关键词： 柔性作业车间调度   模糊数   多目标优化   进化算法   启发式规则  

摘要： 生产制造业的发展对我国国民经济的增长有至关重要的作用。随着智能制造这一重点战略的提出和推进,新一代的科技革命促进了我国制造业从中国制造到中国创造,再到中国智造的完美转型,实现了制造企业的数字化、网络化和智能化建设,增强了企业在国际市场中的竞争力。柔性作业车间调度问题(Flexible job shop scheduling problem,FJSSP)作为智能制造中的核心问题,一直以来都受到学者们的广泛关注。如何构建符合现实生产加工过程的数学模型,然后通过智能优化算法,尤其是进化算法来对模型进行求解,从而生成更优的排产方案成为当前生产制造业中的研究热点。同时,在车间的生产加工过程中,由于加工环境的动态变化,加工信息往往是不确定的。因此,考虑到不确定性的模糊柔性作业车间调度问题(Fuzzy FJSSP,FFJSSP)更符合生产制造企业的实际加工场景。本文以FFJSSP为研究主题,以实际生产加工环境为背景,构建了三种模糊调度的变体问题,并提出三种高效的多目标进化算法对其进行求解,本文的具体内容和创新之处如下所示: (1)构建了以最小化最大完成时间和总机器负载为优化目标的FFJSSP模型,该模型的模糊程度使用三角模糊数(Triangular fuzzy number,TFN)进行建模,并提出了基于学习策略和免疫抗体浓度算子的进化算法(QIEA)对其进行求解。在QIEA中,以基于分解的多目标进化算法作为搜索框架,并通过Q-learning强化学习对敏感参数进行动态自适应调整,引导算法向着多样性、分布性更好的方向进行优化;受到免疫算法中激励度算子的启发,采用了一种免疫浓度替换算子来维持同一邻居内个体的多样性,降低同一邻居内的个体重复度;最后依据先验知识设计了基于关键块的局部搜索增强策略来加快收敛。通过在公开的数据集上进行测试,验证了QIEA的高效性。 (2)构建了以最小化最大完成时间、总机器负载和最大工厂负载为优化目标的带工件转移的异构分布式FFJSSP模型,该模型的模糊程度采用TFN进行建模,并提出了混合变邻域进化算法(HVEA)对其进行求解。在HVEA中,以第二代非支配排序遗传算法(Non-dominated sorting genetic algorithm II,NSGA-II)作为搜索框架,并通过分析模型的特性获取专家知识,设计了多种启发式规则来生成初始化种群;基于贪心的思想,设计了带有工件转移的插入式模糊解码方式来获取机器空闲时间更小的排产方案;基于析取图和关键路径理论,设计了变邻域搜索算子来扩大搜索空间,进一步增强算法的收敛性能和跳出局部最优的能力;最后将HVEA在拓展的模糊异构分布式数据集上进行测试,验证了每个提升策略的有效性和HVEA相对于其他先进算法的高效性。 (3)构建了以最小化最大完成时间和模糊能耗为优化目标的FFJSSP模型,该模型的模糊程度使用二型三角模糊数(Type-2 TFN,T2FN)进行建模,并提出了基于子问题分解的进化算法(DBEA)对其进行求解。在DBEA中,以NSGA-II作为搜索框架,通过分析模型特征设计多种启发式规则生成初始化种群;基于关键路径,设计了不同的邻域结构以加速收敛;此外,基于子问题分解的思想,提出了具有协同作用的精英个体选择策略和接受准则以选取更优的精英解来引导算法的收敛方向;最终,将DBEA在30个公开的二型模糊柔性作业车间调度数据集上进行测试,对比实验证明了DBEA性能要优于当前表现最好的算法。 本文从FFJSSP到带工件转移的异构分布式FFJSSP,再到带有T2FN和能耗的FFJSSP递进地研究了FFJSSP的三个多目标变体问题,在数学模型方面丰富了FFJSSP的相关理论;其次,本文设计不同的多目标进化算法框架对模型进行求解,从强化学习、启发式规则、贪心策略、再到子问题分解,通过精妙的算子设计来增强算法的搜索能力,合理分配计算资源以达到更好的求解效果;在算例上进行了大量的数值实验,证明了不同提升策略的有效性,从方法论上丰富了进化算法的改进方向。因此,本文的研究无论是从模型构建的角度还是从算法设计的角度来讲都具有很强的指导意义。

