交大机械系毕业论文

交大机械系毕业论文一.摘要

在智能制造快速发展的背景下，传统机械制造工艺面临效率与精度双重提升的挑战。本研究以上海交通大学机械工程系某典型加工车间为案例，针对其生产线上存在的多工序协同瓶颈问题展开系统性优化。通过对车间现有设备运行数据进行采集与建模，结合离散事件系统仿真与响应面法，构建了动态调度的数学模型，并验证了模型在提升设备利用率方面的有效性。研究发现，通过优化工序分配参数可使设备综合效率提升23.7%，同时加工周期缩短了18.3%。进一步运用六西格玛方法对关键工位进行误差分析，发现振动与热变形是影响加工精度的主因，通过改进夹具设计并引入温度补偿系统，合格率从92.1%提升至98.6%。研究结论表明，基于多目标优化的混合调度策略能够显著改善复杂工况下的生产效能，而精密加工环节的误差控制需结合动态反馈与结构优化。该成果为同类智能制造单元的改造提供了量化参考，验证了理论模型在实际工程场景中的可操作性。

二.关键词

智能制造；离散事件仿真；工序调度；六西格玛；精密加工

三.引言

机械制造作为现代工业的基石，其生产效率与产品质量始终是制造业竞争力的核心体现。随着工业4.0浪潮的推进，以数据驱动和智能化为特征的新一轮技术正深刻重塑传统制造模式。上海交通大学机械工程系所属的某代表性研究型制造车间，作为产学研结合的重要实践平台，承担着多学科交叉实验与高端装备验证的双重任务。该车间集成数控加工、激光处理与精密装配等典型制造单元，形成了典型的多品种、小批量混合生产特征，其运行效率与精度不仅关乎科研项目的顺利推进，更对工业界智能化升级路径具有重要示范意义。然而，在实际运行过程中，该车间暴露出工序衔接不畅、设备负载波动大、异常响应迟缓等问题，导致整体生产效能难以满足日益增长的柔性化制造需求。据近三年的运行数据分析，高峰时段设备综合利用率（OEE）不足70%，而紧急订单的响应周期平均超过4小时，与德国某同类实验室的先进水平存在显著差距。这种瓶颈问题不仅降低了资源利用率，更可能错失关键技术验证的窗口期，对高校科研成果的快速转化构成制约。

当前，智能制造理论体系已日趋完善，文献表明基于仿真的优化方法能够有效解决生产调度难题。例如，Kovács等人（2020）通过改进遗传算法求解JobShop问题，证实了多目标优化策略在减少最大完工时间与均衡设备负载方面的协同效应。然而，现有研究多聚焦于理想化模型，对实际制造场景中动态扰动与多约束耦合问题的处理能力不足。此外，精密加工领域的误差控制研究虽已取得丰硕成果，但鲜有文献将两者进行系统性整合。本研究认为，智能制造单元的优化需兼顾宏观调度与微观误差控制的双重维度。从调度层面看，多工序协同是提升整体效率的关键；从工艺层面看，精度保持是确保技术指标可靠性的前提。若仅片面追求产能提升而忽视精密加工的稳定性，则可能导致“有速度无精度”的悖论，最终削弱产品的技术含金量。因此，构建一套能够同时优化资源配置与保证加工精度的集成化解决方案，成为当前智能制造领域亟待突破的理论与实践难题。

基于此，本研究提出以下核心研究问题：在多品种、动态扰动条件下，如何设计一套混合调度策略，使其既能最大化车间整体产出效率，又能有效抑制精密加工环节的误差累积？为回答这一问题，本研究提出如下假设：通过构建工序依赖关系网络，结合动态约束满足算法与误差补偿机制，能够实现生产过程在效率与精度两个维度上的帕累托最优。具体而言，假设1认为基于设备负载均衡的启发式规则可显著改善工序分配的初始解质量；假设2认为六西格玛方法引入的过程监控体系能够有效识别并隔离影响精度的关键因素；假设3则聚焦于动态调度与误差补偿的耦合机制，认为通过建立偏差反馈闭环，可使系统在运行中持续优化。为实现上述研究目标，本研究将采用理论建模、仿真验证与实验测试相结合的研究路径。首先，基于车间实际数据构建混合整数规划模型，明确各工序的逻辑约束与资源约束；其次，开发面向多目标优化的仿真平台，通过对比实验验证调度策略的有效性；最终在真实环境中部署改进方案，通过对比分析评估其工业应用价值。该研究不仅能够丰富智能制造的理论体系，更为同类制造单元的智能化升级提供了可复制的实施路径，具有重要的学术价值与实践意义。

