一种考虑运输距离的服装吊挂生产调度方法及系统与流程

本发明涉及作业车间调度，尤其涉及一种考虑运输距离的服装吊挂生产调度方法及系统。

背景技术：

1、随着制造业企业数字化、智能化的转型升级，越来越多的服装生产企业采用服装吊挂系统代替原有的捆扎式和推框式生产。服装吊挂是一类柔性制造系统，利用吊挂线的灵活运输，可以大大减少物料搬运的辅助作业时间以及工位上在制品和裁片的积压，提高生产的准时性，并且通过程序控制具备实时调整能力，能够快速适应不同品种和批量的灵活转换。

2、但是现有的服装吊挂车间完全依赖于车间组长的生产经验进行生产调度，在市场需求变化快、订单更新频繁的情况下，人工调度的方案往往缺乏科学性和合理性，导致车间生产资源的浪费和交货延期等问题。有研究和统计表明在服装吊挂生产过程中，吊挂的运输时间占据了整个生产时间的30%-40%，而现有的服装吊挂调度往往没有考虑对于吊挂运输路径的优化，在不考虑运输距离的调度方案下，运输时间的增加将直接延长生产周期，从而降低整体生产线的效率。而工位负荷与运输距离也有密切的关联，如果运输距离过长，某些工位可能会出现过多的等待时间，从而导致工位负荷不均。并且长距离的运输还增加了一定的能耗和成本。因此，针对服装吊挂生产调度的优化中，考虑运输距离的优化是十分必要的。

技术实现思路

1、本发明的其他特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及其他说明书附图中所特别指出的结构来实现和获得。

2、本发明的目的在于克服上述不足，提供了一种考虑运输距离的服装吊挂生产调度方法及系统。

3、本发明解决其技术问题的所采用的技术方案是：一种考虑运输距离的服装吊挂生产调度方法，包括以下步骤：

4、步骤s1，获取服装吊挂生产车间的信息，其中，服装吊挂生产车间的信息包括服装生产信息、服装吊挂生产日志以及服装吊挂车间布局；

5、步骤s2，处理服装吊挂生产车间的信息以获得吊挂车间的工人熟练度系数矩阵与工位距离矩阵；

6、步骤s3，通过构建优化目标函数、增加惩罚机制、定义约束条件，建立考虑运输距离的服装吊挂生产调度的数学模型；

7、步骤s4，引入改进的非支配排序遗传算法对建立的服装吊挂生产调度的数学模型进行求解，以得到服装吊挂生产调度的方案。

8、在一些实施例中，在步骤s1中，获取服装吊挂生产车间的信息，包括：

9、根据服装生产信息采集并预处理订单信息、工序信息以及工位信息；

10、根据服装吊挂生产日志采集服装吊挂衣架流动历史数据；

11、根据服装吊挂车间布局采集工位间的距离和衣架移动速度。

12、在一些实施例中，预处理订单信息、工序信息以及工位信息，具体为：

13、根据获取的工序信息中的订单工序标准加工时间建立加工时间矩阵，其表达式为：

14、

15、在上式中， n为订单数， m为 n个订单里最大的工序数；

16、根据工位信息中的工位号和机器类型建立工位机器类型数组，其表达式为：

17、

18、在上式中， k为最大的工位号， t为最大的机器类型号， wij取值为0或者1， wij=1表示工位 i的机器类型为 j，一个工位只能使用一种机器类型的机器，即；

19、根据获取的工位信息中的最大吊挂量建立工位最大吊挂量数组，其表达式为：

20、

21、根据获取的订单工序与工位的加工匹配性，建立工序工位匹配性矩阵，其表达式为：

22、

23、在上式中， mi为订单 oi的工序的数量， cijk表示订单 oi的第 j道工序是否在工位 k上可以加工，可以加工则为1，否则为0。

24、在一些实施例中，在步骤s2中，处理服装吊挂生产车间的信息，包括：

25、根据获取的服装吊挂生产车间信息中的衣架流动历史数据，计算加工工序在不同工位上指定工人熟练度系数，统计并建立工人熟练度系数矩阵，其表达式为：

26、

27、在上式中， pijk表示工位 k加工订单 oi的第 j道工序的熟练度系数，其表达式为：

28、，

29、在上式中， α为效率权重因子， β为质量权重因子，满足 α+ β=1，企业可根据生产策略和市场需求进行确定，针对不同客户和订单的效率、质量要求进行相应调整； tijk表示工位 k加工订单 oi的第 j道工序的实际加工时间，通过采集的衣架流动历史数据统计加工该工序时衣架进入和离开工位 k的时间差； tij表示加工订单 oi的第 j道工序的标准加工时间； ni为订单 oi的生产总数量，而 nr为工位 k加工该工序时需要返工的数量； tijk的计算公式为：

