随着电子通信技术的快速发展,PCB（Printed Circuit Board）的市场需求大幅增加,生产调度成为PCB制造企业的重要一环,因此,研究PCB生产调度问题具有重要的理论意义和应用价值。本文对PCB生产调度进行了深入研究,并考虑车间批量生产和动态环境,研究了批量流PCB生产静态和动态调度问题,基于人工蜂群算法设计了有效的调度方法,并开发了PCB生产调度原型系统。针对批量流PCB生产静态调度问题,以最小化总拖期时间为目标建立了混合整数线性规划模型（Mixed Integer Linear Programming,MILP）,设计了一种人工蜂群算法（Artificial Bee Colony,ABC）求解该问题。在ABC算法中,基于问题特性设计了一种双层编码方式和邻域结构;在雇佣蜂阶段,采用不同的交叉策略来提高种群的多样性;在侦查蜂阶段,对长时间未改进的蜜源进行基于NEH的邻域搜索,以增强算法的局部搜索能力。通过多组对比实验验证了所提算法在求解批量流PCB生产静态调度问题上的有效性。针对批量流PCB生产动态调度问题,考虑机器故障这一扰动事件,以最小化总拖期时间和最小化子批开工时间偏差为目标建立了MILP模型,并设计了一种多目标人工蜂群算法（Muti-Objective ABC,MOABC）求解该问题。在MOABC算法中,加入了Pareto外部存档,改进了初始化方法和解码策略使其适用于动态调度问题的求解,使用非支配排序方法改进了种群更新机制。设计多组测试算例说明了所提MOABC算法综合性能的优越性,能有效应用于批量流PCB生产动态调度问题的求解。结合以上理论研究成果,以某PCB生产车间为背景,开发了PCB生产调度原型系统。分别介绍了系统中各个模块的开发过程和使用方法,通过工程案例验证了该原型系统在求解批量流PCB生产静态和动态调度问题上的有效性。最后,总结了本文的研究工作,展望了未来值得研究的方向。

故障诊断作为制造业的重要问题之一,目前正朝着智能诊断的方向发展。由于数据可用性的提高,以及近期人工智能算法在各个领域都起到重要作用,基于人工智能算法的故障诊断研究也越来越活跃。然而在工程实践中,很难获得高质量的带标签数据;同时,由于机器工作条件不断变化,导致不同时期的数据分布往往不同。这些都给故障诊断提出了较大挑战。因此,本文针对机械设备故障诊断数据的特点,结合深度学习与迁移学习,改进并将其运用于机械设备故障诊断,以期获得高精度的诊断算法。首先,提出了基于深度卷积神经网络的机械设备故障诊断方法。在故障诊断方法中,故障数据的特征提取对故障诊断的效果影响很大,且特征提取的过程往往需要丰富的经验。于是采用信号转图像的方法,将卷积神经网络应用于故障诊断中,从而便可自动提取特征,故障诊断准确率也得到了提升。其次,提出了基于深度迁移学习的半监督机械设备故障诊断方法。由于机械设备的工作条件经常变化,在新工况条件下,所能提供训练模型的标签数据量较少,针对这一情况,提出了基于深度迁移学习的半监督机械设备故障诊断方法。在该方法中,故障信号被转换成图像。然后训练带有CORAL损失的深度网络,提取图像特征。最后,采用迁移主成分分析（TCA）方法将生成的特征映射到内核Hilbert空间,并且使用K最近邻（KNN）方法对该空间中的特征进行分类。本文将不同的迁移学习方法进行结合并运用在机械设备故障诊断领域,解决了只有少量标签的故障诊断问题。然后,提出了基于深度迁移学习的无监督机械设备故障诊断方法。由于,机械设备的工作条件的变化,在新工况条件下,无可训练的标签数据。因此提出了基于对抗过程的迁移学习故障诊断方法。在该方法中,故障信号被转换成图像,之后训练一个特征生成器,两个分类器,将生成器与分类器进行对抗训练,建立无监督故障诊断模型,解决了没有标签数据的故障诊断问题。最后,对全文进行了总结,在机械设备故障诊断问题上,针对故障数据的特点,将深度学习与迁移学习进行了结合,依次提出了有监督、半监督、无监督的机械设备故障诊断方法,并指出了故障诊断问题上值得进一步研究的方向。

