全文文献 工具书 数字 学术定义 翻译助手 学术趋势 更多
搜索帮助
意见反馈
返回首页
共搜索到相关记录 600 条,本页显示第 1 - 10 条
 
本次模拟计算模型共划分为902个节点,941个单元,在本次有限元分析中,采用四节点四边形单元和三节点三角形单元,以钻探和探槽资料所得汛而具有更大的输出误差。表 1 不同的参数组合对虚拟传感器品质的影响参数序号发电机功率主汽温主气压一抽汽温一抽汽压高排温度高排压力真空调节级压力高压第一级金属温度三抽汽温三抽汽压阀门开度1阀门开度2参数个数平均相对误差( %)11111111111111114 0 .2 02 1111111110 111113 0 .1693 11111111110 10 112 0 .10 84111110 111110 1112 0 .13 7  注 :1表示对应的参数被选取 ,0表示对应的参数不取。2 遗传算法优选虚拟传感器的输入参数组合有很多 ,如果有n个相关参数 ,其组合数为 2 n- 1 ,1 4个相关参数就有 2 14 - 1 =1 6383个参数组合。在如此庞大的搜索空间中寻求最优解或准最优解 ,对于常规方法和现有的计算工具而言存在着诸多的困难 ,借助遗传算法的全局搜索能力是很自然的想法。遗传算法是模拟自然界生物进化过程的计算模型 ,是一种现代优化计算方法 ,其基本思想是 :首先通过编码操作将问题空间映射到编码空间(如 [0 ,1 ]) ,然后在编码空间内进行选择、交叉、变异 3种操作及其循环迭代操作 ,模拟生物遗传进化机制 ,搜索编码空间的最优解 ,最后逆映射到原问题空间 ,从而得到满足要求的原问题的最优解。选择操作模拟了个体之间和个体与环境之间的生存竞争 ,优良个体有更多的生存繁殖机会。在这种选择压力作用下 ,个体之间通过交叉、变异等遗传操作进行基因重组 ,期望得到更优秀的后代个体在这场竞争中胜出。遗传算法实现全局并行搜索 ,搜索空间大 ,并且在搜索过程中不断地向可能包含最优解的方向调整搜索空间 ,以便寻找到最优解或准最优解 ,它比其它搜索方法 ,如随机查找、梯度下降、模拟退火等简单且鲁棒性强。遗传算法的流程图如图 2所示 ,其实施一般遵循以下步骤 :图 2 遗传算法的流程图   ( 1 )随机产生初始种群 ,个体数目一定 ,每个个体表示为染色体的基因编码 ;( 2 )计算个体的适应度 ,并判断是否符合优化准则 ,若符合 ,输出最佳个体及其代表的最优解 ,并结束计算 ;否则转向第 ( 3)步 ;( 3)依据适应度选择再生个体 ,适应度高的个体被选中的概率高 ,适应度低的个体可能被淘汰 ;( 4 )按照一定的交叉概率和交叉方法 ,生成新的个体 ;(5 )按照一定的变异概率和变异方法 ,生成新的个体 ;( 6)由交叉和变异产生新一代的种群 ,返回到第 ( 2 )步。本文群体大小取 80 ,终止进化代数为 30 0 ,交叉概率为 0 .75 ,变异概率为 0 .0 2 ,利用遗传算法进行输入参数优选的结果如表 2所示。表 2 虚拟传感器输入参数优选结果参数序号发电机功率主汽温主气压一抽汽温一抽汽压高排温度高排压力真空调节级压力高压第一级金属温度三抽汽温三抽汽压阀门开度1阀门开度2参数个数平均相对误差( %)110 1111111110 0 0 10 0 .0 972 110 10 10 110 110 0 90 .10 73 11110 10 111110 0 10 0 .11541110 0 10 1111110 10 0 .14 55 111110 0 110 10 0 0 80 .15 26110 0 110 1110 0 0 180 .166  注 :1表示对应的参数被选取 ,0表示对应的参数不取。  由表 2可以看出 :优选的 6组输入参数都少于1 4个 ,但输出误差却比 1 4个输入参数的输出误差小。有些强相关参数如发电机功率、真空和调节级压力在优选的 6组参数组合中都被选中 ,说明它们与调节级后汽温的关联性比其他的参数要强。