CN111625996A - 一种层级并行多工位装配序列规划方法 - Google Patents

一种层级并行多工位装配序列规划方法 Download PDF

Info

Publication number
CN111625996A
CN111625996A CN202010457869.4A CN202010457869A CN111625996A CN 111625996 A CN111625996 A CN 111625996A CN 202010457869 A CN202010457869 A CN 202010457869A CN 111625996 A CN111625996 A CN 111625996A
Authority
CN
China
Prior art keywords
assembly
sequence
station
frog
representing
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.)
Granted
Application number
CN202010457869.4A
Other languages
English (en)
Other versions
CN111625996B (zh
Inventor
卢杰
卢佩航
徐劲力
吴波
黄丰云
刘晓刚
邹琳
张晓帆
胡云锋
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202010457869.4A priority Critical patent/CN111625996B/zh
Publication of CN111625996A publication Critical patent/CN111625996A/zh
Application granted granted Critical
Publication of CN111625996B publication Critical patent/CN111625996B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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"
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明涉及一种层级并行多工位装配序列规划方法，该方法包括：划分装配单元，构建基于装配单元的装配层级结构树；以实际生产装配要求为依据和缩短产品装配时间为目标，基于所述装配层级结构树建立层级并行多工位装配模型；考虑产品约束和装配线约束，构建目标为最短装配时间的适应度函数；利用DFLA(Discrete Frog Leaping Algorithm,离散蛙跳算法)及所述适应度函数求解所述层级并行多工位装配模型的序列。满足企业实际装配的要求以及缩短整体产品的装配时间，提高生产效率；基于离散蛙跳算法的层级并行多工位装配序列规划，自动化和智能化程度高；可规划复杂零部件的装配序列规划，应用程度高；可用于多种零部件的装配序列规划，应用范围广。

