论文目录 | |
| 摘要 | 第1-5
页 |
| ABSTRACT | 第5-11
页 |
| 1 绪论 | 第11-26
页 |
| 1.1. 21世纪的制造业 | 第11-14
页 |
| 1.1.1. 产品生命周期缩短 | 第11-12
页 |
| 1.1.2. 交货期成为主要的竞争因素 | 第12
页 |
| 1.1.3. 用户需要多样化、个性化 | 第12
页 |
| 1.1.4. 质量和成本是企业永恒的主题 | 第12-13
页 |
| 1.1.5. 多品种小批量生产比例增大 | 第13-14
页 |
| 1.2. 大规模定制的提出和基本概念 | 第14-16
页 |
| 1.2.1. 大规模定制的提出 | 第14
页 |
| 1.2.2. 大规模定制的基本概念 | 第14-15
页 |
| 1.2.3. 大规模定制的分类 | 第15-16
页 |
| 1.3. 大规模定制的支撑平台 | 第16-19
页 |
| 1.3.1. 大规模定制的关键技术 | 第16-17
页 |
| 1.3.2. 大规模定制的主要方法 | 第17-18
页 |
| 1.3.3. 大规模定制的管理模式 | 第18-19
页 |
| 1.4. 大规模定制的实施 | 第19-24
页 |
| 1.4.1. 大规模定制的优势和不足 | 第19-20
页 |
| 1.4.2. 大规模定制的产业应用现状 | 第20-21
页 |
| 1.4.3. 实施大规模定制的成功要素和潜在风险 | 第21
页 |
| 1.4.4. 大规模定制的实施策略 | 第21-24
页 |
| 1.5. 论文的思路 | 第24-26
页 |
| 2 智能成组技术 | 第26-44
页 |
| 2.1. 成组技术的起源及其主要研究成果 | 第26-29
页 |
| 2.1.1. 成组技术的起源 | 第26-28
页 |
| 2.1.2. 成组单元与单元制造系统 | 第28
页 |
| 2.1.3. 智能成组技术的研究现状 | 第28-29
页 |
| 2.2. 成组技术与现代先进制造技术 | 第29-32
页 |
| 2.2.1. 并行工程与GT | 第30
页 |
| 2.2.2. 精益生产与GT | 第30-31
页 |
| 2.2.3. 制造管理信息化与GT | 第31-32
页 |
| 2.2.4. 小结 | 第32
页 |
| 2.3. 航天晨光成组技术的应用 | 第32-38
页 |
| 2.3.1. 航天晨光基本情况 | 第32-33
页 |
| 2.3.2. 专用车产品 | 第33-36
页 |
| 2.3.3. 管类产品 | 第36-38
页 |
| 2.4. 大规模定制生产与智能成组技术的结合 | 第38-44
页 |
| 2.4.1. 智能成组技术是实现大规模定制生产的必经之路 | 第38-39
页 |
| 2.4.2. 面向大规模定制生产的智能成组技术 | 第39-42
页 |
| 2.4.3. 智能成组技术的作用 | 第42-44
页 |
| 3 自适应变异的粒子群优化算法求解P-中位模型 | 第44-48
页 |
| 3.1. 零件分族的P-中位模型 | 第44-45
页 |
| 3.2. 自适应变异的粒子群优化算法描述 | 第45-47
页 |
| 3.2.1. 自适应变异的粒子群优化算法的描述 | 第45-47
页 |
| 3.3. 算法仿真 | 第47
页 |
| 3.4. 小结 | 第47-48
页 |
| 4 数据聚类回归逻辑神经网络在成组夹具设计中的应用 | 第48-56
页 |
| 4.1. 夹具的编码 | 第48-49
页 |
| 4.2. 高属性维稀疏数据聚类回归逻辑神经网络模型 | 第49-54
页 |
| 4.2.1. 高属性维稀疏信息系统 | 第49-50
页 |
