潘飛， 都騰飛， 李澤軍， 李仲樹(shù)， 劉新

（江蘇長(zhǎng)江智能制造研究院，江蘇 常州213164）

0 引言

隨著以工業(yè)4.0為代表的新一輪制造業(yè)轉(zhuǎn)型變革展開(kāi)，傳統(tǒng)的制造業(yè)市場(chǎng)競(jìng)爭(zhēng)壓力越來(lái)越大[1]。通過(guò)數(shù)字化工廠的仿真模擬，可以更快、更準(zhǔn)、低成本、更高質(zhì)量地生產(chǎn)市場(chǎng)所需的產(chǎn)品。數(shù)字化工廠仿真技術(shù)為工藝規(guī)劃及生產(chǎn)布線帶來(lái)了從規(guī)劃流程到工藝實(shí)現(xiàn)的全方位技術(shù)變革，能夠有效地減少規(guī)劃和設(shè)計(jì)周期，降低出錯(cuò)率，縮短產(chǎn)品研發(fā)，為柔性生產(chǎn)和快速市場(chǎng)供給提供了強(qiáng)有力的技術(shù)支持[2]。

本文通過(guò)Plant Simulation平臺(tái)對(duì)某公司的智能車間進(jìn)行數(shù)字化仿真設(shè)計(jì)，合理分配各個(gè)工序的布置。為了提高生產(chǎn)產(chǎn)量，優(yōu)化工藝流程，縮短物流轉(zhuǎn)運(yùn)時(shí)間，減少節(jié)拍時(shí)間，本文使用遺傳算法（GA, Genetic Algorithm）和粒子群優(yōu)化（PSO，Particle Swarm Optimization）的混合人工智能算法，對(duì)批次作業(yè)任務(wù)進(jìn)行優(yōu)化。結(jié)果表明，基于數(shù)字化仿真的智能制造解決方案優(yōu)化了生產(chǎn)工序，縮短了生產(chǎn)節(jié)拍，為企業(yè)帶來(lái)了更多的利潤(rùn)。

1 遺傳算法和粒子群優(yōu)化理論方法

遺傳算法不同于常見(jiàn)的機(jī)器學(xué)習(xí)模型所使用的梯度下降算法，是一種進(jìn)化算法，這種方法是由密歇根大學(xué)的J.Holland教授在1967年首次提出的[3]。該算法的流程如下：首先將具體問(wèn)題抽象化，從實(shí)際案例的表現(xiàn)型到抽象問(wèn)題的基因型完成映射編碼工作，根據(jù)優(yōu)勝劣汰的原則，隨機(jī)生成第一代種群，并得到近似解。在迭代過(guò)程中，根據(jù)車間生產(chǎn)模型確定合適的適應(yīng)域，通過(guò)域選擇合適適應(yīng)度的個(gè)體，在迭代過(guò)程中，對(duì)遺傳算子進(jìn)行迭代調(diào)整，通過(guò)交叉和變異產(chǎn)生新的解集種群，最終得到最優(yōu)解。傳統(tǒng)遺傳算法在迭代過(guò)程中隨機(jī)選擇交叉和變異過(guò)程，導(dǎo)致收斂速度慢，而粒子群優(yōu)化（PSO）彌補(bǔ)了這一不足。粒子群算法具有并行計(jì)算的能力，能快速收斂達(dá)到最優(yōu)解。粒子群算法[4]在已知解空間中，隨機(jī)將一組參數(shù)初始化為粒子，所選粒子代表極值優(yōu)化的潛在最優(yōu)解。粒子的特征向量由3個(gè)指標(biāo)（位置、速度和適應(yīng)度）來(lái)描述。在迭代過(guò)程中，通過(guò)跟蹤每個(gè)粒子的個(gè)體極值和種群極值的變化來(lái)更新解空間中每個(gè)粒子的迭代方向。其中，個(gè)體極值代表適應(yīng)度函數(shù)計(jì)算后的多次迭代的最優(yōu)解。種群極值是指在計(jì)算適應(yīng)度函數(shù)后，對(duì)整個(gè)種群進(jìn)行多次迭代的最優(yōu)解。粒子的每次迭代計(jì)算都會(huì)更新和比較個(gè)體適應(yīng)度值和群體極值的適應(yīng)度，從而確定極值和群體極值的位置[5]。在迭代過(guò)程中，不斷更新粒子的位置和速度值，以提高整個(gè)種群的適應(yīng)度，更新公式如下：