为验证本文方法的有效性 ,在上述 1 4个输入参数之外追加 3个经验认为相关性较弱的参数 :转速、1号低压加热器出水温度 (凝汽器后 )和主汽流量 ,利用上述方法对这 1 7个参数进行优选 ,结果发现 :追加的 3个参数全部被舍弃 ,优选结果与表 2完全相同 ,而且转速参数总是最先被舍去。分析指出 :由于学习和仿真的样本均处于升负荷过程 ,转速一直维持在 30 0 0转左右 ,与调节级汽温的变化基本不相关 ,此外 ,给水流经 1号加热器 ,通过复杂的锅炉汽水系统后才进入汽机 ,其温度的变化特征相对于调节级后汽温而言已非强相关 ;而主汽流量参数所代表的信息已经反映在 2个阀门开度信号上 ,也可列入弱相关参数之列。DDAG结构运算相当于一个表操作。在初始状态下 ,分类对象所有可能的类别按照一定顺序排列在表单中。分类时 ,每次对表单中的首尾 2个类别进行比较 ,并排除掉分类对象最不可能属于的类别 ,从而使表单中的类别数减少 1 ,依次类推 ,那么当经过 N - 1次排除之后 ,表单中唯一剩下的一类就是该分类对象所属的类别。在 DDAG算法训练中 ,只需对各个子分类器进行训练 ,通过最大化 DDAG结构中的二值子分类器的分类间隔 ,即可以使得分类的一般错误率降低。DAGSVM采用排除法进行分类 ,每经过一次子分类器的运算 ,都排除掉最不可能的类别 ,使得误分的可能性降低。DDAG结构与树状结构不同 ,它具有冗余性 ,同一类别的分类个体 ,分类路径可能不同。这种方法与一般的决策树方法相比 ,更易于计算 ,且学习效果也更好。3  DAQSVM在汽轮发电机组振动故障诊断中的应用3.1  DAGSVM构成图 2  5类 DA GSVM拓扑结构  汽轮发电机组典型的故障类型 [8] 分别是不平衡、碰磨、不对中、松动和油膜 (震荡 )故障共 5类。设计 5× ( 5 - 1 ) /2 =1 0个两类分类器 ,分别用于将其中任两类故障两两分开 ,按图 2方式构成DAGSVM拓扑结构。故障数据从模拟转子实验台获得 ,从中选取 5组已知类别的故障样本共 80个进行训练。信号以频谱分析为基准 ,采集数据经过归一化作为输入征兆 ,对样本进行 DAGSVM计算 ,取支持向量机核函数为径向基函数K( Xj,Xj) =exp - | Xi - Xj| 2σ2d其中 Xi,Xj为训练输入 ,σ为核函数宽度。3.2 σ值的选取  样本的输出响应区间取决于σ的选择 ,σ越小 ,响应区间越窄 ,得到的分类面经验风险会越小 ,但是结构风险越大 ;σ越大 ,响应区间越宽 ,得到的分类面结构风险越小 ,表现为函数曲线越光顺 ,但是经验风险会越大。所以选择合适的宽度参数需要在这两者之间进行权衡。σ的值可以在训练过程中根据样本确定 ,这里提出了基于错分样本数的变增量迭代算法。具体步骤为 :( 1 )取较小的初值 σ1进行训练得到初始分类面 ;( 2 )将样本重新送入训练网络 ,遍历全部样本 ,将输出结果与样本实际类别比较 ,构造分类结果矩阵 [rij],其中 rij( i,j=1 ,2 ,… ,c)表示将第 i类故障分到第 j类的个数 ,rij( i=1 j)为正确分类数 ,若存在 rij>0 ,( i≠j)则说明存在错分情况 ,rij( i,j=1 ,2 ,… ,c)即为错分样本数 ;( 3)取 σk+ 1=σk+ ( e/n) * σk,其中 e为错分样本总数 ,e=∑i,j=ci,j=1,i≠ jrij,n为样本总数 ,转至步骤 2 ,进行变增量迭代运算 ,再次对样本训练 ,直到分类精度达到系统要求为止。3.3 仿真结果训练结束后 ,再利用模拟转子实验台得到新的测试故障样本对 DAGSVM算法进行考试 ,测试样本数据示于表 3。