CN116841260A - 一种用于飞机部件装配的动态自适应计划排程方法 - Google Patents

Abstract

本发明公开了一种用于飞机部件装配的动态自适应计划排程方法，属于生产计划排程技术领域，包括：建立飞机部件装配的动态调度模型；依据调度模型的所需数据，求解所有架次在所有站位上所有AO的开完工时间；输出调度方案；按照输出的调度方案进行装配生产，当生产过程出现扰动因素时，对扰动类型进行判断，针对不同的扰动类型采用不同的处理策略进行处理；将扰动信息和当前生产状态信息作为输入，采用遗传算法再次进行求解，得到满足交付节点的生产调度方案。本发明依据所设计扰动处理策略和自适应周期压缩机制处理生产过程中动态扰动因素，提高了计划的科学性和可执行性，满足飞机装配实际需要。

Description

一种用于飞机部件装配的动态自适应计划排程方法

技术领域

本发明涉及生产计划排程技术领域，具体涉及一种用于飞机部件装配的动态自适应计划排程方法。

背景技术

在飞机装配生产计划排程方面，目前企业使用的车间调度排程方法与生产实际情况相差甚远，很难适用于复杂动态的飞机装配。主要是因为飞机装配以手工作业为主，存在大量的串并行工作，工人完成操作作业所耗费时间没有确切的数据，且生产过程中偶然因素较多，如物料短缺、设备故障、生产任务变更等，使得整个装配作业变得异常复杂。

现在企业的生产计划排程多采用Excel形式，主要依据调度人员的经验和相关历史数据制定计划，而计划管控与信息传递采用例会、专题会、邮件、电话等方式。这样的排程方式主要存在以下问题①需要耗费大量时间和人力；②EXCEL手工排产，方式落实；③排产颗粒度大，无法指导与管控生产进度；④未考虑扰动因素，计划的科学性和适应性较差；⑤计划未实时更新，计划预见近，风险可预见性较差。

随着产量的不断提升和制造周期的缩短，仍然采用原始的手工方式排产和信息传达，必然导致计划与实际生产偏差较大，无法有效指导实际装配，无法保证产品准时交付，更不能适应未来数字化工厂发展。

因此，针对上述当前存在的问题，本方案设计了一种适用于飞机装配行业特点的生产调度动态排程方法。

发明内容

本发明旨在解决现有技术中生产计划排程存在的上述问题，提出一种用于飞机部件装配的动态自适应计划排程方法，提高计划排程准确性和可靠性，指导生产现场的高效作业。

为了实现上述发明目的，本发明的技术方案如下：

一种用于飞机部件装配的动态自适应计划排程方法，包括如下步骤：

步骤S1、建立以总拖期最小为目标函数，考虑生产过程中的扰动因素，并以AO时序关系、资源需求和扰动因素为约束条件的飞机部件装配的动态调度模型；

步骤S2、依据调度模型的所需数据，整理架次、优先级、交付节点、AO时序关系、AO作业周期、资源需求作为基础数据输入，采用遗传算法求解所有架次在所有站位上所有AO的开完工时间；

步骤S3、判断每个架次最后一本AO的完工时间是否满足该架次的交付节点；若满足，输出调度方案，按照该生产计划执行；若不满足，采用自适应容忍压缩机制压缩AO周期，再使用遗传算法进行求解所有架次在所有站位上所有AO的开完工时间，再次判断是否满足交付节点，此时若仍无法满足，则需调整交付节点，然后按照新的交付节点进行求解，并输出调度方案；

