CN104933231A - 一种采用级联多知识模型的柔性装配生产线选型布局方法 - Google Patents

Abstract

本发明公开了一种采用级联多知识模型的柔性装配生产线选型布局方法。建立产能知识模型，从中选择产能最低的设备作为装配生产线上的设备；建立工艺知识模型，根据工艺知识模型对生产线中各类设备进行排布；建立结构知识模型，通过结构知识模型计算连接在生产线中不同设备之间输送装置的参数；建立空间知识模型，得到生产线中各设备之间缓冲区的大小和位置。本发明集成有不同领域的知识模型，完成生产线的选型布局；提高设计速度与质量，有利于生产线信息的共享与传递；减小空间使用成本，降低企业投入；提高装配生产线工作效率；提高各类设备的有效利用率。

Description

一种采用级联多知识模型的柔性装配生产线选型布局方法

技术领域

本发明涉及了一种生产线选型布局方法，尤其是涉及了一种采用级联多知识模型的柔性装配生产线选型布局方法。

背景技术

柔性自动化装配生产线是一种技术复杂、高度自动化的***，它将机械、电子、计算机和***工程等技术有机地结合起来，把多台可以组合调整的加工装配设备联接起来，配以自动运送装置组成的生产线，可以圆满解决机械制造高自动化与高柔性化之间的矛盾。柔性自动化生产线不仅可以将人力从繁重或重复性劳动中解放出来，而且可大大降低新产品上线的成本——也就是说，当有新产品推出时，工厂只需更换新产品的夹具等设备即可，而无需重造或更换整条生产线，以实现生产装配的柔性化，最大程度的降低固定资产的投入成本。

在柔性自动化装配生产线技术体系同，选型布局是核心的技术。装配生产线的结构设计主要是指：输送模块、缓冲区的详细设计，包括输送模块内部的结构设计、零部件设计，输送模块之间、模块与设备之间的连接接口形式的设计等。因此，针对具体设备及厂区的具体形式，设计具有针对性的柔性自动化装配生产线布局方案，具有重要经济效益和研究价值。

现有的生产线布局设计过程，需要有多年工作经验的老工程师，利用头脑中丰富的经验，完成设计。同时，在二维的CAD软件***中进行的设计，由于维度的关系，只能显示俯视的布局图，缺少真实感，不易表现水平方向上的尺寸变化。在操作上，由于输送链条的原因，俯视图线条众多，哪怕只是复制某个模块的俯视图，进行拖拽，也是费时费力的。这就造成设计过程中过分依赖经验、容易出错、设计效率低下。因此需要建立支持选型布局的信息资源，提供支持选型布局。这样不但能够提高设计速度与质量，还有利于信息在企业内部的共享与传递。

发明内容

为解决上述问题，本发明提出了一种采用级联多知识模型的柔性装配生产线选型布局方法，通过集成的知识模型，完成生产线的选型布局；提高设计速度与质量，有利于生产线信息的共享与传递；减小空间使用成本，降低企业投入；提高装配生产线工作效率；提高各类设备的有效利用率。

本发明的技术方案采用以下方式：

建立基于决策树的产能知识模型，从中选择产能最低的设备作为装配生产线上的设备；

建立基于框架的工艺知识模型，根据工艺知识模型对生产线中各类设备进行排布；

建立基于神经网络模型的结构知识模型，通过结构知识模型计算连接在生产线中不同设备之间输送装置的参数；

建立基于案例的空间知识模型，得到生产线中各设备之间缓冲区的大小和位置。

所述产能知识模型具体为：

1.1)建立能耗信息矩阵S＝[s₁,s₂,…,s_n]^T：

S＝[s₁,s₂,...,s_n]^T   (1)

其中，s_i代表生产线上第i个设备的能耗信息，i＝1,2,…,n，T代表矩阵转置；

1.2)计算信息矩阵S的属性系数G：

$G=1-k\·\underset{i=1}{\overset{n}{\Σ}}{P_i}^2---\left(2\right)$

其中，P_i为第i个设备的信息在S中出现的频率，k为增益系数；

1.3)将能耗信息矩阵S分解为U、V两个子矩阵，最小值子矩阵U、最大值子矩阵V的表达式为：

$\left\{\begin{array}{c}U=\underset{G}{\min }\left(S\right)\\ V=\underset{G}{\max }\left(S\right)\end{array}\right.---\left(3\right)$

