摘要：为充分利用车间产生的质量数据,解决车间综合质量管理问题,建立了智能车间质量数据集成及可视化分析平台。首先针对平台的整体建设目标设计了系统功能架构;其次,利用基于模板的自然语言生成技术为传统的可视化图表添加文本描述,并在文本中嵌入可视化图表,通过文本与图表之间的交互帮助用户进行数据的可视化探索,减少用户在两者之间频繁切换的问题;最后以某企业制造车间工程质量管理为例,对智能车间质量数据集成及可视化分析平台进行应用验证,结果表明该平台实现了以质量为核心的智能制造,且文本和可视化彼此丰富增强了可视化效果。

摘要：提出了一种基于电子产品编码(EPC)和自动身份识别(Auto-ID)的智能车间RFID标签有效识别方法。通过对智能车间中制造资源种类的详细划分,在EPC Global编码规范的基础上进一步细分类型和序列号两个自定义字段,得到了车间内部制造资源的RFID编码结构;根据在制品(WIP)的设计信息和生产数据形成工件制造逻辑,进而利用数据库技术实现制造资源信息在群属、空间、时间上的自动关联;最后对WIP的RFID标签和制造信息的自动关联进行了实验,以验证所提出的模型和方法的可行性及普遍性。

摘要：智能制造是制造业发展的必然趋势,智能车间是智能制造的主要载体,决定着制造的效率.生产过程是永恒的动态过程,会不断发生各类突发事件,频繁干扰车间系统的正常运行.因此,如何针对智能车间中频发的动态事件进行快速响应与合理调度是提高生产效率的关键之一.本文首先描述了智能车间调度问题,指出问题的复杂性;其次,阐述了智能车间动态调度方法的研究现状;接着,针对强化学习在动态调度中的应用进行了系统分析与分类讨论;然后,对动态调度决策模式的相关研究进行了详细的阐述,分析了经典调度模式和主动调度模式的异同;最后,根据研究现状和制造业智能化发展的需求,对智能车间动态调度未来的发展趋势进行了展望.

摘要：针对智能车间复杂性程度高、动态不确定性明显、对调度的实时性要求高以及车间机理模型难以描述等特点,对智能车间实时调度问题展开研究,提出一种将仿真优化与遗传规划(SO-GP)算法相结合的调度规则挖掘方法,在优化生产性能的同时满足实时调度的需求。在SO-GP方法设计中,采用二叉树的结构编码,每个GP个体代表一个组合调度规则,并借助仿真获得个体的适应度值。为了进一步提高挖掘过程的时间效率,对构成GP算法的终止集进行了归一化改进。最后以MiniFAB半导体生产线模型为对象进行实验,验证了所提方法的有效性。

摘要：为降低智能车间中动态不确定因素对生产性能的影响,提出一种基于Q学习的智能车间自适应调度方法。该方法设计基于强化学习的智能车间自适应调度框架,采用Q学习算法,通过智能体—环境交互试错机制,自主训练调度模型,并根据生产车间环境变化动态更新调度模型,以支持能够指导车间运行的最优决策轨迹的生成。所提方法在MiniFab半导体生产线模型上进行了验证,结果证明该方法能够有效应对智能车间生产环境变化,在生产全过程中能对调度决策进行实时调整,优化车间综合性能指标,同时显著降低时间与人力成本。

摘要：生产安全是以人为本的智能制造基本要求,为满足智能车间工人不安全行为的实时性检测和边缘端部署需求,提出一种基于轻量化的YOLOv5s的工人不安全行为检测方法。首先,对YOLOv5s特征融合网络以及输出层进行删除;其次,对改进后网络训练得到的模型文件进行结构化剪枝;最后,使用知识蒸馏对剪枝后的网络模型进行微调。实验结果表明,改进后YOLOv5s算法的mAP@0.5高达97.8%,刷新率提升108%,所需算力下降了69.0%。所提出的YOLOv5s-2Detect网络及轻量化设计方案对智能车间工人不安全行为检测具有较高的精度,实时性与鲁棒性能够满足智能车间实际环境中工人不安全行为的检测需求。

