航空复杂装备结构件车间作业计划及重调度方法与流程

本发明属于车间计划调度技术领域，具体涉及一种基于遗产算法的航空复杂装备结构件车间作业计划及重调度方法。

背景技术：

近年来，我国航空、航天、船舶等大型复杂装备研制井喷式发展，尤其是航空工业，多种型号并行研制和生产，如何做到准时交付是航空复杂装备制造企业面临的管理痛点，运用科学的计划和排产方法帮助企业提高生产管理水平显得尤为迫切。现实情况是高端装备制造业在生产管理方面水平不高，生产计划方面主要是依靠计划人员的经验、使用效率极为低下的excel进行手工排程，虽然结果能够符合生产基本逻辑，但由于未能考虑多种因素的综合影响进行目标优化，严重影响了效率，难以适应多品种、小批量、柔性生产的需要。

车间调度问题是制造型企业生产运作的核心问题之一，是指在有限的资源约束下合理地对各工件任务进行机器-时间指派，尽可能地达到排产优化指标，满足交货期。fjsp问题属于经典的np-hard问题，国内外对于这一问题的研究一直多集中于利用各种智能算法优化获得更好的静态结果，如孙斌等人于2015年的“求解柔性作业车间调度问题的vedfa算法与实现”中提出了病毒离散萤火虫算法，病毒个体引入萤火虫算法以提高局部搜索能力；金峰等人于2007年的“基于大规模fsp问题block性质的sa算法”中针对大规模流水线问题引入block性质改进模拟退火算法。随着生产计划问题研究的逐渐深入，研究人员也更多关注企业的生产环境的现实动态影响因素，倾向于生产计划研究的实用性，如nkundakc等人于2016年的“hybridgeneticalgorithmsforminimizingmakespanindynamicjobshopschedulingproblem”中提出了一种有效混合遗传算法(ga)方法用于解决最小化动态作业车间调度问题。

近几年对于排产问题选取的研究范围多是一般的混合流水车间或离散车间等较典型的生产型车间，而少量对于复杂装备结构件车间的研究，只有一些宏观上的网络图、顺排倒排逻辑等，没有结合模型及智能算法的仿真求解过程描述。大多排程模型中目标函数的选择仅考虑了成本、完工时间等基本因素，而对于多数多品种、小批量企业来说，由于工件类型多、工艺复杂等特点，设备负荷率数据是一个较难控制的问题，现今对于排产过程中设备负荷率均衡的研究较少，且没有统一的评价体系。将计划与调度分成两个阶段，计划阶段会更多的依赖于静态求解算法方面的研究，利用其可以合理地排出车间生产所需的月计划或周计划，但由于现实扰动因素多，如工装资源的到位情况、紧急插单问题、设备故障问题等状况的频发，一般并不能作为车间安排生产的实际作业计划。国内航空制造复杂装备生产计划问题的难点不集中于计划阶段，而更多的集中于调度阶段，更准确地说就是突发状况下的重调度问题，一般的重调度问题可参见文献，如裴海燕等人于2017年的“插单扰动下流水线生产与维护的重调度优化”中研究了拉式生产模式下考虑重调度需求的生产调度与预防性维护的联合优化问题。现有的研究成果大多停留在理论特定场景和算法设计，如何根据企业的实际需求，设计有效的动态调度方法，实现计划科学排产和紧急情况下的重调度目前研究相对较少。

技术实现要素：

针对于上述现有技术的不足，本发明的目的在于提供一种航空复杂装备结构件车间作业计划及重调度方法，以解决现有技术中未考虑计划-调度衔接、多品种小批量离散车间突发扰动快速响应的问题，本发明在有完整输入数据的情况下，可以制定出较优的符合现场实际的生产作业计划；在有扰动发生的情况下，可以根据扰动的规模及类型进行重调度。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种航空复杂装备结构件车间作业计划及重调度方法，包括步骤如下：

