CN109978395B - 一种智能车间加工任务自治分配模型的创成方法 - Google Patents
一种智能车间加工任务自治分配模型的创成方法 Download PDFInfo
- Publication number
- CN109978395B CN109978395B CN201910252240.3A CN201910252240A CN109978395B CN 109978395 B CN109978395 B CN 109978395B CN 201910252240 A CN201910252240 A CN 201910252240A CN 109978395 B CN109978395 B CN 109978395B
- Authority
- CN
- China
- Prior art keywords
- processing
- model
- machining
- workpiece
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000009826 distribution Methods 0.000 title claims abstract description 23
- 238000004519 manufacturing process Methods 0.000 claims abstract description 26
- 238000003754 machining Methods 0.000 claims description 75
- 238000004364 calculation method Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 239000000203 mixture Substances 0.000 claims 1
- 230000003044 adaptive effect Effects 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Multi-Process Working Machines And Systems (AREA)
Abstract
本发明提供一种智能车间加工任务自治分配模型的创成方法,属于智能制造与生产***工程领域,目的是解决车间智能加工设备在自治分配订单加工任务时缺乏决策模型支撑的问题。本发明包括初始理论模型建立和最优模型参数创成两个部分。在初始理论模型建立部分,基于隐马尔科夫方法,由订单信息、生产状态、加工设备、加工工艺信息等建立初始的加工任务自治分配模型;在最优模型参数创成部分,基于车间历史订单数据和当前订单数据,通过期望最大化,创成出适应当前车间生产状态的最优加工任务自治分配模型,使用本方法创成的模型来预测与订单加工工艺过程相适应的加工设备序列,可实现与理想的加工设备序列的偏差显著减小。
Description
技术领域
本发明属于智能制造与生产***工程领域,具体涉及一种智能车间加工任务自治分配模型的创成方法。
背景技术
随着物联网、智能机器人、大数据、人工智能、机器视觉等新兴技术的迅速兴起,为制造企业推进智能工厂的建设提供了良好的技术支撑。然而,目前制造企业工厂的智能化还处于较低水平,原因在于缺少与工厂/车间生产状态相吻合的理论模型来指导其生产过程,且伴随生产过程产生的历史数据得不到合理的利用,导致企业在接到新的生产订单时需要投入大量的精力重新建立生产计划模型,降低了生产效率,成为制造车间自治化、智能化生产与管理的主要障碍。
针对智能加工设备在自治分配订单加工任务时缺乏决策模型支撑的问题,已知智能车间的历史订单数据和当前订单数据,如何建立与智能车间实时生产状态相适应的加工任务自治分配模型至关重要。
发明内容
针对上述智能加工设备在自治分配订单加工任务时缺乏决策模型支撑的问题,本发明提供了一种智能车间加工任务自治分配模型的创成方法,该方法能够在已知智能车间历史订单数据和当前订单数据的基础上,创成出最适应当前车间生产状态的加工任务自治分配模型,为实现智能加工设备自治完成订单加工任务规划与排程提供支撑。
为实现上述目的,本发明采用如下技术方案:
一种智能车间加工任务自治分配模型的创成方法,包括以下步骤:
(1)初始理论模型建立:
基于隐马尔科夫方法,由智能车间加工信息建立初始的加工任务自治分配模型,将历史制造数据和当前订单信息统一到模型中,据此将初始理论模型建立为:λ=(π,A,B),其中:A为工件在各加工设备间的流转概率矩阵,B为各加工设备加工工件的某加工特征的概率矩阵,π为工件的第一个加工特征o1在各加工设备上进行加工的概率矩阵;
(2)最优模型参数创成:
优选的,步骤(1)中,与初始理论模型相关的属性与参数定义如下:
1)车间内所有加工设备集合Q={q1,q2,...,qN};
2)订单内所有零件加工特征集合V={v1,v2,...,vM};
3)工件在加工设备间流转序列I={i1,i2,...,iT};
