車間布局人因優化模型與應用研究

曾　旭，楊　銘，陸　剛，陳振偉，戚　星

(中國礦業大學 礦業工程學院，江蘇 徐州　221116)

?

車間布局人因優化模型與應用研究

曾旭，楊銘，陸剛，陳振偉，戚星

(中國礦業大學 礦業工程學院，江蘇 徐州221116)

為改善車間布局以減輕作業負荷，分析作業負荷對車間布局影響，提出了車間作業負荷函數，界定了車間作業負荷函數的參數選取分為由搬運工件的搬運復雜度決定的腦力負荷和由作業時的各項生理指標決定的體力負荷，并確定模型的關鍵參數：搬運復雜度、工作和空閑時心率比值、相對能量代謝率等；應用粒子群算法，建立了車間布局人因優化模型，確定了粒子群算法下優化模型的框架、約束條件。編制了Matlab仿真程序并結合電動車架車間布局優化問題進行了仿真分析。得出綜合目標條件下的最優車間布置，搬運工人作業效率提高了21.55%，累積疲勞指數降低20.96。

車間布局；作業負荷；粒子群

0　引言

車間布局是在一定約束條件下將生產系統所需的各種資源進行組織與布置，以求達到高效率、低成本的最優生產方式，是工藝設計中的重要組成部分，解決了在機床設備位置安排過程中追求生產成本最優的復雜問題。

大量的學者對車間布置優化問題進行了研究：郭源源[1]提出將搬運距離和單位距離的搬運成本結合，以總搬運成本最低為目標進行車間布局優化。鄭永前[2]等運用并行工程，將單元內設施布局和單元系統布局兩方面進行集成優化。劉飛[3]等提出利用Tabu算法求解基于解析表達和系統動態特征的設施布局問題，同時適應于大規模布局問題。于瑞峰[4]提出從易誘發職業病的作業因素優化和物流優化兩個方面系統地研究工作地的設施布局問題。顧進恒[5]等將工人作業負荷作為裝配線設計的考慮因素，將動態反饋調節的作用機制進行優化。學者在車間的優化布局中大多考慮搬運距離最短，占地面積最小，或者搬運成本最低。然而，在搬運作業中，搬運件的質量、體積、形狀決定搬運作業的搬運復雜度和勞動強度。針對不同的搬運工件，工人要投入不同的腦力和體力，產生不同的作業負荷，對車間搬運作業和生產效率產生重要影響。結合人因工程中的勞動復雜度對腦力和體力的影響[6]，充分考慮搬運路線、作業復雜度、作業時工人的生理指標，將物流因素和作業負荷結合起來作為評價指標，建立考慮作業負荷的車間布局優化模型。一方面提出了更加符合實際的車間優化布局模型，為生產效率提升提供了理論性的指導；另一方面人因負荷的考慮，優化了車間布局設計中考慮的因素，提高了理論的實踐指導意義。

1　車間作業負荷模型研究

車間作業是指依據生產計劃及產品工藝路線，在車間內部進行的有組織的日常生產活動。車間作業中，沿著工藝路線進行的物料搬運作業是車間作業中重要組織部分，有資料顯示：制造業中設施的運營成本主要來自物料搬運，約占其總成本的 20%～50%[7]。目前，在機床加工車間，由于搬運路線復雜，在制品數量大，形狀不規則等原因，搬運工件時多數采用人力推車的方式進行，造成搬運工人的作業時間長、負荷高。車間布局優化時，首先考慮的是降低搬運費用，降低生產過程中成本的物流強度、搬運距離以及占地面積等影響因素，而忽略了對工人作業效率有重要影響的搬運作業負荷因素。長時間地高負荷作業產生的累積疲勞不利于工人身體健康，搬運作業的勞動負荷應該是車間布局的重要影響因素[8-10]。

1.1車間搬運作業負荷特征原則

在搬運作業中，作業負荷可以分為體力負荷和腦力負荷。搬運件的質量、體積、形狀以及搬運工具決定搬運作業的體力負荷和腦力負荷。以搬運件的搬運復雜度為基礎計算搬運作業的腦力負荷指數，通過測定工件搬運過程中工人的心率與空閑時的比值以及正常工作時相對能量代謝率等生理指標計算出體力負荷指數，進而得出不同的搬運工件對工人作業負荷強度的要求[11]。

