CN117332700B - 一种生产线布局优化及智能物流安全性仿真方法 - Google Patents
一种生产线布局优化及智能物流安全性仿真方法 Download PDFInfo
- Publication number
- CN117332700B CN117332700B CN202311560379.7A CN202311560379A CN117332700B CN 117332700 B CN117332700 B CN 117332700B CN 202311560379 A CN202311560379 A CN 202311560379A CN 117332700 B CN117332700 B CN 117332700B
- Authority
- CN
- China
- Prior art keywords
- production line
- optimization
- algorithm
- simulation
- safety
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 92
- 238000005457 optimization Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000004088 simulation Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 105
- 239000002245 particle Substances 0.000 claims abstract description 58
- 230000008569 process Effects 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 230000002068 genetic effect Effects 0.000 claims abstract description 27
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 230000003993 interaction Effects 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 210000000349 chromosome Anatomy 0.000 description 2
- 231100000817 safety factor Toxicity 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 210000000323 shoulder joint Anatomy 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 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]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Physiology (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Genetics & Genomics (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种生产线布局优化及智能物流安全性仿真方法，属于制造技术领域，解决了当前生产线布局优化存在的单一优化方法效果不明显及忽略了生产线安全性的问题。本发明首先基于遗传算法与粒子群算法构建混合优化算法，并在构建人体运动学模型之后将其导入工厂仿真软件中；在工厂仿真软件中利用混合优化算法对生产线布局进行优化求解，在仿真生产线布局的同时对工人在物流配送以及人机交互过程中的安全性进行仿真分析，得到生产线布局优化结果以及优化后智能物流安全性能结果。本发明将遗传算法和粒子群算法相结合，得到仿真优化效果更好的混合优化算法，同时将人机工效分析技术应用到物流仿真当中，提高生产线的安全性。
Description
技术领域
本发明涉及制造技术领域，尤其是涉及一种基于混合优化算法的生产线布局优化及智能物流安全性仿真方法。
背景技术
21世纪以来我国制造业发展迅速，已经向世界证明我国研发关键技术的水平大幅提升，而制造业的兴起也推进了相关产业链的发展，生产线作为制造业发展的核心，其发展是推动制造业前进的核心动力，其随着工业4.0时代的到来，传统制造业将实现改革，通过提高设备的利用率，使各工作站更为均衡，降低生产成本，来实现企业利益最大化是各个企业的主要发展方向之一。
而制造业发展的同时，也对各工厂生产效率的提升提出了新的需求，而在提高生产线的生产效率的同时，一些危险品生产线工厂又不得不考虑生产安全性的问题，例如一些化学品、易燃易爆品以及军工生产线等在物流配送过程中难免会使用工人进行物流的配送，因此如何在提高生产效率的同时考虑物流安全性问题，是如今制造业发展的亟需解决的问题之一。
发明内容