| 4.2.2. 稀疏特征 | 第50
页 |
| 4.2.3. 稀疏特征差异度 | 第50-51
页 |
| 4.2.4. 相似矩阵及性质 | 第51
页 |
| 4.2.5. 高属性维稀疏数据聚类回归逻辑神经网络模型 | 第51-53
页 |
| 4.2.6. 高属性维稀疏数据聚类回归逻辑神经网络学习算法 | 第53-54
页 |
| 4.3. 应用实例 | 第54-55
页 |
| 4.4. 小结 | 第55-56
页 |
| 5 基于新模糊聚类算法的成组零件分类 | 第56-61
页 |
| 5.1. 零件编码系统的零件分组方法 | 第56-57
页 |
| 5.2. 模糊聚类 | 第57-58
页 |
| 5.3. 引入信息熵理论的模糊聚类 | 第58-59
页 |
| 5.4. 应用实例 | 第59-60
页 |
| 5.5. 小结 | 第60-61
页 |
| 6 基于模糊神经网络的轴类零件聚类分析 | 第61-69
页 |
| 6.1. 轴类零件的特征参数 | 第61
页 |
| 6.2. 熵聚类模糊神经网络模型 | 第61-67
页 |
| 6.2.1. 模糊输入空间划分和规则提取 | 第62-64
页 |
| 6.2.2. 基于模糊加权型推理法的模糊神经网络模型 | 第64-66
页 |
| 6.2.3. 模糊神经网络系统的学习 | 第66-67
页 |
| 6.3. 应用实例 | 第67
页 |
| 6.4. 小结 | 第67-69
页 |
| 7 零件相似的原理在成组零件分类中的应用 | 第69-75
页 |
| 7.1. 零件相似性特征的定义 | 第69-70
页 |
| 7.2. 基于相似性特征的零件编码 | 第70-71
页 |
| 7.3. 基于编码的零件相似识别方法 | 第71-72
页 |
| 7.4. 零件相似方法的应用 | 第72-73
页 |
| 7.5. 小结 | 第73-75
页 |
| 8 ART_2神经网络在成组技术中的应用 | 第75-82
页 |
| 8.1. 神经网络在零件编码分类系统中的应用 | 第75-76
页 |
| 8.2. 制造单元设计概述 | 第76-77
页 |
| 8.3. 有导师指导细化拟合的ART_2神经网络模型 | 第77-79
页 |
| 8.4. 应用实例 | 第79-80
页 |
| 8.5. 小结 | 第80-82
页 |
| 9 识别零件几何与工艺特征的自动分类系统 | 第82-92
页 |
| 9.1. 零件特征权级与权重 | 第82-83
页 |
| 9.1.1. 特征抽取 | 第82-83
页 |
| 9.1.2. 目标类别与零件特征权级、权重分配 | 第83
页 |
| 9.2. 优化计算与模糊中心聚类 | 第83-88
页 |
| 9.3. 模糊中心聚类模式识别神经网络 | 第88-89
页 |
| 9.4. 自动分类应用系统设计 | 第89
页 |
| 9.5. 应用实例 | 第89-91
页 |
| 9.6. 小结 | 第91-92
页 |
| 10 结论与展望 | 第92-98
页 |
| 10.1. 研究结论 | 第92-93
页 |
| 10.2. 航天晨光成组技术应用下一步的打算 | 第93
页 |
| 10.3. 未来展望 | 第93-98
页 |
| 10.3.1. 成组技术与制造全球化 | 第94-95
页 |
| 10.3.2. 成组技术的一个重要发展—大批量定制生产方式 | 第95
页 |
| 10.3.3. 成组技术与知识经济和技术创新 | 第95
页 |
| 10.3.4. 成组技术与可持续发展 | 第95-98
页 |
| 致谢 | 第98-99
页 |
| 参考文献 | 第99-107
页 |
| 附录 博士学位在读期间发表的论文和参加的项目等情况 | 第107
页 |
