基于质量水平的乳制品冷链物流库存—生产策略优化研究

针对乳制品生产商—分销商—零售商构成的三级冷链下日益严重的食品质量问题,进行了三级冷链一体化库存模型研究。首先,引入了质量努力水平参数作为客户满意度的衡量标准,来刻画生鲜农产品的质量与利润的关系;其次,考虑到需求受产品质量影响且变质率服从三参数Weibull分布,以总利润最大化为目标函数建立三级冷链库存模型,同时对冷链上各成员的库存量及生产量用自适应遗传算法进行了规划求解;最后,以冷链中的乳制品库存—生产问题为案例进行仿真,验证了模型的有效性,并对质量努力水平进行灵敏度分析。结果表明,冷链各级成员考虑产品质量时,冷链整体利润更大,且质量努力水平越大,总利润越高。     

基于服务性能合同模式下单部件系统视情维修策略研究

针对供应商系统维修的低效率以及维修成本参数较难获得的问题,提出了基于服务性能合同模式(PBC)下的单部件系统最优视情维修策略模型。首先,基于Gamma分布,描述单部件系统连续递增的退化过程,依据系统实时检测状态与预防维修阈值、故障阈值之间的关系,实施不同的维修策略;其次,分析单位更新周期内的检测次数和使故障设备恢复如新的维修方式,以供应商利润率最大化为目标函数,以最佳维修阈值与检测间隔时间为决策变量,建立以利润为中心的视情维修优化模型;最后,利用改进灰狼算法求解数学模型,通过算例验证所提出模型的有效性,并进行了各维修费用参数对目标函数以及最优维修策略的灵敏度分析。     

面向高维和不平衡数据的供应链金融信用评价

针对供应链金融模式下中小企业的信用风险控制问题,提出了一种面向高维和不平衡数据的信用风险预测模型。首先,基于Pearson-XGBoost两阶段特征选择建立供应链金融信用评价指标体系;其次,通过改进的NM-SMOTE算法对数据集进行平衡化;最后,利用Focal loss函数对XGBoost算法改进,并通过改进的粒子群算法进行优化,从而建立最终的信用评价模型。通过实验结果表明,提出的INS-IPSO-FLXGBoost模型对于中小企业具有更好的预测效果,可以更有效地识别风险企业。     

基于IPSO-BSVM的小样本数据不均衡下的设备健康预测研究

针对设备的健康预测缺乏大量样本且存在样本不均衡问题,提出基于改进粒子群优化算法优化均衡支持向量机(IPSO-BSVM)的健康预测模型。首先,提出动态非线性惯性权重对PSO进行优化;其次,提出了一种非线性多分类均衡支持向量机BSVM,以减小由于样本量不均衡引起的误差;然后利用改进后的PSO对BSVM参数进行优化;最后利用建立的IPSO-BSVM模型对设备进行状态识别及剩余寿命预测。仿真结果表明,提出方法能够有效解决小样本数据不均衡下的设备健康预测问题。     

变质品生产、库存控制与预防维修联合建模与优化

针对产品变质带来库存损耗的问题,在经济生产批量模型的基础上加入零库存时间,提出新的库存控制策略.该策略以预防维修周期和零库存时间为联合决策变量,利用更新定理建立了单位时间内总成本的期望模型.为了提高对此期望的计算速度,设计基于矩阵运算的蒙特卡罗仿真算法,并与遗传算法结合,大大提高了模型的优化速度.通过比较研究,验证了仿真算法的显著优势,并通过敏感性分析明确了相关参数的变化对最优策略的影响.     

