Modeling and Optimization for U-shaped Partial Multi-Objective Disassembly Line Balancing Problem
-
摘要:
针对U型布局所具有的生产柔性强、效率高等优点，结合仅需考虑需求零部件和危害性零部件的实际拆卸过程，提出U型不完全拆卸线平衡问题（U-shaped partial disassembly line balance problem，UPDLBP） ，以最小化工作站数量、空闲时间均衡指标、拆卸深度和拆卸成本为优化目标建立数学模型. 在此基础上，提出一种自适应反向学习多目标狼群算法（adaptive opposition-based learning multi-objective wolfpack algorithm，AOBL-MWPA）进行求解计算. 该算法采用自适应游走行为，兼顾算法迭代前期的全局寻优性能和后期的稳定性；在满足优先关系约束前提下对召唤行为和围攻行为进行离散化；引入反向学习策略（opposition-based learning，OBL)以避免算法陷入局部最优；利用Pareto解集思想和非支配排序遗传算法Ⅱ（NSGA-Ⅱ）拥挤距离机制筛选获得多个非劣解；将所提算法应用于19个基准算例中，并与现有文献算法对比；最后，将所提模型和算法应用于某汽车U型不完全拆卸线的实例设计中. 结果表明：针对工作站开启数量和空闲时间均衡指标而言所提算法能求解获得小规模问题的最优值，且在中大规模问题中所得结果优于其他算法，危害指标和需求指标均能获得最优值，寻优率为100%；实例设计获得10组可选方案，验证了所提算法的实用性和有效性.
Abstract:Aiming at the advantages of U-shaped layout such as high production efficiency and strong flexibility, combined with the actual disassembly process that only needs to consider the required parts and hazardous parts, the U-shaped partial disassembly line balancing problem (UPDLBP) is proposed, and multi-objective mathematics model is established with the optimization objectives of minimizing the number of workstations, idle time balance indicators, disassembly depth and disassembly costs. On this basis, adaptive opposition-based learning multi-objective wolfpack algorithm (AOBL-MWPA) is proposed for solution calculation. The algorithm adopts adaptive scouting behavior and takes into account the global optimization performance in the early stage of the algorithm iteration and the stability in the later stage; The calling behavior and besieging behavior are discretized under the premise of satisfying the constraints of the priority relationship; Opposition-based learning strategy (OBLS) is used to avoid the algorithm from falling into the local optimum; Pareto solution set idea and crowding distance mechanism of non-dominated sorting genetic algorithm Ⅱ (NSGA-Ⅱ) are given to screen to obtain multiple non-inferior solutions. The proposed algorithm is applied to 19 benchmark examples and compared with existing literature algorithms. Finally, the proposed model and algorithm are applied to the example design of a U-shaped partial disassembly line of a certain automobile. The results show that, the proposed algorithm can solve the optimal value of small-scale problems in terms of the number of workstations on and the idle time balance index. The results obtained in medium and large-scale problems are better than other algorithms; the optimal value can be obtained for both the hazard index and the demand index, and the optimization rate is 100%. Ten sets of optional design schemes are obtained from the case study, which verifies the practicability and effectiveness of the proposed algorithm.
-
兰新高铁地处中国西北地区，东起兰州，西至乌鲁木齐，全长1776 km，是世界上第一条一次性建成运营里程最长的高速铁路. 线路穿越我国新疆地区的百里、三十里等四大风区，风区内常年盛行七八级大风，曾发生过列车被大风吹翻的重大铁路安全事故[1]. 为保证列车安全顺利地通过风区，铁路建设部门在风区线路轨旁修建了高度为3.5～4.0 m的挡风墙. 但挡风墙“防车不防网”，气流经过挡风墙之后出现了明显的加速效应，使得正馈线发生剧烈舞动，导致线间放电、金具磨损加剧、线索疲劳断股，危及行车安全. 由于铁路运输对安全性要求很高，能够采用的防舞措施有限，低风压正馈线不改变接触网结构，有较好的适应性. 因此，设计一种新型低风压正馈线，用于降低正馈线的舞动幅值，保障牵引变电系统的安全可靠运行十分必要.
