CN107945045A - 一种基于粒子群遗传算法的再制造装配过程的选配方法 - Google Patents

一种基于粒子群遗传算法的再制造装配过程的选配方法 Download PDF

Info

Publication number
CN107945045A
CN107945045A CN201711226504.5A CN201711226504A CN107945045A CN 107945045 A CN107945045 A CN 107945045A CN 201711226504 A CN201711226504 A CN 201711226504A CN 107945045 A CN107945045 A CN 107945045A
Authority
CN
China
Prior art keywords
cost
particle
model
remanufacturing
assembling
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.)
Granted
Application number
CN201711226504.5A
Other languages
English (en)
Other versions
CN107945045B (zh
Inventor
姜兴宇
张皓垠
赵地
徐海峰
王子生
石敏煊
杨世奇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang University of Technology
Original Assignee
Shenyang University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang University of Technology filed Critical Shenyang University of Technology
Priority to CN201711226504.5A priority Critical patent/CN107945045B/zh
Publication of CN107945045A publication Critical patent/CN107945045A/zh
Application granted granted Critical
Publication of CN107945045B publication Critical patent/CN107945045B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Manufacturing & Machinery (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种基于粒子群遗传算法的再制造产品装配过程的选配方法。本方法能够对再制造零件的装配过程进行优化选配，以最小成本为目标，同时选配出尽可能多的合格产品。本发明结合田口质量法的质量损失成本函数及剩余件成本函数作为模型基础，以封闭环尺寸链作为模型约束，构成了再制造选配综合模型。将再制造装配过程采集到的零件参数导入到模型中，并将遗传算法中的交叉及变异算子融入到粒子群算法中作为最优优化算法对该模型进行优化。并最终给出再制造装配过程的最优选配优化方案。本发明不仅解决了再制造零件选配过程中匹配成功率低的问题，而且大大提高了选配过程的再制造资源利用率，降低企业成本。

