汽车零部件企业生产线优化与设备布局--翻译.doc
《汽车零部件企业生产线优化与设备布局--翻译.doc》由会员分享，可在线阅读，更多相关《汽车零部件企业生产线优化与设备布局--翻译.doc（13页珍藏版）》请在冰点文库上搜索。
重庆理工大学
文献综述
二级学院重庆汽车学院
班级108040801
学生姓名陈力炜学号1080408010
译文要求
1、译文内容必须与课题（或专业）内容相关，并需注明详细出处。
2、外文翻译译文不少于2000字；外文参考资料阅读量至少3篇（相当于10万外文字符以上）。
3、译文原文（或复印件）应附在译文后备查。
译文评阅
导师评语（应根据学校“译文要求”，对学生外文翻译的准确性、翻译数量以及译文的文字表述情况等作具体的评价）
指导教师：
年月日
重庆理工大学毕业论文文献翻译
模块化生产线的优化
DiomidisD.SpinellisChrissoleonT.Papadopoulos
信息和通信系统部工商管理系
GR-83200KarlovasiGR-82100Chios
希腊爱琴大学希腊爱琴大学
摘要：
串行生产线的设计问题，涉及分配的资源，例如作为服务器的数量，他们的服务价格和给定缓冲区生产特定的约束，相关的成本和收入预测。
我们描述了探索的设计：
模块化，面向对象的，生产线的优化软件架构。
可以实例化一个抽象的优化模块，使用多种，如模拟退火和遗传算法的随机优化方法。
而其搜索方向引导成本分析仪相结合的吞吐量评估与商业模式的输出，其搜索空间受到限制的约束检查。
吞吐量计算器可以使用马氏，广义排队网络方法，分解，或扩充方法的算法实例。
关键词：
制造系统;生产线;随机建模，分析，绩效评估，优化
0引言
串行生产线，形成了许多制造系统的核心。
他们的优化设计是受到特定的限制，相关的成本，和收入预测。
许多在这一领域的研究涉及这些制造系统的设计时，有相当固有的变异性，在各站的处理时间，常见的情况与人类操作员/装配。
串行生产线的设计问题，涉及到的服务器，他们的服务价格，并在每个服务器的缓冲区的数目，如资源的分配。
这些问题，分别被称为，服务器分配，分配的工作量，缓冲区分配的问题。
上述问题是一个非线性随机问题。
其中一个特点，这使得它非常具有挑战性的解决，是存在线吞吐量估计没有已知的封闭形式表达。
这一特点使得它很难控制设计变量的函数作为目标函数的变化。
为对这些随机建模和其他类型的制造系统，有关工程的系统分类（例如，传输线，柔性制造系统（FMS），柔性装配系统（FAS））。
难的问题导致我们对不同的方法，确定生产线的优化设计的部署。
这些方法涉及行吞吐量的最佳线路设计变量的估计和计算。
在本文中，我们描述设探的设计：
模块化，面向对象的，生产线优化软件架构。
到现在为止，我们已经用于解决在生产线的缓冲区分配问题，以及100多个系列站系统并调查了60站系列生产线中的分配缓冲区，服务器，服务价格。
本文的其余部分安排如下：
第2节中，我们目前的生产线的数学模型，第3节中，我们描述了探讨架构，在第4节中，我们提出探索原型实现和一些初步的结果，而第5结论与我们的未来计划的说明文件。
1生产线模型
我们使用的生产线决策模型基础上的优化配置，其组成部分的资源即：
服务器，他们的服务价格，并在每个服务器的缓冲区的数目。
在生产能力和成本上的服务器和服务价格的影响是显而易见的：
数量增加的服务器或服务率可以很容易地与一个给定的成本和行吞吐量将增加一项具体措施。
生产线缓冲区分配的吞吐量和成本方面的影响则更加微妙。
在生产或流线的缓冲区的主要目的是给系统的每个阶段，一些从系统的其余部分的独立程度。
如果缓冲区不存在完美的同步，然后将两个相连的工作中心可以操作的唯一途径;一个乌托邦式的情况，如果有两个工作中心至少有两种情况之间没有缓冲区会发生：
第一站“堵”或“饥饿”的第二站。