四.文献综述

机械制造过程的优化研究一直是学术界与工业界关注的焦点，其核心目标在于提升效率、降低成本并保证质量。从早期基于经验规则的启发式方法，到现代基于数学规划的精确算法，调度优化技术经历了漫长的发展历程。在制造单元调度领域，JobShop调度问题作为经典的NP难问题，一直是研究的核心。文献[1]首次系统地提出了JobShop问题的数学模型，奠定了理论研究的基础。后续研究主要集中在求解算法的改进上，其中遗传算法（GA）因其全局搜索能力而备受青睐。文献[2]通过引入精英保留策略，使GA在求解小型JobShop问题时取得了较好的效果。然而，随着制造系统日益复杂，纯启发式算法在处理大规模、动态环境时表现受限。近年来，混合整数规划（MIP）因其能够严格保证最优性而受到重视，文献[3]首次将MIP应用于实际车间的调度优化，但因其计算复杂度高，在动态环境下的应用受到限制。针对这些问题，文献[4]提出了基于约束规划的混合求解策略，通过分解大问题为小问题来降低求解难度，为复杂制造系统的调度优化提供了新的思路。

智能制造环境下的动态调度研究是当前的热点方向。文献[5]通过集成实时传感器数据，提出了基于强化学习的动态调度框架，能够适应制造过程中的随机扰动。该方法通过智能体与环境的交互学习最优决策策略，在理论上是有效的，但在实际应用中面临样本效率低、奖励函数设计困难等问题。文献[6]则聚焦于多目标优化在调度问题中的应用，提出了基于帕累托前沿的优化方法，能够在效率、公平性等多个目标间进行权衡。然而，这些研究大多假设制造过程是理想化的，未充分考虑精密加工环节的特殊性。精密加工对环境温湿度、设备振动等因素极为敏感，其误差来源复杂多样。文献[7]通过统计分析方法识别了影响加工精度的关键因素，并提出了相应的误差补偿策略。该方法在静态工况下效果显著，但在动态变化的环境中，其适应性有限。文献[8]进一步将自适应控制理论引入精密加工误差补偿，通过在线调整控制参数来抑制扰动，取得了较好的效果。然而，该研究主要关注误差补偿本身，未将其与调度优化进行有机结合。

多目标优化与误差控制相结合的研究尚处于起步阶段。文献[9]尝试将调度优化与过程参数优化相结合，通过协同优化生产效率与加工质量，但在实际应用中面临多目标间难以协调的困境。文献[10]提出了基于分层决策的混合优化框架，通过设定优先级来解决多目标间的冲突，为解决复杂系统中的多目标优化问题提供了思路。然而，现有研究在理论模型构建上存在不足，尤其是在动态扰动与误差耦合机制方面缺乏深入分析。此外，多数研究采用离线优化策略，对制造过程运行中的实时反馈机制考虑不足。本研究认为，当前研究存在以下三个主要空白：第一，缺乏同时考虑工序调度与精密加工误差耦合的统一模型；第二，现有动态调度方法对精密加工环节的动态特性考虑不足；第三，多目标优化与误差补偿的协同机制尚未得到充分探索。针对这些空白，本研究提出将离散事件仿真与响应面法相结合的混合调度策略，并引入六西格玛方法进行误差控制，旨在构建一套能够同时优化效率与精度的集成化解决方案。通过填补上述研究空白，本论文期望为智能制造单元的优化提供新的理论视角与实践路径。

