CN116957177A - 一种柔性车间产线规划方法、系统、设备及介质 - Google Patents
一种柔性车间产线规划方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116957177A CN116957177A CN202310928709.7A CN202310928709A CN116957177A CN 116957177 A CN116957177 A CN 116957177A CN 202310928709 A CN202310928709 A CN 202310928709A CN 116957177 A CN116957177 A CN 116957177A
- Authority
- CN
- China
- Prior art keywords
- logistics
- production line
- layout
- scheme
- unit
- 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
- 238000000034 method Methods 0.000 title claims abstract description 109
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 84
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 32
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 230000002068 genetic effect Effects 0.000 claims abstract description 27
- 238000003064 k means clustering Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 47
- 239000000463 material Substances 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 16
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- GQPLMRYTRLFLPF-UHFFFAOYSA-N Nitrous Oxide Chemical compound [O-][N+]#N GQPLMRYTRLFLPF-UHFFFAOYSA-N 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 238000002485 combustion reaction Methods 0.000 claims description 3
- 239000002283 diesel fuel Substances 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000001272 nitrous oxide Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008685 targeting Effects 0.000 claims 1
- 239000002699 waste material Substances 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 210000000349 chromosome Anatomy 0.000 description 9
- 108090000623 proteins and genes Proteins 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 230000008033 biological extinction Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009401 outcrossing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000005070 ripening Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Physiology (AREA)
- Game Theory and Decision Science (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供一种柔性车间产线规划方法、系统、设备及介质,包括以下步骤:获取柔性车间产线信息,并基于K‑means聚类划分工作组;基于人因工程对工作组内部的机械设施和物流路径进行规划;基于工作组内部的机械设施和物流路径规划信息,采用SLP方法得到初始仓库布局方案,并设置初始仓库布局之间的物流方案;基于初始仓库布局和物流方案,以最小化物流搬运成本、非物流关系总值最大、以及物流搬运最低碳排放为目标,建立以工作组为单位的总体布局与物流方案的优化模型,基于灾变遗传算法求解优化模型,并输出最佳布局方案和物流方案;本申请科学合理的减少了运输浪费与能源浪费,物流关系相比于SLP方法得到有效提高。
Description
