第II类机器人混流装配线的平衡与排序联合决策
Joint decision-making of balancing and sequencing for type-II robotic mixed-model assembly line
通讯作者:
收稿日期: 2021-09-12
基金资助: |
|
Received: 2021-09-12
Fund supported: | 国家自然科学基金资助项目(61873109);吉林省自然科学基金资助项目(20210101055JC);一汽股份技术创新资助项目(KF2020-20006) |
作者简介 About authors
孙宝凤(1970—),女,教授,博士,从事智能物流系统规划与设计研究.orcid.org/0000-0002-9030-5523,E-mail:
为了提高第II类机器人混流装配线系统能效,界定工业机器人5种工作状态,量化不同状态下的机器人能源消耗值,引入关停策略和考虑产品切换,以最小化最大工作时间和能源消耗为目标,构建平衡与排序联合决策双目标优化模型. 设计改进的非支配排序遗传算法II,通过同类算法对比分析,验证改进算法的有效性. 结合算例,揭示关停策略和产品切换准备作业对机器人混流装配线系统的技术影响。关停策略能够减少能耗,在装配线平衡性下降时的效果愈加明显,最大能耗节约率达到16.68%;考虑产品切换准备作业的影响,有利于机器人混流装配线作业效率和能源消耗的整体优化.
关键词:
In order to optimize the energy and efficiency of the type-II robotic mixed-model assembly line system, firstly, five working states of industrial robots was defined to measure the robot energy consumption in state. A dual-objective optimization model of joint decision-making of balancing and sequencing was proposed in consideration of shutdown strategies and product switching. Its objectives were taken as minimizing the maximum working time and energy consumption. Next, the improved non-dominated sorting genetic algorithm II (NSGA-II) was designed and its validation was also verified by comparing with a similarly algorithm. Finally, the technical impact of shutdown strategy and product switching on the robotic mixed-model assembly line system was shown by example analysis. The shutdown strategy was able to bring energy savings to a certain extent, and the benefits become more obvious when the balance of the assembly line decreases, and the maximum energy saving rate reached 16.68%; the product switching in consideration was beneficial both to the operation efficiency and energy efficiency for the robotic mixed-model assembly line.
Keywords:
本文引用格式
孙宝凤, 张新康, 李根道, 刘娇娇.
SUN Bao-feng, ZHANG Xin-kang, LI Gen-dao, LIU Jiao-jiao.
RMAL-II平衡与排序联合决策问题始于Rubinovitz等 [ 5] 提出的机器人装配线平衡问题,被Gao 等 [ 6] 定义为第I类机器人装配线平衡问题,后Gao 等 [ 6] 又界定了第II类机器人装配线平衡问题,即将装配任务、机器人分配给指定数量的工作站,达到最小节拍. 该问题被Yoosefelahi 等 [ 7- 9] 认同. Zhang等 [ 10- 11] 有效解决了第II类机器人U型装配线平衡问题中装配任务与机器人的分配问题,引起更多学者对第II类机器人装配线平衡问题的关注. Zhang等 [ 12] 未对机器人作业与非作业状态计算机器人能耗提出明确的节能策略,也未考虑混流产品切换准备作业的问题. 一方面,上述研究对装配线优化问题缺乏多产品混流装配情境的探索;另一方面,考虑到混流产品切换作业,平衡与排序联合决策是充分且必要的.
关于生产过程能耗的研究,Nilakantan等 [ 13] 通过设备单位时间碳排量和工作时间的乘积,量化碳足迹;周炳海等 [ 14] 采用设备功率和工作时间乘积测度机器人能耗;Nilakantan等 [ 15] 发现机器人装配线的能耗目标与效率目标非严格正相关;Zhang等 [ 16] 指出设备闲置状态下的能耗不可忽略;Mouzon等 [ 17] 研究发现在机器空闲期间将其关闭能够节约13%的能源. 生产实践已尝试主动管理装配线空闲期间能耗. 例如产品能效管理创新技术PROFIenergy能在长暂停期实现节能,还能在短的甚至极短的暂停期实现节能. 智能上电与断电让设备寿命更长且故障更少 [ 18] . 本研究立足PROFIenergy能效管理理念,提出采用关停策略精细管控RMAL-II闲置期间的能耗.
本研究详细划分机器人的状态,测度机器人在不同状态下的能源消耗. 考虑机器人关停策略与产品切换准备作业,兼顾作业、能源效率,构建RMAL-II平衡与排序联合决策双目标优化模型,并设计改进的NSGA-II求解. 通过算例分析,揭示关停策略和产品切换准备作业对RMAL-II系统的具体影响.