步骤S4、按照输出的调度方案进行装配生产，当生产过程出现扰动因素时，对扰动类型进行判断，针对不同的扰动类型采用不同的处理策略进行处理；

步骤S5、将扰动信息和当前生产状态信息作为输入，采用遗传算法再次进行求解，得到满足交付节点的生产调度方案。

进一步的，调度模型的目标函数Z是求解调度周期内所有架次总拖期之和最小，即：

Et_ij表示第i个架次第j本AO的完成时间，T_i表示第第i个架次的客户需求时间。

进一步的，调度模型的约束条件包括：

AO连续性约束：第i架次的第j本AO在站位k上装配的开始时间加上该本AO的作业时间小于等于该本AO的完工时间；

AO时序关系约束：第i架的第j本AO的任何一本紧前AO的开始时间加上该本AO的作业时间小于等于第j本AO的开始时间；

资源约束：第i架次的所有AO在k站位执行作业时对第q种资源的需求小于等于第k个站位的第q种资源的最大供应量；

扰动约束：在发生扰动时，在第k站位的第i架次的第j本AO的开工时间受到扰动因素影响，取值为该本AO的最后完工时间和上一个站位的完工时间的最大值。

进一步的，当扰动因素为任务优先级变更时，在收到客户任务需求优先级变更信息后，对当前所有架次的任务优先级的进行调整，并将调整后的优先级作为新的输入，然后按照原算法求解框架进行求解。

进一步的，当扰动因素为装配故障和物料缺件时，输入故障归零时间和物料到货时间，然后依据AO时序关系按照原算法求解框架进行求解。

进一步的，当扰动因素为操作时长波动时，根据历史数据，首先设定波动阈值，然后依据制造执行系统实时监测AO执行情况，计算出每本AO累计波动大小，最后通过累计波动与阈值进行比较，判断是否调整，调整时采用自适应容忍周期压缩机制，对标准作业周期进行适当压缩，调整作业安排，满足交付节点。

进一步的，采用自适应容忍周期压缩机制调整过程如下：

Step1：计算需压缩周期：依据调度方案中每架次最后一本AO的完工时间与客户需求时间进行比较，计算单架次需要压缩总周期ΔT＝E_i(n+1)-T_i；

Step2：计算单架次每本AO压缩比例：对每架次的关键路径上未开工AO操作时长与需压缩的总周期相比，求解压缩比例；

Step3：计算每本AO压缩后操作时长：压缩后AO操作时长等于AO操作时长乘以1减去AO的压缩比例，t^f _ij＝t_ij*(1-δ_ij)；

Step4：判断压缩后周期是否满足小于AO极限周期t^f _ij≤Dt_ij；若大于，则按极限周期进行排产即t^f _ij＝Dt_ij；然后对未大于的AO，按步骤1/2/3再次计算，直至每本AO都不小于极限周期；

Step5：计算是否满足节点要求ΔT≤0？若否，则调整交付节点，若是，则满足节点要求，输出结果。

在某一实施例中，遗传算法的算子设计过程为：

编码设计与种群初始化：编码结构采用架次表示与AO编号相结合的方法进行单串式编码；依据该编码方式进行种群初始化，生成可行的染色体；

基于紧前紧后关系表进行交叉变异设计：随机选择标准遗传算法的单点或多单交叉端子中的一种，变异算子采用置换变异算子；通过紧前紧后关系表保证交叉和变异后生成的子染色体的可行性；

解码设计：在种群进行交叉与变异后，采用贪婪插入方法进行解码，求解最优的生产调度排程方案。

进一步的，所述的在种群进行交叉与变异后，采用贪婪插入方法进行解码，求解最优的生产调度排程方案包括：

Step1：按照顺序获取染色体基因；

Step2：计算该基因的紧前AO的最晚完工时间，所用资源最晚可用时间，确定该基因最早开工时间并计算完工时间；

Step3：重复1-2步骤，计算出所有基因开完工时间，得出所有架次计划交付点；

Step4：通过计算计划交付点与计划交付点差距，计算是否满足交付要求；

Step5：若不满足交付点，采用自适应周期压缩机制进行周期压缩，重复1-4步骤，若不满足，则调整计划交付点；若满足则输出预排产方案；

Step6：判断是否扰动发生，采用扰动处理策略对扰动进行处理；

Step7：获取当前生产状态信息，重复1-5步骤计算，输出最优排产方案。

综上所述，本发明具有以下优点：

本发明依据所设计扰动处理策略和自适应周期压缩机制处理生产过程中动态扰动因素。所设计的改进遗传算法和求解流程，对多动态扰动因素下的飞机装配调度问题进行优化求解，实现了飞机装配生产计划排程自适应编制和动态调整。

