CN114815688B - 一种具有不确定干扰的机器人拆卸顺序的规划方法 - Google Patents

一种具有不确定干扰的机器人拆卸顺序的规划方法 Download PDF

Info

Publication number
CN114815688B
CN114815688B CN202210362523.5A CN202210362523A CN114815688B CN 114815688 B CN114815688 B CN 114815688B CN 202210362523 A CN202210362523 A CN 202210362523A CN 114815688 B CN114815688 B CN 114815688B
Authority
CN
China
Prior art keywords
matrix
confidence
feasibility
sequence
planning
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
Application number
CN202210362523.5A
Other languages
English (en)
Other versions
CN114815688A (zh
Inventor
冯立超
冯亦非
张依
张国忠
王永靖
于雪梅
朱文亮
訾克明
王华兵
谢宁
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.)
Mingzhicheng Technology Suzhou Co ltd
Original Assignee
Mingzhicheng Technology Suzhou Co ltd
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 Mingzhicheng Technology Suzhou Co ltd filed Critical Mingzhicheng Technology Suzhou Co ltd
Priority to CN202210362523.5A priority Critical patent/CN114815688B/zh
Publication of CN114815688A publication Critical patent/CN114815688A/zh
Application granted granted Critical
Publication of CN114815688B publication Critical patent/CN114815688B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0423—Input/output
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/25—Pc structure of the system
    • G05B2219/25257—Microcontroller

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种具有不确定干扰的机器人拆卸顺序的规划方法，首先确定2D空间中物理组件的数学表示，剖析了算法的动态重新规划过程，解决迭代估计和序列排序方案，3D案例研究以评估算法；然后通过模糊动态不确定性矩阵，结合重新规划策略，根据已发生的事件定义最优拆卸顺序进行规划；本发明将成本和可靠性优先级与实时决策相结合，通过学习机制，预测产品状况的实时不确定性和重新规划策略，实习环境效益最大化。

