数据驱动的机械加工异常检测系统

工程5（2019）646研究智能制造-文章数据驱动的机械加工过程Y.C. Lianga，S.Wanga，W.D.Lia，b，X.鲁aa英国考文垂大学工程、环境和计算学院，考文垂CV1 5FBb武汉理工大学物流工程学院，武汉430070阿提奇莱因福奥文章历史：2018年7月17日收到2018年12月18日修订2019年3月14日接受在线预订2019年保留字：数控加工异常检测果蝇优化算法数据驱动法A B S T R A C T为了实现数控加工过程中的零缺陷生产，必须开发有效的诊断系统来有效地检测异常。然而，由于加工过程中机床和工具的动态状态，目前工业上采用的相关诊断系统并不适用。为了解决这个问题，本文提出了一种新的数据驱动的异常诊断系统。该系统在动态加工过程中连续采集用于状态监测的功率数据，为在线诊断分析提供支持。为了便于分析，预处理机制已被设计为去噪、归一化和对齐监测数据。从监测数据中提取重要特征，并定义阈值以识别异常。考虑到加工过程中机器和工具的动态条件，用于识别异常的阈值可能会有所不同。基于历史数据，使用果蝇优化（FFO）算法优化阈值，以实现更准确的检测。实际的案例研究被用来验证该系统，从而证明了该系统的工业应用的潜力和有效性。©2019 The Bottoms.Elsevier LTD代表中国工程院出版，高等教育出版社有限公司。这是一篇CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍现代制造业的特点是高价值、低容量和高定制化，需要零缺陷生产管理，以最大限度地降低废品率，提高产品质量和生产率。然而，意外的异常（例如，机械加工工具破损、机床主轴故障或严重的工具磨损）会削弱零缺陷目标的追求关键是要开发有效的诊断系统，以便在加工过程中有效地检测意外异常，从而允许进行适当的调整，以解决异常[1，2]。为了满足这一需求，欧盟委员会在制造业中推广了“零缺陷制造”的概念。因此，为研究项目提供了资金，以确定解决办法（例如，智能故障校正和自优化制造系统（IFaCOM）项目）。从工业的角度来看，已经开发了一些诊断系统并部署在工厂中。此类系统中的一种流行策略是通过比较关键绩效指标（KPI）和已确定的静态阈值来识别异常*通讯作者。电子邮件地址：www.example.comweidong.li @ coventry.ac.uk（W.D. Li）。由经验丰富的工程师设计。然而，加工过程通常发生在变化的工作条件下，导致加工过程中的高动态。因此，基于静态阈值设置的诊断系统不能有效地解决动态问题近年来，智能传感器和因此，数据驱动的诊断系统已被积极研究[3在这样的系统中，利用智能和深度学习算法，以便通过时域、频域或时域/频域分析从大数据流中挖掘异常模式[6，7]。为了更有效地应用数据驱动系统在工业中，有必要进行进一步的研究，以提高系统的性能，在数据处理和分析。本文提出了一种新的数据驱动的数控加工过程诊断系统。基于该系统，加工过程被连续监控以收集数据。对监控数据进行分析，以动态检测机器和工具中的异常。该系统的创新特点如下：(1) 监测数据的去噪、标准化和对齐机制旨在促进异常分析。https://doi.org/10.1016/j.eng.2019.03.0122095-8099/©2019 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。目录可在ScienceDirect工程杂志主页：www.elsevier.com/locate/engY.C. 梁 et 等/工程5（2019）646647(2) 定义了一组特征来表示监测数据的最重要方面。基于特征比较，使用异常值来识别异常。为了提高动态加工过程的诊断精度，采用果蝇优化（FFO）算法对阈值进行优化(3) 该系统已被验证，使用工业案例研究，以证明其在实际加工过程中的有效性2. 文献综述在过去，基于物理和模型的诊断方法一直是占主导地位的方法。近年来，通过利用在智能传感器、数据分析和深度学习技术中已经取得的快速进展，已经开发了数据驱动算法玻尔兹曼机、支持向量机（SVM）、卷积神经网络（CNN）等）。