1. 建模基础
1.1. 问题描述
考虑能源消耗的RMAL-II平衡与排序联合决策问题描述如下. 在混流生产遵循最小生产单元(minimal production set, MPS)循环排序方法的前提下,为了兼顾系统效率和能源消耗这2个优化目标,综合考虑产品切换与机器人关停策略这2个核心影响因素,通过同时决策工序分配、机器人分配、MPS产品投产顺序,实现在单个MPS周期内最大工作站工作时间、机器人能源消耗的最小化.
1.2. 机器人的工作状态及能耗组成
在RMAL-II的实践中,机器人运作状态有以下5种. 1)作业状态:机器人执行产品装配作业过程. 状态1)的能耗功率最高. 2)产品切换准备作业状态:装配线上前后装配的2个产品种类发生变化时,机器人进行夹具、作业工具、参数或其他的调整作业. 状态2)会产生能耗. 3)关机状态:机器人未接通电源,不能进行任何操作. 状态3)不产生能耗. 4)开、关机动作:机器人接通、断开电源. 一般情况下,完成状态4)需要花费时间并产生能耗. 5)待机状态:机器人保持电源接通但未执行操作,随时可以进行装配作业. 状态5)会产生待机能耗.
将机器人的状态3)、状态4)、状态5)统称为闲置状态,此状态下可能会产生能耗. 在MPS内,将各装配作业之间的闲置时间称为单元内闲置时间;1个工作站从开始做MPS中第1个装配作业到做完最后1个装配作业,并完成下一次作业的准备工作,所经历的时间记作该工作站的工作时间. 按照混流装配线的生产平稳性要求,每个MPS中,各工作站总时间须保持一致,这意味着当某个工作站的实际工作时间小于最大工作时间时,存在闲置时间,等待下个MPS开始,本研究称之为单元间闲置时间.
1.3. 机器人关停策略
客观上,机器人闲置时间不能完全避免,为了减少机器人在闲置时间产生的能耗,常通过合理资源配置和任务调度消减闲置时间. 本研究在此基础上,采取机器人关停策略,即当机器人待机能耗大于开关机能耗时,将其关闭以进一步减少能耗. 当机器人处于待机状态时,待机功率记为
机器人开关机产生的能耗为
当
事实上,机器人开关机并非瞬间完成. 当关停策略触发时,有
2. 整数规划模型建立
2.1. 模型前提和假设
1)所有产品的工序及优先关系可以通过综合装配顺序图展现,如果产品没有综合装配顺序图中的某个工序,表示为该产品该工序的作业时间为0.
2)同道工序在不同机器人上的装配时间可能不同,在满足工序之间的优先关系的条件下,每个工序只能分配给任意1个工作站.
3)每个机器人能但只能被分配给任意1个工作站.
4)每个工作站只能有1台机器人,且假定工作站的数量与机器人的数量相同.
5)产品在某个工作站的所有工序完成后,立刻被转移到缓冲区或下个工作站,并假定缓冲区容量无限,产品移动时间可以忽略.
6)不考虑工作站和机器人的故障或维修,且工作站和机器人工作过程不中断.
7)同时间工作站只能执行1个产品的1道工序.
8)仅当机器人前后装配2种不同产品时,消耗时间和能源执行产品切换准备作业.
9)每个MPS内均包含最后1个产品到下个MPS第1个产品之间的产品切换准备作业,即在1个MPS开始时,机器人已经开机且无切换准备作业.
10)机器人作业和待机状态的能耗通过作业功率与待机功率测算,设定产品转换能耗和开关机能耗为已知.
2.2. 符号与说明
决策变量. 当综合装配顺序图中工序
指标.
参数. 在机器人
变量. 个产品在第
个产品生产结束到下个产品装配作业开始之间的闲置时间;
2.3. 模型的建立
2.3.1. 目标函数
设最小化最大工作站工作时间为
2.3.2. RMAL-II平衡约束
以Gao等 [ 6] 针对单一产品所建立的第II类机器人装配线平衡模型为基础,依托MPS综合装配图构建RMAL-II平衡约束,包括工序加工顺序和分配约束、机器人分配约束、MPS产品的总装配时间约束等,表达式分别为
式(4)表示综合装配图中的工序加工顺序约束,式(5)表示综合装配图中的每个工序只能分配给1个工作站,式(6)表示每个工作站只能配置1个机器人,式(7)表示每个机器人只能分配给1个工作站,式(8)表示产品
2.3.3. RMAL-II排序约束
Li等 [ 20] 认为一旦机器人分配和工序分配约束明确,混流装配线排序问题就转变为置换流水车间调度问题. 本研究依据置换流水车间调度问题属性及其模型原理,建立RMAL-II排序约束如下.
