1.本发明属于智能工厂生产计划技术领域，具体涉及一种基于群体免疫-遗传算法的混流产线智能排产方法。
背景技术：2.为了让实现流水车间的高效生产，运用智能优化算法来进行流水车间生产计划的排程方法也越来越受关注。
3.对于流水车间生产计划排程问题的优化研究，一种方法是通过建立简单的数学模型，运用线性规划的方法来进行求解，但这种方法无法求解较为复杂的车间问题，还有一种方法是运用智能优化算法对特定目标进行求解，因为产线是多变的，生产加工的理论数据和目前产线的实际生产能力是不同的，往往导致生产排程不能很好的符合现实情况；主要原因是优化目标较为固定，应该根据生产情况对生产目标进行灵活的选择。
技术实现要素：4.针对现有技术中存在不足，本发明提供了一种基于群体免疫-遗传算法的混流产线智能排产方法。
5.本发明是通过以下技术手段实现上述技术目的的。
6.一种基于群体免疫-遗传算法的混流产线智能排产方法，具体为：
7.采集生产订单交货完成量、生产订单交货日期和配件库存信息，评判多目标模型的优先级，确定群体免疫-遗传算法中的被感染种群及优化主目标；
8.采集一个周期内不同产品各工位的生产加工时间数据，并判断是否需要更新基础数据集；
9.将更新完成后的基础数据集及优化主目标输入到群体免疫-遗传算法中进行寻优计算，计算出符合实际生产情况的最优解，并输出生产计划。
10.进一步的技术方案，所述评判多目标模型的优先级，确定群体免疫-遗传算法中的被感染种群及优化主目标，具体为：
11.所述产线目前生产情况为产品交货期紧急，则种群一为感染种群，优先迭代种群一，种群二、三为未感染种群；
12.所述产线目前生产情况为配件供应不足，则种群二为感染种群，优先迭代种群二，种群一、三为未感染种群；
13.所述产线目前生产情况为生产情况正常，则种群一、二康复或者均未被感染，优先迭代种群三；
14.所述产线目前生产情况为产品交货期紧急且配件供应不足，则根据两个种群的优先级进行感染，种群一为感染种群，优先迭代直到康复，种群二为易感种群，在种群一康复后被感染，优先迭代直到康复；
15.所述种群一对应考虑换装时间的总加工时间，种群一的优化主目标是考虑换装时
间的总加工时间最小化；
16.所述种群二对应库存零件满足度，种群二的优化主目标是库存零件满足度最小化；
17.所述种群三对应产线正常生产，种群三的优化主目标是考虑换装时间的总加工时间最小化、库存零件满足度最小化且产品切换次数最小化。
18.更进一步的技术方案，所述产品交货期紧急满足：
[0019][0020]
其中：sumnumm为本批订单各类型产品总量，endnumm为本批订单各类型产品完成量，cycproduction为本批订单各类型产品生产周期产量，surcycle为本批订单剩余生产周期数，a是干扰系数。
[0021]
更进一步的技术方案，所述配件供应不足满足：
[0022][0023]
其中：neednumm表示各类型产品的配件需求量，allnumm表示存储区内配件余量。
[0024]
更进一步的技术方案，所述生产情况正常时，生产计划按照多目标问题进行求解。
[0025]
更进一步的技术方案，所述考虑换装时间的总加工时间目标函数为：
[0026]
f1＝mine
[0027]
约束条件为：
[0028][0029][0030][0031][0032][0033][0034][0035][0036][0037]
[0038][0039]
约束一表示在k位置，只有一种产品类型m；
[0040]
约束二表示本次生产所有产品类型投入数量和计划数量一样；
[0041]
约束三表示第k个位置产品的第s-1个工位必须在第s个工位之后加工；
[0042]
约束四表示k位置产品的第s个工位必须在k-1位置产品的第s个工位后加工；
[0043]
约束五表示第一个位置第一个工位加工结束时间；
[0044]
约束六表示投产位置为1的产品加工结束时间；
[0045]
约束七表示所有投产产品第一个工位的加工结束时间；
[0046]
约束八表示在投产位置不为1的产品工位不为1时的加工结束时间；
[0047]
约束九表示一个判断换装类型是否一样的0-1决策变量；
[0048]
约束十表示第一个产品不计算准备时间；
[0049]
约束十一表示目标函数e与各作业在最后一个工位加工结束时间的约束；
