车间调度作为制造业的核心问题对于制造强国战略的实施,制造业的国际竞争力增强等意义重大。柔性作业车间调度问题（Flexible Job Shop Scheduling Problem,FJSP）属于调度领域的研究热点,在工业生产中广泛采用。本文研究了FJSP问题及其拓展问题,即分布式FJSP（Distributed FJSP,DFJSP）和批量流FJSP（Lot Streaming FJSP,LSFJSP）,设计了改进灰狼算法（Improved Grey Wolf Optimization,IGWO）进行求解。首先,针对FJSP提出了一种IGWO算法进行求解。考虑FJSP的离散特性,结合GWO搜索能力均衡的特点,改进其社群等级制度,在给出种群内的交流机制的基础上,提出IGWO算法框架。针对FJSP改进了一种基于关键路径的邻域结构。对标准算例集合的求解结果表明,与GWO相比,IGWO在收敛速度和求解效果方面都具有较大提升。其次,提出了新的优化策略对DFJSP模型进行求解。结合分布式的生产模式,给出了数学模型。针对模型特性提出了新的编码方式,并提出一种基于启发式规则的解码方式,设计了相应优化策略。在利用IGWO对标准算例集合的求解中,刷新了部分标准算例的最优解,在求解时间以及稳定性方面领先于现阶段该领域的绝大多数算法。然后,提出了一种LSFJSP模型并设计新的优化求解策略。结合批量流的生产模式,建立了一种任务内工序重叠的等量分批的LSFJSP模型。针对任务工序的重叠特性和子批划分方式提出了一种两段式的编码策略,并给出相应的解码方式与优化策略。对于随机生成的算例集合,本章提出的求解算法收敛效果和鲁棒性等方面明显优于遗传算法（Genetic Algorithm,GA）等其他算法。接着,针对某航天院所航天结构件生产调度问题,构建了LSFJSP模型,利用改进的IGWO进行求解,求解方案符合实际生产的自动排产需求,验证了LSFSJP模型的可行性和IGWO算法的有效性。最后,对本文的主要研究工作进行总结,并展望未来的研究方向。

分布式制造是制造业发展的必然趋势,拥有资源合理化利用所带来的低成本、高效率等优势。传统车间通常只考虑单车间内部的生产,而分布式车间是考虑多个车间之间的协同生产。因此,分布式车间调度问题是现代制造系统中一类重要的组合优化问题,而且复杂度更高、求解更复杂,具有十分重要的学术意义和应用价值。因此本文针对分布式置换流水车间调度问题、考虑能耗的多目标分布式置换流水车间调度问题、分布式作业车间调度问题、考虑能耗的多目标分布式柔性作业车间调度问题四种不同类型的分布式车间调度问题,结合不同类型的问题特征建立混合整数规划模型,并相应地提出基于Memetic算法（Memetic Algorithm,MA）的混合优化算法求解以上四类分布式车间调度问题。主要研究内容如下:针对分布式置换流水车间调度问题,建立了以最小化最大完工时间（Makespan）为目标的混合整数规划模型,并提出了一种Memetic算法的优化算法来求解该问题。在算法中,结合问题特征,提出了工件在车间中的分配以及车间内部排序的双层编码机制,并针对该编码机制,设计了与之相适应的初始化方式、进化操作以及基于关键的局部搜索算法,从而提高了算法的全局搜索能力和局部搜索能力。为了评价MA性能,将MA与其他三种算法进行对比,实验结果表明MA在180个问题上均优于其它算法。针对多目标分布式置换流水车间调度问题,建立了以最小化Makespan和总能耗为目标的混合整数规划模型,并提出了基于Memetic算法的多目标优化算法（Multiobjective Memetic Algorithm,MOMA）来求解该问题。在算法中,基于三层编码机制,提出了混合初始化方法;基于最小化Makespan的目标,提出了基于优化Makespan的局部搜索策略;基于最小化总能耗的目标,提出了基于等待时间的局部搜索策略。为了测试MOMA的有效性,将MOMA与其他多目标算法进行对比实验,实验结果表明所提MOMA在求解该类调度问题的40个算例上收敛性和综合性能均具有优势。针对分布式作业车间调度问题,建立了混合整数规划模型,并提出了基于知识的Memetic算法（Knowledge-based Memetic Algorithm,KMA）来求解该问题。相比于分布式置换流水车间调度问题,此类问题复杂性较高,需要考虑不同工件的不同工序的排序问题。同时,根据分布式车间调度问题以及作业车间调度问题的特点,提出了相应的编码机制、更新操作以及基于关键车间的局部搜索策略,根据进化程度的不同进而选择与之相适应的更新策略以提高搜索效率。