Description

一种具有不确定干扰的机器人拆卸顺序的规划方法
技术领域
本发明涉及机械制造领域，具体为一种具有不确定干扰的机器人拆卸顺序的规划方法。
背景技术
再制造过程中追求拆卸的自动化、高效率，促进了对拆卸顺序规划(DSP)的研究。遗传算法从组件的几何描述中生成优化的拆卸顺序规划。通过蜂群算法结合两个指针方法来进行实时优化，如果一个组件在运行期间发生故障，该算法将忽略先前移除的组件并为剩余的组件重新配置一个新的拆卸顺序规划。
由于遗传算法复杂性和迭代性质，大多数自适应优化方法似乎不能用于在线决策；蜂群算法结合两个指针方法虽然成功地将成本和可靠性优先级与实时决策相结合，但该技术缺乏学习机制，因此在预测产品状况的实时不确定性和重新规划策略方面存在差距；为此提供了一种具有不确定干扰的机器人拆卸顺序的规划方法。
发明内容
本发明的目的是针对现有技术的缺陷，提供一种具有不确定干扰的机器人拆卸顺序的规划方法，以解决上述背景技术提出的问题。
为实现上述目的，本发明提供如下技术方案：一种具有不确定干扰的机器人拆卸顺序的规划方法，首先确定2D空间中物理组件的数学表示，剖析了算法的动态重新规划过程，解决迭代估计和序列排序方案，3D案例研究以评估算法；然后通过模糊动态不确定性矩阵，结合重新规划策略，根据已发生的事件定义最优拆卸顺序进行规划；
具体方法步骤如下：
步骤1：使用初始条件生成压缩可行性、置信度和关系矩阵；
步骤2：使用蒙特卡罗正向传播整理可行性和置信矩阵，置信度的正态分布平均值和两倍标准偏差进行求和和和压缩；
步骤3：如果未选择移除新组件，则添加递归止动器，选择总和得分最低的组件进行删除；
步骤4：确定部件和拆卸方向，确认组件是否被移除，如果移除则进行步骤6，如果未移除则进行步骤5；
步骤5：故障响应：一旦发生故障，所有接触部件都会收到基于未压缩置信矩阵和固定值惩罚成本的可变可行性惩罚；然后，组件的置信值增加系数e(0.01/U)增加不确定性，最后，如果惩罚值小于差值，为防止组件重新建议，则生成并存储递归停止矩阵，以便在下一次迭代中提供临时惩罚；
步骤6：通过响应：成功移除给定组件后，相应的置信值降低10％；从源数据中提取可行性和置信度数据，并存储在相应的聚合矩阵中；同样，组件的可行性、置信度及其当时的产品也作为分数保存，以供以后对序列进行评估，然后确认是否实现完全拆卸，如果完全拆卸了则进入到步骤7，如果未完全拆卸则返回到步骤2和步骤5进行循环；
步骤7：循环数据：循环完成，算法输出通过/失败数据以及实现的DSP，计算完成序列的总分；
步骤8：系统数据：系统输出平均聚合可行性和置信度，稳态矩阵显示了过去所有周期的影响；创建序列字典以查找模式DSP，然后，这些分数被用来定位最可行、最确定和最好的总体DSP；
步骤9：编辑初始条件：算法运行，直到循环数等于运行大小标准；否则，初始置信度设置为等于平均总置信度；将之前的循环惩罚应用于存储的可行性矩阵；然后减去一个平衡器，以允许迭代估计，从而阻止新的可行性矩阵收敛；然后存储新的可行性矩阵，为下一个循环做好准备。
作为本发明的一种优选技术方案，所述解决迭代估计和序列排序方案中，本方法将量化动态不确定性干扰矩阵，通过Monte Carlo正向不确定性传播和迭代估计，重新规划算法将学习根据之前行动的成功做出知情的在线移除决策，同时程序中有两个反馈回路，第一种方法确定通过和失败，定义每个序列，同时创建惩罚并更新置信度矩阵，第二种方法外推最终数据，并通过可行性矩阵和置信矩阵将其反馈到第一个循环中，在模拟数千次循环后，获得稳态F和U(可行性和置信度)矩阵。
作为本发明的一种优选技术方案，所述剖析了算法的动态重新规划过程中针对不同的产品和3种拆卸模式轻松修改，该重新规划算法展示了通过多个输出生成有效序列。
作为本发明的一种优选技术方案，所述重新规划算法实时使用，平均总置信度不会反馈到初始条件中，而是将保持一个周期到另一个周期的置信度，使算法保持敏捷。
作为本发明的一种优选技术方案，所述步骤7中的具体步骤如下：
步骤71：输出通过和失败数据；
步骤72：输出拆卸顺序；
步骤73：对DSP的可行性和置信度进行评分。
作为本发明的一种优选技术方案，所述步骤8中的具体步骤如下：
步骤81：计算稳态可行性和置信矩阵；
步骤82：输出模式DSP；
步骤83：输出最可行、最置信的DSP。
作为本发明的一种优选技术方案，所述步骤9中的具体步骤如下：
步骤91：将平均总置信度设置为新的置信矩阵；
步骤92：编辑初始可行性矩阵，包括上一次运行的惩罚；
