基于机器故障下板式定制家具混合流水车间动态调度研究

针对板式定制家具混合流水车间在制造过程中出现的机器故障问题,通过分别对三种典型的机器故障场景进行了对比分析,生成三种重调度方案。在此基础上,以最小完工时间为目标,构建了一个考虑故障可恢复性的动态调度模型,并采用一种融合ICA算法和完全重调度策略的方法进行求解。结果表明:提出的模型与方法能够有效降低机器故障对生产的影响,使三种故障场景下的调度效率分别提高了8%,16.3%和14.5%,达到了提高车间调度效率,缩短板件完工时间的目的。研究结果可为优化机器故障下板式定制家具企业生产调度问题提供参考。

考虑机器故障的柔性作业车间动态调度

针对生产过程中不确定性机器故障使初始调度方案可执行性降低的问题,提出了一种考虑机器故障概率的柔性作业车间重调度方法。采用事件和基于故障概率的周期混合驱动策略,综合使用多种重调度方式,引入最大完工时间偏差、工序开始时间累积偏差、工序机器变动量作为评价指标,借助结合变邻域搜索的改进遗传算法对调度方案进行求解。通过对处理后的柔性作业车间案例仿真分析,结果表明,相比于单一重调度方式该方法最优重调度方案在性能评价指标上有显著提升,验证了所提出重调度方法应对不同情况下机器故障扰动的优越性。

基于多元分解和深度学习的机器故障检测方法的研究

基于声学的机器故障检测方法是一种新颖的研究方法,但是需要依赖采集足够丰富的故障类型数据.因此,提出一种无监督的机器故障检测方法,即使用机器正常运行状态的数据作为训练样本,从而鉴别出机器异常状态.该检测方法的一个关键问题是信号中的噪声,它会影响检测的性能,针对这个问题,提出了一种基于多元张量分解的准非参数光谱数据去噪策略,即非负正则多重分解,这种策略特别适用于发出稳定声音的机器.通过实验证明了这种声学检测方法,可以使得工业过程的故障监控更加准确.

机器故障下柔性作业车间的生产重调度方式决策模型

在机器故障后采用何种方式进行生产重调度,直接影响到柔性作业车间的生产效率和稳定性。为此,提出一种融合数据仿真、遗传优化与BP神经网络的重调度方式决策模型,以便在给定故障情形下经济、高效、快速地估计出最优重调度方式。首先,针对柔性作业车间,仿真生成不同机器故障情形下、各种重调度方式下的重调度方案,比较最大完工时间差值、工序结束时间差值和工序变动成本3个评价指标,将综合指标最小的重调度方式判定为给定情形下的最优方式,产生出带标签的大规模样本。在此基础上,构建基于遗传—神经网络的重调度方式决策模型,挖掘机器故障与重调度方式的内在联系,估计不同故障情形下的最优重调度方式。其中,遗传算法先用于确定BP神经网络结构,再用于优化权值和阈值。实验证明所提出决策模型能显著提升机器故障下柔性作业车间的决策效率与反应能力。

机器故障下的柔性作业车间调度优化

该文将机器故障下的柔性作业车间调度问题分为静态预调度和机器故障的重调度2个部分。针对静态预调度,通过引入非支配排序及拥挤度计算和非线性收敛因子来改进灰狼优化算法,求得静态预调度方案。在此基础上,结合右移重调度和完全重调度提出了一种组合重调度策略,并通过算例验证了组合重调度策略比单一重调度策略更具适应性。

考虑机器故障的柔性作业车间鲁棒调度方法

柔性作业车间在实际生产过程中存在多种不确定因素,影响了正常生产和调度目标的实现。针对机器发生故障的因素,结合柔性作业车间调度特点,分别提出了2个鲁棒性指标:一个是考虑初始调度和实际调度最大完工时间偏差的鲁棒性指标;另一个是考虑每台机器的空闲时间和工作负荷的鲁棒性指标。应用遗传算法对其求解,设计了两段式染色体编码,防止产生非法解。通过建立机器发生故障的概率函数,模拟产生机器故障事件,并利用提出的优化方法和鲁棒性指标进行仿真优化。实验结果表明提出的方法可以有效的减少工序延误,避免造成实际调度性能的恶化。

具有随机加工时间和机器故障的流水车间调度

不同的流水车间往往具有不同的生产方式,为提高调度方案对不同生产方式下随机因素的处理能力,重点考虑了2种生产方式下3种不同情况的随机调度。针对这3种情况,以最小化最大完工时间为目标,研究了具有随机加工时间和随机机器故障的置换流水车间调度问题,提出了处理不同生产方式下随机因素的3种计算方法,通过预测机器的期望故障时刻来计算每个任务的完工时间。采用启发式规则和遗传算法相结合的方法,确定出最佳调度方案,并进行了实验分析和比较。

机器故障下加工车间优化重调度方式预测

为预知不同故障情形下的优化重调度方式,实现快速、有效的重调度决策,提出融合调度仿真与改进概率神经网络的重调度方式预测方法。考虑到现场故障样本难获得且无法涵盖全部故障情形,利用仿真实现随机故障下优化重调度样本的生成;以工序加工时间的累计变动、变动任务数、makespan改变量为决策依据,生成各样本的标签;将带标签数据样本输入到概率神经网络模型,实现优化重调度方式预测。实验结果表明:所提出的方法准确率达99.54%;在指定加工车间和生产任务的前提下,故障机序号和故障修复时间对优化重调度方式起决定性作用。

