數(shù)據(jù)驅動的智能車間適應性調度與優(yōu)化

第1章 緒論 001
1.1 智能制造與智能車間 002
1.1.1 智能制造 002
1.1.2 智能車間 003
1.2 生產(chǎn)調度 004
1.2.1 生產(chǎn)調度基本問題描述 004
1.2.2 生產(chǎn)調度國內外研究現(xiàn)狀 007
1.3 智能車間生產(chǎn)調度面臨的需求與挑戰(zhàn) 013
第2章 工業(yè)大數(shù)據(jù)與數(shù)據(jù)驅動技術 021
2.1 工業(yè)大數(shù)據(jù)與智能制造 022
2.1.1 大數(shù)據(jù)與工業(yè)大數(shù)據(jù) 022
2.1.2 工業(yè)大數(shù)據(jù)特性分析 023
2.1.3 工業(yè)大數(shù)據(jù)技術架構 025
2.1.4 工業(yè)大數(shù)據(jù)在智能制造中的應用 026
2.1.5 工業(yè)大數(shù)據(jù)應用面臨的挑戰(zhàn) 028
2.2 工業(yè)大數(shù)據(jù)質量管理 029
2.2.1 工業(yè)大數(shù)據(jù)質量問題 030
2.2.2 領域知識無關的工業(yè)大數(shù)據(jù)質量管理 031
2.2.3 領域知識相關的工業(yè)大數(shù)據(jù)質量管理 034
2.2.4 工業(yè)大數(shù)據(jù)整體質量評價指標 040
2.3 工業(yè)大數(shù)據(jù)驅動的生產(chǎn)調度使能技術 043
2.3.1 生產(chǎn)特征選擇 044
2.3.2 生產(chǎn)性能預測 046
2.3.3 調度知識挖掘 047
第3章 信息物理生產(chǎn)系統(tǒng)（CPPS） 051
3.1 信息物理系統(tǒng)（CPS） 052
3.1.1 CPS 概述 052
3.1.2 CPS 的技術內核及運行方式 053
3.1.3 CPS 的組織架構 054
3.1.4 CPS 的特征 057
3.1.5 CPS 在制造領域的應用 059
3.2 面向智能制造的CPPS 060
3.2.1 CPPS 概述 060
3.2.2 CPPS 的組成 061
3.2.3 CPPS 的特征 062
3.2.4 CPPS 的多層次體系架構 063
3.3 面向智能車間生產(chǎn)調度的CPPS 環(huán)境構建 067
3.3.1 生產(chǎn)調度對CPPS 的需求分析 067
3.3.2 面向智能車間生產(chǎn)調度的CPPS 框架 068
3.3.3 面向半導體生產(chǎn)線的CPPS 環(huán)境構建案例 070
第4章 智能車間適應性調度解決方案 079
4.1 智能車間多級聯(lián)動適應性調度體系框架 080
4.1.1 需求分析 080
4.1.2 智能車間多級聯(lián)動適應性調度體系框架 082
4.2 多級聯(lián)動適應性調度體系的運行演化 084
4.2.1 體系運行演化中的多級聯(lián)動 085
4.2.2 體系運行演化中的數(shù)據(jù)循環(huán)增值 086
第5章 多目標魯棒調度方法 089
5.1 多目標魯棒調度問題描述 090
5.1.1 魯棒調度概述 090
5.1.2 多目標魯棒調度問題描述和魯棒性定義 092
5.1.3 魯棒性度量 093
5.2 多目標魯棒調度方法框架 097
5.2.1 調度策略表達 097
5.2.2 多目標魯棒調度方法框架 101
5.3 確定環(huán)境下的多目標調度策略解集生成 102
5.3.1 多目標優(yōu)化方法 102
5.3.2 基于仿真的優(yōu)化方法 104
5.3.3 SBO-NSGA-Ⅱ算法設計 105
5.4 不確定環(huán)境下的多目標魯棒調度策略選擇 108
5.4.1 基于場景規(guī)劃的生產(chǎn)數(shù)據(jù)獲取 108
5.4.2 基于熵權法的多目標魯棒調度模型 109
第6章 適應性的實時調度方法 115
6.1 實時調度問題描述 116
6.2 調度策略推薦方法 117
6.2.1 調度策略推薦問題描述 117
6.2.2 調度策略推薦方法框架 118
6.3 基于K-NN 的調度規(guī)則推薦 120
6.3.1 算法框架 120
6.3.2 基于GA 的生產(chǎn)屬性特征子集選擇 122
6.3.3 基于K-NN 的調度規(guī)則推薦模型 125
6.4 基于SVR 的調度參數(shù)推薦 126
6.4.1 算法框架 126
6.4.2 基于響應曲面法的最優(yōu)樣本獲取 127
6.4.3 基于SVR 的調度參數(shù)推薦模型 128
第7章 適應性的重調度方法 133
7.1 重調度問題描述及方法框架 134
7.1.1 重調度問題描述 134
7.1.2 適應性重調度方法 136
7.2 數(shù)據(jù)驅動的擾動在線識別與預測 138
7.2.1 擾動分類 138
7.2.2 漸變型擾動識別方法 139
7.2.3 突發(fā)型擾動識別方法 143
7.3 全數(shù)據(jù)驅動的重調度方法 148
7.3.1 基于長短期記憶神經(jīng)網(wǎng)絡的重調度方法框架 149
7.3.2 LSTM 神經(jīng)網(wǎng)絡離線訓練 151
7.3.3 在線調度 152
7.4 增強學習能力的重調度方法 152
7.4.1 基于DRL 的重調度問題描述 154
7.4.2 基于DQN 的重調度方法 156
7.4.3 基于改進異步優(yōu)勢行動者評論家算法的重調度方法 158
第8章 適應性調度閉環(huán)優(yōu)化方法 165
8.1 調度知識 166
8.1.1 調度知識概念 166
8.1.2 調度知識的表達 167
8.2 調度知識管理 168
8.2.1 調度知識管理概述 168
8.2.2 調度知識生成 170
8.2.3 調度知識評估與更新 171
8.3 調度知識在線評估 172
8.3.1 基于質量控制的調度知識評估方法 172
8.3.2 基于生產(chǎn)狀態(tài)變化的調度知識在線評估 176
8.4 基于增量學習的調度知識更新方法 178
8.4.1 基于OS-ELM 的調度知識更新方法 178
8.4.2 基于Online SVR 的調度知識更新方法 180
第9章 智能車間適應性調度原型系統(tǒng) 187
9.1 智能車間適應性調度原型系統(tǒng)架構 188
9.1.1 需求分析 188
9.1.2 系統(tǒng)架構設計 189
9.2 關鍵層級設計 192
9.2.1 數(shù)據(jù)層設計 192
9.2.2 分析層設計 193
9.2.3 服務層設計 193
9.2.4 表示層設計 193
9.3 智能車間適應性調度原型系統(tǒng)實現(xiàn) 194
9.3.1 系統(tǒng)開發(fā) 194
9.3.2 系統(tǒng)界面 197
9.3.3 運行設置 199
9.3.4 結果展示 204
第10章 適應性調度與優(yōu)化方法驗證與實施案例 209
10.1 基于適應性調度原型系統(tǒng)的方法驗證 210
10.1.1 單級調度方法驗證 210
10.1.2 多級聯(lián)動適應性調度方法的綜合驗證 217
10.2 以某企業(yè)航空發(fā)動機裝配線AEAL 為對象的案例研究 222
10.2.1 航空發(fā)動機裝配線AEAL 介紹 222
10.2.2 多級聯(lián)動適應性調度方法的案例研究 226
縮略詞索引 231