基于遺傳算法的飛機維修智能派工系統(tǒng)設(shè)計

隆生

摘要：目前大多數(shù)航空公司和維修單位在飛機大修生產(chǎn)線上主要依靠維修人員的經(jīng)驗進行派工，存在輸出不穩(wěn)定、生產(chǎn)控制易漏項的風險，且人力資源利用不充分。針對傳統(tǒng)大修派工的缺點以及大修生產(chǎn)線智能排班要求，設(shè)計了一套基于遺傳算法的飛機大修智能派工系統(tǒng)，以提升飛機維修過程中的安全和風險管理水平，提高生產(chǎn)效率，促進大修效益改進。

關(guān)鍵詞：遺傳算法；智能派工；飛機維修；系統(tǒng)設(shè)計

Keywords：genetic algorithm；intelligent dispatch；aircraft maintenance；system design

0 引言

目前國內(nèi)飛機大修派工大多多靠人工進行，安排不夠透明，大修派工及進度控制的優(yōu)劣取決于項目經(jīng)理、區(qū)域負責人的經(jīng)驗，大修派工和進度把控存在較大的不穩(wěn)定性；大修生產(chǎn)線缺乏精細化管控，評估和任務(wù)分配不夠精確，造成一定的效率降低。為了使派工更精細化、更智能化，本文借助互聯(lián)網(wǎng)技術(shù)優(yōu)勢，結(jié)合維修人員的技術(shù)經(jīng)驗，提煉出最優(yōu)算法，設(shè)計了一套智能化派工系統(tǒng)，保障安全、降本增效，可為企業(yè)創(chuàng)造價值。

1 遺傳算法概述

遺傳算法是一種搜索最優(yōu)解的方法。借鑒生物進化中的雜交、變異、選擇及遺傳等生物特性，模仿自然界優(yōu)勝劣汰、適者生存的進化規(guī)律，得到最優(yōu)化的算法。在求解較為復(fù)雜的組合優(yōu)化問題時，能夠較快地獲得較好的優(yōu)化結(jié)果。

通過一定的編碼方式形成問題域中“基因”“染色體”和“個體”的概念，進而確定初始種群（由一定數(shù)量的個體組成），然后根據(jù)問題域中的適應(yīng)度函數(shù)（Fitness Function），通過一代代的選擇（Selection）、交叉（Crossover）和變異（Mutation）等方式模擬該種群的進化過程，最后逐漸進化出較好的個體（即解集中近似的最優(yōu)解）。

遺傳算法的過程可以簡述為如下過程：

1）初始化：設(shè)置進化代數(shù)計數(shù)器t=0，設(shè)置最大進化代數(shù)T，依據(jù)每個種群的特征隨機生成第一代種群的全部個體M；

2）評價個體適應(yīng)度：計算每個個體的適應(yīng)度；

3）選擇運算：依據(jù)一定的選擇規(guī)范，選出一部分優(yōu)秀個體參與交叉和變異，產(chǎn)生新的個體再遺傳到下一代；

4）交叉運算：將交叉算子作用于群體，遺傳算法中起核心作用的就是交叉算子；

5）變異運算：將變異算子作用于群體，即對群體中的個體串的某些基因座上的基因值作變動，群體P（t）經(jīng)過選擇、交叉、變異運算后得到下一代群體P（t+1）；

6）終止條件判斷：若t=T，則以進化過程中所得到的具有最大適應(yīng)度個體作為最優(yōu)解輸出，終止計算。

遺傳算法的計算流程如圖1所示。

2 飛機大修派工分析

一個飛機大修包可能有幾十份到幾百份的工卡，少數(shù)大修包有上千份工卡，周期從幾天到一兩百天不等。將工卡合理分配到每一天，根據(jù)周期、可用勞動力均衡分配，可通過普通算法實現(xiàn)。

每一天的工卡有幾十份或幾百份，分配到各個維修人員，需要考慮的條件較多。由于同一次飛機大修工作通常有幾十個人參與，每個人員的授權(quán)、熟練程度、疲勞程度和狀態(tài)都不同，分配工卡時需兼顧工作效率與安全，同時考慮授權(quán)、疲勞超時等硬性條件的限制。

