不确定环境下一维下料问题

针对实际工程中一维下料所处环境的不确定性,建立数学模型,提出一种基于递推矩阵的列生成算法求解。首先以原材料使用量最少为目标,建立确定环境下数学模型和随机环境下料模型;然后通过实验对比发现,随机环境能增加材料利用率,更加符合实际生产需求。通过建立随机期望值模型,生成随机值,将随机规划问题变成常规线性问题进行分析计算,并使用基于递推矩阵的列生成算法进行计算下料方案。根据实例优化计算所得结果,通过分析可知,在随机大量订单环境下使用基于递推矩阵的列生成算法,不仅能够减少下料方式,而且能够降低原材料消耗量。为有效提高工厂材料利用率、减少下料和降低成本提供了一种方式。     

基于有限元模拟的Ti6Al4V铣削过程参数多目标优化

为使切削加工过程满足环境意识制造（ECM）的要求,针对质量指标（表面粗糙度）和ECM指标（能耗）,针对Ti6Al4V的铣削过程,采用人工蜂群（ABC）算法优化的高斯过程回归（GPR）方法构建有限元代理模型,并采用多目标粒子群优化（MOPSO）算法获得满足最优加工目标的加工参数。为减少试验成本,采用有限元仿真软件Deform-3D获取各铣削参数组合对应的表面粗糙度和能耗数据,并通过物理试验验证其有效性;基于仿真数据,利用改进的GPR方法构建预测表面粗糙度和能耗的代理模型,并对比了该模型与其他两种模型的性能,证明了改进模型在精度和响应时间上的优势;采用MOPSO算法,以最小能耗和优良表面质量为目标,优化得到加工参数的Pareto前沿,并用物理试验验证了ABC-GPR-MOPSO算法的有效性。     

PDM系统安全体系模型研究

PLM必然是PDM的发展趋势,为此研究了基于PLM理念下PDM系统的安全体系模型,重点讨论了网络层的安全管理模型和设计平台层上的基于角色的用户权限管理,有效地保证了企业产品信息安全使用.     

基于高斯过程机器学习的注塑过程建模及工艺参数优化设计

注塑成型过程中的工艺参数的取值对成型质量有很大影响,工艺参数之间是非线性关系,采用常规的理论分析和数值计算方法难以快速准确找到其最优解。高斯过程机器学习是一个新的预测方法,采用贝叶斯统计方法和非线性回归技术解决复杂的非线性建模问题。为获得好的成型质量,采用高斯过程机器学习的方法建立注塑成型工艺过程代理模型,可获得满意的模型后用遗传算法求得优化的工艺参数。选用聚甲醛小模数齿轮的翘曲变形实例来验证了方法的可行性。     

基于深度强化学习的数控铣削加工参数优化方法

为了提高数控加工中的机床效能和加工效率,探究深度强化学习在加工参数优化问题中的适用性,提出一种基于深度强化学习的数控铣削加工参数优化方法. 选取切削力合力和材料除去率作为效能和效率的优化目标,利用遗传算法优化反向传播神经网络（GA-BPNN）构建切削力合力和铣削参数的优化函数,并采用经验公式建立材料除去率的优化函数. 应用竞争网络架构（Dueling DQN）算法获得切削力合力和材料除去率多目标优化的Pareto前沿,并结合优劣解距离法和熵值法从Pareto前沿中选择决策解. 基于45钢的铣削试验,验证了Dueling DQN算法用于加工参数优化的有效性,相比经验选取加工参数,通过Dueling DQN优化得到的加工方案使切削力合力降低了8.29%,加工效率提高了4.95%,为加工参数的多目标优化方法和加工参数的选择提供了指导.     

基于凸壳+橡皮筋模拟的2D布局设计方法

产品布局设计抽象成凸壳+橡皮筋模拟布局模式,建立出布局优化模型是一个创新的物理学设计方法。从面向对象的程序设计方法阐述2D布局设计的凸壳+橡皮筋模型的设计的关键技术问题和数字化设计方法,即基于凸壳+橡皮筋模拟布局模型的布局模型设计框架,论述面向对象的类模型建立、凸壳和橡皮筋的生成以及基于时间节拍的橡皮筋模拟设计等设计方法,解决了模型数字化设计的关键技术内容,为凸壳+橡皮筋模拟的紧凑布局优化模型的数字化设计提供了可行的解决方法。     

基于约束矩阵与遗传算法的工艺加工顺序决策研究

随着现代制造技术的快速发展,CAPP越来越多的受到企业的广泛关注,工艺加工顺序决策是CAPP系统中最重要的工艺决策技术之一。针对CAPP技术中工艺加工顺序决策难题,提出了基于约束矩阵和遗传算法的智能化工艺决策方法,建立了基于遗传算法的工艺加工排序问题的数学模型,利用约束矩阵来描述工艺加工元间的优先关系,研究了基于遗传算法的工艺加工顺序决策过程,包括基因编码、适应度函数的设计、选种、基因重组和变异等。最后,以C#为开发语言,以Visual Studio2008为开发平台,开发成功了工艺决策系统模块并用实例验证了该方法的可行性。     

车削表面粗糙度解析模型与DDQN-SVR预测模型研究

在车削加工中,零件质量是生产者需要密切关注的问题.表面粗糙度作为评价零件质量的一项重要指标,选择满意的切削参数来提高表面粗糙度可有效提高零件质量.为提高表面粗糙度的预测精度,在现有研究基础之上提出一种分段的表面粗糙度理论解析模型对表面粗糙度进行预测.同时尝试采用双深度Q网络(DDQN)优化支持向量回归(SVR)提高数据驱动模型的预测性能,探寻DDQN优化SVR内部参数的环境设计,并且与其他算法对比了其优化效果与稳定性.基于45钢的车削试验,验证分段的表面粗糙度理论模型和DDQN-SVR预测模型的有效性,为基于表面粗糙度的切削参数选择提供了较好的技术支持.     

基于混合算法与大型水箱装配的车间布局

为解决大型水箱装配车间布局问题以及提高产品的装配效率,提出使用一站式装配的车间布局方式.该布局充分考虑了大型水箱的工艺需求,以及车间布局的物流因素和非物流因素;采用系统布置设计方法初始化车间布局,并提出以物流量成本最低、最大化车间面积利用率、多工艺路线配送成本最低为目标的综合线性规划模型;利用粒子群和灰狼优化算法结合的...     

基于MIC和改进Bagging-GPR的刀具磨损预测

为实现刀具磨损的准确预测，对加工过程的换刀和参数优化提供指导，提出一种基于最大信息系数(MIC)和改进的Bagging集成高斯过程回归(Bagging-GPR)的刀具磨损预测方法，建立切削力信号与刀具磨损间的非线性映射关系。采集加工的切削力信号，运用时域、小波包分解和经验模态分解提取切削力信号特征，并利用MIC分析特征与刀具磨损的相关度来实现特征选择，避免预测模型的“维数灾难”。为提高预测模型的精度，考虑高斯子模型内部核函数的差异性及准确性，利用Bagging对高斯核函数进行随机组合，作为各子模型的核函数，构建改进的Bagging-GPR模型实现刀具磨损值预测，并基于铣削实验数据验证了所提方法的有效性和优异性。