(12)发明专利申请
(10)申请公布号 CN 111222220 A(43)申请公布日 2020.06.02
(21)申请号 201911178713.6(22)申请日 2019.11.27
(71)申请人 上海海事大学
地址 201306 上海市浦东新区临港新城海
港大道1550号(72)发明人 杨继兴 张青雷 段建国 张帆 (74)专利代理机构 上海互顺专利代理事务所
(普通合伙) 31332
代理人 成秋丽(51)Int.Cl.
G06F 30/20(2020.01)G06N 3/00(2006.01)G06Q 10/04(2012.01)G06Q 50/02(2012.01)
权利要求书2页 说明书6页 附图4页
CN 111222220 A(54)发明名称
一种大型船舶动力部件生产车间布局优化方法
(57)摘要
本发明提出一种对大型船舶动力部件生产车间的布局进行优化设计的方法。首先结合船用曲轴生产车间进行生产布局分析，确定加工工艺路线、加工时间及设备加工变量条件；然后对设备模型做出一些假设条件，忽略车间设备的形状细节；根据变量、假设条件合理设定模型的优化目标和约束条件，建立数学模型；接着设计改进粒子群优化算法(DIPSO)，一种能够实时调整惯性权重和粒子飞行路线的粒子群优化算法；最后用DIPSO算法对船用曲轴生产车间进行布局设计优化求解，并与基本粒子群算法进行对比，验证DIPSO算法的切实可行性。
CN 111222220 A
权 利 要 求 书
1/2页
1.一种大型船舶动力部件生产车间布局优化方法控制方法，其特征在于，包含以下步骤：
步骤1：结合船用曲轴生产车间进行生产布局分析，确定加工工艺路线及设备加工变量条件；
步骤2：对所述步骤1的分析进行实际情况的简化，对设备模型做出如下一些相应的假设：
(1)假设车间参与位置摆放的加工设备都是矩形结构，而且每台设备的长和宽已知，忽略车间设备的形状细节；
(2)假设设备布置的区域都在同一平面；(3)假设各设备分行排列，并与X轴平行；(4)假设车间空间足够高，忽略设备高度；
(5)假设各设备间的横向和纵向间距要求是已知的，并且各设备中心位置位于同一水平线上；
步骤3：根据步骤1、步骤2合理设定模型的优化目标和约束条件，建立数学模型；步骤4：根据步骤3的数学模型，设计一种能够实时调整惯性权重和粒子飞行路线的新模式粒子群优化算法--改进粒子群--DIPSO算法，具体操作方法如下：
步骤4.1种群初始化，包括种群中每个粒子的位置xi、飞行速度vi、历史最优位置以及全局最优位置；
步骤4.2确定种群适应度函数，计算粒子的适应度值，DIPSO算法对生产车间进行布局优化，以车间内工件运输费用最小以及车间面积利用率最大为优化目标确定适应度：式(1)中，C表示工件搬运成本与车间面积利用率的加权和，pij表示机床i和机床j之间每单位距离的运输成本，Qij表示机床i和机床j之间工件运输频率，Dij表示机床i和机床j之间的直角距离，η表示车间面积利用率，f1和f2为权重因子且和为1，目的就是找到工件运输成本的最小值，pk作为惩罚项确保机床在不超过X方向上的工作区域，其中
DIJ＝|xi-xj|+|yi-yj| (3)
S代表可容纳所有布局机床的最小区域，Sc表示整个车间的面积；
步骤4.3对寻优空间中每个粒子的历史最优位置和种群最优位置进行更新；步骤4.4更新惯性权重，惯性权重ω的设定十分重要，ω的大小决定了粒子上次迭代中飞行速度对本次迭代的影响，即决定了算法的全局和局部搜索能力，惯性权重ω设定如下：