为了评价KMA性能,针对该类调度问题的240个算例进行了算法对比实验,验证了所提算法在求解该类调度问题上的有效性。针对多目标分布式柔性作业车间调度问题,建立了混合整数规划模型,设计了一种多目标Memetic算法来求解该问题。分布式柔性作业车间调度问题考虑了工件在不同车间中的分配、每个车间内不同工序之间的排序以及每个工序机器的选择。在算法中,设计了全解码编码,并采用了全局选择、局部选择以及随机选择的混合初始化方式。通过非支配排序,将种群分类,并根据不同子种群设计了相应的更新操作以及包含五种邻域结构的局部搜索策略。为了验证该算法的有效性,通过测试算例与其他多目标算法对比,实验结果表明所提算法在求解该类调度问题上具有明显优势。针对左侧围外板加工车间的生产情况,对本文提出的方法进行了应用验证。建立了对应的混合整数规划模型,通过实际工程案例对本文的理论和方法进行了验证,证明了本文所提算法的有效性。最后,总结了全文的研究工作以及创新之处,并展望了未来的研究方向。

批量流柔性作业车间调度问题（Lot Streaming Flexible Job Shop Scheduling Problem,LSFJSP）是柔性作业车间调度问题（Flexible Job Shop Scheduling Problem,FJSP）的拓展,在原问题上增加了批量流的处理方法,更符合实际企业的多品种中等批量生产模式,具有重要的研究和应用价值。本文分别考虑了等量一致分批的LSFJSP、等量不一致分批的LSFJSP以及多目标优化下的LSFJSP,设计了改进的人工蜂群算法（Improved Artificial Bee Colony Algorithm,IABC）。首先,对批量流柔性作业车间调度问题进行了详细的问题描述。简介了四种不同的LSFJSP分批模式及其overlap（重叠）特点;介绍了核心求解方法人工蜂群算法的基本理论和算法流程;描述了改进人工蜂群算法求解LSFJSP的基本框架。其次,针对等量一致分批的LSFJSP（Equal Consistent Lot Streaming Flexible Job Shop Scheduling Problem,ECLS＿FJSP）,设计了EC-ABC算法进行求解。建立了以最小化最大完工时间为目标的ECLS＿FJSP数学模型;针对ECLS＿FJSP的离散特性,设计了双层编码方式、合适的初始化策略以及种群进化引导方案,采用Levy飞行进行全局搜索。通过与其他算法的数值实验对比,验证了EC-ABC在收敛速度和求解效果方面都有较大提升。接着,针对等量不一致分批的LSFJSP（Equal Inconsistent Lot Streaming Flexible Job Shop Scheduling Problem,EILS＿FJSP）,设计了EI-ABC算法进行求解。建立了以最小化最大完工时间为目标的EILS＿FJSP数学模型;设计了一种双层编码方案,并提出了高效的不一致分批主动解码方案、蜂群交流引导机制以及二分迭代探测方法等以提高算法搜索能力。通过与其他算法的数值实验对比,验证了EI-ABC有更快的收敛速度和更优的求解效果。然后,针对批量流柔性作业车间多目标生产调度问题,设计了MOABC算法进行求解。考虑了最小化最大完工时间和最小化最大机器负载这两个优化目标,建立数学模型;在IABC和Pareto优化理论的基础上,通过引入精英保留策略、非支配排序策略和拥挤距离算法提高MOABC的局部搜索能力,并设计了多级支配等级下的小种群交叉引导机制提高算法的性能。通过与其他算法的数值实验对比,验证了MOABC在收敛速度和求解效果方面都具有明显优势。最后,总结了本文对于LSFJSP的主要研究工作,并对未来的研究方向进行展望。

分布式制造已成为当前主要的制造模式之一。零等待流水车间调度问题（No-wait Flowshop Scheduling Problem,NWFSP）一直是调度领域的典型问题之一。分布式NWFSP（Distributed NWFSP,DNWFSP）广泛存在生产实际中。本文以DNWFSP为研究对象,考虑车间异构性和多目标优化,研究了分布式异构NWFSP（Distributed Heterogeneous NWFSP,DHNWFSP）和多目标DHNWFSP（Multi-objective DHNWFSP,MDHNWFSP）。结合问题特征,以人工蜂群算法（Artificial Bee Colony,ABC）为主要方法,提出了相应算法求解上述问题。本文的主要工作如下:针对DNWFSP,以最小化最大完工时间为目标,建立了混合整数线性规划模型（Mixed Integer Linear Programming,MILP）,并给出了完工时间的计算方法。