面向智能制造混流生产的供应链物流协同策略

杨晓英，王金宇

(河南科技大学 机电工程学院，河南 洛阳 471003)

0 引言

智能制造(Intelligent Manufacturing, IM)是新一轮工业革命的核心技术，是中国制造2025的主攻方向[1]。智能制造贯穿设计、生产、管理、服务等制造活动各个环节，具有信息深度自感知、智慧优化自决策、精准控制自执行等功能，包含智能装备和智能生产系统。供应链物流是智能生产系统的关键要素。智能制造对其供应链物流提出了过程数字化、网络协同化和决策智能化等精准服务需求，对制造过程强调精准交付。然而，传统供应链物流缺少行之有效的协同策略，无法实现精准服务，已成为制约智能制造战略实施的重要瓶颈。混流生产是当前农机、汽车、工程机械等装配制造企业为了适应市场个性化需求普遍采用的先进生产方式。然而，混流生产的复杂性使当前主要靠契约维系合作关系的供应链物流难以协同、有序、齐套、精准地响应混流生产需求，从而造成因缺料导致生产线异常停线的现象时常发生，严重制约了企业生产效率和效益。因此，本文面向智能制造混流生产，深入研究供应链物流协同策略，对解决智能制造环境下混流生产的物流瓶颈问题具有重要的理论意义和工程应用价值。

当前关于智能制造与混流生产的供应链物流协同问题的研究成果总体偏少。相关具有代表性的如补货配送优化策略研究有王建华等[2]研究了基于Supply-Hub的装配式供应链物流协同策略，运用经济订货批量(Economic Order Quantity, EOQ)模型研究了供应商运营Supply-Hub、制造商运营Supply-Hub以及供应商和制造商共同运营Supply-Hub三种模式下制造商的最优补货策略；蒋增强等[3]研究了不确定环境下混流装配生产车间的动态物料配送策略，建立了不确定环境下以最小化配送成本和最大化满载率为目标的配送成本期望模型；陆志强等[4]研究了物料配送与线边存储集成决策模型与算法。关于物流调度优化方面的研究有常天田等[5]以装配系统为背景，研究了零件供应商多任务交付顺序的协调问题，建立了基于纳什谈判理论的协调机制；李凯等[6]为实现拉动式供应链整体优势，研究了一类单机多车情形下的生产与配送协同优化调度问题模型和算法；唐亮等[7]制定了网络化制造模式下供应链合作成员间的动态调度策略；Pezeshki等[8]在供应链信任管理的基础上提出奖惩协调机制；Low等[9]提出以最小化运输成本为目标的调度模型，并采用自适应遗传算法求解；Agrell等[10]研究了通过合作治理结构实现横向承运人之间的协调；周炳海等[11-12]研究了基于混合教—学算法和循环配送策略的汽车装配线物料供应调度问题。关于配送顺序和齐套优化方面的研究有刘明周等[13]针对不确定环境下混流装配线物料配送准确性和及时性的问题，构建了一种基于射频识别技术的动态准时制物料配送控制系统；Boysen等[14]对单车辆的物料配送进行了研究，包括配送顺序和数量，以保证物料的准时送达和线边库存最少；Hanson等[15]研究了厂内物料配送的集配与连续供应方式，确定集配方法可以实现缩短取料距离。

综上所述，现有研究成果主要侧重于不确定性环境下的配送策略、物流或配送调度、配送顺序和齐套等问题，为本项目研究奠定了基础。然而，当前缺少面向智能制造与混流生产、以制造企业为核心的两阶段供应链物流协同策略研究。因此，本文以农机制造企业为对象，从智能制造新视角，综合考虑混流生产的复杂需求，深入研究以主机制造商为核心的两阶段供应链物流协同策略，侧重研究与混流生产动态自适应的、两阶段物料配送期量标准优化模型及其智能算法，实现配送期量标准的智能优化决策，为实现智能制造环境下混流生产的供应链物流精准服务提供理论支撑。