(1)数据导入：获取架次订单数据、交货期、各零件的工艺路线、各工序的加工时间以及所对应的可选设备集，并将提取出的以上数据整理成排产所需的标准输入表格；

(2)确定复杂装备结构件车间排产模型的假设条件和目标函数；

(3)确定复杂装备结构件车间排产模型的约束条件；

(4)采用多层编码遗传算法制定初始生产作业计划；

(5)上述步骤(4)中制定的初始生产作业计划通过甘特图或表格输出，制定好的初始生产作业计划下发物流作为备料及调度依据；

(6)根据初始生产作业计划进行实时调度，遇突发扰动启动重调度；

(7)重调度后的未生产完工件工序及插单件得到新的实际作业调度计划，并通过排产结果甘特图或表格表示，及时通知物流部门进行备料及配送。

进一步地，所述步骤(2)具体包括：

(21)根据复杂装备结构件生产车间的现状，假设条件具体为产品工艺路线已知；产品工序(如精铣、粗铣)有多台可选机器；产品各工序设备加工时间和准备时间已知；公司以固定开始时间对各工件生产任务进行顺排；

(22)设备均衡率：在测算出每台设备的设备负荷后，根据其实际产能计算设备负荷率，然后将该台设备的设备负荷率和合理值进行比较，计算设备的负荷均衡率，设备负荷：

其中，i为任务零件号，i∈[1,n]；j为工序号j∈[1,ni]；mi为设备m上安排的计划期t0内的最后一个生产任务；ts,i表示排在设备m上的第i个任务工序的开始时间；te,i表示排在设备m上第i个任务工序的结束时间；

设备负荷率：

其中，k为日班次；tr为单班工作时间；t0为计划期；oee为设备效率；

设备均衡率f1：

其中，c为较合理的设备负荷率指标，一般为85％-95％；m为设备总数；

(23)准时交货率f2：要求尽量满足交货期，模型需保证在交货节点前完成，提前期不应过长，其中αi＞＞βi；

其中，αi为交货节点之前完成工时的权重；βi为延迟交货时的权重；ei为零件i的交货期；di为零件i的完工时间；

(24)组合模型：minf＝ω1×f1+ω2×f2

其中，ω1、ω2为两指标在组合模型中所占的权重。

进一步地，所述步骤(3)具体包括：

(31)完成一个工序，只能同时从所有机器中选择一种，且机器连续不中断：

其中，

(32)同一工件要完成上一工序才能开始生产下一工序：

sij+1m-sijm-tijm≥0

其中，oij表示零件i的第j道工序；tijm为工序oij在设备m上的加工时间，sijm为工序oij在设备m上的生产完成时间；

(33)设备不能同时生产两道工序：ts,i+1-te,i≥0。

进一步地，所述步骤(4)中的多层编码遗传算法为：

(41)个体编码：采用双层编码方式，第一层编码代表所有工件的工序序列；第二层编码代表工件工序所对应的机器序列；染色体个体长度为其中n为零件总数，ni代表第i个零件的工序总数；

(42)解码：对染色体个体进行解码就是要在计算适应度之前完整还原染色体所表示的加工顺序；

(43)种群初始化：种群数目为nind，分别生成染色体个体的工序编码和机器编码组成一条染色体，共需生成nind条染色体；

(44)适应度值计算：适应度值根据模型中的目标函数对各初始种群中的个体进行评价，采用设备均衡率、准时交货率两个排产目标，要求两个目标线性组合函数的函数值最小，由于两个目标值的量纲不同，会影响两指标在个体评价时的权重，在算法求组合函数最小值之前先分别对两指标值进行无量纲化处理，处理方式为种群中各个体适应度值/种群中个体最大适应度值；因遗传算法通常进化的方向是适应度函数不断增大的方向，故将适应度值取反其中c为一个足够大的数；fitness(i)是经过无量纲化处理后的组合函数的目标函数值，已考虑两排产目标对个体评价的影响；

