一种适合制造系统重构的机床布局设计方法

摘要

本发明要解决的技术问题是提供一种适合制造系统重构的机床布局设计方法，主要解决现有技术中很少有从制造系统构建初始阶段考虑制造系统的可重构性，从而导致在生产的中后期难以构建可重构性制造系统的问题。为解决上述技术问题，本发明的一种适合制造系统重构的机床布局设计方法，首先定义加工功能分类，并根据定义的加工功能分类建立加工功能均衡分布的数学模型，然后再根据数学模型设计面向加工功能均衡分布的遗传算法。

说明书

技术领域

本发明属于先进制造领域，特别是涉及一种适合制造系统重构的机床布局 设计方法。

背景技术

随着全球化市场竞争加剧，制造企业面临着更大的产品种类和功能需求的 压力。因此，以最低的成本和最短的时间生产出需求产品的种类和数量成为当 前企业增强竞争力的重中之重。这就要求制造系统的设计者在设计的初始阶段 就要考虑到制造系统的可重构性。

针对制造系统的可重构性设计，国内外学者提出了各种方案。在《计算机 集成制造系统》上发表的《基于图论的可重构制造系统单零件流水线构形优化》 中，采用图论的方法得到K优单流水线，这种方法将图论应用于制造系统构形 优化得到了多个优化方案，但是只适用于中小规模的构形优化问题，一旦扩大 模型，这种方法的应用效果会不明显。在《Flexible Services And Manufacturing  Journal》上发表的《Optimal Configuration Selection For Reconfigurable  Manufacturing Systems》中把构建制造系统构形分为两个阶段，先是选择近优 构形，然后采用基于整数编码的遗传算法和禁忌搜索算法相结合的方法来确定 最终构形。在《International Journal of Production Research》上发表的《A Design  Strategy For Reconfigurable Manufacturing Systems(RMSs)Using Analytical  Hierarchical Process(AHP):a case study》中，采用层次分析法来选择制造系统 构形，在建立的数学模型中除了考虑传统的成本和质量等因素外还特别考虑了 制造系统的响应性，但是实际生产中对需求资源和可用资源有着更复杂和精确 地需求，因此用层次分析法的适应性会大大减弱。

以上几种研究制造系统可重构性设计的方法的共性在于：他们都是基于已 有的机床布局方案进行制造系统构形研究的，很少有在制造系统设计初始阶段 就考虑到机床的可重构性布局方案。如果在制造系统构建的初期就充分考虑机 床布局的生产可重构性，将会为后期构建可重构性生产构形提供很大的便利。

发明内容

本发明要解决的技术问题是提供一种适合制造系统重构的机床布局设计 方法，主要解决现有技术中很少有从制造系统构建初始阶段考虑制造系统的可 重构性，从而导致在生产的中后期难以构建可重构性制造系统的问题。

为解决上述技术问题，本发明的一种适合制造系统重构的机床布局设计方 法，首先定义加工功能分类，并根据定义的加工功能分类建立加工功能均衡分 布的数学模型，然后再根据数学模型设计面向加工功能均衡分布的遗传算法， 包括以下步骤：

步骤1、初始输入：输入包括最大遗传迭代次数，交叉概率c，变异概率m， 种群数量N；

步骤2、产生初始种群：随机产生初始种群，防止遗传算法过早收敛和陷 入局部最优解；

步骤3、计算种群中所有个体的适应度值，并且构建初始优秀基因池；

步骤4、交叉操作：子代从一个父代以一定概率获得等位基因，然后从另 外一个父代获取一些基因，组成新的个体，通过交换两个父代的操作顺序得到 一个新的子代；

步骤5、变异操作：从一个染色体中随机选择两个基因并且交换他们在染 色体中的位置，然后将父代种群和产生的子代种群合并在一起形成包括个体数 量为2N的新种群Q_t；

步骤6、选择操作：从新种群Q_t中选择N个限制重复率的个体进入下一次 迭代循环操作，如果选择进入下一代个体的数量少于N，缺少的个数则从优秀 基因池中选取；同时，如果新产生的个体的评价值优于优秀基因池中的任何个 体，且于优秀基因池中的染色体不一样，则将其放入优秀基因池，并将优秀基 因池中最差的个体去除；