Description

一种基于粒子群遗传算法的再制造装配过程的选配方法
技术领域
本发明为一种选配方法，具体涉及一种机床主轴箱再制造 装配过程的选配方法。
背景技术
我国自一九八零年以来生产应用了大量机床设备，目前我国 机床保有量逾700万台，其中服役超过10年的机床占60％，大量老 旧机床仍在使用或将面临报废。这就使得近些年逐渐到达了机床更新 换代的高峰期，同时产生了大量的废旧机床，如何处理这些废旧机床 对我国循环经济的发展具有重大影响。
机床再制造是一种基于废旧资源循环利用的机床制造新模 式，是解决我国量大面广的退役机床处理过程所存在问题的最有效途 径，符合当前我国发展循环经济、实施节能减排、应对气候变化的战 略需要。
对于再制造过程中机床精度差、精度寿命短、可靠性差的 现象，除了设计原因外，更主要是由于装配引起的。可见，装配过程 是影响再制造机床质量的关键。再制造装配过程相比于传统装配过程， 所需要的零件包括再制造件、再利用件和新件，由于零件差异大，所 以远比传统装配难度要大。因此，如何降低废旧机床再制造装配的难 度，提高装配质量，是目前亟待解决的难题。
发明内容
本发明是为了避免工厂企业现有技术的不足之处，提供一 种机床装配过程的选配方法，以便能够有效的降低机床再制造的装配 成本，提高再制造装配质量和再制造资源利用率。
本发明是这样实现的，一种基于粒子群遗传算法的再制造 装配过程的选配方法,其用于将新件、再利用件和再修复件三类零件 进行选择装配，节约装配成本，提高装配质量及再制造资源利用率。 该再制造机床选配方法包括以下步骤：
首先建立再制造综合的选配模型，根据田口质量方法的多 元装配质量损失成本函数，建立以装配成本最小化为目标的再制造选 配模型，计算出每一个参与装配的零部件i的质量损失成本，并计算 总成本L，再制造质量损失成本函数模型可表示为：
再通过剩余件成本函数C来衡量衡量各选配方案的再制造 资源利用情况，将方案中未参与到装配中的再制造零件j的成本进行 统计为F，并计算出方案中参与装配的再制造件i的加工成本J，并通 过计算出剩余件成本。
其次，通过封闭环尺寸链对选配方案中的零件进行质量约 束，首先计算封闭环的所有增环标准尺寸再计算出所有减 环的标准尺寸从而得到封闭环标准尺寸 同理可计算出封闭环的实际尺寸T，为了保证零件装配后 的精度要求，满足T≤ΔT0。
最后通过粒子群遗传算法，将遗传算法GA中的选择、交 叉和变异算子嵌入到标准粒子群算法PSO中，初始化粒子x，v设置 初始的参数、粒子群规模(种群规模)、惯性权重、最大迭代次数、 收敛精度和搜索空间等参数及粒子的初始速度和位置。并计算各个粒 子适应度并 根据适应度进行排序，计算出Pbest和Gbest，进行尺寸链约束比较 是否符合条件，对符合条件的粒子进行选择交叉变异的运算，重新计 算粒子的适应度值，并对适应度进行排序，更细粒子的位置和速度， 之后对算法的收敛次数进行计算，把当前粒子作为种群的个体最佳 pbest，把粒子群中适应度最小的粒子作为全局最优gbest，更新pbest 和gbest，达到最大迭代次数后输出最优解。
本发明的再制造机床装配过程的选配方法的有益效果体现 在：建立了再制造装配过程选配综合模型，提高了装配精度和匹配成 功率，降低了装配成本，资源利用率得到明显提高，这对于机床领域 的再制造发展而言，具有重大的技术和经济意义。
附图说明
图1为零件优化选配组成方案图
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明了，以 下结合实施案例，对本发明进行进一步详细说明。应当理解，此处所 描述的具体实施案例仅仅用以解释本发明，并不用于限定本发明。
本发明提供了一种机床再制造装配过程的选配方法。其用 于将新件、再利用件和再修复件三类零件进行选择装配。根据本发明 的方法，可以提高装配成功率及再制造资源利用率，降低企业生产装 配成本。简述步骤为：(1)数据测量及汇总：获得再制造机床床头箱 中主轴直径及齿轮内孔数据，以及零件的上下限及标准值，获取零件 的成本信息及加工成本信息；(2)参数导入：将以上参数分别模型中， 通过按公式(1)和(2)来求出不同选配方案的质量损失成本以及剩 余件成本，在通过公式(3)进行尺寸链约束；(3)个体适应度计算： 根据导入的数据，通过公式(4)对各个粒子的个体适应度进行求解， 排列，选出pbest及gbest(4)迭代更新：通过遗传交叉变异以及对 算法收敛次数进行计算，把当前粒子作为种群的个体最佳pbest，把 粒子群中适应度最小的粒子作为全局最优gbest，通过遗传交叉变异 运算，不断更新pbest及gbest。(5)选配方案：达到迭代次数后输 出机床再制造装配过程的最优选配方案。