1 智能制造环境下混流生产特征及其物流需求分析

智能制造是在现代传感技术、网络技术、自动化技术、智能技术等先进技术的基础上，面向产品全生命周期实现的信息化制造。智能制造的主要特征包括：①制造装备的自动化，通过集成生产工艺技术、硬件、软件于一体的自动化智能化装备，实现对制造对象和制造环境的高度适应；②制造系统的数字化，通过将传感技术、计算机技术、软件技术、网络技术等“嵌入”制造过程中，实现以端到端数据流为基础的制造过程信息深度感知与交互；③制造决策的智能化，通过人工智能技术分析判断和决策制造行为，实现智慧优化自决策和自执行功能等。因此，智能制造环境下的供应链物流必须是过程数字化、网络协同化和决策智能化，实现精准交付目标。

混流生产是企业以满足顾客需求为导向，以品种、产量、工时、设备负荷全面均衡为前提，将工艺流程、生产作业方法基本相同的若干个产品品种，在一条流水线上科学地编排投产顺序，进行同节拍混合连续流水作业的生产方式，其主要特征是多品种、小批量、混合排序、流水生产。其复杂性在于市场订制式需求的不确定性导致生产计划的稳定性差，计划锁定期短(一般只有1～2天)，物料准备提前期有限。依据精益生产理论，与混流生产相适应的供应链物流必须高效、低成本、准时制交付，这无疑增加了供应链物流的难度。

供应链是企业竞争的重要资源，是智能制造环境下混流生产的重要组成部分。物流是供应链的基础，贯穿供应链全流程[16]。鉴于智能制造环境下混流生产的复杂特征和精准交付要求，其供应链物流协同是个典型的NP-hard问题。将精益管理理论与信息技术和智能技术深度融合，深入研究智能制造环境下混流生产的供应链物流协同问题，实现供应链物流的精准服务，成为供应链物流领域的重要方向与发展趋势。

2 供应链物流协同策略

以农机制造企业为例，智能制造环境下混流生产的供应链结构如图1所示，是由多经销商或客户、核心单制造商和多供应商通过信息流、资金流和物流有机融合构成一体化的利益共同体。其中，以混流生产为驱动的供应链物流分为核心制造商内外两个阶段，外部由多供应商至制造商，内部由多零部件厂或仓库至生产线边。然而，依据协同学理论，供应链是由多个独立子系统构成的开放式系统，如何通过系统内部协同作用自发地形成时间、空间和功能上的有序结构，是实现快速响应智能制造环境下混流生产的精准物流服务需求的关键所在。

智能制造环境下混流生产的两阶段供应链物流协同基本要求是：①核心制造企业内外供应链中多供应商(零部件厂)、制造商内部仓库物料配送实行精益化运作，即供应链各个节点的物料配送具有配送期量标准(计划期内与生产计划相适应的标准配送间隔期和单次配送量)；②通过基于期量标准的配送计划信息共享，供应链进行横向协同和时间顺序的纵向协同，实现物料齐套性与准时性配送；③物流运作过程通过物料智能识别、跟踪追溯、信息共享、异常智能控制和智能决策等技术手段，实现物流快速精准响应混流生产不确定性动态需求。

为此，提出智能制造环境下混流生产的两阶段供应链物流协同策略，如图2所示，即在混流生产顺序计划(Mixed Production Schedule Planning, MPSP)驱动下，通过配送期量标准(Delivery Intervals and Batch Standard, DIBS)、配送计划(Delivery Planning, DP)和配送过程控制(Distribution Process Control, DPC)的智能决策与信息共享，实现快速精准响应混流生产的不确定性动态物料需求。具体过程包括3个阶段：

(1)DIBS智能决策 在一定生产计划期内的MPSP通过ERP内MRP(material requirement planning)运算功能，输出实时的物料需求计划，经与仓储管理系统(Warehouse Management System, WMS)的库存信息比对，获得供应商物料配送需求和制造商内部物料配送需求。进而通过供应商配送与制造商仓库配送两级物流期量协同优化模型和智能算法，决策与生产节拍(r)动态自适应的两级配送期量标准D[V(r),t(r)]，实现物料配送的齐套性和精益性，优化制造商仓储与线边库存。

