CN109064096A - 液压元件数字化车间的控制方法、控制***和存储介质 - Google Patents

液压元件数字化车间的控制方法、控制***和存储介质 Download PDF

Info

Publication number
CN109064096A
CN109064096A CN201810860247.9A CN201810860247A CN109064096A CN 109064096 A CN109064096 A CN 109064096A CN 201810860247 A CN201810860247 A CN 201810860247A CN 109064096 A CN109064096 A CN 109064096A
Authority
CN
China
Prior art keywords
dispatching
station
distribution
tool
time
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
Application number
CN201810860247.9A
Other languages
English (en)
Inventor
胡小建
陈茹梦
袁恒星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201810860247.9A priority Critical patent/CN109064096A/zh
Publication of CN109064096A publication Critical patent/CN109064096A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)

Abstract

本发明实施方式提供一种液压元件数字化车间的控制方法、控制***和存储介质，属于数字化车间调控技术领域。所述控制方法包括：获取所述数字化车间的仓储区的数量、工位的数量和配送工具的数量；对放置在所述数字化车间的工装板上的物料进行组合管理；对所述仓储区、所述工位和所述配送工具进行编号；确定各个所述工位需要被配送所述物料的时间窗；根据所述数字化车间的资源数据，构建所述数字化车间的配送调度模型；利用遗传算法对所述配送调度模型进行求解以生成最佳配送方案；根据所述最佳配送方案控制所述数字化车间的配送工具执行配送操作。所述控制方法、控制***和存储介质可以提高配送工具的配送效率。