ω1和ω2分别表示惯性因子的最大值和最小值，M和I分别为算法的最大迭代次数和当前代数，λ为引用的一个惯性因子变异算子，其设置方式与粒子分布熵U(l)相关，分布熵形式如下：
其中，解空间被均分为相等区域，Q表示相等区域的个数，Nk表示第1次迭代后每个区域
2
CN 111222220 A
权 利 要 求 书
2/2页
内的粒子个数，k＝1，2，...，Q，λ的具体设置方法如下：
其中，U1、U2分别为粒子分布熵的上、下限值，满足U1＞U2，超出限制范围时，对λ赋某一定值，随着算法不断的进行迭代，粒子持续在解空间中进行搜索，且不断向全局最优解周围靠拢，若通过增大λ的方式来增加全局搜寻能力，则势必会对算法的全局收敛性产生干扰，故通过粒子在解空间中的分布状态来对ω大小进行调整的方式仅对粒子寻优的前期和中期阶段适用，即I＜RM时，当粒子进入寻优后期阶段，即I＞＞RM时，则可以给定ω一个比较小的定值λ使算法的局部寻优能力得到加强，以保证算法最终能够达到收敛(R为粒子分Min，布检测结束标志，满足0＜R＜1)；
步骤4.5更新粒子飞行速度，粒子在不断进行搜索的过程中，t时刻的飞行速度如下式：
其中，ω表示惯性因子，c1和c2表示加速因子，r1和r2表示固定范围内(0，1)之间的两个随机数，表示粒子i在第k次迭代过程中飞行速度的第d维向量，表示粒子i在第k次迭代过程中位置的第d维向量，Pid表示粒子i历史最优位置Pi的第d维向量，Pgd表示当前为止群体在解空间中搜索到的最优位置Pg的第d维向量，vid∈[-vmax，vmax]，vmax为粒子每一维的最大飞行速度；
步骤4.6更新粒子空间位置，DIPSO算法通过调整粒子飞行模式来提升粒子收敛精度，增加粒子找到全局最优解的可能性，使位置偏离的粒子再次回到其历史最优位置pi处，设置：
步骤4.7设置终止条件，满足最小误差要求或者达到最大迭代次数；步骤5：根据步骤4改进的粒子群算法对船用曲轴生产车间进行优化求解，并与基本粒子群算法作对比分析，验证DIPSO算法的切实可行性。
2.如权利要求1所述的一种船用曲轴生产车间的布局优化设计的方法，其特征在于最大迭代次数为1000。
3
CN 111222220 A
说 明 书
一种大型船舶动力部件生产车间布局优化方法
1/6页
技术领域
[0001]本发明应用于车间布局优化技术领域，特别涉及针对大型船舶动力部件生产车间的布局优化方法。
背景技术
[0002]长期以来，我国船舶制造业一直存在重生产、轻流通的问题，当物料在加工设备间进行搬运时，由于运输路径规划不合理，导致车间内物流系统停滞，致使大量的生产资金无故浪费。例如通过对曲轴公司车间生产线的观察及对相关专业人员的咨询，发现车间生产布局存在有加工设备位置布置不合理、车间面积利用率不足、物料搬运摆放及加工过程中安全等问题。车间设备布局设计是生产系统中的重要问题，合理的车间布局结果可以提高产品的生产效率，对整个生产系统的总体性能起到良好的促进作用。[0003]关于车间设备布局模型技术方法的研究很多，但相关大多聚焦在传统的产品加工车间，针对大型船舶动力部件生产车间进行布局优化的研究相对较少，而且利用算法求解布局问题时并没有考虑零件生产工艺的差异性，很多解决方案都只是考虑物流成本最小这一个因素，而忽略了空间利用率等其他目标。[0004]相关生产车间的布局优化可谓是阻碍着我国制造业更好更快的发展，合理的车间布局能有效促进船舶动力部件生产车间的物流，降低物料的加工费用，从而提高船舶制造企业的核心竞争力。设备布局设计的目的是为了最小化物流系统费用，基于上述问题，本发明提供了一种大型船舶动力部件生产车间布局优化方法。