4)各类零件加工特征序列O={o1,o2,...,oT};
5)工件在各加工设备间的流转概率矩阵A=[aij]N×N;
6)各加工设备加工某加工特征的概率矩阵B=[bik]N×M;
7)工件的第一个加工特征o1在各加工设备上进行加工的概率矩阵π=[πi]1×N;
优选的,步骤2.1)具体计算过程为:
1)加工设备流转概率aij计算如下:
设历史订单数据中工件t时刻在加工设备i上进行加工且t+1时刻流转到加工设备j上进行加工的频数为Aij,则:
2)加工设备加工某加工特征的概率bik计算如下:
设历史订单数据中工件在加工设备i上完成加工特征k的加工的频数为Bik,则:
3)第一个加工特征在加工设备i上进行加工的概率πi计算如下:
设历史订单数据中工件的第一个加工特征由加工设备i进行加工的频数为πi,则:
优选的,步骤2.2)具体步骤为:
1)E步:车间自治分配出与工件加工工艺过程相适应的加工设备序列表示为I={i1,i2,...,iT},与期望最大化算法中的隐含变量相对应,故目标函数取为联合分布P(O,I|λ)基于条件概率分布的期望,计算如下:
2)M步:基于EM思想将上式极大化,得到更新后的模型参数,计算如下:
要极大化λ,只需分别极大化上式右端包含模型参数A,B,π的三项;
上式中γt (n)(i)和ξt (n)(i,j)两项的定义和计算过程如下:
上式中的αt (n)(i)、βt (n)(i)分别为前向概率和后向概率,其定义与计算过程如下:
βT (n)(i)=1
与现有技术相比,本发明具有以下技术效果:
本发明提出的一种智能车间加工任务自治分配模型的创成方法,包括初始理论模型建立和最优模型参数创成两个部分。在初始理论模型建立部分,基于隐马尔科夫方法,由订单信息、生产状态、加工设备、加工工艺信息等建立初始的加工任务自治分配模型;在最优模型参数创成部分,基于车间历史订单数据和当前订单数据,通过期望最大化,创成出适应当前车间生产状态的最优加工任务自治分配模型,使用本方法创成的模型来预测与订单加工工艺过程相适应的加工设备序列,可实现与理想的加工设备序列的偏差显著减小。将加工设备、加工工艺数据等统一到模型中,并基于智能车间历史订单数据和当前订单数据,创成出与制造车间当前生产状态相适应的加工任务自治分配模型,为实现智能加工设备自治完成订单加工任务规划与加工设备编排提供支撑,并提升制造企业车间智能化和自治化水平。
附图说明
图1是智能车间加工任务自治分配模型的创成方法的步骤示意图;
图2是加工任务自治分配模型各参数之间的对应关系;
图3是加工任务自治分配模型各参数之间的作用关系;
图4是基于历史订单数据的加工任务自治分配模型的创成算法。
具体实施方式
为使本发明的特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明一种智能车间加工任务自治分配模型的创成方法,具体实施步骤如图1~4所示。以承接轴类、法兰类零件加工的某智能车间为例,具体说明其加工任务自治分配模型的创成方法与步骤。该智能车间拥有的加工设备编号如表1所示,所加工工件的加工特征编号如表2所示。
表1.加工设备编号
表2.加工特征编号
统计该智能车间已完成的128种轴类、法兰类零件的历史订单数据,得到加工特征序列与机床分配序列的对应关系,如表3所示。
表3.智能车间历史订单数据(部分)
当前加工任务中含有5种零件:传动轴、法兰端盖(1)、法兰端盖(2)、法兰盘(1)、法兰盘(2),由工艺卡片提取出各工件的加工特征序列如下:
1)传动轴:
端面→通孔→外圆(粗)→外圆(半精)→退刀槽→外圆(粗)→外圆(半精)→外圆(精)→键槽
2)法兰端盖(1):
端面→端面→外圆(粗)→端面→端面槽→通孔→台阶孔→通孔→螺纹
3)法兰端盖(2):
端面→外圆(粗)→端面→端面槽→外圆(半精)→通孔→通孔→键槽→通孔
4)法兰盘(1):
外圆(粗)→端面1,→通孔→台阶孔→外圆(半精)→外圆(精)→端面槽→通孔→螺纹
5)法兰盘(2):
端面→外圆(粗)→端面→外圆(半精)→端面→端面槽→外圆(精)→通孔→台阶孔
根据智能车间的加工设备编号和工件加工特征编号,可将上述加工任务简化为:
(1)初始理论模型建立:
如图1、2、3所示,基于隐马尔科夫方法,由订单信息、生产状态、加工设备、加工工艺信息等建立初始的加工任务自治分配模型,将加工设备、加工工艺数据等统一到模型中,据此将初始理论模型建立为:λ=(π,A,B)。
与模型相关的属性与参数定义如下:
1)车间内所有加工设备集合Q={q1,q2,...,qN};
2)订单内所有零件加工特征集合V={v1,v2,...,vM};
3)工件在加工设备间流转序列I={i1,i2,...,iT};
4)各类零件加工特征序列O={o1,o2,...,oT};
5)工件在各加工设备间的流转概率矩阵A=[aij]N×N;
6)各加工设备加工某加工特征的概率矩阵B=[bik]N×M;
7)工件第一个加工特征o1在各加工设备上进行加工的概率矩阵π=[πi]1×N;
