组合机床 外文翻译

可重构制造系统的可扩展性规划

王文才*，科伦约拉姆

美国密歇根大学安娜堡分校

关键词：

可扩展性

制造系统

设计

生产线平衡

制造业的配置设计

摘要：

可扩展性是可重构制造系统的一个重要特性，这使得系统的生产能力快速且经济高效地调整，以适应突然变化的市场需求。本文介绍了可重构制造系统的可伸缩性能规划算法，通过重构现有系统来逐步调节的系统能力。开发一种基于遗传算法的优化算法求解重构现有系统的最经济的途径。通过添加或删除机床匹配新的生产能力需求同时为每个配置平衡系统，最终完善系统的重构。最后通过一个基于CNC的汽车汽缸盖加工系统案例研究验证了该可扩展性规划方法。

1介绍：

如今制造商由于高度不稳定的市场将面临比以往更多的挑战，在产品需求中创建大的波动。为了保持竞争力，企业必须设计制造系统，这不仅以降低成本来生产高质量产品，也是一个应对市场经济变化的方法。

可重构制造系统(RMS)已经提出科伦理论。作为满足不断变化的产品需求的一个解决方案。这是被其他研究人员承认和支持的。从RMS的观点来设计制造系统的这样一种方式，它可以迅速高效地重新配置确切的能力，需要匹配一个新的市场需求。能力制造系统吞吐量来适应变化的需求被称为可伸缩性。

可伸缩性是一个重要的系统设计特点在市场上受到不稳定的需求，

其具有成本效益的解决方案需要工程和业务知识。美国国家科学基金会工程研究中心的研究人员从上个世纪90年代末开始处理可重构制造系统（ERC/ RMS）的可扩展性以及颁发的专利与策略交易，以改变可重构生产能力制造系统（RMS）。他们开发了第一个解决容量的可扩展性的算法，但这种早期的算法仅限于升级的串行线路的容量。一个更全面的方法被提出，对其中的可扩展性进行了分析，作为在设计大型复杂的加工系统的关键问题之一。容量可扩展性可以通过缩放单件设备的容量实现，但最实用的方法是从现有的生产系统中添加或删除设备，并在此情况下，原系统的布局设计是实现经济高效的可扩展性的关键。

对能力的可扩展性分析的动态模型在可重构制造系统的介绍。这种动态模型与最小化缩放延迟相关联的系统的容量，用来改善响应于突然的需求变化的均方根性能。在当前的文章中，我们处理优化原有系统布局，使得添加/需要的市场需求时，取出机将快速，经济有效地完成。同时与添加/删除机，还物料搬运系统必须适应以服务于新的系统布局。下面是其中几个AGV形成物料输送系统案例。尽管AGVs促进转移新机器的一部分它们是昂贵的和缓慢的，因此是不视为具有成本效益的解决方案。另外还有一些RMS设计用于同时生产几种产品案例。这样的系统容量设计问题是比较复杂的，它是超出了本文的范围。

随着机技术在过去十年的进步，生产中到高容量，大尺寸机械零件，如汽车动力总成零部件，已经转型。与专用机台专用的传输线路被替换为柔性数控机床组成的系统。如该图所示1，该系统架构在每个阶段由多个平行的数控机床，所有的机器进行完全一样的加工任务。平行同型机在每一个阶段，阶段（也称为交叉）之间的材料转移这样的配置提高吞吐量，降低工作过程中的存货，并且是最容易进行重新配置。

图1，可重构制造系统的布局示意图

每个生产系统在设计时考虑到具体的容量，以满足一个需求预测。但是，例如，如果每年产品的销售预测是230，000之间和30万台，市场通常决定了一个容量为30万台的建设。因此，当真正的需求是比全计划的能力显著降低时，即使一个系统进行优化设计，容量可能会浪费。当考虑一个制造系统的整个生命周期中，系统在满负荷运转的周期通常很短。但是，如果在产能过剩（在本例中为70，000个单位）的投资可以延迟，直到它被实际需要，系统寿命成本可以显著降低。一个可扩展性的系统的设计，也就是说，该制造系统的设计中的方式能够迅速改变容量来满足一个较大或较小的需求，正是需要的时候。

本文介绍了一种实用的设计为可扩展性的方法，包括可重构和/或数控机床的可重构制造系统。可扩展性的规划方法，提出以确定最经济的方式来重新配置现有的系统来匹配新的市场需求。它通过同时改变系