炼钢机器故障下炼钢-连铸调度DCSP建模与算法

针对机器故障下的炼钢-连铸动态调度问题,基于动态约束满足技术开发了能够灵活反映各种动态因素的建模机制。从变量、值域和约束三个角度将生产过程中的机器故障的影响映射为约束满足模型的动态变化;提出了重调度前后调度方案在时间安排和机器指派上的一致性度量方法,以满足不同炉次对时间和机器一致性的不同要求;将机器故障扰动按影响程度分为3个层级,建立了故障扰动与约束满足调度模型间的映射关系。根据炼钢、精炼阶段的机器故障扰动程度,制定不同的求解策略,并为机器指派变量赋值;基于约束传播技术,通过调整开工时间和柔性加工时间分步消解时间约束冲突。仿真实验表明,提出的模型和算法是可行和有效的。

考虑顾客策略行为和机器故障的加工排队系统最优定价

在加工系统中,顾客的决策行为不仅受价格影响,同时对交货时间敏感,而且不同的顾客对时间具有不同的敏感程度。本文采用排队理论,研究了垄断环境中策略顾客行为和机器故障干扰的加工系统最优定价问题,证明了最优定价的存在性,设计了最优定价的求解方法。通过数值算例,讨论了实际需求比例、最优定价和最大利润关于加工成本、单位时间维修成本、机器故障频率和平均维修时间的变化规律。数值结果说明机器故障修复时间增加比故障频率增加对企业利润造成影响更大。

用轴心轨迹/位置诊断机器故障

旋转机械转轴径向振动的测量,通常采用带有键相器的两个互成90°安装的非接触式位移探头,以测量轴承与转轴的间隙电压信号。这种信号包括交流和直流两部分,其中交流信号是转轴振动的动态信号部分,表示转轴的径向综合振动。直流信号是静态信号部分,表示转轴在轴承中的位置。测量这两部分信号并加以分析处理,能获得含有机器运行状态信息的轴心轨迹图和轴中心平均位置图。

模拟听觉的机器故障诊断设备的框架

文章先分析谱相关和人耳听觉的某些相似特性,如两者都不管信号的初相位,即使相位相差90°的正弦和余弦信号,只要频率相同人耳听到的是同样的声音,而谱相关系数也接近于1。然后,利用谱相关系数模拟人耳听觉的某些特性,提出一个机器故障诊断设备的框架。

基于改进BP神经网络的机器故障诊断技术研究

机器故障诊断技术进入智能化阶段,利用人工神经网络诊断故障模式的优势十分明显。传统BP神经网络存在收敛慢,容易陷入局部最小等缺陷,提出了基于批处理的变速率的BP求解方法。根据问题描述,改进了BP网络故障识别模型,并以拖拉机的减速箱为例,建立模型进行故障模式识别,比较改进BP与传统BP的误差曲线,论证方法有效。

基于动态机器故障率的并联加工系统资源多目标调度

针对并联加工系统,为处理生产过程中因机器故障导致的加工资源动态调度问题,考虑系统资源负荷和故障率存在的动态相互制约关系,依据子周期划分的不同策略,对调度后的加工总时间、预防维修时间和系统可靠度进行量化研究,构建多目标动态调度模型。采用基于Pareto熵的多目标粒子群算法对模型进行求解,通过改进个体最优解选择策略,提升最优解选取的多样性;通过差熵来估计种群所处进化状态,改进算法的搜索能力。以某企业的加工系统为实例,利用该模型进行加工资源调度方案设计,通过模糊决策得到的多目标权重,选取最优调度方案,并进行多个参数对比,验证在加工资源调度过程中,集成考虑动态机器故障率和基于机器最大役龄约束划分子周期的可行性,不仅可以完成订单准时交付,还可以使企业有更好的柔性去应对可能到来的紧急订单。

机器故障及产品废品条件下Job Shop的周期定额计划方法

本文分析了在机器故障及产品废品条件下 job shop生产的周期定额计划方法 ,给出了生产计划中不同作业的作业定额满足 job shop外部需求的必要条件 ,同时给出了 job shop在一个生产计划期内完成满足此条件的作业定额时 ,对各个工作中心的能力需求 .当 job shop中物料搬运系统的能力充裕 ,物料搬运对生产提前期的影响可以忽略的情形下 ,本文提出了估计 job shop的生产提前期的近似方法 .与仿真实验结果的对比表明 ,估计结果有较高精度 ,从而可作为 job shop的性能评价及其生产管理的依据 .

带机器故障的两台机带权误工数排序问题

讨论机器带故障中断的两台平行机排序问题,工件加工时间均为单位时间,目标是极小化带权误工工件数.当转移时间t=0时给出了最优的算法.当t≠0时,给出了一个多项式时间的近似算法,并证明算法解与最优解至多相差一个带权误工数.

机器故障诊断模糊分类规则的归纳学习

机器状态的有效监控是机器安全运行，提高系统生产效率的重要途径，由于环境的复杂性与不确定性，现有机器故障诊断系统的可靠性还不能满足应用要求，为此近来年发展了模糊诊断技术，对于模糊系统而言，其关键问题在于如何获得解决具体问题的模糊知识或规则，为此提出了一种被称为模糊归纳学习的学习方法，并利用模糊信息熵概念建立了从不确定信息数据中归纳模糊规则的学习准则，实验结果表明，利用所提出的模糊归纳学习方法所获得的模糊规则能不确定怀数据进行有效分类，从而能有效地提高机器故障诊断系统的与可靠性。