(2)最优模型参数创成:
具体实施步骤如图4所示,其中:
具体计算过程为:
1)加工设备流转概率aij计算如下:
设历史订单数据中工件t时刻在加工设备i上进行加工且t+1时刻流转到加工设备j上进行加工的频数为Aij,则:
2)加工设备加工某加工特征的概率bik计算如下:
设历史订单数据中工件在加工设备i上完成加工特征k的加工的频数为Bik,则:
3)第一个加工特征在加工设备i上进行加工的概率πi计算如下:
设历史订单数据中工件的第一个加工特征由加工设备i进行加工的频数为πi,则:
步骤二:
E步:车间自治分配出与工件加工工艺过程相适应的加工设备序列可表示为I={i1,i2,...,iT},与期望最大化算法中的隐含变量相对应,故目标函数可取为联合分布P(O,I|λ)基于条件概率分布的期望,计算如下:
M步:极大化上式,得到n次更新后的模型参数A(n+1)、B(n+1)、π(n+1),计算如下:
基于EM思想将上式极大化,得到更新后的模型参数,计算如下:
显然,要极大化λ,只需分别极大化上式右端包含模型参数A,B,π的三项即可;
上式中γt (n)(i)和ξt (n)(i,j)两项的定义和计算过程如下:
上式中的αt (n)(i)、βt (n)(i)分别为前向概率和后向概率,其定义与计算过程如下:
βT (n)(i)=1
根据以上计算步骤,得出该智能车间加工任务自治分配模型的最优参数,具体如下:
π=[πi]=
[0.260 0.184 0.000 0.157 0.000 0.000 0.245 0.154]
基于上述加工任务自治分配模型及其参数,以当前工件的加工特征序列作为输入,即可预测生成与之匹配的加工设备序列来分别承担当前工件的各个加工特征的加工。
需指出的是:
所述的初始理论模型建立部分,以两条基本假设为前提。分别为:
(1)t时刻工件处于加工设备it的概率只与t-1时刻工件所处的加工设备it-1有关,与其他时刻工件所处的加工设备和加工特征均无关,即:
P(it|it-1,ot-1,...,i1,o1)=P(it|it-1)
(2)t时刻工件加工特征ot进行加工的概率只与该时刻工件所处的加工设备it有关,与其他时刻工件所处的加工设备和加工特征无关,即:
P(ot|it,it-1,ot-1,...,i1,o1)=P(ot|it)
所述的初始理论模型建立部分中,将零件细致复杂的加工工序以加工特征来进行表征,很大程度上降低了算法输入参数O的维数,降低了计算复杂度。
所述最优模型参数创成部分的步骤一中,由历史订单数据中工件加工过程中的加工特征序列、加工设备序列、以及两者之间的对应关系,统计计算出初始理论模型的三个参数作为模型初始化参数。由于智能车间加工任务自治分配模型的创成是基于隐马尔科夫模型的,故基于智能车间历史订单数据统计出模型初始化参数的方法是符合马尔科夫特性的,在一定程度上解决了期望最大化算法的初值敏感问题,提高了算法的准确性。
所述最优模型参数创成部分的步骤二中,以
作为目标函数,该函数为凹函数,故一定存在极大值。采用期望最大化思想,可以反复进行步骤二中的E步和M步,实现模型参数不断更新并最终收敛于最优值。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施方式仅限于此,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单的推演或替换,都应当视为属于本发明所提交的权利要求书确定的专利保护范围。
Claims (3)
1.一种智能车间加工任务自治分配模型的创成方法,其特征在于,包括以下步骤:
(1)初始理论模型建立:
基于隐马尔科夫方法,由智能车间加工信息建立初始理论模型,将历史制造数据和当前订单信息统一到模型中,据此将初始理论模型建立为:λ=(π,A,B),其中:A为工件在各加工设备间的流转概率矩阵,B为各加工设备加工工件的某加工特征的概率矩阵,π为工件的第一个加工特征o1在各加工设备上进行加工的概率矩阵;
(2)最优模型参数创成:
具体步骤为:
1)E步:车间自治分配出与工件加工工艺过程相适应的加工设备序列表示为I={i1,i2,...,iT},与期望最大化算法中的隐含变量相对应,故目标函数取为联合分布P(O,I|λ)基于条件概率分布的期望,计算如下:
2)M步:基于EM思想将上式极大化,得到更新后的模型参数,计算如下:
要极大化λ,只需分别极大化上式右端包含模型参数A,B,π的三项;
上式中γt (n)(i)和ξt (n)(i,j)两项的定义和计算过程如下:
上式中的αt (n)(i)、βt (n)(i)分别为前向概率和后向概率,其定义与计算过程如下:
βT (n)(i)=1
2.如权利要求1所述的一种智能车间加工任务自治分配模型的创成方法,其特征在于,步骤(1)中,与初始理论模型相关的属性与参数定义如下:
1)车间内所有加工设备集合Q={q1,q2,...,qN};
2)订单内所有零件加工特征集合V={v1,v2,...,vM};
