一种基于遗传算法的并行拆卸模型构建方法技术

本发明专利技术公开了一种基于遗传算法的并行拆卸模型构建方法，包括：并行拆卸模型构建；建立拆卸总时长模型，即优化目标；基于遗传算法进行工序优化。本发明专利技术在传统拆卸线平衡问题的基础上，将拆卸过程中的拆卸时间作为优化目标，在此基础上建立一种并行拆卸模型，最后用遗传算法对拆卸线平衡问题进行求解，遗传算法具有很强的收敛速度，该模型对拆卸时间起到了一定的优化作用。本发明专利技术以高效为主要目标的优化函数，在满足最小工作站数、最小空闲时间等优化目标要求的同时能够很好的减少拆卸过程中的拆卸时间，对于大批量拆卸线合理布局、提高拆卸效率等方面具有一定的指导意义。

A Parallel Disassembly Model Construction Method Based on Genetic Algorithms

The invention discloses a parallel disassembly model construction method based on genetic algorithm, which includes: parallel disassembly model construction; total disassembly time model establishment, i.e. optimization goal; and process optimization based on genetic algorithm. On the basis of the traditional disassembly line balance problem, the disassembly time in the disassembly process is taken as the optimization objective. On this basis, a parallel disassembly model is established. Finally, the disassembly line balance problem is solved by genetic algorithm. The genetic algorithm has a strong convergence speed, and the model has a certain optimization effect on the disassembly time. The optimization function with high efficiency as the main objective of the present invention can satisfy the requirements of the minimum number of workstations and the minimum idle time, and at the same time can reduce the disassembly time in the disassembly process, which has certain guiding significance for the rational layout of the large-scale disassembly line and the improvement of the disassembly efficiency.

