学习日志36

Disassembly line balancing problem: a review of the state of the art and future directions

拆卸线平衡问题:技术现状和未来发展方向的回顾

摘要

拆解线平衡(DLB)问题为每个要拆解的产品分配一组任务给每个工作站，旨在达到几个目标，例如最小化工作站数量;确保每个工作站有相似的空闲时间，并尽可能早地移除危险部件或高要求组件
DLB问题是一类NP完全问题，其难度在于确定最优的分配方案，即使在最坏的情况下也需要花费大量的时间。最近，DLB问题已被证明是NP完全的，但仍然存在许多未解决的问题。本文回顾了DLB问题的技术现状，并讨论了其未来发展方向。

简介

拆卸可定义为将产品分离成其组成部件、组件、子组件或其他分组的系统方法。虽然拆卸操作可以在单个工作站、拆卸单元或拆卸线上进行，但最高的吞吐量和生产率是由拆卸线提供的。在文献中，拆卸操作和生产线中出现了许多子问题，如拆卸计划、拆卸调度、拆卸排序和拆卸线平衡(DLB)
DLB问题在一定程度上与装配线平衡(ALB)有关，近年来一直吸引着逆向物流领域的兴趣。尽管将拆卸视为组装的反面可能听起来很合理，但对于复杂产品，拆卸和组装的操作特性是完全不同的。与装配环境不同，在拆卸环境中，产品可能被分解成许多部件和子组件，这些部件和子组件的质量、数量和可靠性无法控制。由于技术和经济的限制，装配过程必须完成，而拆卸过程不必完全进行

线路类型

拆卸线可分为直线、u型、平行和双面拆卸线。在直线拆解线上，产品在定义的周期时间约束下按工作站的有序顺序进行拆卸。在某些情况下，由于对回收零件的高需求，直线拆解线的能力不足。因此，为了满足需求，增加产能是非常可取的。实现这一目标的方法之一是设计平行拆解线。使用u型装配线可以减少操作人员的冗余移动并提高劳动力规划的灵活性。在u型装配线中，产品流动和操作员运动可能是顺时针或逆时针的。为了克服产能问题，拆卸线也可以放置在两侧，产品沿着生产线流动，生产线的两侧都有工作站。之前发表的大多数研究(约96%)考虑的是直线型。只有三个参考文献考虑了u型布局。此外，平行布局仅在两个参考文献中使用。目前还没有针对DLB问题考虑双面布局的论文发表

性能指标分析

DLB问题的目标是在满足需求的同时尽可能有效地利用拆解线的资源。资源的有效利用包括找到最少数量的拆卸工位所需的工位，将拆卸任务最佳地分配给工作站，并改进拆卸线的布局和材料处理特征。对于DLB和ALB问题使用相同的性能度量
最小化工作站的数量是最常用的性能度量、最小化空闲时间作为性能度量、尽早去除DLB问题特有的危险和高要求部件
除了考虑的绩效指标类型外，DLB文献中还存在单目标和多目标模型，以考虑各种相互冲突的目标。26.3%的论文提出了单目标模型，而73.7%的论文提出了多目标模型。在多目标DLB模型中，目标通常是(i)最小化工作站数量，最小化闲置时间，早期移除危险部件和早期移除高需求部件的组合或最小化闲置时间，最小化方向变化次数，早期移除危险部件和早期移除高要求部件的组合

参数

DLB问题中的不确定性可能包括任务时间、需求、周期时间和目标函数以及拆卸操作中可能发生的其他不可预见事件。因此，考虑到参数的不确定性和开发适当的非确定性模型是增加DLB实际意义的要求。采用随机和模糊方法处理DLB模型中的不确定性

模型和求解方法

建模方法分为九个主要类别，包括线性规划、非线性规划、启发式和元启发式、多准则决策、随机规划、模糊规划、精确解、仿真和混合方法
DLB问题寻求在优先关系下找到一个可行的拆装任务分配给有节奏的拆装生产线的工位，同时优化一些有效性度量

元启发式算法

遗传算法、蚁群优化、模拟退火、禁忌搜索、粒子群优化、免疫算法、光束搜索、引力搜索算法、河流形成动力学、人工蜂群、人工鱼群算法
在各种模型中包含不确定性是通过模糊规划和随机规划来实现的。DLB问题的随机版本最近已经使用随机规划来制定。另一方面，模糊目标规划、交互式模糊规划和模糊着色Petri网方法被应用于DLB问题，以表征不确定因素对拆的影响。仿真技术和蒙特卡罗方法

未来研究方向

综上所述，文献中存在以下研究潜力:(1)缺乏双面DLB问题和不同布局类型的组合;(ii) DLB模型中缺乏包含可持续性问题(如社会责任/公平、绿色技术、劳工权利、能源使用、精益理念和机器对机器系统)的模型;(iii)预计研究人员将更多地关注未来要拆卸的混合和多种产品的考虑;(iv)虽然已有相当多的DLB模型包含模糊性和随机性，但在未的研究中应考虑客观价值、产品条件/复杂性、周期时间和任务失败的不确定性;(v)除非要求所有组件，否则我们尚未确定任何可以在一个模型中同时考虑部分和完全拆卸的建议;(vi)由于现有的DLB模型几乎都假定拆卸任务是非破坏性的，因此需要研究包含破坏性拆卸任务的DLB问题;(vii)资源限制、设置时间或喂食线应嵌入下一个DLB模型;(viii)一些以前未应用于DLB问题的解决技术，如细菌觅食、人工神经网络、分支-价格-削减、多智能体系统、鲁棒优化、数学和相似启发式等，可能会在未来的研究中使用;(ix)有超过50个零件或任务的真实产品，例如白色电器，可能对增加DLB研究的实际意义有价值;(x)需要调查和报告更多自动化/机器人拆卸过程的机会和实际经验;(xi)生产计划背景下的战术(如DLB问题)和操作计划层面(如路线、卡车装载、调度)的集成和/或分层结构;(xii)提出协同规划结构，管理通过云计算共享的信息(参见Papakostas等人(2016)对装配线的研究)，最后(xiii)应讨论ALB和DLB问题的同时平衡，以供未来的研究