一、面向敏捷制造車間模式的分布式協(xié)同作業(yè)方法與實施技術(shù)（論文文獻綜述）
劉業(yè)峰,李康舉,趙元,田林琳,陶林[1]（2020）在《基于分布式協(xié)同的數(shù)字化工廠構(gòu)建及應用》文中指出以數(shù)字化工廠平臺的軟、硬件構(gòu)建為基礎(chǔ),針對產(chǎn)品制造過程中加工單元、倉儲物流系統(tǒng)和車間信息化管控系統(tǒng)的分布式協(xié)同與優(yōu)化。提出基于分布式并行協(xié)同的智能數(shù)字化工廠架構(gòu);給出基于分布式并行協(xié)同的工作流程和5種匹配模式;給出以盡量減少總生產(chǎn)和運輸成本為目標的優(yōu)化模型;提出基于上述3個維度的數(shù)字化工廠的智能制造過程是一個基于分布式多加工單元、多任務(wù)、多時間跨度、多智力資源環(huán)境的整體的三維并行協(xié)同過程。最后,對沈陽工學院數(shù)字化工廠進行了架構(gòu)構(gòu)建,通過給出的層次結(jié)構(gòu)模型、組件和搭建的硬件網(wǎng)絡(luò),證明了所搭建的分布式協(xié)同系統(tǒng)是有效的和可行的。
陳寶通[2]（2020）在《面向個性化定制的智能生產(chǎn)線預防性維護研究》文中進行了進一步梳理智能生產(chǎn)線通過物聯(lián)感知和網(wǎng)絡(luò)協(xié)同技術(shù),實現(xiàn)信息物理深度融合。其特征是制造設(shè)備高度互聯(lián)、制造數(shù)據(jù)深度集成與產(chǎn)線動態(tài)重構(gòu),以滿足多品種、小批量、個性化定制產(chǎn)品的混流生產(chǎn)要求。個性化定制生產(chǎn)模式下,智能生產(chǎn)線對設(shè)備可靠性、運行穩(wěn)定性與生產(chǎn)適應性等提出了更高要求,常規(guī)的被動運維模式已不能滿足智能生產(chǎn)線的復雜運維需求。本文聚焦于智能生產(chǎn)線預防性維護的關(guān)鍵技術(shù)研究,以保證個性化定制生產(chǎn)線效率與設(shè)備利用率為前提,對設(shè)備的劣化狀態(tài)進行早期評估,通過可重構(gòu)預防性維護避免生產(chǎn)線意外停機造成的生產(chǎn)中斷,旨在實現(xiàn)生產(chǎn)過程的自主感知、狀態(tài)評估、自適應運行及負載均衡。本文的研究工作可以具體地概括為以下五點:（1）探討了設(shè)備信息物理深度融合為基礎(chǔ)的智能生產(chǎn)線預防性維護系統(tǒng)架構(gòu)。在智能生產(chǎn)線設(shè)備信息傳輸方面,實現(xiàn)了基于OPC UA的信息傳輸,Machine to Machine通信,軟件定義工業(yè)異構(gòu)網(wǎng)絡(luò);在多源異構(gòu)傳感數(shù)據(jù)深度融合方面,提出了邊緣計算使能的數(shù)據(jù)融合方法與邊-云合作的數(shù)據(jù)融合機制。架構(gòu)涵蓋了基于心電機理的設(shè)備運行狀態(tài)監(jiān)測方法與深度的設(shè)備健康狀況評估理論,實時反饋設(shè)備亟需的運維情況。為保障智能生產(chǎn)線穩(wěn)定運行,提出了面向個性化定制生產(chǎn)線的可重構(gòu)運維機制,以實現(xiàn)生產(chǎn)過程自適應管控的系統(tǒng)運維。（2）基于設(shè)備動作時長的細粒度劃分,將設(shè)備作業(yè)狀態(tài)下的節(jié)拍類比為人類的心臟跳動,以設(shè)備心電圖（equipment electrocardiogram,EECG）的方式揭示設(shè)備的性能衰退過程。闡明了設(shè)備心電圖的構(gòu)建機理,涵蓋工序的細粒度劃分方法,時序周期的動態(tài)匹配方法,基線、公差、Hotspot等重要工作特征的確定方法?；谠O(shè)備心電機理,分別提出了生產(chǎn)線節(jié)拍優(yōu)化方法和設(shè)備性能衰退的在線監(jiān)測方法。在智能生產(chǎn)線上對智能設(shè)備心電圖的性能進行了測試,結(jié)果表明智能心電機理能夠很好地支持智能設(shè)備心電圖的實施,智能生產(chǎn)線設(shè)備心電（Automatic Production Line EECG,APL-EECG）系統(tǒng)能夠?qū)崟r監(jiān)測設(shè)備作業(yè)狀態(tài),為設(shè)備的維護提供科學指導。（3）基于時間序列設(shè)備傳感數(shù)據(jù),提出了深度的設(shè)備性能預測方法。引入流行的機器學習框架—Tensor Flow,搭建了Tensor Flow使能的深度學習模型架構(gòu);利用Keras搭建了汽車裝配生產(chǎn)線的小臺車氣缸可靠性分析的深度神經(jīng)網(wǎng)絡(luò)模型,并闡述了其中關(guān)鍵的實現(xiàn)技術(shù);進一步地制定了氣缸工作性能評估策略,預測準確率達到工業(yè)應用標準。研究發(fā)現(xiàn)在不完全觀測豐富數(shù)據(jù)集的環(huán)境下,運用深度神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)“弱關(guān)聯(lián)”多源異構(gòu)設(shè)備傳感數(shù)據(jù)的分析。（4）基于領(lǐng)域本體的形式化語義模型,構(gòu)建了面向預防性維護的可重構(gòu)運維方法。首先,根據(jù)對智能生產(chǎn)線制造資源與生產(chǎn)過程的系統(tǒng)分析,利用領(lǐng)域本體方法構(gòu)建生產(chǎn)線形式化語義模型,以一種語義網(wǎng)結(jié)構(gòu)對生產(chǎn)線的制造資源進行抽象化與統(tǒng)一描述;其次,利用數(shù)據(jù)驅(qū)動的語義模型促進了生產(chǎn)線信息物理資源的動態(tài)融合,為生產(chǎn)線狀態(tài)感知與自組織重構(gòu)等提供基礎(chǔ)模型,進一步構(gòu)建了基于多智能系統(tǒng)的智能生產(chǎn)線自組織自適應運行機制;最后,面向預知的設(shè)備狀態(tài)衰退與性能失衡,構(gòu)建路徑動態(tài)規(guī)劃與任務(wù)切換的可重構(gòu)方法,實現(xiàn)混流產(chǎn)線的不停機動態(tài)重構(gòu)。（5）針對智能生產(chǎn)線設(shè)備集群自組織自適應作業(yè)過程中的負載不均衡現(xiàn)象,探究了基于邊緣計算理念的智能生產(chǎn)線可重構(gòu)運維方法,制定基于能量感知的負載均衡與調(diào)度（Energy-aware Load Balance and Scheduling,ELBS）策略。具體地,在邊緣節(jié)點建立工作負載相關(guān)的能耗模型,相應地確立以作業(yè)集群負載均衡為目標的優(yōu)化函數(shù);利用改進的粒子群算法求得優(yōu)化解,對任務(wù)相關(guān)的作業(yè)集群進行任務(wù)優(yōu)先級排序;采用Multi-agent系統(tǒng)對車間作業(yè)集群進行分布式的優(yōu)化調(diào)度。結(jié)果表明,在多批量個性化定制糖果的包裝產(chǎn)線上,在考慮能耗和工作負載的情況下,該策略實現(xiàn)了混流生產(chǎn)作業(yè)機器人的負載均衡和優(yōu)化運行。綜上所述,以底層信息交互為基礎(chǔ),提出了由單機設(shè)備到集群設(shè)備的自下而上的可重構(gòu)運維方法,實現(xiàn)了涵蓋產(chǎn)線自主感知、狀態(tài)監(jiān)測、預防維護與負載均衡等的關(guān)鍵運維技術(shù),為個性化定制生產(chǎn)線的預防性維護關(guān)鍵點提供技術(shù)支撐與理論依據(jù)。
劉正超[3]（2020）在《面向分布式制造的建材裝備集團綠色生產(chǎn)調(diào)度研究》文中認為建材裝備制造業(yè)是建材工業(yè)的重要支柱,是為建筑材料及其相關(guān)制品提供生產(chǎn)設(shè)備及技術(shù)支持的基礎(chǔ)性產(chǎn)業(yè)。近些年,我國建材裝備制造業(yè)面臨著規(guī)模型企業(yè)占比小、制造資源集中度低、局部產(chǎn)能過剩以及企業(yè)間無序競爭等問題。因此,該產(chǎn)業(yè)正逐步通過集團式重組、合并等方式進行發(fā)展,由此形成了集團分布式制造模式。與此同時,隨著溫室效應、資源枯竭以及環(huán)境惡化成為全球性的難題,我國建材裝備制造業(yè)作為傳統(tǒng)的高投入、高消耗、高排放行業(yè),其節(jié)能減排和綠色發(fā)展問題已經(jīng)迫在眉睫。但是,由于該產(chǎn)業(yè)正處于集團式發(fā)展的初級階段,集團企業(yè)內(nèi)部組織機構(gòu)的功能分配不夠完善、集團總部對下屬企業(yè)的管理能力不足等缺陷,導致了集團內(nèi)部制造任務(wù)與制造資源的匹配度偏低,以及集團下屬企業(yè)的制造目標不統(tǒng)一、協(xié)同制造水平較差等問題的凸顯,進一步增加了建材裝備集團企業(yè)的綠色轉(zhuǎn)型難度。因此,本文針對建材裝備集團分布式制造模式的特點,主要從多主體制造任務(wù)分配、執(zhí)行以及協(xié)同生產(chǎn)管理三個方面對建材裝備集團的綠色生產(chǎn)調(diào)度問題展開研究與探索,具體研究內(nèi)容包括:（1）結(jié)合建材裝備集團分布式制造模式的特征,對建材裝備集團分布式生產(chǎn)調(diào)度過程的決策重點進行了研究。在此基礎(chǔ)上,進一步對建材裝備集團的綠色生產(chǎn)調(diào)度關(guān)鍵問題進行提煉,建立了面向分布式制造的建材裝備集團綠色生產(chǎn)調(diào)度體系,為下文的研究提供了理論基礎(chǔ)。（2）針對建材裝備集團總部在制造任務(wù)分配過程中的綠色制造需求和多目標組合分配決策問題,提出了一種新型的集成多目標優(yōu)化和人工神經(jīng)網(wǎng)絡(luò)的綠色制造任務(wù)分配優(yōu)化方法,首先通過多目標優(yōu)化獲取大量包含決策者偏好特征的綠色制造任務(wù)分配仿真數(shù)據(jù),隨后設(shè)計相關(guān)的人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),并使用仿真數(shù)據(jù)對其訓練,最后使用受訓的人工神經(jīng)網(wǎng)絡(luò)對候選制造任務(wù)分配方案進行綠色優(yōu)選,實現(xiàn)了建材裝備集團制造任務(wù)分配過程的綠色優(yōu)化。（3）針對建材裝備集團下屬企業(yè)在制造任務(wù)執(zhí)行過程中的車間生產(chǎn)資源浪費問題,重點研究了考慮車間內(nèi)部加工過程和運輸過程綜合能耗的綠色集成調(diào)度優(yōu)化方法,構(gòu)建了集成加工機器和運輸設(shè)備調(diào)度的綠色優(yōu)化模型,并設(shè)計了一種新型的帶有綠色運輸調(diào)度啟發(fā)式策略的改進遺傳算法對模型進行求解,實現(xiàn)了建材裝備集團制造任務(wù)執(zhí)行過程的綠色優(yōu)化。（4）針對建材裝備集團在綠色生產(chǎn)調(diào)度過程中發(fā)生的多主體協(xié)作沖突問題,建立了集成多目標優(yōu)化和非合作博弈理論的沖突協(xié)調(diào)模型,并提出了一種新型的基于NSGA-和納什均衡的沖突協(xié)調(diào)求解算法,通過調(diào)度優(yōu)化、沖突檢測、沖突協(xié)調(diào)三個過程為建材裝備集團的綠色生產(chǎn)調(diào)度提供配套的沖突協(xié)調(diào)方案,實現(xiàn)了建材裝備集團分布式制造的綠色協(xié)同生產(chǎn)管理。（5）根據(jù)論文中提出的優(yōu)化理論與方法,以國內(nèi)某建材裝備集團企業(yè)的實際應用需求為基礎(chǔ),設(shè)計開發(fā)了面向分布式制造模式的建材裝備集團綠色生產(chǎn)調(diào)度平臺原型系統(tǒng),重點研究了平臺系統(tǒng)的軟硬件架構(gòu)及功能框架設(shè)計,并結(jié)合開發(fā)實例對平臺系統(tǒng)的主要功能和應用效果進行了相關(guān)的展示說明。
