净水厂数字孪生模型构建方法研究与实践

为解决净水厂数字孪生模型构建问题,基于数字孪生五维模型,结合净水厂全流程工艺要求提出全要素数字孪生模型构建方法。通过净水厂多层次多尺度数字孪生几何模型,对净水厂全要素及其关系进行数字化呈现;通过标识解析、数据采集、语义描述和有限状态机行为搭建净水厂数字孪生信息模型,实现物理世界与数字空间的虚实映射和数字化表达;通过“机理+智能”混合驱动搭建净水厂数字孪生决策模型,对净水厂的运行机理和规律进行刻画。基于所提理论和方法设计开发了数字孪生净水厂运维管控一体化平台,为构建净水厂数字孪生模型提供了参考。

考虑运输与维护的柔性作业车间绿色调度

为研究具有运输与预防性维护的柔性作业车间绿色调度问题,建立以最小化最大完工时间和最小加工总能耗为目标的具有运输时间与预防性维护的柔性作业车间绿色调度(FJSP-TPM)模型,提出带有启发式初始化调整策略和可变邻域搜索的HVNSGA-Ⅱ算法进行求解。结合问题特点,设计3层染色体编码方式和基于不同编码层的交叉变异规则,同时加入启发式种群初始化策略和不同邻域结构的局部搜索策略,最后通过不同算例对比实验,证明算法在求解FJSP-TPM问题上的有效性。

数字孪生净水厂运维管控一体化平台关键技术及应用

针对净水厂运维管控过程中信息透明度低、实时性差、缺乏精细化管控等问题,结合数字孪生五维模型,提出基于数字孪生的净水厂运维管控平台架构体系,并对数字孪生净水厂运维管控一体化平台关键技术进行了研究。提出数字孪生净水厂多源异构数据实时采集技术和多层次三维可视化监控模型,以解决三维可视化实时监控问题;提出基于云边协同的数字孪生净水厂控制架构以及基于“机理+智能”双模型驱动的净水厂工艺优化决策框架,并对供取水量预测、加药优化、泵组优化、设备预防性维护等模型进行了探索。最后,设计开发了净水厂运维管控一体化平台,验证了所提模型和方法的有效性,为数字孪生净水厂的实现提供了一定的参考。

面向生产任务的建材装备制造企业物料流进度动态管控系统

针对建材装备制造企业生产过程物料数据管理复杂,数据跟踪难度大,物料进度反馈与预警不及时等问题,在分析企业设计、采购、生产以及外协等流程,并考虑生产任务执行过程的变更特性的基础上,提出以物料流周期为主线的生产过程物料进度动态监控与预警模型。结合企业自身需求与信息化特点,设计并开发了针对建材装备制造企业的物料进度动态监控与预警系统,该系统已在多家建材装备制造企业成功应用,在优化企业物料流管控以及保证产品交货期方面取得了良好的应用效果。

智能制造需求下外协加工资源多目标优选法研究

针对外协加工资源抉择问题,从智能制造的需求出发,结合外协加工资源性能指标,提出了一种多目标的优选方法。采用质量功能展开法将智能制造的需求和加工资源的性能建立了质量屋模型,运用层次分析法确定智能制造需求指标权重系数,运用模糊线性回归法确定质量屋模型中的智能制造需求与加工资源性能指标的关联程度,最后利用0-1目标规划法优选出最佳的外协加工资源。以某建材装备制造企业委外加工选择问题作为实例,验证了智能制造需求下外协加工资源多目标优选法的合理性和有效性。

基于时间序列的装备制造企业采购策略优化

装备制造业是为国民经济和国防建设提供生产技术装备的基础性产业,其产品的制造周期长,资源消耗大,在制造过程中往往需要针对不同的生产阶段采取多批次的资源采购策略。为降低库存成本,在保证生产进度的前提下制定合理的采购策略,从产品的生产计划中提取工序的关键信息,建立了基于采购时间序列的库存成本优化模型,并在保证生产进度的前提下,运用改进灰狼优化算法对该模型进行求解,得到了最优采购策略。以某建材装备制造企业的生产资源采购策略优化问题为例,设计了对比实验,验证了优化方法的合理性和有效性。

基于改进LE和约束种子K均值的半监督故障识别

为充分利用少量有标记样本蕴含的重要信息,在拉普拉斯特征映射(LE)算法基础上,对标记样本点进行置信度约束,提出了改进的LE算法及基于该算法的半监督故障诊断模型。该模型采用改进的LE算法,直接从原始高维振动信号中提取最敏感的低维流形特征,随后将其输入到基于约束种子K均值算法构建的分类器,从而以可视化的聚类结果标识机械设备的运行状态。与核主成分分析、核判别分析等经典算法进行比较,该模型能明显提高轴承故障类型和滚动体故障严重性的识别性能。

面向大规模个性化制造的车间制造服务协作链构建方法

大规模个性化制造模式下,车间内部的制造资源需频繁进行重组以构建新的服务协作链来完成不同的制造任务。为提高服务协作链的高效性和稳定性,建立了制造资源聚合模型来描述车间制造资源的聚集关系,并基于改进的K-means++算法将制造资源封装成车间制造服务。使用频繁子网络挖掘算法挖掘了频繁出现的服务协作链,并提出服务协作链评价方法来对获取的服务协作链进行评价和筛选。最后通过案例分析对所提方法的可行性和有效性进行了验证。

