论文部分内容阅读
市场竞争的加剧和产品个性化的发展，促使企业不断改进生产模式，从传统的大批量、重复性粗放生产转变为多品种、小批量精益生产，以提高市场竞争力。然而，混流装配生产涉及了不同的产品、复杂的装配过程、品种繁多的物料，混流生产过程的柔性和生产组织的复杂性给车间生产与管理带来了严峻的挑战。为此，本文以准时制生产环境下的混流装配制造系统为研究对象，总结出混流装配生产的共性问题，对混流装配线排序问题、自制件生产调度问题及物料配送问题进行了深入研究，以期达到优化资源配置、提高生产效率的目的。 在以往的研究中，学者们往往将以上问题视为孤立的问题，进行单独研究，忽视了各问题之间的相互影响，缺乏整体性能的全面考虑。鉴于此，本文提出了一种两阶段循环方法求解以上问题，以混流装配线生产排序优化为主，兼顾自制件生产调度和物料配送优化。在算法的第一阶段进行混流装配线排序优化，然后在第二阶段进行自制件生产调度及物料配送的优化。该方法的特点在于求解过程是递进式的，以第一阶段的优化结果为基础进行第二阶段的优化计算，避免了大量无效搜索，提高了算法效率。而循环的优点在于以上一次循环的优化结果为基础进行下一次的循环搜索，体现出精英策略，避免了无序搜索，提高了算法搜索性能。以上两个阶段迭代循环直至求解出最优解。在两阶段循环方法的框架内，针对各个具体问题优化，本文建立了相关的模型和算法，依次主要有： 首先针对标准产品的生产，研究了确定型混流装配线排序问题。在这类产品的生产系统中，由于大量采用自动化设备、产品型制成熟，其加工时间通常可以被视为常量。然而，由于不同产品之间的工艺差异，产品的投放顺序对工位负荷、零部件的供应和产品切换产生直接影响，因此本文建立以最小化超载时间、产品生产平准化与最小化总切换时间为优化目标的多目标模型，提出一种将遗传算法与粒子群优化算法相结合的混合算法—GA-PSO算法进行求解。在算法的历次迭代中，早期通过遗传算法进行全局搜索，后期通过粒子群算法进行局部搜索。基准算例测试表明该算法的多目标排序解集能有效平衡装配线工位负载，实现生产平顺化，避免产品频繁切换。 其次，针对定制产品的实际加工时间波动性强，确定型排序模型不能准确反映定制产品的生产情形的问题，本文建立了加工时间服从随机分布的随机型混流装配线排序模型。模型以加工时间服从正态分布为基础，优化目标为最小化期望超载时间、零部件消耗平准化和最小化切换次数。提出一种改进的多目标粒子群优化算法求解模型。在粒子群算法中引入模拟退火思想，避免了粒子群算法过早收敛。运用帕累托概念更新粒子局部最优解，避免了最优解的丢失。通过实例验证了模型的可行性和算法的有效性。 混流装配制造系统自制件生产存在准备周期短、零部件品种多、批量不同，不同零件的生产工艺也不相同等问题，自制件的生产调度成为影响最终混流装配制造系统运行效率的关键因素之一。因此，本文针对柔性作业车间中的自制件的调度问题，建立以最小化完工时间、最大机器负荷和总机器负荷为目标的优化模型，并提出一种离散粒子群优化算法与模拟退火算法的混合算法求解。在算法中设计了粒子的离散移动形式，运用帕累托分级思想更新粒子局部最优解，以提高算法的性能。基准测试证实了算法的性能，在最优解的质量和数量上都优于文献中的算法。 物料配送是影响装配生产效率的关键问题。由于不同产品的共线装配生产，各种产品的批量不同，不同产品的装配件也不完全一致，这些都使得物料配送变得十分复杂。针对现实企业传统物料配送的实际情况，如车辆利用率低、车辆到达时间的不确定性的等问题，传统的车辆路径问题模型已无法准确描述这些情形，为此，本文建立了车辆到达时间服从正态分布的随机物料配送路径优化模型，并运用多目标人工蜂群算法求解最小化车辆路径距离、路径数和最大化车辆利用率三个优化目标。针对随机物料配送优化模型的求解特点，本文重新定义了雇佣蜂和观察蜂的搜索行为，并设计了蜜源独特的编码方式和解码方式。实际案例表明算法可以较好的解决混流装配制造系统的物料配送问题。 本文基于以上研究成果在某空调企业的混流装配车间进行了应用验证，应用结果表明，上述模型与方法在降低混流装配线超载量、平衡工位负荷、稳定零部件消耗率、缩短自制件准备周期、减少配送车辆行驶距离，提高车辆利用率等方面发挥了显著作用，验证了上述研究成果的有效性和应用价值。 最后，对全文进行了总结概括，给出了进一步研究的方向。