CN114611379A - 一种基于数据驱动的加工工艺节能规划方法 - Google Patents
一种基于数据驱动的加工工艺节能规划方法 Download PDFInfo
- Publication number
- CN114611379A CN114611379A CN202210123931.5A CN202210123931A CN114611379A CN 114611379 A CN114611379 A CN 114611379A CN 202210123931 A CN202210123931 A CN 202210123931A CN 114611379 A CN114611379 A CN 114611379A
- Authority
- CN
- China
- Prior art keywords
- processing
- energy consumption
- machining
- data
- energy
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000003754 machining Methods 0.000 title claims abstract description 39
- 238000012545 processing Methods 0.000 claims abstract description 99
- 238000005265 energy consumption Methods 0.000 claims abstract description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 238000004519 manufacturing process Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000013461 design Methods 0.000 abstract description 4
- 230000002068 genetic effect Effects 0.000 description 12
- 108090000623 proteins and genes Proteins 0.000 description 11
- 230000006870 function Effects 0.000 description 8
- 210000000349 chromosome Anatomy 0.000 description 5
- 230000035772 mutation Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000003780 insertion Methods 0.000 description 3
- 230000037431 insertion Effects 0.000 description 3
- 206010064571 Gene mutation Diseases 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于数据驱动的加工工艺节能规划方法,包括,基于数字化离散车间机床历史采集数据和数控程序建立加工元加工能耗预测模型,并结合该能耗预测模型对数字化离散车间加工工艺节能规划问题进行求解。建立机床加工数据、零件特征加工元、数控程序参数和加工能耗之间的映射关系,获得数据集,并训练设计的神经网络,获得零件特征加工元的能耗预测模型。利用车间生产实时加工数据优化预测模型,建立一种加工工艺节能规划问题模型,其中,加工元的能耗通过训练好的预测模型进行预测;通过设计的智能优化算法进行工艺规划模型优化求解。本发明可用于数字化离散车间工艺辅助设计,提高车间生产效率,降低能耗,促进绿色节能生产。
Description
技术领域
本发明属于智能制造及智能工艺规划领域,特别涉及一种基于数据驱动的加工工艺节能规划方法。
背景技术
作业车间工艺规划问题是一类满足资源配置和工艺约束要求的排序优化问题,是一个典型的NP难题。并且工艺规划是衔接零件设计和制造的重要环节,工艺规划结果的好坏极大的影响了制造的效率和成本。但在工艺规划的过程中,很难去精确优化整个工艺过程的能耗,导致无法确定工艺规划结果在实际加工环境中的实用性。在工艺规划过程中,基于机床历史数据采用BP神经网络进行加工能耗的预测,将工艺规划的能耗目标与实际加工相联系,以获得符合工况的最优工艺路线。因此,结合实际生产设备数据,研究这类加工工艺节能规划方法及优化方法具有很重要的理论意义和工程应用价值。
神经网络是在模拟人脑神经组织的基础上发展起来的计算系统,它具有生物神经系统的基本特征,在一定程度上反映了人脑功能的若干反映,是对生物系统的某种模拟,神经网络是模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,具有大规模并行、分布式处理、自组织、自学习等优点,广泛应用与预测、推理等领域。同时,也具有自身不足:收敛速度慢、容易陷入局部极小化的现象。
遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。具有隐含并行性和全局解空间搜索能力,在工艺规划领域得到广泛应用,并且经典的遗传算法具有较好的全局优化求解能力。
为实现零件制造能耗控制、提高零件制造效率,提出基于数据驱动的加工工艺节能规划方法。本发明可实现符合实际车间工况智能化加工工艺节能规划,提高该理论研究在实践中的实用性。
发明内容
本发明对数字化离散车间中工艺规划与车间生产之间联系的紧密需求,提出一种基于数据驱动的加工工艺节能规划方法,以此实现加工工艺节能规划。结合数控程序和采集的机床加工数据,挖掘出与加工元加工能耗相关的参数,建立面向加工元的能耗预测模型,以此拟合实际加工所需能耗。基于预测模型建立了加工工艺节能规划模型。并基于该模型,采用遗传算法进行求解。解决现有工艺规划结果与实际车间的生产脱离、优化结果的可用性差的问题,实现智能化工艺规划以提高制造效率和降低能耗。为实现上述目的,本发明采用以下技术方案:
一种基于数据驱动的加工工艺节能规划方法包括以下步骤:
步骤1:基于零件加工元分解规则,将零件所有特征匹配的加工方法分解为独立的加工单元,得到用于工序排序优化的加工元序列;
步骤2:基于设备运行的实时状态数据,给每个加工元选择合适的加工资源;以最小加工能耗为优化目标进行排序优化,通过神经网络预测模型去拟合零件实际加工所需的能耗,获得更加符合车间实际工况的最优节能工艺路线。
步骤2的实现分为三步:
第一步:挖掘数控程序中与加工元对应的加工数据,利用采集的机床加工历史数据,建立零件特征加工元、机床加工数据、数控程序和能耗之间的映射模型;
建立映射模型的方法如下:
a)提取数控程序中加工工序的程序段;
b)结合工序信息进行最小化加工单元的程序段划分,并将机床的加工数据以同样的方法进行处理;
c)以加工单元为纽带,连接对应的机床加工数据和数控程序。
d)完成映射模型的建立。
第二步:根据步骤第一步所述的映射模型进行加工数据分析,将预处理后的数据进行归一化操作,训练神经网络,建立面向特征加工元的能耗预测模型,并利用采集的实时加工数据优化能耗预测模型;
建立预测模型的主要流程如下:
a)将机床采集的加工数据进行预处理,并通过归一化处理形成样本集;
b)建立初始BP神经网络,并应用处理好的数据进行训练;
c)将工艺案例数据输入BP神经网络中进行测试,判断误差是否达标。
d)完成自适应能耗预测模型。
e)用实时采集的加工数据进行预测模型的精确度测试。
BP神经网络设计:
a)分析所用的数据集,确定输入输出节点数;
b)根据经验公式确定隐含层节点数;
c)设置Sigmoid函数为隐含层传递函数,输出层函数采用线性函数,防止输出值被限制在(0,1)和(-1,1)之间;
d)选择BP神经网络的训练方法为误差逆向传播算法,并采用串行训练方式避免陷入局部最优;
e)确定神经网络中的初始权值;
f)将训练样本数据进行归一化处理,并输入网络中进行学习,获得所需的神经网络。
第三步:以能耗作为优化目标进行工序排序优化,通过神经网络预测每个加工元所需要的加工能耗;采用智能优化算法进行最小能耗的工序排序优化,获得符合实际工况的最小能耗的最优工艺路线。
结合BP神经网络的遗传算法设计:
使用遗传算法进行工艺规划优化,将加工资源约束和该零件存在的工艺约束作为算法优化中需输入的约束信息,进行工序排序,求解出满足所有约束的最优工艺规划结果。
a)编码:染色体编码方式采用基于加工元的整数编码,每个染色体能够表示工件所有加工元的加工顺序。
b)初始解的产生:通过随机生成的方法产生大部分初始种群个体,启发式规则产生小部分初始种群个体。
c)适应度函数值的计算:将每个个体对应的工艺方案的目标能耗E作为种群个体的适应度值。
d)遗传操作:
①选择:根据各个个体的适应度值,采用锦标赛的选择方法从父代群体选择个体基因遗传到下一代;
②交叉:以一定的交叉概率进行单点交叉。
③变异:以一定的变异概率随机进行两点互换基因变异和插入变异。
本发明的有益效果为:针对数字化离散生产作业车间,利用机床加工大数据,建立以能耗为优化目标的加工工艺节能规划模型。并基于该模型,提了一种结合BP神经网络的遗传算法,能够有效求解工艺规划问题的最优解或次优解,可用于车间零件工艺设计,提高车间生产效率,降低能耗,同时加强设计与车间制造之间的联系,提高工艺规划结果的实用性。
附图说明
图1为本方法流程图。
图2为能耗映射模型建立方法。
图3为BP神经网络的训练流程图。
具体实施方式
下面结合说明书附图详细描述本发明的技术方案:
随着数字化车间概念的提出和发展,如今数控机床的数据采集技术日趋完善,对于采集的数控机床的一些加工数据越趋精准。机床加工数据和零件特征参数之间存在紧密的联系,而其中一些数据对工艺规划结果的能耗有着很大的影响,如:机床主轴转速、切削深度、进给量和切削速度。一般离散车间工艺规划需要考虑的因素包括:所有加工资源之间的使用冲突、工序顺序之间的合理性、工艺约束、工艺结果所需能耗是否满足制造要求。一旦特征加工元被确定了加工资源,其所需的能耗也随之而定,而通过数据驱动进行预测的能耗之。
离散车间工艺规划问题可以描述为:单个待设计工艺零件、N台功能不同加工机床、零件的M个特征及相关信息和零件存在的工艺约束,其中工艺约束取决于零件特征之间的关联和车间加工工况,而且还要考虑加工资源对约束的影响。
