一、N层结构的刀具供应商选择与评价系统开发(论文文献综述)
张培[1](2020)在《PYGD车间生产数据分析和可视化设计》文中研究说明本课题以制造型企业最常见的产品数据和设备数据为研究对象,运用数据分析方法和工业工程优化思想,以提升质量、降低成本和提高效率为目标导向,设计车间生产数据分析和可视化系统,主要研究内容包括四个部分。首先,从J生产车间现状分析内部功能需求,基于功能需求对软件系统总体方案进行设计,为第五章可视化系统设计奠定基础;接着设计生产数据分析和可视化系统架构和功能模块,提出系统实现的两类关键技术,为第三章和第四章关键技术分析奠定基础。其次,对产品质量过程控制模块和产品合格率预测模块进行数据分析,提出两种产品数据分析关键技术。运用统计学分析方法对产品质量检验数据进行不合格品分析,采用改进鱼骨图定量分析并找出影响产品质量的关键因素。运用BP神经网络算法对某一批次的产品日合格率进行训练分析和滚动预测,实例验证该预测方法的可行性。第三,对设备综合效率模块和设备故障率预测模块进行数据分析,提出两种设备数据分析关键技术。采用设备综合效率分析方法对设备运行数据进行建模分析,运用瀑布图等方法定量分析设备综合效率关键影响因素。运用役龄回退因子理论构建设备维护成本最小化模型,采用遗传算法求解降维处理后的模型优化解。最后,根据设计系统的总体方案,在对生产车间产品质量数据和设备运行数据分析的基础上,设计车间生产数据分析和可视化系统,将分析结果以可视化形式展示。
骆伟超[2](2020)在《基于Digital Twin的数控机床预测性维护关键技术研究》文中指出数控机床是工业生产的母机,是制造业最核心的基础装备。随着数控机床面向高速、高精、智能发展,其功能越来越强大、复杂。如何保障数控机床能够安全、可靠地稳定运行,以适应无人工厂/智能工厂的高自动化/智能化要求,直接关系到智能制造实施的成败。然而目前国产数控机床产品尤其在可靠性、稳定性方面,与国外先进水平仍有较大差距,由于故障造成的非计划停机事件时有发生,严重影响了其在汽车、国防军工等重点行业的应用。预测性维护可以有效地保证系统的可靠性和稳定性,是提高数控机床无故障运行时间,减少非计划停机的有效手段。目前预测性维护主要有基于历史统计概率、基于传感数据驱动和基于物理模型的三种方法,但上述单一方法均存在局限性和缺陷,如模型保真性差、数据有效利用率低、预测算法精度差等问题。Digital Twin虚实实时客观映射、时间/空间多维度多层次虚实融合的理念,为上述问题的解决提供了思路。本文基于Digital Twin的理念和方法,对数控机床预测性维护关键技术进行了以下研究:(1)研究了基于Digital Twin的数控机床预测性维护的体系结构。基于系统工程思想,分析了基于Digital Twin的数控机床预测性维护的功能和关键技术问题。设计了包括数控机床Digital Twin的模型构建、场景感知、智能预测性维护的体系结构。然后基于层次分析法从系统层面制定了数控机床预测性维护的方案,基于模糊评价法制定了方案的有效性评价机制。(2)研究了数控机床Digital Twin模型的构建方法。研究了面向对象的增量式数控机床Digital Twin多领域统一建模方法。构建了数控机床Digital Twin的机械模型、电气模型、控制模型和液压模型,并实现了多领域模型耦合。设计了模型的精度验证方法与更新机制,实现了数控机床Digital Twin模型的高保真性和一致性。(3)研究了数控机床Digital Twin场景感知方法。设计了基于Hadoop、HBase与Map-Reduce的分布式数控机床大数据的智能场景感知软硬件结构。在此基础上实现了数据的获取与存储、数据预处理、特征提取、特征选择等算法,从而降低了数据维度、缩减了机床感知数据量,解决了由于数据量大造成的数据使用效率低、有效信息挖掘困难的“大数据、小信息”问题,为预测性维护提供了有效的多维度特征。(4)研究了数控机床Digital Twin模型和数据融合的预测性维护方法。基于粒子滤波算法和迁移学习,研究了 Digital Twin模型和感知数据的融合方法,克服了传统预测性维护中模型方法一致性差和数据驱动方法适应性差的缺点,解决了预测性维护实验难的问题。从而实现了比单一预测性维护方法更加准确的预测与诊断结果,同时提高了预测性维护的可行性。(5)进行了基于Digital Twin的数控机床预测性维护应用与验证。在模型/数据服务器上搭建了模型仿真平台和机床感知数据的分布式存储、分析平台;在高性能运算服务器上构建了数据驱动的故障诊断和寿命预测算法。最后基于粒子滤波算法和迁移学习实现了模型和数据融合的预测性维护,并将其应用于数控机床铣削刀具的寿命预测、主轴系统和进给系统的故障诊断。从而验证了本文所提方法。通过以上研究,本文解决了基于Digital Twin的数控机床预测性维护中,系统级体系结构的制定、高保真一致性模型构建、机床智能场景感知和融合型预测性维护算法等关键问题,为Digital Twin应用于数控机床以及其他复杂机电设备的预测性维护提供了有效解决方案。
张培炜[3](2020)在《考虑刀具寿命预测的刀具管理系统研究》文中研究说明自2010年以来,伴随着工业全球化趋势,我国的制造业产值连续多年稳居世界第一。国内制造业涌现出一批中小机械加工企业,在日益竞争的激烈环境中需靠一定的企业战略才能领先发展,大多数企业都以日常使用的金属切削刀具为突破口,因为企业内部管理模式落后,刀具库存盘活率底,企业运营成本较高。为了提升企业刀具管理能力,使员工在最短的时间内用最合适的刀具生产加工出最优质的产品,企业需优化刀具管理模式,以提高企业综合竞争力和生产效率。本文结合中小企业刀具管理的实际需求,重点研究刀具编码规则、采购需求、寿命预测等模块,开发了一套刀具管理系统。主要研究内容如下:(1)分析数控刀具特点及加工工艺特征,结合数控刀具车间使用情况,提出了基于刀具加工工艺特征、共有属性特征的数控刀具分类方法以及编码规则,提出刀具招标、采购、入库、调度、使用、修磨直至报废的全流程控制,对入库后每把刀具建立二维码管理使用流程,建立数控刀具的管理系统;(2)研究中小制造企业刀具需求量,分析目前企业管理常用的定性、定量预测方法,提出一套刀具需求预测算法,结合实例进行了验证,该算法有效的提高企业库存盘活率,减少了运营成本;(3)分析传统刀具寿命预测方法,建立了支持向量机预测模型,通过粒子群算法对刀具寿命预测结果进行优化,比较未优化前的支持向量机预测算法,优化了惯性权重,调节了全局搜索能力和局部搜索能力之间的平衡,建立了更加精确的刀具寿命预测模型;(4)设计刀具管理系统,实现集基础参数信息、权限管理、库存、出入库、供应商管理、盘点、采购、耐用度记录为一体的共享系统,实时更新、展示刀具信息,为企业参与部门提供了共享平台;
