數(shù)據(jù)驅(qū)動的智能車間適應性調(diào)度與優(yōu)化

第1章 緒論 001
1.1 智能制造與智能車間 002
1.1.1 智能制造 002
1.1.2 智能車間 003
1.2 生產(chǎn)調(diào)度 004
1.2.1 生產(chǎn)調(diào)度基本問題描述 004
1.2.2 生產(chǎn)調(diào)度國內(nèi)外研究現(xiàn)狀 007
1.3 智能車間生產(chǎn)調(diào)度面臨的需求與挑戰(zhàn) 013
第2章 工業(yè)大數(shù)據(jù)與數(shù)據(jù)驅(qū)動技術(shù) 021
2.1 工業(yè)大數(shù)據(jù)與智能制造 022
2.1.1 大數(shù)據(jù)與工業(yè)大數(shù)據(jù) 022
2.1.2 工業(yè)大數(shù)據(jù)特性分析 023
2.1.3 工業(yè)大數(shù)據(jù)技術(shù)架構(gòu) 025
2.1.4 工業(yè)大數(shù)據(jù)在智能制造中的應用 026
2.1.5 工業(yè)大數(shù)據(jù)應用面臨的挑戰(zhàn) 028
2.2 工業(yè)大數(shù)據(jù)質(zhì)量管理 029
2.2.1 工業(yè)大數(shù)據(jù)質(zhì)量問題 030
2.2.2 領(lǐng)域知識無關(guān)的工業(yè)大數(shù)據(jù)質(zhì)量管理 031
2.2.3 領(lǐng)域知識相關(guān)的工業(yè)大數(shù)據(jù)質(zhì)量管理 034
2.2.4 工業(yè)大數(shù)據(jù)整體質(zhì)量評價指標 040
2.3 工業(yè)大數(shù)據(jù)驅(qū)動的生產(chǎn)調(diào)度使能技術(shù) 043
2.3.1 生產(chǎn)特征選擇 044
2.3.2 生產(chǎn)性能預測 046
2.3.3 調(diào)度知識挖掘 047
第3章 信息物理生產(chǎn)系統(tǒng)（CPPS） 051
3.1 信息物理系統(tǒng)（CPS） 052
3.1.1 CPS 概述 052
3.1.2 CPS 的技術(shù)內(nèi)核及運行方式 053
3.1.3 CPS 的組織架構(gòu) 054
3.1.4 CPS 的特征 057
3.1.5 CPS 在制造領(lǐng)域的應用 059
3.2 面向智能制造的CPPS 060
3.2.1 CPPS 概述 060
3.2.2 CPPS 的組成 061
3.2.3 CPPS 的特征 062
3.2.4 CPPS 的多層次體系架構(gòu) 063
3.3 面向智能車間生產(chǎn)調(diào)度的CPPS 環(huán)境構(gòu)建 067
3.3.1 生產(chǎn)調(diào)度對CPPS 的需求分析 067
3.3.2 面向智能車間生產(chǎn)調(diào)度的CPPS 框架 068
3.3.3 面向半導體生產(chǎn)線的CPPS 環(huán)境構(gòu)建案例 070
第4章 智能車間適應性調(diào)度解決方案 079
4.1 智能車間多級聯(lián)動適應性調(diào)度體系框架 080
4.1.1 需求分析 080
4.1.2 智能車間多級聯(lián)動適應性調(diào)度體系框架 082
4.2 多級聯(lián)動適應性調(diào)度體系的運行演化 084
4.2.1 體系運行演化中的多級聯(lián)動 085
4.2.2 體系運行演化中的數(shù)據(jù)循環(huán)增值 086
第5章 多目標魯棒調(diào)度方法 089
5.1 多目標魯棒調(diào)度問題描述 090
5.1.1 魯棒調(diào)度概述 090
5.1.2 多目標魯棒調(diào)度問題描述和魯棒性定義 092
5.1.3 魯棒性度量 093
5.2 多目標魯棒調(diào)度方法框架 097
5.2.1 調(diào)度策略表達 097
5.2.2 多目標魯棒調(diào)度方法框架 101
5.3 確定環(huán)境下的多目標調(diào)度策略解集生成 102
5.3.1 多目標優(yōu)化方法 102
5.3.2 基于仿真的優(yōu)化方法 104
5.3.3 SBO-NSGA-Ⅱ算法設(shè)計 105
5.4 不確定環(huán)境下的多目標魯棒調(diào)度策略選擇 108