现在企业再制造机床的装配过程中，装配成功率不足60％， 再制造资源利用率仅为39.7％。以企业现有的装配方法装配不但会产 生大量剩余零部件，导致在制品的堆积，同时再制造零件的利用率过 低，增加了企业的生产成本。为了解决这一问题，我们结合再制造质 量损失成本函数，剩余件成本函数以及封闭环尺寸链约束建立了再制 造优化选配模型，通过算法优化后得出了最优的装配方案。
再制造优化选配的具体方法包括以下步骤。
首先建立再制造综合的选配模型，根据田口质量方法的多 元装配质量损失成本函数，建立以装配成本最小化为目标的再制造选 配模型，计算出每一个参与装配的零部件i的质量损失成本，并计算 总成本L，再制造质量损失成本函数模型可表示为：
再通过剩余件成本函数C来衡量衡量各选配方案的再制造 资源利用情况，将方案中未参与到装配中的再制造零件j的成本进行 统计为F，并计算出方案中参与装配的再制造件i的加工成本J，并通 过计算出剩余件成本。
其次，通过封闭环尺寸链对选配方案中的零件进行质量约 束，首先计算封闭环的所有增环标准尺寸再计算出所有减 环的标准尺寸从而得到封闭环标准尺寸 同理可计算出封闭环的实际尺寸T，为了保证零件装配后 的精度要求，满足T≤ΔT0(3)式。
最后通过粒子群遗传算法，将遗传算法GA中的选择、交 叉和变异算子嵌入到标准粒子群算法PSO中，初始化粒子x，v设置 初始的参数、粒子群规模(种群规模)、惯性权重、最大迭代次数、 收敛精度和搜索空间等参数及粒子的初始速度和位置。并计算各个粒 子适应度并 根据适应度进行排序，计算出Pbest和Gbest，进行尺寸链约束比较 是否符合条件，对符合条件的粒子进行选择交叉变异的运算，重新计 算粒子的适应度值，并对适应度进行排序，更细粒子的位置和速度， 之后对算法的收敛次数进行计算，把当前粒子作为种群的个体最佳 pbest，把粒子群中适应度最小的粒子作为全局最优gbest，更新pbest 和gbest，达到最大迭代次数后输出最优解。接下来将举例进行详细 介绍。
实施例1
为了保证再制造机床的装配精度和使用性能，对主轴周身 装配的配合间隙及各零部件的尺寸进行控制，主轴与齿轮配合间隙、 主轴和齿轮零件的设计尺寸要求等具体要求如下：
根据再制造装配的要求，主轴与齿轮的间隙配合要求为 0～0.020mm，机床主轴径D1的再制造加工尺寸为主 轴径齿轮1内孔径尺寸齿轮2内孔径尺寸
机床的再制造装配对主轴装配精度的要求较高，由于受到 现有技术和成本的限制，经过再修复的件的精度还较低，和加工出的 新件相比，离散程度略大，如果采用传统的互换法选配，会使得零件 的尺寸偏差随着装配过程逐渐积累，根据上述机床主轴和齿轮尺寸可 得主轴齿轮装配后的间隙公差带(B)为：
由上式(5)知，选配互换法无法满足机床的精度要求，为了满 足精度要求采用最优选配模型进行优化，机床的具体零件参数及成本 信息如下表所示：
CAK6150主轴径尺寸
表齿轮02056L1内孔径尺寸
零件类型 编号 内径尺寸(mm) 加工成本(元)
再利用件 R1 102.004 0
再利用件 R2 102.011 0
再利用件 R3 102.007 0
再修复件 F1 102.009 0
再修复件 F2 102.001 12
再修复件 F3 102.012 12
再修复件 F4 102.009 12
再修复件 F5 102.003 12
新件 N1 102.005 0
新件 N2 102.007 0
齿轮02405L内孔径尺寸
零件类型 编号 内径尺寸(mm) 加工成本(元)
再利用件 R1 101.012 0
再利用件 R2 101.008 0
再修复件 F1 101.002 0
再修复件 F2 101.010 9
再修复件 F3 101.002 9
再修复件 F4 101.011 9
再修复件 F5 101.005 9
新件 N1 101.004 0
新件 N2 101.005 0
新件 N3 101.007 0
CAK6150机床部分零件成本信息
名称 型号 价格(元)
主轴 A15D02214L 2444
齿轮1 02056L1 270.46
齿轮2 02405L 127.28
经过粒子群遗传算法优化后得到的机床床头箱主轴及齿轮 组合选配方案如下 表：
分组方案 主轴编号 齿轮1编号 齿轮2编号
1 N1 F4 R1
2 F2 F5 N3
3 R1 F2 N1
4 R2 N1 F1
5 F3 N2 F2
6 F1 F1 F5
对上述两个结果进行比较，采用再制造优化选配模型的方 案中，匹配成功率为100％，对应的再制造资源利用率为80％，大大 节约了企业的运营成本。
以上所述仅为本发明的较佳实例，并不用以限制本发明， 凡在本发明的精神原则之内所作的任何修改、等同替换和改进等，均 应包含在本发明的保护范围之内。