Hu等人[8]开发了一种方法，将深度玻尔兹曼机算法与多粒度扫描森林集成算法相结合，以挖掘工业设备的故障。Tian等人[9]设计了一种改进的支持向量机来诊断钢铁厂的故障;在这种方法中，通过递归特征消除（RFE）算法降低数据维数，以加快计算速度。Zheng等人。[10]提出了复合多尺度模糊熵（CMFE）和集成支持向量机（ESVMs）来提取非线性特征并分类滚动轴承故障。然而，冗余和不相关的数据特征的使用，这可能会显着降低真实的检测率，并增加计算时间。Wu和Zhao[11]提出了一种深度CNN模型来检测化学过程故障。然而，深度CNN通常需要很高的计算时间。Madhusudana等人[12] 开发了一种决策树技术（J48算法）来检测面铣刀的故障条件。在这项工作中，一组离散小波特征提取的声音信号，通过利用离散小波变换（DWT）的方法。该研究的局限性在于决策树结构和阈值难以定义。Lu等人[13]提出了一种双简约核极端学习机方法用于航空发动机故障诊断Wen等人[14]提出了一种基于LeNet-5的新CNN;对提出的CNN进行了电机轴承测试，以及自吸离心泵和轴向柱塞液压泵故障检测，准确率在99.481%和100%之间。Wen等人[15]提出了一种新的基于稀疏自动编码器的深度迁移学习，用于电机轴承故障检测，准确率为99.82%。Wen等人[16]提出了一种新的分层卷积神经网络（HCNN），准确率在96.1%到99.82%之间。这些工作总结在表1中。根据García等人的调查[17]和Pan和Yang[18]，在进一步提高数据驱动算法的效率方面存在以下研究空白：(1) 为了保证诊断的准确性和效率，必须设计合适的监测数据预处理技术。(2) 深度学习算法通常需要很长的训练时间才能达到高精度。获取足够的错误数据模式用于算法训练也是困难和昂贵的。(3) 对不同故障进行分类的阈值通常由有经验的工程师预先设定这不是现代生产过程中日益动态的环境的最佳解决方案。3. 系统框架数控机床中控制电机的功率数据可以指示机床和工具的工作条件[19，20]。此外，与振动传感器或声学传感器[21，22]相比，功率传感器的部署更具成本效益。因此，在该系统中，该系统由安装在CNC机床上的无线传感器网络（WSN）授权，收集功率数据以支持机床和工具的异常诊断[5]。该系统的结构如图1所示。这些职能解释如下：(1) 数据存储库：已配置和部署大数据基础设施，用于在加工过程中收集、存储和可视化实时监控数据[5]。(2) 数据预处理：考虑到监测数据的准确性，设计了预处理机制这些机制包括：①根据单个加工过程将数据划分为时间序列数据集，②使用高斯核模型[23，24]对来自监测数据的波动信息进行降噪，以便于进一步处理，③应用归一化以确保监测数据的规模适合分析，并基于互协方差方法[5]重新执行对齐，以重新调整标准和教师参考模式的功率数据，以便于异常识别。(3) 特征表示和异常识别：定义了一组特征来支持异常分析和诊断。用于特征比较的保留用于异常识别。该系统对新的异常情况开放，并在加工过程中动态更新。(4) 阈值优化：设计了一种优化算法，用于根据历史监测数据确定优化阈值。表1拟议方法摘要。方法去噪、归一化和对齐应用精度缺点参考文献深度玻尔兹曼机没有工业诊断29.85%-93.67%高计算时间[8]改进的SVM和RFE没有钢板诊断80.74%致残检出率[9]CMFE和ESVM没有滚动轴承诊断百分百致残检出率[10]CNN没有化工过程诊断91.00%高计算时间[11]决策树没有铣刀诊断81.00%结构和门槛难以界定[12个]极限学习机没有航空发动机诊断百分之九十高计算时间[13个国家]基于LeNet-5的没有电机轴承等99.481%-100.00%高计算时间[14个]稀疏自动编码器没有电机轴承九十九点八二高计算时间[第十五条]HCNN没有电机轴承等96.10%-99.82%高计算时间[16]648Y.C. 梁 等/工程 2019 - 05- 06 00：00：00.Σnn= 1Fig. 1.数控加工工艺系统框架。4. 预处理监测数据4.1. 对监控数据进行在加工过程中获得的测量功率数据将用于诊断。根据以下公式计算功效：PiI1 ii2ii3ii]×V×因子1其中Pi是功率数据沿时间轴的第i（x轴）;I1i、I2i和I3i是4.2. 