CN110245842B - 一种面向设备突发大故障的生产线风险调度方法 - Google Patents
一种面向设备突发大故障的生产线风险调度方法 Download PDFInfo
- Publication number
- CN110245842B CN110245842B CN201910437500.4A CN201910437500A CN110245842B CN 110245842 B CN110245842 B CN 110245842B CN 201910437500 A CN201910437500 A CN 201910437500A CN 110245842 B CN110245842 B CN 110245842B
- Authority
- CN
- China
- Prior art keywords
- production line
- risk
- line equipment
- sudden large
- model
- 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.)
- Expired - Fee Related
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 230000035772 mutation Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 101000974007 Homo sapiens Nucleosome assembly protein 1-like 3 Proteins 0.000 description 1
- 102100022398 Nucleosome assembly protein 1-like 3 Human genes 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及生产线调度领域,尤其是涉及一种面向设备突发大故障的生产线风险调度方法。本发明通过在生产线设备故障风险的评估过程中考虑了生产线设备突发大故障的影响,通过引入突发大故障健康状态,使得采用的风险评估方案能够更准确评估生产线设备风险;通过建立生产线设备健康状态模型,明确生产线设备突发大故障状态在整个生产线设备健康状态所占的权重,通过线性加权综合评估生产线设备风险;改进的差分局部算法在保持原有搜索方法优点的同时,增加了个体的多样性,有效防止搜索陷入局部最优解。本发明能够考虑生产线设备突发大故障带来的风险,实现生产线的多目标风险调度。
Description
技术领域
本发明涉及生产线调度领域,尤其是涉及一种面向设备突发大故障的生产线风险调度方法。
背景技术
由于现代制造系统机电生产线设备的复杂性,加之生产过程中材料和生产线设备部件不可预测的失效等诸多不确定性,现实生产中会随机出现生产线设备突发大故障。这种生产线设备突发大故障虽然发生概率低,但一旦发生就会带来严重的生产线设备非计划停机或重大产品事故,从而降低生产能力、严重扰乱正常生产计划的执行、延迟交货期。
南京信息工程大学的中国专利公布号CN104635772A,公布日为2015年5月20日,发明名称为“一种制造系统自适应动态调度方法”,该方法虽然能面对动态生产环境实现自适应动态调度,但未能综合考虑生产线设备突发大故障发生的概率与严重程度,难以反应制造系统的实际运行风险水平,更不能从安全、经济和风险的全局视角进行统筹协调给出规避风险的调度策略。
发明内容
针对生产线设备突发大故障是一种发生概率低但影响大的极端风险以及其具有累积性特点,为克服现有风险评估方法难以反应生产线设备的实际运行风险水平的缺点,本发明提供了一种面向设备突发大故障的生产线风险调度方法。
一种面向设备突发大故障的生产线风险调度方法,该方法包括以下步骤:
1)建立基于隐马尔可夫模型的生产线设备健康状态评估模型;所述生产线设备健康状态包括健康、亚健康、正常、异常、常规故障、突发大故障状态;
2)根据步骤1的生产线设备健康状态评估模型获取生产线设备处于突发大故障状态的概率;
3)度量生产线设备常规故障风险和突发大故障的风险,根据步骤2获取的生产线设备处于突发大故障状态概率,基于线性加权综合评估生产线设备故障风险;
4)围绕步骤3获取的生产线设备风险性及其经济性两者关系进行分析,构建一种多目标风险调度模型;
5)结合差分进化方法和多目标非支配遗传算法,优化步骤4建立的多目标风险调度模型,得到生产线的最终调度方案。
所述的步骤1)具体为:
1.1)采用分段K-means方法进行模型参数的初始化,通过不断迭代模型聚
类中心,获得隐马尔可夫模型初始化参数λ,即λ=(π,A,B)。
式中π表示初始状态分布向量,A表示状态转移概率分布矩阵,B表示观察值概率矩阵。
所述的步骤2)具体为:
利用Forward-Backward算法,计算出生产线设备在t时刻处于状态θi的概率:
计算生产线设备处于突发大故障状态θk的概率pk:
所述的步骤3)具体为:
根据步骤2)中计算的生产线设备突发大故障状态概率pk,利用信息熵确定线性组合的生产线设备突发大故障权重因子δ:
式中Hk为生产线设备突发大故障状态对应的信息熵,Hi为生产线设备各健康状态对应的信息熵,m为生产线设备健康状态的个数。
基于生产线设备突发大故障权重因子δ,评估生产线设备故障风险c。
c=δCVaRc+(1-δ)Bi
式中CVaRc为生产线设备突发大故障风险,Bi为生产线设备常规故障风险。