吳銳[4]（2019）在《面向建材裝備制造企業(yè)的分布式柔性作業(yè)車間調(diào)度問題研究》文中提出近年來,由于行業(yè)產(chǎn)能過剩導致市場競爭激烈,我國建材裝備制造企業(yè)經(jīng)歷了大范圍的合并重組,逐漸形成了規(guī)?；?、集團化、跨區(qū)域化的生產(chǎn)格局。建材裝備制造企業(yè)一般都擁有多個制造工廠,產(chǎn)品生產(chǎn)由位于不同地域的制造工廠共同完成。在這種分布式制造模式下,通過合理配置多個工廠的制造資源可實現(xiàn)更高效的生產(chǎn),而分布式車間調(diào)度優(yōu)化技術(shù)是實現(xiàn)制造資源優(yōu)化配置的關(guān)鍵。因此,本文針對幾類不同應用需求下的建材裝備制造企業(yè)分布式柔性作業(yè)車間調(diào)度問題,建立相應的調(diào)度優(yōu)化模型,以人工蜂群算法為基礎(chǔ),通過改進蜂群搜索機制及設(shè)計高效的局部搜索策略,分別提出對應模型的求解算法,并進行實例驗證研究。本文的主要工作包括:（1）針對建材裝備制造企業(yè)頻繁出現(xiàn)因設(shè)計延遲、設(shè)計變更導致的剩余工期壓縮,車間生產(chǎn)緊張的情況,以最小化完工時間為目標建立了分布式柔性作業(yè)車間調(diào)度優(yōu)化模型,并提出了一種改進離散人工蜂群算法用以求解。在所提算法中,針對問題特點設(shè)計了編碼/解碼方案及初始化策略,改進了蜂群搜索機制實現(xiàn)高效搜索,并設(shè)計了基于關(guān)鍵路徑的局部搜索策略以增強算法局部搜索能力。最后,基于算例和建材裝備制造企業(yè)實例進行對比實驗,驗證了算法的可行性和有效性。（2）迫于行業(yè)訂單價格持續(xù)低迷,建材裝備制造企業(yè)需在滿足客戶工期需求的基礎(chǔ)上,降低成本以提升競爭力,基于此,建立了以最小化加權(quán)總延期和加工運輸總成本為目標的分布式柔性作業(yè)車間調(diào)度優(yōu)化模型,并提出了一種混合模擬退火算法作為局部搜索策略的人工蜂群算法用于求解。算法設(shè)計中,針對問題特點提出了多種混合初始化策略以提高搜索起點的質(zhì)量,同時設(shè)計了基于擁擠度距離的檔案集維護、更新策略以獲得分布性更好的非支配解集。最后,通過算例仿真和建材裝備制造企業(yè)實例進行了算法對比。（3）基于建材裝備制造企業(yè)面臨的用工成本攀升及用工短缺,工人資源逐漸成為生產(chǎn)瓶頸的現(xiàn)狀,在考慮設(shè)備資源約束的基礎(chǔ)上增加工人資源約束,建立了雙資源約束下的分布式柔性作業(yè)車間調(diào)度優(yōu)化模型,并提出了一種基于協(xié)同進化的多種群人工蜂群算法用于問題的求解。在所提算法中,根據(jù)增加的工人約束改進了編碼/解碼方案及初始化策略,同時設(shè)計了一種自適應鄰域選擇機制以實現(xiàn)動態(tài)有效的鄰域搜索,并提出了兩種個體信息交流機制用于實現(xiàn)多種群的協(xié)同進化。最后,通過算例及建材裝備制造企業(yè)實例驗證了算法的可行性和有效性。（4）建材裝備制造企業(yè)車間實際生產(chǎn)過程中經(jīng)常會出現(xiàn)如加工設(shè)備故障、新工件插入等動態(tài)事件,針對此種情形,研究了動態(tài)環(huán)境下的分布式柔性作業(yè)車間調(diào)度問題,建立了考慮重調(diào)度穩(wěn)定性及工廠設(shè)備偏離度的多目標調(diào)度優(yōu)化模型。采用基于分解的進化算法框架改進人工蜂群算法用于問題的求解,針對問題特點設(shè)計了混合初始化策略和多種鄰域結(jié)構(gòu),并提出了一種基于禁忌搜索的自適應鄰域選擇機制以高效搜尋優(yōu)良鄰域解。最后,分別通過算例和建材裝備制造企業(yè)實例將所提算法與其他算法進行了對比研究。（5）以上述理論研究為基礎(chǔ),結(jié)合某建材裝備制造企業(yè)實際需求,設(shè)計并開發(fā)了一套建材裝備制造企業(yè)分布式車間調(diào)度系統(tǒng),介紹了系統(tǒng)主要功能模塊,并對系統(tǒng)實際應用效果進行了展示和分析。最后對本文的主要研究內(nèi)容和創(chuàng)新之處進行了總結(jié),并展望了未來的研究方向。
何磊[5]（2019）在《敏捷衛(wèi)星協(xié)同調(diào)度模型與算法》文中進行了進一步梳理作為空間圖像采集的主要平臺,對地觀測衛(wèi)星的主要任務(wù)是根據(jù)用戶需求獲取地球表面的觀測信息,由于其具有覆蓋范圍廣、成像時間長、不受國境限制等優(yōu)勢,對地觀測衛(wèi)星在經(jīng)濟發(fā)展、災害救援和應急監(jiān)測等任務(wù)中發(fā)揮著越來越重要的作用。近年來,衛(wèi)星能力的不斷發(fā)展以及新的應用需求的不斷提出,為當前的衛(wèi)星任務(wù)觀測規(guī)劃系統(tǒng)提出了新的挑戰(zhàn):新一代敏捷對地觀測衛(wèi)星與傳統(tǒng)衛(wèi)星相比,帶有時間依賴特性,其規(guī)劃調(diào)度問題更加復雜;大面積區(qū)域監(jiān)測、海洋移動目標跟蹤等復雜任務(wù)需要多顆衛(wèi)星之間能夠有效協(xié)同;云層遮擋等實時變化的天氣情況對衛(wèi)星成像的影響較大,降低了衛(wèi)星的使用效能;突發(fā)緊急任務(wù)的觀測需求要求衛(wèi)星具有快速響應能力。本文圍繞敏捷衛(wèi)星協(xié)同調(diào)度問題,從以下幾個方面展開研究:首先,研究帶有時間依賴的單顆敏捷衛(wèi)星調(diào)度問題。能夠在確定性環(huán)境下高效的求解單星調(diào)度問題,是能夠良好解決多星協(xié)同調(diào)度問題和不確定性環(huán)境下敏捷衛(wèi)星調(diào)度問題的關(guān)鍵。提出了一種結(jié)合自適應大鄰域搜索算法和禁忌搜索算法的混合算法,算法包含多種禁忌規(guī)則、多個通用隨機化鄰域算子、一種部分序列支配策略、一種針對帶有序列依賴和時間依賴調(diào)度問題的任務(wù)快速插入策略。該調(diào)度方法具有良好的通用性,在包括單顆敏捷衛(wèi)星調(diào)度問題在內(nèi)的三類不同問題上,均取得了比當前最優(yōu)算法更好的效果。同時分析了算法在具有不同特性的算例上的表現(xiàn),得出了一些指導算法參數(shù)設(shè)置的通用結(jié)論。最后,考慮到當前在帶有時間依賴的敏捷衛(wèi)星調(diào)度領(lǐng)域公開的測試數(shù)據(jù)和源代碼較少,本文公開使用的測試數(shù)據(jù)和源代碼,以促進本領(lǐng)域的研究。其次,研究帶有時間依賴的多顆敏捷衛(wèi)星協(xié)同調(diào)度問題。多星協(xié)同調(diào)度問題的主要難點之一是由于衛(wèi)星數(shù)量增加而導致的解空間急劇增大。為了解決該問題,首先深入分析了針對多星協(xié)同調(diào)度問題進行任務(wù)分配的必要性。提出一種自適應任務(wù)分配策略,將提出的自適應大鄰域搜索算法擴展到多個衛(wèi)星協(xié)同調(diào)度的情況。該自適應分配方法考慮了多種任務(wù)分配方式,算法能夠根據(jù)不同算例的特性自主調(diào)整各個任務(wù)分配算子的權(quán)重,從而實現(xiàn)自適應的任務(wù)分配。大量的計算結(jié)果表明,所提出的自適應任務(wù)分配機制比當前最新的多衛(wèi)星協(xié)同調(diào)度方法更有效。在仿真實驗中研究了參數(shù)對算法性能的影響,并對不同算例進行了比較,得出了一些通用結(jié)論。再次,研究考慮時變云層遮擋的多顆敏捷衛(wèi)星協(xié)同調(diào)度問題。針對如實時變化的云層遮擋這類可以預測的不確定性,提出一種介于全在線與離線之間的、用于實時調(diào)度問題的分層式協(xié)同調(diào)度方法。利用云層預報的準確性隨著預測提前時間的減少而提高的特性,該方法從一個簡單的任務(wù)分配和粗略調(diào)度過程開始,隨著任務(wù)觀測開始時間的臨近,對云層的預測準確性逐漸提高,逐步改善調(diào)度的精細度。本方法通過推遲調(diào)度時間,有效減少云層覆蓋對觀測的影響。同時,與傳統(tǒng)的包含離線調(diào)度和在線重調(diào)度的兩階段調(diào)度方法相比,此方法中確定具體觀測開始時間的精細調(diào)度僅執(zhí)行一次,從而實現(xiàn)了更高的資源利用率。仿真結(jié)果表明,該算法可以在多種任務(wù)分布方式、調(diào)度范圍、任務(wù)數(shù)量和衛(wèi)星數(shù)量的算例上,降低計算成本、提高解質(zhì)量,特別是針對規(guī)模較大的算例。該框架和層次結(jié)構(gòu)機制也可以應用于其他具有實時變化環(huán)境的大規(guī)模優(yōu)化問題。最后,研究考慮緊急任務(wù)的多星分布式協(xié)同調(diào)度問題。緊急任務(wù)是衛(wèi)星系統(tǒng)在應用過程中經(jīng)常遭遇的一類不確定性事件,例如自然災害、周邊熱點事件等等,由于較大的時間和空間的不確定性,很難對這些緊急任務(wù)進行預測。針對此問題,提出一種多可行解合成框架,將復雜的星上調(diào)度問題轉(zhuǎn)換為一個簡單的可行解選擇問題,實現(xiàn)在有限的計算資源和計算時間的約束下,快速生成一個質(zhì)量較高的解。同時,提出多種不確定環(huán)境下多衛(wèi)星分布式協(xié)同調(diào)度方法,包含一種貪婪選擇機制、一種基于多Agent馬爾可夫決策過程的最優(yōu)協(xié)同策略機制、以及一種基于混合整數(shù)規(guī)劃的最優(yōu)選擇機制。提出的多星協(xié)同方法使衛(wèi)星可以根據(jù)策略快速做出獨立決策,從而在不進行通信的情況下也能快速取得較高收益。通過多組仿真實驗,驗證了提出的多解合成框架和分布式協(xié)同策略對于星上重調(diào)度問題的有效性。同時,實驗發(fā)現(xiàn)了不同協(xié)同策略對具有不同特征的算例的適應性。