步骤93：添加平衡矩阵。
本发明的有益效果是：本发明将成本和可靠性优先级与实时决策相结合，通过学习机制，预测产品状况的实时不确定性和重新规划策略，实习环境效益最大化；
本发明提出模糊动态不确定性矩阵，结合重新规划策略，根据过往事件定义一个最优的拆卸顺序规划，提供了有效和创造性比预期更高的准确描述产品状态方案，重新规划算法专为完全拆卸而设计，可以针对不同的产品和3种拆卸模式轻松修改，该算法展示了通过多个输出生成有效序列，然而，由于其迭代性质和未优化的搜索方法，当产品复杂性增加时，算法的效率会直线下降，未来的工作可以整合进化算法来推进总分最高的序列，从而加快穷举过程，未来在模糊矩阵中实现尺寸、重量和工具约束可以允许组件之间的优先级关系，这可能会消除我们看到的一些不寻常的决定；在时间和成本方面的效率提高将允许更大的拆卸完成，从而获得更大的环境效益，此外，还可以包括产品生命周期方面的再利用、回收和报废，以优先考虑节能，实时适应预测的不确定性，因此，在未来的工作中，非确定性程序将在使用真实训练数据进行试验之前考虑尺寸、重量和工具限制，成功实施可以让机器人根据预测的产品状况做出智能决策，为循环经济做出贡献，为工业4.0提供非凡的灵活性。
附图说明
图1为本发明的流程图；
图2为本发明的产品结构图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易被本领域人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
实施例：请参阅图1，本发明提供一种技术方案：一种具有不确定干扰的机器人拆卸顺序的规划方法，首先确定2D空间中物理组件的数学表示，剖析了算法的动态重新规划过程，解决迭代估计和序列排序方案，3D案例研究以评估算法；然后通过模糊动态不确定性矩阵，结合重新规划策略，根据已发生的事件定义最优拆卸顺序进行规划；
具体方法步骤如下：
步骤1：使用初始条件生成压缩可行性、置信度和关系矩阵；
步骤2：使用蒙特卡罗正向传播整理可行性和置信矩阵，置信度的正态分布平均值和两倍标准偏差进行求和和和压缩；
步骤3：如果未选择移除新组件，则添加递归止动器，选择总和得分最低的组件进行删除；
步骤4：确定部件和拆卸方向，确认组件是否被移除，如果移除则进行步骤6，如果未移除则进行步骤5；
步骤5：故障响应：一旦发生故障，所有接触部件都会收到基于未压缩置信矩阵和固定值惩罚成本的可变可行性惩罚；然后，组件的置信值增加系数e(0.01/U)增加不确定性，最后，如果惩罚值小于差值，为防止组件重新建议，则生成并存储递归停止矩阵，以便在下一次迭代中提供临时惩罚；
步骤6：通过响应：成功移除给定组件后，相应的置信值降低10％；从源数据中提取可行性和置信度数据，并存储在相应的聚合矩阵中；同样，组件的可行性、置信度及其当时的产品也作为分数保存，以供以后对序列进行评估，然后确认是否实现完全拆卸，如果完全拆卸了则进入到步骤7，如果未完全拆卸则返回到步骤2和步骤5进行循环；
步骤7：循环数据：循环完成，算法输出通过/失败数据以及实现的DSP，计算完成序列的总分；
步骤8：系统数据：系统输出平均聚合可行性和置信度，稳态矩阵显示了过去所有周期的影响；创建序列字典以查找模式DSP，然后，这些分数被用来定位最可行、最确定和最好的总体DSP；
步骤9：编辑初始条件：算法运行，直到循环数等于运行大小标准；否则，初始置信度设置为等于平均总置信度；将之前的循环惩罚应用于存储的可行性矩阵；然后减去一个平衡器，以允许迭代估计，从而阻止新的可行性矩阵收敛；然后存储新的可行性矩阵，为下一个循环做好准备。
所述解决迭代估计和序列排序方案中，本方法将量化动态不确定性干扰矩阵，通过Monte Carlo正向不确定性传播和迭代估计，重新规划算法将学习根据之前行动的成功做出知情的在线移除决策，同时程序中有两个反馈回路，第一种方法确定通过和失败，定义每个序列，同时创建惩罚并更新置信度矩阵，第二种方法外推最终数据，并通过可行性矩阵和置信矩阵将其反馈到第一个循环中，在模拟数千次循环后，获得稳态F和U(可行性和置信度)矩阵。
所述剖析了算法的动态重新规划过程中针对不同的产品和3种拆卸模式轻松修改，该重新规划算法展示了通过多个输出生成有效序列。
所述重新规划算法实时使用，平均总置信度不会反馈到初始条件中，而是将保持一个周期到另一个周期的置信度，使算法保持敏捷。