作用于架空输电导线的风载荷占整个线路所受风载荷的50%以上[2]，降低正馈线所受风压不仅可以减小线索舞动幅值，还可以降低因线间放电而引起的跳闸风险. 20世纪70年代，日本关西电气与住友电气等单位对多种不同表面形状的导线进行了风洞试验，研究结果表明，导线风阻力系数与导线表面形状有较大关系[3]. 20世纪90年代起，关西电气和住友电气对低风压导线的运行机理进行了持续研究，研究结果表明，低风压导线负压区面积小于普通导线，风阻力系数较小[4-5]. 我国在低风压导线领域起步较晚，但发展较快. 近年来，上海电缆研究所、无锡华能电缆有限公司、江苏中天科技股份有限公司等单位研发了不同表面结构的低风压导线产品，并申请了专利[6].
以6种不同表面形状的低风压正馈线和常规正馈线模型为研究对象，对各型正馈线在12～24 m/s （间隔3 m/s）风载荷作用下的舞动情况进行仿真，监测记录不同型号的低风压正馈线和常规正馈线在不同风载荷下的风阻力系数和跨距中点位移值，分析低风压正馈线表面结构参数对风阻力系数和跨距中点位移值变化的影响规律；对不同风载荷作用下风阻力系数较小的低风压正馈线建立三维有限元模型，并施加轴向拉力，分析其在轴向拉力作用下的形变及应力情况，研究成果为低风压正馈线的制造、选型及现场维护提供理论依据.
1. 模型建立
以现场架设的常规正馈线作为依据，建立常规正馈线二维模型，其二维截面结构如图1所示. 图中，R = 11.88 mm，为正馈线半径. 正馈线是由2层钢股和3层铝股相互绞合而成，其中，钢股直径为2.22 mm，铝股直径为2.85 mm.
图 1 常规正馈线二维截面示意Figure 1. Two-dimensional cross-sectional diagram of conventional catenary positive feeder本文以低风压导线运行机理为基础，设计凹槽数为8、不同凹槽半径的6种低风压正馈线模型，其中，一种低风压正馈线模型截面结构如图2所示，线径均为23.76 mm. 与常规正馈线相比，低风压正馈线模型的最外层由8根中间带有凹槽的铝股线构成，凹槽的小圆弧半径r 与常规正馈线半径R的比值为0.10～0.15，其余层股线结构参数与常规正馈线相同.
图 2 r/R = 0.14型低风压正馈线截面示意Figure 2. Cross-sectional diagram of low-wind-pressure catenary positive feeder with r/R = 0.142. 仿真计算与分析
2.1 仿真计算
对r/R = 0.10～0.15的6种低风压正馈线和常规正馈线模型进行12、15、18、21、24 m/s风载荷下的气动力特性仿真. 首先，设置计算域边界条件，将计算域左侧边界设置为速度入口，导线表面采用无滑移壁面边界，右侧边界设置为压力出口. 迭代收敛残差值取1 × 10−5，时间步长为0.005 s，计算1000步，以r/R = 0.14型低风压正馈线为例，仿真计算得到常规正馈线和低风压正馈线在18 m/s风载荷下的阻力系数CD时程图，如图3所示. r/R = 0.14型低风压正馈线在18 m/s风载荷下的阻力系数时程曲线幅值明显小于常规正馈线，为各低风压正馈线中阻力系数幅值最小的一种. 对45 m跨距正馈线在只受重力作用下线索悬垂状态找形成功后，将阻力系数以线性插值的方式添加，得到常规正馈线和r/R = 0.14型低风压正馈线跨距中点在18 m/s风载荷作用下的垂向位移时程图，如图4所示. 在同一坐标系下，r/R = 0.14型低风压正馈线垂向位移曲线幅值明显小于常规正馈线，即r/R = 0.14型低风压正馈线能够降低舞动幅值.
2.2 气动力参数分析
对6种低风压正馈线和常规正馈线在不同风载荷下的气动力特性进行仿真计算，得到不同线型在不同风载荷下的阻力系数，如图5所示. 统计6种低风压正馈线在18 m/s风载荷作用下跨距中点横向和垂向位移最大值，如图6所示.