5.4.1 基于場景規(guī)劃的生產(chǎn)數(shù)據(jù)獲取 108
5.4.2 基于熵權(quán)法的多目標魯棒調(diào)度模型 109
第6章 適應性的實時調(diào)度方法 115
6.1 實時調(diào)度問題描述 116
6.2 調(diào)度策略推薦方法 117
6.2.1 調(diào)度策略推薦問題描述 117
6.2.2 調(diào)度策略推薦方法框架 118
6.3 基于K-NN 的調(diào)度規(guī)則推薦 120
6.3.1 算法框架 120
6.3.2 基于GA 的生產(chǎn)屬性特征子集選擇 122
6.3.3 基于K-NN 的調(diào)度規(guī)則推薦模型 125
6.4 基于SVR 的調(diào)度參數(shù)推薦 126
6.4.1 算法框架 126
6.4.2 基于響應曲面法的最優(yōu)樣本獲取 127
6.4.3 基于SVR 的調(diào)度參數(shù)推薦模型 128
第7章 適應性的重調(diào)度方法 133
7.1 重調(diào)度問題描述及方法框架 134
7.1.1 重調(diào)度問題描述 134
7.1.2 適應性重調(diào)度方法 136
7.2 數(shù)據(jù)驅(qū)動的擾動在線識別與預測 138
7.2.1 擾動分類 138
7.2.2 漸變型擾動識別方法 139
7.2.3 突發(fā)型擾動識別方法 143
7.3 全數(shù)據(jù)驅(qū)動的重調(diào)度方法 148
7.3.1 基于長短期記憶神經(jīng)網(wǎng)絡(luò)的重調(diào)度方法框架 149
7.3.2 LSTM 神經(jīng)網(wǎng)絡(luò)離線訓練 151
7.3.3 在線調(diào)度 152
7.4 增強學習能力的重調(diào)度方法 152
7.4.1 基于DRL 的重調(diào)度問題描述 154
7.4.2 基于DQN 的重調(diào)度方法 156
7.4.3 基于改進異步優(yōu)勢行動者評論家算法的重調(diào)度方法 158
第8章 適應性調(diào)度閉環(huán)優(yōu)化方法 165
8.1 調(diào)度知識 166
8.1.1 調(diào)度知識概念 166
8.1.2 調(diào)度知識的表達 167
8.2 調(diào)度知識管理 168
8.2.1 調(diào)度知識管理概述 168
8.2.2 調(diào)度知識生成 170
8.2.3 調(diào)度知識評估與更新 171
8.3 調(diào)度知識在線評估 172
8.3.1 基于質(zhì)量控制的調(diào)度知識評估方法 172
8.3.2 基于生產(chǎn)狀態(tài)變化的調(diào)度知識在線評估 176
8.4 基于增量學習的調(diào)度知識更新方法 178
8.4.1 基于OS-ELM 的調(diào)度知識更新方法 178
8.4.2 基于Online SVR 的調(diào)度知識更新方法 180
第9章 智能車間適應性調(diào)度原型系統(tǒng) 187
9.1 智能車間適應性調(diào)度原型系統(tǒng)架構(gòu) 188
9.1.1 需求分析 188
9.1.2 系統(tǒng)架構(gòu)設(shè)計 189
9.2 關(guān)鍵層級設(shè)計 192
9.2.1 數(shù)據(jù)層設(shè)計 192
9.2.2 分析層設(shè)計 193
9.2.3 服務層設(shè)計 193
9.2.4 表示層設(shè)計 193
9.3 智能車間適應性調(diào)度原型系統(tǒng)實現(xiàn) 194
9.3.1 系統(tǒng)開發(fā) 194
9.3.2 系統(tǒng)界面 197
9.3.3 運行設(shè)置 199
9.3.4 結(jié)果展示 204
第10章 適應性調(diào)度與優(yōu)化方法驗證與實施案例 209
10.1 基于適應性調(diào)度原型系統(tǒng)的方法驗證 210
10.1.1 單級調(diào)度方法驗證 210
10.1.2 多級聯(lián)動適應性調(diào)度方法的綜合驗證 217
10.2 以某企業(yè)航空發(fā)動機裝配線AEAL 為對象的案例研究 222
10.2.1 航空發(fā)動機裝配線AEAL 介紹 222
10.2.2 多級聯(lián)動適應性調(diào)度方法的案例研究 226
縮略詞索引 231