數(shù)字化車間物料動(dòng)態(tài)配送規(guī)劃研究

孫軍艷，李晶晶，張媛媛

數(shù)字化車間物料動(dòng)態(tài)配送規(guī)劃研究

孫軍艷，李晶晶，張媛媛

（陜西科技大學(xué) 機(jī)電工程學(xué)院，西安 710021）

針對(duì)數(shù)字化生產(chǎn)車間工位物料需求時(shí)間的不確定，導(dǎo)致物料配送不準(zhǔn)確、不及時(shí)的問(wèn)題，提出一種動(dòng)態(tài)物料配送策略。首先，根據(jù)工位關(guān)聯(lián)度和變動(dòng)時(shí)間窗確定實(shí)時(shí)的配送工位和協(xié)同配送工位，設(shè)計(jì)基于工位排序的動(dòng)態(tài)物料配送路徑優(yōu)化策略。其次，建立以配送成本和時(shí)間窗偏離懲罰成本綜合最小為目標(biāo)函數(shù)的數(shù)學(xué)模型。最后，提出并采用系統(tǒng)動(dòng)力學(xué)仿真與蟻群遺傳融合算法聯(lián)合的方法對(duì)模型進(jìn)行求解。模擬算例表明，與靜態(tài)物料配送優(yōu)化策略相比，該策略的平均時(shí)間成本減少率為30.1%，平均庫(kù)存減少率為14.86%。該策略能夠根據(jù)動(dòng)態(tài)時(shí)間窗確定配送工位和協(xié)同工位，并實(shí)時(shí)調(diào)整配送順序，實(shí)現(xiàn)物料配送的動(dòng)態(tài)自適應(yīng)性調(diào)整，降低總配送成本。融合算法在迭代次數(shù)、收斂性、最優(yōu)解質(zhì)量方面有明顯優(yōu)越性。

工位排序；系統(tǒng)動(dòng)力學(xué)；物料配送；路徑規(guī)劃；算法融合

物料配送是制造車間生產(chǎn)經(jīng)營(yíng)流程中最基本的活動(dòng)，對(duì)物料進(jìn)行科學(xué)有效的管理是車間生產(chǎn)穩(wěn)定執(zhí)行的基礎(chǔ)。

當(dāng)前，由于車間物料消耗速率的非線性，存在線邊工位缺料、余料堆積、物料配送滯后、配送出錯(cuò)等問(wèn)題，為此，大量學(xué)者對(duì)線邊物料配送策略展開(kāi)了研究。王昀睿等[1]考慮物料消耗規(guī)律，提出基于混流生產(chǎn)模式的物料配送路徑規(guī)劃策略，采用改進(jìn)蟻群算法求解以總成本最低為目標(biāo)的優(yōu)化模型。周炳海等[2]基于物料循環(huán)配送策略，考慮裝配線線邊庫(kù)存的容量約束設(shè)計(jì)，以線邊總庫(kù)存最小為目標(biāo)建立了數(shù)學(xué)規(guī)劃模型。Simon等[3]基于準(zhǔn)時(shí)制生產(chǎn)方式（Just in Time，JIT），考慮物料中間存儲(chǔ)和路徑依賴約束設(shè)計(jì)了物料配送策略，優(yōu)化了物料配送周期和批次。韓兵等[4]考慮工位等待、配送執(zhí)行費(fèi)用，優(yōu)化了在定量、定時(shí)、即時(shí)配送方式下的線邊物料配送策略。Zhou等[5]提出一種改進(jìn)的靜態(tài)裝配策略以優(yōu)化物料配送過(guò)程，以物流工人數(shù)最小為目標(biāo)建立整數(shù)規(guī)劃數(shù)學(xué)模型，并利用改進(jìn)動(dòng)態(tài)微分進(jìn)化算法求解。周曉曄等[6]考慮配送次數(shù)與線邊庫(kù)存量間的背反關(guān)系，建立基于循環(huán)物料配送策略的優(yōu)化模型，降低了配送總成本。陸志強(qiáng)等[7]考慮成批配送和線邊空間利用問(wèn)題，提出了配送與存儲(chǔ)集成的配送策略，同樣優(yōu)化了配送總成本。

