考虑操作者体力和脑力负荷的拆卸线设置方法

1.本发明涉及设施布局技术领域，具体是考虑操作者体力和脑力负荷的拆卸线设置方法。


背景技术：

2.随着科技的突飞猛进，机电产品(如电视机、电冰箱和电脑等)更新换代的速度不断加快，对废旧机电产品的处理尤为重要。传统处理方式如焚烧、填埋等不仅对环境造成严重污染而且浪费资源，回收拆解再利用已成为目前最好的处理方式，已经被应用于大型拆卸企业。
3.拆卸线平衡问题(disassembly line balancing problem，dlbp)自被提出以来，便一直受到国内外学术界的高度关注，越来越多的学者对其进行深入复杂的研究，zhang等考虑拆卸过程中的不确定性因素引入模糊作业时间，并将其应用到考虑多目标dlbp中；zhu等对产品在拆卸过程其结构和质量存在的不确定性进行研究，上述研究均以拆卸成本和效率为主要目标，且均未考虑拆卸过程中工人体力及脑力负荷对工人影响的问题。
4.实际的拆卸线依旧以人工拆卸为主，工人进行拆卸不仅耗费体力而且耗费脑力，例如：拆卸大型简单零部件，工人体力消耗巨大；拆卸复杂零部件，工人需要思考拆卸动作、姿势等以寻求更好的拆卸舒适度。工人的体力和脑力负荷不仅影响拆卸效率和拆卸失误率，更会对工人的健康产生影响。因此，在拆卸过程中有必要考虑工人体力和脑力负荷。


技术实现要素：

5.为解决上述问题，本发明的主要目的在于提供了考虑操作者体力和脑力负荷的拆卸线设置方法，本发明考虑了操作者体力和脑力负荷对拆卸线设置的影响，更加符合工人的实际工作情况，能够获得更优的拆卸线组合。
6.本发明的技术方案是：
7.考虑操作者体力和脑力负荷的拆卸线设置方法，包括以下步骤：
8.s1、收集拆卸线和拆卸任务信息，建立以最小化开启工作站数量、空闲时间均衡指标、能量消耗均衡指标为目标，包含操作者体力和脑力负荷约束的拆卸线平衡问题数学模型；
9.所述数学模型的目标函数如下：
10.f＝min[n,t,r]
[0011]
其中，
[0012][0013]
[0014][0015][0016][0017]
式中，n为开启的工作站数量；t为空闲时间均衡指标；r为能量消耗指标；j为工作站编号；i为待拆卸零件总数；j为工作站数目，上限值为i；sj为判断变量，若工作站开启sj＝1，否则sj＝0；ct为工作站生产节拍时间，单位s；stj为完成第j个工作站所有任务的实际时间，单位s；δe为完成所有工作站内任务的平均能量消耗率，单位kcal/min；ej为完成第j个工作站内所有任务的平均能量消耗率，单位kcal/min；i为任务编号，i∈{1,2,...,i}；ei为完成任务i的能量消耗，单位kcal；x
ij
为判断变量，若任务i分配到第j个工作站则x
ij
＝1，否则x
ij
＝0；
[0018]
目标函数f1为开启的工作站数目，开启工作站数目越少，拆卸成本越低。
[0019]
目标函数f2为空闲时间均衡指标，空闲时间均衡指标越小，各个工作站作业时间越均衡。
[0020]
目标函数f3为工作站能量消耗指标，只有该目标函数尽可能的小，才能避免出现因拆卸任务分配不均导致工人能量消耗过大或者过小的现象。
[0021]
所述数学模型的约束条件如下：
[0022][0023][0024][0025][0026][0027][0028][0029][0030][0031]
b＝(b
il
)i×i(17)
[0032]
式中，ti为第i个任务的作业时间，单位s；tti为满足人因条件下，完成第i个任务的作业时间，单位s；sttj为满足人因条件下，完成第j个工作站所有任务的实际时间，单位s；βi为单位时间内完成任务i的脑力刚度值；β
down
为工作站人员脑力刚度值的下限值；β
up
为工作
站人员脑力刚度值的上限值；b为优先关系矩阵；b
il
为判断变量，若任务i为任务l的紧前任务则b
il
＝1，否则b
il
＝0；满足人因条件为满足工人体力和脑力负荷的简称；
[0033]
式(6)为工作站开启数目范围；式(7)为工作站实际工作任务总时间不超过节拍时间；式(8)为工作站的作业任务总时间；式(9)为每个任务只能被分配到一个工作站；式(10)为保证拆卸应该满足优先关系约束，式(14)估算工人能量消耗的方法；式(15)表示满足节拍时间要求前提下考虑能量消耗时工人完成工作站j时的作业任务总时间；式(16)表示脑力刚度值约束。
[0034]
s2、求解上述数学模型。
[0035]