Description

一种层级并行多工位装配序列规划方法
技术领域
本发明涉及装配序列规划领域，尤其涉及一种层级并行多工位装配序列规划方法。
背景技术
根据统计结果表明，在现代制造业中，机电产品整个制造工作量的20％～70％都花费在装配及其调试上，装配时间占整个产品制造时间的20％～50％，同时其成本也占据整个制造费用的40％以上。
对于目前大部分制造业公司而言，虽然已经逐步提升企业内部的信息化和自动化水平，但是对装配规划的自动化还有所欠缺。而装配序列规划则是自动装配规划中最重要的一环，由此达到降低装配难度与成本、提升产品的装配效率与质量的目的。因此如何有效且高效的寻找最优装配序列规划结果是目前自动装配规划中急需解决的问题。
早期的装配序列规划有割集法和基于知识推理方法，割集法处理复杂装配体时会因为数据量大导致出现错误；基于知识推理的方法对于不同装配体所涉及的工艺知识需要重新归纳，缺乏普适性；随着近年来智能优化算法获得了快速发展，学者们也逐渐尝试运用智能优化算法求解装配序列规划问题，并获得了一定的成效。目前基于智能优化算法方面的文献主要集中在串行单工位装配序列规划，然而在串行单工位装配序列规划求解出的“最优解”并不满足实际装配要求，在实际装配规划时需要手动添加工位，也容易造成装配线上各个工位负载性差，出现装配线瓶颈。串行单工位和串行多工位序列规划均是让装配任务按照线性的方式逐项进行，而并行装配序列规划则是装配任务可以并行地执行，通过装配任务的并行执行缩短总体的装配周期。
综上所述，现有技术存在的问题是：
(1)当前的装配模型尚未综合考虑多工位因素和并行装配因素，使得目前最优装配序列规划结果不满足实际装配要求。
(2)如何构建并行多工位装配模型，怎样有效地解决装配序列规划(assemblysequence planning,ASP)与装配线平衡(assembly line balancing,ALB)的集成问题，还有待于进一步研究。
发明内容
本发明针对现有技术中存在的技术问题，提供一种层级并行多工位装配序列规划方法，解决现有技术中不能实现复杂装配体的层级并行多工位装配序列的应用的问题。
本发明解决上述技术问题的技术方案如下：一种层级并行多工位装配序列规划方法，包括：
步骤1，划分装配单元，构建基于装配单元的装配层级结构树；
步骤2，以实际生产装配要求为依据和缩短产品装配时间为目标，基于所述装配层级结构树建立层级并行多工位装配模型；
步骤3，考虑产品约束和装配线约束，构建目标为最短装配时间的适应度函数；
步骤4，利用DFLA及所述适应度函数求解所述层级并行多工位装配模型的序列。
本发明的有益效果是：满足企业实际装配的要求以及缩短整体产品的装配时间，提高生产效率；基于离散蛙跳算法的层级并行多工位装配序列规划，自动化和智能化程度高；可规划复杂零部件的装配序列规划，应用程度高；可用于多种零部件的装配序列规划，应用范围广。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述步骤2中建立所述层级并行多工位装配模型的过程中，对所述装配层级结构树中同一层级的所述装配单元进行并行规划，对所述装配单元的内部进行串行多工位规划。
进一步，所述步骤3中的所述产品约束用可行性指标表示，所述可行性指标包括几何可行性和工位可行性；
所述适应度函数为：
f＝[(NIM+NAS)+1]×(w1×TC+w2×SI)；
其中，NIM表示几何可行性，NAS表示工位可行性，TC表示时间代价指标，SI表示装配线平衡指标，w1和w2分别为时间代价指标、装配线平衡指标的权重，且w1+w2＝1。
进一步，所述几何可行性NIM表示统计产品按照指定装配序列装配时，序列出现干涉零件的个数，所述几何可行性NIM的计算公式为：
Figure BDA0002509956810000031
其中，IMK为描述零件沿坐标轴方向移动时与其余零件是否存在干涉的情况的正交干涉矩阵；Pj、Pi表示装配序列中的零件号；IMK(Pj，Pi)表示正交干涉矩阵IMK中第j行第i列的值；n表示零件的个数；
所述工位可行性NAS表示不满足工位装配要求或者生产线上工位顺序的零件个数，所述工位可行性NAS的计算公式为：
Figure BDA0002509956810000032
其中，eik表示工位Sk对零件Pi的装配能力；AS(eik)表示装配工位能力矩阵；Rik表示零件Pi在工位Sk上实际的装配情况；m表示工位个数。
进一步，所述时间代价指标TC的计算公式为：TC＝TCC+TCT+TCR，其中，TCC表示装配方向变换消耗的时间代价，TCT表示装配工具变化消耗的时间代价，TCR表示零件部件装配时间；
所述装配方向变换消耗的时间代价TCC的计算公式为：
Figure BDA0002509956810000041
