【摘 要】
：
在经济发展进入新常态阶段的当下,我国制造业也积极地向质量型和效率型的生产方式转变。与此同时,在数字经济的不断推动下,制造业的生产特征也发生了巨大的变化,从原先单一产品的刚性生产逐渐转变为多种类、小批量的柔性生产,这让生产过程进一步复杂化,变得难以管控。车间调度是生产过程的重要一环,实现具有智能化、主动化的车间调度对企业重新获得竞争力有着重要意义。智能调度的研究目标是在更复杂、更贴近实际的调度场景下
论文部分内容阅读
在经济发展进入新常态阶段的当下,我国制造业也积极地向质量型和效率型的生产方式转变。与此同时,在数字经济的不断推动下,制造业的生产特征也发生了巨大的变化,从原先单一产品的刚性生产逐渐转变为多种类、小批量的柔性生产,这让生产过程进一步复杂化,变得难以管控。车间调度是生产过程的重要一环,实现具有智能化、主动化的车间调度对企业重新获得竞争力有着重要意义。智能调度的研究目标是在更复杂、更贴近实际的调度场景下实现具有自主性、先见性的生产调度,但如果无法有效地将虚拟的数据与现实物理车间相映射融合,车间调度的智能性
其他文献
遥感领域的应用研究通常与传感器高度相关,同时目前对于检测目标,单一传感器已经不能满足需要,多传感器协同工作是大势所趋,这使得遥感领域的研究者针对“在什么应用中使用了哪些传感器”这一问题较为感兴趣。但是目前存在大量的相关领域传感器及应用,研究与应用人员难以快速把握行业状态,因此研究基于遥感领域的“在什么应用中使用了哪些传感器”相关知识文本自动处理和知识图谱构建有着重要的价值。本文围该问题,研究遥感领
现代制造业不断发展的同时,能源消耗也日益加剧,节能降耗已成为制造业可持续发展的关键;实际车间生产中单一的目标已不能满足需求,往往需要考虑多个目标,而传统的数学解析方法难以求解多目标调度问题;同时目前缺少合理的决策方法帮助车间多目标调度方案进行筛选,所以研究制造业车间多目标优化调度与决策,具有重要的实践意义。本文针对制造业车间生产过程的静态和动态多目标调度问题展开研究,运用高效的启发式算法进行求解;
网络化协同制造系统是一种信息高度集成的智能制造模式,其协同层具有大数据集成的知识库以及知识推理、数据挖掘、信息交互等服务功能,而目前大部分能效调度优化方法在优化过程使用的运算资源局限于企业层、车间层等边缘层,对于利用系统的协同层知识库与服务进一步提高能效的优化调度的研究较为缺乏,此外,网络化协同制造系统的生产过程具有有柔性制造、多工厂协同生产等特征,这使得能效分析与优化变得极其困难,因此,网络化协
随着粮食产量日益提高,粮食安全标准愈加严格,粮食仓储问题逐步凸显。产量增加的同时,政府对粮食的收购也愈加呈现出规模大、质量低、品种少的特点,但新的粮食安全标准则要求粮食仓储向多品种、高品质方向发展。因此政府开始提高粮食代储标准,却导致大批粮食企业仓库因不达标准而荒废,与此同时,农户粮食仓储规模也在大幅度下降。在此背景下,基于契约农业的启发与现有农户-政府-企业的储粮模式,提出在政府引导下的农户企业
在工业过程中,由于受到现场环境、检测技术等条件制约,一些重要变量无法通过在线仪器直接测量,并且传统的实验室离线分析存在时间严重滞后等问题,无法满足工业控制实时性的需求。软测量技术是通过构建易测变量与关键变量之间的数学模型,实现对关键变量的实时估计。对于具有强耦合、多工况特性的工业过程,本文以高斯过程回归(Guassian Process Regression,GPR)算法为基础,从辅助变量选择和多
零等待间歇生产过程要求同一产品的相邻工序连续进行,是制造业中一种常见的生产形式。由于调度方案能够很大程度上决定企业的效率和收益,因此研究此类情形下的生产调度算法有着重要的实际意义。目前传统的启发式算法存在泛化能力不强的弊端,于是本文采用一种超启发式差分进化(Hyper-heuristic Differential Evolution,HHDE)算法求解零等待间歇生产调度问题,并围绕单目标和多目标下
当前,基于深度学习的轴承故障诊断方法在标记样本充足的前提下取得了显著的成绩。标记样本数据量越大,模型训练提取的特征可辨别性越强,诊断效果也就越佳。然而,在实际应用中,针对大量采集数据进行人工标记,耗时耗力且需要专家经验的先验知识。因此当数据集中标记样本不足时,就会带来半监督和无监督诊断问题。本文采用生成对抗网络,系统研究了滚动轴承在标记样本较少和无标记样本情况下的故障诊断问题,并对所提方法的可行性