基于Plant Simulation的柴油機缸體生產線仿真與配置優化??

陳 杰 張 松 杜春剛 丁 澤

(①山東大學機械工程學院高效潔凈機械制造教育部重點實驗室，山東濟南250061；②濰柴動力股份有限公司，山東濰坊261061)

自動化生產線能顯著提高生產效率，改善勞動條件，其產品質量穩定可靠，在大批量生產條件下降低了產品的成本。但是，隨著市場需求的多樣化和個性化，現代制造企業的生產線變得越來越復雜，為了滿足市場需求，需不斷優化改進生產線，以提高生產線的生產率。

消除生產線的瓶頸[1-2]、配置緩沖區[3]、合理的工藝規劃[4]和生產調度[5]是提高生產線生產率的有效方法。此外，對于一條物料配送不合理的生產線，可以采用優化設備布局或物流配送路徑的方式來降低物料配送成本[6-7]，或者利用射頻識別(radio frequency identification，RFID)技術，確保物料的動態及時配送[8]。同時，隨著數字化制造技術的發展，生產線仿真技術被廣泛地應用于生產線優化[9]，它是以計算機支持的仿真技術為前提，對生產線的各個元素和生產過程進行整體建模[10]，在虛擬環境中創建某個完整的制造流程并對其進行生產配置優化，設備布局優化等[11]。然而，在進行生產線優化時，若生產線中機床數量較多，緩沖區空間浮動較大，生產產品種類較多，則優化問題的解空間呈指數倍增大，出現組合爆炸現象[12]，使求解變得非常困難。遺傳算法解決這類組合優化問題是比較成熟的[13-14]，利用遺傳算法和生產過程仿真相結合的方式，通過仿真評價遺傳進化中的每一個體，降低了求解的難度。需要指出的是，目前生產線的研究和方法大都集中于柔性生產線，而適用于大批量生產的單一產品剛性生產線的優化研究則較少。

本文針對某柴油機缸體剛性生產線設備利用率低，生產效率低的問題，以Plant Simulation軟件作為仿真平臺，構建了生產線的仿真模型。借助遺傳算法，對各個緩沖區容量進行優化配置。在此基礎上聯系生產線運行狀況，通過只為兩道瓶頸工序配置緩沖區并安排機床定期集中清理緩沖區積壓工件，提高了設備的平均利用率和生產線的生產率。

1 生產線仿真模型

1.1 柴油機缸體生產線運行分析

如圖1所示，現有某型號柴油機缸體剛性生產線，生產線所在車間長約187.5 m，寬度約為90 m。缸體、曲軸箱的毛坯分別在毛坯區由行車搬運上線，在各自的生產線進行第一階段加工，加工完畢后同時進入缸體預裝配生產線，進行第二階段的加工。根據該柴油機缸體的加工工藝，為區分方便，將該生產線劃分為三部分，即缸體生產線(缸體的第一階段加工)、曲軸箱生產線(曲軸箱的第一階段加工)和缸體預裝配生產線(缸體、曲軸箱第二階段加工)。

本文重點在于研究缸體的加工優化，故曲軸箱生產線部分做簡化處理。缸體加工總計經過40余道工序，72臺機床。生產過程中，生產線單件流時間(工件自上線開始加工到加工完畢下線的時間)約為16 h，線上在制品數為231件，且會在1-150工序和2-100工序產生堵塞，生產線的生產率為117件/班(一班為8 h)。缸體生產線和缸體預裝配生產線各工序的加工時間如表1所示。

表1 柴油發動機缸體各工序平均加工時間

1.2 仿真模型的建立

該生產線是典型的單方向生產流水線，根據現場調研的工序流程(表1)，建立如圖2所示的生產線模型。模型包含缸體毛坯自行車吊運上線加工到加工清洗完畢下線進入存儲區的生產過程。為了反映生產線的運行狀況，在工件的毛坯區設置了行車搬運模塊，使模型更加直觀，也便于對模型的精確控制。此外，在缸體和曲軸箱的第二加工階段，為保證一些通孔的精度，二者必須同時上線進行預裝配，在預裝配后作為一件工件進行下一步的加工，所以利用SimTalk編程語言在模型中加入了判斷機制，可以根據物料的不同劃分路徑并完成預裝配。模型構建完成后運行仿真模型，其運行狀態與生產線實際對比如表2所示。由表2可得，仿真模型能夠較準確地反映出生產線的運行情況，利用該模型進行仿真優化的結果具有指導意義。