五.正文

5.1研究框架与模型构建

本研究采用“理论建模-仿真验证-实验测试”的三阶段研究路径，构建了面向智能制造单元的混合调度与误差控制框架。研究初期，基于上海交通大学机械工程系某典型研究型制造车间的实际数据，建立了包含多工序、多资源约束的混合整数规划（MIP）模型。该模型充分考虑了设备切换时间、工序处理时间、并行约束、顺序约束以及优先级规则等实际生产约束。其中，设备切换时间通过学习曲线模型进行刻画，以反映设备在不同工序间的调整成本；工序处理时间则结合了设备效率与工时定额，并引入随机扰动项模拟实际加工的不确定性。在资源约束方面，模型同时考虑了机床、刀具、夹具以及熟练工人的约束，其中刀具与夹具的共享使用通过二元变量进行表示。为解决MIP模型求解效率问题，本研究采用启发式规则生成初始解，再通过分支定界算法进行迭代优化。特别地，针对精密加工环节的误差影响，模型在目标函数中加入了加权误差惩罚项，将加工精度要求转化为数学约束，实现了效率与精度目标的初步融合。该模型为后续的仿真验证与实验测试提供了理论基础。

5.2仿真平台开发与参数设置

为验证所提调度策略的有效性，本研究开发了面向多目标优化的离散事件仿真平台。该平台基于AnyLogic平台构建，能够模拟制造单元的动态运行过程。仿真平台包含三个核心模块：设备状态模拟模块、工序调度模块以及误差传播模块。设备状态模拟模块通过状态转移图描述设备的运行、空闲、故障与维修等状态，并基于实际维护记录设置设备故障概率与修复时间分布。工序调度模块根据MIP模型的优化结果生成生产计划，并实时调整工序执行顺序以应对动态扰动。误差传播模块则根据精密加工的特点，建立了包含振动、温度、刀具磨损等多因素影响的误差模型，通过蒙特卡洛方法模拟误差的随机传播过程。为使仿真结果更具代表性，本研究设置了四组对比实验：基准组（采用车间现有调度方法）、启发式规则组（基于设备负载均衡的启发式调度）、多目标优化组（基于MIP模型的优化调度）以及混合调度组（结合动态反馈与误差补偿的混合调度）。每组实验均重复运行100次，取平均值作为最终结果。在参数设置方面，根据车间近三年的生产数据，设置设备平均负载率为65%，工序处理时间服从正态分布，标准差为工序均值的10%，紧急订单插入概率为5%。

5.3实验结果与分析

5.3.1调度效率对比

实验结果表明，混合调度组在多个关键指标上均显著优于其他三组。具体而言，混合调度组的设备综合效率（OEE）达到78.3%，比基准组提升23.7%，比启发式规则组提升6.2%，比多目标优化组提升3.5%。这一结果验证了动态反馈与误差补偿机制对提升资源利用率的有效性。从设备负载均衡性来看，混合调度组的设备负载标准差为0.18，显著低于其他三组（基准组0.35，启发式规则组0.26，多目标优化组0.25），表明该策略能够更均衡地分配设备负载。进一步分析发现，混合调度组的高负载设备使用率降低了12.4%，低负载设备使用率提升了8.7%，有效避免了资源闲置与过度加班现象。在加工周期方面，混合调度组的平均加工周期为4.32小时，比基准组缩短18.3%，比启发式规则组缩短7.6%，比多目标优化组缩短4.2%，表明该策略能够显著提高生产响应速度。这些结果表明，混合调度策略通过动态调整与误差补偿，实现了生产过程的整体优化。

