基于HCPN的复杂BPMN协作模型数据流建模与验证

为了保证复杂BPMN协作模型的正确性,不仅要涵盖多实例和子进程等复杂元素,还要在检测控制流错误的同时检测数据流错误。但业务流程建模标注(BPMN 2.0)缺乏形式化语义的描述,这对模型正确性的验证造成了阻碍。因此,给出了一种具有弧权重的层次化着色Petri网(HCPN)的定义,它既可以对数据流进行形式化表示,又可以对多实例和子进程结构进行建模。进一步提出了从BPMN协作模型到HCPN模型的形式化映射方法。然后基于HCPN模型的弧权重给出了缺失、丢失和冗余3种数据流错误的定义,并提出了对应的检测算法。最后,设计了一个自动化建模与验证的框架,通过一个案例研究说明了该方法的有效性。

面向产品设计改进的顾客偏好分析与预测

针对顾客产品偏好快速变化对企业分析和预测顾客偏好能力的要求,提出一种面向产品改进的顾客偏好分析与预测方法,首先构建长短期记忆网络模型,预测产品设计迭代期间的情感值和重要度,并计算预测准确度;然后通过基于产品特征情感变化模式的产品设计改进模型判断各个特征的变化模式,明确待改进的产品特征及改进优先级;最后以DJI Mini 2无人机的在线评论为例验证了方法的有效性。

航空发动机叶片装配执行过程智能检测及AR引导

为了提高航空发动机叶片装配执行过程的作业智能化程度,本文提出一种航空发动机叶片装配执行过程智能检测及AR引导方法,该方法包括叶片编码识别、物料AR出入库和齐套摆放过程状态检测3个环节。针对航空发动机叶片物料缺乏自动化识别和智能化纠错的问题,搭建基于编码识别的叶片物料管理架构,提出基于图像处理的叶片编码图像前处理增强操作,并利用贝叶斯纠错对识别结果进行正误判断和纠错校正的后处理操作,提高了叶片编码识别准确率;在物料人工出入库环节,利用AR增强可视化信息辅助用户快速执行作业任务,降低了叶片物料选取作业的时间;针对叶片物料齐套准备过程,构建了基于检测比对的防错纠错系统,避免发生人为错误。所提叶片装配执行过程智能检测及AR增强辅助引导方法可以有效减少人力物力和时间消耗,在推动航空发动机迈向智能化和自动化生产上起到技术支撑作用。

基于RRT^(*)-DR算法的机械臂避障路径规划

为使机械臂在障碍物环境下快速规划较优路径,提出了一种基于动态区域采样的改进RRT^(*)-DR路径规划算法,将整个规划过程分为快速探索路径和优化初始路径两个步骤。首先利用半目标导向扩展快速探索,找到连接起始点和目标点的路径。随后利用动态区域采样方法,始终在当前最优路径的周边范围内采样,优先密化当前最优路径附近的节点树,节省计算资源,使初始路径经过迭代快速向渐进最优路径收敛。同时,提出一种近障碍节点变步长机制,有选择性地缩短靠近障碍节点的扩展步长,可有效减少碰撞检测失败次数,提高算法效率。最后,在MATLAB和ROS系统下进行路径规划算法仿真,结果表明RRT^(*)-DR算法可在更短时间内实现路径规划,同时有效缩小路径代价。进一步通过实体机器人路径规划避障实验,验证了该算法的实用性和有效性。

位姿约束下的双向扩展机械臂路径规划方法

针对机械臂路径规划方法存在的规划效率低、连杆通过性差、路径粗糙等问题,以渐进最优快速随机搜索树RRT*为基础,提出一种位姿约束下的双向扩展机械臂路径规划方法(PCO-BT-RRT*)。首先,设计目标偏置引导的双向扩展RRT*算法(BT-RRT*),改进了RRT*算法的初始化过程,将起始点和目标点分别作为两棵随机树的初始节点,并通过目标偏置策略引导其以一定概率相向生长,加快探索未知区域,在保证路径代价较低的同时提升路径生成速度。其次,提出一种位姿约束路径优化策略(PCO),采用机械臂运动学模型和碰撞检测规则共同约束新节点扩展过程,寻找机械臂可达空间内的避障路径;对生成路径剪枝剔冗,缩短可行路径长度,同时对消冗节点以迭代调整的方式进行平滑优化,提高路径生成质量。通过仿真实验分析,验证了所提方法在路径规划问题上的显著性成效;在自主研发的BIM信息融合下建筑砌筑系统进行真机避障测试,验证了该方法的实用性。

