趙 巍，連泰湖，張 雷，張以成，冉 孟，劉欣怡

（1.天津職業(yè)技術(shù)師范大學(xué)，天津 300222；2.天津商業(yè)大學(xué)，天津 300134）

隨著航空航天相關(guān)空間建設(shè)計劃的不斷推進，中國于2019年已成為衛(wèi)星發(fā)射第二大國[1]。應(yīng)未來高質(zhì)量、大批量衛(wèi)星發(fā)射的計劃要求，衛(wèi)星裝備的生產(chǎn)模式正在朝著智能制造的方向發(fā)展。智能生產(chǎn)線在航空航天制造企業(yè)中的應(yīng)用逐漸擴大，自動化立體倉庫作為智能生產(chǎn)線的重要組成部分，通過其本身的靈活性和布局占領(lǐng)位置的特殊性，為整條產(chǎn)線的自動化需求提供了窗口，具有總控的作用。自動化立體倉庫在智能生產(chǎn)線上的應(yīng)用對航空航天產(chǎn)品實現(xiàn)智能制造、提質(zhì)增效具有重要意義。

目前，國內(nèi)外對自動化立體倉庫各個方面的研究越來越多，其中貨位分配 （Storage location assignment，SLA）系統(tǒng)化設(shè)計研究相對較少。陳月婷等[2]提出基于改進粒子群算法來解決貨架的穩(wěn)定性和出入庫效率問題。馬永杰等[3]用遺傳算法求出動態(tài)貨位分配和揀選路徑優(yōu)化的Pareto最優(yōu)解，優(yōu)化了模型中具有約束條件堆垛機容量和行駛速度以及在多任務(wù)作業(yè)周期中的出庫問題。俞雷霖等[4]提出了一種求解自動化立體倉庫貨位分配與優(yōu)化的混合禁忌搜索算法（Hybrid tabu search，HTS）對貨位分配進行優(yōu)化，從而提高立體倉庫的運作效率。潘森等[5]提出比常見貨位分配數(shù)學(xué)模型更接近實際應(yīng)用的新的數(shù)學(xué)模型，采用遺傳算法優(yōu)化自動化立體倉庫的入庫貨位分配方案。曾強等[6]引入貨物系概念并按照貨物系分配貨位的方式確定同種貨物的分散程度，基于分段交叉和單點變異實現(xiàn)遺傳進化算法，設(shè)計了一種非支配排序遺傳算法分段整數(shù)編碼方法，解決了有貨位載重約束的自動化立體倉庫貨位的分配問題。王廳長等[7]利用遺傳算法，采用兩級庫位編碼的方式對雙深式立庫的貨位分配進行研究。楊瑋等[8]對雙載具和三載具兩種設(shè)備配置下的貨位分配問題進行分析，并采用改進遺傳算法進行了仿真求解。Bertolini等[9]提出了一種基于模擬退火過程的元啟發(fā)式算法，旨在優(yōu)化金屬自動化倉庫檢索階段的性能。蔡安江等[10]以產(chǎn)品出入庫效率、貨架重心和產(chǎn)品聚集度為目標(biāo)建立了貨位分配數(shù)學(xué)模型，提出了一種改進混合蛙跳算法解決雙向式自動化立體倉庫貨位分配問題。

現(xiàn)有的自動化立體倉庫貨位分配研究，大都是結(jié)合具體要實現(xiàn)的目標(biāo)運用各類算法進行貨位分配優(yōu)化并進行仿真預(yù)測。近年來隨著制造業(yè)數(shù)字化轉(zhuǎn)型，智能生產(chǎn)線運用更加廣泛，自動化立體倉庫貨位分配隨著產(chǎn)線工藝排產(chǎn)要求而發(fā)生相應(yīng)改變。本文提出一種基于數(shù)字孿生的自動化立體倉庫貨位分配優(yōu)化方法，以數(shù)字化的方式建立了與物理實體高保真映射的數(shù)字孿生模型，通過實時交互、貨物數(shù)據(jù)統(tǒng)計、仿真及智能優(yōu)化，映射和優(yōu)化自動化立體倉庫貨位分配，系統(tǒng)地考慮環(huán)境影響和綜合效率，實現(xiàn)貨物貨位分配過程中分配存儲率高、資源利用率高、綜合效益最大化，能提高航空航天設(shè)備生產(chǎn)模式的智能化程度，提高產(chǎn)品生產(chǎn)效率。