Claims (3)

1.一种基于粒子群遗传算法的再制造装配过程的选配方法，其特征在于结合田口质量法的质量损失成本函数及剩余件成本函数作为模型基础，以封闭环尺寸链作为模型约束，构成了再制造选配综合模型，同时结合粒子群算法与遗传算法各自的优点，该方法以最小成本为目标，同时选配出尽可能多的合格产品，包括以下步骤：
首先建立再制造综合的选配模型，根据田口质量方法的多元装配质量损失成本函数，建立以装配成本最小化为目标的再制造选配模型，计算出每一个参与装配的零部件i的质量损失成本，并计算总成本L，再制造质量损失成本函数模型可表示为： 式,
再通过剩余件成本函数C来衡量衡量各选配方案的再制造资源利用情况，将方案中未参与到装配中的再制造零件j的成本进行统计为F，并计算出方案中参与装配的再制造件i的加工成本J，并通过式计算出剩余件成本,
其次，通过封闭环尺寸链对选配方案中的零件进行质量约束，首先计算封闭环的所有增环标准尺寸再计算出所有减环的标准尺寸从而得到封闭环标准尺寸同理可计算出封闭环的实际尺寸T，为了保证零件装配后的精度要求，满足T≤ΔT0(3)式,
最后通过粒子群遗传算法，将遗传算法GA中的选择、交叉和变异算子嵌入到标准粒子群算法PSO中，初始化粒子x，v设置初始的参数、粒子群规模(种群规模)、惯性权重、最大迭代次数、收敛精度和搜索空间等参数及粒子的初始速度和位置。并计算各个粒子适应度式，并根据适应度进行排序，计算出Pbest和Gbest，进行尺寸链约束比较是否符合条件，对符合条件的粒子进行选择交叉变异的运算，重新计算粒子的适应度值，并对适应度进行排序，更细粒子的位置和速度，之后对算法的收敛次数进行计算，把当前粒子作为种群的个体最佳pbest，把粒子群中适应度最小的粒子作为全局最优gbest，更新pbest和gbest，达到最大迭代次数后输出最优解。
2.如权利要求1所述的一种基于粒子群遗传算法的再制造装配过程的选配方法，其特征在于选配优化模型的建立及所用的优化算法为粒子群遗传算法。
3.如权利要求书1所述的基于粒子群遗传算法的再制造装配过程的选配方法，其特征在于零件的质量损失成本系数为参与装配的零件i的成本A0i与该零件公差带范围的比值。
CN201711226504.5A 2017-11-29 2017-11-29 一种基于粒子群遗传算法的再制造装配过程的选配方法 Active CN107945045B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711226504.5A CN107945045B (zh) 2017-11-29 2017-11-29 一种基于粒子群遗传算法的再制造装配过程的选配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711226504.5A CN107945045B (zh) 2017-11-29 2017-11-29 一种基于粒子群遗传算法的再制造装配过程的选配方法

Publications (2)

Publication Number Publication Date
CN107945045A true CN107945045A (zh) 2018-04-20
CN107945045B CN107945045B (zh) 2021-12-21

Family

ID=61947649

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711226504.5A Active CN107945045B (zh) 2017-11-29 2017-11-29 一种基于粒子群遗传算法的再制造装配过程的选配方法

Country Status (1)