現(xiàn)實(shí)中的物流消耗是實(shí)時(shí)動(dòng)態(tài)變化的，上述研究大多基于車間已知的靜態(tài)數(shù)據(jù)，因此，線邊工位缺料、配送滯后問(wèn)題依然存在。隨著信息化、物聯(lián)網(wǎng)技術(shù)不斷更新迭代，大量學(xué)者基于數(shù)字化物聯(lián)網(wǎng)車間的實(shí)時(shí)數(shù)據(jù)對(duì)物料配送策略進(jìn)行優(yōu)化。劉雪梅等[8]提出了一種動(dòng)態(tài)聯(lián)合補(bǔ)料策略，即決策系統(tǒng)通過(guò)實(shí)時(shí)產(chǎn)生的生產(chǎn)線數(shù)據(jù)對(duì)物料配送方案進(jìn)行調(diào)整，物料中心根據(jù)方案安排配送工位組的劃分、對(duì)生產(chǎn)線進(jìn)行主動(dòng)式配送。楊清等[9]通過(guò)多元數(shù)據(jù)感知和中間件技術(shù)為配送模型提供的實(shí)時(shí)數(shù)據(jù)信息，考慮剩余運(yùn)力、關(guān)聯(lián)程度和生產(chǎn)計(jì)劃，建立動(dòng)態(tài)物料配送模型。葛妍嬌等[10]根據(jù)工位實(shí)時(shí)生產(chǎn)狀態(tài)，基于智能感知網(wǎng)建立以最小物料配送成本為優(yōu)化目標(biāo)的配送優(yōu)化模型，動(dòng)態(tài)調(diào)整了各工位配送時(shí)間窗。Alnahhal等[11]提出了一種考慮不確定因素的動(dòng)態(tài)配送策略，即通過(guò)物聯(lián)網(wǎng)E–看板系統(tǒng)獲得的信息與基于已知的產(chǎn)品模型序列和預(yù)期物料點(diǎn)需求信息相結(jié)合，確定了物料的最佳配送區(qū)間。張世文等[12]通過(guò)射頻識(shí)別技術(shù)（Radio Frequency Identification, RFID）和超寬帶技術(shù)（Ultra Wide Band，UWB）混合的定位技術(shù)和瓶頸物料識(shí)別方法，提出了基于實(shí)時(shí)定位的物料配送策略，提高了配送準(zhǔn)確性。伍偉民等[13]利用RFID和復(fù)雜產(chǎn)品裝配物料精細(xì)化管控方法，構(gòu)建了日作業(yè)計(jì)劃的物料配送策略，實(shí)現(xiàn)了對(duì)配送過(guò)程精細(xì)化控制。劉玉浩等[14]基于動(dòng)態(tài)配送時(shí)間和數(shù)量的物料配送方法，考慮物料價(jià)值、包裝體積，并結(jié)合變異系數(shù)以確定重點(diǎn)配送物料，建立配送總成本模型。沈維蕾等[15]基于物聯(lián)網(wǎng)實(shí)時(shí)獲取裝配信息，提出了拉動(dòng)式物料配送模式，建立了以實(shí)現(xiàn)準(zhǔn)確配送為目標(biāo)的配送系統(tǒng)。

不過(guò)，上述研究多是基于各工位實(shí)時(shí)的單點(diǎn)需求，采用及時(shí)響應(yīng)的配送策略，雖然在一定程度上解決了工位缺料、配送滯后等問(wèn)題，但是仍存在AGV配送頻次過(guò)高、裝載率過(guò)低，AGV數(shù)量過(guò)多、配送成本過(guò)高等問(wèn)題。

文中以各工位實(shí)時(shí)物料需求數(shù)據(jù)為基礎(chǔ)，引入?yún)f(xié)同配送的理念，提出了“主配送工位+協(xié)同配送工位+協(xié)同工位順序?qū)崟r(shí)調(diào)整”的動(dòng)態(tài)協(xié)同配送策略。核心思想是：在配送最緊急工位（主配送工位）物料的同時(shí)，基于其他工位物料需求的緊急程度和配送到達(dá)時(shí)間，將雖未達(dá)到線邊庫(kù)存下限的工位，在滿足AGV容量的情況下，進(jìn)行協(xié)同配送，并在協(xié)同配送的過(guò)程中，根據(jù)協(xié)同工位物料消耗的情況，實(shí)時(shí)地調(diào)整協(xié)同工位的配送順序。文中提出的動(dòng)態(tài)協(xié)同配送策略不僅提升了配送的時(shí)效性，實(shí)現(xiàn)了精準(zhǔn)配送，而且進(jìn)一步降低了配送成本，實(shí)現(xiàn)了線邊物料配送環(huán)節(jié)的動(dòng)態(tài)自適應(yīng)調(diào)整，為數(shù)字化車間動(dòng)態(tài)物料配送路徑規(guī)劃提供新的研究思路。

1 物料動(dòng)態(tài)配送策略設(shè)計(jì)

