混流装配线排序

2024-05-12

混流装配线排序（精选4篇）

混流装配线排序篇1

1 引言

混流装配线是指产品特性相似的不同产品类型混合生产的装配线。它在基本不改变现有生产条件和能力的前提下,通过改变生产组织方式,在同一条装配线上生产出多种不同型号,不同数量的产品,从而在最短的时间里,最大限度地满足不同消费者的个性化需求,快速响应市场需求的变化,提高企业的竞争力。

排序问题是混流装配线能否有效进行的关键问题之一,它确定了装配线上不同产品的加工顺序。一个合理性的投产排序对提高企业生产效率,降低各种资源浪费,增加企业在市场经济中的竞争优势具有重要意义。

对于混流装配线的排序问题,国内外许多学者都进行了不同方面的研究,要解决排序问题主要从优化目标函数与算法两方面进行。

2 排序问题描述

对于混流装配线的投产排序,通常采用循环排序法。设要装配M种产品,总需求量为D,其中对每一种产品的需求分别为D1,D2,…,DM,即D=ΣMm=1Dm。每种产品的最大公约数为r,令称(d1,d2,…,dm)为一个循环流程,在生产运作中,针对这个循环进行排序。重复进行r个流程,可得所有产品的投产顺序。

例如要生产3种产品A、B、C,每种产品的需求量为DA=200,DB=100,DC=300,每种产品的最大公约数r为100,则在一个最小生产循环内(dA∶dB∶dC)=(2∶1∶3),对这个循环进行100次重复排序,则可以得到全部产品的排产顺序。

3 目标函数

对于混流装配线的排序问题,根据优化目标的不同,目标函数可归纳为下面几类。

(1)负荷均衡化

保证工作站的负荷均衡化,可以使生产畅顺,提高生产率,增强企业竞争力,增加企业的利润。该目标函数在数学形式上通常采用最小化总的未完成作业量。如文献[1]就是采用这种目标函数。

该目标函数为[1]:

式中,Ui,s为工作站s上第i个模型的未完成作业量。模型i在工作站s的开始作业时间,STl,i,s:模型i在模型l后立即投入到工作站s的准备时间,Pi,s:模型i在工作站s的加工时间;Ti,s:模型i在工作站s的完成时间;Xl,i,k∈邀0,1妖,其中1表示排在第j个位置上的产品是第i种产品,否则为0。

(2)各零部件的使用率均匀化

混流装配线正常运转的一个关键前提是生产的均衡化和同步化。各零部件的使用速率均匀化能减少供应零部件的各工序产量以及运送量的变化,降低在制品的储存量。文献[2]、[3]均使用了该优化目标。目标函数为[2]:

式中,j为产品排序位置的标号;bip为生产每种i产品需要的零部件p的数量;xji∈邀0,1妖,其中1表示排在第j个位置上的产品是第i种产品,否则为0;αp为零部件p的理想使用速率;βj-1,p为前j-1个产品消耗零部件p的数量和。

(3)最大化相似度

基于关键件相似目标的排序,可使装配序列中相邻产品的相似度最大化,这样就可以减少装配中关键件的变化次数,达到降低错装、漏装概率的目的。文献[4]使用了该目标函数。

目标函数为[4]:

式中,f(x)为可连续装配相同关键件的次数,M为产品的总数;i为产品排序序号;S(α,β)为α与β的关键件相似度。

(4)传送中断时间最小化

减少传送带中断的时间和次数,能保持生产稳定、畅顺,提高产量。文献[5]~[7]以此为目标函数。

目标函数为[5]:

式中,hkθ(n):作业域k对投入顺序θ中第n个模型的作业起点;tkθ(n):作业域k对投入顺序θ中第n个模型的作业时间;Lk为作业域k(K)的长度。

(5)最小化成本

调度中发生的费用有:加工费用、工人费用、在线库存费用等,成本的最小化实际上是说明了生产的最优化。文献[8]~[9]是以最小化成本为目标函数。

目标函数为[9]:

式中,Ci,j是第i类安排在第j时段上线生产产品承担的费用;xij∈邀0,1妖,其中1表示第i类安排在第j时段上线生产,否则为0。

(6)多目标组合

实际生产中,企业有不同的需求,因此多目标组合更适合实际的生产。文献[10]以每个工作站负荷平衡与最小零部件消耗量不均衡率为目标函数。文献[11]提出最小化准备时间与最小化零部件消耗量不均衡率两个目标函数作为研究对象。文献[12]~[14]提出了混流装配线的三个目标函数:最小化额外工人工作量、最小零部件消耗量不均衡率、最小化调整切换时间。

4 调度方法

混流装配线的调度的实质属于NP难题,对于这类复杂问题,许多学者提出了不同的算法,归纳起来有以下几种。

4.1 最优解算法

最优解算法指对特定的调度目标,能在多项式时间内得到最优调度的一类算法,该方法较常见的有分支定界法、动态规划法等。

文献[7]用分枝界定法对最小化停线时间为目标函数的排序问题进行计算,得出分枝界定法对于小规模排序问题有较好的效果。文献[15]运用分支界定法去解决混流装配线的问题。文献[16]提出了一种新的分枝界定法的下界算法,提高了计算的速度与剪枝的效率。

文献[17]以线性规划思想提出了一套快速实现车间最优动态排序的方法,以延迟时间最小化为目标函数,实现了车间最优动态排产。

最优解算法从理论上能得到最优解,属于精确求解方法,但通常计算量过大,随着问题规模的扩大,会发生组合爆炸,而混流装配生产方式生产的产品有很多种,以致很难用来求解混流装配线的调度问题;而且这种算法的模型过于简单而不能很好的解决问题。

4.2 人工智能方法

人工智能方法的一个主要特征就是牺牲求解结果的精确性换取求解的效率,因而通常不可能在每次执行算法时都得到问题的精确最优解,往往只是不断逼近问题的最优解。该特点决定了算法在求解实际问题的过程中有很大的调整余地。人工智能方法主要有遗传算法、蚁群算法、粒子群算法等。

(1)遗传算法GA

1)基本遗传算法SGA

文献[18]~[19]都是运用基本遗传算法来解决混流装配线的排序问题的。其结果表明SGA要优于传统的算法。

由于GA在搜索过程中只使用适应度函数值作为搜索的依据,不需要梯度信息及其它辅助信息,摆脱了对数学模型的依赖,不受函数连续可微与否的约束,因而理论上它能够解决任何形式的非线性系统的优化问题。

