一种动力电池产线优化重组方法技术

本发明专利技术公开了一种动力电池产线优化重组方法，属于产线重组领域。该方法根据动力电池车间产线优化的静态数学模型利用粒子群方法进行全局搜索；在粒子群方法全局搜索时，设计了一种多重对称学习方法避免个体最优粒子陷入局部最优；根据改进的个体最优粒子，设计了一种改进变邻域方法避免群体最优粒子陷入早熟收敛，得到静态产线优化重组结果；在动力电池生产车间并行机器故障情况下，获取机器故障约束以及受影响的生产工序；进一步在静态产线优化重组结果的基础上对受影响的生产工序进行局部产线优化重组法。该方法不仅获得更好的静态产线优化重组方案，还降低了机器故障对动态产线优化重组结果的影响，得到良好的动态产线优化重组结果。线优化重组结果。线优化重组结果。

【技术实现步骤摘要】
一种动力电池产线优化重组方法


[0001]本专利技术涉及一种动力电池产线优化重组方法，属于产线重组领域。

技术介绍

[0002]动力电池是电动汽车运行的核心部件，随着对动力电池需求量的逐年增加，动力电池的生产效率显得尤为重要。如何针对动力电池生产车间提出合理的产线优化重组策略，是目前面向动力电池高品质生产领域研究的热点问题。动力电池的生产过程通常包括前段、中段和后段工艺，其中后段工艺集中在化成、静置等工序，是不需要进行产线优化重组的，因此动力电池车间加工的产线优化重组聚焦在中前段的工序。目前软包电池生产的中前段的工序主要包括配料、涂布、制片、烘烤、叠片、装配等6道工序，每道工序对应的并行加工设备有配料机，涂布机、制片机、定制烘箱机、自动叠片机和自动组装机等6组设备，那么针对n种软包电池生产订单，如何安排n个订单在每道工序上的加工顺序以及相应并行机器的选择，使所有订单的最大完成时间最小(也即提高动力电池的生产效率)即为电池产线的优化重组问题。
[0003]求解动力电池产线优化重组问题的主要方法包括精确算法、启发式算法和群智能优化算法等。其中，精确算法虽然能得到理论最优解，但随着问题规模的增大，其计算时间也大幅增加，因而更适用于解决小规模问题；启发式算法的优点是求解速度快，但其寻优结果往往受启发式规则影响较大。相比而言，群智能优化算法受问题特点影响较小，且求解结果较好。
[0004]粒子群算法是模仿自然界中鸟类寻找食物的过程而产生的一种群智能优化算法。由于粒子群算法具有编程简单、直观易实现等优点受到学者的广泛关注，尽管当前的研究工作取得了一定成果，但粒子群算法在寻优过程中极易陷入局部最优和早熟收敛，这会导致在求解动力电池产线优化重组问题时所给出的方案的完成时间并非是最小的方案，因此这一问题有待进一步优化。
[0005]与此同时，大部分的研究都集中在动力电池车间的静态产线优化重组问题，然而在实际的工业生产中，不可预知的事件随时都有可能发生，比如紧急插单、原材料短缺或机器故障等事件，影响了正常的生产，此时需要考虑在上述情况发生时的动态产线优化重组问题，从而最大可能的降低这些事件对生产的影响，基于此，需要对动力电池生产车间产线优化重组进行深入的研究，以得出能够更好解决上述问题的重组优化方案。

