面向航空发动机装配线的知识化制造系统重调度和自重构

为了解决航空发动机装配过程中存在的不确定返工问题,建立了面向航空发动机装配线的知识化制造系统(knowledgeable manufacturing system,KMS)重调度和班组自重构优化模型,提出装配线重调度及自重构集成优化算法.在算法调度层,证明了以加权完工成本为优化目标的工序排序性质,并对工序进行初始排序.定义了3种邻域结构,用变邻域搜索(variable neighborhood search,VNS)对工序在并行装配组上的指派问题和调度问题进行优化.在重构层,在不违背装配组装配技能约束的前提下利用装配线负载平衡原则对装配班组进行配置,并采用禁忌搜索(tabu search,TS)对班组配置进行优化.仿真实验结果表明了模型与算法的有效性.     

面向航空发动机的知识化制造系统拖期调度与自重构

针对某航空发动机装配线装配效率低、工人分配不合理等问题,建立面向航空发动机的知识化制造系统拖期调度和班组自重构优化模型.提出一种启发式算法,实现生产调度与班组配置的协同优化.在算法调度层中,针对航空发动机装配过程存在复杂约束这一特点,证明与产品拖期优化目标相关的工序排序性质,设计相应工序调整算法,给出工序在并行装配组上的初始分配方案和优化方案.在重构层,根据系统负载平衡的原则优化各装配班中装配组的数量.仿真实验结果表明了模型和所提出算法的有效性.     

不确定环境下的航空发动机装配线适应性调度方法

航空发动机装配是航空发动机制造过程的关键环节,其工序多,流程复杂,生产过程中扰动频发,如装配时间波动、不合格返工等.针对不确定环境下的航空发动机装配线的调度问题,提出一种基于门控循环神经网络(GRU)的适应性调度方法.该调度方法包含扰动识别和调度规则调整两个部分:扰动识别模块以滑动时间窗口为周期,利用GRU神经网络进行渐近型扰动的识别;调度规则调整模块以扰动识别的结果为触发,通过构建基于GRU神经网络的调度规则决策模型,输出适配当前生产状态的新的调度规则,用以指导生成更新的调度方案.最后,以某航空发动机装配线为研究案例,对所提出适应性调度方法进行验证分析.对比实验结果表明,所提出方法能够有效提升装配线的设备利用率、日均生产率等性能.     

基于遗传分散搜索算法的装配排序优化

航空发动机装配车间调度问题包括部件组装调度和试车台排序。其中试车台排序是一个关键问题,它直接影响生产效率和生产成本。为了提高生产效率、降低生产成本,文中针对航空发动机装配车间调度问题,依据实际情况,对其中关键的试车台排序问题进行深入研究。在分析试车台排序特征的基础上,建立了试车台最优排序的旅行商模型,基于遗传分散搜索算法对该模型进行求解,为装配排序优化问题提供了一种科学的方法。最后通过算例比较表明该算法的适用性和优越性。     

基于遗传分散搜索算法的装配排序优化

航空发动机装配车间调度问题包括部件组装调度和试车台排序。其中试车台排序是一个关键问题,它直接影响生产效率和生产成本。为了提高生产效率、降低生产成本,文中针对航空发动机装配车间调度问题,依据实际情况,对其中关键的试车台排序问题进行深入研究。在分析试车台排序特征的基础上,建立了试车台最优排序的旅行商模型,基于遗传分散搜索算法对该模型进行求解,为装配排序优化问题提供了一种科学的方法。最后通过算例比较表明该算法的适用性和优越性。     

汽车装配车间生产计划与调度的同时优化方法

文中提出三种新方法来解决汽车装配车间生产计划与调度的同时优化问题.首先将汽 车装配线简化为一个Flow shop问题,并建立其混合整数规划模型,以求得使各装配工位的准 备成本和空闲时间尽可能少并尽可能满足产品需求的粗生产计划.然后在粗生产计划的基础上 考虑装配线的细节,用Tabu搜索法与快速调度仿真相结合的三种不同启发式算法使生产计划 与调度同时得到优化,并给出了三种算法的复杂性.大量算例的比较研究表明了这些算法的有 效性和适用性.     

