摘要：In recent years,multiple-load automatic guided vehicle(AGV)is increasingly used in the logistics transportation fields,owing to the advantages of smaller fleet size and fewer occurrences of traffic ***,one main challenge lies in the deadlock-avoidance for the dispatching process of a multiple-load AGV *** prevent the system from falling into a deadlock,a strategy of keeping the number of jobs in the system(NJIS)at a low level is adopted in most existing *** is noteworthy that a low-level NJIS will make the processing machine easier to be starved,thereby reducing the system efficiency *** motivation of the paper is to develop a deadlock-avoidance dispatching method for a multiple-load AGV system operating at a high NJIS ***,the deadlock-avoidance dispatching method is devised by incorporating a deadlock-avoidance strategy into a dispatching procedure that contains four *** this strategy,critical tasks are recognized according to the status of workstation buffers,and then temporarily forbidden to avoid potential ***,three multiattribute dispatching rules are designed for system efficiency,where both the traveling distance and the buffer status are taken into ***,a simulation system is developed to evaluate the performance of the proposed deadlock-avoidance strategy and dispatching rules at different NJIS *** experimental results demonstrate that our deadlock-avoidance dispatching method can improve the system efficiency at a high NJIS level and the adaptability to various system settings,while still avoiding potential deadlocks.

摘要：针对柔性作业车间环境下自动导引车系统单向导引路径网络设计问题,以最小化最大完工时间为目标,提出一种改进的小生境遗传算法。该算法每条染色体由单向路径网络染色体和工序染色体两部分组成,分别表示各路径段方向和可行调度序列。针对两种染色体设计相应的交叉与变异算子,并通过邻域搜索操作提高了算法的收敛速度。为了保持种群的多样性,综合运用小生境技术和精英保留策略。试验结果验证了该算法的有效性。

摘要：针对车辆装配制造应用环境中的辅料配送多载量自动导引车系统(AGVS)任务调度问题,建立了以最小化任务配送路程和最大化待料停产剩余时间为综合优化目标的任务调度数学模型,提出于基于改进带精英策略的非支配排序遗传算法(NSGA-Ⅱ)的防死锁任务调度方法。首先,构建了多个用于产生优质个体的启发式规则,以提升NSGA-Ⅱ初始种群的质量;设计了结合前瞻性预测机制和防死锁策略的个体解码决策流程,以决策出满足所有约束条件的防死锁任务调度方案;然后,为了加速非支配前沿向更优方向收敛,设计了带精英保留策略与邻域搜索的种群进化机制;最后,通过仿真实验对所提方法进行了验证。仿真结果表明:与其他方法相比,所提出的防死锁任务调度方法,能够以较低的任务执行时间获得更高的内饰装配线产能。

摘要：多载量自动导引车(AGV)具有更高的单车运输能力和更强的配送作业柔性,然而其长度不断变化的特点也加大了交通管控的难度。为保证生产线多种物料准时配送,研究了多载量AGV系统的交通管控问题。首先分析了与单载量AGV差异较大的两种运动冲突:针对多载量AGV变长特性,设计了一种变长度AGV路径空间冲突避免方法;针对交叉路口冲突,考虑到多载量AGV变长特性对阻塞环路死锁的影响,提出一种带防死锁策略的交叉路口通行顺序优化方法。根据AGV紧迫度和交通负荷均衡度构建了综合竞标价模型,并对获标AGV即将进入的目标路径段的阻塞环路进行死锁预测与避免。仿真实验结果表明,所提方法可保证任务紧迫度高的AGV优先通过,降低路口相关路径段的交通拥堵,并避免高密度AGV系统的环路死锁,从而提高生产线物料配送的任务准时率。

摘要：针对传统自动导引车系统(AGVS)交通管控未优化路口通行顺序易引发交通拥堵与任务延误的弊端,提出一种基于改进多目标鲸鱼优化算法(IMWOA)的路口AGV通行顺序优化方法。首先,根据车辆装配辅料配送流程及拖车式AGV运行特点,建立以最大化最紧迫任务剩余时间和最小化阻塞路径数为综合优化目标的路口AGV通行顺序优化数学模型。其次,针对传统鲸鱼优化算法收敛速度慢、全局寻优能力不强的缺陷,引入邻域搜索策略以加快算法收敛速度,并融合带精英保留策略的非支配排序机制维持种群多样性,增强算法全局寻优能力,设计出适合求解路口AGV通行顺序优化数学模型的IMWOA。最后,开发拖车式AGVS交通管控仿真分析平台,以验证所提出的方法。仿真结果表明:与NSGA-Ⅱ、禁忌搜索、传统鲸鱼优化等算法相比,所提IWOA具有更优的全局寻优能力,能够以较低的任务执行时间获得更高的装配线产能。

摘要：针对汽车内饰线易因开动率预估不准确导致实际产能与规划产能相差较大的难题,将二分法迭代优化与仿真分析相结合,提出了一种基于Plant Simulation的汽车内饰线运行参数优化方法。首先,根据汽车内饰线的工作原理及运行流程,利用Plant Simulation软件建立其仿真模型;其次,以预估开动率作为目标优化参数,通过二分法逐步产生新的预估开动率,根据规划产能更新生产节拍、工艺段速度和最佳滑板数等运行参数,利用仿真模型统计新参数作用下实际开动率和实际产能等指标,通过迭代逐步提升预估开动率与实际开动率的一致性,实现对汽车内饰线运行参数的优化;最后,以国内某新能源汽车内饰线的规划设计为例,证明了所提出优化方法的有效性。该研究可为汽车内饰线的产能分析及优化提供指导,具有较好的工程应用价值。

摘要：针对平行分度凸轮机构设计和验证问题,提出一种平行分度凸轮建模和分度机构运动仿真分析方法。通过对平行分度凸轮机构的分度运动进行分析,利用齐次坐标变换法建立平行分度凸轮轮廓曲面数学模型,软件编程采集轮廓曲面数据点,用Creo建立机构三维模型并装配后输出到Adams,建立机构虚拟样机并进行运动学特性仿真。对仿真数据绘制的运动规律特性曲线与理论曲线进行对比分析。结果表明,角加速度曲线波动较大,机构存在的冲击和振荡,主要位于不同的滚子退出和进入啮合阶段与不同滚子工作轮廓曲线交接处;给出对应的设计改进和加工措施,即采用圆角过渡工作轮廓曲线交点、提高轮廓曲线数据点采样精度、选择合适的运动规律及样条曲线插补加工轮廓曲面能减少机构运动的冲击和振荡。

摘要：为确定自动导引车系统所需AGV数量,提出了一种基于遗传算法将数学分析与计算机仿真相结合的方法。首先以任务产生节拍,AGV导引路径网络布局、AGV调度策略等为约束,建立了估算AGV数量的数学模型,针对问题的复杂度,通过遗传算法求解此模型。然后利用计算机仿真模型模拟AGVS运行状态,通过仿真模型反映交通状况对系统的影响,并根据蓄电池充电特性确定备用AGV的数量。最后通过应用实例验证了所提设计方法的可行性和有效性。

摘要：为了提升包裹智能分拣系统的分拣效率、降低包裹破损风险,设计了一种交通管控方法。首先,介绍所设计的包裹智能分拣系统的结构和工作原理;其次,为了避免包裹在分拣过程中发生相互碰撞,设计一种基于信号量理论的避碰策略;再次,针对包裹分拣过程中可能出现的环形死锁现象,设计基于有向图理论的环形死锁检测与避免算法;最后,开发包裹智能分拣系统仿真平台,验证所设计方法的有效性。

摘要：为了提升包裹智能分拣系统的效率,设计一种包裹定向分拣路径动态规划方法。介绍一种新型包裹智能分拣系统的结构和工作原理;针对包裹智能分拣系统的特点,构建包裹定向分拣路径动态规划数学模型,并设计对应的规划算法;开发包裹智能分拣系统仿真平台,以验证包裹定向分拣路径动态规划方法效果。仿真结果表明:所设计的包裹定向分拣路径动态规划方法能够显著减少包裹平均分拣时间,从而提升包裹智能分拣系统的效率。