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,从现有产品的功能和物理架构的角度对其进行分析。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。基于基准流链,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,输出的是混合功能和物理架构图 (HyFPAG),它通过为生产系统规划人员和产品设计师提供设计支持来描述产品系列之间的相似性。以指甲刀为例来解释所提出的方法。工业案例
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,从现有产品的功能和物理架构的角度对其进行分析。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。基于基准流链,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,输出的是混合功能和物理架构图 (HyFPAG),它通过为生产系统规划人员和产品设计师提供设计支持来描述产品系列之间的相似性。以指甲刀为例来解释所提出的方法。工业案例
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,从现有产品的功能和物理架构的角度对其进行分析。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。基于基准流链,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,输出的是混合功能和物理架构图 (HyFPAG),它通过为生产系统规划人员和产品设计师提供设计支持来描述产品系列之间的相似性。以指甲刀为例来解释所提出的方法。工业案例
第一次工业革命始于 18 世纪末,当时农业社会在蒸汽机、水力和机械化的推动下实现了工业化和城市化。这一转变是从手工方法到机器,将人们从家中转移到专门建造的工厂。19 世纪末的第二次工业革命是技术进步的又一次巨大飞跃,主要由电力推动,这导致了制造和生产方法的进步,例如亨利·福特 [1] 引入的装配线实现了大规模生产,特别是汽车和飞机的生产,彻底改变了公共交通。第三次工业革命出现在 20 世纪下半叶,随着电子、计算机和信息技术的兴起,导致使用可编程逻辑控制器 (PLC) 和机器人技术实现生产自动化。第四次工业革命正在进行中,它建立在第三次工业革命和互联网发展、先进计算能力、数据科学、传感器低成本和新水平连接推动的技术进步的基础上,导致了被称为“数字化”的新技术现象 [2]。这种数字化通过将数字世界和物理世界连接在一起,使工厂自动化更加灵活,并为提高生产效率提供机会,从而推动制造业的变革 [3]。它使我们能够构建一个新的虚拟世界,从中可以引导物理世界。它也被解释为工业生产系统中网络物理系统的应用 [4]。978-1-7281-3021-7/19/$31.00 ©2019 IEEE
布局设计 在文献综述中,我们指定了四种用于生产流程的布局类型。每种布局类型都有自己的数量/品种特征。我们确定 VLAS 流程的产品品种少,数量大。与这些特征相匹配的布局类型是单元布局和产品布局。因此,使用这两种布局类型,我们为 VLAS 创建了通用布局设计,同时尝试结合头脑风暴法解决出现的瓶颈问题。我们设计了 8 种不同的布局方案,布局类型和生产流程各不相同。除此之外,供应方式也各不相同,有专门为每个航班供应餐食,也有批量供应一个航班的餐食。在与所有利益相关者开会后,我们在影响/易用性矩阵中绘制了 8 种布局方案,以根据对操作的影响和实施的难易程度对方案进行分类。排除了三种布局,因为它们被归类为影响小且实施难度高。然后,所有利益相关者使用层次分析法对剩下的五种布局进行了评判和排名。我们从人体工程学、质量、生产率、可行性、成本和生产时间标准等方面对各种方案进行了比较。在比较了五种方案后,装配线排名第一,(分体式)升降台排名第二和第三。这三种方案将被选中进行进一步研究、测试和
第一次工业革命始于 18 世纪末,当时农业社会在蒸汽机、水力和机械化的推动下实现了工业化和城市化。这一转变是从手工方法到机器,将人们从家中转移到专门建造的工厂。19 世纪末的第二次工业革命是技术进步的又一次巨大飞跃,主要由电力推动,这导致了制造和生产方法的进步,例如亨利·福特 [1] 引入的装配线实现了大规模生产,特别是汽车和飞机的生产,彻底改变了公共交通。第三次工业革命出现在 20 世纪下半叶,随着电子、计算机和信息技术的兴起,导致使用可编程逻辑控制器 (PLC) 和机器人技术实现生产自动化。第四次工业革命正在进行中,它建立在第三次工业革命和互联网发展、先进计算能力、数据科学、传感器低成本和新水平连接推动的技术进步的基础上,导致了被称为“数字化”的新技术现象 [2]。这种数字化通过将数字世界和物理世界连接在一起,使工厂自动化更加灵活,并为提高生产效率提供机会,从而推动制造业的变革 [3]。它使我们能够构建一个新的虚拟世界,从中可以引导物理世界。它也被解释为工业生产系统中网络物理系统的应用 [4]。978-1-7281-3021-7/19/$31.00 ©2019 IEEE