其中，min(·)代表最小值运算，max(·)代表最大值运算；

1.4)每间隔一段时间对能耗信息矩阵S进行更新，每次更新均采用上述步骤进行计算和分解，直到更新次数N＝50则停止运算，由每次更新得到的最小值子矩阵U和最大值子矩阵V组合得到决策树作为产能知识模型，将最小值子矩阵U取最小值所对应的设备视为产能最低的设备。

所述的工艺知识模型具体为：

2.1)建立生产线中所有设备的类型矩阵W：

W＝[w₁,w₂,...,w_n]^T   (4)

其中，w_i(i＝1,2,…,n)代表生产线上第i个设备的类型，T代表矩阵转置；

2.2)赋予各个设备在类型下的属性参数矩阵A：

A＝f₁(w₁)+f₂(w₂)+...+f_n(w_n)   (5)

其中，f_i(w_i)为第i个设备在自身类型下的属性参数；

2.3)根据不同设备排布时的具体操作流程，得到描述设备排布的过程知识矩阵AG：

其中，g_ij代表第i个设备操作流程中的第j个操作步骤，j＝1,2,…,m；

2.4)将类型矩阵W、属性参数矩阵A和过程知识矩阵AG组合得到完整的工艺知识模型。

所述的结构知识模型具体为：

3.1)建立以下神经网络模型，将输送装置的参数输入到神经网络模型中进行训练，神经网络模型包括输入层神经元函数d(x)、节点函数q(x)和误差函数e(x)：

$\left\{\begin{array}{c}d\left(x\right)=x\\ q\left(x\right)=1/(1+e^{-x})\\ e\left(x\right)=0.5\underset{r=1}{\overset{R}{\Σ}}{\left(y_r^{*}-y_r\right)}^2\end{array}\right.---\left(7\right)$

其中，x为神经网络模型输入信息，即输送装置的参数，e为自然对数，R为神经网络模型中神经元的数量，r＝1,2,…,R，y_r为神经网络模型输出信息，即经过神经网络模型训练后输送装置的实际参数，y^* _r为神经网络模型输出信息的参考值，即经过神经网络模型训练后输送装置的实际参数的参考值；

3.2)通过整合生产线中不同设备的运行参数，建立反馈学习矩阵F：

其中，x_a为第a个设备的运行参数，h_ab为第a个设备的第b个学习函数，a＝1,2,…,n，b＝1,2,…,z，z为学习函数的数量；

3.3)将神经网络模型与反馈学习矩阵结合构成结构知识模型，进而计算连接生产线中不同设备的输送装置的参数。

所述的空间知识模型实现具体为：

4.1)建立由已设定的缓冲区案例组成的初始案例矩阵G，缓冲区案例包括缓冲区大小和位置：

G＝[(gd₁,gz₁),(gd₂,gz₂),...,(gd_n,gz_n)]^T   (9)

其中，gd_i为第i个设备的缓冲区的大小，gz_i为第i个设备的缓冲区的位置，T代表矩阵转置；

4.2)针对当前工厂环境，采用k-近邻法从初始案例矩阵G中进行搜索，若搜索到适用于当前工厂环境的缓冲区案例，则将该缓冲区案例替换到当前工厂环境的原有案例矩阵中，形成新案例矩阵；若未搜索到适用于当前工厂环境的缓冲区案例，则保留当前工厂环境的原有案例矩阵；

4.3)针对同一工厂环境，迭代进行依次搜索直到搜索次数达到L＝20，将最后的案例矩阵作为空间知识模型；

4.4)由此将空间知识模型中的缓冲区大小和位置作为生产线中各设备之间的缓冲区大小和位置。

本发明具有的有益的效果是：

本发明集成有不同领域的知识模型，完成生产线的选型布局；提高设计速度与质量，有利于生产线信息的共享与传递；减小空间使用成本，降低企业投入；提高装配生产线工作效率；提高各类设备的有效利用率。

附图说明

图1为本发明方法的流程逻辑图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。

本发明的步骤1)基于规则的产能知识模型，通过分析已设定的实例矩阵进行选择，实现低功耗设备选型和参数的快速计算。

本发明的步骤2)基于框架的工艺知识模型，是灵活的框架结构，可实现生产线中各类设备的合理排列和布置，提高生产线各类设备的高效布局。

本发明的步骤3)基于神经网络模型的结构知识模型，其运算精度高、速度快，既能增加***功能，又可独立研究各种设备的模型，并将结果用于***设计。该结构知识模型建立准确，可真实地反映出不同设备的输送装置的真实工况，从而得到反映输送装置布局信息的具体参数，为这些输送装置合理配置提供解决方案。