发明内容
[0005]本发明提出一种对大型船舶动力部件生产车间的布局进行优化设计的方法。首先结合船用曲轴生产车间进行生产布局分析，确定加工工艺路线、加工时间及设备加工变量条件；然后对设备模型做出一些假设条件，忽略车间设备的形状细节；根据变量、假设条件合理设定模型的优化目标和约束条件，建立数学模型；接着设计改进粒子群优化算法(DIPSO)，一种能够实时调整惯性权重和粒子飞行路线的粒子群优化算法；最后用DIPSO算法对船用曲轴生产车间进行布局设计优化求解，并与基本粒子群算法进行对比，验证DIPSO算法的切实可行性。
[0006]为解决上述问题，本发明采用的技术方案在于，一种船用曲轴生产车间布局优化方法，主要结合曲轴生产企业的实际问题建立数学模型，设计改进一种能够实时调整惯性权重和粒子飞行路线的粒子群优化算法(DIPSO)，其中主要包含以下步骤：[0007]步骤1：结合船用曲轴生产车间进行生产布局分析，确定加工工艺路线及设备加工变量条件；
[0008]步骤2：对所述步骤1的分析进行实际情况的简化，对设备模型做出如下一些相应的假设：[0009](1)假设车间参与位置摆放的加工设备都是矩形结构，而且每台设备的长和宽已
4
CN 111222220 A
说 明 书
2/6页
知，忽略车间设备的形状细节；[0010](2)假设设备布置的区域都在同一平面；[0011](3)假设各设备分行排列，并与X轴平行；[0012](4)假设车间空间足够高，忽略设备高度；[0013](5)假设各设备间的横向和纵向间距要求是已知的，并且各设备中心位置位于同一水平线上；[0014]步骤3：根据步骤1、步骤2合理设定模型的优化目标和约束条件，建立数学模型；[0015]步骤4：根据步骤3的数学模型，设计一种能够实时调整惯性权重和粒子飞行路线的新模式粒子群优化算法--改进粒子群--DIPSO算法，具体操作方法如下：[0016]步骤4.1种群初始化，包括种群中每个粒子的位置xi、飞行速度vi、历史最优位置以及全局最优位置；
[0017]步骤4.2确定种群适应度函数，计算粒子的适应度值，DIPSO算法对生产车间进行布局优化，以车间内工件运输费用最小以及车间面积利用率最大为优化目标确定适应度：
[0018][0019]
式(1)中，C表示工件搬运成本与车间面积利用率的加权和，pij表示机床i和机床j之间每单位距离的运输成本，Qij表示机床i和机床j之间工件运输频率，Dij表示机床i和机床j之间的直角距离，η表示车间面积利用率，f1和f2为权重因子且和为1，目的就是找到工件运输成本的最小值，pk作为惩罚项确保机床在不超过X方向上的工作区域，其中
[0020]
[0021]
DIJ＝∣xi-xj∣+∣yi-yj∣ (3)
[0022]S代表可容纳所有布局机床的最小区域，Sc表示整个车间的面积；
[0023]步骤4.3对寻优空间中每个粒子的历史最优位置和种群最优位置进行更新；[0024]步骤4.4更新惯性权重，惯性权重ω的设定十分重要，ω的大小决定了粒子上次迭代中飞行速度对本次迭代的影响，即决定了算法的全局和局部搜索能力，惯性权重ω设定如下：
[0025]
[0026]
ω1和ω2分别表示惯性因子的最大值和最小值，M和I分别为算法的最大迭代次数
和当前代数，λ为引用的一个惯性因子变异算子，其设置方式与粒子分布熵U(l)相关，分布熵形式如下：
[0027]
其中，解空间被均分为相等区域，Q表示相等区域的个数，Nk表示第l次迭代后每个
区域内的粒子个数，k＝1,2,…,Q，λ的具体设置方法如下：
