智能產(chǎn)線運行優(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國內(nèi)外研究現(xiàn)狀
1.2.1產(chǎn)線狀態(tài)數(shù)據(jù)實時采集與云-邊協(xié)同計算
1.2.2產(chǎn)線多級批量生產(chǎn)計劃的集成與優(yōu)化
1.2.3生產(chǎn)物流的主動感知與協(xié)同調(diào)度技術(shù)
1.2.4刀具磨損狀態(tài)智能監(jiān)控與壽命預測
1.2.5面向多工序加工過程的工件質(zhì)量追溯
1.2.6復雜加工裝備的健康狀態(tài)綜合評價
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
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)線運行優(yōu)化的實現(xiàn)框架
1.3.3智能產(chǎn)線運行優(yōu)化的關鍵使能技術(shù)
參考文獻
第2章產(chǎn)線狀態(tài)數(shù)據(jù)的實時采集與云-邊協(xié)同計算技術(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)預處理
2.4.1信號截取與工序識別
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基于物料主動感知的AGV云-邊協(xié)同計算框架
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)同計算技術(shù)
本章小結(jié)
參考文獻
第3章產(chǎn)線多級批量生產(chǎn)計劃的集成與優(yōu)化技術(shù)
3.1產(chǎn)線生產(chǎn)計劃集成概述
3.2產(chǎn)線生產(chǎn)計劃集成模型
3.2.1問題的假設
3.2.2變量定義
3.2.3模型的建立
3.3基于改進蜉蝣算法的模型求解
3.3.1標準的蜉蝣算法
3.3.2改進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)準備
3.4.2結(jié)果分析
本章小結(jié)
參考文獻
第4章智能產(chǎn)線生產(chǎn)物流的主動感知與協(xié)同調(diào)度技術(shù)
4.1生產(chǎn)物流主動感知與協(xié)同調(diào)度的內(nèi)涵與特征
4.1.1相關概念及定義
4.1.2內(nèi)涵與特征
4.2生產(chǎn)物流主動感知與協(xié)同調(diào)度的體系架構(gòu)
4.2.1體系架構(gòu)
4.2.2運行邏輯
4.3“感知-分析-監(jiān)控”生產(chǎn)物流主動感知模型
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基于閾值的實時生產(chǎn)物流狀態(tài)監(jiān)控
4.3.5基于“感知-分析-監(jiān)控”的主動感知模型
4.4基于蒙特卡洛樹搜索的物流單元分級協(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物流單元分級協(xié)同調(diào)度過程
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)物流動態(tài)調(diào)控問題描述
4.5.2異常事件擾動對應的可重構(gòu)分級調(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
第5章刀具磨損狀態(tài)智能監(jiān)控與壽命預測技術(shù)
5.1刀具磨損狀態(tài)智能監(jiān)控與壽命預測概述
5.2刀具信號的特征提取與特征選擇
5.2.1刀具磨損監(jiān)測信號獲取
5.2.2刀具特征信號的預處理
5.2.3信號特征提取
5.2.4信號特征選擇
5.3刀具磨損狀態(tài)智能識別
5.3.1刀具磨損狀態(tài)識別概述
5.3.2基于廣義回歸神經(jīng)網(wǎng)絡的刀具磨損狀態(tài)識別
5.3.3基于XGBoost與Softmax的刀具磨損狀態(tài)識別
5.4刀具壽命智能預測模型
5.4.1刀具壽命智能預測概述
5.4.2基于AMPSO-SVR的刀具壽命預測
5.4.3基于特征因子與多變量GRU網(wǎng)絡的刀具壽命預測
5.5案例分析
5.5.1刀具磨損狀態(tài)識別應用實例
5.5.2刀具壽命預測應用實例
本章小結(jié)
參考文獻
第6章工件加工質(zhì)量的誤差分析、溯源與預測技術(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)量的虛擬測量技術(shù)
6.2.1虛擬測量方法概述
6.2.2BP神經(jīng)網(wǎng)絡結(jié)構(gòu)設計
6.2.3基于BP神經(jīng)網(wǎng)絡的加工質(zhì)量虛擬測量模型構(gòu)建
6.2.4案例分析
6.3基于改進神經(jīng)網(wǎng)絡的工件加工質(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)絡誤差溯源模型
6.3.4基于思維進化算法優(yōu)化的BP神經(jīng)網(wǎng)絡誤差溯源模型
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)絡誤差溯源模型
6.3.7案例分析
6.4工件加工質(zhì)量的預測模型
6.4.1工件加工質(zhì)量預測概述
6.4.2工件加工質(zhì)量預測流程
6.4.3支持向量機預測建模技術(shù)
6.4.4基于改進SVM算法的工件加工質(zhì)量預測模型
6.4.5案例分析
本章小結(jié)
參考文獻
第7章復雜數(shù)控加工裝備的健康狀態(tài)綜合評價技術(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)測分析
7.3基于大小樣本數(shù)據(jù)集的關鍵部件狀態(tài)分類評價方法
7.3.1數(shù)控加工裝備關鍵部件分析
7.3.2大樣本數(shù)據(jù)集驅(qū)動的Ⅰ類部件狀態(tài)評價方法
7.3.3小樣本數(shù)據(jù)集驅(qū)動的Ⅱ類部件狀態(tài)評價方法
7.4基于灰色聚類理論的裝備健康狀態(tài)綜合評價方法
7.4.1灰色聚類理論與白化權(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)要素評價體系
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
7.5.2基于小樣本數(shù)據(jù)的主軸軸承狀態(tài)檢測
7.5.3數(shù)控加工裝備狀態(tài)綜合評價
本章小結(jié)
參考文獻
第8章基于數(shù)字孿生的智能產(chǎn)線系統(tǒng)開發(fā)與應用
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)實現(xiàn)框架
8.2.1智能產(chǎn)線的物理實體
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)線信息化服務平臺
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仿真平臺實施路線
8.3.3靜態(tài)孿生模型
8.3.4實時驅(qū)動數(shù)據(jù)獲取
8.3.5可視化應用
本章小結(jié)
參考文獻