(2)DP智能决策 依据与生产节拍(r)动态自适应的两级配送期量标准D[V(r),t(r)]和混流生产计划，通过供应链物流信息平台(Supply Chain Logistics Information Platform, SCLIP)软件自动生成供应商配送计划(supplier-DP)和制造商内部配送计划(manufacturing-DP)，实现供应商和制造商内部两级供应链物流的纵向与横向协同，并通过DP信息实时共享，确保物料配送的准时、准量和准确地点交付。

(3)DPC智能决策 供应商和制造商内部两阶段物料配送过程中，通过物联网(Internet of Things, IoT)、GPS和制造执行系统(Manufacturing Execution System, MES)等技术手段，实现配送过程信息自动采集、跟踪追溯、信息共享、防错预警与智能控制，防止缺料停线、错装漏装或库存过大现象发生。

基于以上3阶段智能决策，形成供应链物流信息数据库，实行信息共享，实现核心制造商内外两阶段供应链纵横协同且快速精准响应混流生产的物流协同策略。依据精益生产与协同理论，其中与混流生产顺序计划自适应的供应链各节点物料配送期标准优化模型及其智能算法是物流协同的关键，下面将进行深入研究。

3 两阶段物料配送期量标准协同优化模型

3.1 问题描述

农机制造企业属于典型的多品种小批量混流生产，产品机型配置多(设为Pi，i∈n)、物料(含零部件)品种多(设为Mj，j∈m)。混流生产顺序计划为(Pi,Qi,Ti)，其中Qi为Pi机型的产量，Ti为其生产时序。采购或自制物料由企业内外多供应商/协作商(设为Sk，k∈K)按照主机装配厂提供的准时化配送计划供货至装配厂仓库。企业内部零部件厂和毛坯生产厂均视为外部供应商。为减少风险，同种物料采用多供应商按比例供货(设为αjk，j∈m，k∈K)。再由装配厂仓库(WH)按照混流生产顺序进行物料分拣排序，准时化配送至生产线边工位(设为Ul，l∈L)。

因此，从主机装配厂智能制造视角，满足混流装配生产的供应链物流分为外部供应商配送和内部仓库配送两个阶段。依据精益生产与协同学原理，两阶段物料配送需要齐套、协同、准时地响应混流生产顺序计划需求，避免缺料停线现象发生。因此，自动优化决策与混流生产计划动态自适应的两阶段配送期量标准是核心。问题决策为D[V(r),t(r)]，其中决策变量V(r)和t(r)分别为与混流生产节拍r动态适应的配送批量、配送间隔期。两阶段配送问题模型如图3所示。

3.2 假设条件

(1)在一个计划期内，制造商生产计划及产品装配顺序确定，装配线按节拍生产，中间不允许发生停线。

(2)供应商在制造商周边或制造商内设有库存，供应商配送车辆确定，配送能力仅考虑车辆的载货

数量约束，按照基于期量标准的配送计划(时间、数量等)将物料送至制造商仓库。

(3)制造商车间内物料配送包括仓库内分拣以及仓库向生产线各工位的配送，根据配送人员配送能力以及运载工具将线边工位分成工位组，记为Ul,l=1,2,3，…，L。每个工位组的物料由1名配送人员按配送要求进行分拣配送，且每个工位组物料配送相互独立。

(4)物流成本计算以配送频次、物流量等相关的变动成本为依据，不考虑固定成本。

3.3 优化目标及约束条件分析

以精益生产为理论依据，从供应链系统视角，克服效益悖反现象，以企业内外两级供应链物流总成本最小化为优化目标，包括外部供应链物料配送成本、制造商库存成本和仓库物料配送成本(含仓库配送成本和工位组线边库存成本)。同时考虑以下约束条件：

(1)准时化约束 以生产顺序计划的物料使用需求时间为约束，设置供应商及仓库的配送达到时间及提前期。

(2)齐套性约束 供应商及仓库配送的物料必须按照机型齐套满足生产时序使用需求。

(3)配送量约束 供应商单次配送批量小于等于车辆总最大运载量以及制造商仓库存放该供应商配送物料的最大存储量；仓库对工位组单次配送量满足两次配送间隔期内生产需求，且小于等于工位组最大存放量。