附图说明

图1为飞机部件装配脉动生产线划分的多个连续站位示意图；

图2为AO时序关系析取图；

图3为求解框架；

图4为扰动类型对应的处理策略；

图5为架次与AO结合的编码结构；

图6为算法求解流程。

具体实施方式

下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。

飞机装配属于以手工作业为主，资源约束众多，装配作业时间波动较大，装配工艺路线串并行关系复杂，动态扰动因素频发的制造环境。针对飞机装配过程中扰动因素的影响，需要分析扰动因素的影响的机理，并设计不同扰动因素的处理策略。

本发明方案针对飞机装配作业时间波动较大的问题，设计了自适应容忍周期压缩机制，综合考虑动态扰动因素与装配作业时长波动问题，提出了一种用于飞机部件装配的动态自适应计划排程方法，以实现飞机装配计划的自动编制与动态调整，提高计划的科学性和可执行性，满足飞机装配实际需要。

如图3所示，该方法具体包括以下步骤：

步骤S1、根据问题描述与数学模型，建立以总拖期最小为目标函数，考虑生产过程中的扰动因素，并以AO时序关系、资源需求、扰动因素等为约束条件的飞机部件装配的动态调度模型。

问题描述：飞机部件装配脉动生产线被划分为多个连续站位如图1，N架次飞机在K个站位内完成当前站位内J本AO装配工作，J本AO的时序关系析取图如图2所示。每架飞机在进入下一站位前必须完成当前站位内的全部作业，在多扰动因素(任务优先级变更、故障、缺件、操作时长波动)及资源约束下，优化多架次多本AO装配作业的开完工时间，最小化N架次飞机总拖期。

名词解释：AO(Assemble oder)是工艺部门根据工程设计要求、工厂工艺技术水平和质量要求，编制的生产性工艺文件。它是通过文字将某项实物装配操作过程进行描述，表达完成该项作业的标准操作过程。用于装配性质的生产单位下达生产任务，指导工人生产。

假设：①AO间的时序关系已知，但可变；②AO内物料ABC、执行人员、资源需求等已知；③工装、设备等保障资源总量已知；④不考虑物料配送时间；⑤生产准备时间纳入装配时间中；⑥考虑装配周期可压缩。

由于调度问题属于组合优化问题，通过上述问题的描述与假设，对飞机部件装配动态调度进行数学建模，利用数学符号语言表达问题求解目标及约束条件，进而进行优化求解。

(1)符号定义:

(2)决策变量：

(3)目标函数Z与约束条件：

目标函数是求解调度周期内所有架次总拖期之和最小。max{(Et_i(n+1)-T_i)，0}表示第i个架次的最后一本AO完工时间与客户需求时间相比取最大值，当(Et_i(n+1)-T_i)>0表示交付晚于客户需求时间，取二者之差；当(Et_i(n+1)-T_i)<0，表示早于客户需求交付，取值0；然后将所有架次的拖期累加求和，得到一个调度方案的总拖期，最后比较所有调度方案，选取总拖期最小的方案作为做优的调度方案。

约束条件主要包括AO连续性与时序关系约束、资源约束与扰动约束。

①AO连续性约束：

上面的约束表示第i架次的第j本AO在站位k上装配的开始时间加上该本AO的作业时间小于等于该本AO的完工时间。当无扰动因素影响，取等于；反之，则取小于。

②AO时序关系约束：

上面的约束表示第i架的第j本AO的任何一本紧前AO的开始时间加上该本AO的作业时间小于等于第j本AO的开始时间。当l为j的所有紧前AO的最后一本时，取等于；反之，取小于。