[0050]
其中：x
k,m
为一个0-1决策变量，用于判断k位置是否为产品类型m；k表示投产位置的总数；为加工开始时间；表示投产位置为k的产品在工位s上的加工时间；s表示工位总数；表示k位置产品在工位s上的换装时间；θ
(k-1)l,kl
为一个0-1决策变量，判断k位置的产品和k-1位置的产品换装类型是否一样；为加工结束时间；l表示周期总数。
[0051]
进一步的技术方案，所述更新基础数据集的过程为：
[0052]
利用t检验判断一个周期内不同产品各工位的生产加工时间，是否发生了显著变化，如果发生显著变化则标记对应工位并记录，使用一个周期内采集的数据替换基础数据集中对应工位的数据。
[0053]
进一步的技术方案，所述群体免疫-遗传算法中进行寻优计算的过程为：
[0054]
参数设定，并初始化种群；
[0055]
根据采集的生产数据，更新产线状态变量，确定三个种群的感染状态，根据种群感染状态确定本次生产周期内的迭代主种群；
[0056]
计算父代种群的适应度，选取当前适应度值最高的粒子作为产线最小周期内的全局最优解；
[0057]
更新各种群中粒子，并采用精英保留策略保留粒子；
[0058]
如粒子存在病死，从其他种群中随机选取一个粒子替换掉病死粒子；
[0059]
满足终止条件时，则输出最小生产周期内的全局最优解并生成生产计划。
[0060]
更进一步的技术方案，所述初始化种群时，采用基于工件的编码方式构成种群粒子，并通过tent映射公式生成三个his
×
n的数组作为迭代初始种群，同时将排产基础数据集作为计算目标适应度值的计算初始数据，且产线生产周期数加一。
[0061]
进一步的技术方案，所述生产订单交货完成量、生产订单交货日期和配件库存信息由mes系统采集获取。
[0062]
进一步的技术方案，所述一个周期内不同产品各工位的生产加工时间由rfid扫码
枪采集获取。
[0063]
本发明的有益效果为：本发明使用了冠状病毒群体免疫优化算法中多粒子迭代功能，可以根据产线当前需求自适应改变排产目标，同时还可以采集统计基础排产数据，实现排产基础数据的自更新，让生产计划更贴合实际生产能力。
附图说明
[0064]
图1为本发明所述产线数据采集模块结构示意图；
[0065]
图2为本发明所述产线状态数据决策流程图。
具体实施方式
[0066]
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
[0067]
一、建立流水车间目标模型
[0068]
首先需要找到影响产线的生产目标并建立目标模型，后续用来对目标进行决策求解，目前影响产线的生产目标主要为：考虑换装时间的总加工时间f1、库存零件满足度f2以及产品切换次数f3。
[0069]
1、建立考虑换装时间的总加工时间模型
[0070]
因为产线在切换不同分装类型的产品时，要花费相当多的时间去调整产线的夹具等生产条件，所以本模型将产线夹具换装时间考虑到总加工时间内，来对产线最小化生产时间进行求解。
[0071]
假设某条混合装配线需生产m种类型的产品，产品在生产投产中的位置用k表示，s表示产品在混合装配线上的工位；其中m＝1,2,
…
,m，m表示产品类型的总数；k＝1,2,
…
,k，k表示投产位置的总数；s＝1,2,
…
,s，s表示工位总数。
[0072]
在周期l内投产位置为k的产品类型m用y
kl
表示，表示投产位置为k的产品在工位s上的加工时间，表示产品类型为m的产品分解到工位s的作业时间，因此投产位置k的产品在工位s上的加工时间为其中x
k,m
为一个0-1决策变量，用于判断k位置是否为产品类型m。
[0073]
表示k位置产品在工位s上的换装时间，θ
(k-1)l,kl
为一个0-1决策变量，判断k位置的产品和k-1位置的产品换装类型是否一样，假设第一个位置产品在每个工位的换装时间都为0，不考虑在加工时间内。
[0074]
投产位置为1的产品在工位1上的加工开始时间为加工结束时间为
[0075]
投产位置为1的产品在其他工位的加工开始时间为投产位置为1的产品在其他工位的加工开始时间为加工结束时间i表示中间量。
[0076]
投产位置不为1的产品在工位1时，加工开始的时间加工结束时间加工结束时间加工结束时间其中k＝2,3,
…
,k；s＝1。
[0077]