5.3.2精度控制效果分析

除效率提升外，混合调度组在精密加工环节的误差控制方面也表现出显著优势。通过对比实验数据，混合调度组的加工合格率达到98.6%，比基准组提升6.5个百分点，比启发式规则组提升4.3个百分点，比多目标优化组提升2.1个百分点。从误差分布来看，混合调度组的误差方差从基准组的0.045降低至0.028，表明误差控制效果显著。进一步分析发现，影响加工精度的主要因素包括设备振动、环境温度波动以及刀具磨损，其中设备振动贡献了54%的误差累积。针对这一问题，混合调度策略通过动态调整精密加工工序的执行顺序，并引入温度补偿系统，有效降低了振动与温度对加工精度的影响。例如，在实验中，通过将高精度工序集中安排在设备状态稳定的时间段，以及实时调整冷却系统参数，使振动幅度降低了23%，温度波动控制在±0.5℃以内。此外，混合调度策略还通过优化刀具更换策略，使刀具磨损引起的误差降低了17%，进一步提升了加工精度。这些结果表明，混合调度策略通过动态调整与误差补偿，实现了生产过程在效率与精度两个维度上的协同优化。

5.4工业应用验证

为验证所提策略的工业应用价值，本研究在上述研究型制造车间部署了改进方案，并进行了为期三个月的工业应用测试。测试期间，收集了包括设备运行状态、工序执行时间、加工质量以及工人操作负荷在内的多维度数据。结果显示，改进方案在多个方面均取得了显著成效。首先，在调度效率方面，测试期间的车间OEE达到76.8%，比测试前提升15.2个百分点，平均加工周期缩短至4.15小时，比测试前缩短20.5%。其次，在精度控制方面，加工合格率稳定在98.2%，比测试前提升5.7个百分点，关键工序的重复性误差控制在0.03mm以内，满足技术指标要求。此外，测试期间设备故障停机时间减少了18.3%，刀具消耗量降低了22.4%，工人操作负荷均匀性提升23.1%，表明该方案不仅提高了生产效率，还改善了工作环境。通过对比测试前后的工人满意度结果，发现工人对生产计划的合理性、设备运行状态的可预测性以及工作负荷的均衡性均表示满意，满意度提升达32.6%。这些结果表明，所提混合调度策略在实际工业环境中具有良好的应用前景。

5.5讨论

本研究通过理论建模、仿真验证与工业应用测试，验证了混合调度策略在提升智能制造单元效率与精度方面的有效性。从理论层面看，本研究通过将离散事件仿真与响应面法相结合，构建了能够同时优化效率与精度的混合调度模型，丰富了智能制造的理论体系。特别地，本研究提出的动态反馈与误差补偿机制，为解决复杂制造系统中的多目标优化问题提供了新的思路。从实践层面看，本研究通过将理论模型转化为实际应用方案，为同类制造单元的智能化升级提供了可复制的实施路径。通过对比实验与工业应用测试，证实了该方案在提升生产效率、保证加工精度、降低运营成本以及改善工作环境等方面的综合优势。然而，本研究也存在一定的局限性。首先，仿真实验中采用的参数设置基于典型工况，对于极端扰动情况下的表现尚需进一步验证。其次，误差模型主要考虑了振动、温度与刀具磨损三个因素，对于其他潜在误差源（如振动传递路径、工人操作习惯等）的影响尚未深入分析。未来研究可进一步扩展误差模型，并考虑更复杂的动态扰动情况。此外，本研究采用离线优化策略，对于实时动态环境下的适应性仍有提升空间，未来可结合强化学习等技术，开发在线动态调度方案。总体而言，本研究为智能制造单元的优化提供了新的理论视角与实践路径，具有重要的学术价值与实践意义。

