26、数据驱动的故障感知多目标优化及空域冲突解决算法研究

数据驱动的故障感知多目标优化及空域冲突解决算法研究

一、柔性作业车间调度问题（FJSP）的研究背景与现状

在制造业中，柔性作业车间调度问题（FJSP）一直是研究的热点。传统研究多聚焦于重调度，却忽视了为 FJSP 寻找更稳健的初始解决方案。如今，制造业大数据为制造系统在车间调度决策前获取稳健解决方案提供了良好潜力。其中，高故障可预测性是其重要潜力之一，通过分析制造业大数据，能够预测制造过程中可能出现的故障。基于此故障预测，可在 FJSP 中考虑相应指标，以获得更稳健的优化解决方案。

1.1 相关研究工作

近年来，针对 FJSP 的研究广泛开展。相关研究主要分为两类：
- 能耗建模研究 ：多数研究致力于对制造过程中的能耗进行建模，以获得节能的调度解决方案。例如：
- 通过分析机床收集的能耗数据，将加工过程的比能耗（SEC）建模为材料去除率的函数。
- 基于 SEC 模型，构建柔性流水车间的总能耗模型，并应用遗传模拟算法获得满意的解决方案。
- 分析加工过程各阶段的能耗，建立能耗模型，并开发混合算法搜索最优调度方案。
- 对加工能耗进行建模，并使用具有增强局部搜索能力的多目标遗传算法解决作业车间调度问题。
- 采用人工神经网络建立关键加工参数与加工能耗之间的复杂非线性关系。
- 故障预测建模研究 ：部分研究专注于构建预测制造过程中故障的模型。例如：
- 使用决策树对调度任务的故障概率进行建模。
- 利用卷积神经网络建立加工和调度优化过程中的潜在动态故障。
- 基于一个或多个统计工具和模式识别技术开发预测模型。