本发明专利技术公开了一种基于免疫粒子群算法解决产品装配序列问题的方法,包括零件的命名规则、算法的设定;首先制定各个零件的命名规则,然后通过两个自定义函数实现免疫算法和粒子群优化算法的结合以解决产品装配序列问题。本发明专利技术将人工免疫算法和粒子群优化算法两种算法串行混合起来,建立了一种能够结合两种算法优点、克服各自缺陷的新颖混合算法,可用于解决产品装配序列规划的问题,例如用于解决锂离子电池装配序列规划问题。
【技术实现步骤摘要】
本专利技术属于数字化产品、并行工程、虚拟制造等领域,涉及解决产品的装配序列规 划问题的方法,尤其是解决锂离子电池装配序列规划问题的方法。
技术介绍
机械产品的装配序列直接影响到产品质量和成本,装配序列规划是产品设计的重 要内容。为了解决产品中数量可观同种零件的装配序列规划问题,例如锂离子电池的单体 组合装配问题。 锂电池最早出现在1958年,20世纪70年代进入实用化。最近,锂离子电池开始向 动力电池发展。因为燃油汽车的迅速发展带来了两大问题:日益增加的油耗量、日益减少的 自然资源以及汽车对环境造成的污染已经影响到人类的健康。用其它能源代替石油成了不 可不走的路。锂离子动力电池是当前的主要选择之一。 每部电动汽车需要数百甚至数千的电池单元装配成电池模块再组装成大型车用 电池组。很显然,车用锂离子电池组的装配是比较繁琐复杂的,其装配所用的成本也是可观 的。为了解决该多零件装配问题、提高锂离子动力电池组的装配效率并降低其装配成本,一 个良好的装配序列规划便是一个良好的突破口。 有关研究表明,在产品设计中良好的装配规划,可以减少制造费用20%~40%, 生产率提高 1〇〇%~200% 。装配序列规划(Assemblysequenceplanning,ASP)是DFA 的核心组成部分,在产品设计过程和调度管理活动中起着举足轻重的作用。装配序列规 划是一个具有强约束的组合优化问题,其目标是求解满足各种装配约束条件、并具有最优 代价的可行装配序列。一个可行的装配序列,必须具有几何可行性和机械可行性等。几何 可行性取决于装配体的几何约束关系;机械可行性与特定零件的机械联结有关。装配几何 约束关系是指一个零件的存在,对另一个零件的装配造成的几何干涉。在产品装配过程中, 一旦违反了零件之间的装配几何约束关系,必然会造成装配的干涉,不能完成产品的装配 操作任务 。 机械产品的装配序列直接影响到产品质量和成本,装配序列规划是产品设计的重 要内容。而装配序列规划问题本质上是一个NP(非确定性)难题,很难得到一个满足装配 要求的装配序列。常用的装配序列规划方法是基于图论的割集算法,其最大的弊端是当装 配体中的零件数增加时,序列数呈指数增加,内部计算过程耗时,甚至有可能因出现过多无 用的结果而产生组合爆炸问题,因此这种算法只适用于零件数量较少的装配件。 装配序列规划(Assemblysequenceplanning,ASP)与拆卸序列规划 (Disassemblysequenceplanning,DSP)是计算机辅助装配规划(Computer-aided assemblyplanning,CAAP)与绿色制造中两个对立而统一的核心组成部分,也是工程实际 中典型的具有强约束特点的组合优化问题。为了避免随零部件数增多而引起的序列组合爆 炸的影响,研究人员相继应用遗传算法(Geneticalgorithm,GA),模拟退火算法、粒子群算 法(Particleswarmoptimization,PSO)和蚁群算法等启发式优化算法解决这种NP-hard 问题。 1995年,F.Benneville?首次正式提出将基因算法用于装配序列规划研究。用基 因算法进行序列规划时,每个序列被当作初始群体中的一个染色体,该染色体由二进制表 示的基因编码组成。但装配序列的好坏不是由适应度函数来确定的,而是由类似专家系统 的知识库进行判别。染色体经交叉、变异等一系列的遗传操作,最终得到的优化结果就是一 个最优或次最优的染色体。