1 智能生產(chǎn)線數(shù)字孿生系統(tǒng)架構(gòu)

航空航天制造智能生產(chǎn)線以自動化立體倉庫為核心，為了適應(yīng)智能生產(chǎn)線的高效率要求，構(gòu)建結(jié)合自動化立體倉庫的智能生產(chǎn)線數(shù)字孿生系統(tǒng)，其主要由數(shù)據(jù)采集層、模型層、貨位分配優(yōu)化層、網(wǎng)絡(luò)層、物理層和孿生層組成，如圖1所示。

圖1 數(shù)字孿生控制體系架構(gòu)圖Fig.1 Digital twin control architecture diagram

智能制造系統(tǒng)可適應(yīng)規(guī)劃仿真軟件 （Visual engineering and education，VE2）兼具以下多種功能： （1）可以實現(xiàn)對上下位機傳輸信息的虛擬化處理與仿真，經(jīng)由上位機程序與軟件及數(shù)控系統(tǒng)的接口的設(shè)計與安裝，保障物理實體與虛擬模型之間良好的通信與交互； （2）虛擬模型都按照實物真實比例和尺寸建立，具有的3D半物理建模、半物理示教程序和可適應(yīng)規(guī)劃模塊保證其數(shù)字孿生功能的可實施性，保證半物理模型與實體的統(tǒng)一； （3）模擬驅(qū)動器具有數(shù)據(jù)采集和傳輸功能，具有信號連通性模塊，在IO輸入輸出端口的輔助下，利用RFID技術(shù)將加工工藝貨品信息傳輸?shù)焦芾硐到y(tǒng)，再傳輸?shù)椒抡婺Ｐ拖碌膶?yīng)存儲位置，然后實時將獲得的立體倉庫模型的輸出信息及時傳輸給立體倉庫的控制系統(tǒng)。

自動化立體倉庫的結(jié)構(gòu)比較復(fù)雜，其中包括堆垛機傳輸帶、輸送鏈條、升降滾輪、X軸移動機構(gòu)、C軸旋轉(zhuǎn)機構(gòu)、Y軸貨叉伸縮機構(gòu)、Z軸升降機構(gòu)以及貨架，數(shù)控系統(tǒng)主要控制堆垛機運動。結(jié)合具體的目標(biāo)控制需求，從已有的系統(tǒng)中調(diào)用宏功能可以更便捷、更快速地進行高效率控制，讀取相關(guān)數(shù)字量信息采用TCP/IP協(xié)議，這種以太網(wǎng)驅(qū)動程序傳輸數(shù)據(jù)的方法實現(xiàn)較為簡單，完全可以滿足系統(tǒng)控制通信要求從而達到預(yù)期效果?？刂七^程流程如下。

（1）建立數(shù)據(jù)層與物理層之間的連接。物理實體具有適配數(shù)控系統(tǒng)且有協(xié)議適配接口，通過上位機與計算機端連接。

（2）狀態(tài)信息采集。在物理系統(tǒng)中分布各類傳感器，用以實現(xiàn)物理實體的數(shù)據(jù)分析，經(jīng)由一系列的運作分析，將物理端數(shù)據(jù)采集并傳輸?shù)綌?shù)字孿生模擬端，在傳感器功能數(shù)據(jù)采集、TCP/IP協(xié)議通信輔助下，數(shù)字孿生原型也能實現(xiàn)多維物理實體信息集成，通過模型的保真化模擬運行，實現(xiàn)對物理實體控制的準(zhǔn)確性和高效性。