30、，

31、在上式中， t进入、 t离开分别为工位 k加工订单 oi的第 j道工序时每个衣架进入和离开工位 k的时间。

32、根据获取的服装吊挂生产车间信息中的工位间距离，采用邻接矩阵的方式建立工位距离矩阵，表达式为：

33、，

34、在上式中， d为同侧相邻一个工位的距离长度，而为服装吊挂u型弯相邻工位的弯道距离长度，上述矩阵假设吊挂车间有4个工位，工位1、2，工位3、4为同侧，因此工位1到工位3为，而由于运输的方向单向性，因此工位2到工位1需要绕行到工位3、4才能到达，距离为。

35、在一些实施例中，在步骤s3中，优化目标函数包括：

36、最小化最大完工时间的目标函数 f1，其表达式为：

37、，

38、在上式中， cmax表示加工所有订单的最大完成时间， ci表示订单 i的完成时间， n表示订单总数， r表示不符合工位最大吊挂量约束的惩罚值；

39、最小化工位总负荷的目标函数 f2，其表达式为：

40、，

41、在上式中， tij为订单 oi的第 j道工序的标准加工时间， pijk为工位 k加工订单 oi的第 j道工序的熟练度系数， xijk为工位加工标识参数，其定义如下：

42、

43、最小化运输总距离的目标函数 f3，其表达式为：

44、，

45、在上式中， d表示两个工位之间的运输距离， wij和 wi(j+1)分别是加工订单 oi的第 j道工序和第 j+1道工序所分配的工位。

46、在一些实施例中，在步骤s3中，增加惩罚机制，对不符合工位最大吊挂量约束的解的目标函数值增加惩罚值，表达式为：

47、，

48、在上式中，λ为惩罚系数，确保违反最大吊挂量的个体在优化过程中被淘汰；表示加工订单 i时工位 k的是否违反了工位最大吊挂量约束。

49、在一些实施例中，违反工位最大吊挂量约束的判断方式为：

50、计算工位物料到达率，其表示加工订单 oi时单位时间内从工位 k-1到达工位 k的工位的物料数量，计算公式如下：

51、，

52、在上式中，为工位 k-1加工订单 oi时的工序加工完成时间，为加工订单 oi时工位 k-1到工位 k的工位的运输时间，通过公式进行计算， v为衣架移动速度；

53、计算工位物料加工率，其表示加工订单 oi时单位时间内工位 k可以完成的物料数量，计算公式如下：

54、；

55、计算订单完成时间，其通过计算加工时间和运输时间预估订单的完成时间，计算公式如下：

56、，

57、根据调度方案对每个订单工序对应的工位加工时间进行计算，其中 t0是初始加工时间，表示订单 i的加工时间的线性增加，最大为加工完整个订单的时间；这里表示表示加工工序 j到加工工序 j+1的工位之间的运输时间；为订单 oi的加工数量的线性增加，最大为该订单的加工总数 qi；

58、计算工位物料堆积量，其表示每个订单生产时每个时刻的物料堆积量，计算公式如下：

59、；

60、判断工位 k的物料堆积量在生产过程中是否会大于该工位的最大吊挂量，判断方式如下：

61、

62、上述判断方式表示，在订单 oi生产过程中，随着加工数量 q的增加，工位 k物料堆积量不断增加，一旦大于该工位的最大吊挂量则判定为1，即不符合物料最大吊挂量约束。