靜態(tài)物料配送路徑規(guī)劃（Static Material Distribution Path Planning，SMDP）策略是指根據(jù)規(guī)劃好的路線進(jìn)行配送，配送過(guò)程中配送線路不再調(diào)整?？紤]到配送過(guò)程中物料需求的實(shí)時(shí)變動(dòng)性，文中設(shè)計(jì)了一種動(dòng)態(tài)物料配送路徑規(guī)劃（Dynamic Material Distribution Path Planning，DMDP）策略，DMDP實(shí)現(xiàn)流程見(jiàn)圖1。

圖1 DMDP實(shí)現(xiàn)流程

邏輯步驟如下：

1）以一個(gè)確定看管期（即決策周期）為邊界，根據(jù)現(xiàn)實(shí)車間生產(chǎn)線物料消耗情況，基于系統(tǒng)動(dòng)力學(xué)理論建立工位物料消耗仿真模型。運(yùn)行模型，當(dāng)出現(xiàn)某個(gè)工位的消耗量達(dá)到最小安全庫(kù)存時(shí)仿真暫停，將此工位作為配送的目標(biāo)工位，同時(shí)得到工位需求量、線邊庫(kù)存、軟時(shí)間窗上下限等數(shù)據(jù)。

2）根據(jù)AGV的車載量約束和工位關(guān)聯(lián)度，確定協(xié)同配送工位。

3）根據(jù)優(yōu)化目標(biāo)，基于蟻群遺傳融合算法求出目標(biāo)工位的配送路徑，完成目標(biāo)工位的配送任務(wù)。

4）更新動(dòng)態(tài)軟時(shí)間窗，以整體配送距離和時(shí)間窗偏離成本最低為目標(biāo)，進(jìn)行協(xié)同工位動(dòng)態(tài)排序。

5）基于融合算法計(jì)算排序第一的協(xié)同配送工位的最優(yōu)配送路徑，完成該協(xié)同工位的配送任務(wù)。檢測(cè)是否是最后一個(gè)協(xié)同工位，如果否，循環(huán)步驟4；如果是，結(jié)束配送任務(wù)，小車返回。

依據(jù)DMDP策略，每完成一個(gè)協(xié)同工位的配送任務(wù)，剩余協(xié)同工位動(dòng)態(tài)排序一次。依據(jù)上述步驟，完成整個(gè)決策周期內(nèi)的配送任務(wù)。

2 數(shù)學(xué)模型建立

2.1 問(wèn)題描述與假設(shè)

設(shè)車間內(nèi)共個(gè)工位，每個(gè)工位(1,2,…,)的物料緩存區(qū)容量范圍為[M，B]。由配送能力為的多臺(tái)AGV循環(huán)運(yùn)送所需物料，AGV從配送點(diǎn)出發(fā)經(jīng)過(guò)各工位后返回原出發(fā)點(diǎn)，即行駛路徑為閉環(huán)，所有的物料均由一個(gè)配送中心提供。記出發(fā)點(diǎn)編號(hào)為=0，AGV小車待配送的為車間的個(gè)工位，優(yōu)化目標(biāo)為在一個(gè)確定的決策周期內(nèi)所有AGV小車物料配送的總成本最低。

配送時(shí)間窗根據(jù)實(shí)時(shí)監(jiān)測(cè)到的工位線邊庫(kù)存的變化而變化。基本假設(shè)如下。

1）AGV在一次配送任務(wù)中只為同一工位配送一次，已執(zhí)行完配送的工位有新的物料需求下，可安排下一輛AGV進(jìn)行配送。

2）AGV有固定容量限制。

3）AGV的行駛速度始終保持不變，且忽略AGV小車故障、碰撞帶來(lái)的影響。

4）單個(gè)工位所需物料數(shù)量不能超過(guò)AGV的固定車載量，且單工位所需的物料量不可拆分配送。

5）兩兩工位之間的配送時(shí)間與其配送成本成正比，設(shè)2個(gè)工位之間的配送成本為q=kd/v

數(shù)學(xué)模型符號(hào)說(shuō)明見(jiàn)表1。

2.2 數(shù)學(xué)模型建立

2.2.1 配送軟時(shí)間窗及時(shí)間窗偏離懲罰模型

物料消耗動(dòng)態(tài)變化，線邊庫(kù)存隨之動(dòng)態(tài)變化，引起時(shí)間窗變化。根據(jù)AGV已完成前一個(gè)工位的配送任務(wù)時(shí)間點(diǎn)，對(duì)工位線邊庫(kù)存及時(shí)間窗上下限進(jìn)行更新，相應(yīng)的更新公式如下：

