一种基于神经网络和遗传算法的飞机装配线资源配置优化方法与流程

1.本发明属于飞机装配线资源优化领域，具体设计一种基于神经网络和遗传算法的飞机装配线资源配置优化方法。


背景技术：

2.一般制造行业的装配环节资源成本占比普遍低于20％，而飞机装配线运行过程资源占比约为65％，属于资源依赖型生产模式。因此，资源配置方案需要随着生产目标与现场实际约束的变动而进行相应的调整。同时，飞机装配线中最佳的资源配置方案，不仅要平衡各站位的工作负荷，还要提升整条装配线的生产性能，因此资源配置优化问题属于装配线平衡问题的子问题。由于装配线平衡问题是一个典型的np-hard问题，意味着该类问题不可能通过迭代所有的可能解来解决。
3.对于资源配置优化问题，可以借用启发式的智能算法，在资源配置优化问题的解空间中，依据实际的生产需求和约束进行自动地寻优求解。在寻优过程中，需要一个资源配置方案的评估模型进行目标函数的计算。离散事件仿真技术由于其能够针对装配线中所有生产要素进行建模分析，同时考虑其中的不确定性因素，因此被广泛应用于复杂系统的评估分析。然而，仿真模型构建与参数修改过程存在操作繁琐、时间漫长、易出错等问题，特别当装配系统比较复杂时。
4.在此背景下，有必要使用离散事件仿真获取神经网络的训练样本，由此训练完成的神经网络能够以近似仿真的精度对资源配置方案进行评估，再将神经网络与启发式的智能算法相结合来解决飞机装配线中资源配置优化问题。


