基于GA-PSO的智能工廠生產仿真研究

潘飛， 都騰飛， 李澤軍， 李仲樹， 劉新

（江蘇長江智能制造研究院，江蘇 常州213164）

0 引言

隨著以工業4.0為代表的新一輪制造業轉型變革展開，傳統的制造業市場競爭壓力越來越大[1]。通過數字化工廠的仿真模擬，可以更快、更準、低成本、更高質量地生產市場所需的產品。數字化工廠仿真技術為工藝規劃及生產布線帶來了從規劃流程到工藝實現的全方位技術變革，能夠有效地減少規劃和設計周期，降低出錯率，縮短產品研發，為柔性生產和快速市場供給提供了強有力的技術支持[2]。

本文通過Plant Simulation平臺對某公司的智能車間進行數字化仿真設計，合理分配各個工序的布置。為了提高生產產量，優化工藝流程，縮短物流轉運時間，減少節拍時間，本文使用遺傳算法（GA, Genetic Algorithm）和粒子群優化（PSO，Particle Swarm Optimization）的混合人工智能算法，對批次作業任務進行優化。結果表明，基于數字化仿真的智能制造解決方案優化了生產工序，縮短了生產節拍，為企業帶來了更多的利潤。

1 遺傳算法和粒子群優化理論方法

遺傳算法不同于常見的機器學習模型所使用的梯度下降算法，是一種進化算法，這種方法是由密歇根大學的J.Holland教授在1967年首次提出的[3]。該算法的流程如下：首先將具體問題抽象化，從實際案例的表現型到抽象問題的基因型完成映射編碼工作，根據優勝劣汰的原則，隨機生成第一代種群，并得到近似解。在迭代過程中，根據車間生產模型確定合適的適應域，通過域選擇合適適應度的個體，在迭代過程中，對遺傳算子進行迭代調整，通過交叉和變異產生新的解集種群，最終得到最優解。傳統遺傳算法在迭代過程中隨機選擇交叉和變異過程，導致收斂速度慢，而粒子群優化（PSO）彌補了這一不足。粒子群算法具有并行計算的能力，能快速收斂達到最優解。粒子群算法[4]在已知解空間中，隨機將一組參數初始化為粒子，所選粒子代表極值優化的潛在最優解。粒子的特征向量由3個指標（位置、速度和適應度）來描述。在迭代過程中，通過跟蹤每個粒子的個體極值和種群極值的變化來更新解空間中每個粒子的迭代方向。其中，個體極值代表適應度函數計算后的多次迭代的最優解。種群極值是指在計算適應度函數后，對整個種群進行多次迭代的最優解。粒子的每次迭代計算都會更新和比較個體適應度值和群體極值的適應度，從而確定極值和群體極值的位置[5]。在迭代過程中，不斷更新粒子的位置和速度值，以提高整個種群的適應度，更新公式如下：

2 智能工廠生產仿真優化

2.1 項目背景

Y公司主要生產產品為不同規格的不銹鋼復合管及晾曬架。如圖1所示，生產流程包括生產12×24×1181管、12×24×505管及16×250管，并通過焊接形成尺寸為12×24×1061的H1管和12×24×505的H2管，最終和上層大網片組裝形成成品。經技術人員介紹，Y公司的老生產線由于布置時未進行合理的規劃與仿真分析，因此在生產加工過程中經常出現節拍的卡頓、物流運輸的反復低效等問題。因此在進行新廠的投產運行前，希望結合現有的智能制造生產仿真模擬技術進行規劃分析，給企業降本增效，優化企業的利潤空間。

圖1 生產產品

2.2 產品生產流程分析

產品生產是一個復雜的環境整體，包含工人、工裝設備、原材料零部件、工藝、環境等各類元素，這些元素共同構成了生產車間的整個生命體[6]，如圖2所示。單管的生產包含上料、彎管、沖扁和放置等4個工藝流程，管子的組裝H1和H2由專門的焊接工位進行焊接。根據整個車間設備的產能分析，初步規劃整條線（如圖3），共包含16個工位，通過機器人搬運和AGV運輸及傳送帶運輸來實現各工位之間的連接，除了上下料需要人工操作外，其余絕大部分工位都實現了自動化操作，整個生產車間的自動化率達到90%以上。

