一种面向低碳高效的拆卸线平衡优化方法与流程

本发明属于柔性生产线设计及控制技术领域，涉及一种面向低碳高效的拆卸线平衡优化方法，具体涉及一种面向低碳高效的拆卸线平衡问题的多目标优化方法。

背景技术：

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2015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2.46亿吨。各国都陆续出台了比较严格的法律法规，废旧产品的回收和再制造越来越受到关注。再制造工程以机电产品全寿命周期理论为指导，以旧件实现性能跨越式提升为目标，以优质、高效、节能、节材、环保为准则，以先进技术和产业化生产为手段对旧件进行修复和改造。再制造的重要特征是再制造产品的质量和性能达到或超过新品。

拆卸是进行产品回收处理的第一步，拆卸是指从废弃的被拆物品中系统地分离有价值的零件、组件、材料的过程，它是实现被拆物品生命周期完整性与封闭性的必要环节。拆卸由于在产品回收中的重要作用而引起了学术界和工业界的关注。而拆卸线是实现大规模拆卸的最佳选择，因而有效设计和平衡拆卸线对提高拆卸效率至关要。故研究拆卸线平衡问题(disassemblylinebalancingproblem，dlbp)将具有重要的理论和现实意义。对于dlpb问题研究已经取得了相当的成果，但是这些研究主要建立多目标优化模型时考虑的方面主要集中在最小化工作站数、均衡各工作站空闲时间、早点拆除有危害的零件和尽可能早地拆除需求高的零件等方面以及算法上。

技术实现要素：

鉴于现有技术的不足，本发明的目的是针对拆卸过程中的碳排放特点，提出面向低碳高效的拆卸线平衡优化方法，构建以低碳高效的多目标优化模型，然后用遗传算法对拆卸线平衡问题优化求解。

本发明采用的技术方案为：

本发明实施例提供一种面向低碳高效的拆卸线平衡优化方法，包括：

s101、建立以最短拆卸时间和最低碳排放量为优化目标的拆卸线优化模型；

s102、对拆卸的产品的零部件序号进行实数编码；

s103、利用权重法将步骤s101中的多目标问题转换为单目标问题，建立目标函数；

s104、从经编码的拆卸序列中随机产生初始种群，并在初始种群中选择两个随机字符串，进行交叉操作以形成新的个体；

s105、进行变异操作。

可选地，在步骤s101中，通过下述内容建立所述拆卸线优化模型：

(1)将最小工作站和每个拆卸站的闲置时间最短进行整合，得到基于最小工作站和拆卸站的闲置时间的目标函数，该目标函数为：

其中，n代表工作台的个数，ct为工作站的最大工作时间，sti为分配给工作台i的作业时间；

(2)利用危险指标作为评价零件危险度的性能指标，得到基于危险指标的目标函数，该目标函数为：

其中，表示零部件的危害指数；n代表产品零部件的个数，k表示零部件在产品拆卸序列中的位置；hk的值为0、1和2，其中，当零部件危害性较高时，hk的值为2；当零部件一般危害性时，hk的值为1；当零件没有危险度时，hk的值为0；

(3)基于产品拆卸时间构建目标函数，该目标函数为：

其中，t为完成整个拆卸过程花费的时间；n代表产品零部件的个数；bti为拆卸序列中第i个零件的基本拆卸时间；ti,i+1为第i个拆卸零件到第i+1个零件所需工作台转位时间；tt表示每次更换拆卸工具的时间，若第i个零件到第i+1零件的拆卸工具相同，则，pi,i+1＝0，否则，pi,i+1＝1；

(4)基于碳排放量构建目标函数，该目标函数为：

其中，gei表示第i个工作台系统的物料碳排放，n代表工作台的个数。

可选地，步骤s103具体包括：

对步骤s101构建的目标函数进行归一化，得到归一化后的目标函数，其中，归一方法如下所示：

其中f1^*,t^*表示归一化参数；

基于归一化后的目标函数，得到最终目标函数，所述最终目标函数定义如下：

其中ω1,ω2,ω3由层次分析法计算所得。

可选地，步骤s104具体包括：

第一步：在区间[1,9]取一个均匀分布的随机数k作为交叉点，设k＝4；

第二步：将交叉点之前的基因按照在父辈串中的顺序复制到子辈中；

第三步：在子辈交叉点后的基因要从另一个父辈中进行以此扫描，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中。

