黃 鵬, 唐火紅, 何其昌, 王 克

(1.合肥工業(yè)大學(xué) 機(jī)械工程學(xué)院,安徽 合肥 230009; 2.上海交通大學(xué) 機(jī)械與動(dòng)力工程學(xué)院,上海 200240)

混流汽車裝配線緩存區(qū)配置優(yōu)化

黃 鵬1, 唐火紅1, 何其昌2, 王 克1

(1.合肥工業(yè)大學(xué) 機(jī)械工程學(xué)院,安徽 合肥 230009; 2.上海交通大學(xué) 機(jī)械與動(dòng)力工程學(xué)院,上海 200240)

混流汽車裝配線工藝復(fù)雜,關(guān)鍵位置緩存區(qū)數(shù)量難以確定,造成裝配線無法正常、高效運(yùn)行。文章以評價(jià)混流汽車裝配線重要因素的裝配線平滑指數(shù)和產(chǎn)能最大化為優(yōu)化目標(biāo),建立以混流汽車裝配線工藝信息、空間布局、物流路徑為約束條件,關(guān)鍵位置緩存區(qū)數(shù)量為變量的仿真模型;針對該問題的復(fù)雜性,提出了一種基于遺傳算法的仿真優(yōu)化算法,并在Delmia/QUEST仿真環(huán)境中進(jìn)行仿真優(yōu)化,從而確定關(guān)鍵位置緩存區(qū)最優(yōu)數(shù)量,實(shí)現(xiàn)裝配線動(dòng)態(tài)平衡和產(chǎn)能最大化。

混流裝配線;緩存區(qū)數(shù)量;遺傳算法;仿真優(yōu)化;動(dòng)態(tài)平衡;產(chǎn)能最大化

隨著制造業(yè)的迅速發(fā)展,我國制造業(yè)由傳統(tǒng)的手工式生產(chǎn)方式向“智能制造”方向迅速發(fā)展[1]。將傳統(tǒng)的制造模式與計(jì)算機(jī)技術(shù)相結(jié)合,利用計(jì)算機(jī)強(qiáng)大的計(jì)算仿真能力,解決傳統(tǒng)制造模式中生產(chǎn)效率低、生產(chǎn)瓶頸位置難預(yù)測、資源分配不合理等問題,使得制造系統(tǒng)能夠快速響應(yīng),迅速配置制造資源,合理規(guī)劃生產(chǎn)線布局[2]?，F(xiàn)有研究表明,在企業(yè)生產(chǎn)線和加工設(shè)備固定、加工工藝順序不變的條件下,關(guān)鍵位置緩存區(qū)的數(shù)量將直接影響整條生產(chǎn)線的動(dòng)態(tài)平衡和工作效率[3],而關(guān)于如何快速準(zhǔn)確地配置生產(chǎn)線緩存區(qū)數(shù)量的研究則較少。

物流仿真具有可視化、實(shí)時(shí)性和全面性等優(yōu)點(diǎn)[4]。如何利用仿真模型的優(yōu)點(diǎn),快速準(zhǔn)確地得到裝配線緩存區(qū)數(shù)量,是“智能制造”發(fā)展的一個(gè)重要環(huán)節(jié)。本文以某汽車裝配車間混流裝配線為例,提出了一種基于遺傳算法的仿真優(yōu)化算法,在Delmia/QUEST軟件平臺(tái)上參數(shù)化建立仿真模型,并對該裝配線進(jìn)行仿真試驗(yàn);根據(jù)仿真優(yōu)化試驗(yàn)得到緩存區(qū)的大小,并將優(yōu)化結(jié)果運(yùn)用到裝配車間中,得到裝配線工位利用率,通過與初始方案進(jìn)行比較,驗(yàn)證了仿真優(yōu)化算法的可行性和有效性。