图 5 不同低风压正馈线模型阻力系数曲线Figure 5. Drag coefficient curves for different types ofcatenary positive feeder models由图5可知，常规正馈线和6种低风压正馈线风阻力系数基本上随风速的增大呈减小趋势，且在整个测试风速范围内，低风压正馈线阻力系数均小于常规正馈线，说明本文设计的低风压正馈线模型具有防舞效果. 其中：常规正馈线气动力参数在整个测试风速范围内随风速的增大而减小， r/R = 0.10～ 0.11型低风压正馈线阻力系数交替出现下降和上升；r/R = 0.12～0.15型低风压正馈线阻力系数先上升之后一直下降；r/R = 0.14型低风压正馈线除在24 m/s风速时阻力系数略大于r/R = 0.15外，在其余测试风速时阻力系数均小于其他测试对象，为测试对象中降阻效果最好的线型.
由图6可知，常规正馈线跨距中点横向位移最大值为1.338 m，垂向位移最大值为1.240 m，低风压正馈线跨距中点位移最大值均较常规正馈线小，且最大位移值随r/R值的增大整体上呈现下降的趋势，但r/R = 0.15型低风压正馈线位移最大值较r/R = 0.14型低风压正馈线大，说明低风压正馈线设计的关键在于找到恰当的r/R值；r/R = 0.14型低风压正馈线位移幅值最小，其横向位移最大值为0.990 m，垂向位移最大值为0.910 m，较常规正馈线分别下降26.0%和26.6%，与图5风阻力系数相对应，说明了本文仿真方法的合理性以及仿真结果的准确性.
3. 低风压正馈线受力特性分析
正馈线在舞动过程中线夹出口处会产生大小不断变化的集中应力，会加剧连接金具的磨损以及线索疲劳断股. 为研究低风压正馈线在舞动时的受力特性，根据国际大电网会议的建议，以线夹出口89 mm处导线的动弯应变来评估低风压正馈线的运行状况[7]. 对图5、6各正馈线仿真结果分析发现，r/R = 0.12，0.13，0.14型3种低风压正馈线防舞效果较佳. 因此，建立3种低风压正馈线89 mm长度三维模型，在有限元软件中对自由端面施加一定拉伸载荷，模拟正馈线舞动时的受力情况，分析低风压正馈线发生舞动时的形变量及应力特性[8-9].
3.1 建立有限元模型
兰新高铁现场架设的常规正馈线结构参数如表1所示，该正馈线铝的杨氏模量为59 GPa，泊松比为0.30，钢的杨氏模量为190 GPa，泊松比为0.28，额定拉断力为83.42 kN. 本文以常规正馈线结构参数为依据，建立89 mm长度低风压正馈线三维模型，在固定端建立三维坐标轴O-XYZ. 其中，r/R = 0.14型低风压正馈线三维模型如图7所示，最外层铝股线中央带有凹槽，股线数为8股，其他层股线结构参数与常规正馈线相同.
表 1 常规正馈线结构参数Table 1. Structural parameters of conventional positive feeder材料 层数 股数/股 直径/mm 节径/mm 节距/mm 绞向 钢 最内层 1 2.22 次内层 6 2.22 21 139.86 左 铝 次外层 10 2.85 13 160.68 右 邻外层 16 2.85 12 216.72 左 最外层 22 2.85 11 261.36 右 
图 7 r/R = 0.14型低风压正馈线三维模型Figure 7. Three-dimensional model of positive feeder with r/R = 0.143.2 仿真方法验证
1） 仿真设置. 在有限元软件中设置钢铝股线的材料属性，将每根股线的中心节点等效为一个整体，在相邻股线之间建立接触对. 在设置边界条件时，将正馈线模型位于线夹一端完全固定约束，即在模型的固定端端面上约束X、Y、Z 3个方向的自由度. 为防止产生端部效应，在模型的自由端端面上建立一个刚域点，将该端面上所有自由度与该刚域点耦合形成一个刚域面，在刚域点上施加运行张力. 最后，采用扫掠法对模型进行正六面体网格划分[10-12]，得到的模型网格图如图8所示.
