1、基于复杂性分析的多材料车身装配任务分配 李艳萍 上海电机学院机械学院 摘 要： 为解决多种轻量化材料在车身 (BIW) 上应用带来的复杂装配问题, 引入复杂性理论描述多材料车身装配的复杂性, 进行基于复杂性分析的多材料车身装配任务分配。依据车身装配操作中复杂性的来源, 进行车身装配操作选择复杂性和装配操作执行复杂性的分类描述与度量, 并建立基于复杂性分析的装配任务分配优化模型, 算法求解得到装配系统复杂性最小的任务分配优化。实例验证了基于复杂性分析的装配任务分配的可行性, 为研究基于复杂性分析的智能制造装配系统优化提供依据。关键词： 复杂性分析; 装配任务分配; 系统优化; 白车身; 多材料;
2、 轻量化; 作者简介：李艳萍 (1978-) , 女, 讲师, 博士, 主要研究方向为数字化设计制造, E-mail:收稿日期：2017-10-20基金：上海市高校青年教师培养计划资助 (A1022715035003) Assembly Task Planning of Multi-material Car Body-in-White Based on Complexity AnalysisLI Yanping School of Mechanical Engineering, Shanghai Dianji University; Abstract： To solve the complex
3、 assembly problem caused by multiple lightweight materials used in car body-in-white (BIW) , a complexity theory is introduced to describe the assembly operation complexity of multi-material car body.A model of assembly task planning is established for multi-material BIW assembly based on the assemb
4、ly operation complexity metrics, taking complexity of the assembly operations as an indicator of tasks assignment.A door assembly is taken as an example of algorithm optimization solution to obtain the minimum complexity.To verify validity of the assignment based on complexity, it is compared with t
5、ask allocation on the assembly node time.This also provides an indication to further studies on the optimization of a multi-parameter system.Keyword： complexity analysis; assembly task allocation; system optimization; car body-in-white (BIW) ; multi-material; light weight; Received： 2017-10-20面向工业 4
6、.0 的智能制造, 个性化需求和小批量生产的增加, 制造变得日益复杂和多样化1。白车身 (Car Body-in-White, BIW) 是由 400 多个零部件组成的装配体, 其装配制造占据车身设计制造系统工程 50%以上的工作量2。同时, 由于节能环保要求的日益提高, 车身制造由单一钢材料车身改变为多种轻量化材料车身3, 装配零部件的种类和数量增加, 装配关系愈加复杂, 装配连接工艺、装配资源等相应增加4-5。增加的车身装配多样化和不确定性为车身复杂装配带来新的特点。装配任务分配是装配工艺规划设计及装配过程组织和管理的重要内容, 对于整个装配过程的稳定运行和控制具有重要作用6。装配任务分配
7、过程不仅要考虑操作设备和连接位置坐标等数学因素, 同时也需要考虑繁复的工艺约束条件7。现场装配的任务分配, 多以装配节点任务时间作为分配价值指标, 添加不同的几何和工艺约束, 建立车身装配任务分配和工艺规划6,8-10。多样化和不确定性增加的多材料车身装配复杂性, 对装配操作乃至整个车身最终装配的质量都是一个新的挑战, 需要增加考虑装配复杂性对车身装配的影响, 探索基于复杂性分析的装配任务分配的工艺规划方法。本文引入复杂性理论, 研究多样化和不确定性增加的多材料车身装配任务分配问题。先依据车身装配实际中复杂性的直接来源对象, 建立多材料车身装配操作复杂性的分类描述与度量;然后, 考虑车身装配任