1 工藝流程分析

該汽車裝配線是典型的混流裝配線,加工A、B、C 3種車型的汽車,其簡化工藝流程如圖1所示。

圖1 簡化的汽車裝配線工藝流程

A、B、C 3種車型按照36∶32∶32的比例進(jìn)入內(nèi)飾線。3種車型的內(nèi)飾線和總裝線工藝是相同的,而底盤線加工采用分流加工的模式,裝配線中A1、A2、B1、B2這4個(gè)位置緩存區(qū)的大小對裝配線會(huì)造成很大的影響。若緩存區(qū)過大,則造成車間空間利用率變小,生產(chǎn)成本增加;若緩存區(qū)過小,則造成裝配線物流堵塞,影響工位利用率,降低產(chǎn)能。由此可見,混流裝配線關(guān)鍵位置緩存區(qū)的大小是裝配線設(shè)計(jì)過程中很重要的一個(gè)環(huán)節(jié),準(zhǔn)確而高效地確定緩存區(qū)大小是非常必要的。因此,裝配線中A車型底盤線工藝和B、C車型底盤線的工藝信息非常重要,其對應(yīng)的工藝信息分別見表1、表2所列。

對于 A車型底盤線,每個(gè)工位的加工工序時(shí)長均為6.67 min,每個(gè)工位長度為7 m,而實(shí)際采用高架線運(yùn)送方式,如果設(shè)置高架線的運(yùn)送速度為1.05 m/min,剛好可以在規(guī)定的時(shí)間內(nèi)完成相對應(yīng)的加工任務(wù),那么可以認(rèn)為該設(shè)定是滿足工藝需要的。

對于 B、C車型底盤線加工過程,每個(gè)工位的加工工序時(shí)長為3.75 min,每個(gè)工位長度為7 m,而實(shí)際采用板鏈線運(yùn)送方式,如果設(shè)置板鏈線的運(yùn)送速度為1.866 m/min,剛好可以在規(guī)定的時(shí)間完成對應(yīng)的加工任務(wù),那么可以認(rèn)為該設(shè)定是滿足工藝需要的。

表1 A車型底盤線工藝

表2 B、C車型底盤線工藝

2 裝配線參數(shù)化建模

裝配線參數(shù)化建模是提高建模效率最有效的方法之一,提高建模效率可以有效地加快生產(chǎn)計(jì)劃的進(jìn)行[5]。為了實(shí)現(xiàn)裝配線工藝設(shè)計(jì)和三維裝配流程一體化,構(gòu)建裝配線參數(shù)化物流模型,在Delmia/QUEST軟件平臺(tái)上,利用離散事件仿真工具(queuing event simulation tool,QUEST)軟件[7]的批量控制語言(batch control language,BCL)和模擬控制語言 (simulation control language,SCL)對模型進(jìn)行參數(shù)輸入[6]。具體參數(shù)化建模實(shí)施過程如圖2所示。

圖2中,雙向箭頭表示數(shù)據(jù)之間相互索引和調(diào)用,并且展示了從工藝信息數(shù)據(jù)庫到QUEST模型參數(shù)化設(shè)置的過程。通過Excel的建立,將裝配線相關(guān)模型工藝信息錄入到Excel已定義好的模型參數(shù)配置界面中,然后通過VBA(visual basic for applications)語言將相關(guān)工藝信息轉(zhuǎn)換成QUEST可識(shí)別的BCL和SCL程序語句。該程序語句可以自動(dòng)對模型進(jìn)行參數(shù)化設(shè)置,Delmia/QUEST通過執(zhí)行上述程序語句,快速自動(dòng)生成三維仿真模型并對模型進(jìn)行參數(shù)化設(shè)置。

圖2 物流參數(shù)化建模實(shí)施過程

3 仿真優(yōu)化基本原理和模型建立

3.1 仿真優(yōu)化基本原理

與其他一些簡單產(chǎn)品的裝配過程相比,汽車裝配線具有自動(dòng)化程度高、工藝路線復(fù)雜的特點(diǎn),現(xiàn)有的裝配線緩存區(qū)數(shù)量配置問題的相關(guān)理論比較少。在裝配線設(shè)計(jì)初期階段,需要將空間利用率、人員數(shù)量和工藝路線的布置情況考慮進(jìn)去,而用傳統(tǒng)的數(shù)學(xué)建模方法來求解關(guān)鍵位置緩存區(qū)大小的方法很難對裝配線工藝約束、空間布局約束、路徑約束等進(jìn)行準(zhǔn)確地建模[7]。文獻(xiàn)[8]提出將傳統(tǒng)優(yōu)化算法和仿真模型結(jié)合起來,以此來解決裝配線的關(guān)鍵位置緩存區(qū)優(yōu)化問題?；谠摲椒?本文在Delmia/QUEST軟件中建立仿真模型,然后將仿真和遺傳算法結(jié)合起來,從而確定關(guān)鍵位置緩存區(qū)最優(yōu)數(shù)量,實(shí)現(xiàn)裝配線動(dòng)態(tài)平衡和高空間利用率,提高工位利用率,降低生產(chǎn)成本。