SGA虽然要优于传统算法,但是还存在以下问题。

(1)由于GA在进化搜索过程中,每代总是要维持一个较大的群体规模,从而使计算次数呈非多项式时间增加,对于超大规模的优化问题,限制了GA的使用;

(2)容易陷入早熟收敛或收敛缓慢;

(3)GA爬山能力差。

2)改进遗传算法

针对遗传算法的弱点,众学者采取了不同的方法来进行改进,主要途径概括起来有两种:一、改进遗传算法的组成成分、使用技术;二、将遗传算法与其他智能优化算法结合。

(1)第一类改进遗传算法

文献[8]采用矩形交叉方法进行二进制二维编码,分别在两个父代矩阵中选取随机选择相同位置的一片矩形区域进行互换,该方法提高了遗传算法的收敛速度。文献[20]选用了锦标赛选择算子以避免收敛到局部最优解,变异算子使用了非标准的旋转算子和移位算子两个算子相结合的变异方法保证了群体中个体的多样性。文献[21]提出利用分布种群遗传算法求解车间调度问题,该算法将要寻优的空间划分成若干不相交子空间,不断对各个子空间进行划分寻优,达到在较小的范围做精细搜索,在不牺牲搜索广度的情况下增加了搜索的深度,从而提高了算法寻优的效率。

(2)第二类改进遗传算法

文献[3]针对混流装配线排序问题,提出一种混合遗传禁忌搜索算法GATS,在每一代遗传演化之后,按一定比例随机选择部分解进行禁忌搜索,此算法延缓或避免了遗传算法早熟收敛的发生,提高了遗传算法的爬山能力,具有更好的全局搜索能力和收敛性能。文献[22]提出了结合遗传算法GA和模拟退火算法SA的混合遗传算法GASA,两种算法的混合提高了SA优化性能,增强和补充了GA的进化能力,丰富了优化过程中的搜索行为,增强全局和局部意义下的搜索能力和效率。

(2)蚁群算法ACA

1)基本蚁群算法

文献[23]用蚁群算法进行运算,解决了混流装配线的调度问题,得到了优于分支定界法、模拟退火法和遗传算法的可行解。

研究结果已经表明,蚁群优化算法具有很强的发现较好解的能力,在很少的迭代次数内可以搜索到好解,具有分布式计算、易于与其它方法相结合、鲁棒性强等优点;而且当运算规模较大时,蚁群算法要比遗传算法好。

但是蚁群算法同样有一些缺点:

(1)缺乏有效的数学模型和通用的理论范式;

(2)初期信息素匾乏,需要较长的搜索时间;

(3)局部搜索能力较弱。

2)改进蚁群算法

为了解决蚁群算法的缺点,学者们提出了一些改进的蚁群算法。

文献[24]针对蚁群算法易陷入局部最优解,通过引入具有良好局部性的径向基函数RBF,遴选一部分蚂蚁对路径上的信息素进行更新,从而加快收敛速度,并减少停滞现象的发生。文献[25]提出了一种蚁群系统与遗传算法融合的算法,将遗传算法加入到蚁群系统的每一次迭代过程中,利用遗传算法全局快速收敛的优点来加快蚁群系统的收敛速度;并且遗传算法中的变异机制帮助提高了蚁群系统跳出局部最优的能力。结果表明新算法在求解时间和求解质量上都取得了很好的效果。

(3)粒子群算法PSO

1)基本粒子群算法

文献[26]运用了PSO算法来解决动态车间调度问题,快速的得到了很好的排序结果,表明PSO在该问题上的应用十分有效。

PSO算法实现简单,具有并行搜索、可调参数少、计算速度快、收敛精度高并且有较好的全局搜索能力,从计算量和运行时间看,要优于遗传算法等智能演化方法。但是PSO存在以下问题:

(1)在寻优过程中的收敛性受参数影响较大,而参数的选择主要还是凭经验选取;

(2)初始种群的分布对于收敛能力有很大的影响,随着迭代次数的增加,算法收敛性下降,容易陷入局部最优。

2)改进粒子群算法

如何使PSO避免早熟收敛,加快收敛速度,一直是研究的热点和重点。通常采用的策略可分为两类:一类是通过对参数的调整;一类是引入其它优化算法的优点进行改进。

(1)基于参数调整的PSO

文献[27]对于提出了一种二维粒子表示方法,通过对粒子位置向量进行排序生成有效调度,并采用粒子位置向量多次交换的局部搜索方法来提高算法的搜索效率。文献[28]针对PSO对于参数的依赖性,提出用混沌优化策略对PSO的参数进行自适应优化和改善算法搜索性能,并且通过实验证明了算法可行有效。

(2)基于遗传算子的PSO

文献[29]提出一种基于遗传交叉因子的改进粒子群优化算法GHPSO,通过引入交叉因子增强群体粒子的优良特性,减小了算法陷入局部极值的可能,提高了全局搜索能力和收敛速度。文献[30]、[31]对粒子群进行采用遗传算法中的交叉操作,针对粒子群算法容易陷入局部最优解,对粒子群进行遗传算法中的变异操作,结果表明该方法简单有效。文献[32]在基本PSO中引入精英策略和小概率变异机制,得到算法DSMOPSO,得到较好的收敛性和多样性。

5 研究展望

对于混流装配线排序问题,虽然已经有许多突破进展,但是由于排序是NP难题,应用到实际中时候,随着调度问题规模的增大和其它约束与优化目标的增多,仍有许多难题要解决。混流装配线的研究方向可包括以下几个方面。

(1)多目标函数优化

在实际中,调度优化函数往往是采用多目标函数,目前常用加权权重方法处理权重系数,这种方法虽然简单、易于实现,但是权重系数的选择依靠研究人员的经验,缺乏理论依据,而且对冲突型多目标优化结果的影响较大。如何突破加权处理的优化思路,需要进一步深入探讨。

(2)优化调度算法的更深入研究

虽然许多学者已经提出了不少优化算法,但是这些算法还是有不足之处,如何进一步改善算法结构,提升运算速度需要进一步研究。

(3)调度平台的设计

利用调度模型、优化算法,结合可视化编程技术相结合,开发出更好的生产调度软件,可进一步提高混流装配线生产系统的生产效率与能力。

6 结束语

混流装配线在现代生产中应用得越来越多,多目标函数的优化是研究的方向,现有算法对于排序问题取得较优解也已经有了很大的提高,如何在现有研究上进一步将理论研究应用到实际生产中,进一步提高生产效率十分重要,也是继续研究的方向。