关于解数学模型而言，dlbp经过不断的发展出现了多种求解方法，首次应用的是启发式算法，之后逐渐发展到数学规划方法和智能算法。传统的启发式算法和数学规划方法随着求解任务规模的增大，其求解难度呈指数级增长。近年来，由于智能算法的求解效率高，寻优效果好等优点被广泛应用于车间调度、job-shop调度、集成工艺规划与调度、和dlbp等组合优化问题。在求解dlbp等组合优化问题中常用的有粒子群优化算法(particle swarm optimization，pso)、变邻域搜索(variable neighborhood search，vns)、蚁群算法(ant colony optimization，aco)、模拟退火算法(simulated annealing，sa)等，但是上述方法依旧是将多目标转化为单目标求解，单目标求解最终只能得到一个可行解，无法如多目标求解一样提供不同侧重目标的多个非劣解供选择。天牛须搜索算法是jiang等人于2017年提出的一种生物启发式算法，该算法将天牛觅食原理抽象为数学表示。由于算法具有优化机制简单、实施便捷、运算量小等优点，被应用于约束组合优化问题和0-1背包问题等.该算法应用于组合优化问题求解可有效提高搜索精度，但现有的天牛算法只适用于求解连续性问题，而本数学模型的问题属于离散化问题，因此需要对天牛算法进行离散化，使其适用于求解本数学模型所提问题。鉴于上述原因，本发明提出了一种改进天牛群算法(improved beetle swarm algorithm，ibsa)，将天牛须搜索算法离散化，通过引入浓度探测操作、步长移动操作和变异操作提高算法的寻优性能，最后，利用pareto解集思想和拥挤距离机制筛选获得多个非劣解。具体而言，其求解方法包括如下步骤：
[0036]
s20、设置问题参数与算法参数，所述的问题参数包括预设节拍时间ct；所述算法参数包括种群规模pop_num，最大迭代次数g，外部档案个数n；
[0037]
s21、依照约束条件、采用实数编码方式得到任务拆卸序列，将每组任务拆卸序列作为天牛个体构建初始天牛种群；
[0038]
s22、依靠基于目标函数的算法判定初始天牛种群中天牛个体作为优解的可行性，筛选出具有优解可行性的天牛个体建立天牛种群的外部档案q；
[0039]
s23、浓度探测操作:取初始天牛种群中的一只天牛个体，通过单点定向插入法改变天牛个体的拆卸序列获得新的天牛个体，依据pareto精英策略和拥挤距离从新的天牛个体和原天牛个体中筛选最优的天牛个体，以此使天牛个体向信息浓度高的位置移动；
[0040]
s24、步长移动操作:取步骤s23筛选的天牛个体和一只外部档案q中的天牛个体，通过两点交叉操作改变天牛个体的拆卸序列获得新的天牛个体，通过pareto精英策略和拥挤距离机制筛选天牛个体；
[0041]
s25、变异操作:取步骤s24筛选的天牛个体和一只外部档案q中的天牛个体，通过单点随机插入法改变天牛个体的拆卸序列，通过拥挤距离筛选天牛个体并用筛选得到的天
牛个体更新外部档案q；
[0042]
s26、取步骤s23中的筛选的天牛个体、依次取外部档案q的一个天牛个体，重复步骤s24-s25；
[0043]
s27、依次取初始天牛种群中的天牛个体，重复步骤s23-s26更新外部档案q；
[0044]
s28、利用外部档案q和原始天牛种群更新初始天牛种群，重复步骤s24-s27进行迭代，直至迭代计算次数满足终止条件，利用nsga
‑ⅱ
拥挤距离评价标准筛选出目标函数的外部档案q中的非劣解作为最终输出；
[0045]
所述更新初始天牛种群具体过程如下：
[0046]
若外部档案q中天牛个体数量等于初始天牛种群中天牛个体数量，则用外部档案中天牛个体替换天牛种群中的天牛个体；
[0047]
若外部档案q中天牛个体数量小于初始天牛种群中天牛个体数量，则随机生成缺少的的天牛个体；
[0048]
若外部档案q中天牛个体数量大于初始天牛种群中天牛个体数量，则采用拥挤距离从外部档案q中筛选天牛个体替换初始天牛种群中的天牛个体。
[0049]
本发明的技术效果是：
[0050]
(1)本发明考虑了操作者体力和脑力负荷对拆卸线设置的影响，更加符合工人的实际工作情况，能够获得更优的拆卸线组合。
[0051]
(2)针对本专利所建模型，提出了一种改进天牛群算法，对天牛须搜索算法离散化，使算法适用于处理离散型问题，引入浓度探测操作、步长移动操作和变异因子等增强了算法的寻优及收敛性能。
附图说明
[0052]
为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。
[0053]
图1是考虑操作者体力和脑力负荷的拆卸线设置问题求解流程图；
[0054]
图2是通过单点定向插入法改变天牛个体的拆卸序列获得新的天牛个体的示意图；
[0055]
图3是通过两点交叉操作改变天牛个体的拆卸序列获得新的天牛个体的示例图；