（3）堆垛機行駛速度調(diào)試。堆垛機半物理仿真模型與物理實體大小尺寸及其結(jié)構(gòu)完全一樣，設(shè)定虛擬模型初始化狀態(tài)，使其跟物理實體初始狀態(tài)完全一致，通過貨位分配優(yōu)化后輸出的優(yōu)化結(jié)果傳輸?shù)侥Ｐ蛯?，為確保入庫位置精準(zhǔn)度，在半物理仿真場景下進行貨位坐標(biāo)編譯，通過后臺程序?qū)ζ浣邮盏降呢浳恍畔⑦M行處理，再通過計算得到X軸移動機構(gòu)、C軸旋轉(zhuǎn)機構(gòu)、Y軸貨叉伸縮機構(gòu)的具體移動距離的數(shù)值，確保模型控制的精準(zhǔn)性，然后通過以太網(wǎng)連接，TCP/IP協(xié)議通信輔助下，通過上位機程序?qū)⒛Ｐ蛯拥臄?shù)據(jù)傳輸?shù)轿锢韺拥臄?shù)控系統(tǒng)中，在數(shù)據(jù)傳輸保證實時性的理想狀態(tài)下便可以保證虛擬仿真模型跟物理實體的實時同步。

2 貨位分配優(yōu)化模型

2.1 模型基本假設(shè)

智能生產(chǎn)線布局模式下的立體倉庫兩排貨架之間設(shè)有一條巷道，巷道上有一臺堆垛起重機穿梭在貨架之間的巷道中，完成轉(zhuǎn)載運送毛坯物料以及成品的工作，管理上采用計算機及RFID技術(shù)。自動化立體倉庫布局結(jié)構(gòu)俯視如圖2所示。

圖2 自動化立體倉庫布局結(jié)構(gòu)俯視圖Fig.2 Top view of automatic stereo warehouse layout structure

針對制造設(shè)備工藝流程智能加工產(chǎn)線自動化立體倉庫貨位分配遇到的相關(guān)問題和應(yīng)遵循的原則，以工藝配置和管理系統(tǒng)下的產(chǎn)品工藝路線為基礎(chǔ)，為了便于模型的建立和問題的研究，做出如下假設(shè)。

（1）定義（x，y，z，Tm，Mm）為某一待入庫貨物的信息，為了便于研究，僅考慮一組貨架，假設(shè)兩排貨架有a排、b層、c列，且a= 2，b≤100，c≤100，定義左排貨架左下角貨位的左下角點為坐標(biāo)原點，則貨架的第x列、y排、z層的貨位坐標(biāo)表示為 （x，y，z），其中x≤100，1≤y≤2，z≤100，且均為整數(shù)。Tm為某種物料對應(yīng)的加工次序；Mm為對應(yīng)物料的質(zhì)量；m為貨品編號。

（2）假設(shè)每個貨位的大小都相同且只能儲存一件貨品，并且貨位長寬高都相等，設(shè)為L。

（3）假設(shè)堆垛起重機速度恒定，設(shè)其空行程、叉/放貨、運貨速度分別為Vk、Vc、Vy，且Vc

2.2 加工作業(yè)優(yōu)化目標(biāo)的定義

按工件加工工藝流程將堆垛機的調(diào)度問題歸納為：堆垛機由起點出發(fā)，拖取存在于m個不同貨格的物料，堆垛機運動到一個貨格，取出貨位托盤及其托盤上的物料，再將托盤及其物料送到待加工物料存儲的貨格，然后再返回出發(fā)點，等到物料加工到規(guī)定工藝節(jié)點，堆垛機再去往下一個待加工物料貨位點，且每個貨格在存取過程中僅去一次，依次揀取完n個貨物，再依次把加工完成的工件送回到儲存位置，最后回到站臺起點。

（1）以工藝排產(chǎn)次序為優(yōu)化目標(biāo)建立目標(biāo)函數(shù)Q。

根據(jù)貨區(qū)分配原則，智能制造過程中，排產(chǎn)計算和調(diào)度問題是影響貨區(qū)分配的一個重要指標(biāo)，最先加工的物料應(yīng)該放在離出口最近的地方，待加工的毛坯物料應(yīng)該按照具體情況盡量分配到出入庫時間小的貨位，有利于提升生產(chǎn)效率，減輕堆垛機工作壓力。設(shè)某貨位區(qū)編號為i，其中某種物料的加工次序數(shù)為Fi，時間評估系數(shù)按照計算公式Ii=s/Fi（s為貨位中毛坯總數(shù)量）得出，其中s在具體工藝流程下為常數(shù)，且s≥1，時間評估系數(shù)越大，則應(yīng)離出入口越近。要滿足該原則，則分配優(yōu)化目標(biāo)就是使堆垛機運行時間最小，該策略的優(yōu)化目標(biāo)函數(shù)可描述為