技术领域
本发明属于生产车间设备布局和物流集成优化领域,涉及一种柔性车间产线规划方法、系统、设备及介质。
背景技术
当前在产线设施布局规划中,不合理的车间设备布局与物流方案造成的能源消耗、生产调度计划的不合理造成的资源浪费,都将导致生产成本及碳排放量过高,不仅使企业生产环境严重污染,还对企业形象与经济利益造成损害。对企业生产车间展开设施布局与物流方案的集成规划,可以有效降低企业成本和碳排放量,柔性生产车间如何完成合理的车间产线设施规划与生产作业调度,企业车间进行合理的设施规划是其顺利生产的基础。通过良好的安排车间产线各工位及辅助设施的相对空间位置,企业可降低生产成本、物流搬运成本以及人工成本,提高产能效率,提升企业的综合市场竞争力。
当前在产线设施布局规划中,可采用的方法有:经验法—基于经验或规范,将车间设施分布在空间上的经验法则或规范应用于车间布局;图形分析法—通过对车间生产过程的图形化分析,了解生产流程和物料流动,然后根据车间面积和生产要求进行布局;仿真技术—利用建模仿真技术,建立车间生产物理模型,模拟生产流程和物料流动的情况,从而找到最佳的设施布局方案;其中大多仅单一采用系统布局规划(SLP)法,主要依赖确定的车间内作业单位间物流关系密切程度,随后通过图解法定量表示单位间空间位置,最后进行多个布置方案评价,为企业设施布局提供决策建议,该方法一定程度上受主观经验、知识能力的影响,得到的布局方案一般为可行解,却不是最优解。
发明内容
针对现有技术中存在的问题,本发明提供一种柔性车间产线规划方法、系统、设备及介质,可以有效降低企业成本和碳排放量,提升企业的综合市场竞争力。
本发明是通过以下技术方案来实现:
一种柔性车间产线规划方法,包括以下步骤:
获取柔性车间产线信息,并基于K-means聚类划分工作组;
基于人因工程对工作组内部的机械设施和物流路径进行规划;
基于工作组内部的机械设施和物流路径规划信息,采用SLP方法得到初始仓库布局方案,并设置初始仓库布局之间的物流方案;
基于初始仓库布局和物流方案,以最小化物流搬运成本、非物流关系总值最大、以及物流搬运最低碳排放为目标,建立以工作组为单位的总体布局与物流方案的优化模型,基于灾变遗传算法求解优化模型,并输出最佳布局方案和物流方案。
进一步的,所述柔性车间产线信息包括工艺流程、设备和工位加工时间节拍信息。
进一步的,基于K-means聚类划分工作组的过程为:
A1:将柔性车间产线信息基于其种类划分数据集和对应的聚类中心,并随机初始化聚类中心;
A2:基于每个数据集内的样本点于各聚类中心的距离,并基于距离划分对应的簇,基于每个簇得到优化聚类中心;
A3:若优化聚类中心和初始化聚类中心一致,则输出工作组的集合,否则重复步骤A1-A2,直至优化聚类中心和初始化聚类中心一致。
进一步的,所述步骤A1中数据集为:D={x1,x2,...,xn},聚类中心的数量为k,随机初始化聚类中心将它们分别记为m1,m2,...,mk;
所述步骤A2中基于每个数据集内的样本点于各聚类中心的距离的过程为:dis(i,j)=sqrt(sum(xi-mj)2),
其中,xi为每个数据集内的样本点,mj为聚类中心;
基于距离划分对应的簇的过程为:Cj=argminj dis(i,j),Cj=Cj∪{xi},其中,Cj为簇;
基于每个簇得到优化聚类中心的过程为:将簇Cj内所有样本点的坐标求平均得到优化聚类中心,mj=(1/|Cj|)*sum(Cj);
所述步骤S3中的工作组的集合为C={C1,C2,...,Ck}。
进一步的,基于人因工程对工作组内部的机械设施和物流路径进行规划的过程为:
基于车间的生产模式、自动化程度、设备种类、工艺流程、工作任务进行研究和了解,确定车间的特点和人员工作的情况;
根据车间的生产模式和特点分析人员的工作任务和需求;
根据车间的特点和人员工作的情况,设计合理的工作区域布局;
基于工作区域布局选用合适的加工设备和辅助工具,以及确定合理的工作区间物料流转方式。
进一步的,所述根据车间的生产模式和特点分析人员的工作任务和需求的过程为:通过收集数据和观察用户,识别其对设施的需求和期望,所述需求包括使用设施时的舒适度、可达性、可用性、安全性和可维护性;
所述设计合理的工作区域布局的过程为:基于工作流程的顺序、人员与设备间的距离和位置、设备数量和工作区域安排完成工作区域布局。
进一步的,以最小化物流搬运成本为目标的模型为:
其中,表示采用第k种物流方案将工件从作业单位区域i运输到区域j之间的单位搬运成本;fij代表区域i和区域j之间物料搬运量;zijk为0-1布尔型决策变量,当工件从作业单位区域i到区域j的运输采用的为物流方案k时,则为1,否则为0;Dij为作业单位间的曼哈顿距离;
Dij=|xi-xj|+|yi-yj| (2)
加工区域间中各作业单位横坐标为:
加工区域间中各作业单位纵坐标为:
yk=(i-1)S+S0 (4)
其中,l表示作业单位横向长度;hij是单位i和j间横向最小长度,这里不是边界间距离是因为要预留出通道宽度;hj0为作业单位j与车间边界横向最小距离;ξk为作业单位k和上一单位或紧邻边界间的净长度;S为作业单元中心之间的行间距;S0为第一行单位与车间边界直线长度;xi设定是单位i的x坐标;yj为单位j的y坐标;
且横纵坐标非负xi,yi>0,同时需要满足:
边界约束条件:
式中,xi同样是单位i中心点的x轴坐标;yi则是单位i的y轴坐标;li表示单位i的横向尺寸;wi表示单位i的纵向尺寸;L是车间长度;H是车间宽度;
间距约束条件:
式中,pij表示若存在作业单元i与j产生了物流搬运量则为1否则为0,Lmin表示作业单元i与j间在x方向的最小距离;Hmin表示作业单元i与j间在y方向的最小距离;M表示一个极大的值;
相邻车间边界间预留通道区域的约束条件:
式中,L是车间长度;H是车间宽度;
以非物流关系总值最大为目标建立模型的过程为:
将各区域之间物料运输路程长短和非物流相互联系之间程度评价等级相乘的积作为非物流关系总值,以非物流关系总值最大为目标建立的模型为:
式中,Bij表示作业单位i与j之间的邻接度值,其不同非物流关系等级对应值见下表1;eij表示非物流等级为权重引入距离关联量化因子,其主要是指区域之间的距离取值不同而对应的非物流关系的系数;
以及物流搬运最低碳排放为目标建立模型的过程为:
柴油燃料的碳排放为:
式中,g表示柴油燃烧所释放的气体种类,g=1时为释放出二氧化碳,g=2时为释放出甲烷,g=3时为释放出氧化亚氮,其中,装载机日总耗油量由日工作时长以及单位时间耗油量相乘所得:
电能的碳排放量为:
工件转运过程中的需耗电的物流设备包含传输带与AGV,两者的耗电量由物流搬运距离以及搬运时间所决定:
C2=10-6EcQdωeleWt0 (14)
其中,
Ec=Ec1+Ec2 (15)
hij=10-3(Al+Dij)/3.6vp (17)
则物流运输碳排放量为:
将三个目标问题转化为单目标展开并进行归一化处理,得到:
赋与物流搬运成本、非物流关系以及碳排放三项模型权重值,模型F′1赋权值为μ1,模型F′2赋权值为μ2,模型F′3赋权值为μ3,令μ1+μ2+μ3=1;
则总体布局与物流方案优化模型为:
min F=μ1F′1-μ2F′2+μ3F′3 (23)。
一种柔性车间产线规划系统,包括:
采集划分模块,用于获取柔性车间产线信息,并基于K-means聚类划分工作组;
组内规划模块,用于基于人因工程对工作组内部的机械设施和物流路径进行规划;
仓库布局模块,用于基于工作组内部的机械设施和物流路径规划信息,采用SLP方法得到初始仓库布局方案,并设置初始仓库布局之间的物流方案;
输出模型模块,用于基于初始仓库布局和物流方案,以最小化物流搬运成本、非物流关系总值最大、以及物流搬运最低碳排放为目标,建立工作组为单位的总体布局与物流方案的优化模型,基于灾变遗传算法求解优化模型,并输出最佳布局方案和物流方案。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现一种柔性车间产线规划方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现一种柔性车间产线规划方法的步骤。
与现有技术相比,本发明具有以下有益的技术效果:
本发明提供一种柔性车间产线规划方法、系统、设备及介质,包括以下步骤:获取柔性车间产线信息,并基于K-means聚类划分工作组;基于人因工程对工作组内部的机械设施和物流路径进行规划;基于工作组内部的机械设施和物流路径规划信息,采用SLP方法得到初始仓库布局方案,并设置初始仓库布局之间的物流方案;基于初始仓库布局和物流方案,以最小化物流搬运成本、非物流关系总值最大、以及物流搬运最低碳排放为目标,建立以工作组为单位的总体布局与物流方案的优化模型,基于灾变遗传算法求解优化模型,并输出最佳布局方案和物流方案;本申请解决了SLP方法在设施布局问题中的局限性,建立了同时优化设施布局与物流方案综合优化的数学模型,并设计灾变遗传算法编对数学模型进行求解,对比了在SLP方法下、传统算法下以及改进算法下求得的各项目标函数值,验证了数学模型以及求解算法的有效性;同时本申请改进后的布局和物流方案上,优化后的生产线路物流动线更加清晰,同时充分考虑不同物流方案下的物流搬运成本以及设备碳排放量,更加科学合理的减少了不必要的运输浪费与能源浪费,物流关系相比于SLP方法得到有效提高,实现绿色低碳降本的车间产线设施规划。
附图说明
图1为本发明一种柔性车间产线规划方法流程图;
图2为本发明具体实施例中加工区域间尺寸及距离示意图;
图3为本发明具体实施例中工艺流程图;
图4为本发明具体实施例中K-means聚类划分工作组;
图5为本发明具体实施例中人因工程工作组一内部布局优化图;
图6为本发明具体实施例中灾变遗传算法流程流程图;
图7为本发明具体实施例中灾变遗传算法布局图;
图8为本发明具体实施例中灾变遗传算法物流方案;
图9为本发明具体实施例中编码方案示意图;
图10为本发明具体实施例中SLP方法得出生产车间平面布局图方案一;
图11为本发明具体实施例中SLP方法得出生产车间平面布局图方案二。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明提供一种柔性车间产线规划方法,如图1所示,包括以下步骤:
获取柔性车间产线信息,并基于K-means聚类划分工作组;
基于人因工程对工作组内部的机械设施和物流路径进行规划;
基于工作组内部的机械设施和物流路径规划信息,采用SLP方法得到初始仓库布局方案,并设置初始仓库布局之间的物流方案;
基于初始仓库布局和物流方案,以最小化物流搬运成本、非物流关系总值最大、以及物流搬运最低碳排放为目标,建立工作组为单位的总体布局与物流方案的优化模型,基于灾变遗传算法求解优化模型,并输出最佳布局方案和物流方案。
优选的,所述柔性车间产线信息包括工艺流程、设备和工位加工时间节拍信息。
优选的,基于K-means聚类划分工作组的过程为:
A1:将柔性车间产线信息基于其种类划分数据集和对应的聚类中心,并随机初始化聚类中心;