摘要：目标函数的选取与排序问题的求解方法是解决混流装配线排序问题的两个关键问题,通过对混流装配线排序问题的国内外研究现状分析,并根据不同的优化目标,归纳出了不同类型目标函数并给出相应的数学模型;同时对排序问题的各种求解方法进行了分析和评价,重点介绍了人工智能方法。在此基础上,对混流装配线的发展进行了展望。

关键词：混流装配线,排序,目标函数,调度方法

混流装配线排序篇2

混流装配线可以在基本不改变生产组织方式的前提下, 同时生产出多种不同型号、不同数量的产品, 它是应对大规模定制生产的一种有效组织方式[1]。目前, 我国家电、汽车生产行业大量采用了混流装配方式, 装配线上合理的投产顺序能有效提高装配线的生产效率、降低生产周期和充分利用生产资源, 因此解决混流装配线的排序问题是混流装配线能否高效运作的关键。

在求解混流装配线的排序问题上, 通过智能算法求解是目前的研究重点。目前, 常用的智能算法有遗传算法、粒子群算法 (PSO) 、蚁群算法等。郑永前、王永生等[2]通过免疫粒子群算法求解最小化超载时间与空闲时间的费用的混流装配线排序模型, 但算法结果一般, 且没有考虑其他影响装配线效率的因素;刘炜琪、刘琼等[3]通过混合粒子群算法求解以最小化超载时间、最小化调整时间、最小化产品变化率为优化目标的混流装配线排序模型, 取得一定的效果, 但忽略了所优化的多目标间的冲突和竞争;王炳刚、饶运清等[4]和苏平、于兆勤[5]通过混合遗传算法对零部件消耗均匀和最短生产循环周期对混流装配线排序问题进行优化;董巧英、阚树林等[6]通过改进离散微粒群算法对最小超载、空闲和调整时间的费用最低的混流装配线排序问题进行优化;薛琴微、兰秀菊等[7]通过小生境蚁群算法求解以传送带中断时间最短为目标的混流装配线优化模型。

与其他算法相比, 粒子群算法在求解过程中, 微粒只需要在解空间内追随最优的微粒进行搜索, 并用公式来更新自己的速度及位置, 不需要进行交叉和变异等操作, 具有原理简单、计算方便、全局搜索能力强等优点。在连续空间的实值型处理上已经表现出优良的性能, 但其不能直接进行离散空间问题的求解, 且容易陷入局部最优点, 禁忌搜索算法 (TS, Tabu Search或Taboo Search) [8]具有很强的局部搜索能力, 可以有效避免陷入局部最优。

因此, 本研究通过建立基于PSO算法和禁忌搜索算法的模型求解混流装配线排序问题。

1 混流装配线排序数学模型建立

1.1 混流装配线排序问题描述

由于混流装配线的类型各不相同, 目前学术界主要研究的是由传送带 (链) 连接的封闭作业域混流装配线。在这类装配线中, 当某工作站未能完成产品的加工时, 往往假设由线外的员工及时完成, 但在实际生产中往往不能达到这个要求, 而且一般家电、汽车的总装配线通常采用开放式的作业域。因此, 为更加贴近实际生产要求, 本研究对开发式作业域的混流装配线排序问题进行了研究。

开放式作业域的混流装配线排序模型可以描述为:混流装配线由传送带 (链) 连接N个工位, 传送带 (链) 以恒定速率VC移动, 每个装配工位长度为Li, 工位是开放的, 装配线上的工人在装配时需要随着装配输送链的移动而移动, 当工人不能在自身的工位内完成加工时, 可以在不影响其他工位加工的情况下进入下游加工, 同时也可以进入上游工位进行加工。假设: (1) 工件的投产间隔时间固定, 以间隔时间λ进行投产; (2) 忽略工人的行走时间; (3) 两个工位之间没有缓冲区。

有M种产品需要在装配线上装配, 每个品种的需求量为D1, D2, D3, …, DM, 则总需求量为。排序采用最小生产循环 (MPS, Minimum Part Set) 模式, 即整个生产顺序由若干个MPS构成, MPS由各产品需求量比例形成最小生产序列, 如每种产品的需求量为dm (m=1, 2, 3, …, M) , h为dm的最大公约数, 则每种产品在最小生产循环中的数量为dm/h, 那么这个MPS可以表示为d1/h, d2/h, ⋯dM/h。因此, 只要对这个MPS进行排序, 将最后排序的结果循环进行h次, 就可以得到整个装配产品的投产顺序。

1.2 混流装配线优化目标描述

针对排序问题采用不同的优化目标, 排序结果会有很大差异。为提高装配线上工人和设备的利用率并缩短总装配时间, 本研究选择以最小化超载时间和平顺化零部件消耗为优化目标。

1.2.1 最小化超载时间

在混流装配过程中, 当工人在规定工位区域内没能完成装配任务, 则剩余装配任务的标准工时为超载时间。Sarker等[9]考虑了不完全开放式作业域的混流装配线模型, 在此基础上扩展了其模型, 建立了开放式作业域的混流装配线, 该目标模型表示为:

式中:J—一个MPS的投产序列, j—序列中的某一顺序的产品, Uij—投产序列中第j个产品在工位i上的超载时间, Zi, j—投产序列中第j个产品在工位i上的起始装配位置, Z0i—工位i的起始装配位置, L—工位的长度, Vc—传送带 (链) 的传送速度, λ—装配线上产品的投产间隔时间, —序列中第j个产品在第i个工位上的加工时间, —序列中第j个产品所属的产品类型。

由于第一个工位属于封闭式的作业域, 研究者需要另外计算, 计算公式为式 (5, 7) 。

1.2.2 平顺化零部件消耗

混流装配线上不同的产品需要的零部件不尽相同, 因此平顺化零部件消耗是指将装配线上的不同产品所需零部件的消耗处于一个平稳的状态。

优化模型中采用了最小化超载时间与平顺化零部件消耗两个目标, 是多目标优化问题。为求解多目标优化问题, 本研究采用加权系数法。尽管该方法有其固有缺点, 但考虑到它具有简单易行和求解速度快等特点, 并且生产中需要的是可以接受的近优解, 仍在实际运用中得到了大量的应用。因此, 优化目标表示为:

式中:ω1, ω2—超载时间f1和平顺化零部件消耗f2在多目标优化问题中的重要程度的权重系数。

2 模型求解算法设计

2.1 标准PSO模型

粒子群优化算法是一种进化计算技术算法, 由Eberhart和Kennedy提出。在该算法中, 种群中的每一个体被称为微粒, 微粒在搜索空间中以一定的速度飞行, 并根据它本身的飞行经历以及同伴的飞行经历进行动态调整。在每一次的迭代中, 微粒通过跟踪两个最优解来更新自己, 第一个是自身所找到的最优解, 即个体极值pbest, 记为Pi (t) = (pi, 1 (t) , pi, 2 (t) , ⋯, pi, d (t) ) , 式中:i—粒子数, d—问题维数;另一个是整个种群所找到的最优解gbest, 记为Pg, 微粒的更新速度和位置为:

式中:c1, c2—学习因子;r1, r2— (0, 1) 之间的随机数;i—粒子数;j—问题某一维数;w—惯性权因子。

标准PSO算法的流程如图1所示。

在算法的初期, 由于个体最优值pbest和全局最优值gbest在不断变化, 算法全局搜索能力强。但是在算法的中后期, 由于pbest和gbest变化不大, 同时由于微粒具有“趋同性”, 微粒速度将越来越小, 最终使得大部分微粒速度接近或等于0, 微粒位置得不到更新, 有可能使算法陷入局部最优。禁忌搜索算法是一种全局性的邻域搜索算法。TS在进行搜索时, 它模拟人类大脑具有记忆功能的特点, 对某些状态进行记忆, 同时采用相对应的禁忌规则, 使算法能够有效地避免循环搜索, 提高算法的效率, 并且算法采用“藐视准则”来特赦某些具有优良状态的解, 避免丢弃导致由于禁忌规则的约束使一些状态良好的解被遗留, 进而既提高了有效性又保证了算法执行中种群的多样化, 最终实现了全局优化。

2.2 禁忌粒子群算法设计

由于PSO算法的缺陷, 本研究在标准PSO中引入两种策略进行改进:引入禁忌搜索算法, 通过TS算法搜索每次迭代群体中的最优解, 由于TS算法的特点, 使劣解也可以更新pbest, 有利于改善算法的全局搜索性能;随机权重法, 将权重w设置为随机时, 有可能加速算法的收敛速度, 当算法初期找不到最好点时, 由于w的线性递减可能导致算法最终不能收敛到全局最优点, 而随机权重可以克服这种局限。算法的关键及细节设计如下:

2.2.1 编码与解码方式

由于传统的基于产品表示的编码方式并不适用于PSO算法的微粒进化方式, 本研究需要新的解码和编码方式。假设一个MPS中有1个A产品, 2个B产品, 3个C产品, 则用数字1代表A产品, 2和3代表B产品, 4、5和6代表C产品, 然后引入Bean[8]提出的随机数表示法进行编码, 解码则采用映射规则依次升序解码。

2.2.2 惯性权重更新方式

将标准PSO算法中设定w为服从某种分布的随机数, 可以从两方面克服由于w的线性递减的不足。首先, 在算法初期, 随机w可以产品相对较小的w值, 加快算法的收敛速度;其次, 如果算法初期找不到最优解, 随着w的递减可能使算法最终收敛到局部最优点, 随机w可以克服这种局限性。

w的随机更新计算公式为:

式中:N (0, 1) —标准正态分布;rand (0, 1) —0～1之间的随机数;—随机权重平均值的最大值和最小值;σ—随机权重的方差, 由算法给定。

2.2.3 最优微粒的更新方式

在算法的每次迭代过程中都会得到一个gbest值, 若经过g次迭代后, gbest的值保持不变, 则使用禁忌搜索算法进行邻域解的搜索, 由于禁忌搜索可以接受劣解, 提高了跳出局部最优解的能力。由于禁忌搜索采用邻域搜索方式, 需要重新解码、编码。在禁忌搜索算法中候选解、禁忌表长度、禁忌对象、藐视准则是影响算法性能的主要因素。根据优化模型的优化问题和编码方式, 禁忌表长度则根据经验设置为0.6 l (l为候选解个数) , 候选解从邻域中选择若干目标值最佳的粒子入选, 禁忌对象采用目标值的变化, 藐视准则设置为根据适应度值的大小。最优微粒的TS算法更新方式如图2所示。

基于上述思想, 禁忌粒子群算法的算法流程如下:

(1) 随机初始化种群中各微粒的位置和速度;

(2) 评价每个微粒的适应度, 将当前各微粒的位置和适应度存储在各微粒的pbest中;将所有pbest中最优个体的位置和适应度值存储在gbest中;

(3) 通过公式 (11, 12) 更新微粒的速度和位移;

(4) 对每个微粒, 将其适应度值与其经历的最好位置作比较, 如果较好, 则将其作为当前的最好位置, 并同时更新gbest;

(5) 解码并重新编码对群体中的最佳微粒执行禁忌搜索, 并更新其pbest及群体的gbest;

(6) 通过公式 (13, 14) 更新权重值;

(7) 若满足迭代次数, 停止搜索, 输出结果, 否则返回步骤 (2) 。

3 实例研究

某冰箱装配企业某条总装线采用混流方式进行生产, 该装配线共6个工作站, 混合装配4种产品, 计划日产量分别为120台A产品、40台B产品、60台C产品和40台D产品。那么日产的MPS为6A, 2B, 3C, 2D, 共13个产品。

各产品在各工作站上的装配时间以及工位长度如表1所示;各个不同产品装配所需零部件如表2所示。

GA是目前求解混流装配线排序问题的常见方法[11,12,13,14]。因此, 为了验证算法的优越性, 本研究通过禁忌粒子群算法和GA算法对案例进行优化。GA算法参数:编码方式采用基于产品的编码方式, 染色体选择策略为轮盘赌, 迭代次数为100, 种群数量20, 交叉算子为单点交叉再进行编码修正, 交叉概率为0.9, 变异概率为0.09。禁忌粒子群算法参数:学习因子c1=c2=2, σ=0.2, 初始粒子种群数量为50个, 迭代次数为500。装配线的运行参数为:Vc取10mm/s, λ取50 s, 两个目标函数的权重w1, w2分别取0.5和0.5。各个算法都运行10次, 取最优值。

两种算法的优化结果如表3所示。禁忌粒子群算法的收敛图如图3所示。

由表3和图3可知, 禁忌粒子群算法在计算结果上优于GA算法, 同时拥有很好的收敛速度。这是因为禁忌粒子群算法结合了粒子群算法全局搜索的能力以及和TS算法在邻域搜索能力较强的特点以及随机权重更新方式, 加强了算法的全局和邻域搜索的平衡能力, 并且粒子群的快速收敛能力为禁忌搜索算法对提供了较好的初始解。

