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(guān)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(shè)
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(guān)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(luò)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(luò)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(luò)結(jié)構(gòu)設(shè)計
6.2.3基于BP神經(jīng)網(wǎng)絡(luò)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(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(guān)鍵部件狀態(tài)分類評價方法
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