统配置和重新平衡制度。本文的提醒的结构如下：第2节定义了系统的可扩展性和描述的逐步扩展系统容量的概念。第三节提供了一个数学公式，以通过同时重新配置和重新平衡系统的机器的总数最小化。第4节提出了一种遗传算法启发式算法解决优化问题。第5节介绍的是与行业做了个案研究验证了该方法。结论概述在第6节。

2。可扩展性系统的定义

为了适应制造系统中产品需求波动的吞吐量，系统能力必须快速调整和成本效益。制造系统的容量可扩展性是用于快速调整在分立的步骤的产能，从而使系统的吞吐量可以从一个屈服到另一个，以满足变化的市场需求调整的必要特征。

专用线没有可扩展的容量，不能应付产品需求大的波动。这一挑战只能通过柔性或可重构制造系统，它是由数控机床和可重构机床得来的，因为这些系统具有可扩展性在通过添加或删除单个机器的需要时完成的小的增量来满足。注意，阶段的数目经常在可扩展性的过程保持不变。

我们以百分率定义了系统的可扩展性，如：

系统的可扩展性=100-在百分比最小容量增量

如果最小容量增量由系统输出可以调整，以满足新的市场需求小，那么该系统具有极强的扩展性。例如，如果一个串行线（图2a）需要增加，以满足市场需求较大的生产能力，整个新线路必须加入。这另外的步长加倍了系统的生产能力。在数学上，加入生产能力在串行线的最小增量是100％的系统，即，增加了一个全新的线，使得一个串行线的可扩展性为0％。增加一倍的线路容量（当产能翻番是不是真的需要）将是昂贵的，因为没有保证额外容量将永远得到充分利用，从而冒着一个重大的经济损失。因此，零伸缩性意味着，为了增加系统容量，整条生产线必须被重复。当市场价格波动很大，具有零的可扩展性设计制造系统没有一个良好的工程解决方案。

类似的可扩展性计算中的其它系统图.2显示：配置b有50％的可扩

展性和配置c的67％。配置d和e具有84％的可扩展性;最高可能为6 - 机配置。只有六分之一的系统（16％）的一个最小增量 - 在这些情况下，一个机器可以被加入以增加系统容量，例如，一台机器可以被添加到第二阶段配置d，如图所示2d。

在此示例中，配置在图2所示。两阶段系统，每个阶段3的机器2c 中，可能是合理的可扩展性和投资成本之间的折衷。在这种情况下，如果产品需要将上表面和侧表面加工，三台机器中的第一阶段可能是3轴立式铣床，第二阶段可能是3轴水平铣床。相反，在并联系统中，在图2e上所有的6机必须是5轴铣削机器，这样系统将更加昂贵。在该系统中图2c，容量可扩展性必须以步长为33.3％，执行通过添加一个垂直机器和一个水平的机器，而不是在步骤16.6％与平行配置。添加16.6％的工序图. 2e实际上意味着增加一个5轴机使用包含每一个需要整个零件加工工具的大型刀库 - 昂贵的加法。

总的来说，在一般情况下，最小的可扩展性调整步骤可以在原有系统的，纯粹是并行（例如，图2e）来完成的。然而，一个并行系统的初始成本是最高的所有系统配置。在并行配置中，每台机器必须执行所有已完成零件所需的制造任务。因此，每个设备必须具有整套生产所需的整体的一部分的工具，应该能够执行更多的功能，为此，需要更多的运动轴。其结果是，每额外体积增量资本成本加到并联配置是最高的所有配置。

图2，五个可扩展配置[1]。

下面的例子阐明了增加一个小增量容量的方法。

例子．在一个由六个机，如图3，我们必须处理，需要21加工任务的一部分每30秒，共630秒，或10.5分钟，需要机器各部分。所需要的需求是每8个小时转移274件，即480分钟。因此，所需要的循环时间为二百七十四分之四百八十○=1.75分钟/一部分。

a：设计一个可扩展的系统配置。

b:一年后，需求的增长，并且需要320分之转变，减少每个零件的循环时间为1.5分钟/一部分。多少台机器应该补充，什么是新的配置？

具有成本效益的可扩展的系统配置示于图2d，其详细示于图3a。在这里，每一台机器做的每30秒七项任务，合计每股机210秒。当需求增长到320件/天，需要七机。只有配置d通过添加新机第二阶段产生，如图3b成本效益的解决方案。在第一阶段所执行的最后一个任务是从第一阶段转向第二阶段，所以每台机器在第1阶段为运行180秒的部分，并在第3阶段进行，第一个任务是从第3阶段转向第二阶段。第二阶段增加了两个任务，所以每台机器在第2阶段现在的270正上各部分运作，系统循环时间变成每部分90秒。