表 3 测试故障样本数据序号 征兆A B C D E F G H I 故障类型10 .0 40 40 .0 0 2 3 0 .0 0 2 3 0 .0 10 80 .7764 0 .10 0 40 .0 2 790 .0 2 790 .0 113不平衡2 0 .0 3 70 0 .0 0 15 0 .0 0 0 90 .0 12 70 .7885 0 .0 8180 .0 3 490 .0 3 490 .0 0 77不平衡3 0 .0 5 12 0 .0 0 2 60 .0 0 2 2 0 .0 1840 .75 790 .0 93 80 .0 3 3 70 .0 3 3 70 .0 0 5 9不平衡40 .0 65 3 0 .0 7890 .0 7890 .43 65 0 .14 5 80 .0 3 740 .0 5 45 0 .0 185 0 .0 83 7碰 磨5 0 .0 1110 .0 0 2 70 .0 0 2 70 .0 163 0 .7493 0 .12 3 90 .0 43 2 0 .0 43 2 0 .0 0 72碰 磨60 .0 0 760 .0 0 3 70 .0 0 410 .0 0 72 0 .782 5 0 .0 6870 .0 5 60 0 .0 5 60 0 .0 13 8碰 磨70 .0 0 880 .0 0 2 70 .0 0 2 10 .0 3 0 3 0 .7112 0 .16980 .0 2 970 .0 2 970 .0 15 7碰 磨80 .0 0 3 3 0 .0 0 13 0 .0 0 12 0 .0 0 3 0 0 .85 92 0 .0 9910 .0 14 80 .0 14 80 .0 0 43不对中90 .0 0 45 0 .0 0 14 0 .0 0 14 0 .0 0 5 3 0 .5 12 40 .2 5 980 .10 0 70 .10 0 70 .0 13 8不对中10 0 .0 0 2 0 0 .0 0 160 .0 0 160 .0 0 14 0 .77670 .0 75 90 .0 60 90 .0 610 0 .0 188不对中110 .0 3 160 .0 14 5 0 .0 14 5 0 .0 75 40 .410 0 0 .12 2 60 .15 5 3 0 .15 5 10 .0 2 10松动12 0 .0 3 110 .0 2 5 70 .0 2 5 70 .14 190 .3 444 0 .1685 0 .12 2 5 0 .12 2 5 0 .0 176松动13 0 .0 3 960 .0 0 860 .0 0 860 .0 1990 .760 10 .0 5 13 0 .0 5 3 3 0 .0 5 3 3 0 .0 0 5 4松动14 0 .0 2 44 0 .0 0 85 0 .0 0 5 10 .0 1840 .80 0 0 0 .0 4660 .0 45 40 .0 45 40 .0 0 61松动15 0 .0 2 0 5 0 .3 2 42 0 .3 2 42 0 .162 40 .0 4740 .0 7990 .0 1860 .0 1860 .0 0 42油膜160 .0 5 75 0 .2 72 40 .2 72 40 .160 3 0 .2 12 90 .0 0 95 0 .0 0 740 .0 0 490 .0 0 2 8油膜170 .0 0 3 80 .3 9960 .3 9960 .0 5 690 .0 675 0 .0 2 790 .0 2 0 0 0 .0 2 0 0 0 .0 0 45油膜  频域征兆 :A:( 0 .0 1-0 .3 9) f1 ;B:( 0 .40 -0 .49) f1 ;C:0 .5 f1 ;D:( 0 .0 1-0 .3 9) f1 ;E:1f1 ;F:2 f1 ;G:( 3 -5 ) f1 ;H:oddf1 ;I:>5 f1 ;其中 f1 为转速工频。  最终的分类结果矩阵为3 0 0 0 00 4 0 0 00 0 3 0 00 0 0 4 00 0 0 0 3  仿真输出结果表明 :错分样本总数 e为 0 ,应用 DAGSVM算法可以正确且有效地诊断多类汽轮机故障。