1.2車間搬運作業負荷模型及參數

(1)物料搬運距離

物料搬運距離描述為：

(1)

(2)

(2)物料搬運作業負荷

將搬運工人作業負荷分為體力負荷和腦力負荷后，用公式列出搬運作業負荷函數。

(3)

F=O×D×E×S

(4)

Li,j=(F×B)α

(5)

(3)目標函數

目標函數是搬運作業負荷和搬運距離相結合的單目標函數，將搬運距離和工人作業負荷作為綜合考慮因素以求得最優解。其函數表達式為：

(6)

2　車間布局人因優化模型研究

2.1粒子群算法原理

車間布局優化目標函數為連續目標函數，具有機床數量多、影響參數少的特點。在人工神經網絡、遺傳算法、粒子群算法和蟻群算法等優化法算中，粒子群算法在解決大規模的連續函數問題時具有強大優勢，可以在較少的時間內得到優化問題較好的可行解，適合研究模型的求解。

2.2車間布局人因優化模型

應用粒子群算法進行車間布局人因優化模型的建立中，每個布局方案表示一個粒子，若車間機床為N個，則每個粒子為2N維向量，其中前N維是各機床的X坐標，后N維是各機床的Y坐標；粒子的飛行方向和速率都是2N維向量。假定：

粒子在t+1時刻的通過下式更新獲得：

(7)

(8)

xin(t+1)=xin(t)+vxin(t+1)i=1,2,3…,Nt=1,2,3…,T

(9)

yin(t+1)=yin(t)+vyin(t+1)i=1,2,3…,Nt=1,2,3…,T

(10)

式中，r1,r2為均勻分布在(0,1)區間的隨機數；c1,c2為學習因子，ω為慣性系數。

2.3車間布局人因優化模型參數

基于對設施布局與人因負荷問題的描述，得到優化設計的約束函數：

s.t.Mij×Nij=0

(11)

(12)

(13)

(14)

(15)

(16)

式(11)～(12)表示機床i與機床j不重合，橫縱坐標方向不干涉。ωi，li表示機床的寬度和長度；dxij，dyij表示機床i與j沿x與y軸方向的最小值。公式(13)～(16)表示機床i的長度不能超過車間的整體長寬且留有一定安全距離；SD表示機床與車間墻壁的安全距離；H，K表示車間的長度和寬度。

3　車間布局人因優化模型應用

HS電動車車架廠的生產車間主要進行車架零部件的生產，操作包括切割、倒角、鉆孔、彎管、壓型等，采用批量生產方式，在制品的搬運靠搬運工人用手推車進行。搬運作業強度大，搬運工人勞動負荷重。

3.1電動車架車間模型參數確定

模型建立過程中，目標函數和約束條件已經給出。針對車架廠車間布局問題，需要代入的模型的數值如下：

(1)車間為K×H=35×65m2矩形場地,機床編號與面積參見表1所示。

(2)加工零部件名稱、批量、工藝路線以及搬運的復雜度如表2所示。

(3)體力勞動方式系數：搬為1；扛為0.4；推為0.05。

(4)各機床X軸方向的最小間距為3.5m，Y軸方向的最小間距為3.8m。

(5)各機床在x，y軸方向與墻壁的最小間距SD=6.5m。

表1　機床編號與面積

表2　零件生產工藝路徑

3.2電動車架車間模型優化分析

使用Matlab進行算法編程，確定粒子群算法的各項參數。粒子最大迭代次數為1000，粒子數量為40，學習參數L1=L2=2，最大慣性系數為0.9，最小慣性系數為0.4，為了方便觀察適應度，適應度函數設為f=maxz/15×Sl,其中Sl為車間對角線長度。