用户偏好-制造商偏好双重视阈下的产品创新机会识别路径研究

精准识别产品创新机会对制造商规避盲目创新风险,持续获取竞争优势至关重要。针对现有产品创新机会识别研究中因视角单一致使制造商价值创造的效率难以最大化,以及识别的创新机会聚焦度不清晰等诸多问题,基于用户偏好制造商偏好双重视阈构建了产品创新机会识别路径。首先,运用结构主题模型从用户在线评论和产品描述文本中分别提取用户偏好及制造商偏好的产品属性主题;其次,基于两类主题之间的相似度进行主题分类以获取具象产品的创新需求;再次,从现有相关专利中提取创新要素并依托多维技术创新地图识别产品创新机会;最后,以老年智能手环靶向开展产品创新机会识别为例,验证了所提路径的可行性。应用结果表明,构建的用户偏好制造商偏好双重视阈下的产品创新机会识别路径能够为制造商高效开展产品创新活动提供可资借鉴的决策理论支持。

关于撤销“数字孪生驱动的离心泵机组故障诊断方法研究[计算机集成制造系统,2023,29(5):1462-1470]”一文的撤稿声明

本刊于2023年第29卷第5期发表的“数字孪生驱动的离心泵机组故障诊断方法研究”[1]一文,作者为张胜文、杨凌翮、程德俊,起止页码:1462-1470,因论文案例使用了合作单位的实验设备图片,应合作单位的要求,作者申请撤稿,因此,编辑部对该论文作撤稿处理,特此声明!请广大读者注意,勿再引用!

机器人人工拣选环境下混流装配线齐套物料配送优化

为了提高汽车制造企业配送的智能化水平、解决混流装配线齐套物料人工拣选效率低、成本高的问题,引入基于齐套物料配送策略的机器人人工拣选模式,通过优化自动拣选机器人、工人的配置数量及配送周期,使包含机器人使用成本、劳动力成本和在制品库存成本在内的总成本最小。为求解该配送优化问题,提出了改进量子蚁群算法,利用量子比特的叠加性增加种群多样性,避免算法陷入局部最优,同时设计了改进量子旋转门更新机制和基于差分进化操作的非最优个体优化策略,提高了算法收敛速度和寻优质量。最后,通过算例分析验证了模型的正确性与算法的有效性,并分析了拣选批量对总成本的影响。

基于改进变分模态分解和优化堆叠降噪自编码器的轴承故障诊断

针对滚动轴承在噪声干扰下故障特征难以提取的问题,提出一种改进变分模态分解(VMD)和复合缩放排列熵(CZPE)的特征提取新方法,并利用优化堆叠降噪自编码器(SDAE)进行故障分类。首先,提出由“余弦相似度—峭度—包络熵”新综合评价指标自适应优化分解参数的改进VMD方法,并通过该指标筛选分解后的本征模态函数(IMF)分量;然后,为提取更全面的故障特征,引入新的复合缩放排列熵对各有效IMF的故障特征进行量化;最后,提出一种基于鼠群优化算法(RSO)与麻雀搜索算法(SSA)的混合算法优化SDAE网络超参数,将故障特征输入优化后SDAE网络中得到分类结果。采用美国CWRU轴承数据集进行验证,实验结果表明该方法能全面稳定地提取背景噪声下的故障特征,且与其他方法相比具有更好的抗噪性能和更高的故障诊断准确率。

公务机驾驶舱内饰布局设计感性评价

为提升公务机的航空安全和适航性能,营造合适的驾驶舱环境氛围,构建了公务机驾驶舱内饰布局设计的感性评价模型,提出了系统化的设计知识以指导公务机驾驶舱内饰布局的感性设计优化。首先,基于图像边缘检测技术提取设计特征,建立了公务机驾驶舱内饰布局设计案例库。其次,通过对感性语汇的搜集与聚类,构建了能诠释公务机驾驶舱内饰布局设计表象、抽象、意象信息的“实体层—秩序层—氛围层”感性意象空间。然后,融合“主观评价—眼动—面部表情”3个指标的数据,从“实体层—秩序层—氛围层”3个感性意象评价维度建立了公务机驾驶舱内饰布局设计的综合感性评价模型。最后,分别从整体层和细节层两个层次剖析了公务机驾驶舱内饰布局设计特征与感性评价之间的映射关系,并形成系统的设计优化知识。为公务机驾驶舱内饰布局设计感性评价提供了新的实验范式及数据分析体系,为其内饰布局设计提供了方法指导。

