流水线系统生产计划与设备维护的集成建模研究

针对当前生产计划与设备维护集成研究中系统配置局限于单阶段系统的问题, 以流水线为背景对两项计划的集成建模方法开展研究. 以有限产能批量问题为生产计划的基准模型, 建立生产计划与预防性维护集成建模的框架. 采用仿真方法计算流水线的批量生产时间, 并结合二项式回归以建立生产负荷与生产时间之间的映射关系, 仿真测试验证了回归方法的有效性. 再将生产时间二项式引入产能约束, 构建出流水线条件下生产计划与设备维护的集成模型. 算例显示集成模型总成本随缓存空间的增大而逐渐下降, 表明系统配置对计划决策有较大影响.     

设备故障条件下流水线产能评估方法研究

为提升流水线产能评估的有效性, 采用基于设备运作的故障发生机制生成故障节点, 并按照可用度最大化原则确立预防性维护周期, 采用抽样仿真方法评估流水线系统的产能, 同时提出一种基于故障期望次数的近似方法以提升产能的评估效率. 仿真实验表明, 流水线产出率与系统配置密切相关, 设备数量越少, 缓存空间越大, 对应的产出率就越高, 但设备数量与缓存空间的边际影响逐渐下降; 而近似方法获得的产出率估值与仿真值之间的偏差可基本控制在5%以内, 评估准确性具有一定优势.     

故障条件下串并联生产系统的建模与仿真方法研究

为了解决当前生产系统产能评估方法中存在的不适用现象,以串并联生产系统为对象,提出一种基于设备状态更替的建模与仿真方法来计算故障条件下的系统产能.系统建模将生产过程中的设备分为生产、等待、闲置和预防性维护4种状态,通过不同状态的更替与在制品的变动构建起整个系统的运作.数值实验表明,在流水线条件下本文所提出的仿真方法与基于下一事件的仿真方法在计算结果上保持一致,但是运算效率偏低.在一般形式串并联生产系统条件下,能观察到缓存空间对系统产出率的提升呈边际递减趋势,而在缓存空间较少、阶段数量较多的情况下,增加各阶段的设备数量可以使产能提升水平高于设备的增加倍率.     

基于GBRT模型的交通事故预测

道路交通安全水平的重要标志就是道路交通事故发生量.为解决当前交通事故量预测精度不高、时间拐点数据预测效果差的问题,以及在交通管理系统中提供更加准确的预测数据帮助交通管理部门做出科学的决策,本文针对我国年周期交通事故建立了基于GBRT(Gradient Boosted Regression Tree)的交通事故模型.通过训练交通事故相关数据对未来交通事故死亡人数进行预测,并与多种回归模型、神经网络模型进行对比实验,结果显示GBRT模型具有拟合效果佳、训练时间短、高鲁棒性的优势,能够更准确、高效的对交通事故安全水平进行预测.     

基于瓶颈指数的生产物流瓶颈监测研究

为实现计划期内不同时刻生产物流瓶颈的动态监测,研究了瞬时瓶颈的监测方法.基于产品制造过程中输入、生产、输出各阶段的相关数据,综合考虑制造单元的产能负荷、产品质量及等待时间对瓶颈度的影响,建立瓶颈指数的修正模型;并提出瞬时瓶颈的概念,以瓶颈指数为基础,构建包括瞬时瓶颈识别、转移判断的监测模型和动态监测流程,为生产物流瓶颈的动态监测及事中控制提供决策依据.算例应用结果表明,数据易获,方法可行.     

基于区间T-S模糊模型的自适应故障检测算法研究

针对传统的故障检测方法通常事先人为设定一个健康状况下的确定阈值来实现故障检测,往往不具有故障的自适应检测能力,本文提出了基于区间T-S模糊模型的自适应故障检测方法,即系统在运行过程中的不同时刻,系统无故障状态对应的阈值是不一样的.该方法首先将故障检测的问题转化为基于逼近误差的l1范数最小化的区间模型优化问题,应用线性规划对由T-S模型构成的区间[f L(t),f U(t)]参数进行求解.所建立的区间模糊模型将用于判断故障是否发生.最后,通过Tennessee Eastman(TE)过程论证了提出方法对故障检测的自适应能力和实时性.     

高维广义线性模型的惩罚拟似然SCAD估计

基于光滑切片绝对偏差(smoothly clipped absolute deviation,SCAD)惩罚的拟似然方法,研究高维广义线性模型的变量选择和参数估计问题.所提方法只需要对响应变量期望函数和方差函数的正确设定.在适当的正则条件下,证明了拟似然SCAD估计具有相合性和Oracle性质.最后通过数据模拟和实例分析,验证了所提方法的有限样本性质.     