(4)配送时间约束 供应商单次配送间隔期大于等于供应商完成一次运输和装卸时间之和；仓库对工位组两次配送间隔期必须大于等于工位组单次配送分拣时间和配送时间之和。

(5)配送能力约束 供应商及仓库单次配送量不超过最大配送能力。

3.4 期量标准优化模型构建

3.4.1 参数设定

r为制造商在某计划期内的生产节拍；

αjk为供应商Sk供应物料Mj比例；

aij为机型Pi所需物料j的单机装配量；

Qi为某计划期内Pi机型产量；

Vk(r)为制造商节拍为r时，供应商Sk单次配送量；

βk为制造商仓库存放供应商Sk配送物料安全库存系数；

T为每天单位工作时间；

tl(r)为节拍为r时，仓库至工位组Ul配送间隔期；

tk(r)为制造商节拍为r时，供应商Sk配送间隔期；

3.4.2 外部供应商配送期量优化模型

外部供应商配送指供应商与制造商仓库之间的配送。为解决供应商配送与制造商仓库存储之间的成本效益悖反问题，寻求最优配送期量以实现物流成本最优化。外部物流总成本WC包括多供应商配送成本WC1和制造商仓库接收多供应商所送物料的库存成本即制造商仓库库存成本WC2。

计划期内供应商配送成本为单次配送成本与配送频次的乘积，则考虑多供应商供货比例αjk后，多供应商Sk(k∈K)的配送总成本

(1)

其中xjk∈{0,1}，当物料Mj由供应商Sk配送供应时，xjk=1，否则xjk=0。

制造商仓库库存成本是考虑与库存量有关的变动成本，为制造商仓库单位库存成本与库存量的乘积，则

(2)

以均衡供应商和制造商成本的外部物流总成本最小为目标函数，建立期量优化模型：

minWC=WC1+WC2=

(3)

(4)

(5)

(6)

(7)

P*=「tk(r)/r⎤，

P′=「tl(r)/r⎤。

目标函数式(3)中动态决策变量Vk(r)随制造商生产计划节拍r而改变，节拍不同即制造商一个生产计划周期内产品产量不同，物料需求量不同，则物料配送批量不同。式(4)为供应商Sk配送间隔期表达式；约束条件中：式(5)为配送量约束，表示供应商单次配送批量小于车辆总最大运载量以及制造商仓库存放该供应商配送物料的最大存储量；式(6)为配送时间约束，表示供应商单次配送间隔期大于等于供应商完成一次运输和装卸时间之和；式(7)为物料齐套性约束，表示多供应商单次配送量满足配送间隔期内制造商物料的使用需求。

3.4.3 内部仓库配送期量优化模型

内部仓库配送指装配厂内仓库至装配线工位组的配送。在满足生产需求和实现准时化配送前提下，寻求最优配送期量，实现内部物流成本最优化。内部物流总成本VC包括装配厂内配送总成本VC1和工位组线边库存总成本VC2。

装配厂内配送总成本由各工位组配送成本之和构成，配送总成本为单次配送成本与配送频次的乘积，则

(8)

其中xlj∈{0,1}，当物料Mj属于工位组Ul线边物料时xlj=1，否则xlj=0。

混流生产每种物料的消耗量等于工位装配各机型单机装配量累加，工位线边库存等于物料配送量减去消耗量，因此工位组Ul线边库存

P=。

(9)

其中xpi∈{0,1}，工位组Ul装配第p辆车属于i机型时xpi=1，否则xpi=0。

工位组线边库存总成本由各工位组线边库存成本之和构成，与工位组线边库存量有关，为单位库存成本与库存量的乘积，则工位组线边库存总成本

(10)

以内部物流成本最小为目标函数，建立期量优化模型：

minVC=VC1+VC2

(11)

(12)

s.t.