许岩[4](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》文中认为作为立国之本、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。
蔡伟立[5](2020)在《基于深度学习的汽轮机轮槽精加工刀具剩余寿命预测技术研究》文中提出汽轮机转子是汽轮机的核心部件。转子轮槽型线复杂,是转子加工过程中关键且最为困难的加工部位,其加工质量直接影响汽轮机的整体性能,精加工刀具的磨损状态会直接影响工件的表面质量。实际加工过程中,刀具寿命受刀具修磨、工件材料波动、切削参数影响动态多变,而现场的刀具更换一般依靠人工经验判断,缺乏理论指导和过程监控数据支持,不可避免地存在换刀过早或过晚的现象,进而导致生产成本增加、零件质量超差甚至报废等问题。因此,准确预测轮槽精铣刀的剩余寿命对于轮槽加工质量的保证、刀具利用率的提高和生产成本的降低具有重要的实际意义。针对上述问题,本文开展汽轮机转子轮槽精加工刀具的剩余寿命预测研究。首先,针对制造现场刀具加工过程监控数据缺乏,且机床、刀具、切削参数等生产要素缺乏关联的问题,采用IDEF0方法对轮槽加工过程进行分析,设计了数控加工的智能监控系统,并采用UML方法对数控加工系统以及刀具全生命周期进行建模,实现刀具加工过程数据与生产要素信息的采集与关联,为后续刀具剩余寿命预测提供数据基础。其次,针对不同刀具个体的寿命衰退模式存在差异的问题,提出了一种混合信息模型。基于深度学习的长短时记忆网络,提取加工过程的声发射监控信号的时序特征,并综合刀具属性和工艺信息,实现了刀具的剩余寿命的准确预测。此外,加工过程监控与剩余寿命预测为加工现场的刀具更换提供了数据支持,相比基于人工经验的提前换刀,刀具利用率有所提高。最后,针对新工艺条件下,原有预测模型失效的问题,提出动态对抗域适应方法,基于历史工艺条件与新工艺条件下刀具加工过程监控数据的差异,对预测模型进行调整,使新工艺条件下的刀具剩余寿命预测准确度从56.66%提升至91.26%,显着改善了模型的预测效果。
肖溱鸽[6](2019)在《基于深度-强化学习的柔性加工高能效工艺规划方法研究》文中研究说明制造业量大面广,能耗总量大,是工业领域能源消耗的主体。制造系统能效问题已成为世界制造业可持续发展的重要研究热点之一。柔性加工系统是在现代制造模式下发展起来的一种以数控机床或加工中心为主体,由“机床—工件—刀具”密切作用的典型制造系统,其运行过程能量消耗总量大,但能量效率却很低。柔性加工工况灵活多变、加工任务变动频繁等特点使得工艺与能效作用机理十分复杂,因此如何降低柔性加工系统能量消耗,提升其能量效率,是一个值得深入研究的问题。本论文结合国家自然科学基金面上项目“面向广义能量效率的机械加工工艺规划理论与方法研究”(51475059)和国家重点研发计划课题“离散及流程行业制造/生产过程能效检测与评估关键技术标准研究”(2017YFF0207903),研究柔性加工过程能效影响因素与影响规律,揭示工艺条件、工艺参数与能效的作用机理,提出基于深度-强化学习的柔性加工工艺参数、工艺路线能效优化方法,实现柔性加工过程中变工艺条件和加工任务下的高能效工艺规划。首先,综合考虑刀具、工件、切削液、工艺参数等工艺要素与加工过程能耗的影响关系,对柔性加工系统能效特性进行详细分析;指出柔性加工工艺规划在应对工艺条件频繁变动时所面临的技术难题和挑战;在此基础上,构建面向高能效的柔性加工工艺规划框架模型。其次,基于实际加工中所采集的工艺、能耗数据,运用卷积神经网络、栈式自编码神经网络和深度信念网络等深度学习方法,训练得到多种工艺条件、工艺参数与柔性加工过程能效的映射关系模型;分别从数据集大小、时间维度、特征参数选取、算法性能等多种角度对所建模型进行详细对比分析,以得到不同应用场景下的最佳能效建模方法。再次,考虑机床柔性、刀具柔性、工件柔性构建柔性加工工艺参数能效优化模型;利用马尔科夫决策过程理论建立不同工艺条件下工艺参数能效优化问题的动作、状态及回报函数,基于动作网络和价值网络设计变工艺条件的柔性加工工艺参数强化学习能效优化器,并利用元学习混合训练提升优化器的强泛化能力;以实际加工案例为依据,分析优化器相较于传统进化算法的性能提升效果,并揭示不同工艺条件下的工艺参数能效优化规则。然后,考虑加工任务柔性和加工资源配置柔性构建柔性加工工艺路线能效优化模型;基于图论开展包含特征加工顺序、机床和刀具决策的工艺路线图表达,利用图卷积网络进行节点嵌入以提取工艺路线图及候选方案的全局信息,运用策略搜索强化学习框架和多任务学习训练方式设计任务并行的柔性加工工艺路线能效优化方法,基于柔性加工中特征变动、资源变动等设计应用案例,验证所提出的柔性加工工艺路线优化模型和方法的有效性。最后,详细介绍柔性加工高能效工艺规划支持系统,包括总体框架、机床能效在线监测智能终端、与制造执行系统集成以及柔性加工过程工艺及能效数据获取方式等内容。通过在某公司机械加工车间的应用实施,验证所提方法的有效性和实用性。