投产位置不为1的产品在工位不为1时，需要判断下一个工位是否为空闲状态，故加工开始时间加工结束时间束时间其中k＝2,3,
…
,k；s＝2,3,
…
,s。
[0078]
考虑换装时间的总加工时间目标函数为：
[0079]
f1＝min e
[0080]
相应的约束条件为：
[0081][0082][0083][0084][0085][0086][0087][0088][0089][0090]
[0091][0092]
其中：
[0093]
约束一表示在k位置，只有一种产品类型m；
[0094]
约束二表示本次生产所有产品类型投入数量和计划数量一样；
[0095]
约束三表示第k个位置产品的第s-1个工位必须在第s个工位之后加工；
[0096]
约束四表示k位置产品的第s个工位必须在k-1位置产品的第s个工位后加工；
[0097]
约束五表示第一个位置第一个工位加工结束时间；
[0098]
约束六表示投产位置为1的产品加工结束时间；
[0099]
约束七表示所有投产产品第一个工位的加工结束时间；
[0100]
约束八表示在投产位置不为1的产品工位不为1时的加工结束时间；
[0101]
约束九表示一个判断换装类型是否一样的0-1决策变量；
[0102]
约束十表示第一个产品不计算准备时间；
[0103]
约束十一表示目标函数e与各作业在最后一个工位加工结束时间的约束；
[0104]
l表示周期总数。
[0105]
2、库存零件满足度模型
[0106]
在产线装配时，优先加工存储区内零件充足的产品类型能够有效缓解库存压力，为调配不充足的零件留出调配时间。
[0107]
库存零件满足度目标函数为：
[0108][0109]
相应的约束条件为：
[0110][0111][0112][0113][0114][0115]
约束一表示在k位置，只有一种产品类型m；
[0116]
约束二表示每种类型产品的投产数量和计划数量一致；
[0117]
约束三表示y为配件不充足类型的数量；
[0118]
约束四表示判断m类型产品配件是否充足的0-1决策变量；
[0119]
约束五表示判断位置k的产品类型是否为m的0-1决策变量。
[0120]
式中符号：
[0121]
ym：0-1决策变量，判断m类型产品配件是否充足；
[0122]
y：配件不充足类型产品的数量；
[0123]dm
：m类型产品的投产数量。
[0124]
3、产品切换次数目标模型
[0125]
在实际生产过程中，连续装配相同类型的产品会让装配时间更少，装配效率更稳定，在满足其他条件的情况下尽量将相同类型产品放在一起装配。
[0126]
因此要保证每日切换次数最小化目标函数为：
[0127][0128]
相应的约束条件为：
[0129][0130][0131][0132][0133]
约束一表示在k位置，只有一种产品类型m；
[0134]
约束二表示每种类型产品的投产数量和计划数量一致；
[0135]
约束三为0-1决策变量，判断k位置的产品类型和k+1位置的产品类型是否一样；
[0136]
约束四为0-1决策变量，判断在k位置的产品是否为m类型。
[0137]
式中符号：
[0138]
0-1决策变量，判断生产周期l内的k位置产品类型和k+1位置产品类型是否一样。
[0139]
二、产线数据的采集及决策
[0140]
为了让目标函数求解结果更加符合实际生产能力，建立产线数据采集模块，同时根据产线数据采集模块采集的信息对目标模型的选择进行决策。
[0141]
1、采集模块组成
[0142]
产线数据采集模块主要由mes系统、rfid扫码枪、plc和计算机组成。mes系统可以采集到生产订单交货完成度、生产订单交货日期以及配件库存信息，rfid扫码枪可以采集一个周期内不同产品各工位的生产加工时间，plc充当控制器实现读写和接收io设备的数据。如图1所示，rfid扫码枪作为io设备挂接到总线上，plc作为io控制器实现对io设备数据的读写和接收，采集到的数据发送到上位机中处理，mes系统里的数据则通过以太网通信直接发送到上位机中。采集模块中各设备的ip地址要保证在同一网段内，子网掩码要相同才
可以保证通讯成功。
[0143]
2、产线状态数据决策主目标
[0144]
产线数据采集模块采集到的用于决策的生产数据包括：
①