工作原理：一种具有不确定干扰的机器人拆卸顺序的规划方法，本方法利用惩罚值矩阵的概念来评估改变工具和方向的成本，通过使用模糊排序方案来评估预测的产品状况，本方法将量化动态不确定性干扰矩阵，通过Monte Carlo正向不确定性传播和迭代估计，重新规划算法将学习根据之前行动的成功做出知情的在线移除决策，同时程序中有两个反馈回路，第一种方法确定通过和失败，定义每个序列，同时创建惩罚并更新置信度矩阵，第二种方法外推最终数据，并通过可行性矩阵和置信矩阵将其反馈到第一个循环中，在模拟数千次循环后，获得稳态F和U(可行性和置信度)矩阵。
具体方法步骤如下：
步骤1：使用初始条件生成压缩可行性、置信度和关系矩阵；
步骤2：使用蒙特卡罗正向传播整理可行性和置信矩阵，置信度的正态分布平均值和两倍标准偏差进行求和和和压缩；
步骤3：对如果未选择移除新组件，则添加递归止动器，选择总和得分最低的组件进行删除；
步骤4：确定部件和拆卸方向；
步骤5：故障响应：一旦发生故障，所有接触部件都会收到基于未压缩置信矩阵和固定值惩罚成本的可变可行性惩罚；然后，组件的置信值增加系数e(0.01/U)增加不确定性，最后，如果惩罚值小于差值，为防止组件重新建议，则生成并存储递归停止矩阵，以便在下一次迭代中提供临时惩罚；
步骤6：通过响应：成功移除给定组件后，相应的置信值降低10％；从源数据中提取可行性和置信度数据，并存储在相应的聚合矩阵中；同样，组件的可行性、置信度及其当时的产品也作为分数保存，以供以后对序列进行评估；
步骤7：循环数据：循环完成，算法输出通过/失败数据以及实现的DSP，计算完成序列的总分；
步骤8：系统数据：系统输出平均聚合可行性和置信度，稳态矩阵显示了过去所有周期的影响；创建序列字典以查找模式DSP，然后，这些分数被用来定位最可行、最确定和最好的总体DSP；
步骤9：编辑初始条件：算法运行，直到循环数等于运行大小标准；否则，初始置信度设置为等于平均总置信度；将之前的循环惩罚应用于存储的可行性矩阵；然后减去一个平衡器，以允许迭代估计，从而阻止新的可行性矩阵收敛；然后存储新的可行性矩阵，为下一个循环做好准备。
简单算法：
算法1：压缩函数的Python代码；
算法2：创建惩罚值矩阵的Python代码；
算法3：递归止动器的Python代码；
算法4：可行性操作和平衡器的伪代码；
算法5：应用随机训练数据的伪代码；
表1是图2中的零件清单；
表2组件中每个零件的工具类型和操作类型；
该产品是为了验证所提出的重新规划的性能，此产品还考虑了动态不确定性方法、三种不同设置和复杂度，进行性能验证使用。将从六个方向，即(X-，X+，Y-，Y+，Z-，Z+)拆卸此产品，从产品结构得到不同组分之间的干扰关系。在这种情况下，零件2、3和15具有相似的几何形状和尺寸，因此在拆卸过程中可以使用相同的工具夹头抓住它们，在这种情况下，该工具被指定为编号2；类似地，其他零件可根据其几何形状、尺寸和重量进行分组，并可使用不同工具和不同工具编号进行抓取，如表2所示，对于操作类型，零件19、20、21和22可以在拆卸过程中用螺丝刀拧下，因此在这种情况下，这四个零件被指定为相同的操作类型(编号2)；同样，在这种情况下，零件9、10、11、12和18可以用扳手(操作类型1)拧下；在拆卸过程中，其他零件不需要任何工具来解开它们，因此在这种情况下，它们被分配了操作类型编号0，如表2所示。
本发明提出一种模糊动态不确定性矩阵，结合重新规划策略，根据过往事件定义一个最优的拆卸顺序规划，提供了一种有效和创造性比预期更高的准确描述产品状态方案；重新规划算法专为完全拆卸而设计，可以针对不同的产品和3种拆卸模式轻松修改；
该算法展示了通过多个输出生成有效序列；然而，由于其迭代性质和未优化的搜索方法，当产品复杂性增加时，算法的效率会直线下降，未来的工作可以整合进化算法来推进总分最高的序列，从而加快穷举过程，未来在模糊矩阵中实现尺寸、重量和工具约束可以允许组件之间的优先级关系；这可能会消除我们看到的一些不寻常的决定；在时间和成本方面的效率提高将允许更大的拆卸完成，从而获得更大的环境效益；此外，还可以包括产品生命周期方面的再利用、回收和报废，以优先考虑节能。本发明能实时适应预测的不确定性，因此，在未来的工作中，非确定性程序将在使用真实训练数据进行试验之前考虑尺寸、重量和工具限制，成功实施可以让机器人根据预测的产品状况做出智能决策，为循环经济做出贡献，为工业4.0提供非凡的灵活性。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (7)