[0029]
[0028]
[0030]
其中，U1、U2分别为粒子分布熵的上、下限值,满足U1＞U2，超出限制范围时，对λ赋
5
CN 111222220 A
说 明 书
3/6页
某一定值，随着算法不断的进行迭代，粒子持续在解空间中进行搜索，且不断向全局最优解周围靠拢，若通过增大λ的方式来增加全局搜寻能力，则势必会对算法的全局收敛性产生干扰，故通过粒子在解空间中的分布状态来对ω大小进行调整的方式仅对粒子寻优的前期和中期阶段适用，即I＜RM时,当粒子进入寻优后期阶段，即I＞＞RM时,则可以给定ω一个比较小的定值λ使算法的局部寻优能力得到加强，以保证算法最终能够达到收敛(R为粒子Min，分布检测结束标志，满足0＜R＜1)；[0031]步骤4.5更新粒子飞行速度，粒子在不断进行搜索的过程中，t时刻的飞行速度如下式：
[0032][0033]
其中,ω表示惯性因子，c1和c2表示加速因子，r1和r2表示固定范围内(0,1)之间的
表示粒子i在第k次迭代过程中飞行速度的第d维向量,
表示粒子i在第k
两个随机数,
次迭代过程中位置的第d维向量,Pid表示粒子i历史最优位置Pi的第d维向量,Pgd表示当前为
止群体在解空间中搜索到的最优位置Pg的第d维向量，vid∈[-vmax,vmax]，vmax为粒子每一维的最大飞行速度；
[0034]步骤4.6更新粒子空间位置，DIPSO算法通过调整粒子飞行模式来提升粒子收敛精度，增加粒子找到全局最优解的可能性，使位置偏离的粒子再次回到其历史最优位置pi处，设置：
[0035][0036]
步骤4.7设置终止条件，满足最小误差要求或者达到最大迭代次数；
[0037]步骤5：根据步骤4改进的粒子群算法对船用曲轴生产车间进行优化求解，并与基本粒子群算法作对比分析，验证DIPSO算法的切实可行性。附图说明
[0038]图1为本发明一种船用曲轴生产车间布局优化方法的改进粒子群算法流程图
[0039]图2为本发明一种船用曲轴生产车间布局优化方法实施例的一个曲轴的三维模型示意图
[0040]图3为本发明一种船用曲轴生产车间布局优化方法的船用曲轴生产车间布局图[0041]图4为本发明一种船用曲轴生产车间布局优化方法的船用曲轴生产流程图[0042]图5为本发明一种船用曲轴生产车间布局优化方法的车间布局优化结果图[0043]图6为本发明一种船用曲轴生产车间布局优化方法的DIPSO、PSO算法迭代过程比较图
具体实施方式
[0044]为了加深对本发明的理解，下面结合附图和实施例，对本发明中具体细节部分进行详细阐述。此外，所述的实施例只是本发明的一部分实例，并不是全部实例。
[0045]本发明提出一种对大型船舶动力部件生产车间的布局进行优化设计的方法，该方法结合船用曲轴生产车间进行生产布局分析，结合实际问题建立数学模型，设计一种能够
6
CN 111222220 A
说 明 书
4/6页
实时调整惯性权重和粒子飞行路线的新模式改进粒子群算法，如图1所示，其为改进粒子群算法流程图，用该算法对大型船舶动力部件生产车间进行布局优化，并与基本粒子群算法进行对比分析，验证改进粒子群算法的切实可行性。
[0046]本发明研究大型船用曲轴生产车间做布局优化，重点研究曲轴制造车间生产线。如图2所示，其为一种船用曲轴三维模型图，一般由曲拐、主颈轴、自由端、输出端组成。如图3所示，其为曲轴车间当前生产车间布局图，车间内主要包括数控曲拐专用立车、红套孔镗床、数控双柱立式车床以及数控曲轴精加工机床等加工机床、曲拐单套区域、曲轴红套坑以及一个原料堆放区、一个成品存放区，船用曲轴生产车间布局。[0047]所述一种船用曲轴生产车间布局优化方法，包含以下步骤：[0048]步骤1：结合船用曲轴生产车间进行生产布局分析，确定加工工艺路线、及设备加工变量条件；[0049]步骤2：对所述步骤1的分析进行实际情况的简化，对设备模型做出如下一些相应的假设；
