基于性能分析的装配站生产状态快速配置方法

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (24): 229-235.

基于性能分析的装配站生产状态快速配置方法

李阳1，金丽莎2，侯宇戡2，张杰2

1.西北工业大学信息中心，西安 710000
2.西北工业大学机电学院，西安 710000

出版日期:2016-12-15 发布日期:2016-12-20

Rapid configuration method of production status for assembly station based on performance analysis

LI Yang1, JIN Lisha2, HOU Yukan2, ZHANG Jie2

1.Information Center, Northwestern Polytechnical University, Xi’an 710000, China
2.School of Mechanical Engineering, Northwestern Polytechnical University, Xi’an 710000, China

Online:2016-12-15 Published:2016-12-20

摘要/Abstract

摘要： 为了支持装配生产作业中市场需求、生产率和资源利用率的协调控制，保证企业的高效、精益生产，提出了一种基于性能分析的装配站生产状态快速配置方法。该方法首先构建支持性能分析的装配站作业网络图，实现在制品资源与可重用资源双重约束下的作业性能分析；然后，考虑闲置时间和成本浪费两类指标，给出装配站最优生产状态评价的多目标函数，并探讨问题求解的解空间特性；采用在制品控制和随机领域两个改进策略，建立生产状态快速配置的粒子群算法。最后，采用某型飞机机翼装配站为实例，验证了方法的有效性。

关键词: 生产状态, 装配站, 性能分析, 粒子群

Abstract: To support coordinating control of market demand, productivity and resource utilization in complex product assembly, a method based on performance analysis is proposed on rapid production status configuration for assembly station. In the method, an assembly operation network is established, which supports operation performance analysis under the constraints of WIP resources and reusable resources. Considering factors of idle time and cost waste in assembly operations, a multi-objective function which is used to evaluate production status is designed, and the characteristics of solution space are discussed. Through WIP control and random strategy, a Particle Swarm Optimization algorithm is utilized in production status configuration solving. In addition, an example of aircraft wing assembly station is analyzed, and the result demonstrates the functionality of the method.

Key words: production status, assembly station, performance analysis, Particle Swarm Optimization（PSO）

李阳1，金丽莎2，侯宇戡2，张杰2. 基于性能分析的装配站生产状态快速配置方法[J]. 计算机工程与应用, 2016, 52(24): 229-235.

LI Yang1, JIN Lisha2, HOU Yukan2, ZHANG Jie2. Rapid configuration method of production status for assembly station based on performance analysis[J]. Computer Engineering and Applications, 2016, 52(24): 229-235.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[3]	李静星，杨有龙. 针对高维数据的马尔科夫毯特征选择[J]. 计算机工程与应用, 2021, 57(6): 58-66.
[4]	朱佳莹，高茂庭. 融合粒子群与改进蚁群算法的AUV路径规划算法[J]. 计算机工程与应用, 2021, 57(6): 267-273.
[5]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[6]	王嘉月，史立. 考虑电池损耗的电动冷藏车路径及充电策略[J]. 计算机工程与应用, 2021, 57(24): 283-289.
[7]	陈万芬，王宇嘉，林炜星. 异构集成代理辅助多目标粒子群优化算法[J]. 计算机工程与应用, 2021, 57(23): 71-80.
[8]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[9]	林炜星，王宇嘉，陈万芬，梁海娜. 基于多因子粒子群的高维数据特征选择算法[J]. 计算机工程与应用, 2021, 57(22): 199-207.
[10]	梁田，曹德欣. 基于莱维飞行的改进简化粒子群算法[J]. 计算机工程与应用, 2021, 57(20): 188-196.
[11]	李雷孝，邓丹，李杰，王永生. 基于粒子群优化的全比较计算数据分发策略[J]. 计算机工程与应用, 2021, 57(15): 109-117.
[12]	于国龙，赵勇，吴恋，崔忠伟. QPSO算法的改进及其在DBN参数优化中应用[J]. 计算机工程与应用, 2021, 57(10): 154-162.
[13]	潘成胜，张斌，吕亚娜，杜秀丽，邱少明. 改进灰狼优化算法的K-Means文本聚类[J]. 计算机工程与应用, 2021, 57(1): 188-193.
[14]	廖玮霖，程杉，尚冬冬，魏昭彬. 多策略融合的粒子群优化算法[J]. 计算机工程与应用, 2021, 57(1): 69-76.
[15]	温廷新，孔祥博. 不平衡样本下的金融市场极端风险预警研究[J]. 计算机工程与应用, 2020, 56(8): 256-260.