3.2 仿真優(yōu)化模型的建立

基于上述裝配線的工藝信息,采用以遺傳算法為核心的仿真優(yōu)化算法。該問題的數(shù)學(xué)模型描述為:在給定的裝配工藝信息、車間布局、物流路徑等約束條件下,確定關(guān)鍵位置緩存區(qū)的最優(yōu)大小,使得在裝配線工位利用率滿足一定的要求下,達(dá)到生產(chǎn)線平滑指數(shù)最小和產(chǎn)能最大。數(shù)學(xué)模型描述如下:

min SI=f(M1,M2,…,Mm,N1,N2,…,Nn),

(1)

(2)

Kimin≤Ki≤Kimax

(3)

(4)

X(M1,M2，…，Mm,N1,N2，…，Nn)≤0

(5)

Y(M1,M2，…,Mm,N1,N2,…,Nn)≤0

(6)

Z(M1,M2,…,Mm,N1,N2,…,Nn)≤0

(7)

其中,SI為平滑指數(shù),SI越小表示生產(chǎn)線工位的負(fù)荷越平衡;r1、r2分別為A車型底盤線和B、C車型底盤線的工藝權(quán)重,因?yàn)?種底盤線的工藝復(fù)雜程度不同,選取r1=0.6,r2=0.4;m為A車型底盤線的工位數(shù);n為B、C車型底盤線的工位數(shù);CT為生產(chǎn)節(jié)拍;Tj為第j個(gè)工位的加工時(shí)間;d為總產(chǎn)能;dp為對應(yīng)車型的產(chǎn)能,用JPH(jobs per hour)來表示;Kimin和Kimax分別為第i個(gè)緩存區(qū)的最小數(shù)量和最大數(shù)量;ηj為第j個(gè)工位的工位利用率,并保證滿足最低工位利用率ηjmin;X(*)、Y(*)、Z(*)分別為生產(chǎn)線各個(gè)工位必須滿足的工藝約束、布局約束、路徑約束。

(3)式表示在滿足空間尺寸、裝配工藝的條件下,可供選擇的緩存區(qū)數(shù)量邊界值;(4)式表示工位需要滿足的利用率要求。

4 算法試驗(yàn)與結(jié)果分析

4.1 仿真優(yōu)化算法的具體步驟

本文根據(jù)仿真優(yōu)化的原理,采用基于遺傳算法的裝配線緩存區(qū)配置優(yōu)化方法,實(shí)現(xiàn)裝配線緩存區(qū)最優(yōu)大小設(shè)置。初始方案下關(guān)鍵位置緩存區(qū)的數(shù)量見表3所列,初始方案下A、B、C 3種車型的產(chǎn)能均為5 JPH。

表3 初始方案關(guān)鍵位置緩存區(qū)數(shù)量配置

該仿真優(yōu)化方法由主控流程、遺傳算法和仿真模型3個(gè)部分組成。主控流程控制優(yōu)化方法的全部流程包括初始種群如何生成、數(shù)據(jù)如何傳遞和種群信息如何顯示問題;遺傳算法主要用于緩存區(qū)配置方案的確定;仿真模型負(fù)責(zé)種群適應(yīng)度的計(jì)算。在這3個(gè)組成部分的相互協(xié)調(diào)配合下,完成裝配線緩存區(qū)數(shù)量的最優(yōu)配置問題。與傳統(tǒng)優(yōu)化下的遺傳算法相比較,仿真優(yōu)化下的遺傳算法具有如下特點(diǎn)[9]:① 目標(biāo)函數(shù)值是通過仿真試驗(yàn)并對仿真結(jié)果分析得到的;② 仿真優(yōu)化的效率瓶頸現(xiàn)象不是出現(xiàn)在傳統(tǒng)算法中的算法迭代過程中,而是出現(xiàn)在仿真過程中。因此,在設(shè)計(jì)遺傳算法時(shí),上述問題都要仔細(xì)考慮。