4 讨论与建议汽轮发电机组热力系统中的各个热力参数都不是孤立的 ,一般都会与其它参数互相关联。这种相关性反映了热力系统中各个设备、各个过程的客观规律。本文利用此规律 ,以调节级后汽温为例建立了虚拟传感器 ,并且阐述了基于遗传算法的输入参数优选 ,可以用于电站实时控制系统中对重要信号的在线校验。建模过程中没有针对建模对象提出特别的要求 ,因而具有广泛适用性 ,在机组性能分析等系统中也可以实现充分的利用。参数相关性强弱的判别没有既定的规则 ,参数的不同组合也会产生迥异的效果 ,并非输入参数选择的越多越好 ,也非所有的强相关参数组合在一起就是最佳选择。设计虚拟传感器时可以根据经验确定出候选的相关参数集 ,利用本文方法进行优选 ,得出最佳的参数组合基于遗传算法的虚拟传感器输入参数的优选@赵瑜$武汉大学动力与机械工程学院!武汉430072新华控制工程有限公司,上海200245 @周宇阳$新华控制工程有限公司!上海200245 @胡念苏$武汉大学动力与机械工程学院!武汉430072汽轮发电机组;;神经网络;;虚拟传感器;;输入参数优化;;遗传算法为了解决在汽轮发电机组实时监测系统中采集参数偏移和失效的问题,提出以神经网络为仿真手段建立虚拟传感器的技术并以汽轮机调节级后汽温为例,讨论了其品质因输入参数组合不同而异的特性,进而引入遗传算法进行优选,以确定最优的输入参数组合。图2表2参3[1]闻 新,等.MATL AB神经网络应用设计[M].科学出版社,2000. [2]周 明,孙树栋.遗传算法原理及应用[M].国防工业出版社,1999. [3]王小平,曹立明.遗传算法——理论、应用与软件实现[M].西安交通大学出版社,2002.
源自:   《》
多年来,作为骨干参加完成国家有∨?,订单到达的随机性带来了设计和制造的复杂性。生产计划必须根据随机而来的订单不断调整滚动 ,每份订单、每套模具都可能产生新的物料 ,而为了满足交货周期 ,这些新物料必须尽快纳入需求计划。所以模具生产在统筹物料计划的同时 ,还必须考虑每一项目的进度实施情况 ,任何一个小的疏漏或变动都可能造成整个订单的延误。这一现象在零件计划阶段更为明显 ,模具从产品设计到零件计划的时间非常紧凑 ,有时还可能交叉或平行进行。而在制造过程中某些零件不可避免地会产生设计或工艺上的更改 ,那么由此产生的计划变更以及周期延长就更加难以控制了。其原因 ,除了一些技术水平等限制而暂不可控的因素外 ,主要是由设计与制造的实事隔离造成的。工艺设计时 ,设计员由于无法知道实际设备资源的动态状况 ,往往只能从工艺优化的角度 ,依赖经验来确定工序和加工设备。由此产生的偏差 ,要后续工作来弥补 ,则必然导致变更的频增。目前国内外主要采用CAPP和车间作业计划集成的方法解决此问题 ,其方法大致可分为三类[4 ] :(1 )非线性工艺规划 :在制定工艺时 ,产生多工艺方案 ,并按照一定优先级排序。从最高优先级方案开始逐一选择 ,直至满足当前车间资源状况为止。(2 )动态工艺规划 :面向车间的闭环CAPP系统 ,通过车间资源的动态反馈来产生实时优化的工艺方案。(3)分布式工艺规划 :工艺规划与车间计划作业及调度并行进行 ,分为两个阶段 ,在预规划阶段分析零件特征确定加工方法 ,同时估计加工能力 ,在详细规划阶段则匹配车间资源和加工任务。在分布式规划中 ,工艺规划和车间作业始终是平行的 ,实现了真正意义上的集成。但这种方式需要的相关配合信息多 ,交互机制复杂 ,设计过程改造大 ,特别是对多工艺设计的实现有很大难度。动态和非线性式的工艺规划 ,都属于校验———反馈式的方法 ,至少要等到工艺方案产生之后的车间作业编制阶段 ,才可以进行方案评价选择。虽然比起制造完成后的大反馈循环已经有了很大的改善 ,但这种反馈循环其实仍是一种设计返工 ,而这两种方式在解决多工艺问题时 ,同样存在很大困难。面向制造设计 (DFM)的思想 ,就是要拆除阻隔于设计和制造间的这堵墙 ,设法让两者实现无障碍交流 ,消减信息不畅造成的设计返工和制造困难 ,直接约束和评价———反馈是DFM中常用的两种方法。