XiaoMi-AI文件搜索系统
World File Search System工厂模型
使用人工智能工厂模型对柴油机进行模型预测控制
为了实现零碳社会，人们关注的焦点是减少交通运输领域的碳排放1)、2)，但对于支持物流的大型柴油车辆，也需要提高燃油效率并减少碳排放。近年来，柴油机废气排放评价方法不断更新，需要能够在各种条件下满足废气法规的控制方法。然而，众所周知，发动机建模是一个难题，因为它涉及燃烧现象，并且非线性、延迟和相互作用的存在使得构建控制器变得困难。 参考文献3)阐述了对柴油机进排气系统H ∞ 控制的研究，提出了一种通过切换控制器来覆盖运行范围的方法。另一方面，人们也在研究利用实验数据创建发动机的神经网络模型4)。虽然可以使用复杂且详细的仿真模型来模拟发动机，但是很难将其直接用作控制模型。一旦收集到数据，就可以相对容易地创建神经网络，并且神经网络被广泛用于近似、分析、异常检测和模拟。参考文献5），6）研究柴油机的模型预测控制，利用机器学习推导出状态空间表示，并利用神经网络近似控制律，实现高速控制计算。在参考文献[7]中，我们提出了一种结合Hammerstein-Wiener模型和输入凸神经网络的模型。我们还通过将该方法应用于发动机气道系统的建模和控制来检验其实际适用性。在参考文献8)中，提出了一种基于模型的柴油发动机空气路径控制，作为一种模型预测算法，解决具有输入约束的最优控制问题。在参考文献[9]中，开发了一种基于非线性自回归模型的非线性模型预测控制器，该控制器使用外生输入神经网络来解决柴油发动机的控制问题。然而，目前还没有开发出能够建立柴油发动机的神经网络模型并针对该模型系统地进行设计的控制方法。
数字工厂模型更新方法
在当今的商业环境中，产品种类和定制化的趋势从未间断。由于这种发展，需要敏捷和可重构的生产系统来应对各种产品和产品系列。为了设计和优化生产系统以及选择最佳产品匹配，需要产品分析方法。事实上，大多数已知方法旨在从物理层面分析产品或一个产品系列。然而，不同的产品系列在组件数量和性质方面可能存在很大差异。这一事实阻碍了对生产系统进行有效比较和选择合适的产品系列组合。提出了一种新方法来根据现有产品的功能和物理架构对其进行分析。目的是将这些产品聚类为新的面向装配的产品系列，以优化现有装配线并创建未来的可重构装配系统。基于 Datum Flow Chain，分析产品的物理结构。识别功能子组件，并执行功能分析。此外，输出混合功能和物理架构图 (HyFPAG)，通过为生产系统规划人员和产品设计师提供设计支持，描述产品系列之间的相似性。使用指甲刀的说明性示例来解释所提出的方法。然后对蒂森克虏伯 Presta France 的两个转向柱产品系列进行工业案例研究，以对所提出的方法进行首次工业评估。© 2017 作者。由 Elsevier B.V. 出版。同行评审由 2018 年第 28 届 CIRP 设计会议科学委员会负责。