一种面向床垫工厂的APS生产排程仿真验证系统及方法与流程
本发明涉及生产制造执行及工业仿真,具体而言,涉及一种应用于软体家具特别是床垫生产工厂的aps(高级计划与排程)系统的仿真验证方案,尤其涉及一种结合多目标遗传算法优化与离散事件仿真验证的闭环排程系统。
背景技术:
1、床垫制造属于典型的离散制造与流程制造混合的行业。其生产过程通常包括弹簧机加工(金属加工)、裥棉复合(面料与海绵复合)、围边粘合(套边工序)以及最后的包装工序。与普通机械加工不同,床垫材料(如海绵、棉毡、弹簧)具有体积大、易变形、缓冲时间难以精确计量的特点。现有的aps系统虽然能够基于固定工时进行排程,但在面对床垫生产中的物料缓存波动(如海绵堆垛过高导致堵塞)、设备换型时间随机性(如不同尺寸床垫频繁切换)以及特殊工艺约束(如胶水固化等待时间)时,排程结果往往脱离实际,导致计划不可行。
2、现有技术中,美国专利us20160216707a1公开了一种用于自动化床垫制造的排程方法,该方法将客户订单按交货期分批,并通过性能阈值判断优化批次。然而,该方案主要关注批次的划分与优化,未涉及排程方案在数字孪生环境中的仿真验证,也未考虑床垫材料膨松特性对排程准确性的影响。此外,现有aps系统多采用单一目标优化(如最小化拖期),难以同时兼顾设备利用率、换型成本、负载均衡等多重目标,且缺乏将仿真结果反馈至排程算法的闭环机制。
3、因此,在排程方案下发前缺乏有效的仿真验证环节,以及缺乏针对床垫生产特殊物理特性的仿真模型,是目前床垫工厂实施智能化改造的两大痛点。
技术实现思路
1、本发明的目的在于提供一种面向床垫工厂的aps生产排程仿真验证系统及方法,以解决现有aps排程结果在床垫生产场景下与实际执行偏差较大的技术问题。
2、为了实现上述目的,本发明采用以下技术方案:
3、本发明提供的一种面向床垫工厂的aps生产排程仿真验证系统,包括数据采集层、模型构建层、aps排程计算层、仿真验证与反馈层以及方案调整与发布层。其中,模型构建层内置了针对床垫生产特性的参数化仿真模型,特别是针对裥棉叠层这一关键工位,引入了物料膨松系数修正模块,使得仿真环境能够真实模拟物料占用空间和时间的变化。仿真验证与反馈层将aps生成的排程计划作为输入,在数字孪生环境中进行预演,通过对比预演kpi与目标kpi,自动反馈调整aps参数,形成闭环优化。
4、本发明同时提供一种基于上述系统的仿真验证方法,该方法通过构建数字孪生环境、生成初始排程、仿真推演、kpi评估、反馈优化的闭环流程,确保最终下发的排程方案具有高度的可执行性。该方法能够有效模拟床垫生产中的设备换型、物料缓存及特殊工艺约束。
5、本发明的aps排程计算层采用多目标混合整数规划模型与改进型遗传算法相结合的技术方案。针对床垫生产的多约束特性,本发明设计了双层混合编码结构的染色体,第一层为工序顺序编码,采用基于优先权的实数编码,确保工序间的先后约束关系得到保持;第二层为设备分配编码,采用整数编码,表示各工序分配的机器编号。适应度函数采用pareto非支配排序与拥挤度距离相结合的评价机制,能够在多目标空间中保持种群的多样性。
6、本发明在内存数据库中定义了三种核心数据结构:工序对象(包含工序id、物料bom指针、标准工时、换型时间矩阵、设备约束集)、设备对象(包含设备id、当前状态、剩余加工时间、维护日历)和订单对象(包含订单id、产品型号、交付日期、优先级系数、工艺路径指针)。各对象之间通过索引表建立关联,支持o(1)时间复杂度的随机访问,确保了算法运行时的效率。特别是换型时间矩阵t_setup[m][n],通过历史数据机器学习拟合得到,能够准确反映不同床垫规格切换时的实际耗时。
7、本发明的仿真验证与反馈层与aps排程计算层之间设有闭环反馈通道。当离散事件仿真引擎推演发现排程方案在实际运行中会出现设备冲突、物料断档或缓存溢满时,系统不仅记录冲突事件,还会自动计算冲突的严重程度,并将其量化为惩罚系数,反馈至遗传算法的目标函数中。通过这种"仿真-反馈-再优化"的迭代机制,排程方案经过3-5轮优化后,其可执行性可提升至95%以上。
1.一种面向床垫工厂的aps生产排程仿真验证系统及方法,其特征在于,应用于床垫生产制造执行过程中,所述系统包括:
2.根据权利要求1所述的面向床垫工厂的aps生产排程仿真验证系统,其特征在于,所述裥棉机仿真单元中配置设备属性模块,如设备类型(单针裥棉 、多针裥棉)、设备上料缓存位置数量、生产节拍等,用于根据工单类型,修正生产过程中物料占用的缓存空间及输送时间。
3.根据权利要求1所述的面向床垫工厂的aps生产排程仿真验证系统,其特征在于,所述仿真验证与反馈层还包括冲突检测模块,所述冲突检测模块用于识别在仿真运行中出现的设备资源冲突或物料断供事件,并记录事件发生的时间戳及关联工单。