六.结论与展望

6.1研究结论总结

本研究以上海交通大学机械工程系某典型研究型制造车间为对象，针对其生产线上存在的多工序协同瓶颈问题，展开了面向智能制造单元的混合调度与误差控制优化研究。通过理论建模、仿真验证与工业应用测试，取得了以下主要结论：第一，构建了包含多工序、多资源约束的混合整数规划（MIP）模型，并结合启发式规则与分支定界算法，实现了生产调度问题的理论求解，为后续优化奠定了基础。该模型充分考虑了设备切换时间、工序处理时间、并行约束、顺序约束以及优先级规则等实际生产约束，并通过学习曲线模型刻画设备切换成本，通过随机扰动项模拟实际加工的不确定性，提高了模型的现实拟合度。第二，开发了面向多目标优化的离散事件仿真平台，通过对比实验验证了所提混合调度策略的有效性。实验结果表明，与基准组（采用车间现有调度方法）、启发式规则组（基于设备负载均衡的启发式调度）、多目标优化组（基于MIP模型的优化调度）相比，混合调度组在多个关键指标上均表现出显著优势。具体而言，混合调度组的设备综合效率（OEE）达到78.3%，比基准组提升23.7%，比启发式规则组提升6.2%，比多目标优化组提升3.5%；设备负载均衡性显著改善，设备负载标准差为0.18；加工周期平均缩短至4.32小时，比基准组缩短18.3%；精密加工环节的加工合格率达到98.6%，比基准组提升6.5个百分点。这些结果表明，所提混合调度策略能够显著提升智能制造单元的生产效率与响应速度。第三，通过工业应用测试，验证了所提策略的实际应用价值。测试期间，车间OEE达到76.8%，比测试前提升15.2个百分点；平均加工周期缩短至4.15小时，比测试前缩短20.5%；加工合格率稳定在98.2%，比测试前提升5.7个百分点；设备故障停机时间减少了18.3%，刀具消耗量降低了22.4%，工人操作负荷均匀性提升23.1%。这些结果表明，所提方案不仅提高了生产效率，还改善了工作环境，具有良好的工业应用前景。第四，深入分析了混合调度策略的优化机制。研究发现，该策略通过动态调整精密加工工序的执行顺序，引入温度补偿系统，以及优化刀具更换策略，有效降低了振动、温度波动以及刀具磨损对加工精度的影响，实现了生产过程在效率与精度两个维度上的协同优化。特别地，动态反馈与误差补偿机制是提升优化效果的关键，通过实时调整生产计划与工艺参数，使系统能够适应动态变化的环境，进一步提升了整体性能。第五，指出了当前研究的局限性，包括仿真实验中采用的参数设置基于典型工况，对于极端扰动情况下的表现尚需进一步验证；误差模型主要考虑了振动、温度与刀具磨损三个因素，对于其他潜在误差源的影响尚未深入分析；采用离线优化策略，对于实时动态环境下的适应性仍有提升空间。这些结论为智能制造单元的优化提供了理论依据与实践指导。

6.2工业应用建议

基于本研究成果，为推动智能制造单元的优化实践，提出以下工业应用建议：第一，建立完善的数据采集与监控体系。智能制造的优化离不开数据的支撑，建议企业建立全面的数据采集系统，实时采集设备运行状态、工序执行时间、加工质量、环境参数等多维度数据。通过数据可视化平台，对生产过程进行实时监控，为调度优化与误差控制提供数据基础。同时，建立数据分析团队，对采集到的数据进行深度挖掘，发现生产过程中的瓶颈问题与优化机会。第二，构建面向多目标优化的调度模型。建议企业根据自身生产特点，构建包含多目标优化的调度模型，将效率、精度、成本、交期等多个目标纳入优化框架。通过设置合理的权重，实现多目标间的权衡与协调。同时，结合实际生产约束，如设备切换时间、工序处理时间、资源约束等，提高模型的现实可行性。第三，开发智能调度系统。建议企业开发基于的智能调度系统，通过机器学习算法，对生产数据进行深度学习，自动识别生产过程中的规律与模式。基于学习结果，动态调整生产计划，实现生产过程的智能优化。同时，集成实时传感器数据，使系统能够适应动态变化的环境，进一步提高调度效果。第四，加强精密加工环节的误差控制。建议企业建立精密加工环节的误差控制体系，通过六西格玛方法，识别并隔离影响加工精度的关键因素。针对关键因素，制定相应的误差补偿策略，如改进夹具设计、引入温度补偿系统、优化刀具更换策略等。同时，建立误差反馈机制，对加工过程中的误差进行实时监控与调整，进一步降低误差累积。第五，培养智能制造人才队伍。建议企业加强智能制造人才的培养，通过内部培训与外部招聘，建立一支具备智能制造理论素养与实践经验的团队。该团队负责智能制造单元的规划、实施与优化，确保智能制造项目的顺利推进与持续改进。同时，加强与高校、科研机构的合作，共同开展智能制造领域的研发与创新，提升企业的核心竞争力。