关键词： 电缆接头   剥切系统   机械设计   电场仿真   切削实验  

摘要： 随着电力系统建设规模的增大,高压电缆应用越发广泛。电缆敷设过程中,相对于高压电力电缆主体,电缆中间接头是其运行过程中最薄弱的一环。电缆接头的制作多采用人工加工,效率低下、时间成本较高且加工精度差。同时,由于加工环境的限制,对加工人员的技术和体力都有较大的考验。因此,论文设计一种便携式电缆接头绝缘自动切削设备来代替繁杂的人力工作,可大幅提高切削效率和精度,降低加工成本,有助于减少电缆接头故障引发的电网事故,保护国家经济和人民生命安全。 论文基于自主设计的电缆绝缘屏蔽自动剥切系统展开研究,对比分析电缆绝缘不同剥切缺陷程度与正常电缆头的电场仿真,实现剥切系统的机械设计和电气元件选型,通过刀具对比实验和转速实验确定了最优切削参数。 首先,对110kV单芯交联聚乙烯电缆结构及其接头绝缘处理工艺,交联聚乙烯的切削原理和有限元仿真理论基础进行阐述。详细介绍了110kV单芯交联聚乙烯电缆的结构及其接头绝缘处理工艺,论述交联聚乙烯的物理属性、车刀角度和材料以及切削特性,并对电场仿真计算理论基础进行详细阐述。上述分析为后续交联聚乙烯绝缘剥切系统的设计提供理论基础,有助于优化剥切工艺,提高加工质量和效率。 然后,对剥切过程中电缆绝缘表面出现凹凸不平情况进行电场仿真分析。通过对比分析凹凸缺陷电缆与剥切效果优良的正常电缆电场分布情况,发现剥切后不同程度绝缘的凹凸缺陷会造成电场畸变,影响电缆正常运行。 其次,对电缆绝缘剥切系统进行方案设计。对各机械结构进行详细分析和设计,确定刀具的几何角度和材料,以确保其在剥切过程中具有良好的机械性能和稳定性;针对相关的电气元件进行具体选型,包括伺服电机、驱动器和控制器,保证系统具备足够的动力和精准的控制能力;完成绝缘剥切系统的机电结构设计,为实际操作提供可靠的基础,以满足电缆剥切工作的需求。 最后,进行刀具对比实验和转速对比实验。通过对实验结果的对比分析,选取最优的车刀结构和材料,确定最佳的切削速度参数。通过确定上述关键参数,确保设备的剥切效果达到要求,提高加工效率和加工精度。

关键词： 作业车间调度   数据挖掘   C4.5决策树算法   剪枝策略   动态调度  

摘要： 作业车间调度对降低企业生产成本、提高生产效率具有重要意义。随着信息技术在企业生产及管理中的深入应用,生产系统中积累了越来越多的数据。然而这些信息却难以在经典调度模型中被充分地表征和利用。数据挖掘算法能够从大量的数据中搜索隐藏于其中的信息,为求解柔性作业车间调度问题(Flexible Job Shop Scheduling Problem,FJSP)提供了一种新的思路和有效手段。本文基于数据挖掘技术,提出了一种求解FJSP的改进C4.5算法,通过数据预处理和决策树生成等阶段的改进,提升了算法的性能。 本文对数据挖掘的机理进行了分析,针对FJSP问题的特点和目标,建立了基于C4.5决策树的调度算法框架;以最小化最大完工时间为调度性能指标,采用了基于正则化法的剪枝策略对决策树进行预剪枝、引入悲观误差剪枝法对决策树进行了后剪枝,并设计了算法流程及决策树剪枝策略。为验证算法的有效性,以Py Charm平台作为仿真环境,选用基准调度算例进行仿真研究,结果表明,C4.5调度算法在生成决策树并输出作业车间调度方案上是可行的,但C4.5算法在根据数据划分节点时存在划分不准确的问题,影响了调度性能指标的优化。 针对C4.5算法的不足,本文对C4.5调度算法进行了改进。在数据预处理阶段,选择贝叶斯优化算法对车间数据进行处理,获得决策树参数的更优组合;在建立决策树的过程中,选用装袋法对决策树生成节点的过程进行改进,提高了决策树生成算法的准确性。为了验证算法的性能,与文献中的遗传算法(Genetic Algorithm,GA)、随机森林(Random Forest,RF)算法的仿真结果进行对比,验证了本文所提出的改进C4.5算法具有在收敛性和精度上均有提高。 本文还对作业车间常出现的动态扰动事件进行了分析,并选取其中的机器故障和加急订单两种情况进行了进一步研究,分别给出了两种动态事件下改进C4.5算法的重调度方案,并模拟实际机器故障及加急订单的情况,设计了仿真算例。仿真研究结果验证了改进C4.5算法在处理动态调度问题时的有效性。