表1 數(shù)學(xué)模型符號(hào)說(shuō)明

其中，式（1）用于計(jì)算當(dāng)前時(shí)刻工位的時(shí)間窗下限；式（2）用于計(jì)算當(dāng)前時(shí)刻工位的時(shí)間窗上限；式（3）用于更新當(dāng)前線邊庫(kù)存。

時(shí)間窗偏移懲罰成本表示為：

式（4）表示當(dāng)AGV小車到達(dá)工位的時(shí)刻A偏離期望時(shí)間窗（采用線性偏離）不同時(shí)，偏離懲罰成本也不同，A為AGV小車到達(dá)工位的時(shí)刻。當(dāng)A早于U時(shí)刻到達(dá)，即小于時(shí)間窗下限，此時(shí)偏離系數(shù)為；當(dāng)A晚于E時(shí)刻到達(dá)，即大于時(shí)間窗上限，此時(shí)偏離系數(shù)為。

2.2.2 協(xié)同工位選擇模型

定義協(xié)同工位關(guān)聯(lián)度u為線邊庫(kù)存值、庫(kù)位與目標(biāo)工位的距離值以及庫(kù)位時(shí)間緊急程度量化值之和。

式中：e1為量化線邊庫(kù)存值；e2為量化庫(kù)位距離值；e3為量化時(shí)間窗緊急程度值；1、2為距離重要度系數(shù)；為緊急程度系數(shù)。

2.2.3 基于排序的動(dòng)態(tài)物料配送路徑規(guī)劃模型

以AGV從當(dāng)前工位到達(dá)其余協(xié)同工位總的配送成本，以及時(shí)間窗偏離成本最低為目標(biāo)建立模型。

St:

決策變量：

每完成一個(gè)協(xié)同工位的配送，循環(huán)執(zhí)行一次該模型，對(duì)剩下待配送工位執(zhí)行一次路徑規(guī)劃和配送任務(wù)的排序，隨后選擇配送順序排在第一的工位進(jìn)行配送任務(wù)。

2.2.4 動(dòng)態(tài)物料配送總成本模型

多次對(duì)工位配送排序進(jìn)行實(shí)時(shí)調(diào)整，使AGV在整個(gè)看管期內(nèi)完成所有配送任務(wù)后，產(chǎn)生了4項(xiàng)成本，包括卸載成本Z，路徑成本L，時(shí)間窗偏離成本T，固定使用成本I。所有AGV小車的配送總成本表達(dá)式為：

其中，

其中，式（18）為配送總成本，式（19）為AGV運(yùn)輸成本，式（20）為時(shí)間窗偏離成本，式（21）為因卸載貨物產(chǎn)生的時(shí)間成本。

3 模型求解

3.1 系統(tǒng)動(dòng)力學(xué)仿真模型建立

Anylogic仿真軟件中的系統(tǒng)動(dòng)力學(xué)組件可以用于模擬工位物料消耗的過(guò)程。當(dāng)前庫(kù)存量S、累計(jì)消耗量H用存量表示，消耗速率用流量表示，時(shí)間窗上下限E，U作為動(dòng)態(tài)變量，最大線邊庫(kù)存量B、最小安全庫(kù)存M、初始線邊庫(kù)存S0,c總需求量Y等作為固定參數(shù)，分析各個(gè)變量間的直接間接關(guān)系后得到系統(tǒng)動(dòng)力學(xué)流圖，見(jiàn)圖2。

圖2 工位物料消耗系統(tǒng)動(dòng)力學(xué)流圖

引入“事件(event）”、“變量(variable)”、“函數(shù)(function）”，用來(lái)啟動(dòng)執(zhí)行命令，對(duì)系統(tǒng)動(dòng)力學(xué)控件進(jìn)行控制。事件event的作用是判斷工位的物料消耗是否達(dá)到最小安全庫(kù)存，當(dāng)庫(kù)存小于等于最小線邊庫(kù)存量時(shí)，this.S<=M，當(dāng)前模型暫停，且黃色按鈕變?yōu)榧t色，Java語(yǔ)言編寫為rectangle1.setFillColor (red)。此時(shí)，啟動(dòng)各工位的需求量計(jì)算函數(shù)function()，計(jì)算此時(shí)各工位的需求量D。function()的java編程偽代碼為：

