不确定条件下的多目标件选择性拆卸序列规划模型

因进入生命终端的报废汽车质量已发生较大变化,科学合理地处理拆卸过程的不确定性更加贴合工程实际。由此,以高效、合理地拆卸废旧汽车中的零部件为目标,考虑零部件质量状态和连接关系的不确定,采用概率分析法对拆卸方式进行改进,融合破坏性拆卸和非破坏性拆卸两种拆卸方式,构建了不确定条件下的多目标件选择性拆卸序列规划模型。最后基于GAMS平台进行了实例分析,验证了其可行性和实用性。

面向复杂机械产品的目标选择性拆卸序列规划方法

为提高复杂产品目标选择性拆卸序列规划的效率,基于自底向上的思想,提出一种拆卸混合图和粒子群算法相结合的方法。为了表达产品零部件间的内部约束和拆卸优先关系,建立产品拆卸混合图模型,并推导出可拆卸性约束表达式。基于粒子群优化算法,给出目标选择性拆卸序列规划问题的数学描述和粒子适应度计算公式。利用图深度搜索算法确定拆卸目标位置,并设计目标驱动递归推理法生成可行目标选择性拆卸序列,以此初始化粒子,通过粒子进化,实现了复杂产品目标选择性拆卸序列最优化的快速求解。以一个全自动洗衣机为拆卸实例,用所提方法进行目标选择性拆卸序列规划求解,通过分析试验结果,证明了该方法的有效性和可行性。

面向机械零件设计的可选择性拆卸策略研究

机械零件可选择性拆卸规划能够实现从一个装配体上拆除一个或几个零件,这对于产品维修、报废处理和回收利用是非常有用的。尽管完全拆卸规划算法也能得到可行的拆卸序列,但由于完全拆卸规划方法需要将装配体的所有零件都进行拆卸,通过适当的分析和评价也能找到所需的可行拆卸序列,但这是非常困难的,特别当零件数量较多时,通常得不到最优解。本文在建立广义的机械零件CAD模型的基础上,定义了装配体中的拆卸波是装配体中某些零件的一种拓扑关系,可反映零件之间的拆卸顺序。并在此基础上提出了一种基于拆卸波的零件可选择性拆卸规划算法。该算法的计算量小,容易用它来进行高效的搜索,获得最优的零件可选择性拆卸序列。

考虑多目标件的异步并行选择性拆卸序列

基于异步并行拆卸概念,提出一种考虑多目标件的异步并行选择性拆卸序列规划方法。通过对多目标件选择性拆卸问题的分析,基于优先关系获取最小拆卸零部件合集,并构建异步并行选择性拆卸序列规划的数学模型。根据所研究问题改进遗传算法,采用两段式编码与解码方法,融入路径重连思想,以快速寻得最优(近优)解。通过对汽车发动机进行案例分析,并在不同初始条件下对改进遗传算法运行结果进行分析,验证了改进遗传算法的有效性与可行性。

多目标选择性拆卸序列优化问题的分散搜索算法

针对多资源约束下顺序依赖的选择性拆卸序列优化问题,建立以最大拆卸收益和最小拆卸时间为优化目标的多目标数学模型,提出了一种多目标分散搜索优化算法进行求解.该算法针对本文问题的特点设计了一种保持足够多样性的初始解生成方法,满足拆卸优先关系的交叉组合算子以及改进的参考集更新策略.为了进一步提高解的质量设计了一种局域搜索策略,并利用外部存档方法存放pareto解集.应用多组实例进行计算实验,并与其他求解该问题的算法进行比较,实验结果表明本文算法优于对比算法,证明本文模型和算法求解本类问题有效.

有限空间装配体选择性拆卸研究

在分析现有聚类拆卸方法的基础上,针对有限空间选择性拆卸的特点提出选择性拆卸中最小聚类零件集概念,并将无向图(产品结构网络图)和有向图(拆卸稳定图)相结合,给出求解有限空间中进行选择性拆卸时最小聚类零件集的算法,同时给出了有限空间寻找最优拆卸序列的方法。利用该算法对减速齿轮箱的选择性拆卸进行计算,结果表明,利用该算法得出的最小拆卸零件集进行聚类可以提高聚类计算效率。

基于遗传蝙蝠算法的选择性拆卸序列规划

针对产品选择性拆卸序列规划问题,提出一种基于遗传蝙蝠算法的产品拆卸序列规划方法.利用Python语言对传统蝙蝠算法进行离散化处理,并在种群更新过程中引入遗传算法的交叉与变异机制,生成遗传蝙蝠算法,以增强解搜索的多样性;在构建适应度函数模型时以拆卸工具的变化次数与拆卸方向的重新定位次数作为评价指标,同时加入零部件的回收收益指标,使适应度函数更加完善.以工业机械臂为实例,利用所提方法进行产品拆卸序列规划求解,对比传统蝙蝠算法以及遗传算法的求解结果,发现在一定的种群数目下,所提方法收敛时间较短;在不同种群数目下,所提方法得到的适应度函数最优值质量较高,从而验证了遗传蝙蝠算法的搜索优越性.

产品在CATIA环境下的选择性拆卸研究

随着制造业者环保意识的增强,产品退役后的可拆卸性已经成为制造业中需要考虑的一个重要的内容。由于在生产之前,很多产品利用三维软件来进行前期设计,因此本文利用CATIA强大的产品设计功能及装配理论,对产品进行简化、分析及建模后,再进行可拆卸性分析。

基于改进蛙跳算法的多目标选择性拆卸序列规划方法

为提高产品再制造拆卸效率与收益,提出基于多目标改进蛙跳算法的多目标件选择性拆卸序列规划方法。首先优化拆卸信息建模方法,利用紧固件约束矩阵和结构件约束矩阵,构建产品拆卸信息模型并构造可行解;以拆卸时间最小化和拆卸收益最大化为目标,以多目标件价值为导向构建一种新的多目标选择性序列评价方法,同时构建多目标件选择性拆卸序列规划数学模型。融入Pareto思想构建多目标改进蛙跳算法,提出三段式编码构建青蛙个体,以实现选择性拆卸序列的多样性调节;采用基于快速非支配排序与拥挤度比较思想的改进排序分组策略进行多目标优化蛙群分组;提出基于调节位置的调节序方法对子蛙群局部搜索方式进行离散化处理,并构建新的青蛙个体位置更新公式,同时通过构建青蛙个体更新次劣域增加信息源以实现子群体充分交流;为兼顾信息交互深度和多样,提出一种新的交叉和变异思想构建全局信息交互策略。最后,通过不同规模的拆卸实例,将改进后的多目标蛙跳算法与多目标算法NSGA-Ⅱ和粒子群算法进行多指标对比分析,验证了该算法的可行性与优越性。

基于规则的递归选择性拆卸序列规划方法

拆卸序列规划是产品维修性设计的一个重要内容。然而完全的拆卸序列通常是不实际的。选择性拆卸序列规划方法强调从产品中选择一个或多个零件用来维护。本文提出一个基于规则的递归方法用来生成拆卸序列。大多以前的方法枚举出所有的拆卸序列或利用随机的方法生成拆卸序列。相反,本文提出的方法利用规则消除那些不可能的拆卸序列。最后,结合机动煞车给出了应用实例,验证本文方法的有效性。

多目标件选择性拆卸序列规划数学模型

废旧汽车总体存量大、资源价值高,对其进行零部件回收拆卸,可以有效地减少环境污染以及资源浪费。选择性拆卸作为满足产品再制造,再利用的实用性环节,可实现废旧资源利用最大化。拆卸序列规划研究可以有效降低拆卸成本、提高效率,为拆卸过程提供具体科学有效的序列规划方案,避免拆卸的盲目性,因而逐渐受到愈加广泛的关注。由此,以合理、高效地拆卸废旧汽车中的零部件为目标件,研究面向多目标件的选择性拆卸序列规划问题。为满足序列的可行性,在保证各约束的前提下,提出了拆卸成本最小化的整数规划模型。最后基于GAMS平台进行了实例分析,验证了其可行性和实用性。

基于改进遗传算法的选择性拆卸序列规划

选择性拆卸序列规划(SDSP)是民用飞机维修规划的一个重要内容,也是在设计阶段对民用飞机产品维修性的评估。为了能以较高的效率求解出产品拆卸序列的方案,首先根据拆卸特点构建了产品拆卸混合图模型。该模型描述了零部件之间的连接关系和优先关系,然后通过对目标零件的分析产生选择性拆卸零件集合。在此基础上建立目标函数并利用基于二叉树的遗传算法的计算速度和灵活性等特点对目标零件拆卸序列进行优化。最后,通过一个实例,验证了文中方法的可行性及优化算法的有效性。

基于蚁群算法的选择性拆卸序列规划研究

为提高选择性拆卸序列规划的效率，提出了基于蚁群算法的选择性拆卸序列规划方法．建立混合优先关系图，表达了产品各零部件间的几何约束关系和拆卸过程中的稳定性影响．针对拆卸目标件，基于混合优先关系图获取拆卸零件集合，保证准确、快速地拆卸目标零件．运用动态候选集合策略限制蚁群的搜索空间，构建了能快速求解的目标件拆卸序列规划方法．最后通过实例验证了所构建方法的有效性和可行性．该方法充分考虑装配过程中的几何关系约束和装配过程中稳定性的影响，使所得解更具有实际指导意义．

考虑不定拆卸程度的选择性异步并行拆卸序列规划

针对废旧产品再生过程中常用的选择性拆卸规划方法无法全面考虑所有零部件再生收益的问题,提出了考虑不定拆卸程度的选择性异步并行拆卸序列规划方法。通过拆卸混合图表达产品零部件之间的连接关系和优先约束关系,在此基础上,以目标件逆向搜索出的最小必拆零件集合为拆卸程度下限,获取不同拆卸程度集合;以拆卸时间最小、拆卸利润最大为优化目标建立了数学模型,提出了一种改进的生物地理学优化算法进行求解优化;结合拆卸序列规划问题特点,设计了基于三层链表的编码方式,采用随机拓扑结构以提高算法的搜索能力;最后以机械臂与二级圆柱圆锥齿轮减速器为实例,验证了所提模型和方法的可行性和有效性。

支持再制造的选择性并行拆卸序列规划方法

选择性并行拆卸是再制造的关键步骤,为提高再制造拆卸效率,提出一种基于遗传算法的选择性并行拆卸序列规划方法.根据产品拓扑结构和拆卸优先级关系构建了产品拆卸混合图模型,并表示为关联矩阵、邻接矩阵和约束矩阵;提出了目标驱动推演法的目标组件初始拆卸解集合获取方法,由此构建初始种群,并利用关联矩阵剔除不合理解,以提高算法的收敛速度;改进了选择、交叉、变异等染色体进化规则,由此求出了目标组件(近似)最优的并行拆卸序列.最后,通过实例验证了该方法的可行性和有效性.

多资源约束下批量拆卸优化方法

拆卸建模和规划对废旧产品的回收和再利用具有重要意义,目前的拆卸方法很少关注多资源约束对拆卸问题的影响。根据批量拆卸优化问题的特点,建立了多资源约束下以拆卸获得收益最大为优化目标的批量拆卸优化问题的数学模型,采用CPLEX软件对多资源约束下批量拆卸优化问题进行求解。为了验证该模型在求解此类批量拆卸优化问题的有效性,采用多组随机算例的仿真实验对其验证,结果表明该模型求解此类问题有效。

多资源约束批量拆卸优化模型及算法

针对环境意识制造研究领域的废旧产品拆卸,提出了一类多资源约束批量拆卸优化方法.以拆卸时间最小为优化目标,建立了该方法的数学模型,采用CPLEX软件对模型进行求解,通过多组随机算例的仿真实验验证了该模型在求解此类批量拆卸优化问题的有效性.实验结果表明,所提方法和模型能够求解该问题的最优拆卸数量和购买数量,确定每类零部件是否进行拆卸,同时满足每个零部件的外部需求;节点的入度/出度和共有部件所占的百分数对问题求解难度有一定的影响.

多资源约束批量拆卸优化模型及其求解

批量拆卸是再制造过程中非常重要的一个环节,通过批量拆卸对于实现材料回收和可用零部件的再造有重要意义。针对多资源约束批量拆卸中选择性拆卸问题进行建模,建立以最大拆卸收益为目标的选择性拆卸优化模型,并采用CPLEX软件优化,以求得多资源约束条件下满足外部需求的选择性拆卸优化问题的优化解,并通过多种实例验证了模型的正确性和有效性。