一种面向订单剩余完工时间预测的SOM-FWFCM特征选择算法

准确的订单剩余完工时间预测有助于动态调整生产计划、优化制造过程,以满足订单产品按时交付的需求。订单剩余完工时间受到车间物料、设备、在制品等各类生产要素的综合影响,相关数据具有典型的大量、多维、高冗余的特点,有效的特征选择能够获得更高的预测精度。在构建候选特征集的基础上,提出了一种基于自组织映射(SOM)网络-特征加权模糊C均值(FWFCM)的特征选择算法。通过构建SOM网络初始化FWFCM的聚类中心,减少后者对初始聚类中心的依赖;基于互信息计算特征权重,实现导向性特征聚类,根据聚类结果选择特征代表,构成高质量关键特征子集。以某机加工车间的生产数据为例,通过与其他4种特征选择算法的对比分析,验证了所提算法的有效性。     

基于SOM网络的特征选择技术研究

讨论了一种SOM网络训练结果的可视化技巧,结合该技巧提出了基于SOM网络的特征选择方法。该方法 通过计算出SOM网络竞争层神经元权值中各维特征对输入模式聚类识别的影响,可以选择出对于模式识别敏感 的特征集。用IRIS和齿轮故障数据对该方法进行了检验,研究结果表明,采用该方法能较好地从原始特征中选择 出有效特征子集,实现不同类别输入数据之间的模式聚类识别。     

基于CNN-SVR的作业车间订单完工周期预测方法

经典作业车间生产环境包含多产品、多机器和多工序,提高其完工周期的预测精度对于企业提高客户满意度、优化生产调度等方面都具有重要意义。因此,针对作业车间订单完工周期预测问题提出一种卷积神经网络-支持向量回归(CNN-SVR)方法。首先,将订单完工周期影响因素分类为订单信息与车间实时状态信息,并分析得到其中的关键特征因素。进而,采用ReLU激活函数训练卷积神经网络,对生产数据特征进行自适应提取,并将结果输入至支持向量回归模型中进行预测。最后,设计FlexSim作业车间仿真模型生成车间订单生产数据,确定评价指标并进行试验验证。结果表明,相较于其他对比模型,CNN-SVR预测方法在拟合优度和预测误差等方面均有很好表现,能够得到理想的预测效果。     

直升机主减半主动反共振隔振技术研究

针对滚动轴承剩余寿命预测中的特征评估及模型优化问题，提出了面向轴承寿命的特征评估与模型优化的方法。该方法在轴承特征进行单调性与敏感性评估的基础上，对轴承运行状态跟踪能力进行量化评估，进而筛选出表征轴承性能退化的多维特征集。为了减少多维特征集之间相关冗余信息对寿命预测的影响，采用相似近邻传播（affinity propagation ,简称AP）聚类方法对多维特征集进行聚类和筛选。为了统一描述AP聚类后的特征对轴承退化状态的表征信息，采用自组织神经网络（self-organizing feature map ,简称SOM）构建轴承健康指数。最后，利用自适应混沌粒子群算法（adaptive chaos particle swarm optimization, 简称ACPSO）优化双指数模型预测轴承剩余寿命。试验表明，该方法可以准确描述轴承运行状态时期，并有效地预测了轴承的剩余寿命。     

订单加急扰动下柔性生产车间动态完全重调度

为了提高订单加急扰动时柔性生产车间重调度的效率,提出了基于邻域拥挤度淘汰NSGA-II算法和优先加工通道的重调度方案。针对订单加急扰动下重调度问题,建立了减少车间能耗和完工时间的双重优化模型。构造了多目标优化问题的邻域,提出了基于邻域拥挤度淘汰NSGA-II算法的柔性车间静态调度方法。当订单加急扰动发生时,设计了基于优先加工通道的完全重调度方案。使用Kacem02标准算例对静态调度性能测试,文章算法的优化目标极值小于标准NSGA-II算法和混合NSGA-II算法,说明该算法的优化能力更强。订单加急扰动后,优先加工通道和滚动遗传算法均将加急订单完成时间由18 min提前到14 min,但是前者保持了整体完工时间不变,而后者整体加工时间由18 min增加到20 min,结果表明优先加工通道在柔性车间重调度中具有更好性能。     

基于遗传算法的作业车间双向调度优化问题

提出了一种基于混合遗传算法的双向调度算法，用来解决以关键工件交货期和生产周期为优化目标的作业车间调度问题。在算法中，遗传算法在全局范围内搜索最优调度染色体，双向调度算法根据得到的染色体进行调度。按照订单的要求，作业车间的工件可分为两类，即关键工件和一般工件。因此，车间调度与可分为前向调度和反向调度两个步骤，对于关键工度，利用剩余的车间资源，尽可能早完工。仿真结果表明该算法是可行的，与传统的调度算法相比，其优越性是明显的。     

