使用CNN-SVR的汽车组合仪表组装质量预测方法

汽车组合仪表组装过程质检时间长、效率低,因此提出卷积神经网络与支持向量回归相结合的汽车组合仪表组装质量预测方法.结合仪表组装工艺,将卷积神经网络提取的生产数据特征作为支持向量回归的输入,对表征仪表质量的指针偏转角度做出预测.通过车间质检系统获取了仪表原始生产数据,对不同质检情况下的指针偏转角度进行了预测;结果表明所提方...     

一种面向订单剩余完工时间预测的SOM-FWFCM特征选择算法#br#

准确的订单剩余完工时间预测有助于动态调整生产计划、优化制造过程,以满足订单产品按时交付的需求。订单剩余完工时间受到车间物料、设备、在制品等各类生产要素的综合影响,相关数据具有典型的大量、多维、高冗余的特点,有效的特征选择能够获得更高的预测精度。在构建候选特征集的基础上,提出了一种基于自组织映射（SOM）网络特征加权模糊C均值（FWFCM）的特征选择算法。通过构建SOM网络初始化FWFCM的聚类中心,减少后者对初始聚类中心的依赖;基于互信息计算特征权重,实现导向性特征聚类,根据聚类结果选择特征代表,构成高质量关键特征子集。以某机加工车间的生产数据为例,通过与其他4种特征选择算法的对比分析,验证了所提算法的有效性。     

基于改进PCANet模型的铣刀磨损预测方法研究

铣刀健康状况直接影响实际生产加工过程,因此开展铣刀状态监测研究具有较大工程意义。以卷积神经网络为代表的深度学习模型已经逐渐用于监测加工过程中的刀具状态。但是这些模型的可解释性较差,预测结果的差异性也较大。作为一种新颖的卷积神经网络变种,主成分分析模型(Principal component analysis network, PCANet)的可解释性好,但是特征自监督学习能力有待提升,且相关应用案例较少。针对以上问题,拟对PCANet模型进行优化,进而提出了一种激活主成分分析-最大池化-支持向量回归(Activated PCANet with max pooling and support vector regression, APCANet-MP-SVR)模型,用于自适应提取敏感特征并准确预测刀具磨损情况。首先引入tanh激活函数,提高模型泛化能力;再采用最大池化层替代哈希编码和直方图用于特征选择,进一步降低冗余特征规模;最后建立支持向量回归模型实时预测刀具磨损值。应用案例充分证明了所提模型能够更好地用于加工现场刀具磨损值预测。     

面向不确定信息的神经网络完工期预测方法研究

针对完工期预测中数据积累少且不确定信息多等情况,通过分析影响完工期的确定性和不确定性信息,筛选出4种确定信息和8种不确定信息,作为完工期预测的主要数据信息来源。采用BP神经网络预测产品完工期,利用MATLAB建立训练样本和测试样本,在数据归一化处理和神经网络反复计算后,得到完工期预测结果。最后,以某企业产品的完工期预测为例,对提出的模型进行了验证。     

结合域对抗自适应的刀具磨损预测方法

数控加工中存在刀具几何误差及安装误差、刀具及工件材料性能的随机波动等因素,导致刀具之间的磨损过程与监测信号上存在较大差异的问题,使得刀具磨损值难以精确预测。为此,本文提出了一种结合域对抗自适应的多尺度分布式卷积长短时记忆网络模型（Multiscale time-distributed convolutional long short-term memory,MTDCLSTM）。将加工过程中采集到的多传感器信号作为模型输入,通过域分类器与预测器之间的对抗学习,提取出可有效表征刀具磨损且与域无关的多尺度时空特征,经预测器的非线性映射,实现对刀具磨损值的精确预测。实验结果表明,结合域对抗自适应的MTDCLSTM模型预测性能明显优于分布式卷积神经网络、长短时记忆网络、卷积神经网络与支持向量机模型。与基于迁移成分分析的支持向量回归模型相比,本文模型的均方根误差与平均绝对误差分别降低了59.8%和62.5%,决定系数提高了66.1%,可有效缩小刀具个体之间的差异,提高磨损值预测精度。     