4.根据权利要求1所述的面向床垫工厂的aps生产排程仿真验证系统,其特征在于,所述aps排程计算层内置的遗传算法采用多目标混合整数规划模型,其目标函数为:
5.根据权利要求4所述的面向床垫工厂的aps生产排程仿真验证系统,其特征在于,所述遗传算法中定义的数据结构包括:
6.根据权利要求4所述的面向床垫工厂的aps生产排程仿真验证系统,其特征在于,所述遗传算法采用锦标赛选择与精英保留策略相结合的选择算子,锦标赛规模k=3,精英保留比例设置为前10%的个体直接进入下一代,以保证算法收敛性。
7.根据权利要求4所述的面向床垫工厂的aps生产排程仿真验证系统,其特征在于,所述遗传算法的交叉算子采用改进的ipox(improved precedence operation crossover)交叉方法,针对工序顺序编码部分,随机选择两个交叉点,交换父代个体的基因片段,并对子代进行合法性修复,确保工序前后约束关系不被破坏。
8.根据权利要求4所述的面向床垫工厂的aps生产排程仿真验证系统,其特征在于,所述遗传算法的变异算子采用混合变异策略,包括:针对工序顺序编码的交换变异(swapmutation)和针对设备分配编码的重新分配变异(reallocation mutation),变异概率采用自适应调整机制,随进化代数的增加从0.1线性递减至0.01。
9.根据权利要求1所述的面向床垫工厂的aps生产排程仿真验证系统,其特征在于,所述仿真验证与反馈层内置有离散事件仿真引擎,采用事件调度法推进仿真时钟,支持的事件类型包括:工序开始事件、工序结束事件、设备故障事件、物料到达事件、缓存区状态变化事件。
10.根据权利要求1所述的面向床垫工厂的aps生产排程仿真验证系统,其特征在于,所述仿真验证与反馈层与aps排程计算层之间设有闭环反馈通道,当仿真验证报告中的关键绩效指标低于预设阈值时,系统自动触发反馈机制,调整aps排程算法中的惩罚系数或约束松弛变量,并重新启动排程计算。
11.根据权利要求1所述的面向床垫工厂的aps生产排程仿真验证系统,其特征在于,所述弹簧生产线仿真单元中配置有串网缓存区模型,该模型采用有限队列长度fifo结构,当缓存区占用率超过90%时,触发上游设备降速机制。
12.根据权利要求1所述的面向床垫工厂的aps生产排程仿真验证系统,其特征在于,所述围边粘合仿真单元中内置有换型时间矩阵t_setup[m][n],其中m和n表示不同的床垫尺寸规格,矩阵元素t_setup[m][n]表示从规格m切换到规格n所需的工具头更换及参数调整时间,该矩阵通过历史数据机器学习拟合得到。
13.根据权利要求2所述的面向床垫工厂的aps生产排程仿真验证系统,其特征在于,所述物料膨松系数修正模块中维护有膨松系数数据库,该数据库按物料类型、密度、厚度分类存储不同物料的膨松系数k_expand,所述膨松系数定义为,k_expand=v_actual/v_theoretical其中v_actual为实际堆放体积,v_theoretical为理论计算体积。
14.根据权利要求1所述的面向床垫工厂的aps生产排程仿真验证系统,其特征在于,所述模型构建层支持与物理产线的实时数字孪生同步,同步周期可配置为1分钟、5分钟或10分钟,同步内容包括设备状态、在制品位置、缓存区库存水平。
15.根据权利要求1所述的面向床垫工厂的aps生产排程仿真验证系统,其特征在于,所述仿真验证与反馈层支持多方案并行仿真,可同时对多个候选排程方案进行推演,并以可视化图表形式呈现各方案的kpi雷达图对比。
16.一种基于权利要求1至15任一项所述系统的面向床垫工厂的aps生产排程仿真验证方法,其特征在于,包括以下步骤:
17.根据权利要求16所述的面向床垫工厂的aps生产排程仿真验证方法,其特征在于,所述步骤s3中推演仿真的过程具体包括:模拟弹簧自动卷绕、串网、粘胶的时序配合,模拟围边机在换型不同尺寸床垫时的工具头更换耗时,以及模拟成品下线在出货口造成的队列堵塞情况。
18.根据权利要求16所述的面向床垫工厂的aps生产排程仿真验证方法,其特征在于,所述步骤s4中的关键绩效指标(kpi)至少包括:物料齐套率、关键工序的oee设备综合效率、wip在制品库存水平以及紧急插单的响应时间。
19.根据权利要求16所述的面向床垫工厂的aps生产排程仿真验证方法,其特征在于,所述步骤s2中的多目标遗传算法的初始化种群采用混合生成策略:30%的个体通过最早交货期优先(edd)规则生成,30%的个体通过最短加工时间优先(spt)规则生成,30%的个体通过关键设备优先规则生成,剩余10%随机生成。
20.一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如权利要求16至19任一项所述的面向床垫工厂的aps生产排程仿真验证方法中的步骤。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com