其中，WTCC表示单次装配方向变化消耗的时间代价；Pik表示工位Sk上装配的第i个零件；C(P(i-1)k,Pik)表示同一工位Sk内相邻的零件间装配方向变化的次数；n表示零件的个数；m表示工位个数；
所述装配工具变化消耗的时间代价TCT的计算公式为：
Figure BDA0002509956810000042
其中，WTCT表示单次装配工具变化消耗的时间代价；T(P(i-1)k,Pik)表示同一工位Sk内相邻的零件间装配工具变化的次数；
所述零件部件装配时间TCR根据经验进行预估。
进一步，所述装配线平衡指标SI的计算公式为：
Figure BDA0002509956810000043
其中，t(Sk)表示工位Sk所有装配任务的时间和，m表示工位个数。
进一步，所述步骤4包括：
步骤401，初始化，确定蛙群的数量s、种群数p以及每个种群的青蛙数q，其中s＝p×q；各个所述青蛙表示所述序列的各个解；
步骤402，随机产生初始蛙群，第i只青蛙表示为Qi＝{Qi1,Qi2,……Qin}，根据工位能力表产生与初始序列中各个所述零件相对应的工位分配情况，第i只青蛙对应的工位分配情况为Si＝{Si1,Si2,……Sim}；
步骤403，根据所述所述适应度函数计算各个所述青蛙的适应度函数值，按照所述适应度函数值的大小进行降序排序并记录全局最优装配序列Qg及最优工位分配情况Sg，并且将所述蛙群分成p个种群；
步骤404，利用DFLA使所述青蛙在每个所述种群中进行局部进化；
步骤405，在每个所述种群都进行过一轮局部进化之后，将各个所述种群青蛙进行混合，对混合后的所述蛙群进行降序排序、种群划分以及记录当前全局最优装配序列Qg及最优工位分配情况Sg；
步骤406，重复执行所述步骤403-405直至全局进化的次数达到设定值Ng。
进一步，所述步骤404中进行局部进化的过程包括：
步骤40401，选择所述种群内的最优装配序列Qb和最差装配序列Qw，利用DFLA公式生成新的最差装配序列newQw，序列newQw的适应度函数值小于序列Qw的适应度函数值时，用所述序列newQw替代所述序列Qw；
步骤40402，选择全局最优装配序列Qg和种群内最差装配序列Qw，利用DFLA公式生成新的最差装配序列newQw，序列newQw的适应度函数值小于序列Qw的适应度函数值时，用所述序列newQw替代所述序列Qw；
步骤40403，随机生成一条序列替换所述种群内的所述最差装配序列Qw；
步骤40404，达到设定的局部迭代次数Nloc后，结束该局部进化过程。
进一步，所述步骤40401和步骤40402中生成新的最差装配序列的所述DFLA公式为：
Figure BDA0002509956810000051
其中，DS为更新步长，rand()表示一个0到1之间的均匀分布的随机数，Qi、Qj分别表示序号为i和j的装配序列，Qi＝{Qi1,Qi2,…Qik…Qin}，Qj＝{Qj1,Qj2,…Qjk…Qjn}，newQj表示步长更新后的装配序列Qj；
θ表示序列的减法，Qm＝QiθQj时，
Figure BDA0002509956810000052
Qm＝{Qm1,Qm2,…Qmk…Qmn}；
Figure BDA0002509956810000053
表示序列的乘法，
Figure BDA0002509956810000054
时，
Figure BDA0002509956810000055
c为一个0到1之间的控制参数；
Figure BDA0002509956810000056
表示序列和步长的加法，
Figure BDA0002509956810000057
进一步，所述步骤4中通过由下到上、由左到右的方式，逐层求解所述装配层级结构树下所述装配单元的装配序列后，整合层级之间的所述装配单元。
采用上述进一步方案的有益效果是：层级并行多工位装配模型是将装配单元“并行”的概念和面向实际装配要求的“多工位”概念整合起来，提出装配单元间并行规划以及装配单元内部串行多工位规划的策略；根据装配单元之间具有相互独立的特性，在装配层级结构树的同一层级装配单元可以实现并行装配；根据独立的装配单元具有稳定的结构，在其内部可以采用串行多工位模型进行装配序列规划；考虑几何可行性、工位可行性、装配方向变换消耗的时间代价、装配工具变化消耗的时间代价、零件部件装配时间以及装配线平衡指标构建DFLA算法的适应度函数。
附图说明
图1为本发明提供的一种层级并行多工位装配序列规划方法的实施例的流程图；
图2为本发明实施例提供的离散蛙跳算法算法流程图；
图3为本发明提供的具体应用实施例中某车型后独立悬架三维模型***图；
图4为本发明提供的具体应用实施例中后独立悬架装配层级结构树；
图5为本发明提供的具体应用实施例中干涉矩阵和工位能力矩阵图；
图6为本发明提供的具体应用实施例中MATLAB算法收敛图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示为本发明提供的一种层级并行多工位装配序列规划方法的实施例的流程图，由图1可知，该方法包括：