1.一种具有不确定干扰的机器人拆卸顺序的规划方法，首先确定 2D 空间中物理组件的数学表示，剖析了算法的动态重新规划过程，解决迭代估计和序列排序方案，3D 案例研究以评估算法；然后通过模糊动态不确定性矩阵，结合重新规划策略，根据已发生的事件定义最优拆卸顺序进行规划；其特征在于：
具体方法步骤如下：
步骤1：使用初始条件生成压缩可行性、置信度和关系矩阵；
步骤2：使用蒙特卡罗正向传播整理可行性和置信矩阵，置信度的正态分布平均值和两倍标准偏差进行求和和和压缩；
步骤3：如果未选择移除新组件，则添加递归止动器，选择总和得分最低的组件进行删除；
步骤4：确定部件和拆卸方向，确认组件是否被移除，如果移除则进行步骤6，如果未移除则进行步骤5；
步骤5：故障响应：一旦发生故障，所有接触部件都会收到基于未压缩置信矩阵和固定值惩罚成本的可变可行性惩罚；然后，组件的置信值增加系数增加不确定性，最后，如果惩罚值小于差值，为防止组件重新建议，则生成并存储递归停止矩阵，以便在下一次迭代中提供临时惩罚；
步骤6：通过响应：成功移除给定组件后，相应的置信值降低10%；从源数据中提取可行性和置信度数据，并存储在相应的聚合矩阵中；同样，组件的可行性、置信度及其当时的产品也作为分数保存，以供以后对序列进行评估，然后确认是否实现完全拆卸，如果完全拆卸了则进入到步骤7，如果未完全拆卸则返回到步骤2和步骤5进行循环；
步骤7：循环数据：循环完成，算法输出通过/失败数据以及实现的DSP，计算完成序列的总分；
步骤8：系统数据：系统输出平均聚合可行性和置信度，稳态矩阵显示了过去所有周期的影响；创建序列字典以查找模式DSP，然后，这些分数被用来定位最可行、最确定和最好的总体DSP；
步骤9：编辑初始条件：算法运行，直到循环数等于运行大小标准；否则，初始置信度设置为等于平均总置信度；将之前的循环惩罚应用于存储的可行性矩阵；然后减去一个平衡器，以允许迭代估计，从而阻止新的可行性矩阵收敛；然后存储新的可行性矩阵，为下一个循环做好准备。
2.根据权利要求1所述的一种具有不确定干扰的机器人拆卸顺序的规划方法，其特征在于：所述解决迭代估计和序列排序方案中，本方法将量化动态不确定性干扰矩阵，通过Monte Carlo正向不确定性传播和迭代估计，重新规划算法将学习根据之前行动的成功做出知情的在线移除决策，同时程序中有两个反馈回路，第一种方法确定通过和失败，定义每个序列，同时创建惩罚并更新置信度矩阵，第二种方法外推最终数据，并通过可行性矩阵和置信矩阵将其反馈到第一个循环中，在模拟数千次循环后，获得稳态的可行性矩阵F和置信度矩阵U。
3.根据权利要求2所述的一种具有不确定干扰的机器人拆卸顺序的规划方法，其特征在于：所述剖析了算法的动态重新规划过程中针对不同的产品和3 种拆卸模式轻松修改，该重新规划算法展示了通过多个输出生成有效序列。
4.根据权利要求3所述的一种具有不确定干扰的机器人拆卸顺序的规划方法，其特征在于：所述重新规划算法实时使用，平均总置信度不会反馈到初始条件中，而是将保持一个周期到另一个周期的置信度，使算法保持敏捷。
5.根据权利要求1所述的一种具有不确定干扰的机器人拆卸顺序的规划方法，其特征在于：所述步骤7中的具体步骤如下：
步骤71：输出通过和失败数据；
步骤72：输出拆卸顺序；
步骤73：对DSP的可行性和置信度进行评分。
6.根据权利要求1所述的一种具有不确定干扰的机器人拆卸顺序的规划方法，其特征在于：所述步骤8中的具体步骤如下：
步骤81：计算稳态可行性和置信矩阵；
步骤82：输出模式DSP；
步骤83：输出最可行、最置信的DSP。
7.根据权利要求1所述的一种具有不确定干扰的机器人拆卸顺序的规划方法，其特征在于：所述步骤9中的具体步骤如下：
步骤91：将平均总置信度设置为新的置信矩阵；
步骤92：编辑初始可行性矩阵，包括上一次运行的惩罚；
步骤93：添加平衡矩阵。
CN202210362523.5A 2022-04-07 2022-04-07 一种具有不确定干扰的机器人拆卸顺序的规划方法 Active CN114815688B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210362523.5A CN114815688B (zh) 2022-04-07 2022-04-07 一种具有不确定干扰的机器人拆卸顺序的规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210362523.5A CN114815688B (zh) 2022-04-07 2022-04-07 一种具有不确定干扰的机器人拆卸顺序的规划方法