A2:基于每个数据集内的样本点于各聚类中心的距离,并基于距离划分对应的簇,基于每个簇得到优化聚类中心;
A3:若优化聚类中心和初始化聚类中心一致,则输出工作组的集合,否则重复步骤A1-A2,直至优化聚类中心和初始化聚类中心一致。
进一步的,所述步骤A1中数据集为:D={x1,x2,...,xn},聚类中心的数量为k,随机初始化聚类中心将它们分别记为m1,m2,...,mk;
所述步骤A2中基于每个数据集内的样本点于各聚类中心的距离的过程为:dis(i,j)=sqrt(sum(xi-mj)2),
其中,xi为每个数据集内的样本点,mj为聚类中心;
基于距离划分对应的簇的过程为:Cj=argminj dis(i,j),Cj=Cj∪{xi},其中,Cj为簇;
基于每个簇得到优化聚类中心的过程为:将簇Cj内所有样本点的坐标求平均得到优化聚类中心,mj=(1/|Cj|)*sum(Cj);
所述步骤S3中的工作组的集合为C={C1,C2,...,Ck}。
优选的,基于人因工程对工作组内部的机械设施和物流路径进行规划的过程为:
基于车间的生产模式、自动化程度、设备种类、工艺流程、工作任务进行研究和了解,确定车间的特点和人员工作的情况;
根据车间的生产模式和特点分析人员的工作任务和需求;
根据车间的特点和人员工作的情况,设计合理的工作区域布局;
基于工作区域布局选用合适的加工设备和辅助工具,以及确定合理的工作区间物料流转方式。
进一步的,所述根据车间的生产模式和特点分析人员的工作任务和需求的过程为:通过收集数据和观察用户,识别其对设施的需求和期望,所述需求包括使用设施时的舒适度、可达性、可用性、安全性和可维护性;
所述设计合理的工作区域布局的过程为:基于工作流程的顺序、人员与设备间的距离和位置、设备数量和工作区域安排完成工作区域布局。
优选的,以最小化物流搬运成本为目标的模型为:
其中,表示采用第k种物流方案将工件从作业单位区域i运输到区域j之间的单位搬运成本;fij代表区域i和区域j之间物料搬运量;zijk为0-1布尔型决策变量,当工件从作业单位区域i到区域j的运输采用的为物流方案k时,则为1,否则为0;Dij为作业单位间的曼哈顿距离,
Dij=|xi-xj|+|yi-yj| (2)
加工区域间尺寸及距离示意图如下图2所示,加工区域间中各作业单位横坐标为:
加工区域间中各作业单位纵坐标为:
yk=(i-1)S+S0 (4)
其中,如图2所示,其中Mi、Mj、Mk是三个不同的作业单位,l表示作业单位横向长度;hij是单位i和j间横向最小长度,这里不是边界间距离是因为要预留出通道宽度;hj0为作业单位j与车间边界横向最小距离;ξk为作业单位k和上一单位或紧邻边界间的净长度;S为作业单元中心之间的行间距;S0为第一行单位与车间边界直线长度;xi设定是单位i的x坐标;yj为单位j的y坐标;
在图2中,不仅需满足条件xi,yi>0,即横纵坐标非负,这里i=1,2,…,n-1,j=2,3,…,n,且i≠j,同时需要满足:
边界约束条件:
式中,xi同样是单位i中心点的x轴坐标;yi则是单位i的y轴坐标;li表示单位i的横向尺寸;wi表示单位i的纵向尺寸;L是车间长度;H是车间宽度;
间距约束条件:
式中,pij表示若存在作业单元i与j产生了物流搬运量则为1否则为0,Lmin表示作业单元i与j间在x方向的最小距离;Hmin表示作业单元i与j间在y方向的最小距离;M表示一个极大的值;
相邻车间边界间预留通道区域的约束条件:
式中,L是车间长度;H是车间宽度;
以非物流关系总值最大为目标建立模型的过程为:
将各区域之间物料运输路程长短和非物流相互联系之间程度评价等级相乘的积作为非物流关系总值,以非物流关系总值最大为目标建立的模型为:
式中,Bij表示作业单位i与j之间的邻接度值,其不同非物流关系等级对应值见下表1;eij表示非物流等级为权重引入距离关联量化因子,其主要是指区域之间的距离取值不同而对应的非物流关系的系数;其值如下表1-1和表1-2所示:
表1-1非物流关系邻接度值表
表1-2关联因子量化值表
其中,dmax指的是生产中心规划区域长和宽的长度之和。
以及物流搬运最低碳排放为目标建立模型的过程为:
柴油燃料的碳排放为:
式中,g表示柴油燃烧所释放的气体种类,g=1时为释放出二氧化碳,g=2时为释放出甲烷,g=3时为释放出氧化亚氮,其中,装载机日总耗油量由日工作时长以及单位时间耗油量相乘所得:
电能的碳排放量为:
工件转运过程中的需耗电的物流设备包含传输带与AGV,两者的耗电量由物流搬运距离以及搬运时间所决定:
C2=10-6EcQdωeleWt0 (14)
其中,
Ec=Ec1+Ec2 (15)
hij=10-3(Al+Dij)/3.6vp (17)
则物流运输碳排放量为:
将三个目标问题转化为单目标展开并进行归一化处理,得到:
赋与物流搬运成本、非物流关系以及碳排放三项模型权重值,模型F′1赋权值为μ1,模型F′2赋权值为μ2,模型F′3赋权值为μ3,令μ1+μ2+μ3=1;
则总体布局与物流方案优化模型为:
min F=μ1F′1-μ2F′2+μ3F′3 (23)。
基于灾变遗传算法求解优化模型的过程为:
为解决传统遗传算法易陷入“早熟”问题,设计改进灾变遗传算法求解模型,设计具体如下:
灾变遗传算法的编码过程为:
灾变遗传算法可采用二进制编码、实数编码、整数编码以及混合编码等方式,本申请中的优化模型为多行布局问题,涉及到众多连续型参数,且还需在染色体中引入物流方案编号,相比于其他编码方式,实数编码可以精确表示设施位置和尺寸等连续型参数,产生连续的搜索空间,无需考虑精度损失,且易适应有关设施位置、距离限制等约束条件,使算法可以更加高效求得最优解,本申请因此采用实数编码的方式,染色体由四部分构成,包括分隔符s表示序列被分割为两部分的位置、作业单位位置符号mij表示第j个位置的作业单位编号,净间距△ij表示作业单位mi(j-1)和mij之间的净间距,k表示选择第k个物流方案;
对于n个作业单位多行布局的情况,染色体表达方式为:
[s,{mi1,mi2,…,min},{Δi1,Δi2,…,Δin},k];
例如:6个作业单位,分两行的情况,假设染色体表达如下:
[4,{6,3,5,1,2,4},{1.2,0.2,0.4,0.3,2.2,4.6},3];
根据这一编码,作业单位间的物流方案为第3种,实际布局如图9所示:
图9中,两个作业单位之间虚线部分的数字,表示的是两个作业单位间的最小间距。
对比其他编码方式,这一编码方式可以避免违背车间规划原则的后代生成,例如为了不发生横向单位重叠,x方向坐标用净间距,其次,在进行多行间作业排列时,采用分隔符的方式进行划分避免纵向重叠。
种群初始化过程为:
采用了随机产生和启发式经验共同生产初始种群,以SLP方法产生的所有布局方案和随机生产的其他布局方案当成算法的初始种群,这是由于SLP方法得出设施布局方案具有一定相似性,且关键考虑的是设施间距离与物流强度,对于其他因素的考虑,如设施容量、环境限制等较为欠缺,故结合随机生成的一些布局方案构成全部初始解,可以增加算法搜索多样性以及鲁棒性;特别的是在本问题种群的产生中,包含两个决策变量,为单位间布局的排序与物流方案的选择,为此,在生成染色体时,两个决策变量统一进行生成,以缩短寻优时间,同时可以保证种群的合理性,提高算法的运行效率和准确性。
适应度函数的确定过程为:
在算法适应度函数的制定上,采用引入惩罚项的形式,其基于约束条件的违反程度,使不符合约束条件的个体更易被淘汰,保证搜索合理性;本申请中的数学模型的目标函数为三目标,根据车间实际生产规划经验,赋予三个目标一定的权重后所转化为单目标函数F(x),如式(24),对应适应度表达式如下:
其中,G为惩罚函数,且有G=ε*Pk,ε为惩罚因子取值为10000000,Pk为约束判断值,且满足下式:
遗传算子的设计过程为:
1)选择算子:
在迭代过程中,选择算子主要就是通过一定的规则方法对个体或子代进行选择和保留,其概率的计算公式如公式(26)所示:
其中,Pi是i个体被选中概率,fi为i个体适应度值,N为种群个体数目;为保证个体多样性,将轮盘赌应用至50%的个体选择,其余50%个体的筛选利用锦标赛方法,同时利用精英保留策略,通过筛选出适应度值排序最后10名的个体,用优秀的父代进行替换,避免因为种群代沟流失了优秀个体。
2)交叉算子:
由于本申请在编码阶段每个基因位置为实数,且分别包含工序排序编码段、位置编码段以及物流方案编码段,因此采用均匀交叉的方式,分别对每个不同含义段的编码位置的基因进行交叉操作,避免了对实数编码进行离散处理,均匀交叉具体操作为:对两条染色体中相同位置的基因以设定的交叉概率进行交叉,也就是互换,本申请中令工作组之间的布局排序和物流方案分别进行交叉。
3)变异算子:
本申请中采用单点均匀变异,也就是指染色体中的工作组之间的布局排序与物流方案基因点中随机产生一个位置基因进行变异从而产生新的个体。
改进灾变操作过程为:
由于传统遗传算法常过早收敛,求得解往往为局部最优,本申请在遗传操作过程中添加种群灾变操作,使算法跳出局部最优,这是模拟生物进化中存在部分物种灭绝的现象,但相应如何设定灭绝程度需要进行人为设置,具体的:随着不断迭代,先锁定每一代种群中迭代出最优适应度值的次数,再记录上一代求解出的最优适应度值的次数,对比两次数值,相等时则记1,累积达到50次,则进行灾变操作。灾变操作为:保留上一代种群的前10%和后10%的优劣染色体,这是为了让这些个体指导接下来的搜索,其余80%的染色体随机生成。
本申请采用计改进灾变遗传算法求解模型,能够在现有遗传算法的基础上,引进灾变操作,增强现有遗传算法求解过程中种群初始化多样性,提高了算法的全局搜索能力及求解效率,可以解决“早熟”问题,增强算法寻优能力。
实施例1:以某定子线圈生产线车间为例,企业生产工艺流程和工序信息如图3所示,表1为成产线上各个工位及节拍。
表1生产线车间各工位及节拍
根据对应的工序流程和工位信息对该企业的工位进行聚类划分,聚类结果如图4所示,将生产车间分为七个工作组,工时和工序相近的划入同一个工作组内,并根据工作组内的机器数量和类型确定工作组的面积,对每个工作组内部进行人因工程分析,减少优化作业,使工作组内部布局方案及物流方案更加合理,工作人员疲劳度更低,工作组一优化后布局如图5所示;之后根据SLP方法得出初始车间可行布局方案,如图10和图11所示,调查研究后建立工作组之间的物流方案,如表2所示,
表2可行物流方案
在可行物流方案制定之后,输入建立的优化模型中,用灾变遗传算法进行优化处理,具体流程如图6所示,在matlab编写遗传算法程并序迭代,得到改善后的布局方案和物流方案,如图7和图8所示,表2为具体改进前后物流成本、非物流关系和碳排放量对比。
表2多方法运算结果对比