步骤1，划分装配单元，构建基于装配单元的装配层级结构树。
装配单元划分是将复杂装配体分解成由若干个零件或者子装配体组成的装配单元，降低装配序列规划与优化求解的难度，划分装配单元时，工艺人员根据装配体的装配工艺约束进行合理划分，由于装配单元在装配体内是独立且稳定的结构，故而可以重新构建基于装配单元的装配层级结构树，用于实现同一层级的装配单元的并行装配，缩短整体装配时间。
步骤2，以实际生产装配要求为依据和缩短产品装配时间为目标，基于装配层级结构树建立层级并行多工位装配模型。
步骤3，考虑产品约束和装配线约束，构建目标为最短装配时间的适应度函数。
步骤4，利用离散蛙跳算法及适应度函数求解层级并行多工位装配模型的序列。
本发明提供的一种层级并行多工位装配序列规划方法，满足企业实际装配的要求以及缩短整体产品的装配时间的装配成本，提高生产效率；基于离散蛙跳算法的层级并行多工位装配序列规划，自动化和智能化程度高；可规划复杂零部件的装配序列规划，应用程度高；可用于多种零部件的装配序列规划，应用范围广。
实施例1
本发明提供的实施例1为本发明提供的一种层级并行多工位装配序列规划方法的实施例，该方法的实施例包括：
步骤1，划分装配单元，构建基于装配单元的装配层级结构树。
步骤2，以实际生产装配要求为依据和缩短产品装配时间为目标，基于装配层级结构树建立层级并行多工位装配模型。
优选的，建立层级并行多工位装配模型的过程中，对装配层级结构树中同一层级的装配单元进行并行规划，对装配单元的内部进行串行多工位规划。
层级并行多工位装配模型是将装配单元“并行”的概念和面向实际装配要求的“多工位”概念整合起来，提出装配单元间并行规划以及装配单元内部串行多工位规划的策略。根据装配单元之间具有相互独立的特性，在装配层级结构树的同一层级装配单元可以实现并行装配；根据独立的装配单元具有稳定的结构，在其内部可以采用串行多工位模型进行装配序列规划。
步骤3，考虑产品约束和装配线约束，构建目标为最短装配时间的适应度函数。
优选的，产品约束用可行性指标表示，可行性指标包括几何可行性和工位可行性。
几何可行性是指产品按照指定装配序列装配时零件在几何方向移动时与其余零件是否出现干涉；工位可行性是指零件作为装配任务分配到具体工位时要考虑工位上的装配工具、夹具、设备资源、人员等装配资源限制，同时还要受到生产线上工位顺序约束。
因此，该适应度函数可以为：
f＝[(NIM+NAS)+1]×(w1×TC+w2×SI) (1)
其中，NIM表示几何可行性，NAS表示工位可行性，TC表示时间代价指标，SI表示装配线平衡指标，w1和w2分别为时间代价指标、装配线平衡指标的权重，且w1+w2＝1。
可行性指标作为适应度函数的惩罚因子，当序列可行时，即NIM+NAS＝0时，惩罚因子等于1；当序列不可行时，惩罚因子大于1，适应度函数值则会越来越大。
具体的，几何可行性NIM表示统计产品按照指定装配序列装配时，序列出现干涉零件的个数，几何可行性NIM的计算公式为：
Figure BDA0002509956810000081
其中，IMK为描述零件沿坐标轴方向移动时与其余零件是否存在干涉的情况的正交干涉矩阵；Pj、Pi表示装配序列中的零件号；IMK(Pj，Pi)表示正交干涉矩阵IMK中第j行第i列的值；n表示零件的个数。
如果几何可行性NIM的值为0即干涉次数为0，则说明此装配序列在几何方向上可行。
工位可行性NAS表示不满足工位装配要求或者生产线上工位顺序的零件个数，工位可行性NAS的计算公式为：
Figure BDA0002509956810000091
其中，eik表示工位Sk对零件Pi的装配能力；AS(eik)表示装配工位能力矩阵；Rik表示零件Pi在工位Sk上实际的装配情况；m表示工位个数。
具体的，时间代价指标TC的计算公式为：
TC＝TCC+TCT+TCR (4)
其中，TCC表示装配方向变换消耗的时间代价，TCT表示装配工具变化消耗的时间代价，TCR表示零件部件装配时间。
装配方向变换消耗的时间代价TCC的计算公式为：
Figure BDA0002509956810000092
其中，WTCC表示单次装配方向变化消耗的时间代价；Pik表示工位Sk上装配的第i个零件；C(P(i-1)k,Pik)表示同一工位Sk内相邻的零件间装配方向变化的次数。
装配工具变化消耗的时间代价TCT的计算公式为：
Figure BDA0002509956810000093
其中，WTCT表示单次装配工具变化消耗的时间代价；T(P(i-1)k,Pik)表示同一工位Sk内相邻的零件间装配工具变化的次数。
零件部件装配时间TCR根据经验进行预估。