本发明分析数字化离散车间生产过程数控机床的历史数据,并且为准确预测特征加工元所需能耗提供数据基础,通过训练BP神经网络获得能耗预测模型,最终使用遗传算法,建立了精准的加工工艺节能规划模型。下面结合所示附图以及具体的方法建立的实施方式,对本发明的建立做进一步的描述:
步骤1:建立能耗映射模型。
1)分解数控程序:数控程序段表示整个工序的加工,将针对不同特征的操作代码进行区分,并提取出对应的数据信息;
2)关联加工单元:将工艺过程在工序的基础上进行加工单元的划分,并与数控程序对应;
3)处理机床数据:将采集的机床数据区分为运行参数和加工结果;
4)模型建立:基于加工单元,以能耗作为结果,将机床数据、数控程序和工序信息三者进行连接,建立映射模型;
步骤2:建立加工元加工能耗预测模型。
BP神经网络能耗预测模型设计如下:
1)设置网络层数:BP神经网络可以包含一个到多个隐含层,对于本方法所用数据,采用单层隐含层即可满足需求;
2)设置输出和隐含节点数:输出层节点数取决输入向量的维数,隐含层节点数通过经验公式确定,输出层节点数根据研究问题的抽象模型所得;
3)传递函数的选择:隐含层采用Sigmoid函数。而输出层为了避免因采用 Sigmoid函数导致输出值被限制,因此使用线性函数;
4)训练方法的选择:采用标准的最速下降法,并使用串行训练方式;
6)训练模型:将训练数据进行归一化处理,并输入网络中进行学习,若网络成功收敛,即可得到所需的BP神经网络预测模型;
步骤2:建立以能耗为优化目标的离散车间工艺规划模型。
现做如下假设:
1)各加工元的能耗都是由BP神经网络实时预测所得,一旦确定不会受外界因素改变;
2)工件一旦开始加工就不能中断;
3)工件所有的加工元至少能在一台机床上加工;
4)某一时刻一台机床只能加工一个加工元;
5)所有加工元之间存在优先级关系;
6)不同机床之间的转换能耗仅与距离相关;
7)不同机床上调整刀具的能耗相对较低,都视为固定值;
该模型必须满足的工艺约束:
1)典型工艺约束关系
典型工艺约束关系如下:先粗后精,先基准后其他,先面后孔,先主要表面后次要表面。
2)聚类约束关系
工序集中原则是指对零件的各个表面的加工应集中在较少的工序中进行,每个工序应尽可能加工较多的内容。基于该原则,相同类型的特征、不同特征的相同加工阶段的加工元、加工资源相同的加工元应该安排在一起加工。
3)自定义约束关系
工艺人员可以根据车间实际的生产环境和要求设置相应的约束关系,指定特定加工元之间的加工顺序。
相关的符号定义如表1所示:
表1 符号定义
该模型加工约束条件和计算公式如下:
0≤bi,j≤ei,j (2)
ei,j-1≤bi,j (3)
ti,j=ei,j-bi,j (5)
其中,公式(1)是可用设备必须满足工件加工空间约束,公式(2)是工件的第j个加工元的开始加工时间必须小于其相应加工元的完工时间,且工件的加工元的开始加工时间大于等于0,公式(3)是工件的前一道加工元加工完成之后才能进入后一道加工元加工,公式(4)是工件在每个加工元只能安排到一台设备上进行加工,公式(5)是工件i的第j个加工元的加工时间计算式。
步骤2.1建立离散车间能耗模型
在实际生产中,制造能耗主要包括加工能耗、转换能耗和刀具调整能耗三部分,加工能耗由BP神经网络预测得出,其余两部分能耗等于功率和时间的乘积:
Ey=Pw×tw (7)
Eq=Pe×te (8)
步骤2.2针对上述工艺规划模型,采用遗传算法进行排序优化.该模型中的排序问题可看作路径寻优问题,同时遗传算法在路径寻优方面能力很强。因此本发明采用遗传算法进行加工元排序优化。主要内容如下:
1)编码:可行空间中的数据作为遗传算法的种群的表现形式。将问题抽象成数据,再把可行域中的数据表示成遗传算法的基因串的结构数据;本方法采用三层编码的方式:第一层编码代表工步元,第二层编码代表所用机床,第三层代表所用刀具。
2)参数初始化:初始化参数,包括迭代次数、种群大小、交叉概率、个体长度、选择概率、变异概率;
3)随机初始化种群,并添加零件的特征约束分析结果矩阵,减少不可行解的生成;
5)选择操作:根据各个个体的适应度值,采用锦标赛的选择方法从父代群体选择个体基因遗传到下一代;
6)交叉操作:以一定的交叉概率进行单点交叉,首先从种群中随机选择两个个体,随机选取一点为交叉位置,两条染色体进行单点交叉,交叉后染色体会出现工件的工序是多余的,或者工件的工序缺失,因此将工件多余的工序变为工件缺失的工序;
7)变异操作:变异采用随机进行两点互换基因变异和插入变异。两点互换基因变异是在父代染色体中随机选择两个不同的基因位置,将其基因值互换。插入变异是随机产生两个不同的基因位置,后面的那个基因插入到前面那个基因的位置,其余基因依次后移。
8)若满足终止条件即输出最优解,否则返回步骤4。
Claims (4)
1.一种基于数据驱动的加工工艺节能规划方法,其特征在于,包括如下步骤:
步骤1:基于零件加工元分解规则,将零件所有特征匹配的加工方法分解为独立的加工单元,得到用于工序排序优化的加工元序列;
步骤2:基于设备运行的实时状态数据,给每个加工元选择合适的加工资源;以加工能耗为优化目标进行工序排序优化,通过神经网络预测模型去拟合零件实际加工所需的能耗,获得更加符合车间实际工况的最优节能工艺路线。