3 飛機大修派工模型設(shè)計

為了獲得最優(yōu)的派工結(jié)果，根據(jù)以下三個條件考慮設(shè)計目標函數(shù)：

1）對單份工卡的熟悉程度。同一份工卡，人員歷史執(zhí)行次數(shù)越多，說明該人員對這份工卡越熟練，應(yīng)將此工卡優(yōu)先分配給該人員；

2）對人員的安全狀態(tài)評價。通過個人安全積分來評判，安全積分越高的人員優(yōu)先分配維修工卡；

3）人員本身的疲勞程度。通過疲勞裕度系數(shù)來衡量，裕度系數(shù)越高說明疲勞程度越低，應(yīng)優(yōu)先分配維修工作。

3.1 目標函數(shù)設(shè)定

航空維修首先要在保證安全的前提下提高工作效率，上述三個條件中，第一個條件代表效率，后兩個代表安全，取效率與安全的平衡值，三個條件分別取50%、30%、20%的權(quán)重，綜合進行派工。在實際應(yīng)用過程中權(quán)重可靈活調(diào)整。

根據(jù)上面目標函數(shù)和約束條件，可以得到飛機維修工卡分配給維修人員的優(yōu)先級模型，繼而得到整個工卡包最合適的派工排列。

3.2 遺傳算法的實現(xiàn)

1）編碼

派工系統(tǒng)希望得到的結(jié)果是一組排列數(shù)據(jù)，使每一份工卡分配一個最合適的維修人員，因此，采用排列編碼方式，將維修人員按照0到n進行編號，在工卡與人員授權(quán)匹配范圍內(nèi)，按照工卡清單順序隨機分配一個維修人員。

2）初始種群

維修人員的數(shù)量固定，工卡總數(shù)固定，對于每份工卡適合的維修人員，根據(jù)授權(quán)匹配情況隨機選擇1個。如圖2所示，核心代碼為隨機產(chǎn)生1個樣本，根據(jù)工卡清單和維修人員清單，隨機分配人員。根據(jù)工卡量的大小，選擇適合的初始化種群數(shù)量，循環(huán)隨機產(chǎn)生初始種群。

3）適應(yīng)度函數(shù)

本文設(shè)計的目標函數(shù)是計算結(jié)果越大優(yōu)先級越高，因此直接將目標函數(shù)f（i）作為適應(yīng)度函數(shù)，f（i）越大適應(yīng)度越高，適應(yīng)度函數(shù)如圖3所示。

4）選擇

適應(yīng)度高的個體被選中進入下一代的概率大，適應(yīng)度低的個體被選中進入下一代的概率相對較小。選擇操作的核心程序如圖4所示。

5）交叉

種群中的個體隨機兩兩配對，配對成功的兩個個體作為父代進行交叉操作，交叉概率取90%。本文不是采用普通的交叉方式，而是采用一種復(fù)雜的交叉方式，即在兩個父本之間相同點位處隨機選取1個基因元素作為子代的一個點位，子代所有點位都來自于父本1或父本2，所有點位隨機取樣重組。通過這種交叉方式產(chǎn)生的子代其性狀較為穩(wěn)定，實現(xiàn)的代碼簡單，運算速度較快。交叉操作核心程序如圖5所示。

6）變異

本文采用初始化種群的方式隨機產(chǎn)生變異樣本，變異概率取10%。變異新產(chǎn)生的樣本進入種群池中，參與下一代的交叉變異。變異核心程序如圖6所示。

7）終止條件

當通過適應(yīng)度函數(shù)獲取到的種群的評價值趨于穩(wěn)定、不再有較大變化時，可以終止迭代，得到一個最優(yōu)結(jié)果，返回給系統(tǒng)進行工作派發(fā)。