技术实现思路

[0006]为了获得更好的动力电池产线优化重组方案，本专利技术提供了一种动力电池静态产线优化重组方法，所述方法包括：
[0007]Step1：获取动力电池车间产线优化的静态数学模型；
[0008]Step2：根据Step1确定的静态数学模型，确定粒子群的适应度函数和解码方式，利用粒子群方法进行全局搜索，全局搜索过程中采用多重对称学习方法寻找个体最优粒子，
以避免个体粒子寻优过程中陷入局部最优；
[0009]Step3：根据Step2得到的个体最优粒子，采用改进变邻域方法避免群体最优粒子陷入早熟收敛，得到静态产线优化重组结果。
[0010]可选的，所述Step1中动力电池车间产线优化的静态数学模型为：
[0011]确定动力电池生产流程包括的s道工序，第j道工序对应的并行加工设备包括M
j
台；
[0012]待完成电池订单n种，任意一种订单在第j道工序时选择该工序任一台机器上进行加工，E
i,s
表示订单i完成s道工序的加工完工时间；
[0013]设所有订单中的最大完工时间为C
max
，则动力电池车间产线优化的静态数学模型的目标函数为：
[0014]C
max
＝min{max{E
i,s
|i＝1,2,...,n}}
ꢀꢀꢀꢀ
(1)
[0015]动力电池静态产线优化约束条件包括：
[0016]M
j
>1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0017][0018]x
i,j,m
∈{0,1}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0019]E
i,j
＝B
i,j
+T
i,j
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0020]E
i,j
≤B
i,j+1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0021][0022]其中，m表示每道工序上并行机的机器号，m＝1,2,...,M
j
；x
i,j,m
表示订单i在第j道加工工序的机器m上进行加工，当订单i在第j道加工工序的机器m上进行加工时x
i,j,m
＝1，否则x
i,j,m
＝0；E
i,j
表示订单i在第j道加工工序的完工时间；B
i,j
表示订单i在第j道加工工序的加工开始时间；T
i,j
表示订单i在第j道加工工序的加工时间；N
j,m
表示在第j道加工工序的机器m上加工的订单数量。
[0023]可选的，所述Step2中根据Step1确定的静态数学模型确定粒子群的适应度函数为：
[0024][0025]粒子p的速度更新和位置更新规则如下：
[0026][0027][0028][0029]其中，k表示迭代次数，w为惯性常数，取值范围为0.8～1.2；c1为自我学习因子，c2为群体学习因子；r1,r2为区间[0，1]上均匀分布的随机数；是粒子p在第k次迭代中的第d维的位置；是粒子p在第k次迭代中的第d维的速度；是粒子p在第k次迭代中的第d维的个体最优的位置；是群体粒子在第k次迭代中第d维的全局最优的位置，
‑
X
max,d
为粒子搜索范围的最小值，X
max,d
为粒子搜索范围的最大值。
[0030]可选的，所述方法中粒子群方法针对动力电池静态产线优化重组问题的目的在于确定n个订单在每个加工工序的加工顺序，而s道工序中的第一道工序的加工顺序确定后，后续工序即可按照先到先加工的原则确定相应的加工顺序，因此粒子群寻优得到的群体最优粒子所代表的向量即为n个订单在第一道加工工序的加工顺序；
[0031]所述粒子群的解码规则为：
[0032]针对n个订单，对应的粒子群的维度即为n，每个粒子所代表的向量中最小的数值对应订单号1，次小的数值对应订单号2，
…
，最大的数值对应订单号n；
[0033]后续工序按照订单到达该工序的先后顺序安排其加工顺序；
[0034]若有多个订单同时到达该工序，则优先安排剩余未加工时间最长的工件，直至安排完该工序的所有订单顺序，最终得到每个工序的订单生产顺序；
[0035]对于任何工序上的并行机器选择问题，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动力电池静态产线优化重组方法，其特征在于，所述方法包括：Step1：获取动力电池车间产线优化的静态数学模型；Step2：根据Step1确定的静态数学模型，确定粒子群的适应度函数和解码方式，利用粒子群方法进行全局搜索，全局搜索过程中采用多重对称学习方法寻找个体最优粒子，以避免个体粒子寻优过程中陷入局部最优；Step3：根据Step2得到的个体最优粒子，采用改进变邻域方法避免群体最优粒子陷入早熟收敛，得到静态产线优化重组结果。2.根据权利要求1所述的方法，其特征在于，所述Step1中动力电池车间产线优化的静态数学模型为：确定动力电池生产流程包括的s道工序，第j道工序对应的并行加工设备包括M
j
台；待完成电池订单n种，任意一种订单在第j道工序时选择该工序任一台机器上进行加工，E
i,s
表示订单i完成s道工序的加工完工时间；设所有订单的最大完工时间为C
max
，则动力电池车间产线优化的静态数学模型的目标函数为：C
max
＝min{max{E
i,s
|i＝1,2,...,n}}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)动力电池静态产线优化约束条件包括：M
j
>1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)x
i,j,m
∈{0,1}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)E
i,j
＝B
i,j
+T
i,j
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)E
i,j
≤B
i,j+1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)其中，m表示每道工序上并行机的机器号，m＝1,2,
…
,M
j
；x
i,j,m
表示订单i在第j道加工工序的机器m上进行加工，当订单i在第j道加工工序的机器m上进行加工时x
i,j,m
＝1，否则x
i,j,m
＝0；E
i,j
表示订单i在第j道加工工序的完工时间；B
i,j
表示订单i在第j道加工工序的加工开始时间；T
i,j
表示订单i在第j道加工工序的加工时间；N
j,m
表示在第j道加工工序的机器m上加工的订单数量。3.根据权利要求2所述的方法，其特征在于，所述Step2中根据Step1确定的静态数学模型确定粒子群的适应度函数为：粒子p的速度更新和位置更新规则如下：粒子p的速度更新和位置更新规则如下：粒子p的速度更新和位置更新规则如下：其中，k表示迭代次数，w为惯性常数，取值范围为0.8～1.2；c1为自我学习因子，c2为群
体学习因子；r1,r2为区间[0，1]上均匀分布的随机数；是粒子p在第k次迭代中的第d维的位置；是粒子p在第k次迭代中的第d维的速度；是粒子p在第k次迭代中的第d维的个体最优的位置；是群体粒子在第k次迭代中第d维的全局最优的位置，
‑
X
max,d
为粒子搜索范围的最小值，X
max,d
为粒子搜索范围的最大值。4.根据权利要求3所述的方法，其特征在于，所述方法中粒子群方法针对动力电池静态产线优化重组问题的目的在于确定n个订单在每个加工工序的加工顺序，而s道工序中的第一道工序的加工顺序确定后，后续工序即可按照先到先加工的原则确定相应的加工顺序，因此粒子群寻优得到的群体最优粒子所代表的向量即为n个订单在第一道加工工序的加工顺序；所述粒子群的解码规则为：针对n个订单，对应的粒子群的维度即为n，每个粒子所代表的向量中最小的数值对应订单号1，次小的数值对应订...

【专利技术属性】
技术研发人员：王子赟，程林，王艳，陈宇乾，纪志成，
申请(专利权)人：江南大学，
类型：发明
国别省市：