本发明的步骤4)基于案例的空间知识模型，通过分析已设定在生产线中各设备之间缓冲区的案例，求解当前具有针对性的缓冲区大小和位置问题。基于案例的空间知识模型能够不断更新替换，从而增加***求解问题的能力，实现生产线中各设备之间缓冲区的大小和位置的可靠。

本发明的实施例如下：

第一方面，建立基于决策树的产能知识模型，从中选择产能最低的设备作为装配生产线上的设备。

1.1)建立能耗信息矩阵S＝[s₁,s₂,…,s_n]^T：

S＝[s₁,s₂,...,s_n]^T   (1)

其中，s_i代表生产线上第i个设备的能耗信息，这些能耗信息是指数控装配机床、电机、传送带、移载机、升降机等设备在正常运行条件下、变负荷运行条件下和故障报警运行状态下所消耗的电功率的大小，通过将这些设备所消耗的电功率的大小进行统计和整理，即可得到能耗信息矩阵S，i＝1,2,…,n，T代表矩阵转置；

1.2)计算信息矩阵S的属性系数G：

$G=1-k\·\underset{i=1}{\overset{n}{\Σ}}{P_i}^2---\left(2\right)$

其中，P_i为第i个设备的能耗信息在S中出现的频率，该频率可以采用统计的方法，通过计算某个设备(包括数控装配机床、电机、传送带、移载机、升降机等)的能耗信息在耗信息矩阵S中出现的次数得到，k为增益系数；

1.3)将能耗信息矩阵S分解为U、V两个子矩阵，最小值子矩阵U、最大值子矩阵V的表达式为：

$\left\{\begin{array}{c}U=\underset{G}{\min }\left(S\right)\\ V=\underset{G}{\max }\left(S\right)\end{array}\right.---\left(3\right)$

其中，min(·)代表最小值运算，max(·)代表最大值运算，该步骤在计算属性系数G的基础上，将与属性系数G的最小值相对应的能耗信息矩阵S作为最小值子矩阵U，将与属性系数G的最大值相对应的能耗信息矩阵S作为最大值子矩阵V。

1.4)每间隔一段时间对能耗信息矩阵S进行更新，每次更新均采用上述步骤进行计算和分解，直到更新次数N＝50则停止运算，由每次更新得到的最小值子矩阵U和最大值子矩阵V组合得到决策树作为产能知识模型，将最小值子矩阵U取最小值所对应的设备视为产能最低的设备。

上述涉及的设备可以是数控装配机床、电机、传送带、移载机、升降机等。

第二方面，建立基于框架的工艺知识模型，根据工艺知识模型对生产线中各类设备进行排布。

2.1)建立生产线中所有设备的类型矩阵W：

W＝[w₁,w₂,...,w_n]^T   (4)

其中，w_i(i＝1,2,…,n)代表生产线上第i个设备的类型，这些类型包括装配类型、动力类型(如电机等)、传送类型(如传送带、移载机等)，通过将生产线中所有的设备的类型进行归类，即可得到类型矩阵W，T代表矩阵转置；

2.2)赋予各个设备在类型下的属性参数矩阵A：

A＝f₁(w₁)+f₂(w₂)+...+f_n(w_n)   (5)

其中，f_i(w_i)为第i个设备在自身类型下的属性参数；f_i(w_i)在实际当中可以取为用来描述同一类型中的多个设备的尺寸值、额定功率值、占地面积等具体的反映设备属性的数值。

2.3)根据不同设备排布时的具体操作流程，得到描述设备排布的过程知识矩阵AG：

其中，g_ij代表第i个设备操作流程中的第j个操作步骤，g_ij在实际当中可以取为搬运、安装、调试、检修、维护等具体的操作步骤，j＝1,2,…,m；

2.4)将类型矩阵W、属性参数矩阵A和过程知识矩阵AG组合得到完整的工艺知识模型，从而实现生产线中各类设备的排布。

第三方面，建立基于神经网络模型的结构知识模型，通过结构知识模型计算连接在生产线中不同设备之间输送装置的参数。

3.1)建立以下神经网络模型，将输送装置的参数输入到神经网络模型中进行训练，神经网络模型包括输入层神经元函数d(x)、节点函数q(x)和误差函数e(x)：

$\left\{\begin{array}{c}d\left(x\right)=x\\ q\left(x\right)=1/(1+e^{-x})\\ e\left(x\right)=0.5\underset{r=1}{\overset{R}{\Σ}}{\left(y_r^{*}-y_r\right)}^2\end{array}\right.---\left(7\right)$