改进的FCM聚类法及其在行驶工况构建中的应用

针对FCM聚类法对初始聚类中心比较敏感、迭代容易陷入局部极值、难以取得最优聚类的问题,提出了一种改进的FCM方法,即利用SOM网络对主成分数据进行聚类,将得到的权值作为FCM聚类的初始聚类中心,从而使聚类结果更加接近最优聚类。将改进的FCM聚类方法应用于合肥市道路行驶工况的构建中,理论分析及试验结果表明,该方法有效地提高了聚类精度,构建的行驶工况与实际道路的交通状况吻合很好。     

基于模糊技术的制造单元构建方法研究

针对制造单元构建的问题特征，提出基于模糊C均值逻辑的制造单元构建算法。采用改进的减法聚类法产生初始聚类中心，防止陷入局部优化；提出制造单元构建专用的距离函数测定零件的相似性，避免欧几里德距离函数造成的对零件的错误聚类；采用最优迭代方案选择算法，避免因停止参数选择不当造成算法最终迭代方案不可行。通过对10组文献数据和90组随机产生数据的大规模测试和比较分析，表明了算法性能的优越性。     

面向智能仓储的Kiva机器人拣货策略优化算法

针对电商仓储中Kiva机器人拣选存在效率低下和订单分配不合理等问题,构建了以Kiva机器人拣货总行驶距离最小为目标的订单分配优化模型,设计基于差异聚类和邻域搜索的优化算法来求解模型。以电商实际订单数据为例,分析了不同规模算例下该算法的性能和稳定性。结果表明：针对不同规模算例,基于差异聚类和邻域搜索的优化算法相比与Gurobi和基于差异聚类的算法能够在更短的时间内获得更优的结果,并且算法的稳定性较好。通过本项研究,决策者们可以将订单合理分配至各拣货单,从而提高仓库拣货效率。     

地铁车辆电动塞拉门的剩余寿命预测

针对地铁车辆客室电动塞拉门传动装置润滑不良的问题,提出了基于自组织映射（SOM）神经网络、隐马尔可夫链（HMC）模型和蒙特卡罗（MC）仿真的剩余使用寿命预测方法。该方法首先对采集到的电机电流信号进行特征提取;然后利用SOM对提取出的多维特征数据进行融合与编码,将所得结果作为HMC的输入向量,训练得到全部寿命下劣化状态转移矩阵;最后利用MC方法实现对其劣化过程的剩余使用寿命预测。故障模拟实验结果表明,该方法可以在考虑润滑不良故障模式下,有效预测得到电动塞拉门丝杆的剩余使用寿命。     

融合一维卷积神经网络和双向门控循环单元的APM车辆轮胎径向载荷识别方法

针对轮胎载荷直接测量昂贵复杂及传统载荷识别方法精度低、鲁棒性差的现实,提出了一种融合一维卷积神经网络(1D CNN)和双向门控循环单元(BiGRU)的胶轮车辆轮胎径向载荷识别方法。充分考虑轮胎径向载荷数据的先验信息,以车辆振动响应、车体位姿、运行状态等多源信息构建特征集并经特征选择保留有效的特征子集,构造多时间步输入-单时间步输出的样本用以网络训练。运用1D CNN提取信号的多维度空间特征并输入BiGRU中双向捕获时序特征,得到载荷预测的结果,结合预测精度、泛化性能、鲁棒性能修正理论模型。以APM300型车辆为例进行载荷识别,与传统算法相比,所提方法有效降低了载荷识别的误差,适用于不同运行工况,且能克服不同程度的测量噪声,在工程领域有现实应用价值。     

基于量子遗传算法的轴向柱塞泵故障特征选择

为了进一步减少特征维数、缩短运算时间、提高分类正确率等,提出了一种基于量子遗传算法的轴向柱塞泵故障特征选择方法,该方法采用量子位进行染色体编码,利用量子门更新种群。首先,对轴向柱塞泵振动信号进行小波包变换,提取出原始信号和各个小波包系数的统计特征;然后,利用量子遗传算法从原始特征集中选择出最优特征集;最后,以神经网络为分类器(其输入为最优特征集),对故障进行诊断与识别。利用该方法对轴向柱塞泵正常、缸体与配流盘磨损和柱塞滑履松动三种状态的特征集进行选择,试验结果表明,与普通遗传算法相比,量子遗传算法可以更有效地减少特征维数,提高分类正确率。     

基于mRMR的发电机DCS信号神经网络趋势预测方法

针对神经网络方法在发电机信号趋势预测过程中如何合理选择网络输入节点的问题,提出了一种基于最大相关和最小冗余(mRMR)算法的神经网络输入信号选取准则。该方法研究了发电机分布式控制系统(DCS)监测数据的特点,采用了mRMR算法从原始特征集合中选择了与被描述对象具有最大相关性,且特征集元素间冗余量最小的特征子集作为网络输入,进而有效地提高了网络模型对输入输出间非线性函数关系的拟合精度。研究结果表明,当对某电厂DCS信号进行分析时,与直接利用神经网络进行趋势预测的准确性相比,该方法预测准确性高、泛化能力好,具有良好的工程适用性。     