孫璐[6]（2019）在《面向復雜柔性調(diào)度的協(xié)同演化算法研究》文中研究指明柔性調(diào)度是實現(xiàn)智能制造的核心技術(shù)之一。在滿足制造系統(tǒng)約束的條件下,柔性調(diào)度突破傳統(tǒng)調(diào)度中資源唯一性的限制,通過分配不同的資源來完成已排序的生產(chǎn)操作,獲得生產(chǎn)效率的最大化。然而,日益激烈的市場競爭及逐漸增加的客戶需求導致柔性調(diào)度的規(guī)模隨之增加,同時實際系統(tǒng)中存在不可避免的不確定性因素,如設(shè)備周期性老化等帶來的具有先驗知識的不確定性及加工資源突然故障等引發(fā)的突發(fā)不確定性,給柔性調(diào)度的求解帶來了極大挑戰(zhàn)。因此,如何在大規(guī)模及不確定環(huán)境下,高效靈活地分配資源以實現(xiàn)效率最大化,是影響柔性調(diào)度推廣和應用的關(guān)鍵。協(xié)同演化算法通過構(gòu)造多個種群,使多個種群相互合作來提高性能,多適用于復雜系統(tǒng)的大規(guī)模及動態(tài)演化環(huán)境。然而,柔性調(diào)度的操作排序和資源選擇之間的相互依賴導致現(xiàn)有協(xié)同演化算法無法直接應用于復雜柔性調(diào)度。本文針對大規(guī)模柔性調(diào)度、具有先驗知識的不確定柔性調(diào)度及突發(fā)不確定柔性調(diào)度,分別提出相應的協(xié)同演化算法,最優(yōu)化所有操作的最大完成時間（Makespan）。主要研究內(nèi)容及創(chuàng)新點如下:1.分布式協(xié)同演化算法。針對大規(guī)模柔性調(diào)度中問題規(guī)模增加導致關(guān)聯(lián)操作放置同組概率降低及算法搜索性能下降的問題,提出一種分布式協(xié)同演化算法。該算法包括增加關(guān)聯(lián)操作放置同組概率的多次隨機重分組策略及改進的局域搜索策略。通過設(shè)計適用于柔性調(diào)度的編解碼策略,過濾大量不可行解;提出通過移動關(guān)鍵操作以重構(gòu)關(guān)鍵路徑的局域搜索策略,增強局域搜索能力;改進可用于開源分布式計算框架下的協(xié)同演化機制,通過基于給定集合的分組策略,動態(tài)調(diào)整分組,增加關(guān)聯(lián)操作放置同組概率,提高算法效率。在標準數(shù)據(jù)集及大規(guī)模數(shù)據(jù)集下,所提算法相較對比算法,Makespan的誤差率得到有效降低。2.混合式協(xié)同演化算法。具有先驗知識的不確定柔性調(diào)度中,操作的加工時間為通過三角模糊數(shù)建模的區(qū)間值。針對決策空間中探索（Exploration）與開發(fā)（Exploitation）不平衡及固定取值的參數(shù)有效性下降的問題,提出一種混合式協(xié)同演化算法。該算法包括平衡探索與開發(fā)時結(jié)合粒子群算法和遺傳算法的編碼轉(zhuǎn)換機制及提高參數(shù)有效性的參數(shù)自適應策略。設(shè)計考慮多屬性的三角模糊數(shù)排序機制,提高排序效率;提出實數(shù)編碼與整數(shù)編碼的轉(zhuǎn)換機制,將粒子群算法與遺傳算法有效結(jié)合,平衡決策空間中探索與開發(fā);提出基于貢獻度的參數(shù)自適應策略,提高參數(shù)有效性。在標準模糊數(shù)據(jù)集下,所提算法相較對比算法,模糊Makespan得到有效優(yōu)化。3.基于學習的協(xié)同演化算法。突發(fā)不確定柔性調(diào)度中,操作的加工時間為通過概率分布建模的隨機值。針對演化過程中操作間動態(tài)的關(guān)聯(lián)關(guān)系及依賴關(guān)系影響調(diào)度優(yōu)化的問題,提出兩種基于學習的協(xié)同演化算法?；隈R爾科夫隨機場分組策略的協(xié)同演化算法,在預處理階段,通過構(gòu)建馬爾科夫隨機場探測操作間的關(guān)聯(lián)關(guān)系;基于貝葉斯優(yōu)化分組策略的協(xié)同演化算法,在演化過程中,通過構(gòu)建貝葉斯網(wǎng)絡(luò)挖掘操作間的依賴關(guān)系。通過探測和挖掘的關(guān)聯(lián)關(guān)系及依賴關(guān)系,降低不確定性對柔性調(diào)度優(yōu)化的影響。在均勻分布、高斯分布及指數(shù)分布下,所提算法相較對比算法,Makespan的期望值得到有效降低。
張耿[7]（2018）在《基于工業(yè)物聯(lián)網(wǎng)的智能制造服務(wù)主動感知與分布式協(xié)同優(yōu)化配置方法研究》文中認為經(jīng)濟全球化進程的加快、市場競爭的日益加劇,日趨多樣性、個性化的產(chǎn)品制造需求,制造業(yè)呈現(xiàn)的信息化、服務(wù)化、專業(yè)化的發(fā)展趨勢,對現(xiàn)代生產(chǎn)過程中制造資源的互聯(lián)化、業(yè)務(wù)流程的協(xié)同化、參與主體的自主化、制造模式的服務(wù)化等方面提出了更高的要求。在此背景下,隨著云計算、工業(yè)物聯(lián)網(wǎng)、信息物理系統(tǒng)等先進制造信息技術(shù)的迅猛發(fā)展,新型智能制造模式（如云制造、物聯(lián)制造、社群化制造等）應運而生,并迅速引起了學術(shù)界和工業(yè)屆的廣泛關(guān)注。然而,當前研究主要針對傳統(tǒng)制造系統(tǒng)中靜態(tài)優(yōu)化模型和方法的研究,較少對底層制造資源服務(wù)主動感知、動態(tài)優(yōu)化配置等核心關(guān)鍵方法深入探索。為此,本研究針對資源服務(wù)的透明化感知、自主式優(yōu)化配置需求,將工業(yè)物聯(lián)技術(shù)引入傳統(tǒng)制造系統(tǒng),形成底層制造資源端生產(chǎn)信息的主動感知,以研究“智能制造服務(wù)的主動感知與優(yōu)化配置方法”為突破口,構(gòu)建了基于工業(yè)物聯(lián)網(wǎng)的智能制造服務(wù)主動感知與優(yōu)化配置方法的體系架構(gòu)和運行邏輯,并對制造資源實時信息的主動感知與集成、制造資源服務(wù)化封裝與云端化接入、智能制造服務(wù)優(yōu)化配置方法等方面的關(guān)鍵技術(shù)展開深入研究,為促進智能制造系統(tǒng)向敏捷化、服務(wù)化、綠色化和智能化的方向發(fā)展提供一種重要的理論和技術(shù)參考。主要內(nèi)容包含以下幾個方面:首先,在描述智能制造服務(wù)主動感知與優(yōu)化配置相關(guān)基本概念的基礎(chǔ)上,提出了智能制造服務(wù)主動感知與優(yōu)化配置的體系架構(gòu),論述了各參與主體間的協(xié)同工作邏輯以及智能制造服務(wù)主動感知與優(yōu)化配置的運作邏輯,并提取了支撐智能制造服務(wù)主動感知與優(yōu)化配置的三個關(guān)鍵技術(shù)。其次,針對生產(chǎn)企業(yè)對實時、透明制造資源信息主動感知與集成的需求,研究了基于工業(yè)物聯(lián)網(wǎng)技術(shù)的制造資源實時信息主動感知與集成架構(gòu),闡述了該架構(gòu)的關(guān)鍵組成部分,設(shè)計了實時制造信息的集成服務(wù),以實現(xiàn)多相異構(gòu)系統(tǒng)與制造執(zhí)行過程的信息交互,并利用所構(gòu)建的應用場景對制造資源實時信息的跟蹤與追溯進行了說明。第三,針對新型智能制造模式對制造資源高度共享、實時訪問的需求,從底層制造設(shè)備入手,提出了一種加工設(shè)備的服務(wù)化封裝與云端化接入模型,論述了該模型所涉及的關(guān)鍵技術(shù),從而使得加工設(shè)備的制造能力能被主動感知,并能以一種松散耦合和即插即用的方式接入到制造云平臺,為海量制造資源的云端化接入、主動發(fā)現(xiàn)、優(yōu)化配置提供了理論參考和技術(shù)支持。第四,針對企業(yè)級智能制造服務(wù)的自主式優(yōu)化配置需求,以保持企業(yè)的靈活性和可持續(xù)競爭力為目標,將制造服務(wù)提供方的自主決策權(quán)考慮到優(yōu)化過程中,構(gòu)建了企業(yè)級智能制造服務(wù)優(yōu)化配置的分布式模型,采用新興的分布式協(xié)同優(yōu)化方法—增廣拉格朗日協(xié)同優(yōu)化對模型進行求解,并引入了選擇單元,以實現(xiàn)具有競爭關(guān)系的制造服務(wù)鏈的優(yōu)化選擇,從而為企業(yè)級智能制造服務(wù)的柔性、高效、自主式優(yōu)化配置過程提供決策支持。第五,針對車間級智能制造服務(wù)的自主式優(yōu)化配置需求,以保持車間制造資源的智能化、自主性為目標,將制造單元與加工設(shè)備的自組織、自決策能力考慮到優(yōu)化過程中,構(gòu)建了車間級智能制造服務(wù)優(yōu)化配置的分布式模型,采用目標層解法對模型進行求解,并引入了選擇元素,以實現(xiàn)具有競爭關(guān)系的智能制造單元的優(yōu)化選擇,從而為車間級智能制造服務(wù)的柔性、高效、自主式優(yōu)化配置過程提供決策支持。最后,通過工業(yè)案例對所述的智能制造服務(wù)優(yōu)化配置方法進行了仿真驗證;開發(fā)了適用于智能制造服務(wù)主動感知與優(yōu)化配置的仿真系統(tǒng),并從制造服務(wù)優(yōu)化配置各個參與主體的角度闡述了系統(tǒng)的相關(guān)功能模塊,驗證了本文所提出模型和方法的可行性和有效性。
張祖國[8]（2015）在《基于社會化的協(xié)同智能制造系統(tǒng)研究》文中研究指明智能制造是工業(yè)界持續(xù)關(guān)注的問題,其支撐技術(shù)體系處于持續(xù)發(fā)展更新中。狹義的智能制造主要關(guān)注制造的自動化、企業(yè)內(nèi)不同業(yè)務(wù)系統(tǒng)的集成、生產(chǎn)線的柔性與工廠制造業(yè)務(wù)的敏捷性以及緊耦合企業(yè)集團內(nèi)的協(xié)同?；ヂ?lián)網(wǎng)環(huán)境下制造協(xié)同更多表現(xiàn)為松耦合特征,因此存在自組織去中心化的企業(yè)間的制造服務(wù)動態(tài)按需協(xié)同機制問題。論文針對此問題,對國內(nèi)外智能制造與協(xié)同制造相關(guān)的知識體系進行了系統(tǒng)性研究,設(shè)計了體系結(jié)構(gòu),定義了一系列相關(guān)概念,并給出了解決方案,圍繞制造資源共享、制造資源的選擇與分配、制造聯(lián)合服務(wù)訪問與授權(quán)、動態(tài)按需配置制造流程和制造智慧的聯(lián)合進化與遺傳等方面展開分析和討論。論文首先從技術(shù)與集成框架兩個角度論述了CIMS（Computer/Contemporary Integrated Manufacturing System）的要素、體系結(jié)構(gòu)、系統(tǒng)建模方法及其演進;智能體特征、模型、組織特征與協(xié)調(diào)協(xié)作方法與強化學習機制和遺傳算法;制造的社會化特征與虛擬組織;制造的敏捷與柔性特征;云制造技術(shù)與思想的發(fā)展;德國工業(yè)4.0的CPS（Cyber-Physical System）框架、數(shù)據(jù)標準化與動態(tài)配置生產(chǎn)線目標。文章比較了不同IM概念的內(nèi)涵和外延差異。論文針對松耦合環(huán)境下的制造服務(wù)協(xié)同問題提出了社會化協(xié)同智能制造SCIM（SNS-Based Collaborative Intelligent Manufacturing System）的概念,通過定義智能制造資源IMR（Intelligent Manufacturing Resource）、全制造服務(wù)周期TMSL（Total Manufacturing Service Lifecycle）、虛擬生產(chǎn)線VPL（Virtual production Line）,構(gòu)造了SCIM體系結(jié)構(gòu)參考模型,設(shè)計了SCIM的兩種協(xié)作模型E2E（Enterprise to Enterprise）和E2P（Enterprise to Person）,設(shè)計了E2P下的分包模式和自定義產(chǎn)品模式,并在SCIM體系結(jié)構(gòu)下給出了設(shè)計協(xié)同、工藝協(xié)同、虛擬庫存協(xié)同、MRO（Maintenance,Repair and Operation）協(xié)同的交互場景。