，为此将每个算法利用拥挤距离获得的20个Pareto解放到了目标空间中。需要说明的是，由于本研究考虑了四个目标，为了便于分析将四个目标进行了三三组合(f1，f2，f3；f1，f2，f4；f1，f3，f4；f2，f3，f4)后以图7来展示不同算法的解集在目标空间的分布。
图7展示了DSSA，FPA，NSGA-II，GASA和AFSA获得的解集在目标空间的分布情况。从图7中(3)和(4)可以看出目标3和目标4是极度冲突的两个目标，每个算法获得的解在目标空间中几乎呈线性。然而，综合四个子图可以直观地看出，相比FPA，NSGA-II，GASA和AFSA，DSSA获得的解集明显占据更多Pareto前沿的位置。
考虑到不同决策者对目标偏好不同，本发明从获得的Pareto解集中筛选出了四个不同的方案，如图8所示，图中由上到下方案1，f1＝11 f2＝1691 f3＝8515.2 f4＝22358；方案2，f1＝11 f2＝1691 f3＝9015.2 f4＝19158；方案3，f1＝11 f2＝13901 f3＝8107.2 f4＝25078；方案4，f1＝11 f2＝1847 f3＝9395.2 f4＝16758。可以看出，这些方案均满足设定的CT约束、方向约束、任务属性约束和人机交互约束。方案1和方案2的工作站数量和平滑指标的值都是最优的。然而，方案3让机器人消耗的能耗最少，方案4使人力成本降到最低。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明实施例揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种人机交互约束双边拆卸线设置方法，其特征在于，包括以下步骤：
步骤S1：收集拆卸线和拆卸任务信息，建立以最小化开启工作站数量、空闲时间均衡指标、机器人能耗和人力成本为目标，包含人机交互约束操作的双边拆卸线平衡问题的混合整数线性规划数学模型，其目标函数为：
F＝min(f1,f2,f3,f4)
其中，最小化开启工作站数量：
最小化空闲时间均衡指标：
对其进行线性化处理，得到线性化约束后的最小化空闲时间均衡指标：
其中，Q＝|yiw-yjw|
最小化机器人工作站的能耗：
对其进行线性化处理，得到线性化约束后的最小化机器人工作站的能耗：
其中，
最小化拆卸成本：
其中，Sk为工作站开启变量，表示若第k个工作站开启，则Sk＝1，否则Sk＝0；CT为节拍时间；I是拆卸任务集合，{1,2,...,n}；M是配对工作站编号集合；L是配对站两侧编号，L＝{l|1,2}，l＝1时表示左侧，l＝2时表示右侧；W是操作者编号，W＝{w|1,2}，w＝1时为工人拆卸，w＝2时为机器人拆卸；i，j表示拆卸任务编号；为二进制变量，表示如果任务i被分配给位于第k个配对站的l侧，则/>否则/>ti指的是任务i的拆卸时间；OE指的是机器人在单位时间内的操作功耗；/>指的是操作者分配变量，如果任务i被分配给位于第k个配对站的w操作者，则/>否则，/>式中yi1为操作者为工人时的操作者分配变量，yi2为操作者为机器人时的操作者分配变量；SE指的是机器人在单位时间内待机功耗；SRkl为机器人分配变量，如果第k个配对站的l侧是机器人，则SRkl＝1，否则，SRkl＝0；Crt为机器人拆卸时的单位时间成本；Cmt为工人拆卸时的单位时间成本；BH是待拆卸产品中具有危害属性的任务集合；Ch是指拆卸危害任务时需要的额外成本；
且所述目标函数所满足的约束条件为：
任务分配约束：
操作分配约束：
时间约束：
优先关系约束：
工作站分配约束：
针对最小化空闲时间均衡指标进行线性化处理所需要满足的线性化约束：
Qijw＝max{yjw-yiw,yiw-yjw}
针对最小化机器人工作站的能耗进行线性化处理所需要满足的线性化约束：
二进制变量范围：
以上各式中，Sk为工作站开启变量，表示若第k个工作站开启，则Sk＝1，否则Sk＝0；CT为节拍时间；I是拆卸任务集合，{1,2,...,n}；M是配对工作站编号集合；L是配对站两侧编号，L＝{l|1,2}，l＝1时表示左侧，l＝2时表示右侧；W是操作者编号，W＝{w|1,2}，w＝1时为工人拆卸，w＝2时为机器人拆卸；i，j表示拆卸任务编号；为二进制变量，表示如果任务i被分配给位于第k个配对站的l侧，则/>否则/>ti指的是任务i的拆卸时间；OE指的是机器人在单位时间内的操作功耗；/>指的是操作者分配变量，如果任务i被分配给位于第k个配对站的w操作者，则/>否则，/>式中yi1为操作者为工人时的操作者分配变量，yi2为操作者为机器人时的操作者分配变量；SE指的是机器人在单位时间内待机功耗；SRkl为机器人分配变量，如果第k个配对站的l侧是机器人，则SRkl＝1，否则，SRkl＝0；Crt为机器人拆卸时的单位时间成本；Cmt为工人拆卸时的单位时间成本；Ch是指拆卸危害任务时需要的额外成本；BI指的是待拆卸产品中需要配对站两侧的工作站交互拆卸的任务集；BC指的是待拆卸产品中具有复杂属性的任务集；BH指的是待拆卸产品中具有危害属性的任务集；i',j'是需要系统拆卸任务的编号；Tl为配对站每侧的任务分配集合，如果任务i∈Tl，那么i只能分配给配对站的l侧；/>为正数；STi指的是任务i的开始时间，STj同理；TPij指的是拆卸任务的优先关系矩阵，TPij＝[aij]n×n；如果aij＝1，任务i为任务j的紧前任务；是一个拆卸序列变量，如果任务i和j被分配给位于第k个配对站l侧的w操作者并且任务i被分配在任务j之前，则/>否则，/>Qijw和uijw均为约束线性化所需变量；
步骤S2：进行种群初始化，之后通过快速非主导排序对种群进行排序分类，建立外部档案记录分类后的初始解种群；
步骤S3：将分类后的初始解种群利用离散松鼠搜索算法进行寻优，输出满足迭代条件的最终解作为拆卸方案执行。
2.根据权利要求1所述的一种人机交互约束双边拆卸线设置方法，其特征在于：所述步骤S2中种群初始化的步骤包括编码和解码和计算目标函数生成初始种群。
3.根据权利要求1所述的一种人机交互约束双边拆卸线设置方法，其特征在于：所述步骤S2中的快速非主导排序是基于帕累托精英策略对种群进行分类的。
4.根据权利要求1所述的一种人机交互约束双边拆卸线设置方法，其特征在于：所述步骤S3中离散松鼠搜索算法中的位置更新过程进行了离散化的特征修改。
5.根据权利要求1所述的一种人机交互约束双边拆卸线设置方法，其特征在于：所述步骤S3中离散松鼠搜索算法中的季节常数进行了离散化的特征修改。
6.根据权利要求1所述的一种人机交互约束双边拆卸线设置方法，其特征在于：所述步骤S3中离散松鼠搜索算法进行寻优的方法为，通过离散松鼠搜索算法寻优得到较优解可行性的个体，更新外部档案，并再次利用基于帕累托精英策略的快速非主导排序获取外部档案中满足迭代条件后的非劣解作为最终结果输出。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310362434 | 2023-04-07 | ||
| CN2023103624345 | 2023-04-07 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116702624A true CN116702624A (zh) | 2023-09-05 |
Family
ID=87840936