設(shè)定事件event實(shí)現(xiàn)物料庫(kù)存的補(bǔ)給，其在特定的時(shí)間點(diǎn)1執(zhí)行庫(kù)存積累操作，程序語(yǔ)句為：S=S0+D//給工位在時(shí)刻的線邊庫(kù)存補(bǔ)給D個(gè)物料。以工位1為例，系統(tǒng)動(dòng)力學(xué)仿真模型運(yùn)行中物料消耗情況見(jiàn)圖3，AGV小車1配送工位結(jié)果及時(shí)間見(jiàn)圖4。

圖3 工位1物料消耗系統(tǒng)動(dòng)力學(xué)建模

Fig.3 Dynamics modeling of material consumption system in station 1

圖4 AGV1配送結(jié)果示意圖

3.2 路徑規(guī)劃模型求解

根據(jù)系統(tǒng)動(dòng)力學(xué)仿真的結(jié)果，確定目標(biāo)工位和協(xié)同配送工位。為提升算法整體性能，利用蟻周模型設(shè)計(jì)蟻群遺傳融合算法對(duì)配送工位進(jìn)行路徑優(yōu)化，步驟如下。

1）工位坐標(biāo)信息輸入及蟻群算法參數(shù)初始化。

式中：a為螞蟻下一步可走的工位集合；τ()為時(shí)刻路徑(,)上的信息素濃度；η()為時(shí)刻路徑(,)的啟發(fā)值，可用路徑(,)長(zhǎng)度d的倒數(shù)表示；為軌跡的重要程度；為能見(jiàn)度的重要程度。

3）計(jì)算路徑長(zhǎng)度，利用式（23）—（25）更新各路徑上的信息素。

4）達(dá)到最大迭代次數(shù)則停止迭代，否則返回步驟3，輸出當(dāng)前全局最優(yōu)解。

5）遺傳算法種群初始化，將（2）中得到的條路徑作為遺傳算法的染色體構(gòu)成初始種群。基因位數(shù)對(duì)應(yīng)的是配送工位順序的排名，基因值為工位的位置編號(hào)。

6）進(jìn)行遺傳算法選擇、交叉、變異操作。其中按照適應(yīng)度函數(shù)值的大小以輪盤賭的方式選擇下一代染色體，變異概率m=0.4，交叉概率c=0.9，適應(yīng)度函數(shù)以路徑規(guī)劃模型目標(biāo)函數(shù)式（11）定義，用式（26）表示。

7）達(dá)到最大迭代次數(shù)或當(dāng)前全局最優(yōu)路徑則停止迭代，更新全局最優(yōu)路徑，輸出最優(yōu)值，否則返回步驟6。

4 結(jié)果分析

4.1 車間情況說(shuō)明

設(shè)某裝配車間共4條流水線，每條流水線有7個(gè)工位，每2條緊鄰流水線間巷道寬為3 m，單工位縱向長(zhǎng)度4.5 m，橫向長(zhǎng)度2 m，見(jiàn)圖5。AGV運(yùn)行速度為固定值=0.5 m/s，每個(gè)通道AGV可雙向運(yùn)動(dòng)，物料投放在工位的左側(cè)。

圖5 工位布局圖

4.2 兩兩工位之間的最短距離求解

任意2個(gè)同流水線工位最短距離為：

2個(gè)工位分別在不同流水線上的最短距離公式為：

式中：為從工位布局產(chǎn)生的流水線（直線型），1,2,…,；為同一縱列流水線的工位編號(hào)，1,2,…,。

4.3 系統(tǒng)動(dòng)力學(xué)模型參數(shù)設(shè)置

設(shè)4條流水線的每個(gè)工段需要完成自己50件的半成品，表2是部分工位的系統(tǒng)動(dòng)力學(xué)模型的參數(shù)設(shè)置。

表2 系統(tǒng)動(dòng)力學(xué)建模參數(shù)說(shuō)明

4.4 有效性驗(yàn)證

通過(guò)運(yùn)行仿真模型及算法求解后結(jié)果顯示，整個(gè)看管期內(nèi)，共發(fā)車7次，如圖6所示，雷達(dá)圖表示7輛AGV配送過(guò)程的到達(dá)工位及配送時(shí)刻。

圖6 決策周期內(nèi)各個(gè)AGV配送工位示意圖

7輛AGV的物料配送的仿真結(jié)果見(jiàn)表3，每輛AGV平均配送7個(gè)工位。線邊AGV數(shù)量在發(fā)車時(shí)最大為2，線邊保留3輛AGV小車即可滿足所有工位配送任務(wù)。由于各工位的線邊庫(kù)存初始較為充足，需求量少，隨著庫(kù)存消耗，各工位需求增大，使裝載率增加，到看管期后期，各工位避免堆積庫(kù)存，需求量變少，使裝載率下降，故最終裝載率呈現(xiàn)由低到高再到低的變化，這表明在DMDP策略下AGV裝載完成了靈活合理的動(dòng)態(tài)調(diào)整。