論文將企業(yè)服務(wù)總線ESB（Enterprise Service Bus）擴展為分布式協(xié)同制造總線CMB（Collaborative Manufacturing Bus）,并通過UDDI（Universal Description Discovery and Integration）復制與更新給出初步實現(xiàn)方法;基于微服務(wù)架構(gòu)提出了微服務(wù)制造單元MMSU（Micro Manufacturing Service Unit）,分析了其運行機制和消息機制及對遺存系統(tǒng)的集成;將MMSU引入數(shù)字制造設(shè)備,提出雙通道現(xiàn)場服務(wù)總線DC-OS（Dual Channel-Onsite Service）,將數(shù)字制造設(shè)備納入動態(tài)制造流程配置進程。在SCIM體系內(nèi),協(xié)作的關(guān)鍵流程環(huán)節(jié)包括制造資源與服務(wù)的分享、資源與服務(wù)的優(yōu)化選擇、制造服務(wù)的安全授權(quán)、跨企業(yè)的動態(tài)制造服務(wù)流程配置以及松耦合企業(yè)間制造應用的智慧進化與遺傳過程。針對四個方面,論文在第四章進行了相關(guān)技術(shù)研究并給出了解決方法。首先,提出了基于open LDAP和JXTA協(xié)議的點到點LDAP服務(wù)發(fā)現(xiàn)與資源同步機制;隨后研究了融合CA與o Auth的SCIM體系下跨信任域的應用服務(wù)聯(lián)合認證與授權(quán)方案;然后設(shè)計了面向社會化協(xié)作的制造服務(wù)流程引擎模型結(jié)構(gòu),分析了該流程引擎與制造資源目錄服務(wù)的交互、流程引擎對MMSU代理的驅(qū)動以及流程節(jié)點間的消息機制;該章節(jié)最后將遺傳算法應用于IME（IM-ed Enterprise）間的制造知識進化,定義了系統(tǒng)框架和內(nèi)部功能流程,探討了基于混合語義分析的制造知識處理算法模型和模糊推理機制。由于獲取SCIM體系內(nèi)制造資源與服務(wù)后,面臨多種同類或相似資源或服務(wù)的情況,資源選擇是SCIM體系內(nèi)的重要決策問題。論文通過多目標規(guī)劃和單純形法構(gòu)造了虛擬資源優(yōu)化選擇問題模型及求解方法,通過平衡運輸問題的求解思想建立選定資源后實現(xiàn)虛擬生產(chǎn)線上的任務(wù)分配問題模型,并給出求解方法。本文部分研究成果在某集團企業(yè)的實際案例中進行了應用,支撐了其持續(xù)智能化改造項目的實施,證明文章提出的SCIM體系結(jié)構(gòu)及配套的資源分享、服務(wù)授權(quán)、制造服務(wù)動態(tài)配置及制造應用智慧遺傳進化方案是可行的。資源分享、服務(wù)授權(quán)、制造服務(wù)動態(tài)配置及制造應用智慧遺傳進化對復雜社會化關(guān)系的適應能力,資源與服務(wù)協(xié)同的租用資費、資源與服務(wù)隱私、雙通道現(xiàn)場服務(wù)總線在數(shù)字制造設(shè)備上的實現(xiàn)是今后進一步研究的重點。
馬雪麗[9]（2014）在《離散制造業(yè)集成化作業(yè)計劃管理方法研究》文中提出離散制造企業(yè)具有產(chǎn)品需求多樣化、產(chǎn)品結(jié)構(gòu)復雜、產(chǎn)品工藝柔性以及生產(chǎn)環(huán)境動態(tài)多變等特點。作業(yè)計劃直接面向生產(chǎn)制造過程中車間制造資源的組織、協(xié)調(diào)和優(yōu)化運行。作業(yè)計劃管理方法的科學性和敏捷性直接關(guān)系到企業(yè)的生產(chǎn)效率和市場反應速度。隨著計算機集成制造等先進制造模式和信息技術(shù)的發(fā)展,作業(yè)計劃的管理正向著信息化、集成化的方向發(fā)展。本研究在國家科技支撐計劃（2012BAF12808）和國家自然科學基金（70772086）的支持下,針對離散制造企業(yè)作業(yè)計劃管理體系和方法中存在的問題,在分析國內(nèi)外關(guān)于作業(yè)計劃管理理論、方法和應用現(xiàn)狀的基礎(chǔ)上,綜合運用系統(tǒng)、集成的思想,研究了離散制造企業(yè)集成化作業(yè)計劃管理的框架體系和方法。首先,針對離散制造企業(yè)生產(chǎn)流程和作業(yè)計劃管理業(yè)務(wù)流程的特點,建立了由作業(yè)計劃層、生產(chǎn)調(diào)度層和活動控制層組成的離散制造業(yè)集成化作業(yè)計劃管理的體系結(jié)構(gòu),分析了離散制造業(yè)集成化作業(yè)計劃管理包含的主要內(nèi)容、關(guān)系和難點,并基于此構(gòu)建了基于BPS/MES/PCS的集成化作業(yè)計劃管理的功能模型,分析了系統(tǒng)之間集成和交互的信息流。針對企業(yè)生產(chǎn)計劃分層控制的缺陷,構(gòu)建了作業(yè)計劃與MRP計劃的集成控制模式,針對集成控制模式下作業(yè)計劃編制問題中產(chǎn)品的結(jié)構(gòu)、工藝和MRP計劃等多重約束的特點,建立了該問題的生產(chǎn)過程網(wǎng)絡(luò)圖模型,基于圖論的優(yōu)化方法,設(shè)計了基于動態(tài)關(guān)鍵路徑的作業(yè)計劃編制算法。通過應用實例的對比表明,該方法能快速有效的制定可行的作業(yè)計劃,并縮短生產(chǎn)周期。針對離散制造業(yè)的許多產(chǎn)品采用柔性工藝設(shè)計增加作業(yè)計劃調(diào)度的復雜性這一問題,結(jié)合離散制造業(yè)產(chǎn)品柔性工藝的類型和特點,對傳統(tǒng)的FJSP進行了工序順序柔性的擴展,將問題抽象為（Flexible Process Job-shop Scheduling Problem, FPJSP）問題,以縮短生產(chǎn)周期為目標,建立該問題的整數(shù)規(guī)劃模型,設(shè)計了求解該模型的遺傳算法和變鄰域搜索算法相結(jié)合的混合遺傳算法。通過應用實例驗證了所提的混合遺傳算法對求解FPJSP的有效性。針對離散制造業(yè)車間生產(chǎn)環(huán)境復雜多變造成作業(yè)計劃執(zhí)行跟蹤困難的問題,建立了參考數(shù)據(jù)模型以分析作業(yè)計劃執(zhí)行跟蹤過程中相關(guān)實體之間的關(guān)系,以批次為追溯單元,以作業(yè)計劃執(zhí)行過程信息的實時準確跟蹤為目的,基于微分幾何仿射空間的相關(guān)理論,建立基于n維仿射空間的批次跟蹤模型,設(shè)計了基于n維仿射空間的跟蹤數(shù)據(jù)存儲結(jié)構(gòu)和作業(yè)計劃執(zhí)行過程信息跟蹤算法。應用實例表明該跟蹤模型和算法可以有效減少數(shù)據(jù)冗余提高跟蹤效率。最后將研究成果與生產(chǎn)的實際需求和信息技術(shù)相結(jié)合,基于上述模型和算法,開發(fā)了集成化作業(yè)計劃管理的原型系統(tǒng),探討了本文研究的集成化作業(yè)計劃方法在離散制造企業(yè)的應用,驗證了本文研究的集成化作業(yè)計劃方法的可行性與有效性。
李京生,王愛民,唐承統(tǒng),盧治兵[10]（2012）在《基于動態(tài)資源能力服務(wù)的分布式協(xié)同調(diào)度技術(shù)》文中進行了進一步梳理基于云制造技術(shù)中面向服務(wù)的思想,針對現(xiàn)有異地分布多車間協(xié)同生產(chǎn)計劃的關(guān)聯(lián)協(xié)調(diào)問題,提出并建立一種以云制造思想為指導的基于動態(tài)制造資源能力服務(wù)化的分布式協(xié)同生產(chǎn)調(diào)度技術(shù)。通過分析多車間協(xié)作生產(chǎn)下的制造資源動態(tài)服務(wù)共享和關(guān)聯(lián)協(xié)調(diào)的問題,建立基于服務(wù)性制造資源的協(xié)同生產(chǎn)調(diào)度技術(shù)總體框架;提出服務(wù)性資源的地域和能力相結(jié)合的篩選規(guī)則,形成面向多車間協(xié)同生產(chǎn)的空閑占用和插入調(diào)整相結(jié)合的作業(yè)排產(chǎn)技術(shù);提出資源指定占用下的作業(yè)排產(chǎn)處理技術(shù),解決了協(xié)同生產(chǎn)環(huán)境下特定車間基于制造資源能力局部能力占用的調(diào)度排產(chǎn);針對生產(chǎn)過程中頻繁發(fā)生的突發(fā)事件,提出以降低生產(chǎn)擾動影響范圍的時間容忍度技術(shù)及基于移動處理方式的動態(tài)調(diào)度方案調(diào)整技術(shù),解決了制造資源服務(wù)動態(tài)變化下的快速響應處理問題。通過應用實例對以上關(guān)鍵技術(shù)進行了驗證。
二、面向敏捷制造車間模式的分布式協(xié)同作業(yè)方法與實施技術(shù)（論文開題報告）
（1）論文研究背景及目的
此處內(nèi)容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準備的觀點或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結(jié)構(gòu)并詳細分析其設(shè)計過程。在該MMU結(jié)構(gòu)中,TLB采用叁個分離的TLB,TLB采用基于內(nèi)容查找的相聯(lián)存儲器并行查找,支持粗粒度為64KB和細粒度為4KB兩種頁面大小,采用多級分層頁表結(jié)構(gòu)映射地址空間,并詳細論述了四級頁表轉(zhuǎn)換過程,TLB結(jié)構(gòu)組織等。該MMU結(jié)構(gòu)將作為該處理器存儲系統(tǒng)實現(xiàn)的一個重要組成部分。
（2）本文研究方法
調(diào)查法：該方法是有目的、有系統(tǒng)的搜集有關(guān)研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關(guān)信息。
實驗法：通過主支變革、控制研究對象來發(fā)現(xiàn)與確認事物間的因果關(guān)系。
文獻研究法：通過調(diào)查文獻來獲得資料，從而全面的、正確的了解掌握研究方法。
實證研究法：依據(jù)現(xiàn)有的科學理論和實踐的需要提出設(shè)計。
定性分析法：對研究對象進行“質(zhì)”的方面的研究，這個方法需要計算的數(shù)據(jù)較少。
定量分析法：通過具體的數(shù)字，使人們對研究對象的認識進一步精確化。
跨學科研究法：運用多學科的理論、方法和成果從整體上對某一課題進行研究。
功能分析法：這是社會科學用來分析社會現(xiàn)象的一種方法，從某一功能出發(fā)研究多個方面的影響。