2 智能工廠生產(chǎn)仿真優(yōu)化

2.1 項(xiàng)目背景

Y公司主要生產(chǎn)產(chǎn)品為不同規(guī)格的不銹鋼復(fù)合管及晾曬架。如圖1所示，生產(chǎn)流程包括生產(chǎn)12×24×1181管、12×24×505管及16×250管，并通過(guò)焊接形成尺寸為12×24×1061的H1管和12×24×505的H2管，最終和上層大網(wǎng)片組裝形成成品。經(jīng)技術(shù)人員介紹，Y公司的老生產(chǎn)線由于布置時(shí)未進(jìn)行合理的規(guī)劃與仿真分析，因此在生產(chǎn)加工過(guò)程中經(jīng)常出現(xiàn)節(jié)拍的卡頓、物流運(yùn)輸?shù)姆磸?fù)低效等問(wèn)題。因此在進(jìn)行新廠的投產(chǎn)運(yùn)行前，希望結(jié)合現(xiàn)有的智能制造生產(chǎn)仿真模擬技術(shù)進(jìn)行規(guī)劃分析，給企業(yè)降本增效，優(yōu)化企業(yè)的利潤(rùn)空間。

圖1 生產(chǎn)產(chǎn)品

2.2 產(chǎn)品生產(chǎn)流程分析

產(chǎn)品生產(chǎn)是一個(gè)復(fù)雜的環(huán)境整體，包含工人、工裝設(shè)備、原材料零部件、工藝、環(huán)境等各類元素，這些元素共同構(gòu)成了生產(chǎn)車間的整個(gè)生命體[6]，如圖2所示。單管的生產(chǎn)包含上料、彎管、沖扁和放置等4個(gè)工藝流程，管子的組裝H1和H2由專門的焊接工位進(jìn)行焊接。根據(jù)整個(gè)車間設(shè)備的產(chǎn)能分析，初步規(guī)劃整條線（如圖3），共包含16個(gè)工位，通過(guò)機(jī)器人搬運(yùn)和AGV運(yùn)輸及傳送帶運(yùn)輸來(lái)實(shí)現(xiàn)各工位之間的連接，除了上下料需要人工操作外，其余絕大部分工位都實(shí)現(xiàn)了自動(dòng)化操作，整個(gè)生產(chǎn)車間的自動(dòng)化率達(dá)到90%以上。

圖2 工藝流程圖

圖3 車間布置圖

在車間尚未建成的情況下，通過(guò)智能工廠的仿真手段可以很好的分析車間設(shè)備整體布置方案的合理性，計(jì)算整個(gè)工廠流水線產(chǎn)能，分析產(chǎn)線節(jié)拍，得出瓶頸工位，并通過(guò)優(yōu)化算法合理調(diào)整工序與布置，縮短在制品的物流流轉(zhuǎn)與加工時(shí)間。

根據(jù)現(xiàn)場(chǎng)調(diào)研并咨詢相關(guān)的技術(shù)人員，分別列出各個(gè)設(shè)備的加工工序時(shí)間，如表1所示。

了解了車間的基本布局與各個(gè)工序的加工時(shí)間后，對(duì)車間生產(chǎn)情況進(jìn)行仿真模擬，仿真建模如圖4所示。仿真模型可以動(dòng)態(tài)模擬閑置及堵塞等生產(chǎn)問(wèn)題，統(tǒng)計(jì)各工位的設(shè)備綜合效率、產(chǎn)量等數(shù)據(jù)。

表1 生產(chǎn)線各工位時(shí)間

生產(chǎn)線智能規(guī)劃建模應(yīng)考慮產(chǎn)能計(jì)算、生產(chǎn)線建設(shè)成本和運(yùn)營(yíng)成本控制、車間工藝、物流布局、廠房空間利用等諸多因素，這些影響因素都可以定義為一種粒子，粒子迭代過(guò)程中速度、位置更新。生產(chǎn)模型仿真，通過(guò)仿真計(jì)算預(yù)估生產(chǎn)線布局模型的可行性，在合理的數(shù)據(jù)輸入及生產(chǎn)仿真機(jī)制響應(yīng)下（故障率、稼動(dòng)率、每小時(shí)產(chǎn)量），輸出仿真結(jié)果。同時(shí)以數(shù)據(jù)為基礎(chǔ)，綜合對(duì)比不同布局方式對(duì)生產(chǎn)線的影響，分析生產(chǎn)線的瓶頸位置與瓶頸原因，結(jié)合仿真結(jié)果與生產(chǎn)情況進(jìn)行對(duì)比分析，進(jìn)行多次優(yōu)化迭代改善模型，以縮短節(jié)拍時(shí)間，提高生產(chǎn)能力，獲得最佳的生產(chǎn)策略和方案。