自2013年以来,随着德国“工业4.0”和“中国智造2025”的相继提出,制造业迎来了新转折点。车间调度是智能制造中重要的组成部分之一,制造业的快速发展,离不开智能调度方法的进步。遗传算法对研究车间调度问题有重要价值,但其性能易受参数影响。因此,本文对求解车间调度问题的遗传算法进行研究,设计出一种基于强化学习的遗传算法,以提高算法性能,并实现对车间调度问题的高效求解。首先,提出了强化遗传算法。第一,设计了一种基于K-means的并行策略,利用K-means聚类算法依据个体的染色体对种群进行聚类,最大化地分开相似个体,进而均匀划分成多个子种群。第二,设计了一种基于强化学习的参数自学习策略,利用QLearning方法,自主学习遗传算法的交叉率,获得适应当代种群进化的交叉率。第三,为实现子种群间的交流,设计了通信机制,并结合多策略思想,提高算法运行效率。最后,选择了9个函数测试算法性能,与传统遗传算法和普通并行遗传算法为对比,结果显示所提算法在函数优化问题上有显著效果。其次,将提出的强化遗传算法应用于置换流水作业车间调度问题。根据置换流水车间调度问题的特点,采用基于工件的编码方式。由于置换流水车间调度问题的编码方式相对简单,将子种群通信策略更换为子种群的动态更新。根据种群特征,先后执行更新子种群策略与基于强化学习的交叉率学习过程。应用该问题的标准算例进行验证,与标准GA等其他算法比较,结果表明该算法在求解该问题上有显著的优越性。然后,根据作业车间调度问题的特征,改进了所提算法,采用了基于工序的基因串编码方式。因作业车间调度问题比置换流水车间调度问题复杂,为提高运行的时间效率,采用了最初的子种群通信机制。通过该调度问题的标准算例进行验证实验,与标准GA和普通并行遗传算法作比较。实验结果表现出所提算法的有效性和优越性。最后,总结了全文的主要工作,并展望了未来值得进一步研究的方向。

随着科技和经济的蓬勃发展,车间调度问题已逐渐成为影响制造企业生产效益的关键因素之一。由于实际生产中各种突发事件层出不穷,如何进行高效的动态调度已成为企业重点关注的问题。基因表达式编程（Gene Expression Programming,GEP）是一种兼具遗传算法（GA）与基因规划算法（GP）优点的新兴机器学习算法,能够从不同领域的问题中提取与其相关的知识,但其在调度问题中的应用较少。本文基于GEP算法,深入研究了车间动态调度方法。首先,对标准GEP算法进行了分析研究,在此基础上将变邻域搜索算法嵌入其中,设计了多种邻域结构;提出了一种自适应遗传算子,以提高算法的性能;并基于改进的GEP算法,提出了车间动态调度框架。其次,以工件陆续随机到达为动态事件,对作业车间动态调度问题进行了研究。对问题进行了建模与分析,设计了一种针对该问题的编解码方式;提出了一种基于改进GEP的作业车间动态调度规则构造方法;通过仿真实验,与GEP、GP等算法进行比较,验证了所提方法的有效性。然后,对柔性作业车间动态调度问题进行了研究,并考虑了工件准备时间。建立了该问题的数学模型,利用改进GEP算法进行求解;通过设计仿真实验,与GEP、GP和经典调度规则进行对比,验证了该方法的优越性。接着,对柔性作业车间多目标动态调度问题进行了研究,提出了一种基于快速非支配排序的改进多目标基因表达式编程算法（改进MOGEP）,并将该算法与多目标基因表达式编程算法进行比较,通过实验验证了该算法的性能。最后,对全文进行了总结,并展望了将来可以继续研究的方向。

随着我国汽车的日渐普及与汽车电子化程度的加深,汽车传感器制造企业面临着供给压力,有效的生产调度方法对企业而言日益重要。然而,传感器生产车间调度问题规模大、约束多,属于NP-hard问题,传统的优化方法难以得到满意的解。因此,本文从传感器生产车间的理论基础出发,对传感器生产车间的静态调度问题和动态调度问题进行深入研究,设计了基于遗传禁忌搜索算法的求解方法,并开发了传感器生产车间调度原型系统。首先,针对传感器生产车间静态调度问题,分析了传感器车间的生产特点,建立了数学模型,提出了一种基于自适应遗传禁忌搜索混合算法（Adaptive Genetic Algorithm and Tabu Search,AGATS）的静态调度算法,设计了基于可变分批策略的双层编码方式、邻域搜索操作以及禁忌搜索算子的自适应策略。依据传感器车间的实际生产场景,设计了多组算例进行对比测试,验证了所提算法的有效性。其次,针对传感器生产车间动态调度问题,构建了动态调度模型,对所提AGATS进行了改进,设计了重调度策略,与符合动态调度问题特征的解码方式。通过求解某传感器车间的生产实例证明,相较于对比算法,所提算法在求解该车间动态调度问题上,拥有更优的性能。然后,将上述研究成果应用于某传感器生产车间,设计和开发了传感器车间调度原型系统。对某传感器生产车间的生产现状进行了描述,设计了原型系统的功能架构,并开发了系统设置、数据录入、静态调度、动态调度四个功能模块。通过实际应用验证,系统可以针对输入的生产任务,生成合理高效的调度方案;且对于交货期更改这一随机动态事件,能够及时进行响应,保证重调度方案的高效性。最后,对全文的工作进行简要总结,对未来值得探索的研究方向进行展望。