一维多尺度卷积神经网络及其在滚动轴承故障诊断中的应用

为了有效利用来自实际生产中监测系统的海量数据,并结合一维卷积网络在处理一维数据的优势,提出一种端到端的一维多尺度卷积神经网络滚动轴承故障诊断方法。首先使用两个一维卷积层和池化层将输入振动信号的长度缩减并增加通道数,然后利用多尺度并行一维卷积核对上层输出特征进行不同尺度上的反复提取和重构,最后将提取到的特征输入到一个全连接层进行故障分类。为验证算法的有效性,通过对滚动轴承不同工况、不同训练样本以及与支持向量机、BP神经网络和循环神经网络等算法对比分析。结果表明提出的模型及方法具有较好的识别效果,滚动轴承故障诊断正确率达到99.78%。     

瓶颈工序影响下汽车电子生产车间排程研究

针对汽车电子生产车间作业排产面临的在制品(Work In Process,WIP)堆积、生产周期长和订单准时交付率低等问题,梳理汽车电子零/部件生产车间排程逻辑,依托于约束理论(Theory Of Constraint,TOC)和“鼓-缓冲-绳子”(Drum-Buffer-Rope,DBR)方法,识别瓶颈工序,以完工期限最早优先(Earliest Due Date,EDD)和提高产出率为原则,引入交付紧迫系数,建立了瓶颈工序影响下的订单优先排产计划模型。以某汽车电子零/部件企业的印刷线路板(PCBA)生产车间实际生产数据为例,结合订单优先排产计划模型对PCBA订单进行作业时间排程,验证了该模型的有效性,为汽车电子生产车间排程提供了一种新的可行方案。     

基于遗传算法的作业车间双向调度优化问题

提出了一种基于混合遗传算法的双向调度算法，用来解决以关键工件交货期和生产周期为优化目标的作业车间调度问题。在算法中，遗传算法在全局范围内搜索最优调度染色体，双向调度算法根据得到的染色体进行调度。按照订单的要求，作业车间的工件可分为两类，即关键工件和一般工件。因此，车间调度与可分为前向调度和反向调度两个步骤，对于关键工度，利用剩余的车间资源，尽可能早完工。仿真结果表明该算法是可行的，与传统的调度算法相比，其优越性是明显的。     

CNN-GRU模型预测高炉煤气产生量

为了更好的利用海量数据中蕴藏的隐藏规律,对数据更好的挖掘,提高对钢铁企业高炉煤气产生量的预测精度,针对钢铁企业实际生产作业所采集到的非平稳非线性的数据,这里提出一种将卷积神经网络（CNN）和门结构循环单元（GRU）网络相结合的预测模型。模仿词向量方法,将海量的时间信息、温度数据和压力数据等信息串联成一个向量作为输入,采用CNN对输入进行特征提取,将得到的特征向量构造为时间序列,并作为输入数据给GRU网络进行高炉煤气产生量预测。这里所提出的方法,对唐山某钢铁企业的实际生产中数据进行预测实验,结果表明,这里所提出的方法比传统的BP神经网络和LSTM网络预测模型具有更高的预测精度和更快的预测速度。     

基于支持向量回归的多参数设备故障预测方法

针对热连扎生产线的大型、复杂生产装备,构建了一个基于支持向量回归的无量纲参数智能故障预测系统。通过对已有的热连轧生产线在线监测信息进行无量纲统计分析,提出了利用支持向量回归技术对多个特征量进行并行预测,并对各类特征及其各预测步骤的剩余使用寿命预测结果进行趋势分析,通过置信区间估计确定最终预测结果,为管理者制定维修决策提供可靠依据。     