Description

液压元件数字化车间的控制方法、控制***和存储介质
技术领域
本发明涉及数字化车间调控技术领域，具体地涉及一种液压元件数字化车间的控制方法、控制***和存储介质。
背景技术
面对科技创新发展的新趋势，世界主要国家都在努力寻找科技创新的突破口，抢占未来经济科技发展的先机。德国发布了“工业4.0”战略，美国提出了先进制造业国家战略计划。《中国制造2025》是我国实施制造强国战略第一个十年的行动纲领。紧密围绕《中国制造2025》农机装备领域，综合考虑农机装备核心关键部件——高端液压元件的制造转型升级需求，开展高端液压元件智能数字化车间建设是实现数字化装备车间集成创新与高端液压元件装配制造国际化的关键。
物料配送作为数字化车间智能物流的关键，直接决定着生产线的有序稳定运行。但传统的车间“领料式”物料配送方式与数字化车间高效准时配送的需求相矛盾，不仅影响数字化车间加工工位的运作效率，且限制了生产线的生产效益。
首先，生产线上涉及的物料数量与种类过多，配送的物料经常堆放在一块，出现混乱不堪的局面，物料的装配过分依赖人力资源，缺少自动化管理，物料的存储空间低；
其次，生产线上最为理想的物流是物料的配送与生产运作紧密配合，达到完美和统一，但是在目前的实际操作中，生产线需要高效率的生产运作与复杂、低效率的物流配送矛盾已经成为生产物流的最大瓶颈，影响生产效率。企业一般会采用计划提前期的供给和配送模式将实际需求数量提前配送到工位或各个工位的物料配送采用目视管理，什么时候需要什么时候配送的方式，没有考虑生产节拍的要求，合理确定配送时间点、配送的顺序，造成多余物料无序摆放与堆积以及车间物料的混乱，信息获取的滞后也会导致生产线边库存的积压或短缺。
最后，虽然各种物料基本都能顺利到达生产线上，但是物料配送效率低下。有限的线边物料库存、较快的装配节拍、动态变化的设备运输能力、多样化的配送路径等约束，制约着动态准时制物料配送。
发明内容
本发明实施方式的目的是提供一种液压元件数字化车间的控制方法、控制***及存储介质，该控制方法、控制***及存储介质生成的配送调度模型可以提高数字化车间配送小车的工作效率。
为了实现上述目的，本发明实施方式提供一种液压元件数字化车间的控制方法，该控制方法可以包括：
获取所述数字化车间的仓储区的数量、工位的数量和配送工具的数量；
对放置在所述数字化车间的工装板上的物料进行组合管理；
对所述仓储区、所述工位和所述配送工具进行编号；
确定各个所述工位需要被配送所述物料的时间窗；
根据所述数字化车间的资源数据，构建所述数字化车间的配送调度模型；
利用遗传算法对所述配送调度模型进行求解以生成最佳配送方案；
根据所述最佳配送方案控制所述数字化车间的配送工具执行配送操作。
可选地，所述对放置在所述数字化车间的工装板上的物料进行组合管理包括：
对所述数字化车间的生产线加工的所述液压元件所需的零部件清单进行分析，结合所述生产线的各个工位的加工工艺，将所述各个工位加工所需的零部件放置在同一个所述工装板内。
可选地，所述时间窗包括从所述工位发出物料需求的时刻至所述工位消耗完毕所述物料的时刻之间的时间段。
可选地，所述根据所述数字化车间的资源数据，构建所述数字化车间的配送调度模型包括：
确定所述目标函数的第一决策变量、第二决策变量和第三决策变量，其中，所述第一决策变量xij用于指示仓储区i是否存储有工位j所需的所述物料，所述第二决策变量yik用于指示工位j的配送任务是否由配送工具k完成，所述第三决策变量用于指示配送工具k是否由配送路径p1移动至配送路径p2；
设置配送规则；
根据所述配送规则确定所述配送调度模型的约束表达式；
根据所述约束表达式和所述配送规则构建所述配送调度模型的目标函数。
可选地，所述配送规则包括：
所述配送工具从相同的初始位置出发，完成配送任务后再回到所述初始位置以开始下一个配送任务；
在每个所述配送任务中，每个所述工位所需的所述物料只能由一个所述配送工具配送一次；
每个所述工位与一个所述仓储区对应以形成多个所述配送路径。
可选地，所述根据所述约束表达式和所述配送规则构建所述配送调度模型的目标函数包括：
采用公式(1)表示所述目标函数，
其中，min z为所述目标函数的最小化，min T为所述配送工具完成全部所述配送任务的总配送时间，Tij为所述配送工具从仓储区i配送所述物料至所述工位j的时间，xij为指示仓储区i是否存储有工位j所需的所述物料的第一决策变量，为所述物料从所述仓储区被配送至所述工位所需的配送时间的总和，为配送工具从配送路径p1转移到配送路径p2的转移时间，为指示配送工具k是否由配送路径p1转移到配送路径p2的第三决策变量，为所述转移时间的总和，s为所述配送工具的装货和卸货时间的总和。
可选地，所述利用遗传算法对所述配送调度模型进行求解以生成最佳配送方案包括：
根据所述仓储区、所述工位、所述配送工具和所述配送路径对所述遗传算法的染色体进行编码；
生成所述配送调度模型的初始的种群；
确定所述配送调度模型的适应度函数；
判断生成所述种群的次数是否达到预设次数；
在判断生成所述种群的次数达到预设次数的情况下，分别计算所述种群的每个个体的适应度；
采用轮盘赌法对所述种群进行选择运算；
对所述种群进行交叉和变异运算以生成新的所述种群，再次判断生成所述种群的次数是否达到预设次数直到生成所述种群的次数达到预设次数；
在判断生成所述种群的次数达到预设次数的情况下，输出所述种群以作为所述配送调度模型的最佳配送方案。
可选地，所述确定所述配送调度模型的适应度函数包括：