在布局上优化后的物流动线更加清晰,充分考虑不同物流方案下的物流搬运成本以及物流设备碳排放量,更加科学合理地减少了不必要的运输浪费与能源浪费,对比单一SLP规划结果,物流成本节约了13.04%,物流设备碳排放量降低了9.96%,物流搬运成本算法改进前后优化比例3.76%;在非物流关系上,改进算法后的优化结果比传统算法提高了3.7%,比传统SLP方法提高了16.06%,经过改进算法优化后,适应度值优化比例达到8.3%,体现出了所设计改进灾变遗传算法的有效性。解决了由于设施设备规划不合理造成的人员搬运劳动强度大、在制品线上滞留严重、能源浪费严重及生产效率低下的问题,模块化设计也降低了二次规划难度,实现绿色低碳降本的车间产线设施规划。
本发明提供一种柔性车间产线规划系统,包括:
采集划分模块,用于获取柔性车间产线信息,并基于K-means聚类划分工作组;
组内规划模块,用于基于人因工程对工作组内部的机械设施和物流路径进行规划;
仓库布局模块,用于基于工作组内部的机械设施和物流路径规划信息,采用SLP方法得到初始仓库布局方案,并设置初始仓库布局之间的物流方案;
输出模型模块,用于基于初始仓库布局和物流方案,以最小化物流搬运成本、非物流关系总值最大、以及物流搬运最低碳排放为目标,建立工作组为单位的总体布局与物流方案的优化模型,基于灾变遗传算法求解优化模型,并输出最佳布局方案和物流方案。
本发明再一个实施例中,提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于一种柔性车间产线规划方法的操作。
本发明再一个实施例中,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关一种柔性车间产线规划方法的相应步骤。
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。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的范围。
Claims (10)
1.一种柔性车间产线规划方法,其特征在于,包括以下步骤:
获取柔性车间产线信息,并基于K-means聚类划分工作组;
基于人因工程对工作组内部的机械设施和物流路径进行规划;
基于工作组内部的机械设施和物流路径规划信息,采用SLP方法得到初始仓库布局方案,并设置初始仓库布局之间的物流方案;
基于初始仓库布局和物流方案,以最小化物流搬运成本、非物流关系总值最大、以及物流搬运最低碳排放为目标,建立以工作组为单位的总体布局与物流方案的优化模型,基于灾变遗传算法求解优化模型,并输出最佳布局方案和物流方案。
2.根据权利要求1所述一种柔性车间产线规划方法,其特征在于,所述柔性车间产线信息包括工艺流程、设备和工位加工时间节拍信息。
3.根据权利要求1所述一种柔性车间产线规划方法,其特征在于,基于K-means聚类划分工作组的过程为:
A1:将柔性车间产线信息基于其种类划分数据集和对应的聚类中心,并随机初始化聚类中心;
A2:基于每个数据集内的样本点于各聚类中心的距离,并基于距离划分对应的簇,基于每个簇得到优化聚类中心;
A3:若优化聚类中心和初始化聚类中心一致,则输出工作组的集合,否则重复步骤A1-A2,直至优化聚类中心和初始化聚类中心一致。
4.根据权利要求3所述一种柔性车间产线规划方法,其特征在于,所述步骤A1中数据集为:D={x1,x2,...,xn},聚类中心的数量为k,随机初始化聚类中心将它们分别记为m1,m2,...,mk;
所述步骤A2中基于每个数据集内的样本点于各聚类中心的距离的过程为:dis(i,j)=sqrt(sum(xi-mj)2),
其中,xi为每个数据集内的样本点,mj为聚类中心;
基于距离划分对应的簇的过程为:Cj=argminj dis(i,j),Cj=Cj∪{xi},其中,Cj为簇;
基于每个簇得到优化聚类中心的过程为:将簇Cj内所有样本点的坐标求平均得到优化聚类中心,mj=(1/|Cj|)*sum(Cj);
所述步骤S3中的工作组的集合为C={C1,C2,...,Ck}。
5.根据权利要求1所述一种柔性车间产线规划方法,其特征在于,基于人因工程对工作组内部的机械设施和物流路径进行规划的过程为:
基于车间的生产模式、自动化程度、设备种类、工艺流程、工作任务进行研究和了解,确定车间的特点和人员工作的情况;
根据车间的生产模式和特点分析人员的工作任务和需求;
根据车间的特点和人员工作的情况,设计合理的工作区域布局;
基于工作区域布局选用合适的加工设备和辅助工具,以及确定合理的工作区间物料流转方式。
6.根据权利要求5所述一种柔性车间产线规划方法,其特征在于,所述根据车间的生产模式和特点分析人员的工作任务和需求的过程为:通过收集数据和观察用户,识别其对设施的需求和期望,所述需求包括使用设施时的舒适度、可达性、可用性、安全性和可维护性;
所述设计合理的工作区域布局的过程为:基于工作流程的顺序、人员与设备间的距离和位置、设备数量和工作区域安排完成工作区域布局。
7.根据权利要求1所述一种柔性车间产线规划方法,其特征在于,以最小化物流搬运成本为目标的模型为:
其中,表示采用第k种物流方案将工件从作业单位区域i运输到区域j之间的单位搬运成本;fij代表区域i和区域j之间物料搬运量;zijk为0-1布尔型决策变量,当工件从作业单位区域i到区域j的运输采用的为物流方案k时,则为1,否则为0;Dij为作业单位间的曼哈顿距离;
Dij=|xi-xj|+|yi-yj| (2)
加工区域间中各作业单位横坐标为:
加工区域间中各作业单位纵坐标为:
yk=(i-1)S+S0 (4)