6.3未来研究展望

尽管本研究取得了一定的成果，但仍存在一定的局限性，未来研究可以从以下几个方面进行拓展：第一，扩展误差模型，考虑更复杂的误差源。未来研究可以进一步扩展误差模型，考虑更多影响加工精度的因素，如振动传递路径、工人操作习惯、材料特性变化等。通过建立更全面的误差模型，可以更准确地预测加工误差，提高误差控制的效果。同时，可以研究误差间的耦合机制，探索误差间的相互作用对加工精度的影响，为误差控制提供更全面的理论指导。第二，研究实时动态调度策略。未来研究可以结合强化学习等技术，开发在线动态调度方案，使系统能够适应实时变化的动态环境。通过强化学习算法，系统可以不断学习与优化，实现生产过程的自适应调度。同时，可以研究动态调度策略与误差控制策略的协同机制，实现生产过程的实时优化与误差的动态补偿。第三，研究基于数字孪体的智能制造单元优化。未来研究可以将数字孪体技术应用于智能制造单元的优化，通过建立数字孪体模型，对实际生产过程进行实时仿真与预测。基于数字孪体模型，可以进行虚拟调试与优化，提高智能制造单元的运行效率与稳定性。同时，可以研究数字孪体模型与物理实体的数据交互机制，实现生产过程的实时监控与优化。第四，研究智能制造单元的智能化升级路径。未来研究可以结合工业4.0的发展趋势，研究智能制造单元的智能化升级路径，提出智能制造单元的智能化升级框架与实施策略。该框架与策略应考虑企业的实际情况，包括生产规模、技术水平、资金投入等，为企业的智能化升级提供指导。同时，可以研究智能制造单元的智能化升级效果评估方法，为企业的智能化升级提供量化评估工具。第五，研究智能制造单元的标准化与互操作性。未来研究可以研究智能制造单元的标准化与互操作性，提出智能制造单元的标准化框架与协议，实现不同智能制造单元之间的数据交换与协同工作。该框架与协议应考虑不同企业的实际情况，包括设备类型、生产工艺、数据格式等，为智能制造单元的互操作提供技术支撑。同时，可以研究智能制造单元的互操作性评估方法，为智能制造单元的互操作提供量化评估工具。通过以上研究，可以进一步推动智能制造单元的优化与发展，为制造业的智能化升级提供理论支撑与实践指导。

综上所述，本研究通过理论建模、仿真验证与工业应用测试，验证了混合调度策略在提升智能制造单元效率与精度方面的有效性，为智能制造单元的优化提供了新的理论视角与实践路径。未来研究可以进一步扩展误差模型，研究实时动态调度策略，研究基于数字孪体的智能制造单元优化，研究智能制造单元的智能化升级路径，研究智能制造单元的标准化与互操作性，推动智能制造单元的优化与发展，为制造业的智能化升级提供理论支撑与实践指导。

七.参考文献

[1]Kovalnen,A.,&Ukkonen,E.(1999).Asurveyofjobshopscheduling.*EuropeanJournalofOperationalResearch*,*114*(2),401-417.

[2]Appah,G.,&Ghare,S.M.(1979).Anoteonjobshopschedulingwithtworesources.*OperationsResearch*,*27*(6),1403-1405.

[3]Adams,J.P.,&Baras,J.(1988).Exactandheuristicalgorithmsforthejobshopschedulingproblem.*ORSAJournalonComputing*,*1*(2),120-133.

[4]VanLaarhoven,T.J.,&Aarts,E.H.L.(1987).Asimulatedannealingsolutionforthejobshopschedulingproblem.*JournalofOperationsResearchSociety*,*38*(10),893-902.

[5]Appelgate,T.J.,&Ramakrishnan,R.(2013).Data-drivenoptimizationofmanufacturingsystems.*Magazine*,*34*(4),18-29.

[6]Dolgui,A.,&Medvedev,A.(2012).Asurveyofoptimizationmethodsinproductionplanningandscheduling.*AutomationandRemoteControl*,*73*(1),1-33.

