基于灰色多层次关联度的智慧型制造系统绩效动态评价

针对智慧型制造系统绩效评价问题,研究基于灰色关联度的动态评价模型和方法。首先,以分析智能制造过程动态因素为切入点,研究制造过程影响要素间的复杂性关系,确立了智慧型制造系统绩效评价指标体系,建立了基于灰色多层次关联法(Gray Multi-hierarchal Correlation Degree,GMCD)的制造系统绩效综合动态评价模型,在评价模型中采用基于层次分析法-熵权法(AHP-Entroy)的综合赋权法确定最优指标权重,并将其应用于智慧型制造系统绩效的动态评价研究中。研究表明,基于GMCD的智慧型制造系统绩效动态评价方法具有更高的准确性和实用性。

基于GMDH与SVM的信号缺失情景下轴承故障诊断

针对在轴承故障数据采集过程中,由于外界干扰导致部分信号缺失的问题,提出一种基于数据分组处理算法(GMDH)与经粒子群优化的支持向量机(PSO-SVM)算法相结合的轴承故障诊断方法。首先,利用GMDH算法搭建时间序列预测模型,预测出并弥补上缺失的数据并与采集信号整合;其次,经过PSO-SVM模型对完整的数据集进行故障类型诊断;最后,实验采用了凯斯西储大学轴承故障振动数据,并与SVM、PSO-SVM等算法进行比较,验证了在信号缺失情景下,GMDH-SVM混合诊断方法的有效性。

求解无等待Flow shop调度问题的改进蛙跳算法

无等待Flow shop调度一直是研究的热点问题,为减少无等待流水车间调度总完工时间,文章提出了一种结合高斯变异和扰动因子的蛙跳算法。在蛙群更新策略中引入扰动因子,平衡了蛙跳算法搜索的深度,利用高斯变异产生子代新蛙代替随机产生子代新蛙,增强了蛙跳算法的寻优速度;同时引入交叉操作,增加蛙群的多样性,提高蛙群中所有青蛙的局部搜索能力以及全局搜索能力。研究了无等待Flow shop调度算例,将蛙跳算法与遗传算法的求解结果进行了对比,结果验证了该文改进蛙跳算法在解决无等待流水车间调度问题的有效性和可行性。

智慧型产品制造过程绩效评价与控制研究

针对复杂装备制造过程(CEMP)绩效评价指标体系复杂、控制过程不能充分利用评价结果等问题,应用支持向量机(SVM)和制造工艺设计优化技术实现装备动态制造实施阶段目标绩效最大化。考虑装备产品制造的过程属性对成本、收益以及总绩效的影响,构建复杂装备制造过程绩效评价与控制研究框架;以满足市场需求、产品结构和成本要求等诸多约束条件构建制造过程适应性模型,进而得出装备产品在过程设计与工艺方面的改变规律;并对关键变量或设计参数进行敏感性分析。最后,通过轮式装载机车架制造过程实例验证了该模型的高精度和可行性。

基于贝叶斯理论的复杂装备综合性能评价方法研究

针对复杂装备的综合性能评价问题,研究了复杂装备综合性能的评价过程,提出了一种基于贝叶斯理论的复杂装备综合性能评价方法。该方法在评价过程中确定了复杂装备综合性能评价指标体系,首先,建立了一种基于贝叶斯网络的复杂装备性能分析模型,利用历史数据对该模型进行训练进而得出复杂装备不同性能的评价结果;其次,考虑了产品性能的权重问题,并运用层次分析法确定各项性能指标的权重;最后,通过将贝叶斯网络得出的评价结果与产品性能的主观权重线性结合得到综合性能评价指数,从而对复杂装备的综合性能进行合理的评价,并对综合性能较差的复杂装备提出了合理的指导意见。最后,以某企业生产的推土机为例,验证的该算法的可行性。

数据缺失条件下基于ANFIS与k-means的轴承故障分析

针对轴承信号数据信息采集过程中轴承数据缺失导致轴承故障类型无法识别问题,提出了一种基于自适应神经模糊推理系统(ANFIS)和k-means聚类算法相结合的轴承故障分析模型和方法。首先,基于ANFIS算法建立数据预测模型,利用75%的轴承故障数据作为训练样本,对缺失信号数据进行预测,同时与采集到的信号数据整合形成完整的数据集,然后利用k-means算法进行轴承故障诊断,最后将ANFIS-k均值方法与传统k-means算法进行比较,实验结果表明本文提出的模型和方法分类效果更加准确。

基于改进GNG的电解铝生产杂质预警与控制

铝电解工业中,铝液中杂质元素含量过高会严重影响铝液质量,Fe和Si含量的预警和控制对保证铝液质量有着重大意义。针对铝液中的杂质含量过高,缺乏用于实时监督的准确预警模型的问题,提出了一种基于加权欧式距离的GNG增量学习模型,构建了阈值机制实现对工业数据流实时监督和预警。通过K-means算法、经典GNG算法与改进GNG算法进行网络拓扑图比较分析。最后,结合铝液中Fe和Si含量的时间序列数据进行动态特征分析,实验结果表明,改进GNG算法对Fe和Si含量数据的实时监督和预警具有可靠性与准确性。

基于改进ANFIS的铝生产中铁含量时间序列预测

在铝生产工业中对杂质铁含量的预测有利于提高铝液的生产水平。针对传统预测模型需要大量数据进行训练,耗时长且效率低下等问题,提出了一种改进ANFIS的时序预测模型(GNG-AMDEA-ANFIS)。首先利用GNG模型对原始数据集动态跟踪找到奇异点,然后采用自适应变异差分进化算法和梯度下降法对ANFIS网络所需参数进行优化,同时构建ANFIS网络模型。最后,结合贵阳某铝厂铝生产过程中铁含量数据,完成对该模型的性能验证。结果表明文章建立的模型能够对铁含量进行精确预测与监督,节省计算成本的同时提高了预测效率。

基于改进GNG算法的燃煤锅炉数据动态特征分析与控制

数据动态特征分析与控制技术是一种重要的数据挖掘手段,燃煤锅炉数据具有明显时序性和漂移性等特点,针对目前数据跟踪与监督算法大多缺乏动态性、实时性和稳定性等问题,设计一种基于改进生长神经气模型(GNG)的自适应聚类模型,建立基于概率、范围搜寻、节点平均距离的节点生成、删除机制,实现对漂移数据实时监控.最后以燃煤锅炉动态数据为分析对象进行实验,实验结果表明该模型和算法对动态漂移数据的实时跟踪能力更强,能对燃煤锅炉动态数据进行准确、有效的监督和控制.