式(9)、(10)分别表示MPS中产品和投产顺序的关系约束;式(11)表示MPS产品投产顺序中第
2.3.4. 关停策略触发条件
为了揭示关停策略对RMAL-II平衡和排序联合决策的影响,建立机器人关停策略触发条件如下.
式(17)表示1个MPS周期内各工作站最大工作时间. 式(18)表示1个MPS周期内的闲置时间. 当
2.3.5. 能源消耗的测度
给出1个MPS循环周期内,机器人在闲置过程、作业过程及整个MPS内总能耗测度方程如下.
式(20)表示
3. 改进的NSGA-II算法设计
3.1. 算法流程
结合研究问题的特征,基于经典的NSGA-II算法,设计改进的NSGA-II,求解RMAL-II平衡与排序联合决策问题. 本研究算法特点:设计多层编码方式表示决策问题的复杂解,并根据编码方式设计交叉和变异操作,引入邻域搜索机制扩大算法搜索能力,避免陷入局部最优,以提高算法性能.
3.2. 编码解码方式
工序分配指将综合装配顺序图中的每道工序分配给每个工作站. 本研究采用工序排序向量和工序分配向量来共同实现工序分配,根据如 图1所示的综合装配顺序图生成的2个向量如 图2所示. 工序排序向量须满足综合装配顺序图中的工序先后顺序关系,为了保证初始产生可行的工序分配向量,初始化步骤如下. 1)根据综合装配顺序图生成优先关系矩阵(precedence relationship matrix,PRM),其为
图 1
图 2
图 2 工序排序向量、分配向量和工作站的关系
Fig.2 Relationship of process vector, allocation vector and workstation
机器人分配指每个工作站配置唯一工作的机器人. 本研究采用
MPS产品投产顺序指MPS周期内的所有产品投产顺序. 本研究采用MPS周期内产品的排序表示投产顺序,通过生成随机排序序列实现MPS产品投产顺序向量的初始化.
综上所述,本研究采用工序排序向量、工序分配向量共同表示工序分配方案,机器人分配向量表示机器人分配方案,MPS产品投产顺序向量表示产品投产顺序的方案,4个向量共同表征联合决策问题的解,编码向量与解码结果如 图3所示.
图 3
3.3. 交叉操作
图 4
图 5
图 5 基于OX的机器人分配、MPS产品投产顺序向量交叉
Fig.5 Crossover of robot allocation vector, product sequence vector in MPS based on OX
3.4. 变异操作
工序排序向量具有优先关系的限制,为了避免交叉操作产生不可行解,进行如 图6所示的变异操作:在随机选取工序的紧前工序和紧后工序之间随机移动,产生新的个体. 通过随机交换2个分量,实现工序分配、机器人分配和MPS产品投产顺序向量的变异.
图 6
3.5. 邻域搜索
设计邻域搜索增强算法的全局搜索能力,以维持种群基因的多样性.
采用两分量优化(2-opt)对工序排序向量进行邻域搜索,即通过随机选择1个位置,反转该位置分量到最后1个分量, 如 图7所示. 该方法会使某些工序违背综合装配图中的工序优先关系,产生非可行解,为此采用以下修补步骤. 1)记工序总数为
图 7
将装配作业时间最长的工作站在工序分配向量中对应的值减少1,最短的加1,实现对于工序分配向量的邻域搜索. 机器人分配和MPS产品投产顺序向量通过随机选取并与相邻前1个分量交换,实现邻域搜索.
4. 算例分析
本研究算法程序在Matlab R2021a编写,运行环境为Intel(R) Core (TM) i5-8250U CPU @ 1.60 GHz 1.80 GHz.
