面向工时预估的物联车间人员动态调度技术研究

针对物联制造车间人机协作调度中人员参数的问题,提出基于人员层次技能树的任务匹配度模型和基于学习曲线的人员工时预估模型,结合实际的车间和相关理论基础,提供具体实现的解决思路。将所提出的两种模型在真实物联制造车间中进行性能验证测试,实验结果表明：所提方法可有效提高人员动态调度的效率。     

智能用电环境下电力负荷预测方法的研究

针对在智能用电环境下研究对象复杂且负荷随机性强,短期电力负荷预测算法精度差、计算时间长等问题,提出一种基于ELM-Adaboost神经网络改进算法预测短期电力负荷的新方法。该方法引入Adaboost算法,首先对经过预处理后的历史数据进行测试样本权重初始化,然后反复训练ELM网络预测输出,ELM算法预测过程简洁,速度快;通过Adaboost算法调整测试样本权重并确定弱预测器权重,最后将得到的多个ELM弱预测器组成强预测器。实验以某市的电力负荷数据的进行预测仿真以及结果比较。仿真结果表明该方法具有较高的预测精度,泛化性能好,具有一定的理论意义和较好的应用前景。     

智能物联机器人系统的研究

随着科技技术的发展,机器人与物联网都属于新兴产业,将机器人技术与物联网技术相结合,是当前IT技术的发展趋势,相继出现了智慧地球、智能电网、智能家居等前沿科技的产品诞生;本文设计了智能物联机器人系统,以物联网技术与机器人综合技术为依托,结合各类传感器技术,开发一套具有实时追踪、感知、监控功能的物联网机器人系统,系统给出了相关软硬件制作架构和流程,提供一种具有智能通讯、语音对话的家庭服务机器人,并实现了其自动充电的功能,改变了机器人不可服务家庭的应用观点;实现了两大技术的结合,通过研究和分析,研制一套服务于家庭的物联机器人系统,实现和拓展了行业应用.     

智能电网短期负荷预测的研究

基于灰色系统的理论研究方向,建立智能电网短期负荷预测模型,将负荷预测的关键性评价指标——平均绝对百分误差(MAPE)通过采用粒子群优化PSO计算方法,通过优选实验模型中的阶数和背景参数实现预测和实际运行曲线逐步靠近甚至重合的结果。为达到模型预测的高精度,再通过运用"马尔科夫过程"进一步对原先预测的残值数差进行修正,实现智能电网中短期负荷预测。     

面向制造执行系统的功能进化实施方法

为了使制造执行系统功能在其生命周期中能够不断满足企业业务需求的变化,提出一种基于企业业务活动模型与制造执行系统功能模型转换的功能进化实施方法.建立了进化过程模型,并对进化过程进行描述,给出了企业业务活动元模型与制造执行系统功能元模型,以及两者之间的转换框架.通过转换,将企业业务的变化映射到制造执行系统功能模型中,在功能模型驱动下完成系统进化.通过在某航空企业的实施验证了该方法的可行性.     

面向物联制造环境的高可靠RFID传感网优化配置方法

为了克服无线射频识别技术在成本和读写距离等方面的不足,使其在物联制造环境中得以大规模应用,采用集成无线射频识别阅读器与传感器节点(IRRSN)的方法,以传感网的多跳通信方式与无线射频识别标签进行组网,有效地延长了无线射频识别信息的识读距离。提出一种基于自适应遗传算法的IRRSN优化配置方法,对网络中数据的传输方式进行优化,实现了IRRSN对标签的最大覆盖率并降低了网络成本。通过案例仿真对所提方法的有效性进行了分析和验证。     

基于动态反馈的多元参数回归空调负荷预测控制方法

针对目前常用的空调负荷预测算法中精度与实用性的问题,提出多重负荷预测的方法:负荷的趋势预测模型和精确预测模型。趋势预测模型用于预测24 h内各时刻的负荷,建立基于气象、历史和时间参数长期和短期多元参数回归模型,并引入预测控制方法中反馈校正和滚动优化的方法,并对误差采用一次平滑法。采用遍历搜索法,寻找最优误差,反馈给模型进行修正。每滚动一次,舍去旧值,引入新值,并重新寻优一次误差,直至完成预测。精确预测用于下一个时刻的负荷,利用相似日的历史负荷建立二阶ARX模型,对气象负荷进行第一次修正,再利用前一日的负荷建立一阶ARX模型,对预测负荷进行第二次修正,利用滚动优化进行动态反馈修正。利用某小区的实际数据进行测试,预测结果满足精度要求。     