配件库存信息：各类型产品的配件需求量neednumm以及存储区内配件余量allnumm；
②
本批订单剩余生产周期数surcycle；
③
本批订单各类型产品总量sumnumm、完成量endnumm、生产周期产量cycproduction以及生产订单交货日期；上述数据由mes系统采集获取。根据采集到的生产数据评判产线目前生产情况，由此决策三个目标模型的优先级：
[0145]
如果则判断产线任务无法在交货期内完成，设置考虑换装时间的总加工时间最小化目标为目前生产计划的第一优先目标；其中干扰系数0《a≤1；
[0146]
如果则判断存储区配件无法满足要求，则优先安排存储区配件满足的产品优先加工，此时库存零件满足度作为第一优先目标；
[0147]
如果前两种情况同时出现，则优先保证产品的总加工时间最短，之后在交货期满足后的生产周期内再按照库存零件满足度进行安排，如果产线无异常状态，则生产计划按照正常多目标(同时包含f1、f2、f3)问题进行求解，决策流程如图2所示；多目标问题求解通过pareto择优策略进行择优判断。
[0148]
3、排产基础数据集自更新
[0149]
排产的基础数据集为m个a
×
b的矩阵b的矩阵矩阵内元素x
abm
表示第m类型产品中第a(a＝1,2,
…
,a)组产品的各工位加工时长数据中的第b(1,2,
…
,b)个工位加工所需加工时间；
[0150]
通过所述rfid扫码枪采集一个周期内不同产品各工位的生产加工时间，运用单一样本t检验来判断一个周期内产线某个工位的加工时间是否发生了显著变化，即计算的值与显著水平c之间的关系，如果t大于显著水平c，则表示没有显著变化，如果发生显著变化则标记对应工位并记录，使用一个周期内采集的数据替换基础数据集中对应工位的数据，式中d为一个周期内采集的数据集的均值与目标检验值的差，s＇为基础数据集的方差，n为一个周期内采集的数据集的样本数量。
[0151]
三、流水车间的多目标模型动态求解
[0152]
步骤(1)：收集各个工作站加工信息，分析产线工位；
[0153]
步骤(2)：根据产线生产规则建立生产计划多目标模型；
[0154]
步骤(3)：通过所述数据采集模块采集到的生产订单交货完成量、生产订单交货日期、配件库存信息以及一个周期内不同产品各工位的生产加工时间，并通过网络上传到计
算机数据库中；
[0155]
步骤(4)：根据步骤(3)采集的生产订单交货完成量、生产订单交货日期和配件库存信息评判多目标模型的优先级，确定群体免疫-遗传算法中的被感染种群及优化主目标；
[0156]
设定：考虑换装时间的总加工时间种群，对应种群一，种群一的优化主目标是考虑换装时间的总加工时间最小化；库存零件满足度种群，对应种群二，种群二的优化主目标是库存零件满足度最小化；产线正常生产种群，对应种群三，种群三的优化主目标是考虑换装时间的总加工时间最小化、库存零件满足度最小化且产品切换次数最小化；
[0157]
通过数据采集模块采集生产数据，对产线目前生产情况进行判别：所述产线目前生产情况为产品交货期较为紧急，则种群一为感染种群，优先迭代种群一，种群二、三为未感染种群；所述产线目前生产情况为配件供应不足，则种群二为感染种群，优先迭代种群二，种群一、三为未感染种群；所述产线目前生产情况为生产情况正常，则代表种群一、二都康复或者都未被感染，优先迭代种群三；所述产线目前生产情况为产品交货期较为紧急且配件供应不足，则根据两个种群的优先级进行感染，种群一为感染种群，优先迭代直到康复，种群二为易感种群，在种群一康复后被感染，优先迭代直到康复；
[0158]
步骤(5)：根据步骤(3)采集的一个周期内不同产品各工位的生产加工时间数据，并利用单一样本t检验来判断一个周期内产线某个工位的加工时间是否发生了显著变化，是否需要更新所述基础数据集；
[0159]
步骤(6)：把步骤(5)更新完成后的基础数据集以及步骤(4)决策出的优化主目标输入到所述群体免疫-遗传算法中进行寻优计算，计算出符合实际生产情况的最优解，并输出生产计划；
[0160]
所述群体免疫-遗传算法进行寻优计算，具体步骤为：
[0161]