模擬法：通過創(chuàng)設(shè)一個與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、面向敏捷制造車間模式的分布式協(xié)同作業(yè)方法與實施技術(shù)（論文提綱范文）
（1）基于分布式協(xié)同的數(shù)字化工廠構(gòu)建及應用（論文提綱范文）
| 1 引言 |
| 2 智能數(shù)字化工廠硬件平臺的構(gòu)建 |
| 2.1 平臺背景 |
| 2.2 智能數(shù)字化工廠硬件平臺 |
| 3 數(shù)字化工廠軟件系統(tǒng)的構(gòu)建 |
| 4 分布式協(xié)同的智能數(shù)字化工廠 |
| 5 分布式協(xié)同的智能數(shù)字化工廠應用 |
| 6 結(jié)論 |
（2）面向個性化定制的智能生產(chǎn)線預防性維護研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.1.1 研究背景 |
| 1.1.2 研究意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 設(shè)備狀態(tài)監(jiān)測與評估方法研究現(xiàn)狀 |
| 1.2.2 面向可重構(gòu)運維的系統(tǒng)模型研究現(xiàn)狀 |
| 1.2.3 預防性維護的可重構(gòu)方法研究現(xiàn)狀 |
| 1.3 本文研究內(nèi)容 |
| 1.4 本文創(chuàng)新之處 |
| 1.5 本文組織結(jié)構(gòu) |
| 第二章 個性化定制生產(chǎn)線預防性維護的系統(tǒng)框架 |
| 2.1 引言 |
| 2.2 預防性維護的系統(tǒng)架構(gòu) |
| 2.3 智能生產(chǎn)線設(shè)備信息融合 |
| 2.3.1 基于工業(yè)異構(gòu)網(wǎng)絡(luò)的信息交互 |
| 2.3.2 多源異構(gòu)傳感數(shù)據(jù)深度融合 |
| 2.4 智能生產(chǎn)線設(shè)備狀態(tài)評估機制 |
| 2.4.1 基于心電機理的設(shè)備狀態(tài)監(jiān)測 |
| 2.4.2 基于深度學習的設(shè)備狀態(tài)評估 |
| 2.5 智能生產(chǎn)線的可重構(gòu)運維策略 |
| 2.6 本章小結(jié) |
| 第三章 智能生產(chǎn)線設(shè)備心電機理研究 |
| 3.1 引言 |
| 3.2 EECG系統(tǒng)架構(gòu) |
| 3.3 設(shè)備心電圖實現(xiàn)機理 |
| 3.3.1 工序時長細粒度劃分方法 |
| 3.3.2 時序周期匹配策略 |
| 3.3.3 重要工作特征的確定 |
| 3.4 基于EECG的設(shè)備性能監(jiān)測方法 |
| 3.4.1 生產(chǎn)節(jié)拍提升 |
| 3.4.2 設(shè)備性能衰退在線監(jiān)測 |
| 3.5 實驗驗證 |
| 3.5.1 實驗場景 |
| 3.5.2 運行結(jié)果 |
| 3.5.3 結(jié)果討論 |
| 3.6 本章小結(jié) |
| 第四章 基于時序數(shù)據(jù)的設(shè)備性能預測方法研究 |
| 4.1 引言 |
| 4.2 設(shè)備性能預測的系統(tǒng)架構(gòu) |
| 4.3 設(shè)備性能預測機制 |
| 4.3.1 基于Tensor Flow的設(shè)備狀態(tài)的多分類模型 |
| 4.3.2 模型構(gòu)建關(guān)鍵實現(xiàn)技術(shù) |
| 4.3.3 基于深度模型的設(shè)備性能評估 |
| 4.4 案例—小臺車氣缸狀態(tài)預測 |
| 4.4.1 神經(jīng)網(wǎng)絡(luò)監(jiān)測器 |
| 4.4.2 模型效果 |
| 4.4.3 模型評估 |
| 4.5 本章小結(jié) |
| 第五章 面向預防性維護的可重構(gòu)方法研究 |
| 5.1 引言 |
| 5.2 可重構(gòu)運維的形式化語義模型架構(gòu) |
| 5.3 基于領(lǐng)域本體的形式化語義模型構(gòu)建 |
| 5.3.1 領(lǐng)域本體知識庫構(gòu)建方法與建模技術(shù) |
| 5.3.2 生產(chǎn)過程知識體系分析 |
| 5.3.3 語義知識庫模型構(gòu)建 |
| 5.4 可重構(gòu)產(chǎn)線的數(shù)據(jù)與語義集成 |
| 5.4.1 關(guān)系型數(shù)據(jù)映射 |
| 5.4.2 語義模型更新 |
| 5.5 基于語義推理的可重構(gòu)運維方法 |
| 5.5.1 Multi-agent的自組織協(xié)商機制 |
| 5.5.2 設(shè)備狀態(tài)語義推理的可重構(gòu)策略 |
| 5.5.3 負載均衡的可重構(gòu)運維策略 |
| 5.6 基于語義推理的可重構(gòu)運維應用案例 |
| 5.7 本章小結(jié) |
| 第六章 個性化定制生產(chǎn)線的預防性維護平臺驗證 |
| 6.1 引言 |
| 6.2 原型平臺概況 |
| 6.3 設(shè)備狀態(tài)監(jiān)測與評估平臺驗證 |
| 6.3.1 智能生產(chǎn)線設(shè)備心電圖的實施效果 |
| 6.3.2 設(shè)備可靠性評估方法平臺驗證 |
| 6.4 智能生產(chǎn)線可重構(gòu)運維驗證實施 |
| 6.4.1 平臺設(shè)置 |
| 6.4.2 性能衰退的可重構(gòu)運維平臺驗證 |
| 6.4.3 負載均衡的可重構(gòu)運維平臺驗證 |
| 6.5 本章小結(jié) |
| 總結(jié)與展望 |
| 參考文獻 |
| 攻讀博士學位期間取得的研究成果 |
| 致謝 |
| 附件 |
（3）面向分布式制造的建材裝備集團綠色生產(chǎn)調(diào)度研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景 |
| 1.1.1 我國建材裝備制造行業(yè)的發(fā)展現(xiàn)狀 |
| 1.1.2 建材裝備制造企業(yè)集團式發(fā)展面臨的挑戰(zhàn) |
| 1.2 課題的提出 |
| 1.3 研究目的及意義 |
| 1.4 相關(guān)領(lǐng)域國內(nèi)外研究現(xiàn)狀 |
| 1.4.1 分布式制造模式概述 |
| 1.4.2 分布式生產(chǎn)調(diào)度理論研究現(xiàn)狀 |
| 1.4.3 綠色生產(chǎn)調(diào)度優(yōu)化理論研究現(xiàn)狀 |
| 1.4.4 生產(chǎn)調(diào)度沖突協(xié)調(diào)方法研究現(xiàn)狀 |
| 1.5 現(xiàn)有研究存在的局限與不足 |
| 1.6 課題項目支撐 |
| 1.7 論文研究內(nèi)容 |
| 第二章 面向分布式制造的建材裝備集團綠色生產(chǎn)調(diào)度體系 |
| 2.1 概述 |
| 2.2 建材裝備集團分布式制造模式分析 |
| 2.2.1 建材裝備集團分布式制造模式特點 |
| 2.2.2 建材裝備集團制造任務(wù)特征 |
| 2.2.3 面向分布式制造的建材裝備集團生產(chǎn)調(diào)度決策重點 |
| 2.3 面向分布式制造的建材裝備集團綠色生產(chǎn)調(diào)度體系設(shè)計 |
| 2.3.1 建材裝備集團綠色生產(chǎn)調(diào)度關(guān)鍵問題分析 |
| 2.3.2 面向分布式制造的建材裝備集團綠色生產(chǎn)調(diào)度體系結(jié)構(gòu) |
| 2.4 本章小結(jié) |
| 第三章 面向分布式制造的集團總部綠色制造任務(wù)分配優(yōu)化方法 |
| 3.1 概述 |
| 3.2 綠色制造任務(wù)分配優(yōu)化方法 |
| 3.2.1 問題描述 |
| 3.2.2 優(yōu)化方法總體流程 |
| 3.2.3 多目標優(yōu)化執(zhí)行過程 |
| 3.2.4 人工神經(jīng)網(wǎng)絡(luò)執(zhí)行過程 |
| 3.3 相關(guān)執(zhí)行算法設(shè)計 |
| 3.3.1 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計 |
| 3.3.2 動態(tài)步長螢火蟲群優(yōu)化算法設(shè)計 |
| 3.4 實例分析 |
| 3.4.1 實例數(shù)據(jù) |
| 3.4.2 神經(jīng)網(wǎng)絡(luò)訓練集構(gòu)建 |
| 3.4.3 人工神經(jīng)網(wǎng)絡(luò)訓練 |
| 3.4.4 人工神經(jīng)網(wǎng)絡(luò)應用 |
| 3.5 本章小結(jié) |
| 第四章 面向分布式制造的集團下屬企業(yè)綠色車間集成調(diào)度優(yōu)化方法 |
| 4.1 概述 |
| 4.2 綠色車間集成調(diào)度優(yōu)化模型 |
| 4.2.1 問題描述 |
| 4.2.2 車間集成調(diào)度環(huán)境影響分析 |
| 4.2.3 車間集成調(diào)度綜合能耗優(yōu)化模型 |
| 4.2.4 基于混合整數(shù)規(guī)劃的綠色車間集成調(diào)度優(yōu)化模型 |
| 4.3 模型求解算法設(shè)計 |
| 4.3.1 算法總體結(jié)構(gòu)設(shè)計 |
| 4.3.2 編碼方式 |
| 4.3.3 綠色運輸調(diào)度啟發(fā)式策略設(shè)計 |
| 4.3.4 遺傳算法設(shè)計 |
| 4.3.5 螢火蟲群優(yōu)化算法設(shè)計 |
| 4.4 實例分析 |
| 4.4.1 實例數(shù)據(jù) |
| 4.4.2 性能對比實驗 |
| 4.4.3 能耗對比實驗 |
| 4.4.4 綜合對比實驗 |
| 4.5 本章小結(jié) |
| 第五章 面向分布式制造的集團綠色生產(chǎn)調(diào)度沖突協(xié)調(diào)方法 |
| 5.1 概述 |
| 5.2 綠色生產(chǎn)調(diào)度沖突協(xié)調(diào)模型 |
| 5.2.1 問題描述 |
| 5.2.2 模型假設(shè) |
| 5.2.3 多目標集團生產(chǎn)調(diào)度優(yōu)化模型 |
| 5.2.4 多主體協(xié)作沖突檢測模型 |
| 5.2.5 基于非合作博弈的沖突協(xié)調(diào)模型 |
| 5.3 基于NSGA-和納什均衡的求解算法 |
| 5.3.1 多導向NSGA-算法 |
| 5.3.2 沖突協(xié)調(diào)算法求解過程 |
| 5.4 實例分析 |
| 5.4.1 實例數(shù)據(jù) |
| 5.4.2 多目標優(yōu)化性能分析 |
| 5.4.3 非合作博弈分析 |
| 5.4.4 沖突協(xié)調(diào)結(jié)果分析 |
| 5.5 本章小結(jié) |
| 第六章 面向分布式制造的集團綠色生產(chǎn)調(diào)度平臺開發(fā)與應用 |
| 6.1 概述 |
| 6.2 平臺開發(fā)背景與運行環(huán)境 |
| 6.2.1 平臺開發(fā)背景 |
| 6.2.2 平臺開發(fā)相關(guān)軟硬件工具 |
| 6.2.3 平臺開發(fā)環(huán)境與架構(gòu)分析 |
| 6.3 平臺開發(fā)設(shè)計與實現(xiàn) |
| 6.3.1 平臺功能框架設(shè)計 |
