为了减少生产车间的物资搬运距离并提高搬运效率,人们常常应用传统的系统布置设计(SLP)方法来确定加工设备的具体布局方法,但基于经验与主观性的传统SLP方法很难确保设施布局结果最优。为此提出了基于遗传算法的SLP方法,首先通过传统SLP方法得出车间作业单位相互关系,然后应用遗传算法对多个区域加工车间布局进行计算调整,最后结合MATLAB进行优化仿真。仿真结果显示,该方法不仅能减少操作人员的主观性,而且比传统的SLP方法更能减少车间物料搬运距离,可为实际应用提供参考。

为解决传统的具有大批量、低频次特点的港口-腹地物流运作模式对中国跨境电商发展的制约,通过对跨境电子商务背景下的港口-腹地物流运作过程进行分析,首先针对目前具有电商背景的制造企业、物流承运商与海外消费者之间的利益矛盾,提出了一种基于循环集货的小批量、高频次的多阶段港口-腹地物流决策优化数学模型,其次通过一个实际案例对模型用遗传算法进行了求解,最后通过分析验证了优化方法的有效性,并以订单的集货时间为参数进行敏感性分析得出了相关的管理学启示。

同一监测点的多源通道信号可以为精准故障诊断提供更全面的特征信息,然而多源特征的有效融合仍然具有挑战性。为解决此问题,耦合隐马尔科夫(CHMM)被用来有效融合双通道信息的循环平稳特征,即用快速谱相关(FSC)提取特征,从而为提高滚动轴承智能诊断正确率提供有效多源融合特征向量支撑。FSC分析方法用于滚动轴承同源双通道振动信号的特征提取;参数优化选取后的CHMM对双通道同源特征进行融合,实现滚动轴承的智能诊断。通过滚动轴承常规故障实验和全寿命加速疲劳实验,验证了所述方法不仅能用于滚动轴承故障的智能分类,而且还能用于滚动轴承的有效性能退化评估。此外,通过对比研究验证了所述方法的优越性。

滚动轴承的早期故障诊断对于设备预测和健康管理具有重要意义,然而受环境噪声、传递路径、信号衰减及源信号本身比较微弱的影响,滚动轴承故障的初期微弱信号特征往往难以提取。为了解决这一问题,提出了一种基于最小熵解卷积（minimum entropy deconvolution,MED）与希尔伯特变换（Hilbert transform,HT）相结合的滚动轴承故障特征提取方法（MED-Hilbert）,该方法首先应用MED算法对传感器信号进行处理以提高信号的信噪比,然后通过希尔伯变换提取冲击能量信号,最后用谱分析技术提取故障对应的特征频率,并与理论故障频率比较后成功确定故障。与信号仅仅进行包络分析方法相比,该方法具有很好的降噪效果以及对微弱故障特征的增强作用。计算机仿真与实验验证了该方法在滚动轴承早期故障诊断中的有效性。