一、智能制造系统的自组织单元结构研究（论文文献综述）
董文静[1]（2021）在《智能制造信息系统鲁棒性研究》文中指出智能制造在信息系统的性能需求和功能需求方面对目前的制造业提出了崭新的或者更高级别的要求,通过对影响信息系统重要性能—鲁棒性的因素进行分析,根据智能制造信息系统的信息层和物理层之间的深度协作建立智能制造信息系统网络模型,描述智能制造信息系统级联失效过程,从网络可用性角度基于蚁群算法进行仿真实验,提高系统未发生故障的点在级联失效情况下寻找最短路径的能力,从而改善系统鲁棒性。本文主要从以下三方面进行创新研讨:（1）基于云服务平台和多个企业信息系统分析智能制造信息系统横向概念框架,从单元级、系统级和复杂系统级分析智能制造信息系统纵向概念框架,从纵向和横向两个角度对智能制造信息系统进行整体理解,然后分别从数据管理、资源管理、自主学习和人机交互对智能制造信息系统的功能需求进行分析,从分解性、可操作性、系统安全性和鲁棒性进行性能需求分析,从智能制造信息系统鲁棒性入手,基于业务流程对智能制造信息系统鲁棒性进行分析,最后根据网络抗毁性度量、网络可用性度量和网络成本度量对智能制造信息系统进行鲁棒性度量分析;（2）根据智能制造信息系统的鲁棒性中的实体重要性和链路重要性,对其与复杂网络级联失效之间的联系进行深度解析,分析了信息层和物理层之间的协作,基于信息层和物理层的运行过程进行复杂网络模型构建,对智能制造信息系统级联失效过程进行描述,最后根据蚁群算法基本原理,基于蚁群算法进行智能制造信息系统级联失效设计;（3）利用蚁群算法来解决级联失效现象发生以后未出现故障的节点或者边寻找最短路径到达目标节点的问题。但是该方法仍有需要改进的地方:1)可能存在某条路径上的信息素浓度远远大于其他路径,使算法过早收敛于局部最优解;2)算法可能出现停滞现象,搜索时间过长,收敛速度过慢。针对上述问题,通过对蚁群算法的进一步研究发现,信息素的浓度对算法的收敛速度有很大的影响,而信息素浓度取决于挥发因子ρ的值,因此,本文在综合参考了相似蚁群群体对遍历路径的负载信息素的更新、实体节点的抗毁性度量和成本度量,在此基础上寻找挥发因子的参数值,本文在Python 3.7的环境中,在其他参数不变的情况下,改变算法中的挥发因子,在多次实验中找到挥发因子的合适值,提高寻找最短路径的效率和稳定性,增强智能制造信息系统的鲁棒性。图13幅,表5个,参考文献45篇。
于欣佳[2]（2020）在《基于Stigmergy和神经内分泌调节机制的多智能体群智能自组织与调控方法研究》文中研究说明随着物联网与泛在感知、人工智能与学习进化、互联网与数字通信、大数据与新计算技术等新信息潮流的迅猛发展,席卷人类社会经济及生产生活的方方面面,以巨大的动能驱动着新一代智能交通、新经济新零售时代下的精准敏捷供应链与智慧物流,以及面向产品全生命周期的网络化与智能化制造等的兴起与飞速发展,使得基于契约化社会分工的一体化生产、运行控制、经营管理体系的规模与日俱增,也面临越来越多的动态多变、不确定性大、高非线性高阶高维高耦合性、异构异形异性等诸多问题,对分工协作、一体化运行、协同工作等的需求亦因此越来越复杂。针对这些复杂性问题的解决,非智能的传统方法已越来越无法有效地因应和难以跨越与克服上述困境。鉴于多智能体系统（Multi-Agent System,MAS）方法及社会性生物群体与人体生理系统在个体智能与群体自组织机制与协调协同方法对于很好地解决这些复杂性具有很大优势,本文围绕“基于共识主动性（Stigmergy）和神经内分泌调节机制的多智能体群智能自组织与调控方法”进行探讨、研究和试验,以为复杂环境下多协作任务基于多智能体群体智能自组织协同求解提供一种新思路、新方法。为此,本文通过对分布式人工智能、小世界网络理论、基于Stigmergy的仿生群智能、神经内分泌调节机制的探究分析,揭示师法人类机体、效法自然的自组织与运行调节机制对构建智能系统、提呈和涌现多智能体群体智能以实现复杂问题协同求解的重要性和作用机理,提出面向多任务协作求解的多智能体自组织调控问题模型及解决思路和方案;进一步地,提出并构建一种具有人脑认知与行为控制机制与结构和基于Stigmergy合作共识主动性与信息素/激素产生传播扩散机理实现对外交互合作的智能Agent模型及基于MAS的智能系统建模方法（The Stigmergy-driven&MAS-based Method of Modelling Intelligent System,SMMMIS）,以为在不同层次上构建智能系统提供体系框架和应用范式;为使能处于无序和/或远离平衡态的,具有不同智能能力的多智能个体因应不同复杂环境变化、自发自主动态形成有序、平衡的动态合作联盟—基于SMMMIS的分布式智能系统,通过对自组织的内涵理解、小世界理论机会发现与信息传播机理的揭示,提出了一种基于友元接力算法的多智能体群智能自组织机制;而且,通过对分布式/分散化智能系统传统自组织调控方法、社会性生物系统与智能系统的比较分析、共识主动性的再认知再理解,借鉴人体神经内分泌免疫系统及相互间的关联交互与共同作用、自我调节机制等用于多智能体协作协同解决复杂问题的优势,提出一种基于友元合作共识主动性和人体神经内分泌调节机制的多智能体群智能自组织机制和调控方法,包括友元共识主动性驱动的智能系统自主形成自组织机制下基于DNA双螺旋结构的信息素/激素模型及其传播扩散交互机制与亲和度计算方法、基于自分泌与激素作用机理的多智能体一致性协控制算法等,为探讨多智能体群体智能的形成涌现和发挥作用奠定了坚实基础;针对上述研究内容,在设计面向新一代零售的智慧仓储-无人超市系统一体化运控模型与,及构建多智能AGV协作取货搬运运行控制问题模型的基础上,开展智慧仓储/无人超市环境下支持多智能体协同工作的自组织方法模拟试验系统的设计、搭建与试验研究及结果分析。相关仿真和模拟试验结果表明:从原理上验证了面向复杂环境下多协作任务协同求解所提出的解决方案、智能系统建模方法,基于友元接力搜索算法和友元合作共识主动性的自组织机制及其驱动下的基于神经内分泌调节的群智能自组织调控方法与多智能体一致性调控算法等的合理性、可行性和可用性,可为因应如新一代基于车路协同的智能交通、新一代零售下的电商及敏捷供应链、智慧物流与仓储、配送快递、无人超市,乃至智能制造等复杂应用环境下多协作任务的协同工作和有效实现,提供一种新模型、新方法和应用策略与范式,具有较大的理论指导和实际参考应用价值。
陈宝通[3]（2020）在《面向个性化定制的智能生产线预防性维护研究》文中进行了进一步梳理智能生产线通过物联感知和网络协同技术,实现信息物理深度融合。其特征是制造设备高度互联、制造数据深度集成与产线动态重构,以满足多品种、小批量、个性化定制产品的混流生产要求。个性化定制生产模式下,智能生产线对设备可靠性、运行稳定性与生产适应性等提出了更高要求,常规的被动运维模式已不能满足智能生产线的复杂运维需求。本文聚焦于智能生产线预防性维护的关键技术研究,以保证个性化定制生产线效率与设备利用率为前提,对设备的劣化状态进行早期评估,通过可重构预防性维护避免生产线意外停机造成的生产中断,旨在实现生产过程的自主感知、状态评估、自适应运行及负载均衡。本文的研究工作可以具体地概括为以下五点:（1）探讨了设备信息物理深度融合为基础的智能生产线预防性维护系统架构。在智能生产线设备信息传输方面,实现了基于OPC UA的信息传输,Machine to Machine通信,软件定义工业异构网络;在多源异构传感数据深度融合方面,提出了边缘计算使能的数据融合方法与边-云合作的数据融合机制。架构涵盖了基于心电机理的设备运行状态监测方法与深度的设备健康状况评估理论,实时反馈设备亟需的运维情况。为保障智能生产线稳定运行,提出了面向个性化定制生产线的可重构运维机制,以实现生产过程自适应管控的系统运维。（2）基于设备动作时长的细粒度划分,将设备作业状态下的节拍类比为人类的心脏跳动,以设备心电图（equipment electrocardiogram,EECG）的方式揭示设备的性能衰退过程。阐明了设备心电图的构建机理,涵盖工序的细粒度划分方法,时序周期的动态匹配方法,基线、公差、Hotspot等重要工作特征的确定方法。基于设备心电机理,分别提出了生产线节拍优化方法和设备性能衰退的在线监测方法。在智能生产线上对智能设备心电图的性能进行了测试,结果表明智能心电机理能够很好地支持智能设备心电图的实施,智能生产线设备心电（Automatic Production Line EECG,APL-EECG）系统能够实时监测设备作业状态,为设备的维护提供科学指导。（3）基于时间序列设备传感数据,提出了深度的设备性能预测方法。引入流行的机器学习框架—Tensor Flow,搭建了Tensor Flow使能的深度学习模型架构;利用Keras搭建了汽车装配生产线的小台车气缸可靠性分析的深度神经网络模型,并阐述了其中关键的实现技术;进一步地制定了气缸工作性能评估策略,预测准确率达到工业应用标准。研究发现在不完全观测丰富数据集的环境下,运用深度神经网络能够实现“弱关联”多源异构设备传感数据的分析。（4）基于领域本体的形式化语义模型,构建了面向预防性维护的可重构运维方法。首先,根据对智能生产线制造资源与生产过程的系统分析,利用领域本体方法构建生产线形式化语义模型,以一种语义网结构对生产线的制造资源进行抽象化与统一描述;其次,利用数据驱动的语义模型促进了生产线信息物理资源的动态融合,为生产线状态感知与自组织重构等提供基础模型,进一步构建了基于多智能系统的智能生产线自组织自适应运行机制;最后,面向预知的设备状态衰退与性能失衡,构建路径动态规划与任务切换的可重构方法,实现混流产线的不停机动态重构。（5）针对智能生产线设备集群自组织自适应作业过程中的负载不均衡现象,探究了基于边缘计算理念的智能生产线可重构运维方法,制定基于能量感知的负载均衡与调度（Energy-aware Load Balance and Scheduling,ELBS）策略。具体地,在边缘节点建立工作负载相关的能耗模型,相应地确立以作业集群负载均衡为目标的优化函数;利用改进的粒子群算法求得优化解,对任务相关的作业集群进行任务优先级排序;采用Multi-agent系统对车间作业集群进行分布式的优化调度。结果表明,在多批量个性化定制糖果的包装产线上,在考虑能耗和工作负载的情况下,该策略实现了混流生产作业机器人的负载均衡和优化运行。综上所述,以底层信息交互为基础,提出了由单机设备到集群设备的自下而上的可重构运维方法,实现了涵盖产线自主感知、状态监测、预防维护与负载均衡等的关键运维技术,为个性化定制生产线的预防性维护关键点提供技术支撑与理论依据。
