大数据驱动的离散制造车间生产过程智能管控方法研究

在智能制造背景下,离散制造企业对利用大数据技术提高车间生产管控水平提出了迫切的需求。研究大数据驱动的离散制造车间生产过程智能管控方法,在明确离散制造车间特点与管控需求的基础上,分析了传统方法的局限性和大数据方法的优势,进而提出大数据驱动的离散制造车间生产过程管控总体框架,以制造大数据的"采集-处理-分析-服务"为主线开展研究。在"进度预测-瓶颈发现-异常溯源-智能决策"的生产过程闭环管控机制中,分别提出：基于堆叠稀疏自编码机的生产进度在线预测技术,基于平行门控循环单元的生产瓶颈漂移发现技术,基于密度峰值-模糊C均值的生产异常溯源分析技术和基于多智能体强化学习的生产过程智能决策技术。最后,以某航空企业典型离散制造车间作为对象,对所提出的大数据分析与智能决策方法进行了原型系统开发和应用验证。     

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。     

物联网环境下的车间生产异常发现与分析

针对离散制造过程中生产异常难以准确评估的问题，提出了一种物联网环境下的车间生产异常发现与分析方法。首先，基于在制品实时状态采集模型，定义了在制品异常事件类型；其次，为了衡量在制品异常事件对车间生产的影响程度，以异常事件发生时生产异常影响因素的状态信息为数据基础，将一维原始数据二维化后，采用一种结合批量归一化和dropout方法的卷积神经网络（Convolutional Neural Networks,CNN）来预测生产任务剩余完成时间，并通过生产任务延迟完成时间来量化车间生产异常程度；最后以某航天车间为案例分析，对所提方法的可行性和有效性进行了验证。