圖2 工藝流程圖

圖3 車間布置圖

在車間尚未建成的情況下，通過智能工廠的仿真手段可以很好的分析車間設備整體布置方案的合理性，計算整個工廠流水線產能，分析產線節拍，得出瓶頸工位，并通過優化算法合理調整工序與布置，縮短在制品的物流流轉與加工時間。

根據現場調研并咨詢相關的技術人員，分別列出各個設備的加工工序時間，如表1所示。

了解了車間的基本布局與各個工序的加工時間后，對車間生產情況進行仿真模擬，仿真建模如圖4所示。仿真模型可以動態模擬閑置及堵塞等生產問題，統計各工位的設備綜合效率、產量等數據。

表1 生產線各工位時間

生產線智能規劃建模應考慮產能計算、生產線建設成本和運營成本控制、車間工藝、物流布局、廠房空間利用等諸多因素，這些影響因素都可以定義為一種粒子，粒子迭代過程中速度、位置更新。生產模型仿真，通過仿真計算預估生產線布局模型的可行性，在合理的數據輸入及生產仿真機制響應下（故障率、稼動率、每小時產量），輸出仿真結果。同時以數據為基礎，綜合對比不同布局方式對生產線的影響，分析生產線的瓶頸位置與瓶頸原因，結合仿真結果與生產情況進行對比分析，進行多次優化迭代改善模型，以縮短節拍時間，提高生產能力，獲得最佳的生產策略和方案。

2.3 仿真優化分析

在開始計算前，需要對仿真模型進行初始化。首先確定仿真時間，按照每周5 d、每天3班的作業計時，設置仿真加工時間為7 d（168 h），設備在運行過程中會出現故障，咨詢相關技術人員并結合工廠歷年生產數據，設置加工設備的平均故障率為6%。

圖4 智能車間物流模型

同一種機床設備可以加工不同類型的管子，因此該問題優化可以抽象成在滿足工序流程的情況下，如何分配生產任務讓每臺設備都能最大化加工時間。數學建模可以歸納為N個訂單需求，M臺生產設備（N＞M），每個產品需要經過K道工序完成，有些工序有明確的前后關系約束，通過調度優化算法求解滿足生產任務需求的最優結果，同時得到在約束條件下，各個工序的緊前和緊后任務分配。這是一個典型的JSSP模型求解問題，本文選用GA-PSO混合迭代，理論上存在最優解優化生產節拍。

運行仿真模型后，圖5展示了型號為16×250的管子在加工仿真時間內整體的生產情況。可以發現該公司目前的布置方案存在較大問題，產線節拍不平衡，瓶頸工位主要在焊接部分。在不增加新設備的情況下，對各個工序流程進行合理分配，GA-PSO進行迭代尋找工序與設備組合的最優解。

定義遺傳算法的相關參數指標：其中交叉機率定義為0.85、種群數量定義為20、變異機率定義為0.15，生產仿真模型后統計迭代曲線如圖6所示。從圖6中可以看出，在初始迭代階段，適應度值快速下降，這大大縮短了迭代尋優時間，在迭代進行8次后，種群的適應度值已經趨于收斂，收斂值所對應的排序方式即為最小化最大完工時間的最優解。

根據新的工序排列順序，分別比較一周內產量的變化和生產節拍情況，由圖7可以看出，經過GA-PSO優化過后的生產產量明顯提高，由于加入了平均維修時間（MTTR）和工人休息時間，所以會有略微的產量波動，整體產量維持在2050 件/d，相比于傳統方案的1850 件/d，產量提高了近10%。由圖8可以看出，優化過后的生產節拍約為35.4 s，與傳統方案的40.2 s相比，性能提高了近13.5%。

3 結論

針對某公司的智能生產車間在初始規劃建造過程中需要規避的實際產能問題，本文通過Plant Simulation平臺進行車間數字化生產智能化仿真優化，分析初始設計方案的合理性，并在不增加生產設備的情況下，通過GA-PSO迭代尋優找到最優的工序解。具體結論如下：1）對初始方案進行生產流程建模分析后發現，初始方案存在明顯的生產瓶頸，生產節拍與物流不順暢；2）通過GA-PSO迭代尋優找到最優的工序解方案，可以平衡產線節拍，與初始方案相比，整個車間生產節拍加快了13.5%，車間產量提高了近10%，為企業帶來了更多的利潤空間。

圖5 16×250管子加工仿真結果

圖6 GA-PSO迭代尋優

圖7 產量對比

圖8 節拍對比