4.1. 基准算例生成
表 1 基准算例数据表(部分)
Tab.1
| | | | |
1 | 19 | 3 | 3 | 1,1,1 |
2 | 19 | 3 | 3 | 3,2,1 |
3 | 19 | 3 | 4 | 1,1,1 |
4 | 19 | 3 | 4 | 3,2,1 |
5 | 61 | 4 | 5 | 1,1,1,1 |
6 | 61 | 4 | 5 | 1,3,4,5 |
7 | 61 | 4 | 7 | 1,1,1,1 |
8 | 61 | 4 | 7 | 1,3,4,5 |
9 | 61 | 4 | 10 | 1,1,1,1 |
10 | 61 | 4 | 10 | 1,3,4,5 |
11 | 111 | 5 | 9 | 1,1,1,1,1 |
12 | 111 | 5 | 9 | 1,2,4,5,8 |
13 | 111 | 5 | 9 | 5,3,2,1,1 |
14 | 111 | 5 | 9 | 1,4,8,3,1 |
15 | 111 | 5 | 13 | 1,1,1,1,1 |
16 | 111 | 5 | 13 | 1,2,4,5,8 |
17 | 111 | 5 | 13 | 5,3,2,1,1 |
18 | 111 | 5 | 13 | 1,4,8,3,1 |
19 | 111 | 5 | 15 | 1,1,1,1,1 |
20 | 111 | 5 | 15 | 1,2,4,5,8 |
产品工序在不同机器人上的作业时间在[0.8 t, 1.2 t]随机生成, t为标准算例工序作业时间. 机器人能源消耗水平参照文献[ 12],机器人工作功率在[2.0, 5.0]随机生成,待机功率为工作功率的10%. 为了便于观测和比较,将大规模(
在RMAL-II平衡和排序问题中要考虑产品切换和机器人关停策略,为此假定:不同的2个产品切换准备时间在[1.0, 2.0]随机生成,产品切换的单位时间能耗在[2.0, 3.0]随机生成. 鉴于混流装配线相继生产2种相同产品时,不需要产品切换准备作业,视同种产品之间切换所需的时间和能耗为0. 机器人开关机能耗在[4.0, 6.0]随机生成.
4.2. 模型和算法的验证
4.2.1. 算法参数设置
采用Taguchi试验 [ 24] 设计NSGA-Ⅱ参数. 采用算例20,细分4个参数和4个因素水平,选用正交表
式中: n( n=10)为每个参数组合下重复运行的次数,
表 2 响应变量均值和显著性等级排序
Tab.2
水平 | | | | |
1 | 0.04 | 0.45 | 0.22 | 1.09 |
2 | 0.49 | 0.74 | 0.69 | 0.65 |
3 | 0.20 | 0.80 | 0.78 | 0.25 |
4 | 1.76 | 0.51 | 0.80 | 0.51 |
| 1.72 | 0.36 | 0.58 | 0.85 |
| 1.00 | 4.00 | 3.00 | 2.00 |
4.2.2. 算法有效性验证
从算法的搜索能力、解的收敛性、解的分布性、算法时间复杂度4个方面,分别以非支配解的数量
表 3 基准算例下NSGA-II、HPSA性能指标均值
Tab.3
| | | | | |||||||
HPSA | NSGA-II | (HPSA, NSGA-II) | (NSGA-II, HPSA) | HPSA | NSGA-II | HPSA | NSGA-II | ||||
1 | 13.50 | 13.20 | 0.46 | 0.37 | 0.25 | 0.27 | 46.29 | 19.09 | |||
2 | 7.40 | 3.70 | 0.56 | 0.29 | 1.41 | 1.53 | 53.09 | 26.87 | |||
3 | 3.20 | 2.90 | 0.63 | 0.19 | 0.24 | 0.03 | 42.51 | 26.23 | |||
4 | 14.80 | 13.70 | 0.51 | 0.30 | 1.24 | 0.56 | 42.32 | 27.56 | |||
5 | 11.20 | 15.80 | 0.23 | 0.42 | 3.72 | 3.54 | 90.45 | 48.91 | |||
6 | 45.00 | 55.80 | 0.17 | 0.59 | 12.85 | 9.35 | 89.65 | 47.45 | |||
7 | 35.30 | 54.40 | 0.21 | 0.56 | 3.62 | 2.99 | 98.87 | 47.19 | |||
8 | 31.80 | 61.40 | 0.13 | 0.65 | 12.01 | 11.15 | 99.74 | 48.34 | |||
9 | 15.60 | 15.10 | 0.28 | 0.44 | 2.90 | 5.99 | 118.65 | 57.62 | |||
10 | 23.80 | 29.00 | 0.20 | 0.45 | 16.84 | 15.62 | 119.83 | 56.50 | |||
11 | 32.90 | 50.40 | 0.21 | 0.58 | 10.99 | 6.51 | 205.42 | 119.77 | |||