[0056]
图4是ibsa算法与同类算法求解效果对比图；
[0057]
图5是ga和ibsa计算结果对比图，其中图a为目标值f2的最值和均值对比图，图b是目标值f3的最值和均值对比图。
具体实施方式
[0058]
下面结合实施例及附图，对本发明作进一步地的详细说明。
[0059]
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
[0060]
实施例
[0061]
本实施例的计算式中涉及多个符号，各符号定义请参考表1
[0062]
表1符号定义说明表
[0063][0064][0065]
为便于理解申请文件后续部分中实施例及其它公式的意义，特此给出表1符号及决策变量说明表，未经特别说明，下文中所描述的与表1中符号和变量相同的符号与变量所表示的意义也均与表1中符号和变量的意义相同。
[0066]
本发明的具体步骤如下：
[0067]
步骤1、收集拆卸线和拆卸任务信息，拆卸任务信息包括各拆卸任务的优先关系，在针对dlbp分配拆卸任务时，需要使得拆卸线工作站数目和个工作站空闲时间尽可能小，操作者体力和脑力负荷尽可能的小，由此基于以上要素可建立如下目标函数：
[0068]
f＝min[n,t,r]
[0069]
目标函数f1为开启的工作站数目，开启工作站数目越少，拆卸成本越低。
[0070]
目标函数f2为空闲时间均衡指标，空闲时间均衡指标越小，各个工作站作业时间越均衡。
[0071]
目标函数f3为工作站能量消耗指标，只有该目标函数尽可能的小，才能避免出现因拆卸任务分配不均导致工人能量消耗过大或者过小的现象。
[0072]
其中，
[0073][0074][0075][0076][0077][0078]
操作者的能量消耗和脑力刚度值均可根据拆卸线实际的运行状态获得。
[0079]
约束条件：
[0080][0081][0082][0083][0084][0085][0086][0087][0088][0089]
b＝(b
il
)i×i(17)
[0090]
式(6)为工作站开启数目范围；式(7)为工作站实际工作任务总时间不超过节拍时间；式(8)为工作站的作业任务总时间；式(9)为每个任务只能被分配到一个工作站；式(10)为保证拆卸应该满足优先关系约束，式(14)估算工人能量消耗的方法；式(15)表示满足节
拍时间要求前提下考虑能量消耗时工人完成工作站j时的作业任务总时间；式(16)表示脑力刚度值约束。
[0091]
步骤2，求解上述数学模型，请参考图1，图1是本实施例考虑操作者体力和脑力负荷的拆卸线设置问题求解流程图，本步骤具体包括如下操作：
[0092]
s20、根据上述pdlbp问题实际设置问题参数与算法参数，问题参数包括预设节拍时间ct；算法参数包括种群规模pop_num，最大迭代次数g，外部档案个数n。
[0093]
s21、依照约束条件、采用实数编码方式得到多组任务拆卸序列，将每组任务拆卸序列作为天牛个体构建初始天牛种群；
[0094]
具体的，初始天牛种群是采用基于实数编码表示的方式将编码得到的每一组可行的任务拆卸序列作为天牛个体，编码过程中使用“0”元素来代替未分配任务位置，每一组可行的任务拆卸序列可通过解码的方式获得对应的可行序列目标值。
[0095]
s22、依靠基于目标函数的算法判定初始天牛种群中天牛个体作为优解的可行性，筛选出具有优解可行性的天牛个体建立天牛种群的外部档案q；
[0096]
s23、浓度探测操作:取初始天牛种群中的一只天牛个体，通过单点定向插入法改变天牛个体的拆卸序列获得新的天牛个体，依据pareto精英策略和拥挤距离从新的天牛个体和原天牛个体中筛选最优的天牛个体，以此使天牛个体向信息浓度高的位置移动。
[0097]
具体的，请参见图2，图2是通过单点定向插入法改变天牛个体的拆卸序列获得新的天牛个体的示例图，其包括如下步骤：
[0098]
随机选取天牛个体拆卸序列中的一个拆卸任务，记录该任务在整个拆卸序列中的位置(从第一个任务开始，任务所对应的位置依次为1,2,3...)，遍历整个天牛个体拆卸序列，找到该任务的紧前和紧后任务，记录紧前任务和紧后任务在整个拆卸序列中对应的位置(从第一个任务开始，任务所对应的位置依次为1,2,3...)；
[0099]
依据任务拆卸的优先关系可知，变化前后随机选取的任务所处的位置必须在该任务紧前任务所处位置的后面，在该任务紧后任务所处位置的前面；按照拆卸任务的优先关系对该任务进行操作：将该任务随机的插入到该任务所处的位置和该任务紧前任务所处的位置之间，生成一条新的序列，即第一天牛个体；将该任务随机的插入到该任务所处的位置和该任务紧后任务所处的位置之间，生成另外一条新的序列，即第二天牛个体。