王璐璐[7](2019)在《M军工企业采购业务内部控制优化研究》文中认为随着我国经济的快速发展,内部控制越来越成为企业发展的重要手段,并且在企业的发展中,内部控制对企业整个经营管理起着关键的作用,因此如何做好企业的内部控制不仅是管理者的重要研究课题,也备受学者的关注。随着我国企业内部控制标准的逐渐建立,采购业务作为企业内部控制的重要组成部分,不仅与企业的发展密切相关,更与企业的正常生产经营密切相关,那么,需要认真研究的一个重要问题是,企业应如何建立和确保一个合理、完善的内部控制体系,特别是如何有效地控制和管理采购活动以确保可以达到既定管理目标、提高经营效率、充分有效地获得和使用各种资源。M企业作为一家大型军工企业,其采购业务内部控制的有效性关系着企业的发展安全以及发展的稳定性,所以本文的研究具有重要的理论意义与现实意义,并且为兵器系统内的其他企业在进行其采购业务内部控制优化时提供参考。本文在研究中首先对M企业采购业务内部控制的基本情况展开介绍,主要包括企业的组织结构、物资采购情况、采购过程控制程序等;其次使用2个一级指标、9个二级指标和27个三级指标作为计算隶属度指标的数据基础,对各级指标打分结果作为计算权重指标的数据基础,采用基于层次分析法的模糊综合评价法对M企业的采购业务内部控制现状的有效性展开了评价研究;然后通过对评价结果的研究与分析,得出M企业在采购业务内部控制方面存在的问题及成因;最后,制定出了M企业采购业务内部控制的优化对策。
张若楠[8](2018)在《物联网环境下制造系统中的资源调度与任务协同问题研究》文中研究表明随着市场竞争的加剧和现代信息技术的发展,作为经济发展支柱产业的制造业将面临前所未有的挑战。物联网技术与制造业相结合有助于推动制造业的发展,符合我国“两化深度融合”和“中国制造2025”的战略计划。解决物联网环境下制造系统中的资源调度和任务协同等问题是实现物联网环境下制造系统的基础和前提。建立物联网环境下的制造系统是应对复杂多变的客户需求和日益激烈的市场竞争的有效手段之一,也是提高我国制造业核心竞争力的关键因素。物联网环境下的制造系统可以有效促进传统制造业的发展,它不仅能够充分利用物联网环境下的丰富资源,而且能够适应现代制造业及经济全球化的发展需要。本文围绕物联网环境下制造系统中的资源调度和任务协同问题,首先对物联网环境下制造系统的结构问题和资源分类问题进行了分析,建立了物联网环境下制造系统中的总体结构和资源分类模型。然后针对资源调度和任务协同问题建立了一种基于效益函数的制造系统资源调度模型和一种任务协同分配的多目标优化模型,运用相关算法对其进行求解,并对算法进行了评价。本文的具体研究内容如下:(1)研究了制造系统与物联网技术的结合问题,建立了一种物联网环境下制造系统的总体结构。结合物联网和制造系统特点建立的总体结构有助于提升生产、管理和服务效率。根据总体结构建立了制造系统中的车间信息集成和数据管理子系统,鉴于制造系统会出现零部件或制造工具损坏等问题,建立了维护操作系统的基本框架及基于物联网的维护操作流程,完善了制造系统的结构。(2)研究了物联网环境下制造系统中的资源分类问题,提出了一种制造系统的资源体系结构和基于该结构的资源标识方法。总结了制造系统中的资源分类方法,结合物联网环境下的制造系统建立了五层的资源体系结构。在现有资源标识技术的基础上,结合本文建立的资源体系结构提出了一种包含制造资源体系所属信息、资源地域信息、资源类别信息和资源来源信息四类信息体系的资源标识方法。根据资源标识方法给出了资源的描述方法,并以某个零件厂为例对研究内容进行了说明。为解决制造系统中资源分类不明确、资源查找效率低等问题提供了基础与参考。(3)研究了物联网环境下制造系统中的资源调度问题,构建了一种基于效益函数的制造系统资源调度的数学模型,实验仿真结果验证了调度算法的合理性。针对当前制造系统计算服务中出现的调度机制与信任机制分离问题,提出了一种信任驱动的负载均衡算法,并对制造系统中的资源调度进行初步仿真,结果表明该算法在负载均衡度、任务平均等待时间、任务执行时间跨度等方面具有一定的优势。(4)研究了物联网环境下制造系统中的任务协同分配问题,构建了一种任务协同分配的多目标优化模型,提出了一种任务协同分配的自适应遗传求解算法。根据物联网环境下制造系统的特点,建立了一种任务协同分配的多目标优化模型,并采用自适应遗传算法对其求解,以一个机器人的设计任务为例对任务分配方法进行了实例说明。引入了模糊综合评价算法帮助完成任务执行方案的决策,通过对任务协同分配的研究有助于推进物联网环境下制造系统的结构完善,提高制造系统的效率。
张顼[9](2016)在《基于刀具约束的自动生产线排产及数控刀具管理系统》文中提出自动生产线的加工能力很大程度上取决于数控刀具,但数控刀具成本高昂,长期费用投入超过机床本身,所以为了提高加工质量和加工效率,企业必须有效地管理刀具。但数控刀具参数复杂,并且使用过程贯穿多个部门,给刀具管理带来困难。首先,本文根据二维码技术和射频识别技术的特性,提出了适用于组合刀具和散件的识别方案,使用户可以便捷地记录刀具信息并准确地跟踪刀具轨迹。由于刀具使用涉及众多岗位和部门,本文设计了刀具全生命周期管理,避免刀具在流转过程中出现丢失和遗漏等情况。其次,自动生产线的排产关乎着生产效率。与相关研究相比,本文在建立排产模型时考虑了一道工序可以由不同刀具加工的实际情况,使模型更加广泛。在求解过程中,本文在现有蚁群算法的基础上引入最大最小蚁群系统中的信息素更新方式,减少了不同路径上信息素的差异,避免蚂蚁过早地陷入重复路径中,仿真结果显示该方法性能优于现有蚁群算法和其他改进算法。最后,本文介绍了数控刀具管理系统的开发过程。考虑到用户使用的便捷性和客户端配置的差异性,本系统采用当前较为流行的B/S(浏览器/客户端)运行模式。为了实现与自动生产线控制系统和制造执行系统的信息交互,本研究设计了三种接口,分别是开放数据库、设定时钟读取XML文档和发布WebService函数。在刀具信息管理的基础上,本研究开发了刀具全生命周期管理和自动生产线刀具管理,使该系统可同时满足企业ERP层面的刀具管理需求和自动生产线的刀具管理。自动生产线刀具管理包括刀具配送、工艺配刀方案管理和在线刀具管理。在结尾部分,本文总结了研究生阶段所取得的成果,并提出了刀具管理下一步的研究计划。