施宇洁[4]（2020）在《基于共演战略的制造业企业推进智能制造路径研究》文中认为制造业作为国民经济的支柱性产业,是国家经济发展的基础。由于竞争格局变化、市场需求日新月异等问题,推进智能制造已成为发达国家和发展中国家制造业企业未来的发展趋势,我国当前处于制造业转型升级的关键时期,制造业企业推进智能制造能有效的解决缺乏核心竞争力、劳动成本上升等问题,是提升我国综合实力、实现工业化的根本保证。因此,为了保证制造业企业能够顺利推进智能制造,采用科学合理的方法对制造业企业推进智能制造的路径进行研究,有利于我国制造业企业顺利实现智能制造,提升综合实力。本文运用文献研究法梳理了国内外相关研究成果,由此界定了制造业企业、智能制造等相关概念,分析了制造业企业推进智能制造的现状,指出了发展过程中存在的问题。针对现有问题,以制造业企业为研究对象,基于共演战略深入分析制造业企业推进智能制造的影响因素并筛选出关键影响因素,在此基础上构建了制造业企业推进智能制造的路径,并为制造业企业选择合适的路径建立了路径选择三维模型。最后,以DWQ企业为例进行实证研究,为其确定了合适的路径推进智能制造,并为实施路径提出了保障措施,为制造业企业推进智能制造提供有益借鉴。本文旨在开辟制造业企业推进智能制造路径研究的新视角,通过探索制造业企业推进智能制造的影响因素,研究制造业企业推进智能制造的路径构建及选择,以期对我国制造业企业推进智能制造提供一定的参考。
王焕新[5]（2020）在《智能制造创新生态系统构建与协同机理研究》文中进行了进一步梳理加快建设制造强国,加快互联网、大数据、人工智能与实体经济的深度融合,推动智能制造的发展,已经成为世界尤其是发达国家新形势下实现其竞争力的主要决策。在智能技术不断进步、各类智能产业结构不断升级和制造业组织形态剧烈变迁的过程中,智能制造系统发生了巨大的变化,传统制造业的边界越来越模糊,制造业要实现创新,需要主动与行业内外各种组织进行合作,从而实现整个创新生态系统的发展,由此智能制造创新生态系统的理论初步形成。如何从中国的实际出发构建智能制造创新生态系统的架构,并对其协同性进行分析将成为本文的重点,希望能为我国智能制造创新生态系统的相关研究提供理论依据与思路参考。围绕着系统构建与协同性分析,首先,利用DEA数据包络分析法对智能制造分区域、分领域的创新现状进行分析,总结阐述我国智能制造创新发展的现存问题。接着,根据创新生态系统理论,通过对智能制造创新生态系统的形成、运行、特点、中国情境的分析,构建了智能制造创新生态系统的架构。然后,通过对智能制造创新生态系统演化过程、创新生态系统各子系统协同状态与自组织性相关机理的研究,分析智能制造创新生态系统的协同机理。接着,以航天产业为例进一步验证了模型的合理性,并对航天产业创新生态系统的协同性进行分析,其中借鉴林仁红对技术市场创新生态圈各子系统的协同状态的分析方法,分析智能航天产业创新生态圈各子系统的协同状态;基于哈肯模型对航天产业创新生态系统自组织性的序参量进行识别。通过对航天产业创新生态系统的协同性分析,总结我国智能制造创新生态系统协同性的现存问题。最后,针对我国智能制造创新生态系统模型构建与协同性存在的问题,提出相应的对策建议。分析表明,构建符合基本情境的智能制造创新生态系统架构是创新发展的前提条件;促进智能制造创新生态整个系统协同发展的关键是促使各子系统之间进行协同性、和谐性发展;智能制造创新生态系统的序参量是个体创新,提升各创新单元协同共生的前提是提高各创新单元的创新能力,先有个体的创新才有整体的协同创新。
裴凤雀[6]（2020）在《智能生产线过程质量大数据分析与协同优化》文中研究表明上世纪70年代以来,能源问题日益凸显,光伏发电技术成为各国研究重点。此外,随着世界工业进程的推进,我国于2015年启动《中国制造2025》战略,推动以智能制造为核心的制造革命。如何实现光伏产业生产线的量化、优化与智能化成为了光伏行业的研究前沿。本论文针对串焊过程质量检测抽检不稳定、代表性差等过程能力指数（Process capability index,CPK）薄弱问题,提出了基于生产过程的质量在线实时监测、预测和协同优化方法,将事后检测转化为事中检测,将质量抽检转化为全部检测。本论文在介绍智能生产线过程质量大数据分析与协同优化的研究背景意义的基础上,对工业大数据、面向质量的数据关联分析与建模技术、质量标定与质量预测和预测导向的制造服务协同优化等进行了国内外现状分析,主要的研究内容和取得的成果可以归纳为以下几部分:基于节点精化的分层赋时Petri网的智能生产线系统建模研究。在分析离散动态事件系统和Petri网特点的前提下,对智能生产线系统进行特性研究,将其划分为若干层级,对关重特征进行质量相关的动态行为建模。通过案例构建了顶层/中间层/底层基于节点精化的分层赋时Petri网（Place Refinement Timed Petri Net,PTPN）的太阳能串焊系统模型,并对每层系统中的p D动态决策域与配置进行了研究。此外对该系统的有界性、活性、可达性进行了分析,验证PTPN的有效性。针对质量度量,研究基于QLF-SNR方法（Taguchi Quality Loss Function and Signal-Noise Ratio,QLF-SNR）的智能生产线加工质量多级协同异常发现方法。对多源信息进行QLF-SNR质量度量,结合PTPN智能生产线模型,实现加工信号向质量信息的转化,形成了多级质量特征度量。针对单元级/系统级采用了Relief算法的特征选择技术,降维处理,构建了智能生产线加工质量异常发现流程。以太阳能电池组件智能生产线多级系统模型进行案例验证,完成服务异常的阈值设定研究,实现多级协同异常发现,为质量预测提供标准质量等级研究方法。针对事后检测,研究基于多核融合的SVMs-DS方法（mulit-kernel Support vector machine and D-S theory,SVMs-DS）智能生产线加工质量预测。构建基于QLF-SNR的质量度量方法的智能生产线加工质量等级标定和多核融合评价模型研究,建立了过程质量预测评价模型更新机制,实现基于多核融合的SVMs-DS智能生产线加工质量预测。以太阳能电池组件智能生产线加工质量预测为案例,通过多核SVMs实现质量预测等级分类,利用DS证据理论提升分类精度,多核融合模型同单核预测精度进行对比,验证该算法的有效性和精确性,为面向质量的协同优化提供优化依据。针对质量精细化等级控制,研究面向串焊质量的协同优化机理和方法。分析串焊过程运作模式的约束和面向加工质量的PTPN模型约束,采用基于增广拉格朗日协同的适应协同优化（Augmented Lagrangian Coordination,ALC）机理,利用中心化ALC目标系统模型,构建辅助变量、一致性约束,对约束松弛化处理,实现协同优化模型的耦合关系搭建,通过改进遗传算法,采用分段编码形式,进行段内段间分别处理,优化了ALC协同优化模型的求解过程,通过算例研究,验证算法的有效性和高效性。最后,太阳能串焊机双层大数据分析架构开发与验证。基于Hadoop开源架构设计实现ATWDP大数据处理平台,采用Hive数据仓库和Mysql数据库双层存储模式,通过Spark和Sqoop进行桥接,以百度Echarts进行渲染,利用HDFS和Map Reduce进行分布式并行计算,实现数据实时和批量的处理,并通过基于SVMs-DS的加工质量预测的具体案例验证系统的有效性和实时性。通过本论文的研究,以太阳能电池组件生产线为例,将生产过程质量进行了系统建模、质量标定、异常发现、质量预测和协同优化等研究,实现了串焊过程质量的在线实时检测、预测和协同优化,实现数据闭环与信息反馈,为智能制造提供可参考范式。
王媛媛[7]（2019）在《智能制造发展的国际比较与中国抉择》文中进行了进一步梳理当前移动互联网、大数据、云计算、人工智能等新一代信息技术蓬勃发展,并加速向制造业渗透,制造业领域将迎来一场智能化革命,进而引发新一轮的工业革命。美欧等发达国家和地区纷纷出台应对新工业革命和智能制造的发展战略。我国也迎来新工业革命和转变经济发展方式的历史交汇期,由此提出以智能制造作为主攻方向,推动产业技术变革和优化升级,进而建设制造强国的发展目标。因此,研究智能制造这一主导新工业革命发展的新型制造模式具有重要意义。本文以智能制造作为研究对象,以马克思技术进步及资本有机构成理论、熊彼特和新熊彼特学派技术创新及演化经济学等理论为研究基础,运用系统分析、实证分析、比较分析以及实地调查等研究方法,对智能制造进行全面而深入的研究。主要研究内容包括:一是,探索智能制造发展演化的机理及其技术-经济范式。对智能制造的内涵、产生动力、生产组织模式创新以及技术-经济范式进行分析;二是,对智能制造发展的关键基础性产业——集成电路、智能传感器、高档数控机床、工业机器人以及软件和信息技术服务业的全球发展态势进行比较分析;三是,对G20国家智能制造发展水平进行实证分析。在投入产出分析方法基础上,建立“制造业智能化指数”衡量智能制造发展水平,并进行国别和分行业的比较分析;四是,对美国、德国、日本智能制造发展的典型模式进行分析、比较,并得出有益的经验借鉴。首先对其智能制造赖以发展的国家创新体系和创新政策演变进行分析,其次对其推动智能制造发展的具体政策措施进行深入研究,再次对这三个国家智能制造的发展模式进行比较,分析异同点,并得出可供我国借鉴的有益经验;五是,分析我国智能制造发展的现状。从顶层设计、标准体系建设、基础产业发展、企业以及地方政府推动等方面分析我国智能制造发展取得的进展和成就,同时剖析了中国智能制造在发展基础、创新能力、推进机制、企业主体引领、政策规划以及人才等方面存在的问题,明确努力的方向;六是,提出我国智能制造发展的创新路径和对策。即要以建设制造强国为目标的智能制造发展导向;建设政府引领、产业界主导、研究机构和大学紧密合作的智能制造创新网络;要涵盖重要战略性新兴产业的智能制造发展领域;以及实施面向不同发展优势和水平的差异化发展战略。总之,发展智能制造是我国实现技术跃升及经济实力赶超的重要契机,应密切关注和研究新工业革命发展趋势以及智能制造技术-经济范式发展演化特征,把握各国智能制造发展的态势、能力水平以及具体的推进战略,同时深入了解我国智能制造发展的优劣势,构建与我国经济社会发展相适应的智能制造发展路径和政策体系,抓住机遇加快发展,早日实现制造强国的目标和国家实力的历史性跨越。