考虑能耗节约的集装箱码头装卸设备集成调度

针对自动化集装箱码头中岸桥与人工智能运输机器人(ART)的集成调度问题,依据作业阶段将设备能耗划分成多个表现形式,构建以最小化岸桥和ART的总能耗为目标的整数规划模型。为提高求解质量,提出一种具有重组变异和随机扰动的自适应粒子群算法。根据不同时期的搜索需求,对惯性权重实行自适应调整;并引入随机粒子增强个体的交互能力,结合迭代进程对最优粒子实施不定维更新,为其摆脱局部困境提供更多机会。最后,以天津港北疆C段自动化集装箱码头为研究背景设计了不同规模算例,将改进算法与GUROBI求解器以及其他算法进行比较,验证了模型和算法的有效性。结果表明,随着岸桥和ART的配置数量逐渐增加,作业进程加快,码头总能耗分别呈现降低和先降后升的趋势;此外,相比于传统的调度模型,所提方法能够在较短的完工时间里节约更多的作业能耗。

数据挖掘算法在作业车间调度问题中的应用

为了从与日俱增的车间生产数据中提取调度规则来指导生产调度任务,提出一种基于数据挖掘的调度算法。将最小化最大完工时间设置为性能指标,从作业车间的离线生产数据中建立合适的调度样本集;将建立的调度样本集按合适的比例分为训练集和测试集;用数据挖掘算法中的分类回归树(CART)从训练集中获取有效的调度知识,形成CART树状调度规则库;为了验证所得调度规则的有效性,将调度规则与遗传算法结合,设计了一种基于数据挖掘和调度规则的遗传算法作为调度算法来求解作业车间调度问题。通过对不同作业车间经典算例进行仿真与测试,验证了所提调度规则和调度算法的有效性与优越性。

基于多种群遗传算法的航天复杂系统测试任务调度

针对航天复杂系统型号较多,传统测试流程与调度设计只能人工定制化排布,效率较低且未有效优化,同时,考虑到航天复杂系统快速测试的迫切需求,提出一种基于多目标遗传算法的航天测试流程自动生成方法。该方法在测试项集合明确的前提下,将测试项抽象为离散事件,以测试总时间和测试资源均衡度为优化目标,充分考虑航天器测试的诸多约束,将其作为遗传算法执行过程中交叉或变异的禁忌项。在初始种群确定后,对测试流程和调度方案进行自动生成和优化。对算例的仿真结果表明,该方法相对于同实验条件下的传统半串行测试方法和单目标优化方法,测试总时间或资源均衡度得到了较大提升。在进一步扩展优化目标和约束项后,该方法可有效提高航天复杂系统测试过程的快速响应能力和可靠性。

ASE-ERNIE:一种基于ERNIE的中文指令动作序列生成方法

中文结构灵活多样,同样的语义有多种表达方式,在中文指令过长或存在多组动作的情况下,家庭服务机器人很难正确理解并做出响应。此外,家庭环境的中文指令解析研究在数据方面仍然稀缺。现有的方法不能准确提取出指令中包含的全部动作序列。由此提出一种基于ERNIE方法的动作序列提取(ASE-ERNIE)模型来提取中文指令中的可执行动作序列,该模型通过动作类型和参数之间的关系提取指令信息,将动作序列的提取工作转化为序列标注任务。在指令中存在多组动作并且存在多个参数的情况下,依然能够提取出全部动作序列。通过实验验证了所提方法的有效性,动作序列提取任务的F 1值达到了80.37%。

群智创新设计研究现状与进展

人工智能时代下,群智创新设计是将创新设计同下一代互联网、人工智能、大数据、区块链等新兴数字技术结合,来解决社会复杂设计问题的综合创新手段。从计算机科学、设计学和社会学的角度出发,通过文献调研的方式,探讨了不同创新阶段的代表性研究、社会创新范式的衍变和群体智慧的发展;分析了群智创新设计的研究现状,系统地提出群智创新设计的体系内容,包括本体—行为—价值三层次理论模型、群智创新主体、群智创新环节、关键技术及研究范围。最后,针对群智计算与群智创新设计的融合发展路径,提出群智创新设计未来的发展趋势。研究对推动人工智能时代下创新设计的发展具有重要意义。

