基于改进灰狼算法的柔性作业车间重调度问题研究

【目的】在工厂实际加工中,由于各机器的健康状态参差不一,可引起机器故障继而影响加工施工时间。针对带有机器扰动的柔性作业车间的问题,为减小机器故障对生产计划的影响,提出了机器扰动、寻找断点的重调度模型,以最小加工时间、最短总延迟时间为优化目标构建了数学模型。【方法】提出改进灰狼优化算法(GWO-GA)作为全局优化搜索算法求解,为提高其灰狼算法的收敛速度,引入了工件编码迭代并加入自适应算子,使用遗传算法的POX交叉对机器编码进行迭代。【结果】针对钢琴制造企业实木车间数据进行验证,结果表明相对于遗传算法(genetic algorithm,GA)、NSGA、PSO-GA,改进灰狼算法求解本调度问题效率高,精度好,具有较好的实用价值。

求解多目标柔性作业车间的IGWO算法

针对多目标柔性作业车间调度问题(multi-objective flexible job shop scheduling problem,MOFJSP),提出一种改进灰狼算法(improved grey wolf algorithm,IGWO)来求解考虑完工时间,总能耗以及机器总负荷的多目标优化。IGWO采用二段式编码和基于权重的种群初始化方法,加入遗传算子对编码进行迭代更新,采用Pareto非支配排序和拥挤度距离来求取迭代过程中的非支配解,将非支配解集保存在外部存档中;引入非线性收敛因子,平衡算法的全局搜索能力和局部搜索能力。通过引入改进鲶鱼效应策略,保证种群活力,提高算法收敛精度,避免算法陷入局部最优解。最后通过机加工车间实例验证和对比实验,验证该算法的可行性和优越性。

基于健康因子的锂电池剩余寿命预测方法

分析了锂电池的容量衰退趋势,从锂电池的充放电过程参数中提取与容量高度相关的健康因子,构建了基于BP(Back Propagation)神经网络的锂电池剩余寿命预测模型。分别采用健康因子拼接和其他特征拼接作为预测输入,对试验结果进行评估,指出所提取的健康因子结合BP神经网络模型预测速度快、精度高,具有较好的应用价值。

锂离子电池健康状态的DCAE-Transformer预测方法研究

提出了一种基于Transformer的DCAE-Transformer模型,旨在改善健康状态(SOH)估计的准确性.该方法通过Pearson相关系数筛选关键特征,利用去噪自编码器(DAE)和卷积神经网络(CNN)相结合进行数据预处理和特征提取,再将数据输入Transformer框架完成预测.使用NASA和CALCE提供的数据集进行验证,DCAE-Transformer模型在NASA电池样本上的误差指标(EMA、EMAP和ERMS)均低于1%,R2值超过99.5%;在CALCE样本上,误差指标低于5%,R2值超过98%.结果表明,该模型在锂电池SOH估计方面具有较高的精确性和泛化性.