定 價：78 元
叢書名：工業(yè)智能化創(chuàng)新之路叢書
- 作者：喬非，馬玉敏，劉鵑著
- 出版時間：2023/1/1
- ISBN：9787122426383
- 出 版 社：化學工業(yè)出版社
- 中圖法分類：F406.2
- 頁碼：233
- 紙張：
- 版次：1
- 開本：24cm
本書聚焦于智能制造環(huán)境下的車間調度問題，探討一種旨在增強調度應變能力的適應性調度及其相關理論和技術方法。首先介紹了智能車間調度基本概念和需求挑戰(zhàn)、新興工業(yè)大數據技術和信息物理生產系統(tǒng)等對智能調度求解的支撐能力，然后提出了一種多級聯(lián)動適應性調度體系框架，分別從魯棒調度、實時調度、重調度和閉環(huán)優(yōu)化四方面論述適應性調度的關鍵技術方法，最后結合案例給出系統(tǒng)實現及應用驗證。
1.聚焦于智能車間這一制造強國建設的關鍵維度，探討增強其決策自適應能力的調度優(yōu)化技術與方法。 2.以工業(yè)大數據和信息物理生產系統(tǒng)為支撐，為智能車間在新型環(huán)境中的調度提供了一整套解決方案。 3.所提出的智能車間多級聯(lián)動適應性調度體系框架，由數據的循環(huán)流動為內驅動力，以知識的增值更新為牽引，探究新型的基于深度學習的調度求解算法，實現覆蓋調度執(zhí)行全流程的閉環(huán)優(yōu)化。 4.所形成的智能車間調度理論與技術成果對供應鏈管理等問題具有共性借鑒意義，能夠為智能制造運營管理的智能化提升提供新的解決思路。
伴隨著互聯(lián)網、大數據、人工智能等新興技術與制造領域的高度融合和全面滲透，制造業(yè)已進入“智能制造”新時代。對于制造系統(tǒng)中的“智能”，也經歷了由狹義“數字化”到“數字化網絡化”再到“數字化網絡化智能化”的概念提升過程。當下，新一代制造系統(tǒng)的智能性可以從結構層面的自組織性、優(yōu)化層面的自適應性、決策層面的自學習性得到突出體現，是一個內涵豐富、外延寬廣的綜合性領域。本書聚焦于智能制造環(huán)境下的生產調度問題，探討增強智能車間調度優(yōu)化的適應性能力的相關技術方法。
生產調度作為車間控制與管理中的核心問題之一，解決的是生產資源的規(guī)劃分配。自20 世紀50 年代以來，雖然已有大量學者致力于車間調度問題的研究并已取得了相當豐富的研究成果，但由于實用性和有效性的問題一直存在，制約了已有成果的實際應用。在實用性方面，大量調度研究專注于調度算法的創(chuàng)新探索，重在解決調度尋優(yōu)問題，但由于優(yōu)化算法的計算成本和模型偏差等因素，研究與應用間始終存在著較大鴻溝；在有效性方面，實際制造系統(tǒng)所處環(huán)境的復雜性和動態(tài)不確定性，往往使得尋優(yōu)得到的調度方案被頻繁發(fā)生的各類干擾所沖擊甚至失效。
筆者致力于生產調度領域的研究多年，在此基礎上，以突出實用性和有效性為目標，提出一種旨在增強車間調度對復雜動態(tài)制造系統(tǒng)環(huán)境應變能力的適應性調度，并帶領研究團隊，借助新一代信息技術，特別是以工業(yè)大數據和信息物理生產系統(tǒng)為支撐，進行相關理論和方法的研究探索，本書即為近年來研究工作的總結。
全書分為10章。第1章緒論，從智能制造到智能車間，再到智能車間的生產調度，引出本書的智能車間調度問題，并分析其面臨的需求和挑戰(zhàn)；第2～3章介紹新興技術對智能車間調度問題求解的支撐能力，包括工業(yè)大數據與數據驅動技術和信息物理生產系統(tǒng)環(huán)境與構建技術；第4章提出智能車間調度的整體解決方案，即多級聯(lián)動適應性調度體系框架；第5～8章分別針對體系框架中的四個關鍵技術展開論述，即針對前攝適應能力提升的魯棒調度、針對在線適應力提升的實時調度、針對適應性調整的重調度，以及基于調度知識管理的閉環(huán)優(yōu)化；第9章和第10章分別是適應性調度方法的系統(tǒng)實現及應用驗證。
本書面向從事智能制造車間管理和生產調度等相關領域工作的科研和工程技術人員，力圖在面向智能制造的適應性調度與閉環(huán)優(yōu)化技術、方法及系統(tǒng)等方面，為讀者提供有價值的參考和幫助。
與本書內容相關的研究工作得到了科技部科技創(chuàng)新2030“新一代人工智能”重大項目子課題（2018AAA0101704）、國家自然科學基金重點項目（編號：62133011）、國家自然科學基金面上項目（編號：61873191 和61973237）等的支持，也得到了團隊創(chuàng)始人吳啟迪教授的指導和幫助。在本書編寫過程中，谷翔、孔維暢、房溪、王巧玲、曹秋實、肖楓、吳文靖、馬麗萌、章凌威、陸曉玉、沈一路、黎聲益、高陳媛等參與了研究工作，關柳恩、蔡靜雯、王冬源、王怡琳、陳心一等協(xié)助了書稿整理，在此一并表示感謝。
限于筆者水平和能力有限，加之時間倉促，書中難免有不當之處，歡迎各位讀者不吝批評指正。
著者
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 生產調度 004
1.2.1 生產調度基本問題描述 004
1.2.2 生產調度國內外研究現狀 007
1.3 智能車間生產調度面臨的需求與挑戰(zhàn) 013
第2章 工業(yè)大數據與數據驅動技術 021
2.1 工業(yè)大數據與智能制造 022
2.1.1 大數據與工業(yè)大數據 022
2.1.2 工業(yè)大數據特性分析 023
2.1.3 工業(yè)大數據技術架構 025
2.1.4 工業(yè)大數據在智能制造中的應用 026
2.1.5 工業(yè)大數據應用面臨的挑戰(zhàn) 028