在细致研究设备动态约束的基础上 ,考虑到模具制造具有多设计同时进行、在制件多及设计时效要求高等特点 ,提出了一种柔性约束和评价相结合的间接集成方式。在工艺设计阶段 ,基于充分性原则分析交货期和车间资源负荷的实时状况 ,利用约束校验方式评价工艺路线 ,在不增加设计过程复杂性的前提下 ,在车间作业计划之前就完成工艺路线选择 ,避免了远距离的反馈循环。1 问题分析按OPT的思想[1 ] ,非瓶颈资源的利用程度 ,由瓶颈资源的能力决定 ,所以把焦点集中在关键设备上。根据上一部分的分析 ,在工艺设计阶段需要充分利用动态设备资源 ,而现在的问题是 ,如何获取设备的动态信息 ,并通过分析这些信息 ,对设计人员提出合理的建议。一般情况下 ,设备的最终分配是在零件计划中进行的 ,零件生产进度计划的实质是基于有限资源状况下的工程调度问题[2 ,3] ,这种问题一般采用近似的启发式算法进行 (次优 )求解。因此 ,工艺设计的设备选择并非最后的分配方案 ,但它为零件计划阶段的方案寻优提供了一个初始值 ,如果一个优化问题的初值近似于最优值 ,那么将会极大地缩短寻优过程。同样是设备分配 ,编制工艺毕竟不同于零件计划。零件计划阶段能获取更多更有效的信息 ,对它而言 ,资源动态信息是下一步编排的真实基础。在工艺设计阶段 ,实时信息只意味着当前的设备状况 ,而从现在到现有任务实际开工期这段时间的负荷情况是无法预知的。显然 ,缺乏足够的相关信息 ,用与编制零件计划相同的方法进行具体的排序和优化是不可行的 ,也是不必要的 ,工艺设计时考虑的是选择某种设备的可行性 ,而非最优性。虽然暂时不能确定现有任务的具体安排 ,却可得知完成该任务的起始期限和任务总量 ,对未来一段时间内的任务量也可进行粗略的估算。这样 ,判断设备对现有任务的满足程度就有了依据。因此 ,本问题的实质更接近于针对某项任务在现有设备状况下的设备粗能力估计 ,称之为设备资源动态约束检验 ,检验过后的能力平衡由设计员根据系统的提示完成。如果通过了检验 ,则证明目前来说设备的分配是可行的 ,即能同时满足设备约束和交货期约束这两个零件计划调度中最重要的条件 ,那么可以认为 ,这个解是较为接近最终结果的初始解。2 约束检验算法算法的基本思想是 :如果一种设备选择完全满足约束条件 ,那么其在每个时间点都应该满足条件。反之 ,如果在某一个点不能满足 ,则确定该解应该被过滤掉。在以下算法中 ,选取了几个容易得到的特征点来分析被选设备动态负荷对交货期的满足情况 ,从而判断是否满足相应的简单必要条件。2 .1 面向单任务的设备资源约束检验算法为了方便描述问题 ,设定以下表示 :ta,tb,N———对于一个新任务分别为假定其最早开工期 ,最迟完工期 ,设备资源占用量 ;p(t)———某设备的单位时间额定资源量 ;w(t)———单位时间预计故障消耗资源量 ;v(t)———单位时间计划检修消耗资源量 ;f(t)———单位时间实际动态负荷量 ;s(t)———单位时间剩余资源量。假设单位时间以日计算 ,则对于工作日i,上述变量分别表示为 :pi、wi、vi、fi、si。在时间段 (ta,tb)内 ,某台设备能否提供足够的剩余资源量给新任务 ,可由式 (1 )检验 :∫tbtas(t)dt >N (1 )如果不等式成立 ,则说明检验通过 ,该设备有能力完成新任务 ,否则 ,该设备不能被分配给该任务 (工序 )。某段时间内的剩余资源量 ,应为额定资源量和实际动态负荷量 ,即现有任务安排负荷之差 ,同时考虑到设备并非总是处于可用状态 ,因而还要减去因设备故障和计划检修占用的资源量 ,表达式如下 :∫tbtas(t)dt=∫tbta[p(t) -w(t) -v(t) - f(t) ]dt (2 )由此可知 ,某段时间内的剩余资源量是时间t的函数 ,在时间段 (x ,y)内的剩余资源量可表示为 :S(x ,y) =∫yxs(t)dt为简化 ,时间单位按日计算。