基于改进烟花算法的随机装配线混流调度

针对随机装配线混流调度问题,分析作业时间随机波动对调度优化目标的影响,提出描述随机作业时间下工位闲置时间和超载时间有效数学期望的概念,并基于此构建以工位负荷均衡指数为优化目标的随机作业时间条件下的装配线混流调度优化模型.在标准烟花算法中引入精英策略、变邻域搜索等技术,设计一种改进烟花算法对模型进行求解,并结合测试算例和生产实例对随机装配线混流调度模型及求解算法进行验证,求解结果表明了模型和算法的有效性.     

装配线物料搬运的拉格朗日松弛算法

为提高汽车制造企业混流装配线的运行效益,提出了基于看板模型的多封闭循环路径多载量小车物料配送调度方法—–装配线物料配送调度的拉格朗日松弛算法.首先对问题域进行了描述并做出了具体假设,以最小化配送系统总成本为目标,建立了混合整数规划模型.在此基础上,针对该模型提出了两种算法—–次梯度和随机步长拉格朗日松弛算法,将松弛问题分解为两个决策子问题分别进行求解.仿真实验表明提出的两种调度算法均适用于该研究问题域,并在求解时间及稳定性上表现出良好的性能.     

工序间存在零等待约束的复杂产品调度研究

针对实际装配生产中工序之间存在零等待约束的复杂产品的调度问题, 提出了一种把存在零等待约束的工序虚拟成一个工序的方法. 该方法在提出复杂产品、标准工序、虚拟工序、零等待和扩展加工工艺树的概念基础上, 对扩展加工工艺树中的标准工序采用拟关键路径法和最佳适应调度的车间调度算法进行调度, 对虚拟工序采用移动交换算法在相应设备上分离调度, 将存在零等待约束的调度问题转化为存在虚拟工序的无零等待约束的调度问题. 实例表明, 所提出的调度算法能够较好地解决具有实际意义的工序间存在零等待约束的复杂产品的调度问题, 且易于实现.     

加工与装配车间集成调度的多目标优化模型

为解决一类具有多品种混流加工作业车间和流水装配车间的两阶段集成调度优化问题,以加工线最大完工时间和产品总生产完工时间最小为目标,并考虑通过对零部件加工提前完工和装配线等待施加惩罚系数,以保证缓冲区在制品库存和装配过程均匀连续生产,建立加工与装配车间集成调度的多目标优化模型,充分利用加工和装配工序之间存在的并行性,合理确定零部件加工顺序和装配排序,以缩短产品生产周期,降低生产成本,提高生产设备利用率;同时针对所建立的模型,设计遗传算法进行求解,采用零件加工和产品装配的两段实数编码,以稳态复制对群体进行选择,对交叉和变异算子进行设计,以保证新个体满足工序先后约束的可行性,避免了非可行解的混入影响优化结果;最后通过实例验证所建调度模型的可行性和算法的有效性。     

柔性作业车间调度问题的集成启发式算法

柔性作业车间调度问题,包括路径分配和加工排序2大子问题,是组合优化理论和实际生产管理的重要研究方向。作为传统作业车间调度的扩展,柔性作业车间调度问题的内在复杂性(强NP-Hard)使得传统的最优化方法难以有效求解。文章针对以多目标权重和最优为目标的柔性作业车间调度问题,提出基于过滤定向搜索的集成启发式算法,设计改进了节点分枝策略和局部/全局评价函数,能同时解决2大子问题。通过实例仿真,对算法性能进行比较分析和评价,结果表明了算法的可行性和有效性。     

基于遗传算法的某航空发动机装配车间优化调度

航空发动机装配车间装配生产线的调度问题,是一类比较典型的混合Flowshop问题,同时还带有工件可重人等特点,这就区别于一般的Flowshop和Jobshop调度问题,因此,将可重入混合车间调度问题划为第三类调度问题。关于重入式混合车间生产调度的优化问题通常来说都是属于NP难问题。文中通过某航空发动机装配车间生产线的研究,以最小化最大完工时间为目标函数,借助随机矩阵的编码方式和改进的交叉方法与变异方法,提出了基于遗传算法的调度优化方法。最后实验结果表明,文中提出的改进算法能够有效地实现装配车间调度的优化。     