(13)

(14)

(15)

3.4.4 内外两阶段配送期量协同优化模型

综合考虑内部、外部两阶段各环节约束条件及其协同性与准时性，采用组合优化的方法，以供应链物流总成本最小为目标，从组合问题的可行解中求解各供应商至装配厂以及装配厂仓库至各工位组的最优配送期量标准，建立内外两阶段供应链协同的配送期量优化模型：

minTC=WC+VC。

(16)

(17)

(18)

4 基于改进GA的模型智能算法

供应链协同配送期量优化模型在求解过程中，因为其非线性、多约束、高离散和多变量等特点，使得常规优化算法在计算过程中难以取得良好求解效果，例如：标准遗传算法(Simple Genetic Algorithm, SGA)在计算过程中易受种群规模和迭代次数的影响，计算过程波动性较大，易陷入局部最优或造成未成熟收敛。因此，本文利用改进遗传算法——多种群遗传算法(Multiple Populations Genetic Algorithm, MPGA)对模型进行求解，通过由不同控制参数控制的多个种群并行进化求解最优值，同时引入移民算子和人工选择算子保证计算过程的稳定性以及收敛性。基于改进GA的模型智能算法操作流程如下：

步骤1导入混流生产顺序计划(Pi,Qi,Ti)，确定其生产节拍r。

步骤2设置初始参数，包括种群大小NIND、最优种群保持代数MP、交叉概率pc和变异概率pm，

Pc=Pco+c·rand(MP,1)；

Pm=Pmo+m·rand(MP,1)。

其中：Pco和Pmo分别为初始交叉概率与变异概率；c和m分别为交叉与变异操作的区间长度；MP为种群数目；rand为随机函数。

步骤3计算适应度值。针对模型的特点，采用反应物料配送信息的实值分段编码的方式表征个体染色体，染色体编码如图4所示。考虑两级供应链物流总成本最小，将适应度函数设置为：fi=1/TC。根据问题规模设定1个主种群以及多个子种群，计算主种群个体适应度值。

步骤4各种群根据进化策略进行相应染色体操作。采用最优个体保留策略和轮盘赌相结合的方法进行选择操作，以交叉概率pc进行两点交叉操作，以变异概率pm进行变异操作。

步骤6移民操作。各子种群根据移民策略选择最优个体，并将最优个体代替目标种群最差个体，参与种群进化，实现种群信息交换。

步骤7人工选择操作。从每代子种群中选出最优个体放入精华种群中，保持精华种群不破坏。

步骤8判断是否达到规定保持代数，若未达到返回步骤3继续执行；若达到规定保持代数，判断生产顺序计划以及生产节拍是否需要变化，若需发生变化，返回步骤1重新执行，若不发生变化，输出与生产节拍自适应的最优配送期量标准D[V(r),t(r)]。

基于改进GA的模型智能算法具体操作流程如图5所示。

5 实例验证

5.1 实例数据

以某拖拉机装配车间为例，验证模型与算法的有效性。拖拉机物料种类有上万种，涉及供应商500多家，每种物料由多供应商按比例供货。企业正在实施智能制造。该装配车间总装线属于混流生产线，共有17个工位组，具有MES和ANDON系统，进行物料全过程数据采集、跟踪、监控与防错。物料仓储具有仓库管理系统(Warehouse Management System, WMS)和RFID识别系统，进行物料出入库智能化管理。本文选取部分物料和供应商进行验证研究，供应商配送信息及参数设置如表1所示，工位组配送信息如表2所示。决策参数为混流生产不同节拍情况下的两阶段供应链(供应商和制造商仓库)最优配送期量D[V(r),t(r)]。

表1 供应商配送信息及参数设置

表2 工位组配送信息

5.2 模型算法应用

本例采用MATLAB仿真对多种群遗传算法进行编程。基本参数设置如下：种群规模NIND=40，最优个体保持代数MP=80，各种群交叉概率Pc为0.7～0.9随机数，变异概率Pm为0.01～0.05随机数。当日生产计划装配总量为240台、节拍r=2 min/台时，通过MPGA运行5次，得到配送期量结果如表3所示，每次进化过程种群在第20代左右收敛至最优解，得到最优解进化过程如图6所示。