针对在当前对生产线布局进行优化的过程中，单一优化方法效果不明显以及在优化过程中忽略工人安全等因素这一问题，本发明提供一种生产线布局优化及智能物流安全性仿真方法，该方法在提高产线生产效率的同时能够兼顾生产物流过程中工人的安全性。
为解决上述问题，本发明采取如下的技术方案：
一种生产线布局优化及智能物流安全性仿真方法，其特征在于，包括以下步骤：
将遗传算法与粒子群算法集成到一个框架中，构建混合优化算法；
利用DH建模方法构建用于进行人机工效分析的人体运动学模型，并将所述人体运动学模型导入工厂仿真软件中；
初始化所述混合优化算法的各参数及种群，在所述工厂仿真软件中利用所述混合优化算法对生产线布局进行优化求解，得到生产线布局优化结果，其中所述混合优化算法的流程包括以下步骤：
（a）初始化参数，包括种群大小、最大迭代次数、学习因子、交叉概率、变异概率、分类阈值点；
（b）随机产生初始化种群，种群中的每个粒子均代表了生产线工位布局位置的一种排列顺序；
（c）计算每个粒子的适应度值，对于粒子个体来说，此次自身的适应度值高于上一代则更新个体极值，整个种群中若有比上一代适应度更高的粒子则更新全局极值；
（d）根据分类阈值点将按照适应度大小排列的种群划分成两部分，对两部分的粒子分别进行遗传算法和粒子群算法的独立运算，位于分类阈值点前的粒子进行交叉、变异更新个体，位于分类阈值点后的粒子，根据粒子之间的信息更新位置；
（e）根据步骤（d），进化之后得出的个体依旧按照原来的顺序，进行下一次迭代，直到满足迭代的最大次数，则继续下一步骤（f）；否则返回步骤（c）；
（f）输出生产线布局优化结果；
在仿真生产线布局的同时，对工人在物流配送以及人机交互过程中的安全性进行仿真分析，得到优化后智能物流安全性能结果，安全性仿真分析的过程包括以下步骤：
利用包围盒技术对人体在工作中的人体运动范围进行限定，形成人体工作范围包围盒；
利用包围盒技术对生产线机器运动过程中可能形成的危险区域进行限定，形成机械运动危险包围盒，并且所述机械运动危险包围盒会随生产线机器运动状态的改变而改变；
在仿真过程中对所述人体工作范围包围盒和所述机械运动危险包围盒进行区域重合性分析，根据区域重合性分析结果判断物流过程中的人机安全性能。
本发明以遗传算法与粒子群算法相结合得到的混合优化算法为基础，在优化生产线布局，提高生产线生产效率的基础上，同时考虑生产物流过程中工人的安全性的问题。与现有技术对比，本发明具有如下有益效果：
（1）本发明在传统算法上进行升级，将遗传算法以及粒子群算法相结合，使得混合优化算法同时具有遗传算法的鲁棒性以及粒子群算法的快速性，再基于混合优化算法进行产线布局优化，提高了对生产线布局的优化能力，从而进一步提高生产线的生产效率；
（2）本发明创新性的将人机工效分析技术融合到生产线仿真当中，可以仿真工人在物流配送过程中以及人机交互过程中的安全性，在生产线布局优化过程中充分考虑安全性因素，可为高危、高爆等具有一定危险性的生产线提供仿真优化方案。
附图说明
图1为本发明实施例提供的一种生产线布局优化及智能物流安全性仿真方法的流程图；
图2为本发明中混合优化算法的流程图。
具体实施方式
为更加清晰的表述本发明要解决的技术问题、技术方案和优点，下面结合附图及具体实施例进行详细描述。
遗传算法作为一种基于自然选择和遗传学理论的优化算法，其算法基本原理为模拟生物进化过程中的选择，对算法初始种群进行生成、选择、交叉、变异解码等步骤，来得到问题的实际解，而粒子群优化算法则是一种基于群体智能的优化算法，该算法通过模拟动物或其他类型生物的社会行为，实现对问题的优化，该算法实现过程主要包括粒子位置速度初始化以及适应度值计算等流程。本发明将两种算法相结合，结合二者的优点，提高算法的性能以及鲁棒性，同时结合人机工效分析技术，在保证效率提高的同时实现安全生产。
首先通过对粒子群算法以及遗传算法各自的优劣性进行分析，得到二者各自的优点以及缺点，并得到二者互补之处，为后续二者算法的结合提供依据。然后在遗传算法及粒子群算法互补性分析的基础上将两种算法相结合，得到混合优化算法，混合优化算法结合了遗传算法的鲁棒性以及粒子群算法的快速性，能够为后续对产线布局进行优化以及仿真提供算法基础。接下来基于混合优化算法进行工厂生产线布局优化，即在得到混合后的优化算法后，将混合优化算法应用于实际产线的虚拟仿真之中，通过设置参数模型并基于混合优化算法得到布局优化的结果，并通过仿真前后的生产效率对比结果验证优化后的布局是否符合实际需求。
在工厂仿真软件中进行生产线布局的同时，进行基于人机工效进行生产安全性分析，即在进行生产线仿真的过程中，向工厂仿真软件导入利用DH建模方法建立的多关节三维人体模型即人体运动学模型，替换仿真软件中原有仿真人体模型，并赋予运动参数，再基于包围盒技术，在人体四周区域以及机器运动危险区域形成包围盒，在对每个工位的布局进行优化仿真的同时对人机安全性进行仿真，其中工厂仿真软件可以采用Plantsimulation等仿真软件，Plant simulation软件及其外部接口可以很好实现上述功能。本发明将混合优化算法以及人机工效分析技术融合到仿真中，在仿真生产线布局的同时对工人在物流配送以及人机交互过程中的安全性进行分析，达到高效、安全生产的目的。具体过程是将人机工效分析技术融合到仿真技术当中，基于实际人体参数定义人体三维模型的关节以及运动参数，通过舒适度计算以及人体可达性分析，得到工人工作过程中各个关节的动作，并通过包围盒技术对人机交互过程中可能产生的危险进行提前预测，保证人工物流配送以及操作机器过程中的安全性，达到安全生产的目的。
