买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安工程大学申请的专利一种基于即时学习的多工况复杂装配线资源配置评估方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121526136B 。

龙图腾网通过国家知识产权局官网在2026-05-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511521715.6，技术领域涉及：G06Q10/0631；该发明授权一种基于即时学习的多工况复杂装配线资源配置评估方法是由唐文斌;荣玉祥;杨磊鹏;张敏设计研发完成，并于2025-10-23向国家知识产权局提交的专利申请。

本一种基于即时学习的多工况复杂装配线资源配置评估方法在说明书摘要公布了：本发明提供了一种基于即时学习的多工况复杂装配线资源配置评估方法，包括基于复杂装配线生产模式和工艺流程，确定影响生产节拍的关键资源变量，制备复杂装配线资源配置数据来构建样本数据库。采用Kmeans聚类方法对复杂装配线资源配置实现工况划分，将相似生产特征的资源配置方案归类。构建基于即时学习的LWPLS‑Kmeans动态融合算法模型，利用资源配置数据训练评估模型。将待评估的不同复杂装配线资源配置方案输入到资源配置评估模型中，实现对各类资源配置方案效能的准确评估。本发明通过引入即时学习算法和Kmeans聚类算法并优化相似性样本子集筛选机制，建立基于即时学习的LWPLS‑Kmeans的动态融合资源配置评估模型，实现生产节拍的精准预测，从而提升资源配置评估的准确性。

本发明授权一种基于即时学习的多工况复杂装配线资源配置评估方法在权利要求书中公布了：1.一种基于即时学习的多工况复杂装配线资源配置评估方法，其特征在于：包括以下步骤： 步骤1、根据复杂装配线生产模式和工艺流程，确定影响生产节拍的关键资源变量，制备复杂装配线资源配置数据并构建样本数据库； 步骤2、运用Kmeans聚类方法对复杂装配线的资源配置实现工况划分，将相似生产特征的资源配置进行归类；具体的： 对资源配置样本数据集X=[x1,x2,…,xN]进行标准化预处理，其中样本xi=[xi1,xi2,…,xim]表示复杂装配线的第i个资源配置样本，N为样本总数，m为资源配置变量维度；对资源配置样本数据集进行聚类，并采用轮廓系数作为评估指标，通过比较不同聚类数k值下的聚类质量，确定最优的聚类数目；利用最优聚类数k值对标准化后的资源配置数据进行Kmeans聚类，得到工况划分结果{G1,G2,…,Gk}；所述轮廓系数的表达式为： 其中为样本xi的簇内平均距离；为样本xi的最近邻簇平均距离； 进行Kmeans聚类的目标函数为： 其中，k是簇数量；vj是第j个簇的中心向量；Cj表示第j个簇的样本集合； 步骤3、构建基于即时学习的局部加权偏最小二乘-k均值聚类动态融合的资源配置评估模型，通过资源配置数据对评估模型进行训练和优化；具体的： 构建资源配置数据集D=[X,Y]，进行标准化处理，其中，Y=[y1,y2,…,yN]，yi为第i个样本的复杂装配线的生产节拍； 对于评估模型，在离线阶段，利用标准化处理后的资源配置数据集，使用留一交叉验证法结合网格搜索法通过最小化预测误差确定最优参数组合h，R，p；其中h和R为局部偏最小二乘法算法的核心参数，p为距离阈值； 在线阶段，对于每个资源配置样本，计算样本与各个聚类中心的欧式距离，通过距离阈值p筛选得到相似性样本子集集合Q=Q1,Q2,…,Qs，并针对每个相似样本子集Qj，采用局部加权偏最小二乘模型构建即时学习模型，并输出对应的生产节拍预测值yj；基于预测值yj与聚类中心对应生产节拍的欧式距离dj，加权融合各个相似样本子集对应即时学习模型的预测结果，输出预测生产节拍y； 步骤4：将不同复杂装配线资源配置方案输入到步骤3的评估模型中，得到各资源配置方案的生产节拍预测结果，依据生产节拍预测结果实现对各资源配置方案效能的准确评估。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安工程大学，其通讯地址为：710000 陕西省西安市新城区金花南路19号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。