杨超[10](2016)在《机床刀具全生命周期管理系统研究》文中指出随着制造业2025发展规划的提出,互联网+等新一代信息技术成为企业实现数字化、网络化与智能化制造的新引擎。信息化制造必将极大地助力工业创新性发展。刀具管理作为制造生产管理中的重要部分,提高其智能化、自动化管理水平一直是企业的迫切需求。实现这一目标面临着诸多实际问题,本课题研究了刀具管理的特点和要求,总结了实现刀具智能化、自动化管理平台开发需要解决的若干关键问题。为了解决这些关键问题,本文进行了以下几方面的研究:对刀具编码系统进行研究,提出了结合成组技术和柔性编码的编码方法,实现复杂环境下刀具的快速编码。通过全面地分析企业刀具构成,形成刀具组成图谱。按照成组技术对刀具进行大小类的划分,同时结合柔性编码方法,对细分后的刀具编码。整个方案采用自动化编码技术,实现刀具编码自动生成。通过二维码模块功能打印刀具二维信息码,方便了刀具信息的物联网管理,提高了刀具管理效率。研究与开发了一套面向全生命周期的刀具管理系统。该系统不仅解决了刀具信息的数字化表示问题,而且在业务流程、刀具全生命周期监控等方面实现了规范化与自动化。系统高效地将各职能部门信息、物联网信息高效集成,实现信息资源共享,提高系统效率。采用模块化设计方法,对各职能部门进行拆分并对它们之间的业务流程进行了梳理,最后形成精益的流程管理方案。为了提高系统的数据管理水平,研究了系统数据库的设计办法,利用E-R图对系统关联的表和字段进行设计,并通过建立数据表之间的关系降低数据冗余。同时,系统与物联网集成,将生产现场采集到的数据通过物联网系统传递到刀具管理系统中用作分析决策。研究了刀具寿命的预测算法。刀具的有效寿命关系到刀具需求的制定、刀具供应商的选择和刀具及时换刀等方面。本文对基于神经网络的寿命预测方法进行研究,针对神经网络拓扑结构设计困难的问题提出了基于高斯误差的拓扑优化方法,简化了拓扑结构设计难度;针对随机权值和阀值有可能导致的局部最优问题采有GA算法优化,对预测结果出现的局部误差较大问题,利用多模型综合预测,最终得到合理寿命预测值。系统建立的多模块神经网络刀具寿命预测方法不仅简化了建模难度,而且在局部和整体寿命预测精度上都有较大的提高。最后本文将以上的研究成果应用到机床刀具管理系统的设计中,通过实践验证了本文研究成果的可行性和有效性。
二、N层结构的刀具供应商选择与评价系统开发(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、N层结构的刀具供应商选择与评价系统开发(论文提纲范文)
(1)PYGD车间生产数据分析和可视化设计(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 选题背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 车间生产数据分析国内外研究现状 |
1.2.1 车间产品质量数据分析研究现状 |
1.2.2 车间设备运行数据分析研究现状 |
1.3 论文结构和主要研究内容 |
1.3.1 主要研究内容 |
1.3.2 论文结构安排 |
1.4 本章小结 |
2 生产数据分析和可视化系统架构设计 |
2.1 生产数据分析和可视化系统需求分析 |
2.1.1 需求背景 |
2.1.2 功能需求 |
2.1.3 非功能需求 |
2.2 生产数据分析和可视化系统总体架构设计 |
2.2.1 系统架构设计 |
2.2.2 系统功能模块设计 |
2.3 数据分析系统实现关键技术 |
2.3.1 产品质量数据分析 |
2.3.2 设备运行数据分析 |
2.4 本章小结 |
3 产品质量数据分析 |
3.1 产品质量检验数据分析 |
3.1.1 产品质量检验数据分析理论基础 |
3.1.2 产品质量检验数据统计 |
3.1.3 产品质量数据分析 |
3.1.4 产品超差原因分析 |
3.1.5 质量验证 |
3.2 产品合格率预测分析 |
3.2.1 产品合格率预测分析理论基础 |
3.2.2 构建BP神经网络预测模型 |
3.2.3 实例验证 |
3.3 本章小结 |
4 设备运行数据分析 |
4.1 基于设备综合效率的关键设备数据分析 |
4.1.1 设备综合效率分析理论基础 |
4.1.2 设备综合效率计算 |
4.1.3 设备综合效率损失分析 |
4.2 基于遗传算法的设备预防性维护建模分析 |
4.2.1 设备预防性维护理论基础 |
4.2.2 设备预防性维护建模 |
4.2.3 基于遗传算法的设备维护模型优化求解 |
4.3 本章小结 |
5 可视化软件系统设计 |
5.1 系统用例图分析和数据库设计 |
5.1.1 系统用例图分析 |
5.1.2 系统数据库设计 |
5.2 系统环境选择 |
5.3 系统关键模块功能实现 |
5.3.1 产品质量过程控制模块功能实现 |
5.3.2 产品合格率预测模块功能实现 |
5.3.3 设备综合效率分析模块功能实现 |
5.3.4 设备预防性维护功能模块实现 |
5.4 本章小结 |
6 总结与展望 |
6.1 论文总结 |
6.2 工作展望 |
致谢 |
参考文献 |
附录A 攻读硕士期间取得的研究成果 |
附录B 隐含层—输出层权值更新过程 |
附录C 输入层—隐含层权值更新过程 |
附录D 降维处理主函数程序 |
(2)基于Digital Twin的数控机床预测性维护关键技术研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题的提出及意义 |
1.2 复杂设备预测性维护的研究现状 |
1.2.1 基于可靠性统计概率的方法 |
1.2.2 基于物理模型的方法 |
1.2.3 基于数据驱动的方法 |
1.3 Digital Twin及其关键技术的研究现状 |
1.3.1 Digital Twin的概念 |
1.3.2 Digital Twin的研究现状 |
1.3.3 机电设备建模的研究现状 |
1.3.4 机电设备场景感知的研究现状 |
1.4 本文主要工作 |
1.4.1 本文研究目标 |
1.4.2 本文研究内容 |
1.4.3 本文章节安排 |
第2章 基于Digital Twin的数控机床预测性维护体系结构 |
2.1 预测性维护体系结构制定思路 |
2.2 数控机床预测性维护需求及功能分析 |
2.2.1 数控机床系统分析 |
2.2.2 数控机床故障分析 |
2.2.3 数控机床预测性维护难点分析 |
2.2.4 数控机床Digital Twin功能分析 |
2.3 基于Digital Twin的预测性维护体系结构设计 |
2.4 基于Digital Twin的预测性维护方案制定 |
2.4.1 预测性维护层次结构模型构建 |
2.4.2 预测性维护层次判断矩阵构建 |
2.4.3 判断矩阵特征向量求解 |
2.4.4 预测性维护层次总排序 |
2.5 基于Digital Twin的预测性维护方案评价 |