提出了一种离散ABC算法（Discrete ABC,DABC）。在DABC中,设计了针对DNWFSP特点的邻域结构,用于雇佣蜂和跟随蜂阶段可行邻域解的生成,以改善食物源种群质量;鉴于邻域移动速度影响算法整体速度,结合DNWFSP编码特点,提出了一种邻域评价的加速方法;在侦查蜂阶段,采用混合四种局部搜索方法的变邻域下降算法,以增强算法局部寻优能力。最后,采用算例进行测试,并与其它DNWFSP求解算法进行对比,所提算法在DNWFSP上的有效性和高效性得以验证。针对DHNWFSP,在DNWFSP的基础上,考虑机器数量、机器工艺和原料运输条件的差异,即工厂异构性,建立了以最小化最大完工时间为目标的MILP模型,并给出了该问题目标值的计算方法。结合DHNWFSP的特点,改进了DABC算法的初始化阶段和邻域评价加速方法。对不同规模的DHNWFSP进行了测试。在小规模问题上,与CPLEX和其它算法进行对比试验,结果显示DABC算法与其他算法效果相同;在大规模问题上,DABC显著优于其它算法,几乎可获得所有算例的当前最优解。针对考虑序列相关准备时间（Sequence-Dependent Setup Time,SDST）的MDHNWFSP（MDHNWFSP-SDST）,建立以最小化最大完工时间与总滞后的多目标优化模型。基于MDHNWFSP-SDST特征及多目标特性,提出了一种基于帕累托最优的多目标DABC。在算法中,采用改进的PWQ算法（Improved PWQ,IPWQ）初始化种群;在雇佣蜂阶段,结合分布式调度问题的特点,采用了四种邻域结构生成可行解以提升种群质量;在跟随蜂阶段,采用改进的工件位置交叉方法生成子代种群,保留父代优良特性的同时保持种群多样性;在侦查蜂阶段,嵌入一种多目标局部搜索方法以保证解空间的充分搜索。最后,对比其它多目标算法,所提算法在均匀性、收敛性和综合性能指标上的有效性得以验证。最后,总结了本文的研究工作,并给出未来可继续研究的方向。

造船业是经济发展和国防建设的重要基础之一。造船过程中需要大量的管子,而管子的生产效率在很大程度上影响造船的效率,因此通过调度技术提高船舶管子生产效率成为提高造船效率的关键之一。船舶管子加工车间生产调度问题是一类复杂混合流水车间问题,传统的精确方法只适用于小规模问题,因此,使用启发式算法求解船舶管子加工车间生产调度问题具有很高的理论研究和工程应用价值。本文针对船舶管子加工车间生产调度问题,建立了该问题的数学模型,采用果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）,求解了该问题。针对船舶管子加工车间生产调度问题,设计了离散的双层编码,通过规则进行解码,通过设计合适的初始化策略、嗅觉搜索方式和视觉搜索方式,提出了一种改进的果蝇优化算法（Improved Fruit Fly Optimization Algorithm,IFOA）,并用IFOA求解了该问题。通过与原始FOA和遗传算法（Gene Algorithm,GA）的数据实验与对比,验证了所提算法的有效性。针对带资源约束的船舶管子加工车间生产调度问题,在无资源约束问题的基础上,改进了解码规则以进行高效解码,改进了初始化策略以提高算法初始化效果,采用改进后的IFOA求解了该问题。通过与原始FOA和GA的数据实验与对比,验证了所提算法的有效性。针对带资源约束的船舶管子加工车间多目标生产调度问题,在带资源约束的单目标问题的基础上,考虑实际生产中的多个优化目标,在IFOA求解框架的基础上,基于Pareto优化理论,通过设计多目标初始化、嗅觉搜索和视觉搜索等方法以及种群更新机制,提出了多目标果蝇优化算法（Multi-objective Fruit Fly Optimization Algorithm,MOFOA）并求解该问题。通过与第二代非支配排序遗传算法（Nondominated Sorting Genetic Algorithm II,NSGAII）的数据实验与对比,验证了所提算法的有效性。最后,总结了本文的研究工作,并对未来需要深入研究的方向进行了展望。