方形卷绕式锂电池电极褶皱检测方法研究

方形卷绕式锂电池在生产过程中容易产生电极褶皱与错位等缺陷,严重影响锂电池性能。通过数字化X射线摄影技术生成锂电池电极结构影像,分析该影像可以有效检测出电极缺陷,能够确保电池质量。根据电池电极褶皱在DR影像中的特点,提出了一种卷积神经网络与支持向量机结合的电池电极褶皱检测方法。提取DR影像中电池电极有效区域并裁剪为小尺寸图像制作数据集,完成卷积神经网络训练。将大尺寸电极图像通过卷积神经网络提取特征,最后将该特征送入支持向量机完成电池电极的分类预测。实验结果表明,该方法具有较高的检测速度与较低的检测误差率。     

求解低碳车间调度问题的改进鲸鱼算法

针对传统柔性作业车间调度问题只考虑完工时间,设备利用率,完工成本等因素的局限,构建了以碳排放成本和完工时间成本加权和最小为目标的低碳柔性作业车间调度问题模型,并设计了一种改进的鲸鱼优化算法对其进行求解。首先,采用等长的两段式编码方式来表示柔性作业车间调度问题,引入基于ROV规则的转换机制,实现鲸鱼个体位置向量与调度解之间的相互转换。其次,采用基于一定比例的全局搜索、局部搜索和随机搜索的混合式种群初始化方法,生成一定质量的初始种群,同时设计了非线性收敛因子和自适应惯性权重系数来加强算法协调全局搜索和局部寻优的能力。再次,引入自适应调整搜索策略以提高算法跳出局部最优的能力。最后,通过实验数据验证了改进鲸鱼算法在求解低碳柔性作业车间调度问题方面的有效性。     

一种分段在线支持向量回归算法

针对在线支持向量回归算法在提高时间序列预测执行效率的同时,其预测精度会有所下降的问题,提出一种分段在线支持向量回归的时间序列预测方法,通过缩减在线建模数据长度实现快速训练,并对在线支持向量回归模型进行分段存储,根据预测数据与子分段模型的匹配度,选取最优子分段模型预测输出,从而提高在线算法预测精度。通过对黑龙江移动通信话务量时间序列数据的实验结果表明,该算法既很好地保持了在线预测方法的运行效率,又通过分段使预测精度提高了5%～10%。     

钢坯拉速模糊信息粒化及钢坯定重切割的极限学习机预报

为提高钢坯定重切割精度,分析了钢坯质量与钢坯平均拉速间的关联性。建立了钢坯拉速数据的模糊信息粒化模型,将每5根钢坯的平均拉速数据变换为一个三角型模糊粒,得到模糊粒子中的3个参数：钢坯平均拉速变化的最小值vLow、均值vmid和最大值vup,降低钢坯拉速数据的复杂度,得到含不同信息的拉速数据粒化子集。建立了基于信息粒化数据的支持向量机（SVM）回归模型,以模糊粒子参数为输入向量对钢坯平均拉速进行回归预测,得到下一根钢坯的平均拉速预测值。综合考虑钢坯截面积、钢坯平均拉速、定尺长度、下一根钢坯平均拉速预测值等影响因素,建立了极限学习机（ELM）神经网络预报模型,实现了钢坯定重预报。     

基于差分数据图和深度学习的短时交通流预测

交通流量预测(TFP)是提高交通出行效率、减少智能交通系统(ITS)交通拥堵的重要问题。为了从交通流特征提取的角度提高TFP精度,该文提出了一种新的方法DG-CNN-SVR。该方法的基本思想依赖于2个方面:交通流数据趋势和不同工作日的细微差别。因此,引入差分运算来消除趋势分量,然后构建交通数据图以帮助解释复杂特征。通过卷积神经网络(CNN)进行特征学习,并使用支持向量回归(SVR)进行交通流量预测。通过测试数据集的实验结果表明,所提出的TFP方法比单独使用CNN和SVR的情况更有效。     