2.2 工業(yè)大數據質量管理 029
2.2.1 工業(yè)大數據質量問題 030
2.2.2 領域知識無關的工業(yè)大數據質量管理 031
2.2.3 領域知識相關的工業(yè)大數據質量管理 034
2.2.4 工業(yè)大數據整體質量評價指標 040
2.3 工業(yè)大數據驅動的生產調度使能技術 043
2.3.1 生產特征選擇 044
2.3.2 生產性能預測 046
2.3.3 調度知識挖掘 047
第3章 信息物理生產系統(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 的技術內核及運行方式 053
3.1.3 CPS 的組織架構 054
3.1.4 CPS 的特征 057
3.1.5 CPS 在制造領域的應用 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 063
3.3 面向智能車間生產調度的CPPS 環(huán)境構建 067
3.3.1 生產調度對CPPS 的需求分析 067
3.3.2 面向智能車間生產調度的CPPS 框架 068
3.3.3 面向半導體生產線的CPPS 環(huán)境構建案例 070
第4章 智能車間適應性調度解決方案 079
4.1 智能車間多級聯(lián)動適應性調度體系框架 080
4.1.1 需求分析 080
4.1.2 智能車間多級聯(lián)動適應性調度體系框架 082
4.2 多級聯(lián)動適應性調度體系的運行演化 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據循環(huán)增值 086
第5章 多目標魯棒調度方法 089
5.1 多目標魯棒調度問題描述 090
5.1.1 魯棒調度概述 090
5.1.2 多目標魯棒調度問題描述和魯棒性定義 092
5.1.3 魯棒性度量 093
5.2 多目標魯棒調度方法框架 097
5.2.1 調度策略表達 097
5.2.2 多目標魯棒調度方法框架 101
5.3 確定環(huán)境下的多目標調度策略解集生成 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算法設計 105
5.4 不確定環(huán)境下的多目標魯棒調度策略選擇 108
5.4.1 基于場景規(guī)劃的生產數據獲取 108
5.4.2 基于熵權法的多目標魯棒調度模型 109
第6章 適應性的實時調度方法 115
6.1 實時調度問題描述 116
6.2 調度策略推薦方法 117
6.2.1 調度策略推薦問題描述 117
6.2.2 調度策略推薦方法框架 118
6.3 基于K-NN 的調度規(guī)則推薦 120
6.3.1 算法框架 120
6.3.2 基于GA 的生產屬性特征子集選擇 122
6.3.3 基于K-NN 的調度規(guī)則推薦模型 125
6.4 基于SVR 的調度參數推薦 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 的調度參數推薦模型 128
第7章 適應性的重調度方法 133
7.1 重調度問題描述及方法框架 134
7.1.1 重調度問題描述 134
7.1.2 適應性重調度方法 136
7.2 數據驅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 全數據驅動的重調度方法 148
7.3.1 基于長短期記憶神經網絡的重調度方法框架 149
7.3.2 LSTM 神經網絡離線訓練 151
7.3.3 在線調度 152
7.4 增強學習能力的重調度方法 152
7.4.1 基于DRL 的重調度問題描述 154
7.4.2 基于DQN 的重調度方法 156
7.4.3 基于改進異步優(yōu)勢行動者評論家算法的重調度方法 158
第8章 適應性調度閉環(huán)優(yōu)化方法 165
8.1 調度知識 166
8.1.1 調度知識概念 166
8.1.2 調度知識的表達 167
8.2 調度知識管理 168
8.2.1 調度知識管理概述 168
8.2.2 調度知識生成 170
8.2.3 調度知識評估與更新 171
8.3 調度知識在線評估 172
8.3.1 基于質量控制的調度知識評估方法 172
8.3.2 基于生產狀態(tài)變化的調度知識在線評估 176
8.4 基于增量學習的調度知識更新方法 178
8.4.1 基于OS-ELM 的調度知識更新方法 178
8.4.2 基于Online SVR 的調度知識更新方法 180
第9章 智能車間適應性調度原型系統(tǒng) 187
9.1 智能車間適應性調度原型系統(tǒng)架構 188
9.1.1 需求分析 188
9.1.2 系統(tǒng)架構設計 189
9.2 關鍵層級設計 192
9.2.1 數據層設計 192
9.2.2 分析層設計 193
9.2.3 服務層設計 193
9.2.4 表示層設計 193
9.3 智能車間適應性調度原型系統(tǒng)實現 194
9.3.1 系統(tǒng)開發(fā) 194
9.3.2 系統(tǒng)界面 197
9.3.3 運行設置 199
9.3.4 結果展示 204
第10章 適應性調度與優(yōu)化方法驗證與實施案例 209
10.1 基于適應性調度原型系統(tǒng)的方法驗證 210
10.1.1 單級調度方法驗證 210
10.1.2 多級聯(lián)動適應性調度方法的綜合驗證 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)動適應性調度方法的案例研究 226
縮略詞索引 231
書單推薦