基于种群分类粒子群算法的物流车辆调度优化

为了获得更加理想的配送车辆调度方案,提出一种基于种群分类粒子群算法的配送车辆调度优化方法。首先建立多约束配送车辆调度的数学模型,并以配送路径最短作为目标函数,然后采用粒子群算法对模型进行求解,并对每次迭代产生的粒子群进行分类,根据分类结果对粒子群进行不同的操作,加快了算法的搜索速度,以避免陷入局部最优,最后进行仿真对比实验。结果表明,种群分类粒子群算法获得比较理想的配送车辆调度方案,具有一定的实用价值。     

Mathematical model and genetic optimization for the job shop scheduling problem in a mixed- and multi-product assembly environment: A case study based on the apparel industry

An effective job shop scheduling (JSS) in the manufacturing industry is helpful to meet the production demand and reduce the production cost, and to improve the ability to compete in the ever increasing volatile market demanding multiple products. In this paper, a universal mathematical model of the JSS problem for apparel assembly process is constructed. The objective of this model is to minimize the total penalties of earliness and tardiness by deciding when to start each order’s production and how to assign the operations to machines (operators). A genetic optimization process is then presented to solve this model, in which a new chromosome representation, a heuristic initialization process and modified crossover and mutation operators are proposed. Three experiments using industrial data are illustrated to evaluate the performance of the proposed method. The experimental results demonstrate the effectiveness of the proposed algorithm to solve the JSS problem in a mixed- and multi-product assembly environment.     

Maintenance costs and makespan minimization for assembly permutation flow shop scheduling by considering preventive and corrective maintenance

The joint optimization of production scheduling and maintenance planning has a significant influence on production continuity and machine reliability. However, limited research considers preventive maintenance (PM) and corrective maintenance (CM) in assembly permutation flow shop scheduling. This paper addresses the bi-objective joint optimization of both PM and CM costs in assembly permutation flow shop scheduling. We also propose a new mixed integer linear programming model for the minimization of the makespan and maintenance costs. Two lemmas are inferred to relax the expected number of failures and CM cost to make the model linear. A restarted iterated Pareto greedy (RIPG) algorithm is applied to solve the problem by including a new evaluation of the solutions, based on a PM strategy. The RIPG algorithm makes use of novel bi-objective-oriented greedy and referenced local search phases to find non-dominated solutions. Three types of experiments are conducted to evaluate the proposed MILP model and the performance of the RIPG algorithm. In the first experiment, the MILP model is solved with an epsilon-constraint method, showing the effectiveness of the MILP model in small-scale instances. In the remaining two experiments, the RIPG algorithm shows its superiority for all the instances with respect to four well-known multi-objective metaheuristics.     

A hybrid meta-heuristic algorithm for optimization of crew scheduling

Crew scheduling problem is the problem of assigning crew members to the flights so that total cost is minimized while regulatory and legal restrictions are satisfied. The crew scheduling is an NP-hard constrained combinatorial optimization problem and hence, it cannot be exactly solved in a reasonable computational time. This paper presents a particle swarm optimization (PSO) algorithm synchronized with a local search heuristic for solving the crew scheduling problem. Recent studies use genetic algorithm (GA) or ant colony optimization (ACO) to solve large scale crew scheduling problems. Furthermore, two other hybrid algorithms based on GA and ACO algorithms have been developed to solve the problem. Computational results show the effectiveness and superiority of the proposed hybrid PSO algorithm over other algorithms.     

Dynamic scheduling in flexible assembly system based on timed Petri nets model

This paper investigates a scheduling model for optimal production sequencing in a flexible assembly system. The system features a set of machines working together in the same workspace, with each machine performing a subset of operations. Three constraints are considered: (1) the precedence relation among the operations specified by the assembly tree; (2) working space that limits concurrent operations; and (3) the variation of process time. The objective is to find both a feasible assignment of operations to machines and schedule tasks in order to minimize the completion time for a single product or a batch of products. The assembly process is modeled using timed Petri nets and task scheduling is solved with a dynamic programming algorithm. The method calculates the time required precisely. A detailed case study is discussed to show the effectiveness of the model and algorithm.