步骤7、判断终止条件是否满足：如果遗传迭代次数达到设定的最大数量 G_max，则停止迭代并且进入步骤8，否则转入步骤4进入下一次迭代；

步骤8：解码并输出最优布局方案。

其中步骤3中初始优秀基因池由初始种群中的个体组成，且要保证所有个 体两两互异。

其中设计面向加工功能均衡分布的遗传算法中采用以下策略：

1)构建优秀基因池：历史最优秀及其对应的评价值被存储在基因池中， 优秀基因池中任意两个染色体不相同；

2)个体数量为N的父代种群进入产生新的子代种群，将父代种群与子代 种群合并在一起构成个体数量为2N的新种群；

3)当遗传迭代达到总迭代次数的三分之一时，从种群中选择N个最优秀 的个体进入下一代循环迭代，当遗传迭代超过总迭代次数的三分之一时，从种 群中选择N个最优秀个体进入下一代，这些个体的重复率具有一定限制，在上 述条件下选择个体少于N时，缺少的个体将从优秀基因池中选取。

本发明的有益效果：

1)合理地对加工功能进行分类；

2)建立了以加工功能均衡分布为基础的机床布局数学优化模型；

3)在遗传算法的设计中，将精英选择策略和独特的优秀基因池设计相结 合，来求解本发明中建立的车间机床布局优化模型。在这种机床布局的车间的 任意局部位置可以很方便的得到工件族的加工方案。

附图说明

图1机床和对应加工功能关系图；

图2遗传算法编码设计示意图；

图3优秀基因池示意图；

图4带精英选择策略的遗传算法流程图；

图5交叉操作示意图；

图6变异操作示意图。

具体实施方式

下面结合附图对本发明作进一步介绍。

一、定义加工功能分类

在可重构制造系统中一般有多种类型的机床，比如可重构机床和加工中 心。每一个机床又有多种加工功能，例如，一个车铣加工中心同时具有车和铣 的加工功能。在图1中给出了机床和加工功能的关系图，图中给出了4个机床 和对应的6种加工功能，他们有4种对应关系：一对一、一对多、多对一、多 对多。如果这些加工功能在车间内有一个合理的分布，就能比较方便地构建制 造系统构形，因此，提出一种机床加工功能分类的方法。加工功能与刀具和加 工功能具有较强的关系，用二元组表示加工功能，加工功能＝<{T},{A}>，T＝{t₁, t₂,t₃,…},A＝{a₁,a₂,a₃,a₄,a₅}，其中T是指各种不同类型的刀具集合， A是指加工精度等级集合。

加工功能的选择是由经济加工方法决定的，如果工件可以由低等级精度加 工，则最好不要选择中、高等级精度加工。加工功能分类确定之后，车间机床 布局的最优化问题转化为确定加工功能的均衡分布的问题，通过一种均衡分布 策略，可以在一个较小的范围内加工工件保证工件移动距离最小。

二、加工功能均衡分布的数学模型

实际上，机床的布局可以用加工功能的布局替代，每一种加工功能都是影 响机床布局的重要因素，但是它们对机床布局均衡的影响程度又是不一样的， 因此在评价每一种加工功能对整个车间机床布局的影响时可以根据它们使用 的频率比例给出，根据这种方法，总的物料移动距离可以用式(1)计算。

$\min V_T=\underset{l=1}{\overset{L}{\Sigma }}{\alpha }_l\underset{x=1}{\overset{M}{\Sigma }}\underset{y=1}{\overset{N}{\Sigma }}\frac{T_{\mathrm{lxy}}\min \left(\right|x-x_0|+|y-y_0\left|\right)}{Z_{\mathrm{lxy}}}---\left(1\right)$

其中，L是加工功能数量；α_l是第l个加工功能的评价权重；M是在同一 行中机床的数量；N是在同一列中机床的数量；l是加工功能的编号l；(x,y) 是机床的位置标识；(x₀,y₀)是与指定机床有最短距离的机床位置标识；T_lxy是 0、1标识；Z_lxy是具有最短距离机床的数量。

约束条件如下：

$T_{\mathrm{xy}}=\left(\begin{array}{c}0\\ 1\end{array}\right).---\left(2\right)$

$\underset{l=1}{\overset{L}{\Sigma }}{\alpha }_1=1.---\left(3\right)$

$\underset{l=1}{\overset{L}{\Sigma }}{T}_{\mathrm{lxy}}\ne 0.---\left(4\right)$

1≤Z_lxy<M_num。               (5)

式(2)是0、1约束，当该位置的机床有此加工功能时，T_lxy为1，否则T_lxy为0；式(3)是权重约束，表示所有权重系数之和为1；式(4)是机床约束， 表示每一个位置有且仅有一台机床；式(5)是最短距离机床数量约束，M_num是 车间机床数量。