那么 :S(x ,y) =∫yxs(t)dt =∑yi=x(pi-wi-vi- fi) (3)以上是针对某一台设备的分析 ,在工艺设计时一般不会将工序分配到具体的设备。把具有相同加工能力的设备分为设备组 ,如车床CW61 36。为某道工序的加工任务选择具体的设备组 ,就必须分析某个设备组的动态负荷状况。设某个设备组共有n台设备 ,则设备j (j=1 ,2 ,… ,n)在工作日i的剩余资源量为 :sij =pij-wij-vij- fij由式 (1 )、(3)可得 ,新任务对于某一设备组的约束检验不等式为 :∑nj=1 ∑tbi=ta( pij-wij-vij-fij) >N (4)现在进一步分析各个组成项。额定负荷显然容易得知 ,动态负荷也可以通过查询车间计划获得。故障维修和计划检修都是在某个有限时间段内发生的 ,而且期间设备完全不可用。所以 ,并不需要在整个时间段 (ta,tb)内计算。设 Wj =∑tbi=tawij,并设设备 j目前处于故障状态 ,预计修复时间为tr,可以分析如下几种情况简单计算出Wj:当 :trN (5)2 .2 面向多任务的设备资源约束检验算法以上的分析是基于只有一个新任务的假设 ,而实际情况要复杂得多。对于一个零件的工艺来说 ,可能不止一道工序会选用同一设备组 ;对于一个模具的多个零件的工艺来说 ,一个设备组被多次分配的可能性就更大了。有时 ,一个工艺设计员可能会设计多套模具的零件工艺 ,但并不知道哪些已被编入零件计划。也有可能 ,多个工艺设计员同时在编制不同零件的工艺 ,由此产生了如何协调设备组选择的问题。显然 ,只针对一个新任务的约束检验是无法处理的。采用的方法是 ,把问题当作多任务共享有限资源处理[2 ] 。为此 ,引入虚拟设备资源占用量的概念。把在工艺设计中已经分配 ,但尚未编入零件计划的设备资源占用量称为虚拟设备资源占用量。某个设计员在进行一道工序的设备选择时 ,面对的是一个新任务、设备组的实际剩余资源量和虚拟资源占用量。这样 ,多任务的问题就简化为单任务的问题 ,因为其它所有先于该新任务选用某设备组的任务占用的资源量 ,都被统一归入虚拟设备资源占用量。在为每一个新任务分配完设备组后 ,该任务的设备资源占用量就立即变成虚拟设备资源占用量 ,以供下个新任务使用。对于每个任务 ,可以确定的信息是其最早开工期ta、最迟完工期tb和资源占用量N ,这里用 (ta,tb,N)表示。设第i日设备组j的虚拟设备资源占用量为lij,则对于新任务 (ta,tb,N)的约束检验不等式为 :∑nj=1 ∑tbi=ta( pij-fij-lij) -Wj-Vj >N (6)假设在已分配设备资源的所有任务 (指尚未编入零件计划的 ,下同 )中 ,最早的一个最早开工期是ts,最迟的一个最迟完工期是te,到te为止的虚拟资源总量为Ne。对于任一新任务 (ttb,N) ,设tb之前最迟的一个最迟完工期 (如果存在 )是tl,到tl为止的虚拟资源总量为Nl。通过分析ts、tl、te、ta、tb 之间的先后关系 ,不难推导出面向多任务的设备资源约束检验条件。情形 1 :tsN+Nl;S(ta,tb) >N ;S(ts,te) >N+Ne情形 2 :tsN ;S(ts,te) >N+Ne情形 3 :tsN ;S(ts,tb) >N+Ne情形 4 :ta N+Nl;S(ta,te) >N+Ne情形 5 :ta N +Ne情形 6 :ta N ;S(ta,te) >N +Ne其中剩余资源量S含义如式 (3)定义。实际设计过程中 ,所给出的检验条件并非是严格的充分条件 ,特别是在忽略许多细节 (例如加工时段的连续性 ) ,并做了多次简化处理的情况下 ,但作为粗略的、大致的能力估计 ,已经能够满足工程的要求。通过算法的实际应用 ,表明该算法是可行的。该算法对工艺设计员几乎是完全透明 ,绝大部分相关信息都能自动获取。设备选择时 ,设计员所做的只是给出该工序的估计额定工时 ,然后选设备 (组 )。