Country Link
CN (1) CN107945045B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921722A (zh) * 2018-07-04 2018-11-30 武汉科技大学 一种再制造发动机设计平台
CN109086491A (zh) * 2018-07-09 2018-12-25 华南理工大学 一种基于混合粒子群算法的多维方向选择装配优化方法
CN109271653A (zh) * 2018-07-13 2019-01-25 西安交通大学 一种基于形位公差与尺寸公差的机械零件选配方法
CN109711701A (zh) * 2018-12-20 2019-05-03 合肥工业大学 装备研发制造过程中的协同调度方法、系统和存储介质
CN110428116A (zh) * 2019-06-05 2019-11-08 武汉科技大学 基于能源、环境和经济的再制造系统可持续性测定系统
CN111242271A (zh) * 2020-01-13 2020-06-05 北京工业大学 一种基于改进惯性权重粒子群算法的装配序列规划方法
CN111985142A (zh) * 2020-07-21 2020-11-24 浙江工业大学 一种基于遗传粒子群算法的rv减速器零部件选配方法
CN112100852A (zh) * 2020-09-16 2020-12-18 河海大学常州校区 一种面向装配质量的产品零件选配方法和装置
CN112699607A (zh) * 2020-12-31 2021-04-23 中国计量大学 一种基于遗传算法的多目标优化选择装配方法
CN112926245A (zh) * 2021-02-23 2021-06-08 广西电网有限责任公司电力科学研究院 一种基于混和遗传-田口算法的避雷器均压环设计方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103902759A (zh) * 2013-12-27 2014-07-02 西京学院 一种基于遗传算法的装配公差优化设计方法
CN104036102A (zh) * 2014-07-02 2014-09-10 北京理工大学 一种产品装配偏差的计算方法及装置
US8938184B2 (en) * 2012-07-09 2015-01-20 Mitsubishi Kagaku Imaging Corporation Methods and devices for remanufacturing printer cartridge components
CN105204472A (zh) * 2015-09-30 2015-12-30 河南科技大学 一种单件离散型生产作业排程优化方法
CN105430706A (zh) * 2015-11-03 2016-03-23 国网江西省电力科学研究院 一种基于改进粒子群算法的无线传感网络路由优化方法
CN106447047A (zh) * 2016-01-17 2017-02-22 沈阳工业大学 一种废旧机床可再制造质量评估方法
CN106610584A (zh) * 2015-10-27 2017-05-03 沈阳工业大学 一种基于神经网络与专家系统的再制造工序质量控制方法
US20170120611A1 (en) * 2013-02-12 2017-05-04 Clover Technologies Group, Llc Electronic patch for refurbishing a used print cartridge
CN106960101A (zh) * 2017-03-28 2017-07-18 上海大学 一种基于质量损失和成本最小化的装配公差优化方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8938184B2 (en) * 2012-07-09 2015-01-20 Mitsubishi Kagaku Imaging Corporation Methods and devices for remanufacturing printer cartridge components
US20170120611A1 (en) * 2013-02-12 2017-05-04 Clover Technologies Group, Llc Electronic patch for refurbishing a used print cartridge
CN103902759A (zh) * 2013-12-27 2014-07-02 西京学院 一种基于遗传算法的装配公差优化设计方法
CN104036102A (zh) * 2014-07-02 2014-09-10 北京理工大学 一种产品装配偏差的计算方法及装置
CN105204472A (zh) * 2015-09-30 2015-12-30 河南科技大学 一种单件离散型生产作业排程优化方法
CN106610584A (zh) * 2015-10-27 2017-05-03 沈阳工业大学 一种基于神经网络与专家系统的再制造工序质量控制方法
CN105430706A (zh) * 2015-11-03 2016-03-23 国网江西省电力科学研究院 一种基于改进粒子群算法的无线传感网络路由优化方法
CN106447047A (zh) * 2016-01-17 2017-02-22 沈阳工业大学 一种废旧机床可再制造质量评估方法
CN106960101A (zh) * 2017-03-28 2017-07-18 上海大学 一种基于质量损失和成本最小化的装配公差优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WEILEI SHEN 等: "The quality control method for remanufacturing assembly based on the Jacobian-torsor model", 《ORIGINAL ARTICLE》 *
张根保 等: "多装配特征影响下的装配质量特性预测方法", 《计算机应用研究》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921722A (zh) * 2018-07-04 2018-11-30 武汉科技大学 一种再制造发动机设计平台
CN109086491B (zh) * 2018-07-09 2023-02-14 华南理工大学 一种基于混合粒子群算法的多维方向选择装配优化方法
CN109086491A (zh) * 2018-07-09 2018-12-25 华南理工大学 一种基于混合粒子群算法的多维方向选择装配优化方法
CN109271653A (zh) * 2018-07-13 2019-01-25 西安交通大学 一种基于形位公差与尺寸公差的机械零件选配方法
CN109271653B (zh) * 2018-07-13 2020-08-18 西安交通大学 一种基于形位公差与尺寸公差的机械零件选配方法
CN109711701A (zh) * 2018-12-20 2019-05-03 合肥工业大学 装备研发制造过程中的协同调度方法、系统和存储介质
CN109711701B (zh) * 2018-12-20 2020-11-10 合肥工业大学 装备研发制造过程中的协同调度方法、系统
CN110428116A (zh) * 2019-06-05 2019-11-08 武汉科技大学 基于能源、环境和经济的再制造系统可持续性测定系统
CN111242271A (zh) * 2020-01-13 2020-06-05 北京工业大学 一种基于改进惯性权重粒子群算法的装配序列规划方法
CN111985142A (zh) * 2020-07-21 2020-11-24 浙江工业大学 一种基于遗传粒子群算法的rv减速器零部件选配方法
CN111985142B (zh) * 2020-07-21 2023-05-23 浙江工业大学 一种基于遗传粒子群算法的rv减速器零部件选配方法
CN112100852A (zh) * 2020-09-16 2020-12-18 河海大学常州校区 一种面向装配质量的产品零件选配方法和装置
CN112100852B (zh) * 2020-09-16 2023-08-15 河海大学常州校区 一种面向装配质量的产品零件选配方法和装置
CN112699607A (zh) * 2020-12-31 2021-04-23 中国计量大学 一种基于遗传算法的多目标优化选择装配方法
CN112926245A (zh) * 2021-02-23 2021-06-08 广西电网有限责任公司电力科学研究院 一种基于混和遗传-田口算法的避雷器均压环设计方法
CN112926245B (zh) * 2021-02-23 2022-12-16 广西电网有限责任公司电力科学研究院 一种基于混和遗传-田口算法的避雷器均压环设计方法