零部件装配时间TCR与零部件的质量、连接件的类型相关。实际装配时零部件从线旁料架上搬运或者吊装到具体工位上装夹，零件的质量越重则所需要的时间越多。连接件的类型包括螺纹连接、紧固件连接、焊接等，不同的连接件类型实际装配的消耗的时间也不同。所以零件部件装配时间由经验丰富的工艺人员预估得出。
具体的，装配线平衡指标SI的计算公式为：
Figure BDA0002509956810000101
其中，t(Sk)表示工位Sk所有装配任务的时间和。
装配线平衡性指标SI是用于评估装配任务分配方案好坏的指标，间接的反映了装配序列的可装配性。装配线平衡可以避免瓶颈工位的产生，从而提升装配资源的利用率和减少工位间的生产等待现象。
步骤4，利用离散蛙跳算法及适应度函数求解层级并行多工位装配模型的序列。
利用离散蛙跳算法求解的步骤分为全局进化和局部进化，如图2所示为本发明实施例提供的离散蛙跳算法算法流程图，由图2可知，优选的，该步骤4包括：
步骤401，初始化，确定蛙群的数量s、种群数p以及每个种群的青蛙数q，其中s＝p×q；各个青蛙表示序列的各个解；
步骤402，随机产生初始蛙群，第i只青蛙表示为Qi＝{Qi1,Qi2,……Qin}，根据工位能力表产生与初始序列中各个零件相对应的工位分配情况，第i只青蛙对应的工位分配情况为Si＝{Si1,Si2,……Sim}。
由于本发明实施例中考虑了不同零件分配到不同工位的情况，因此在产生初始序列时对应产生初始序列中零件相对应的工位分配情况。
步骤403，根据适应度函数计算各个青蛙的适应度函数值，按照适应度函数值的大小进行降序排序并记录全局最优装配序列Qg及最优工位分配情况Sg，并且将蛙群分成p个种群。
步骤404，利用DFLA使青蛙在每个种群中进行局部进化。
优选的，进行局部进化的过程包括：
步骤40401，选择种群内的最优装配序列Qb和最差装配序列Qw，利用DFLA公式生成新的最差装配序列newQw，序列newQw的适应度函数值小于序列Qw的适应度函数值时，用序列newQw替代序列Qw。
步骤40402，选择全局最优装配序列Qg和种群内最差装配序列Qw，利用DFLA公式生成新的最差装配序列newQw，序列newQw的适应度函数值小于序列Qw的适应度函数值时，用序列newQw替代序列Qw。
步骤40403，随机生成一条序列替换种群内的最差装配序列Qw。
步骤40404，达到设定的局部迭代次数Nloc后，结束该局部进化过程。
具体的，步骤40401和步骤40402中生成新的最差装配序列的DFLA公式为：
Figure BDA0002509956810000111
Figure BDA0002509956810000112
其中，DS为更新步长，rand()表示一个0到1之间的均匀分布的随机数，Qi、Qj分别表示序号为i和j的装配序列，Qi＝{Qi1,Qi2,…Qik…Qin}，Qj＝{Qj1,Qj2,…Qjk…Qjn}，newQj表示步长更新后的装配序列Qj。
θ表示序列的减法：
Qm＝QiθQj (10)
Figure BDA0002509956810000113
Qm＝{Qm1,Qm2,…Qmk…Qmn}，在序列减法的运算过程中，逐个比较序列Qi和Qj中相同序号位置的值，如果Qik＝Qjk，则Qm＝0；如果Qik≠Qjk，则Qm＝Qik。
Figure BDA0002509956810000114
表示序列的乘法：
Figure BDA0002509956810000115
Figure BDA0002509956810000121
c为一个0到1之间的控制参数。
在序列乘法运算的过程中，首先确定c值的大小，
Figure BDA0002509956810000122
中各个位置的元素是由Qm序列中获得，依次生成一个随机数rand()，若rand()≥c，则
Figure BDA0002509956810000123
若rand()＜c，则
Figure BDA0002509956810000124
当c越小，
Figure BDA0002509956810000125
从Qmk中继承元素的数量就越多。
Figure BDA0002509956810000126
表示序列和步长的加法：
Figure BDA0002509956810000127
从
Figure BDA0002509956810000128
的第一个元素开始，当
Figure BDA0002509956810000129
或者
Figure BDA00025099568100001210
时，不改变newQjk中第k位对应的零件号，即newQjk＝Qjk；当
Figure BDA00025099568100001211
且
Figure BDA00025099568100001212
时，找出Qj与
Figure BDA00025099568100001213
中值相等的分量Qjm，然后依次交换分量Qjk和Qjm的位置，最终得到newQjk。通过该运算规则操作后，新序列中必定不会出现相同的零件号，由此保证变换后的新序列满足要求。
