基于遗传算法的飞机维修智能派工系统设计

隆生

摘要：目前大多数航空公司和维修单位在飞机大修生产线上主要依靠维修人员的经验进行派工，存在输出不稳定、生产控制易漏项的风险，且人力资源利用不充分。针对传统大修派工的缺点以及大修生产线智能排班要求，设计了一套基于遗传算法的飞机大修智能派工系统，以提升飞机维修过程中的安全和风险管理水平，提高生产效率，促进大修效益改进。

关键词：遗传算法；智能派工；飞机维修；系统设计

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

0 引言

目前国内飞机大修派工大多多靠人工进行，安排不够透明，大修派工及进度控制的优劣取决于项目经理、区域负责人的经验，大修派工和进度把控存在较大的不稳定性；大修生产线缺乏精细化管控，评估和任务分配不够精确，造成一定的效率降低。为了使派工更精细化、更智能化，本文借助互联网技术优势，结合维修人员的技术经验，提炼出最优算法，设计了一套智能化派工系统，保障安全、降本增效，可为企业创造价值。

1 遗传算法概述

遗传算法是一种搜索最优解的方法。借鉴生物进化中的杂交、变异、选择及遗传等生物特性，模仿自然界优胜劣汰、适者生存的进化规律，得到最优化的算法。在求解较为复杂的组合优化问题时，能够较快地获得较好的优化结果。

通过一定的编码方式形成问题域中“基因”“染色體”和“个体”的概念，进而确定初始种群（由一定数量的个体组成），然后根据问题域中的适应度函数（Fitness Function），通过一代代的选择（Selection）、交叉（Crossover）和变异（Mutation）等方式模拟该种群的进化过程，最后逐渐进化出较好的个体（即解集中近似的最优解）。

遗传算法的过程可以简述为如下过程：

1）初始化：设置进化代数计数器t=0，设置最大进化代数T，依据每个种群的特征随机生成第一代种群的全部个体M；

2）评价个体适应度：计算每个个体的适应度；

3）选择运算：依据一定的选择规范，选出一部分优秀个体参与交叉和变异，产生新的个体再遗传到下一代；

4）交叉运算：将交叉算子作用于群体，遗传算法中起核心作用的就是交叉算子；

5）变异运算：将变异算子作用于群体，即对群体中的个体串的某些基因座上的基因值作变动，群体P（t）经过选择、交叉、变异运算后得到下一代群体P（t+1）；

6）终止条件判断：若t=T，则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。

遗传算法的计算流程如图1所示。

2 飞机大修派工分析

一个飞机大修包可能有几十份到几百份的工卡，少数大修包有上千份工卡，周期从几天到一两百天不等。将工卡合理分配到每一天，根据周期、可用劳动力均衡分配，可通过普通算法实现。

每一天的工卡有几十份或几百份，分配到各个维修人员，需要考虑的条件较多。由于同一次飞机大修工作通常有几十个人参与，每个人员的授权、熟练程度、疲劳程度和状态都不同，分配工卡时需兼顾工作效率与安全，同时考虑授权、疲劳超时等硬性条件的限制。

3 飞机大修派工模型设计

为了获得最优的派工结果，根据以下三个条件考虑设计目标函数：

1）对单份工卡的熟悉程度。同一份工卡，人员历史执行次数越多，说明该人员对这份工卡越熟练，应将此工卡优先分配给该人员；

2）对人员的安全状态评价。通过个人安全积分来评判，安全积分越高的人员优先分配维修工卡；

3）人员本身的疲劳程度。通过疲劳裕度系数来衡量，裕度系数越高说明疲劳程度越低，应优先分配维修工作。

3.1 目标函数设定

航空维修首先要在保证安全的前提下提高工作效率，上述三个条件中，第一个条件代表效率，后两个代表安全，取效率与安全的平衡值，三个条件分别取50%、30%、20%的权重，综合进行派工。在实际应用过程中权重可灵活调整。

根据上面目标函数和约束条件，可以得到飞机维修工卡分配给维修人员的优先级模型，继而得到整个工卡包最合适的派工排列。

3.2 遗传算法的实现

1）编码

派工系统希望得到的结果是一组排列数据，使每一份工卡分配一个最合适的维修人员，因此，采用排列编码方式，将维修人员按照0到n进行编号，在工卡与人员授权匹配范围内，按照工卡清单顺序随机分配一个维修人员。

2）初始种群

维修人员的数量固定，工卡总数固定，对于每份工卡适合的维修人员，根据授权匹配情况随机选择1个。如图2所示，核心代码为随机产生1个样本，根据工卡清单和维修人员清单，随机分配人员。根据工卡量的大小，选择适合的初始化种群数量，循环随机产生初始种群。