表3 r=2 min/台时供应商和制造商仓库配送期量优化前后对比

续表3

5.3 有效性分析

为验证MPGA的有效性，在上述参数条件相同的情况下，采用SGA进行计算，SGA运行5次的进化过程如图7所示。从图7中可以看出，SGA在不同计算过程中，收敛速度以及波动性相差较大，每次计算种群一般在50代以后收敛至最优值。比较MPGA进化过程(如图6)和SGA进化过程(如图7)，曲线的下降趋势即从开始点到收敛点连线的，MPGA的斜率明显大于SGA的斜率，即MPGA收敛速度较快，求解过程平稳，显然MPGA优于SGA。

为进一步验证模型对动态生产节拍的自适应性和有效性，保持算法其他参数不变，分别对日生产计划装配总量为200台、160台、120台，其节拍r分别为2.4 min/台、3 min/台、4 min/台等相关数据进行仿真分析。通过MPGA，获得不同节拍下的两阶段供应链(供应商和制造商仓库)配送期量如表4～表6所示。通过寻找与生产节拍自适应的供应商以及制造商仓库最优配送间隔期和单次配送量，实现配送成本及库存成本的最优化。配送间隔期和配送量与生产节拍关系曲线如图8与图9所示，供应链物流成本对比分析如表7所示。通过改进遗传算法在满足约束条件下求得优化后外部物流成本、内部物流成本以及供应链物流总成本均比优化前成本降低，成本节约范围在4.2%～13.5%之间，从而验证了优化模型的有效性。

表5 r=3 min/台时供应商和制造商仓库配送期量优化前后对比

表6 r=4 min/台时供应商和制造商仓库配送期量优化前后对比

表7 不同节拍下供应链物流成本对比分析

通过以上实例应用，确定了与混流生产自适应(不同节拍)的两阶段供应链(供应商和制造商仓库)最优配送期量。图8和图9直观反映了配送间隔期和配送量与生产节拍之间的动态关系，即生产节拍越快，配送间隔期越短，单次配送量越大，反之亦然。通过实例验证，所提模型和算法有效地解决了供应商以及制造商仓库配送与动态生产节拍自适应的物料配送期量标准智能决策问题，实现了提高供应商与制造商两阶段配送精准协同性和降低物流成本的预期目标。

6 结束语

本文以农机制造企业为研究对象，针对核心制造商内外供应链物流难以协同并快速响应智能制造混流生产需求的问题，分析智能制造与混流生产特征及其精准物流需求，依据精益生产与协同学理论，提出由混流生产计划驱动的、由物料配送期量标准及其计划与控制智能决策构成的两阶段供应链物流协同策略，实现了核心制造商内外两阶段供应链纵横协同且快速精准响应智能制造混流生产的目标。鉴于物料配送期量标准是配送计划与控制智能决策的核心基础，侧重研究与混流生产动态自适应的、两阶段物料配送期量标准协同优化模型和智能算法。克服效益悖反现象，均衡供应商和制造商成本，以供应链物流总成本最小为优化目标，以准时与齐套配送等为约束条件，考虑多供应商按比例供货的复杂性，构建了与混流生产计划自适应的多供应商至单制造商、制造商仓库至生产线边两个阶段的物料配送期量协同优化模型。针对标准遗传算法(SGA)存在收敛速度慢以及稳定性差等问题，采用改进的多种群遗传算法(MPGA)，引入移民算子和人工选择算子实现算法的并行操作，自动获得与动态生产节拍自适应的最佳物料配送期量标准，提高了模型求解的稳定性和高效性。通过实例应用，分析了配送期量与生产节拍之间的动态适应关系，验证了模型算法的可行性和有效性，实现了两阶段供应链物流准时化协同配送期量标准(DIBS)的智能决策，为智能制造混流生产环境下供应链物流协同化、信息化与智能化奠定了理论基础。智能制造混流生产环境下的配送计划和配送过程智能决策问题，还有待进一步深入研究。