面向可重构制造系统的重构导向动态机会维护策略

为快速响应市场需求的变化,可重构制造成为烟草加工企业生产制造的未来发展模式.针对烟草企业在可重构制造模式下的维护策略,提出了面向可重构制造的动态维护时间窗策略.采用多层级建模架构,在设备层研究不同类型设备的健康演化趋势,实时输出各台设备的预知维护周期;基于设备层输出,在系统重构和构形扩展机制方面,分析构形更新对系统维护优化的影响,进行决策集合重构建立;在系统层,以新构形所含设备层维护周期和结构分析作为系统层维护优化调度的输入,决策输出系统层维护调度方案,并动态反馈给各设备进行下一周期的维护规划.算例分析表明,提出的动态维护时间窗策略可实现快速决策响应和成本显著降低.     

面向可重构制造的数字孪生映射建模与监控仿真

针对数字孪生在可重构制造系统（RMS）的应用问题,提出面向RMS的数字孪生与制造仿真一体化平台（DTMSIP）架构. DTMSIP架构充分适配RMS动态重构特性,可以在RMS构型设计中实现仿真分析. 对面向RMS的数字孪生映射进行建模,通过引入孪生实体（TE）,实现RMS车间的多源异构数据集成,并分别建立机床与构型的数字孪生映射. 建立数字孪生方法在RMS重构中的应用流程,通过信息物理融合迭代与构型仿真优化迭代,DTMSIP可以服务于RMS的系统重构. 为了验证所提出方法的可行性,使用虚幻引擎四（UE4）为一套实际的模块化RMS构建数字孪生平台,并将当前构型以及4种规划构型作为仿真输入. 通过分析重构成本、生产周期与系统平衡率3项指标,实现对构型的量化综合分析,实现了重构设计流程加速.     

医疗资源配置的动态生成系数灰色预测模型北大核心CSSCI

针对人口密集型都市的医疗资源配置缺乏准确性预测作为实时决策依据的难题,利用灰色理论的小样本建模优势进行预测方法拓展优化,建立等维递补灰色预测方法以提高灰区间白色度和淡化灰平面灰度;挖掘灰色生成系数与外部影响因素间的内在映射关联,提出了动态生成系数优化的灰色理论医疗需求预测方法;动态拟合人口总量变化与灰色生成系数以实现预测模型实时重构,解决了传统灰色预测方法的纯样本序列建模局限,显著提高了预测算法的准确性,输出的医疗需求趋势可有力支撑医疗资源配置决策。     

基于RCM的港口机械关键设备的维修决策

以港口起重机械为对象,在为振华港机建立的以可靠性为中心的维修决策流程框架下,对所涉及的维修方式进行研究优化.结合故障率调整因子,探索了按有效度最大的原则确定港口机械的最佳预防维修周期的算法;基于P-F间隔,提出了基于RCM的状态维修检测周期算法.最后,开发了可靠性维护系统,通过程序开发,实现各项功能模块.为企业的设备维护提供科学的决策支持.     

基于知识图谱的商用飞机维修方案推荐系统集成建模

针对我国商用飞机智能维修和数字化诊断的需求,面向非结构化故障隔离手册，提出新型BM长短期记忆网络（BM LSTM）算法.运用多数投票法融合条件随机场（CRF）、双向长短期记忆网络（BiLSTM）、BiLSTM CRF3种实体识别算法，有效提高实体识别精度.基于商用飞机维修故障诊断手册构建维修方案知识图谱，结合词频-逆向文件频率（TF-IDF）相似度算法与BM LSTM算法，设计商用飞机维修方案推荐系统，实现通过检索非结构化故障描述文本准确匹配到维修方案的功能.实验结果表明，利用商用飞机故障隔离手册构建知识图谱、基于所提创新方法开发的维修方案推荐系统，能够有效保证维修信息精确匹配，显著提高维修方案形成效率.     