塑料异型材挤出定型模三维参数化设计方法

通过对塑料异型材挤出定型模二维设计的过程进行研究发现,定型模的结构设计和图纸审核花费大量的时间,对此,提出了塑料异型材挤出定型模的参数化设计方法。基于UG平台,以Visual Studio为开发工具,使用UG/Open和MFC技术开发出塑料异型材挤出定型模的参数化设计系统。用户可以通过参数化设计系统完成对定型模的三维设计,同时,参数化设计系统中加入干涉检查模块,对于定型模三维模型中干涉的部分,用户可以清楚地看出并进行修改,减少定型模图纸审核的时间。最后用户可以导出定型模的整切图和各个板块的结构图,减少定型模板块结构设计的时间。

星型卸料器参数化设计平台研究

传统的星型卸料器设计周期比较长、设计质量不够稳定,制约着星型卸料器的设计效率和设计水平,无法满足多样化的产品设计需求。分析了不同规格型号星型卸料器的特点,结合星型卸料器设计工艺,采用参数化设计和建模的思想,设计简单易操作的用户界面,实现星型卸料器的参数化设计。应用三维制图软件Inventor、可视化编程工具Visual Studio和数据库MSSQ Lserver等软件开发了星型卸料器参数化设计平台。实例表明,该平台能生成相应的参数化三维模型、装配图和零件图,规范了设计流程,提高了设计效率。

基于UG的挤出模具干涉检查研究与应用

针对挤出模具设计过程中的干涉检查问题,分析了挤出模具设计及其干涉检查的特点,基于模型的装配关系和特征属性信息,提出了基于实例名和属性名的特征获取方法,并在获取特征的基础上,提出了基于最小包容体交叉性的干涉检查方法,即首先基于包容体判断特征是否存在交叉,再对存在交叉的特征,根据不同特征的安全间隙进行最小间距干涉检查,从而得到整个模具的干涉情况。并基于UG NX机械制图软件,采用UG二次开发技术和微软基础类库(MFC),开发了挤出模具干涉检查插件,对检查对象进行批量检查。实例证明,该方法能够快速有效进行挤出模具干涉检查,提高了挤出模具干涉检查效率,提升了挤出模具设计水平。

STECKIN-MARCHARD-TYPE INEQUALITIES FOR SOME DURRMEYER OPERATORS

In this paper, we will derive some Steckin-Marchard-type inequalities for Bernstein-Durrmeyer and Szasz-Durrmeyer operators.

THE L_p-SATURATION RESULTS WEIGHTED SIMULTANEOUS APPROXIMATION BY THE METHOD OF BERNSTEIN-DURRMEYER OPERATORS

The aim of the present paper is to prove new equivalence results and Lp-stauration results on weighted simultaneous approximation by the method of Bernstein-Durrmeyer operators (including results in [7]). One of the main tools and crucial estimates managing the converse results is given by a direct modified Vornorskaja theorem which uses the third order weighted modulus of smoothness.

基于联邦学习框架的制造服务个性化推荐方法研究

针对工业云平台中海量的制造服务使得用户难以进行服务选择,以及推荐算法的使用使得平台存在泄露用户数据风险的问题,提出一种基于联邦学习框架的制造服务个性化推荐方法。采用基于模型的协同过滤推荐算法,在矩阵分解中考虑用户和服务的评分偏置项以提高推荐准确度。推荐算法所用的数据被分类存储于用户端与服务器端,其中包含用户隐私的数据留存至用户本地。本地数据经加密算法进行脱敏后,与服务器端的数据结合以共同训练模型。最终,用户对制造服务的不同属性的评分被预测得出。根据制造服务质量的特点,在多属性预测评分的基础上进一步量化用户个性化倾向。通过个性化倾向因子对预测评分的干预得到服务的Pareto非支配解集,生成制造服务的推荐列表。实例验证表明,该推荐方法能够在保护用户隐私的前提下获得良好的预测准确度,在考虑用户个性化偏好的情况下保证推荐服务的预测评分均值较高,从而帮助用户进行制造服务选择。

基于拉普拉斯特征映射和深度置信网络的半监督故障识别

针对机械设备故障诊断过程中有标签样本不足,结合流形学习与深度学习的思想,提出了基于拉普拉斯特征映射(Laplacian eigenmap,LE)和深度置信网络(Deep belief network,DBN)的半监督故障识别模型。该模型运用LE算法直接对原始高维振动信号进行特征提取,将低维流形特征输入DBN,利用少量昂贵的有标签样本和大量廉价的无标签样本,二次挖掘故障特征,并构建Soft-max分类器最终识别出机械设备的故障模式。将该半监督模型应用于轴承故障和齿轮裂纹的识别中,试验结果表明,LE算法有效降低了模型的时间复杂度,增强了特征提取的智能性,提高了诊断效率;DBN网络可以充分挖掘故障特性,得到更好的特征表示,提高了分类精度。此外,该模型在不平衡的训练标签下也实现了很好的诊断效果,且适用于多传感器特征融合的诊断,具备实际应用的价值。