3)工件在加工设备间流转序列I={i1,i2,...,iT};
4)各类零件加工特征序列O={o1,o2,...,oT};
5)工件在各加工设备间的流转概率矩阵A=[aij]N×N;
6)各加工设备加工某加工特征的概率矩阵B=[bik]N×M;
7)工件的第一个加工特征o1在各加工设备上进行加工的概率矩阵π=[πi]1×N;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910252240.3A CN109978395B (zh) | 2019-03-29 | 2019-03-29 | 一种智能车间加工任务自治分配模型的创成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910252240.3A CN109978395B (zh) | 2019-03-29 | 2019-03-29 | 一种智能车间加工任务自治分配模型的创成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109978395A CN109978395A (zh) | 2019-07-05 |
CN109978395B true CN109978395B (zh) | 2022-12-13 |
Family
ID=67081787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910252240.3A Active CN109978395B (zh) | 2019-03-29 | 2019-03-29 | 一种智能车间加工任务自治分配模型的创成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978395B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763064A (zh) * | 2009-12-08 | 2010-06-30 | 沈阳飞机工业(集团)有限公司 | 面向工艺对象的飞机复杂构件数控加工工艺设计***及方法 |
CN107958269A (zh) * | 2017-11-28 | 2018-04-24 | 江苏大学 | 一种基于隐马尔可夫模型的行车危险度预测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3374941A2 (en) * | 2015-12-14 | 2018-09-19 | Siemens Aktiengesellschaft | Dynamic design of complex system-of-systems for planning and adaptation to unplanned scenarios |
CN107506568A (zh) * | 2016-06-14 | 2017-12-22 | 田文洪 | 一种交通事故数据实时分析与预测的方法 |
CN106126910A (zh) * | 2016-06-22 | 2016-11-16 | 上海垒土资产管理有限公司 | 基于马尔科夫状态转移模型的状态转换预测方法及*** |
US11222262B2 (en) * | 2017-05-30 | 2022-01-11 | Xerox Corporation | Non-Markovian control with gated end-to-end memory policy networks |
CN107680679B (zh) * | 2017-08-22 | 2021-05-04 | 浙江工业大学 | 大数据驱动的学生有氧能力分群方法 |
CN109034540B (zh) * | 2018-06-29 | 2021-09-07 | 长安大学 | 一种基于在制品工序流的机床序列编排动态预测方法 |
CN108919760B (zh) * | 2018-07-05 | 2020-01-24 | 长安大学 | 一种基于数字孪生的智能车间自治生产过程动态联动控制方法 |
CN109101721B (zh) * | 2018-08-03 | 2023-05-12 | 南京航空航天大学 | 不确定环境下基于区间直觉模糊的多无人机任务分配方法 |
-
2019
- 2019-03-29 CN CN201910252240.3A patent/CN109978395B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763064A (zh) * | 2009-12-08 | 2010-06-30 | 沈阳飞机工业(集团)有限公司 | 面向工艺对象的飞机复杂构件数控加工工艺设计***及方法 |