2.6 本章小结 |
第3章 数控机床Digital Twin模型构建方法 |
3.1 数控机床Digital Twin模型构建原则 |
3.1.1 面向对象的建模方法 |
3.1.2 多领域统一的建模方法 |
3.1.3 增量式的建模方法 |
3.2 数控机床Digital Twin机械模型构建 |
3.2.1 机械几何模型构建 |
3.2.2 机械多体运动学/动力学模型构建 |
3.2.3 机械性能衰减模型构建 |
3.3 数控机床Digital Twin电气模型构建 |
3.3.1 整流器电气模型构建 |
3.3.2 逆变器电气模型构建 |
3.3.3 伺服电机电气模型构建 |
3.4 数控机床Digital Twin控制模型构建 |
3.4.1 位置控制器和速度控制器 |
3.4.2 电流控制器和解耦控制器 |
3.4.3 Clark/Park正逆变换及整体模型 |
3.5 数控机床Digital Twin液压模型构建 |
3.6 数控机床Digital Twin多领域模型耦合 |
3.6.1 多领域建模要素分析 |
3.6.2 多领域模型耦合方法 |
3.7 数控机床Digital Twin精度验证与模型更新方法 |
3.7.1 数控机床Digital Twin模型精度验证方法 |
3.7.2 基于工况数据的数控机床Digital Twin更新方法 |
3.8 本章小结 |
第4章 数控机床Digital Twin场景感知方法 |
4.1 数控机床Digital Twin场景感知软硬件结构 |
4.2 数控机床Digital Twin场景数据获取与存储 |
4.2.1 数控机床场景数据分析 |
4.2.2 数控机床场景数据获取 |
4.2.3 数控机床场景数据分布式存储与运算 |
4.3 数控机床Digital Twin场景数据预处理 |
4.3.1 场景数据数值变换与缺失值补充 |
4.3.2 场景数据趋势项消除 |
4.3.3 场景数据平滑与降噪 |
4.3.4 场景数据属性编码与变换 |
4.4 数控机床Digital Twin场景数据特征提取 |
4.4.1 数控机床场景数据时域特征提取 |
4.4.2 数控机床场景数据频域特征提取 |
4.4.3 数控机床场景数据特征自动提取 |
4.5 数控机床Digital Twin场景数据特征选择 |
4.5.1 标准相关系数分析 |
4.5.2 基于T-test的特征值排序 |
4.6 本章小结 |
第5章 Digital Twin模型与数据融合的预测性维护方法 |
5.1 基于Digital Twin的融合型预测性维护方案 |
5.1.1 基于滤波算法的模型与数据融合方法 |
5.1.2 基于迁移学习的模型与数据融合方法 |
5.2 基于Digital Twin的数据驱动算法构建 |
5.2.1 随机森林算法特点分析 |
5.2.2 长短期记忆网络算法特点分析 |
5.2.3 卷积神经网络算法特点分析 |
5.2.4 数据驱动算法选择 |
5.3 基于迁移学习的融合型预测性维护 |
5.4 基于滤波算法的融合型预测性维护 |
5.4.1 基于滤波算法的融合原理 |
5.4.2 基于滤波算法的融合方法流程 |
5.5 本章小结 |
第6章 基于Digital Twin的数控机床预测性维护应用验证 |
6.1 方案制定与实验环境搭建 |
6.1.1 预测性维护方案制定 |
6.1.2 存储与运算平台搭建 |
6.2 基于Digital Twin的预测性维护方案验证 |
6.2.1 基于Digital Twin的刀具寿命预测 |
6.2.2 基于Digital Twin的主轴系统故障诊断 |
6.2.3 基于Digital Twin的进给系统故障诊断 |
6.3 预测性维护措施与结果评价 |
6.3.1 预测性维护措施 |
6.3.2 预测性维护效果评价 |
6.4 本章小结 |
第7章 结论与展望 |
7.1 全文总结 |
7.2 本文主要创新点 |
7.3 研究展望 |
参考文献 |
攻读博士学位期间撰写的论文专利及参与的项目 |
攻读博士学位期间发表的论文 |
攻读博士学位期间申请的专利 |
攻读博士学位期间参与的科研项目 |
致谢 |
学位论文评阅及答辩情况表 |
(3)考虑刀具寿命预测的刀具管理系统研究(论文提纲范文)
中文摘要 |
Abstract |
第一章 绪论 |
1.1 刀具管理综述及国内外研究现状 |
1.1.1 刀具管理综述 |
1.1.2 国内外研究现状 |
1.1.3 刀具管理发展趋势 |
1.2 研究背景及选题意义 |
1.2.1 研究背景 |
1.2.2 选题意义 |
1.3 研究内容 |
1.4 本章小结 |
第二章 基于特征的数控刀具编码系统 |
2.1 刀具编码发展概述 |
2.2 数控加工及刀具特点 |
2.2.1 数控加工特点 |
2.2.2 数控刀具特点 |
2.3 数控刀具加工工艺特征分析 |
2.3.1 数控车削工序形式分析及加工方式分析 |
2.3.2 数控铣削加工方式特征分析 |
2.3.3 数控钻削工序形式及加工方式特征分析 |
2.3.4 数控镗削工序形式及加工方式特征分析 |
2.3.5 多任务加工工序形式及加工方式特征分析 |
2.4 数控刀具共有属性特征分析 |
2.4.1 数控刀具组成 |
2.4.2 刀具材料 |
2.4.3 结构形式 |
2.4.4 加工类型 |
2.5 刀具编码技术研究 |
2.5.1 刀具编码原则 |
2.5.2 刀具基本结构编码 |
2.5.3 基本工艺信息编码 |
2.5.4 刀具部件信息编码 |
2.5.5 刀具材料信息编码 |
2.5.6 刀具结构特征编码 |
2.5.7 刀具几何信息编码 |
2.5.8 扩展信息部分编码 |
2.6 编码系统的实现 |
2.7 本章小结 |
第三章 中小企业刀具需求的时间序列预测法 |
3.1 刀具需求预测理论研究 |
3.1.1 常用的需求预测方法 |
3.1.2 预测精度标准 |
3.1.3 需求预测计算公式及模型 |
3.2 定量模型预测车间刀具需求 |
3.2.1 中心移动平均法 |
3.2.2 指数平滑法 |
3.2.3 ARIMA模型计算 |
3.2.4 综合平均法 |
3.3 本章小结 |
