Um método de classificação de módulo para equipamentos industriais leves baseado em NSGA2 aprimorado

Scientific Reports volume 13, Artigo número: 13789 (2023) Citar este artigo

68 acessos

Detalhes das métricas

Em resposta ao problema de que é fácil cair no ótimo local ao usar o algoritmo de agrupamento tradicional para dividir os módulos, este artigo melhora a estratégia de inicialização do algoritmo NSGA2 e combina-a com o algoritmo FCM para propor um algoritmo NSGA2-FCM melhorado. para análise de agrupamento. Em primeiro lugar, o mapeamento FBS é utilizado para modelar a estrutura funcional do sistema do produto e identificar a relação entre as estruturas funcionais do produto. Em segundo lugar, uma matriz de síntese de correlações é construída com base nas relações entre os drivers de divisão de módulos. Finalmente, o algoritmo NSGA2-FCM aprimorado é aplicado à análise de cluster do produto para derivar o melhor esquema de divisão de módulo. O algoritmo evita cair em ótimos locais otimizando a estratégia de inicialização do algoritmo NSGA2, enquanto usa o algoritmo FCM para melhorar a precisão do agrupamento. Isso permite que o algoritmo explore o espaço de solução de forma mais eficaz ao encontrar a melhor solução de particionamento de módulo. Por fim, a eficácia do algoritmo para classificação de módulos de equipamentos industriais leves é verificada utilizando fermentadores de cerveja como estudo de caso.

Como uma ferramenta eficaz para o projeto rápido de produtos, a classificação modular adequada pode melhorar a eficiência do projeto e enfrentar com eficácia os desafios de qualidade do produto, tempo de ciclo de fabricação e custo. A maior parte da literatura atual sobre o assunto identifica módulos concentrando-se em aspectos estruturais e/ou funcionais, mas negligencia os fatores de classificação modular. Por exemplo, pesquisadores estrangeiros como Eppinger et al. estudaram técnicas de desenvolvimento de modularidade de produtos e introduziram pela primeira vez uma abordagem formal baseada em matriz para estudar estruturas modulares de produtos, indicando correlações entre módulos componentes1. Rong et al. propuseram uma abordagem orientada ao produto para a divisão modular da cadeia de suprimentos, estabelecendo uma matriz de relacionamento por meio de interações funcionais e estruturais entre os componentes do produto2. Ramachandran K et al. investigaram o efeito da taxa de modularização de produtos em lançamentos rápidos de produtos e descobriram que, ao localizar melhorias de desempenho na modularização de produtos, uma combinação inovadora de arquitetura de produto, preços e decisões de tempo foi alcançada para lançamentos rápidos de produtos3. Wei et al. propuseram um conjunto predefinido de módulos baseados em montagem e desmontagem para gerar vários níveis de trabalho ou funções para criar múltiplas variantes de produtos e melhorar a utilidade do produto para decisões na fase de design através da segmentação de modularidade4.

O estudioso nacional Jia Yanlin conduziu um estudo sistemático sobre modularidade e propôs um processo geral para projeto modular de produtos mecânicos, dividindo o processo de projeto modular de produto em quatro partes: planejamento modular, divisão modular, criação de módulo e combinação de módulo. Gu Xinxin dividiu o trabalho da divisão de modularidade do produto em duas partes principais: construção modular da plataforma do produto e design modular do produto encomendado. Zhang Haiyan et al. usou o modelo de design de estrutura de comportamento de princípio de função para mapear a correlação entre componentes do sistema e estatísticas de lacunas aplicadas e métodos de rede neural auto-organizados para análise de cluster para completar a divisão modular de máquinas-ferramentas de engrenagens cilíndricas especiais, estabelecendo as bases para o reconfigurável pesquisa de máquinas-ferramentas5. Liu Mingyuan et al. propuseram um método de classificação de módulos baseado em um algoritmo genético aprimorado. Com a premissa de obter a matriz de estrutura de projeto de componentes e a função de aptidão do módulo, o algoritmo genético aprimorado de cruzamento de diferenças e variação de vizinhança foi utilizado para buscar a melhor solução para classificação de módulos.

Embora pesquisas anteriores sobre particionamento de módulos tenham se concentrado mais na teoria e nos métodos de modularidade, a sensibilidade aos dados de inicialização do módulo é baixa e há uma falta de drivers e métricas de modularidade exaustivos, enquanto as operações estruturadas também limitam outras propriedades do particionamento de módulos.