12 | 31.70 | 63.90 | 0.10 | 0.55 | 39.93 | 27.88 | 186.05 | 123.80 | |||
13 | 39.10 | 76.10 | 0.13 | 0.63 | 26.95 | 16.22 | 183.14 | 120.85 | |||
14 | 34.50 | 79.50 | 0.12 | 0.57 | 30.55 | 18.55 | 184.47 | 122.53 | |||
15 | 22.40 | 21.60 | 0.24 | 0.34 | 10.79 | 8.69 | 196.36 | 130.17 | |||
16 | 24.80 | 42.60 | 0.15 | 0.58 | 38.35 | 27.07 | 202.19 | 130.60 | |||
17 | 27.20 | 34.80 | 0.07 | 0.67 | 21.25 | 18.09 | 199.51 | 127.65 | |||
18 | 25.60 | 53.50 | 0.15 | 0.65 | 32.87 | 25.56 | 202.00 | 129.96 | |||
19 | 18.70 | 22.30 | 0.16 | 0.43 | 8.75 | 11.78 | 202.06 | 132.87 | |||
20 | 21.50 | 42.50 | 0.25 | 0.45 | 44.03 | 35.24 | 211.06 | 133.63 |
算法求得的非支配解数量越多,为决策者提供的选择方案越丰富,算法则更具优势. 如 图8所示为不同算例下NSGA-II、HPSA的
图 8
图 8 基准算例下算法求得的平均非支配解数量
Fig.8 Average number of non-dominated solutions of algorithms under benchmark data
图 9
图 9 基准算例下算法的平均覆盖率
Fig.9 Average coverage rate of algorithms under benchmark data
图 10
图 11
图 11 基准算例下算法的平均运行时间
Fig.11 Average run time of algorithms under benchmark data
综上所述,除在小规模算例下HPSA收敛性优于NSGA-II、搜索能力和分布性相近外;在小、中、大规模算例下,NSGA-II的搜索能力、解的收敛性、解的分布性、算法时间复杂度均优于HPSA. 因此,整体而言NSGA-II优于HPSA,NSGA-II具有一定的有效性.
4.2.3. 关停策略对RMAL-II平衡与排序联合决策的影响分析
以能耗节约率
算例20 Pareto解的分布对比结果如 图12所示. 可知,关停策略均能够达成能源消耗节约目标. 不考虑关停策略时,得到的Pareto近似解已经不在Pareto前沿上,此时既不能实现节约能耗目标,也不能保障很好的生产效率. 考虑关停策略后,得到的Pareto前沿解增多,在一定程度上扩大了非支配解的解域,为决策者提供了更多选择方案,以根据自身的决策偏好选择最合适的解.
图 12
图 12 有无关停策略的Pareto解的分布
Fig.12 Distribution of Pareto solution with and without shutdown strategy
如 图13所示,当Pareto解的 F 1较小,即解对应的装配线平衡性较好时,
图 13
图 13 有无关停策略的能耗节约率对比
Fig.13 Comparison of energy saving rate with and without shutdown strategy
4.2.4. 产品切换对RMAL-II平衡与排序联合决策的影响分析
基于算例2,对比无产品切换的方案1和有产品切换的方案2,分析产品种类切换对混流装配线时间效率、能源消耗的影响程度. 对比结果如 表4所示. 表中,
表 4 有无产品切换的能效优化对比
Tab.4
P A | 方案1 | 方案2 | | |||||
F 1 | F 2 | F 1 | F 2 | F 1 | F 2 | |||
1 | 20.30 | 141.53 | 16.68 | 131.67 | 17.83 | 6.97 | ||
2 | — | — | 16.72 | 131.61 | 17.63 | 7.01 | ||
3 | — | — | 16.90 | 131.38 | 16.74 | 7.17 | ||
4 | — | — | 16.92 | 130.81 | 16.64 | 7.57 | ||
5 | — | — | 17.05 | 130.22 | 16.00 | 7.99 | ||
平均值 | 20.30 | 141.53 | 16.86 | 131.14 | 16.97 | 7.34 |
5. 结 论
(1)本研究考虑能源消耗的RMAL-II平衡与排序联合决策问题,根据生产运作流程,界定了工业机器人5种工作状态,量化了不同状态下的机器人能源消耗,解决了工作状态变化时机器人能源消耗的测量标准;同时,提出关停策略主动管理能耗,实现了规划节能和运行节能的同步考量,为构造理论模型提供了基础.