2） 方法验证. 我国一般将导线的运行张力设定为15%～25% 额定拉断力[13]（rated tensile strength，RTS），兰新高铁考虑正馈线新线系数后正馈线的最大许用张力为32137 N，为额定拉断力的38.5%，但正馈线长期在最大许用张力下运行，容易导致疲劳断股. 本文对常规正馈线施加25% RTS，即20.855 kN拉力，仿真得出各层股线轴向张力，将仿真结果与式（1）正馈线各层股线理论张力计算式结果进行对比[14]，结果见表2.
表 2 常规正馈线各层股线轴向张力Table 2. Axial tension of each layer of conventional positive feederkN 材料 层数 理论值 仿真值 误差 钢 最内层 5.963 5.921 0.242 次内层 7.839 7.818 0.221 铝 次外层 3.956 3.651 0.305 邻外层 5.045 4.889 0.156 最外层 3.383 3.112 0.271 Fn=πd2n4znEncosαn×cos(αn√(1+εi)2+(tanαn−μεi)2−1)， (1) 式中：Fn为第n层股线轴向张力；dn为股线直径；zn为股线数；En为股线弹性模量；αn为拉伸前股线捻角；εi为股线轴向伸长率；μ为该层股线的泊松比.
由表2可知，常规正馈线在25% RTS作用下，2层钢芯承担了54.1%的拉力，3层铝股线承担了45.9%的拉力，这与正馈线的设计初衷和现场运行情况相符. 仿真值与理论值存在一定误差，是因为理论计算时未考虑股线之间的挤压和摩擦对正馈线应力的影响. 但误差仍处于合理范围内，故本文所采用的仿真方法能够恰当地模拟正馈线在受到轴向拉力时的应力-应变特性.
3.3 结果分析
3.3.1 低风压正馈线受力形变及应力分析
在有限元软件中对r/R = 0.12，0.13，0.14型低风压正馈线三维模型自由端面施加25% RTS，分别比较3种正馈线的形变位移及应力变化情况[15-16]. 其中，r/R = 0.14型低风压正馈线在施加25% RTS后，轴向整体形变及各层股线轴向形变如图9所示.
图 9 r/R = 0.14型低风压正馈线形变云图Figure 9. Deformation nephogram of positive feeder with r/R = 0.14由图9（a）可知，正馈线在受到轴向拉力的作用下会发生一定轴向形变，固定端形变量最小，越往自由端，形变量越大，这与现实情况相吻合. 由图9（b）可知，各层股线在受到轴向拉力的情况下，形变量是不同的，轴向形变量从钢层到铝层逐渐增大，至最外层铝股线达到最大，即在现实中正馈线舞动时，最外层铝股线最容易发生金属疲劳断股，这是由于钢的杨氏模量大于铝的杨氏模量，铝的延展性较钢强[17-18]，在同一拉力作用下，铝的形变量大于钢. 其次，正馈线在受到轴向拉力时，内层股线受到外层股线的挤压，使得内层股线的形变量小于外层股线.
对r/R = 0.14型低风压正馈线施加25% RTS，等效应力云图见图10，其纵向中心截面应变及形变云图见图11.
图 10 r/R = 0.14型低风压正馈线应力Figure 10. Stress nephogram of positive feeder with r/R = 0.14
图 11 r/R = 0.14型低风压正馈线轴向截面云图Figure 11. Axial section nephogram of positive feeder with r/R = 0.14由图10（a）可知，次内层钢股线在正馈线振动时承担了大部分轴向应力，且除最内层直钢股应力分布均匀外，其他层股线应力分布不均，但具有一定的规律，即应力极值点的位置与正馈线每层股线的绞向相同，这是因为正馈线在轴向拉力作用下，同层相邻股线在绞合方向上相互挤压，形成应力集中点. 从图10（b）可知，钢股等效应力远大于铝股，即在正馈线舞动时钢股承受了很大一部分应力，且应力在直钢芯两侧对称分布，应力从固定端和自由端到中间的变化趋势相似，保证了正馈线受力对称.
由图11（a）可知，股线轴向应变沿最内层钢股两侧对称分布，中心钢股承受了最大拉变，这符合正馈线的设计初衷，邻外层钢股出现了最大压变，这是因为该层股线受到相邻两层股线的挤压. 从图11（b）可知，由固定端到自由端整体形变量逐渐增大，自由端形变量远大于固定端；由于中心钢股非螺旋结构，且钢的杨氏模量大，延展性较铝差，抗拉强度大，所以形变量最小；次内层钢股和邻外层铝股在绞线中间位置附近受到相邻股线的严重挤压，出现了最大形变量.