其中,l表示作业单位横向长度;hij是单位i和j间横向最小长度,这里不是边界间距离是因为要预留出通道宽度;hj0为作业单位j与车间边界横向最小距离;ξk为作业单位k和上一单位或紧邻边界间的净长度;S为作业单元中心之间的行间距;S0为第一行单位与车间边界直线长度;xi设定是单位i的x坐标;yj为单位j的y坐标;
且横纵坐标非负xi,yi>0,同时需要满足:
边界约束条件:
式中,xi同样是单位i中心点的x轴坐标;yi则是单位i的y轴坐标;li表示单位i的横向尺寸;wi表示单位i的纵向尺寸;L是车间长度;H是车间宽度;
间距约束条件:
式中,pij表示若存在作业单元i与j产生了物流搬运量则为1否则为0,Lmin表示作业单元i与j间在x方向的最小距离;Hmin表示作业单元i与j间在y方向的最小距离;M表示一个极大的值;
相邻车间边界间预留通道区域的约束条件:
式中,L是车间长度;H是车间宽度;
以非物流关系总值最大为目标建立模型的过程为:
将各区域之间物料运输路程长短和非物流相互联系之间程度评价等级相乘的积作为非物流关系总值,以非物流关系总值最大为目标建立的模型为:
式中,Bij表示作业单位i与j之间的邻接度值,其不同非物流关系等级对应值见下表1;eij表示非物流等级为权重引入距离关联量化因子,其主要是指区域之间的距离取值不同而对应的非物流关系的系数;
以及物流搬运最低碳排放为目标建立模型的过程为:
柴油燃料的碳排放为:
式中,g表示柴油燃烧所释放的气体种类,g=1时为释放出二氧化碳,g=2时为释放出甲烷,g=3时为释放出氧化亚氮,其中,装载机日总耗油量由日工作时长以及单位时间耗油量相乘所得:
电能的碳排放量为:
工件转运过程中的需耗电的物流设备包含传输带与AGV,两者的耗电量由物流搬运距离以及搬运时间所决定:
C2=10-6EcQdωeleWt0 (14)
其中,
Ec=Ec1+Ec2 (15)
hij=10-3(Al+Dij)/3.6vp (17)
则物流运输碳排放量为:
将三个目标问题转化为单目标展开并进行归一化处理,得到:
赋与物流搬运成本、非物流关系以及碳排放三项模型权重值,模型F′1赋权值为μ1,模型F′2赋权值为μ2,模型F′3赋权值为μ3,令μ1+μ2+μ3=1;
则总体布局与物流方案优化模型为:
minF=μ1F′1-μ2F′2+μ3F′3 (23)。
8.一种柔性车间产线规划系统,其特征在于,基于权利要求1-7所述任一项一种柔性车间产线规划方法,包括:
采集划分模块,用于获取柔性车间产线信息,并基于K-means聚类划分工作组;
组内规划模块,用于基于人因工程对工作组内部的机械设施和物流路径进行规划;
仓库布局模块,用于基于工作组内部的机械设施和物流路径规划信息,采用SLP方法得到初始仓库布局方案,并设置初始仓库布局之间的物流方案;
输出模型模块,用于基于初始仓库布局和物流方案,以最小化物流搬运成本、非物流关系总值最大、以及物流搬运最低碳排放为目标,建立工作组为单位的总体布局与物流方案的优化模型,基于灾变遗传算法求解优化模型,并输出最佳布局方案和物流方案。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述一种柔性车间产线规划方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述一种柔性车间产线规划方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310928709.7A CN116957177A (zh) | 2023-07-26 | 2023-07-26 | 一种柔性车间产线规划方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310928709.7A CN116957177A (zh) | 2023-07-26 | 2023-07-26 | 一种柔性车间产线规划方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116957177A true CN116957177A (zh) | 2023-10-27 |
Family
ID=88450892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310928709.7A Pending CN116957177A (zh) | 2023-07-26 | 2023-07-26 | 一种柔性车间产线规划方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116957177A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117724432A (zh) * | 2024-02-07 | 2024-03-19 | 中国电子工程设计院股份有限公司 | 一种半导体自动物料搬运系统布局的生成方法及装置 |
CN117745152A (zh) * | 2024-02-04 | 2024-03-22 | 工业云制造(四川)创新中心有限公司 | 一种基于aigc的工业自动建模方法及系统 |
-
2023
- 2023-07-26 CN CN202310928709.7A patent/CN116957177A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117745152A (zh) * | 2024-02-04 | 2024-03-22 | 工业云制造(四川)创新中心有限公司 | 一种基于aigc的工业自动建模方法及系统 |
