一种结合车间物流活动的数字化车间布局优化方法

本发明涉及设施的布局方式和方法，属于设施布局，具体是一种结合车间物流活动的数字化车间布局优化方法。

背景技术：

1、设施布局问题(flp)是经典的工业问题，它在不同领域有着广泛的应用，尤其是在制造业和服务业中。随着计算机技术和仿真软件的发展成熟，目前车间布局常用的优化方法包括如模拟蚁群算法、退火算法、遗传算法、粒子群算法、人工蜂群算法、鸽子启发算法等。但目前许多布局研究中，简化了物料装卸搬运的过程，使用曼哈顿距离计算时，物料移动路径不但与实际工况中的物料移动路径不符，而且也将各设备的上/下料口位置默认在作业单元中心；使用从至表计算时，无法体现搬运过程中搬运设备的等待、堵塞、移动、搬运时间等情况。因此，最终求解出的结果难免与车间实际情况存在差异。为了使仿真模型中的物料搬运活动更接近实际工况，需要考物流通道的位置、设备装卸点在空间中的位置以及设施间的安全间隙、这样才能准确计算出物料装卸搬运过程中的时间、物料运输费用等数据。

技术实现思路

1、本发明的目的是建立一种符合实际工况的车间布局模型，以提高通过仿真模拟计算出的多目标行式车间布局最优方案的真实性，具有极高的实际应用价值。通过有效地还原实际生产过程中的物流运输活动，实现了对物料搬运距离和搬运时间的准确计算。

2、本发明的上述技术目的是通过以下技术方案得以实现的：

3、一种结合车间物流活动的数字化车间布局优化方法，包括如下步骤：

4、包括如下步骤：

5、step1、根据车间约束条件，划分出车间制造单元、确定其数量和面积；

6、step2、确定出制造单元在车间内的位置，建立物流通道；

7、step3、在上述步骤的基础上建立agv搬运系统，形成具有物流活动的车间模型；

8、step4、建立目标函数并使用标准差标准化方法消除量纲；

9、step5、建立仿真模型；

10、step6、采用模拟遗传算法求解,得到最优布局方案；

11、step7、对最优方案进行评估分析。

12、进一步优选的，step1包括如下步骤：

13、首先，以车间左下角为原点建立坐标轴，设车间是长度为l宽度为w的矩形，车间内有n个制造单，i为车间内第i个制造单元，i＝1,2,…,n，制造单元i的面积为li×wi，其中li表示长度，wi表示宽度，中心坐标为(xi,yi)；各个制造单元间应满足如下约束：

14、1)制造单元之间的距离应当大于等于安全距离sij。

15、

16、2)制造单元位置应与车间x轴平行，即同一行制造单元中心位置处的纵坐标应保持相同。

17、yi＝yj

18、3)每一行的总长度不得超过车间长度。

19、

20、4)最远两行的宽度之和不超过车间宽度。

21、

22、其中，xi，xj是制造单元i与制造单元j的中心位置横坐标；li，lj是制造单元i与制造单元j的长度；yi，yj是制造单元i与制造单元j的中心位置纵坐标；m是该行制单单元总数；l是车间长度；wi,wj是制造单元i与制造单元j的宽度。

23、进一步优选的，step2包括如下步骤：

24、在step1实施后，已将n个制造单元位置确定并分配到整个车间内形成t行，每行有x个制造单元。现在需要根据制造单元位置确定出横向和纵向物流通道及上下料口位置；横向通道作为主干道方便运输单位在车间内快速移动，纵向通道作为连接制造单元与主路的岔路，当运输单位有装卸任务时从路口处离开主路进入岔路到达目标制造单元；因此，对于物料通道，应满足如下约束：

25、1)横向通道长度小于等于车间的总长度。

26、lt≤l

27、2)第t行横向通道的长度lt应该大于等于每一行的总长度。

28、

29、3)第t行横向通道的宽度加纵向通道的宽度应等于两行之间的纵向距离。

30、

31、4)第t行纵向通道的长度小于等于制造单元i的长度。

32、l't≤li

33、其中，lt是横向物流通道长度；l't纵向物流通道的长度；是l是车间总长度；li是制造单元i的长度；sij是制造单元i与制造单元j之间的安全距离；m是该行制单单元总数；wt是第t行横向通道的宽度；w't是第t行纵向通道的宽度；wi，wj是制造单元i与制造单元j的宽度；yi，yj是制造单元i与制造单元j的中心位置纵坐标。

34、进一步优选的，step3包括如下步骤：

35、根据step1和step2所建立的框架设置agv搬运任务，进行物料搬运。生产开始后，agv小车停在等待区等待制造单元发出搬运指令，收到指令后派出agv小车沿轨道行进前往目标制造单元，在横向通道与纵向通道相交处设置传感器，用于识别目标单元，到达正确路口处，小车驶入纵向通道，到达目标制造单元上下料口处停止进行搬运操作。执行装货操作时，小车将该制造单元加工完的零件装到车上，并读取该零件此时的加工状态确认目的地所在，如果装载的零件已无后续加工工序，则目的地为成品仓库；如果还存在后续工序，目的地为下一道工序所在的制造单元，操作完成后小车启动离开。执行卸货操作时，小车会将零件卸载到当前区域的指定零件存放处，完成后小车启动离开。如果此时有新的搬运指令，小车前往目标地点，如果在没有新的搬运指令，小车回到等待区。