摘要:可充电铝离子水系电池(AIAB)因其经济、丰富、环保和安全优势,正在成为大规模电池系统的新兴竞争者。然而,由于天然氧化物屏障的形成,金属铝的高容量仍未得到开发。通过用离子液体混合物处理铝金属来去除氧化物解决了这个问题,但这种处理过的铝(TAl)在影响全电池性能方面的作用尚不完全清楚。同时,在铝金属上涂覆的涂层的稳定性和兼容性在全电池装配线中的长期处理中仍未得到探索。在这里,我们在全电池 AIAB 的背景下探讨了 TAl 的上述两个方面。首先,一种高度稳定的正极材料 NMnHCF 被证明可以通过从单斜相可逆地转变为四方相来成功存储铝离子。据报道,其高能量密度超过了以前的等效报告。其次,揭示了电解质-TAl 配对的组合显着影响整体电池性能;其中电解质电导率会影响铝电镀/剥离过电位,进而决定整体电池性能。我们还证明,TAl 上的氯化涂层在环境大气下至少可稳定 40 小时,并可防止电池制造和电化学循环过程中铝金属块再次氧化。
摘要 制造业(尤其是汽车行业)的客户对个性化产品的需求很高,而其价格水平与传统大规模生产相当。提供各种产品和以最低成本运营的目标与此相反,因此引入了基于混合模式装配线稳定订单顺序的高度生产计划和控制机制。这一发展面临的主要威胁是顺序混乱,它是由操作和产品相关的根本原因引发的。尽管引入了准时制和固定生产时间,但汽车行业的顺序混乱问题仍然没有得到部分解决。负面的下游影响包括准时制供应链中断,以及生产过程中断。在早期阶段精确预测顺序偏差允许引入对抗措施,在出现混乱之前稳定顺序。虽然程序原因在研究中得到了广泛解决,但手头的工作需要从不同的角度来考虑产品相关的观点。基于来自现实世界全球汽车制造商的独特数据,对监督分类模型进行了训练和评估。这包括设计、实施和评估 AI 工件的所有必要步骤,以及数据收集、预处理、算法选择和评估。为了确保长期预测稳定性,我们包括一个持续学习模块来应对数据漂移。我们表明,最多 50% 的主要偏差可以提前预测。但是,我们不考虑任何与过程相关的信息,例如机器状况和轮班计划,而只关注产品特征的利用,例如车身类型、动力传动系统、颜色和特殊设备。
b'Abstract:模块化聚酮化合物合酶(PKS)是巨型组装线,产生了令人印象深刻的生物活性化合物。然而,我们对这些巨质的结构动力学的理解,特别是酰基载体蛋白(ACP)结合的构建块的递送到酮类合酶(KS)结构域的催化位点的构建块仍然受到严重限制。使用多管结构方法,我们报告了在根瘤菌毒素PK的链分支模块中C C键形成后域间相互作用的详细信息。基于机制的工程模块的交联,使用作为迈克尔受体的合成底物底座。交联蛋白使我们能够通过低温电子显微镜(Cryo-EM)在C键形成时鉴定出二聚体蛋白复合物的不对称态。AlphaFold2预测也指示了两个ACP结合位点的可能性,其中一个用于底物加载。NMR光谱表明,在溶液中形成了瞬态复合物,独立于接头结构域,并且具有独立域的光化学交联/质谱法使我们能够查明域间相互作用位点。在C C键形成后捕获的分支PK模块中的结构见解可以更好地理解域动力学,并为模块化装配线的合理设计提供了宝贵的信息。
摘要。计算机视觉和机器学习中的最新技术成就为工业质量控制提供了有希望的解决方案。由于自动解决方案很难在制造过程中集成,因此电池组装过程中的一种常见做法涉及对电池零件的手动调查,该电池零件既效率低下又耗时。我们将重点放在装配线中的一个具有挑战性的生产阶段,该阶段在人类检查不可行的情况下,只能在生产的后期才能检查出来的缺陷。为此,我们提出了一个原位系统,该系统通过在当前生产阶段准确识别异常来自动化质量控制过程并形成缺陷诊断。实施的系统旨在通过使用深神经网络(DNN)来监视电池组装线中的生产线并可视化电池组件中的有缺陷,并检查使用机器视觉系统收集的真实生产样品的缺陷。为了确定特定任务的光学配置,我们对各种最新的(SOTA)DNN体系结构进行了交叉评估,专门研究对象检测。此外,我们探索了复制 - 粘贴数据增强机制,以从少数有缺陷的样本中生成其他培训数据。最初使用平均平均精度(MAP)作为绩效评估的度量标准,对工业试验样本中缺陷的定位进行了验证,然后使用F-SCORE,PROCISION和RESEMES验证了有缺陷和非缺陷样本的分类作为评估指标。