③资源约束：

上面的约束表示第i架次的所有AO在k站位执行作业时对第q种资源的需求小于等于第k个站位的第q种资源的最大供应量。

④扰动约束：

由于在发生扰动时，扰动影响对会根据AO之间的时序关系进行传递，表现形式为影响AO的完工时间和站位的完工时间。因此在发生扰动时，在第k站位的第i架次的第j本AO的开工时间受到扰动因素影响，取值为该本AO的最后完工时间和上一个站位的完工时间的最大值。

步骤S2、依据上述调度模型的所需数据，整理架次、优先级、交付节点、AO时序关系、AO作业周期、资源需求作为基础数据输入，采用遗传算法进行求解所有架次在所有站位上所有AO的开完工时间；

步骤S3、判断是否采用标准周期，这里的标准周期是指每本AO的标准作业时间；

步骤S4、若是，则判断每个架次最后一本AO的完工时间是否满足交付节点；若满足，输出调度方案，按照该生产计划执行；若不满足，采用自适应容忍压缩机制压缩AO周期，再采用遗传算法进行求解，再次判断是否满足交付节点，此时若仍无法满足，则需调整交付节点，然后再按照新的需求时间进行求解，并输出调度方案；

步骤S5、当生产过程发生扰动时，对扰动类型进行判断，针对不同的扰动类型设计不同处理策略；

步骤S6、将扰动信息和当前生产状态信息作为输入，采用遗传算法再次进行求解，求得满足交付要求的生产调度方案。

关于扰动处理策略：当生产过程中发生扰动时，进行扰动类别判断，识别扰动类型。针对不同的扰动类型，设计不同处理策略，具体如图4所示。

①对于任务优先级变更，生产计划员在收到客户任务需求优先级变更信息后，对当前所有架次的任务优先级的进行调整，并将调整后的优先级作为新的输入，然后按照原算法求解框架进行求解即可。

②针对装配故障和物料缺件情况，当发生这两种扰动因素时，由生产计划员依据历史经历、当前故障处置进展，物料的在制品状态，依据AO时序关系，判断对扰动因素影响程度进行判断，即输入故障归零时间和物料到货时间，然后依据AO时序关系采用遗传算法计算对后续AO开完工时间的影响。

③针对操作时长波动情况，根据历史数据，首先设定波动阈值，然后依据制造执行系统实时监测AO执行情况，计算出每本AO累计波动大小，最后通过累计波动与阈值进行比较，判断是否调整，调整方法采用后续阐述的自适应容忍压缩机制。

关于自适应容忍周期压缩机制：针对任务优先级变更、装配故障、物料缺件和作业时长发生波动等扰动因素发生后对后续AO产生影响，导致按照标准作业周期无法满足交付节点要求时，采用自适应容忍周期压缩机制，对作业操作时长适当压缩，调整作业安排，满足交付节点要求，具体操作过程包括：

Step1：计算单架次压缩总周期：依据调度方案中每架次最后一本AO的完工时间与交付节点比较，计算单架次需要压缩总周期，ΔT＝Et_i(n+1)-T_i；

Step2：计算单架次每本AO压缩比例：对每架次的关键路径上未开工AO操作时长与需压缩的总周期进行相比，求解压缩比例，δ_ij＝t^k _ij/ΔT；

Step3：计算每本AO压缩后操作时长：压缩后AO操作时长等于AO操作时长乘以1减去AO的压缩比例，t^f _ij＝t_ij*(1-δ_ij)；

Step4：判断压缩后周期是否满足小于AO极限周期t^f _ij≤Dt_ij；若大于，则按极限周期进行排产即t^f _ij＝Dt_ij；然后对未大于的AO，按步骤1/2/3再次计算，直至每本AO都不小于极限周期；