4 结束语

混流装配线排序篇3

混流装配线是指一条可以实现多种产品混合连续生产的装配流水线,它能够在不增加库存的前提下,快速响应市场对各种产品需求的变化。混流装配线的有效利用涉及两个方面:①装配线的负荷平衡问题;②不同品种产品的投产排序问题[1]。而在现有的有关混流装配线的文献中,大多只研究单方面的平衡或排序问题[1,2,3,4,5,6,7,8],同时考虑平衡和排序的文献[9,10,11]较少。文献[9]就混流装配线的设计过程及相关数学模型作了总结和延伸,但是并没有对该问题进行求解;文献[10]建立了考虑流水线平衡的平准化排序模型,但是没有给出求解该类问题的算法流程;文献[11]对混流装配线的平衡和排序问题分别作了介绍,并建立优化模型,同样,没有对该问题进行求解。

遗传算法作为模拟生物进化过程的智能算法,其强大的全局搜索能力在生产调度、机器人智能控制、网络设计等问题中得到了广泛的应用。但经验数据表明,简单遗传算法(simple genetic algorithm, SGA)存在早熟收敛和后期收敛速度慢的缺点[12],而小生境技术的引进可以很好地保持种群的多样性,同时使算法具有很高的全局寻优能力和收敛速度,特别适合于复杂多峰函数的优化问题[13]。

本文兼顾混流装配线的负荷平衡和投产排序两个方面,建立了以最小化闲置与超载时间之和为优化目标的改进的数学模型,设计了一种引入小生境技术的求解该问题的遗传算法(niche-based genetic algorithm,NGA),并用Java语言编写了混流装配线计划调度系统软件。

1 混流装配线的优化模型

1.1 问题描述

本文混流装配线优化设计的问题描述如下:在计划期内,生产M个品种的系列产品,市场的总需求为D个产品单位,每个品种的预测需求为 $D_{m} (m = 1, 2, \dots, Μ) ‚ \sum_{m = 1}^{Μ} D_{m} = D$ 。给定M个无回路的有向图G=(E,P),节点E代表作业元素集,弧P代表装配作业之间的先后关系集,对应每个节点i∈E有值ti(i=1,2,…,n)表示作业所需时间单位。装配线的设计问题就是将所有品种的先行关系图综合为一个综合品种的先行关系图(该综合品种各作业所需时间为 $\bar{t}_{i} = \sum_{m = 1}^{Μ} (p_{m} t_{m i})$ ,其中,pm为品种m需求量占总产品需求量的比例,pm=Dm/D,tmi为品种m的作业i所需时间单位,若品种m不需要作业i,则tmi=0),求节点集E的一个划分 $E = \cup_{k = 1}^{Κ} S_{k} (Κ$ 为工作站个数,Sk为分配到第k个工作站的作业集),使其满足先行关系和工作站个数约束,即装配线的第二类平衡问题;同时确定这D个产品的投产排序,即装配线的排序问题,使得各工作站的闲置与超载时间之和最小。

假设q为D1 , D2 ,…, DM的最大公约数,令 $d_{m} = D_{m} / q ‚ R = \sum_{m = 1}^{Μ} d_{m}$ 。为简化起见,在混流装配线的平衡与排序设计中,只针对R个单位的产品进行,在实际操作中可将上述的平衡和排序过程循环进行q次,就得到D个单位产品的平衡和排序结果[14]。

1.2 数学模型

假定在混流装配线上,工作站之间用传送带连接,各种产品以一定的时间节拍C被投放到流水线上,产品以一个恒定的速度通过各个工作站。流水线上的工作站是封闭的,操作工的工作范围不能超过工作站的给定长度。设第k个工作站的长度为Lk(k=1,2,…,K),当操作工不能完成其规定的工作时,不能进入邻近的工作站,剩余的工作将由线外工人及时帮助完成,此时便产生了超载现象。当一个单位产品加工结束之后,操作工立刻移动到下一个产品的位置,开始下一单位产品的加工,操作工的移动时间忽略不计。如果下一个单位的产品还未进入工作站,操作工在工作站的起点处等待,此时便产生了操作工的闲置现象。各产品在各工作站上加工的起点位置和结束位置模型如下(本文假定装配线的传送速度为单位速度):

其中,xmr的值取决于混流装配线的排序结果。如果排序序列中第r个产品是品种m,则xmr=1,否则为0;tmk为品种m在工作站k上的装配时间,这个时间的确定取决于混流装配线的平衡结果。因为只有知道了作业元素是怎么划分的,才能算出各品种在各工作站上的装配时间。而作业的划分是平衡种群个体译码的结果。

式(1)给出了投产序列中第一个产品在各工作站装配的起点位置和结束位置;式(2)给出了各投产循环的除第一个和最后一个产品外的各产品在各工作站上装配的起点位置和结束位置;式(3)给出了一次投产循环中最后一个产品在各工作站装配的起点位置和结束位置,其中第二式保证了下个投产循环的第一个产品在各工作站的起点位置仍然为0。

讨论了各产品在各工作站装配的起点位置和结束位置后,则相应各产品引起的闲置与超载时间就很容易得出。本文优化的数学模型如下:

$\begin{array}{l} \min f = \sum_{k = 1}^{Κ} \sum_{r = 1}^{R} (t_{i r k} + t_{o r k}) (4) \\ t_{i r k} = \max (0, C - E_{r k}), \forall r, k (5) \\ t_{o r k} = \max (0, S_{r k} + \sum_{m = 1}^{Μ} (x_{m r} t_{m k}) - E_{r k}), \forall r, k (6) \end{array}$

s.t.

