针对传统OCT预测对于影响因素考虑不周以及预测准确率低的问题,在实时作业车间基础上考虑RBF神经网络的优势,提出了一种基于RBF神经网络的OCT预测方法。首先,剖析了OCT的主要影响因素,明确了订单构成和车间实时负载对于OCT的影响;然后,利用FLEXSIM仿真平台,建立了离散制造车间生产过程的先进仿真模型。采用仿真方法采集样本数据,利用RBF神经网络搭建OCT预测模型;最后,运用实例阐述了OCT预测的完整过程。结果表明,该方法对OCT的预测具有更好的效果。

室内实时定位技术被广泛地应用于获取离散制造车间中生产要素的位置信息。然而,传统的单机计算方法已不能满足制造大数据环境下定位数据的实时处理需求。通过利用UWB实时定位技术、Apache Kafka、Spark Streaming、HBase等大数据技术及Demo 3D软件,搭建一套制造车间定位数据获取、收集、计算、存储和可视化的平台,并设计了基于Spark流式处理框架下的多线程卡尔曼滤波器,相较于传统单机多线程计算方式快218.2s。实现了对车间中叉车、人员、关键物料的实时定位、监管和海量数据的存储,提高了车间的透明化管理水平。

离散制造车间存在制造要素偏离生产计划导致的生产异常事件,准确的车间异常检测有助于实时监控生产过程,提高动态决策响应速度,保证订单按时交付。针对异常检测的准确性和实时性需求,提出一种增量式无监督学习的车间生产异常检测方法。首先,以在制品在车间的流转过程为主线定义生产异常种类,搭建离散制造车间生产异常检测框架;其次,使用增强自组织增量神经网络实时检测生产异常,并根据当前生产数据在线更新模型,以适应数据分布的动态变化,提高模型检测准确率;最后以某航天机加车间为例,将所提方法与两种增量式及两种非增量式聚类算法进行对比实验,并在离散制造车间应用生产异常检测系统,验证了该方法在生产异常检测问题上的有效性。