2.3 仿真優(yōu)化分析

在開(kāi)始計(jì)算前，需要對(duì)仿真模型進(jìn)行初始化。首先確定仿真時(shí)間，按照每周5 d、每天3班的作業(yè)計(jì)時(shí)，設(shè)置仿真加工時(shí)間為7 d（168 h），設(shè)備在運(yùn)行過(guò)程中會(huì)出現(xiàn)故障，咨詢相關(guān)技術(shù)人員并結(jié)合工廠歷年生產(chǎn)數(shù)據(jù)，設(shè)置加工設(shè)備的平均故障率為6%。

圖4 智能車間物流模型

同一種機(jī)床設(shè)備可以加工不同類型的管子，因此該問(wèn)題優(yōu)化可以抽象成在滿足工序流程的情況下，如何分配生產(chǎn)任務(wù)讓每臺(tái)設(shè)備都能最大化加工時(shí)間。數(shù)學(xué)建?？梢詺w納為N個(gè)訂單需求，M臺(tái)生產(chǎn)設(shè)備（N＞M），每個(gè)產(chǎn)品需要經(jīng)過(guò)K道工序完成，有些工序有明確的前后關(guān)系約束，通過(guò)調(diào)度優(yōu)化算法求解滿足生產(chǎn)任務(wù)需求的最優(yōu)結(jié)果，同時(shí)得到在約束條件下，各個(gè)工序的緊前和緊后任務(wù)分配。這是一個(gè)典型的JSSP模型求解問(wèn)題，本文選用GA-PSO混合迭代，理論上存在最優(yōu)解優(yōu)化生產(chǎn)節(jié)拍。

運(yùn)行仿真模型后，圖5展示了型號(hào)為16×250的管子在加工仿真時(shí)間內(nèi)整體的生產(chǎn)情況?？梢园l(fā)現(xiàn)該公司目前的布置方案存在較大問(wèn)題，產(chǎn)線節(jié)拍不平衡，瓶頸工位主要在焊接部分。在不增加新設(shè)備的情況下，對(duì)各個(gè)工序流程進(jìn)行合理分配，GA-PSO進(jìn)行迭代尋找工序與設(shè)備組合的最優(yōu)解。

定義遺傳算法的相關(guān)參數(shù)指標(biāo)：其中交叉機(jī)率定義為0.85、種群數(shù)量定義為20、變異機(jī)率定義為0.15，生產(chǎn)仿真模型后統(tǒng)計(jì)迭代曲線如圖6所示。從圖6中可以看出，在初始迭代階段，適應(yīng)度值快速下降，這大大縮短了迭代尋優(yōu)時(shí)間，在迭代進(jìn)行8次后，種群的適應(yīng)度值已經(jīng)趨于收斂，收斂值所對(duì)應(yīng)的排序方式即為最小化最大完工時(shí)間的最優(yōu)解。

根據(jù)新的工序排列順序，分別比較一周內(nèi)產(chǎn)量的變化和生產(chǎn)節(jié)拍情況，由圖7可以看出，經(jīng)過(guò)GA-PSO優(yōu)化過(guò)后的生產(chǎn)產(chǎn)量明顯提高，由于加入了平均維修時(shí)間（MTTR）和工人休息時(shí)間，所以會(huì)有略微的產(chǎn)量波動(dòng)，整體產(chǎn)量維持在2050 件/d，相比于傳統(tǒng)方案的1850 件/d，產(chǎn)量提高了近10%。由圖8可以看出，優(yōu)化過(guò)后的生產(chǎn)節(jié)拍約為35.4 s，與傳統(tǒng)方案的40.2 s相比，性能提高了近13.5%。

3 結(jié)論

針對(duì)某公司的智能生產(chǎn)車間在初始規(guī)劃建造過(guò)程中需要規(guī)避的實(shí)際產(chǎn)能問(wèn)題，本文通過(guò)Plant Simulation平臺(tái)進(jìn)行車間數(shù)字化生產(chǎn)智能化仿真優(yōu)化，分析初始設(shè)計(jì)方案的合理性，并在不增加生產(chǎn)設(shè)備的情況下，通過(guò)GA-PSO迭代尋優(yōu)找到最優(yōu)的工序解。具體結(jié)論如下：1）對(duì)初始方案進(jìn)行生產(chǎn)流程建模分析后發(fā)現(xiàn)，初始方案存在明顯的生產(chǎn)瓶頸，生產(chǎn)節(jié)拍與物流不順暢；2）通過(guò)GA-PSO迭代尋優(yōu)找到最優(yōu)的工序解方案，可以平衡產(chǎn)線節(jié)拍，與初始方案相比，整個(gè)車間生產(chǎn)節(jié)拍加快了13.5%，車間產(chǎn)量提高了近10%，為企業(yè)帶來(lái)了更多的利潤(rùn)空間。

圖5 16×250管子加工仿真結(jié)果

圖6 GA-PSO迭代尋優(yōu)

圖7 產(chǎn)量對(duì)比

圖8 節(jié)拍對(duì)比