Also Published As

Publication number Publication date
CN107945045B (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN107945045A (zh) 一种基于粒子群遗传算法的再制造装配过程的选配方法
CN102063540B (zh) 一种机床床身结构优化设计方法
CN110052713B (zh) 零件增减材复合制造工艺
CN103390082B (zh) 一种多轴机床几何精度稳健优配方法
Li et al. Modeling and multi-objective optimization method of machine tool energy consumption considering tool wear
CN107193258A (zh) 面向能耗的数控加工工艺路线与切削参数优化模型与方法
CN107422648A (zh) 一种自由曲面球头铣削淬硬钢模具过程集成优化方法
CN106001570B (zh) 一种一体化3d激光打印多组件制备方法
Deng et al. A high efficiency and low carbon oriented machining process route optimization model and its application
CN104408310B (zh) 机械装置pfam结构化分解方法
CN104786078B (zh) 钛合金整体叶轮的数控加工方法及其配套工装夹具
Rawat et al. Productivity measurement of manufacturing system
CN107807623A (zh) 柔性机加生产线的动态排产方法、系统及在高铁动车零部件组柔性机加生产线中的应用
CN111290358B (zh) 一种面向柔性制造系统的产品节能调度优化方法
CN107248047A (zh) 基于加工过程状态熵动态计算的加工过程状态评价方法
CN103065207B (zh) 基于加工元的发动机缸体工艺路线规划方法
Lu et al. Concurrent tolerance design for manufacture and assembly with a game theoretic approach
CN107065765A (zh) 基于刀具轴线运动模型的切屑厚度计算方法
CN107045578B (zh) 一种基于npso算法的容屑槽加工砂轮位姿求解方法
CN111948977B (zh) 一种用于不锈钢加工的多目标优化方法和系统
Li et al. A cutting parameter energy-saving optimization method considering tool wear for multi-feature parts batch processing
CN116974241B (zh) 面向绿色低碳制造的数控机床几何优化方法及装置
CN107876905B (zh) 一种基于虚拟轴的蜗杆砂轮磨齿误差补偿方法
Zhang et al. Velocity effect sensitivity analysis of ball-end milling Ti-6Al-4 V
CN106897503A (zh) Rv减速器主轴承多目标优化中设计变量范围的确定方法

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