对监测数据进行通常，由于信号中的噪声，所监测的功率数据波动。为了有效地提取特征，必须对监测数据进行去噪和平滑处理。在这项研究中，高斯核为基础的模型被设计用于去噪数据。高斯核的鲁棒性已由Feng等人[23]和Rimpault等人[24]证明。在这里，通过高斯核的卷积计算来平滑监测数据。经去噪和平滑的功率数据Pr_i_i的第i个点计算如下：功率;V是电源电压;Factor是品质因数的力量。PnPakistanPakistanGr.xj¼对所有这些问题进行分析是费时的，而且效率低下。加工过程中收集的功率数据为了便于分析，首先根据机器特定的功率水平对监控数据进行分区，以表示加工过程的各个设置。然后对分区的监控数据应用以下步骤，以便于进一步分析。1 9 9 1年，在美国，xj其中，n表示P中的总点数（功效数据）;xj表示P沿x轴（时间）的第j个点;grxj是第j个点的高斯核，核宽度为r。上述过程的一个例子如图所示。 2.图2.数据划分和监控数据去噪的示例。(a)在一天内（2016年5月31日）获得的功率数据;（b）分区和去噪后两个单独过程的功率模式（红色）。PRI2ÞY.C. 梁 et 等/工程5（2019）646649N●●●rss r0s s100000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000004.3. 规范化监测数据将归一化应用于所监测的数据以确保数据的适当比例，以便促进从数据中提取特征（例如，第5中描述的峰度值在没有归一化过程的情况下将非常高）：NP¼Pr=P参考值其中NP是归一化功率数据;Pr是原始功率数据;并且Pref是机器的参考功率数据4.4. 调整监控数据在实际的制造条件下，当加工部件时，在分区的监控数据中可能存在时间延迟或偏差，这导致与标准参考（即，加工同一部件时的功率模式正常工作条件）。互协方差之间的监测数据和的标准参考5. 异常检测过程在加工过程中，特征被定义为表示预处理的监测数据和标准参考之间的差异在正常工作条件下加工相同部件的数据模式在良好的工作条件下，在部件加工过程中收集标准参考。图3所示的诊断程序包括以下步骤：(1) 特征基于绝对均值、峰度和波峰因子的矩阵来表示。相关定义见表2。在表2中，特征m是根据每一段预处理的监测数据及其标准参考计算的。特征2(2) 定义了一系列阈值。阈值1用于通过比较特征1和阈值1来确定正常或异常状况。阈值2（rs切割s标准）用于识别时间延迟[5]。1分别为m。如果没有匹配的异常，则将新的异常类型更新到系统的数据库(3) 上述阈值由FFO定期优化rs切割s标准切割机N-1×Xt¼1HP标准截割P型切割机-L型标准算法基于最新的历史数据。在本研究中，基于以下规则定义异常工作条件[5]：工具磨损：功率范围垂直移动显著，但在空闲阶段期间的功率范围保持相同。ð4Þ其中P标准和P切割分别是标准参考和分区监测数据;l标准和l切割是时间序列的平均值;N是两个数据集的较小数量;以及t和T分别是时间偏差和标准时间时间延迟可通过以下公式计算：rssT;T¼1：N刀具破损：功率增加到峰值，然后回到空气切割功率范围。主轴故障：功率在加工和空转阶段有突然的峰值和增加的功率范围。根据规则和历史数据，可以定义上述异常情况的三个阈值：用于判断刀具磨损的阈值2，用于判断刀具破损的阈值3，以及用于判断主轴故障的阈值4确定最佳Xcoef<$pð5Þ阈值将在下一节中描述当Xcoef处于其最大值时，可以计算时间差：X系数最大时的差值<$T;因此，对齐的监测数据将为：P切割对齐¼P切割对齐差异使用相同的过程来将所监测的数据与故障参考P故障（即，在异常条件下加工同一部件时的功率模式）。6. 阈值优化正如我们以前的研究[5]中所讨论的，整体检测精度可以由四个因素决定：真阳性（TP），假阳性（FP），真阴性（TN）和假阴性（FN）。TP表示异常状况被正确地识别为异常;FP表示正常状况被错误地识别为异常;TN表示正常状况被正确地识别为正常;FN表示异常状况被错误地识别为正常。基于这四个因素，引入精度、召回率和F来评估整体检测准确度[26]：图三. 异常诊断过程。650Y.C. 