[0100]
s24、取步骤s23筛选的天牛个体和一只外部档案q中的天牛个体，通过两点交叉操作改变天牛个体的拆卸序列获得新的天牛个体，通过pareto精英策略和拥挤距离机制筛选天牛个体；
[0101]
具体的，请参见图3，图3是通过两点交叉操作改变天牛个体的拆卸序列获得新的天牛个体的示例图，通过两点交叉操作改变天牛个体拆卸序列的具体方法如下：将步骤s23筛选的1只天牛个体与外部档案q中随机选择1只天牛个体进行配对，并将其分别编号为s和m；在天牛个体s中随机选择两个任务编号，两个任务编号及其之间的任务编号组成一个待变异序列段；将待变异序列段中各个任务编号的位置根据其在天牛个体m中的前后顺序重新排列获得更新后的天牛个体s；在天牛个体m中随机选择两个任务编号，两个任务编号及其之间的任务编号组成一个待变异序列段；将待变异序列段中各个任务编号的位置根据其在天牛个体s中的前后顺序重新排列获得更新后的天牛个体m。
[0102]
s25、取步骤s24筛选的天牛个体和一只外部档案q中的天牛个体，通过单点随机插
入法改变天牛个体的拆卸序列，通过拥挤距离筛选天牛个体并用筛选得到的天牛个体更新外部档案q；
[0103]
具体的，所述通过单点随机插入法改变天牛个体拆卸序列的具体方法如下：在天牛个体的可行拆卸序列上随机选择任务m，找到该任务的紧前任务和紧后任务，将任务m随机插入紧前任务和紧后任务之间的任意位置，并保证插入前与插入后紧前任务和紧后任务的位置未发生变化，由此进一步地对天牛个体进行了更新，起到防止算法陷入局部最优的作用。
[0104]
s26、取步骤s23中的筛选的天牛个体、依次取外部档案q的一只天牛个体，重复步骤s24-s25；
[0105]
s27、依次取初始天牛种群中的天牛个体，重复步骤s23-s26更新外部档案q；
[0106]
s28、利用步骤s27更行后的外部档案q和原始天牛种群更新初始天牛种群；重复步骤s23-s27进行迭代，直至迭代计算次数满足终止条件，利用nsga
‑ⅱ
拥挤距离评价标准筛选出目标函数的外部档案q中的非劣解作为最终输出。
[0107]
具体的，初始天牛种群更新前后初始天牛种群中天牛个体数量不变，更新初始天牛种群具体过程如下：
[0108]
若外部档案q中天牛个体数量等于初始天牛种群中天牛个体数量，则用外部档案中天牛个体替换天牛种群中的天牛个体；
[0109]
若外部档案q中天牛个体数量小于初始天牛种群中天牛个体数量，则随机生成缺少的的天牛个体；
[0110]
若外部档案q中天牛个体数量大于初始天牛种群中天牛个体数量，则采用拥挤距离从外部档案q中筛选天牛个体替换初始天牛种群中的天牛个体。
[0111]
以下为本实施例的具程序测试环境：
[0112]
改进改进天牛群算法的运行环境为采用matlab r2018b开发ibsa算法程序，在intel(r)core(tm)i5-7400cpu、3.0ghz主频和4gb内存的计算机环境下运行程序。
[0113]
1、同类算法效果比较：
[0114]
利用同类型算法：蚁群算法、遗传模拟退火算法、蚁群遗传算法(ant colony and genetic algorithm，acga)、人工鱼群算法(artificial fish swarm algorithm，afsa)对大规模的包含52个手机拆卸任务的实例p52进行求解,其中，f1、f2、f3分别表示优化目标平滑率f
idle
、平均闲置率f
smooth
和拆卸成本f
cost
，通过大量实验测试，选取较优的参数如下：种群规模pop_num＝160，最大迭代次数max_gen＝280，变异概率pm＝0.7，天牛须距离d＝4，为外部档案规模为nn＝10，算法运行10次，取其中较优的一次。考虑到可比性，仍然对原文献的三个目标进行求解，求解结果如表2所示，每个目标的最优值加粗表示。
[0115]
表2 ibsa算法求解p52结果
[0116]
nof
idlefsmoothfcost
10.05790.9999141.60020.05790.8934127.05630.05790.9252127.14640.05790.9253127.60850.05790.9970129.096
60.05790.9985137.80870.05790.9979130.57880.05790.9921128.26890.05790.9644128.178
[0117]
对表2结果分析可知，ibsa算法求得的9个结果的平滑率在0.8934-0.9999之间，平均闲置率均为0.0579，拆卸成本在127.056元/台-141.60元/台之间.