技术实现要素：

5.针对现有飞机装配线资源优化问题解决方法中存在的模型构建与参数修改过程操作繁琐、仿真技术无法实现自主寻优等问题，本发明提出一种基于神经网络和遗传算法的飞机装配线资源配置优化方法，将资源配置方案、生产目标、资源约束信息输入本方法，通过快速非支配排序遗传算法在整体解空间内自主寻优，结合神经网络进行种群目标函数的计算，经过迭代优化输出最优的资源配置方案。其中，神经网络是通过装配线仿真来获取其训练数据的，由此训练完成的神经网络不仅拥有近似仿真的评估精度，同时还有较快的响应速度。本发明方法能够保证飞机装配线满足实际的生产需求与约束的前提下，对资源配置方案进行多目标优化。
6.本发明的技术方案为：
7.所述一种基于神经网络和遗传算法的飞机装配线资源配置优化方法，包括以下步骤：
8.步骤1：选取关键资源的配置数量作为设计变量，同时确定优化目标
9.步骤1.1：选取设计变量：选取飞机装配线中n种关键资源作为配置优化的对象，该
n种资源在m个装配工作站位的分配数量作为设计变量，因此本方法中资源配置方案(rl)可以表示为(rl＝{w
i,j
|i＝1,2,
…
,m,j＝1,2,
…
,n}),其中w
i,j
表示第j种资源在第i站位的分配数量；
10.步骤1.2：确定优化目标：以最小化飞机装配线生产节拍(ct)、站位间平衡延迟率(bd)和资源总数(y)作为资源配置优化的目标；
11.步骤1.3：建立多目标优化数学模型：以最小化上述三个优化目标为目标函数，将预设的生产节拍需求(ct
pre
)和资源最大可用总数(y
up
)作为约束条件，优化数学模型为：
[0012][0013]
其中，x为设计变量，f1,f2,f3为目标函数，x
min
和x
max
为设计变量的上、下限；
[0014]
步骤2：获取训练样本：
[0015]
步骤2.1：在设计变量的上、下限之间，生成若干组资源配置方案；例如可以采取随机设计的方法，在设计变量的上、下限之间，随机生成若干组资源配置方案；
[0016]
步骤2.2：利用离散事件仿真技术建立飞机装配线的仿真模型，将步骤2.1生成的资源配置方案输入仿真模型，通过仿真运行获取每一种资源配置方案下飞机装配线的生产节拍和站位间平衡延迟率作为样本标签；
[0017]
步骤2.3：步骤2.1生成的若干组资源配置方案与步骤2.2获得的对应样本标签组成了样本库，按照一定的比例将样本库中的样本分为训练集和测试集；
[0018]
样本库中的每个样本都包含了资源配置方案和两个标签数据，可以表示为：
[0019]
sample＝{w
1,1
,w
1,2
,...,w
1,n
,...,w
m,1
,w
m,2
,...,w
m,n
|ct,bd}
ꢀꢀꢀ
(2)
[0020]
步骤3：构建神经网络并利用训练集训练神经网络：
[0021]
将设计变量x作为神经网络输入层。为了提高ct与bd的预测准确度，这里优选设计使用两个输入节点相同的神经网络分别输出ct与bd。由此，所构建的两个神经网络都拥有一个输入层包含m
×
n个神经元，一个输出层包含一个神经元。而中间隐藏层和其中各层神经元的个数通过实验来确定，具体实验方法为设计多种结构的神经网络模型，它们分别具有不同的隐藏层数和神经元个数，分别测试它们在同一组测试集上的预测准确度，依据实验结果选取预测准确度最高的神经网络。这里优选采用bp神经网络。
[0022]
神经网络中，所有神经元使用relu函数作为激活函数，具体表达式为：
[0023]
f(x)＝max(0,w
τ
x b)
ꢀꢀꢀ
(3)
[0024]
其中，w表示权重矩阵，b表示偏差矩阵。
[0025]
并且使用均方误差函数作为评估神经网络预测准确度的损失函数，具体表达式为：
[0026][0027]
其中，target
t
表示期待的输出值，即样本标签值；output
t
表示神经网络实际的预测输出值，k表示样本总数。
[0028]
步骤4：利用快速非支配排序遗传算法优化求解
[0029]
步骤4.1：确定初始种群的规模大小(n)，基于设计变量的上、下限随机地产生初始种群，种群中每一个个体代表一种资源配置方案；
[0030]
步骤4.2：利用两个神经网络以及资源总数计算公式来计算种群中所有个体的三个目标函数值，基于目标函数的计算结果对每一个个体进行快速非支配排序以及拥挤度的计算。由此在当前种群中每一个个体都拥有两个属性值：分支配排序等级和拥挤度。
[0031]
步骤4.3：采用快速非支配排序遗传算法依据两个属性值对种群所有个体进行两两比较，当两个个体属于不同的非支配排序等级，则将排序等级更低的个体视为更优；当两个个体属于相同的非支配排序等级，再比较拥挤度，将拥挤度值更大的个体视为更优。由此种群中所有个体全部进行了优劣性排序，然后对当前种群进行交叉、变异操作，例如可以采用仿二进制交叉算子以及多项式变异算子对当前种群进行交叉、变异操作，由此获得种群大小相同的子代种群。再将父子代种群组合执行精英保留策略。然后将种群代数加一，再转向步骤4.2重复上述步骤进行迭代优化，直至种群代数达到预先设定的最大代数(genmax)，输出此时的种群作为一组帕累托最优的资源配置方案集。
[0032]
步骤5：根据实际生产需求与约束，输入约束条件ct
pre
和y
up
，通过如下步骤在帕累托最优的资源配置方案集中筛选最优的资源配置方案：
[0033]
步骤5.1：淘汰生产节拍不达标的资源配置方案(ct＞ct
pre
)；
[0034]