发生阻塞的第一站，第一站时，处理完其股票发行之前完成第二站的材料，它正在和缓冲区的第二站是全。
饥饿发生的第二站时完成其工作，但有没有零件在其缓冲区的第一个工作中心是因为忙或有没有工作。
在这两种情况下，系统的吞吐量低于预期。
其他情况导致容量损失是行工作中心的崩溃。
如果有任何的缓冲区，系统的所有站必须关闭，因为饥饿或阻塞。
如果有其余站站之间的缓冲区，可以保持一段时间的经营。
在分配缓冲区的缓冲区的数目是不是只依赖后，生产线的工艺参数，而且还取决于行内站的位置。
缓冲区的另一个特点是，缓冲区是一些数量后停止有效。
超过临界量的增加在该行的整体输出的缓冲区是与缓冲区相关的成本覆盖。
虽然缓冲区是任何具有有限能力的生产线的重要组成部分，也有与缓冲区相关的成本。
缓冲区的重要成本之一是流动时间的影响。
流的时间是系统的过程中，通过移动一块从入门到最后阶段完成所需的时间。
客户积累到系统中所花费的时间比例的间接费用。
在高流量时增加的结果，处理时间比，从而减少输出。
成本的另一个方面是由于占用空间成本。
较大数量的缓冲区意味着等待，否则可能被用于加工设备或材料处理设备的运动更快占领更多的空间。
处理过程中的库存银行流入和流出的单位，也增加了成本。
从这个描述可以看出，确定各站的缓冲区的数量，以创建与缓冲区相关的成本和效益之间的完美平衡，是一项艰巨的任务。
根据以上所述，我们可以计算出两行的经营目标的措施的资源设置上：
平均吞吐量和平均工作在稳定状态下的生产线，即平均单位总数的进展。
考虑到每个项目的平均收入，及其相关的可变生产成本和持有成本和部署上面我们所描述的资源，我们的成本可以得到一个客观的衡量行的经济表现。
因此，根据调查的生产线，可以使用以下基本目标函数建模：
这里：
K是行内的个别站的数量，
X是该行的平均吞吐量，
R是每个项目的平均收入，
V是平均可变生产成本，
h每个项目的平均持股成本，
L是平均在制品，
是提供一个缓冲空间单元的成本，
是分配的缓冲区容量，缓冲区的位置，
是在位置服务器的成本，
是每个工作站的服务器的数量，
是成本获取给定的服务率在工作站的位置。
优化
约束检查
完全枚举
搜索参数
遗传算法
模拟退火
生产模式
吞吐量评估
成本分析
分解法
膨胀法
其他
商业模式
搜索参数
搜索参数
搜索参数
其他
使用
使用
使用
访问
访问
访问
图1探索建筑模型。
2探索建筑
探索架构用于定制，灵活，高效的生产线优化决策支持系统建设。
该系统的模块化设计，利用不同的评价功能和优化方法，以及生产线的限制和商业模式的参数表达。
这种灵活性是必要的，使该系统的用户可以选择适当的算法，为解决手头的问题。
不同的模块之间权衡的指导，关心其相对的效率，准确性和适用性。
作为一个例子，它有可能获得一个确切的缓冲区配置小生产线，采用全面调查和分解法。
另一方面，为了获得一个大型的生产线缓冲区和服务器的数量分配人会选择模拟退火优化方法，因为所有配置完全枚举采取望而却步长的时间才能完成，作为评价函数的扩展方法，因为我们利用在我国目前实施的分解方法不处理并行服务器。
探索架构生动地描绘，作为一个UML类图，1。
架构的驱动程序是一个抽象的优化模块。
这可以使用各种优化方法，如模拟退火，遗传算法实例，甚至详尽（或减少）的搜索空间的枚举。
优化搜索空间受限的约束检查的输出，在声明域特定的语言表达了生产模式为基础作为“甲骨文”，确定允许的线路配置。
优化搜索方向引导成本分析相结合的吞吐量评估与输出变量的经营模式，以确定一个给定的线路配置的客观好处。
商业模式指定一个给定的行吞吐量以及业务相关的成本与所使用的资源，获得该级别的吞吐量的商业利益。
使用马氏，广义排队网络方法，分解，或扩充方法的算法可以被实例化的抽象的吞吐量评估。
3原型实现
为了测试的探索架构的可行性，我们已实施了一些具体模块的优化和吞吐量的评估。