63、在一些实施例中，在步骤s3中，约束条件包括：

64、唯一工位分配约束，其用于保证每道工序只在一个工位上完成，表达式为：

65、，

66、在上式中， xijk表示订单 i的第 j道工序是否在工位 k加工，加工则为1，否则为0， k为工位总数；

67、工序工位匹配约束，其用于保证每道工序只能被分配到符合加工要求的工位上，表达式为：

68、；

69、工位最大吊挂量约束，其用于保证在生产过程中工位的吊挂量不大于自身设定好的最大吊挂量，表达式为：

70、，

71、在上式中， hik表示工位 k加工订单 i时的吊挂量。

72、在一些实施例中，在步骤s4中，改进的非支配排序遗传算法包括：

73、步骤s41，设置种群优化参数，采用带绕行标记的工序工位三层编码方式对种群个体编码，第一层为工序编码，第二层为工位编码，第三层为绕行标记，表示该工位加工完对应工序后，到下一道工序的工位需要绕行的次数；

74、步骤s42，在生成初始种群时采用包括路径优化、基于最大完工时间的启发式以及随机选择三种策略；

75、步骤s43，计算种群个体的目标函数值，对个体进行非支配排序和拥挤度距离计算；

76、步骤s44，基于非支配排序和拥挤度距离，选择一定数量的最优个体作为精英个体进行保留；

77、步骤s45，分优化阶段对种群按优化目标分组，并对种群个体进行组间交叉操作，交叉操作采用带方向敏感的交叉方式；

78、步骤s46，对种群个体进行相似度计算，构建个体相似度矩阵，采用投票机制判断种群是否陷入局部最优，达到变异条件则触发个体变异，对高相似的个体进行变异，使种群跳出局部最优向全局最优进行扩大搜索；

79、步骤s47，合并父代精英个体和交叉变异后的子代个体组成新种群；

80、步骤s48，重复算法步骤s43-s47，直到优化迭代次数达到最大迭代次数，输出种群的pareto前沿解集。

81、在一些实施例中，在步骤s42中，路径优化的初始化包括：

82、步骤s421，定义状态空间，其表达式为：

83、

84、在上式中，其中 current表示当前工位位置， next表示下一道工序可去的工位位置， path_history表示已经过的工位路径， work_history表示每个工位在加工路径上访问次数， total_distance表示当前累计的运输距离；

85、步骤s422，定义工序可选工位数组，根据订单的工序以及工序工位匹配性矩阵 c，建立订单每道工序的 next数组，其表达式为：

86、

87、在上式中， nexti表示第 i道工序可以在哪些工位上加工；

88、步骤s423，定义启发函数，其表达式为：

89、，

90、在上式中， d为工位距离矩阵， current为当前工位， goal为目标工位， μ表示绕行次数惩罚权重， count表示绕行次数；

91、步骤s424，利用路径优化进行初始化种群，包括路径初始化、扩展工位、更新状态空间、终止条件。

92、路径初始化，设置一个大小为f的优先队列存储路径，将初始状态空间加入到优先队列中，其表达式为：

93、（ start，next2，[]，[0...0]，0），

94、上式中， start为从 next1中选择的工位号即加工第一道工序的工位， next2为起始工位加工完，第二道工序可以在哪些工位加工，初始 path_history为空， work_history中所有工位访问次数都为0， total_distance为0。

95、扩展工位，将优先队列中的状态空间进行扩展，每个状态空间根据自身 next数组进行选择工位扩展，选择 work_history中访问次数不超过1次的所有工位。

96、更新状态空间，对于每一个扩展的状态空间，更新 current为从 next选择的工位号，将 next数组更新为下一道工序的 next数组，将选择的工位号加入到 path_history中，将 work_history中对应的工位号访问次数加1，并计算 total_distance=total_distance+h (x)。将扩展更新的状态空间，按 total_distance大小排序，选择前f个小的状态空间加入到优先队列。

97、终止条件， next中所有数组都按顺序访问完，即所有工序都选择了一个工位进行加工，将优先队列中每个状态空间的 path_history用于调度方案的工位初始化。

98、在一些实施例中，在步骤s42中，基于最大完工时间的启发式的初始化，具体为：

99、对于可在多个工位加工的工序，分配工位策略为：首先，未开始加工订单时所有工位的负荷都为0，此时先根据加工该工序所需的机器类型，从工位机器类型数组 w中获取对应机器类型所有的工位号，并根据工人熟练度系数矩阵 p，选择加工该工序熟练度系数高的工位分配加工，之后每一个使用该机器类型加工的工序都按熟练度系数选择未被选择过的工位，直到所有该机器类型的工位全部选择完；