基于信息融合的钢包精炼炉元素收得率预报

为提高元素收得率的预报精度,针对元素收得率主要影响因素无法及时获得的问题,提出一种基于信息融合的预报方法。该方法对原始数据层与特征层分别进行融合操作。在原始数据层,首先将相关性较为明显的可测变量按照机理进行结合,然后使用基于改进遗传算法的特征构建方法对由可测变量与结合变量组成的变量集合进行融合,使融合后的特征作为元素收得率主要影响因素的评价指标。在特征层,使用自适应神经-模糊推理系统对构建后的特征进行融合,从而得到元素收得率预报模型。将此方法应用于Q345B钢种Si、Mn元素收得率的预报,实验结果表明所提出的方法不仅可以满足生产要求,而且比其他预报方法有更高的预报精度。     

机电BIT故障特征选择方法研究

提出一种故障特征选择方法，该方法采用类内类间距离作为特征评价准则，并利用遗传算法良好的寻优能力，解决特征的优选问题。轴承诊断实例证明，该方法有较好的寻优特征子集的能力，能够提高BIT系统的诊断精度，降低系统的虚警率，因而在机电BIT故障特征选择中有较好的应用前景。     

基于邻域属性重要度与主成分分析的齿轮箱故障特征约简

为有效降低齿轮箱故障特征的维数并提高诊断效率,提出了基于邻域属性重要度与主成分分析法相结合的齿轮箱故障特征约简方法,并利用支持向量机和BP神经网络对诊断的准确率进行对比分析。针对齿轮箱中具有不同程度裂纹的齿轮,选取其时域、频域和基于希尔伯特变换的36个特征;将邻域模型引入到特征属性的约简,构造前向贪心算法,以邻域属性重要度较大的9个特征作为特征集,提取累积贡献率达到95%以上的主成分,分别输入支持向量机和BP神经网络分类器中进行分类识别,并与不经过特征优选的主成分特征融合相对比。结果表明,采用基于邻域属性重要度与主成分分析法相结合的特征约简方法,既可以降低齿轮箱故障特征的维数,又不影响对其运行状态的表征,有助于识别不同裂纹水平的齿轮,与不经过特征优选直接进行融合的方法相比,所提出方法诊断准确率更高,训练时间更短。     

基于法向量区域聚类分割的点云特征线提取

针对逆向工程领域中散乱点云模型过渡线及细节特征线提取不完整问题,提出一种法向量区域聚类的特征线提取方法。采用自适应邻域的主成分分析法估算模型的法向量,利用萤火虫算法优化的模糊C均值聚类算法对法向量的进行聚类实现模型的有效分割。构造点集剔除与合并准则从各分割块边界点集中析取候选特征点,再以局部邻域主轴方向为基准提取特征点。实验结果表明：简单模型的特征线基本可准确完整提取,相对复杂模型的特征线数量提取率可达90%,长度提取率达到了85%。算法具有良好的自适应性和准确性,能有效提取点云模型尖锐特征和细节特征,并尽可能多地保留模型过渡特征。     

基于过滤器-封装器组合模型的故障特征选择算法

利用过滤器法运行速度快和封装器法精度高的优点，提出了一种新的Filter—Wrapper两阶段组合式特征选择算法。在Filter阶段，算法采用Fisher准则对特征进行排序；在Wrapper阶段，以分类器的性能作为适应度函数，根据特征排序结果采用遗传算法搜索特征子集。运用滚动轴承故障模拟试验的数据对所提出的算法进行了验证，结果表明，相比单一的过滤器法或封装器法，该算法能够同时提高特征选择的性能和效率。     

基于耦合隐马尔可夫的轴承故障诊断方法

针对轴承故障信号比较微弱的特点,提出了一种基于耦合隐马尔可夫模型(coupled hidden Markov model,简称CHMM)的轴承故障诊断方法。首先,根据轴承传动结构特点,设计能够监测轴承振动状态的传感器网络;其次,通过非线性特征提取方法获取能够反映轴承健康状态的少数关键特征,利用传感信号的矢量量化代替提取其频域微弱特征的方法,可有效提高故障诊断效率和准确率;然后,在多通道信息融合中引入隐马尔可夫模型,采用左右型齐次隐马尔可夫链实现故障诊断;最后,通过对各种轴承故障状态构建其对应的耦合隐马尔可夫模型的方式,实现对轴承故障类型的辨识。试验结果表明,该方法能够有效地实现对轴承故障类型的识别。     

基于小波包变换和GA-PLS算法的故障特征选择方法

为了提高故障诊断的分类精度,减小分类运算时间等问题,需要从原始特征集合中选择出更为优化的特征子集合,因此,提出了一种基于小波包变换和GA-PLS算法的特征选择方法。首先,采用小波包变换对提取出的振动信号进行分解,从而得到小波包的分解系数;其次,运用遗传算法 偏最小二乘法从原始信号和小波包系数的统计学特征中选择出最优特征集;最后,将最优特征集作为输入,输入到支持向量机中以实现对不同故障的诊断与识别。应用于轴向柱塞泵故障诊断中,与现有特征选择方法对比,实验结果验证了本研究特征选择方法的有效性。