制造执行系统（Manufacturing Execution System,MES）是智能车间的重要功能,通过MES可以实现工艺信息的从设计过程到制造过程的传递。然而,输入MES的工艺信息是非结构化的文档,这给自动化的信息识别带来困难。因此工艺信息的自动识别是将MES中的非结构化数据转变为结构化数据的关键。基于深度学习的命名实体识别方法在结构化信息提取中表现出极大的潜力。但是,真实工业场景中工艺文档细粒度、小样本、多模态的特点,给工艺命名实体识别带来障碍。为此,本文针对细粒度任务和小样本数据展开研究,提出了基于深度学习的命名实体识别方法,并在工程案例中进行验证。首先,针对细粒度命名实体识别问题,提出了一种基于注意力机制的深度学习模型（BFB-attention）。该方法以BERT预训练模型输出的语义特征为基础,添加了细粒度特征和实体边界特征。其中,细粒度特征是基于先验标签分布设计的词向量扩展编码,实体边界特征是根据实体边界距离设计的平滑边界纹理词向量。通过字符级别的注意力机制,融合了BERT语义特征、细粒度特征和实体边界特征。该方法在细粒度命名实体识别数据集CLUENER上进行验证,表现出比其他命名实体识别方法更好的识别效果。其次,针对小样本命名实体识别问题,在BFB-attention模型的基础上,提出了一种“切片分治”的数据增强方法。该方法可以在数据增强过程中,实现标签序列对齐。对非实体序列采用了EDA数据增强方法,以词向量相似度为依据,对非实体序列进行无条件文本增强;对实体序列设计了字典增强方法,并用Simhash算法快速筛选相似序列。该方法在CLUENER和MSRA数据集上进行小样本测试,其识别效果较原方法更好。然后,针对某飞行器加工过程工艺信息提取的工程实例,实现了从案例分析到数据预处理、再到算法应用及系统开发的一整套流程。基于多模态数据的特点,设计了数据清洗、模态归一等预处理方法,将BFB-attention模型加“切片分治”数据增强的命名实体识别框架应用于工艺信息的命名实体识别中,并使用真实的工艺规程数据,验证了上述方法的识别性能。实验结果表明,该方法可在工艺规程数据中取得0.937的F1分数,相较其他方法能更准确的提取工艺信息。通过开发工艺信息提取系统,封装了文档预处理和识别模型,实现了工艺文档中信息的结构化提取。最后,对全文的主要工作进行总结,并展望了值得进一步研究的方向。

不相关并行机混合流水车间调度问题（Hybrid Flow Shop Scheduling Problem with Unrelated Parallel Machine,HFSP-UPM）是一种特殊的混合流水车间调度问题（HFSP）,广泛存在于具有新旧机器混合使用的流水生产车间中。本文以HFSP-UPM为研究对象,考虑分布式条件下的车间资源异构性和批量约束,研究了分布式（异构）HFSP-UPM（Distributed Heterogeneous HFSP-UPM,DHHFSP-UPM）和带批量的DHHFSP-UPM（DHNWFSP with Batch,BDHHFSP-UPM）。结合问题特征,以果蝇算法（Fruit Fly Optimization Algorithm,FOA）为研究方法,对上述问题进行求解。首先,针对以最小化最大完工时间（Makespan）为目标的HFSP-UPM,设计了一种IFOA（Improved FOA,IFOA）算法。基于问题特性,采用了基于工件的编码方式,解码采用了正、逆向解码策略。在IFOA算法中,基于N7和K-insertion邻域结构提出了一种基于关键路径的新邻域结构,并将上述三种邻域结构与变邻域搜索策略结合,以提高算法的局部搜索能力。对比现有文献的测试结果,验证了IFOA算法的稳定性和优越性。接着,针对分布式（异构）HFSP-UPM问题,建立了DHHFSP-UPM数学模型,设计了求解该问题的改进IFOA算法。基于分布式的特性,采用了基于工件和工厂的双层编码方式,还结合正、逆向解码策略,提出了一种贪婪解码策略。采用基于关键工厂的贪婪搜索方法,有效的提高了算法的局部搜索能力。通过对不同规模算例的求解,验证了IFOA算法的优越性。然后,将批量约束引入DHHFSP-UPM,综合考虑最小化最大完工时间和总流经时间两个目标,建立了BDHHFSP-UPM数学模型,提出了一种多目标FOA算法（Multi-objective FOA,MOFOA）。基于批量特性,引入了基于子批批量大小的编码,设计了一种三层编码方式,设计了一种子批调整策略。将工厂内的关键路径邻域解结构和工厂间的贪婪搜索策略扩展至所有工厂,充分地缩小了完工时间和总流经时间。经算例测试结果表明,所提MOFOA算法的综合性能优于其他对比算法。此外,结合某手机壳加工工厂的实际生产过程,将上述的理论研究成果应用于实际工程,验证了改进FOA算法求解实际调度问题的可行性。最后,总结了全文的工作,并提出了几点展望方向。