如图1所示，本发明提供一种基于混合优化算法的生产线布局优化及智能物流安全性仿真方法，混合优化算法对生产线布局中每个工位的布局位置进行优化，得到优化后的产线布局，智能物流安全性仿真方法即对优化后的布局进行运动仿真的同时考虑人机安全因素，在优化布局的同时保证人机安全，该方法包括以下步骤：
步骤1：构建混合优化算法；
步骤2：构建人体运动学模型；
步骤3：基于混合优化算法的生产线布局求解，同时进行基于人机工效的智能物流安全性仿真分析。
遗传算法是一种基于自然生存法则淘汰机制的概率性搜索算法，主要用于寻找问题的最优解，其流程主要包括编码、形成初始种群、选择、交叉、编译、解码等，其基本元素为染色体，染色体又由基因组成，基因的取值则为问题域中的变量，再通过两个个体的基因交换从而产生新的个体，并通过迭代寻找最优解，该算法具有适用范围广、鲁棒性强、设计过程简单以及容错能力较好等优点，但是在计算高维优化问题时，该算法的搜索空间会增大，从而导致搜索效率下降。
而粒子群算法则为模拟鸟群、鱼群的群体智能优化方法，在该算法中，将种群的个体抽象为一个个粒子，在进行觅食的过程中，粒子都会有一定的速度，并且在某个特定的搜索空间内会存在一个位置拥有最佳的食物，这个位置就是目标函数，粒子群算法具有搜索能力强，同时具有并行性和天然的种群结构优势，适合处理大规模问题，同时该算法容易陷入局部最优解等问题。
通过以上对遗传算法与粒子群算法的优劣性及可结合性分析，本发明将遗传算法与粒子群算法结合起来，可以发挥两种算法的优点。遗传算法的优点在于它对于复杂问题的处理能力较强，可以处理一些非线性、多峰值函数的问题，算法的鲁棒性较好。粒子群算法的优点在于它可以在高维度的问题中保持优秀的收敛性能，并且具有较快的收敛速度。两种算法的结合可以弥补彼此的不足，提高对于复杂问题的处理能力和优化效率。
本发明为了实现粒子群算法和遗传算法的并行结合，将两种算法集成到一个框架中，并设计合理的数据分配和算法实现方式，该混合优化算法的流程如图2所示，具体包括以下步骤：
（a）初始化参数，包括种群大小、最大迭代次数、学习因子、交叉概率、变异概率、分类阈值点；
（b）随机产生初始化种群；
（c）计算每个粒子的适应度值，对于粒子个体来说，此次自身的适应度值高于上一代则更新个体极值，整个种群中若有比上一代适应度更高的粒子则更新全局极值；否则直接更新粒子速度和位置；
（d）根据分类阈值点将按照适应度大小排序的种群划分成两部分，对两部分的粒子分别进行遗传算法和粒子群算法的独立运算，位于分类阈值点前的粒子进行交叉、变异更新个体，位于分类阈值点后的粒子，根据粒子之间的信息更新位置；
（e）根据步骤（d），进化之后得出的个体依旧按照原来的顺序，合并种群后进行下一次迭代，直到满足迭代的最大次数，如果满足达到迭代的最大次数要求，则继续下一步骤（f）；否则返回步骤（c）；
（f）输出生产线布局优化结果，即最优的生产线工位布局的位置。
其中，每个粒子均代表了生产线工位布局位置的一种排列顺序，同时根据需求设
置总群大小以及算法的最大迭代次数，在生产线布局优化过程中，适应度S一般通过公式计算，其中Q为物流费用总成本，M则代表各区域摆放超过边界的惩罚项。初始化
混合优化算法的各参数及种群完毕后，即可通过混合优化算法进行生产线布局优化求解。
本发明将遗传算法和粒子群算法相结合，使得混合优化算法同时具有遗传算法的鲁棒性以
及粒子群算法的快速性，再基于混合优化算法进行生产线布局优化，提高了对生产线布局
的优化能力，从而进一步提高生产线的生产效率。
本发明为了对人机交互过程进行精准仿真，采用人机工效分析技术与混合优化算法进行融合仿真。首先利用DH建模方法构建人体运动学模型。由于人体的运动主要是通过膝关节、腰关节、肩关节等人体运动关节的相对转动来实现的，因此本发明将人体主要肢体简化为连杆，并将人体设置为15个刚体和14个关节，同时根据各关节的生理结构设置其转动自由度和转动范围，采用Denavit-Hartenberg (DH)建模方法进行人体运动学模型的构建，其中DH建模方法为机器人运动学中一种建立运动模型的方法。
在完成对人体运动学模型的构建之后，基于人体运动学模型对智能物流配送以及人机交互过程中的安全性进行分析。首先基于包围盒技术，对人体在工作中的人体运动范围进行限定，形成人体工作范围包围盒；同时同样使用包围盒技术，对生产线机器运动过程中可能形成的危险区域进行限定，形成机械运动危险包围盒，并且保证机械运动危险包围盒会随生产线机器运动状态的改变而改变，这样在仿真工人物料搬运以及人机交互过程中便形成了人体工作范围区域以及机械运动危险区域，即可在仿真过程通过判断二者的包围盒的重合区域来判断物流过程中的安全性。根据生产线布局优化结果，最终通过对工人在物流配送以及人机交互过程中的安全性进行仿真分析，得到优化后智能物流安全性能结果。