采用公式(2)表示所述适应度函数，
其中，f为所述适应度函数，Tij为所述配送工具从仓储区i配送所述物料至所述工位j的时间，xij为指示仓储区i是否存储有工位j所需的所述物料的第一决策变量，为所述物料从所述仓储区被配送至所述工位所需的配送时间的总和，为配送工具从配送路径p1转移到配送路径p2的转移时间，为指示配送工具k是否由配送路径p1转移到配送路径p2的第三决策变量，为所述转移时间的总和，s为所述配送工具的装货和卸货时间的总和，D(1-α)为引入的惩罚函数，在所述配送工具的配送时间不在所述时间窗内的情况下，α的值为0；在所述配送工具的配送时间在所述时间窗内的情况下，α的值为1，D为预设的系数，所述系数的值大于1000。
本发明的另一方面还提供一种液压元件数字化车间的控制***，所述控制***可以包括配送小车和控制器，所述控制器用于执行上述所述的控制方法并控制所述小车执行所述最佳配送方案。
本发明的再一方面还提供一种存储介质，所述存储介质存储有指令，所述指令用于被计算机读取以使得所述计算机执行上述所述的控制方法。
通过上述技术方案，本发明提供的液压元件数字化车间的控制方法、***及存储介质通过改变原有的数字化车间的分类存储以及随机存储的方式，从数字化车间总体出发探讨配送车辆调度的同时，为仓储区的布局提供一定的参考，提高拣选效率，减少配送距离与配送时间；该控制方法也有利于统一管理物料，且方便物料的分区堆放与存取。在该控制方法的管理下，配送工具的物流部门可以主动为工位提供配送，提高了预测精度，物流部门可以更合理的安排物料存储数量与配送时间，有效降低物料储存费用；最后，该控制方法还合理利用仓储区与配送工具，节省物流资源，且有效保证工位的生产节拍稳定与准时制生产。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是根据本发明的一个实施方式的液压元件数字化车间的控制方法的流程图；
图2是根据本发明的一个实施方式的构建配送调度模型的方法的流程图；
图3是根据本发明的一个实施方式的采用遗传算法对配送调度模型进行求解的流程图；
图4是根据本发明的一个示例的数字化车间的平面图；以及
图5是根据本发明的一个示例的目标值和种群的均值的变化趋势图。
具体实施方式
以下结合附图对本发明实施方式的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施方式，并不用于限制本发明实施方式。
在步骤S1中，获取数字化车间的仓储区的数量、工位的数量和配送工具的数量。其中，仓储区可以用于存储数字化车间的物料，其数量根据数字化车间的规模大小而定。每一个仓储区可以服务多个工位，每个工位由其对应的唯一的仓储区负责工位物料配送；工位可以用于生产数字化车间的产品，配送工具可以用于将仓储区存储的物料配送至工位处。在本发明的一个示例中，该仓储区的数量可以为I个，工位的数量可以为J个，配送工具的数量可以为K个，I、J、K均可以为自然数。
在步骤S2中，对放置在数字化车间的工装板上的物料进行组合整理。其中，该工装板为存储物料的基本单位。在本发明的一个示例中，实施该步骤的具体方式可以是例如对生产线上加工的液压元件所需的零部件清单进行分析，结合该生产线上的各个工位的加工工艺，将各个工位加工所需的零部件尽量放置在同一个工装板内，从而便于对物料的存储、拣选和配送。
在步骤S3中，对仓储区、工位和配送工具进行编号。以步骤S1中示出的示例为例，对于仓储区，可以按照自定的规则将每个仓储区编号为1、2、3、…i…，I，其中，i为小于I的自然数；对于工位，原则是先开工的工位先编号，将每个工位编号为1、2、3、…j…，J，其中，j为小于J的自然数；对于配送工具，可以将每个配送工具编号为1、2、3、…k…，K，其中，k为小于K的自然数。
在步骤S4中，确定各个工位需要被配送物料的时间窗。在实际生产中，生产线上的物料是按套配送的，即每台配送工具每次只配送一个加工工位在一个生产节拍内所需的物料。由于现代的生产线多为智能化流水线，在生产的过程中，各工位对物料的需求几乎同时的。此时，如果每个工位发出物料需求便立即调度配送工具(多辆配送车)进行配送，会导致所需配送工具的数量过多、利用效率低，进而导致整个生产线的生产成本的增加。因此，基于生产线在一个生产节拍内的总配送时间最小化的原则，配送工具应在工位发出物料需求至工位缓存消耗完毕的时间窗内完成工位的配送任务。因此，该时间窗可以包括工位发出物料需求的时刻至工位消耗完毕物料的时刻之间的时间段。
在步骤S5中，根据数字化车间的资源数据，构建数字化车间的配送调度模型。在该实施方式中，该配送调度模型的目标函数可以为最小化的总配送时间。对于该配送调度模型，其约束条件可以例如包括：物料的到达时间被时间窗约束、工位被配送工具约束、工位与仓储区的对应关系约束。在本发明的一个示例中，如图2所示，构建配送调度模型可以包括以下步骤：
在步骤S51中，引入第一决策变量、第二决策变量和第三决策变量。
第一决策变量xij可以是用于指示仓储区i上是否存储有工位j所需的物料。当xij＝1时，表示仓储区i上存储有工位j所需的物料；若仓储区i上没有工位j所需的物料，则xij＝0。因此，可以该第一决策变量xij满足条件(1)，
∑ixij＝1，(1)
第二决策变量yjk可以用于指示工位j的配送任务是否由配送工具k完成。当yjk＝1时表示工位j的配送任务由配送工具k完成；若工位j的配送任务并非由配送工具k完成，则yjk＝0。因此，该第二决策变量yjk满足条件(2)，