2.根据权利要求1所述的一种基于数据驱动的加工工艺节能规划方法,其特征在于,步骤2中,针对以能耗作为优化目标工艺规划问题,综合考虑零件典型约束关系、受车间生产环境影响的约束关系和车间生产资源约束,采用智能优化算法解决加工工艺节能规划问题。
3.根据权利要求1所述的一种基于机床数据驱动的加工工艺节能规划方法,其特征在于,步骤2中神经网络预测模型的建立包括如下步骤:
步骤2.1:挖掘数控程序中与加工元对应的加工数据,利用采集的机床加工历史数据,建立零件特征加工元、机床加工数据、数控程序和能耗之间的映射模型;
步骤2.2:根据步骤2.1所述的映射模型进行加工数据分析,将预处理后的数据进行归一化操作,训练神经网络,建立面向特征加工元的能耗预测模型,并利用采集的实时加工数据优化能耗预测模型。
4.根据权利要求2所述的一种基于机床数据驱动的加工工艺节能规划方法,其特征在于,步骤2.1中,对数控程序中影响加工能耗的参数进行挖掘,并以加工元为单位进行程序段的划分,提取出与加工元相匹配的参数,以加工元为纽带建立特征加工元、机床加工数据、数控程序和能耗之间的映射模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210123931.5A CN114611379A (zh) | 2022-02-10 | 2022-02-10 | 一种基于数据驱动的加工工艺节能规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210123931.5A CN114611379A (zh) | 2022-02-10 | 2022-02-10 | 一种基于数据驱动的加工工艺节能规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114611379A true CN114611379A (zh) | 2022-06-10 |
Family
ID=81859593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210123931.5A Pending CN114611379A (zh) | 2022-02-10 | 2022-02-10 | 一种基于数据驱动的加工工艺节能规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114611379A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021086405A (ja) * | 2019-11-28 | 2021-06-03 | ファナック株式会社 | 機械学習装置、消費電力予測装置、及び制御装置 |
CN115951634A (zh) * | 2023-03-14 | 2023-04-11 | 中科航迈数控软件(深圳)有限公司 | 数控加工能耗预测方法、装置、电子设备及存储介质 |
CN115981236A (zh) * | 2023-03-20 | 2023-04-18 | 山东山森数控技术有限公司 | 一种数控车床车削过程能耗预测方法 |
CN118485311A (zh) * | 2024-07-11 | 2024-08-13 | 南通格美工业数控设备有限公司 | 基于云的数控设备管理系统及方法 |
-
2022
- 2022-02-10 CN CN202210123931.5A patent/CN114611379A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021086405A (ja) * | 2019-11-28 | 2021-06-03 | ファナック株式会社 | 機械学習装置、消費電力予測装置、及び制御装置 |
JP7424807B2 (ja) | 2019-11-28 | 2024-01-30 | ファナック株式会社 | 機械学習装置、消費電力予測装置、及び制御装置 |
CN115951634A (zh) * | 2023-03-14 | 2023-04-11 | 中科航迈数控软件(深圳)有限公司 | 数控加工能耗预测方法、装置、电子设备及存储介质 |
CN115981236A (zh) * | 2023-03-20 | 2023-04-18 | 山东山森数控技术有限公司 | 一种数控车床车削过程能耗预测方法 |
CN118485311A (zh) * | 2024-07-11 | 2024-08-13 | 南通格美工业数控设备有限公司 | 基于云的数控设备管理系统及方法 |
CN118485311B (zh) * | 2024-07-11 | 2024-10-01 | 南通格美工业数控设备有限公司 | 基于云的数控设备管理系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114611379A (zh) | 一种基于数据驱动的加工工艺节能规划方法 | |