36、进一步优选的，step4，建立目标函数并使用标准差标准化方法消除量纲。本方法在构建车间物流模型的基础上，以物料的总搬运时间最短和总物流成本最小作为优化目标。

37、

38、

39、式中：n——物料总数

40、i——第i个物料

41、j——物料的总工序数

42、j——物料当前的工序数

43、pj(i)——物料i离开第j道工序所在制造单元的时间

44、p'j+1(i)——物料i到达第j+1道工序所在制造单元的时间

45、cj(i)——物料i到达设备j的运输成本

46、tj(i)——物料i到达设备j的搬运距离

47、为保证不同目标之间具有可比性，通常需要将有量纲的表达式化为无量纲的表达式，成为纯量，便于不同单位或量级的指标能够进行比较和加权。常用的方法包括归一化和标准化。归一化可以将样本的特征值映射到区间[0,1]中，仅由变量的极值决定。标准化是依照特征矩阵的列处理数据，通过求z-score的方法，将现有数据序列转换为标准正态分布，从而形成不受极值影响的新数据序列。因此本方法采用标准化对目标函数进行处理。

48、对于上述目标函数公式得出的数据x1,x2,x3,x4,……,xn进行如下变换，得到均值为0，方差为1的新序列y1,y2,y3,y4,……,yn。

49、

50、

51、

52、式中：n——该组样本总数

53、xi——第i个样本的值

54、——该组样本平均值

55、s——该组样本标准差

56、通过标准化后将式(1)和式(2)的数据统一，最终得到目标函数，其中μ1和μ2为占比权重，由专家打分法给出，满足μ1+μ2＝1其中μ1＝0.7，μ2＝0.3。最终目标函数下：

57、minfi＝μ1g1+μ2g2

58、进一步优选的，step6，采用模拟遗传算法求解,得到最优布局方案。包括如下步骤：

59、step6.1适应度。在求解目标函数为最小目标的问题中，规则为个体目标函数值越大适应度越低。为了有效根据每一代的情况计算当代适应度，本方法采用动态适应度设置求解种群适应度，具体操作为：

60、使用当代种群最差个体即的目标函数值加上常数减去当前个体i的目标值f(i)，得到个体i的适应度f(i)。

61、

62、式中：w—一种群数

63、i——第i条染色体

64、f(i)——第i条染色体的目标函数值

65、a——避免最小适应度个体被淘汰的常数

66、step6.2精英保留策略。为了提高算法收敛速度以及破坏优秀基因在算法的选择阶段加入精英保留策略。具体操为：

67、选择上一代中适应度最高的个体作为精英染色体如果当代染色体中适应度最大个体的适应度小于上一代精英染色体的适应度那么该染色体会被精英染色体替换，形成这一代的新种群进行后续选择操作。

68、step6.3自适应交叉、遗传概率。根据迭代次数设置动态的交叉、变异概率：

69、对于自适应交叉概率：将整个算法过程分为三个阶段，每个阶段最大交叉概率不同，迭代过程中每一代具体的交叉概率由当前所处的算法阶段以及迭代次数占总代数的比重共同决定。整体呈现前期大后期小的趋势。

70、

71、

72、式中：pc(i)——当前交叉概率

73、maxpc，minpc——最大/最小交叉概率,minpc＝0.6

74、g——当前迭代次数

75、g——最大迭代次数

76、对于自适应变异概率：自适应变异概率与交叉概率类似，只不过是整体呈现先小后大的趋势。

77、

78、

79、式中：pm(i)——当前变异概率

80、maxpm，minpm——最大/最小变异概率,maxpm＝0.08

81、g——当前迭代次数

82、g——最大迭代次数

83、step6.4，倒置变异，通过随机数选出变异位置，然后将该位置前后的基因进行交换；

84、首先通过两个随机数选出染色体中的变异区段，然后将该区段内的基因顺序进行倒序，如对于变异区域的基因片段[1,2,4,5]进行变异后成为[5,4,2,1]。

85、step6.5,meteropolis准则。meteropolis准则在模拟退火算法中用于增加跳出局部最优的概率，从而增强算法的全局寻优能力。具体操作为：

86、在遗传算法的变异操作后加入这一操作，可以对子代中的个体进行判断，使其有一定的概率不被接受，而是继续保留父代个体，从而避免算法过快收敛到局部最优解上。对于子代个体被接受的概率计算公式如下：

87、

88、t＝σ·t

89、式中：pt为新生成个体的被接受概率；f(i)为染色体变换前的适应度；f(j)为染色体变换后的适应度；t为当前温度；σ为降温系数，且σ∈(0,1)；t为初始温度。

90、综上所述，本发明具有以下有益效果：

91、其一、本发明在建模中考虑了实际工况下的物流运输活动，与传统方法相比仿真得出的模型和数据更加贴合实际，简单有效。

92、其二、该算法能够有效地处理不同优化目标之间的冲突，采用标准差标准化方法消除量纲，便于后期对多个目标进行比较和加权。相对于单一目标优化算法，该算法能够更好地满足生产企业在实际生产过程中的多目标需求，更加符合实际应用需求。

93、其三、该算法的实现过程中，采用一种模拟的方法来计算适应度、交叉和变异概率，可以使算法更快的收敛。

94、其四、该算法解决了车间布局优化问题，能够提高车间物流效率降低生产成本。在实际应用中，能够为生产企业带来显著的效益和经济收益。