谢亚丹[8]（2019）在《基于DHGF算法的智能制造能力成熟度评价研究》文中研究表明在互联网与大数据快速发展的时代背景下,新一代信息技术与制造业实现深度融合,智能制造应运而生。它是未来制造业发展的必然方向,也是各国应对经济全球化的迫切需要,同时也是提升国际竞争力的现实途径。在这样的发展趋势下,我国提出“中国制造2025”,在国家层面上助力企业智能制造发展。国家制造战略最终落脚于企业,企业的智能制造能力和水平与“中国制造2025”的成功实施直接相关。本文从智能制造相关理论出发,将研究方向重点定位于企业智能制造能力成熟度评价,创新性的引入优化的DHGF（Delphi Hierarchy Grey Fuzzy）算法构建智能制造能力成熟度评价模型,运用实证研究的方法验证可行性。具体从以下方面展开研究:首先,对国内外智能制造方面的研究现状进行梳理,结合实际需要分析目前在智能制造能力评价方面的不足,并且对智能制造能力成熟度评价过程中应用到的相关理论进行说明,同时确定本文采用的研究方法。其次,对智能制造能力影响因素进行深入分析,并根据智能制造能力的概念以及指标体系的构建原则,初步构建智能制造能力评价指标体系。运用德尔菲法和相关性分析进行指标筛选,最终确立智能制造能力评价指标体系。最后,利用优化的DHGF集成算法构建智能制造能力成熟度评价模型,选取合适的企业进行实证研究,验证评价模型的可行性,并且对结果进行合理有效分析,进而探究提升制造企业智能制造能力的路径。
张耿[9]（2018）在《基于工业物联网的智能制造服务主动感知与分布式协同优化配置方法研究》文中研究表明经济全球化进程的加快、市场竞争的日益加剧,日趋多样性、个性化的产品制造需求,制造业呈现的信息化、服务化、专业化的发展趋势,对现代生产过程中制造资源的互联化、业务流程的协同化、参与主体的自主化、制造模式的服务化等方面提出了更高的要求。在此背景下,随着云计算、工业物联网、信息物理系统等先进制造信息技术的迅猛发展,新型智能制造模式（如云制造、物联制造、社群化制造等）应运而生,并迅速引起了学术界和工业届的广泛关注。然而,当前研究主要针对传统制造系统中静态优化模型和方法的研究,较少对底层制造资源服务主动感知、动态优化配置等核心关键方法深入探索。为此,本研究针对资源服务的透明化感知、自主式优化配置需求,将工业物联技术引入传统制造系统,形成底层制造资源端生产信息的主动感知,以研究“智能制造服务的主动感知与优化配置方法”为突破口,构建了基于工业物联网的智能制造服务主动感知与优化配置方法的体系架构和运行逻辑,并对制造资源实时信息的主动感知与集成、制造资源服务化封装与云端化接入、智能制造服务优化配置方法等方面的关键技术展开深入研究,为促进智能制造系统向敏捷化、服务化、绿色化和智能化的方向发展提供一种重要的理论和技术参考。主要内容包含以下几个方面:首先,在描述智能制造服务主动感知与优化配置相关基本概念的基础上,提出了智能制造服务主动感知与优化配置的体系架构,论述了各参与主体间的协同工作逻辑以及智能制造服务主动感知与优化配置的运作逻辑,并提取了支撑智能制造服务主动感知与优化配置的三个关键技术。其次,针对生产企业对实时、透明制造资源信息主动感知与集成的需求,研究了基于工业物联网技术的制造资源实时信息主动感知与集成架构,阐述了该架构的关键组成部分,设计了实时制造信息的集成服务,以实现多相异构系统与制造执行过程的信息交互,并利用所构建的应用场景对制造资源实时信息的跟踪与追溯进行了说明。第三,针对新型智能制造模式对制造资源高度共享、实时访问的需求,从底层制造设备入手,提出了一种加工设备的服务化封装与云端化接入模型,论述了该模型所涉及的关键技术,从而使得加工设备的制造能力能被主动感知,并能以一种松散耦合和即插即用的方式接入到制造云平台,为海量制造资源的云端化接入、主动发现、优化配置提供了理论参考和技术支持。第四,针对企业级智能制造服务的自主式优化配置需求,以保持企业的灵活性和可持续竞争力为目标,将制造服务提供方的自主决策权考虑到优化过程中,构建了企业级智能制造服务优化配置的分布式模型,采用新兴的分布式协同优化方法—增广拉格朗日协同优化对模型进行求解,并引入了选择单元,以实现具有竞争关系的制造服务链的优化选择,从而为企业级智能制造服务的柔性、高效、自主式优化配置过程提供决策支持。第五,针对车间级智能制造服务的自主式优化配置需求,以保持车间制造资源的智能化、自主性为目标,将制造单元与加工设备的自组织、自决策能力考虑到优化过程中,构建了车间级智能制造服务优化配置的分布式模型,采用目标层解法对模型进行求解,并引入了选择元素,以实现具有竞争关系的智能制造单元的优化选择,从而为车间级智能制造服务的柔性、高效、自主式优化配置过程提供决策支持。最后,通过工业案例对所述的智能制造服务优化配置方法进行了仿真验证;开发了适用于智能制造服务主动感知与优化配置的仿真系统,并从制造服务优化配置各个参与主体的角度阐述了系统的相关功能模块,验证了本文所提出模型和方法的可行性和有效性。
孙远[10]（2018）在《CPS-Service运行支撑平台关键技术研究》文中研究表明信息物理融合系统（Cyber Physical Systems,CPSs）是一个综合计算系统、网络系统与物理系统的多维度复杂系统,其核心是通过计算、通信与控制能力的深度融合与紧密协作,实现网络化物理设备系统的高效、可靠、精确的管理与调控。在当今万物互联时代,其具有广泛的应用前景。但是CPS本质上的复杂性使得其设计与实现遇到了不少挑战。首先,CPS中存在着数量庞大、种类繁多、异构性很强的物理实体,使得统一管理CPS中的所有物理实体变得非常困难。其次,CPS应用任务往往都是难以提前确定的,必须提供相应的运行时环境以支持CPS动态使命任务的完成。再次,当前物理实体的计算能力普遍不强,难以有效提升物理实体的智能化水平以应对非结构化环境、未知环境。这些挑战的出现使得采用传统上的“从零开始（from scratch）”的系统设计流程进行CPS设计与实现的效率明显降低。论文针对多智能机器人协同工作系统的特点及需求,提出设计一种CPS-Service运行支撑平台,以提高此类CPS应用系统的设计与实现效率。CPS-Service运行支撑平台利用CPS-Service统一管理物理实体（即将物理实体的能力抽象为CPS-Service）;通过组合不同的CPS-Service完成不同的CPS应用任务;利用云计算技术提升物理实体计算能力、增强CPS-Service的服务效果以应对非结构化环境、未知环境。论文围绕着CPS-Service运行支撑平台结构及其关键技术进行了研究,主要工作与贡献如下:1)研究了CPS-Service运行支撑平台的结构设计。深入分析了目前CPS运行支撑平台的主流体系结构及其相关实现技术,从CPS应用任务构造方法和适用场景两个方面对目前CPS运行支撑平台的主流体系结构进行了深入比较。在此基础上,设计了一种基于实时云的CPS-Service运行支撑平台。2)构造了一种基于本体的CPS-Service模型,并提出了相应的快速CPS-Service匹配方法。为了统一管理数量庞大、种类繁多、异构性很强的物理实体,提出将物理实体的能力抽象为CPS-Service。针对当前服务模型难以有效表达CPS-Service特有的信息物理融合属性的问题,构造了一种基于本体的CPS-Service模型。与现有服务模型相比,该CPS-Service模型更加完善,其在核心要素CPS-Service基础上,增加了物理实体、物理空间位置和物理环境等信息物理融合要素。此外,CPS-Service运行支撑平台通常管理着大量CPS-Service,而CPS应用任务的完成一般只需要其中一部分CPS-Service的参与。因此,如何从CPS-Service集合中快速找到所需的CPS-Service子集成为一个重要问题。针对这一问题,提出了基于概率聚类和R树的快速CPS-Service匹配方法。该方法利用一种混合索引结构在在线匹配阶段快速排除不可能满足需求的CPS-Service。仿真实验结果表明,通过引入这种混合索引结构,该方法大幅提升了CPS-Service匹配速度。3)提出了物理位置与环境敏感的CPS-Service组合方法。CPS-Service运行支撑平台通过组合不同的CPS-Service完成不同的CPS应用任务。CPS-Service特有的物理位置与环境敏感性使得当前的软件服务组合方法难以直接用于解决CPS-Service组合问题,为此需要研究面向CPS的服务组合方法。