制造信息系统的有序性测度理论研究

为了测度制造信息系统的有序性,研究了制造信息系统的有序程度与制造信息之间的关系.首先将制造信息分为车间设备信息、制造执行信息、流程管理信息、业务决策信息和战略决策信息5个层次,并根据制造信息所在的层次定义了制造信息绝对信息量的评分标准及同一层次内部信息重要性的评分标准;然后采用Shannon的信息论计算制造信息的信息量,并结合前述的两个评分标准计算每个信息的绝对信息量;再结合制造信息量之间的相关性系数,确定各个制造信息的独立信息量.制造信息系统中所有独立信息的总量就是制造信息系统的信息总量;另外,当制造信息系统处于极端条件下时,其信息总量会出现最大值与最小值,根据这三个值,文中找到了评价制造信息系统有序性的参数并称之为系统有序度Θ(t).使用系统有序度Θ(t)来测度制造信息系统的有序性时,系统有序度越大,制造信息系统的有序性越高.     

基于时间序列分析的制造质量水平变化的混沌特性

在定义了制造企业生产制造时间序列的基础上,使用G-P算法计算时间序列的关联维数。通过关联维数的计算得到相应的嵌入维数后,使用基于相空间重构的小数据量法计算混沌时间序列的Lyapunov指数。采集HZ近三年的日生产产品合格率作为研究制造质量水平变化混沌特性的原始数据。在以上技术路线及数据的基础上,得到的关联维为分数,而Lyapunov指数为正值,说明日生产产品合格率变化时间序列呈现出混沌特性。另外将以上数据分为8个时间序列,每个时间序列同样得到分数关联维数与正Lyapunov指数,说明制造质量水平的变化是一直是混沌的,为制造质量水平的预测在理论上提供了可能性。     

混沌时间序列的平均周期计算方法

在研究制造质量信息系统的混沌特性,使用小数据量法求解时间序列的Lyapunov指数时,使用文献中推荐的方法计算得到的平均周期不可信。针对这个问题,对比分析了六种平均周期计算方法,及其与时间序列长度、经过FFT变换后的幅值及功率之间的关系。在此基础上,以华南智信的日产品生产合格率数据及Lorenz系统产生的混沌时间序列为原始数据,计算这两个混沌时间序列的六个平均周期。实际生产数据与Lorenz系统数据进行对比后,发现六种平均周期对于平均周期计算来说,大小变化是一致的;再结合生产合格率数据的物理意义,对计算结果进行分析,综合前述理论分析,得到的结论是以功率加权计算得到的平均周期的在实际使用过程中有意义。     

基于改进BP神经网络的混沌时间序列预测方法对比

针对BP神经网络预测混沌时间序列存在的易陷入局部极小值和收敛速度较慢的问题,选取了两种改进预测模型,即GA-BP预测模型和PSO-BP预测模型。并将这两种模型对Lorenz混沌时间序列进行了预测比较实验。实验表明,两种改进模型比BP神经网络预测模型具有更好的预测性能,并且PSO-BP预测模型较GA-BP预测模型的预测精度更高。