Guo et al. | Stochastic hybrid discrete grey wolf optimizer for multi-objective disassembly sequencing and line balancing planning in disassembling multiple products | |
Wen et al. | A two-stage solution method based on NSGA-II for Green Multi-Objective integrated process planning and scheduling in a battery packaging machinery workshop | |
Wu et al. | Multi-objective optimisation of machining process parameters using deep learning-based data-driven genetic algorithm and TOPSIS | |
Mukherjee et al. | A review of optimization techniques in metal cutting processes | |
CN109902954B (zh) | 一种基于工业大数据的柔性作业车间动态调度方法 | |
Jeon et al. | Forming part families by using genetic algorithm and designing machine cells under demand changes | |
Xu et al. | Optimization approaches for solving production scheduling problem: A brief overview and a case study for hybrid flow shop using genetic algorithms | |
Akopov | Parallel genetic algorithm with fading selection | |
CN105975701A (zh) | 一种基于混合模糊模型的并行调度拆卸路径生成方法 | |
CN112907150A (zh) | 一种基于遗传算法的生产排程方法 | |
Xiao et al. | Multiobjective optimization of machining center process route: Tradeoffs between energy and cost | |
CN115130749A (zh) | 融合nsga-ⅲ和topsis的数据驱动多目标优化方法 | |
Wu et al. | Two layered approaches integrating harmony search with genetic algorithm for the integrated process planning and scheduling problem | |
CN107831740A (zh) | 一种应用于笔记本零件的分布式生产制造过程中的优化调度方法 | |
CN117787569B (zh) | 一种智能辅助评标方法及系统 | |
CN113988396A (zh) | 一种基于nsga-iii算法的工序排序多目标优化方法 | |
Zhou et al. | Advances in teaching-learning-based optimization algorithm: A comprehensive survey | |
Liu et al. | A multi-MILP model collaborative optimization method for integrated process planning and scheduling problem | |
CN116957177A (zh) | 一种柔性车间产线规划方法、系统、设备及介质 | |
CN114879618A (zh) | 知识驱动的车间智能排产方法 | |
Zhang et al. | Evolutionary algorithm incorporating reinforcement learning for energy-conscious flexible job-shop scheduling problem with transportation and setup times | |
Gong et al. | Energy-efficient flexible job shop scheduling problem considering discrete operation sequence flexibility | |
CN114418177A (zh) | 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法 | |
CN117726119A (zh) | 一种解决分布式混合流水车间组调度的图仿生学习方法 |
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 |