Step5：计算是否满足节点要求ΔT≤0？，若否，则调整交付节点，若是，则满足节点要求，输出结果。

实施例2

在实施例1的基础上，为了进一步提高求解效率，对遗传算法算子进行设计，具体包括：

编码设计与种群初始化：如图5所示，编码结构采用架次标识与AO编号相结合的方法进行单串式编码，比如第01架共12本AO，AO间时序关系如图2，采用紧前紧后关系表，如表1，进行编码。如第01架编码为01-0-1-2-4-3-5-6-8-7-10-9-11-12，其中第一位为架次标识，第2-13位为AO编号。依据该方法进行种群初始化，可生成可行的染色体，不需要进行修复。

基于紧前紧后关系表的交叉变异设计：随机选择标准遗传算法的单点或多点交叉算子中的一种，变异算子采用置换变异算子；通过紧前紧后关系表保证交叉和变异后生成的子染色体的可行性，避免交叉与变异后出现不可行的染色体而进行修复操作，提高算法求解效率。

解码设计：在种群进行交叉与变异后，采用贪婪插入方法进行解码，求解最优的生产调度排程方案。如图6所示，求解步骤包括：

Step1：按照顺序获取染色体基因；

Step2：计算该基因的紧前AO的最晚完工时间，所用资源最晚可用时间，确定该基因最早开工时间并计算完工时间；

Step3：重复1-2步骤，计算出所有基因开完工时间，得出所有架次计划交付点；

Step4：通过计算计划交付点与计划交付点差距，计算是否满足交付要求；

Step5：若不满足交付点，采用自适应周期压缩机制进行周期压缩，重复1-4步骤，若不满足，则调整计划交付点。若满足则输出预排产方案；

Step6：判断是否扰动发生，采用扰动处理策略对扰动进行处理；

Step7：获取当前生产状态信息，重复1-5步骤计算，输出最优排产方案。

虽然结合附图对本发明的具体实施方式进行了详细地描述，但不应理解为对本专利的保护范围的限定。在权利要求书所描述的范围内，本领域技术人员不经创造性劳动即可做出的各种修改和变形仍属本专利的保护范围。

以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (9)

1.一种用于飞机部件装配的动态自适应计划排程方法，其特征在于，包括如下步骤：

步骤S1、建立以总拖期最小为目标函数，考虑生产过程中的扰动因素，并以AO时序关系、资源需求和扰动因素为约束条件的飞机部件装配的动态调度模型；

步骤S2、依据调度模型的所需数据，整理架次、优先级、交付节点、AO时序关系、AO作业周期、资源需求作为基础数据输入，采用遗传算法求解所有架次在所有站位上所有AO的开完工时间；

步骤S3、判断每个架次最后一本AO的完工时间是否满足该架次的交付节点；若满足，输出调度方案，按照该生产计划执行；若不满足，采用自适应容忍压缩机制压缩AO周期，再使用遗传算法进行求解所有架次在所有站位上所有AO的开完工时间，再次判断是否满足交付节点，此时若仍无法满足，则需调整交付节点，然后按照新的交付节点进行求解，并输出调度方案；