步骤1)：参数设定，包括：初始种群大小his，产线状态变量linestate，种群感染状态变量popstate，最大迭代次数maxitr，产线最大生产周期数maxcyclenum，生产周期数cyclenum，最小生产周期cycle，感染代数age，最大感染代数maxage，交叉概率crossrate，变异概率invrate；迭代目标适应度值：总加工时间f1、库存零件满足度f2、产品切换次数f3，
[0162]
步骤2)：初始化种群，采用基于工件的编码方式构成种群粒子，并通过tent映射公式：
[0163][0164]
生成三个his
×
n的数组作为迭代初始种群：
[0165]
同时将排产基础数据集作为计算目标适应度值的计算初始数据，同时产线生产周期数加一；
[0166]
其中：表示第g(g＝1,2,3)个种群中的第e(e＝1,2,
…
,his)个粒子的第z(i＝
1,2,
…
,n)个元素，g表示种群数，e表示粒子数，z表示元素数，n表示粒子中元素的最大个数，rand表示随机数。
[0167]
步骤3)：获取所述数据采集模块采集的生产数据，更新产线状态变量(包括产品交货期是否紧急、配件供应是否充足)，确定三个种群的感染状态，根据种群感染状态确定所述本次生产周期内的迭代主种群(迭代主种群的目标即优化主目标)；
[0168]
步骤4)：计算父代种群的适应度，选取当前适应度值(即目标函数值)最高的粒子作为产线最小周期内的全局最优解；
[0169]
步骤5)：通过粒子之间的社会距离公式更新各种群中粒子，粒子保留机制采用精英保留策略，即计算出子代适应度值比父代更优，则用子代粒子替换掉父代粒子，同时更新粒子的感染代数，如果本轮父代粒子没有被替换且适应度值低于平均值则感染代数加一；
[0170]
步骤6)：判断种群中各粒子的感染代数是否超过最大感染代数，如果超过，则判断此粒子病死，从其他种群中随机选取一个粒子替换掉这个病死粒子；
[0171]
步骤7)：根据交叉概率和变异概率对种群中粒子进行部分映射交叉和变异搜索操作来进一步优化粒子，加强算法的局部搜索能力和全局搜索能力，并运用所述精英保留策略来对粒子进行更新；
[0172]
步骤8)：判断是否满足本轮迭代终止条件，即本次迭代是否迭代到最大代数，如果满足终止条件，则输出所述最小生产周期内的全局最优解并生成生产计划，之后转到步骤2)进行下一生产周期内的迭代优化；否则返回步骤4)继续进行迭代优化。
[0173]
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
技术特征：1.一种基于群体免疫-遗传算法的混流产线智能排产方法，其特征在于：采集生产订单交货完成量、生产订单交货日期和配件库存信息，评判多目标模型的优先级，确定群体免疫-遗传算法中的被感染种群及优化主目标；采集一个周期内不同产品各工位的生产加工时间数据，并判断是否需要更新基础数据集；将更新完成后的基础数据集及优化主目标输入到群体免疫-遗传算法中进行寻优计算，计算出符合实际生产情况的最优解，并输出生产计划。2.根据权利要求1所述的基于群体免疫-遗传算法的混流产线智能排产方法，其特征在于，所述评判多目标模型的优先级，确定群体免疫-遗传算法中的被感染种群及优化主目标，具体为：所述产线目前生产情况为产品交货期紧急，则种群一为感染种群，优先迭代种群一，种群二、三为未感染种群；所述产线目前生产情况为配件供应不足，则种群二为感染种群，优先迭代种群二，种群一、三为未感染种群；所述产线目前生产情况为生产情况正常，则种群一、二康复或者均未被感染，优先迭代种群三；所述产线目前生产情况为产品交货期紧急且配件供应不足，则根据两个种群的优先级进行感染，种群一为感染种群，优先迭代直到康复，种群二为易感种群，在种群一康复后被感染，优先迭代直到康复；所述种群一对应考虑换装时间的总加工时间，种群一的优化主目标是考虑换装时间的总加工时间最小化；所述种群二对应库存零件满足度，种群二的优化主目标是库存零件满足度最小化；所述种群三对应产线正常生产，种群三的优化主目标是考虑换装时间的总加工时间最小化、库存零件满足度最小化且产品切换次数最小化。3.根据权利要求2所述的基于群体免疫-遗传算法的混流产线智能排产方法，其特征在于，所述产品交货期紧急满足：其中：sumnum
m
为本批订单各类型产品总量，endnum
m