第四章 基于粒子群参数优化的刀具寿命预测研究 |
4.1 刀具寿命简介 |
4.1.1 传统刀具寿命预测 |
4.1.2 刀具寿命影响因素 |
4.2 支持向量机模型简介 |
4.3 粒子群算法寻优 |
4.3.1 基本粒子群算法 |
4.3.2 改进的粒子群优化 |
4.4 实例验证 |
4.4.1 样本选择 |
4.4.2 数据预处理 |
4.4.3 基于支持向量机的刀具寿命预测 |
4.4.4 基于粒子群参数优化的刀具寿命预测 |
4.6 本章小结 |
第五章 面向中小型企业刀具管理系统开发 |
5.1 刀具管理系统开发总体分析 |
5.1.1 刀具管理系统的主要功能 |
5.1.2 刀具管理系统的可行性分析 |
5.1.3 系统的安全性分析 |
5.2 系统的开发环境分析 |
5.3 系统功能模块设计 |
5.4 系统主功能业务流程设计 |
5.4.1 刀具档案库多参数信息管理 |
5.4.2 刀具采购管理 |
5.4.3 刀具招标管理及供应商管理 |
5.4.4 刀具库存管理 |
5.4.5 综合查询 |
5.5 本章小结 |
第六章 结论 |
致谢 |
参考文献 |
(4)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 |
(5)基于深度学习的汽轮机轮槽精加工刀具剩余寿命预测技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 刀具状态监控与刀具剩余寿命概述 |
1.3 国内外研究现状 |
1.3.1 数控加工系统的数据模型 |
1.3.2 刀具磨损与剩余寿命预测方法 |
1.3.3 迁移学习方法 |
1.4 主要研究内容与总体框架 |
第二章 数控加工系统的数据模型研究 |
2.1 引言 |
2.2 转子轮槽加工过程 |
2.3 数控加工智能监控系统设计 |
2.3.1 声发射过程监控系统 |
2.3.2 刀具磨损图像采集系统 |
2.3.3 工件表面粗糙度测量系统 |
2.3.4 刀具管理系统 |
2.3.5 加工过程管控系统 |
2.4 数控加工系统数据模型 |
2.4.1 数控加工系统数据模型 |
2.4.2 刀具全生命周期数据 |
2.4.3 数控加工过程 |
2.4.4 刀具加工的全生命周期过程 |
2.5 本章小结 |
第三章 面向多种工艺条件下的刀具剩余寿命预测方法研究 |
3.1 引言 |
3.2 深度学习与LSTM |
3.2.1 深度学习与循环神经网络 |
3.2.2 长短时记忆网络 |
3.3 基于LSTM的混合信息模型 |
3.4 实验分析 |
3.4.1 汽轮机转子轮槽精加工实验 |
3.4.2 数据预处理 |
3.4.3 刀具剩余寿命预测结果分析 |
3.5 本章小结 |
第四章 面向新工艺条件下的刀具剩余寿命预测方法研究 |
4.1 引言 |
4.2 迁移学习 |
4.3 基于动态对抗域适应方法的刀具剩余寿命预测模型 |
4.3.1 刀具剩余寿命预测模型 |
4.3.2 对抗域适应过程 |
4.3.3 目标域预测与样本更新 |
4.4 实验分析 |
4.4.1 汽轮机转子轮槽精加工实验数据 |
4.4.2 刀具剩余寿命预测结果分析 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 本文工作总结 |
5.2 后续研究展望 |
参考文献 |
致谢 |
攻读硕士学位期间的学术成果 |
(6)基于深度-强化学习的柔性加工高能效工艺规划方法研究(论文提纲范文)
中文摘要 |
英文摘要 |
1 绪论 |
1.1 论文的选题背景及意义 |
1.1.1 论文的选题背景 |
1.1.2 论文的选题意义 |
1.2 国内外研究现状 |
1.2.1 数控加工系统工艺条件、工艺参数与能效的作用机理研究 |
1.2.2 数控加工系统能效预测研究现状 |
1.2.3 数控加工工艺参数能效优化研究现状 |
1.2.4 数控加工工艺路线优化研究现状 |
1.3 论文的研究意义及课题来源 |
1.3.1 论文的研究意义 |
1.3.2 论文的课题来源 |
1.4 论文的主要研究内容 |
2 柔性加工过程能效影响因素及工艺规划框架 |
2.1 柔性加工系统能效特性分析 |
2.1.1 柔性加工系统能效定义 |
2.1.2 柔性加工系统能耗影响因素分析 |
2.2 不同工艺条件下工艺参数对能耗影响关系分析 |
2.2.1 基于二阶响应面法的工艺与能耗映射关系建立方法 |
2.2.2 关系方程建立结果及作用机理分析 |
2.3 柔性加工高能效工艺规划框架 |
2.3.1 柔性加工高能效工艺规划所面临的挑战 |
2.3.2 柔性加工高能效工艺规划技术框架的提出 |
2.4 本章小结 |
3 基于深度学习的柔性加工系统能效预测方法 |
3.1 柔性加工系统能效预测问题描述 |
3.2 深度学习能效预测方法 |
3.3 工艺、能效数据的采集与预处理 |
3.3.1 数据类型与采集 |
3.3.2 数据预处理 |
3.4 案例应用 |
3.4.1 数据准备、评价指标及对比方法概述 |
3.4.2 柔性加工能效预测模型建立及结果分析 |
3.5 本章小结 |
4 面向变工艺条件的柔性加工工艺参数元强化学习能效优化 |
4.1 柔性加工工艺参数能效优化问题描述 |
4.2 面向变工艺条件的柔性加工工艺参数能效优化模型 |
4.2.1 优化变量 |
4.2.2 优化目标函数 |
4.2.3 约束条件 |
4.2.4 多目标优化评价指标 |
4.3 基于元强化学习的柔性加工工艺参数能效优化方法 |
4.3.1 基于马尔科夫决策过程理论的优化问题转换 |
4.3.2 基于actor-critic框架的工艺参数能效优化器构建 |
4.3.3 基于MAML算法的元学习训练方法 |
4.4 应用案例 |
4.4.1 案例介绍 |
4.4.2 预训练及在线训练结果 |
4.4.3 多工步车削能效优化的结果分析 |
4.4.4 算法对比测试 |
4.5 本章小结 |
5 多任务并行的柔性加工工艺路线深度图强化学习能效优化 |
5.1 柔性加工工艺路线能效优化问题描述 |
5.2 面向多加工任务的柔性加工工艺路线能效优化模型 |
5.2.1 优化变量 |
5.2.2 优化目标函数 |
