基于混合任务网络的智慧制造任务协同分配模型

复杂任务场景下,由于制造子任务间存在多维的物料、信息、知识交互和传递关系,对匹配服务单元间的协同能力提出一致性要求,任务关系与服务协同关联匹配不精确将带来额外协调和交互成本,降低资源配置效率,而传统任务分配模型忽视任务关系约束对分配结果的影响。鉴于此,通过任务网络与服务协同网络的动态匹配,构建了面向任务关系约束的任务协同分配方法。针对"好钢未用在刀刃上"现象,综合用户偏好和网络中心性分配任务权重,提出基于权重的服务胜任度聚合方法;针对"1+12"不协同现象,提出基于横向协同和纵向协同的服务协同水平计算方法;综合考虑服务群体的胜任度和协同水平,提出基于混合任务网络的多目标任务分配优化数学模型。利用改进非支配粒子群算法进行求解得到Pareto最优解集,根据用户偏好和实际制造情形,通过加权TOPSIS评估获取个性化、灵活的最佳分配方案。运用汽车云制造仿真实验,验证了模型的有效性,通过在最好解、平均解和运行时间上与其他算法进行对比,分析了所提方法的优势。     

灰铸铁抗拉强度预测的局部加权线性回归建模

为实现在生产现场对灰铸铁抗拉强度进行快速、准确的预测控制,引入非参数化的局部加权线性回归建模方法,过程参数的选择结合铁水热分析仪检测的碳、硅含量及光谱仪检测的锰、磷、硫等主要化学成分值。从安徽一家大型铸造厂的实际生产中采集100多炉铁水化学成分与对应抗拉强度数据,经预处理后,分成训练集和验证集,进一步从新的生产批次采集检测数据组成测试集;并从文献中收集40组数据组成另一数据集,进行两组对比验证实验。将局部加权线性回归模型,与目前灰铸铁强度预测中常用的多元线性回归模型和BP神经网络模型对比,验证了该方法能够达到更高的预测精度,且其非参数化的建模方式能够更好地适应生产现场复杂多变的工况环境。     

复杂事件处理的自适应制造情景识别方法

制造过程中的任务、自然条件、电力水平等环境因素,制约物体状态及其关系的变化.智能制造单元需要自适应的对不同情境约束下的事件和复杂情形及时理解判断,提出基于复杂事件处理(Complex event processing,CEP)的情境约束情景识别方法,以实时作出合理的优化决策.针对忽视情境约束对事件判别的影响,构建基于情境约束的多层次事件模型,给出同生、情境、协同等事件新算子,提出基于事件聚合的制造情景模型与演算过程.针对情景识别知识库中模式规则生成的不足,通过整合物体数据与环境数据建立映射关联,将感知信息转化为情境事件图谱.通过综合序数、名义变量等距离计算和自适应熵权法,提出改进的混合聚类方法处理事件图谱实例属性的多样性和关联性,构建知识库以为情景实时识别提供服务支持.运用4个真实数据集和1个制造过程仿真数据集进行实验,均验证本文模型和方法的有效性,适用于大规模学习问题,并阐明情境因素能显著提升复杂制造应用中的事件判断、情景识别的准确性.     

粒子群与细菌觅食相结合的案例聚类算法

案例聚类是按照案例库中案例的相似度进行归类,目的是减少案例推理系统搜索相似案例的时间、提高案例推理系统的性能和降低案例库维护的复杂度。该问题的难度在于案例库的案例规模比较大和不同的聚类算法的选择对于聚类结果的影响。本文在粒子群算法与细菌觅食算法基础上,将两者结合起来,综合两个算法的优点,并将其应用在k-prototypes方法上对案例库中案例进行聚类。与流行的聚类算法进行比较,实验结果显示本文的算法具有更高的效率并且性能相对而言更加优秀。     

基于情景感知的制造组合服务自适应决策机制

针对组合服务面临复杂、动态的业务需求和运行环境,提出基于情景感知的自适应决策机制,保证制造过程的顺利执行,为用户持续稳定地提供高质量服务.从智能制造单元个体视角,构建制造组合服务自适应调整系统架构.根据多变的应用场景,充分考虑决策主体状态和情境因素对服务调整活动的影响,设计情景感知、主体-情景-活动(Subject-situation-action,SSA)2种自适应决策机制,并通过多Agent技术搭建实验环境,应用关联规则方法挖掘决策知识.通过汽车制造云服务实例与现有事件驱动机制对比,验证所提出的2类机制在不同场景下的效果,并从决策准确率、时间和服务QoS两方面证明情景感知、SSA机制的优势和可行性.     

基于网络蜘蛛的搜索引擎自动发现

自动发现Web上大量的搜索引擎对于构造大规模元搜索引擎是有益的,提出一种用优化爬行规则的网络蜘蛛自动发现搜索引擎并提取其元信息的方法:通过优化爬行规则的网络蜘蛛爬取页面;利用专门的识别规则从爬取到的页面中识别搜索界面,并提取其相关的元信息。试验结果表明该方法简单有效,自动发现的查准率和查全率分别达到97%和91%。     

大数据:数据驱动的过程质量控制与改进新视角

为了在制造业大数据环境下获得一种全局、动态、发展的新思维方式来研究解决生产运营管理中的各种问题,针对数据驱动的过程质量控制与改进,总结国内外研究现状,分析存在的问题和不足;将数据生命周期理论引入过程质量控制,提出一种基于数据生命周期的质量控制持续演进框架,详细阐述质量数据的收集、存储、更新以及应用于实时质量控制和持续改进的动态过程,并将数据、问题、知识关联起来,对质量数据的治理、重用以及质量知识的积累和传承问题进行了探索。最后指明了进一步的研究方向。     

基于加权协同网络的制造服务组合方法

为解决复杂制造业务过程中的广泛存在的资源运输、信息传递和知识共享问题,保障任务的高效执行,将协同能力作为服务竞争力评估和选择的重要指标,提出基于加权协同网络的制造服务组合方法。根据云平台上服务交互合作大数据分析,运用社会关系强度计算衡量协同效应以构建加权协同网络。以最大化整体Qo S值和协同效应为目标,建立制造服务选择多目标优化模型。通过双向学习、最优种群更新和群体交互速度更新机制,构造改进的引力搜索算法(Gravitational search algorithm,GSA)对模型求解。通过智能汽车云制造仿真试验,验证了模型和算法的有效性,得到符合实际制造场景的最优服务方案。     

基于竞争与协同效应的复杂制造任务一对多双边匹配模型

为了增强智慧云平台上匹配方案的稳定性、降低云任务匹配问题的复杂性,通过构建任务竞争关联网络和服务协同网络,提出基于竞争与协同效应的一对多双边匹配问题。运用期望效用理论计算双方满意度,提出基于竞争关联的任务间满意度和基于社会网络的服务间满意度聚合方法。以最大化任务满意度、服务满意度、任务间满意度和服务间满意度为目标,构建任务双向匹配多目标优化模型,运用改进非支配粒子群算法和加权TOPSIS求解得到最佳方案。通过汽车智慧制造实验验证了模型和算法的有效性,并与传统双向匹配、只考虑任务竞争、只考虑服务协同的3类匹配模型进行比较,分析不同应用场景下模型所获最优方案的差异,证明了所提模型在竞争与协同环境下的优势,获得了贴近真实情景的最优满意稳定匹配。