其中，x为神经网络模型输入信息，即输送装置的参数，这些参数包括输送装置的长度、道数、速度等，e为自然对数，R为神经网络模型中神经元的数量，该数量的取值可视参数的训练速度和训练精度而定，通常可以取为不大于20的数值，本发明中将其取为10，r＝1,2,…,R，y_r为神经网络模型输出信息，即经过神经网络模型训练后输送装置的实际参数，y^* _r为神经网络模型输出信息的参考值，即经过神经网络模型训练后输送装置的实际参数的参考值；

3.2)通过整合生产线中不同设备的运行参数，建立反馈学习矩阵F：

其中，x_a为第a个设备的运行参数，h_ab为第a个设备的第b个学***方运算函数、取绝对值运算函数等运算函数，z为学习函数的数量；

3.3)将神经网络模型与反馈学习矩阵结合构成结构知识模型，进而计算连接生产线中不同设备的输送装置的参数。得到这些参数后，即可进行输送模块内部的结构设计、零部件设计等工作，从而得到适用于工厂环境的输送装置。

上述涉及的输送装置具体可以为传送带、移载机、升降机等传送机构。

第四方面，建立基于案例的空间知识模型，得到生产线中各设备之间缓冲区的大小和位置。

4.1)建立由已设定的缓冲区案例组成的初始案例矩阵G，缓冲区案例包括缓冲区大小和位置：

G＝[(gd₁,gz₁),(gd₂,gz₂),...,(gd_n,gz_n)]^T   (9)

其中，gd_i为第i个设备的缓冲区的大小，gd_i的具体取值为反映缓冲区大小的缓冲区面积值，gz_i为第i个设备的缓冲区的位置，gz_i的具体取值为反映缓冲区位置的、缓冲区在工厂内的坐标值，T代表矩阵转置；

4.2)针对当前工厂环境，采用k-近邻法从初始案例矩阵G中进行搜索，

若搜索到适用于当前工厂环境的缓冲区案例，则将该缓冲区案例替换到当前工厂环境的原有案例矩阵中，形成新案例矩阵；

若未搜索到适用于当前工厂环境的缓冲区案例，则保留当前工厂环境的原有案例矩阵；

上述的k-近邻法是一种比较成熟的搜索算法，其具体原理可见“于一.K-近邻法的文本分类算法分析与改进[J].华中科技大学学报(自然科学版)，2008，33(4)：143-145”。

4.3)针对同一工厂环境，迭代进行依次搜索直到搜索次数达到L＝20，将最后的案例矩阵作为空间知识模型；

4.4)由此将空间知识模型中的缓冲区大小和位置作为生产线中各设备之间的缓冲区大小和位置。

通过以上设计步骤，最终可以得到适用于当前工厂工作环境和生产装配要求的选型布局结果，即在得到设备型号、数量、参数和缓冲区大小、位置的基础上，采用结构知识模型和空间知识模型获取这些设备的布局方法，实现柔性生产线的选型及布局。

上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。

Claims (5)

1.一种采用级联多知识模型的柔性装配生产线选型布局方法，其特征在于：包括以下步骤：

建立基于决策树的产能知识模型，从中选择产能最低的设备作为装配生产线上的设备；

建立基于框架的工艺知识模型，根据工艺知识模型对生产线中各类设备进行排布；

建立基于神经网络模型的结构知识模型，通过结构知识模型计算连接在生产线中不同设备之间输送装置的参数；

建立基于案例的空间知识模型，得到生产线中各设备之间缓冲区的大小和位置。

2.根据权利要求1所述的一种采用级联多知识模型的柔性装配生产线选型布局方法，其特征在于：所述产能知识模型具体为：

1.1)建立能耗信息矩阵S＝[s₁,s₂,…,s_n]^T：

S＝[s₁,s₂,…,s_n]^T   (1)