$\sum_{m = 1}^{Μ} x_{m r} = 1, \forall r$ (7)

$\sum_{r = 1}^{R} x_{m r} = d_{m}, \forall m$ (8)

式(4)为本文优化的目标函数,式(5)和式(6)分别为排序序列中第r个产品在第k个工作站中引起的闲置时间(tirk)与超载时间(tork),式(7)保证序列中每个位置上只能有一种产品,式(8)保证在一个投产循环中各产品的产量与需求量相等。

混流装配线平衡设计比单一型装配线的平衡设计要复杂得多,即使各个品种产品的平均负荷在每个工作站都达到均衡,但随着投产顺序的不同,不同品种的产品在不同工作站中的负荷各不相同,工作站中闲置与超载现象时常发生。工作站的闲置与超载均会造成装配流水线效率低下,尤其是超载现象发生时,不仅影响到产品的质量而且增加了生产成本[6]。以最小化闲置与超载时间为优化目标的研究很多[4,6,11,15],但考虑到一次投产循环中最后一个产品为保证下次循环接续而可能引起超载的研究却少有,然而这部分超载是不可忽略的环节,只有包括了这部分超载时间,才能保证装配线连续不间断地生产。本研究和大部分研究一样,只针对最小比例集中R个产品进行排序,循环进行q次才能得到所需单位产品的排序结果。如果不考虑一次投产循环中最后一个产品引起的超载时间,那么等第二次循环的第一个产品到达时,工人可能就不能在各工作站的起点处立即装配该产品,而是正在装配着上个循环的最后一个产品,如果等他装配完手头的产品再回来装配已到达的产品,那么该产品已经随着同步带走了一段距离,如此进行的话,第二次循环所产生的闲置与超载时间和第一次循环可能完全不同,需要重新计算,那么只按照最小比例集中的产品进行排序,然后循环进行的前提也就不成立。为了使投产循环连续进行,所以本文考虑了这部分超载时间。文献[1]和文献[7]虽然考虑了这部分超载时间,但优化目标不包括各产品引起的闲置时间,故仍然不能保证装配线的平衡。

2 混流装配线的优化算法

2.1 遗传算法的总体设计

虽然基于小生境技术的遗传算法已经比较成熟,但是针对不同问题,小生境技术的具体实现不同。在改善遗传算法全局搜索性能的设计思考中,我们把整个种群分解成若干个小生境,每个小生境由一对具有相似适应值的个体所组成,小生境中的父代个体交叉操作后立即应用(μ+λ)选择机制(即从μ个父代个体和λ个子代个体中选择μ个最佳个体进入下一代,其中μ和λ的值均为2)确定性地选择两个优良个体进入下一代。变异操作按概率进行,仅对种群中最佳个体变异时应用(1+1)选择,以保证全局的收敛性,对其他个体仅作随机变异,不作选择[16]。

图1显示了混流装配线协同优化的算法流程。算法分为平衡和排序两个种群,各种群均在各自的空间内独立地进化,又在另外一个种群的最新一代的指导下进行评价,两种群的演化形成既相互独立又相互影响的协同进化过程。图中nb=ent(Nb/2),ns=ent(Ns/2),其中Nb和Ns分别为平衡种群和排序种群大小,ent(·)表示向下取整。

2.2 遗传算法的详细设计

2.2.1 编码及译码设计

平衡种群采用序列编码方式[17],将E中的作业元素编号按分配到工作站的先后顺序排成一列,每个作业元素对应一个基因位。译码过程在文献[18]针对第二类和第三类装配线平衡问题的译码过程的基础上作了改进,改进后的译码过程防止了在分配作业元素时,出现单个作业的平均作业时间大于可能节拍的情况(在这种情况下分配任务是无法继续的)。具体过程如下:

(1)计算理论最小节拍 $C_{t} = \sum_{i = 1}^{n} \bar{t}_{i} / Κ$ ;

(2)求 $\bar{t}_{\max} = \max (\bar{t}_{i}) (i = 1, 2, \dots, n)$ ,如果 $\bar{t}_{\max} \leq C_{t}$ ,令可能节拍C*=Ct,否则 $C^{*} = \bar{t}_{\max};$

(3)根据“贪婪”原则,按序列中作业的顺序,在平均负荷不超过C*的约束下将尽可能多的作业分配到当前工作站中。到第K个工作站时,如果还有作业,则全部分配到该工作站中;

(4)判断第K个工作站的平均负荷是否小于C*,是则节拍时间C= C*,否则转步骤(5);

(5)计算可能节拍 $C^{*} = \min_{1 \leq k \leq Κ - 1} (\bar{S Τ_{k}} + Δ_{k})$ 和实际节拍 $C_{a} = \max_{1 \leq k \leq Κ} (\bar{S Τ_{k}})$ ,其中, $\bar{S Τ_{k}}$ 为工作站k的平均负荷,Δk(k=1,2,…,K-1)为第k+1个工作站的第1个作业元素的时间;

(6)判断Ca≤C*是否成立,是则C=Ca,搜索停止,否则转步骤(3)。

该译码过程可以得出平衡染色体各作业的划分情况,以及投产节拍C。

排序种群采用字符编码方式,按产品投产顺序将代表各产品的字符排成一列,每个产品对应一个基因位。

在求平衡种群个体和排序种群个体相结合而得到的闲置与超载时间之和之前,需要对平衡种群和排序种群个体进行译码(排序种群的编码方式本身就是按照产品的投产顺序排成一列,所以不需要译码),以求得模型中的xmr及tmk值。

2.2.2 适应度函数设计

平衡种群各个体的适应度值为与排序种群最新一代各个体相结合计算出的最小闲置和超载时间之和的倒数,即fb=(min(f(b,Si)))-1(i=1,2,…,Ns),f(b,Si)为平衡种群染色体b与排序种群第i个染色体Si相结合计算出的闲置与超载时间之和。排序种群个体适应值的计算方法与平衡种群个体适应值的计算方法类似,即fs=(min(f(Bi,s)))-1(i=1,2,…,Nb)。

2.2.3 遗传算子设计

(1)选择算子。

本文的选择过程贯穿在交叉和变异过程中,本质上为(μ+λ)选择,见图1。

(2)交叉算子。

平衡种群的交叉算子同文献[17]中所采用的交叉算子。排序种群的交叉算子为直接后继关系交叉算子(ISRX)[8]。

(3)变异算子。

平衡种群采用移位插入变异法。变异时,任意选中染色体上的一个基因将其插入到该染色体上不违反先后关系的任意一个位置。排序种群采用逆转算子进行变异。变异时,随机产生两个变异点,然后将这两点间的基因进行逆转操作。

3 实例分析

图2为A、B、C三种产品的作业先行关系约束图,其中圆圈中的数字表示作业编号,旁边的数字表示该作业装配所需的单位时间,虚线部分表示该产品装配时不需要的作业。已知上述各产品的需求比例依次为2∶1∶1,现有11个工作站,令各工作站的长度均为L,寻求使装配线闲置与超载时间之和最小的优化设计结果。

本文利用Java语言编写了混流装配线计划调度系统软件,实现了简单遗传算法(SGA,选择算子为轮盘赌选择,交叉和变异算子同本文)、保留最佳个体的简单遗传算法(EGA,在简单遗传算法基础上引入精英策略)以及本文引入小生境技术的改进遗传算法(NGA)三种算法过程。所用各参数值如下:Nb=100,Ns=20, Pbc=Psc=0.85, Pbm=Psm=0.08,遗传代数为100;所用计算机配置为CPU T2250,1.73GHz主频,1.25GB内存。