可选地，所述步骤s105具体包括：

第1步：根据突变概率和基因数，计算需要突变的基因数；

第2步：在区间[1，n-1]取随机整数m作为基因突变的位置；

第3步：交换m和m+1基因的位置；

第4步：判断新的拆卸序列是否满足优先约束和连接矩阵；

第5步：如果新的拆卸序列满足优先约束和连接矩阵，将新的染色体放入种群中。

可选地，在第1步中，通过下述公式确定需要突变的基因数：

其中，fmax表示表示群体中最大的适应度值，favg表示每代群体的平均适应度，f′表示交叉的两个个体较大的适应度值，f表示要变异个体的适应度值，pc1＝0.9,pc2＝0.6,pm1＝0.1,pm2＝0.001。

可选地，所述优先约束和连接矩阵根据产品零件实体装配图确定。

本发明实施例提供的面向低碳高效的拆卸线平衡优化方法，在最小化工作站数、均衡各工作站空闲时间的基础上，建立了最短拆卸时间和最低碳排放量为优化目标的拆卸线平衡问题的多目标优化模型。应用遗传算法对拆卸线布局中拆卸序列进行多目标优化，提高拆卸效率和减少碳排放量。

附图说明

图1为本发明实施例提供的面向低碳高效的拆卸线平衡优化方法的流程示意图；

图2本发明实施例使用的遗传算法流程图；

图3为本发明实施例中进行交叉操作的示意图；

图4和图5分别为本发明一实施例中的汽车发动机模型的连接关系矩阵和优先关系矩阵的示意图；

图6至图8分别为以高效低碳为目标拆卸路线的算法收敛图、以高效拆卸为目标的算法收敛图、以低碳为目标的算法收敛图以及以高效低碳为目最优染色体变现形式的示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

本发明提供的面向低碳高效的拆卸线平衡优化方法，其优化目标是降低碳排放和减少拆卸时间，属于多目标优化问题。因为多目标优化问题的各目标函数相互制约，所以很难找到目标函数的最优解。本发明实施例在结果优化问题时，利用权重法将多目标问题转换为单目标问题，然后用遗传算法对拆卸线平衡问题优化求解。如图1所示，该优化方法包括以下步骤：

s101、建立以最短拆卸时间和最低碳排放量为优化目标的拆卸线优化模型；

s102、对拆卸的产品的零部件序号进行实数编码；

s103、利用权重法将步骤s101中的多目标问题转换为单目标问题，建立目标函数；

s104、从经编码的拆卸序列中随机产生初始种群，并在初始种群中选择两个随机字符串u1和u2，进行交叉操作以形成新的个体；

s105、进行变异操作。

上述步骤为本发明实施例采用遗传算法得到高效低碳的拆卸序列的步骤，本发明实施例使用的遗传算法的流程图如图2所示。

其中，在所述步骤s101中，通过下述内容建立所述拆卸线优化模型：

(1)最小工作站数和每个拆卸站的闲置时间最短可以使个拆卸线的拆卸效率加强，将最小工作站和每个拆卸站的闲置时间最短进行整合，得到基于最小工作站和拆卸站的闲置时间的目标函数，该目标函数为：

其中，n代表工作台的个数，ct为工作站的最大工作时间，sti为分配给工作台i的作业时间；

(2)利用危险指标作为评价零件危险度的性能指标，得到基于危险指标的目标函数，该目标函数为：

其中，表示零部件的危害指数；n代表产品零部件的个数，k表示零部件在产品拆卸序列中的位置；hk的值为0、1和2，其中，当零部件危害性较高时，hk的值为2；当零部件一般危害性时，hk的值为1；当零件没有危险度时，hk的值为0。零部件的危害程度与其位置有很大关系，在产品拆卸过程中越危险的零件尽量在拆卸序列的前端，这样才能使尽可能的小。

(3)产品拆卸时间是衡量拆卸序列的重要指标，在满足正常拆卸的情况下，拆卸时间越小代表拆卸效率就越高。产品拆卸时间主要包括使基本拆卸时间、方位变换时间和拆卸工具变换时间。本发明实施例中，基于产品拆卸时间构建目标函数，该目标函数为：