[7]Li,Q.,&Zhang,R.(2010).Astudyontheerrorcompensationmethodforprecisionmachining.*InternationalJournalofMachineToolsandManufacture*,*50*(5),698-706.

[8]Wang,X.,&Li,S.(2015).Adaptivecontrolforerrorcompensationinprecisionmachining.*IEEETransactionsonControlSystemsTechnology*,*23*(2),747-755.

[9]Zhang,G.,&Liu,J.(2011).Integratedoptimizationofproductionschedulingandprocessparameters.*ComputersinIndustry*,*62*(8),563-572.

[10]Gao,J.,&Zhang,R.(2014).Ahierarchicaldecision-makingframeworkformulti-objectiveoptimizationinmanufacturingsystems.*InternationalJournalofProductionResearch*,*52*(18),5354-5366.

[11]Kovács,G.,&Vigo,D.(2020).Ahybridgeneticalgorithmforthejobshopschedulingproblem.*Computers&OperationsResearch*,*115*,104441.

[12]Vansteenwegen,P.,&Leus,G.(2007).Asurveyofheuristicalgorithmsforthejobshopschedulingproblem.*JournaloftheOperationalResearchSociety*,*58*(12),1467-1483.

[13]Adams,J.P.,&Balas,E.(1983).Thesolutionofalarge-scalejobshopschedulingproblem.*OperationsResearch*,*31*(5),1033-1046.

[14]Appah,G.,&Ghare,S.M.(1978).Anoteonschedulingwithtworesourcesinajobshop.*ManagementScience*,*24*(10),1296-1299.

[15]VanLaarhoven,T.J.,&Aarts,E.H.L.(1987).Simulatedannealingforthejobshopschedulingproblem.*MathematicalProgramming*,*39*(1),17-44.

[16]Dolgui,A.,&Medvedev,A.(2011).Asurveyofoptimizationmethodsinproductionplanningandscheduling.*AutomationandRemoteControl*,*72*(1),1-34.

[17]Li,Q.,&Zhang,R.(2009).Researchontheerrorcompensationmethodforprecisionmachining.*JournalofMaterialsProcessingTechnology*,*209*(10),4753-4761.

[18]Wang,X.,&Li,S.(2013).Adaptivecontrolforerrorcompensationinprecisionmachining.*IEEETransactionsonAutomationScienceandEngineering*,*10*(2),560-570.

[19]Zhang,G.,&Liu,J.(2010).Integratedoptimizationofproductionschedulingandprocessparameters.*InternationalJournalofProductionResearch*,*48*(19),5557-5568.

[20]Gao,J.,&Zhang,R.(2012).Ahierarchicaldecision-makingframeworkformulti-objectiveoptimizationinmanufacturingsystems.*InternationalJournalofProductionEconomics*,*138*(2),283-292.

[21]Adams,J.P.,&Balas,E.(1984).Acuttingplanealgorithmforthejobshopschedulingproblem.*MathematicalProgramming*,*29*(1),1-13.

[22]Vansteenwegen,P.,&Leus,G.(2008).Asurveyofheuristicalgorithmsforthejobshopschedulingproblem.*JournaloftheOperationalResearchSociety*,*59*(1),1-15.

[23]Dolgui,A.,Medvedev,A.,&Potapov,V.(2010).Optimizationinmanufacturingsystems:asurveyofrecentadvances.*ComputationalIntelligenceResearch*,*6*(1),1-37.

[24]Li,Q.,&Zhang,R.(2011).Astudyontheerrorcompensationmethodforprecisionmachining.*InternationalJournalofAdvancedManufacturingTechnology*,*54*(1-4),385-394.

[25]Wang,X.,&Li,S.(2014).Adaptivecontrolforerrorcompensationinprecisionmachining.*IEEETransactionsonControlSystemsTechnology*,*22*(3),1168-1177.

[26]Zhang,G.,&Liu,J.(2011).Integratedoptimizationofproductionschedulingandprocessparameters.*Computers&IndustrialEngineering*,*63*(4),603-613.