基于这些模块，我们能够获得可接受的执行时间限制内为小型和大型生产线生产线的最佳配置。
在下面的段落中，我们勾勒，我们已实施的模块。
3.1完全枚举优化器
完全枚举优化，确定最佳的线路配置，详尽列举所有可能的配置。
它是可行的，仅适用于小型生产线，服务器和缓冲空间。
但是，它是有用的，交叉检查等优化方法的结果。
所有的缓冲区（和服务器）的组合，可以有条不紊地列举考虑生产线的每一个可用的缓冲区内的位置向量表示。
如果我们用载体
然后，我们可以很容易地映射到p下的q
公式：
列如
如果我们再定义一个递归函数
初始的缓冲区的缓冲区配置
我们可以依次通过每一个未来可能的配置设置推进
从本质上讲，地图位置向量到一个新的，另一条线路配置。
递增缓冲区资源的位置到达时，在该行的最后的地方，然后递归应用设置为指向的缓冲区中的位置。
他的递归应用的结果，然后调整设定值从到新的价值。
完整的枚举终止当所有的缓冲区达到线的位置作为一个例子，在3个缓冲区和2个站组成的行，将采取以下值：
上述过程也可以用来获取各种不同的服务器组合。
枚举所有缓冲区和服务器组合一个完整的服务器枚举每一行的缓冲区配置。
3.2减少枚举优化工具
完全枚举优化的一个变种使用跳过无生存能力的缓冲区分配配置，减少枚举过程。
减少枚举的基础上，各自的最优分配缓冲区的元素载体与缓冲槽的绝对差值小于或等于1的实验观察：
一旦OBA即给定值的总缓冲槽，必须在生产线的中间缓冲区分配数量已确定，值的OBA可以发现邻近缓冲区的位置，以前的最优分配缓冲区分配额外的缓冲槽。
在这种方式中，我们已经能够获得通过归纳为任何缓冲槽，要减少其工作原理如下行缓冲区的位置之间的分配数量的OBA：
此时，并给出一个需要OBA的载体和然后确定搜索仅值，此外，减少启动后，总的缓冲槽的数量。
减少是巨大的：
它采用改进的枚举实验已指出，迭代次数减少至少60％的短线。
本次减持占超过90％的大型生产线（超过12站）。
3.3模拟退火优化工具
模拟退火（SA）的优化，确定附近使用SA[11,12]随机算法的优化配置。
它的搜索参数可能需要专家解决问题的具体调整。
模拟退火是一个适应的模拟物理热力学退火由Metropolis等人描述的原则。
[13]的组合优化问题[14，11]。
遗传算法[15，16]和禁忌搜索技术[17]，它遵循“局部改善”利用解空间的指数复杂的范例。
该算法的基础上随机技术。
概述基础上suchtechniques的算法可以在调查中发现，Gupta等[18]。
一个完整的演示文稿的方法及其应用[12]范Laarhoven和Aarts和访问算法及其实施由Corana等。
[19]及新闻等。
[20]。
由于为运筹学SA的工具是由Eglese提出[21]，而Koulamas等人。
[22]提供了一个完整的SA应用运筹学问题的调查。
在我们的实现[8]，我们发现，该算法可以处理大型配置中，在有限的执行时间。
3.4遗传算法的优化器
遗传算法（GA）优化确定附近使用遗传算法的最优配置。
遗传算法[15，16，23，24]是全球性的优化技术，避免了许多上很难搜索空间展出本地搜索技术的缺点，作为缓冲区的分配问题等。
遗传算法应用概述戈德堡[25]，他们使用的建模，设计，过程控制，提出了由卡尔[24]，同时优化模拟系统所使用的方法可以在工作中发现，由汤普金斯和Azadivar[26]。
Gas依赖建模作为生物体人口问题。
每一个有机体代表一个可能有效的解决问题的办法。
组成生物体基因代表一个给定的解决方案的一部分。
标准基因重组运营商正在使用中创造出新生物体
现有的相结合，对现有的生物体的基因。
此外，突变可以随意改变现有的有机体的组成。
通常情况下，该算法计算人口的所有生物体，并创建新的有机体，结合现有的根据自己的健身。
此过程重复进行，直到人口的方差达到预定的最低值。