3）适应度函数

本文设计的目标函数是计算结果越大优先级越高，因此直接将目标函数f（i）作为适应度函数，f（i）越大适应度越高，适应度函数如图3所示。

4）选择

适应度高的个体被选中进入下一代的概率大，适应度低的个体被选中进入下一代的概率相对较小。选择操作的核心程序如图4所示。

5）交叉

种群中的个体随机两两配对，配对成功的两个个体作为父代进行交叉操作，交叉概率取90%。本文不是采用普通的交叉方式，而是采用一种复杂的交叉方式，即在两个父本之间相同点位处随机选取1个基因元素作为子代的一个点位，子代所有点位都来自于父本1或父本2，所有点位随机取样重组。通过这种交叉方式产生的子代其性状较为稳定，实现的代码简单，运算速度较快。交叉操作核心程序如图5所示。

6）变异

本文采用初始化种群的方式随机产生变异样本，变异概率取10%。变异新产生的样本进入种群池中，参与下一代的交叉变异。变异核心程序如图6所示。

7）终止条件

当通过适应度函数获取到的种群的评价值趋于稳定、不再有较大变化时，可以终止迭代，得到一个最优结果，返回给系统进行工作派发。

8）仿真输出

本文仿真数据为550份工卡，41名维修人员参与，熟练程度、安全积分、疲劳裕度的真实值从现有的维修系统中获取。初始种群1000，进化代数500，交叉概率90%，变异概率10%。仿真结果如图7所示，纵轴为指标综合得分值，横轴为进化代数，进化到200代左右时后续变化已经很小，进化到360代左右时不再发生变化。反复进行多次试验，初始化种群随机产生，其他条件不变，得到的最优结果非常接近。进化代数设置为1000代，仿真结果几乎无变化。在实际系统应用中，综合考虑实际工卡数量和进化所需时间，进化代数设置在500代较合适，初始化种群数根据工卡数量可以动态设置为2倍工卡数量。由于维修派工是根据工作清单对人员进行排序，最优的排列组合可能不只一种，但最优的得分值不会有大的变化，从仿真结果可以看出达到了想要的效果。

4 基于遗传算法的智能派工系统设计

参与飞机大修工作的维修人员相对固定，有各自的工作授权。每份工卡有对应的工种，先按照工卡本身的阶段属性和大修合同约定的周期，将工卡包分配到每一天的任务中，再通过遗传算法将任务分配到具体的每个人。系统主要功能包括维修人员管理、工卡管理、大修项目管理、维修派工管理等模块。维修人员管理是指对人员的授权、日常排班进行管理，提供派工所需的人员资质信息。工卡管理是指进行工卡编写、工卡的经验性评估，提供工卡的属性信息（如工时、工种、阶段等）以及维修人员执行维修工作的依据文件。大修项目管理是对大修项目执行新增和监控等功能。维修派工管理是针对大修项目将工卡分配到维修人员，同时提供进度调整等功能。

派工的过程是先对维修人员的属性信息与工卡的属性信息进行匹配，选出适合单份工卡的维修人员集合，然后利用遗传算法算出整个工卡清单最优的维修人员排列序列；按人员进行工卡清单合并，得到每个维修人员每天的工卡清单，下发到维修人员的移动终端中；维修人员完成工作后在移动终端中进行反馈，派工系统更新工卡完工情况。系统主界面如图8所示。

5 结束语

基于遗传算法的大修派工在派工效率提升、派工合理性提升方面有较好的效果，能够全面考虑派工各种因素，解决传统派工遇到的问题，提高了维修人力资源利用效率，提高了飞机大修工作的安全系数。通过系统的应用，每项工作任务所涉及的航材、工具设备都能准确记录，有利于航材、工具的最低库存管理；维修人员实际工作过程中的维修工时能够准确记录，有利于维修人员按劳取酬的量化考核，提高维修人员的工作满意度。

参考文献

[1]王铁方.计算机基因学—基于家族基因的网格信任模型[M].北京：知识产权出版社，2016：93-94.

[2]鄭树泉.工业智能技术与应用[M].上海：上海科学技术出版社，2019：250-251.

[3]徐俊刚，戴国忠，王宏安.生产调度理论和方法研究综述[J].计算机研究与发展，2004，41（2）：262-264.

[4]李秋红，孙健国，周继超.航空发动机PID控制参数优化的改进遗传算法[J].南京航空航天大学学报，2006，38（2）：37-38.