8）仿真輸出

本文仿真數(shù)據(jù)為550份工卡，41名維修人員參與，熟練程度、安全積分、疲勞裕度的真實值從現(xiàn)有的維修系統(tǒng)中獲取。初始種群1000，進化代數(shù)500，交叉概率90%，變異概率10%。仿真結(jié)果如圖7所示，縱軸為指標綜合得分值，橫軸為進化代數(shù)，進化到200代左右時后續(xù)變化已經(jīng)很小，進化到360代左右時不再發(fā)生變化。反復(fù)進行多次試驗，初始化種群隨機產(chǎn)生，其他條件不變，得到的最優(yōu)結(jié)果非常接近。進化代數(shù)設(shè)置為1000代，仿真結(jié)果幾乎無變化。在實際系統(tǒng)應(yīng)用中，綜合考慮實際工卡數(shù)量和進化所需時間，進化代數(shù)設(shè)置在500代較合適，初始化種群數(shù)根據(jù)工卡數(shù)量可以動態(tài)設(shè)置為2倍工卡數(shù)量。由于維修派工是根據(jù)工作清單對人員進行排序，最優(yōu)的排列組合可能不只一種，但最優(yōu)的得分值不會有大的變化，從仿真結(jié)果可以看出達到了想要的效果。

4 基于遺傳算法的智能派工系統(tǒng)設(shè)計

參與飛機大修工作的維修人員相對固定，有各自的工作授權(quán)。每份工卡有對應(yīng)的工種，先按照工卡本身的階段屬性和大修合同約定的周期，將工卡包分配到每一天的任務(wù)中，再通過遺傳算法將任務(wù)分配到具體的每個人。系統(tǒng)主要功能包括維修人員管理、工卡管理、大修項目管理、維修派工管理等模塊。維修人員管理是指對人員的授權(quán)、日常排班進行管理，提供派工所需的人員資質(zhì)信息。工卡管理是指進行工卡編寫、工卡的經(jīng)驗性評估，提供工卡的屬性信息（如工時、工種、階段等）以及維修人員執(zhí)行維修工作的依據(jù)文件。大修項目管理是對大修項目執(zhí)行新增和監(jiān)控等功能。維修派工管理是針對大修項目將工卡分配到維修人員，同時提供進度調(diào)整等功能。

派工的過程是先對維修人員的屬性信息與工卡的屬性信息進行匹配，選出適合單份工卡的維修人員集合，然后利用遺傳算法算出整個工卡清單最優(yōu)的維修人員排列序列；按人員進行工卡清單合并，得到每個維修人員每天的工卡清單，下發(fā)到維修人員的移動終端中；維修人員完成工作后在移動終端中進行反饋，派工系統(tǒng)更新工卡完工情況。系統(tǒng)主界面如圖8所示。

5 結(jié)束語

基于遺傳算法的大修派工在派工效率提升、派工合理性提升方面有較好的效果，能夠全面考慮派工各種因素，解決傳統(tǒng)派工遇到的問題，提高了維修人力資源利用效率，提高了飛機大修工作的安全系數(shù)。通過系統(tǒng)的應(yīng)用，每項工作任務(wù)所涉及的航材、工具設(shè)備都能準確記錄，有利于航材、工具的最低庫存管理；維修人員實際工作過程中的維修工時能夠準確記錄，有利于維修人員按勞取酬的量化考核，提高維修人員的工作滿意度。

參考文獻

[1]王鐵方.計算機基因?qū)W—基于家族基因的網(wǎng)格信任模型[M].北京：知識產(chǎn)權(quán)出版社，2016：93-94.

[2]鄭樹泉.工業(yè)智能技術(shù)與應(yīng)用[M].上海：上?？茖W技術(shù)出版社，2019：250-251.

[3]徐俊剛，戴國忠，王宏安.生產(chǎn)調(diào)度理論和方法研究綜述[J].計算機研究與發(fā)展，2004，41（2）：262-264.

[4]李秋紅，孫健國，周繼超.航空發(fā)動機PID控制參數(shù)優(yōu)化的改進遺傳算法[J].南京航空航天大學學報，2006，38（2）：37-38.