智能產(chǎn)線運(yùn)行優(yōu)化理論與技術(shù)

第1章智能產(chǎn)線概論
1.1智能制造背景
1.1.1智能制造產(chǎn)生的背景
1.1.2智能制造的發(fā)展戰(zhàn)略
1.1.3產(chǎn)線智能化的困境
1.2國(guó)內(nèi)外研究現(xiàn)狀
1.2.1產(chǎn)線狀態(tài)數(shù)據(jù)實(shí)時(shí)采集與云-邊協(xié)同計(jì)算
1.2.2產(chǎn)線多級(jí)批量生產(chǎn)計(jì)劃的集成與優(yōu)化
1.2.3生產(chǎn)物流的主動(dòng)感知與協(xié)同調(diào)度技術(shù)
1.2.4刀具磨損狀態(tài)智能監(jiān)控與壽命預(yù)測(cè)
1.2.5面向多工序加工過(guò)程的工件質(zhì)量追溯
1.2.6復(fù)雜加工裝備的健康狀態(tài)綜合評(píng)價(jià)
1.2.7基于數(shù)字孿生的智能產(chǎn)線建模與可視化
1.2.8智能產(chǎn)線發(fā)展的新趨勢(shì)
1.3新一代信息技術(shù)和人工智能賦能產(chǎn)線
1.3.1智能產(chǎn)線的定義與特征
1.3.2智能產(chǎn)線運(yùn)行優(yōu)化的實(shí)現(xiàn)框架
1.3.3智能產(chǎn)線運(yùn)行優(yōu)化的關(guān)鍵使能技術(shù)
參考文獻(xiàn)
第2章產(chǎn)線狀態(tài)數(shù)據(jù)的實(shí)時(shí)采集與云-邊協(xié)同計(jì)算技術(shù)
2.1產(chǎn)線狀態(tài)數(shù)據(jù)的需求分析
2.2產(chǎn)線狀態(tài)數(shù)據(jù)的采集方案
2.2.1數(shù)據(jù)類(lèi)型分析
2.2.2數(shù)據(jù)采集方案
2.3面向數(shù)控加工裝備的數(shù)據(jù)采集方法
2.3.1基于內(nèi)置傳感器的裝備數(shù)據(jù)采集
2.3.2基于外接傳感器的裝備數(shù)據(jù)采集
2.4面向數(shù)控加工裝備的數(shù)據(jù)預(yù)處理
2.4.1信號(hào)截取與工序識(shí)別
2.4.2基于CEEMDAN-小波包組合的狀態(tài)數(shù)據(jù)去噪模型
2.4.3案例分析
2.5基于物料主動(dòng)感知的AGV云-邊協(xié)同計(jì)算框架
2.5.1AGV狀態(tài)數(shù)據(jù)采集與信息交互
2.5.2邊緣側(cè)RFID數(shù)據(jù)處理技術(shù)
2.5.3云邊協(xié)同計(jì)算技術(shù)
本章小結(jié)
參考文獻(xiàn)
第3章產(chǎn)線多級(jí)批量生產(chǎn)計(jì)劃的集成與優(yōu)化技術(shù)
3.1產(chǎn)線生產(chǎn)計(jì)劃集成概述
3.2產(chǎn)線生產(chǎn)計(jì)劃集成模型
3.2.1問(wèn)題的假設(shè)
3.2.2變量定義
3.2.3模型的建立
3.3基于改進(jìn)蜉蝣算法的模型求解
3.3.1標(biāo)準(zhǔn)的蜉蝣算法
3.3.2改進(jìn)蜉蝣算法求解模型的總體流程
3.3.3四維空間矩陣式編碼及種群初始化
3.3.4第四維度空間最優(yōu)批量搜索
3.3.5基于交叉運(yùn)算的產(chǎn)品批量及加工順序協(xié)同優(yōu)化 
3.4案例分析
3.4.1數(shù)據(jù)準(zhǔn)備
3.4.2結(jié)果分析
本章小結(jié)
參考文獻(xiàn)
第4章智能產(chǎn)線生產(chǎn)物流的主動(dòng)感知與協(xié)同調(diào)度技術(shù)