（2）以相關(guān)貨品聚集度為優(yōu)化目標(biāo)建立目標(biāo)函數(shù)D。

根據(jù)貨品相關(guān)性原則，同一種或同一種類型貨品應(yīng)按照具體情況盡量分配到相鄰或相近的貨位，能夠減少堆垛機的行駛距離，其相關(guān)貨品信息由載具定義標(biāo)簽決定，在貨位分配過程中，RFID讀寫器發(fā)出標(biāo)簽芯片中的編碼數(shù)據(jù)信息，然后通過無線網(wǎng)絡(luò)將編碼數(shù)據(jù)信息接入PC應(yīng)用程序中進行數(shù)據(jù)解析、封裝和傳輸，信息管理系統(tǒng)通過集成信息對貨位進行初步規(guī)劃。

若信息讀取后貨位要求存儲某類產(chǎn)品時，定義此類貨品分配存儲區(qū)中心坐標(biāo)為 （xi，yi，zi），要使該類待入庫貨品距離此貨位最近，同類物料或者成品入庫時必須為相鄰貨架，故兩者之間的距離要盡量小。故該策略的優(yōu)化目標(biāo)函數(shù)可描述為

（3）以貨架穩(wěn)定性為優(yōu)化目標(biāo)建立目標(biāo)函數(shù)S。

根據(jù)上輕下重原則，盡量將較重的貨品放在貨架的下面，降低貨架重心以確保倉庫貨架的穩(wěn)定性，即堆垛機在垂直方向上克服貨物重力所做的功最小，其優(yōu)化目標(biāo)函數(shù)為

式中，g為重力加速度。

顯然，3個目標(biāo)函數(shù)各個參數(shù)互相影響，是典型的非多項式 （NP）難題，為方便后期處理，將其轉(zhuǎn)換為單目標(biāo)函數(shù)，并根據(jù)實際自動化立體倉庫確定相關(guān)系數(shù)?？偟膬?yōu)化目標(biāo)函數(shù)為

2.3 啟發(fā)式蟻群優(yōu)化算法

除了數(shù)字化模擬引擎，數(shù)字孿生系統(tǒng)還包括一個聯(lián)合優(yōu)化模型。面向雙目標(biāo)的數(shù)字優(yōu)化算法具有兩個特點： （1）在短時間內(nèi)快速識別最優(yōu)或近似最優(yōu)解，以適應(yīng)生產(chǎn)系統(tǒng)和隨機交付需求的高頻率動態(tài)調(diào)整要求；（2）耦合優(yōu)化問題的多個目標(biāo)的協(xié)調(diào)，考慮到貨位分配能力的穩(wěn)定性，提出改進的啟發(fā)式蟻群算法來提高貨位分配運營效率。

20世紀(jì)90年代初期，受蟻群集體尋徑行為的啟發(fā)，意大利學(xué)者Dorigo等[11]提出了一種基于種群進化的啟發(fā)式隨機搜索算法——蟻群系統(tǒng)（Ant system，AS），并用于解決旅行商問題 （Traveling salesman problem，TSP），AS的初步試驗取得了較好的結(jié)果，但無法與當(dāng)時最好的TSP 求解算法競爭。經(jīng)過演變后的蟻群算法（Ant colony optimization，ACO）獲得了更好的計算性能[12–13]，可以解決更多的組合優(yōu)化問題[14]。從人工智能 （Artificial intelligence，AI）角度來說，ACO是群智能算法的一個成功開端[15]。