[0118]
将ibsa算法求解结果与上述4种算法求解结果对比，考虑上述算法求解闲置率结果均为0.0579，因此建立二维直角坐标系对负载均衡指标和拆卸成本两个目标函数对比进而分析算法的优劣如图4所示.
[0119]
由图4可以清晰看到ibsa算法求得的结果包围其余4种算法求得的结果，可以说明ibsa算法求解大规模问题比本文对比的其余4种算法更优.
[0120]
2、实际拆卸任务效果说明：
[0121]
某企业的废旧打印机拆卸实例包含55个拆卸任务，将建立的多目标dlbp模型和本发明所提出的ibsa算法应用于该打印机拆卸的拆卸线中，以获得使拆卸线工作站开启数目最少，空闲均衡指标最低，能量消耗指标最少的拆卸方案。表3所示为废旧打印机各拆卸任务的数据信息。
[0122]
表3拆卸信息表
[0123]
[0124][0125]
该打印机生产节拍为156秒.ibsa算法和ga算法参数设置均与p52算例的参数设置相同，两种算法均运行10次，ga算法平均每次运行时间为325.2s，ibsa算法平均每次运行时间为302.1s，取其中较优的一次如表4所示，其中最优数据加粗表示。
[0126]
表4 ibsa和ga任务方案(考虑工人体力和脑力负荷)
[0127]
[0128][0129]
1-10为ga算法求得的数据，11-18为ibsa算法求得的数据，对表4所得的18组数据pareto筛选，得出多组非劣解如表5所示.
[0130]
表5 pareto筛选结果
[0131]
编号算法f1f2f31ibsa519060.00192ibsa515160.00563ibsa515000.03974ibsa5148024.54155ibsa516120.00206ibsa514860.47937ibsa514980.47238ibsa5148220.8091
[0132]
ga算法和ibsa算法求得的f1的最优目标值均为5，将ga算法和ibsa算法求得的f2和f3的结果进行对比，分别比较最大值、最小值和平均值，如图5所示.
[0133]
结合表5和图5分析，从表5中可以得知ibsa求得的结果均支配ga求得的结果，从图5中可以看出ibsa求得的结果在目标值f2和f3上的最小值平均值和最大值均优于ga算法求得的结果.因此，针对本文所提问题，ibsa的求解性能优于ga.
[0134]
在ibsa算法求得的方案中随机选取一组方案分析工人体力和脑力负荷的影响如表6所示，表中考虑表示考虑工人体力和脑力负荷，不考虑代表不考虑工人体力和脑力负荷，超过工人体力和脑力负荷的数据加粗表示。
[0135]
考虑工人能量消耗和脑力刚度值的情况下，5个工作站工人的体力和脑力负荷均在可承受范围内；在分配作业任务相同的情况下，不考虑工人能量消耗和脑力刚度值的情况下，工作站1、2和3中的工人的能量消耗较大,工人极易产生疲劳，长时间超负荷工作可能会因体力不支导致效率降低甚至造成操作失误从而引发危险。
[0136]
表6工人体力和脑力刚度值对比
[0137][0138]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明实施例揭露的技术范围内，可轻易想到的变化或替换，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该以权利要求的保护范围为准。