T-RBAC访问控制模型及其约束描述语言

一种结合了基于任务的访问控制模型TBAC和基于角色的访问控制模型RBAC特点的新型访问控制模型-T-RBAC.该模型采用了以任务为中心的"用户-角色-任务-权限"的四级访问控制结构,较好地解决了当前工作流系统中存在的安全性问题.此外,在新模型的基础上设计了一套描述约束机制的语言ETCL,该语言在RCL2000的基础上扩充了时间特性和任务的概念,使新模型具备了较完整的约束描述能力.     

基于时空上下文正则的孪生网络目标跟踪

在视频目标跟踪任务中,负样本缺乏、背景混杂会造成目标丢失。为解决上述问题,提出一种基于时空上下文正则的孪生网络目标跟踪算法。该算法将空间上下文信息引入到孪生网络中,并利用目标物体正样本以及背景负样本训练跟踪器,通过正则化约束,抑制跟踪器对背景的响应,突出对目标的响应,从而得到鲁棒性更强的目标跟踪器;采用时间序列多组件匹配机制,在目标外观模型受到干扰的情况下动态调整目标模型学习率,从而保证目标模板不受污染。在OTB100标准数据集上的实验表明,在混合干扰条件下,本文算法的准确率(0. 885)和成功率(0. 615)均优于其他主流跟踪算法。特别是在遮掩、运动模糊、光照变化、背景聚类和快速运动等干扰因素影响情况下,本文算法均具有较强的鲁棒性。     

一种基于非参数贝叶斯模型的聚类算法

鉴于聚类分析是机器学习和数据挖掘领域的一项重要技术, 并且与监督学习不同的是聚类分析中没有类别或标签的指导信息, 所以如何选择合适的聚类个数(即模型选择)一直是聚类分析中的难点. 由此提出了一种基于Dirichlet过程混合模型的聚类算法, 并用collapsed Gibbs采样算法对混合模型的参数进行估计. 新算法基于非参数贝叶斯模型的框架, 能够在不断的采样过程中优化模型参数并形成合适的聚类个数. 在人工合成数据集和真实数据集上的聚类实验结果表明: 基于Dirichlet过程混合模型的聚类算法不但能够自动确定聚类个数, 而且具有较强灵活性和鲁棒性.     

基于EEMD能量矩和改进量子粒子群神经网络的滚动轴承故障诊断

针对滚动轴承故障振动信号的非线性和周期性冲击特征, 提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)能量矩和改进量子粒子群神经网络的特征提取方法. 基于小波去噪对滚动轴承原始信号进行预处理, 对重构的故障信号进行EEMD并得到多个本征模态函数分量. 利用能量矩方法计算出所需分量的能量矩并归一化, 将归一化后的能量特征参数作为量子粒子群BP神经网络的参数输入, 根据加速度传感器信号实现滚动轴承故障诊断. 分别在不同转速(载荷)下采集驱动端轴承的振动信号, 获取200个训练样本和80个测试样本, 并建立故障诊断模型. 基于文中模型对实际滚动轴承数据进行诊断, 实验结果表明, 不同转速(载荷)下测试的80个样本故障诊断准确率达到100%.     

基于视觉显著度的说话检测

现有基于视觉信息的说话检测方法中往往依赖预定参数或者阈值作为分类平面,鲁棒性差且泛化能力不强.针对这一问题,本文提出了一种基于显著度的视觉说话检测方法,利用像素的色彩信息和嘴唇的空间位置特性检测嘴唇,通过分析嘴唇运动和说话假设的关系,将图像能量作为特征,并结合经典的隐马尔科夫模型(hidden Markov models,HMM)和支持向量机(support vector machine,SVM)作为判决方法来进行检测.实验结果表明,本文提出的嘴唇检测方法正确率可达到92%.     

基于贝叶斯网络的稀疏出租车GPS轨迹路径还原方法

为提高出租车GPS大数据的可用性, 提出一种基于贝叶斯网络研究稀疏出租车GPS轨迹路径还原的方法. 与传统仅基于时空变量的研究方法不同, 新算法同时考虑天气条件、驾驶员特性、车辆行驶特性与出租车的载客状态等因素来进行路径还原预测. 以宁波市体育中心周围的路网为例, 将出租车服务信息管理平台的GPS轨迹数据作为测试对象, 验证本文方法的适用性. 结果显示, 基于多因素的贝叶斯网络方法在还原精度方面(达到91.4%)优于Logit选择模型. 此外, 新算法尤其适用于出租车轨迹数据缺失率较高的场景, 比如缺失轨迹点跨度在5 min左右.     

Ad Hoc网络环境下分布式密钥管理

分析了当前Ad H0c网络密钥管理方面的若干方案,根据椭圆曲线密码体制(ECC)可以使用较短的密钥满足较高的安全性需求特点,提出了一种新的基于ECC的分布式密钥管理方案,详细给出了该方案包括主密钥产生、新节点加入和私钥产生等在内的具体实施步骤,并以证书更新服务为例对证书服务性能进行了模拟测试.结果表明,该方案具有较高的安全性,证书服务的有效性和较好的鲁棒性.     