∑kyjk＝1，(2)
第三决策变量用于指示配送工具k是否由配送路径p1移动至配送路径p2。其中，配送路径为从仓储区i到工位j的配送过程。结合上述仓储区i和工位j的数量，配送路径的数量可以为p个，在该示例中，每个配送路径的编号可以为1、2、3、…p1、...、p2…p，其中，p1和p3为小于p的自然数。当时表示配送工具k由配送路径p1移动至配送路径p2；若配送工具k并非由配送路径p1移动至配送路径p2，则因此，该第三决策变量满足条件(3)，
配送路径之间的移动即为配送工具在工位之间的移动。原则上，先加工的工位先编号，则编号小的工位先被配送，则第j个工位即为第p个配送路径,且j＝p。所以配送工具从仓储区i1到工位j1的配送路径p1移动至仓储区i2到工位j2的配送路径p2的第三决策变量，即：
在步骤S52中，设置配送规则。在该示例中，该配送规则可以例如包括：
配送规则1：配送工具从相同的初始位置出发，完成配送任务后再回到初始位置以开始下一个配送任务；
配送规则2：在每个配送任务中，每个工位所需的物料只能由一个配送工具配送一次；由于每个工位的需求量等于一个配送工具的一次配送容量，因此，根据规则2，配送工具的配送规则是：从一个仓储区装货配送至第一个工位，回到下一个仓储区为下一个工位进行配送；
配送工具3：每个工位与一个仓储区对应以形成J个配送路径。假设第p1个配送路径到第p2个配送路径的转移时间为
在步骤S53中，确定约束表达式。
以上述示例为例，如果配送工具k不负责工位j1的配送任务，那么该配送工具k也不会从表示工位j1到仓储区i1的配送路径p1移动至工位j2到仓储区i2的配送路径p2。因此，该配送调度模型满足约束条件(4)，
若则
其中，为配送工具k从表示工位j1到仓储区i1的配送路径p1移动至工位j2到仓储区i2的配送路径p2的第三决策变量。
为了保证每个工位j均有对应的仓储区i供给物料，以及任一个工位j只能由一个仓储区i供给物料。所以，该配送调度模型满足约束条件(5)和约束条件(6)，
其中，为配送工具k由其他配送路径移动至配送路径p2的第三决策变量的总和，为配送工具k对工位j2进行配送的第二决策变量。在满足上述配送规则的情况下，约束条件(5)中的等号的两边的值均为1。
其中，为配送工具k由其他配送路径移动至配送路径p1的第三决策变量的总和，为配送工具k对工位j1进行配送的第二决策变量。在满足上述配送规则的情况下，约束条件(6)中的等号的两边的值均为1。
由于每个配送工具k在到达工位j的时间tj是否在工位j发出物料需求后至该工位j消耗完毕的时间窗之内，所以该目标函数存在约束条件(7)，
其中，为第j个工位发出物料需求的时间，为第j个工位消耗(物料)完毕的时间。
所以，结合上述配送规则3，可以采用公式(1)表示配送工具k从第p1个配送路径移动至第p2个配送路径的转移时间
其中，结合上述约束条件(4)，为第p1个配送路径移动至第p2个配送路径的转移时间，即为从第j1个工位移动至第j2个工位的转移时间，物流过程表现为转移时间即配送工具由第j1个工位至仓储区i2的移动时间，其中，r即为第j2个工位对应的仓储区i2。
结合上述配送规则2，载有物料的工装板被配送到第j个工位的时间为配送工具在第1个至第j个工位与其分别对应的仓储区之间的配送时间以及在各个配送路径之间的转移时间之和。因此，可以采用公式(2)表示配送工具k将载有物料的工装板运送至第j个工位的时间tj,
其中，k1＝{k|yjk＝1}，sj为配送工具k在工位j的卸货时间。
所以，该数字化车间的总配送时间可以采用公式(3)表示，
其中，为物料从仓储区被配送至工位的配送时间的总和，为配送工具在配送路径之间的转移时间的总和，S为配送工具的装货和卸货时间的总和。
在步骤S54中，构建目标函数。综合上述约束条件和公式，可以采用公式(4)表示该配送调度模型的目标函数，
其中，minz为目标函数的最小化，minT为配送工具完成全部配送任务的总配送时间，Tij为配送工具从仓储区i配送物料至工位j的时间，xij为指示仓储区i是否存储有工位j所需的物料的第一决策变量，为物料从仓储区被配送至工位所需的配送时间的总和，为配送工具从配送路径p1转移到配送路径p2的转移时间，为指示配送工具k是否由配送路径p1转移到配送路径p2的第三决策变量，为转移时间的总和，s为配送工具的装货和卸货时间的总和。
此外该目标函数还满足上述约束条件(1)至(7)，
其中，s.t为约束条件。
在步骤S6中，利用遗传算法对该配送调度模型进行求解。考虑到上述建立的配送调度模型实质上为物流调度优化模型，属于车辆路径问题(Vehicle Routing Problems，VRP)。结合实际的车辆调度情况，在VRP的研究过程中产生了几种VRP问题的拓展形式，其中最重要的有：带能力约束的车辆路径问题，带时间窗的车辆路径优化问题。这些问题已被证明是一个NP(Non-deterministic Polynomial complete problem)完全问题，只有在求解规模较小时，才能求其精确解。因此，在本发明的该实施方式中，可以采用遗传算法对该配送调度模型进行求解。
在该实施方式中，如图3所示，该遗传算法可以包括以下步骤：