4.1生產(chǎn)物流主動(dòng)感知與協(xié)同調(diào)度的內(nèi)涵與特征
4.1.1相關(guān)概念及定義
4.1.2內(nèi)涵與特征
4.2生產(chǎn)物流主動(dòng)感知與協(xié)同調(diào)度的體系架構(gòu)
4.2.1體系架構(gòu)
4.2.2運(yùn)行邏輯
4.3“感知-分析-監(jiān)控”生產(chǎn)物流主動(dòng)感知模型
4.3.1基于生產(chǎn)物流的分布式感知模型
4.3.2資源智能體基本特性
4.3.3基于健康程度的資源智能體狀態(tài)分析
4.3.4基于閾值的實(shí)時(shí)生產(chǎn)物流狀態(tài)監(jiān)控
4.3.5基于“感知-分析-監(jiān)控”的主動(dòng)感知模型
4.4基于蒙特卡洛樹(shù)搜索的物流單元分級(jí)協(xié)同調(diào)度
4.4.1基于物流單元智能體的生產(chǎn)物流服務(wù)分析
4.4.2集成物流單元智能體的AGV調(diào)度規(guī)則
4.4.3物流單元分級(jí)協(xié)同調(diào)度過(guò)程
4.5考慮資源智能體狀態(tài)觸發(fā)的協(xié)同調(diào)控策略
4.5.1生產(chǎn)物流動(dòng)態(tài)調(diào)控問(wèn)題描述
4.5.2異常事件擾動(dòng)對(duì)應(yīng)的可重構(gòu)分級(jí)調(diào)控規(guī)則
4.5.3基于調(diào)控規(guī)則的多智能體協(xié)同調(diào)度策略
4.6案例分析
本章小結(jié)
參考文獻(xiàn)
第5章刀具磨損狀態(tài)智能監(jiān)控與壽命預(yù)測(cè)技術(shù)
5.1刀具磨損狀態(tài)智能監(jiān)控與壽命預(yù)測(cè)概述
5.2刀具信號(hào)的特征提取與特征選擇
5.2.1刀具磨損監(jiān)測(cè)信號(hào)獲取
5.2.2刀具特征信號(hào)的預(yù)處理
5.2.3信號(hào)特征提取
5.2.4信號(hào)特征選擇
5.3刀具磨損狀態(tài)智能識(shí)別
5.3.1刀具磨損狀態(tài)識(shí)別概述
5.3.2基于廣義回歸神經(jīng)網(wǎng)絡(luò)的刀具磨損狀態(tài)識(shí)別
5.3.3基于XGBoost與Softmax的刀具磨損狀態(tài)識(shí)別
5.4刀具壽命智能預(yù)測(cè)模型
5.4.1刀具壽命智能預(yù)測(cè)概述
5.4.2基于AMPSO-SVR的刀具壽命預(yù)測(cè)
5.4.3基于特征因子與多變量GRU網(wǎng)絡(luò)的刀具壽命預(yù)測(cè)
5.5案例分析
5.5.1刀具磨損狀態(tài)識(shí)別應(yīng)用實(shí)例
5.5.2刀具壽命預(yù)測(cè)應(yīng)用實(shí)例
本章小結(jié)
參考文獻(xiàn)
第6章工件加工質(zhì)量的誤差分析、溯源與預(yù)測(cè)技術(shù)
6.1工件加工質(zhì)量的誤差影響因素分析
6.2工件加工質(zhì)量的虛擬測(cè)量技術(shù)
6.2.1虛擬測(cè)量方法概述
6.2.2BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)
6.2.3基于BP神經(jīng)網(wǎng)絡(luò)的加工質(zhì)量虛擬測(cè)量模型構(gòu)建
6.2.4案例分析
6.3基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的工件加工質(zhì)量誤差溯源方法
6.3.1工件加工質(zhì)量誤差溯源概述