100、在上述同一机器类型中的所有工位都选择完后，后续有工序需要使用该类型的机器进行加工时，则先计算该机器类型中所有工位的负荷和熟练度评估函数，计算公式如下：

101、

102、其中， ti,k表示工位 k中加工的第 i道工序的时间用来表示负荷， pi,k表示在工位 k中加工的第 i道工序对应的熟练度系数， nk表示在工位 k加工的工序数量，该表达式中，如果工位 k的负荷 ti,k越大，则评估分 ek越小，而熟练度系数 pi,k越高，则评估分 ek越大，统计工位 k中所有在加工的工序，计算得到工位 k的负荷和熟练度评估分；

103、对同一机器类型的所有工位按评估分 ek排序，每次根据机器类型选择工位时，选择最大的 ek对应的工位，即负荷较轻且熟练度系数高的工位。

104、在一些实施例中，在步骤s45中，算法优化阶段包括优化前期和后期；优化前期阶段按完工时间、工位负荷、运输总距离三个优化目标，分别根据优化目标函数值进行排序，将种群个体按照高、中、低三个区间进行分组；优化后期阶段按完工时间、运输总距离、工位负荷三个优化目标分别选出数量popsize/3个最优个体进行分组。

105、在一些实施例中，在步骤s46中，相似度的计算公式为：

106、；

107、其中，， n为编码总长， ns为工序层编码中相同位置上字符完全一致的数量；， count为工位层编码中相同订单工序下工位分配同一个工位的个数。

108、在一些实施例中，相似度矩阵为：

109、

110、在上式中， m[ i][ j] = s[ i][ j]， m[ i][ j]=1表示个体与自身相似度为1， m[ i][ j]越接近1表示两个个体越相似，接近0则表示两个个体差异较大。

111、在一些实施例中，投票机制具体为：

112、设定相似度阈值，如果个体 i和个体 j的相似度值 s( i， j)超过设定的阈值，则认为这两个个体相似；

113、根据相似度矩阵，对每个个体进行投票，投票的方式为计算每个个体与其他个体的相似个体数，计算公式如下：

114、

115、其中， vi表示个体的投票得分，是一个表示函数，当时为1，否则为0；

116、如果个体 i的投票得分 vi超过0.5popsize，即超过一半个体与其相似，则认为个体 i是高相似个体，为局部最优种群的一部分；统计整个种群中的高相似个体的数量，当高相似度个体的数量占比为种群数量的60%-80%，则认为种群已经陷入局部最优，需要进行变异操作。而当占比低于60%或大于80%且适应度值平均改进幅度小于1%时，不需要进行变异操作；

117、适应度改进幅度计算公式如下：

118、

119、其中， fn( i)表示第n次迭代的第 i个个体的适应度值。

120、本发明还提供了一种考虑运输距离的服装吊挂生产调度系统，其特征在于，包括：

121、获取模块，其用于获取服装吊挂生产车间的信息，其中，服装吊挂生产车间的信息包括服装生产信息、服装吊挂生产日志以及服装吊挂车间布局；

122、处理模块，其用于处理服装吊挂生产车间的信息以获得吊挂车间的工人熟练度系数矩阵与工位距离矩阵；

123、构建模块，其用于通过构建优化目标函数、增加惩罚机制、定义约束条件，建立考虑运输距离的服装吊挂生产调度的数学模型；

124、求解模块，其用于引入改进的非支配排序遗传算法对服装吊挂生产调度的数学模型进行求解，以得到服装吊挂生产调度的方案。

125、通过采用上述的技术方案，本发明的有益效果是：

126、本发明采用的多目标优化算法，在结合服装吊挂车间实际布局和生产情况，针对服装吊挂生产调度，充分考虑吊挂线衣架运行路线的优化，引入路径优化等初始化策略，以及改进的交叉变异操作，优化迭代次数少，可以有效避免陷入局部最优解，多目标优化能力强，求得的解质量高。利用本发明可以很好地代替人工进行服装吊挂生产调度，优化生成的调度方案，不仅可以减少生产周期，均衡生产线工位负荷，提高车间生产效率和产品质量，还能有效降低成本，实现更灵活、更高效的生产管理，提升企业的市场竞争力。

127、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

128、无疑的，本发明的此类目的与其他目的在下文以多种附图与绘图来描述的较佳实施例细节说明后将变为更加显见。

129、为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举一个或数个较佳实施例，并配合所示附图，作详细说明如下。