电力负荷预测在智能电网中的应用

正确的电力负荷预测能为电力系统的发展提供帮助,在智能电网环境下,提高负荷预测结果的准确性是目前的研究热点之一。现阐述负荷预测的基本概念以及各种负荷预测方法,分析智能电网环境下负荷的特性,并介绍一种基于AMI的电力负荷预测方法。通过对负荷进行分类,根据各类负荷特性分别制定负荷预测方法,能够有效提高负荷预测准确性。     

面向制造物联的物料配送路径优化技术研究

针对因缺乏现场实时状态数据支持造成的物料配送与计划执行脱节的问题,建立面向制造物联的物料配送路径优化框架,以装配车间为对象建立基于无线射频识别(Radio Frequency Identification,RFID)技术的现场状态识别环境,建立包含软时间窗和实时配送紧急程度要求的优化模型,设计改进蚁群算法进行求解,采用实时制造过程数据指导路径选择,并利用已迭代获得的最优路径动态更新信息素浓度范围,以提高算法运行效率,避免陷入局部最优,利用某装备制造企业装配车间数据对算法性能进行仿真验证.     

面向制造物联的物料配送路径优化技术研究

针对因缺乏现场实时状态数据支持造成的物料配送与计划执行脱节的问题,建立面向制造物联的物料配送路径优化框架,以装配车间为对象建立基于无线射频识别(Radio Frequency Identification,RFID)技术的现场状态识别环境,建立包含软时间窗和实时配送紧急程度要求的优化模型,设计改进蚁群算法进行求解,采用实时制造过程数据指导路径选择,并利用已迭代获得的最优路径动态更新信息素浓度范围,以提高算法运行效率,避免陷入局部最优,利用某装备制造企业装配车间数据对算法性能进行仿真验证.     

面向制造物联的物料配送路径优化技术研究

针对因缺乏现场实时状态数据支持造成的物料配送与计划执行脱节的问题,建立面向制造物联的物料配送路径优化框架,以装配车间为对象建立基于无线射频识别(Radio Frequency Identification,RFID)技术的现场状态识别环境,建立包含软时间窗和实时配送紧急程度要求的优化模型,设计改进蚁群算法进行求解,采用实时制造过程数据指导路径选择,并利用已迭代获得的最优路径动态更新信息素浓度范围,以提高算法运行效率,避免陷入局部最优,利用某装备制造企业装配车间数据对算法性能进行仿真验证.     

基于双深度Q学习网络的面向设备负荷稳定的智能车间调度方法

在车间管理中,设备负荷是一个关键性能指标,负荷稳定直接影响了生产效率与生产成本,但目前鲜有研究关注如何实现设备负荷稳定的问题。为此,提出一种面向设备负荷稳定的智能车间调度方法。该方法通过一个含有深度神经网络调度模型的调度智能体,分析车间生产状态与设备负荷间的相关性,及时输出满足期望目标的调度方案。针对深度神经网络调度模型,设计了一个基于双深度Q学习网络(DDQN)的深度神经网络调度模型训练器,其利用奖惩学习免监督地形成调度样本,借此对深度神经网络调度模型进行网络参数更新,实现模型自学习。所提方法在MiniFab半导体生产车间模型中进行了验证,证明了所提调度方法能实现对智能车间设备负荷的控制,从而保证车间整体设备负荷的稳定性。     

基于PSO-BP算法的动态空调负荷预测建模

根据空调负荷的非线性特点,提出了一种基于粒子群算法优化误差反向传播(BP)神经网络的空调负荷预测方法,针对BP网络训练容易出现麻痹和易陷入局部极值,以及其预测空调负荷时精度不够理想等现象,将粒子群算法的随机全局优化和梯度下降局部优化结合,达到改善神经网络泛化能力和提高空调负荷预测精度的目的。用该方法对的空调系统冷负荷与室外空气的干球温度、含湿量和太阳辐射照度的关系进行建模和预测,通过实例验证了该优化算法优于BP网络,能更加有效地处理动态空调负荷中的非线性问题,获得更可靠的预测结果。     