(45)选择操作：根据每个个体的适应度值判断个体优劣，将较优个体选择出来保留到种群的子代中，可以进行选择操作的方法很多，如轮盘赌选择法、锦标赛选择法等；本发明采用轮盘赌选择法，策略是fitness(i)越大即目标函数值f越小的个体在每次选择中被选中的概率越高；首先计算个体在选择中被选中的概率为然后计算每个个体的累积概率再生成一个0-1的随机数，若随机数属于[0,q1]，选择个体1；若属于[qi-1,qi]，则选择个体i；

(46)交叉操作：取出每个染色体个体的工序段编码，随机选择交叉位置进行单点交叉，按工序个数调整交叉后的基因片段，机器段编码根据调整后的工序片段中各工序对应位置进行重新赋值；

(47)变异操作：变异算子从种群中随机选择nind*pm个个体进行变异，将工序段中的两个随机工序位置进行替换，机器段相应位置修改，产生新的个体。

进一步地，所述步骤(43)具体包括：

(431)生成工序编码，工序按照每个工件的工序个数随机产生，放满染色体个体的前个基因座；

(432)生成机器编码，根据工序编码定义的工序顺序在可选机器集中随机选取对应的建议设备，放满后到个基因座。

进一步地，所述步骤(46)中的交叉操作具体包括：

(461)将种群中的所有个体随机打乱，按顺序从种群中选择1至nind*pc(交叉概率)个个体进行交叉；

(462)每次选取两个染色体，并取出每个染色体的前位工序编码，随机选择交叉位置进行交叉，由于交叉后会影响工件工序在染色体个体中的数量，某些工件的工序多余，某些工件的工序缺失，所以需要对交叉后的个体进行调整；

(463)交叉后的机器段编码进行相应地调整，根据提取的原始个体的机器段数据分别将工件i的各工序对应的机器放在后位的对应基因座上，从而完成交叉调整后机器段的二次赋值。

进一步地，所述步骤(47)具体包括：

(471)随机选取个体的工序段两个变异位置pos1和pos2，把个体中pos1和pos2位置的工序号对换；

(472)个体对应的机器片段进行相应调整，如果工序段两变异位置所对应的工件相同，则机器片段无需修改；如果变异位置工件元素不同，则按照工序顺序对相应的机器基因重新调整。

进一步地，所述步骤(6)具体包括：

(61)利用车间生产管理系统电子看板对生产现场进行实时监控反馈，调度人员判断是否有扰动，若有扰动，则进入(62)；若无扰动，按原定的初始计划组织生产；

(62)判断扰动形式及规模，扰动形式分为工件的扰动，包括紧急插单、订单任务的临时取消的情形；设备的扰动，包括设备故障、设备的临时维修；准备的扰动，包括工装物料不到位，物流配送的不及时；扰动规模需由调度人员判断，若扰动仅造成小的影响，则进行适当调整，生成微调后的生产计划甘特图；若扰动造成大的影响，则需进入(63)；

(63)输入重调度时点，提取正在生产及未完成工件工序的工件号、机器号、加工时间及工序结束时间，计算未完成的工件工序数，输入插单件基础数据或故障设备号、可替换机器号(如开始未输入其他可选机器)，新插单件要进行编码及种群初始化，未生产完工件工序要重新进行工件-工序的匹配，生成新的初始化种群；

(64)适应度值计算中调度工序时间的初始化要注意设备和剩余工件工序的允许开工时间，满足模型中的基本约束，插单问题将插单件和未生产完工件-工序按先后顺序进行二次排产，对插单件和未生产完工件-工序组成的新种群，依次用步骤(45)轮盘赌进行选择操作，步骤(46)交叉操作、步骤(47)变异操作对新种群进行交叉和变异。

本发明的有益效果：

1、本发明结合国内外车间计划调度问题的研究现状，分析了复杂装备结构件生产车间作业计划的特点，建立了双目标组合模型并运用多层编码遗传算法进行求解，对重调度的适用范围流程和算法实现进行了描述和详细分析。

2、本发明模型构建不同于一般的基础性指标，考虑了设备负荷均衡和准时交付率两个指标的组合模型，对于高附加值的复杂装备车间，设备因素和时间因素更应被重视。构建了基于多层编码遗传算法的排产算法和重调度算法。