图3显示了工作站长度为33时,利用SGA、EGA及NGA三种算法求得的目标函数最小值的收敛情况。从图中可以看出,本文算法无论是在收敛速度方面,还是在收敛可靠性方面均优于另两种传统的遗传算法。图4显示了利用NGA求出的工作站长度的变化对目标函数优化值的影响情况,表1列出了工作站长度分别为20,24,28,32,33,36及40时,NGA求出的平衡和排序结果。从图4可以看出,目标函数优化值随工作站长度的增加而减小,最终收敛,这一趋势与文献[6]中的结果是一致的。分析原因认为:虽然工作站的长度在增加,但是求得的投产节拍时间(表1)并没有增加,所以最终超载时间趋于0,而闲置时间趋于一个常值,超载与闲置时间之和也就趋于不变。从表1可以看出,工作站长度为33时,目标函数优化值收敛于62。考虑到增加工作站长度会引起成本增加的问题,所以合理的工作站长度应为33。

图5为工作站长度为33时,所编软件采用NGA求出的各产品在各工作站的装配状况示意图。图5中,竖线代表各工作站的边界,不同灰度矩形条代表各种产品在各工作站中装配的起点至终点位置,且终点位置处给出了相对整条流水线起点的距离。除此之外,各矩形条起点处若出现“I”标记,表示该工作站的工人在装配该产品前出现了闲置现象;终点处若出现“O”标记,表示该产品在该工作站的装配出现了超载现象。从图中可以看出,工作站长度为33时,已经不存在超载现象。

注:表中“18-10-20”是指编号为18、10、20的作业,其余类似。

4 结论

混流装配线的设计涉及平衡与排序两个方面,它们之间是相互依赖并相互影响的,传统的串行设计方式或者独立设计方式割裂了两者之间的依赖关系,只能求得局部的最优解。本文兼顾混流装配线的平衡和排序两个方面,建立了以最小化闲置与超载时间之和为优化目标的数学模型,该模型考虑到了一次投产循环中,各工作站上最后一个产品为保证下次循环接续而可能引起的超载时间;设计了一种引入小生境技术的求解该问题的遗传算法,该算法分为平衡和排序两个种群进行协同优化。实例的分析结果表明,在给定等长工作站个数的情况下,装配线的闲置与超载时间之和是随各工作站长度的增加而减小的,但当工作站长度加大到一定程度时,该值不再变化。考虑到装配线长度加大而产生的成本问题,所以合理的工作站长度应为收敛值,此时的平衡和排序结果即为混流装配线的优化解。同时,该实例证明了本文所提出的算法优于传统的遗传算法。

摘要：兼顾混流装配线的负荷平衡和投产排序两个方面,建立了以最小化闲置与超载时间之和为优化目标的优化模型,优化目标包括了一次投产循环中,各工位上最后一个产品可能引起的超载时间,从而有效地保证了混流装配线装配过程的连续性。设计了一种引入小生境技术的改进遗传算法,对混流装配线进行了协同优化设计。实例研究表明:引入小生境技术的改进遗传算法在收敛速度和收敛可靠性方面均优于简单遗传算法和保留最佳个体的简单遗传算法;在给定等长工作站个数的情况下,混流装配线的闲置与超载时间之和随各工作站长度的增加而减小,最后趋于收敛。

混流装配线排序篇4

近年来, 各种汽车产品的产销量发展迅猛, 新车型不断上市, 汽车产品“多品种、小批量”的需求相应地也在增加, 这些产品在功能和作业方式上基本相同, 仅在颜色、材料、配置以及型号上有所区别。汽车生产企业为满足市场这种多样化和个性化的需求, 引入了多品种混合装配的柔性生产线。这样的柔性生产线被称为混流装配线 (Mixed Model Assembly Line, MMAL) , 即指混合车型组装线在一段时间内, 在一条流水线上生产出多种不同型号的产品 (但均属于同一产品族) , 产品可以根据不同客户需求来定制［1，2］。混流装配线是JIT准时制生产方式的具体应用［3］。混流装配线能够在同一条装配流水线上进行多种不同类型的汽车的生产, 从而满足客户多样化和个性化需求的目的, 并实现维持尽量低的物料库存水平。汽车混流装配线因牵涉物料种类繁多、物料配送频率高、复杂性大等特点得到很多研究和关注。在混流装配线的生产过程中, 生产所需的原材料、零部件等物料的实物形态和所在位置都会发生改变, 这些改变可能会发生在物料储存、配送、搬运、加工、组装等各环节之中, 这些生产物料能否及时准确且以合理的配送方式送达各生产工段是保证混流装配线生产高效运作的关键［4］。汽车混流装配线上的物料配送是否最优在很大程度上影响了汽车制造企业的生产效率、生产成本和竞争力, 因此, 汽车混流装配线上的物料配送方面的研究也成为热点。

1 总装车间混流装配线线上物料的分类及管理现状

1.1 物料分类及特点

D公司总装车间原生产车型的上线零件有1511 种, 新投产车型的零件有1515 种, 其中有部分重复零件, 部分小零件在多工段同时装配。除去部分直送零件, 现场需要在车间进行存储并配送的物料根据其体积、重量、通用性等可分为小件物料和大件物料 (见表1) 。

1.2 物料配送管理现状

2009 年, 笔者参与D公司三厂二线物料上线配送优化启动项目, 由于是新的装配线, 当时只生产OCTAVIA一种车型, 生产能力为14JPH, 线旁物料以铁箱包装的大件和塑箱包装的小件直接上线的方式为主, 少量零件采用其他上线方式, 上线配送工具为铲车, 由铲车工从卸货道口将原包装物料送入车间内库, 再由内库铲车工将物料送至相应工位。物料上线配送采用的是JIT配送方式, 这是一种“拉动式”的物料配送方式, 操作时根据生产节拍, 配送BOM和装配线工位旁的库存量进行零部件拉动, 从而实现物料的JIT上线配送和装配线的准时化生产, 但在实际工作中, 由于没有系统设置库存标准, 调货员常常为了减轻自身工作量而一次性大量调货, 存放在内库中。在原先生产一种车型的情况下, 线旁以及内库存储空间相对充足, 没有进行零件库存标准设置, 而且料箱在内库中的摆放也是采用一字型的简单布局。