粒子群算法求解流程如下：

(1) 初始化，在Matlab環境下設定算法中涉及的各種參數。

(2) 計算每一個粒子的適應度值，及適應度函數f。

(3) 對每個粒子，用它的適應度值和個體值pbest比較，如果更優，則替換pbest。

(4) 將每個粒子的適應度值和全局值gbest比較，如果更優，則替換gbest。

(5) 根據式(7)～(10)更新粒子的速度和位置。

(6) 如果滿足結束條件退出，否者回到步驟(2)。

Matlab運行結果顯示車間最優布局結果和總搬運距離，優化后的布局效果和各項評價指標如表3所示。

表3　優化效果分析

在車間布局優化過程中可以看出，優化后的總搬運距離減少292m。模型將搬運作業中腦力、體力勞動強度和搬運距離結合，避免了搬運強度高的作業同時搬運距離長的不合理現象，降低高強度作業的作業工作量。得出綜合目標條件下的最優車間布置，搬運工人作業效率提高為21.55%，累積疲勞指數降低20.96。

4　總結

根據車間搬運作業的強度高、持續時間長的特點，提出將車間作業負荷作為車間布局優化的考慮因素，建立車間作業負荷模型。將車間作業負荷模型與粒子群算法結合，確定了車間布局人因優化模型的框架及約束條件，并應用Matlab軟件對電動車車架廠生產車間的布局優化進行具體求解，在總搬運距離減少292m。同時，工人作業平衡率提高為21.55%，累積疲勞指數降低20.96。結果表明：考慮人因素的車間布局優化可以有效降低搬運的總距離，提高工人作業平衡率和工作效率，降低工人累計疲勞，具有一定的實際應用價值。

[1] 郭源源，王謙. 基于粒子群優化算法的車間布局設計[J]. 計算機集成制造系統，2012,18(11):2476-2484.

[2] 鄭永前，丁奎學. 基于改進粒子群算法的制造單元設施布局問題研究[J].工業工程，2012,15(1):125-130.

[3] 劉飛，董明.設施布局多重指標優化[J].上海交通大學學報，2007,41(4):664-668.

[4] 于瑞峰.基于人因學的工作地設施布局的優化設計研究[D].北京:清華大學，2004.

[5] 顧進恒，柴雙龍. 考慮人因動態反饋的裝配線模型與求解[J]. 組合機床與自動化加工技術，2014(8) :115-118.

[6] 劉昌用.勞動強度的量化分析初探[J].生產力研究，2009(1):24-25.

[7] 楊闊然. X公司機加車間單元布局設計研究[D].長春:吉林大學，2012.

[8] 管婷婷. 多目標粒子群算法在物流配送中的應用研究[D].南昌:南昌大學，2012.

[9] 李麗,牛奔.粒子群優化算法[M].北京:冶金工業出版社，2009.

[10] 陳莉.動態優化問題的粒子群算法研究[D].武漢:武漢大學，2012.

[11] 潘峰,周倩,李位星.標準粒子群優化算法的馬爾科夫鏈分析[J].自動化學報，2013,39(4):381-389.

(編輯李秀敏)

Resolution to Workshop Layout Optimization Considering Operation Workload

ZENG Xu，YANG Ming，LU Gang，CHEN Zhen-wei，QI Xing

(School of Mine Engineering,China University of Mining and Technology , Xuzhou Jangsu 221116，China)

Reasonable workshop layout directly determined the efficiency and benefit of workshop operations. Workshop operations load function was proposed according to the analysis of workshop layout features and influencing factors of workload, defining parameter of workshop operations load function include mental workload determined by handling complexity of work piece and workload determined by the physiological indicators when working, and defining key parameters of the model: operation complexity, the ratio of heart rate when work and free time, relative energy metabolism rate; The workshop layout optimization model were defined base on particle swarm algorithm. The optimization model framework and constraints was defined under the particle swarm optimization. Implementing optimization simulation analysis of the optimization of electric bicycles frame workshop by Matlab simulation program and obtaining optimum workshop layout under comprehensive target conditions. Working efficiency of porters improved 21.55%, the cumulative fatigue index decreased 20.96.

workshop layout; workload; particle swarm optimizer

1001-2265(2016)07-0158-03DOI:10.13462/j.cnki.mmtamt.2016.07.044

2015-12-12

曾旭(1992—)，男，山東曲阜人，中國礦業大學碩士研究生，研究方向為工業工程、人因工程、生產調度優化，(E-mail)2513844755@qq.com。

TH164;TG506

A