基于Autoencoder-BLSTM的涡扇发动机剩余寿命预测

准确预测涡扇发动机的剩余使用寿命,对于合理制定维护策略,降低维护成本具有重要意义。针对发动机状态监测数据样本量大、维度高的特点,提出一种整合自编码神经网络(Autoencoder)和双向长短期记忆(BLSTM)神经网络优势的混合健康状态预测模型,优化涡扇发动机的剩余使用寿命预测。首先利用Autoencoder方法作为特征提取工具,对状态监测数据进行压缩,然后利用BLSTM方法捕捉特征双向长程依赖的特性,构建剩余使用寿命的混合深度学习预测模型。基于通用数据集开展测试比较,结果表明Autoencoder-BLSTM混合模型的预测精度优于现有多层感知机、支持向量回归、卷积神经网络和长短期记忆神经网络等方法,可有力支撑涡扇发动机的健康管理与运维决策。     

多视角声图中水下小目标分类的深度神经网络方法研究

针对基于多视角声图的水下小目标分类问题,提出了一种深度神经网络多视分类方法。首先,提取声图的阴影区域,计算阴影部分的主轴斜率并匹配出与其相对应的仿真数据集。采用由这些对应仿真数据集训练的卷积神经网络分别对不同视角的待分类声图提取深度神经网络特征。将不同视角输出的特征向量组合起来,作为目标的特征向量,利用各个视角匹配的组合所对应的支持向量机对目标的特征向量进行预测。将分类器用于对湖、海试采集的多视角声图分类,平均正确率为93.33%,相比采用卷积神经网络、支持向量机的单视角分类方法,分别有不同程度的提升。     

基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究

针对齿轮箱的复合故障诊断问题,将深度卷积神经网络(Deep Convolutional Neural Network,DCNN)与XGBoost(e Xtreme Gradient Boosting)算法相结合,建立故障诊断模型。首先,利用深度卷积神经网络自适应提取原始振动加速度信号的特征矩阵。其次,将所得到的特征矩阵作为输入数据,运用网格调参法对XGBoost算法进行参数调整,得到XGBoost模型。最后,作为训练数据训练XGBoost模型,得到DCNN-XGBoost齿轮箱故障诊断模型。为了验证该模型的有效性和XGBoost算法的优越性,与DCNN-BP神经网络、DCNN-随机森林和DCNN-支持向量机三种模型作对比分析,并且对DCNN所得特征矩阵和人工提取的特征矩阵进行t-SNE可视化降维分析。结果表明,DCNN获得的特征矩阵可视化的效果优于人工提取的特征矩阵,并且随机森林的稳定性不如XGBoost算法,和BP神经网络相比,XGBoost算法在防止过拟合方面有一定的优势,SVM与DCNN的结合有其局限性,最后DCNN-XGBoost模型的诊断正确率和时间优于其他模型。     

基于ID3-CNN的旋转机械故障诊断研究

为解决旋转机械故障类型多、等级不均衡的故障诊断难题,构建了一种基于ID3决策树与卷积神经网络（ID3-CNN）的故障诊断模型。首先对原始信号进行人工时域特征提取,使用t-SNE降维可视化提取出特征混叠的故障,而后利用卷积运算对特征混叠的故障进行二次特征提取,提高模型的特征表达能力,最后使用ID3决策树和卷积神经网络对不同等级的故障进行分类。在轴承数据集上对模型进行了验证,结果表明,严重故障的诊断准确率达到100%,轻微故障的诊断准确率达到95%。与传统的支持向量机及二维卷积神经网络比较,提高了模型的诊断准确率及特征提取能力。     

订单优先权的置换流水线订单排序问题

不同订单对企业来说重要度不同,而传统的置换流水车间调度研究主要解决订单平等下的总完工时间最小问题。应用模糊层次分析法找到订单优先权排序,将每种订单排序与订单优先权排序进行一致程度对比,在此基础上构建了一个考虑订单优先权的置换流水车间生产调度模型,该模型能够求解综合考虑订单重要度和总完工时间的最优订单生产排序。最后运用遗传算法对该模型进行求解,并对结果进行分析,得出优先权系数w对生产调度的指导意义。