3、本发明可以很好地适用于航空企业复杂装备结构件车间的订单数据规模，结果显示算法的收敛性良好，有效提升了排产效率，排程结果更为科学。

附图说明

图1为本发明方法流程图；

图2为实例机型部分组件bom表示意图；

图3a为最优适应度函数的收敛曲线图；

图3b为平均适应度函数的收敛曲线图；

图4为重调度问题紧急插单的示例图；

图5为实例中任务1-20未完成工序的重排结果及插单件排产结果。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

本实施方式是将上述方法运用到某一复杂装备结构件车间的排产实例，从资源充足情况下的排产、有扰动情形下的排产等情境下的仿真来验证模型及算法在实际生产排程中的实用性。本发明的方法已用matlabr2014a实现。

实施流程如图1所述，计划部分从数学上可以描述为有n个待加工任务，每个任务的批量为p，要将每个订单任务i的第j道工序安排在m台设备上加工，确定各工件的工序开始时间ts及工序完工时间te。实时调度部分，由于航空企业的生产属于复杂装备研制的范畴，有的型号件设计与制造并行，所以在生产过程中扰动因素较多且发生频繁，实际的生产过程会出现工装准备未到位、设备故障、紧急插单等一系列非可控因素，因此需要根据实际情况对计划进行动态调整，考虑突发情况下的排产调整及重调度问题。

(1)数据导入：该结构件生产车间共有15台设备，其工序流程从t0时刻开始，每个零件根据工艺的不同先后经过1-5个冷加工工序，分别为粗铣1、粗铣2、精铣1、精铣2以及补充加工(镗孔)，每个零件所经过的工序不一，直至完成最后一道加工工序。通过erp系统导出的交付节点数据和最后一道完工工序之间根据是否为回头零件(需要回到车间标记及存放的零件)需要预留30天或者15天的生产提前期给后续的热处理工序。

实例中所选用的某型机其bom表如图2所示，由66个零件组成。表1展示了任务1-20(66个零件截选)对应的零件图号、可选机器集、单件加工周期及批量数。表1如下：

表1

(2)确定模型的假设条件及目标函数：产品的工艺路线已知；有的产品工序(如精加工、粗加工)有多台可选机器；产品各工序在设备上的加工时间和准备时间已知；为减少库存堆积，保证交货期，要求尽量在交货期之前完工，但完工的提前期不宜过长；公司以固定开始时间对各工件生产任务进行顺排；在排产过程中尽量保证设备负荷率的均衡；

参数如下：

i为任务零件号(i∈[1，n])；

p为任务批量；

j为工序号(j∈[1，ni])；

oij表示零件i的第j道工序；

m为设备号(m∈[1,m])；

n为零件总数；

ni为工件i工序总数；

m为设备总数；

ei为零件i的交货期；

di为零件i的完工时间；

tk为计划期开始时间；

k为日班次；

tr为单班工作时间；

t0为计划期；

tmonth为月工作天数；

oee为设备效率；

设备集ji,j为i零件j工序的可选机器集；

tijm为工序oij在设备m上的的加工时间；

sijm工序oij在设备m上的生产完成时间；

ts为工序开始时间；

te为工序结束时间；

根据上述定义，一个零件i往往对应一个五元数组[i,j,m,ts,te]，i零件的第j道工序在设备m上生产，开始时间是ts，结束时间是te。

目标函数minf＝ω1×f1+ω2×f2，其中表示设备负荷均衡率；

表示准时交付率。

(3)确定模型的约束条件：

si(j+1)m-sijm-tijm≥0(2)

ts,i+1-te,i≥0(3)

其中，式(1)表示完成一个工序，只能同时从所有机器中选择一种，且机器连续不中断；式(2)表示同一工件要完成上一工序才能开始生产下一工序；式(3)表示设备不能同时生产两道工序；