基于灰色EM-SHSMM的缺失数据下设备健康预测研究*

目前,设备健康预测问题的研究大都在全样本数据下进行,而在缺失样本数据下的研究却很少。因此,针对缺失样本数据下设备健康预测问题,提出了集成分段隐半马尔可夫模型(SHSMM)与GM(1,1, λ)的联合优化模型。首先,基于SHSMM的模型架构,利用EM算法推导出SHSMM中的参数估计公式。其次,基于GM(1,1, λ),提出灰色启发式算法填补样本中的缺失数据,利用预测过程进行设备健康预测。最后,通过案例分析对模型进行评价和验证。结果表明,提出的设备健康预测方法能有效解决缺失数据的问题。     

基于改进退化隐马尔可夫模型的设备健康诊断与寿命预测研究

针对隐马尔可夫模型在进行设备健康诊断时与实际存在较大偏差的问题,提出了一种以似幂关系加速退化为核心的改进退化隐马尔可夫模型(DGHMM).首先,引入退化因子描述设备衰退过程,提出的似幂关系加速退化较常规指数式加速退化而言,能更好地描述设备服役期间随着役龄增加性能的逐步下降.其次,以全局搜索能力相对较强的改进遗传算法代替常规EM算法进行参数估计,克服了EM算法易陷入局部最优的局限性.同时,针对隐马尔可夫模型时间上须服从指数分布而不能直接用于寿命预测的局限性问题,提出了一种以近似算法与Viterbi算法为基础的贪婪近似法,以寻求最大概率剩余观测为目的,动态地寻求最大概率剩余状态路径,对设备剩余寿命进行预测.最后,通过美国卡特彼勒公司液压泵数据集对所提出的方法进行验证评价.结果表明,基于改进退化隐马尔可夫模型的设备健康诊断与寿命预测方法在描绘设备退化、设备状态诊断准确率方面更加有效,在剩余寿命预测上亦为可行.     

考虑生产和需求情况下多设备系统状态维护策略研究

针对考虑生产多于需求或少于需求的情况下多设备系统的维护问题,建立了状态维护策略模型。首先将设备退化过程分为三个状态,构建状态的转移概率模型,并且针对不同状态采取两种维护策略;其次,基于半马尔可夫模型以损失成本和超额利润、检测成本、维修成本为优化目标,建立在不同策略下维护费用模型,采用策略迭代算法求解不同状态下的维护策略。最后,通过算例分析验证模型的有效性,并对相应的参数进行了灵敏度分析。     

基于Erlang-HSMM的设备剩余寿命预测研究

对于关键复杂设备进行健康诊断和设备剩余寿命预测,提出了一种基于爱尔朗分布和隐半马尔可夫模型的联合剩余寿命预测模型(Erlang-HSMM,E-HSMM)。首先,提出了改进的前后向算法、维特比算法和BaumWelch算法,有效地降低了模型的计算复杂度;其次,基于爱尔朗分布改进设备的健康状态逗留时间,将状态逗留时间分为已遍历和未遍历两个部分,提出新的健康状态逗留时间的概率分布;最后,针对状态监测数据,利用失效率理论构建设备剩余寿命预测模型。通过美国Caterpillar公司液压泵的状态监测实际数据进行评价与验证,实验结果表明,E-HSMM模型对设备的状态诊断和剩余寿命预测更加符合实际状况,比传统的隐半马尔可夫模型(HSMM)更有效。     

陌生小样本不平衡数据下基于机器学习联合算法的设备寿命预测研究

针对设备寿命预测中出现的缺乏状态标签以及数据样本匮乏、分布不平衡的问题,提出了基于PSO的改进K-means算法与一套基于传统SMOTE的数据优化方案.在优化K-means算法的过程中联合粒子群算法的特点,通过给定粒子群算法粒子生成范围以提高粒子群算法的寻优效率,从而快速判断设备所处的工作状态,再通过比较同簇样本距离均值与样本到中心点的距离建立改进SMOTE算法,通过新增少数类样本个数以规避样本不平衡带来的计算误差.最后利用AdaBoost集成优化KNN算法提升分类效果并通过拟合出设备寿命曲线,从而更好地预测设备健康水平与未来寿命情况.算例证明,该模型可以有效预测小样本不平衡数据下设备的健康状态.