对r/R = 0.14型低风压正馈线施加25% RTS，沿轴向坐标轴Z轴截取固定端Z = 0至自由端端面，间隔8.9 mm，共11个轴向应力截面，分析其轴向应力，其中4个应力截面如图12所示.
图 12 25% RTS作用下r/R = 0.14型低风压正馈线横向截面应力云图Figure 12. Stress nephogram of horizontal cross-section of positive feeder with r/R = 0.14 under 25% RTS由图12可知，正馈线在轴向载荷作用下会发生一定程度的扭转. 正馈线的不同截面轴向应力分布不同，中心直钢芯上应力分布较均匀，螺旋钢层和铝层同一股线应力呈阶梯状分布，且应力极值点位置与正馈线层绞合方向相关；从固定端端面到自由端端面的不同截面上，应力极值点位置从与绞合方向相反到与绞合方向相同，但均位于股线接触处，说明在股线接触位置容易出现应力集中点，易引起股线磨损断股；中间位置截面轴向应力呈现中心对称，且在提取的截面中应力最小，轴向应力整体上呈现两端大中间小的情况.
3.3.2 3种低风压正馈线受力特性比较
为更准确地反映3种低风压正馈线在25% RTS作用下的受力特性，对状态变化参数进行比较，得到3种低风压正馈线25% RTS作用下状态参数变化曲线，如图13所示.
图 13 3种低风压正馈线25% RTS作用下状态参数变化曲线Figure 13. Variation of state parameter for the three types of positive feeders under 25% RTS由图13（a）可知，2层钢股承受了绝大部分应力，邻外层铝股在3层铝股中承受的应力最大，不同型号低风压正馈线在25% RTS作用下，从内向外第1、4层股线承受的应力基本相同，最外层股线最大应力随r/R值的增大而增大. 由图13（b）可知，在轴向拉力的作用下，股线位移量从内层到外层依次增大，表明最外层铝线最容易疲劳断股. 由于中心钢股没有螺旋，抗拉强度大，所以r/R = 0.12，0.13，0.14型低风压正馈线中心钢股位移量基本相等，r/R = 0.13，0.14型低风压正馈线第2、4层股线位移量基本相等；r/R = 0.12型低风压正馈线第2、5层股线位移量均小于其他低风压正馈线，第5层股线位移量随r/R值的增大而增大.
4. 结 论
通过对设计的低风压正馈线进行防舞有效性仿真分析，发现低风压正馈线达到了预期效果，并对其中3种防舞效果较佳的低风压正馈线进行受力特性分析，得出以下结论，并对低风压正馈线的制造、选型及现场维护给出以下建议：
1） 低风压正馈线在受到轴向拉力时，铝股线的轴向形变量大于钢股线，为了平衡正馈线抗拉强度和导电性能，在制造正馈线时可以考虑将钢股线和铝股线交替绞制.
2） 在轴向载荷作用下，低风压正馈线在线夹处受到很大的应力，加剧了正馈线与线夹的磨损，容易导致股线断裂. 在正馈线的日常维护中应该加强巡视，确保线夹转动灵活，减小线夹处正馈线的静应力.
3） 低风压正馈线在轴向载荷作用下会发生一定程度的扭转，在股线接触处出现应力集中点，应力集中点位置与正馈线绞合方向相关. 在制造正馈线时可以考虑在股线表面覆缓冲层，减缓股线之间的振荡冲击，延长正馈线使用寿命.
4） 对3种防舞效果较为理想的低风压正馈线进行受力分析，发现在同一轴向载荷作用下，最外层铝股线层的位移量与r/R比值成正比例关系. 而r/R值越大，最外层铝股线横截面积越小，在正馈线舞动时越容易疲劳断股，因此，在低风压正馈线选型时应该综合考虑，平衡防舞有效性与使用寿命.
致谢：兰州交通大学天佑创新团队计划（TY202010）资助.