(4)多层编码遗传算法求解资源充足情形下的排产：

本实例中实验参数设置如下：日班次k设置为2班，单班工作时间tr设置为9.5h，

设备的oee水平默认为90％，交货期前完工的权重αi为0.7，延迟交货时的权重βi为0.3，

指标1设备均衡率f1在组合模型中的权重ω1为0.4，指标2准时交付率f2的权重ω2为0.6。设定顺排的开始节点为2016/3/20/8:00。种群大小和遗传代数分别设置为200，交叉概率为0.8，变异概率为0.6。

绘制出的收敛函数曲线如图3a、3b所示，最优适应度值能收敛至2600，平均适应度值能收敛至3000，结果显示算法的收敛性能良好，能较好的满足目标需要。

(5)排产算法的计算结果通过甘特图或表格输出，如表2所示，制定好的初始生产计划下发物流作为备料及调度依据；表2如下：

表2

(6)根据生产计划进行实时调度：

(61)通过电子看板反馈假定确已发生扰动；

(62)本实例中假定的扰动形式为紧急插单，经调度人员判断需要进行重调度。

(63)本实例中复杂装备结构件生产车间重调度问题有如下的假设条件：1)由于车间的物资准备及配送采用的是milk-run模式(每两小时循环补料)，因此重排程的插单节点会根据实际资源配送情况进行调整；2)默认各待排工件的资源充足，不存在缺料等其他影响因素。对于插单问题的说明，可参照图4示，插单节点把工件工序分为3类，正在加工的工序，已经加工完成的工序，未开始加工工序，插单排产主要针对插单件和未开始加工工序进行重排程，对于正在加工的工序默认为设备从完成该道工序的时点tm开始进行插单和重排，例如图5所示的工件5的第1个工序，工序此时点上正在加工设备3上加工，因此设备3的插单和重排的开始时间应该为节点tm，工件5的第2个工序的开始时间在动态重排算法中设置的也应该晚于tp这个时间点。在算法中，tm指的是设备节点，tp指的是工序节点。

本实例中插单件基本数据如表3所示。设定插单节点为2016/3/30/15:00，插单任务为5个。表3如下：

表3

利用遗传算法对插单件进行排产，开始时点为插单节点，在此例中经转化为197，提取正在生产及未完成工件工序的工件号、机器号、加工时间及工序结束时间，计算未完成的工件工序数，输入插单件基础数据，新插单件要进行编码及种群初始化，未生产完工件工序要重新进行工件-工序的匹配，生成新的初始化种群；

(64)适应度值计算中应该考虑机器的正在加工任务，如果设备正在加工，相应机器上的插单件开始时点就要被顺延至机器正在加工任务的结束时点tm。对于在插单节点还未开工的工件工序，需要进行重新排产，除了在插单件排产时的约束、模型的基本约束外，对正在生产任务的结束时间要进行记录，保证未生产任务的工序开始时间要晚于上一工序的结束时间tp。插单问题将插单件和未生产完工件-工序按先后顺序进行二次排产：第一阶段利用多层编码遗传算法对新的插单件进行排程，目标约束为尽可能早地优先安排完成插单订单；第二阶段利用算法对未开始生产的任务工序进行重排程，目标约束同上文模型。

为了更好地考察模型及算法的有效性，表4中列出了设备均衡率和准时交付率两个指标的优化前后对比，其中准时交货率与车间内部kpi的计算公式保持一致：准时交货率＝(准时交货次数/总交货次数)×100％。在2017-05-01的交货期内共有3个工件超期，准时交货率为95.45％，而在利用传统excel进行排产时准时交货率最高仅能达到85％。设备均衡率的计算公式同模型中目标，由于航空复杂装备结构件各零件对设备的精度依赖程度高，所以设备均衡率指标一直都保持在较低水平60％左右，优化后均衡率提升到了71.08％。

表4

时间效率方面，利用该计划及重调度机制，排程效率比传统的手工排程及重调度方法有了显著地提升，如表5所示。在实际的企业生产运作中，数据量会远大于上文实例，所以表5是在零件数为700时的计算效率统计，在更大数据量的情况下，本文的排产机制、模型及算法会显示出更好的优越性。

表5

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。