蟻群算法是一種模擬蟻群智能行為的仿生優(yōu)化算法，沒有視覺的蟻群運動時會在通過的道路上釋放出一種特殊的信息素[16]。堆垛機進行貨位選擇類似于蟻群覓食過程，碰到要選擇的岔口時，就會根據(jù)信息素隨機挑選一條路徑，每只蟻群在所走過的路徑上均會釋放出等量的信息素，蟻群每次經(jīng)過該路徑均會釋放信息素使得該路徑上的信息素濃度增加；同時每條路徑上的信息素隨時間推移會逐漸揮發(fā)。因此，在初始點跟目標(biāo)點之間，用目標(biāo)函數(shù)代替初始信息素，按照約束條件進行迭代選擇后，符合分配策略的路徑信息素濃度較高，則下次迭代選擇的概率更高，每次完整迭代一次后再采用新的信息素遺留信息，經(jīng)過數(shù)次迭代后，則會根據(jù)約束條件得出最優(yōu)分配貨位。結(jié)合貨位分配蟻群算法是指用來描述這一過程所組成的群體所表現(xiàn)出的極其復(fù)雜的行為特征的方法。傳統(tǒng)蟻群算法的基本規(guī)則為

蟻群算法具有很強的正反饋能力，在算法后期能夠加快算法的進化速度，促使算法迅速收斂，但在算法初期信息素匱乏，進化速度較慢。算法初期迭代循環(huán)一次更新下一代信息素過程若能增強信息素增量，則能避免前期信息素匱乏而導(dǎo)致進化速度慢的問題，因此，設(shè)計出以正弦函數(shù)為基礎(chǔ)的信息素定量因子來解決這個問題。信息素更新公式修改為

式中，ωi（t+1）為下一時刻信息素總量；Q為常數(shù)，表示蟻群迭代循環(huán)一次釋放的信息素總量；φ（t）是信息素定量因子。

式中，t為當(dāng)前蟻群迭代次數(shù)，內(nèi)函數(shù)1– e（1–t）在[1，+∞）上的值域為[0，1），則φ（t）在定義域內(nèi)單調(diào)遞減且值域為[1，2]，利用余弦復(fù)合函數(shù)的特點，在蟻群算法初期，φ（t）的值趨近于2，則初始信息素在算法初期就增長了一倍，即在算法初期增加了信息素總量，彌補了蟻群算法前期信息素匱乏而導(dǎo)致進化速度慢的問題；由于信息素定量因子φ（t）是關(guān)于迭代次數(shù)的函數(shù)，隨著迭代次數(shù)的增加，函數(shù)值逐漸減小，最后趨近于1，即在算法中后期信息素迭代一次釋放的信息總量趨于正常量，這就可以在算法后期確保算法的優(yōu)勢不隨信息素定量因子而發(fā)生變化。這種信息素更新方式可以使算法初期迭代信息素增量更大，隨著迭代次數(shù)的增加，信息素增量趨于穩(wěn)定值，這就彌補了算法初期信息素匱乏的缺點，加快前期搜索速度，后期又保持了算法的準(zhǔn)確性。

2.4 IACO算法求解步驟

針對建立的自動化立體倉庫模型，采用啟發(fā)式蟻群算法 （IACO算法）進行優(yōu)化，流程如圖3所示，算法的求解步驟如下。

圖3 啟發(fā)式蟻群算法流程圖Fig.3 Flow chart of improved ant colony optimization algorithm

（1）獲取自動化立體倉庫當(dāng)前的貨位信息（空貨位、已存貨位和貨品信息等）。

（2）初始化種群參數(shù)設(shè)置，即初始化蟻群位置，在可行范圍內(nèi)生成蟻群群總數(shù)為Ant、最大迭代次數(shù)Imax、當(dāng)前迭代次數(shù)I、初始信息素T0、全局轉(zhuǎn)移選擇因子P0和信息素揮發(fā)系數(shù)P等。

（3）重新規(guī)劃子群。若生成第一代子群，則根據(jù)狀態(tài)轉(zhuǎn)移概率讓蟻群確定搜索方式，即全局轉(zhuǎn)移概率Prob小于P0時進行局部搜索，Prob大于P0時進行全局搜索，再判斷新位置函數(shù)值Ftemp2是否小于Ftemp1，是則更新搜索范圍。