首先针对CPS-Service具有明显物理位置敏感性的特点,研究了考虑物理位置敏感性的CPS-Service组合问题。进而针对在非结构化环境、未知环境下CPS-Service易受环境影响的特点,研究了考虑执行可靠性的CPS-Service组合问题。为了求解这两个问题,分别提出了基于改进量子遗传算法的CPS-Service组合方法和基于退火Pareto汤普森采样的超启发式CPS-Service组合方法。仿真实验结果表明,两种方法可在多种不同的场合下大幅提升现有CPS-Service组合方案的质量。4)提出了CPS-Service云基增强方法。为了应对非结构化环境、未知环境,CPSService需要引入复杂的计算任务以增强其服务效果,然而当前物理实体的计算能力有限。针对这一问题,提出利用云计算技术提升物理实体计算能力以支持复杂计算任务的运行,从而增强CPS-Service效果。CPS-Service云基增强的主要思想是把CPS-Service中的复杂计算任务迁移到云上执行。尽管计算任务迁移使得利用云增强CPS-Service成为可能,但是由于通信资源与云端（如私有云、边缘云）计算资源是有限的,如何获取最好的CPS-Service增强方案成为一个重要问题。为了解决该问题,提出了两种CPS-Service云基增强方法,分别是基于贪婪选择和基于个体稀疏的CPS-Service增强方法。仿真实验结果表明两种方法都可获取很好的CPS-Service增强方案,基于贪婪选择的CPS-Service增强方法甚至可以获取近似最优的CPS-Service增强方案。5)设计实现了CPS-Service运行支撑平台原型及相关软件工具原型。以上述研究成果为基础设计实现了CPS-Service运行支撑平台原型的主要功能模块（其包括基于云的CPS-Service增强框架、CPS-Service匹配框架、CPS任务执行引擎）,并开发了相关的CPS-Service描述工具原型、CPS应用任务流程构造工具原型。
二、智能制造系统的自组织单元结构研究（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、智能制造系统的自组织单元结构研究（论文提纲范文）
（1）智能制造信息系统鲁棒性研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 序言 |
| 1 引言 |
| 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 国内外相关研究 |
| 1.2.1 智能制造信息系统相关研究 |
| 1.2.2 智能制造信息系统鲁棒性相关研究 |
| 1.2.3 研究分析现状与总结 |
| 1.3 研究内容与研究方法 |
| 1.3.1 研究内容和论文框架 |
| 1.3.2 研究方法 |
| 1.4 本章小结 |
| 2 相关理论及方法基础 |
| 2.1 关键概念阐述 |
| 2.1.1 智能制造 |
| 2.1.2 智能制信息系统(SMIS) |
| 2.1.3 鲁棒性 |
| 2.2 相关理论基础 |
| 2.2.1 复杂系统理论 |
| 2.2.2 复杂网络理论 |
| 2.2.3 鲁棒性理论 |
| 2.3 复杂网络级联失效模型 |
| 2.3.1 负载容量模型 |
| 2.3.2 复杂网络级联失效模型 |
| 2.4 本章小结 |
| 3 智能制造信息系统鲁棒性及级联失效 |
| 3.1 SMIS框架和需求分析 |
| 3.1.1 SMIS框架分析 |
| 3.1.2 SMIS需求分析 |
| 3.2 SMIS鲁棒性分析 |
| 3.2.1 SMIS鲁棒性影响因素分析 |
| 3.2.2 基于业务流程的SMIS鲁棒性分析 |
| 3.3 SMIS鲁棒性度量 |
| 3.3.1 SMIS网络抗摧毁性度量 |
| 3.3.2 SMIS网络可用性度量 |
| 3.3.3 SMIS网络成本度量 |
| 3.4 SMIS鲁棒性与复杂网络级联失效问题 |
| 3.5 本章小节 |
| 4 SMIS级联失效模型构建 |
| 4.1 SMIS中信息物理融合 |
| 4.1.1 信息层的协作 |
| 4.1.2 物理层的协作 |
| 4.1.3 信息层和物理层的之间的协作 |
| 4.2 基于SMIS信息物理融合的复杂网络模型构建 |
| 4.2.1 SMIS复杂网络模型 |
| 4.2.2 SMIS级联失效过程描述 |
| 4.3 基于蚁群算法的SMIS级联失效设计 |
| 4.3.1 蚁群算法基本原理 |
| 4.3.2 基于蚁群算法的级联失效 |
| 4.4 本章小结 |
| 5 SMIS级联失效仿真分析 |
| 5.1 问题背景 |
| 5.2 基于蚁群算法的SMIS级联失效仿真 |
| 5.2.1 基于蚁群算法的SMIS级联失效仿真实验 |
| 5.2.2 实验结果及讨论 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（2）基于Stigmergy和神经内分泌调节机制的多智能体群智能自组织与调控方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 问题背景及意义 |
| 1.3 国内外相关研究及发展的现状与趋势 |
| 1.3.1 新一代智能交通和智慧供应链与物流及其基于自组织协同优化的复杂问题求解方法的研究与发展 |
| 1.3.2 基于多Agent的分布式人工智能理论研究与发展 |
| 1.3.3 群智能自组织理论与小世界理论的研究情况及其对解决群体协同决策问题的支持 |
| 1.3.4 仿生智能及神经内分泌调节机制的研究现状与启示 |
| 1.4 主要研究目标及内容 |
| 1.4.1 研究目标 |
| 1.4.2 主要内容 |
| 1.5 拟解决的问题及难点 |
| 1.5.1 问题解决 |
| 1.5.2 主要难点 |
| 1.6 主要创新及特色 |
| 1.7 论文结构 |
| 第2章 面向多任务协同求解的多智能体自组织调控问题的分析描述与建模 |
| 2.1 概述 |
| 2.2 复杂环境下多任务协作问题及其求解机制分析 |
| 2.2.1 新一代智能交通环境下多任务协作问题及其对协同求解的需求 |
| 2.2.2 智慧敏捷供应链下多任务协作问题及其对协同求解的需求 |
| 2.2.3 复杂系统及复杂问题的内涵定义与主要特性 |
| 2.3 基于群智能的多任务协作复杂问题群体协同求解机制分析 |
| 2.3.1 群智能的提出及内涵定义与特点 |
| 2.3.2 个体智能与群智能的关系及群智能的形成 |
| 2.3.3 基于群智能的复杂问题求解机制 |
| 2.3.4 群智能实现方法分析 |
| 2.4 面向多任务协同求解和智能系统形成的自组织机制与调控方法的问题模型 |
| 2.5 基本思路与总体解决方案 |
| 2.6 本章小结 |
| 第3章 面向复杂问题求解的智能系统建模方法研究 |
| 3.1 概述 |
| 3.2 智能系统的内涵理解与分析 |
| 3.3 智能体/自治主体的主要特性 |
| 3.4 Stigmergy驱动下基于MAS的智能系统建模方法 |
| 3.4.1 群智能中的共识主动性(Stigmergy)机理分析及启示 |
| 3.4.2 基于大脑认知与行为控制机理的智能体模型 |
| 3.4.3 基于共识主动性的基于MAS的建模方法 |
| 3.5 建模方法应用 |
| 3.6 本章小结 |
| 第4章 基于小世界理论和友元接力搜索算法的自组织机制研究 |
| 4.1 概述 |
| 4.2 自组织及其对智能系统与群智能的作用机理分析 |
| 4.2.1 自组织及其成因机理 |
| 4.2.2 自组织对智能系统形成与多智能体群体智能提呈使能的作用 |
| 4.3 小世界理论及其对自组织的作用 |
| 4.3.1 小世界效应与小世界理论 |
| 4.3.2 基于小世界理论的机会发现与信息传播机理分析 |
| 4.3.3 小世界理论对自组织的启示与作用 |
| 4.3.4 合作博弈策略对自组织的启示与作用 |
| 4.4 基于小世界理论的友元接力搜索算法及群智能自组织机制 |
| 4.4.1 基本原理 |
| 4.4.2 有任务发起结点的算法设计及自组织机制 |
| 4.4.3 有任务招引结点的算法及自组织机制 |
| 4.5 算例验证仿真 |
| 4.6 本章小结 |
| 第5章 基于神经内分泌调节机制的群智能自组织调控方法研究 |
| 5.1 概述 |
| 5.2 分布式/分散化智能系统的自组织调控机制及方法分析 |
| 5.2.1 智能系统的分布性与自组织调控方法 |
| 5.2.2 智能系统与生物系统自组织调控的类比 |
| 5.3 人体神经内分泌免疫调节机制分析 |
| 5.3.1 人体神经内分泌免疫系统的生物学基础 |
| 5.3.2 神经-内分泌-免疫系统的关联与作用机制 |
| 5.3.3 神经内分泌调节方法及对多智能体群体智能复杂问题求解的作用 |
| 5.4 基于友元合作共识主动性和人体神经内分泌免疫调节的自组织机制 |
| 5.4.1 人体神经内分泌免疫调节机制对于群智能自组织的优劣势分析 |
| 5.4.2 Stigmergy共识主动性的再认知和分析 |
| 5.4.3 利用信息素/激素传播扩散作用的自组织机制 |
| 5.5 基于Stigmerg共识主动性与神经内分泌免疫的群体智能一致性自组织与调控方法 |
| 5.5.1 算法原理与基本思路 |
| 5.5.2 算法设计与过程 |
| 5.5.3 模拟仿真与结果分析 |
| 5.6 本章小结 |
| 第6章 智慧仓储/无人超市环境下支持多智能体协同决策的自组织方法模拟试验研究与分析 |
| 6.1 概述 |
| 6.2 智慧仓储/无人超市概念模型设计 |
| 6.2.1 智慧仓储与无人超市 |
| 6.2.2 面向新零售的智慧仓储/无人超市环境下多智能AGV的运行及控制 |