梁 等/工程 2019 - 05- 06 00：00：00.- 是的Σ¼¼¼Nt¼Nt¼绝对平均值标准品平均值¼1PN1 jP标准品-P切割。平均故障1/4PN1 jP故障-P切割。Nt¼Nt¼表2标准参考、故障参考和监控数据的特征和阈值定义[25]。变量之间的差异预处理的监测数据和标准参考预处理的监测数据和故障参考峰度k标准1/4PN1。P标准-P切割线4K故障1/4PN1。P故障-P切割波峰因数C标准品¼ ma x。. P标准-P切割。=q. P故障-P切割。=q特性特性1标准k标准C标准k平均值特性2-n 平均故障k故障C故障等待阈值1¼V平均值标准Vk标准VC标准阈值2-n ¼V平均故障Vk故障VC故障精密TP公司简介召回TPTPFFNF2精度×召回精度×召回ð8Þð9Þð10Þ步骤5.在典型的FFO算法中，搜索距离总是恒定的，这将使得当果蝇接近解时搜索难以收敛。因此，为了改进算法，在五次迭代中适应度没有提高的情况（这提高了收敛速度，因为当群接近解时，群可以更容易地接近解[29]。a×T-1 ××0： 8其中精度表示正确识别的异常状况相对于所有识别的异常状况的比例;一个新的¼a-MaxTmaxð13Þ召回率是正确识别的异常条件与所有实际异常条件的比例;F衡量检测的总体准确性。F分数越高（好分数接近1），检测的整体准确性就越好。TP、FP、TN和FN受四个阈值的值影响阈值1、阈值2、阈值3、阈值4）。因此，阈值的值选择影响F分数。在这项研究中，阈值优化使用FFO算法通过历史监测数据，而不是依靠专家的经验。FFO能够避免局部最优，并且具有比其他一些主流优化算法更好的性能[27，28]。在该算法中，群中心被初始化以进行并行搜索（在本研究中，每个中心被建模为四个阈值的向量，即，阈值1在每个群中心周围，会产生称为通过基于嗅觉和视觉的策略分别计算适应度和群中心选择（详细信息在步骤3和4中解释计算朝着优化方向迭代。优化目标是确定导致最大F分数的最适当阈值：向量阈值1;阈值2;阈值3;阈值4F 11优化过程如下所述（步骤2和5中提供了对典型FFO算法的改进）：步骤1.设置最大迭代次数Tmax、群中心的种群规模v和每个群中心周围果蝇的种群规模k。步骤2.根据以下公式在每个蜂群中心周围随机生成果蝇：矢量子矢量中心a×rand12其中，Vectorcenter和Vectorsub分别是群中心和围绕每个群中心的果蝇子种群的向量，a是确定果蝇围绕每个群中心的搜索距离的边界，并且rand表示随机数。步骤3.进行基于气味的搜索以计算气味浓度（即，适合度）。步骤4.进行基于视觉的搜索，用适应度最好的子种群中的果蝇替换原来的种群中心，并指导子种群进一步搜索。其中anew是当接近一个最佳结果。步骤6.重复上述步骤，直到解收敛或达到最大迭代次数Tmax7. 案例研究在欧盟Smarter和Cloudflow项目的赞助下，开发了一个无线传感器网络，并部署在英国一家公司的车间。该公司专门从事汽车、航空航天和模具应用的高精度加工。在这种情况下，监测五轴铣床MX520。在六个多月的时间里，电力数据（超过10 GB）被收集并存储在本地数据库中。开发了基于开源平台Hadoop的大数据基础设施，以管理大量数据并加速数据处理。生产线的一部分如图4所示。三个电流传感器（每相一个）夹在数控机床的主电源上。一个传感器的数据速率是每秒一个样本;因此，每秒一个样本通过车间的Wi-Fi传输到Hadoop数据服务器。然后计算见图4。CNC加工工艺。 (a)（b）功率测量;(c)Mazak机床和加工工艺。Nt1/2Nt1/2Y.C. 梁 et 等/工程5（2019）646651基于三相电流、220 V电压和0.82的功率因数在本案例研究中，FFO算法旨在根据历史数据确定导致最高F评分的最佳阈值。表3显示了此优化过程的基准结果。对于阈值1，优化的阈值为（0.192，0.032，0.287），对于阈值2为（0.632，0.410，0.652）作为刀具磨损，对于阈值3为（3.698，75.363，10.737）作为刀具破损，对于阈值4为（2.412，1.081，0.921）作为主轴失效。FFO算法只需23次迭代就能得到最优解，与其他基准算法相比，收敛速度最快。