【技术实现步骤摘要】
一种基于遗传算法的并行拆卸模型构建方法
本专利技术涉及柔性生产线设计及控制
，尤其涉及一种基于遗传算法的并行拆卸模型构建方法。
技术介绍
随着世界工业化的进程，在人们的生活水平和生活质量得到了很大提升的同时，也产生了数以亿吨的生活和工业废物。截至2017年底，我国废钢铁、废弃电器电子产品、报废汽车等十大类别的再生资源年回收总量约为2.82亿吨。为了更好的回收利用可再生资源，各国都陆续出台了比较严格的法律法规。再制造的全过程包括废旧装备的回收、拆解、分类、清洗、鉴定、再制造加工、装配和检测等程序，拆卸作为再制造工程的首要步骤，直接影响再制造效率和旧件再利用率。拆卸作业即可以在单个拆卸工作台上进行，也可以在拆卸线上进行，拆卸线更适用于大型产品、或大批量的小型产品的拆卸。但由于其复杂性特征，拆卸线平衡问题是急待解决的问题。在某些情况下，特别是在拆卸大型复杂产品时,并行拆卸有利于减少拆卸时间、提高工作效率和减少辅助时间等，所以并行拆卸线更适用于工程实践。相比串行拆卸，并行拆卸线具有拆卸长度不确定性、拆卸任务并行等特点，因此并行拆卸线平衡问题(ParallelDisassemblyLineBalancingProblem,PDLBP)要比串行拆卸线平衡问题更为复杂。国内外的研究主要集中在并行拆卸线序列规划问题，对PDLBP问题的研究较少。田永廷[7]等提出一种基于遗传算法的选择性并行拆卸序列规划方法。张秀芬[8]等针对复杂产品的并行拆卸序列规划问题，提出了基于遗传算法的复杂产品并行拆卸序列规划方法。Hezer[9]等提出了一种基于最短路径的网格模型来解决PDLBP问题。虽然对于DLPB问题研究已经取得了相当的成果，但这些成果研究的拆卸线平衡问题主要考虑最小化工作站数、均衡各工作站空闲时间、尽早拆除可能产生危害的零件等方面，而对拆卸过程中的碳排放量考虑较少。在过去10年中，中国的汽车工业有发展迅速，汽车销售也有急剧增加。如图1所示，2016年，中国的销售和报废车辆达到26.19万辆和716万辆。在拆卸产品时，企业应该不仅要考虑拆卸顺序，还要考虑如何选择特定资源以提高拆卸效率并减少碳排放。拆卸阶段能耗占再制造过程中总能耗的中22.8％，显然在成批量的拆卸过程中将产生大量的碳排放，故以低碳为目标进行拆卸序列规划显得尤为迫切。针对上述问题，本文对产品拆卸过程低碳高效的优化问题进行研究。首先，对产品零件间的约束关系和连接关系进行了研究，在此基础上，综合考虑拆卸平衡问题的实际约束条件，得到产品并行拆卸序列规划问题的通用数学方法，建立便于运用遗传算法进行求解优化的高效低碳并行拆卸模型。
技术实现思路
基于
技术介绍
存在的技术问题，本专利技术提出了一种基于遗传算法的并行拆卸模型构建方法。本专利技术采用的技术方案是：一种基于遗传算法的并行拆卸模型构建方法，其特征在于，包括以下步骤：(1)并行拆卸模型构建(1.1)连接矩阵Gc和优先矩阵Gp在拆卸混合图中无向边E和有向边DE可以用稳定连接矩阵和优先关系矩阵矩阵表示，即：G＝{VF,VC,E,DE}可以分解为Gc＝{VF,E}和Gp＝{VF,DE}，如果G是一个含有N个功能件的混合图，则和Gc、Gp分别为N维的连接矩阵、N维的优先矩阵；连接矩阵用Gc表示，即：其中：表示功能件i和j之间的连接关系，当功能件i和j之间有连接关系时，当功能件i和j不存在连接关系时由于零件i和j之间无法形成连接关系，故优先矩阵用Gp表示，即：其中:表示功能件j对i的约束关系；表示第j个功能件要在第i个功能件之前拆解；若表示第i个功能件不受第j个功能件的约束；(1.2)拆卸并行度并行拆卸旨在通过拆卸任务的并行化减少拆卸序列串行长度以提高单位时间内的拆卸效率,；由拆卸并行度定义可知，允许同时拆卸单元数量的理论最大值称为拆卸并行度，记为Dmax；在并行拆卸中，若干个单元的同步拆卸行为称为一个步骤，第k个步骤数记为Dk(1≤Dk≤Dmax)；(1.3)并行拆卸序列规划在拆卸单元一定的情况下，串行拆卸序列的长度和步长也随之确定；然而，在并行拆卸过程中，由于产品的约束及实际拆卸环境的影响，导致每个拆卸步骤的拆卸步长未必达到拆卸并行度的数值，从而使各个步骤间的拆卸步长也不尽相同。为了解决此类问题，本文提出了可变序列矩阵方法，用于描述并行拆卸下的拆卸序列；采用可变序列矩阵方法，描述并行拆卸下的拆卸序列：在串行拆卸中，假设产品的拆卸单位为n，由于拆卸度为1，其拆卸序列可以表示为n×1的矩阵S＝{S1,S2…Si…Sn}；类似的，在并行拆卸中，假设其拆卸单位为n，拆卸步数为m，用ls表示步长，则并行拆卸序列可以矩阵Q表示为:矩阵中同一行元素所代表的拆卸单元属于同一拆卸步骤，其中拆卸单元间为并列关系，若此步骤中拆卸单元数小于拆卸并行度，则同行中缺省元素置为0；矩阵中不同行之间为不同的拆卸步骤，且行数大小即为步骤数大小；为了后续便于遗传算法编码，拆卸序列矩阵分为拆卸单元序列和拆卸步长序列两部分，分别用实数进行编码；(1.4)并行拆卸模型构建图模型主要有无向图模型、有向图模型、与或图模型和混合图模型，采用拆卸混合图模型来描述产品的约束信息：拆卸混合图可以表示为G＝{VF,VC,E,DE}，其中G表示混合图；顶点VF＝{VF1,VF2,…,VFn}为产品功能件，如产品零件、子装配等，其中n为功能件的个数；VC为连接件；E表示为无向边，表示零件之间的有接触的约束关系；DE为有向边，表示零件之间的非接触优先关系；(2)建立拆卸总时长模型，即优化目标：其中为基本拆卸时间，工序Pi的拆卸时间为BTi；表示方位更换时间，BCTI为转过90°所用的时间，BiBi+1表示前后两个工位所转过的角度；为拆卸工具更换时间，TCTI是拆卸工具更换一次的所花费的时间，Ti表示第i个零件拆卸工具；(3)基于遗传算法进行工序优化遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机搜索算法，是通过各代种群进行选择、重组和变异搜索出适应度高的个体，增加其在种群个体中的比例，最终找到最优解的过程；(3.1)基因编码编码是应用遗传算法时要首先解决的问题，也是用遗传算法解决问题的关键一步，结合产品拆卸的实际情况，染色的编码方式采用零件序号编码的实数编码；(3.2)交叉操作交叉运算是指对两个相互配对的染色体按某种方式交换其他部分基因，从而形成新的个体；在OldChrom中随机选择两个顺序串U1和U2，并生产一个在区间[0,1]之间的随机数rk，如果rk≤Pc,则进行交叉操作，运用单点交叉法进行交叉操作，步骤如下：(a)在区间中取一个均匀分布的随机数k作为交叉点；(b)将交叉点之前的基因按照在父辈U1串中的顺序复制到子辈O1中；(c)在子辈O1交叉点后的基因要从另一个父辈U2中进行以此扫描；如在此基因在父辈中，则对下一基因进行扫描；如果不存在，将此基因按照顺序存放在子辈O1中；(3.3)变异操作变异是指将个体染色体编码串中的某些基因座上的基因值用该基因座的其他等位基因来代替，从而形成一个新的个体，具体方法如下：(1)根据变异概率Pm随机在种群中选择若干染色体；(2)设拆卸单元序列的长度为n，在[1，n]之中随机选择一个基因位置i，判断i和i+1的两个基因对应的工序是否满足约本文档来自技高网...