对GA优化也可以处理大型配置中，在有限的执行时间。
我们发现[27]优化器通常执行速度比模拟退火优化，生产不过少的最优配置。
3.5精确评估
确切的评估[28]在与传统的马尔可夫状态模型结合使用一个确切的数值算法。
它提供行吞吐量的确切措施，在望而却步大的执行时间为代价。
我们的实现只处理变量的缓冲区分配线。
评估主要是有用的小线用的缓冲区的数量有限，或核实其他评估的运作。
3.6分解法评估
分解方法评估吞吐量评估的基础上分解方法[29，30]。
与准确的评估相比，它提供了一个行吞吐量的高效率和相对准确的逼近。
我们的实现不能处理并行服务器和可变服务率。
3.7扩展方法评估
扩展方法是一个强大和有效的近似技术开发由Kerbache和Smith[31]。
这种方法的特点是反复试验和节点bynode的组合和分解解决方案的程序。
在我们的分解方法评估，theexpansion方法评估可以处理独断专行的拓扑与并行服务器和可变服务率。
其评价的效率，但差比分解方法评估。
3.8应用场景
基于以上的模块，我们取得了一些不同的缓冲区，服务器和服务率分配问题，为大型和小型生产线附近的最优线配置。
作为一个典型的例子，在图2中的行吞吐量分配计算与缓冲区使用
吞吐量：
9站
行吞吐量
缓冲区空间
图2：
使用OBA的计算机模拟退火S（SA，Deco）线的计算吞吐量较完整枚举使用的确切S（CE，Exact）和分解小号评估方法S（CE，Deco）。
模拟退火算法进行了比较完整的枚举1-12缓冲区为9站线配置使用的准确和评价方法分解。
此外，图3说明了缓冲（Q）的分配，分配服务器（S）计算接近最优的生产线配置所需的时间，和服务率分配（W），以及这些资源的组合，通过使用扩展方法的吞吐量评估结合站，缓冲区和服务器组成的生产线的模拟退火优化。
我们还使用算法动画技术结合的探索[32]在时域的不同优化算法的搜索空间可视化。
一个有趣的例子，这些结果可以看出，图4中，其中一个操作的模拟退火优化的图形表示出现旁边的遗传算法优化的等价表示。
每个点上的两个散点图代表在给定的行吞吐量值算法的一个具体步骤。
这两个图表显示计算放置在平衡线15个车站30个缓冲区。
模拟退火算法优化的单一解决方案中在80.000迭代的具体例子。
为更好和更坏的解决方案是在每个迭代步随机选择的解决方案的吞吐量值振荡。
图表上可以看到，振荡宽度减小算法的指数冷却进度和对最优值的收敛。
对比模拟退火算法，遗传算法是基于隐式并行代表的人口由最初的解决方案。
因此，在具体的例子，它终止与250代后的优化配置。
如图表所示，开始搜索与范围广泛的不同的解决方案进行评估，并在非最佳的解决方案逐渐成为灭绝的同时发展。
突变和重组再生最理想的解决方案，但由于概率的有机体的选择策略，他们的生存不会持续很长时间。
时间（s）
站号
图3：
使用模拟退火优化和扩展方法评估不同的优化配置计算措施的执行时间。
模拟退火遗传算法
行吞吐量
行吞吐量
尝试世代
图4：
随机操作方法比较
4结论
探索建立了从下往上为试验生产线的优化算法和方法的工作台。
目前，它提供了一套丰富的算法，评估生产线配置。
架构的模块化和插件兼容性优化和吞吐量的评估模块实例，让我们集中我们的工作因此，我们的新的工作的一部分，需要复查和调整使用作为算法的评估工具，探索各自的方法。
此外，模块化的探索，促使我们研究进一步优化，并列入候选人的评价算法。
客观地比较各种算法的相对优点和不足。
配售的方法，到现在同一屋檐下的隔离研究，在某些情况下提供令人惊讶的精度和效率方面类似的生产线配置不同的结果。
目前我们正在微调探索基于遗传算法的优化。
最后，我们研究的进一步方向，涉及出版和探索模块端口规格，提供一个友好的用户界面，以便创建一个公开可用的版本作为一个标准的生产线优化算法工作台。
10
升级会员 