它可以实现F得分为1，这意味着优化的阈值可以基于历史数据实现100%的真实检测率。下面解释异常检测和识别的一些示例7.1. 正常生产图5示出了用于异常检测的监测数据的分析。所提取的特征1是（0.147，0.004，0.113），其小于阈值1（0.192，0.032，0.287）（特征和阈值的定义在表2中）。因此，它可以被归类为正常。7.2. 异常情况：刀具磨损对 于 图 6 （ a ） 所 示 的 监 测 数 据 ， 特 征 1 为 （ 0.206 ， 0.042 ，0.295），高于阈值1（0.192，0.032，0.287）。因此，生产被归类为故障。因此，进行异常诊断（图6（b））。特征2是（0.171，0.058，0.250），其小于阈值2（0.632，0.410，0.652）。因此，可以将异常归类为刀具磨损。7.3. 异常情况：刀具断裂对 于图 7 （ a ） 所 示 的 监 测 数 据 ， 特 征 1 为 （ 0.460 ， 41.532 ，2.303），高于阈值1（0.192，0.032，0.287）。因此，生产是一个错误 。 进 行 异 常 诊 断 （ 图 7 （ b ） ） 。 特 征 3 是 （ 1.039 ， 61.512 ，1.744），其小于阈值3（3.698，75.363，10.737）。因此，该异常可归类为刀具破损。7.4. 新异常情况：长时间空切图图 8显示了对监测数据的分析。特征1是（0.492，0.441,0.379），其中是更高比D1型表3优化算法的比较FFOGASA迭代以达到优化234451优化F111GA：遗传算法; SA：模拟退火。图5. 显示正常生产条件的数据。（0.192，0.032，0.287）。因此，生产是一个错误。但是，没有类似于此数据模式的错误引用因此，在这种发现机器不小心留下了空气切割。然后保存模式，以更新错误的参考。见图6。 刀具磨损检测。(a)故障识别;（b）故障分类。图7. 刀具破损检测。(a)故障识别;（b）故障分类。图8. 新异常数据检测。652Y.C. 梁 等/工程 2019 - 05- 06 00：00：008. 结论在这项研究中，数据驱动的异常分析。该系统在某机械加工企业进行了实际加工条件下的验证。本研究的创新点如下：(1) 为了解决监测数据的准确性问题，开发了预处理机制，包括去噪、数据归一化(2) 为了在动态加工过程中实现更准确的检测，设计了一种FFO算法来确定最佳的异常未来将进行进一步的调查，以巩固系统的可靠性，包括：①将测试不同的数据采样率，以找到最佳的系统精度和效率。此外，将考虑不同的数据源（例如，振动、力数据等）通过数据融合来增强预测结果。②我们将考虑设计有效和高效的深度学习算法和计算架构（例如，用于递归神经网络（RNN）和长短期记忆递归神经网络（LSTM RNN）等的迁移学习算法和边缘架构），以进一步提高系统性能。确认作者感谢欧盟智能项目（PEOPLE-2013-IAPP-610675）的资助。遵守道德操守准则Y.C. Liang，S.Wang，W.D.Li和X.卢先生声明彼等并无利益冲突或财务冲突须予披露。引用[1] [10]杨文，杨文，杨文.人工免疫系统在故障检测、诊断与恢复中的应用。Eng ApplArtif Intell2015;46：43-57.[2] 文卡塔苏布拉马尼安V，Rengaswamy R，尹K，Kavuri SN.过程故障检测与诊断综述：第一部分：基于定量模型的方法。计 算 机 化 学 工程2003;27（3）：293-311.[3] AydinI，Karakose M，Akin E. 基于混沌的混合否定选择算法及其在故障与异常检测中的应用。 专家系统应用2010;37（7）：5285-94.[4] 杨华，李婷，胡新，王芳，邹艳.基于人工免疫系统的入侵检测综述。Sci World J2014;2014：156790.[5] 王S，梁永春，李伟东，蔡孝泰. 大数据启用智能免疫系统，实现节能制造管理。JClean Prod 2018;195：507-20.[6] Gao R，Wang L，Teti R，Dornfeld D，Kumara S，Mori M，etal. CIRPAnn2015;64（2）：749-72。