步骤5.2：淘汰资源总数超过最大限制的资源配置方案(y＞y
up
)；
[0035]
步骤5.3：如果当前资源配置方案集中还有多个剩余的方案，可以直接输出，由具体操作人员选择，当然，也可以优选其中bd值最小的方案作为最优资源配置方案输出；如果当前资源配置方案集中无剩余方案，则输出当前生产需求与约束条件下没有可行的资源配置方案。
[0036]
接下来我们可以利用离散事件仿真技术验证资源配置方案：
[0037]
根据上述优化过程可获取一个效果最优的资源配置方案，对该方案下的生产节拍和平衡延迟率进行仿真求解分析，如果仿真分析输出的生产节拍并不能满足预设的节拍需求，说明该资源配置方案不具备可行性，且说明目前神经网络模型存在过拟合，仅在测试集上表现为良好的准确度，需要重新进行神经网络的构建和遗传算法优化求解。
[0038]
有益效果
[0039]
本发明与现有技术相比，具有如下的有益效果：
[0040]
本发明提供一种基于神经网络和遗传算法的飞机装配线资源配置优化方法，通过仿真技术、神经网络、遗传算法的结合，使得本方法可快速有效地对飞机装配线关键资源的配置方案进行多目标优化求解，能够在保证装配线满足生产需求和约束条件的前提下，有效提高装配线的平衡性，有利于优化提升飞机装配线整体性能。
[0041]
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0042]
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0043]
图1是本发明的步骤流程图；
[0044]
图2是本发明实施例的作业逻辑关系图；
[0045]
图3是本发明实施例的具体实施流程图；
[0046]
图4是本发明实施例中设计变量的上限图。
[0047]
图5是本发明实施例中设计变量的下限图。
[0048]
图6是本发明实施例中设计的预测生产节拍的神经网络不同超参数配置图。
[0049]
图7是本发明实施例中预测生产节拍的神经网络在不同超参数配置下预测精度的对比图。
[0050]
图8是本发明实施例中设计的预测平衡延迟率的神经网络不同超参数配置图。
[0051]
图9是本发明实施例中预测平衡延迟率的神经网络在不同超参数配置下预测精度的对比图。
[0052]
图10是本发明实施例中预测生产节拍的神经网络的预测值与标签值的对比图。
[0053]
图11是本发明实施例中预测平衡延迟率的神经网络的预测值与标签值的对比图。
具体实施方式
[0054]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
[0055]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0056]
在本发明的优选实施例中，选取某型飞机总装配线作为实例对象，在该装配线中包含95项作业按照如图2所示的逻辑关系图，分布于5个离散的站位。本发明在实施例的具体应用时，按照如图3所示的详细流程图进行。
[0057]
步骤1：在该飞机装配线中选取10种关键资源作为设计变量，其中包括工装设备资源以及具有特殊专业技能的作业人员资源，分别为自动制孔机器人、激光跟踪仪、电动可调千斤顶、检查压力设备、氧气气密增压设备、液压专业作业人员、燃油专业作业人员、电子专业作业人员、钣金专业作业人员、以及军械专业作业人员，故在本发明的优选实施例中，资源配置方案被表示为：rl＝{w
1,1
,w
1,2
,
…
,w
1,10
,w
2,1
,w
2,2
,
…
,w
5,10
}。依据生产现场的实际情况统计设计变量的上、下限，本发明实施例中设计变量上限如图4所示，下限如图5所示。
[0058]
步骤2：在设计变量的上、下限之间随机地生成了11000组资源配置方案，再随机地选取其中1000组作为测试集，剩下的10000组作为训练集。
[0059]
步骤3：为两个神经网络分别设计了12种网络结构，并通过超参数的不断调试，得到各种网络结构下的预测精度。其中预测生产节拍的神经网络参数配置如图6所示，实验结果如图7所示；预测平衡延迟率的神经网络的相关参数配置如图8所示，实验结果如图9所示。由实验结果可确定两个神经网络的层次结构，其中，预测生产节拍的神经网络采用5层网络结构，神经元数量分配为50/64/32/16/1；预测平衡延迟率的神经网络采用6层网络结
构，神经元数量分配为50/32/16/8/4/1。在训练集中选取了15组样本进行了两个神经网络预测效果的展示，如图10和图11所示，证明实施例中所构建的神经网络能够以近似离散事件仿真的精度来预测生产节拍和平衡延迟率。
[0060]
步骤4：在本实施例中，通过调试实验发现将快速非支配排序遗传算法的初始种群规模设置为300，最大迭代代数设置为2000，能够在资源配置优化问题的解空间内充分搜索帕累托最优解集。
[0061]
步骤5：依据生产现场需求与最大可用人员总数限制，本实施例将ct
pre
设置为18，y
up
设置为320。
[0062]
经过上述方法求解，可得到一个效果最优的资源配置方案，可以表示为：
[0063][0064]
将该方案带入离散事件仿真模型进行验证，验证结果显示在该方案下，飞机装配线可以满足预先设定的生产需求和人员总数限制，同时拥有较优的平衡延迟率，故该资源配置方案可作为该飞机装配线可行的优化方案。
[0065]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。