步骤405，在每个种群都进行过一轮局部进化之后，将各个种群青蛙进行混合，对混合后的蛙群进行降序排序、种群划分以及记录当前全局最优装配序列Qg及最优工位分配情况Sg。
步骤406，重复执行步骤403-405直至全局进化的次数达到设定值Ng。
当全局进化的次数达到Ng，则停止算法执行过程，否则转到步骤403。
优选的，步骤4中通过由下到上、由左到右的方式，逐层求解装配层级结构树下装配单元的装配序列后，整合层级之间的装配单元。
实现全局并行装配，局部串行多工位规划的目标。
实施例2
本发明提供的实施例2为本发明提供的一种层级并行多工位装配序列规划方法的具体应用实施例。该具体应用实施例中，以独立后悬架结构为具体实例，图3为本发明提供的具体应用实施例中某车型后独立悬架三维模型***图，表1为后独立后悬架零编号，图4为本发明提供的具体应用实施例中后独立悬架装配层级结构树。干涉矩阵IMU(1,1)、IMU(2,1)、IMU(2,2)，图5为本发明提供的具体应用实施例中干涉矩阵和工位能力矩阵图，图5中的装配工位能力矩阵AS，以及由零件号、零件装配工位、实际装配时间、装配工具和装配方向组成的相关零件信息如表2所示。
表1后独立后悬架零编号
Figure BDA0002509956810000131
表2相关零件信息表
Figure BDA0002509956810000132
Figure BDA0002509956810000141
在MATLAB R2015b环境下编写DFLA装配序列规划算法程序，计算机环境为CPU主频2.4Ghz，内存16G，Windows10 64位操作***。
经过多次试验，将适应度函数各指标的权系数设置为w1＝0.5，w2＝0.5，WTCC＝1，WTCT＝1，离散蛙跳算法(DFLA)的控制参数c＝0.5，设置青蛙种群数p＝20，每个种群青蛙数量q＝25，全局迭代次数Ng_max＝100，局部迭代次数Nloc_max＝25，此时算法可以迅速收敛。以装配单元U(2,1)为例，图6为本发明提供的具体应用实施例中MATLAB算法收敛图。
按照从下到上，从左到右，逐个逐层规划的原则，利用DFLA继续运行剩下装配单元U(2,2)和U(1,1)，最终后独立悬架的最优装配序列结果装配工位的分配情况如表3所示：
表3后独立悬架装配序列规划结果
Figure BDA0002509956810000142
以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种层级并行多工位装配序列规划方法，其特征在于，所述方法包括：
步骤1，划分装配单元，构建基于装配单元的装配层级结构树；
步骤2，以实际生产装配要求为依据和缩短产品装配时间为目标，基于所述装配层级结构树建立层级并行多工位装配模型；
步骤3，考虑产品约束和装配线约束，构建目标为最短装配时间的适应度函数；
步骤4，利用DFLA及所述适应度函数求解所述层级并行多工位装配模型的序列。
2.根据权利要求1所述的方法，其特征在于，所述步骤2中建立所述层级并行多工位装配模型的过程中，对所述装配层级结构树中同一层级的所述装配单元进行并行规划，对所述装配单元的内部进行串行多工位规划。
3.根据权利要求1所述的方法，其特征在于，所述步骤3中的所述产品约束用可行性指标表示，所述可行性指标包括几何可行性和工位可行性；
所述适应度函数为：
f＝[(NIM+NAS)+1]×(w1×TC+w2×SI)；
其中，NIM表示几何可行性，NAS表示工位可行性，TC表示时间代价指标，SI表示装配线平衡指标，w1和w2分别为时间代价指标、装配线平衡指标的权重，且w1+w2＝1。
4.根据权利要求3所述的方法，其特征在于，所述几何可行性NIM表示统计产品按照指定装配序列装配时，序列出现干涉零件的个数，所述几何可行性NIM的计算公式为：
Figure FDA0002509956800000011
其中，IMK为描述零件沿坐标轴方向移动时与其余零件是否存在干涉的情况的正交干涉矩阵；Pj、Pi表示装配序列中的零件号；IMK(Pj，Pi)表示正交干涉矩阵IMK中第j行第i列的值；n表示零件的个数；
所述工位可行性NAS表示不满足工位装配要求或者生产线上工位顺序的零件个数，所述工位可行性NAS的计算公式为：
Figure FDA0002509956800000021
其中，eik表示工位Sk对零件Pi的装配能力；AS(eik)表示装配工位能力矩阵；Rik表示零件Pi在工位Sk上实际的装配情况；m表示工位个数。
5.根据权利要求3所述的方法，其特征在于，所述时间代价指标TC的计算公式为：TC＝TCC+TCT+TCR，其中，TCC表示装配方向变换消耗的时间代价，TCT表示装配工具变化消耗的时间代价，TCR表示零件部件装配时间；
所述装配方向变换消耗的时间代价TCC的计算公式为：