[0050]步骤3：根据步骤1、步骤2合理设定模型的优化目标和约束条件，建立数学模型；[0051]步骤4：根据步骤3的数学模型，改进设计一种能够实时调整惯性权重和粒子飞行路线的新模式粒子群优化算法--改进粒子群(DIPSO)算法；[0052]步骤5：根据步骤4改进的粒子群算法对船用曲轴生产车间进行优化求解，并与基本粒子群算法作对比分析，验证DIPSO算法的切实可行性。[0053]所述步骤1中，船用曲轴生产流程如图4，针对车间设备不合理位置等当前问题，以面积利用率及成本问题确定目标，对车间15个生产设备作为变量进行优化；[0054]所述步骤2中，本发明对船用曲轴生产车间布局优化，假设如下：[0055](1)假设车间参与位置摆放的加工设备都是矩形结构，而且每台设备的长和宽已知，忽略车间设备的形状细节；[0056](2)假设设备布置的区域都在同一平面；[0057](3)假设各设备分行排列，并与X轴平行；[0058](4)假设车间空间足够高，忽略设备高度；[0059](5)假设各设备间的横向(X轴)和纵向(Y轴)间距要求是已知的，并且各设备中心位置位于同一水平线上；[0060]所述步骤3中，因为加工区域的设备布局希望使车间的面积得到充分利用，故优化目标是车间内工件运输费用最小以及车间面积利用率最大，取下式为车间布局问题的适应度函数：
[0061]
C表示工件搬运成本与车间面积利用率的加权和，pij表示机床i和机床j之间每单
位距离的运输成本，Qij表示机床i和机床j之间工件运输频率，Dij表示机床i和机床j之间的直角距离，η表示车间面积利用率，f1和f2为权重因子且和为1。目的就是找到工件运输成本的最小值，其中
[0062]
7
CN 111222220 A[0063]
说 明 书
5/6页
DIJ＝∣xi-xj∣+∣yi-yj∣
[0065]S代表可容纳所有布局机床的最小区域，Sc表示整个车间的面积，多行布局问题满足DIJ。并对目标函数进行条件约束。pk为惩罚项，运用自动换行的方法可以确保机床在不超过X方向上的工作区域，只需要判断车间内参与布局的最后一行设备在Y方向上是否会超出车间区域
[0066]
[0064]
综合考虑生产车间运营的实际情况主要约束如下：(1)一台机床备只能出现一次，
且位置只能放在某一行中；(2)相邻两机床之间没有交叉或重叠；(3)机床位置在X和Y方向上的部署不能超过车间的总长度A和总宽度B；(4)确保车间的空间利用率大于70％。[0068]所述步骤4中，改进粒子群算法(DIPSO)参数设置如下：[0069](1)惯性权重ω的设定
[0070]惯性权重ω的设定十分重要，ω的大小决定了粒子上次迭代中飞行速度对本次迭代的影响，即决定了算法的全局和局部搜索能力。增大ω的值可以提高算法的全局搜索能力，但会降低算法的寻优效率，减小ω的值有利于算法的局部搜索能力，使算法的收敛速度增加，但容易陷入局部最优。DIPSO算法是基本PSO算法的一种新模式改进算法，其惯性因子的大小是动态变化的，并且粒子在每个阶段的飞行起始点根据粒子历史的最佳位置的更新而不断进行调整。在DIPSO算法迭代过程中，着重考虑了粒子的分布情况，用粒子分布情况和迭代阶段来共同决定ω的大小，可以有效避免算法陷入局部最优。因此，在对ω进行调整时引用一个惯性因子变异算子λ，其大小由寻优空间中的粒子分布情况决定：