CN107958269A (zh) * | 2017-11-28 | 2018-04-24 | 江苏大学 | 一种基于隐马尔可夫模型的行车危险度预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109978395A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020007016A1 (zh) | 一种基于数字孪生的智能车间自治生产过程动态联动控制方法 | |
CN111738578B (zh) | 一种动态环境下的离散型生产车间调度方法 | |
CN111105069A (zh) | 数控加工工艺参数优化方法、装置、***及计算机设备 | |
CN113867299B (zh) | 基于数字孪生的不确定扰动下的ipps问题求解方法 | |
Kukartsev et al. | Simulation-dynamic model of working time costs calculation for performance of operations on CNC machines | |
CN103197605A (zh) | 基于标准模板和表达式驱动的齿轮滚削cnc自动编程方法 | |
CN112859785B (zh) | 基于多目标优化算法的纸盆车间生产调度方法及调度*** | |
CN109669423B (zh) | 基于改进多目标灰狼算法获得零件加工最优调度方案的方法 | |
Sugimura et al. | Integrated process planning and scheduling in holonic manufacturing systems | |
CN113159506B (zh) | 人机协作生产单元任务分配与作业调度集成决策方法 | |
CN110580019B (zh) | 一种面向边缘计算的设备调取方法与装置 | |
CN111814359B (zh) | 一种面向离散制造的集成车间调度与装配序列规划方法 | |
CN111325487B (zh) | 一种流水生产车间智能调度优化方法及*** | |
Sang et al. | Research on many-objective flexible job shop intelligent scheduling problem based on improved NSGA-III | |
CN109034540B (zh) | 一种基于在制品工序流的机床序列编排动态预测方法 | |
CN109978395B (zh) | 一种智能车间加工任务自治分配模型的创成方法 | |
CN116739179A (zh) | 一种离散制造混流生产的人机协同效率优化方法 | |
Hatvany et al. | Intelligent manufacturing systems—a tentative forecast | |
Wang et al. | Genetic algorithm in flexible work shop scheduling based on multi-objective optimization | |
CN117010666B (zh) | 一种汽修工具生产工作站智能管理方法及*** | |
CN113762754A (zh) | 一种混合车间低熵自适应调度方法 | |
CN107133703A (zh) | 一种基于需求驱动的不相容工件组在线分批加工方法 | |
Li et al. | A knee-point driven multi-objective evolutionary algorithm for flexible job shop scheduling | |
CN116861571A (zh) | 一种金属模具制造加工岛的加工工序选择方法 | |
Schmid et al. | Tacit knowledge based acquisition of verified machining data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20230717 Address after: Room 406-9, Building 5, Software Park, No. 78 Keling Road, High tech Zone, Suzhou City, Jiangsu Province, 215000 Patentee after: Suzhou Yunchan Information Technology Co.,Ltd. Address before: 710064 middle section of South Second Ring Road, Beilin District, Xi'an City, Shaanxi Province Patentee before: CHANG'AN University |
|
TR01 | Transfer of patent right |