基于最大相关熵的簇稀疏仿射投影算法

在系统辨识、回声消除、即时翻译系统中,背景噪声往往呈现出很强的脉冲特性,传统的自适应滤波算法对脉冲噪声的鲁棒性较差,而基于最大熵准则的自适应滤波算法可以有效地提高脉冲噪声环境下的自适应算法辨识性能.本文提出了一种基于最大相关熵准则的簇稀疏鲁棒仿射投影(Cluster-sparse robust affine projection,CS-RAP)算法,它可以用于辨识回声系统、卫星通信系统等簇稀疏系统.我们在基于最大相关熵准则的仿射投影算法的代价函数中引入权向量的混合L_(2,1)范数约束来利用系统的簇稀疏特性,采用基追踪法来推导CS-RAP算法.最后通过各种仿真实验,来验证提出的CS-RAP算法的鲁棒性和有效性.仿真结果表明,在脉冲噪声环境下,CS-RAP算法与其它相关算法相比具有更快的收敛速度和更低的估计偏差.     

基于并行的F-LSTM模型及其在电力通信设备故障预测中的应用

电力通信网设备时序故障预测的目标是通过过去设备告警数据,预测设备在下一个时间段是否发生故障,这对设备的管理和维护起着重要作用。为了预测电力设备未来的状态,提出一种Forward-LSTM(F-LSTM)学习模型,对设备故障的时序特征和非时序特征(静态信息)进行并行训练,探索出一种新的对静态-时序数据的训练方法,将其应用在电力通信网故障预测中。F-LSTM结合了两个组件,一个学习时序特征的长短期记忆神经网络(LSTM)与一个处理静态数据的前向全连接神经网络(forward full connection neural networks,FC),数据的静态/时序属性被自动判断并传递给FC或LSTM来并行训练。对于具有同时产生动态数据与静态数据的电力通信网络,Forward-LSTM(F-LSTM)模型能以较高速度与精度预测其故障发生的位置。此外,本文采用一种加权的损失函数,可以更好地捕捉设备故障的时序规律。选取某电力通信网络系统中2016—2017年设备故障数据,对本方法进行测试。实验结果显示,与Xgboost模型相比,F-LSTM模型对故障预测的召回率提高5%,同时F-LSTM模型较LSTM模型缩减了计算量,加快了模型的训练速度。     

基于MMPP的802.11网络性能

提出并建立了一个基于马尔可夫调制的泊松过程MMPP(M arkovModu lated Poisson Process)和间歇泊松过程IPP(Interrupted Poisson Process)的系统模型,从新用户的到达和系统中用户发起的新业务两个方面着手,考察了在受系统门限值约束情况下的接入系统的新用户数量和系统内用户发     

数据驱动的业务过程角色与任务重分配方法研究

针对现有任务分配方法难以考虑人员执行任务的效率差异性和偏好性问题, 以生产和服务系统执行历史数据为基础, 提出基于人员行为差异性的任务分配方法, 建立以业务执行过程中流程执行时间最少和人员之间负荷均衡为多目标的任务分配优化模型. 基于NSGA II算法, 提出将约束优化模型转换为无约束优化模型, 并给出优化模型的求解方法. 结合业务过程挖掘领域中事件日志的应用实例, 对业务过程中的任务和角色进行重分配, 比较任务重分配前后业务过程的变化情况, 为以后的任务分配提供依据.     

考虑双方主体失望-欣喜感知的多指标双边匹配决策方法

在双边匹配研究中很少关注如何描述双方主体的失望-欣喜感知并将其引入双边匹配模型.通过对匹配主体失望-欣喜感知的刻画,提出了一种新的具有指标期望的多指标双边匹配决策方法.首先,针对具有指标期望的多指标双边匹配问题给出了数学描述;其次,匹配决策者通过对主体的指标期望值与对方主体真实值之间的比较分析,建立了双方主体的损益矩阵;然后,依据失望理论,构建双方主体在各指标下的感知效用矩阵,并集结得到双方主体的综合感知效用矩阵;进一步构建以双方主体可接受最低水平为约束,双方主体综合感知效用最大为目标的多目标优化模型,并将多目标优化模型转换为单目标优化模型,通过求解单目标优化模型得到最优双边匹配结果.最后,通过算例比较分析了本文方法与现有方法的差异,进一步说明了本文方法的有效性与合理性.     

常微分方程组的演化建模新算法

提出了常微分方程组的演化建模的一种新算法 ,新算法在 3个方面改进了作者原有的算法 :(1)采用新的适应值评估方式 ;(2 )采用一种基于子空间搜索的遗传算法来优化模型的参数 ;(3)将传统的遗传程序设计方法与局部搜索技术相结合来优化模型的结构 .将新算法分别应用于人口增长与化学反应模型的自动建模 ,并比较两种算法的实验结果 ,表明新算法发现的模型更稳定、精确度更高 .