制造物联驱动的工序物流动态规划框架

针对离散型制造车间中存在的混流排程计划与多任务执行脱离的问题,结合制造物联技术的应用重新定义当前制造过程,设计具有实时制造信息特征的新工序物流规划模型和算法,以适应数字化和智能化制造的要求。以离散车间工序物流规划为研究对象,通过搭建面向实时制造过程的无线射频识别物联环境,构建了动态物流规划体系框架,详细分析了面向车间制造过程的传感物联网络构建、基于实时跟踪信息的工序物流规划、加权赋值有向型工序物流网络的拓扑构型等关键使能技术,给出了基于浏览器/服务器结构的工序物流规划实现方法,为提升制造车间的整体物流服务水平提供了基础。     

神经网络并行进化设计及其在短期电力负荷预测中的应用

针对神经网络模型进化设计问题的特点 ,提出了改进的并行遗传算法 (IPGA) ,并分析其全局收敛性与应用策略。应用此方法于短期电力负荷预测系统中 ,取得了更高的预测精度。该方法设计简单通用、模型性能评价全面合理、全局优化能力强。实际应用表明该方法是有效的 ,具有应用推广价值。     

短期台区电力负荷预测方法探讨

初步探讨了低压台区负荷预测问题的特点、内容和方法,根据目前的研究现状,指出了预测问题的研究方向,对目前的低压台区短期负荷预测工作提出了一些建议。     

改进随机森林的电力负荷预测方法

精确的电力负荷预测是电力分配设备与配电网设计的关键。针对目前电力负荷预测精度低、模型训练慢的问题,提出了一种基于改进随机森林的并行化电力负荷预测方法。该方法首先利用灰色关联投影衡量历史样本属性与待预测日属性之间的相似性,构建相似历史样本数据集。然后基于遗传算法对随机森林的决策树进行进化搜索,提高集成预测精度。最后通过Hadoop分布式集群实现了电力负荷预测的并行化,提升了预测效率。实验结果表明,相比其它预测方法,该方法电力负荷预测值与负荷真实值之间的拟合度最高,且并行化能够降低预测时间消耗。     

基于自适应网络的球磨机负荷预测方法

鉴于多工况环境下的数据漂移限制了深度学习方法预测球磨机负荷的效果,提出一种基于自适应网络的球磨机负荷预测方法。首先建立基于深度相关对齐的磨矿分级工况划分模型;然后将相对位置编码引入Transformer,对注意力机制进行解耦来将位置信息直接编码进注意力机制,进而提高预测性能;进一步提出一种自适应网络,将分布匹配正则化项应用于Transformer模型的隐层特征,通过减少不同工况之间的分布差异来学习模型隐藏状态的共同参数,提高模型泛化能力;最后采用基于Boosting的方法学习隐藏状态的重要性。试验结果表明,所提自适应预测网络可以明显提高预测球磨机负荷参数的准确性,而且在面对未知工况时预测性能也领先于对比方法。     

基于功能小区方法的电力系统负荷预测

电力系统负荷预测是电网规划的基本工作。介绍了回归预测模型、灰色系统理论预测模型、空间负荷预测法、曲线法、最优组合预测法等中长期电力负荷预测的方法,讨论了功能小区的划分及功能小区的功能分析,通过对功能小区负荷预测的实际计算,结果充分证明了功能小区负荷预测与湖南省衡阳市城区发展的实际情况相符合。说明了基于功能小区方法的电力系统负荷预测具有重要的现实意义和广泛的应用前景。     

基于面向负荷的生产控制的交货期设置方法

为将面向负荷的生产控制技术应用于订货生产企业,提出了一种基于面向负荷的生产控制技术的交货期设置方法.该方法是基于能力计划安排的交货期设置方法,它考虑面向负荷的生产控制机制对订单加工进程的影响,根据到达订单的加工负荷和生产系统的生产能力,确定订单的可能投放时间,从而得到订单的交货期.同时,为了配合该方法生成的计划,对面向负荷的生产控制机制和机器优先派工规则进行了相应调整.仿真实验证实了该方法的有效性,实验结果表明在含有面向负荷的生产控制的情况下,该方法的表现明显优于传统的总工作量法.另外,实验结论认为,面向负荷的生产控制技术有利于提高交货期预测的准确性,但交货期设置方法应与面向负荷的生产控制机制相适应才能实现这种优势.