三、面向加工功能均衡分布的遗传算法设计

这个问题是典型的组合优化问题，传统的方法例如数学规划、图论等方法 不能解决如此复杂的问题。启发式算法是一种有效地解决方式，一些智能优化 方法例如模拟退火算法、禁忌搜索算法、遗传算法等等，其中遗传算法是一种 群智能优化算法，它有更强的鲁棒性。

编码设计是把专业领域问题转化为遗传算法可以识别的信息的一种必要 过程，它对遗传算法的搜索效率和性能影响很大。优化目标是机床加工功能在 车间内的均衡分布，因此选择基于机床的编码形式。选择机床编号为染色体中 的基因，编码形式是连续整数编码，他们的顺序代表了机床的实际布局。染色 体的长度与车间中机床的数量相等，基因在染色体中的位置与机床在车间中的 位置一一对应。每一个基因的值代表了机床编号，每一个染色体是一系列机床 编号的集合，它代表了一种机床布局编码方案。这种编码方案保证了每一个染 色体可以解码为唯一的布局方案。在图2中给出了16台机床的编码方案，例 如4号机床在第1个基因位，1号机床在第2个基因位。

精英选择策略可以明显地提高遗传算法的收敛效率并且防止进化过程中 产生的最优解丢失，但是如果仅仅选择进化过程中的精英个体，算法还是有可 能早熟，因此提出了一种带优秀基因池的精英选择策略。

优秀基因池的主要作用是在选择下一代种群时限制同一种精英个体的数 量。但是如果选择进入下一代种群的个体数量达不到种群数量要求时，则需要 从优秀基因池中选择一些个体补充到进入下一代种群。从图3中可以看到，优 秀基因池有两部分组成：染色体和对应的评价值，这些染色体按照它们的评价 值从小到大排列，并且所有的染色体两两互异。与优秀基因池中的染色体一样 的个体不能被加到优秀基因池中，其具体的实施过程如下：

1)构建优秀基因池。历史最优秀及其对应的评价值被存储在基因池中， 优秀基因池中任意两个染色体不相同。

2)个体数量为N的父代种群进入产生新的子代种群，将父代种群与子代 种群合并在一起构成个体数量为2N的新种群。

3)当遗传迭代达到总迭代次数的三分之一时，从种群中选择N个最优秀 的个体进入下一代循环迭代。当遗传迭代超过总迭代次数的三分之一时，从种 群中选择N个最优秀个体进入下一代，这些个体的重复率具有一定限制，在上 述条件下选择个体少于N时，缺少的个体将从优秀基因池中选取。

在图4中给出了带精英选择策略的遗传算法流程图，下面给出设计的遗传 算法的步骤。

步骤1：初始输入。输入包括最大遗传迭代次数，交叉概率c，变异概率m， 种群数量N。

步骤2：产生初始种群。随机产生初始种群，这种策略可以防止遗传算法 过早收敛和陷入局部最优解。

步骤3：计算种群中所有个体的适应度值，并且构建优秀基因池。初始优 秀基因池由初始种群中的个体组成，且要保证所有个体两两互异。

步骤4：交叉操作。交叉操作的主要思想是子代从一个父代以一定概率获 得一些等位基因，然后从另外一个父代获取一些基因，组成新的个体。在图5 第一行中，1和0是以一定概率产生的，1代表子代从父代1获得等位基因，0 代表子代从父代2获得基因。通过交换两个父代的操作顺序可以得到一个新的 子代。

步骤5：变异操作。从一个染色体中随机选择两个基因并且交换他们在染 色体中的位置。例如在图6中，基因4和基因5被选中交换在染色体中的位置， 产生了一个新的个体。然后将父代种群和产生的子代种群合并在一起形成包括 个体数量为2N的新种群Q_t。

步骤6：选择操作。从种群Q_t中选择N个限制重复率的个体进入下一次迭 代循环操作。如果选择进入下一代个体的数量少于N，缺少的个数则从优秀基 因池中选取。同时，如果新产生的个体的评价值优于优秀基因池中的任何个体， 且于优秀基因池中的染色体不一样，则将其放入优秀基因池，并将优秀基因池 中最差的个体去除。

步骤7：判断终止条件是否满足。如果遗传迭代次数达到设定的最大数量 G_max，则停止迭代并且进入步骤8，否则转入步骤4进入下一次迭代。

步骤8：解码并输出最优布局方案。