在步骤S61中，根据仓储区、工位、配送工具和配送路径对遗传算法的染色体进行编码。以上述列举出的配送调度模型为例，考虑到在数字化车间加工的过程中，排在生产线的前端的工位(工序)需要先加工，那么该工位所需的物料也必须优先配送。在确定配送工具的分配和工位与仓储区的对应关系后，配送路径的调度是按照工位顺序配送的。因此，对该配送调度模型的求解的关键在于确定配送工具的分配及配送路径的调度。因此，在该示例中，染色体可以采用实数编码的方式，例如：(r1，r2，…，rJ，r1+J，…，rj+J，…，r2*，…，r1+k*J，rj+k*J，…，r(k+1)*J),其中，(r1+k*J，rj+k*J…，r(k+1)*J)表示由配送工具k完成的配送路径，rj+k*J不为0时，表示第j个工位对应的仓储区编号，rj+k*J为0时表示配送工具k不进行第j个工位的配送。各小车内部的配送路径是有序的，而小车之间的配送是无序的。
在该示例中，该工位可以为例如5个，该配送工具可以为配送小车，且配送小车的数量可以为2辆，仓储区的数量可以为3个。那么，该遗传算法的其中一条染色体可以为[2，0，0，3，0，0，1，2，0，3]。其中，[2，0，0，3，0]表示负责工位1和工位4的物料配送的配送小车，仓储区2和仓储区3负责该工位1和工位4的物料存储。[0，1，2，0，3]表示配送小车2负责工位2、工位3和工位5的物料配送，仓储区1、仓储区2、仓储区3分别负责工位2、工位3和工位5的物料的存储。
在步骤S62中，生成初始的种群。
由于每辆配送小车由工位数目m个基因位组成，每个基因位的数值取值范围不同，彼此存在一定的联系，且整条染色体必须满足约束条件，因此对初始的种群的生成方法做了一些改进，以由两辆配送小车为例，生成初始的种群，步骤如下：
在步骤S621中，首先为第1辆配送小车安排配送任务，各基因随机生成0和1，0表示不由小车1配送，1表示由配送小车1配送，然后在基因值为1的工位随机生成1-I的数字，指定与工位对应的仓储区；
在步骤S622中，然后生成第2辆小车的配送任务，若第1段基因对应工位为0，则表示该工位还未配送，此时安排配送小车2配送，即随机生成1-I的数字；若第1段基因对应工位不为0，则表示该工位配送小车1配送，此时该基因值应为0；此时一条完整的染色体生成；
在步骤S623中，由公式(2)计算出每辆配送小车到达工位的时间，并根据约束条件(7)对配送时间进行判断，以确定染色体是否非法(是否满足配送条件(7))。如果非法，则舍弃此条染色体，重复前面的步骤，直至生成有效的染色体；
重复以上步骤S621至步骤S623N次，得到染色体数量为N的初始的种群。
在步骤S63中，确定适应度函数。
由于遗传算法的适应度函数是评价的染色体优良的依据，适应度的值越大，表示染色体对于配送调度模型的适应度越高。因此，通过适应度函数计算每个个体的适应度，淘汰适应度低的个体，保留高适应度个体进行遗传操作，从而实现优胜劣汰的自然选择过程。
虽然初始种群加入了有效性检验，保证了群体中的个体均为有效个体，但是在交叉变异过程中会出现新的不符合要求的个体，因此在适应度函数里可以通过引入惩罚函数的方式来避免无效个体的存在，根据上述列出的约束条件(1)至(7)的限制，可以采用公式(5)表示该配送调度模型的适应度函数，
其中，f为适应度函数，Tij为配送工具从仓储区i配送物料至工位j的时间，xij为指示仓储区i是否存储有工位j所需的物料的第一决策变量，为物料从仓储区被配送至工位所需的配送时间的总和，为配送工具从配送路径p1转移到配送路径p2的转移时间，为指示配送工具k是否由配送路径p1转移到配送路径p2的第三决策变量，为转移时间的总和，s为配送工具的装货和卸货时间的总和，D(1-α)为引入的惩罚函数，如果配送小车到达各工位的时间tj满足(tj-ETj)<0或(tj-DTj)>0，即配送工具的配送时间(配送物料到达工位的时间)不再时间窗内，则α的值为0。否则，在配送工具的配送时间在时间窗内的情况下，α的值为1，D为预设的系数，该系数可以为一个很大的正数(如D>1000)。
在步骤S64中，判断生成种群的次数是否达到预设次数。
在步骤S65中，在判断生成种群的次数未达到预设次数的情况下，分别计算每个个体的适应度。
在步骤S66中，对种群进行选择运算。在本发明的该实施方式中，可以采用轮盘赌法根据每个个体的适应度进行选择，从而完成对该种群的选择操作。
在步骤S67中，对种群进行交叉和变异运算以生成新的种群，并返回执行步骤64。
通过交叉与变异可以生成新的种群(配送方案)。根据预设的交叉概率随机交换种群中的两个个体之间的片段产生新的个体，根据预设的变异概率对种群中的个体的随机两个位置进行变异以产生新个体，从而产生新的种群。
在步骤S68中，在判断生成种群的次数达到预设次数的情况下，输出种群以作为配送调度模型的最佳配送方案。
在步骤S7中，根据该最佳配送方案控制数字化车间的配送工具以执行配送操作。
本发明的另一方面还提供一种液压元件数字化车间的控制***，该控制***可以包括配送小车和控制器，该控制器可以用于执行上述控制方法并控制小车执行控制器生成的最佳配送方案。
本发明的再一方面还提供一种存储介质，该存储介质存储有指令，该指令用于被计算机读取以使得计算机执行上述控制方法。
通过上述技术方案，本发明提供的液压元件数字化车间的控制方法、***及存储介质通过改变原有的数字化车间的分类存储以及随机存储的方式，从数字化车间总体出发探讨配送车辆调度的同时，为仓储区的布局提供一定的参考，提高拣选效率，减少配送距离与配送时间；该控制方法也有利于统一管理物料，且方便物料的分区堆放与存取。在该控制方法的管理下，配送工具的物流部门可以主动为工位提供配送，提高了预测精度，物流部门可以更合理的安排物料存储数量与配送时间，有效降低物料储存费用；最后，该控制方法还合理利用仓储区与配送工具，节省物流资源，且有效保证工位的生产节拍稳定与准时制生产。