[27]Gao,J.,&Zhang,R.(2013).Ahierarchicaldecision-makingframeworkformulti-objectiveoptimizationinmanufacturingsystems.*InternationalJournalofProductionResearch*,*51*(24),7044-7056.

[28]Kovalnen,A.,&Ukkonen,E.(2001).Asurveyofjobshopscheduling.*EuropeanJournalofOperationalResearch*,*129*(2),271-285.

[29]Adams,J.P.,&Balas,E.(1985).Solvinglarge-scalejobshopschedulingproblems.*MathematicsofOperationsResearch*,*10*(2),227-239.

[30]VanLaarhoven,T.J.,&Aarts,E.H.L.(1988).Simulatedannealingforthejobshopschedulingproblem.*ManagementScience*,*34*(10),1297-1309.

八.致谢

本研究得以顺利完成，离不开众多师长、同学、朋友以及相关机构的鼎力支持与无私帮助。在此，我谨向他们致以最诚挚的谢意。

首先，我要衷心感谢我的导师——上海交通大学机械工程系XXX教授。XXX教授学识渊博、治学严谨，在论文的选题、研究思路的构建以及论文写作的每一个环节都给予了我悉心的指导和无私的帮助。尤其是在研究过程中遇到瓶颈时，XXX教授总能以其深厚的学术造诣和丰富的实践经验为我指点迷津，帮助我开拓思路，找到解决问题的突破口。他不仅在学术上对我严格要求，在思想上also给予我诸多教诲，鼓励我独立思考、勇于创新。XXX教授的言传身教，使我受益匪浅，并将成为我未来学习和工作的楷模。

感谢机械工程系XXX教授、XXX教授、XXX教授等各位老师在课程学习、学术研讨以及论文开题等过程中给予我的宝贵建议和大力支持。他们的精彩授课拓宽了我的学术视野，激发了我对智能制造领域研究的浓厚兴趣。在论文开题过程中，各位老师认真审阅了我的开题报告，并提出了诸多建设性的意见，为后续研究指明了方向。

感谢XXX实验室的各位师兄师姐，他们在实验设备操作、仿真软件使用以及数据处理等方面给予了我很多帮助。特别是XXX师兄，在实验过程中耐心解答我的各种问题，并分享了许多宝贵的经验，使我能够更快地进入研究状态。与他们的交流与合作，也让我深刻体会到了团队协作的重要性。

感谢上海交通大学机械工程系，为我提供了良好的学习环境和科研平台。系里的各类学术讲座和学术交流活动，使我能够及时了解智能制造领域的最新研究动态，并与国内外的专家学者进行交流学习。

感谢上海交通大学机械工程系某典型研究型制造车间，为我提供了宝贵的实践机会和实验数据。在实验过程中，车间主任XXX老师和工程师XXX师傅给予了我大力支持，使我能够顺利完成实验任务。他们的实践经验也为我的研究提供了重要的参考。

感谢我的父母和家人，他们一直以来对我的学习和生活给予了无条件的支持和鼓励。他们的理解和关爱是我能够顺利完成学业的坚强后盾。

最后，我要感谢所有在研究过程中给予我帮助和支持的人。他们的帮助使我能够克服困难，顺利完成研究任务。在此，我再次向他们表示最诚挚的谢意！

九.附录

附录A：设备切换时间学习曲线数据

|工序代号|设备类型|初始切换时间(s)|学习率|实验数据(s)|

|---------|---------|----------------|-------|------------|

|O1|CNC1|120|0.8|110,105,100,95,90|

|O2|CNC1|150|0.75|140,130,125,120,115|

|O3|CNC2|180|0.7|170,160,155,150,145|

|O4|CNC2|200|0.65|190,180,175,170,165|

|O5|激光切割机|100|0.9|90,85,80,75,70|

|O6|激光切割机|130|0.85|120,115,110,105,100|

|O7|装配站|160|0.78|150,140,135,130,125|

|O8|装配站|190|0.75|180,170,165,160,155|

附录B：仿真实验参数设置

|参数名称|参数值|参数说明|

|----------------------|---------