| 6.3 模拟试验研究问题模型 |
| 6.4 模拟仿真试验及结果分析 |
| 6.4.1 模拟仿真试验目的与基本思路 |
| 6.4.2 模拟试验系统设计实现及运行试验 |
| 6.4.3 智慧仓储/无人超市环境下多提货任务协作模拟试验 |
| 6.5 应用范式—可柔性编组智巴系统示例 |
| 6.6 本章小结 |
| 第7章 总结与展望 |
| 7.1 全文总结 |
| 7.2 今后展望 |
| 参考文献 |
| 深圳大学指导教师对研究生学位论文的学术评语 |
| 深圳大学研究生学位(毕业)论文答辩委员会决议书 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（3）面向个性化定制的智能生产线预防性维护研究（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 设备状态监测与评估方法研究现状 |
| 1.2.2 面向可重构运维的系统模型研究现状 |
| 1.2.3 预防性维护的可重构方法研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文创新之处 |
| 1.5 本文组织结构 |
| 第二章 个性化定制生产线预防性维护的系统框架 |
| 2.1 引言 |
| 2.2 预防性维护的系统架构 |
| 2.3 智能生产线设备信息融合 |
| 2.3.1 基于工业异构网络的信息交互 |
| 2.3.2 多源异构传感数据深度融合 |
| 2.4 智能生产线设备状态评估机制 |
| 2.4.1 基于心电机理的设备状态监测 |
| 2.4.2 基于深度学习的设备状态评估 |
| 2.5 智能生产线的可重构运维策略 |
| 2.6 本章小结 |
| 第三章 智能生产线设备心电机理研究 |
| 3.1 引言 |
| 3.2 EECG系统架构 |
| 3.3 设备心电图实现机理 |
| 3.3.1 工序时长细粒度划分方法 |
| 3.3.2 时序周期匹配策略 |
| 3.3.3 重要工作特征的确定 |
| 3.4 基于EECG的设备性能监测方法 |
| 3.4.1 生产节拍提升 |
| 3.4.2 设备性能衰退在线监测 |
| 3.5 实验验证 |
| 3.5.1 实验场景 |
| 3.5.2 运行结果 |
| 3.5.3 结果讨论 |
| 3.6 本章小结 |
| 第四章 基于时序数据的设备性能预测方法研究 |
| 4.1 引言 |
| 4.2 设备性能预测的系统架构 |
| 4.3 设备性能预测机制 |
| 4.3.1 基于Tensor Flow的设备状态的多分类模型 |
| 4.3.2 模型构建关键实现技术 |
| 4.3.3 基于深度模型的设备性能评估 |
| 4.4 案例—小台车气缸状态预测 |
| 4.4.1 神经网络监测器 |
| 4.4.2 模型效果 |
| 4.4.3 模型评估 |
| 4.5 本章小结 |
| 第五章 面向预防性维护的可重构方法研究 |
| 5.1 引言 |
| 5.2 可重构运维的形式化语义模型架构 |
| 5.3 基于领域本体的形式化语义模型构建 |
| 5.3.1 领域本体知识库构建方法与建模技术 |
| 5.3.2 生产过程知识体系分析 |
| 5.3.3 语义知识库模型构建 |
| 5.4 可重构产线的数据与语义集成 |
| 5.4.1 关系型数据映射 |
| 5.4.2 语义模型更新 |
| 5.5 基于语义推理的可重构运维方法 |
| 5.5.1 Multi-agent的自组织协商机制 |
| 5.5.2 设备状态语义推理的可重构策略 |
| 5.5.3 负载均衡的可重构运维策略 |
| 5.6 基于语义推理的可重构运维应用案例 |
| 5.7 本章小结 |
| 第六章 个性化定制生产线的预防性维护平台验证 |
| 6.1 引言 |
| 6.2 原型平台概况 |
| 6.3 设备状态监测与评估平台验证 |
| 6.3.1 智能生产线设备心电图的实施效果 |
| 6.3.2 设备可靠性评估方法平台验证 |
| 6.4 智能生产线可重构运维验证实施 |
| 6.4.1 平台设置 |
| 6.4.2 性能衰退的可重构运维平台验证 |
| 6.4.3 负载均衡的可重构运维平台验证 |
| 6.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（4）基于共演战略的制造业企业推进智能制造路径研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 论文的研究背景、目的及意义 |
| 1.1.1 论文的研究背景 |
| 1.1.2 论文的研究目的与意义 |
| 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 |
| 1.2.3 国内外研究现状综述 |
| 1.3 论文的研究思路及方法 |
| 1.3.1 研究思路 |
| 1.3.2 论文的研究方法 |
| 1.4 论文的创新之处 |
| 第2章 理论研究基础及现状分析 |
| 2.1 共演战略的相关研究 |
| 2.1.1 共演战略的内涵 |
| 2.1.2 共演战略四要素 |
| 2.1.3 共演战略四阶段 |
| 2.1.4 共演战略四路径 |
| 2.2 制造业企业的相关研究 |
| 2.2.1 制造业企业的概念界定 |
| 2.2.2 制造业企业的特征 |
| 2.2.3 制造业企业的地位 |
| 2.3 智能制造的相关研究 |
| 2.3.1 智能制造的概念界定 |
| 2.3.2 智能制造的特征 |
| 2.3.3 智能制造的发展 |
| 2.4 制造业企业推进智能制造的现状分析 |
| 2.4.1 制造业企业推进智能制造的动因 |
| 2.4.2 制造业企业推进智能制造的发展状况 |
| 2.4.3 制造业企业推进智能制造的发展特点 |
| 2.5 本章小结 |
| 第3章 基于共演战略的制造业企业推进智能制造的影响因素分析 |
| 3.1 基于共演战略的制造业企业推进智能制造的影响因素框架分析 |
| 3.2 基于共演战略的制造业企业推进智能制造的外部影响因素分析 |
| 3.2.1 外部影响因素识别 |
| 3.2.2 外部重要影响因素确定 |
| 3.2.3 外部关键影响因素确定 |
| 3.3 基于共演战略的制造业企业推进智能制造的内部影响因素分析 |
| 3.3.1 内部影响因素识别 |
| 3.3.2 内部重要影响因素确定 |
| 3.3.3 内部关键影响因素确定 |
| 3.4 基于共演战略的制造业企业发展的四阶段影响因素分析 |
| 3.5 本章小结 |
| 第4章 基于共演战略的制造业企业推进智能制造路径构建 |
| 4.1 基于共演战略的制造业企业推进智能制造路径设计方案及构建 |
| 4.1.1 基于共演战略的制造业企业推进智能制造路径构建原则 |
| 4.1.2 基于共演战略的制造业企业推进智能制造路径构建思路 |
| 4.1.3 基于共演战略的制造业企业推进智能制造路径构建 |
| 4.2 适应式战略路径分析 |
| 4.3 愿景式战略路径分析 |
| 4.4 计划式战略路径分析 |
| 4.5 涌现式战略路径分析 |
| 4.6 本章小结 |
| 第5章 基于共演战略的制造业企业推进智能制造路径选择 |
| 5.1 基于共演战略的制造业企业推进智能制造路径选择思路 |
| 5.2 基于共演战略的制造业企业推进智能制造路径选择的评价指标体系设计 |
| 5.2.1 路径选择的评价指标体系设计原则 |
| 5.2.2 路径选择的评价指标体系结构 |
| 5.3 基于共演战略的制造业企业推进智能制造路径选择 |
| 5.3.1 指标量化分析——Choquet模糊积分法 |
| 5.3.2 基于SPACE法的路径选择评价模型的构建 |
| 5.3.3 制造业企业推进智能制造路径选择分析 |
| 5.4 本章小结 |
| 第6章 基于共演战略的制造业企业推进智能制造路径选择的实证研究 |
| 6.1 DWQ企业基本状况 |
| 6.2 DWQ企业推进智能制造路径选择评价 |
| 6.3 DWQ企业推进智能制造路径的确定 |
| 6.4 DWQ企业推进智能制造路径实施的保障措施 |
| 6.4.1 构建信息管理体系 |
| 6.4.2 完善智力支撑体系 |
| 6.4.3 建立弹性监控体系 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和参与的科研项目 |
| 致谢 |
| 附录 A 制造业企业推进智能制造路径影响因素调查问卷 |
| 附录 B 调查问卷 |
（5）智能制造创新生态系统构建与协同机理研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容和研究目标 |
| 1.2.1 研究内容 |
| 1.2.2 研究目标 |
| 1.3 研究方法和技术路线图 |
| 1.3.1 研究方法 |
| 1.3.2 技术路线图 |
| 第二章 文献综述与相关理论基础 |
| 2.1 研究综述 |
| 2.1.1 创新生态系统的相关研究 |
| 2.1.2 创新协同机理的相关研究 |
| 2.1.3 智能制造发展的相关研究 |
| 2.1.4 国内外研究评述 |
| 2.2 相关理论基础 |
| 2.2.1 创新生态系统发展理论 |
| 2.2.2 协同学理论 |
| 第三章 智能制造创新发展现状与瓶颈分析 |
| 3.1 智能制造发展阶段特点 |
| 3.2 各领域的智能发展现状 |
| 3.3 智能制造创新效率分析 |
| 3.3.1 DEA方法理论阐述 |
| 3.3.2 区域智能制造总体创新效率分析 |
