您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 202010-43
论文题目 基于Q-learning的汽车涂装过程参数在线优化
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

基于Q-learning的汽车涂装过程参数在线优化

首发时间:2020-10-27

王晓仟 1   

王晓仟(1995-),女,硕士,主要研究方向:精益生产、智能制造

刘洪伟 1   

刘洪伟(1971-),男,副教授、硕导,主要研究方向:工业工程与信息集成管理、精益生产

  • 1、天津大学管理与经济学部,天津 300072

摘要:为了提高过程参数在汽车喷涂过程中的适用性,提出基于Q-learning的过程参数在线优化。考虑到实际生产条件下影响产品质量的多种因素,实现了从离线数据中学习知识并在线优化生产过程参数。首先,基于BP神经网络构建喷涂质量预测模型,并通过离线数据进行训练以模拟实际喷涂作业环境。然后,根据质量预测结果建立基于Q-learning的过程参数优化模型。通过与质量预测模型的交互作用获得过程参数优化策略。最后,通过对国内某大型汽车企业的喷涂过程参数进行优化验证了所提模型的有效性和应用性。结果显示,质量预测模型的均方误差收敛于3.84×10-5;Q-learning算法收敛于最优策略,利用Q表可以检索到不同初始过程参数下的最优动作集,从初始过程参数执行较少动作便达到目标过程参数。

关键词: Q-learning 神经网络 过程参数在线优化 汽车涂装

For information in English, please click here

Online optimization of automobile painting process parameters based on Q-learning

WANG Xiaoqian 1   

王晓仟(1995-),女,硕士,主要研究方向:精益生产、智能制造

LIU Hongwei 1   

刘洪伟(1971-),男,副教授、硕导,主要研究方向:工业工程与信息集成管理、精益生产

  • 1、College of Management and Economics,Tianjin University,Tianjin 300072

Abstract:To improve the applicability of process parameters in automobile painting process, online optimization of process parameters based on Q-learning was proposed. Considering the factors that affect product quality under actual production conditions, knowledge can be learned from offline data and applied to parameter setting of online production process. First, a prediction model of painting quality based on BP neural network was trained by offline training data. And the actual painting environment was simulated by the model. Then, a process parameter optimization model based on Q-learning was established according to the quality prediction results. The process parameter optimization strategy was obtained through the interaction with the quality prediction model. Finally, the effectiveness and applicability of the proposed model were verified by an example in a large domestic automobile enterprise. The result shows that the MSE of the quality prediction model converges to 3.84×10-5. Q-learning algorithm converges to the optimal strategy. Q table can be used to retrieve the optimal action set under different initial process parameters, and the target process parameters can be achieved by executing several actions from the initial process parameters.

Keywords: Q-learning;Neural Network;Online Process Parameter Optimization;Automobile Painting

Click to fold

点击收起

论文图表:

引用

导出参考文献

.txt .ris .doc
王晓仟,刘洪伟. 基于Q-learning的汽车涂装过程参数在线优化[EB/OL]. 北京:中国科技论文在线 [2020-10-27]. http://www.paper.edu.cn/releasepaper/content/202010-43.

No.****

动态公开评议

共计0人参与

动态评论进行中

评论

全部评论

0/1000

勘误表

基于Q-learning的汽车涂装过程参数在线优化