| 6.3.2 集團分布式綠色生產(chǎn)調(diào)度功能設(shè)計 |
| 6.3.3 集團綠色生產(chǎn)調(diào)度沖突協(xié)調(diào)功能設(shè)計 |
| 6.4 平臺應用實例 |
| 6.4.1 集團制造任務(wù)信息構(gòu)建 |
| 6.4.2 集團總部級綠色制造任務(wù)分配 |
| 6.4.3 下屬企業(yè)級綠色車間集成調(diào)度 |
| 6.4.4 集團綠色生產(chǎn)調(diào)度沖突協(xié)調(diào) |
| 6.5 本章小結(jié) |
| 第七章 總結(jié)與展望 |
| 7.1 全文總結(jié) |
| 7.2 研究展望 |
| 致謝 |
| 參考文獻 |
| 附錄 A:攻讀學位期間發(fā)表的學術(shù)論文 |
| 附錄 B:攻讀學位期間參與的科研課題 |
| 附錄 C:項目驗收報告 |
| 附錄 D:論文相關(guān)符號定義 |
（4）面向建材裝備制造企業(yè)的分布式柔性作業(yè)車間調(diào)度問題研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 研究背景 |
| 1.2 課題的提出 |
| 1.3 研究目的及意義 |
| 1.4 相關(guān)領(lǐng)域國內(nèi)外研究現(xiàn)狀 |
| 1.4.1 柔性作業(yè)車間調(diào)度問題研究現(xiàn)狀 |
| 1.4.2 分布式車間調(diào)度問題研究現(xiàn)狀 |
| 1.4.3 人工蜂群算法求解車間調(diào)度問題研究現(xiàn)狀 |
| 1.5 現(xiàn)狀分析與問題總結(jié) |
| 1.6 項目支撐 |
| 1.7 研究內(nèi)容及總體結(jié)構(gòu) |
| 第2章 最小化完工時間的單目標分布式柔性作業(yè)車間調(diào)度問題研究 |
| 2.1 引言 |
| 2.2 問題描述 |
| 2.2.1 變量定義 |
| 2.2.2 問題假設(shè) |
| 2.2.3 數(shù)學模型 |
| 2.3 改進人工蜂群算法設(shè)計 |
| 2.3.1 編碼/解碼 |
| 2.3.2 初始化策略 |
| 2.3.3 雇傭蜂全局搜索 |
| 2.3.4 基于關(guān)鍵路徑的跟隨蜂局部搜索 |
| 2.3.5 偵查蜂搜索 |
| 2.3.6 算法框架 |
| 2.4 數(shù)值仿真與算法對比 |
| 2.4.1 測試算例 |
| 2.4.2 參數(shù)設(shè)置 |
| 2.4.3 結(jié)果分析 |
| 2.5 建材裝備制造企業(yè)實例驗證 |
| 2.6 本章小結(jié) |
| 第3章 考慮加工運輸成本的雙目標分布式柔性作業(yè)車間調(diào)度問題研究 |
| 3.1 引言 |
| 3.2 問題描述 |
| 3.2.1 變量定義 |
| 3.2.2 問題假設(shè) |
| 3.2.3 數(shù)學模型 |
| 3.3 混合人工蜂群算法設(shè)計 |
| 3.3.1 編碼/解碼策略 |
| 3.3.2 初始化策略 |
| 3.3.3 檔案集維護策略 |
| 3.3.4 雇傭蜂搜索 |
| 3.3.5 基于模擬退火的跟隨蜂搜索 |
| 3.3.6 偵查蜂搜索 |
| 3.3.7 算法框架 |
| 3.4 數(shù)值仿真與算法對比 |
| 3.4.1 算例生成 |
| 3.4.2 參數(shù)設(shè)置 |
| 3.4.3 性能評價指標 |
| 3.4.4 結(jié)果分析 |
| 3.5 建材裝備制造企業(yè)實例驗證 |
| 3.6 本章小結(jié) |
| 第4章 考慮工人約束的多目標分布式柔性作業(yè)車間調(diào)度問題研究 |
| 4.1 引言 |
| 4.2 問題描述 |
| 4.2.1 變量定義 |
| 4.2.2 問題假設(shè) |
| 4.2.3 數(shù)學模型 |
| 4.3 多種群協(xié)同進化人工蜂群算法 |
| 4.3.1 編碼/解碼 |
| 4.3.2 初始化策略 |
| 4.3.3 多種群協(xié)同進化策略 |
| 4.3.4 鄰域結(jié)構(gòu)及其選擇機制 |
| 4.3.5 蜂群搜索策略 |
| 4.3.6 算法框架 |
| 4.4 數(shù)值仿真與算法對比 |
| 4.4.1 算例生成 |
| 4.4.2 參數(shù)設(shè)置 |
| 4.4.3 結(jié)果分析 |
| 4.5 建材裝備制造企業(yè)實例驗證 |
| 4.6 本章小結(jié) |
| 第5章 動態(tài)環(huán)境下的多目標分布式柔性作業(yè)車間調(diào)度問題研究 |
| 5.1 引言 |
| 5.2 問題描述 |
| 5.2.1 變量定義 |
| 5.2.2 問題假設(shè) |
| 5.2.3 數(shù)學模型 |
| 5.3 重調(diào)度策略 |
| 5.4 基于分解的多目標人工蜂群算法 |
| 5.4.1 權(quán)重向量生成及聚合方法 |
| 5.4.2 歸一化方法 |
| 5.4.3 編碼/解碼 |
| 5.4.4 初始化策略 |
| 5.4.5 基于禁忌搜索的自適應鄰域選擇機制 |
| 5.4.6 蜂群搜索策略 |
| 5.4.7 算法流程 |
| 5.5 數(shù)值仿真與算法對比 |
| 5.5.1 動態(tài)事件產(chǎn)生 |
| 5.5.2 參數(shù)設(shè)置 |
| 5.5.3 結(jié)果分析 |
| 5.6 建材裝備制造企業(yè)實例驗證 |
| 5.7 本章小結(jié) |
| 第6章 建材裝備制造企業(yè)分布式車間調(diào)度系統(tǒng)設(shè)計與應用 |
| 6.1 引言 |
| 6.2 系統(tǒng)開發(fā)背景 |
| 6.3 系統(tǒng)功能模塊 |
| 6.4 系統(tǒng)應用示例 |
| 6.4.1 正常排產(chǎn)優(yōu)化 |
| 6.4.2 插單動態(tài)優(yōu)化 |
| 6.4.3 停機動態(tài)優(yōu)化 |
| 6.4.4 應用效果分析 |
| 6.5 本章小結(jié) |
| 第7章 總結(jié)與展望 |
| 7.1 全文總結(jié) |
| 7.2 工作展望 |
| 致謝 |
| 參考文獻 |
| 附錄A:攻讀學位期間發(fā)表的學術(shù)論文 |
| 附錄B:攻讀學位期間獲得的學術(shù)獎勵 |
| 附錄C:攻讀學位期間參與的科研課題 |
| 附錄D:項目驗收報告 |
| 附錄E:軟件版權(quán) |
| 附錄F:建材裝備制造企業(yè)實例數(shù)據(jù) |
（5）敏捷衛(wèi)星協(xié)同調(diào)度模型與算法（論文提綱范文）
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 研究背景與研究意義 |
| 1.2 文獻綜述與研究現(xiàn)狀 |
| 1.2.1 敏捷衛(wèi)星調(diào)度問題研究現(xiàn)狀 |
| 1.2.2 協(xié)同調(diào)度問題研究現(xiàn)狀 |
| 1.2.3 不確定調(diào)度問題研究現(xiàn)狀 |
| 1.2.4 研究現(xiàn)狀分析 |
| 1.3 論文研究內(nèi)容與組織結(jié)構(gòu) |
| 第二章 帶有時間依賴的單顆敏捷衛(wèi)星調(diào)度問題 |
| 2.1 問題描述與建模 |
| 2.1.1 帶有時間依賴的姿態(tài)轉(zhuǎn)換 |
| 2.1.2 混合整數(shù)線性規(guī)劃模型 |
| 2.2 混合ALNS算法 |
| 2.2.1 ALNS框架 |
| 2.2.2 禁忌搜索混合 |
| 2.2.3 隨機化鄰域算子 |
| 2.2.4 部分序列支配 |
| 2.2.5 快速插入策略 |
| 2.3 實驗分析 |
| 2.3.1 算法比較 |
| 2.3.2 ALNS/TPF算法在其他問題的表現(xiàn) |
| 2.3.3 算法特征分析 |
| 2.4 本章小結(jié) |
| 第三章 帶有時間依賴的多顆敏捷衛(wèi)星協(xié)同調(diào)度問題 |
| 3.1 問題描述與建模 |
| 3.1.1 任務(wù)分配對于多星協(xié)同的必要性 |
| 3.1.2 變量及參數(shù)定義 |
| 3.1.3 數(shù)學模型 |
| 3.2 基于自適應任務(wù)分配的大鄰域搜索算法 |
| 3.2.1 A-ALNS算法框架 |
| 3.2.2 自適應任務(wù)分配協(xié)同層設(shè)計 |
| 3.2.3 初始解生成 |
| 3.3 實驗分析 |
| 3.3.1 算例設(shè)計與生成 |
| 3.3.2 實驗結(jié)果 |
| 3.4 本章小結(jié) |
| 第四章 考慮時變云層遮擋的多顆敏捷衛(wèi)星協(xié)同調(diào)度問題 |
| 4.1 問題描述 |
| 4.2 分層式協(xié)同調(diào)度模型 |
| 4.2.1 預分配層 |
| 4.2.2 粗略調(diào)度 |
| 4.2.3 精細調(diào)度 |
| 4.2.4 復雜度分析 |
| 4.3 分層式協(xié)同調(diào)度算法 |
| 4.3.1 狀態(tài)轉(zhuǎn)移規(guī)則 |
| 4.3.2 信息素更新規(guī)則 |
| 4.3.3 基于蟻群算法的分層調(diào)度流程 |
| 4.4 實驗分析 |
| 4.4.1 算例設(shè)計 |
| 4.4.2 實驗結(jié)果 |
| 4.4.3 關(guān)于分層式協(xié)同機制的討論 |
| 4.5 本章小結(jié) |
| 第五章 考慮緊急任務(wù)的多顆敏捷衛(wèi)星自主協(xié)同調(diào)度問題 |
| 5.1 問題描述 |
| 5.1.1 問題模型 |
| 5.1.2 問題特性分析 |
| 5.2 基于多解合成的多星星上分布式協(xié)同重調(diào)度算法 |
| 5.2.1 星上分布式協(xié)同重調(diào)度算法框架 |
| 5.2.2 多可行解生成 |
| 5.2.3 多星分布式協(xié)同算法 |
| 5.3 實驗分析 |
| 5.3.1 小型算例示例 |
| 5.3.2 算例設(shè)計與生成 |
| 5.3.3 實驗結(jié)果分析 |
| 5.5 本章小結(jié) |
| 第六章 結(jié)論與展望 |
| 6.1 論文工作總結(jié) |
| 6.2 進一步的研究展望 |
| 致謝 |
| 參考文獻 |
| 作者在學期間取得的學術(shù)成果 |
| 作者在學期間參與的研究課題 |
| 附錄A 分層調(diào)度算法詳細結(jié)果 |
| 附錄B 縮寫詞列表 |
（6）面向復雜柔性調(diào)度的協(xié)同演化算法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 主要符號表 |
| 1 緒論 |
| 1.1 研究背景與意義 |
| 1.2 研究現(xiàn)狀 |
| 1.2.1 調(diào)度優(yōu)化方法 |
| 1.2.2 大規(guī)模柔性調(diào)度 |
| 1.2.3 具有先驗知識的不確定柔性調(diào)度 |
| 1.2.4 突發(fā)不確定柔性調(diào)度 |
| 1.2.5 協(xié)同演化算法 |
| 1.3 主要工作及創(chuàng)新點 |
| 1.3.1 當前研究存在問題 |
| 1.3.2 研究內(nèi)容及創(chuàng)新點 |
| 1.3.3 章節(jié)聯(lián)系 |