关键词： 柔性作业车间调度   进化算法   强化学习   模糊数   绿色节能   多目标优化  

摘要： 随着国家制造业升级战略的不断深化,制造业结构正经历深刻变革,对新型工业化生产模式尤其是具有高度灵活性的制造系统的关注与投入日益增强。智能车间调度作为智能制造体系的核心环节,通过设计智能算法制定生产计划,有助于大幅提升生产效率,并增强企业在全球市场的竞争实力,因此一直是运筹学领域的重点研究课题。在实际生产环境中,加工信息往往是不确定的,因此将模糊性纳入考虑范畴而形成的模糊柔性作业车间调度问题更符合现实生产情况。同时,随着制造业的持续扩张,环境污染和资源枯竭问题日益严重,绿色节能型车间调度方案成为制造业亟待解决的关键议题之一。本文针对上述行业发展趋势和问题背景,以柔性作业车间调度问题(Flexible Job Shop Scheduling Problem,FJSP)为主要研究对象,综合考虑模糊性和绿色节能两个重要因素,建立了两种同时考虑经济效益和环保节能双重优化目标的绿色模糊柔性作业车间调度模型,提出了两种针对此类问题的多目标进化算法,并在不同规模数据集中进行了验证。最后,将这些算法研究成果应用于实际,开发了一套能够有效解决此类问题的智能车间管理系统。本文的具体内容和创新点如下: (1)针对最小化最大完工时间和最小化总能耗的绿色模糊柔性作业车间调度问题,提出了一种记忆驱动的自适应进化算法(memory-based evolution algorithms,MBEA)。 在MBEA中,采用MOEA/D为主体框架,首先设计了四种混合初始化策略确保初始种群具备优质解分布的基础;其次引入一种基于历史搜索记录的自适应邻域选择机制,在降低算法时间消耗的同时维持了高效搜索性能;然后加入了记忆驱动的淘汰与恢复策略,通过对已淘汰但有潜在价值解的记忆与再生,增强了算法在收敛性和多样性方面的表现;最后,通过公开数据集上的实证评估,验证了MBEA的优越性能。 (2)针对最小化最大完工时间和最小化总碳排放量的分布式绿色模糊柔性作业车间调度问题,设计了基于深度强化学习的行为选择进化算法(Adaptive Behavior Evolutionary Algorithm Based on Deep Reinforcement Learning,DREA)。 在DREA中,采用NSGA-Ⅱ为主体框架,首先通过改进的距离计算方法优化初始种群的多样性布局,为后续迭代提供丰富而优质的解候选。然后构建了基于Dueling DQN的强化学习模块,设计了环境状态、动作选择和奖励机制,在探索与开发之间达到平衡,实现动态选择最优进化算子以加快算法收敛速度。接下来设计了七种针对模型特点的局部搜索策略来拓宽搜索范围,避免陷入局部最优解。最后,通过在扩展模糊数据集上的实验验证,DREA展现出了超越对比算法的性能优势。 (3)将上述两种多目标绿色模糊柔性作业车间进化算法集成到实际生产环境中,开发了一套智能车间管理系统。 系统使用SSM框架和My SQL数据库技术支持,在Intelli J IDEA开发环境中运用Java编程语言成功开发了一款集生产车间调度优化与人员订单管理于一体的综合管理系统。该系统分为人员管理、订单管理和工厂管理三大模块,实现了工厂的全智能化操作与管理。人员管理模块和订单管理模块负责工厂内部员工与货物的全方位管理与控制,而工厂管理模块则依托于两种多目标优化算法,对生产调度方案做出科学合理的优化决策。最后,通过在无锡某实体车间完成了实地部署与应用验证。经过实际检验,系统充分展示了其在实际生产场景下的实用价值与有效性,有力地证明了该系统对于提高车间生产效率和管理水平的积极作用。

关键词： 机械设计基础   混合式教学   课程设计  

摘要： 机械设计基础是一门受众面广、教学内容丰富的基础课程，学生学习的效果会直接影响机械类专业人才培养的质量。基于FT的混合式教学课程的设计与实施，是该学科教学的改革，不仅可以更好地培养学生良好的自主学习意识，同时还可以有效整合各项教学资源，不断提高课堂教学的效率。文章分析了混合式教学模式应用的价值，并提出了具体的设计和实施策略，旨在更好地指导混合式教学模式在该学科中的应用。

关键词： 柔性作业车间调度   多目标优化   NSGA-Ⅱ-AEF   NSGA-Ⅲ-AEFP  

摘要： 面对竞争日趋激烈的智能制造行业,为了满足顾客多样化的要求,企业对加工的产品质量提出了更高的要求,而且企业需要生产多样化的产品,这导致产品型号增多。客户订购的产品迫切希望缩短交货日期,但企业还需要考虑生产过程中多种不同设备的使用,设备不能超负荷工作以及能耗费用等因素。这些因素很大程度受到生产调度的影响,因此调度系统必须具备更高的灵活性。制定科学高效的生产调度方案迫在眉睫,以满足现今企业亟需的小批量生产、短周期交货、高质量定制化生产的要求。 在这种背景下,智能优化算法对多目标柔性作业车间调度问题(Multi-objective Flexible Job-shop Scheduling Problem,MOFJSP)的求解具有重要的意义。MOFJSP涉及到诸多复杂的因素,如不同产品型号的生产要求、设备的可用性、工序间的相关性等。传统的调度方法往往难以有效解决上述问题,而智能算法则能够通过仿真、优化以及学习等技术,在复杂生产环境下进行智能化调度,降低企业生产费用以及避免机器超负荷工作。 本文对MOFJSP展开研究,主要成果如下: (1)分析MOFJSP的基本概念,MOFJSP涉及到工件、工序和机器之间的关系优化。工件是指在生产过程中需要加工的物品,而工序则是完成一个工件所需要的步骤或操作,机器则是用来执行这些工序的设备。这三者之间的关系是非常紧密,在考虑到这些复杂的关系的基础上,为了建立MOFJSP的数学模型,需要做出必要假设来量化和优化调度方案。这个模型可以帮助我们更好地理解和优化生产调度过程,以实现多个目标的平衡。 (2)为了求解MOFJSP,在传统非支配排序遗传(Non-dominated Sorting Genetic AlgorithmsⅡ,NSGA-Ⅱ)算法基础上进行改进,设计了一种自适应变异策略,接着对目标函数进行修正和设计了一种基于隶属度函数的模糊决策的手段获取最佳妥协解,形成了NSGA-Ⅱ-AEF算法。自适应变异策略通过计算两个杂交个体染色体的亲缘关系,来确定杂交染色体的密切程度和个体的变异率。抗支配解在某些目标上接近最优,但在其他目标上却很差,由于它们具有部分非常好的目标值,因此它们几乎不会被其他解主导。为了尽可能的消除这些抗支配解,需要对目标函数进行修正。由于NSGA-Ⅱ-AEF算法采用了一种基于拥挤距离的环境选择机制,但这种方法在多维空间中可能无法准确反映解的分布情况,导致无法为种群提供足够的选择压力,而第三代非支配排序遗传算法(Non-dominated Sorting Genetic AlgorithmsⅢ,NSGA-Ⅲ)算法则采用了一种基于参考点的环境选择机制,能够有效克服这种困难。在求解三个及三个以上目标的FJSP时,由于其优化目标数量较多,导致在NSGA-Ⅲ算法中,种群中非优势解的数量呈指数增长,进而影响了环境选择的计算效率。设计一种基于PBI距离的自适应淘汰机制来保存个体,有效提高了NSGA-Ⅲ在环境选择时的计算效率,加上改进NSGA-Ⅱ算法的创新点,形成了NSGA-Ⅲ-AEFP算法。最后,利用ZDT、DTLZ和WTG系列测试函数验证了NSGA-Ⅱ-AEF和NSGA-Ⅲ-AEFP算法求解MOFJSP能力。仿真结果表明,与NSGAIIARSBX、NSGA-Ⅱ等先进优化算法相比,所提出的两种改进算法均能获得更好的优化搜索结果,但NSGA-Ⅲ-AEFP求得解的收敛性和分布性优于NSGA-Ⅱ-AEF。 (3)最后利用NSGA-Ⅱ-AEF和NSGA-Ⅲ-AEFP两种改进算法来解决MOFJSP,首先根据MOFJSP的数学模型和约束条件,设计了具体的染色体编码方案,提出了贪婪解码算法来进行解码操作,并利用概率选择的方式来改进的种群初始化策略,分别设计对工序和机器的交叉、变异方式。在国际通用的标准算例Kacem01、Kacem03、MK01、MK02来进行算法性能分析,通过与TSNSGAⅡ、g NSGAⅡ、NSGA-Ⅲ以及NSGA-Ⅱ-AEF算法的对比来证明NSGA-Ⅲ-AEFP算法在处理MOFJSP时的高效性,同时FJSP解的分布性更好,能够取得更多的方案给决策者更多的选择。 将NSGA-Ⅲ-AEFP算法用于处理一个钢水炼钢工艺的生产案例,NSGA-Ⅲ-AEFP对于钢水炼钢工艺过程(工件个数为12,机器个数为10)的调度解个数为16个,使用TSNSGAⅡ、g NSGAⅡ和NSGA-Ⅲ算法解决MOFJSP问题,对应的MOFJSP解决方案与NSGA-Ⅱ-AEF和NSGA-Ⅲ-AEFP进行对比,NSGA-Ⅲ-AEFP算法的最大完工时间最小,机器最大负荷最小,NSGA-Ⅲ-AEFP比TSNSGAⅡ算法增加了7个Pareto解,NSGA-Ⅲ-AEFP比NSGA-Ⅱ-AEF算法增加了5个Pareto解,说明在处理

关键词： 数字化   机械设计   设计思维   项目式教学  

摘要： 科技的发展对机械设计系列课程提出了新要求。然而，传统的机械设计系列课程不仅难以培养学生解决问题的能力和创新能力，而且在理论和实践的联系上也不尽如人意。为提高教学效果，机械设计系列课程可以引入设计思维，从教学活动、实践环节、项目选题、线上课程资源和整合课程群五个方面出发，优化课程建设。

摘要： 在高职院校机械设计基础课程教学实践中，教师应该系统解读机械设计基础课程教学特色和教学要点，不断改革“以赛促学”教学模式的设计和应用，系统锻炼学生实践能力，有效培养学生专业技能，为学生全面发展提供良好的支持。因此，在新时期高职院校机械设计基础教学实践中，教师应该将“以赛促学”教学模式的设计和开发作为基础，不断创新教学指导活动，对学生实施专业技能教育和实践技能训练，保障提高教育指导成效，促进人才培养效能不断优化。

关键词： 分布估计算法   适应度地形   柔性作业车间调度   分布式车间调度   序相关准备时间  

摘要： 在经济全球化背景下,随着多工厂生产模式的发展和企业之间的合作生产日益普遍,分布式制造已经成为主流的生产方式。分布式制造环境下的分布式柔性作业车间调度问题求解难度大,但对于缩短生产周期、提高生产效率具有重要意义。分布估计算法(Estimation of Distribution Algorithm,EDA)利用概率模型来描述有希望的解的分布,已被应用于解决复杂优化问题。本文结合实际生产中的约束条件,对分布式柔性作业车间调度问题进行了拓展和研究,提出了知识型分布估计算法进行求解。本文的主要研究内容和工作如下: (1)针对EDA在解决复杂优化问题时采样方式单一,导致全局搜索能力不足的问题,提出了一种基于多均值引导的两阶段协同分布估计算法。引入了两阶段协同框架来平衡算法的探索和开发能力,前期在多均值引导的搜索机制中自适应选择合适的搜索行为,后期利用高斯模型采样提高算法的局部开发能力。CEC2017基准测试集上的测试结果表明所提出的算法具有良好性能。 (2)针对传统的采样模型难以在EDA的高维搜索空间中生成均匀分布的样本,导致早熟收敛和种群多样性差的问题,提出了一种基于适应度地形的协同分布估计算法,以提高EDA在大规模连续实值优化问题中的性能。通过量化局部适应度地形的崎岖度,从镜像采样和多元高斯采样中选择高效的采样方法,两种采样方法结合的多操作协同框架平衡了算法的探索与开发。CEC2017基准测试集上的测试结果表明,所提出的算法优于其他对比算法。 (3)针对考虑序相关准备时间的分布式异构柔性作业车间调度问题,提出了一种基于多目标适应度地形的混合分布估计算法,同时最小化最大完工时间和总能耗。基于三个子问题的特征分别使用三种概率模型来生成新解,克服EDA容易早熟收敛的缺点。利用多目标适应度地形特征提取问题知识,为每个精英解自适应选择高效的局部搜索算子。在20个不同规模的实例上测试的实验结果表明,所提出的算法在求解复杂调度问题方面优于对比算法。 本文对分布估计算法进行了深入研究,并应用于解决分布式柔性作业车间调度问题。从适应度距离相关性到崎岖度数值特征再到多目标局部地形特征,提取问题知识来指导算法搜索,进一步丰富了分布估计算法的研究。通过大量实验验证了所提算法的有效性和实用性。

关键词： “机械设计基础”课堂   释意理论   同声传译   口译方法和技巧  

摘要： 本实践报告选择了麻省理工工程学院公开课程“机械设计基础”中的“设计是一个充满激情的过程”和“齿轮传动”作为模拟口译的素材。该公开课为机械设计专业基础课,目的是为机械专业学生提供学习思路,教授设计方法,进而培养更多优秀的机械设计人才。 本次实践以英汉同声传译的方式进行模拟口译实践。口译实践报告主要介绍口译任务背景,口译任务的意义,所选课程内容特点以及模拟口译的要求。在报告中详细描述了译者在译前准备,译中和译后反思三个口译阶段所做的工作。译前准备工作有背景知识储备,授课者语音特点及讲课风格,口译理论及方法的选择,口译准备过程中使用的工具包,口译计划及应急预案。译中部分主要包括质量控制和过程描述。译后部分的内容是自我评价以及同伴互评。第四章则从词法,句法以及语篇层面对于口译中的重难点问题进行了案例分析。实践报告的最后,译者对本次实践进行了总结和反思。 释意理论认为翻译不等同于代码转化,需要将讲话者的“思想”表达出来。讲话者的身份是教师,讲授内容是机械设计专业知识。难点问题是机械专业术语的翻译,一词多义以及专有名词的翻译,有数字的长难句的翻译,结构复杂的句子的处理以及信息冗余对于篇章翻译的影响。本实践报告以释意理论为理论指导,采用意译和直译结合的翻译方法,增译,省译,转换等翻译技巧,解决译者在英汉同传中遇到的问题。经过译后反思,总结了此次翻译中的难点,积累了口译经验。通过本次实践,译者进一步了解了机械类的口译,也开阔了口译素材选择的方向,希望本次报告对其他口译员在同领域的口译工作有一定的参考价值。