基于零件特征的工艺任务分配研究

作者：陆远 孙厚芳 胡莹

欢迎访问e展厅 展厅 3 PDM/PLM/CAPP展厅 图文档管理系统, CAPP... 工艺任务分配是工艺设计活动的重要组成部分，其结果直接影响工艺设计周期。为缩短工艺设计活动周期，实现工艺任务分配的智能化，提出了一种面向零件特征的工艺任务分配方法。任务分配是在PDM系统与CAPP系统集成的环境下.根据对任务分配的影响程度选取特征类型，生成相应的分类矩阵并映射为工艺人员设计能力矩阵。为获取最优的分配方案，对设计能力矩阵采取一种基于淘汰制的改进蚁群算法。结果表明，该算法能较好的收敛到最优解同时大大减少迭代次数。 1、引言 工艺任务分配是工艺设计活动的重要组成部分，分配结果直接影响工艺设计活动的周期。合理的使用CAPP系统进行工艺设计可以提高工艺设计过程的效率，而合理的分配工艺任务则可以使整个设计活动周期的缩短。目前国内CAPP系统对提高工艺设计效率的支持较强，而对于工艺任务分配这一环节支持力度相对较弱，任务分配的智能化尚处于研究阶段，初步提出的方法有面向敏捷工艺设计的任务模型及任务分派算法川，基子遗传算法的分布式系统的任务调度阴，基于蚂蚁算法的网格计算任务调度方法设训祠。本文基于系统集成环境，分析了零件的特征类型，并选出对工艺任务分配影响最大的零件特征类型建立零件分类矩阵并映射为工艺人员设计能力矩阵，并以此为基础给出了一种优化分配算法。 2、任务分配系统结构 任务分配是一个多因素共同作用的过程，最为突出的两个因素是:任务对象因素和任务执行人因素。其中任务对象拍任务分配过程中主要指待分配的零件，在PDM系统与CAPP系统的集成环境下零件疾等息的获取依赖子即绒系统的支持。整体结构如图1所示。 对于结构化数据可由以即服务器直接从中间数据库中读取，而对于非结构化数据(零件图)出于对安全因素的考虑，以即服务器无法直接从PDM系统中获取零件图形这就需要任务管理员根据制定的任务从即M系统获取相应图形，再转移至CAPP服务器。工艺人员仅能获取与任务相关的零件图，所有的工艺没计活动都是并行的。这种任务分配模式既维护了系统的安全性，又保证了工艺设计效率但是增加了工艺管理员的工作量，所以任务的智能分配成为一个关键性问题。 3、工艺任务模型 一项工艺任务主要由三个方面的因素决定:任务实施目标;任务实施人;任务实施时间。所以工艺任务可以表示为如下的三元组 M(1) 式中:p-任务实施目标，通常情况下为一个零件的工艺;U表示任务执行人;T表示任务完成所需时间。由于分工合作可以提高工作效率。在制造企业中往往有多个工艺组并行的执行工艺任务，不同的工艺组负责不同类型的零件，所以同一个零件由不同的工艺人员设计所需时间是不同的即使在同一价工艺组内，根据工艺设训员的设计能力和经验不同所需时间也不一样。因此丁可以表示为由P和U构成的二元函数 T=F(P,U)×T0(2) 式中:T0-设计零件p的标准时间，该参数仅于p有关。函数F(P,U)本质上反映了工艺设计员对某一类零件的1疑日能力，所以要确定函数F(P,U)的值就必须建立工艺人员的设计能力与零俩类别的关系。在零件的诸多特征类型中，以外形特征区分力度最强，其次为功能特征。设外形特征集合G{G1,G2,AGm|mex},其中G表示某一外形特征。Gi又可表示为一组功能特征f的集合G{f1，f2，Afn|nex},从而可以建立由外形特征与功能特祖琐听决定的零件分类矩阵D； 式中:D为mxn的矩阵，Pi表示符合外形特征Gi，且拥有功能特征fk的一族零件。分类矩阵D针对每一个工艺设计人员都可映射出一个设计能力矩阵C; 式中：C-mxn的矩阵;C-对零件族Pi的设计能力值，C的值越小代表该工艺员对该族零件设计所花费的时间越少。