所述的步骤4)构建多目标风险调度模型从经济性和风险性两方面统筹考虑,以工位负荷平衡和生产线设备故障风险为优化目标,构建一种多目标风险调度模型:
min f(x)={Cost,Risk}
4.1)为均衡每一个瓶颈工位的过载时间与空闲时间,平衡工位负载将作为风险调度的经济性指标,具体定义为:
式中:idtij为第i次序的车在第j工位的闲置时间,ovtij为第i次序的车在第j工位的超载时间。
4.2)根据步骤3)计算调度模型风险指标:
RISK=δCVaRc+(1-δ)Bi
所述风险调度模型约束条件包括:工序顺序约束、机器约束和连续性约束。
1)工序约束:要求同一工件的工序间有先后约束,即工件i的第j道工序必须在第(j-1)道工序结束后才可以进行:
式中bijm表示工序Rij在m台机器上的开始加工时间,Sijm=Si(j-1)m=1。
3)连续性约束:工序Rij在加工过程中不能中断:
式中cijm表示工序Rij的完工时间。
作为本发明一种面向设备突发大故障的生产线风险调度方法进一步的优化方案,所述步骤5的多目标非支配遗传算法包括以下步骤:
①随机初始化一个父种群P0,其包含N个个体,对种群中的个体进行快速非支配排序得到种群Pt,并根据非支配等级对每个个体进行分级;
②对种群Pt二元锦标赛得到种群Pt′,随机选择个体p,利用差分变异模型以差分概率Pd进行变异;
③将步骤②的变异个体与其它个体进行二项式交叉生成个体q′;
④对个体q′以变异概率Pm产生新的变异个体q″,并将q′、q″合并成子代种群Qt;
⑤合并Pt和Qt生成组合种群Rt;
⑥对Rt进行快速非支配排序,比较Rt的拥挤距离,并利用精英策略选择Rt中的N个个体组成新一代种群Pt+1;
⑦判断是否满足终止条件,若满足条件,循环结束,输出结果;否则,转到步骤②继续执行。
作为本发明一种面向设备突发大故障的生产线风险调度方法进一步的优化方案,所述步骤5中的差分变异模型如下:
本发明的技术方案,具有以下成效:
1)本发明通过在生产线设备故障风险的评估过程中考虑了生产线设备突发大故障的影响,通过引入突发大故障健康状态,使得采用的风险评估方案能够更准确评估生产线设备风险。
2)本发明通过建立生产线设备健康状态模型,明确生产线设备突发大故障状态在整个生产线设备健康状态所占的权重,通过线性加权综合评估生产线设备风险,以解决生产线设备突发大故障发生概率低但危害严重的问题。
3)本发明设计改进多目标非支配遗传算法进行求解风险调度模型不确定性因素所引起的风险成本。本发明设计的改进的差分局部算法在保持原有搜索方法具有流程简单易实现、算法参数少、收敛速度快等优点的同时,可以增加个体的多样性,有效防止搜索陷入局部最优解。
综上所述,本发明提供的一种面向设备突发大故障的生产线风险调度方法,能够考虑生产线设备突发大故障带来的风险,实现生产线的多目标风险调度。
附图说明
图1为本发明生产线设备健康状态转移过程;
图2为本发明风险调度方法实施方式流程;
图3为本发明结合差分进化和多目标非支配遗传算法的调度算法流程图;
图4为实施例DENSGA-II和NSGA-II算法得到的Pareto曲线。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
本发明公开了一种面向设备突发大故障的生产线风险调度方法,如图1所示,生产线设备健康状态包括健康、亚健康、正常、异常、常规故障、突发大故障状态。
步骤1):
1.1)采用分段K-means方法进行模型参数的初始化,通过不断迭代模型聚类中心,获得隐马尔可夫模型初始化参数λ,即λ=(π,A,B)。
式中π表示初始状态分布向量,A表示状态转移概率分布矩阵,B表示观察值概率矩阵。
步骤2):
利用Forward-Backward算法,计算出生产线设备在t时刻处于状态θi的概率:
计算生产线设备处于突发大故障状态θk的概率pk:
步骤3):
根据2)中计算的生产线设备突发大故障状态概率pk,利用信息熵确定线性组合的生产线设备突发大故障权重因子δ:
式中Hk为生产线设备突发大故障状态对应的信息熵,Hi为生产线设备各健康状态对应的信息熵,m为生产线设备健康状态的个数。
基于生产线设备突发大故障权重因子δ,评估设故障风险c。
c=δCVaRc+(1-δ)Bi
式中CVaRc为生产线设备突发大故障风险,Bi为生产线设备常规故障风险。
步骤4):
构建多目标风险调度模型从经济性和风险性两方面统筹考虑,以工位负荷平衡和生产线设备故障风险为优化目标,构建一种多目标风险调度模型:
min f(x)={Cost,Risk}
4.1)为均衡每一个瓶颈工位的过载时间与空闲时间,平衡工位负载将作为风险调度的经济性指标,具体定义为:
式中:idtij为第i次序的车在第j工位的闲置时间,ovtij为第i次序的车在第j工位的超载时间。
4.2)根据步骤3)计算调度模型风险指标:
RISK=δCVaRc+(1-δ)Bi
所述风险调度模型约束条件包括:工序顺序约束、机器约束和连续性约束。
工序约束:要求同一工件的工序间有先后约束,即工件i的第j道工序必须在第(j-1)道工序结束后才可以进行:
式中bijm表示工序Rij在m台机器上的开始加工时间,Sijm=Si(j-1)m=1。
连续性约束:工序Rij在加工过程中不能中断:
式中cijm表示工序Rij的完工时间。
如图3所示,所述步骤5的多目标非支配遗传算法包括以下步骤:
①随机初始化一个父种群P0,其包含N个个体,对种群中的个体进行快速非支配排序得到种群Pt,并根据非支配等级对每个个体进行分级;