步骤S4、按照输出的调度方案进行装配生产，当生产过程出现扰动因素时，对扰动类型进行判断，针对不同的扰动类型采用不同的处理策略进行处理；

步骤S5、将扰动信息和当前生产状态信息作为输入，采用遗传算法再次进行求解，得到满足交付节点的生产调度方案。

2.根据权利要求1所述的方法，其特征在于，调度模型的目标函数Z是求解调度周期内所有架次总拖期之和最小，即：

Et_ij表示第i个架次第j本AO的完成时间，T_i表示第第i个架次的客户需求时间。

3.根据权利要求1所述的方法，其特征在于，调度模型的约束条件包括：

AO连续性约束：第i架次的第j本AO在站位k上装配的开始时间加上该本AO的作业时间小于等于该本AO的完工时间；

AO时序关系约束：第i架的第j本AO的任何一本紧前AO的开始时间加上该本AO的作业时间小于等于第j本AO的开始时间；

资源约束：第i架次的所有AO在k站位执行作业时对第q种资源的需求小于等于第k个站位的第q种资源的最大供应量；

扰动约束：在发生扰动时，在第k站位的第i架次的第j本AO的开工时间受到扰动因素影响，取值为该本AO的最后完工时间和上一个站位的完工时间的最大值。

4.根据权利要求1所述的方法，其特征在于，当扰动因素为任务优先级变更时，在收到客户任务需求优先级变更信息后，对当前所有架次的任务优先级的进行调整，并将调整后的优先级作为新的输入，然后按照原算法求解框架进行求解。

5.根据权利要求1所述的方法，其特征在于，当扰动因素为装配故障和物料缺件时，输入故障归零时间和物料到货时间，然后依据AO时序关系按照原算法求解框架进行求解。

6.根据权利要求1所述的方法，其特征在于，当扰动因素为操作时长波动时，根据历史数据，首先设定波动阈值，然后依据制造执行系统实时监测AO执行情况，计算出每本AO累计波动大小，最后通过累计波动与阈值进行比较，判断是否调整，调整时采用自适应容忍周期压缩机制，对标准作业周期进行适当压缩，调整作业安排，满足交付节点。

7.根据权利要求6所述的方法，其特征在于，采用自适应容忍周期压缩机制调整过程如下：

Step1：计算需压缩周期：依据调度方案中每架次最后一本AO的完工时间与客户需求时间进行比较，计算单架次需要压缩总周期ΔT＝E_i(n+1)-T_i；

Step2：计算单架次每本AO压缩比例：对每架次的关键路径上未开工AO操作时长与需压缩的总周期相比，求解压缩比例；

Step3：计算每本AO压缩后操作时长：压缩后AO操作时长等于AO操作时长乘以1减去AO的压缩比例，t^f _ij＝t_ij*(1-δ_ij)；

Step4：判断压缩后周期是否满足小于AO极限周期t^f _ij≤Dt_ij；若大于，则按极限周期进行排产即t^f _ij＝Dt_ij；然后对未大于的AO，按步骤1/2/3再次计算，直至每本AO都不小于极限周期；

Step5：计算是否满足节点要求ΔT≤0？若否，则调整交付节点，若是，则满足节点要求，输出结果。

8.根据权利要求1所述的方法，其特征在于，遗传算法的算子设计过程为：

编码设计与种群初始化：编码结构采用架次表示与AO编号相结合的方法进行单串式编码；依据该编码方式进行种群初始化，生成可行的染色体；

基于紧前紧后关系表进行交叉变异设计：随机选择标准遗传算法的单点或多单交叉端子中的一种，变异算子采用置换变异算子；通过紧前紧后关系表保证交叉和变异后生成的子染色体的可行性；

解码设计：在种群进行交叉与变异后，采用贪婪插入方法进行解码，求解最优的生产调度排程方案。

9.根据权利要求8所述的方法，其特征在于，所述的在种群进行交叉与变异后，采用贪婪插入方法进行解码，求解最优的生产调度排程方案包括：

Step1：按照顺序获取染色体基因；

Step2：计算该基因的紧前AO的最晚完工时间，所用资源最晚可用时间，确定该基因最早开工时间并计算完工时间；

Step3：重复1-2步骤，计算出所有基因开完工时间，得出所有架次计划交付点；

Step4：通过计算计划交付点与计划交付点差距，计算是否满足交付要求；

Step5：若不满足交付点，采用自适应周期压缩机制进行周期压缩，重复1-4步骤，若不满足，则调整计划交付点；若满足则输出预排产方案；

Step6：判断是否扰动发生，采用扰动处理策略对扰动进行处理；

Step7：获取当前生产状态信息，重复1-5步骤计算，输出最优排产方案。