摘要：在车间管理中,设备负荷是一个关键性能指标,负荷稳定直接影响了生产效率与生产成本,但目前鲜有研究关注如何实现设备负荷稳定的问题。为此,提出一种面向设备负荷稳定的智能车间调度方法。该方法通过一个含有深度神经网络调度模型的调度智能体,分析车间生产状态与设备负荷间的相关性,及时输出满足期望目标的调度方案。针对深度神经网络调度模型,设计了一个基于双深度Q学习网络(DDQN)的深度神经网络调度模型训练器,其利用奖惩学习免监督地形成调度样本,借此对深度神经网络调度模型进行网络参数更新,实现模型自学习。所提方法在MiniFab半导体生产车间模型中进行了验证,证明了所提调度方法能实现对智能车间设备负荷的控制,从而保证车间整体设备负荷的稳定性。

摘要：对场景目标进行语义级分割与识别是实现车间场景中移动机器人智能导航、智能安防的基础.针对车间场景中目标语义分割存在分割目标种类多、形状差异大等多尺度问题,为满足智能车间目标分割实时性的要求,提出一种融合双路平均池化与三分支注意力机制的轻量级语义分割网络;首先,采用编码器-解码器结构,以轻量级卷积神经网络作为整个网络的编码器,解码器包括双路平均池化模块和三分支注意力机制模块,提取多尺度目标的语义信息和实现高精度的语义分割;然后选取ShuffleNet v2,SqueezeNet和MobileNet v2这3种不同的轻量级卷积神经网络与解码器结合,针对智能车间场景目标语义分割数据集,进行目标语义分割对比实验,并确定MobileNet v2作为编码器.与ENet,ERFNet,BiSeNet v2,Deeplab v3,Deeplab v3+,CFPNet和Fast-SCNN轻量级语义分割网络进行语义分割精度和实时性的实验结果表明,所提网络对车间场景目标分割的MPA为94.25%,MIoU为87.67%,浮点运算数量为10^(9)×1.66,推理速度为66.67帧/s,能够很好地平衡分割精度与实时性,满足智能车间场景目标语义分割的需求.

摘要：传统的设备布局设计规划方法通常采用两个设备之间的直线距离或者曼哈顿距离作为优化变量,而没有考虑工件搬运设备在实际行驶过程中的路线。在以自动导引车为主的智能车间中,则必须考虑实际物流路径和物流效率。基于自动导引车单向导引路径,采用搬运频率、单位距离成本、最短有向距离等参数建立智能车间设备布局模型,进而利用混沌遗传算法来实现对物流路径的优化和生产设备布局模型的解算。最后,通过对某缸盖智能生产车间的设备布局规划问题的具体研究,借助MATLAB将本文提出的优化算法与遗传-模拟退火算法和简单遗传算法进行对比试验,并将3种优化算法的最终结果在Plant Simulation平台上进行仿真运行,试验结果表明了所提出的基于自动导引车单向导引路径网络的智能车间设备布局规划方法的有效性。

摘要：针对制造业车间工人由于脑力负荷过重,引发工作失误,影响进程效率的问题,提出脑力负荷评测方法,以降低车间工人的工伤风险,提升车间工人操作的正确性与准确率。设计了20个事件的两组实验,将PAAS量表、WP量表测得的脑力负荷结果值作为因变量,通过数控车床编程软件,模拟数控车床编程员的工作内容,对PAAS量表与WP量表在智能车间的有效性进行研究。实验结果表明,PAAS量表在敏感性方面的表现好于WP量表,其F值高于WP量表7.494。在聚合效度方面,两种量表都表现良好。得出结论,PAAS量表适用于智能车间数控车床操作人员的脑力负荷评测,与此同时,WP量表的多维度特性可清晰地表明被实验对象脑力负荷的影响因素。