| 2 理論基礎(chǔ) |
| 2.1 調(diào)度問題模型 |
| 2.1.1 分類 |
| 2.1.2 圖表示 |
| 2.1.3 優(yōu)化 |
| 2.1.4 柔性調(diào)度 |
| 2.2 演化算法 |
| 2.2.1 基本演化算法 |
| 2.2.2 遺傳算法 |
| 2.2.3 粒子群優(yōu)化算法 |
| 2.2.4 差分進化算法 |
| 2.2.5 協(xié)同演化算法 |
| 2.3 概率圖模型 |
| 2.3.1 貝葉斯網(wǎng)絡(luò) |
| 2.3.2 馬爾科夫隨機場 |
| 2.4 本章小結(jié) |
| 3 分布式協(xié)同演化算法 |
| 3.1 大規(guī)模柔性調(diào)度模型 |
| 3.2 全局搜索策略 |
| 3.2.1 編碼策略 |
| 3.2.2 解碼策略 |
| 3.2.3 粒子更新策略 |
| 3.3 局域搜索策略 |
| 3.4 Apache Spark下分布式策略 |
| 3.5 實驗分析 |
| 3.5.1 數(shù)據(jù)集描述 |
| 3.5.2 有效性驗證 |
| 3.5.3 有效性分析 |
| 3.6 本章小結(jié) |
| 4 混合式協(xié)同演化算法 |
| 4.1 模糊柔性調(diào)度模型 |
| 4.2 模糊處理時間操作規(guī)則 |
| 4.3 基于表現(xiàn)可變分組策略 |
| 4.4 編碼轉(zhuǎn)換機制 |
| 4.5 參數(shù)自適應策略 |
| 4.6 實驗分析 |
| 4.6.1 數(shù)據(jù)集描述 |
| 4.6.2 有效性驗證 |
| 4.6.3 有效性分析 |
| 4.7 本章小結(jié) |
| 5 基于學習的協(xié)同演化算法 |
| 5.1 隨機柔性調(diào)度模型 |
| 5.2 基于MRF分組策略的協(xié)同演化算法 |
| 5.2.1 結(jié)構(gòu)學習 |
| 5.2.2 參數(shù)學習 |
| 5.2.3 實驗分析 |
| 5.3 基于BOA分組策略的協(xié)同演化算法 |
| 5.3.1 數(shù)據(jù)采樣 |
| 5.3.2 貝葉斯網(wǎng)絡(luò)構(gòu)建 |
| 5.3.3 實驗分析 |
| 5.4 本章小結(jié) |
| 6 結(jié)論與展望 |
| 6.1 結(jié)論 |
| 6.2 創(chuàng)新點 |
| 6.3 工作展望 |
| 參考文獻 |
| 攻讀博士學位期間科研項目及科研成果 |
| 致謝 |
| 作者簡介 |
（7）基于工業(yè)物聯(lián)網(wǎng)的智能制造服務(wù)主動感知與分布式協(xié)同優(yōu)化配置方法研究（論文提綱范文）
| 摘要 |
| Abstract |
| 第1章 緒論 |
| 1.1 引言 |
| 1.1.1 課題來源 |
| 1.1.2 課題背景與問題提出 |
| 1.1.3 研究目的與意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.2.1 工業(yè)物聯(lián)網(wǎng)技術(shù)在制造業(yè)應用研究現(xiàn)狀 |
| 1.2.2 先進制造模式研究現(xiàn)狀 |
| 1.2.3 制造服務(wù)優(yōu)化配置研究現(xiàn)狀 |
| 1.3 論文的研究內(nèi)容與技術(shù)路線 |
| 1.3.1 研究內(nèi)容 |
| 1.3.2 技術(shù)路線 |
| 1.4 論文的章節(jié)安排 |
| 1.5 本章小結(jié) |
| 第2章 智能制造服務(wù)主動感知與分布式協(xié)同優(yōu)化配置體系架構(gòu) |
| 2.1 引言 |
| 2.2 基本概念描述 |
| 2.2.1 資源服務(wù)方面 |
| 2.2.2 參與主體方面 |
| 2.3 智能制造服務(wù)主動感知與優(yōu)化配置模型及運作邏輯 |
| 2.3.1 參與主體的協(xié)同工作邏輯 |
| 2.3.2 智能制造服務(wù)主動感知與優(yōu)化配置模型 |
| 2.3.3 智能制造服務(wù)主動感知與優(yōu)化配置的運作邏輯 |
| 2.4 關(guān)鍵技術(shù) |
| 2.4.1 基于工業(yè)物聯(lián)網(wǎng)的制造資源實時信息主動感知與集成 |
| 2.4.2 實時信息驅(qū)動的制造資源服務(wù)化封裝與云端化接入 |
| 2.4.3 分布式協(xié)同策略驅(qū)動的智能制造服務(wù)優(yōu)化配置 |
| 2.5 本章小結(jié) |
| 第3章 基于工業(yè)物聯(lián)網(wǎng)的制造資源實時信息主動感知與集成 |
| 3.1 引言 |
| 3.2 基于工業(yè)物聯(lián)網(wǎng)的制造資源實時信息主動感知與集成體系架構(gòu) |
| 3.2.1 基于工業(yè)物聯(lián)網(wǎng)技術(shù)的智能制造對象配置 |
| 3.2.2 制造資源端實時數(shù)據(jù)的感知與獲取 |
| 3.2.3 實時制造信息的集成 |
| 3.2.4 應用服務(wù) |
| 3.3 制造資源實時信息的集成服務(wù) |
| 3.3.1 數(shù)據(jù)處理服務(wù) |
| 3.3.2 制造信息的集成服務(wù) |
| 3.4 制造車間實時信息跟蹤與追溯 |
| 3.4.1 制造車間智能感知環(huán)境的構(gòu)建 |
| 3.4.2 車間制造資源實時信息的跟蹤與追溯 |
| 3.5 本章小結(jié) |
| 第4章 實時信息驅(qū)動的制造資源服務(wù)化封裝與云端化接入 |
| 4.1 引言 |
| 4.2 加工設(shè)備的服務(wù)化封裝與云端化接入模型 |
| 4.3 加工設(shè)備服務(wù)化封裝與云端化接入關(guān)鍵技術(shù) |
| 4.3.1 加工設(shè)備實時狀態(tài)信息的主動感知 |
| 4.3.1.1 加工設(shè)備端傳感器群的優(yōu)化配置 |
| 4.3.1.2 加工設(shè)備實時狀態(tài)信息的主動感知模型 |
| 4.3.2 加工設(shè)備間的信息共享與自主決策 |
| 4.3.3 加工設(shè)備端制造服務(wù)的封裝 |
| 4.3.3.1 設(shè)備的制造能力描述模型 |
| 4.3.3.2 設(shè)備端增值制造服務(wù)的封裝 |
| 4.3.4 加工設(shè)備端制造服務(wù)的云端化接入 |
| 4.4 運行實例 |
| 4.5 本章小結(jié) |
| 第5章 企業(yè)級智能制造服務(wù)的分布式協(xié)同優(yōu)化配置 |
| 5.1 引言 |
| 5.2 面向復雜產(chǎn)品任務(wù)的企業(yè)級智能制造服務(wù)優(yōu)化配置 |
| 5.2.1 企業(yè)級智能制造服務(wù)優(yōu)化配置的工作邏輯 |
| 5.2.2 企業(yè)級智能制造服務(wù)優(yōu)化配置策略對比 |
| 5.2.2.1 集中式制造服務(wù)配置策略 |
| 5.2.2.2 分布式的制造服務(wù)配置策略 |
| 5.3 增廣拉格朗日協(xié)同方法 |
| 5.3.1 復雜系統(tǒng)問題的分解 |
| 5.3.2 輔助變量和一致性約束的引入 |
| 5.3.3 一致性約束的松弛化 |
| 5.3.4 分解元素的公式化 |
| 5.3.5 分解元素的協(xié)同求解 |
| 5.4 基于ALC的企業(yè)級智能制造服務(wù)優(yōu)化配置 |
| 5.4.1 面向復雜產(chǎn)品任務(wù)的企業(yè)級智能制造服務(wù)優(yōu)化配置模型 |
| 5.4.2 企業(yè)級智能制造服務(wù)優(yōu)化配置的分布式模型 |
| 5.4.3 分布式配置模型中的輔助變量及一致性約束 |
| 5.4.4 分布式配置模型中分解元素的公式化 |
| 5.4.4.1 上游分解元素的公式化 |
| 5.4.4.2 下游分解元素的公式化 |
| 5.4.4.3 中間分解元素的公式化 |
| 5.4.5 分布式配置模型中分解元素的協(xié)同求解 |
| 5.4.6 算例驗證 |
| 5.5 本章小結(jié) |
| 第6章 車間級智能制造服務(wù)的分布式協(xié)同優(yōu)化配置 |
| 6.1 引言 |
| 6.2 車間級智能制造服務(wù)的優(yōu)化配置 |
| 6.2.1 車間級智能制造服務(wù)優(yōu)化配置的工作邏輯 |
| 6.2.2 車間級智能制造服務(wù)的優(yōu)化配置策略 |
| 6.3 ATC方法 |
| 6.3.1 ATC方法的基本原理及特征 |
| 6.3.2 ATC方法的應用步驟 |
| 6.4 車間級智能制造服務(wù)的分布式協(xié)同優(yōu)化配置 |
| 6.4.1 車間級智能制造服務(wù)優(yōu)化配置的目標層解模型 |
| 6.4.2 目標層解元素關(guān)鍵連接的識別 |
| 6.4.3 目標層解元素的公式化 |
| 6.4.3.1 系統(tǒng)層元素的公式化 |
| 6.4.3.2 單元層元素的公式化 |
| 6.4.3.3 設(shè)備層元素的公式化 |
| 6.4.3.4 輔助元素的公式化 |
| 6.4.4 目標層解元素的協(xié)同求解 |
| 6.4.4.1 目標層解元素的收斂策略 |
| 6.4.4.2 目標層解元素的局部優(yōu)化 |
| 6.4.5 算例驗證 |
| 6.5 本章小結(jié) |
| 第7章 案例仿真設(shè)計與驗證 |
| 7.1 引言 |
| 7.2 案例仿真 |
| 7.2.1 復雜產(chǎn)品任務(wù)的制造服務(wù)分布式協(xié)同優(yōu)化配置 |
| 7.2.1.1 ALC方法有效性的驗證 |
| 7.2.1.2 自主決策權(quán)的保持以及敏感性分析 |
| 7.2.2 車間級制造服務(wù)的分布式協(xié)同優(yōu)化配置 |
| 7.2.2.1 ATC方法的有效性驗證 |
| 7.2.2.2 車間級智能制造服務(wù)優(yōu)化配置 |
| 7.3 智能制造服務(wù)主動感知與優(yōu)化配置仿真系統(tǒng) |
| 7.3.1 系統(tǒng)開發(fā)環(huán)境 |
| 7.3.2 系統(tǒng)操作流程 |
| 7.3.2.1 系統(tǒng)界面展示與功能介紹 |
| 7.3.2.2 服務(wù)需求者的操作流程 |
| 7.3.2.3 服務(wù)提供者的操作流程 |
| 7.4 本章小結(jié) |
| 第8章 總結(jié)與展望 |
| 8.1 總結(jié) |
| 8.2 展望 |
| 參考文獻 |
| 附錄 |
| 附錄 A ALC方法Matlab程序 |
| 附錄 B ATC方法Matlab程序 |
| 攻讀博士學位期間論文發(fā)表、科研情況 |
| 致謝 |
（8）基于社會化的協(xié)同智能制造系統(tǒng)研究（論文提綱范文）
| 致謝 |
| 摘要 |
| Abstract |
| 第一章 緒論 |
| 1.1 選題的背景和意義 |
| 1.2 國內(nèi)外研究現(xiàn)狀 |
| 1.3 論文的主要研究內(nèi)容和創(chuàng)新點 |
| 1.4 論文的組織結(jié)構(gòu) |
| 第二章 智能制造系統(tǒng)綜述 |
| 2.1 CIMS體系結(jié)構(gòu) |
| 2.1.1 CIMS集成要素與分類 |
| 2.1.2 CIMS體系結(jié)構(gòu)模型 |
| 2.1.3 CIMS系統(tǒng)建模方法 |
