面向中小型定制家具企业的人机协同作业时间预测

中小型家具企业是我国定制家具产业的重要组成部分,为解决该类企业在智能化转型中面临的现实问题,本文从生产现状出发,总结出人机协同作业时间是中小型定制家具企业的关键数据基础。围绕人机协同作业时间预测,提出了一套基础数据采集方法。通过对人工和机器作业进行分析,分别形成了能够体现其人工和机器作业特征的作业时间计算公式,并在此基础上进一步复合形成人机协同作业时间预测模型。以中小型定制家具企业的电子锯开料工序为案例,借助动作分析明确其人工与机器的协作关系,基于采集到的数据计算人工动作与机器动作时间,通过解析锯图推算每一张板材的开料加工步骤,进而运用人机协同作业时间模型进行预测,并同采集到的历史作业时间数据对比,验证了模型的有效性。对于夯实定制家具数据基础,推动家具产业智能制造的发展具有一定的指导意义。

机器学习预测船舶分段车间机器人作业时间分析

船舶分段T梁焊接工位已实现机器人作业,实际作业时间与离线编程软件预估理论时间相差较大,船舶车间量化派工效益难以体现。基于此,提出一种多类型焊缝线性模型,基于机器学习,训练各类型焊缝权值,得到模型函数,预估船舶分段T梁焊接工位作业时间,并可推广到小组立、中组立、涂装等满足作业物量与作业时间呈线性或接近线性分布的车间。

基于梯度提升决策树的材料计算时间预测模型

材料计算运行时间预测对提升作业调度效率和新材料研发有着至关重要的作用,传统集群作业运行时间预测模型的精度较差,在领域的可用性较低。为此,提出一种基于梯度提升决策树的作业预测模型,结合领域知识和相关文献对VASP作业日志数据进行清洗,对选择的特征进行重要性评估,然后在不同数据量、不同样本分布数据条件下进行实验,将该模型与使用传统机器学习方法的模型进行比较。实验表明,所提方法的平均绝对百分比误差在不同条件下均低于传统机器学习方法,且综合作业运行时间的预测误差为4.28%,优于RunningNet方法的10.3%,证明了所提模型对材料计算运行时间预测精度更高,对提升作业调度效率和加快新材料研发作用更大。