以某高端液压元件制造企业数字化车间为例，采用本发明提供的液压元件数字化车间的控制方法计算该数字化车间的最佳配送方案。
在该示例中，该数字化车间的平面图如图4所示。在图4中，该数字化车间包括智能仓储区10、清洗区20、部装线30和总装线40。
智能仓储区10为数字化车间的自动化立体仓库，该自动化立体仓库包括7个仓储区，分别编号为仓储区1至7。
智能仓储区10负责存储生产线所需的物料，因此，只能存储区10物料的存储方式直接影响数字化车间的工装配送效率。制造类企业的生产物流活动都是为工位服务的，因此在该示例中可以以工位为中心生成配送调度模型。首先分析不同工位所需的物料，将每个工位所需物料存放至一个工装板上，以工装板为单位进行配送。其次在仓储区内对工装板进行分区存放，将每个仓储区划分为一个个为特定工位服务的仓储区。生产线(包括部装线30和总装线40)上的一个工位只能由一个仓储区服务，而一个仓储区可以为多个工位提供配送服务。由此，各个工位所需的物料分别存放在唯一且固定的仓储区内，从而使得各工位与各仓储区一一对应，进一步实现了物料的精确快速拣取。
根据该液压元件制造企业的某一型号泵的生产线为例，该泵共含117个零部件，根据各工位的物料需求，将部装零件按照类别存放至11种工装板上，分别为壳体工装板、安装座工装板、摇摆座工装板、花键轴工装板、端盖工装板、柱塞缸体工装板、控制阀体工装板、压合工位工装板、总装工位工装板、伺服阀工装板和齿轮泵工装板。将该11种工装板分别放置在上述仓储区1至7中。
数字化车间生产线由2条部装线(包含10个部装工位)和1条总装线(4个人工工位)组成。2条部装线与1条总装线为串行加工，部装线内的各工位为并行加工，总装线内的人工工位为串行加工。在进行计算时，将总装线内4个人工工位考虑为一个整体加工工位(因此，该数字化车间的工位可以编号为工位1至11)。为保证生产节拍的一致，各工位对工装板的来料时间要求不同。在数字化车间的精准配送中，对某一工位而言，如果工装板早于需求时间送达，则工位无存放位置，导致工装板堆积，物料呆滞；如果工装板晚于需求到达则生产停工等待，所以在工装板配送中要严格限制配送时间。
针对数字化车间的准时生产，在一套泵产品完整的加工过程中，考虑生产节拍、工位缓存区的存储量等约束条件，以一整套产品加工时间最短为目标，计算各工位对物料的到达时间的要求。经过与车间工作人员的讨论与修订，计算得出各工位的配送时间窗生产线内各工位的模糊预约的时间窗、各仓储区至工位的配送时间等调查数据见表1所列，
表1
其中，时间窗的单位为分钟(min)，配送工具到达工位的配送时间的单位为秒(s)。
采用上述配送调度模型的目标函数对上述数据进行求解，并采用遗传算法对该配送调度模型进行进一步求解。假设配送小车从初始位置s0出发，初始位置s0到工位1的时间可以为0。在求解的过程中，遗传算法的种群数量N的值可以为300，最大遗传代数G(预设次数)的值可以为300，交叉概率可以为0.9，变异概率可以为0.1。利用Matlab软件进行编程求解。经过迭代后，得到目标值与种群的均值的变化曲线如图5所示，其中，目标值为每一代种群中最优个体的配送时间，即最短配送时间；种群均值为每一代种群中所有个体配送时间的平均值。
在图5中，虚线表示种群的均值随着迭代次数的变化趋势，实线表示目标值随着迭代次数的变化趋势。从图5中可以看出，种群在第14代时，目标值和均值均收敛，此时可以认为该种群为最优解(最佳配送方案)。在该种群中，配送小车的最小分配时间为2722秒，对应的染色体为[1,0,4,6,3,0,0,6,0,0,3,0,2,0,0,0,4,4,0,6,7,0]。经过解码，得到各个仓储区对应的工位以及两辆配送小车的配送顺序，如表2所示，
表2
工位和仓储区的对应关系从表2中可以看出，根据编码规则，可以得到2辆配送小车的最优配送路径，即为：
配送小车1：初始位置、仓储区1、工位1、仓储区4、工位3、仓储区6、工位4、仓储区3、工位5、仓储区6、工位8、仓储区3、工位11、初始位置。
配送小车2：初始位置、仓储区2、工位2、仓储区4、工位6、仓储区4、工位7、仓储区6、工位9、仓储区7、工位10、初始位置。
根据本发明提供的液压元件数字化车间的控制方法对上述列出的数字化车间的配送方案进行调节，使得：
在仓储区对物料的存取方面，7个工装板的存储区分别与11个工位存在对应关系，且占用合理。这样的存储策略既方便了工装板出库时的拣货操作，又使得智能仓储区的利用更加的集中合理；
在配送时间方面，以上生产物流配送方案的实际应用，优化后的2辆配送小车对11个工位在23分钟内完成一次配送循环，且工装板到达各工位的时间点均在各个工位的时间窗之内；
“以工位为中心”的数字化车间配送模式实现了智能仓储区主动为生产线工位提供物料，提高了配送时间的预测精度，企业可更合理的安排工装板存储数量与配送时间，在多批次、小批量的快速流通生产车间配送背景下提升配送效率，降低存储于配送费用，提升企业竞争力。
以上结合附图详细描述了本发明例的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得一个(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
此外，本发明实施方式的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。