如果所选设备组 ,不满足单任务的检验条件 ,则选择被拒绝 ;如果不满足多任务的检验条件 ,系统根据条件的满足程度 ,可以提出相应的建议。3 系统开发设备资源动态约束检验模块 ,是应用DFM思想开发的模具制造DFM系统中的一部分。该模块也可以嵌入任何一个CAPP系统 ,只要该系统能够获取模块所需的数据。数据信息的传递情况 ,可由图 1看出。模块获取的主要信息有 :(1 )设备组选择 ;(2 )设备资源动态信息 ,即各个设备的额定负荷 p、实际资源动态负荷量 f和设备状态w、v;(3)模具进度 ,用以推算出工序的最早开工期和最迟完工期。推算方法是 ,根据工序划分和工序的估计工时按比例分配时间。例如 ,某个模具的最早开工期和最迟完工期分别是T1 和T2 ,各阶段计划时间为 a1 ,a2 ,… ,an,∑ni=1ai,≤T2 -T1 ,其中粗加工的时间跨度为ak,则粗加工的最迟完工期为 T2 - ∑ki=1ai,最早开工期为T1 +∑k-1i=1ai。以同样的方法细分粗加工 ,就可以得出某个工序 ,如粗车的ta 和tb。由图 1可知 ,信息 (2 )可从设备资源管理模块获得 ,该模块与车间计划调度交互 ,得到设备的实时状态 ;信息 (3)可由模具进度计划获得 ;信息 (1 )由工艺员输入 ,如果是创成式CAPP ,则程序会直接生成。工艺设计时 (图 2 ) ,设计者选择某一设备 (组 ) ,输入相应的信息 (图 3) ,进行约束检验。具体实现过程如下 :(1 )根据上节所述方法 ,推算该工序的ta 和tb。该参数也可以用提出的方法获得。(2 )提取该设备动态负荷参数。(3)按照上面描述的算法进行约束检验。(4)如果不满足检验条件 ,则提示建议并结束。(见图 4)(5) (满足检验条件 )提示该工艺是否确定。(6)工艺确定后 ,该负荷作为新的虚拟负荷保存。图 1 设备资源动态约束检验及相关模图 2 工艺设计界面图 3 设备资源动态约束检验图 4 设备资源动态约束检验反馈4 结束语采用DFM的思想 ,有利于提高设计的一次成功率 ,减少由于设计返工而带来的一系列问题。这种思想可以渗透到制造设计过程的各个阶段 ,其间的每个规划和控制决策都会对整个过程产生影响。提出的一个透明的实用算法去辅助工艺决策 ,在几乎未改变任何系统结构甚至设计过程的情况下 ,取得了令人满意的效果模具工艺DFM中面向多任务的设备资源动态约束检验@谢健文$广东工业大学机电学院CIMS重点实验室!广东广州510090 @陈新$广东工业大学机电学院CIMS重点实验室!广东广州510090 @王红军$广东工业大学机电学院CIMS重点实验室!广东广州510090 @何汉武$广东工业大学机电学院CIMS重点实验室!广东广州510090面向制造设计(DFM);;动态约束检验;;剩余资源量;;虚拟设备资源占用量针对模具制造的特点以及实际生产中出现的问题,采用DFM思想详细分析了设备资源动态约束检验的必要性和可行性。提出了一个检验设备资源动态约束的实用算法,该算法可以成功实现对设备动态能力的估计,辅助工艺设计人员进行工艺决策,具有全透明和应用简便等特点,并开发了相应的软件系统[1] 潘家轺.现代生产管理学[M ].北京:清华大学出版社,1998:108-122. [2] 陈庆新.基于有限制造资源约束的订货式产品生产粗能力的估计[J].工程数学学报,1999,(4):78-88. [3] 王梦光.资源受限工程调度问题的最新发展[J].控制与决策,1996,增刊:105-112. [4] 唐敦兵.CAPP与车间作业计划集成的研究[J].中国机械工程,1997,(6):15-17.国家自然科学基金资助项目(599850 0 2 );;
源自:   《》
蔗袱洲索病免犷谁 心包考乞摊 扭月菱相一 篡曲应 .无面 这些基本表中,有1张是存储国内心电算法,13张是存储国外各类心电算法,这些算法表的结构大都相同,存储的都是算法的基本信息,包括算法编号、算法分类、算法名称、算法描述、具体算法算法解释和算法结果这些字段,其中,算法编号是关键字。