其中，t为完成整个拆卸过程花费的时间；n代表产品零部件的个数；bti为拆卸序列中第i个零件的基本拆卸时间；ti,i+1为第i个拆卸零件到第i+1个零件所需工作台转位时间；tt表示每次更换拆卸工具的时间，若第i个零件到第i+1零件的拆卸工具相同，则，pi,i+1＝0，否则，pi,i+1＝1；

(4)基于碳排放量构建低碳目标函数。低碳目标函数主要体现在整个拆卸过程中合理的拆卸序列基础上进行优化以达到碳排放量的最少。本发明实施例构建的低碳目标函数为：

其中，gei表示第i个工作台系统的物料碳排放，n代表工作台的个数。

进一步地，在步骤s102中，采用零部件序号编码的实数编码，可以省略编码和解码的过程，本发明实施例中的染色体的编码方式采用实数编码，为简化起见，可为32个零件。

进一步地，步骤s103具体包括：

对步骤s101构建的目标函数进行归一化，得到归一化后的目标函数，其中，归一方法如下所示：

其中f1^*,t^*表示归一化参数；

基于归一化后的目标函数，得到最终目标函数，所述最终目标函数定义如下：

其中ω1,ω2,ω3由层次分析法计算所得。

进一步地，步骤s104具体包括：

第一步：在区间[1,9]取一个均匀分布的随机数k作为交叉点，设k＝4；

第二步：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；

第三步：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，如图3所示。

进一步地，所述步骤s105具体包括：

第1步：根据突变概率和基因数，计算需要突变的基因数；

第2步：在区间[1，n-1]取随机整数m作为基因突变的位置；

第3步：交换m和m+1基因的位置；

第4步：判断新的拆卸序列是否满足优先约束和连接矩阵；

第5步：如果新的拆卸序列满足优先约束和连接矩阵，将新的染色体放入种群中，从而得到高效低碳的拆卸序列。

其中，在所述第1步中，通过下述公式确定需要突变的基因数：

其中，fmax表示表示群体中最大的适应度值，favg表示每代群体的平均适应度，f′表示交叉的两个个体较大的适应度值，f表示要变异个体的适应度值，pc1＝0.9,pc2＝0.6,pm1＝0.1,pm2＝0.001。

在第4步中，所述优先约束和连接矩阵根据产品零件实体装配图确定。

【实施例】

以某型号发动机拆卸序列进行分析，如果拆卸模型完全按照产品的零件来表达，极易造成模型图过度复杂，给拆卸序列的规划带来巨大困难，故本发明对汽车发动机装配体中某些零件进行简化：将皮带、齿形带、轴承、键、销钉它们从模型图中除去、引入子装配体和成组的紧固件当作一个零件，减少参与拆卸的零件数目，提高规划效率。

本发明中产品各功能件间的连接关系矩阵用gc表示，产品功能件间的优先关系矩阵用gp表示，产品在拆卸过程中需要翻转机进行方位的转换，并将油底座和翻转机进行固定，从而得到汽车发动机模型的gc、gp分别如图4和5所示。在本发明中，连接关系矩阵gc的元素表示功能件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之间不存在连接关系时，如图4所示；优先关系矩阵gp的元素表示功能件j对i的约束关系；若表示第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，如图5所示。

从汽车发动机分离单个零件，必须满足以下两个条件：

①没有受到其他零件的优先约束；

②只与装配体中某一零件有接触约束关系。

最终目标函数定义如下：

其中ω1,ω2,ω3由层次分析法计算所得，

f1^*,t^*表示归一化参数。

综合考虑汽车发动机零件间的约束关系和拆卸工艺要求，给定节拍ct为120s，发动机拆卸线的翻转器功率为12kw，翻转180°用时4s，翻转90°用时2s。工人更换拆卸工具的时间为定值4s，电动扳手功率为4kw。

在进行遗传算法求时，算法参数的设置如下：种群规模设置为50，算法的最大迭代次数maxgen＝150，代沟ggap＝0.9。

采用matlab软件以低碳和高效为目标进行优化，结果与单独对高效和低碳优化结果对比数据如下表1所示。

表1：优化结果

以高效低碳为目标拆卸路线的算法收敛图、以高效拆卸为目标的算法收敛图、以低碳为目标的算法收敛图以及以高效低碳为目最优染色体变现形式分别如图6至图8所示。

根据上述高效低碳拆卸序转化成拆卸线布局方案如表2所示。

表2：拆卸线布局任务分配方案

以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。