多品种小批量生产模式使生产过程变得复杂且难以控制。高效、鲁棒的生产调度方案,是保障生产过程高效高可靠、提高企业核心竞争力的关键。柔性作业车间调度（Flexible Job-Shop Scheduling,FJSP）问题是一种从作业车间扩展而来的调度问题,属于典型的NP-Hard问题,有着重要的工程应用和理论研究价值。但是,FJSP只考虑了机器这一种资源的限制,在大多数实际生产过程中,还需考虑除机器外的其它多种辅助资源的制约。因此,资源受限柔性作业车间调度问题（Resource Constrainted FJSP,RCFJSP）的研究成果对企业的生产过程更具有指导意义。本文在分析总结国内外研究现状的基础上,建立了FJSP以及RCFJSP的数学模型,并基于鲸鱼群算法（Whale Swarm Algorithm,WSA）分别研究了针对单目标FJSP、单目标RCFJSP以及多目标RCFJSP的求解方法。针对单目标FJSP,通过改进WSA来进行求解。首先,采用混合初始化策略来获取高质量的初始种群;然后,改进了个体编码与解码方式,并基于编码方式改进了鲸鱼的距离计算方式和个体移动规则;最后,设计了一种基于关键路径信息的邻域搜索策略来提高算法的局部搜索能力。通过算例测试,并与其它算法进行对比,验证了WSA在解决FJSP上的有效性与优越性。针对单目标RCFJSP,基于问题特征对WSA进行了改进,设计了适用于RCFJSP的MinEnd2初始化规则、贪婪前移解码策略以及关键路径信息获取方法。通过与最先进的几种算法进行对比,验证了WSA的有效性。针对多目标RCFJSP,设计了MOWSA进行求解。其中,引入了Pareto快速非支配排序、拥挤距离等机制来保证最终解的质量。通过标准算例测试,验证了MOWSA的性能优于对比算法。最后,对全文工作进行了总结,并对未来值得研究的方向进行了展望。

分布式制造已成为当前制造领域的研究热点,其中分布式车间调度是分布式制造的难点之一。分布式车间调度是指将企业的生产任务拆分为多个子任务,这些子任务分别在不同车间内完成生产,从而实现成本降低和资源合理利用。分布式混合流水车间调度问题（Distributed Hybrid Flow-shop Scheduling Problem,DHFSP）是一种复杂的分布式车间调度问题,广泛存在于电子、石油、汽车等行业。本文以DHFSP为对象,建立问题的数学模型,并基于人工蜂群（Artificial Bee Colony,ABC）算法深入研究了同构车间、异构车间以及考虑多类型约束的多目标优化问题,并结合实际车间进行了应用案例验证。主要工作如下:首先,针对经典的混合流水车间调度问题,提出了一种ABC算法。在问题的编解码方法方面,提出了基于析取图的混合双向解码的关键路径搜索方法,解决了序列编码空间搜索性能差的问题;在观察蜂阶段,设计了不放回的锦标赛选择机制,保证了种群的多样性和解的质量;在侦查蜂阶段,构造了一种精英个体倒置操作策略,提高了算法搜索的广度。三类标准测试集上的实验结果验证了ABC算法和所提策略的有效性。其次,针对同构DHFSP,建立了以最小化最大完工时间为目标的数学模型,并提出了改进的ABC算法。根据问题的求解空间,提出了两层编码方法和基于车间分配规则的解码方式,实现了面向多车间特征的混合双向解码。设计了关键车间内基于关键路径的邻域搜索策略,提高了算法搜索的深度。针对目标函数的特征,提出了可行解的快速评价方法,提高了算法搜索的效率。采用对比实验验证了ABC算法和所提策略的有效性。接着,在同构DHFSP的基础上,考虑到各车间加工环境的差异和序列相关准备时间（Sequence Dependent Setup Time,SDST）约束,研究了考虑SDST的异构DHFSP,并以最小化最大完工时间为目标建立了数学模型,并改进了ABC算法。提出了面向SDST特征的混合双向解码方法和异构车间的工件分配规则,实现了序列编码空间的高效搜索。针对机器的柔性特征,提出了关键车间的关键路径上机器间的贪婪搜索方法,提升了邻域解的质量。对比实验验证了ABC算法的有效性和改进策略的优越性。然后,在考虑SDST异构DHFSP的基础上,考虑了批处理机、批量流以及运输时间的约束,研究了多目标异构DHFSP,建立了以最小化最大完工时间和子批数量为目标的数学模型,并提出了基于分解的多目标ABC算法。设计了三层编码方式和分批策略,实现了基于问题特征的混合双向解码。在雇佣蜂阶段,提出了批次交叉算子和批量调整方法,既保留了父代的优良特性,又提升了种群多样性;在观察蜂阶段,采用了聚类移动操作,可充分地探索编码空间;在侦查蜂阶段,基于不同权重挖掘新解,实现了同支配层级解的交换;算法采用解的两种更新机制丰富了非支配解集合。数值实验验证了所提算法的高效性。随后,本文针对某手机后壳机械加工的实际车间,将上述方法进行了应用案例验证。该实例可归结为HFSP和同构DHFSP,并利用所提算法和策略进行了求解,结果验证了所提算法的实用性。最后,总结了本文的工作并展望了未来的研究方向。