同时为了保证工人有足够的空间完成工作，进行人体可达性分析。为了仿真验证人体运动学模型每一个姿态候选解都可以准确地触及作业目标点，本发明通过建立可达性子目标函数来分析人体运动学模型姿态的可达性：
式中，表示可达性子目标函数值，表示作业目标点距离操作中心点的距离，则表示掌心到指尖的距离，并且作业目标点距离操作中心点的距离应大于
等于掌心到指尖的距离，即。
舒适度计算是人机工效评价中的一项重要内容，舒适度与人体平衡性、关节负荷、
关节角度等因素有关，本发明通过对这三项人机因素指标值的综合集成来对预测所得作业
姿态的总体舒适度进行计算，根据人体作业时的关节角度参数，对这三项人机因素的指标
值进行提取，预测所得作业姿态总体舒适度可通过下式计算：
式中，、、分别为平衡性因素、关节负荷因素、关节角度因素这三个人机因素
的权重，则、、分别为平衡性因素、关节负荷因素、关节角度因素的指标值。
在使用仿真技术对生产线布局进行优化的过程中，在使用混合优化算法进行成本、效率优化的同时，对人工在工作过程中所经过的区域以及机器加工过程中可能产生的危险区域进行区域重合性分析，在仿真过程中同时得到成本、效率优化结果以及在优化前后人机安全性能对比，在保证生产效率提高的同时又兼顾了操作人员的安全性，提高了生产线的安全性，本发明对目前工厂仿真技术尤其是具有一定危险工位的工厂具有一定指导意义。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种生产线布局优化及智能物流安全性仿真方法，其特征在于，包括以下步骤：
将遗传算法与粒子群算法集成到一个框架中，构建混合优化算法；
利用DH建模方法构建用于进行人机工效分析的人体运动学模型，并将所述人体运动学模型导入工厂仿真软件中；
初始化所述混合优化算法的各参数及种群，在所述工厂仿真软件中利用所述混合优化算法对生产线布局中每个工位的布局位置进行优化求解，得到生产线布局优化结果，其中所述混合优化算法的流程包括以下步骤：
(a)初始化参数，包括种群大小、最大迭代次数、学习因子、交叉概率、变异概率、分类阈值点；
(b)随机产生初始化种群，种群中的每个粒子均代表了生产线工位布局位置的一种排列顺序；
(c)计算每个粒子的适应度值，对于粒子个体来说，此次自身的适应度值高于上一代则更新个体极值，整个种群中若有比上一代适应度更高的粒子则更新全局极值；
(d)根据分类阈值点将按照适应度大小排列的种群划分成两部分，对两部分的粒子分别进行遗传算法和粒子群算法的独立运算，位于分类阈值点前的粒子进行交叉、变异更新个体，位于分类阈值点后的粒子，根据粒子之间的信息更新位置；
(e)根据步骤(d)，进化之后得出的个体依旧按照原来的顺序，进行下一次迭代，直到满足迭代的最大次数，则继续下一步骤(f)；否则返回步骤(c)；
(f)输出生产线布局优化结果；
在对每个工位的布局进行优化仿真的同时，对工人在物流配送以及人机交互过程中的安全性进行仿真分析，得到优化后智能物流安全性能结果，安全性仿真分析的过程包括以下步骤：
利用包围盒技术对人体在工作中的人体运动范围进行限定，形成人体工作范围包围盒；
利用包围盒技术对生产线机器运动过程中可能形成的危险区域进行限定，形成机械运动危险包围盒，并且所述机械运动危险包围盒会随生产线机器运动状态的改变而改变；
在仿真过程中对所述人体工作范围包围盒和所述机械运动危险包围盒进行区域重合性分析，根据区域重合性分析结果判断物流过程中的人机安全性能。
2.根据权利要求1所述的一种生产线布局优化及智能物流安全性仿真方法，其特征在于，粒子的适应度S的计算公式如下：
S＝1/(Q+M)
其中，Q为物流费用总成本，M则代表各区域摆放超过边界的惩罚项。
3.根据权利要求1或2所述的一种生产线布局优化及智能物流安全性仿真方法，其特征在于，在进行安全性仿真分析的同时，还通过建立可达性子目标函数来分析人体运动学模型姿态的可达性，可达性子目标函数的公式如下：
式中，表示作业目标点PWTP距离操作中心点POCP的距离，分母/>则表示掌心到指尖的距离，且/>
4.根据权利要求1或2所述的一种生产线布局优化及智能物流安全性仿真方法，其特征在于，在进行安全性仿真分析的同时，还预测作业姿态总体舒适度CO，计算公式如下：
CO＝ω'b·fb(θ)+ω′1·f1(θ)+ω'a·fa(θ)
式中，ω'b、ω′1、ω'a分别为平衡性因素、关节负荷因素、关节角度因素的权重，则fb(θ)、f1(θ)、fa(θ)分别为平衡性因素、关节负荷因素、关节角度因素的指标值。
5.根据权利要求1或2所述的一种生产线布局优化及智能物流安全性仿真方法，其特征在于，所述工厂仿真软件采用Plant simulation软件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311560379.7A CN117332700B (zh) | 2023-11-22 | 2023-11-22 | 一种生产线布局优化及智能物流安全性仿真方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311560379.7A CN117332700B (zh) | 2023-11-22 | 2023-11-22 | 一种生产线布局优化及智能物流安全性仿真方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117332700A CN117332700A (zh) | 2024-01-02 |