该染色体对应着优化后的装配序列;S.Chenm仍用二进制编码 表示染色体,扩展了基因操作的种类,并将适应度函数值作为评价染色体的标准;G.Din 采用十进制的编码表示方法,用于较简单的三维装配,并提出了分段基因编码的方法。 近年来,模拟退火、遗传算法、蚁群算法等软计算技术不断地结合到装配序列规划 研究中,并取得了较好的结果。目前,软计算技术已成为解决装配序列规划问题的一类新的 有效技术。模拟退火算法模拟物质材料的冷却和结晶过程,通过退火温度控制搜索过程,但 当问题规模较大时,系统进入热平衡状态(对应最优解)的时间较长;遗传算法吸取了生物 进化和遗传变异的研究成果,是一种全局优化搜索算法,具有鲁棒性强、适应性好的特点, 但存在早熟现象,搜索效率低,不能很好保持个体的多样性等局限;蚁群算法具有正反馈、 "贪婪"启发式等特征,能够快速生成问题的一组可行解,但由于初期信息素匮乏,导致求解 速度缓慢,且容易收敛于局部最优 。 总之,蚁群算法在寻优机制、种群规模、序列初始化及使用范围方面优于其他2种 算法;而遗传算法的鲁棒性和适用范围相对最好;但模拟退火算法的效率最高 。 基于模拟免疫系统抗体和抗原识别、抗体产生过程而抽象出来的免疫算法,充分 反映了免疫系统的这些特点。在免疫算法解决问题时,抗原对应要解决问题的数据输入, 如目标函数、约束等;抗体对应问题的解。与其他软计算方法相比,免疫算法具有以下特征 :①候选个体的多样性,能够产生多样的候选个体解,便于得到问题的全局解;②自我 调节,通过促进或抑制抗体的产生,自我调节必要的抗体生成,有效解决了迭代搜索的局部 收敛问题;③学习记忆,快速处理以前出现过的抗原和抗体,能够保证学习记忆以较高的速 度得到全局解。目前,免疫算法在机器学习、生产调度、结构优化设计等领域问题求解中表 现出了优良的性能和效率。 免疫算法充分体现了免疫系统的多样性、免疫自我调节、免疫记忆及分布式并行 等特点。免疫算法较之于遗传算法具有更强的全局搜索能力及更快的收敛速度,能够有效 克服遗传算法中容易出现的未成熟收敛及搜索时间过长的状况,实现了全局收敛性能和收 敛速度的有效改善 。 根据复杂产品装配规划问题的特点和要求,提出了一种求解装配序列规划 (assemblysequenceplanning,ASP)问题的粒子群优化算法,将通常用于连续空间优化的 粒子群算法成功扩展到ASP领域.算法根据ASP问题决策解的特点,在排序空间定义了微 粒的位置和速度以及相关的各种操作.针对基本粒子群算法容易陷入局部最优的缺点,采 用新的学习机制,增强了算法的寻优能力.基于干涉矩阵、连接矩阵和支撑矩阵建立了以 装配可行性、装配体稳定性和装配方向改变为评价指标的目标函数。 然而,面对ASP问题的特殊性和复杂性,每一种算法都表现出自身的优势和缺陷, 都面临着时间性能和优化性能的双重挑战。不同软计算方法的相互混合,优势互补,是当前 软件计算应用的一个新趋势。 针对装配序列规划问题的特点,文献4将蚁群算法和遗传算法混合起来,建立一 种能够结合两种算法优点、克服各自缺陷的装配序列规划混合算法。在该混合算法中,将 蚁群算法生成的可行序列作为启发式信息注入遗传算法中,引导GA搜索,使GA快速收敛; 将遗传算法优化后的解转换成蚂蚁路径上的信息素分布,加速蚂蚁寻优路径上信息素的积 累,提高蚂蚁的搜索效率。通过两种算法的交叉调用,以期实现优化性能和时间性能的双 赢。实验结果表明,混合算法在求解装配序列规划问题方面具有更好的性能 。主要参考文献 1.M0LL0YE,YANGH,BROWNEJ.Feature-basedmodelingindesi本文档来自技高网...
【技术保护点】
一种基于免疫粒子群算法解决产品装配序列问题的方法,其特征在于:包括零件的命名规则、算法的设定;首先制定各个零件的命名规则,然后通过两个自定义函数实现免疫算法和粒子群优化算法的结合以解决产品装配序列问题。
【技术特征摘要】
【专利技术属性】
技术研发人员:刘海江,张含叶,李玲玉,
申请(专利权)人:同济大学,
类型:发明
国别省市:上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。