基于GA-PSO的智能工廠生產(chǎn)仿真研究

潘飛， 都騰飛， 李澤軍， 李仲樹， 劉新

（江蘇長江智能制造研究院，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，傳統(tǒng)的制造業(yè)市場競爭壓力越來越大[1]。通過數(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)布線帶來了從規(guī)劃流程到工藝實現(xiàn)的全方位技術(shù)變革，能夠有效地減少規(guī)劃和設(shè)計周期，降低出錯率，縮短產(chǎn)品研發(fā)，為柔性生產(chǎn)和快速市場供給提供了強(qiáng)有力的技術(shù)支持[2]。

本文通過Plant Simulation平臺對某公司的智能車間進(jìn)行數(shù)字化仿真設(shè)計，合理分配各個工序的布置。為了提高生產(chǎn)產(chǎn)量，優(yōu)化工藝流程，縮短物流轉(zhuǎn)運時間，減少節(jié)拍時間，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)帶來了更多的利潤。

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：首先將具體問題抽象化，從實際案例的表現(xiàn)型到抽象問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。在迭代過程中，根據(jù)車間生產(chǎn)模型確定合適的適應(yīng)域，通過域選擇合適適應(yīng)度的個體，在迭代過程中，對遺傳算子進(jìn)行迭代調(diào)整，通過交叉和變異產(chǎn)生新的解集種群，最終得到最優(yōu)解。傳統(tǒng)遺傳算法在迭代過程中隨機(jī)選擇交叉和變異過程，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個指標(biāo)（位置、速度和適應(yīng)度）來描述。在迭代過程中，通過跟蹤每個粒子的個體極值和種群極值的變化來更新解空間中每個粒子的迭代方向。其中，個體極值代表適應(yīng)度函數(shù)計算后的多次迭代的最優(yōu)解。種群極值是指在計算適應(yīng)度函數(shù)后，對整個種群進(jìn)行多次迭代的最優(yōu)解。粒子的每次迭代計算都會更新和比較個體適應(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]。在迭代過程中，不斷更新粒子的位置和速度值，以提高整個種群的適應(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)線由于布置時未進(jìn)行合理的規(guī)劃與仿真分析，因此在生產(chǎn)加工過程中經(jīng)常出現(xiàn)節(jié)拍的卡頓、物流運輸?shù)姆磸?fù)低效等問題。因此在進(jìn)行新廠的投產(chǎn)運行前，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個工位，通過機(jī)器人搬運和AGV運輸及傳送帶運輸來實現(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現(xiàn)了自動化操作，整個生產(chǎn)車間的自動化率達(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，計算整個工廠流水線產(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)與加工時間。

根據(jù)現(xiàn)場調(diào)研并咨詢相關(guān)的技術(shù)人員，分別列出各個設(shè)備的加工工序時間，如表1所示。

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

表1 生產(chǎn)線各工位時間

生產(chǎn)線智能規(guī)劃建模應(yīng)考慮產(chǎn)能計算、生產(chǎn)線建設(shè)成本和運營成本控制、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，粒子迭代過程中速度、位置更新。生產(chǎn)模型仿真，通過仿真計算預(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、稼動率、每小時產(chǎn)量），輸出仿真結(jié)果。同時以數(shù)據(jù)為基礎(chǔ)，綜合對比不同布局方式對生產(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)行對比分析，進(jìn)行多次優(yōu)化迭代改善模型，以縮短節(jié)拍時間，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

在開始計算前，需要對仿真模型進(jìn)行初始化。首先確定仿真時間，按照每周5 d、每天3班的作業(yè)計時，設(shè)置仿真加工時間為7 d（168 h），設(shè)備在運行過程中會出現(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)讓每臺設(shè)備都能最大化加工時間。數(shù)學(xué)建模可以歸納為N個訂單需求，M臺生產(chǎn)設(shè)備（N＞M），每個產(chǎn)品需要經(jīng)過K道工序完成，有些工序有明確的前后關(guān)系約束，通過調(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，同時得到在約束條件下，各個工序的緊前和緊后任務(wù)分配。這是一個典型的JSSP模型求解問題，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。

運行仿真模型后，圖5展示了型號為16×250的管子在加工仿真時間內(nèi)整體的生產(chǎn)情況。可以發(fā)現(xiàn)該公司目前的布置方案存在較大問題，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，對各個工序流程進(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，收斂值所對應(yīng)的排序方式即為最小化最大完工時間的最優(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GA-PSO優(yōu)化過后的生產(chǎn)產(chǎn)量明顯提高，由于加入了平均維修時間（MTTR）和工人休息時間，所以會有略微的產(chǎn)量波動，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

針對某公司的智能生產(chǎn)車間在初始規(guī)劃建造過程中需要規(guī)避的實際產(chǎn)能問題，本文通過Plant Simulation平臺進(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)計方案的合理性，并在不增加生產(chǎn)設(shè)備的情況下，通過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)帶來了更多的利潤空間。

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)量對比

圖8 節(jié)拍對比