双资源约束的航天结构件车间生产调度方法

针对航天结构件生产调度过程中工序加工时间随操作人员能力级别而变化,关重件和关键工序特定设备和人员要求约束等问题,构建综合考虑关键设备和人员双资源约束的柔性车间作业调度数学模型,解决航天结构件生产设备资源维、人员资源维、工序信息维的描述。为实现双资源约束下的柔性调度,提出嵌套式蚁群-遗传混合算法,针对结构件加工工序设备和人员双资源选择问题,建立资源选择问题与蚁群并行搜索的映射关系,设计蚁群算法实现资源选择;为提高算法搜索性能,利用遗传算法求解当前蚂蚁资源选择下的调度问题,在避免人员资源使用冲突前提下实现设备加工工序的优化排序,使得关键设备利用率最大,总完工时间最短,并通过综合考虑蚁群和遗传算法阶段的求解目标进行蚁群算法信息素的更新,大大提高算法获得较优解的性能。最后,通过航天结构件车间实际案例进行算法测试,测试结果表明,嵌套式蚁群-遗传混合算法能有效地求解双资源约束的航天结构件车间生产调度问题,可降低资源总负荷,提高关键设备利用率,避免人员资源冲突,具有良好的综合调度性能。     

考虑动态资源和工件批量约束的柔性车间生产调度

针对实际车间生产调度过程中车间设备资源受上一调度周期剩余任务影响、工件批量和加工路径柔性等问题,构建考虑设备动态负荷和工件批量约束的柔性车间生产调度模型。提出双层嵌套式遗传算法:外层遗传算法确定工件批量划分和各子批零件的工艺路径,并设计一种基于设备优选法的解码算子来确定个体对应的批量划分中各子批零件的工艺路径;内层遗传算法确定外层遗传算法个体所对应的工件分批和加工路径约束下的调度方案,调度方案的完工时间和超出交货期时间将反馈到外层遗传算法中,用于综合评估当前分批和加工路径方案的性能,实现综合优化。最后在柔性调度标准案例10×10案例基础上增加批量、交货期、设备资源等约束,对所提模型和算法进行测试,结果表明所提算法在对工件进行合理分批和工艺路径确定的同时,能够优化调度结果,满足产品交货期和设备资源约束。     

基于PointCPP-LSF方法的航天筒段薄壁件滚弯成形质量分析

为解决传统圆柱拟合方法对参数初值具有较高依赖性而导致无法满足航天筒段薄壁件滚弯成形质量检测精度及速度要求的问题,提出一种PointCPP-LSF方法,以实现航天筒段薄壁件滚弯成形质量分析.基于点云深度学习建立面向圆柱参数预测的点云网络(PointCPP)模型以获得可靠的圆柱参数初值,然后基于改进的最小二乘拟合(LSF)...     

基于Attention-BLSTM的复杂产品制造质量预测方法

复杂产品制造过程中工艺数据的高维特性以及工艺数据间的复杂关联特性，使得工艺数据中的深层次关键工艺特征难以挖掘，限制了产品质量的准确预测。鉴于此，提出一种基于注意力机制(Attention)与双向长短期记忆网络(BLSTM)的复杂产品质量预测方法。首先，设计数据预处理环节进行工艺数据清洗以及互信息特征筛选。然后，运用BLSTM网络模拟产品制造过程误差的复杂传递特性，挖掘上下游工艺参数的关联关系，输出BLSTM所有时刻提取的关联化工艺特征；同时，设计了Self-Attention网络，自学习各时刻关联化工艺特征对最终产品质量贡献的差异，对不同时刻工艺特征分配不同注意力权值，以强化关键特征。通过以上两阶段特征处理方式，实现深层次关键工艺特征的挖掘。最后，以关键特征作为输入层，通过反向传播神经网络(BPNN)实现复杂产品质量的准确预测。实验表明，相较于BPNN、长短期记忆神经网络(LSTM)、BLSTM以及XGBoost、基于粒子群优化的支持向量(PSO-SVR)、随机森林-贝叶期优化(BO-RF)等主流质量预测方法，所提方法有效提高了预测精度。     

[学科发展]大数据驱动的智能制造

数据是未来制造业的核心要素,工业大数据分析是赋予制造“智能”的关键。系统分析了大数据驱动的智能制造的科学范式、理论方法与使能技术,阐述了应用方向与工业实践;根据“第四范式：数据密集型科学发现”,提出了“关联-预测-调控”的大数据驱动智能制造科学范式;根据数据处理流程,总结了融合处理、关联分析、性能预测与优化决策四位一体的方法体系。围绕边缘层、平台层和应用层设计大数据平台,介绍了大数据驱动智能制造的使能技术;从智能设计、计划调度、质量优化、设备运维四个角度,综述工业大数据驱动的智能制造应用现状。     

基于混合式特征选择模型的晶圆允收测试关键参数识别方法

晶圆允收测试是晶圆加工过程的关键环节，对其中的关键测试参数进行准确分析识别有助于准确预测晶圆良率、及时发现工艺缺陷。针对测试参数维度高、数据冗余性强、关键特征不显著的特点，以最小化晶圆允收测试参数量和晶圆良率预测误差为目标，提出了过滤式与封装式相结合的混合式特征选择方法。在过滤式预筛选中，通过互信息度量各参数与晶圆良率的相关性，以及各参数之间冗余性，并根据最大相关、最小冗余准则，缩小候选参数规模；在封装式精选中，以遗传算法实现候选参数的编码、寻优，根据神经网络的晶圆良率预测误差进行适应度函数评价，进一步精选关键特征。最后，采用标准数据集和实例数据对所提方法进行了有效性验证。     

大数据驱动的纺织智能制造平台架构

在分析纺织工业面临的“十三五”发展形势与智能制造建设任务的基础上,探讨了大数据技术在新一代工业革命中的关键地位,详细阐述了大数据对制造过程的透明化、精益化、高效化和智能化作用。基于工业4.0参考架构与中国智能制造标准化参考模型,分析了纺织智能制造的具体需求,以及信息物理融合技术与大数据技术在纺织智能制造中的核心地位与驱动作用。提出了大数据驱动的纺织智能制造平台体系架构,阐述了横向集成、纵向集成与端到端集成三项智能制造工作,以及基于大数据平台的产品设计智能化、生产组织智能化、营销智能化、售后服务智能化等应用场景。