| 3.3.3 领域智能创新效率分析—以汽车产业为例 |
| 3.4 我国智能制造创新发展瓶颈分析 |
| 3.4.1 各区域发展不均衡的问题严重 |
| 3.4.2 与其他服务性机构协同性不高 |
| 3.4.3 产学研融合创新能力相对不高 |
| 3.4.4 政府相关的政策的落实性不高 |
| 3.4.5 各系统缺乏相应的合作协作创新 |
| 3.4.6 缺乏对智能制造中国情景的分析 |
| 第四章 智能制造创新生态系统模型构建 |
| 4.1 组织形成与核心要素层次构成分析 |
| 4.1.1 组织形成分析 |
| 4.1.2 核心要素分析 |
| 4.2 我国智能制造创新生态环境的分析 |
| 4.2.1 政府制度的差异性 |
| 4.2.2 市场体制的差异性 |
| 4.2.3 技术体制的差异性 |
| 4.3 智能制造创新生态系统模型架构 |
| 4.3.1 智能制造创新生态基本架构 |
| 4.3.2 中国情景视角下的架构模型 |
| 第五章 智能制造创新生态系统协同机理分析 |
| 5.1 智能制造创新生态系统协同演化机理的分析 |
| 5.1.1 创新协同的过程变化分析 |
| 5.1.2 协同主体的参与过程分析 |
| 5.1.3 lotka-volterra模型的介绍 |
| 5.2 智能制造整体生态系统中各子系统协同程度的分析 |
| 5.3 智能制造整体创新生态系统自组织性演化机理分析 |
| 5.3.1 自组织性的理论概念在协同学中的应用 |
| 5.3.2 智能制造创新生态系统的自组织性特征 |
| 5.3.3 智能制造创新生态系统自组织协同演化 |
| 第六章 案例分析—航天产业智能创新生态系统 |
| 6.1 研究方法的分析与案例选择的依据 |
| 6.2 航天产业创新生态系统的模型构建过程分析 |
| 6.2.1 航天产业生态系统构成要素 |
| 6.2.2 航天产业创新生态系统形成 |
| 6.2.3 航天产业中国基本情景分析 |
| 6.2.4 航天产业创新生态系统架构模型 |
| 6.3 航天产业创新生态系统各系统协同程度分析 |
| 6.3.1 确立函数表达式 |
| 6.3.2 主要指标的选取 |
| 6.3.3 标准化 |
| 6.3.4 实证分析过程 |
| 6.4 航天产业创新生态系统的自组织序参数识别 |
| 6.4.1 哈肯模型及计算方法 |
| 6.4.2 状态变量与指数选取 |
| 6.4.3 协同演化的阶段性研究 |
| 6.5 航天产业创新生态系统构建与协同性现存问题分析 |
| 6.5.1 创新生态系统构建缺乏对中国实际分析 |
| 6.5.2 创新层的任务尚未明确或尚未达到要求 |
| 6.5.3 创新个体的自主创新能力需要不断加强 |
| 6.5.4 主体之间合作能力与合作意愿需要加强 |
| 第七章 基于系统构建与协同性现存问题的对策建议 |
| 7.1 针对系统模型构建问题的相关建议 |
| 7.1.1 明确各个创新层次的相关任务 |
| 7.1.2 对模型架构进行模拟检验与试点 |
| 7.2 针对系统发展协同问题的相关建议 |
| 7.2.1 增强创新主体自创能力与协作基础 |
| 7.2.2 增强创新主体协作意愿与协作合力 |
| 第八章 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及取得的相关科研成果 |
| 致谢 |
（6）智能生产线过程质量大数据分析与协同优化（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 光伏产业发展现状 |
| 1.1.2 太阳能电池组件生产线简介 |
| 1.1.3 太阳能电池组件生产线的研究现状与主要问题 |
| 1.2 关键技术的国内外研究现状 |
| 1.2.1 智能生产线中的工业大数据 |
| 1.2.2 数据关联分析与建模 |
| 1.2.3 过程质量的度量和预测 |
| 1.2.4 决策导向的制造服务协同优化 |
| 1.3 项目来源与应用前景 |
| 1.4 本论文主要研究内容与章节安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 章节安排 |
| 2 基于分层赋时Petri网(PTPN)的生产线智能系统建模 |
| 2.1 引言 |
| 2.2 离散动态事件和Petri网 |
| 2.2.1 离散事件动态系统及其特性 |
| 2.2.2 基本Petri网定义和性能分析 |
| 2.3 智能生产线系统的DEDS建模 |
| 2.3.1 智能生产线的定义和主要特点 |
| 2.3.2 PTPN模型定义 |
| 2.3.3 PTPN的建模仿真 |
| 2.4 面向太阳能电池组件智能生产线的建模示例 |
| 2.4.1 顶层建模(系统级) |
| 2.4.2 中间层建模(单元级和特性级) |
| 2.4.3 底层建模(传感级) |
| 2.4.4 pD动态决策阈与配置 |
| 2.5 本章小结 |
| 3 基于QLF-SNR的智能生产线加工质量多级协同异常发现方法 |
| 3.1 引言 |
| 3.2 面向工业大数据的智能生产线加工质量异常发现 |
| 3.2.1 基于QLF的智能生产线加工质量特征度量 |
| 3.2.2 特征选择方法研究 |
| 3.2.3 智能生产线加工质量异常发现流程 |
| 3.3 面向太阳能电池片智能生产线的加工质量特征级异常案例分析 |
| 3.3.1 基于PTPN模型的智能生产线加工质量特性及特征分析 |
| 3.3.2 基于QLF-SNR特征级质量损失特征度量及异常发现 |
| 3.3.3 阈值设计 |
| 3.4 面向太阳能电池片智能生产线的加工质量单元级/系统级案例分析 |
| 3.4.1 基于Relief的智能生产线单元级/系统级加工质量特征选择 |
| 3.4.2 基于QLF-SNR单元级/系统级质量损失特征度量及异常发现 |
| 3.4.3 精度验证 |
| 3.5 本章小结 |
| 4 基于SVMs-DS的智能生产线加工质量预测评价研究 |
| 4.1 引言 |
| 4.1.1 支持向量机 |
| 4.1.2 D-S证据理论 |
| 4.2 面向工业大数据的智能生产线加工质量协同预测评价模型 |
| 4.2.1 基于QLF-SNR模型的生产线加工质量评价等级标定 |
| 4.2.2 基于SVM和DS的质量预测模型与更新机制 |
| 4.3 面向太阳能电池片智能生产线的加工质量预测评价案例分析 |
| 4.3.1 构建评价特征集 |
| 4.3.2 训练和测试样本 |
| 4.3.3 D-S证据融合 |
| 4.3.4 对比验证 |
| 4.4 本章小结 |
| 5 基于AGA-ALC方法的加工质量协同优化研究 |
| 5.1 引言 |
| 5.2 智能生产线面向加工质量的协同优化模型描述 |
| 5.2.1 面向加工质量的串焊过程协同优化问题的提出与研究难点 |
| 5.2.2 电池组件加工过程运作模式与面向加工质量的PTPN模型约束 |
| 5.2.3 面向加工质量的协同优化思想 |
| 5.3 基于增广拉格朗日协同的协同优化机理研究 |
| 5.3.1 中心化ALC目标系统模型 |
| 5.3.2 辅助变量和一致性约束 |
| 5.3.3 约束松弛化 |
| 5.3.4 面向PTPN模型的基于ALC的协同优化模型描述 |
| 5.4 分段编码遗传算法研究 |
| 5.4.1 遗传算法简介 |
| 5.4.2 分段编码遗传算法 |
| 5.5 基于AGA-ALC的加工质量多级协同优化算例 |
| 5.5.1 面向改进遗传算法的基于ALC的协同优化建模 |
| 5.5.2 优化结果与对比分析 |
| 5.6 本章小结 |
| 6 太阳能串焊机双层大数据分析系统开发与验证 |
| 6.1 引言 |
| 6.2 太阳能电池片制造业及其工业大数据特性分析 |
| 6.2.1 太阳能电池片制造业发展概况 |
| 6.2.2 太阳能电池片制造业工业大数据特性分析 |
| 6.3 ATWDP处理平台的功能设计 |
| 6.3.1 ATWDP处理平台的系统体系架构 |
| 6.3.2 ATWDP处理平台的总体设计 |
| 6.3.3 ATWDP处理平台的关键模块具体实现 |
| 6.4 ATWDP处理平台的运行实例、系统验证和性能分析 |
| 6.4.1 ATWDP处理平台运行实例 |
| 6.4.2 ATWDP处理平台性能分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 主要工作总结 |
| 7.2 研究创新点 |
| 7.3 研究展望 |
| 致谢 |
| 参考文献 |
| 附录A |
| 附录B |
（7）智能制造发展的国际比较与中国抉择（论文提纲范文）
| 中文摘要 |
| Abstract |
| 绪论 |
| 第一节 研究背景、问题及意义 |
| 一、研究背景 |
| 二、问题的提出 |
| 三、研究意义 |
| 第二节 智能制造研究综述 |
| 一、国外相关研究 |
| 二、国内相关研究 |
| 三、文献评述 |
| 第三节 研究内容、思路及方法 |
| 一、研究内容 |
| 二、研究思路 |
| 三、研究方法 |
| 第四节 主要创新点 |
| 第一章 研究智能制造发展的理论基础 |
| 第一节 马克思技术进步理论及资本有机构成理论 |
| 一、技术进步和机器大工业生产理论 |
| 二、资本有机构成理论 |
| 第二节 西方经济学相关理论 |
| 一、熊彼特创新及经济周期理论 |
| 二、弗里曼工业创新及演化经济学理论 |
| 三、佩雷斯技术-经济范式及技术革命周期演化理论 |
| 四、其他新熊彼特学派学者的创新和演化经济学理论 |
| 第二章 智能制造发展演化的机理及其技术-经济范式 |
| 第一节 智能制造的定义及内涵界定 |
