基于遺傳算法的飛機維修智能派工系統設計

隆生

摘要：目前大多數航空公司和維修單位在飛機大修生產線上主要依靠維修人員的經驗進行派工，存在輸出不穩定、生產控制易漏項的風險，且人力資源利用不充分。針對傳統大修派工的缺點以及大修生產線智能排班要求，設計了一套基于遺傳算法的飛機大修智能派工系統，以提升飛機維修過程中的安全和風險管理水平，提高生產效率，促進大修效益改進。

關鍵詞：遺傳算法；智能派工；飛機維修；系統設計

Keywords：genetic algorithm；intelligent dispatch；aircraft maintenance；system design

0 引言

目前國內飛機大修派工大多多靠人工進行，安排不夠透明，大修派工及進度控制的優劣取決于項目經理、區域負責人的經驗，大修派工和進度把控存在較大的不穩定性；大修生產線缺乏精細化管控，評估和任務分配不夠精確，造成一定的效率降低。為了使派工更精細化、更智能化，本文借助互聯網技術優勢，結合維修人員的技術經驗，提煉出最優算法，設計了一套智能化派工系統，保障安全、降本增效，可為企業創造價值。

1 遺傳算法概述

遺傳算法是一種搜索最優解的方法。借鑒生物進化中的雜交、變異、選擇及遺傳等生物特性，模仿自然界優勝劣汰、適者生存的進化規律，得到最優化的算法。在求解較為復雜的組合優化問題時，能夠較快地獲得較好的優化結果。

通過一定的編碼方式形成問題域中“基因”“染色體”和“個體”的概念，進而確定初始種群（由一定數量的個體組成），然后根據問題域中的適應度函數（Fitness Function），通過一代代的選擇（Selection）、交叉（Crossover）和變異（Mutation）等方式模擬該種群的進化過程，最后逐漸進化出較好的個體（即解集中近似的最優解）。

遺傳算法的過程可以簡述為如下過程：

1）初始化：設置進化代數計數器t=0，設置最大進化代數T，依據每個種群的特征隨機生成第一代種群的全部個體M；

2）評價個體適應度：計算每個個體的適應度；

3）選擇運算：依據一定的選擇規范，選出一部分優秀個體參與交叉和變異，產生新的個體再遺傳到下一代；

4）交叉運算：將交叉算子作用于群體，遺傳算法中起核心作用的就是交叉算子；

5）變異運算：將變異算子作用于群體，即對群體中的個體串的某些基因座上的基因值作變動，群體P（t）經過選擇、交叉、變異運算后得到下一代群體P（t+1）；

6）終止條件判斷：若t=T，則以進化過程中所得到的具有最大適應度個體作為最優解輸出，終止計算。

遺傳算法的計算流程如圖1所示。

2 飛機大修派工分析

一個飛機大修包可能有幾十份到幾百份的工卡，少數大修包有上千份工卡，周期從幾天到一兩百天不等。將工卡合理分配到每一天，根據周期、可用勞動力均衡分配，可通過普通算法實現。

每一天的工卡有幾十份或幾百份，分配到各個維修人員，需要考慮的條件較多。由于同一次飛機大修工作通常有幾十個人參與，每個人員的授權、熟練程度、疲勞程度和狀態都不同，分配工卡時需兼顧工作效率與安全，同時考慮授權、疲勞超時等硬性條件的限制。

3 飛機大修派工模型設計

為了獲得最優的派工結果，根據以下三個條件考慮設計目標函數：

1）對單份工卡的熟悉程度。同一份工卡，人員歷史執行次數越多，說明該人員對這份工卡越熟練，應將此工卡優先分配給該人員；

2）對人員的安全狀態評價。通過個人安全積分來評判，安全積分越高的人員優先分配維修工卡；

3）人員本身的疲勞程度。通過疲勞裕度系數來衡量，裕度系數越高說明疲勞程度越低，應優先分配維修工作。

3.1 目標函數設定

航空維修首先要在保證安全的前提下提高工作效率，上述三個條件中，第一個條件代表效率，后兩個代表安全，取效率與安全的平衡值，三個條件分別取50%、30%、20%的權重，綜合進行派工。在實際應用過程中權重可靈活調整。

根據上面目標函數和約束條件，可以得到飛機維修工卡分配給維修人員的優先級模型，繼而得到整個工卡包最合適的派工排列。

3.2 遺傳算法的實現

1）編碼

派工系統希望得到的結果是一組排列數據，使每一份工卡分配一個最合適的維修人員，因此，采用排列編碼方式，將維修人員按照0到n進行編號，在工卡與人員授權匹配范圍內，按照工卡清單順序隨機分配一個維修人員。