（4）信息素更新。在信息素更新中引入信息素定量因子，對蟻群留下的信息素進行更新。然后進行下一步迭代，迭代次數(shù)I=I+ 1。

（5）更新目標(biāo)值。根據(jù)已經(jīng)迭代后的結(jié)果信息判斷狀態(tài)信息，用最新一次迭代后生成的結(jié)果信息替換對應(yīng)存儲中的信息。將全局最優(yōu)解存入目標(biāo)矩陣中。

（6）判定終止條件。判斷I>Imax，是則算法結(jié)束，輸出全局最優(yōu)解，否則返回步驟（3）重新規(guī)劃子群，繼續(xù)迭代。

（7）輸出優(yōu)化結(jié)果。畫出蟻群最終位置分布圖和最優(yōu)函數(shù)值變化圖像，輸出最優(yōu)的位置坐標(biāo)。

3 實例驗證

3.1 算法實例仿真驗證

由于貨位分配的側(cè)重點不同會導(dǎo)致分配結(jié)果的不同，因此，通過層次分析法 （AHP）的計算并綜合考慮立體倉庫的實際情況[10]，取μ1=0.432，μ2=0.292，μ3=0.276。以某高校減速箱加工小產(chǎn)線的自動化立體倉庫貨位分配任務(wù)為例。采用Python語言進行仿真驗證，立體倉庫的各項參數(shù)如表1所示。

表1 自動化立體倉庫基本參數(shù)Table 1 Basic parameters of automatic stereo warehouse

現(xiàn)有14件加工的物料，已知各個物料的質(zhì)量以及加工次序，如表2所示。

表2 貨物實例信息Table 2 Goods instance information

針對此次貨位分配任務(wù)，采用ACO算法和IACO算法分別進行優(yōu)化。研究參數(shù)的初始設(shè)置對蟻群算法性能的影響，并且分析了如何就參數(shù)的初始設(shè)置可以進一步改善其性能。算法的參數(shù)如表3所示。

表3 算法參數(shù)Table 3 Algorithm parameters

根據(jù)建立的自動化立體倉庫貨位分配模型并結(jié)合 ACO及 IACO 算法對該貨位分配任務(wù)進行優(yōu)化求解，其目標(biāo)函數(shù)隨迭代次數(shù)的變化如圖4所示。

目標(biāo)函數(shù)優(yōu)化是求解其最小值問題，從圖4可以看出，隨著迭代次數(shù)的不斷增加，目標(biāo)函數(shù)值在不斷逼近函數(shù)的最小值，說明其解是逐步趨近最優(yōu)解的。相比ACO算法，IACO算法明顯收斂速度更快，在31代達到最優(yōu)，此時函數(shù)值為1.5484，ACO算法在52代左右達到最優(yōu)，函數(shù)值為1.6215。可見 IACO相比ACO 算法效率明顯提高，并且經(jīng)過多次試驗，IACO比ACO算法穩(wěn)定性更高，證明了IACO算法的有效性和優(yōu)越性。

圖4 目標(biāo)函數(shù)隨迭代次數(shù)的變化Fig.4 Variations of objective function with number of iterations

ACO算法和IACO算法優(yōu)化后的貨位坐標(biāo)分別如表4和5所示。根據(jù)試驗設(shè)定要求和具體情況可知，按照貨位分配優(yōu)化原則，IACO優(yōu)化結(jié)果更符合規(guī)則設(shè)定，證明了IACO算法的可行性。

表4 ACO算法優(yōu)化后的貨位分配信息Table 4 Location allocation information optimized by ACO algorithm

表5 IACO算法優(yōu)化后的貨位分配信息Table 5 Location allocation information optimized by IACO algorithm