| 一、有关智能制造的定义概述 |
| 二、本文对于智能制造概念的界定 |
| 第二节 智能制造产生的动力分析 |
| 一、技术进步是智能制造产生的根本动力 |
| 二、经济危机是智能制造产生的催化剂 |
| 第三节 智能制造的生产组织模式 |
| 一、制造业生产组织模式变迁 |
| 二、智能制造的生产组织模式创新 |
| 第四节 智能制造的技术-经济范式体系 |
| 一、范式及技术-经济范式概念界定 |
| 二、技术革命的划分及其技术-经济范式变迁分析 |
| 三、第三次工业革命下的智能制造技术-经济范式 |
| 第三章 智能制造关键基础性产业全球发展态势比较分析 |
| 第一节 集成电路和传感器产业 |
| 第二节 高档数控机床产业 |
| 第三节 工业机器人产业 |
| 第四节 软件和信息技术服务业 |
| 第四章 G20国家智能制造发展水平实证分析 |
| 第一节 智能制造发展水平的分析思路及方法 |
| 一、智能制造发展水平的分析思路 |
| 二、投入产出分析方法及直接消耗系数 |
| 三、制造业智能化指数的概念及其对智能制造发展水平的表征 |
| 第二节 相关产业的界定 |
| 一、信息通信技术产业的界定 |
| 二、机械自动化产业的界定 |
| 三、制造业的行业界定 |
| 第三节 制造业智能化指数的计算及数据来源 |
| 一、制造业智能化指数的计算方法 |
| 二、研究的国别及数据来源 |
| 第四节 实证结果分析 |
| 一、各国智能制造总体发展水平比较分析 |
| 二、分行业智能制造发展水平比较分析 |
| 三、中国智能制造发展水平分析 |
| 第五章 典型国家智能制造发展模式比较与经验借鉴 |
| 第一节 美国国家创新体系及先进制造业发展战略 |
| 一、美国国家创新体系和创新政策演变分析 |
| 二、美国先进制造业及工业互联网发展战略 |
| 第二节 德国国家创新体系及工业4.0战略 |
| 一、德国国家创新体系和创新政策演变分析 |
| 二、德国高技术创新战略及工业4.0发展战略 |
| 第三节 日本国家创新体系及新机器人战略 |
| 一、日本国家创新体系和创新政策演变分析 |
| 二、日本新机器人战略及互联工业倡议 |
| 第四节 美、德、日智能制造发展模式比较与启示 |
| 一、美、德、日智能制造发展模式的相同点 |
| 二、美、德、日智能制造发展模式的不同点 |
| 三、几点启示 |
| 第六章 中国智能制造发展现状分析 |
| 第一节 中国智能制造发展情况概述 |
| 一、智能制造发展的顶层设计逐步完善 |
| 二、智能制造标准体系建设全面展开 |
| 三、智能制造关键基础性产业持续发展 |
| 四、企业积极参与推动智能制造发展 |
| 五、各地方政府主动对接智能制造发展 |
| 第二节 中国智能制造发展存在的问题分析 |
| 一、智能制造发展基础薄弱,自主创新意识和能力不强 |
| 二、官产学研的协同创新机制尚未建立起来 |
| 三、智能制造推进平台缺失 |
| 四、企业的主体引领作用不突出 |
| 五、政策规划相对宽泛,没有突出自身特点和优势 |
| 六、相关教育和人才缺失 |
| 第七章 推进中国智能制造发展的创新路径 |
| 第一节 推进中国智能制造发展的基本原则 |
| 第二节 推进中国智能制造发展的路径分析 |
| 一、发展目标:以建设制造强国为目标的智能制造发展导向 |
| 二、创新主导力量:政府引领、产业界主导、研究机构和大学紧密合作的智能制造创新网络 |
| 三、涵盖领域:涵盖重要战略性新兴产业的智能制造发展领域 |
| 四、重点环节和思路:面向不同发展优势和水平的差异化发展战略 |
| 第三节 推进中国智能制造发展的对策建议 |
| 一、深化智能制造相关基础理论体系的研究 |
| 二、加强智能制造关键技术和装备的攻关 |
| 三、健全智能制造发展的体制机制 |
| 四、完善智能制造发展的政策保障 |
| 五、强化智能制造相关人才的教育和培训 |
| 第八章 结论 |
| 第一节 本文的主要结论 |
| 第二节 有待进一步研究的问题 |
| 参考文献 |
| 攻读学位期间承担的科研任务与主要成果 |
| 致谢 |
| 个人简历 |
（8）基于DHGF算法的智能制造能力成熟度评价研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和研究意义 |
| 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 |
| 1.2.3 国内外研究综述 |
| 1.3 研究内容与研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 第2章 相关理论基础 |
| 2.1 智能制造概述 |
| 2.1.1 智能制造的基本概念 |
| 2.1.2 智能制造的特征 |
| 2.1.3 智能制造与传统制造的区别 |
| 2.2 智能制造能力概述 |
| 2.3 成熟度模型对比分析 |
| 2.4 主要评价方法 |
| 2.4.1 德尔菲法 |
| 2.4.2 层次分析法 |
| 2.4.3 熵权法 |
| 2.4.4 灰色系统评价法 |
| 2.4.5 模糊综合评价法 |
| 2.5 本章小结 |
| 第3章 智能制造能力评价指标体系构建 |
| 3.1 评价指标体系构建原则及步骤 |
| 3.1.1 评价指标体系构建原则 |
| 3.1.2 评价指标体系构建步骤 |
| 3.2 智能制造能力影响因素分析 |
| 3.2.1 智能交付速度控制能力 |
| 3.2.2 智能成本控制能力 |
| 3.2.3 智能需求供应能力 |
| 3.2.4 智能质量控制能力 |
| 3.2.5 智能柔性水平 |
| 3.3 评价指标体系构建 |
| 3.3.1 评价指标体系的初步设计 |
| 3.3.2 评价指标筛选 |
| 3.3.3 评价指标体系确立 |
| 3.4 本章小结 |
| 第4章 智能制造能力成熟度评价模型构建 |
| 4.1 智能制造能力成熟度等级及特征 |
| 4.2 DHGF算法构建评价模型原理 |
| 4.2.1 DHGF算法基本原理 |
| 4.2.2 DHGF算法有效性分析 |
| 4.2.3 DHGF算法可靠性分析 |
| 4.3 智能制造能力成熟度评价模型构建过程 |
| 4.3.1 层次分析-熵权法计算指标权重 |
| 4.3.2 灰色理论求灰色权值 |
| 4.3.3 模糊数学法评判评价等级 |
| 4.3.4 量化评价等级集合 |
| 4.4 本章小结 |
| 第5章 实证分析 |
| 5.1 应用对象概况 |
| 5.2 Z公司智能制造能力成熟度评价 |
| 5.2.1 确定指标权重 |
| 5.2.2 综合评价 |
| 5.2.3 处理评价结果 |
| 5.2.4 评价结果分析 |
| 5.3 相关建议 |
| 5.3.1 利用“互联网+”提升数据集成能力 |
| 5.3.2 加大智能技术的开发与应用 |
| 5.3.3 重视智能设备应用与维护 |
| 5.3.4 建设智能服务平台 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录 |
| 致谢 |
（9）基于工业物联网的智能制造服务主动感知与分布式协同优化配置方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.1.1 课题来源 |
| 1.1.2 课题背景与问题提出 |
| 1.1.3 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 工业物联网技术在制造业应用研究现状 |
| 1.2.2 先进制造模式研究现状 |
| 1.2.3 制造服务优化配置研究现状 |
| 1.3 论文的研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文的章节安排 |
| 1.5 本章小结 |
| 第2章 智能制造服务主动感知与分布式协同优化配置体系架构 |
| 2.1 引言 |
| 2.2 基本概念描述 |
| 2.2.1 资源服务方面 |
| 2.2.2 参与主体方面 |
| 2.3 智能制造服务主动感知与优化配置模型及运作逻辑 |
| 2.3.1 参与主体的协同工作逻辑 |
| 2.3.2 智能制造服务主动感知与优化配置模型 |
| 2.3.3 智能制造服务主动感知与优化配置的运作逻辑 |
| 2.4 关键技术 |
| 2.4.1 基于工业物联网的制造资源实时信息主动感知与集成 |
| 2.4.2 实时信息驱动的制造资源服务化封装与云端化接入 |
| 2.4.3 分布式协同策略驱动的智能制造服务优化配置 |
| 2.5 本章小结 |
| 第3章 基于工业物联网的制造资源实时信息主动感知与集成 |
| 3.1 引言 |
| 3.2 基于工业物联网的制造资源实时信息主动感知与集成体系架构 |
| 3.2.1 基于工业物联网技术的智能制造对象配置 |
| 3.2.2 制造资源端实时数据的感知与获取 |
| 3.2.3 实时制造信息的集成 |
| 3.2.4 应用服务 |
| 3.3 制造资源实时信息的集成服务 |
| 3.3.1 数据处理服务 |
| 3.3.2 制造信息的集成服务 |
| 3.4 制造车间实时信息跟踪与追溯 |
| 3.4.1 制造车间智能感知环境的构建 |
| 3.4.2 车间制造资源实时信息的跟踪与追溯 |
| 3.5 本章小结 |
| 第4章 实时信息驱动的制造资源服务化封装与云端化接入 |
| 4.1 引言 |
| 4.2 加工设备的服务化封装与云端化接入模型 |
| 4.3 加工设备服务化封装与云端化接入关键技术 |
| 4.3.1 加工设备实时状态信息的主动感知 |
| 4.3.1.1 加工设备端传感器群的优化配置 |