(2)兼顾生产制造效率和低能耗双目标,构建了RMAL-II平衡与排序联合决策多目标优化模型,补充完善了平衡约束、排序约束、关停策略约束和能源消耗约束,将产品切换准备作业时间体现在2个相邻产品装配时间关系约束中. 通过算法对比和基准算例分析表明,设计改进的NSGA-II求解在大、中、小算例规模下均具有一定的有效性.
(3)通过对关停策略和产品切换准备对RMAL-II平衡和排序联合决策的影响分析有如下发现. 关停策略在一定程度上能够带来能耗的节约. 能耗节约的程度与装配线系统的平衡性负相关,即随着平衡性变差,闲置时间逐渐增加,关停策略带来的效益愈加明显. 在RMAL-II平衡与排序问题中考虑切换准备作业对能效优化是有效和必要的. 在本研究使用的算例下,最大工作时间 F 1平均降低16.97%,机器人能源消耗 F 2平均降低7.34%. 可见,考虑切换准备作业的影响,能够降低最大工作时间和机器人能源消耗.
(4)本研究验证分析基于标准算例,未来将尝试采用企业真实运行数据. 同时,工业机器人节能技术创新空间较少,本研究限于机器人关停策略对生产制造能效目标的影响分析,未来计划探索工业互联网环境下基于PROFIenergy技术的其他节能模式对机器人混流装配优化问题的贡献.
参考文献
A genetic algorithm for robotic assembly line balancing
[J].DOI:10.1016/j.ejor.2004.07.030 [本文引用: 1]
Minimizing energy consumption and cycle time in two-sided robotic assembly line systems using restarted simulated annealing algorithm
[J].DOI:10.1016/j.jclepro.2016.06.131 [本文引用: 1]
An efficient approach for type II robotic assembly line balancing problems
[J].DOI:10.1016/j.cie.2008.09.027 [本文引用: 3]
Type II robotic assembly line balancing problem: an evolution strategies algorithm
[J].DOI:10.1016/j.jmsy.2011.10.002 [本文引用: 1]
Analysis of the type II robotic mixed-model assembly line balancing problem
[J].DOI:10.1080/0305215X.2016.1230208
Multi-objective metaheuristics for solving a type II robotic mixed-model assembly line balancing problem
[J].DOI:10.1080/21681015.2015.1126656 [本文引用: 2]
Modelling and optimization of energy-efficient U-shaped robotic assembly line balancing problems
[J].
Mathematical model and grey wolf optimization for low-carbon and low-noise U-shaped robotic assembly line balancing problem
[J].DOI:10.1016/j.jclepro.2019.01.030 [本文引用: 2]
Balancing and sequencing problem of mixed-model U-shaped robotic assembly line: mathematical model and dragonfly algorithm based approach
[J].DOI:10.1016/j.asoc.2020.106739 [本文引用: 3]
Multi-objective cooperative co-evolutionary algorithm for minimizing carbon footprint and maximizing line efficiency in robotic assembly line systems
[J].DOI:10.1016/j.jclepro.2017.04.032 [本文引用: 1]
考虑能效的多机器人协同装配线平衡方法
[J].
Multi-robot cooperative assembly line balancing method based on energy efficiency
[J].
An investigation on minimizing cycle time and total energy consumption in robotic assembly line systems
[J].DOI:10.1016/j.jclepro.2014.11.041 [本文引用: 1]
A multi-objective cellular genetic algorithm for energy-oriented balancing and sequencing problem of mixed-model assembly line
[J].DOI:10.1016/j.jclepro.2019.118845 [本文引用: 3]
A framework to minimize total energy consumption and total tardiness on a single machine
[J].DOI:10.1080/19397030802257236 [本文引用: 1]
基于PROFINET的节能技术PROFIenergy——节能技术新趋势
[J].DOI:10.3969/j.issn.1672-5611.2010.06.011 [本文引用: 1]
Energy-saving technology PROFIenergy based on PROFINET new trend of energy-saving technology
[J].DOI:10.3969/j.issn.1672-5611.2010.06.011 [本文引用: 1]
Mathematical model and metaheuristics for simultaneous balancing and sequencing of a robotic mixed-model assembly line
[J].DOI:10.1080/0305215X.2017.1351963 [本文引用: 1]
Genetic algorithm for assembly line balancing
[J].
Multiobjective evolutionary algorithms: a comparative case study and the strength Pareto approach
[J].DOI:10.1109/4235.797969 [本文引用: 1]
/
〈 |
|
〉 |