②对种群Pt二元锦标赛得到种群Pt′,随机选择个体p,利用差分变异模型以差分概率Pd进行变异;
③将步骤②的变异个体与其它个体进行二项式交叉生成个体q′;
④对个体q′以变异概率Pm产生新的变异个体q″,并将q′、q″合并成子代种群Qt;
⑤合并Pt和Qt生成组合种群Rt;
⑥对Rt进行快速非支配排序,比较Rt的拥挤距离,并利用精英策略选择Rt中的N个个体组成新一代种群Pt+1;
⑦判断是否满足终止条件,若满足条件,循环结束,输出结果;否则,转到步骤②继续执行。
所述步骤5中的差分变异模型如下:
为了验证本文提出的改进的多目标非支配遗传算法(DENSGA-II)的效果,将其与标准的多目标非支配遗传算法(NSGA-II)进行对比,对某车间的焊接生产批次计划进行调度。其生产计划如表1所示,这12种车型在10个瓶颈工位的额定工时如表2所示,用于对工位负载平衡进行研究。
表1生产线批次生产计划
车型 | A | B | C | D | E | F | G | H | I | J | K | L |
数量 | 4 | 3 | 5 | 2 | 3 | 1 | 6 | 3 | 4 | 2 | 6 | 1 |
表2生产线的12种车型瓶颈工位需要的工位时间
车型 | MB02 | MB05 | MB07 | MB08 | MB10 | MB13 | MB19 | MB20 | MB21 | MB24 |
A | 74 | 84 | 61 | 74 | 77 | 78 | 72 | 63 | 78 | 75 |
B | 86 | 78 | 70 | 78 | 81 | 82 | 75 | 68 | 77 | 83 |
C | 83 | 75 | 74 | 65 | 84 | 66 | 77 | 80 | 84 | 68 |
D | 78 | 84 | 84 | 76 | 78 | 83 | 74 | 69 | 77 | 76 |
E | 61 | 83 | 76 | 85 | 84 | 65 | 78 | 74 | 71 | 64 |
F | 91 | 83 | 61 | 76 | 79 | 78 | 72 | 62 | 83 | 93 |
G | 68 | 77 | 81 | 69 | 78 | 84 | 66 | 73 | 78 | 66 |
H | 79 | 68 | 73 | 84 | 75 | 65 | 76 | 79 | 83 | 67 |
I | 75 | 77 | 64 | 85 | 77 | 82 | 84 | 64 | 83 | 63 |
J | 72 | 75 | 86 | 88 | 65 | 74 | 85 | 65 | 68 | 76 |
K | 83 | 75 | 74 | 70 | 86 | 74 | 75 | 64 | 78 | 84 |
L | 74 | 92 | 86 | 68 | 74 | 72 | 84 | 64 | 78 | 68 |
在算法参数设置方面,DENSGA-II和NSGA-II都采用整数编码,DENSGA-II的缩放因子设置为0.5,差分概率为0.9,变异概率为0.25,多项式变异指数为20;NSGA-II的交叉概率为0.9,变异概率为0.1,均设置种群规模为100,存档种群规模为50,迭代次数为250。
基于以上设置的实验参数,分别使用DENSGA-II算法和NSGA-II算法对白车身焊接生产线进行风险调度,运行10次,图4记录了DENSGA-II和NSGA-II算法得到的Pareto曲线。通过图4分析,在Pareto最优解的数量及其分布的均匀性上,DENSGA-II算法的结果都好于NSGA-II算法。因此,DENSGA-II在搜索性能上好于NSGA-II算法。
从上述验证结果可以看出,本发明提供的方法在生产线调度时,能在保证工位负载均衡时,同时降低生产线设备故障风险。
Claims (1)
1.一种面向生产线设备突发大故障的生产线风险调度方法,其特征在于,包括以下步骤:
步骤1、建立基于隐马尔可夫模型的生产线设备健康状态评估模型;所述生产线设备健康状态包括健康、亚健康、正常、异常、常规故障和突发大故障状态;
步骤1-1、采用分段K-means方法进行模型参数的初始化,通过不断迭代模型聚类中心,获得模型初始化参数λ,即λ=(π,A,B);式中π表示初始状态分布向量,A表示状态转移概率分布矩阵,B表示观察值概率矩阵;
步骤2、根据步骤1的生产线设备健康状态评估模型获取生产线设备处于突发大故障状态的概率;
步骤3、度量生产线设备常规故障风险和突发大故障的风险,根据步骤2获取的生产线设备处于突发大故障状态概率P k ,基于线性加权综合评估生产线设备故障风险;
根据P k 利用信息熵确定线性组合的生产线设备突发大故障权重因子:
式中H k 为生产线设备突发大故障状态对应的信息熵,H i 为生产线设备各健康状态对应的信息熵,m为生产线设备健康状态的个数;
基于生产线设备突发大故障权重因子δ,评估生产线设备故障风险;
式中CVaR c 为生产线设备突发大故障风险,B i 为生产线设备常规故障风险;
步骤4、围绕步骤3获取的生产线设备风险性及其经济性两者关系进行分析,构建多目标风险调度模型从经济性和风险性两方面统筹考虑,以工位负荷平衡和生产线设备故障风险为优化目标,构建一种多目标风险调度模型;
步骤4-1、为均衡每一个瓶颈工位的过载时间与空闲时间,平衡工位负载将作为风险调度的经济性指标,具体定义为:
式中:idt ij 为第i次序的车在第j工位的闲置时间,ovt ij 为第i次序的车在第j工位的超载时间;
步骤4-2、根据步骤3计算调度模型风险指标:
所述风险调度模型约束条件包括:工序顺序约束、机器约束和连续性约束;
工序约束:要求同一工件的工序间有先后约束,即工件i的第j道工序必须在第(j-1)道工序结束后才可以进行:
式中b ijm 表示工序R ij 在m台机器的开始加工时间,S ijm = S i(j-1)m =1;
连续性约束:工序R ij 在加工过程中不能中断:
式中c ijm 表示工序R ij 的完工时间;
步骤5、结合差分进化方法和多目标非支配遗传算法,优化步骤4建立的多目标风险调度模型,得到生产线的最终调度方案;
具体的多目标非支配遗传算法包括以下步骤:
步骤5-1、随机初始化一个父种群P 0,其包含N个个体,对种群中的个体进行快速非支配排序得到种群P t ,并根据非支配等级对每个个体进行分级;
步骤5-2、对种群P t 二元锦标赛得到种群P t ',随机选择个体p,利用差分变异模型以差分概率P d 进行变异;差分变异模型如下:
式中x best 表示当前种群中最优个体,F是缩放因子,x r1 、x r2 、x r3 、x r4 是在种群P t 随机选择的;
步骤5-3、将步骤5-2的变异个体与其它个体进行二项式交叉生成个体q';
步骤5-6、对R t 进行快速非支配排序,比较R t 的拥挤距离,并利用精英策略选择R t 中的N个个体组成新一代种群P t+1;
步骤5-7、判断是否满足终止条件,若满足条件,循环结束,输出结果;否则,转到步骤5-2继续执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910437500.4A CN110245842B (zh) | 2019-05-24 | 2019-05-24 | 一种面向设备突发大故障的生产线风险调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910437500.4A CN110245842B (zh) | 2019-05-24 | 2019-05-24 | 一种面向设备突发大故障的生产线风险调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110245842A CN110245842A (zh) | 2019-09-17 |
CN110245842B true CN110245842B (zh) | 2022-11-25 |
Family
ID=67884953
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910437500.4A Expired - Fee Related CN110245842B (zh) | 2019-05-24 | 2019-05-24 | 一种面向设备突发大故障的生产线风险调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110245842B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111610758B (zh) * | 2020-04-23 | 2021-12-28 | 北京交通大学 | 面向机器故障的装配式建筑预制构件生产再调度优化方法 |
CN112069676A (zh) * | 2020-09-02 | 2020-12-11 | 沈阳工程学院 | 一种含清洁能源的微电网能量管理方法 |
CN112507479B (zh) * | 2020-11-19 | 2022-03-15 | 电子科技大学 | 一种基于流形学习和softmax的石油钻机健康状态评估方法 |
CN112561129B (zh) * | 2020-11-27 | 2022-09-02 | 广东电网有限责任公司肇庆供电局 | 一种基于配电线路故障信息的抢修物资调配方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003263217A (ja) * | 2002-03-11 | 2003-09-19 | Toshiba Corp | 生産リスク管理方法及びそのシステム並びに製品の製造方法 |
CN101569971A (zh) * | 2009-05-05 | 2009-11-04 | 四川成焊宝玛焊接装备工程有限公司 | 适用于多车型混线生产汽车车身机器人柔性焊接系统 |
CN107146004A (zh) * | 2017-04-20 | 2017-09-08 | 浙江大学 | 一种基于数据挖掘的矿渣粉磨系统健康状态识别系统及方法 |
CN107358060A (zh) * | 2017-09-06 | 2017-11-17 | 大连理工大学 | 一种基于隐马尔科夫模型的对风电功率预测误差区间进行估计的方法 |
CN107944695A (zh) * | 2017-11-21 | 2018-04-20 | 电子科技大学 | 一种基于生产不确定性的关键链缓冲区设置方法 |
CN108335021A (zh) * | 2018-01-19 | 2018-07-27 | 华中科技大学 | 一种风力机状态可靠度评估的方法及维修决策优化 |