| 4.3.1.2 加工设备实时状态信息的主动感知模型 |
| 4.3.2 加工设备间的信息共享与自主决策 |
| 4.3.3 加工设备端制造服务的封装 |
| 4.3.3.1 设备的制造能力描述模型 |
| 4.3.3.2 设备端增值制造服务的封装 |
| 4.3.4 加工设备端制造服务的云端化接入 |
| 4.4 运行实例 |
| 4.5 本章小结 |
| 第5章 企业级智能制造服务的分布式协同优化配置 |
| 5.1 引言 |
| 5.2 面向复杂产品任务的企业级智能制造服务优化配置 |
| 5.2.1 企业级智能制造服务优化配置的工作逻辑 |
| 5.2.2 企业级智能制造服务优化配置策略对比 |
| 5.2.2.1 集中式制造服务配置策略 |
| 5.2.2.2 分布式的制造服务配置策略 |
| 5.3 增广拉格朗日协同方法 |
| 5.3.1 复杂系统问题的分解 |
| 5.3.2 辅助变量和一致性约束的引入 |
| 5.3.3 一致性约束的松弛化 |
| 5.3.4 分解元素的公式化 |
| 5.3.5 分解元素的协同求解 |
| 5.4 基于ALC的企业级智能制造服务优化配置 |
| 5.4.1 面向复杂产品任务的企业级智能制造服务优化配置模型 |
| 5.4.2 企业级智能制造服务优化配置的分布式模型 |
| 5.4.3 分布式配置模型中的辅助变量及一致性约束 |
| 5.4.4 分布式配置模型中分解元素的公式化 |
| 5.4.4.1 上游分解元素的公式化 |
| 5.4.4.2 下游分解元素的公式化 |
| 5.4.4.3 中间分解元素的公式化 |
| 5.4.5 分布式配置模型中分解元素的协同求解 |
| 5.4.6 算例验证 |
| 5.5 本章小结 |
| 第6章 车间级智能制造服务的分布式协同优化配置 |
| 6.1 引言 |
| 6.2 车间级智能制造服务的优化配置 |
| 6.2.1 车间级智能制造服务优化配置的工作逻辑 |
| 6.2.2 车间级智能制造服务的优化配置策略 |
| 6.3 ATC方法 |
| 6.3.1 ATC方法的基本原理及特征 |
| 6.3.2 ATC方法的应用步骤 |
| 6.4 车间级智能制造服务的分布式协同优化配置 |
| 6.4.1 车间级智能制造服务优化配置的目标层解模型 |
| 6.4.2 目标层解元素关键连接的识别 |
| 6.4.3 目标层解元素的公式化 |
| 6.4.3.1 系统层元素的公式化 |
| 6.4.3.2 单元层元素的公式化 |
| 6.4.3.3 设备层元素的公式化 |
| 6.4.3.4 辅助元素的公式化 |
| 6.4.4 目标层解元素的协同求解 |
| 6.4.4.1 目标层解元素的收敛策略 |
| 6.4.4.2 目标层解元素的局部优化 |
| 6.4.5 算例验证 |
| 6.5 本章小结 |
| 第7章 案例仿真设计与验证 |
| 7.1 引言 |
| 7.2 案例仿真 |
| 7.2.1 复杂产品任务的制造服务分布式协同优化配置 |
| 7.2.1.1 ALC方法有效性的验证 |
| 7.2.1.2 自主决策权的保持以及敏感性分析 |
| 7.2.2 车间级制造服务的分布式协同优化配置 |
| 7.2.2.1 ATC方法的有效性验证 |
| 7.2.2.2 车间级智能制造服务优化配置 |
| 7.3 智能制造服务主动感知与优化配置仿真系统 |
| 7.3.1 系统开发环境 |
| 7.3.2 系统操作流程 |
| 7.3.2.1 系统界面展示与功能介绍 |
| 7.3.2.2 服务需求者的操作流程 |
| 7.3.2.3 服务提供者的操作流程 |
| 7.4 本章小结 |
| 第8章 总结与展望 |
| 8.1 总结 |
| 8.2 展望 |
| 参考文献 |
| 附录 |
| 附录 A ALC方法Matlab程序 |
| 附录 B ATC方法Matlab程序 |
| 攻读博士学位期间论文发表、科研情况 |
| 致谢 |
（10）CPS-Service运行支撑平台关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 信息物理融合系统(Cyber Physical Systems) |
| 1.1.1 信息物理融合系统的定义 |
| 1.1.2 信息物理融合系统的组成与特点 |
| 1.1.3 信息物理融合系统的国内外发展现状 |
| 1.2 CPS-Service运行支撑平台 |
| 1.2.1 CPS设计与实现面临的挑战 |
| 1.2.2 CPS-Service运行支撑平台的提出 |
| 1.3 论文研究内容 |
| 1.4 论文内容安排 |
| 2 CPS-Service运行支撑平台结构设计 |
| 2.1 几种主流的CPS运行支撑平台结构 |
| 2.2 现有CPS运行支撑平台分析 |
| 2.2.1 基于构件的CPS运行支撑平台分析 |
| 2.2.2 基于服务的CPS运行支撑平台分析 |
| 2.2.3 基于Agent的 CPS运行支撑平台分析 |
| 2.2.4 现有CPS运行支撑平台的比较 |
| 2.3 一种基于实时云的CPS-Service运行支撑平台 |
| 2.3.1 CPS应用任务执行层 |
| 2.3.2 CPS-Service注册与发现层 |
| 2.3.3 CPS-Service使能层 |
| 2.4 小结 |
| 3 CPS-Service描述与匹配方法 |
| 3.1 引言 |
| 3.1.1 相关研究 |
| 3.1.2 主要工作与贡献 |
| 3.2 一种基于本体的CPS-Service模型 |
| 3.2.1 物理实体本体模型 |
| 3.2.2 物理环境本体模型 |
| 3.2.3 CPS-Service本体模型 |
| 3.3 基于概率聚类和R树的快速CPS-Service匹配方法 |
| 3.3.1 基于概率聚类的CPS-Service索引构建 |
| 3.3.2 基于R树的CPS-Service索引构建 |
| 3.3.3 在线CPS-Service匹配 |
| 3.4 仿真实验 |
| 3.4.1 实验设置 |
| 3.4.2 实验结果及分析 |
| 3.5 小结 |
| 4 物理位置与环境敏感的CPS-Service组合方法 |
| 4.1 引言 |
| 4.1.1 相关研究 |
| 4.1.2 主要工作与贡献 |
| 4.2 基本概念与定义 |
| 4.3 考虑物理位置敏感性的CPS-Service组合问题 |
| 4.3.1 问题的提出 |
| 4.3.2 问题定义与求解分析 |
| 4.3.3 基于改进量子遗传算法的CPS-Service组合方法 |
| 4.3.4 仿真实验 |
| 4.4 考虑执行可靠性的CPS-Service组合问题 |
| 4.4.1 问题的提出 |
| 4.4.2 问题定义与求解分析 |
| 4.4.3 多目标优化与超启发式方法相关研究 |
| 4.4.4 基于退火Pareto汤普森采样的超启发式CPS-Service组合方法 |
| 4.4.5 仿真实验 |
| 4.5 小结 |
| 5 CPS-Service云基增强方法 |
| 5.1 引言 |
| 5.1.1 相关研究 |
| 5.1.2 主要工作与贡献 |
| 5.2 问题定义与求解分析 |
| 5.2.1 数学模型 |
| 5.2.2 问题定义 |
| 5.2.3 问题求解分析 |
| 5.3 基于贪婪选择的CPS-Service增强方法 |
| 5.4 基于个体稀疏的CPS-Service增强方法 |
| 5.5 仿真实验 |
| 5.5.1 实验设置 |
| 5.5.2 实验结果及分析 |
| 5.6 小结 |
| 6 原型系统及相关软件工具实现 |
| 6.1 引言 |
| 6.2 原型系统主要功能模块实现 |
| 6.2.1 基于云的CPS-Service增强框架 |
| 6.2.2 CPS-Service匹配框架 |
| 6.2.3 CPS应用任务执行引擎 |
| 6.3 相关软件工具原型实现 |
| 6.3.1 CPS-Service描述工具 |
| 6.3.2 CPS应用任务流程构造工具 |
| 6.4 原型系统应用验证与性能测试 |
| 6.4.1 应用验证 |
| 6.4.2 性能测试 |
| 6.5 小结 |
| 7 结论和展望 |
| 7.1 论文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文和参加科研情况 |
四、智能制造系统的自组织单元结构研究（论文参考文献）
- [1]智能制造信息系统鲁棒性研究[D]. 董文静. 北京交通大学, 2021(02)
- [2]基于Stigmergy和神经内分泌调节机制的多智能体群智能自组织与调控方法研究[D]. 于欣佳. 深圳大学, 2020
- [3]面向个性化定制的智能生产线预防性维护研究[D]. 陈宝通. 华南理工大学, 2020(01)
- [4]基于共演战略的制造业企业推进智能制造路径研究[D]. 施宇洁. 哈尔滨工程大学, 2020(05)
- [5]智能制造创新生态系统构建与协同机理研究[D]. 王焕新. 上海工程技术大学, 2020(05)
- [6]智能生产线过程质量大数据分析与协同优化[D]. 裴凤雀. 南京理工大学, 2020(01)
- [7]智能制造发展的国际比较与中国抉择[D]. 王媛媛. 福建师范大学, 2019(12)
- [8]基于DHGF算法的智能制造能力成熟度评价研究[D]. 谢亚丹. 燕山大学, 2019(03)
- [9]基于工业物联网的智能制造服务主动感知与分布式协同优化配置方法研究[D]. 张耿. 西北工业大学, 2018(02)
- [10]CPS-Service运行支撑平台关键技术研究[D]. 孙远. 西北工业大学, 2018(02)