【技术保护点】
1.一种基于遗传算法的并行拆卸模型构建方法，其特征在于，包括以下步骤：(1)并行拆卸模型构建(1.1)连接矩阵Gc和优先矩阵Gp在拆卸混合图中无向边E和有向边DE可以用稳定连接矩阵和优先关系矩阵矩阵表示，即：G＝{VF,VC,E,DE}可以分解为Gc＝{VF,E}和Gp＝{VF,DE}，如果G是一个含有N个功能件的混合图，则和Gc、Gp分别为N维的连接矩阵、N维的优先矩阵；连接矩阵用Gc表示，即：

【技术特征摘要】
1.一种基于遗传算法的并行拆卸模型构建方法，其特征在于，包括以下步骤：(1)并行拆卸模型构建(1.1)连接矩阵Gc和优先矩阵Gp在拆卸混合图中无向边E和有向边DE可以用稳定连接矩阵和优先关系矩阵矩阵表示，即：G＝{VF,VC,E,DE}可以分解为Gc＝{VF,E}和Gp＝{VF,DE}，如果G是一个含有N个功能件的混合图，则和Gc、Gp分别为N维的连接矩阵、N维的优先矩阵；连接矩阵用Gc表示，即：其中：表示功能件i和j之间的连接关系，当功能件i和j之间有连接关系时，当功能件i和j不存在连接关系时由于零件i和j之间无法形成连接关系，故优先矩阵用Gp表示，即：其中:表示功能件j对i的约束关系；表示第j个功能件要在第i个功能件之前拆解；若表示第i个功能件不受第j个功能件的约束；(1.2)拆卸并行度并行拆卸旨在通过拆卸任务的并行化减少拆卸序列串行长度以提高单位时间内的拆卸效率；由拆卸并行度定义可知，允许同时拆卸单元数量的理论最大值称为拆卸并行度，记为Dmax；在并行拆卸中，若干个单元的同步拆卸行为称为一个步骤，第k个步骤数记为Dk(1≤Dk≤Dmax)；(1.3)并行拆卸序列规划采用可变序列矩阵方法，描述并行拆卸下的拆卸序列：在串行拆卸中，假设产品的拆卸单位为n，由于拆卸度为1，其拆卸序列可以表示为n×1的矩阵S＝{S1,S2…Si…Sn}；类似的，在并行拆卸中，假设其拆卸单位为n，拆卸步数为m，用ls表示步长，则并行拆卸序列可以矩阵Q表示为:矩阵中同一行元素所代表的拆卸单元属于同一拆卸步骤，其中拆卸单元间为并列关系，若此步骤中拆卸单元数小于拆卸并行度，则同行中缺省元素置为0；矩阵中不同行之间为不同的拆卸步骤，且行数大小即为步骤数大小；为了后续便于遗传算法编码，拆卸序列矩阵分为拆卸单元序列和拆卸步长序列两部分，分别用实数进行编码；(1.4)并行拆卸模型构建图模型主要有无向图模型、有向图模型、与或图模型和混合图模型，采用拆卸混合图模型来描述产品的约束信息：拆卸混合图可以表示为G＝{VF,VC,E,DE}，其中G表示混合...

【专利技术属性】
技术研发人员：张雷，金志峰，赵希坤，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽,34