| 2.2 智能體及其在制造系統(tǒng)的研究與應用 |
| 2.2.1 智能體特征 |
| 2.2.2 多智能體MAS系統(tǒng)的自組織與協(xié)作協(xié)調(diào)方法 |
| 2.2.3 多智能體的強化學習機制與遺傳算法 |
| 2.3 制造的社會化網(wǎng)絡(luò)特征與虛擬組織 |
| 2.3.1 SNS特征與理論基礎(chǔ) |
| 2.3.2 虛擬組織 |
| 2.3.3 對等網(wǎng)絡(luò)技術(shù)的發(fā)展 |
| 2.4 制造的敏捷與柔性 |
| 2.4.1 敏捷制造的關(guān)鍵技術(shù)與基礎(chǔ) |
| 2.4.2 柔性制造的特征與發(fā)展 |
| 2.5 云制造模型 |
| 2.6 工業(yè)互聯(lián)網(wǎng)與CPS系統(tǒng)框架 |
| 2.6.1 CPS系統(tǒng)框架 |
| 2.6.2 CPS集成方法與動態(tài)配置目標 |
| 2.7 小結(jié) |
| 第三章 基于社會化的協(xié)同智能制造體系結(jié)構(gòu)和總線 |
| 3.1 基于社會化的智能制造體系架構(gòu) |
| 3.2 基于MMSU的協(xié)同制造總線設(shè)計 |
| 3.3 小結(jié) |
| 第四章 SCIM體系下的社會化協(xié)同機制 |
| 4.1 SCIM體系下資源目錄的一種分享和同步方法 |
| 4.2 IME間服務(wù)聯(lián)合的安全認證與授權(quán)機制 |
| 4.3 SCIM的制造資源與服務(wù)動態(tài)配置工作流機制 |
| 4.4 IME的研發(fā)創(chuàng)新與自學習機制 |
| 4.5 小結(jié) |
| 第五章 虛擬資源的優(yōu)化選擇與虛擬生產(chǎn)線分配 |
| 5.1 社會化制造系統(tǒng)的資源選擇問題 |
| 5.2 一種虛擬資源優(yōu)化選擇方法 |
| 5.3 一種分布式虛擬生產(chǎn)線的任務(wù)分配方法 |
| 5.4 小結(jié) |
| 第六章 某集團企業(yè)的社會化協(xié)同制造實例 |
| 6.1 應用需求分析 |
| 6.2 本研究在實例中的應用與效果 |
| 6.3 項目擴展計劃 |
| 6.4 小結(jié) |
| 第七章 結(jié)論 |
| 7.1 研究成果及工作總結(jié) |
| 7.2 未來工作展望 |
| 參考文獻 |
| 附錄A 作者簡歷 |
| 附錄B 攻讀學位期間發(fā)表的學術(shù)論文與研究成果 |
（9）離散制造業(yè)集成化作業(yè)計劃管理方法研究（論文提綱范文）
| 摘要 |
| Abstract |
| CONTENTS |
| 圖目錄 |
| 表目錄 |
| 主要符號表 |
| 1 緒論 |
| 1.1 課題研究背景及研究意義 |
| 1.1.1 課題研究背景 |
| 1.1.2 課題提出 |
| 1.1.3 研究意義 |
| 1.2 國內(nèi)外相關(guān)研究現(xiàn)狀 |
| 1.2.1 生產(chǎn)計劃管理的內(nèi)涵 |
| 1.2.2 生產(chǎn)計劃管理理論綜述 |
| 1.2.3 離散制造業(yè)作業(yè)計劃管理方法研究現(xiàn)狀 |
| 1.2.4 生產(chǎn)計劃管理信息系統(tǒng)研究及應用現(xiàn)狀 |
| 1.3 現(xiàn)有研究存在問題分析 |
| 1.4 論文研究思路和研究內(nèi)容 |
| 2 離散制造業(yè)集成化作業(yè)計劃管理體系構(gòu)建 |
| 2.1 引言 |
| 2.2 離散制造業(yè)生產(chǎn)計劃管理業(yè)務(wù)過程建模 |
| 2.2.1 離散制造生產(chǎn)流程特點分析 |
| 2.2.2 離散制造生產(chǎn)計劃管理業(yè)務(wù)過程模型 |
| 2.2.3 作業(yè)計劃管理的行業(yè)差異 |
| 2.3 集成化作業(yè)計劃管理的內(nèi)涵 |
| 2.4 離散制造業(yè)集成化作業(yè)計劃管理體系 |
| 2.4.1 離散制造業(yè)集成化作業(yè)計劃管理體系結(jié)構(gòu) |
| 2.4.2 基于BPS/MES/PCS的集成化作業(yè)計劃管理功能模型 |
| 2.5 本章小結(jié) |
| 3 基于動態(tài)關(guān)鍵路徑的作業(yè)計劃編制方法研究 |
| 3.1 引言 |
| 3.2 離散制造業(yè)作業(yè)計劃管理特點 |
| 3.2.1 離散制造業(yè)作業(yè)計劃管理流程 |
| 3.2.2 離散制造業(yè)作業(yè)計劃編制特點分析 |
| 3.3 作業(yè)計劃與MRP的集成控制模式 |
| 3.4 作業(yè)計劃編制問題建模 |
| 3.4.1 作業(yè)計劃編制問題分析 |
| 3.4.2 作業(yè)計劃編制問題模型 |
| 3.5 作業(yè)計劃編制的動態(tài)關(guān)鍵路徑算法 |
| 3.5.1 作業(yè)計劃編制問題的形式化描述 |
| 3.5.2 作業(yè)計劃編制的動態(tài)關(guān)鍵路徑算法 |
| 3.5.3 動態(tài)關(guān)鍵路徑算法的計算復雜性分析 |
| 3.6 應用算例 |
| 3.7 本章小結(jié) |
| 4 面向柔性工藝的作業(yè)計劃調(diào)度方法研究 |
| 4.1 引言 |
| 4.2 面向柔性工藝的作業(yè)計劃調(diào)度問題描述 |
| 4.3 FPJSP的數(shù)學模型 |
| 4.4 調(diào)度算法分析 |
| 4.4.1 遺傳算法 |
| 4.4.2 變鄰域搜索算法 |
| 4.5 求解FPJSP的混合遺傳算法 |
| 4.5.1 遺傳算子設(shè)計 |
| 4.5.2 改進的變鄰域搜索算法 |
| 4.5.3 求解FPJSP混合遺傳算法整體流程 |
| 4.6 應用算例 |
| 4.6.1 實驗描述 |
| 4.6.2 實驗結(jié)果及分析 |
| 4.7 本章小結(jié) |
| 5 作業(yè)計劃執(zhí)行過程跟蹤方法研究 |
| 5.1 引言 |
| 5.2 作業(yè)計劃執(zhí)行過程跟蹤的相關(guān)定義 |
| 5.2.1 作業(yè)計劃執(zhí)行過程跟蹤 |
| 5.2.2 產(chǎn)品可追溯性 |
| 5.2.3 追溯單元 |
| 5.3 作業(yè)計劃執(zhí)行過程跟蹤的信息模型 |
| 5.4 基于n維仿射空間的批次跟蹤建模 |
| 5.4.1 n維仿射空間 |
| 5.4.2 批次形成與n維仿射空間的關(guān)系 |
| 5.4.3 批次的處理規(guī)則 |
| 5.4.4 基于n維仿射空間的批次跟蹤模型 |
| 5.5 基于n維仿射空間的跟蹤數(shù)據(jù)存儲結(jié)構(gòu)設(shè)計 |
| 5.5.1 傳統(tǒng)跟蹤數(shù)據(jù)存儲結(jié)構(gòu) |
| 5.5.2 基于n維仿射空間的跟蹤數(shù)據(jù)存儲結(jié)構(gòu) |
| 5.6 基于n維仿射空間的作業(yè)計劃跟蹤算法 |
| 5.6.1 作業(yè)計劃執(zhí)行過程跟蹤算法 |
| 5.6.2 算法的復雜性分析 |
| 5.7 應用算例 |
| 5.8 本章小結(jié) |
| 6 離散制造業(yè)集成化作業(yè)計劃管理原型系統(tǒng)研究 |
| 6.1 引言 |
| 6.2 應用背景 |
| 6.3 系統(tǒng)開發(fā)環(huán)境 |
| 6.4 系統(tǒng)設(shè)計 |
| 6.4.1 體系結(jié)構(gòu)設(shè)計 |
| 6.4.2 功能模塊設(shè)計 |
| 6.4.3 系統(tǒng)集成接口設(shè)計 |
| 6.4.4 系統(tǒng)流程設(shè)計 |
| 6.5 系統(tǒng)實現(xiàn) |
| 6.5.1 基礎(chǔ)數(shù)據(jù)管理 |
| 6.5.2 作業(yè)計劃編制管理 |
| 6.5.3 作業(yè)計劃調(diào)度管理 |
| 6.5.4 作業(yè)計劃執(zhí)行管理 |
| 6.5.5 決策支持管理 |
| 6.6 本章小結(jié) |
| 7 結(jié)論與展望 |
| 7.1 結(jié)論 |
| 7.2 創(chuàng)新點摘要 |
| 7.3 展望 |
| 參考文獻 |
| 附錄A 略語 |
| 攻讀博士學位期間科研項目及科研成果 |
| 致謝 |
| 作者簡介 |
（10）基于動態(tài)資源能力服務(wù)的分布式協(xié)同調(diào)度技術(shù)（論文提綱范文）
| 0 引言 |
| 1 問題分析 |
| 2 基于動態(tài)制造資源能力服務(wù)的分布式協(xié)同生產(chǎn)調(diào)度技術(shù)總體框架 |
| 3 關(guān)鍵技術(shù)研究 |
| 3.1 服務(wù)性資源篩選規(guī)則與排產(chǎn)形式分析 |
| 3.1.1 服務(wù)性資源篩選規(guī)則 |
| 3.1.2 服務(wù)性資源排產(chǎn)形式分析 |
| 3.2 資源指定占用下的排產(chǎn)處理機制 |
| 3.3 分布式作業(yè)動態(tài)調(diào)度協(xié)調(diào)技術(shù) |
| 3.3.1 作業(yè)影響關(guān)聯(lián)鏈分析技術(shù) |
| 3.3.2 基于時間容忍度的動態(tài)事件處理技術(shù) |
| 3.3.3 基于移動處理的車間作業(yè)動態(tài)調(diào)整技術(shù) |
| 4 初步的研究成果與典型應用 |
| 5 結(jié)束語 |
四、面向敏捷制造車間模式的分布式協(xié)同作業(yè)方法與實施技術(shù)（論文參考文獻）
- [1]基于分布式協(xié)同的數(shù)字化工廠構(gòu)建及應用[J]. 劉業(yè)峰,李康舉,趙元,田林琳,陶林. 控制工程, 2020(10)
- [2]面向個性化定制的智能生產(chǎn)線預防性維護研究[D]. 陳寶通. 華南理工大學, 2020(01)
- [3]面向分布式制造的建材裝備集團綠色生產(chǎn)調(diào)度研究[D]. 劉正超. 武漢理工大學, 2020
- [4]面向建材裝備制造企業(yè)的分布式柔性作業(yè)車間調(diào)度問題研究[D]. 吳銳. 武漢理工大學, 2019
- [5]敏捷衛(wèi)星協(xié)同調(diào)度模型與算法[D]. 何磊. 國防科技大學, 2019(01)
- [6]面向復雜柔性調(diào)度的協(xié)同演化算法研究[D]. 孫璐. 大連理工大學, 2019(06)
- [7]基于工業(yè)物聯(lián)網(wǎng)的智能制造服務(wù)主動感知與分布式協(xié)同優(yōu)化配置方法研究[D]. 張耿. 西北工業(yè)大學, 2018(02)
- [8]基于社會化的協(xié)同智能制造系統(tǒng)研究[D]. 張祖國. 中國科學院國家空間科學中心, 2015(08)
- [9]離散制造業(yè)集成化作業(yè)計劃管理方法研究[D]. 馬雪麗. 大連理工大學, 2014(07)
- [10]基于動態(tài)資源能力服務(wù)的分布式協(xié)同調(diào)度技術(shù)[J]. 李京生,王愛民,唐承統(tǒng),盧治兵. 計算機集成制造系統(tǒng), 2012(07)
標簽：智能制造系統(tǒng)論文; 柔性生產(chǎn)論文; 柔性管理論文; 敏捷制造論文; 協(xié)同軟件論文;