最初的资本投资在系统配置图3是比串行线高一点，因为物料搬运系统是更复杂的，而且我们预定的点在第2阶段，为了需要，添加第七机器的选项。然而，额外的资本投资是类似于为未来可能发生的事件买保险，。如果需求不上升，该系统可以很容易地按比例增加和新的需求可以在短时间内供给，在最低限度的额外投资。如果该系统的寿命期间的需求是不变，更复杂的材料处理系统上的一个小的资本投资丢失了。

图 3当需求增加时，初始系统，一个是经济有效地按比例增加配置B，以满足新的需求。

在这个例子中，任务所需要完成的21个部分和系统三个阶段和两台机器每阶段都是平衡和完全可伸缩的。类似完美的可扩展性结果通过增加再循环机器的获得，配置中有L个阶段和M机器每阶段，如果完成该部分所需的同等任务数目是（LM+ R）L。注意，在上面的例子中r = 1，和任务时间(30岁)不影响解决方案。

上面的例子目的是为了用于演示可扩展性的概念的一个理想情况。为了在实践中实现这个理念，许多制约因素需要考虑，如任务的优先级，任务时间和阶段特性不平等。这些问题将在下面的章节中讨论。3.可伸缩性计划的制定问题

我们提出以下实用方法，以确定满足市场需求且最具有成本效益的系统重构。执行系统可伸缩性计划，许多因素需要考虑。这些包括一个详细的流程计划，设置计划，机器功能并在每个阶段对原系统预留给机器加点的数量，如果需要的话。当重新配置现有的制造系统，同时重新配置和规划系统再平衡的尝试，需要最大化系统容量，因此，减少需要被添加机的数量。在本节中介绍了可扩展性规划优化模型。

3.1。假设

以下假设是基于当前制造业动力系统行业的实践。

— 一个多级系统具有类似于图3所示的结构，一部分从一个阶段移 动到另一个通过输送机和发送到不同的机器上在一个阶段使用耽搁了— 任何重新配置过程中阶段的数量必须保持不变。

— 这是为了保持系统设置的计划不变，以避免过程计划重大调整，从而最大限度地减少系统重新配置对产品质量的影响。

— 所有在同一台机器中执行任务的顺序完全相同。

— 在阶段添加新机器和材料处理程序可以被扩展以提供部分到新加入的机器。

3.2。输入

可扩展性规划需要以下五种类型的输入：

?配置信息

阶段= L的数目;机在每个阶段数=镍， 其中，i=1，2，。 。 ，，L，每个阶段允许机器的最大数目MI，I=1，2，。 。 。，L。?阶段性特征

每个生产阶段的能力，是由一组定义的阶段性特征。这些包括机床的特征，如功能、权力、精度和加工范围，以及夹具的脸可访问性等特性，它定义了访问的刀具。当一组任务分配给一个阶段，必要的功能必须掉入组阶段的特性。假设的数量每一阶段的特点是K，能力矩阵S 商店所有可能的每一个阶段的特征。

年代(i，j)= d:d jth关键特征的阶段我，1≤我≤l，1≤J≤k

?生产任务

—任务优先级:生产任务必须按特定的顺序执行。每个任务只能在所有子任务已经完成后进行。一个两维二进制矩阵预[1····N，1... N]，其中N是要被处理的任务数，用于表示优先级树。

- 任务特性：这些包括执行该任务所需的任务类型，访问方向，尺寸，精度和功率。 一个任务分配给一个阶段，其特点必须包括在该阶段的特征集。每个任务的假设的数量特征是R，任务特征矩阵K是用来存储每个任务的特点。

K(i，j)= f:f 是任务i关键特征。当1≤i≤N和1≤j≤R。

?机床可靠性信息

机器的可靠性可通过两个参数来表示：MTBF（平均故障间隔时间）和MTTR（平均修复时间）。

?需求

系统必须重新配置所以它的新产能将满足Dnew的需求

3.3。决策变量

需要确定两个决策变量:(1)机器分配数组，M[i]，这决定了有多少机器被添加到系统，将它们添加到哪，(2)任务分配数组，T[i]，描述了新机器应重新分配的任务的添加或从系统中删除。