[0071]
[0067]
λλM和I分别为算法的最大迭代次数和1和2分别表示惯性因子的最大值和最小值，当前代数。
[0073]为了实时了解寻优空间中的粒子分布情况，分布熵形式如下：
[0074]
[0072]
其中，解空间被均分为相等区域，Q表示相等区域的个数，Nk表示第l次迭代后每个区域内的粒子个数，k＝1,2,…,Q，λ的具体设置方法如下：
[0076]
[0075]
[0077]
其中，U1、U2分别为粒子分布熵的上、下限值(满足U1＞U2)。超出限制范围时，对λ赋某一定值。随着算法不断的进行迭代，粒子持续在解空间中进行搜索，且不断向全局最优解周围靠拢，若通过增大λ的方式来增加全局搜寻能力，则势必会对算法的全局收敛性产生
8
CN 111222220 A
说 明 书
6/6页
干扰，故通过粒子在解空间中的分布状态来对ω大小进行调整的方式仅对粒子寻优的前期和中期阶段适用，即l＜RM时。当粒子进入寻优后期阶段，即l＞＞RM时。则可以给定ω一个比较小的定值λ使算法的局部寻优能力得到加强，以保证算法最终能够达到收敛(R为粒Min，子分布检测结束标志，满足0＜R＜1)。其中惯性因子最大值ω1＝0.9，最小值ω2＝0.9，分布熵的上、下限值分别取U1＝3.5，U2＝1.8[0078](2)粒子飞行速度，粒子在不断进行搜索的过程中，t时刻的飞行速度如下式：
[0079][0080]
其中,ω表示惯性因子，c1和c2表示加速因子，r1和r2表示固定范围内(0,1)之间的
表示粒子i在第k次迭代过程中飞行速度的第d维向量,
表示粒子i在第k
两个随机数,
次迭代过程中位置的第d维向量,Pid表示粒子i历史最优位置Pi的第d维向量,Pgd表示当前为止群体在解空间中搜索到的最优位置Pg的第d维向量，vid∈[-vmax,vmax]，vmax为粒子每一维的最大飞行速度；[0081](3)更新粒子空间位置，为了使算法具备更好的优化效果，DIPSO算法还通过调整粒子飞行模式来提升粒子收敛精度。增加粒子找到全局最优解的可能性，要使位置偏离的粒子再次回到其历史最优位置pi处,设置：
[0082]
(4)加速因子，合理的加速因子C1和C2，把C1和C2看成一个控制参数，令ψ＝C1+C2，ψ
介于一定范围。本发明中c1＝c2＝2。另外，取群体规模N＝28，设备数量D＝15，[0084]所述步骤5中，用设计的DIPSO算法对船用曲轴生产车间进行布局优化，得到如图5曲轴生产车间布局优化结果图，并将迭代过程与基本PSO算法进行对比分析，如图6为DIPSO、PSO算法迭代过程比较图。由图6可看出，本发明的改进粒子群算法大约迭代到120代左右收敛速度明显加快，在后期的420代左右找到最优解，明显优于基本粒子群算法的630代过DIPSO算法优化后得到的平均适应度值约为6.417*106，而经过基PSO算法优化后得到的最优结果约为6.68*106。故DIPSO算法相比于基本PSO算法在解决车间布局问题上不仅整体收敛速度更快，且优化结果更高。
[0083]
9
CN 111222220 A
说 明 书 附 图
1/4页
图1
10
CN 111222220 A
说 明 书 附 图
2/4页
图2
图3
11
CN 111222220 A
说 明 书 附 图
3/4页
图4
图5
12
CN 111222220 A
说 明 书 附 图
4/4页
图6
13
因篇幅问题不能全部显示，请点此查看更多更全内容