改进迭代贪婪算法求解可重入流水车间调度问题

可重入混合流水车间是在混合流水车间的基础上增加了可重入特性,具有更高的调度复杂性。为了求解可重入混合流水车间调度问题,首先建立了调度优化模型,优化目标为最小化最大完工时间,然后提出一种带精英调整的学习型迭代贪婪算法(LIG-EA)。LIG-EA算法采用基于工件的编码方式,对重组后的染色体进行解码。种群分为精英个体和普通个体两部分,对精英个体进行精英破坏重建和基于关键工件的染色体调整,对普通个体进行学习机制的构建和普通个体的破坏重建。为提高初始种群质量,采用NEH启发式算法进行种群初始化,并针对可重入混合流水车间的重入特性,在重建操作中增加了插入有效性判断,提高了算法的运行速度。通过大量实验表明LIG-EA算法能够有效求解可重入混合流水车间调度问题。

融合粒子群的改进金豺算法及应用

为了解决传统金豺算法收敛精度低,搜索速度慢等问题,提出一种融合粒子群算法的改进金豺优化算法(PGJO)。首先,采用Chebyshev混沌映射和精英选择策略结合的方式对种群进行初始化,提高初始解质量;然后,结合粒子群优化算法(PSO)思想,提出一个新的搜索方式。采用动态转换策略,判断PGJO采用原Levy方式搜索还是采用新的搜索方式更新个体位置,以提高算法收敛精度;最后,提出了种群收敛监测策略,帮助算法跳出局部最优。将PGJO与其他智能优化算法经过11个基准测试函数对比实验表明,算法性能均优于其他算法。将PGJO应用于无人机路径规划当中,对比其他算法路径长度下降了3.4%,拐点个数减少了21%,验证了该算法的工程应用能力。

基于生产数据的混合流水车间动态调度方法研究

在智能制造背景下,物联网等信息技术为制造系统积累了大量数据,同时人工智能等先进方法为车间数据分析和实时控制提供了有效手段。因此,针对不相关并行机混合流水车间调度问题,提出了一种基于生产数据的动态调度方法,以实现订单完工时间最小化。首先以高质量调度方案为基础,从中提取生产特征和调度规则完成样本构建。其次使用Relief F算法过滤冗余生产特征,获得用于训练和预测的调度样本。然后采用融合鲸鱼优化算法的概率神经网络作为调度模型,实现基于调度样本的训练和预测过程。最后,实验结果表明,所提方法具有良好的特征选择能力和较高的预测精度,与其他实时调度方法相比具有更加优越的性能,可以有效地根据车间实时状态指导制造执行过程。

融合Mar-GLSTM的流程生产工艺质量预测算法

针对流程生产连续性强、时序耦合复杂等特点,传统神经网络不具备长期记忆能力,且在深层次网络训练时易出现训练参数灾难、梯度爆炸等问题,提出基于马尔可夫优化的融合门控循环单元(GRU)与长短期记忆网络(LSTM)的组合预测模型(Mar-G LSTM)。首先在循环神经网络结构中融入门控机制构建深度LSTM神经网络模型,对流程生产时序数据信息进行选择性记忆,学习时序数据序列的信息依赖,进而解决训练过程中的梯度爆炸问题;同时结合马尔可夫链对GRU-LSTM模型的预测结果进行修正优化,在降低模型的复杂度的情况下进一步提高了模型的预测精度。最后,结合某流程生产线的工艺数据进行分析验证,结果表明,Mar-G LSTM算法在预测精度上较随机森林模型、门控循环单元神经网络模型(GRU)、长短期记忆神经网络模型(LSTM)和卷积神经网络与门控循环单元网络组合模型(CNN-GRU)分别提高了37.42%、21.32%、17.91%和12.56%,所提Mar-G LSTM算法可实现流程生产质量的准确预测,为降低工艺参数调控任务的完成时间提供了思路和实现途径。

基于轨迹修正的曲面抛光机器人终端滑模导纳控制

针对传统抛光机器人力控制算法在位置内环控制上稳定性差的问题,同时为减小力/位控制算法相互切换导致的抛光轨迹误差,提出一种基于轨迹修正的终端滑模导纳控制方法。在抛光过程中,将力传感器反馈的参数与期望力的差值作用于导纳模型产生位置修正量,设计了终端滑模控制模型作为位置内环控制环节,并通过实时反馈位置修正量进行轨迹跟踪。通过实际轨迹信息修正规划轨迹来减小抛光力误差,达到高精度抛光的效果。仿真实验表明,终端滑模导纳控制效果良好,在对轨迹进行修正后抛光力误差相对于修正前有明显改善。利用该模型抛光后表明,轮廓算数平均偏差达到0.035μm,抛光质量得到明显提高。