[7] [1]李军，吴芳，赵伟，加法里，廖立，西格尔.旋转机械系统的预测与健康管理设计-评论、方法与应用。 Mech Syst Signal Process 2014;42（1-2）：314-34.[8] 胡刚，李宏，夏毅，罗立。 深度玻尔兹曼机与多粒度扫描森林集成协同方法及其在工业故障诊断中的应用。计算机工业2018;100：287-96.[9] 田英，付明，吴飞. 基于支持向量机的钢板故障诊断。神经计算2015;151：296-303.[10] 郑军，潘华，程军。基于复合多尺度模糊熵和集成支持向量机的滚动轴承故障检测与诊断。Mech Syst Signal Process 2017;85：746-59.[11] 吴红，赵军。基于深度卷积神经网络模型的化工过程故障诊断。计算机化 学 工 程2018;115：185-97。[12] 吴伟杰，王伟杰，王伟杰.基于决策树和声音信号的面铣刀故障诊断。MaterialsToday Proc2018;5（5）：12035-44.[13] 陆锋，姜建，黄建，邱旭。航空发动机故障诊断的双重简约核极端学习机。Aerosp SciTechnol2017;71：742-50.[14] 文玲，李新，高玲，张英.基于卷积神经网络的数据驱动故障诊断新 方法。 IEEETrans Ind Electron 2018;65（7）：5990-8.[15] 文玲，高玲，李晓.一种新的基于稀疏自编码器的深度迁移学习故障诊断方法。 IEEETrans Syst Man Cybern Syst 2019;49（1）：136-44.[16] 文玲，李新，高玲.一种新的基于卷积神经网络的两级递阶诊断网络。IEEE跨仪器测量2019年即将到来。[17] García S，Luengo J，Herrera F.数据挖掘中最有影响力的数据预处理算法的实用技巧。知识库系统2016;98：1-29.[18] Pan S，Yang Q.迁移学习研究综述。IEEE跨知识数据工程2010;22（10）：1345-59。[19] Liu Z，Guo Y，Sealy M，Liu Z.硬质合金铣削过程中刀具磨损过程的能耗和工艺可持续性。J Mater Process Technol2016;229：305-12.[20] 张丹，郭勇，刘志，刘志. 精密硬态铣削的能耗与建模。 J Clean Prod 2016;135：1591-601.[21] Stoney R，Donohoe B，Geraghty D，O'Donnell G.用于过程监测的声表面波传感器的发展。Procedia CIRP2012;1：569-74.[22] García Plaza E，Núñez López PJ.小波包变换在数控车削表面粗糙度振动信号监测中的应用。Mech Syst Signal Process 2018;98：902-19.[23] FengZ，Zuo M ，Chu F. 正则化维数在齿轮损伤评估中的应用。Mech SystSignal Process2010;24（4）：1081-98.[24] Rimpault X，Bitar-Nehme E，Balazinski M，Mayer J.使用分形分析的Capball设备中电容式位移传感器的在线监测和故障检测。测量2018;118：23-8。[25] 夏M，李T，徐L，刘L，De Silva C. 基于多传感器和卷积神经网络的旋转机械故障诊断。IEEE/ASME TransMechatron 2018;23（1）：101-10.[26] 郑X，王玲，王S.半导体最终测试调度问题的一种新型果蝇优化算法。KnowlBase Syst2014;57：95-103.[27] 梁毅，陆翔，李伟，王松. 网络物理系统和大数据实现了节能加工优化。J CleanProd 2018;187：46-62.[28] 鲍尔斯湾评价：从精确度、召回率、F-测量到ROC、信息量、标记&相关. J MachLearn Technol 2011;2（1）：37-63.[29] 杜涛，柯新，廖军，沈勇. DSLC-FOA：改进的果蝇优化算法在结构工程设计优化问题中的应用。应用数学模型2018;55：314-39.