CN117745152B (zh) * | 2024-02-04 | 2024-04-19 | 工业云制造(四川)创新中心有限公司 | 一种基于aigc的工业自动建模方法及系统 |
CN117724432A (zh) * | 2024-02-07 | 2024-03-19 | 中国电子工程设计院股份有限公司 | 一种半导体自动物料搬运系统布局的生成方法及装置 |
CN117724432B (zh) * | 2024-02-07 | 2024-05-10 | 中国电子工程设计院股份有限公司 | 一种半导体自动物料搬运系统布局的生成方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116957177A (zh) | 一种柔性车间产线规划方法、系统、设备及介质 | |
Gong et al. | A non-dominated ensemble fitness ranking algorithm for multi-objective flexible job-shop scheduling problem considering worker flexibility and green factors | |
CN112561194B (zh) | 一种混合流水车间生产与物流集成调度方法及系统 | |
Kesavan et al. | Heuristic and meta-heuristic algorithms for solving medium and large scale sized cellular manufacturing system NP-hard problems: A comprehensive review | |
CN107506956A (zh) | 基于改进粒子群算法供应链生产运输协同调度方法及系统 | |
CN109460859B (zh) | 一种车间布局优化方法 | |
CN112766584B (zh) | 基于离散云进化算法的设备优化布局方法 | |
CN112990716A (zh) | 一种双资源约束柔性车间调度和布局集成优化方法及系统 | |
Huang et al. | An improved genetic algorithm for job-shop scheduling problem with process sequence flexibility | |
Chattopadhyay et al. | Neuro-genetic impact on cell formation methods of Cellular Manufacturing System design: A quantitative review and analysis | |
CN113569483A (zh) | 基于人工蜂群算法求解多目标柔性作业车间调度的方法 | |
CN115577849A (zh) | 一种车间作业单元多目标布局优化方法及电子设备 | |
CN110263970B (zh) | 一种求解自动轨道小车上料调度问题的混合离散人工蜂群算法 | |
Zhou et al. | Multi-objective optimization of greening scheduling problems of part feeding for mixed model assembly lines based on the robotic mobile fulfillment system | |
CN114611379A (zh) | 一种基于数据驱动的加工工艺节能规划方法 | |
CN116401951A (zh) | 集成多agv路径规划与多行设备布局优化方法 | |
CN113901728A (zh) | 基于迁移遗传算法的电脑第二类装配线平衡优化方法 | |
CN113792494B (zh) | 基于迁徙鸟群算法和交叉融合的多目标柔性作业车间调度方法 | |
CN114676987B (zh) | 一种基于超启发式算法的智能柔性作业车间主动调度方法 | |
Maroof et al. | An integrated approach for the operational design of a cellular manufacturing system | |
Ab Rashid et al. | A novel Tiki-Taka algorithm to optimize hybrid flow shop scheduling with energy consumption | |
CN111445079B (zh) | 一种应用于车间计划投产的多保真仿真优化方法及设备 | |
CN115470977A (zh) | 基于帝国竞争算法的多目标柔性作业车间分批调度方法 | |
Momenikorbekandi et al. | A Novel Metaheuristic Hybrid Parthenogenetic Algorithm for Job Shop Scheduling Problems: Applying an Optimization Model | |
CN108717289B (zh) | 一种流水线布局优化方法 |
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 |