Claims (10)

1.一种液压元件数字化车间的控制方法，其特征在于，所述控制方法包括：
获取所述数字化车间的仓储区的数量、工位的数量和配送工具的数量；
对放置在所述数字化车间的工装板上的物料进行组合管理；
对所述仓储区、所述工位和所述配送工具进行编号；
确定各个所述工位需要被配送所述物料的时间窗；
根据所述数字化车间的资源数据，构建所述数字化车间的配送调度模型；
利用遗传算法对所述配送调度模型进行求解以生成最佳配送方案；
根据所述最佳配送方案控制所述数字化车间的配送工具执行配送操作。
2.根据权利要求1所述的控制方法，其特征在于，所述对放置在所述数字化车间的工装板上的物料进行组合管理包括：
对所述数字化车间的生产线加工的所述液压元件所需的零部件清单进行分析，结合所述生产线的各个工位的加工工艺，将所述各个工位加工所需的零部件放置在同一个所述工装板内。
3.根据权利要求2所述的控制方法，其特征在于，所述时间窗包括从所述工位发出物料需求的时刻至所述工位消耗完毕所述物料的时刻之间的时间段。
4.根据权利要求3所述的控制方法，其特征在于，所述根据所述数字化车间的资源数据，构建所述数字化车间的配送调度模型包括：
确定所述目标函数的第一决策变量、第二决策变量和第三决策变量，其中，所述第一决策变量xij用于指示仓储区i是否存储有工位j所需的所述物料，所述第二决策变量yik用于指示工位j的配送任务是否由配送工具k完成，所述第三决策变量用于指示配送工具k是否由配送路径p1移动至配送路径p2；
设置配送规则；
根据所述配送规则确定所述配送调度模型的约束表达式；
根据所述约束表达式和所述配送规则构建所述配送调度模型的目标函数。
5.根据权利要求4所述的控制方法，其特征在于，所述配送规则包括：
所述配送工具从相同的初始位置出发，完成配送任务后再回到所述初始位置以开始下一个配送任务；
在每个所述配送任务中，每个所述工位所需的所述物料只能由一个所述配送工具配送一次；
每个所述工位与一个所述仓储区对应以形成多个所述配送路径。
6.根据权利要求5所述的控制方法，其特征在于，所述根据所述约束表达式和所述配送规则构建所述配送调度模型的目标函数包括：
采用公式(1)表示所述目标函数，
其中，min z为所述目标函数的最小化，min T为所述配送工具完成全部所述配送任务的总配送时间，Tij为所述配送工具从仓储区i配送所述物料至所述工位j的时间，xij为指示仓储区i是否存储有工位j所需的所述物料的第一决策变量，为所述物料从所述仓储区被配送至所述工位所需的配送时间的总和，为配送工具从配送路径p1转移到配送路径p2的转移时间，为指示配送工具k是否由配送路径p1转移到配送路径p2的第三决策变量，为所述转移时间的总和，s为所述配送工具的装货和卸货时间的总和。
7.根据权利要求6所述的控制方法，其特征在于，所述利用遗传算法对所述配送调度模型进行求解以生成最佳配送方案包括：
根据所述仓储区、所述工位、所述配送工具和所述配送路径对所述遗传算法的染色体进行编码；
生成所述配送调度模型的初始的种群；
确定所述配送调度模型的适应度函数；
判断生成所述种群的次数是否达到预设次数；
在判断生成所述种群的次数达到预设次数的情况下，分别计算所述种群的每个个体的适应度；
采用轮盘赌法对所述种群进行选择运算；
对所述种群进行交叉和变异运算以生成新的所述种群，再次判断生成所述种群的次数是否达到预设次数直到生成所述种群的次数达到预设次数；
在判断生成所述种群的次数达到预设次数的情况下，输出所述种群以作为所述配送调度模型的最佳配送方案。
8.根据权利要求7所述的控制方法，其特征在于，所述确定所述配送调度模型的适应度函数包括：
采用公式(2)表示所述适应度函数，
其中，f为所述适应度函数，Tij为所述配送工具从仓储区i配送所述物料至所述工位j的时间，xij为指示仓储区i是否存储有工位j所需的所述物料的第一决策变量，为所述物料从所述仓储区被配送至所述工位所需的配送时间的总和，为配送工具从配送路径p1转移到配送路径p2的转移时间，为指示配送工具k是否由配送路径p1转移到配送路径p2的第三决策变量，为所述转移时间的总和，s为所述配送工具的装货和卸货时间的总和，D(1-α)为引入的惩罚函数，在所述配送工具的配送时间不在所述时间窗内的情况下，α的值为0；在所述配送工具的配送时间在所述时间窗内的情况下，α的值为1，D为预设的系数，所述系数的值大于1000。
9.一种液压元件数字化车间的控制***，其特征在于，所述控制***包括配送小车和控制器，所述控制器用于执行如权利要求1至8任一所述的控制方法并控制所述小车执行所述最佳配送方案。
10.一种存储介质，其特征在于，所述存储介质存储有指令，所述指令用于被计算机读取以使得所述计算机执行如权利要求1至8任一所述的控制方法。
CN201810860247.9A 2018-08-01 2018-08-01 液压元件数字化车间的控制方法、控制***和存储介质 Pending CN109064096A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810860247.9A CN109064096A (zh) 2018-08-01 2018-08-01 液压元件数字化车间的控制方法、控制***和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810860247.9A CN109064096A (zh) 2018-08-01 2018-08-01 液压元件数字化车间的控制方法、控制***和存储介质