对于具体的组工艺任务可欲根据零件分类矩阵和工艺人员设计能力矩阵生成工艺任务分配矩阵。设待分配任务集合U={U1,U2,A,Um}，其中Ui表示一项具体的任务，该项任务指定一个零件。设工艺设计人员集合U={U1,U2,A|mex},其中Ui代表一个工艺员，则Ui对任务集T中每一个任务完成的时间集合可表示为{a1，a2，A an},工艺任务分配矩阵D可表示为 式中：ay-第i位工艺设计员完成第j项任务所需的时问。工艺任务分配可遵循满足时间约束条件下，使得整个工艺设计活动时间最短的原则。工艺任务分配的目标函数F可定为: 即一个零件只能分给一个人设计，且必须分给一个人设计。对目标函数和约束条件分析可以得出，任务的分配问题实际上一种优化问题当叭。数量较小时可以考虑采用穷举法得出最优解，当m，n数量较大时，穷举法耗时过长不宜采用。对于该类问题本文采用启发式智能优化算法以获取最优解。 4、基于淘汰制的蚁群优化算法 受自然界中蚁群的集体行为启发，意大利学者M.Dorigo于1991年提出了一种新型的优化算法--蚁群算法，并用该方法解决了一系列组合优化向题。目前蚁群算法与其它智能算法相融合，形成了一些更为完善的混合算法。由于蚁群算法非常适用于解决TSP（Traveling Salesman Problem，TSP），并且TSP问题与工艺任务分配问题类似故采用蚁群算法解决，其数学模塑表示为: 式中;Ti表示第i位工艺设计员完成第j个任务所需要的时间;传统的蚁群算法中，单个蚂蚁对每一条路径的选择主要决定于各条路径上的信息素和各条路径的启发度(路径越短启发度越高)。在工艺任务分配问题中路径的长度的含义完全不同于TSP问题中的路径长度含义，它的值由公式(8)决定，设工艺任务情况如表1。 P1～p6代表待设计的零件；U0～U2代表工艺设计员;每个单元格内的数据代表某一位工艺设计员完成某一个零件所期望的时间，用UmPn表示其值的大小。其中的一个可行解可表示为： 当蚂蚁爬行至某一个任务节点只时将出现三条岔路：U0,U1,U2这三条岔路对总路径的长度影响并不是线形的迭加，需要根据公式(8，9)计算，故每条岔路的启发度是动态变化的从而路径上的信息素的更新模式宜采用蚁周更新模式，即完成一次循环后，再对已走过的路径上的信息索进行更新蚂蚁选择路径依据以下概率公式: 式中:Ti在第i个任务节点上，路径j上的信息索量在第i个任务节点上，路径j的启发度p在第i个仟务节点上所有可走的路径的集合;蚂蚁完成一次循环，各路径上的信息索量根据以下公式更新： 式中：p-信息素的挥发系数;n-蚂蚁需要n步才能完成一次循环;Q-信息素的释放强度(常数)。算法的整体流程图如图2所示。 事实上任务节点的访间次序不影响总路径的最优解，即任务的执行不分先后。蚂蚁可以按照一定的顺序访向各个任务节点，所以当某一个蚂蚁的当前行程己超出目前最小跻径值时就可以使之退出本次循环，即淘汰出局不参加对整条路径的信息素更新。这样有利于提高算法的整体效率和收敛速度。根据上表的数据计算结果如表2所示。 蚂蚁的爬行路径为: 任务周期为24个工作单位时间。 5、结论 工艺任务的智能化分配是实现智能化CAPP系统的基础，分配结果直接影响了整个工艺设计周期的长短。CAPP系统与PDM系统的集成为实现工艺任务的智能分配提供了良好的环境。面向零件特征的工艺任务分配方法在本质上是让工艺设计人员各尽其能根据零件的外形和功能特征划分工作组，在分配过程中充分考虑人的因素，通过工艺设计能力矩阵来反映工艺设计员对不同类型零件的设计能力，并通过淘汰制蚁群算法优化分配结果。本文提出的分配解决方案已运用于开发智能型CAPP系统-SmartCAPP中。(end)

文章内容仅供参考 (投稿) (如果您是本文作者，请点击此处) (1/19/2008)