5.2.3 约束条件 |
5.3 基于深度图强化学习的工艺路线能效优化方法 |
5.3.1 柔性加工工艺路线能效优化方法框架 |
5.3.2 基于深度图和强化学习的优化器构建方法 |
5.3.3 基于多任务学习的优化器训练方法 |
5.4 应用案例 |
5.4.1 工件及加工资源信息 |
5.4.2 案例设置 |
5.4.3 预训练及线上收敛过程 |
5.4.4 柔性加工工艺路线能效优化结果与分析 |
5.4.5 算法性能对比 |
5.5 本章小结 |
6 柔性加工高能效工艺规划支持系统及初步应用 |
6.1 柔性加工高能效工艺规划系统框架及数据流分析 |
6.1.1 柔性加工高能效工艺规划系统框架 |
6.1.2 能效数据流结构分析及数据整合 |
6.2 柔性作业车间节能潜力挖掘 |
6.3 柔性加工高能效工艺规划方法应用实施 |
6.4 本章小结 |
7 结论与展望 |
参考文献 |
附录 |
A.作者在攻读博士学位期间发表或录用的论文 |
B. 攻读博士学位期间在审的期刊论文目录 |
C. 攻读博士学位期间所申请或授权的发明专利目录 |
D.攻读博士学位期间参加的主要科研项目 |
E.攻读博士学位期间获得的荣誉和奖励 |
F.学位论文数据集 |
致谢 |
(7)M军工企业采购业务内部控制优化研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 国外研究现状 |
1.2.2 国内研究现状 |
1.3 研究思路及方法 |
1.3.1 研究思路 |
1.3.2 研究方法 |
1.4 本文的主要贡献 |
第二章 企业内部控制相关理论研究 |
2.1 内部控制的概念及基本理论 |
2.1.1 内部控制的概念及特点 |
2.1.2 内部控制的构成要素 |
2.2 内部控制有效性评价方法概述及影响因素 |
2.2.1 内部控制有效性的评价方法概述 |
2.2.2 内部控制有效性的影响因素 |
2.3 企业采购业务内部控制概念、流程及意义 |
2.3.1 采购业务内部控制的概念 |
2.3.2 采购业务内部控制的基本流程 |
2.3.3 采购业务内部控制的意义 |
第三章 M企业采购业务内部控制的现状 |
3.1 M企业简介和组织架构 |
3.2 M企业物资采购概况 |
3.3 M企业采购过程控制程序 |
3.4 M企业采购业务内部控制设计规范性分析 |
第四章 M企业采购业务内部控制运行评价 |
4.1 采购业务评价方法的选择 |
4.1.1 合理选择评价方法 |
4.1.2 评价方法的研究思路 |
4.2 M企业采购业务内部控制运行评价 |
4.2.1 确定评价指标 |
4.2.2 确定评价指标的隶属度 |
4.2.3 确定评价指标的权重 |
4.3 M企业采购业务内部控制运行有效性评价结果与分析 |
4.3.1 M企业采购业务内部控制运行有效性评价结果 |
4.3.2 评价结果分析 |
4.4 M企业采购业务内部控制存在的问题分析 |
4.4.1 内部控制执行不到位 |
4.4.2 物资采购内部监督流于形式 |
4.4.3 员工的职业素质不高 |
第五章 M企业采购业务内部控制优化对策 |
5.1 加强采购业务风险评估与应对 |
5.1.1 明确采购业务内部控制目标 |
5.1.2 明确采购业务内部控制风险 |
5.1.3 建立采购业务风险评价制度 |
5.2 发挥采购业务内部监督作用 |
5.2.1 落实审计委员会的监督作用 |
5.2.2 建立采购业务内部控制自我评价制度 |
5.3 采取合理措施不断提升员工的综合素质 |
5.3.1 加强员工培训 |
5.3.2 制定科学的采购人员绩效考核制度 |
5.3.3 提高员工道德素质 |
5.4 加强对采购各流程的控制 |
5.4.1 合理制定采购计划 |
5.4.2 规范供应商管理 |
5.4.3 做好采购业务的验收管理 |
5.4.4 规范合同管理 |
第六章 结论与展望 |
6.1 主要结论 |
6.2 不足与展望 |
参考文献 |
致谢 |
附录 |
(8)物联网环境下制造系统中的资源调度与任务协同问题研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景 |
1.2 研究意义 |
1.3 研究内容及结构安排 |
1.3.1 论文研究内容与创新点 |
1.3.2 论文结构安排 |
第二章 文献综述 |
2.1 制造系统结构研究综述 |
2.2 制造系统资源分类问题研究综述 |
2.3 制造系统资源调度问题研究综述 |
2.4 制造系统协同问题研究综述 |
2.5 本章小结 |
第三章 物联网环境下的制造系统结构研究 |
3.1 引言 |
3.2 物联网环境下的制造系统总体结构 |
3.3 制造系统的子系统 |
3.3.1 制造系统中的生产工具维护系统 |
3.3.2 制造系统中的车间数据管理系统 |
3.3.3 制造系统中的信息集成与管理系统 |
3.4 本章小结 |
第四章 基于物联网的制造系统资源分类问题研究 |
4.1 引言 |
4.2 基于物联网的制造系统资源分类架构 |
4.3 基于制造系统资源架构的资源标识技术 |
4.4 基于制造系统资源标识的资源描述方法 |
4.5 实例分析 |
4.6 本章小结 |
第五章 基于物联网的制造系统资源调度问题研究 |
5.1 引言 |
5.2 考虑效益函数的制造系统资源调度问题研究 |
5.2.1 问题描述 |
5.2.2 参数定义 |
5.2.3 算法相关公式 |
5.2.4 算法设计 |
5.2.5 仿真分析 |
5.3 信任驱动的制造系统资源负载均衡调度问题研究 |
5.3.1 问题描述 |
5.3.2 参数定义 |
5.3.3 模型建立 |
5.3.4 算法设计 |
5.3.5 仿真分析 |
5.4 本章小结 |
第六章 基于物联网的制造系统任务协同问题研究 |
6.1 引言 |
6.2 基于物联网的制造系统协同控制思路与策略 |
6.3 基于物联网的制造系统协同控制框架 |
6.4 基于物联网的制造系统任务协同分配问题研究 |
6.4.1 问题描述 |
6.4.2 参数定义 |
6.4.3 任务执行胜任度计算方法 |
6.4.4 团队协同效率计算方法 |
6.4.5 任务协同分配的多目标模型 |