Figure FDA0002509956800000022
其中，WTCC表示单次装配方向变化消耗的时间代价；Pik表示工位Sk上装配的第i个零件；C(P(i-1)k,Pik)表示同一工位Sk内相邻的零件间装配方向变化的次数；n表示零件的个数；m表示工位个数；
所述装配工具变化消耗的时间代价TCT的计算公式为：
Figure FDA0002509956800000023
其中，WTCT表示单次装配工具变化消耗的时间代价；T(P(i-1)k,Pik)表示同一工位Sk内相邻的零件间装配工具变化的次数；
所述零件部件装配时间TCR根据经验进行预估。
6.根据权利要求3或5所述的方法，其特征在于，所述装配线平衡指标SI的计算公式为：
Figure FDA0002509956800000024
其中，t(Sk)表示工位Sk所有装配任务的时间和，m表示工位个数。
7.根据权利要求1所述的方法，其特征在于，所述步骤4包括：
步骤401，初始化，确定蛙群的数量s、种群数p以及每个种群的青蛙数q，其中s＝p×q；各个所述青蛙表示所述序列的各个解；
步骤402，随机产生初始蛙群，第i只青蛙表示为Qi＝{Qi1,Qi2,……Qin}，根据工位能力表产生与初始序列中各个所述零件相对应的工位分配情况，第i只青蛙对应的工位分配情况为Si＝{Si1,Si2,……Sim}；
步骤403，根据所述所述适应度函数计算各个所述青蛙的适应度函数值，按照所述适应度函数值的大小进行降序排序并记录全局最优装配序列Qg及最优工位分配情况Sg，并且将所述蛙群分成p个种群；
步骤404，利用DFLA使所述青蛙在每个所述种群中进行局部进化；
步骤405，在每个所述种群都进行过一轮局部进化之后，将各个所述种群青蛙进行混合，对混合后的所述蛙群进行降序排序、种群划分以及记录当前全局最优装配序列Qg及最优工位分配情况Sg；
步骤406，重复执行所述步骤403-405直至全局进化的次数达到设定值Ng。
8.根据权利要求7所述的方法，其特征在于，所述步骤404中进行局部进化的过程包括：
步骤40401，选择所述种群内的最优装配序列Qb和最差装配序列Qw，利用DFLA公式生成新的最差装配序列newQw，序列newQw的适应度函数值小于序列Qw的适应度函数值时，用所述序列newQw替代所述序列Qw；
步骤40402，选择全局最优装配序列Qg和种群内最差装配序列Qw，利用DFLA公式生成新的最差装配序列newQw，序列newQw的适应度函数值小于序列Qw的适应度函数值时，用所述序列newQw替代所述序列Qw；
步骤40403，随机生成一条序列替换所述种群内的所述最差装配序列Qw；
步骤40404，达到设定的局部迭代次数Nloc后，结束该局部进化过程。
9.根据权利要求8所述的方法，其特征在于，所述步骤40401和步骤40402中生成新的最差装配序列的所述DFLA公式为：
Figure FDA0002509956800000041
其中，DS为更新步长，rand()表示一个0到1之间的均匀分布的随机数，Qi、Qj分别表示序号为i和j的装配序列，Qi＝{Qi1,Qi2,…Qik…Qin}，Qj＝{Qj1,Qj2,…Qjk…Qjn}，newQj表示步长更新后的装配序列Qj；
θ表示序列的减法，Qm＝QiθQj时，
Figure FDA0002509956800000042
Qm＝{Qm1,Qm2,…Qmk…Qmn}；
Figure FDA0002509956800000043
表示序列的乘法，
Figure FDA0002509956800000044
时，
Figure FDA0002509956800000045
c为一个0到1之间的控制参数；
Figure FDA0002509956800000046
表示序列和步长的加法，
Figure FDA0002509956800000047
10.根据权利要求1所述的方法，其特征在于，所述步骤4中通过由下到上、由左到右的方式，逐层求解所述装配层级结构树下所述装配单元的装配序列后，整合层级之间的所述装配单元。
CN202010457869.4A 2020-05-26 2020-05-26 一种层级并行多工位装配序列规划方法 Expired - Fee Related CN111625996B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010457869.4A CN111625996B (zh) 2020-05-26 2020-05-26 一种层级并行多工位装配序列规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010457869.4A CN111625996B (zh) 2020-05-26 2020-05-26 一种层级并行多工位装配序列规划方法

