Mitigating manufacturing overdesign: a genetic algorithm-based parameter optimization under dual learning and deterioration effects

doi:10.1007/s00170-026-19016-2

2026-09-02

PRE

Chien-Ping Chung *

DOI：10.1007/s00170-026-19016-2

原文链接

原文求助

摘要

En 中文

在现代精密制造中，确定最优工艺参数对于最小化生产系统的生命周期成本至关重要，尤其是在生产过程中存在工艺劣化和学习效应的情况下。由于学习效应和劣化效应常被忽视，传统的参数设计模型通常假设在整个生产周期内工艺均值和工艺方差保持静态。已知在重复操作下，学习过程会同时提升诸如生产率（减少操作时间）和质量（降低工艺方差）等因素。除了上述两个因素外，随着产品单元的生产，由工艺劣化引起的工艺均值漂移也会影响工艺参数的确定。为解决这一不足，本文提出了一种成本优化模型，将工艺劣化与Jeang生产率和质量的学习曲线相结合。本研究在成本模型构建中采用了质量损失函数和公差成本函数。由于工艺劣化和学习效应的复合影响导致数学复杂性高，开发了一种遗传算法（GA）来同时优化三个关键决策变量：初始设置（如工艺均值和工艺公差）和生产批量大小。通过数值实验和敏感性分析验证了所提出的模型。结果表明，引入Jeang学习效应可使工艺设计者在保证生命周期质量的前提下，采用更经济、更宽松的初始工艺公差，从而有效避免因过度设计带来的高生产成本。本研究在所提出的成本模型中考虑了工艺劣化，这导致工艺重置周期延长，进而同时提高产品质量并降低生产成本。

Keyword:

Process deterioration

Jeang learning curves

Process parameters optimization

Quality loss function

Tolerance cost function

Life-cycle design

Genetic algorithm