表2 仿真模型與實際生產線的對比

2 基于遺傳算法的緩沖區配置

遺傳算法(genetic algorithm，GA)是從代表問題潛在解集的一個種群開始，按照適者生存和優勝劣汰的原理，在每一代根據個體適應度的大小選擇個體，并借助于自然遺傳學的遺傳算子進行交叉和變異，產生出代表新的解集的種群。這個過程將導致種群像自然進化一樣后生代種群比前代更加適應環境，末代種群中的最優個體即可作為問題的近似最優解。

為各道工序配置緩沖區，以提高生產線的機床利用率，但考慮到某些工序如2-20(上線組裝)并不需要專門的機床加工而只是由人工輔助操作，完成時間短，沒必要配置緩沖區，去除這些工序后，共設置28個緩沖區。若每個緩沖區容量上限100下限為1，試驗每種可能的緩沖區容量配置組合方式需要試驗10028次，顯然這種“窮舉法”是行不通的。通過模擬自然進化過程搜索最優解，將遺傳算法與仿真過程中的數據相結合，可以方便快捷地求解這種組合優化問題。以下為遺傳算法優化的幾個關鍵步驟。

2.1 初始化種群

由于共配置28個緩沖區，所以每個染色體擁有28個基因，基因利用二進制編碼進行表示。將28個基因依次排序構成一條染色體(圖3)，該染色體即為優化問題的一個可能解。在優化問題的解空間里，隨機抽若干染色體，作為一個初始種群。

2.2 適應度函數

對生產線進行緩沖區優化配置，應力求以最小的緩沖區配置總量得到最大的優化效果。綜合考慮機床和緩沖區利用率、緩沖區總量3個因素，構造適應度函數:

其中:Pi為第 i臺機床的利用率，i＝ 1，2，…，72；Cj為第j處緩沖區的容量，j＝1，2，…，28；Qj為第 j處緩沖區的空閑率。

該函數由三部分組成，為防止適應度函數被其中的某一項所左右，三部分應具有相同的數量級。然而，運行模型發現，三部分的極差差別較大，不在同一數量級，故分別利用調整系數a、b、c進行調整。

2.3 選擇、交叉及變異

在對初始種群進行適應度計算后，采用“輪盤賭”的方式選取父代個體進行交叉。交叉方式采用兩點交叉:在輪盤賭選擇出來的兩個體中隨機設置兩個交叉點并交換兩交叉點之間的基因片段。種群交叉完畢后繼續進行變異運算，采用基本位突變的方式改善遺傳算法的局部搜索能力并維持種群的多樣性，防止出現早熟現象。

2.4 優化結果分析

采用以上方法，對各個緩沖區的容量進行優化，得到圖4所示的各個緩沖區的最佳容量配置。優化前后生產線中各臺機床利用率對比如圖5所示，機床的平均利用率由87.92%提高到90.42%，但班產出量為117件，并沒有提高，而且瓶頸工序2-100的下游工序與優化前相比，機床利用率也沒有提高。

對于一條正在運行使用中的生產線，為每一工序都配置緩沖區是不現實的，而按照優化結果為其配置28個緩沖區也是難以接受的，這會對車間布局產生較大影響，造成工件在車間的大量積壓。由圖4可以發現優化配置后緩沖區C8、C28的容量明顯大于其余緩沖區，而這兩個緩沖區是生產線的第一和第二瓶頸工序。說明經過優化后，緩沖區容量會向瓶頸工序處集中。保留C8、C28，取消其他緩沖區后，各臺機床利用率對比如圖6所示，機床平均利用率90.24%，與之前的平均利率相差不大。說明為瓶頸工序配置緩沖區對生產線各機床平均利用率的提高較大。而生產線班產出量仍為117件，并沒有提高。這是因為雖然配置的緩沖區可以容納非瓶頸工序加工完畢的缸體來等待瓶頸工序的進一步加工，釋放了非瓶頸工序的生產能力，但生產線的生產率依然受限于瓶頸工序的生產能力。而且，隨著生產的進行，緩沖區會被逐漸填滿(圖7)，生產線重新進入堵塞狀態。