Publications (1)

Publication Number Publication Date
CN109064096A true CN109064096A (zh) 2018-12-21

Family

ID=64832319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810860247.9A Pending CN109064096A (zh) 2018-08-01 2018-08-01 液压元件数字化车间的控制方法、控制***和存储介质

Country Status (1)

Country Link
CN (1) CN109064096A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961221A (zh) * 2019-03-20 2019-07-02 合肥工业大学 一种直接配送时间依赖于机器地理位置的平行机调度方法
CN112001646A (zh) * 2020-08-27 2020-11-27 上海汽车集团股份有限公司 一种物料调度方法、装置、存储介质及电子设备
CN114967601A (zh) * 2021-12-30 2022-08-30 昆明理工大学 一种冰箱箱体双边装配过程的优化调度方法及***

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101782767A (zh) * 2010-01-07 2010-07-21 西安交通大学 基于uwb的数字化制造车间物料实时配送***
CN105096011A (zh) * 2015-09-11 2015-11-25 浙江中烟工业有限责任公司 一种基于改进型染色体编码的物流运输调度方法
CN106503836A (zh) * 2016-10-09 2017-03-15 电子科技大学 一种多目标优化的纯电动汽车物流配送优化调度方法
CN108267954A (zh) * 2018-01-15 2018-07-10 西北工业大学 一种带硬时间窗的刀具准时配送路径规划算法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101782767A (zh) * 2010-01-07 2010-07-21 西安交通大学 基于uwb的数字化制造车间物料实时配送***
CN105096011A (zh) * 2015-09-11 2015-11-25 浙江中烟工业有限责任公司 一种基于改进型染色体编码的物流运输调度方法
CN106503836A (zh) * 2016-10-09 2017-03-15 电子科技大学 一种多目标优化的纯电动汽车物流配送优化调度方法
CN108267954A (zh) * 2018-01-15 2018-07-10 西北工业大学 一种带硬时间窗的刀具准时配送路径规划算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蒋丽: ""以工位为中心的生产物流配送优化研究"", 《中国博士学位论文全文数据库 经济与管理科学辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109961221A (zh) * 2019-03-20 2019-07-02 合肥工业大学 一种直接配送时间依赖于机器地理位置的平行机调度方法
CN112001646A (zh) * 2020-08-27 2020-11-27 上海汽车集团股份有限公司 一种物料调度方法、装置、存储介质及电子设备
CN114967601A (zh) * 2021-12-30 2022-08-30 昆明理工大学 一种冰箱箱体双边装配过程的优化调度方法及***

Similar Documents

Publication Publication Date Title
CN109064096A (zh) 液压元件数字化车间的控制方法、控制***和存储介质
CN105976030B (zh) 基于多智能体月台调度智能排序模型的构造
CN110245890A (zh) 货品分拣方法及货品分拣***
He et al. A hybrid parallel genetic algorithm for yard crane scheduling
CN109255481B (zh) 一种分布式库存调度***及改进方法
CN109784566A (zh) 一种订单排序优化方法及装置
CN111882215B (zh) 一种含有agv的个性化定制柔性作业车间调度方法
CN103246941B (zh) 一种出口集装箱码头堆存空间调度方法
CN106773686B (zh) 同轨双车运行模式下堆垛机调度路径模型建立方法
CN103473616A (zh) 用于处理多品种物资仓储的动态货位分配规划方法与***
CN109677830B (zh) 一种四向穿梭车式密集仓储***资源配置优化方法
Tang et al. Research on equipment configuration optimization of AGV unmanned warehouse
CN103955818A (zh) 多层穿梭车自动仓储***的任务调度方法
CN107578197A (zh) 需求不确定的混流生产线物流车辆调度区域优化方法
CN109816243A (zh) 面向动态任务感知的云制造协同任务调度方法
CN110503260A (zh) 一种基于动态路径规划的agv调度方法
CN113570308B (zh) 多目标交付同步优化模型建模方法及面向订单制造的车间物料配送边缘-雾-云***构架
Mahmudy Optimization of part type selection and machine loading problems in flexible manufacturing system using variable neighborhood search
CN112488606B (zh) 一种生产物流智能优化和自动调度***
CN109472362A (zh) 一种基于可变任务窗的agv动态调度方法及装置
CN113822588A (zh) 基于离散的人工蜂群进化的自动导向车辆调度方法
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
Nandula et al. Performance evaluation of an auction-based manufacturing system using coloured Petri nets
CN112149876A (zh) 求解矩阵制造车间多自动轨道小车上料调度问题的人工蜂群算法
CN117132181A (zh) 一种分布式柔性生产与运输协同调度方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181221