| CN117332700B true CN117332700B (zh) | 2024-03-15 |
Family
ID=89283346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311560379.7A Active CN117332700B (zh) | 2023-11-22 | 2023-11-22 | 一种生产线布局优化及智能物流安全性仿真方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117332700B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016169286A1 (zh) * | 2015-04-20 | 2016-10-27 | 海安县申菱电器制造有限公司 | 一种离散制造系统的车间布局方法 |
| CN108399451A (zh) * | 2018-02-05 | 2018-08-14 | 西北工业大学 | 一种结合遗传算法的混合粒子群优化算法 |
| CN112084632A (zh) * | 2020-08-14 | 2020-12-15 | 浙江工业大学 | 一种结合人机工程的五金数字生产线布局优化方法 |
| CN114997802A (zh) * | 2022-07-15 | 2022-09-02 | 浙江省邮电工程建设有限公司 | 一种基于数字孪生的物流配送与调度系统 |
-
2023
- 2023-11-22 CN CN202311560379.7A patent/CN117332700B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016169286A1 (zh) * | 2015-04-20 | 2016-10-27 | 海安县申菱电器制造有限公司 | 一种离散制造系统的车间布局方法 |
| CN108399451A (zh) * | 2018-02-05 | 2018-08-14 | 西北工业大学 | 一种结合遗传算法的混合粒子群优化算法 |
| CN112084632A (zh) * | 2020-08-14 | 2020-12-15 | 浙江工业大学 | 一种结合人机工程的五金数字生产线布局优化方法 |
| CN114997802A (zh) * | 2022-07-15 | 2022-09-02 | 浙江省邮电工程建设有限公司 | 一种基于数字孪生的物流配送与调度系统 |
Non-Patent Citations (3)
| Title |
|---|
| 列检机器人路径规划方法研究;薛卫国;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第5期);C033-561 * |
| 基于改进粒子群算法的刀具车间设施布局及其仿真研究;屈凯龙;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第2期);C029-261 * |
| 基于虚拟人的人机工效评估及装配作业仿真技术研究;武维维;《中国博士学位论文全文数据库工程科技Ⅰ辑》(第5期);B022-32 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117332700A (zh) | 2024-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yiyang et al. | A general robot inverse kinematics solution method based on improved PSO algorithm | |
| Hsu et al. | A knowledge-based engineering system for assembly sequence planning | |
| Elkeran | A new approach for sheet nesting problem using guided cuckoo search and pairwise clustering | |
| Gao et al. | Application of memetic algorithm in assembly sequence planning | |
| Pan et al. | A region division based diversity maintaining approach for many-objective optimization | |
| Pholdee et al. | Hybridisation of real-code population-based incremental learning and differential evolution for multiobjective design of trusses | |