Publications (2)

Publication Number Publication Date
CN114815688A CN114815688A (zh) 2022-07-29
CN114815688B true CN114815688B (zh) 2024-07-26

Family

ID=82534182

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210362523.5A Active CN114815688B (zh) 2022-04-07 2022-04-07 一种具有不确定干扰的机器人拆卸顺序的规划方法

Country Status (1)

Country Link
CN (1) CN114815688B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115302507A (zh) * 2022-08-10 2022-11-08 武汉理工大学 数字孪生驱动的工业机器人拆解过程智能决策方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1805822A (zh) * 2003-05-13 2006-07-19 远程接合技术公司 改进的装配和拆卸方法、系统和构件
CN109814509A (zh) * 2019-01-31 2019-05-28 合肥工业大学 一种面向低碳高效的并行拆卸线平衡优化方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4736304A (en) * 1986-04-07 1988-04-05 Energy Conversion Devices, Inc. Method and apparatus for operating one or more deposition systems
JP7246267B2 (ja) * 2019-06-27 2023-03-27 株式会社日立製作所 組立計画装置、組立計画方法、及び組立計画プログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1805822A (zh) * 2003-05-13 2006-07-19 远程接合技术公司 改进的装配和拆卸方法、系统和构件
CN109814509A (zh) * 2019-01-31 2019-05-28 合肥工业大学 一种面向低碳高效的并行拆卸线平衡优化方法

Also Published As

Publication number Publication date
CN114815688A (zh) 2022-07-29

Similar Documents

Publication Publication Date Title
An et al. Multiobjective flexible job-shop rescheduling with new job insertion and machine preventive maintenance
Subramaniam et al. Conceptual design of fixtures using genetic algorithms
Zhang et al. Research on a kind of assembly sequence planning based on immune algorithm and particle swarm optimization algorithm
Tang et al. A systematic approach to design and operation of disassembly lines
Xu et al. Optimization approaches for solving production scheduling problem: A brief overview and a case study for hybrid flow shop using genetic algorithms
CN114815688B (zh) 一种具有不确定干扰的机器人拆卸顺序的规划方法
He et al. Optimization of energy-efficient open shop scheduling with an adaptive multi-objective differential evolution algorithm
CN113867295A (zh) 一种基于数字孪生的制造车间agv动态调度方法、系统、设备及存储介质
Guo et al. A hybrid artificial fish swam algorithm for disassembly sequence planning considering setup time
Bekkar et al. Iterated greedy insertion approaches for the flexible job shop scheduling problem with transportation times constraint
Soofi et al. Robust fuzzy-stochastic programming model and meta-heuristic algorithms for dual-resource constrained flexible job-shop scheduling problem under machine breakdown
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
CN113435613B (zh) 一种面向多维修事件的机会维修决策方法
Guo et al. Joint multi-objective dynamic scheduling of machine tools and vehicles in a workshop based on digital twin
Li et al. Multiobjective optimization of buffer capacity allocation in multiproduct unreliable production lines using improved adaptive NSGA-II algorithm
Liu et al. Mixed-flow assembly line balancing with uncertain assembly times in remanufacturing
Hu et al. Coordinated optimization of production scheduling and maintenance activities with machine reliability deterioration.
He et al. Memetic Algorithm for Dynamic Joint Flexible Job Shop Scheduling with Machines and Transportation Robots
CN113326581A (zh) 一种基于组合生产和设备故障约束的遗传调度方法
CN118398946B (zh) 柔性拆解退役动力电池的工艺方法
Quan et al. Multi-objective evolutionary scheduling based on collaborative virtual workflow model and adaptive rules for flexible production process with operation reworking
Del Gallo et al. A Combination of Association Rules and Optimization Model to Solve Scheduling Problems in an Unstable Production Environment
Xu et al. A multi-source similar subparts based NC process fusion and regrouping approach
Riggs Modeling and Optimization of Disassembly Systems with a High Variety of End of Life States.

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