(1) 編碼設(shè)計(jì)與初始解生成。為了避免遺傳算法過早收斂,擬采用隨機(jī)數(shù)的方法生成初始種群。具體步驟如下:① 確定裝配線緩存區(qū)大小的范圍[Kimin,Kimax];② 在裝配線緩存區(qū)對應(yīng)基因位上產(chǎn)生一個(gè)[Kimin,Kimax]的隨機(jī)數(shù)ri;③ 將對應(yīng)緩存區(qū)的數(shù)目導(dǎo)入到仿真模型中,然后將該值賦給該個(gè)體的目標(biāo)值基因位,同時(shí)將標(biāo)志位值變?yōu)?;④ 重復(fù)以上步驟N次,可以產(chǎn)生一個(gè)包含N個(gè)個(gè)體的種群。

在裝配線規(guī)劃好的前提下,第i位基因位上的值,代表第i個(gè)緩存區(qū)的數(shù)量K。依據(jù)上述步驟隨機(jī)生成初始解,然后依據(jù)初始解將裝配線關(guān)鍵緩存區(qū)數(shù)量輸入到Delmia/QUEST仿真模型中,進(jìn)行仿真運(yùn)行,得到目標(biāo)函數(shù)SI和d的數(shù)值。一組初始解如圖3所示。

(2) 選擇與交叉操作。為了產(chǎn)生的新個(gè)體既能繼承父代的優(yōu)良性能基因,又能保持子代的基因多樣性,采用經(jīng)典的輪盤賭機(jī)制從父代選取個(gè)體生成下一代,利用兩點(diǎn)交叉方式進(jìn)行基因替換、重組生成新的個(gè)體。由于雙親都是可行解,交叉后產(chǎn)生的必然是可行解。交叉前后的2種可行解如圖4所示。

圖4 選擇與交叉運(yùn)算

(3) 變異與迭代。變異的本質(zhì)是一種隨機(jī)算法,目的是維持群體的多樣性,而變異算子的出現(xiàn)是遺傳算法局部搜索能力優(yōu)良的數(shù)學(xué)體現(xiàn)。為保證交換基因位后的染色體所定義裝配單元的屬性不變,采用均勻變異。在每個(gè)緩存區(qū)定義的數(shù)量[Kimin,Kimax]之間,產(chǎn)生一個(gè)隨機(jī)數(shù),如圖5所示。將對應(yīng)緩存區(qū)的數(shù)量值輸入仿真模型,進(jìn)行遺傳算法的迭代過程。觀察目標(biāo)值的大小變化,如果出現(xiàn)目標(biāo)值連續(xù)25次沒有變化,那么停止迭代過程。

4.2 仿真優(yōu)化結(jié)果

采用Matlab的遺傳算法求解,該算法包含與遺傳算法相關(guān)的函數(shù)[10]。經(jīng)過迭代、計(jì)算得出,遺傳算法在第83代收斂,目標(biāo)值為0.23。優(yōu)化后關(guān)鍵位置緩存區(qū)的數(shù)量配置見表4所列,優(yōu)化后A、B、C 3種車型的產(chǎn)能分別為7、6、6 JPH。

表4 優(yōu)化后關(guān)鍵位置緩存區(qū)數(shù)量配置

表4配置方案下,在Delmia/QUEST中建立物流模型,通過仿真分析獲得各工位類型的利用率,并與初始方案下各工位利用率進(jìn)行對比,結(jié)果如圖6所示。

圖6 3種車型底盤線工位利用率

圖6中，各裝配單元間的負(fù)荷基本平衡,與初始方案相比具有很大的改善。

5 結(jié) 論

本文研究表明,通過以遺傳算法為核心的仿真優(yōu)化算法可以對汽車裝配線關(guān)鍵位置緩存區(qū)數(shù)量進(jìn)行優(yōu)化;基于Delmia/QUEST的裝配線仿真對于裝配線動(dòng)態(tài)平衡和工位利用率起到了輔助驗(yàn)證的作用。