基于主客观赋权的设备多属性健康度建模

针对设备维护较多依赖领域经验,评价指标单一且不直观的问题,提出了主客观综合赋权的设备多属性健康度维护模型,通过领域经验构建健康度模型评价维度及属性,并集成主观MACBETH评价法和客观熵值法确定多属性健康度权重,从而得出各阶段设备的健康度指数,为设备维护提供参考.将该方法用于高度集成化的烟草设备的维护决策,结果表明该模型能够综合考虑专家评估意见和设备数据特征,直观准确地反应设备健康状态,具有重要的应用价值.     

基于OHF Elman-AdaBoost算法的滚动轴承故障多时期诊断方法

针对随机噪声下滚动轴承多时期(初期、中期、晚期)故障诊断需求,提出OHF Elman-AdaBoost(output hidden feedback Elman-adaptive boosting)算法,以实现滚动轴承的精确故障诊断。采用集合经验模态分解(ensemble empirical mode decomposition,EEMD)对原始信号进行分解、降噪、信号重构。设计OHF Elman方法在Elman神经网络的基础上增加输出层对隐含层的反馈,提高了其对动态数据的记忆功能。选择OHF Elman神经网络作为弱回归器,结合AdaBoost算法集成出一种新的强回归器:OHF Elman-AdaBoost算法。实验结果表明,该算法不仅对滚动轴承不同故障时期具有很好的诊断效果,而且提高了对全样本数据的诊断准确度,为滚动轴承故障诊断提供了新型工具和有效方案。     

基于混合模拟退火算法的多阶段库存路径问题研究

研究单个集散点与多个客户之间的运输问题,综合考虑物流系统的库存成本、运输成本以及卡车的租用成本等因素,以实现总费用的最小化,并将其抽象成多阶段库存路径问题。以每个时间阶段各个客户的订购量为研究对象,采用混合模拟退火算法进行求解,算法中加入了C-W节约算法产生初始解,通过多路径的插入与交换操作来对初始可行解进行改进。数值实验证明了库存路径问题得到的解要优于一般的车辆路径问题得到的解,本文还对库存路径问题中的单位货物库存成本专门进行了分析研究,以确定其取值范围对物流系统总费用的影响。     

基于选择性深度神经网络集成的涡扇发动机剩余寿命预测

大样本高维度状态监测数据对剩余使用寿命（RUL）精准预测有着技术性挑战,为了提高以航空涡轮风扇发动机为代表的复杂装备的预测精度和收敛效率,提出一种两阶段的选择性深度神经网络集成方法. 第1阶段为多方法联合扰动下的候选集生成方案,通过采用异质神经网络结构、多时间尺度设计和算法参数随机化消除模型内部耦合关系,强化候选深度神经网络集多样性;第2阶段利用遗传算法集成修剪冗余模型,有效剔除性能不佳的冗余学习器,以获取多样化最优候选子集,并按平均集成输出预测结果. 与个体模型的数据实验对比表明,所提方法通过同步增强集成模型准确性和多样性,提升了近20%的RUL预测精度,可为运维决策提供有力支撑.     

基于Autoencoder-BLSTM的涡扇发动机剩余寿命预测

准确预测涡扇发动机的剩余使用寿命,对于合理制定维护策略,降低维护成本具有重要意义。针对发动机状态监测数据样本量大、维度高的特点,提出一种整合自编码神经网络(Autoencoder)和双向长短期记忆(BLSTM)神经网络优势的混合健康状态预测模型,优化涡扇发动机的剩余使用寿命预测。首先利用Autoencoder方法作为特征提取工具,对状态监测数据进行压缩,然后利用BLSTM方法捕捉特征双向长程依赖的特性,构建剩余使用寿命的混合深度学习预测模型。基于通用数据集开展测试比较,结果表明Autoencoder-BLSTM混合模型的预测精度优于现有多层感知机、支持向量回归、卷积神经网络和长短期记忆神经网络等方法,可有力支撑涡扇发动机的健康管理与运维决策。