-
表 1 某汽车拆卸信息
Table 1. Disassembly information of a car
序号 任务名称 t/s h d C/（元•s–1） 序号 任务名称 t/s h d C/（元•s–1） 1 安全气囊 62 1 0 0.0096 21 底部护板 60 0 0 0.0083 2 蓄电池 162 1 1 0.0083 22 排气管 114 1 1 0.0090 3 废电液 405 1 0 0.0084 23 邮箱 118 1 1 0.0081 4 冷媒 120 1 1 0.0081 24 碳罐 28 0 1 0.0154 5 车轮 130 0 1 0.0110 25 散热器 112 0 0 0.0160 6 车门 353 0 1 0.0131 26 油液存储装置 344 1 1 0.0090 7 引擎盖 80 0 1 0.0119 27 空气滤清器 50 0 0 0.0109 8 保险杠 120 0 1 0.0112 28 制动组件 170 0 1 0.0152 9 车灯 115 0 0 0.0136 29 离合器踏板 52 0 0 0.0113 10 后备箱盖 112 0 1 0.0151 30 加速踏板 58 0 0 0.0171 11 挡风玻璃 80 1 0 0.0106 31 空调组件 132 0 0 0.0107 12 刮雨器 53 0 0 0.0089 32 转向系统 240 0 1 0.0095 13 刮雨电机 58 0 1 0.0128 33 发动机舱管路 172 0 0 0.0123 14 翼子板 60 0 1 0.0097 34 前悬架 231 0 1 0.0095 15 挡泥板 55 0 1 0.0161 35 后悬架 234 0 1 0.0140 16 座椅 238 0 1 0.0094 36 变速器 210 0 1 0.0074 17 安全带总成 115 0 0 0.0116 37 发动机 270 0 1 0.0149 18 方向盘 105 0 0 0.0152 38 内饰组件 240 1 0 0.0140 19 仪表板 302 0 0 0.0117 39 车身附件 98 0 0 0.0140 20 换挡手柄 116 0 0 0.0085 40 线速 115 0 0 0.0158 
下载: 导出CSV
表 2 U型汽车拆卸线任务分配方案
Table 2. Task allocation plan for U-shaped car disassembly line
编号 拆卸任务分配方案 f1/个 f2/s f3 f4/（元 • s–1） 1 [−38,−37,4]→[3,2,1]→[−32,−36,5,−29]→[−35,7,9,−24,
−28]→[6,−34,12]→[−33,−25,−30,13,10,14,15]→[8,16,17,20,−27]→[−23,−26,−22,21]→[18,19,31,11]9 33.0151 38 381.9464 2 [−38,−37,4]→[3,1,2]→[−32,−36,5,−29]→[−35,7,12,9,8,
−24]→[−28,−34,−33,13]→[−25,14,6,15,−27]→[10,16,20,
18,21]→[17,26,22,−30]→[−31,−19,−23,−11]9 28.1425 38 387.9549 3 [−38,−37,4]→[3,1,2]→[−32,−36,5,−29]→[−35,7,12,9,8,
−24]→[−28,−34,−33,13]→[−25,14,6,15,−27]→[10,16,20,
18,−30]→[19,−31,−23,−11]→[−26,−17,−22,−21]9 28.2843 38 385.6883 4 [−38,−37,4]→[3,2,1]→[−32,−36,5,−29]→[−35,7,9,8,12,
−24]→[−28,−34,−33,−30]→[−31,−19,−11,−23]→[−26,−20,−22,13]→[−18,−21,−17,−16,−10]→[−6,14,25,−15,−27]9 28.1780 38 386.4461 5 [−38,−37,4]→[3,2,1]→[−32,−36,5,−29]→[−35,7,9,−24,
−28]→[6,−34,12]→[−20,−33,−25,14,−30,15,−27]→[8,10,16,18,−13]→[17,19,31,−11]→[−26,−23,−22,−21]9 30.6268 38 382.1177 6 [−38,−37,4]→[3,2,1]→[−32,−36,5,−29]→[−35,7,9,−24,
−28]→[6,−34,12]→[−33,−25,14,−30,15,10,−27]→[8,16,
17,18,−13]→[20,19,31,−11]→[−23,−26,−22,−21]9 32.1870 38 382.1146 7 [−38,−37,4]→[3,2,1]→[−32,−36,5,−29]→[−35,7,12,13,9,
14,−24]→[−34,−33,−25,−30,15]→[6,10,8,−27]→[16,−28,20,18]→[17,19,31,−11]→[26,−23,−22,−21]9 29.2575 38 383.4016 8 [−38,−37,4]→[3,1,2]→[−32,−36,5,−29]→[−35,7,12,9,8,
−24]→[−28,−34,−33,13]→[−25,14,6,15,−27]→[10,16,
17,18,−30]→[19,31,−11,−23]→[26,20,−22,−21]9 28.4605 38 384.0424 9 [−38,−37,4]→[3,2,1]→[−32,−36,5,−29]→[−35,7,9,−24,
−28]→[6,−34,12]→[−33,−30,−25,13,14,15,10]→[8,16,18,17,−27]→[19,31,−11,−23]→[−20,−26,−22,−21]9 29.5973 38 382.1352 10 [−38,−37,4]→[3,2,1]→[−32,−36,5,−29]→[−35,7,9,−24,
−28]→[6,−34,12]→[−33,−30,−25,13,14,15,10]→[8,16,18,20,−27]→[17,19,31,−11]→[26,−23,−22,−21]9 29.8329 38 382.1253
下载: 导出CSV
-
[1] GÜNGÖR A, GUPTA S M. Disassembly line in product recovery[J]. International Journal of Production Research, 2002, 40(11): 2569-2589. doi: 10.1080/00207540210135622 [2] KALAYCI C B, HANCILAR A, GUNGOR A, et al. Multi-objective fuzzy disassembly line balancing using a hybrid discrete artificial bee colony algorithm[J]. Journal of Manufacturing Systems, 2015, 37: 672-682. doi: 10.1016/j.jmsy.2014.11.015 [3] REN Y P, YU D Y, ZHANG C Y, et al. An improved gravitational search algorithm for profit-oriented partial disassembly line balancing problem[J]. International Journal of Production Research, 2017, 55(24): 7302-7316. doi: 10.1080/00207543.2017.1341066 [4] BENTAHA M L, BATTAÏA O, DOLGUI A. Lagrangian relaxation for stochastic disassembly line balancing problem[J]. Procedia CIRP, 2014, 17: 56-60. doi: 10.1016/j.procir.2014.02.049 [5] AVIKAL S, JAIN R, MISHRA P K, et al. A heuristic approach for U-shaped assembly line balancing to improve labor productivity[J]. Computers & Industrial Engineering, 2013, 64(4): 895-901. [6] 肖钦心,郭秀萍,谷新军. 多类约束下的随机混流U型拆卸线平衡排序问题优化[J]. 工业工程与管理,2019,24(5): 87-96.XIAO Qinxin, GUO Xiuping, GU Xinjun. The stochastic mixed-model U-shaped disassembly line balancing and sequencing optimization problem with multiple constraints[J]. Industrial Engineering and Management, 2019, 24(5): 87-96. [7] 张则强,汪开普,朱立夏,等. 多目标U型拆卸线平衡问题的Pareto蚁群遗传算法[J]. 西南交通大学学报,2018,53(3): 628-637,660. doi: 10.3969/j.issn.0258-2724.2018.03.026ZHANG Zeqiang, WANG Kaipu, ZHU Lixia, et al. Pareto hybrid ant colony and genetic algorithm for multi-objective U-shaped disassembly line balancing problem[J]. Journal of Southwest Jiaotong University, 2018, 53(3): 628-637,660. doi: 10.3969/j.issn.0258-2724.2018.03.026 [8] GÜNGÖR A, GUPTA S M. Disassembly sequence plan generation using a branch-and-bound algorithm[J]. International Journal of Production Research, 2001, 39(3): 481-509. doi: 10.1080/00207540010002838 [9] MCGOVERN S M, GUPTA S M. A balancing method and genetic algorithm for disassembly line balancing[J]. European Journal of Operational Research, 2007, 179(3): 692-708. doi: 10.1016/j.ejor.2005.03.055 [10] KOC A, SABUNCUOGLU I, EREL E. Two exact formulations for disassembly line balancing problems with task precedence diagram construction using an AND/OR graph[J]. IIE Transactions, 2009, 41(10): 866-881. doi: 10.1080/07408170802510390 [11] AVIKAL S, MISHRA P K, JAIN R. A Fuzzy AHP and PROMETHEE method-based heuristic for disassembly line balancing problems[J]. International Journal of Production Research, 2014, 52(5): 1306-1317. doi: 10.1080/00207543.2013.831999 [12] KALAYCI C B, POLAT O, GUPTA S M. A hybrid genetic algorithm for sequence-dependent disassembly line balancing problem[J]. Annals of Operations Research, 2016, 242(2): 321-354. doi: 10.1007/s10479-014-1641-3 [13] 张则强,胡扬,陈冲. 求解拆卸线平衡问题的改进人工蜂群算法[J]. 西南交通大学学报,2016,51(5): 910-917. doi: 10.3969/j.issn.0258-2724.2016.05.013ZHANG Zeqiang, HU Yang, CHEN Chong. Improved artificial bee colony algorithm for disassembly line balancing problem[J]. Journal of Southwest Jiaotong University, 2016, 51(5): 910-917. doi: 10.3969/j.issn.0258-2724.2016.05.013 [14] 苏亚军,张则强,胡扬. 求解拆卸线平衡问题的一种变邻域搜索算法[J]. 现代制造工程,2016(10): 19-25.SU Yajun, ZHANG Zeqiang, HU Yang. A variable neighborhood search algorithm for disassembly line balancing problem[J]. Modern Manufacturing Engineering, 2016(10): 19-25. [15] 朱兴涛,张则强,朱勋梦,等. 求解多目标拆卸线平衡问题的一种蚁群算法[J]. 中国机械工程,2014,25(8): 1075-1079. doi: 10.3969/j.issn.1004-132X.2014.08.016ZHU Xingtao, ZHANG Zeqiang, ZHU Xunmeng, et al. An ant colony optimization algorithm for multi-objective disassembly line balancing problem[J]. China Mechanical Engineering, 2014, 25(8): 1075-1079. doi: 10.3969/j.issn.1004-132X.2014.08.016 [16] WU H S, ZHANG F M. Wolf pack algorithm for unconstrained global optimization[J]. Mathematical Problems in Engineering., 2014, 2014: 465082.1-465082.17. [17] TIZHOOSH H R. Opposition-based learning: a new scheme for machine intelligence[C]//International Conference on Computational Intelligence for Modelling, Control and Automation. Vienna: IEEE, 2005: 695-701. [18] 丁力平,谭建荣,冯毅雄,等. 基于Pareto蚁群算法的拆卸线平衡多目标优化[J]. 计算机集成制造系统,2009,15(7): 1406-1413,1429.DING Liping, TAN Jianrong, FENG Yixiong, et al. Multiobjective optimization for disassembly line balancing based on Pareto ant colony algorithm[J]. Computer Integrated Manufacturing Systems, 2009, 15(7): 1406-1413,1429. [19] DEB K, PRATAP A, AGARWAL S, et al. A fast and elitist multiobjective genetic algorithm:NSGA-II[J]. IEEE Transactions on Evolutionary Computation, 2002, 6(2): 182-197. doi: 10.1109/4235.996017 [20] MCGOVERN S M, GUPTA S M. Ant colony optimization for disassembly sequencing with multiple objectives[J]. The International Journal of Advanced Manufacturing Technology, 2006, 30(5/6): 481-496. [21] 李六柯,张则强,邹宾森,等. 免疫机制协作遗传算法的多目标拆卸线平衡优化[J]. 信息与控制,2018,47(6): 671-679.LI Liuke, ZHANG Zeqiang, ZOU Binsen, et al. Optimization of multi-objective disassembly line balancing problem using immune mechanism cooperative genetic algorithm[J]. Information and Control, 2018, 47(6): 671-679. 期刊类型引用(1)
1. 詹宝容，庾锡昌. 联合收割机裂纹转子与滚动轴承故障诊断系统研究——基于卷积神经网络. 农机化研究. 2024(05): 187-191 . 
百度学术其他类型引用(4)
-
下载:
下载:
百度学术
点击查看大图
计量
- 文章访问数: 367
- HTML全文浏览量: 156
- PDF下载量: 20
- 被引次数: 5