源自: 心电算法及其参数数据库的构建  《浙江大学硕士学位论文》2004
本文首先根据点扩展函数的特点,将图像盲复原算法分为单通道盲复原算法、空间不变多通道盲复原算法和空间变化图像盲复原算法等3种类型;然后讨论了3种算法的研究现状并指出了现有各种算法的优缺点,最后通过研究总结出以下结论现有算法的改进以及新的算法研究、基于非线性退化模型的算法研究、去噪处理算法研究、实时处理算法以及算法的应用研究是今后进一步研究的发展方向。
源自: 图像盲复原算法研究现状及其展望  《中国图象图形学报》2004年10期
国外对车辆路径问题启发式算法的研究可以分为两个阶段:第一个阶段是从1960年到1990年,产生了各种简单启发式算法,包括构造算法,两阶段法,改进算法等;第二阶段是从1990年至今,随着人工智能方法在解决组合优化问题上显示出的强大功能,很多学者也将人工智能引入车辆路径问题的求解中,并构造了大量的基于人工智能的启发式算法,其中包括禁忌搜索算法、模拟退火算法、遗传算法、蚁群算法及混和算法等。
源自: 车辆路径问题的知识表示支持系统研究  《大连理工大学硕士学位论文》2006
波门视频跟踪算法又可分为形心跟踪算法、边缘跟踪算法、双边缘跟踪算法和区域平衡算法等,但由于跟踪目标多为点目标,这些经典的图像跟踪算法在信噪比小于 3 时均失效,目前研究的热点集中于自适应波门跟踪算法、点模式模糊松弛匹配成像跟踪算法、智能目标跟踪算法和多模跟踪算法几个方面。
源自: 基于DSP的电视图像跟踪系统  《吉林大学硕士学位论文》2006
首先,本章分析了场景中关键模型地形和树木的创建算法和方法,如地形有4类算法:基于等高线的地形创建算法、基于dem的地形创建算法、视点相关连续lod型算法,离散型算法;树木有三类创建算法:交互式树木建模算法、特征式树木建模算法,分形式树木建模算法
源自: 虚拟森林火场的技术研究和场景建模  《浙江工业大学硕士学位论文》2006
厦门市槟榔路1号联谊广场五层361004最短路径算法种类繁多,比较有名的算法包括:dijkstra算法、ford算法、floyd算法、moore算法、a*算法、k值算法,而即使同一种算法也有多种不同的实现方式。
源自: Dijkstra最短路径算法的实现及优化  《中国地理信息系统协会第三次代表大会暨第七届年会》2003
本章主要内容遗传算法的构成要素及算法流程基本遗传算法及其实现技术基本遗传算法的优点及其存在的不足遗传算法的改进改进遗传算法的检验和应用第三章遗传算法的改进3.1引言 遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法,是以自然选择和自然遗传机制为基础的优化方法。
源自: 气液两相流参数检测新方法研究  《浙江大学博士学位论文》2006
分别用本章的算法及其它的某种数字水印算法(以下简称灰度图像算法,该算法只能对灰度图像进行水印嵌入,本文5.5小节中与第五章算法进行比较时用到的数字水印算法也为该算法,)来进行数字水印的嵌入,可以通过这两种数字水印嵌入算法的比较来验证本章算法的优势。
源自: 基于人眼生理视觉特性的数字水印技术  《国防科学技术大学硕士学位论文》2005
 
 
中国经济社会发展统计数据库
中国统计年鉴(资料)及最新经济运行数据收录最齐全、功能最先进的统计数据挖掘分析平台...
http://tongji.cnki.net/


CNKI历史上的今天
搜索人物生平,事件始末,历史脉络...
http://history.cnki.net/


 
 
首页上页下页末页  / 60
相关数字:
算法汇率安利算法人员收入mad算法消息长度富兰克林基金集团算法数量算法2001年捐款额
 
CNKI主页 设CNKI数字搜索为主页 | 收藏CNKI数字搜索| 网络统计数据资源导航
  2010 CNKI-中国知网
京ICP证040431号 京ICP证040441号 互联网出版许可证