8、务分配对多材料车身装配复杂性的影响, 建立基于复杂性分析的多材料车身装配任务分配优化模型, 并启发式搜索求解得到装配系统复杂性最小的装配任务分配。以某型车门装配任务分配为例, 验证方法的可行性, 为进一步研究基于复杂性分析的智能制造装配系统优化提供数值参考和依据。1 多材料车身装配操作复杂性1.1 装配操作复杂性的来源装配操作是车身装配制造过程中进行的各类装配执行和认知活动的集合, 包括涉及到的产品零件、制造资源和工艺知识及劳动力要素10。文献11中将操作复杂性描述为产品相关的任务信息及工艺生产逻辑相关的函数。为实现多材料车身零部件装配, 需要根据装配工艺文件的要求, 选择合适的装配工艺、设备
9、、工装夹具及合适的装配顺序等装配操作选择行为;然后, 通过对装配零部件进行装夹定位及调整、工艺及工艺参数的改变与调整、设备和工装夹具等装配资源的改变与调整等操作执行行为, 实现车身零部件的装配8。因此, 可根据装配进程将多材料车身装配分为操作选择阶段和操作执行阶段。与之对应的复杂性区分为操作选择复杂性 (Operational Choice Complexity, OCC) 和操作执行复杂性 (Operational Perform Complexity, OPC) 。装配操作各类复杂性之间可通过系统的方式被分解或相互关联。图 1 所示为装配操作的各类复杂性关联图。图 1 车身装配操作各复杂性
10、关联 Fig.1 Association of complexity from BIW assembly operation 下载原图1.2 装配操作复杂性的度量1.2.1 装配操作选择复杂性 C指选择过程中的平均不确定性, 可用随机选择过程熵率的线性函数表示12。文献13中基于选择反应与选择数量的关系, 假设各类操作选择独立同分布时, 建立其选择复杂性的信息熵函数。而多材料车身装配操作选择, 由于装配目标和对象的一致性, 各装配操作选择之间具有相互依赖和制约的非独立相关性, 如装配工艺选择为零件选择下的条件选择;同样, 装配工装设备等的选择, 为实现装配工艺而进行的工艺选择下的条件选择。因而
11、, 多材料车身装配各操作选择可描述为对应某种选择下的条件选择, 其装配操作复杂性可由基于条件熵14的信息熵来描述装配操作选择的多样性和不确定性。两个均有 M 种 (从 1M 编号) 供选者的连续选择, X 为第 1 选择, Y 为第 2 选择。p (xa, yb) 表示连续事件X=x a, Y=yb的概率, 其中 a, b1, 2, , M。Y的条件熵 H (Y|X) 为在已知 X 的值时 Y 的预期熵, 即由图 1 可见, 零件选择为实现车身装配的首要选择, 建立其复杂性可由对应零件选择的信息熵 Hpart度量;工艺选择为零件选择下的条件选择, 其复杂性可由对应零件选择的条件熵 Hproc度
12、量;设备和工具的选择均为装配工艺选择下的条件选择, 对应装配设备、工具选择的条件熵为 Hequ和 Htol;而装配夹具和装配顺序的选择, 为对应零件选择下的条件选择, 其复杂性分别为夹具选择条件熵Hcla和装配工具选择条件熵 Hseq;即1.2.2 装配操作执行复杂性 C指装配操作执行过程中产生的复杂性。依照装配操作执行对象主要包括零件定位、测量及调整过程中产生的复杂性 Cpart和装配资源的设置、改变与调整过程中的复杂性 Cres;后者具体包括设备改变、调试与调整复杂性 Cequ、工具与辅助工具的操作执行复杂性 Ctol以及夹具的安装、定位、调整与改变的操作执行复杂性 Ccla等8。多材料车
13、身装配操作执行复杂性的描述与度量, 由各类装配操作执行复杂性的叠加实现。1.2.3 车身装配操作复杂性 CO其由装配操作选择复杂性 C 与装配操作执行复杂性 C 共同决定13。假定用 kcu (kcu=kc1, kc2, , KC) 为各类装配操作选择复杂性编号, kp v (kpv=kp1, kp2, , KP) 为各类装配操作执行复杂性编号, 并考虑各类操作复杂性影响权重的不同, 多材料车身装配操作复杂性可表示为为简化计算, 设 , 则式 (3) 可简化为2 基于复杂性分析的装配任务分配问题描述装配复杂性与装配的难易程度及其错误率都直接相关, 复杂性越高则导致装配的难度越大, 装配出现错误
14、的概率越高, 因此, 以装配复杂性作为装配任务分配的满意度时, 以复杂性越小越优为目标, 装配任务分配的目标是使所有人员完成所分配任务复杂性 Cj=C1, C2, , Cm (j 为装配人员数量, j=1, 2, , m) 的最大值最小, 即若将零部件装配操作复杂性作为待分配的任务, 装配人员作为待分配任务的背包, 各零部件装配操作复杂性作为任务分配的价值满意度 (采用装配复杂性的倒数作为评价标准) , 则多材料车身装配任务分配给多台设备或操作人员的问题, 可类比于基于满意度最大的多背包问题15。建立多材料车身复杂装配任务分配的多背包模型:设有 m 个装配人员 Mj (M1, M2, , Mm
15、) , n 个零部件 Ei (E1, E2, , En) 的装配任务分配, 其中每个零部件装配包含 k (k=1, 2, , K) 类装配复杂性。用 C (mn) 与 C (nk) 的两级分层矩阵表示多材料车身装配任务分配的复杂性, 装配零部件 i 的第 k 类装配操作任务分配给操作人员 j 得到的复杂性为 Cij, 其值愈小, 任务分配获得的价值满意度愈大。若装配零部件 i 需要完成 k (k=1, 2, , K) 类装配操作任务 (包括装配操作选择和装配操作执行) , 则装配零部件 i 的装配任务复杂性可表示为则装配任务分配问题的优化目标函数为式中, C j为约定的每位操作人员可承担的最大
16、复杂性;X ij为第 i 个零件装配的第 k 类装配操作任务是否分配给第 j 个装配人员的判断系数, 若是则 Xij=1, 否则, X ij=0。式 (6) 中, 约束方程 (i) 表示确保每个装配人员都分配到任务;约束方程 (ii) 表示分配给每位操作工人的装配任务复杂性不应超过 Cj;约束方程 (iii) 为任务分配与否的决策向量。3 建立装配任务分配优化模型基于复杂性分析的多材料车身装配任务分配包括 2 个方面: (1) 依据车门零部件装配实际工艺设计及现场要求, 确定车门各零部件装配任务的分解; (2) 根据装配人员和装配设备的工作区域约束, 对装配任务进行初步任务分组。假定以下条件成
17、立: (1) 假设装配零部件的操作可通过装配操作选择和装配操作执行实现, 并忽略其他额外操作; (2) 装配操作任务量可由装配各操作选择复杂性和操作执行复杂性度量; (3) 由于受到设备位置的影响, 装配人员初始位置和其活动范围不加改变, 以便实现装配任务的初次分组。建立多材料车门装配任务分配多背包问题的优化目标函数为式中, F 为装配任务分配问题;f 为多背包问题的优化算法;R (g) 为依据零部件群所处的位置是内框或外框来分配任务;S (g) 为依据零部件群所处的位置是水平或者垂直来分配任务;P (g) 为依据装配工艺类型进行的任务分组;X ij为决策变量, 若 Xij=1, 表示装配任务
18、 i 的第 k 类装配操作分配给操作人员 j, 若 Xij=0, 则表示不分配;g (C i) 为任务分组, 由工艺员根据车身装配现场条件实现, i=1, 2, , n, k=1, 2, , k;z为装配任务在装配群中的位置 (位置紧密性) ;P为依照装配工艺类型进行的装配任务分组, 为每位装配人员的装配操作复杂性。4 实例装配任务分配以某型多材料车门零部件装配为例, 进行基于复杂性分析的装配任务分配。车门零部件装配模型如图 2 所示。图 2 车门零部件装配 Fig.2 Assembly of door parts 下载原图根据车门零部件的尺寸和装配设备的位置, 为满足车门装配生产线节拍并保障
19、装配线的平衡, 装配任务分配由 2 名装配人员实现。每位装配人员根据其灵活移动的范围, 设定其正常站立位置为起始点位置, 活动界限为其设定的工作区域范围。依据车门零部件装配实际工艺设计及现场要求, 确定车门各零部件的装配任务分解如图 3 所示。根据装配操作人员和装配设备的工作区域约束, 将装配操作选择和装配操作执行分别作为任务分配的目标进行分配, 实现装配任务的初步分组, 然后在此基础上进行公共区域的装配任务分配。遗传算法优化求解车门装配任务分配优化问题, Matlab 算法编程实现各装配人员的任务分配, 最终得到的分配结果如表1 所示。图 3 车门装配结构分解 Fig.3 Decomposi
20、tion of door assembly 下载原图由表可见: (1) 分配给装配人员 A 和 B 的装配任务复杂性大致相当, 且均未超出给定的可承受复杂性范围; (2) 分配的装配任务, 既包含 1 位操作人员单独完成装配, 也存在装配区域和位置限制时 2 名装配人员共同完成装配的任务。这符合装配位置的便利性和装配复杂性的平衡优化。为检验装配任务分配结果与装配线工艺规划设计的一致性, 比较该车门基于复杂性分析的装配任务分配与基于装配节点任务时间的分配。假定装配连接工艺为点焊, 根据装配零部件的几何结构性能要求, 得到各零部件对应的装配连接点数 (或连接工艺形式, 如外板折边、涂胶) 。考虑零
21、部件内的工艺操作时间, 忽略装配人员应用设备到连接点距离的时间, 得到各装配人员分得的任务复杂性与其任务对应装配时间的对比, 如表 2 所示。由表可见, 基于复杂性分析的装配任务分配, 装配人员 A、B 的装配连接总时间分别为 129s 和 123s, 在可接受的时间偏差范围内;每位装配人员所需装配时间大致相当, 保障了装配任务分配操作时间的平衡, 在一定程度上验证了基于复杂性分析的装配任务分配可行性。另一方面, 装配任务的复杂性与装配时间具有关联一致性, 较高的装配操作复杂性导致装配操作时间也较长。各装配任务分配对应的装配复杂性及装配时间的对比, 如表 3 所示。表 1 车门装配任务分配及其
22、复杂性 Tab.1 Assignment of door assembly task and its complexity 下载原表 表 2 任务分配对应的装配时间 Tab.2 Assembly time corresponding task assignment 下载原表 表 3 装配复杂性及装配时间比较 Tab.3 Comparison between assembly complexity and assembly time 下载原表 5 结语本文引入复杂性理论描述多材料车身装配操作的复杂性, 建立基于复杂性分析的多材料车身装配任务分配。依据车身装配操作复杂性的来源, 建立复杂性的描述和
23、基于条件信息熵的复杂性度量;并基于装配操作复杂性度量, 建立了车身装配操作任务优化分配模型, 遗传算法搜索求解得到装配系统复杂性最小的任务分配。车门实例装配验证了方法的可行性和有效性。后续研究将结合车身装配复杂性与装配操作时间、装配工艺要求等进行车身装配工艺规划和装配生产线的多目标优化。参考文献1赵福全, 刘宗巍, 史天泽.中国制造 2025 与工业 4.0 对比解析及中国汽车产业应对策略J.科技进步与对策, 2017, 34 (14) :85-91. 2刘银华, 纪飞翔, 叶夏亮.车身多工位装配系统可靠性评估与维护策略研究J.中国机械工程, 2016, 27 (2) :273-277. 3郭
24、玉琴, 朱新峰, 杨艳, 等.汽车轻量化材料及制造工艺研究现状J.锻压技术, 2015, 40 (3) :1-6. 4SARTISSON V, MESCHUT G.Self-locking selfpierce riveting:a new self-pierce riveting technology for multi-material applications in lightweight car body structuresJ.Welding in the World, 2017, 61 (5) :1049-1056. 5刘亮, 黄健, 齐二石.基于顾客选择和制造复杂性优化的并行装配
25、系统设计方法J.工业工程与管理, 2016, 21 (2) :59-67. 6吴永明, 戴隆州, 李少波, 等.基于改进粒子群优化算法的混流装配线演进平衡J.计算机集成制造系统, 2017, 23 (4) :781-790. 7徐立云, 蔡炳杰, 曲宝升, 等.任务分区及工位约束下装配线第二类平衡研究J.同济大学学报 (自然科学版) , 2016, 44 (2) :269-275. 8石炳坤, 贾晓亮, 白雪涛, 等.复杂产品数字化装配工艺规划与仿真优化技术研究J.航空精密制造技术, 2014, 50 (1) :46-48, 60. 9常辉娟.基于 Tecnomatix 软件的白车身工艺规划与
26、仿真验证J.科技与创新, 2015 (8) :93-95. 10CHEN Y Y.A hybrid algorithm for allocating tasks, operators, and workstations in multi-manned assembly linesJ.Journal of Manufacturing Systems, 2017, 42:196-209. 11ELMARAGHY W H, URBANIC R J.Modelling of manufacturing systems complexityJ.CIRP Annals-Manufacturing Tech
27、nolog, 2003, 52 (1) :363-366. 12ZELTZER L, AGHEZZAF E H, LIMERE V.Workload balancing and manufacturing complexity levelling in mixed-model assembly linesJ.International Journal of Production Research, 2017, 55 (10) :2829-2844. 13ZHU Xiaowei, HU S J, KOREN Y, et al.Modeling of manufacturing complexit
28、y in mixed-model assembly linesJ.Journal of Manufacturing Science and Engineering, 2008, 130 (5) :051013. 14DAI Jianhua, WANG Wentao, TIAN Haowei, et al.Attribute selection based on a new conditional entropy for incomplete decision systemsJ.Knowledge-Based Systems, 2013, 39:207-213. 15贺毅朝, 王熙照, 李文斌, 等.基于遗传算法求解折扣0-I背包问题的研究J.计算机学报, 2016, 39 (12) :2614-2630.