| Sun et al. | DRCNN: Dynamic routing convolutional neural network for multi-view 3D object recognition | |
| CN103310058B (zh) | 基于三维模型的尺寸链校核方法 | |
| Tian et al. | Product cooperative disassembly sequence and task planning based on genetic algorithm | |
| Zhou et al. | Deep learning enabled cutting tool selection for special-shaped machining features of complex products | |
| Li et al. | A hybrid assembly sequence planning approach based on discrete particle swarm optimization and evolutionary direction operation | |
| Bénabès et al. | Interactive optimization strategies for layout problems | |
| Li et al. | The modified firefly algorithm considering fireflies’ visual range and its application in assembly sequences planning | |
| Keshavarzi et al. | Sketchopt: Sketch-based parametric model retrieval for generative design | |
| Asadollahi-Yazdi et al. | Toward integrated design of additive manufacturing through a process development model and multi-objective optimization | |
| Sheng et al. | A rapid virtual assembly approach for 3D models of production line equipment based on the smart recognition of assembly features | |
| Fu et al. | A discrete multi-objective rider optimization algorithm for hybrid flowshop scheduling problem considering makespan, noise and dust pollution | |
| Champatiray et al. | Modified cat swarm optimization for optimal assembly sequence planning problems | |
| CN117332700B (zh) | 一种生产线布局优化及智能物流安全性仿真方法 | |
| Li et al. | Research and application of computer aided design system for product innovation | |
| Pei et al. | A hybrid algorithm based on bat-inspired algorithm and differential evolution for constrained optimization problems | |
| Li et al. | An intelligent interactive approach for assembly process planning based on hierarchical classification of parts | |
| Zhang et al. | Gnngo3d: Protein function prediction based on 3d structure and functional hierarchy learning | |
| Christiand et al. | A novel optimal assembly algorithm for haptic interface applications of a virtual maintenance system | |
| Bahubalendruni et al. | Assembly sequence generation and automation |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |