一、计算机制造中的物理知识(论文文献综述)
杨德东[1](2021)在《数字孪生在协同制造中的应用研究》文中提出
曾兰英[2](2021)在《云制造环境下支持关联分析的服务组合优选关键技术研究》文中研究表明制造业作为我国实体经济的重要产业,面对经济与科技发展所提出的新常态要求,将信息转化成数据,通过互联网共享并实现媒体感知功能作为转型升级的发展方向已是必然趋势。为打破“制造孤岛”的现象,提升制造资源利用效率,结合云计算强大的数据处理能力和物联网等信息技术构建出云制造这一新兴制造模式。云制造使得用户能够随时随地按需获取制造全生命周期的服务,实现了资源高度共享,服务增值增效,是推动中国从制造大国迈向制造强国的基础。云制造以面向服务的制造云平台为主,其中服务组合问题是目前研究的核心要点之一。尽管许多学者对服务组合展开了深入的研究并取得一些成果,但针对如何从海量云制造服务中选择满足用户需求并能形成最佳解决方案的服务组合这一问题仍存在不足之处(未考虑服务关联、子任务与服务映射单一、优选方法的设计),本文对此作了进一步的探讨。首先,在充分了解云制造环境下服务组合流程、关键技术和优选方式相关理论知识后,研究了制造服务描述模型与服务质量QoS基本评估模型,对服务之间存在的接口关联、业务实体关联和统计关联进行了分析,并在前人的研究基础上改进了业务实体关联与统计关联的描述模型和QoS计算方法。业务实体关联中考虑了企业合作时间,以提供更稳定的合作方案;为使统计关联更具准确性和时效性,利用双向置信度KULC和不平衡因子IR评估关联规则,并采用“分时有效”的思想进行QoS预测,形成可动态调整的QoS变化量,从而构建出支持服务关联的QoS感知评估模型。同时,在子任务与服务的映射关系中引入众包模式,通过众包服务筛选,建立了新的候选服务集合。其次,在对云制造服务组合优选的求解算法的设计中,麻雀搜索算法收敛效果较好,参数较少,代码简单,但种群初始化和局部最优是该算法存在的缺陷,本文对此提出基于纵横交叉的麻雀搜索算法。一方面利用Tent混沌映射产生质量较好的初始化麻雀种群加快全局寻优进程,提高解的精度;另一方面混合交叉优化算法中纵横交叉策略,从纵向和横向两个维度对种群变异更新,增加寻优范围,防止局部最优的问题出现。最后,在基于实际制造背景下运用算例验证了本文所设计的QoS感知评估模型的有效性,并通过仿真实验证明了改进的麻雀搜索算法CSOSSA在求解云制造服务组合优选问题时的性能优势。
朱华瑜[3](2020)在《基于智能算法的云制造资源优化研究》文中认为目前,云制造作为云计算、物联网、人工智能等先进技术融合的产物,已经对制造业产生了深远的影响。云制造不仅引起了学术界的广泛关注,同时政府和工业界也都投入了大量的资金对其展开研究,并已经在制造服务组合、车间调度、资源配置、物流管理等应用层面取得了一定的成果,其理论和方法研究具有重要的学术和应用价值。在云制造模式下,制造资源不仅能够实现更大范围的共享,也能够在提高制造资源利用率的同时降低生产制造的成本。本文针对云制造中多目标情况下的云制造服务组合优化问题和动态高维制造资源的调度问题进行了研究。创造性的研究成果主要有:(1)针对制造服务零散化以及服务功能性单一的问题,本文对云制造服务组合进行研究。鉴于云制造服务组合在实际情况中出现的多个优化目标问题,建立了多目标云制造服务组合优化模型,考虑了成本、时间、服务质量和能耗4个指标,提出了评估损失函数调优规则。通过问题分析,提出了一种基于变邻域搜索的快速自适应网格多目标服务组合算法。该算法不需要人为设置邻域搜索范围的大小,并且可自动利用所设置的网格删除大量被支配的个体。仿真结果表明,该算法有效改善了优化多目标时寻找帕累托解集不均匀的问题,提高了云制造服务组合的速度和精准性。(2)针对制造过程中资源动态分布且难以优化的问题,本文对云制造动态资源调度进行研究。鉴于云制造资源调度在实际情况中存在任务安排不当与资源浪费的问题,建立了云制造环境下的动态生产资源调度优化模型,并设计了制造模糊评估规则。通过问题分析,在强化学习算法的基础上,提出了一种基于禁忌搜索的深度强化学习资源调度算法。该算法通过黑名单管理机制控制了采样的空间,并通过自适应基线值的定义使得良性动作和恶性动作更容易被区分。仿真结果表明,该算法有效改善了智能体无意义重复采样的问题,保证了云制造生产过程中动态资源调度的时效性,提高了对制造资源的利用率。
雷林建,孙胜利,向玉开,张悦,刘会凯[4](2020)在《智能制造中的计算机视觉应用瓶颈问题》文中进行了进一步梳理计算机视觉在智能制造工业检测中发挥着检测识别和定位分析的重要作用,为提高工业检测的检测速率和准确率以及智能自动化程度做出了巨大的贡献。然而计算机视觉在应用过程中一直存在技术应用难点,其中3大瓶颈问题是:计算机视觉应用易受光照影响、样本数据难以支持深度学习、先验知识难以加入演化算法。这些瓶颈问题使得计算机视觉在智能制造中的应用无法发挥最佳效能。因此,需要系统地加以分析和解决。本文总结了智能制造和计算机视觉的概念及其重要性,分析了计算机视觉在智能制造工业检测领域的发展现状和需求。针对计算机视觉应用存在的3大瓶颈问题总结分析了问题现状和已有解决方法。经过深入分析发现:针对受光照影响大的问题,可以通过算法和图像采集两个环节解决;针对样本数据难以支持深度学习的问题,可以通过小样本数据处理算法和样本数量分布平衡方法解决;针对先验知识难以加入演化算法的问题,可以通过机器学习和强化学习解决。上述解决方案中的方法不尽相同,各有优劣,需要结合智能制造中具体应用研究和改进。
李鹏航[5](2020)在《面向大规模多批次任务的云制造服务组合优化方法研究》文中提出云制造是云计算在制造业领域的应用和衍生,它将共享资源从计算资源拓展到整个制造资源,成为现代智能制造的重要内容。随着云制造技术的不断落地应用,云制造服务资源的优化组合问题成为业内关注的焦点,它是解决云制造环境下资源和服务互联互通的关键。根据云制造的实际工况,大规模多批次任务协同执行是云制造中较为常见的生产制造方式,这种生产方式可以为企业降低制造成本和缩短生产时间。因此,大规模多批次任务协同执行的云制造服务组合问题已成为当今云制造服务组合的主要研究方向。本文主要针对云制造环境下大规模多批次任务协同执行的服务组合问题,以云制造中最为经典的生产时间最短为优化目标展开研究,主要内容如下:1.针对云制造环境下,用户需求规模大、任务执行批次多的实际情况建立了大规模多批次任务协同执行的服务组合模型。结合了云制造服务组合问题,分析了云平台、任务需求方、服务提供方三者之间的逻辑层次和逻辑关系,定义了相关参数和评价指标,实现了复杂、海量制造资源的统一封装。2.针对现有优化算法在求解云制造服务组合上面临全局寻优能力不足的情况,提出了一种基于多种改进策略的人工蜂群算法(Multiple Improvement Strategies based Artificial Bee Colony Algorithm,MISABC)的求解方法。MISABC中针对不同阶段的蜜蜂搜索方程,分别引入了相应的改进策略,主要包括差分进化策略、三角因子振荡策略、异维学习策略和高斯分布策略,使得MISABC在全局寻优能力和求解精度上较经典ABC有很大地提升。最后,通过基准函数测试实验和案例研究实验,验证了MISABC算法求得最优解的质量和稳定性较高。3.云制造资源优化组合的数学模型大多呈现出多模态且不可分的特点,针对现有优化算法对于求解多模态且不可分数学问题往往收敛速度慢,易陷入局部最优的的情况,提出了一种基于差分进化和教与学的混合改进优化算法(ImprovedHybrid Differential Evolution and Teaching Based Optimization,IHDETBO)的求解方法。IHDETBO以差分进化算法和教与学优化算法为基础,充分利用了差分进化算法突出的全局寻优能力和教与学算法的局部搜索能力,将两种算法进行改进和有机融合,从而提高了算法的收敛速度和跳出局部最优的能力。最后,通过Benchmark函数测试和案例模型进行求解和分析,验证了该算法在求解复杂的云制造服务组合问题的可行性和高效性。
许岩[6](2020)在《基于云制造平台的智能装备故障诊断方法与租赁定价模型研究》文中研究说明作为立国之本、兴国之器、强国之基的制造业,其发展、进步、创新一直是各界关注与研究的重点。随着以云计算、大数据、工业互联网、移动互联网等为代表的新一代信息技术(简称New IT),以及以深度学习、深度强化学习、群体智能等为代表的新一代人工智能技术(简称New AI)的发展,智能制造技术成为当前制造业转型升级的核心驱动力。在智能制造成为现代制造模式的同时,也伴随产生了若干新的制造模式和业态。其中,以按需使用为核心,以用户为中心的云制造成为一种新兴的先进制造业模式。在云制造模式中,云制造平台是智能装备制造商与客户的重要纽带,是推动制造业服务化转型的重要力量。本研究主要基于云制造平台,围绕故障诊断与服务租赁,聚焦制造业转型升级过程中遇到的部分问题,包括:(1)训练数据类型少且分布不均导致的故障诊断模型可靠性差的问题;(2)实际运行工况复杂多变使得训练数据和实际测试数据分布不同导致的诊断模型适用性不高问题;(3)制造资源分配不均而导致的制造资源闲置浪费问题;(4)缺乏科学合理的定价策略而导致无法提供高效租赁服务的问题。本文主要对上述问题展开研究,研究内容和创新点如下:(1)针对故障诊断模型可靠性差和适用性不高的问题,提出基于数字孪生和深度迁移学习的两阶段故障诊断方法(Digital-twin-assisted Fault Diagnosis method using Deep transfer learning,DFDD)。在第一阶段的故障诊断中,通过在虚拟空间建立超高逼真的仿真模型提前模拟设备运行情况,并使用仿真数据充分训练基于深度神经网络(Deep Neural Network,DNN)的故障诊断模型,提前发现在设计阶段未考虑到的潜在问题。在第二阶段的故障诊断中,使用深度迁移学习(Deep Transfer Learning,DTL)算法将在虚拟空间训练的故障诊断模型迁移到物理空间中,用于智能装备的实时监控和预防性维护,既保证了故障诊断的精度,也避免了重新训练模型对时间和知识的浪费。(2)使用改进的樽海鞘算法优化DFDD,解决了故障诊断模型构建依赖人工经验的问题,进一步提高了故障诊断模型的诊断性能。深度迁移学习可在不同分布的数据间进行分类预测,但网络结构参数通过随机初始化或经验性方法获取,效率低且难以保证参数最优。本研究使用改进的樽海鞘算法寻优得出网络初始化参数,包括隐含层节点数和稀疏性参数,实现了对故障诊断模型网络参数的自适应获取。(3)提出云制造下服务租赁模式并构建租赁定价模型,为制造资源分配不均问题提供解决思路。在云制造模式下,将智能装备以服务的形式租赁给客户,并通过对装备的实时监测与故障诊断实现预防性维护,延长设备使用寿命,保证租赁设备的持续健康运行。此种租赁模式可以有效缓解制造资源分配不均问题,实现制造资源的高效利用。本研究还从供需Stackelberg博弈角度建立了租赁定价的双层规划模型,双层规划问题是一类具有主从递阶结构的复杂决策问题,具有NP-hard性。本研究使用带精英策略的非支配排序遗传算法(Nondominated Sorting Genetic Alogorithm II,NSGA-II)求得模型的Pareto最优解,即使供需双方效用最大的租赁和定价策略。(4)对本研究所提的服务模式与方法进行案例验证。本研究以广东某汽车制造商为案例研究对象,对所提故障诊断方法及其优化改进方法进行了验证,结果表明本文所提出的DFDD方法对智能装备健康状况的预测与判断是准确、稳定的,改进的深度迁移学习算法对DFDD的诊断性能也有一定的提升作用。本研究还以某刀具生产厂商为案例对所提服务租赁模式和租赁定价策略进行了验证,结果表明租赁模式和定价策略具有现实意义与实践价值。
刘森,张书维,侯玉洁[7](2020)在《3D打印技术专业“三教”改革探索》文中指出根据国家对职业教育深化改革的最新要求,解读当前"三教"改革对于职教教育紧迫性和必要性,本文以3D打印技术专业为切入点,深层次分析3D打印技术专业在教师、教材、教法("三教")改革时所面临的实际问题,并对"三教"改革的一些具体方案可行性和实际效果进行了探讨。
胡铁楠[8](2020)在《一种可用于云制造环境的新型现场总线协议研究》文中指出云制造模式自提出以来,国内外学者对其进行了大量研究,有效地促进了云制造服务模式的发展,然而目前关于云制造模式的研究成果大多只针对云制造的上层,例如资源虚拟化、建模封装等层面,对于云制造模式赖以实现的底层基础,企业车间层向云制造平台的接入研究较少。为实现云制造服务模式在车间层面的开展,推进企业从传统型制造向服务型制造转型,将传统企业物理制造资源虚拟化并对接到云制造服务平台中。论文在借鉴国内外研究成果的基础上,提出了一种新型现场总线协议CloudFieldBus实现对车间装备制造资源动态信息的实时接入云服务平台,本文主要研究工作如下:(1)针对云制造服务模式下车间制造资源向云制造平台的实时接入,在分析了云制造服务模式框架和传统MES系统框架的基础上,提出了一种云制造服务模式下的企业车间层面制造资源接入模型总体思路,建立了车间智能MES系统的整体模型,并研究其层次结构、功能模块以及运行模式。(2)针对装备制造资源的实时接入,建立车间装备资源的统一描述模板,通过传感器对装备资源进行智能感知,并通过模板进行实例化,而后建立了多协议转换模型,实现制造资源的多种异构通信协议之间的实时通信,提出了新型CloudFieldBus协议,研究CloudFieldBus协议数据帧格式以及用户数据编解码流程,对比分析该协议的传输性能。(3)针对模型的理论研究,对车间智能MES系统、多协议转换系统、新型CloudFieldBus协议进行了实例化与测试,在车间的应用方面进行了探索,对应用结果进行了总结,并对未来研究工作进行展望。
刘奕[9](2020)在《5G网络技术对提升4G网络性能的研究》文中指出随着互联网的快速发展,越来越多的设备接入到移动网络,新的服务与应用层出不穷,对移动网络的容量、传输速率、延时等提出了更高的要求。5G技术的出现,使得满足这些要求成为了可能。而在5G全面实施之前,提高现有网络的性能及用户感知成为亟需解决的问题。本文从5G应用场景及目标入手,介绍了现网改善网络性能的处理办法,并针对当前5G关键技术 Massive MIMO 技术、MEC 技术、超密集组网、极简载波技术等作用开展探讨,为5G技术对4G 网络质量提升给以了有效参考。
卢阳光[10](2020)在《面向智能制造的数字孪生工厂构建方法与应用》文中进行了进一步梳理数字孪生,与其它新兴技术诸如物联网、数据挖掘和机器学习一样,为当今制造模式向智能制造的转变提供了巨大的潜力。通过对智能制造研究成果量化分析、梳理和总结,可以发现数字孪生作为突破性的应用技术框架,将会成为实现信息物理系统乃至智能制造的必要方法,值得深入和全面地展开研究。现代制造业为了提升在效率、智能化和可持续性方面的管理水平,需要将工厂全生命周期各个阶段的数据与物理系统融合,体现在规划、生产控制和流程再造等各个阶段。现代工厂面临着快速变化的市场节奏,所以需要敏捷有效的规划方法;现代工厂的生产控制面对复杂环境和高实时性的要求,因此需要智能的生产控制优化手段;现代工厂面对全球化和新技术带来的机遇和挑战,需要灵活实用的精益制造和优化方法。新型的数字孪生信息技术方法有望帮助工厂更好地应对全生命周期的新问题和挑战。本文提出了面向工厂全生命周期构建数字孪生的方法框架,提出方法框架的构成核心即数字孪生实践环(Digital Twin Practice Loop,DTPL),并说明了 DTPL的组成要素和作用。在数字孪生方法框架的基础上,展开研究了面向制造型企业不同阶段的数字孪生工厂理论与应用方法,包括规划阶段、生产控制阶段、流程再造阶段。规划阶段的数字孪生工厂研究,为规划工作设计了一种新的快速仿真模型,称为效率验证分析(Efficiency Validate Analysis,EVA)模型,并基于工业物联网(Industrial Internetof Things,ⅡoT)和EVA,构建了一种敏捷规划的数字孪生方法,以在制造业规划工作中提升规划效率和降低规划成本。通过基于数字孪生的规划方法在汽车再制造工业中的实例,证明基于数字孪生的新方法比传统方法能更有效地支持制造业规划任务。生产控制阶段的数字孪生工厂研究,提出了通过ⅡoT和机器学习构建生产控制数字孪生的方法。通过工业大数据与机器学习持续训练和优化数字孪生模型,实现了用数字孪生实时优化生产控制,动态适应不断变化的环境,及时响应市场变化。通过数字孪生的生产控制方法应用于石化工厂的实例,验证了这种方法能够显着提高生产经济效益。流程再造阶段的数字孪生工厂研究,将传统的精益方法如价值流程图等,通过与ⅡoT和轻量级仿真模型有效整合,提出了一种生产流程再造的数字孪生方法。该方法基于数字孪生,为传统精益方法的定量分析提供了基础。通过将数字孪生的生产流程再造方法应用于中小型制造业工厂的实例,证明了该方法可以有效提升精益方法对生产流程再造工作的效果和精确度。
二、计算机制造中的物理知识(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、计算机制造中的物理知识(论文提纲范文)
(2)云制造环境下支持关联分析的服务组合优选关键技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景及意义 |
1.2 研究现状 |
1.2.1 云制造的研究现状 |
1.2.2 云制造服务组合研究现状 |
1.3 研究内容与组织结构 |
1.3.1 主要研究内容 |
1.3.2 论文组织结构安排 |
第2章 相关理论与技术 |
2.1 云制造概述 |
2.1.1 云计算与云制造 |
2.1.2 云制造的概念与特征 |
2.1.3 云制造的体系结构 |
2.1.4 云制造服务的概念与分类 |
2.2 云制造环境下的服务组合 |
2.2.1 服务组合的定义与特点 |
2.2.2 云制造服务组合流程 |
2.2.3 服务组合关键技术 |
2.2.4 服务组合优化方式 |
2.3 本章小结 |
第3章 众包模式下支持服务关联的QoS感知评估模型 |
3.1 云制造服务关联的描述 |
3.1.1 制造服务描述模型 |
3.1.2 QoS基本模型 |
3.1.3 服务关联关系 |
3.2 众包模式 |
3.2.1 众包模式与云制造 |
3.2.2 众包服务的选择与计算 |
3.3 支持服务关联的QoS感知评估模型的构建 |
3.3.1 云制造服务的QoS关联计算模型 |
3.3.2 云制造服务组合的QoS感知评估模型 |
3.4 本章小结 |
第4章 改进麻雀搜索算法的云制造服务组合优选 |
4.1 麻雀搜索算法概述 |
4.1.1 算法原理 |
4.1.2 算法流程 |
4.1.3 算法特点 |
4.2 基于纵横交叉麻雀搜索算法的云制造服务组合 |
4.2.1 离散化与编码 |
4.2.2 Tent混沌初始化 |
4.2.3 纵横交叉策略 |
4.2.4 CSOSSA算法框架 |
4.2.5 云制造服务组合中CSOSSA算法的应用 |
4.3 本章小结 |
第5章 仿真实验与分析 |
5.1 实验设计 |
5.1.1 场景模型 |
5.1.2 环境与参数设定 |
5.2 模型与算例分析 |
5.2.1 关联分析的有效性验证 |
5.2.2 业务实体关联中合作时间的影响 |
5.2.3 统计关联中时效性验证 |
5.3 算法验证与分析 |
5.3.1 算法有效性 |
5.3.2 算法收敛性 |
5.3.3 算法执行效率 |
5.4 本章小结 |
第6章 总结与展望 |
6.1 工作总结 |
6.2 研究展望 |
参考文献 |
申请学位期间的研究成果 |
致谢 |
(3)基于智能算法的云制造资源优化研究(论文提纲范文)
摘要 |
abstract |
专用术语注释表 |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 本文的工作及结构安排 |
第二章 相关背景知识介绍 |
2.1 云制造 |
2.2 多目标优化 |
2.3 深度强化学习 |
2.4 本章小结 |
第三章 面向云制造的多目标服务资源组合优化研究 |
3.1 云制造多目标服务资源组合优化模型 |
3.1.1 拓扑结构 |
3.1.2 系统模型 |
3.1.3 问题描述 |
3.2 基于改进多目标进化算法的云制造服务资源组合优化 |
3.2.1 设计思想 |
3.2.2 基于变邻域搜索的网格多目标服务组合算法 |
3.2.3 面向云制造服务资源优化的组合算法流程 |
3.3 仿真分析 |
3.3.1 仿真设置 |
3.3.2 仿真结果 |
3.4 本章小结 |
第四章 面向云制造的动态生产资源调度优化研究 |
4.1 云制造动态生产资源调度优化模型 |
4.1.1 拓扑结构 |
4.1.2 系统模型 |
4.1.3 问题描述 |
4.2 基于改进深度强化学习算法的云制造生产资源调度优化 |
4.2.1 设计思想 |
4.2.2 基于禁忌搜索的深度强化学习生产资源调度算法 |
4.2.3 面向云制造生产资源优化的调度算法流程 |
4.3 仿真分析 |
4.3.1 仿真设置 |
4.3.2 仿真结果 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 工作总结 |
5.2 后续工作展望 |
参考文献 |
附录1 攻读硕士学位期间撰写的论文 |
附录2 攻读硕士学位期间申请的专利 |
附录3 攻读硕士学位期间参加的科研项目 |
致谢 |
(4)智能制造中的计算机视觉应用瓶颈问题(论文提纲范文)
0 引言 |
1 智能制造中的计算机视觉发展现状及需求 |
1.1 智能制造中的计算机视觉发展现状 |
1.2 智能制造对计算机视觉技术的发展需求 |
2 智能制造中计算机视觉应用易受光照影响的问题 |
2.1 受光照影响大的问题概述 |
2.2 受光照影响大的解决方法 |
3 智能制造中计算机视觉应用的样本数据难以支持深度学习的问题 |
3.1 样本数据难以支持深度学习的问题概述 |
3.2 样本数据难以支持深度学习的解决方法 |
4 智能制造中计算机视觉应用的先验知识难以加入演化算法的问题 |
4.1 先验知识难以加入演化算法的问题概述 |
4.2 先验知识无法支持演化算法的解决方法 |
5 结语 |
(5)面向大规模多批次任务的云制造服务组合优化方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 云制造相关领域国内外研究现状 |
1.2.2 云制造服务组合国内外研究现状 |
1.3 研究目标及主要内容 |
1.4 论文的组织和安排 |
第二章 云制造环境下大规模多批次任务协同执行的服务组合 |
2.1 引言 |
2.2 云制造与服务组合 |
2.2.1 云制造 |
2.2.2 服务组合 |
2.3 云制造大规模多批次任务协同执行的服务组合表示 |
2.3.1 大规模多批次任务协同执行 |
2.3.2 服务组合资源形式化描述 |
2.3.3 服务组合优选实施步骤 |
2.3.4 服务组合评价模型 |
2.4 本章小结 |
第三章 基于多种改进策略的人工蜂群算法的服务组合 |
3.1 引言 |
3.2 问题描述 |
3.3 问题建模 |
3.4 基于多种改进策略的人工蜂群算法 |
3.4.1 人工蜂群算法基本原理 |
3.4.2 MISABC涉及的改进策略介绍 |
3.4.3 多种改进策略的人工蜂群算法原理及流程 |
3.5 实验及结果分析 |
3.6 本章小结 |
第四章 基于差分进化和教与学的混合改进优化算法的服务组合 |
4.1 引言 |
4.2 两种算法的基本原理概述 |
4.2.1 差分进化算法的基本原理 |
4.2.2 教与学优化算法的基本原理 |
4.3 基于差分进化和教与学的混合改进优化算法 |
4.4 实验及结果分析 |
4.5 本章小结 |
第五章 结论与展望 |
5.1 结论 |
5.2 展望 |
参考文献 |
致谢 |
作者简介 |
1 作者简历 |
2 攻读硕士学位期间发表的学术论文 |
3 发明专利 |
学位论文数据集 |
(6)基于云制造平台的智能装备故障诊断方法与租赁定价模型研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 主要研究问题 |
1.3 研究目标与研究意义 |
1.3.1 研究目标 |
1.3.2 研究意义 |
1.4 国内外研究现状 |
1.4.1 云制造相关研究 |
1.4.2 故障诊断相关研究 |
1.4.3 租赁定价相关研究 |
1.5 研究方法与技术路线 |
1.5.1 研究方法 |
1.5.2 技术路线 |
1.6 本文的章节安排 |
1.7 本研究创新之处 |
第二章 云制造平台与智能装备服务模式 |
2.1 云制造平台 |
2.1.1 总体框架 |
2.1.2 特性分析 |
2.2 应用需求分析 |
2.2.1 故障诊断需求分析 |
2.2.2 服务租赁需求分析 |
2.3 智能装备故障诊断模式 |
2.3.1 故障诊断的基本方法 |
2.3.2 故障诊断方法的比较分析 |
2.3.3 深度学习算法与应用 |
2.3.4 数字孪生技术与应用 |
2.4 智能装备租赁定价模式 |
2.4.1 共享平台 |
2.4.2 租赁定价模型 |
2.5 本章小结 |
第三章 基于数字孪生和深度迁移学习的故障诊断方法 |
3.1 DFDD整体框架 |
3.2 DFDD故障诊断流程 |
3.2.1 总体流程 |
3.2.2 智能研发阶段虚拟空间的故障诊断 |
3.2.3 主动运维阶段物理空间的故障诊断 |
3.3 案例验证 |
3.3.1 案例背景 |
3.3.2 故障诊断模型构建 |
3.3.3 结果分析 |
3.4 本章小结 |
第四章 基于改进深度迁移学习的故障诊断方法 |
4.1 改进的樽海鞘算法 |
4.1.1 樽海鞘算法基本原理 |
4.1.2 基于统计引导和多项式差分学习的改进樽海鞘算法 |
4.2 基于ISSA的故障诊断方法 |
4.2.1 算法原理 |
4.2.2 算法流程 |
4.3 案例验证 |
4.4 本章小结 |
第五章 云制造下服务租赁定价模型 |
5.1 服务租赁流程及特征 |
5.1.1 服务租赁流程 |
5.1.2 服务租赁特征 |
5.2 服务租赁定价机理分析 |
5.2.1 服务租赁定价影响因素 |
5.2.2 服务租赁定价双层规划模型的非合作博弈分析 |
5.3 服务租赁定价模型的构建 |
5.3.1 符号说明 |
5.3.2 服务提供方的目标函数 |
5.3.3 服务需求方的目标函数 |
5.3.4 服务租赁定价双层规划模型 |
5.4 模型求解 |
5.4.1 算法描述 |
5.4.2 算法流程 |
5.5 案例验证 |
5.5.1 案例背景 |
5.5.2 算例结果分析 |
5.6 本章小结 |
总结与展望 |
全文总结 |
研究展望 |
参考文献 |
攻读博士学位期间取得的研究成果 |
致谢 |
附件 |
(7)3D打印技术专业“三教”改革探索(论文提纲范文)
引言 |
1 3D打印技术专业“三教”面临的突出问题 |
1.1 师资团队的教学素养相对偏差 |
1.2 3D打印技术专业教材不成体系,资源匮乏 |
1.3 教法难以提升学生参与的主动性 |
2 3D打印技术应用专业“三教”改革措施 |
2.1 通过“名师引领、双元结构、分工协作”的准则塑造团队 |
2.1.1 依托有较强影响力的带头人,有效开发名师所具备的引领示范效果 |
2.1.2 邀请大师授教,提升人才的技术与技能水准 |
2.2 推进“学生主体、育训结合、因材施教”的教材变革 |
2.2.1 设计活页式3D打印教材 |
2.2.2 灵活使用信息化技术,形成立体化的教学 |
2.3 创新推行“三个课堂”教学模式,推进教法改革 |
2.3.1 采取线上、线下的混合式教法 |
2.3.2 构建与推进更具创新性的“三个课堂”模式 |
(8)一种可用于云制造环境的新型现场总线协议研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 论文研究的背景和意义 |
1.1.1 论文研究背景 |
1.1.2 论文研究意义 |
1.2 国内外相关研究现状及总结 |
1.2.1 国内外相关研究现状 |
1.2.2 国内外研究现状总结 |
1.3 论文研究目的 |
1.4 本文内容安排 |
2 相关理论介绍 |
2.1 云制造相关理论 |
2.1.1 云制造定义 |
2.1.2 云制造技术基础 |
2.1.3 云制造关键技术 |
2.2 MES系统相关理论 |
2.2.1 MES系统定义 |
2.2.2 MES体系架构 |
2.3 本章小结 |
3 云制造车间制造资源接入模型 |
3.1 云制造整体模型 |
3.2 车间制造资源接入模型建立 |
3.3 智能MES模型研究 |
3.3.1 智能MES层次架构 |
3.3.2 智能MES系统功能模块 |
3.3.3 智能MES运行模式 |
3.3.4 智能MES系统特点分析 |
3.4 本章小结 |
4 Cloud_Field_Bus协议研究 |
4.1 车间装备资源封装模型建立 |
4.2 车间装备资源动态感知接入 |
4.3 多协议转换系统研究 |
4.3.1 多协议转换系统模型建立 |
4.3.2 多协议转换系统运行模式 |
4.4 Cloud_Field_Bus协议数据帧 |
4.4.1 Cloud_Field_Bus协议帧格式 |
4.4.2 Cloud_Field_Bus协议编解码 |
4.4.3 Cloud_Field_Bus协议性能分析 |
4.5 本章小结 |
5 协议实例与测试 |
5.1 实验平台搭建 |
5.2 可行性验证 |
5.2.1 智能MES系统界面可视化 |
5.2.2 多协议转换系统与新型总线 |
5.3 车间应用 |
5.4 本章小结 |
结论 |
参考文献 |
攻读学位期间发表的学术论文 |
致谢 |
(9)5G网络技术对提升4G网络性能的研究(论文提纲范文)
引言 |
1 4G网络现处理办法 |
2 4G网络可应用的5G关键技术 |
2.1 Msssive MIMO技术 |
2.2 极简载波技术 |
2.3 超密集组网 |
2.4 MEC技术 |
3 总结 |
(10)面向智能制造的数字孪生工厂构建方法与应用(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 问题提出与意义 |
1.1.1 选题背景 |
1.1.2 选题意义 |
1.2 国内外研究现状分析 |
1.2.1 数字孪生规划方法的研究 |
1.2.2 数字孪生生产控制方法的研究 |
1.2.3 数字孪生流程再造方法的研究 |
1.3 研究目标与技术路线图 |
1.4 章节安排 |
2 智能制造背景下的数字孪生理论研究 |
2.1 理论综述 |
2.1.1 数字孪生相关研究综述 |
2.1.2 智能制造相关研究综述 |
2.1.3 CPS理论研究综述 |
2.1.4 数字孪生和CPS的关联与区别 |
2.1.5 数字孪生和仿真的关联与区别 |
2.1.6 现有研究存在的不足 |
2.2 在生产制造情境下的数字孪生工厂方法框架 |
2.2.1 制造业的数字工厂实践环 |
2.2.2 面向制造的数字孪生实践环 |
2.2.3 基于数字孪生实践环构建数字孪生工厂 |
2.3 制造业不同阶段的数字孪生工厂研究重点 |
2.3.1 规划阶段的数字孪生工厂研究 |
2.3.2 生产控制阶段的数字孪生工厂研究 |
2.3.3 流程再造阶段的数字孪生工厂研究 |
3 规划阶段的数字孪生工厂构建方法及应用 |
3.1 制造业的规划效率和仿真困难问题 |
3.2 规划阶段数字孪生工厂构建方法研究 |
3.2.1 一种基于数字孪生的规划框架 |
3.2.2 设计基于工业物联网和仿真的数字孪生方法 |
3.2.3 用于仿真的工业物联网数据计算方法研究 |
3.3 规划阶段数字孪生工厂应用研究 |
3.3.1 EVA模型的构建 |
3.3.2 设计基于数字孪生实践环的工厂规划流程 |
3.4 规划数字孪生工厂应用实例 |
3.4.1 实例背景 |
3.4.2 实例过程分析 |
3.4.3 实例结果和讨论 |
3.5 本章小结 |
4 生产控制阶段的数字孪生工厂构建方法及应用 |
4.1 生产控制优化的准确建模和时效性问题 |
4.2 生产控制优化数字孪生工厂构建方法研究 |
4.2.1 面向智能制造的生产控制数字孪生构成讨论 |
4.2.2 设计基于工业物联网和机器学习的数字孪生方法 |
4.2.3 生产控制数字孪生的组成要素分析 |
4.3 生产控制优化数字孪生工厂应用研究 |
4.3.1 生产控制数字孪生模型构建方法 |
4.3.2 数字孪生建模的工业大数据处理方法研究 |
4.3.3 数字孪生建模的机器学习算法比较研究 |
4.3.4 设计数字孪生模型验证指标 |
4.4 生产控制数字孪生工厂应用实例 |
4.4.1 实例背景 |
4.4.2 实例过程分析 |
4.4.3 实例结果和讨论 |
4.5 本章小结 |
5 流程再造阶段的数字孪生工厂构建方法及应用 |
5.1 流程再造精益方法的精确度和可行性问题 |
5.2 流程再造数字孪生工厂构建方法研究 |
5.2.1 设计流程再造的数字孪生方法 |
5.2.2 基于数字孪生工厂改进的价值流图方法 |
5.3 流程再造数字孪生工厂应用研究 |
5.3.1 流程再造情境下的数字孪生工厂构建研究 |
5.3.2 中小型制造业的数据采集和建模方法改善研究 |
5.4 流程再造数字孪生工厂应用实例 |
5.4.1 实例背景 |
5.4.2 实例过程分析 |
5.4.3 实例结果和讨论 |
5.5 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 创新点 |
6.3 启示 |
6.4 展望 |
参考文献 |
附录A DEVS的定义和仿真框架 |
攻读博士学位期间科研项目及科研成果 |
致谢 |
作者简介 |
四、计算机制造中的物理知识(论文参考文献)
- [1]数字孪生在协同制造中的应用研究[D]. 杨德东. 北京邮电大学, 2021
- [2]云制造环境下支持关联分析的服务组合优选关键技术研究[D]. 曾兰英. 桂林理工大学, 2021(01)
- [3]基于智能算法的云制造资源优化研究[D]. 朱华瑜. 南京邮电大学, 2020
- [4]智能制造中的计算机视觉应用瓶颈问题[J]. 雷林建,孙胜利,向玉开,张悦,刘会凯. 中国图象图形学报, 2020(07)
- [5]面向大规模多批次任务的云制造服务组合优化方法研究[D]. 李鹏航. 浙江工业大学, 2020(02)
- [6]基于云制造平台的智能装备故障诊断方法与租赁定价模型研究[D]. 许岩. 华南理工大学, 2020(01)
- [7]3D打印技术专业“三教”改革探索[J]. 刘森,张书维,侯玉洁. 数码世界, 2020(04)
- [8]一种可用于云制造环境的新型现场总线协议研究[D]. 胡铁楠. 东北林业大学, 2020(12)
- [9]5G网络技术对提升4G网络性能的研究[J]. 刘奕. 数码世界, 2020(04)
- [10]面向智能制造的数字孪生工厂构建方法与应用[D]. 卢阳光. 大连理工大学, 2020(01)