面向动态任务的岸桥装配过程车辆调度优化研究

发布时间：2020-04-02 18:56

【摘要】：岸桥是港口码头前沿的关键装卸设备,其总装过程占制造周期的50%以上,对产品交付意义重大。由于岸桥产品结构复杂,总装过程通常需要协调数十个零部件加工车间的物料配送,频繁、多样、动态的运输任务对外场的车辆调度提出了较高的要求。在总装过程中,物料的拖期可能会对装配的齐套性产生影响,而当装配流程较长时,这种影响可能会被放大进而导致整个产品不能按期交付。论文针对动态任务环境下的车辆指派,以及实时路况下的车辆路径规划进行研究,通过车辆调度优化提高岸桥装配物料运输效率,进而保证产品按期交付。论文的主要工作有:(1)为保证车辆能对运输任务进行有效响应,研究动态环境下的车辆指派方法。针对车辆作为运输瓶颈的实际状况,设计以车辆为决策智能体的分布式强化学习算法。基于车辆指派过程的业务逻辑,建立了描述该过程的马尔科夫决策模型,并对状态、动作、奖励等模型特征进行了相应设计。针对车辆指派过程影响因素多,动态任务导致状态环境复杂的情况,在传统的Q-learning算法的基础上,应用基于神经网络的值函数近似方法,以及基于经验回放的收敛机制对算法进行优化。最终,通过面向问题的强化学习算法设计,实现动态任务环境下的车辆指派优化。(2)为保证车辆在外场的高效运输,研究实时路况下的车辆路径优化方法。针对实际环境中运输路线拥挤的情况,基于Plant Simulation对实时路况进行仿真,并提取拥挤度指标对线路进行描述。结合路线拥挤度信息,以最小行驶时间为优化目标,建立了配送车辆路径优化的数学模型,设计改进粒子群算法实现该数学模型的求解,通过仿真不同问题场景对所提算法进行验证分析。最终,结合仿真模型对实时路况的描述,提高了路径优化算法的时效性,实现了车辆路径的实时优化。(3)以某大型海工制造企业的岸桥总装过程为背景,基于Plant Simulation构建仿真系统对上述方法进行仿真验证。结果表明:论文方法在一定程度上改善了原有“就近用车”、“先到先服务”等调度规则导致的资源调度浪费的现状,实现了以智能化思想为主导的调度决策。综上,本文的研究成果能满足实际企业岸桥装配过程车辆调度的需求,对于提升岸桥装配所需物料的运输效率具有重要意义。
【图文】：

岸桥,机械结构

送问题是根据总装物料需求对各个生产制造车间发出物料请求已完工的零件进行配送，在满足车辆装载约束的前提下，将零部区、总装区，实现岸桥产品的精准交付。在配送过程中，各个资性，比如运输任务的动态出现，空车资源不断更新，道路资源状存在拥挤等。首先对岸桥总装的工程特点进行描述，包括总装工艺流程、生产的特点；其次，基于上述问题特点，将岸桥总装的配送问题划分资源的指派以及实时动态路况下的车辆路径规划两个科学子问学子问题进行问题描述，阐述动态性来源及其影响。最后，构建系框架，便于后续章节对具体问题方法的研究。问题特点分析桥总装流程产品的机械结构如图 2-1 所示：

算法收敛性

图 3-6 算法收敛性分析真模型中，控制车间任务到达率的参数代表一个车间单位时间为验证算法在不同任务强度下的性能，在测试中分别设置 =10、，每类场景生成 10 组算例，以模拟低-中-高强度下的车辆指派生成的样本量有限，对于 Q-learning 本文采用五折交叉验证的方样本划分为训练集和测试集，在训练集上训练模型并评估在测试重复该过程 5 次得到平均值。表 3-5 和图 3-7 展示了不同任务强析结果，其中Rule_1-Rule_4分别代表了先到先服务、任务重量从从大到小和运输距离从近到远四种启发式规则。其中的平均值务等待时间的均值，，单位为分钟。表 3-5 不同任务强度下算法性能分析 =10 =15 =20平均值 RPE 平均值 RPE 平均值 R
【学位授予单位】：东华大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U653.921

【相似文献】