3.2 數(shù)字孿生系統(tǒng)驗證

基于可適應(yīng)性規(guī)劃仿真平臺構(gòu)建數(shù)字孿生系統(tǒng)原型 （圖5）。原型包括7個模塊，即基本數(shù)字地面系統(tǒng)、3D半物理建模、半物理示教程序、二維圖紙規(guī)劃、開源化軟件助手、信號連通性和可適應(yīng)規(guī)劃。基于提出的關(guān)鍵技術(shù)，性能模塊分析采用Python編程架構(gòu)開發(fā)，并與聯(lián)合優(yōu)化模型集成。一旦演示程序接收到貨物信息，將調(diào)動對應(yīng)模塊快速執(zhí)行優(yōu)化，然后將優(yōu)化結(jié)果傳輸?shù)桨胛锢矸抡婺K進行編碼并計算出各個運動軸的具體移動距離。3D半物理建模模塊可以給模型建立真實的物理屬性來描述實際的物流和庫存過程。仿真運行過程中將來自物理系統(tǒng)的原始數(shù)據(jù)反饋到多視圖同步模塊，用于與其他系統(tǒng)協(xié)調(diào)。

圖5 基于可適應(yīng)性規(guī)劃仿真平臺的數(shù)字孿生系統(tǒng)原型Fig.5 Digital twin system prototype based on adaptive planning and simulation platform

利用產(chǎn)線網(wǎng)絡(luò)布局、計算機信息技術(shù)搭建試驗布局，運用數(shù)字孿生技術(shù)構(gòu)建虛實同步的仿真平臺，使得設(shè)備與其數(shù)字孿生仿真模型實現(xiàn)實時通信與動作同步。 建立立體倉庫數(shù)字孿生仿真模型的Python腳本與自動化立體倉庫數(shù)控系統(tǒng)之間的虛實同步通信通道，實現(xiàn)自動化立體倉庫物理模型實時數(shù)據(jù)與數(shù)字孿生仿真模型數(shù)據(jù)的實時同步，進而實現(xiàn)自動化立體倉庫數(shù)字化模型、立體倉庫實物系統(tǒng)之間的動作同步，相比普通產(chǎn)線，集成數(shù)據(jù)化管理與控制的智能化生產(chǎn)線能有效依托數(shù)據(jù)化應(yīng)用能力，提高產(chǎn)品加工效率。由圖6可知，普通智能生產(chǎn)線每加工一件成品需要3.5 h，則生產(chǎn)5件成品需要17.5 h，結(jié)合數(shù)字孿生的智能生產(chǎn)線生產(chǎn)成品所用時間逐件減少，生產(chǎn)5件成品需要16.2 h，較普通智能生產(chǎn)線提高7.4%。證明了該方法能夠滿足立體倉庫基于工藝的物料出入庫智能選擇貨位需求，在智能生產(chǎn)線上的應(yīng)用對提高航空航天設(shè)備生產(chǎn)模式的智能化程度具有重要意義。

圖6 兩種生產(chǎn)線生產(chǎn)成品數(shù)量與所用時間對比Fig.6 Comparison of number of finished products between two production lines

4 結(jié)論

本文針對智能生產(chǎn)線中的自動化立體倉庫貨位分配智能化低的問題，研究了一種快速穩(wěn)定的改進啟發(fā)式蟻群算法。采用數(shù)字孿生體多維度融合建模方法構(gòu)建自動化立體倉庫數(shù)字孿生多維模型，搭建智能生產(chǎn)線數(shù)字孿生系統(tǒng)架構(gòu)，建立了以工藝排產(chǎn)次序、貨品相關(guān)性、貨架穩(wěn)定性為目標(biāo)的數(shù)學(xué)模型，得出了改進的啟發(fā)式蟻群算法的收斂迭代次數(shù)和優(yōu)化后的貨位坐標(biāo)，結(jié)果表明，改進的啟發(fā)式蟻群算法適合求解智能生產(chǎn)線自動化立體倉庫貨位分配目標(biāo)優(yōu)化問題。將優(yōu)化后的貨位分配信息集成到數(shù)字孿生系統(tǒng)中加以驗證，得出智能生產(chǎn)線較普通智能生產(chǎn)線的生產(chǎn)效率提高7.4%。由此可見，該方法能夠滿足自動化立體倉庫貨位智能分配需求，對航空航天產(chǎn)品實現(xiàn)智能制造、提質(zhì)增效具有重要意義。