智能制造系統(tǒng)集成與優(yōu)化方法

第一部分　綜述篇
第1章  制造系統(tǒng)集成概述002
1.1　制造業(yè)的發(fā)展機遇與挑戰(zhàn)002
1.2　制造系統(tǒng)的內涵和特征004
1.2.1　基礎制造技術006
1.2.2　新型制造單元技術006
1.2.3　先進制造模式/系統(tǒng)009
1.2.4　現(xiàn)代集成制造系統(tǒng)特征013
1.3　制造系統(tǒng)集成的體系架構與目標015
1.3.1　制造系統(tǒng)集成的體系架構016
1.3.2　制造系統(tǒng)集成的演進目標021
1.4　制造系統(tǒng)集成的發(fā)展趨勢024
1.4.1　從符號智能走向計算智能025
1.4.2　從百花齊放走向統(tǒng)一融合026
1.4.3　從集中走向分布、從被動走向主動030
第2章  優(yōu)化與決策方法概述035
2.1　智能優(yōu)化方法035
2.1.1　發(fā)展歷史036
2.1.2　典型特征037
2.2　多目標優(yōu)化039
2.2.1　多目標優(yōu)化問題040
2.2.2　多目標優(yōu)化方法041
2.2.3　解集的評價指標047
2.3　遷移學習049
2.3.1　遷移學習的動機050
2.3.2　遷移學習方法分類052
2.4　多任務優(yōu)化054
2.4.1　多任務優(yōu)化問題的數(shù)學描述056
2.4.2　多任務優(yōu)化的基本框架056
2.4.3　遷移過程的自適應控制策略060
2.5　深度學習和強化學習063
2.5.1　深度學習063
2.5.2　強化學習066
2.5.3　深度Q 網(wǎng)絡069
2.6　不確定多屬性決策072
2.6.1　區(qū)間數(shù)多屬性灰色關聯(lián)分析073
2.6.2　三角模糊數(shù)多屬性決策074
2.6.3　二元語義多屬性決策078
2.6.4　直覺模糊數(shù)多屬性決策081
第二部分　制造系統(tǒng)集成篇
第3章  制造物聯(lián)與信息物理生產(chǎn)系統(tǒng)084
3.1　制造物聯(lián)084
3.1.1　定義及特征086
3.1.2　參考體系架構088
3.1.3　關鍵使能技術089
3.2　信息物理生產(chǎn)系統(tǒng)093
3.2.1　概述093
3.2.2　系統(tǒng)模型095
3.2.3　實現(xiàn)技術096
第4章  大數(shù)據(jù)驅動的主動制造系統(tǒng)101
4.1　引言101
4.2　制造中的大數(shù)據(jù)問題103
4.3　主動制造的內涵107
4.4　主動制造系統(tǒng)體系結構109
4.5　案例分析114
第5章  人本智能制造系統(tǒng)117
5.1　引言117
5.2　工業(yè)5.0 120
5.2.1　特征及定義120
5.2.2　人機交互方式演化122
5.2.3　“人-社會-自然-技術”視角下的工業(yè)4.0/5.0 125
5.3　走向人機共生的人本智造127
5.3.1　人機共生關系128
5.3.2　生產(chǎn)模式演化與人類需求多樣化130
5.3.3　人機協(xié)作應用案例132
5.4　人本智能制造演化133
5.5　人本智造示例136
第6章  自主智能制造系統(tǒng)139
6.1　從人機交互到自主智能139
6.2　自主智能制造系統(tǒng)的人機物交互141
6.3　自主智能制造系統(tǒng)中人的角色143
6.4　自主智能制造參考體系架構144
6.5　應用實例149
第7章  可持續(xù)包容性制造155
7.1　引言155
7.2　包容性制造的內涵158
7.3　包容性制造技術路線161
7.4　應用案例165
第三部分　制造系統(tǒng)優(yōu)化篇
第8章  高維多目標制造云服務組合優(yōu)化方法168
8.1　引言169
8.2　云服務組合模型173
8.3　QoS 評估174
8.4　對抗搜索驅動的高維多目標協(xié)同搜索方法177
8.4.1　對抗分解的基本思想178
8.4.2　算法步驟180
8.4.3　實驗結果與分析187
8.5　算法尋優(yōu)過程計算資源動態(tài)配置策略192
8.5.1　基本思想193
8.5.2　算法設計195
8.5.3　實驗結果與分析202
第9章  基于遷移學習的云制造多任務協(xié)同優(yōu)化213
9.1　基于特征空間映射的多任務優(yōu)化214
9.1.1　基于自編碼器的特征空間映射214
9.1.2　模型構建216
9.1.3　算法設計219
9.1.4　云制造多任務協(xié)同優(yōu)化案例仿真224
9.2　在線學習機制驅動的多任務優(yōu)化232
9.2.1　知識遷移強度自適應233
9.2.2　多源任務選擇策略236
9.2.3　基于受限玻爾茲曼機的跨域適配機制238
9.2.4　EMaTO-AMR 算法流程240
9.2.5　案例仿真結果與分析243
9.3　集成學習輔助的跨域適配自適應方法252
9.3.1　基于DAE 的跨域適配技術253
9.3.2　基于ADM 的跨域適配技術254
9.3.3　基于RBM 的跨域適配技術255
9.3.4　算法流程257
9.3.5　仿真實驗264
第10章  深度強化學習驅動的分布式柔性車間調度284
10.1　圖神經(jīng)網(wǎng)絡284
10.1.1　圖神經(jīng)網(wǎng)絡一般框架285
10.1.2　圖卷積網(wǎng)絡（GCN） 287
10.1.3　GraphSAGE 288
10.1.4　圖注意力網(wǎng)絡（GAT） 289
10.2　深度強化學習相關算法290
10.2.1　DQN 算法291
10.2.2　DDPG 算法292
10.3　基于圖神經(jīng)網(wǎng)絡與深度強化學習的分布式柔性車間調度方法293
10.3.1　動態(tài)分布式調度特征293
10.3.2　問題建模295
10.3.3　算法流程298
10.3.4　柔性車間實時調度案例仿真306
第11章  模糊多屬性云制造資源決策理論與方法309
11.1　引言309
11.2　云服務資源發(fā)現(xiàn)與配置311
11.3　基于二元語義的制造服務優(yōu)選技術313
11.3.1　二元語義相關基礎313
11.3.2　模糊數(shù)與二元語義的轉化315
11.3.3　多粒度二元語義權重信息的一致化處理316
11.3.4　制造云服務優(yōu)選評估流程317
11.4　實例分析319
11.4.1　計算關聯(lián)系數(shù)矩陣319
11.4.2　確定指標權重系數(shù)321
11.4.3　資源綜合評價322
參考文獻324