以第1輛AGV為例，DMDP和SMDP策略下的配送總成本迭代圖見(jiàn)圖7。

結(jié)果表明，在DMDP策略下，每執(zhí)行1次工位配送順序的調(diào)整即獲得一次成本迭代圖，DMDP策略有?1個(gè)迭代結(jié)果。隨著迭代次數(shù)的增加，2種配送策略下的配送總成本均呈遞減趨勢(shì)，當(dāng)?shù)螖?shù)平均大于20次后，配送成本趨于穩(wěn)定值，證明該融合算法在求解上具有較好收斂性。

4.5 合理性驗(yàn)證

4.5.1 線邊庫(kù)存變化合理性對(duì)比

對(duì)比DMDP與SMDP策略下的工位1—7的線邊庫(kù)存的變化，見(jiàn)圖8。

由2種策略下的線邊物料數(shù)量變化對(duì)比后，可得出結(jié)論：靜態(tài)策略下，部分工位線邊補(bǔ)貨時(shí)間晚于動(dòng)態(tài)策略下的補(bǔ)貨時(shí)間，補(bǔ)貨量也略有差別。表4為兩策略下的全部工位線邊庫(kù)存量對(duì)比。

由表4分析可知，在看管期內(nèi)，DMDP策略下，各工位線邊庫(kù)存量最大為173，最小為1，平均值為74。與SMDP相比，工位線邊物料平均庫(kù)存下降14.86%，最大庫(kù)存量減少率為12.72%，說(shuō)明對(duì)配送工位順序?qū)崟r(shí)調(diào)整減少了庫(kù)存堆積的情況，提高了線邊物料的均衡性。從線邊物料最小值來(lái)看，DMDP能夠及時(shí)考慮各工位物料需求時(shí)間窗，避免工位因缺少物料而造成生產(chǎn)線停滯。

4.5.2 配送路線合理性對(duì)比

以第1輛AGV為例，在DMDP策略下獲得的配送路徑為3—6—7—11—20—16，路徑示意圖與配送路徑見(jiàn)圖9。在SDMP下獲得的配送徑為3—16—20—7—6—11，路徑示意圖與配送路徑圖見(jiàn)圖10。

對(duì)所有AGV在2種配送策略下的路線對(duì)比見(jiàn)表5，發(fā)現(xiàn)相較于SMDP策略，DMDP策略平均調(diào)整的工位數(shù)量為4個(gè)，一輛AGV平均訪問(wèn)7個(gè)工位時(shí)，平均調(diào)整比例為57.14%，即在變動(dòng)的時(shí)間窗基礎(chǔ)上，調(diào)整了超過(guò)半數(shù)的配送工位順序。

表3 DMDP策略下的仿真結(jié)果

圖7 AGV在2種策略下成本尋優(yōu)迭代圖

圖8 2種策略下工位1—7的線邊庫(kù)存變化

表4 2種策略下的線邊庫(kù)存量對(duì)比

圖9 第1輛AGV在DMDP下的配送路徑圖

4.5.3 配送成本對(duì)比

表6為2種策略下的成本對(duì)比。在DMDP策略下，平均時(shí)間成本占總成本比例為45.72%，SMDP策略下的為52.36%。DMDP策略平均總成本為636.86元，相較于SMDP策略，平均每輛AGV總成本減少了19.42%，平均時(shí)間成本減少比例為30.1%?？傮w上，每輛AGV節(jié)約的成本都較為明顯，尤其是時(shí)間成本，可見(jiàn)DMDP策略能夠很好地應(yīng)對(duì)各個(gè)工位物料消耗的動(dòng)態(tài)變化，比SMDP策略下的配送效果更優(yōu)。

圖10 第1輛AGV在SMDP下的配送路徑圖

表5 2種策略下的配送路徑對(duì)比

表6 2種策略下的配送成本對(duì)比

5 結(jié)語(yǔ)