6.4.6 算法设计 |
6.4.7 制造系统中任务协同分配实例分析 |
6.5 制造系统协同控制评价方法 |
6.6 本章小结 |
第七章 总结与展望 |
7.1 总结 |
7.2 展望 |
参考文献 |
攻读博士学位期间的学术活动及成果情况 |
附录A 考虑效益函数的资源调度算法片段 |
附录B 信任驱动的负载均衡算法片段 |
(9)基于刀具约束的自动生产线排产及数控刀具管理系统(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 数控刀具管理系统介绍 |
1.1.1 数控刀具管理系统研究意义 |
1.1.2 数控刀具管理主要任务 |
1.1.3 数控刀具管理国内外研究现状 |
1.2 课题介绍 |
1.2.1 课题研究背景 |
1.2.2 课题内容 |
1.2.3 课题意义 |
1.2.4 本研究内容 |
2 数控刀具识别与全生命周期管理 |
2.1 数控刀具识别研究意义 |
2.2 二维码技术 |
2.2.1 二维码技术介绍 |
2.2.2 二维码识别原理 |
2.3 射频识别技术 |
2.3.1 RFID技术介绍 |
2.3.2 RFID系统构成 |
2.3.3 RFID系统基本工作原理 |
2.4 数控刀具识别方案 |
2.4.1 散件识别方案 |
2.4.2 组合刀具库房识别方案 |
2.4.3 组合刀具自动生产线识别方案 |
2.5 刀具全生命周期管理 |
2.6 本章小结 |
3 基于刀具约束的自动生产线排产研究 |
3.1 研究背景 |
3.1.1 自动生产线及其组成 |
3.1.2 排产计划相关研究 |
3.1.3 排产算法相关研究 |
3.2 自动生产线排产模型 |
3.2.1 加工任务介绍 |
3.2.2 排产优化目标 |
3.2.3 加工任务排产与旅行商问题转化 |
3.3 改进蚁群算法 |
3.3.1 普通蚁群算法步骤 |
3.3.2 MMACO算法的信息素更新 |
3.3.3 MMACO算法流程图 |
3.4 算法性能对比和分析 |
3.4.1 仿真实验设计 |
3.4.2 仿真实验结果 |
3.4.3 实验结果分析 |
3.5 本章小结 |
4 数控刀具管理系统的开发 |
4.1 开发方案设计 |
4.1.1 系统运行架构 |
4.1.2 系统开发平台 |
4.1.3 数据交互方式 |
4.2 数控刀具管理系统需求分析 |
4.2.1 基础信息管理 |
4.2.2 自动生产线刀具管理 |
4.2.3 系统管理 |
4.3 数控刀具管理系统研发 |
4.3.1 数控刀具管理系统总体设计 |
4.3.2 刀具信息管理 |
4.3.3 刀具全生命周期管理 |
4.3.4 自动生产线刀具管理 |
4.3.5 系统管理 |
4.4 本章小结 |
5 结论与展望 |
致谢 |
参考文献 |
附录 |
A. 作者在攻读学位期间取得的科研成果 |
B. 作者在攻读学位期间参加的课题 |
(10)机床刀具全生命周期管理系统研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景 |
1.1.1 国内外机床管理系统研究现状 |
1.1.2 企业刀具管理现状 |
1.2 机床刀具管理系统发展以及面临的问题 |
1.2.1 编码系统研究发展 |
1.2.2 刀具管理系统结构研究 |
1.2.3 刀具寿命研究现状 |
1.3 论文主要内容与章节安排 |
1.4 本章小结 |
第二章 系统框架以及开发工具 |
2.1 系统架构及关键技术 |
2.1.1 需求分析与系统架构 |
2.1.2 关键技术 |
2.2 开发平台及工具 |
2.3 本章小结 |
第三章 机床刀具特征及信息编码研究 |
3.1 机床刀具特征及分类 |
3.2 刀具编码原则及方法 |
3.3 刀具编码方案 |
3.4 刀具识别技术 |
3.5 本章小结 |
第四章 刀具管理系统设计及实现 |
4.1 刀具管理系统总体架构设计 |
4.2 系统功能模块设计 |
4.2.1 基本信息管理 |
4.2.2 库存管理 |
4.2.3 账目管理 |
4.2.4 寿命管理 |
4.3 数据库设计 |
4.4 本章小结 |
第五章 刀具寿命管理的研究 |
5.1 刀具寿命简介 |
5.2 刀具寿命影响因素分析及选取 |
5.3 多模块预测模型 |
5.3.1 BP神经网络介绍 |
5.3.2 遗传算法优化的BP神经网络 |
5.3.3 神经网络拓扑结构设计 |
5.3.4 多模块模型及价值评估算法 |
5.4 预测模型及结果 |
5.5 本章小结 |
第六章 刀具管理系统运行实例 |
6.1 系统概述 |
6.2 系统运行实例 |
6.2.1 零件入库 |
6.2.2 整刀查询 |
6.2.3 采购订单及自动报表 |
6.3 本章小结 |
第七章 结论与展望 |
7.1 结论 |
7.2 展望 |
参考文献 |
致谢 |
攻读硕士学位期间已发表或录用的论文 |
四、N层结构的刀具供应商选择与评价系统开发(论文参考文献)
- [1]PYGD车间生产数据分析和可视化设计[D]. 张培. 南京理工大学, 2020(01)
- [2]基于Digital Twin的数控机床预测性维护关键技术研究[D]. 骆伟超. 山东大学, 2020(01)
- [3]考虑刀具寿命预测的刀具管理系统研究[D]. 张培炜. 太原科技大学, 2020(03)
- [4]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)
- [5]基于深度学习的汽轮机轮槽精加工刀具剩余寿命预测技术研究[D]. 蔡伟立. 上海交通大学, 2020(09)
- [6]基于深度-强化学习的柔性加工高能效工艺规划方法研究[D]. 肖溱鸽. 重庆大学, 2019
- [7]M军工企业采购业务内部控制优化研究[D]. 王璐璐. 西北大学, 2019(04)
- [8]物联网环境下制造系统中的资源调度与任务协同问题研究[D]. 张若楠. 合肥工业大学, 2018(04)
- [9]基于刀具约束的自动生产线排产及数控刀具管理系统[D]. 张顼. 重庆大学, 2016(03)
- [10]机床刀具全生命周期管理系统研究[D]. 杨超. 上海交通大学, 2016(01)