遺傳算法和計(jì)算機(jī)仿真相結(jié)合可以在裝配線工藝規(guī)劃優(yōu)化中起到優(yōu)化和驗(yàn)證的效果,從而解決了裝配線關(guān)鍵位置緩存區(qū)數(shù)量優(yōu)化問題,實(shí)現(xiàn)了裝配線動(dòng)態(tài)平衡,達(dá)到了提高工位利用率和減少生產(chǎn)成本的目的。

[1] 周濟(jì).智能制造——“中國制造2025”的主攻方向[J].中國機(jī)械工程,2015(17):2273-2284.

[2] 孫連勝,寧汝新,王新永.虛擬制造中生產(chǎn)線可視化設(shè)計(jì)[J].北京理工大學(xué)學(xué)報(bào),2002,22(1):32-35.

[3] 曹國安,王麗,萬文杰,等.離散型制造企業(yè)車間生產(chǎn)物流系統(tǒng)的優(yōu)化[J].合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,34(5):665-670.

[4] 齊繼陽,竺長安.基于DELMIA-QUEST制造系統(tǒng)仿真模型的研究[J].機(jī)械設(shè)計(jì)與制造,2010(4):113-115.

[5] 王偉,張鵬,吳波,等.裝配車間生產(chǎn)系統(tǒng)的物流仿真分析[J].機(jī)械設(shè)計(jì)與制造,2013(12):259-261.

[6] 于海斌,朱云龍.可集成的制造執(zhí)行系統(tǒng)[J].計(jì)算機(jī)集成制造系統(tǒng),2000(6):1-6.

[7] 張遠(yuǎn)春.多品種混合裝配車間關(guān)鍵資源建模與優(yōu)化[D].上海:上海交通大學(xué),2011.

[8] 王國新,寧汝新,王愛民,等.仿真優(yōu)化在制造系統(tǒng)中的應(yīng)用現(xiàn)狀及發(fā)展趨勢[J].系統(tǒng)仿真學(xué)報(bào),2008,20(1):1-6.

[9] 孫中悅.車輛路徑問題的仿真優(yōu)化方法研究[D].北京:北京交通大學(xué),2011.

[10] 扈靜,蔣增強(qiáng),葛茂根,等.基于改進(jìn)遺傳算法的混合裝配生產(chǎn)線平衡問題研究[J].合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2010，33(7):1006-1009,1019.

Optimizationofbufferareaconfigurationofmixed-modelautomobileassemblylines

HUANG Peng1, TANG Huohong1, HE Qichang2, WANG Ke1

(1.School of Mechanical Engineering, Hefei University of Technology, Hefei 230009, China; 2.School of Mechanical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China)

The processes of the mixed-model automobile assembly lines are complex and the number of buffer area of the key position is difficult to determine, which makes the assembly lines process inefficient. This paper aims at optimizing the smoothness index and maximizing the product ability, which are essential factors in evaluating the assembly lines. The simulation model is established through setting the process information, spatial layout and logistics route as restrict conditions and the number of buffer area of the key position as variables. In view of the complexity of this problem, a simulation optimization algorithm based on genetic algorithm is put forward, and the optimization in the Delmia/QUEST simulation environment is conducted to get the optimal number of buffer area of the key position and to realize the dynamic balance and the maximum product ability of the assembly lines.

mixed-model assembly line; number of buffer area; genetic algorithm; simulation optimization; dynamic balance; maximum product ability

2016-02-25；

2016-03-29

上海市科委資助項(xiàng)目(15111107502)

黃 鵬(1991-),男,湖北襄陽人,合肥工業(yè)大學(xué)碩士生;

唐火紅(1973-),男,安徽池州人,博士,合肥工業(yè)大學(xué)副教授,通訊作者,E-mail:tanghh@ustc.edu.cn.

10.3969/j.issn.1003-5060.2017.09.004

TH164

A

1003-5060(2017)09-1168-05

(責(zé)任編輯 胡亞敏)