文中基于物聯(lián)網(wǎng)部署后的數(shù)字車間環(huán)境，提出了基于工位排序的物料動(dòng)態(tài)配送路徑規(guī)劃策略（DMDP），利用系統(tǒng)動(dòng)力學(xué)仿真產(chǎn)生實(shí)時(shí)作業(yè)數(shù)據(jù)，在考慮車載量約束和相關(guān)工位關(guān)聯(lián)度的基礎(chǔ)上，確定初始物料配送工位，根據(jù)變動(dòng)的時(shí)間窗，以總的配送成本最小為優(yōu)化目標(biāo)，利用遺傳算法的快速全局搜索能力結(jié)合蟻群算法的正反饋機(jī)制設(shè)計(jì)了融合算法，優(yōu)化了算法性能后對(duì)模型進(jìn)行求解，最終完成對(duì)工位配送順序的實(shí)時(shí)調(diào)整，實(shí)現(xiàn)了車間物料配送的動(dòng)態(tài)自適應(yīng)調(diào)整和物料的準(zhǔn)時(shí)化配送。通過(guò)算例表明了DMDP策略的有效性與可行性?？紤]物料配送環(huán)節(jié)中的不確定因素進(jìn)行建模，并將DMDP策略成功嵌入至現(xiàn)實(shí)應(yīng)用中是今后的研究重點(diǎn)。

[1] 王昀睿, 趙旭雯, 武爭(zhēng)利, 等. 基于混流生產(chǎn)模式的裝配車間物料配送路徑規(guī)劃方法[J]. 現(xiàn)代制造工程, 2021(7): 109-116.

WANG Yun-rui, ZHAO Xu-wen, WU Zheng-li, et al. The Material Distribution Path Planning Method of Assembly Workshop Based on Mixed Flow Production Mode[J]. Modern Manufacturing Engineering, 2021(7): 109-116.

[2] 周炳海, 譚芬. 基于循環(huán)配送策略的汽車裝配線物料配送調(diào)度方法[J]. 東北大學(xué)學(xué)報(bào)(自然科學(xué)版), 2018, 39(3): 389-393.

ZHOU Bing-hai, TAN Fen. Scheduling Method of Material Delivery for Automotive Assembly Lines Based on Milk-Run Delivery[J]. Journal of Northeastern University (Natural Science), 2018, 39(3): 389-393.

[3] SIMON E, NILS B, Optimally Locating in-House Logistics Areas to Facilitate JIT-Supply of Mixed-Model Assembly Lines[J], International Journal of Production Economics, 2012, 135(1): 393-402.

[4] 韓兵, 藺宇. 隨機(jī)過(guò)程下的生產(chǎn)配送策略對(duì)比[J]. 工業(yè)工程, 2014, 17(6): 48-53.

HAN Bing, LIN Yu. Comparison of Distribution Strategies for Production Lines in Stochastic Process[J]. Industrial Engineering Journal, 2014, 17(6): 48-53.

[5] ZHOU B H, HE Z X. A Material Handling Scheduling Method for Mixed-Model Automotive Assembly Lines Based on an Improved Static Kitting Strategy[J]. Computers & Industrial Engineering, 2020, 140(1): 8352-8369

[6] 周曉曄, 馬小云, 朱梅琳,等. 基于循環(huán)配送的混流裝配線物料配送優(yōu)化研究[J/OL]. 系統(tǒng)工程: 1?11 [2022-12-13]. https://kns-cnki-net.webvpn.sust.edu.cn/ kcms/ detail/43.1115.N. 20220419.1746.004.html

ZHOU Xiao-ye, MA Xiao-yun, ZHU Mei-lin, et al. Optimization of Material Delivery Problem for Mixed-model Assembly Line Based on Milk-run Delivery[J]. Systems Engineering: 1-11[2022-12-13]. https://kns-cnki-net. webvpn. sust.edu.cn/kcms/detail/43.1115.N. 20220419. 1746.004.html

[7] 陸志強(qiáng), 胡鑫銘, 杜鑫. 物料配送與線邊存儲(chǔ)集成決策模型與算法[J]. 浙江大學(xué)學(xué)報(bào)(工學(xué)版), 2018, 52(7): 1354-1363.

LU Zhi-qiang, HU Xin-ming, DU Xin. Integrated Modeling and Algorithm of Material Delivery and Line-Side Storage Problem[J]. Journal of Zhejiang University,2018, 52(7): 1354-1363.

[8] 劉雪梅, 王笑, 柳躍雷. 模糊時(shí)間窗約束下的裝配線物料配送方案優(yōu)化[J]. 中國(guó)機(jī)械工程, 2020, 31(17): 2095-2103.

LIU Xue-mei, WANG Xiao, LIU Yue-lei. Optimization of Assembly Line Material Distribution Planning under Fuzzy Time Window Constraints[J]. China Mechanical Engineering, 2020, 31(17): 2095-2103.

[9] 楊清, 張彥如, 馬靖. 基于物聯(lián)網(wǎng)技術(shù)的車間動(dòng)態(tài)物料配送問(wèn)題研究[J]. 制造業(yè)自動(dòng)化, 2015, 37(10): 129-131.