其中，s_i代表生产线上第i个设备的能耗信息，i＝1,2,…,n，T代表矩阵转置；

1.2)计算信息矩阵S的属性系数G：

$G=1-k\·\underset{i=1}{\overset{n}{\Σ}}{P}_i^2---\left(2\right)$

其中，P_i为第i个设备的信息在S中出现的频率，k为增益系数；

1.3)将能耗信息矩阵S分解为U、V两个子矩阵，最小值子矩阵U、最大值子矩阵V的表达式为：

$\left\{\begin{array}{c}U=\underset{G}{\min }\left(S\right)\\ V=\underset{G}{\max }\left(S\right)\end{array}\right.---\left(3\right)$

其中，min(·)代表最小值运算，max(·)代表最大值运算；

1.4)每间隔一段时间对能耗信息矩阵S进行更新，每次更新均采用上述步骤进行计算和分解，直到更新次数N＝50则停止运算，由每次更新得到的最小值子矩阵U和最大值子矩阵V组合得到决策树作为产能知识模型，将最小值子矩阵U取最小值所对应的设备视为产能最低的设备。

3.根据权利要求1所述的一种采用级联多知识模型的柔性装配生产线选型布局方法，其特征在于：所述的工艺知识模型具体为：

2.1)建立生产线中所有设备的类型矩阵W：

W＝[w₁,w₂,…,w_n]^T   (4)

其中，w_i(i＝1,2,…,n)代表生产线上第i个设备的类型，T代表矩阵转置；

2.2)赋予各个设备在类型下的属性参数矩阵A：

A＝f₁(w₁)+f₂(w₂)+…+f_n(w_n)   (5)

其中，f_i(w_i)为第i个设备在自身类型下的属性参数；

2.3)根据不同设备排布时的具体操作流程，得到描述设备排布的过程知识矩阵AG：

其中，g_ij代表第i个设备操作流程中的第j个操作步骤，j＝1,2,…,m；

2.4)将类型矩阵W、属性参数矩阵A和过程知识矩阵AG组合得到完整的工艺知识模型。

4.根据权利要求1所述的一种采用级联多知识模型的柔性装配生产线选型布局方法，其特征在于：

所述的结构知识模型具体为：

3.1)建立以下神经网络模型，将输送装置的参数输入到神经网络模型中进行训练，神经网络模型包括输入层神经元函数d(x)、节点函数q(x)和误差函数e(x)：

$\left\{\begin{array}{c}d\left(x\right)=x\\ q\left(x\right)=1/(1+e^{-x})\\ e\left(x\right)=0.5\underset{r=1}{\overset{R}{\Σ}}{(y_r^{*}-y_r)}^2\end{array}\right.---\left(7\right)$

其中，x为神经网络模型输入信息，即输送装置的参数，e为自然对数，R为神经网络模型中神经元的数量，r＝1,2,…,R，y_r为神经网络模型输出信息，即经过神经网络模型训练后输送装置的实际参数，y^* _r为神经网络模型输出信息的参考值，即经过神经网络模型训练后输送装置的实际参数的参考值；

3.2)通过整合生产线中不同设备的运行参数，建立反馈学习矩阵F：

其中，x_a为第a个设备的运行参数，h_ab为第a个设备的第b个学习函数，a＝1,2,…,n，b＝1,2,…,z，z为学习函数的数量；

3.3)将神经网络模型与反馈学习矩阵结合构成结构知识模型，进而计算连接生产线中不同设备的输送装置的参数。

5.根据权利要求1所述的一种采用级联多知识模型的柔性装配生产线选型布局方法，其特征在于：

所述的空间知识模型实现具体为：

4.1)建立由已设定的缓冲区案例组成的初始案例矩阵G，缓冲区案例包括缓冲区大小和位置：

G＝[(gd₁,gz₁),(gd₂,gz₂),…,(gd_n,gz_n)]^T   (9)

其中，gd_i为第i个设备的缓冲区的大小，gz_i为第i个设备的缓冲区的位置，T代表矩阵转置；

4.2)针对当前工厂环境，采用k-近邻法从初始案例矩阵G中进行搜索，

若搜索到适用于当前工厂环境的缓冲区案例，则将该缓冲区案例替换到当前工厂环境的原有案例矩阵中，形成新案例矩阵；

若未搜索到适用于当前工厂环境的缓冲区案例，则保留当前工厂环境的原有案例矩阵；

4.3)针对同一工厂环境，迭代进行依次搜索直到搜索次数达到L＝20，将最后的案例矩阵作为空间知识模型；

4.4)由此将空间知识模型中的缓冲区大小和位置作为生产线中各设备之间的缓冲区大小和位置。