2）初始種群

維修人員的數量固定，工卡總數固定，對于每份工卡適合的維修人員，根據授權匹配情況隨機選擇1個。如圖2所示，核心代碼為隨機產生1個樣本，根據工卡清單和維修人員清單，隨機分配人員。根據工卡量的大小，選擇適合的初始化種群數量，循環隨機產生初始種群。

3）適應度函數

本文設計的目標函數是計算結果越大優先級越高，因此直接將目標函數f（i）作為適應度函數，f（i）越大適應度越高，適應度函數如圖3所示。

4）選擇

適應度高的個體被選中進入下一代的概率大，適應度低的個體被選中進入下一代的概率相對較小。選擇操作的核心程序如圖4所示。

5）交叉

種群中的個體隨機兩兩配對，配對成功的兩個個體作為父代進行交叉操作，交叉概率取90%。本文不是采用普通的交叉方式，而是采用一種復雜的交叉方式，即在兩個父本之間相同點位處隨機選取1個基因元素作為子代的一個點位，子代所有點位都來自于父本1或父本2，所有點位隨機取樣重組。通過這種交叉方式產生的子代其性狀較為穩定，實現的代碼簡單，運算速度較快。交叉操作核心程序如圖5所示。

6）變異

本文采用初始化種群的方式隨機產生變異樣本，變異概率取10%。變異新產生的樣本進入種群池中，參與下一代的交叉變異。變異核心程序如圖6所示。

7）終止條件

當通過適應度函數獲取到的種群的評價值趨于穩定、不再有較大變化時，可以終止迭代，得到一個最優結果，返回給系統進行工作派發。

8）仿真輸出

本文仿真數據為550份工卡，41名維修人員參與，熟練程度、安全積分、疲勞裕度的真實值從現有的維修系統中獲取。初始種群1000，進化代數500，交叉概率90%，變異概率10%。仿真結果如圖7所示，縱軸為指標綜合得分值，橫軸為進化代數，進化到200代左右時后續變化已經很小，進化到360代左右時不再發生變化。反復進行多次試驗，初始化種群隨機產生，其他條件不變，得到的最優結果非常接近。進化代數設置為1000代，仿真結果幾乎無變化。在實際系統應用中，綜合考慮實際工卡數量和進化所需時間，進化代數設置在500代較合適，初始化種群數根據工卡數量可以動態設置為2倍工卡數量。由于維修派工是根據工作清單對人員進行排序，最優的排列組合可能不只一種，但最優的得分值不會有大的變化，從仿真結果可以看出達到了想要的效果。

4 基于遺傳算法的智能派工系統設計

參與飛機大修工作的維修人員相對固定，有各自的工作授權。每份工卡有對應的工種，先按照工卡本身的階段屬性和大修合同約定的周期，將工卡包分配到每一天的任務中，再通過遺傳算法將任務分配到具體的每個人。系統主要功能包括維修人員管理、工卡管理、大修項目管理、維修派工管理等模塊。維修人員管理是指對人員的授權、日常排班進行管理，提供派工所需的人員資質信息。工卡管理是指進行工卡編寫、工卡的經驗性評估，提供工卡的屬性信息（如工時、工種、階段等）以及維修人員執行維修工作的依據文件。大修項目管理是對大修項目執行新增和監控等功能。維修派工管理是針對大修項目將工卡分配到維修人員，同時提供進度調整等功能。

派工的過程是先對維修人員的屬性信息與工卡的屬性信息進行匹配，選出適合單份工卡的維修人員集合，然后利用遺傳算法算出整個工卡清單最優的維修人員排列序列；按人員進行工卡清單合并，得到每個維修人員每天的工卡清單，下發到維修人員的移動終端中；維修人員完成工作后在移動終端中進行反饋，派工系統更新工卡完工情況。系統主界面如圖8所示。

5 結束語

基于遺傳算法的大修派工在派工效率提升、派工合理性提升方面有較好的效果，能夠全面考慮派工各種因素，解決傳統派工遇到的問題，提高了維修人力資源利用效率，提高了飛機大修工作的安全系數。通過系統的應用，每項工作任務所涉及的航材、工具設備都能準確記錄，有利于航材、工具的最低庫存管理；維修人員實際工作過程中的維修工時能夠準確記錄，有利于維修人員按勞取酬的量化考核，提高維修人員的工作滿意度。

參考文獻

[1]王鐵方.計算機基因學—基于家族基因的網格信任模型[M].北京：知識產權出版社，2016：93-94.

[2]鄭樹泉.工業智能技術與應用[M].上海：上?？茖W技術出版社，2019：250-251.

[3]徐俊剛，戴國忠，王宏安.生產調度理論和方法研究綜述[J].計算機研究與發展，2004，41（2）：262-264.

[4]李秋紅，孫健國，周繼超.航空發動機PID控制參數優化的改進遺傳算法[J].南京航空航天大學學報，2006，38（2）：37-38.