CN108399415A (zh) * | 2018-01-16 | 2018-08-14 | 电子科技大学 | 一种基于设备所处生命周期阶段的自适应数据采集方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9916538B2 (en) * | 2012-09-15 | 2018-03-13 | Z Advanced Computing, Inc. | Method and system for feature detection |
US9645575B2 (en) * | 2013-11-27 | 2017-05-09 | Adept Ai Systems Inc. | Method and apparatus for artificially intelligent model-based control of dynamic processes using probabilistic agents |
US10755211B2 (en) * | 2015-12-16 | 2020-08-25 | International Business Machines Corporation | Work schedule creation based on predicted and detected temporal and event based individual risk to maintain cumulative workplace risk below a threshold |
-
2019
- 2019-05-24 CN CN201910437500.4A patent/CN110245842B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003263217A (ja) * | 2002-03-11 | 2003-09-19 | Toshiba Corp | 生産リスク管理方法及びそのシステム並びに製品の製造方法 |
CN101569971A (zh) * | 2009-05-05 | 2009-11-04 | 四川成焊宝玛焊接装备工程有限公司 | 适用于多车型混线生产汽车车身机器人柔性焊接系统 |
CN107146004A (zh) * | 2017-04-20 | 2017-09-08 | 浙江大学 | 一种基于数据挖掘的矿渣粉磨系统健康状态识别系统及方法 |
CN107358060A (zh) * | 2017-09-06 | 2017-11-17 | 大连理工大学 | 一种基于隐马尔科夫模型的对风电功率预测误差区间进行估计的方法 |
CN107944695A (zh) * | 2017-11-21 | 2018-04-20 | 电子科技大学 | 一种基于生产不确定性的关键链缓冲区设置方法 |
CN108399415A (zh) * | 2018-01-16 | 2018-08-14 | 电子科技大学 | 一种基于设备所处生命周期阶段的自适应数据采集方法 |
CN108335021A (zh) * | 2018-01-19 | 2018-07-27 | 华中科技大学 | 一种风力机状态可靠度评估的方法及维修决策优化 |
Non-Patent Citations (6)
Title |
---|
《设备故障评估新指标及基于ARMA的预测系统》;李波等;《系统工程与电子技术》;20110115;第33卷(第01期);第98-101页 * |
A fault prediction method based on modified Genetic Algorithm using BP neural network algorithm;Qing Liu等;《2016 IEEE International Conference on Systems, Man, and Cybernetics (SMC)》;20161012;第004614-004619页 * |
Failure Event Prediction Using Hidden Markov Model Approaches;Pascal Vrignat等;《IEEE Transactions on Reliability》;20150425;第64卷(第03期);第1-11页 * |
Hidden Markov Models for failure diagnostic and prognostic;D. A. Tobon-Mejia等;《2011 Prognostics and System Health Managment Confernece》;20110525;第1-8页 * |
Performance Prediction and Evaluation Based on the Variability Theory in Production Lines Using ARENA Simulation;Changjun Li等;《Wireless Personal Communications》;20180210;第103卷;第509-519页 * |
基于HMM的设备性能退化评估方法的研究;朱义等;《2008年全国振动工程及应用学术会议暨第十一届全国设备故障诊断学术会议论文集》;20080801;第117-119页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110245842A (zh) | 2019-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110245842B (zh) | 一种面向设备突发大故障的生产线风险调度方法 | |