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310762510.1A Pending CN116702624A (zh) | 2023-04-07 | 2023-06-27 | 一种人机交互约束双边拆卸线设置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116702624A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976649A (zh) * | 2023-09-18 | 2023-10-31 | 武汉理工大学 | 退役家电产品局部破坏性拆解线平衡方法 |
-
2023
- 2023-06-27 CN CN202310762510.1A patent/CN116702624A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116976649A (zh) * | 2023-09-18 | 2023-10-31 | 武汉理工大学 | 退役家电产品局部破坏性拆解线平衡方法 |
| CN116976649B (zh) * | 2023-09-18 | 2024-02-02 | 武汉理工大学 | 退役家电产品局部破坏性拆解线平衡方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109657354B (zh) | 一种基于数字孪生的混流装配车间快速重构方法及系统 | |
| Xu et al. | Digital twin-based industrial cloud robotics: Framework, control approach and implementation | |
| Ren et al. | An asynchronous parallel disassembly planning based on genetic algorithm | |
| Zhang et al. | A reinforcement learning method for human-robot collaboration in assembly tasks | |
| CN110058573B (zh) | 吞吐柔性智能装配物流路径规划平台 | |
| Marri et al. | Computer-aided process planning: a state of art | |
| CN112800668A (zh) | 基于数字孪生的复杂产品运维与制造集成总体模型 | |
| CN110084405B (zh) | 吞吐柔性智能装配物流路径规划方法 | |
| ElMaraghy et al. | Co-evolution of products and manufacturing capabilities and application in auto-parts assembly | |
| CN116702624A (zh) | 一种人机交互约束双边拆卸线设置方法 | |
| Tian et al. | Product cooperative disassembly sequence and task planning based on genetic algorithm | |
| Lechevalier et al. | A neural network meta-model and its application for manufacturing | |
| Guo et al. | Human–robot collaborative disassembly line balancing problem with stochastic operation time and a solution via multi-objective shuffled frog leaping algorithm | |
| Tao et al. | Joint decision-making on automated disassembly system scheme selection and recovery route assignment using multi-objective meta-heuristic algorithm | |
| Zhang et al. | The integrated process planning and scheduling of flexible job-shop-type remanufacturing systems using improved artificial bee colony algorithm | |
| Mohebbi et al. | Trends in concurrent, multi-criteria and optimal design of mechatronic systems: A review | |
| Behbahani et al. | System-based and concurrent design of a smart mechatronic system using the concept of mechatronic design quotient (MDQ) | |
| Moussa et al. | Master assembly network for alternative assembly sequences | |
| WO2020162884A1 (en) | Parameter suggestion system | |
| Li et al. | Effective methods for integrated process planning and scheduling | |
| Eswaran et al. | Optimal layout planning for human robot collaborative assembly systems and visualization through immersive technologies | |
| Chinnathai et al. | A novel data-driven approach to support decision-making during production scale-up of assembly systems | |
| CN111198524A (zh) | 产品数据的处理方法及装置 | |
| Morshedzadeh et al. | Managing virtual factory artifacts in the extended PLM context | |
| Rahman et al. | A decision support tool for e-waste recycling operations using the hen-and-chicks bio-inspired optimization metaheuristic |
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 |