3 生產線運行方式的優化

3.1 生產線運行方式的調整

2.2 節的分析表明，對于一條生產節拍不平衡的生產線，大量設置緩沖區是沒有意義的:隨著生產的進行，產品會在瓶頸節點的緩沖區產生積壓，使緩沖區失去作用，故需要定期清理緩沖區積壓的工件。本文使用只為瓶頸工序配置緩沖區并定期清理緩沖區工件的方法對生產線進行優化。其生產流程如圖8所示:實線箭頭表示生產線的正常工作狀態，虛線表示將緩沖區內積壓的工件運送至其他機床進行該工序加工以清理緩沖區內積壓工件。為了避免緩沖區容量過大導致資源浪費，清理周期采用1天(兩班)/次，將每天積壓工件運送至特定存放區等待安排外部機床集中清理消化。同時，緩沖區內應能儲存上游工序每日工作后在瓶頸工序前所積累的工件，減少上游工序的堵塞；也應使下游工序能夠同時消化掉緩沖區內的工件，不會產生新的堵塞。

3.2 仿真配置與分析

為滿足3.1節所提出的緩沖區配置要求，需要對緩沖區C8、C28進行重新配置。由遺傳優化結果可知，C8、C28的容量分別為58和51，以此作為參考進行拓展，令C8的容量在1～116間浮動，C28的容量在1～102間浮動。為減少仿真次數，以班產量為依據進行測試，縮小兩個緩沖區的容量范圍。測試結果表明，C8的容量超過30(C28超過10)的時候，平均班產量便不再變動，說明C8容量超過30后對生產線產出沒有提高，過多的容量反而會造成浪費；當C8容量小于11(C28小于1)的時候，班產量提高不明顯。所以，C8容量應該在11～30之間，C28容量應該在1～10。根據以上結果，以C8、C28容量作為變量，進行二者的仿真配置優化。仿真參數如表3所示。

表3 容量配置參數

仿真結果如圖9所示，隨著C8緩沖區容量的增長，生產線平均班產量呈現階梯狀變化，并且階梯到達第13階的時候，階梯高度不再增長。C28容量決定了每一階的變化，如第13階，C28容量達到7的時候平均班產量便不再變化。而且，從第8到第13階，班產量增長僅兩件，故 C8，C28 以(18，2)、(19，3)、(20，4)、(21，5)、(22，6)、(23，7)配置都是可行的，可靈活選擇不同的配置方式適應不同的優化需求。

考慮到在線下機床加工，工件的裝夾時間可能會多于線上的裝夾時間，本文采用為1-150工序配置容量為3的緩沖區(C28)，為2-100工序配置容量為19的緩沖區(C8)。將每天積壓的工件運送至特定存放區后每兩周(10個工作日)安排外部機床進行清理消化。對積壓工件進行加工所需的時間T為:

T＝(19×245+3×228)×10÷3600＝14.8 h

這樣可以在保留一定時間裕量下為外部機床安排一個工作日(16 h)的時間進行加工。運行仿真模型達到穩定后，發現生產線設備平均利用率從87.92%提高到90.93%，班產量從117件提高到128件。設備利用率與未優化之前整體有了較大的提高(圖10)，而且瓶頸節點以后的機床利用率也有所提高。

4 結語

利用Plant Simulation軟件建立某柴油發動機缸體生產線仿真模型，分析生產線運行過程中存在的問題，對生產線的緩沖區配置進行了優化，確定了緩沖區的最佳配置，為該生產線的優化改進提供了參考。研究結果表明:

(1)通過將遺傳算法與仿真配置相結合，可以有效解決緩沖區配置時產生的組合爆炸問題。

(2)采用只為瓶頸工序配置緩沖區，并安排外部機床定期集中清理緩沖區內積壓的工件的優化方案，可以使機床的平均利用率和生產線生產率分別提高3.4%和9.4%。