基于注意力SRU的离散制造过程生产异常分析

为了判断生产异常对生产过程产生何种影响,在对离散制造过程中产生的物联数据进行详细分析的基础上,设计一种基于注意力SRU神经网络的生产任务剩余完工时间预测模型,通过并行化的特征提取过程并结合注意力机制给予不同时刻信息不同权重来对生产任务的延期交付时间进行预测,达到了解量化生产异常对于生产过程影响程度的目的,且有效提高了算法效率和准确率,从而帮助车间工作人员进行后续决策管控工作。

基于质量数据融合及规则挖掘的离散制造过程监控方法

为有效地从企业积累的制造过程质量数据中挖掘加工工序间的关联规则、实现制造过程的智能化监控,建立了基于质量数据融合和规则挖掘的离散制造过程监控模型。借鉴证据理论思想,提出一种基于模糊证据理论的多传感器质量数据融合算法,首先将所有测量值构成的集合视为辨识框架,应用模糊数学原理引入隶属度函数,设计了多传感器之间互支持度计算的新方法,并借鉴信任分配思想将测量值转换为相应的证据,最终通过基于冲突分配的证据组合规则得到融合结果,实现制造过程质量数据的精确采集。设计了基于质量规则挖掘的离散制造过程分析方法,针对传统关联规则挖掘结果繁杂且有不符合实际加工顺序规则生成的情况,借鉴有监督学习思想,以实际工序顺序为约束,挖掘导致产品质量问题的关键因素,结合复杂事件处理技术对制造过程进行实时监控。通过实验结果验证了该监控方法的有效性和实用性。

离散制造过程中的异构系统功能互操作方法

针对离散制造过程中多个异构系统的功能缺乏有效集成导致操作人员在不同系统间反复切换的问题,提出了一种离散制造过程中异构系统的功能互操作方法。该方法通过封装和调用各系统的功能接口,使操作过程涉及到的各系统的功能接口实现互调用;通过建立用户映射机制,对各系统的访问权限进行关联;并在此基础上通过在系统中建立互操作流程来完成操作者实际的操作过程。对涉及到的用户映射机制和功能互操作流程进行了形式化描述;讨论了多系统集成运行中功能接口的集成模式、用户映射机制和互操作流程的描述框架,通过服务Agent建立了功能互操作进程的实现机制。基于上述方法进行了原型实例分析,实现了制造执行系统、分布式数字控制系统、质量检测与管理系统和数控系统的交互集成,验证了所提方法的有效性。

基于遗传算法的多生产线排产优化调度在离散制造过程中的应用

在对实际生产部门工艺流程和排产方式进行分析的基础上,建立有关模型,提出基于遗传算法的优化计算方法,并将其应用于生产调度系统中,对生产线上排产调度进行优化,取得令人满意的效果.该方法对解决实际优化调度问题以及现场人员的实际生产调度工作,都具有一定指导意义.

面向离散制造过程的RFID应用研究综述

目前面向离散制造过程的射频识别技术应用模式、应用方式和应用绩效评价机制尚不清晰,为此通过分析国内外射频识别技术相关研究和应用的文献资料,分别从生产制造过程、供应链管理过程和产品服务过程三个环节,覆盖在制品自动识别管理、生产过程控制、智能对象的跟踪定位与授权、精准化物料配送管理、仓储可视化管理、制造供应链射频识别技术应用整合、产品溯源与回收管理以及维护、维修和大修服务八个方面对射频识别技术在离散制造过程中的研究热点、应用模式进行了梳理和总结,归纳了射频识别技术在离散制造过程中的应用绩效评价的三种途径,并探讨了未来研究和应用的趋势。

基于Petri网的离散制造过程建模工具

通过分析制造系统发展的需求，基于制造的单元技术向智能化发展的趋势，提出构造分布式多自治体制造系统的思想，并具体阐明了制造环境中自治体的基本结构和多个自治体之间的组织方式．从而提供了一种将制造环境中现有各项单元技术集成起来的分布式途径．

数字化生产线离散制造过程仿真研究

数字化工厂是目前先进制造技术研究的热点。进行内嵌在生产线数字化制造环境中的离散制造过程仿真研究,建立了面向对象的系统模型,分析了仿真运行机理;同时基于eM-Plant软件开发离散制造过程仿真系统,通过具体的生产线实例说明系统的开发与运行机理,提供数字化生产线离散制造过程仿真研究的有效手段。

离散制造过程生产协同能耗优化调度方法

制造过程生产与能耗的协同优化是目前智能优化制造的热点研究问题之一,为解决离散制造过程调度优化问题,建立了以加工时间最短和能耗最低为目标的生产与能耗协同优化调度模型;提出了一种基于自适应变异、交叉概率因子的改进差分进化算法,求解优化调度问题;通过建立基于操作的编码方式,采用升序排序规则实现了连续算法在离散优化调度问题中的应用;通过仿真验证了该算法的有效性,并对比了粒子群算法、遗传算法与改进算法的性能。结果表明通过该算法得到的目标解明显优于另外两种算法,验证了算法的优越性。

物联网环境下的车间生产异常发现与分析

针对离散制造过程中生产异常难以准确评估的问题,提出了一种物联网环境下的车间生产异常发现与分析方法。首先,基于在制品实时状态采集模型,定义了在制品异常事件类型;其次,为了衡量在制品异常事件对车间生产的影响程度,以异常事件发生时生产异常影响因素的状态信息为数据基础,将一维原始数据二维化后,采用一种结合批量归一化和dropout方法的卷积神经网络(Convolutional Neural Networks,CNN)来预测生产任务剩余完成时间,并通过生产任务延迟完成时间来量化车间生产异常程度;最后以某航天车间为案例分析,对所提方法的可行性和有效性进行了验证。

Proficy Tracker8．0的精益生产

2009年5月27日，GEFanuc智能平台宣布了Proficy Tracker软件新版上市，它可以帮助公司通过管理订单的执行和相关的物料流程实现精益策略。使用Proficy Tracker，可以解决汽车业和电子业的最具有挑战性的控制问题以及帮助构建它们的离散制造过程。

GEFanuc推出Proficy Tracker8．0软件新版本

GEFanuc智能平台，GE企业解决方案旗下的业务单元，宣布屡获殊荣的Proficy Tracker软件新版本上市，它帮助公司通过管理订单的执行和相关的物料流程实现精益策略。当今，全球范围的公司都在使用Proficy Tracker，以此来解决汽车业和电子业的最具有挑战性的控制问题以及它们的离散制造过程。