M [I]=被添加机第一阶段的数值，1≤i≤L，M由[i]>0用于增加机器，和M[I]<0，从系统中删除设备。

T [I]= S，S是一个阶段指标，而i是被分配的任务，1≤S≤L

3.4。优化模型

可扩展性规划的目标是最小化需要满足新的市场需求的机器数量。这可以通过等式来表示。（1）：

受以下限制：

（1）优先约束：

Pre[i， j]T[i]≤T[j]，?i=1， 2， . . . ， N，

?j=1， 2， . . . ， N，（2)对于i和j两个任务，如果i必须在j前面

执行，他将分配给j一个相同的或者前一个阶段的任务。

(2)特征约束:

式。（3），也就是说，如果一个任务，i被分配到S阶段，其所有特征都必须被包含在该组第一阶段的特征。

（3）空间的限制：

从每个阶段增加，或删除机器的数量不得超过最大限制。

M[i]≤M max[i]，?i=1， 2， . . . ， L

（4）吞吐量的限制：

添加新机器后，系统吞吐量必须等于或大于新的市场需求。

4. 基于遗传算法的最优解的方法

遗传算法（GA）是一个结构化的启发式的搜索使用机制，模仿好的解决方案“优胜劣汰”。混合整数复杂功能和在可行的空间组合爆炸问题，如可伸缩性计划问题，可以通过遗传算法有效地解决[28]。

在遗传算法 ，人口的解决方案是随机启动。这些都是代表一个字符串格式和评估提供一定的健身(性能)。这个初始种群，然后通过应用遗传算子及其成员传播到后代。若干代后，该算法收敛到接近解决问题最优的方法

4.1字符串的表示

对于给定的任务优先级分类，例如在图4A[30]，施加一个遗传算法的第一个步骤是通过一个字符串的格式表示一种可能的解决问题的方法，即编码（例如图4B）。可伸缩性计划是由一个整数编码的字符串，由两个部分组成，分别对应于任务分配方案和系统配置。

图4描述的字符串表示的是为制造做的任务分配设计。每个字符串的长度等于需要被分配给该制造系统的制造任务的数量。每个数字的字符串包含两种信息:位置，基因和价值，等位基因。表示任务位置的顺序号，和表示阶段指数值，决定任务将被分配到哪个阶段。在本例中，9个任务需要完成一个部分在一个系统四个阶段。在这个例子中，在一个系统中有四个阶段需要9任务来完成的一部分。它们必须在图4所示的

序列中被执行。九位数的整数字符串用来呈现九个方面工作。例如，第一个数字表示任务1和第二个数字表示任务2，依此类推。

确保所有的约束条件都满足时分配任务阶段，一个任务 - 阶段索引表，或T2S如图4所示，首先由关键任务特性相比关键的阶段特征来构建。阶段数然后可在T2S表根据任务数（基因）和阶段索引号（等位基因）中找到。例如，任务6的字符串中的值为2，表示其将被分配到阶段T2S[2，6]这是OP3中的制造系统。表T2S也决定了每个等位基因的人工智能的价值范围是可用的阶段，这个任务可以分配给i。在图4的例子中，基因的范围1 A1 = 1;基因2 A2 = 3的范围;基因9 A9 = 2的范围等等。

图 4.任务分配的字符串表示形式。

在这个译码处理中，使用下列逻辑，以确保优先约束不受侵犯。

s(j)是任务的阶段数j分配的;k是任务j的等位基因值;T2S(j，k)阶段数量与等位基因k和j任务相对应;Pre(i，j)= 1表明任务i是j的子任务;l 是最小的整数数字，使T2S(j，k + l)≥(i)，?i满足pre(i，j)=1.

一个整数字符串代表一个系统配置，图5与图4的构造方式是类似的。假定的最大的5机将被添加到原始的四阶段系统，以提高系统的吞

吐量作为新的市场需求。串的数字的数目等于要添加的机器的最大数目。一个数字代表的价值阶段数量将被添加到机器。每个数字的值从0至最大的数目。“0”表示这款机器是没有必要的。当加入到1阶段的机器的数目超过由材料搬运机允许的最大数目，它被设置为等于机器的最大数目。例如如图5所示，字符串的第一个位的值是0，表示本机是没有必要的，第二个数字的值是“1”，是指一台机器将被添加到阶段1;第五位的值是“4“，是指一台机器将被添加到舞台4。