[發明專利]一種汽車動力電池的裝配過程的優化調度方法

有效

• 申請號: 202010634062.3
• 申請日: 2020-07-02
• 公開（公告）號: CN111650914B
• 公開（公告）日: 2023-03-28
• 發明（設計）人: 胡蓉;劉夢園;錢斌
• 申請（專利權）人: 昆明理工大學
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 昆明明潤知識產權代理事務所(普通合伙) 53215
• 代理人: 馬海紅

1.一種汽車動力電池的裝配過程的優化調度方法，其特征在于：包括如下步驟：

步驟一：確定汽車動力電池裝配過程的調度模型和優化目標；

步驟二：使用一種增強粒子群優化算法的優化調度方法對優化目標進行優化；

其中步驟一所述的調度模型根據產品實際生產裝配過程中不同工序所需的工作時間、工序之間存在的約束關系和工位的節拍約束關系來建立，同時以最小化工位數量為優化目標：

其中，I表示工序集合，I＝{1,2,...i},i∈I；J表示工位集合，J＝{1,2,...,j},j∈J；f₁表示最小化工位數的函數；Z_j表示工位是否被開啟的0-1變量，當工位j被開啟時，Z_j＝1，否則為Z_j＝0；每個工序都要被分配，且只能分配到工位的一側，X_ij和Y_ij分別表示工序i是否分配在工位j的入口線和出口線上，X_ij,Y_ij∈(0,1)；工序分別在工位的入口線和出口線上需要滿足優先約束關系，w表示優先約束關系集合；表示工序/是工序/的直接前序，即工序/只能在工序/完成后開始；/和/表示工序/的直接前序工序/是否分配在工位j的入口線和出口線上，/和/分別表示工序/的直接后續工序/是否分配在工位j的入口線和出口線上，/t_i表示工序i的操作時間；CT為節拍時間，定義為一個生產周期內每個工位規定的總操作時間，實際的總操作時間不能大于工位的節拍時間；

所述的基于增強粒子群優化算法的優化調度方法的具體步驟如下：

Step1、編碼與解碼方式：粒子群可表示如下：x_i＝{x_i1,x_i2,…,x_id}為粒子i在D維空間中的當前位置，這里的D維空間指代問題的規模，而每個粒子代表問題的一個解，粒子的位置初始化為一組介于[0,1]區間的隨機數，每個隨機數都對應一個工序的標號，在每次解碼都挑選出所有符合條件的工序，即滿足約束矩陣該行全為0，然后比較它們對應隨機數的大小，最大者即為當前需要安排的工序；

Step2、種群初始化：設定一個粒子規模為M的粒子群，每個粒子對應的當前位置，x_i＝{x_i1,x_i2,…,x_id}和當前速度v_i＝{v_i1,v_i2,…,v_id}都初始化為一組介于[0,1]區間的隨機數，評價適應值后挑選整個粒子群中的最優位置粒子：p_g＝{p_g1,p_g2,…,p_gd}，然后初始化每個粒子迄今搜索的最優位置p_i＝{p_i1,p_i2,…,p_id}都為當前粒子的初始位置；

Step3、更新最優粒子：每一代種群根據粒子位置評價適應值，對每個粒子比較其適應值和群體最優粒子p_gd，以及當前粒子迄今搜索過的最佳位置p_id的適應值，如果更好則更新p_gd和p_id；

Step4、更新粒子速度v_i和位置x_i：按照以下式子更新粒子速度：

其中i＝1,2,…,m，d＝1,2,…,D，是迭代次數，w為慣性權重，w的大小影響了粒子全局搜索能力和局部搜索能力的平衡，c1和c2為學習因子，為正常數，分別調節向p_id和p_gd方向飛行的步長，學習因子使粒子具有向自我總結和群體中優秀個體學習的能力；和/分別表示粒子i在D維空間中的當前速度與更新后的速度；r1，r2是介于[0,1]區間的隨機數；粒子更新后的位置等于當前位置與當前速度之和：/和/分別表示粒子i在D維空間中的當前位置與更新后的位置；

Step5、基于粒子距離大小關系排序進行的局部搜索：種群迭代一定次數之后未發生最優解更新，則執行“Interchange”領域搜索操作對最優粒子進行局部搜索，具體方法為：首先對最優粒子位置進行從大到小的排序，其對應的標號也按此排序交換位置，組成一個序列，然后對該序列執行“Interchange”操作，形成一個新的序列，最后按照該序列表示的大小關系重新賦予表示粒子位置的隨機數；

Step6、終止條件：設定終止條件為最大迭代次數100，如果滿足則輸出“最優個體”否則重復step3，step4和step5直至滿足終止條件。

2.根據權利要求1所述的汽車動力電池的裝配過程的優化調度方法，其特征在于：設置種群規模M＝50，c1和c2都取2。