6.3.2BP神經(jīng)網(wǎng)絡(luò)工件加工質(zhì)量誤差溯源模型
6.3.3基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)誤差溯源模型
6.3.4基于思維進(jìn)化算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)誤差溯源模型
6.3.5基于粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)誤差溯源模型
6.3.6基于蝙蝠算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)誤差溯源模型
6.3.7案例分析
6.4工件加工質(zhì)量的預(yù)測(cè)模型
6.4.1工件加工質(zhì)量預(yù)測(cè)概述
6.4.2工件加工質(zhì)量預(yù)測(cè)流程
6.4.3支持向量機(jī)預(yù)測(cè)建模技術(shù)
6.4.4基于改進(jìn)SVM算法的工件加工質(zhì)量預(yù)測(cè)模型
6.4.5案例分析
本章小結(jié)
參考文獻(xiàn)
第7章復(fù)雜數(shù)控加工裝備的健康狀態(tài)綜合評(píng)價(jià)技術(shù)
7.1數(shù)控加工裝備的功能結(jié)構(gòu)劃分
7.2數(shù)控加工裝備的狀態(tài)監(jiān)測(cè)分析
7.3基于大小樣本數(shù)據(jù)集的關(guān)鍵部件狀態(tài)分類(lèi)評(píng)價(jià)方法
7.3.1數(shù)控加工裝備關(guān)鍵部件分析
7.3.2大樣本數(shù)據(jù)集驅(qū)動(dòng)的Ⅰ類(lèi)部件狀態(tài)評(píng)價(jià)方法
7.3.3小樣本數(shù)據(jù)集驅(qū)動(dòng)的Ⅱ類(lèi)部件狀態(tài)評(píng)價(jià)方法
7.4基于灰色聚類(lèi)理論的裝備健康狀態(tài)綜合評(píng)價(jià)方法
7.4.1灰色聚類(lèi)理論與白化權(quán)函數(shù)
7.4.2基于判斷矩陣的裝備各系統(tǒng)重要度研究
7.4.3基于白化權(quán)函數(shù)的裝備系統(tǒng)要素評(píng)價(jià)體系
7.5案例分析
7.5.1基于大樣本數(shù)據(jù)的主軸軸承狀態(tài)檢測(cè)
7.5.2基于小樣本數(shù)據(jù)的主軸軸承狀態(tài)檢測(cè)
7.5.3數(shù)控加工裝備狀態(tài)綜合評(píng)價(jià)
本章小結(jié)
參考文獻(xiàn)
第8章基于數(shù)字孿生的智能產(chǎn)線系統(tǒng)開(kāi)發(fā)與應(yīng)用
8.1基于數(shù)字孿生的智能產(chǎn)線系統(tǒng)概述
8.2基于數(shù)字孿生的智能產(chǎn)線系統(tǒng)實(shí)現(xiàn)框架
8.2.1智能產(chǎn)線的物理實(shí)體
8.2.2基于多維度模型融合的數(shù)字孿生產(chǎn)線
8.2.3基于OPC UA的產(chǎn)線信息化服務(wù)平臺(tái)
8.2.4基于數(shù)字孿生智能產(chǎn)線的可視化窗口
8.3基于數(shù)字孿生的智能產(chǎn)線系統(tǒng)實(shí)施方案——以某齒轂產(chǎn)線為例
8.3.1齒轂產(chǎn)線描述
8.3.2仿真平臺(tái)實(shí)施路線
8.3.3靜態(tài)孿生模型
8.3.4實(shí)時(shí)驅(qū)動(dòng)數(shù)據(jù)獲取
8.3.5可視化應(yīng)用
本章小結(jié)
參考文獻(xiàn)