为本批订单各类型产品完成量，cycproduction为本批订单各类型产品生产周期产量，surcycle为本批订单剩余生产周期数，a是干扰系数。4.根据权利要求2所述的基于群体免疫-遗传算法的混流产线智能排产方法，其特征在于，所述配件供应不足满足：其中：neednum
m
表示各类型产品的配件需求量，allnum
m
表示存储区内配件余量。5.根据权利要求2所述的基于群体免疫-遗传算法的混流产线智能排产方法，其特征在于，所述生产情况正常时，生产计划按照多目标问题进行求解。6.根据权利要求2所述的基于群体免疫-遗传算法的混流产线智能排产方法，其特征在
于，所述考虑换装时间的总加工时间目标函数为：f1＝min e约束条件为：约束条件为：约束条件为：约束条件为：约束条件为：约束条件为：约束条件为：约束条件为：约束条件为：约束条件为：约束条件为：约束一表示在k位置，只有一种产品类型m；约束二表示本次生产所有产品类型投入数量和计划数量一样；约束三表示第k个位置产品的第s-1个工位必须在第s个工位之后加工；约束四表示k位置产品的第s个工位必须在k-1位置产品的第s个工位后加工；约束五表示第一个位置第一个工位加工结束时间；约束六表示投产位置为1的产品加工结束时间；约束七表示所有投产产品第一个工位的加工结束时间；约束八表示在投产位置不为1的产品工位不为1时的加工结束时间；约束九表示一个判断换装类型是否一样的0-1决策变量；约束十表示第一个产品不计算准备时间；约束十一表示目标函数e与各作业在最后一个工位加工结束时间的约束；其中：x
k,m
为一个0-1决策变量，用于判断k位置是否为产品类型m；k表示投产位置的总数；为加工开始时间；表示投产位置为k的产品在工位s上的加工时间；s表示工
位总数；表示k位置产品在工位s上的换装时间；θ
(k-1)l,kl
为一个0-1决策变量，判断k位置的产品和k-1位置的产品换装类型是否一样；为加工结束时间；l表示周期总数。7.根据权利要求1所述的基于群体免疫-遗传算法的混流产线智能排产方法，其特征在于，所述更新基础数据集的过程为：利用t检验判断一个周期内不同产品各工位的生产加工时间，是否发生了显著变化，如果发生显著变化则标记对应工位并记录，使用一个周期内采集的数据替换基础数据集中对应工位的数据。8.根据权利要求1所述的基于群体免疫-遗传算法的混流产线智能排产方法，其特征在于，所述群体免疫-遗传算法中进行寻优计算的过程为：参数设定，并初始化种群；根据采集的生产数据，更新产线状态变量，确定三个种群的感染状态，根据种群感染状态确定本次生产周期内的迭代主种群；计算父代种群的适应度，选取当前适应度值最高的粒子作为产线最小周期内的全局最优解；更新各种群中粒子，并采用精英保留策略保留粒子；如粒子存在病死，从其他种群中随机选取一个粒子替换掉病死粒子；满足终止条件时，则输出最小生产周期内的全局最优解并生成生产计划。9.根据权利要求8所述的基于群体免疫-遗传算法的混流产线智能排产方法，其特征在于，所述初始化种群时，采用基于工件的编码方式构成种群粒子，并通过tent映射公式生成三个his
×
n的数组作为迭代初始种群，同时将排产基础数据集作为计算目标适应度值的计算初始数据，且产线生产周期数加一。10.根据权利要求1所述的基于群体免疫-遗传算法的混流产线智能排产方法，其特征在于，所述生产订单交货完成量、生产订单交货日期和配件库存信息由mes系统采集获取；所述一个周期内不同产品各工位的生产加工时间由rfid扫码枪采集获取。
技术总结本发明提供一种基于群体免疫-遗传算法的混流产线智能排产方法，根据产线生产规则建立生产计划多目标模型，包括考虑换装时间的总加工时间、库存零件满足度和产品切换次数；采集生产订单交货完成量、生产订单交货日期和配件库存信息，评判多目标模型的优先级，确定群体免疫-遗传算法中的被感染种群及优化主目标；采集一个周期内不同产品各工位的生产加工时间数据，并判断是否需要更新基础数据集；将更新完成后的基础数据集及优化主目标输入到群体免疫-遗传算法中进行寻优计算，计算出符合实际生产情况的最优解，并输出生产计划。本发明可以自适应改变排产目标，还可以实现排产基础数据自更新，让生产计划更贴合实际生产能力。力。力。
技术研发人员：王纪章 高志恒 李锋军 张雷雷 高鸣 谢富明 赵桃艳 张尹松 张洁 张冰冰
受保护的技术使用者：第一拖拉机股份有限公司
技术研发日：2022.04.20
技术公布日：2022/7/5
