基于数据的复杂制造过程调度

现代制造企业规模庞大、过程复杂等特征给制造过程的调度决策带来了极大的挑战.一方面,使用传统方法建立指导生产过程调度的精确数学模型变得越来越困难;另一方面,因缺乏准确、及时的模型参数而往往导致低下的模型使用效果.在此情况下,基于数据–信息–知识–决策的信息提炼轨迹,有必要探寻新的基于数据的复杂制造过程的调度理论与方法.在综述国内外相关研究的基础上,提出了由数据层与模型层构成的基于数据的复杂制造过程调度架构,并对该结构框架下的相关理论、方法及实施技术进行了探讨.

复杂制造过程质量与可靠性集成监控体系及关键技术

在分析我国机械制造业发展现状及存在问题基础上,对质量与可靠性集成监控技术的主要领域即在制品质量控制、误差传播与预测、设备状态监控与故障诊断、集成质量系统以及质量链管理等五个方面的研究现状进行分析和综述,提出复杂制造过程质量与可靠性集成监控框架体系,并对实现集成监控的关键技术进行归纳和提炼,为复杂制造过程的在制品质量控制和设备可靠性监控奠定理论基础。

复杂制造过程质量与可靠性监控理论综述

针对我国机械制造业的发展现状及存在问题,笔者提出了复杂制造过程质量与可靠性集成监控理论框架,针对质量与可靠性集成监控技术的主要领域(即在制品质量控制、误差传播与预测、设备状态监控与故障诊断、集成质量系统以及质量链管理等)的研究现状进行分析,并对5个方面的研究水平和应用范围进行对比和归纳,为复杂制造过程的在制品质量控制和设备可靠性监控奠定理论基础。

基于融合特征t-SNE降维的控制图质量异常模式识别

为解决控制图质量异常模式识别中,实时质量数据呈现出高维非线性等复杂特征导致模型过拟合以及失真等问题,提出一种基于融合特征t分布随机近邻嵌入(t-distributed stochastic neighbor embedding, t-SNE)降维的控制图质量异常模式识别方法.首先,从生产过程动态数据流中提取其统计特征、形状特征并与原始特征进行融合,形成动态数据流的高维融合特征;然后利用t-SNE算法对融合特征进行降维, t-SNE算法能够有效地处理线性和非线性数据,并产生更有意义的聚类;进而利用一维卷积神经网络(one-dimensional convolutional neural networks, 1DCNN)作为分类器实现复杂产品制造过程的质量异常模式识别;最后,通过仿真实验将本文所提方法与单一类型特征方法、融合特征方法以及融合特征主成分分析法(principal component analysis, PCA)、核主成分分析(kernel PCA, KPCA)和局部线性嵌入算法(locally linear embedding, LLE)降维方法的识别模型进行比较,并利用锂离子电池极片制造过程为例进一步说明本文模型的有效性与实用性.仿真与实例结果表明,本文所提算法具有更高的识别效率和精度,特别适用于处理在复杂产品制造过程背景下的高维非线性数据.