2 影响因素分析

2.1 安全因素

在汽车制造企业生产过程中, 安全生产是最基本的要求, 也是企业必须要保证的。新增车型的投产将会造成上线零件翻倍, 在物料配送的频率不得不大大提高的情况下, 原先利用铲车上线的方式成为一个安全隐患。铲车是物料搬运设备较为常见的传统搬运工具。操作时工人根据料箱的大小不同, 可调节铲齿, 并利用铲齿的高低变化铲起或放下料箱, 以达到运送的目的。铲车在实际生产中运用时间较长, 具有短距离运输时速度快和无需辅助工具的优点。但在实际操作过程中, 工人需要经常调节铲齿的高低, 在铲起料箱时也得要对准铲起部位, 这些都增加了工人的劳动强度与难度。同时, 铲车的铲齿也很容易碰伤工作人员, 造成事故和安全隐患。另外, 铲车还有容易破坏车间地面、人机工效性较差等缺点[6]。

2.2 资源因素

这里所说的资源, 包括场地资源和人力资源。总装车间内布置有内库作为物料存储区和物料配送作业区域, 用于暂时存放各工位所需要的一定数量的物料, 以提高物料上线配送的灵活性, 应对生产线对物料需求的不确定性。生产车型的增加使得上线配送零件数量加倍, 再加上生产节拍提高, 车间内库中需要存放的零件量必然大大增加, 然而内库的面积以及生产线线旁的面积都是有限的, 如何在有限的场地内存放下足够多的零件, 从而保证装配线的正常运行将是一个重要的环节。由于需要配送上线的零件大大增加, 上线配送的方式必然会变得复杂化, 且配送频率也会提高, 这对配送工的需求和要求也就更多了。

2.3 效率因素

如果车间内装配线线旁以及内库物料存储区被不必要的零件占用, 存放的零部件库存过多, 存储区被占用过多面积, 反会使物料的配送效率降低, 引起管理混乱。在零件种类和数量大幅增加的情况下, 装配线线旁场地有限, 再也无法全部使用原包装上线的方式, 如何采用最简便的方式改进上线配送, 从而保证生产装配和物料上线配送两方面都高效运转, 是非常值得探讨的。

3 存在问题分析

3.1配送方式问题

物料上线配送方式存在问题, 这是因为在车间生产车型增加而形成混流装配线之后, 多种车型同线生产所需的物料种类和数量大大增加, 需求变得更为复杂, 原有的上线配送方式将难以满足多品种、小批量和准时化的配送要求。同时, 装配线旁的库存区域乃至整个总装车间内的物料存储和配送作业区域的场地空间都是局限的, 其物料存放能力是有限的, 如果按照原有的配送频率和方式进行, 很可能会造成装配线缺料等待的情况, 而如果提前送料, 则又有可能面临线旁库存区域容量不够的矛盾。

3.2 物料配送区域布局问题

装配线线旁物料存放区域与车间内库物料存储区的布局存在问题。装配线旁未能制定线旁物料的库存量标准以及应对办法, 在物料上线配送过程中难以保持较低物料库存水平, 容易造成线旁物料库存时而短缺、时而积压的问题。同时, 车间物料存储区内原先对料箱、料架采取的一字型布局并不能充分、有效地利用有限的内库场地, 在物料数量大量增加的情况下, 原先的布局会使物料配送变得复杂而效率低下, 难以跟上高速的生产节拍, 影响生产效率。

3.3物料配送工具与车辆路线问题

物料上线配送工具以及车辆路线上存在问题。原先的上线配送工具为铲车, 铲车的铲齿容易碰伤人员, 易引发安全事故, 同时铲车还会破坏车间地面, 有较大安全隐患。同时, 原先的物料配送状态效率低下, 难以实现对线旁物料的JIT配送, 也就是无法做到在适当的时间只配送适当数量和规格的物料到正确的工位, 装配线线旁依然有可能出现线旁库存积压或者装配线停线的状况。因此, 在改变配送工具后, 如何根据新的生产节拍的要求和物料使用情况, 设计合理的配送车辆路线, 需要一个解决方案。

4 优化目标与途径

4.1 优化目标

D汽车总装车间混流装配线上物料配送的优化方案是在增加生产车型的情况下, 考虑加快的生产节拍、装配线旁物料存储量以及其他物流资源配置的约束条件, 以保证生产活动安全、合理、有效地利用车间场地资源、提高物料配送效率为目标对总装车间内物料配送工具、配送方式、配送区域布局、配送车辆路线等进行合理化改善, 对装配线进行保质保量及时的物料配送, 从而满足混流生产计划前提下各工位对物料的需求。具体如图1 所示。

(1) 安全目标。一切生产活动都要以安全为首, 在总装车间内的物料配送活动也必须以安全的目标为先, 在优化方案设计时应尽可能排除各种潜在的安全隐患, 落实安全防护措施, 减少事故发生的可能性, 以保证混流装配线的顺畅运行。

(2) 资源目标。混流装配线增加生产车型, 其结果是需要上线的物料种类成倍增加, 然而总装车间内的场地资源是有限制的, 如何更充分、有效地利用场地资源来存放混流生产所需的物料也是优化的一大目标。

(3) 效率目标。装配线生产所需的物料种类增加以及生产节拍加快, 对上线物料配送的效率和速度提出了更严苛的要求, 因此, 提高物料配送各个环节的效率, 实现对装配线所需物料的准时化配送也是优化方案的重大目标之一。

4.2 优化途径

为实现以上目标, 可通过以下途径对D汽车总装车间混流装配线上物料配送进行优化方案设计:

(1) 改变总装车间内的上线配送工具, 争取铲车不进入生产区域, 以拖车代替铲车进行上线作业, 使物料上线更加安全和人机化。

(2) 在原包装上线不能满足生产需求的情况下, 使上线配送方式多样化, 部分大包装改小包装, 或采用补料、排序等配送方式, 构建线旁占地-物流成本模型来衡量物料配送方式。

(3) 设置线旁料架MIN/MAX库存标准[5], 使线旁空间得以合理利用并减少缺货风险。

(4) 应用U型布局对车间存储区与物料配送作业区内的物料料箱布局进行重新设计, 区分铲车、拖车与工人通道, 保证车间内各种物料配送相关操作的安全和高效。

(5) 根据装配线布局、物料在各工位的使用情况以及利用IE方法对配送时间的分析结论, 对物料配送的车辆路线进行再规划, 从而提高配送效率, 达到按时按需、合理准确的物料配送。

参考文献

[1]RECKIEK B, PIERRE D L.Designing mixed-product assembly lines[J].IEEE Transactions and Automation, 2000 (3) :268-280.