基于机器学习的智能制造系统评价模型与算法

发布时间：2021-06-27 22:24

　　智能制造日益成为未来制造业发展的重大趋势和核心内容,是企业向中高端迈进、加快转型升级的重要举措,也是新常态下企业打造竞争优势的必然选择。然而,诸多企业对自身到底处于智能制造的什么水平并不清楚,不能明确该如何分步实施智能制造,这种供需不对等和困惑极大地影响了智能制造的有效落地。论文基于机器学习寻找模式识别下智能评价方法,为智能制造系统评价问题的研究提供了新的思路,具有良好的理论意义和应用价值。论文主要研究工作和成果如下:（1）采用文献计量法分析了制造系统评价的研究热点,参考国家智能制造标准体系建设指南、NIST智能制造生态系统和德国工业4.0参考体系,对智能制造进行了覆盖性特征提取、考察维度、指标、测量方法等评价体系综合设计,开展了噪声数据的层次分析,运用SeqGAN生成对抗网络扩充了样本数据,基于python编程实现了SeqGAN模型的构建与训练。（2）进行了神经网络类型选择,开展了性能指标、多目标遗传优化算法、代价函数、训练方式、权值更新方式、编码方式等设计,根据样本矩阵将代码向量化,以提高代码简洁性并提升运算效率。通过Matlab编程实现了NSGA-II多目标遗传算法优化的前馈型B... 

【文章来源】：浙江工业大学浙江省

【文章页数】：131 页

【学位级别】：硕士

【部分图文】：

文献计量法流程图

第 1 章 绪论年中的增长相对稳定，2011 年增长速度最快，从 2010 年的 42 篇增长到 87 篇达到 45 篇。2011 年至 2018 年期间，制造系统评价研究处于热点时期，其年相表数量保持在 80 篇以上，其中 2017 年达到研究热潮的顶峰，共发表相关研究篇。

图 1-2 智能制造评价相关文献数量趋势图 1-3 显示了智能制造评价前 20 个研究领域之间的关联。从图中可以得出，“Engineering, Mechanical”、“Engineering, Chemical”、“Engineering, Manufacturing”、“Energy & Fuels”、“Thermodynamics”之间的联系非常紧密。

【参考文献】：
期刊论文
[1]生成式对抗网络在抑郁症分类中的应用[J]. 刘宁,杨剑.  计算机应用与软件. 2018(06)
[2]人工智能在智能制造领域的应用研究（英文）[J]. Bo-hu LI,Bao-cun HOU,Wen-tao YU,Xiao-bing LU,Chun-wei YANG.  Frontiers of Information Technology & Electronic Engineering. 2017(01)
[3]神经网络七十年:回顾与展望[J]. 焦李成,杨淑媛,刘芳,王士刚,冯志玺.  计算机学报. 2016(08)
[4]智能制造——“中国制造2025”的主攻方向[J]. 周济.  中国机械工程. 2015(17)
[5]基于遗传算法优化Elman神经网络的机床热误差建模[J]. 黄玉春,田建平,杨海栗,胡勇,张良栋.  组合机床与自动化加工技术. 2015(04)
[6]基于遗传算法优化BP神经网络的TIG焊缝尺寸预测模型[J]. 田亮,罗宇,王阳.  上海交通大学学报. 2013(11)
[7]智能制造的意义、技术与实现[J]. 朱剑英.  机械制造与自动化. 2013(03)
[8]信息化与工业化融合初探[J]. 赵继会.  北方经贸. 2011(03)
[9]基于改进的Elman神经网络的股价预测模型[J]. 余健,郭平.  计算机技术与发展. 2008(03)
[10]BP神经网络参数改进方法综述[J]. 李翱翔,陈健.  电子科技. 2007(02)

硕士论文
[1]以MES为核心的敏捷制造系统集成研究[D]. 张琴.武汉理工大学 2013
[2]BP网络的改进及其应用[D]. 周永进.南京信息工程大学 2007



本文编号：3253720