YANG Qing, ZHANG Yan-ru, MA Jing. Research on Dynamic Material Delivery Method of Workshop Based on Internet of Things[J]. Manufacturing Automation, 2015, 37(10): 129-131.

[10] 葛妍嬌, 郭宇, 黃少華, 等. 基于智能感知網(wǎng)的物料配送動(dòng)態(tài)優(yōu)化方法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2019, 55(22): 212-218.

GE Yan-jiao, GUO Yu, HUANG Shao-hua, et al. Dynamic Optimization Method for Material Delivery Based on Intelligent Sensing Network[J]. Computer Engineering and Applications, 2019, 55(22): 212-218.

[11] ALNAHHAL M, NOCHE B. Dynamic Material Flow Control in Mixed Model Assembly Lines[J], Computers & Industrial Engineering, 2015(85): 110-119.

[12] 張世文, 袁逸萍, 李明, 等. 基于實(shí)時(shí)定位的離散制造車間物料配送方法研究[J]. 機(jī)械設(shè)計(jì)與制造, 2020(11): 18-20.

ZHANG Shi-wen, YUAN Yi-ping, LI Ming, et al. Research on Material Distribution Method of Discrete Manufacturing Workshop Based on Real-Time Positioning[J]. Machinery Design & Manufacture, 2020(11): 18-20.

[13] 伍偉民, 劉檢華, 唐承統(tǒng), 等. 復(fù)雜產(chǎn)品裝配物料精細(xì)化管控系統(tǒng)[J]. 計(jì)算機(jī)集成制造系統(tǒng), 2017, 23(4): 769-780.

WU Wei-min, LIU Jian-hua, TANG Cheng-tong, et al. Refined Management and Control System of Assembly Material for Complex Products[J]. Computer Integrated Manufacturing Systems, 2017, 23(4): 769-780.

[14] 劉玉浩, 姜兆亮, 闞平, 等. 發(fā)動(dòng)機(jī)裝配線關(guān)鍵工位物料動(dòng)態(tài)配送方法[J]. 包裝工程, 2021, 42(21): 239-246.

LIU Yu-hao, JIANG Zhao-liang, KAN Ping, et al. Dynamic Distribution Method of Materials at Key Station of Engine Assembly Line[J]. Packaging Engineering, 2021, 42(21): 239-246.

[15] 沈維蕾, 鐘岳昕, 王強(qiáng). 不確定加工時(shí)間下裝配過(guò)程物料配送方法研究[J]. 合肥工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版), 2016, 39(3): 314-319.

SHEN Wei-lei, ZHONG Yue-xin, WANG Qiang. Study of the Method of Material Delivery in Assembly Process with Uncertain Processing Time[J]. Journal of Hefei University of Technology (Natural Science), 2016, 39(3): 314-319.

Dynamic Material Distribution Route Planning for Digital Workshop

SUN Jun-yan, LI Jing-jing, ZHANG Yuan-yuan

(School of Mechanical and Electrical Engineering, Shaanxi University of Science and Technology, Xi'an 710021, China)

The work aims to propose a dynamic material distribution strategy aiming at the problem of inaccurate and untimely material distribution due to uncertain material demand time in the station of digital production workshop. Firstly, the real-time distribution station and co-working station were determined according to the station correlation degree and change time window, and the dynamic material distribution route optimization strategy based on station sorting was designed. Secondly, the mathematical model with the objective function of minimizing the total distribution cost and the time window deviation cost was established. Finally, a combined method of system dynamics simulation and ant colony genetic hybrid algorithm was proposed to solve the model. The simulation results showed that compared with static material distribution optimization strategy, the proposed strategy realized the average time cost reduction rate of 30.1%, and the average inventory reduction rate of 14.86%. The strategy can determine the distribution station and co-working station and adjust the distribution sequence in real time according to the dynamic time window, realizing the dynamic self-adaptive adjustment of material distribution, and reducing the total material distribution cost. The fusion algorithm has obvious advantages in iteration number, convergence and optimal solution quality.

station sorting; system dynamics; material distribution; route planning; algorithm fusion

TH165+.1

A

1001-3563(2023)01-0101-10

10.19554/j.cnki.1001-3563.2023.01.012

2022?04?23

陜西省社會(huì)科學(xué)基金項(xiàng)目（2020R043）；陜西省科技廳項(xiàng)目（2018GY–026）；西安市科技局項(xiàng)目（2021–0023）

孫軍艷（1978—），女，博士，副教授，主要研究方向?yàn)橹悄芄?yīng)鏈管理。

責(zé)任編輯：曾鈺嬋