Publications (2)

Publication Number Publication Date
CN111625996A true CN111625996A (zh) 2020-09-04
CN111625996B CN111625996B (zh) 2022-04-15

Family

ID=72271288

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010457869.4A Expired - Fee Related CN111625996B (zh) 2020-05-26 2020-05-26 一种层级并行多工位装配序列规划方法

Country Status (1)

Country Link
CN (1) CN111625996B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116992758A (zh) * 2023-07-17 2023-11-03 江苏科技大学 一种基于机器学习的复杂机械智能装配方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462705A (zh) * 2014-12-19 2015-03-25 西安工业大学 一种基于微粒群算法的夹具装配序列规划方法
CN104598683A (zh) * 2015-01-15 2015-05-06 东北大学 一种自动生成层次化***图的方法
CN105825293A (zh) * 2016-03-10 2016-08-03 桂林电子科技大学 一种基于果蝇优化算法的多工位装配序列规划方法
CN106980308A (zh) * 2017-05-09 2017-07-25 青岛大学 再制造***的拆解、预处理和再装配的一体化调度方法
US20190226314A1 (en) * 2015-12-18 2019-07-25 1789703 Ontario Ltd. Explorative Sampling of Natural Mineral Resource Deposits

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462705A (zh) * 2014-12-19 2015-03-25 西安工业大学 一种基于微粒群算法的夹具装配序列规划方法
CN104598683A (zh) * 2015-01-15 2015-05-06 东北大学 一种自动生成层次化***图的方法
US20190226314A1 (en) * 2015-12-18 2019-07-25 1789703 Ontario Ltd. Explorative Sampling of Natural Mineral Resource Deposits
CN105825293A (zh) * 2016-03-10 2016-08-03 桂林电子科技大学 一种基于果蝇优化算法的多工位装配序列规划方法
CN106980308A (zh) * 2017-05-09 2017-07-25 青岛大学 再制造***的拆解、预处理和再装配的一体化调度方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116992758A (zh) * 2023-07-17 2023-11-03 江苏科技大学 一种基于机器学习的复杂机械智能装配方法

Also Published As

Publication number Publication date
CN111625996B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
Guo et al. Stochastic hybrid discrete grey wolf optimizer for multi-objective disassembly sequencing and line balancing planning in disassembling multiple products
CN113792924A (zh) 一种基于Deep Q-network深度强化学习的单件作业车间调度方法
CN110058573B (zh) 吞吐柔性智能装配物流路径规划平台
Xu et al. Optimization approaches for solving production scheduling problem: A brief overview and a case study for hybrid flow shop using genetic algorithms
Kumar et al. Multilevel redundancy allocation optimization using hierarchical genetic algorithm
Dhodiya et al. Genetic algorithm based hybrid approach to solve fuzzy multi-objective assignment problem using exponential membership function
CN115600774B (zh) 一种装配式建筑构件产线的多目标生产调度优化方法
Su et al. Algorithms for solving assembly sequence planning problems
Pérez-Rodríguez et al. A hybrid estimation of distribution algorithm for flexible job-shop scheduling problems with process plan flexibility
CN112818484A (zh) 一种物理实体数字孪生综合实施能力评估方法及评估***
CN111625996B (zh) 一种层级并行多工位装配序列规划方法
Zhang et al. Multi-objective discrete grey wolf optimizer for solving stochastic multi-objective disassembly sequencing and line balancing problem
CN112348314A (zh) 一种带起重机的分布式柔性车间调度方法及***
CN112605988A (zh) 一种随机多产品机器人拆卸线平衡控制方法
Xilin et al. Resource allocation optimization of equipment development task based on MOPSO algorithm
CN112101773A (zh) 一种用于流程工业的多智能体***任务调度方法及***
CN115935616A (zh) 一种一致批次的序列依赖流水车间组调度多目标优化方法
CN110119317A (zh) 一种基于遗传算法的云计算任务调度方法和***
Guo et al. Research on task scheduling of emergency repair team in wartime based on improved genetic algorithm
Wei Quadratic particle swarm optimisation algorithm for task scheduling based on cloud computing server
Kattan Design and scheduling of hybridmulti-cell flexible manufacturing systems
Liu et al. Research on Optimization of Dual-Resource Batch Scheduling in Flexible Job Shop.
Rezaeipanah et al. Meta-heuristic approach based on genetic and greedy algorithms to solve flexible job-shop scheduling problem
Zhang et al. A simulation study of an object-oriented integration testbed for process planning and production scheduling
Soolaki et al. A new 0-1 linear programming approach and genetic algorithm for solving assignment problem in flexible manufacturing system

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220415