Liu et al. | Single-machine-based joint optimization of predictive maintenance planning and production scheduling | |
US20230152786A1 (en) | Industrial equipment operation, maintenance and optimization method and system based on complex network model | |
Sukthomya et al. | The training of neural networks to model manufacturing processes | |
Zhan et al. | Enhanced error assessment of response time histories (EEARTH) metric and calibration process | |
CN112818484A (zh) | 一种物理实体数字孪生综合实施能力评估方法及评估系统 | |
Ma et al. | Condition-based maintenance optimization for multicomponent systems under imperfect repair—based on RFAD model | |
CN114527714A (zh) | 一种基于数字孪生及扰动监测的车间动态调度方法 | |
Moghaddam | Preventive maintenance and replacement optimization on CNC machine using multiobjective evolutionary algorithms | |
CN115758761A (zh) | 基于遗传算法的质检任务调度方法、设备及介质 | |
CN117113166A (zh) | 一种基于改进的集成学习的工业锅炉故障检测方法 | |
Gholizadeh et al. | Fuzzy regression integrated with genetic-tabu algorithm for prediction and optimization of a turning process | |
Rosli et al. | Predictive maintenance of air booster compressor (ABC) motor failure using artificial neural network trained by particle swarm optimization | |
CN111400964B (zh) | 一种故障发生时间预测方法及装置 | |
CN110705844B (zh) | 基于非强制空闲时间的作业车间调度方案鲁棒优化方法 | |
CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析系统及方法 | |
Caprace | Cost Effectiveness and Complexity Assessment in Ship Design within a Concurrent Engineering and" Design for X" Framework | |
CN110929930A (zh) | 一种船用曲轴生产线排产调度优化方法 | |
CN108090566B (zh) | 基于串并联遗传算法的多目标测试优选方法 | |
Tirovolas et al. | Introducing fuzzy cognitive map for predicting engine’s health status | |
Guilani et al. | Redundancy allocation problem of a system with three-state components: A genetic algorithm | |
Chen et al. | Joint optimization of fleet-level sequential selective maintenance and repairpersons assignment for multi-state manufacturing systems | |
CN115438929A (zh) | 一种面向航空发动机装配车间可重入工序的调度方法 | |
Gan et al. | Maintenance Optimization for a Production System Subject to Shocks Considering a Buffer Inventory and Production Defects | |
Mishra | Optimal Availability Analysis of Brake Drum manufacturing System by Using Markovian Approach |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221125 |