开放车间广泛存在于检测、服务等行业中,开放车间调度问题是生产调度的重要分支。本文研究了基本开放车间调度问题、考虑运输时间的开放车间调度问题以及考虑运输时间的分布式开放车间调度问题。以鲸鱼群算法为求解框架,针对各问题的特点,提出了相应的改进算法进行求解。针对基本开放车间调度问题,以生产周期最短为目标,建立混合整数线性规划模型以及析取图模型,并提出一种多种群离散鲸鱼群算法。该算法基于移动策略,设计了一种改进莱温斯坦距离计算方式;结合不同种群的搜索优势,采用多种群并行协同搜索策略;基于两种邻域结构,在局部搜索中嵌入禁忌操作,加快算法收敛速度。最后,采用标准算例及工程实例进行对比测试,验证了多种群鲸鱼群算法的有效性。针对考虑运输时间的开放车间调度问题,建立了该问题的数学模型。结合问题特点,考虑运输时间对完工时间的影响,设计了对应的初始化规则——最小延迟启发规则;进一步改进了邻域结构,使其更加符合问题特点。最后,使用算例进行测试,验证了该算法的有效性。针对考虑运输时间的分布式开放车间调度问题,建立了该问题的数学模型,提出了改进多种群鲸鱼群算法。在改进算法中,设计了相应的编码策略;提出了基于载荷差最小的启发式初始化规则;在搜索过程中,采用步进式前进策略,提高搜索最优解的效率;设计了四种邻域结构,并将其嵌入变邻域下降搜索算法框架进行局部搜索。最后,通过算例测试,验证了改进多种群鲸鱼群算法的有效性。最后,总结了本文的研究工作,并展望了未来可继续研究的方向。

Fault diagnosis is vital in manufacturing system, since early detections on the emerging problem can save invaluable time and cost. With the development of smart manufacturing, the data-driven fault diagnosis becomes a hot topic. However, the traditional data-driven fault diagnosis methods rely on the features extracted by experts. The feature extraction process is an exhausted work and greatly impacts the final result. Deep learning (DL) provides an effective way to extract the features of raw data automatically. Convolutional neural network (CNN) is an effective DL method. In this study, a new CNN based on LeNet-5 is proposed for fault diagnosis. Through a conversion method converting signals into two-dimensional (2-D) images, the proposed method can extract the features of the converted 2-D images and eliminate the effect of handcrafted features. The proposed method which is tested on three famous datasets, including motor bearing dataset, self-priming centrifugal pump dataset, and axial piston hydraulic pump dataset, has achieved prediction accuracy of 99.79%, 99.481%, and 100%, respectively. The results have been compared with other DL and traditional methods, including adaptive deep CNN, sparse filter, deep belief network, and support vector machine. The comparisons show that the proposed CNN-based data-driven fault diagnosis method has achieved significant improvements.
© 1982-2012 IEEE.