培养基优化r

培养基优化r（精选3篇）

培养基优化r 篇1

0 引言

最近邻(NN,Nearest Neighbor)查询是空间数据库中重要的一类查询,比如,一个正在高速公路上行驶的司机可以找到离当前位置最近的加油站。与其同等重要的查询是连续最近邻(CNN, Continuous Nearest Neighbor)查询,比如还是高速公路上行驶的汽车司机,他可能想知道在一段道路上的最近加油站,这个查询的结果是一个包含道路上有效区间及相应最近邻的集合。

目前为止最有效地解决静态环境数据库中连续最近邻问题的算法是文献[2]中的CNN算法,这个算法的主要思想是寻找分割点si,分割点是最近邻发生变化的点。这个算法的结果是一个列表,包含所有的分割点以及它们相应的最近邻。这个算法的主要缺点是遍历顺序没有优化,磁盘存取数量大。本文的主要目的是改进这个算法,以减少磁盘存取数量,提高I/O效率。

1 CNN算法相关知识

1.1 CNN查询的问题特征

CNN查询的目的是通过分割点列表SL找到线段undefined上最近邻居的集合。s和e是SL中的第一个和最后一个元素。对于si∈SL(0≤i<SL-1)要满足:si∈q并且[si,si+1]上的所有点具有相同的NN。最初,SL={s,e},此时不存在最近邻,在整个查询过程中SL不断被更新,SL中包含着目前为止每一步的处理结果,最后的结果包含每一个分割点si以及它的最近邻si.NN。如果p到一些点u∈[s,e]的距离比当前u.NN到u的距离更近,则要更新SL,这时只需验证p是否覆盖了当前SL中的某些分割点即可。

1.2 基于R树的CNN查询算法

最近邻查询中最普通的类型是点的kNN查询,即从数据集P中找到距离点q最近的k个对象,已有的算法采用分支-限界(BAB)方法来搜索R树。正如点的NN算法,CNN算法也采用BAB方法来修剪搜索空间。这一算法可以避免访问那些不包含有效数据点的结点。下面给出几个删除不必要的中间结点的规则。

规则1:对于一中间结点E和查询线段q,当mindist(E,q)

规则2:对于一中间结点E和查询线段q,当且只当存在一个分割点si∈SL并且dist(si,si.NN)>mindist(si,E),E的子树才被查询。

虽然规则2提出了一个MBR包含有效数据点的更为严密的条件,但它导致了更多的CPU运算。因为它需要计算E到每一个分割点的距离,而且它只适用于那些满足规则1的结点。

规则3:满足规则1和2的结点要根据它们距q的最小距离递增处理。首先访问距离小的结点,再访问距离大的结点。

2 算法优化思想

CNN算法的主要思想就是根据规则1和2来判断哪些结点被删剪,根据规则3决定处理顺序。如图1所示,P={p1,p2,…,p13},移动查询线段undefined以及相应的R树,在遍历根结点之后,计算出所有中间结点距q的距离,首先被访问的中间结点是IN1,在IN1中最先被处理的是较近的LN2中的p3结点,p4和LN1被删剪;下一个被访问的结点是LN3,其中p8被处理,这样IN1就被处理完毕。接着处理IN2中的结点,在IN2中依然是依据三个规则进行访问和删剪,依次处理的结点是p6,p7,p9,p11。

根据图1(a)可知SL={s(.NN=p1),s1(.NN=p9),s2(.NN=p11),e(.NN=p11)},LN1,LN3,LN4三个叶子结点不包含任何一个最近邻,期待的算法是不访问这三个中间结点。但根据文献[2]中算法,LN3,LN4这两个不包含最近邻的结点没有被删剪掉。

根据上面的讨论,可以发现文献[2]中算法没有最大程度地删剪结点,其原因是对R树的遍历顺序不够优化,优化后的规则3应该如下所述:

规则3′:满足规则1和规则2的结点要根据它们距最新分割点的最小距离递增处理。

根据规则3′,在处理p3后,新的分割点为e,首先被处理的结点就变成了p11,如图2所示,得到新的分割点s1,距离s1最近的点是p9,如图3所示,原有的分割点s1被移除,新的分割点s1和s2插入到列表中,这样就完成了整个查询,只访问了p3,p11,p9三个结点,算法得到了优化。

3 算法性能分析

优化后的算法相对于文献[2]中算法而言,其磁盘存取数量是明显减少了,I/O得到了优化,但不能确定CPU的计算量是否减少了,其原因是:

一方面,CPU的计算量增大了,这主要是因为算法需要对中间结点进行规则1和规则2的检测,算法不能在找到一个覆盖此结点的分割点后就退出检测规则2,因为需要找到距这个结点最近的分割点。

另一方面,算法在其它地方明显地减少了CPU的计算量。首先,最明显的是访问了更少的结点,计算了较少的最小距离;其次是优化后的算法在执行过程中尽可能地让SL保持在最小情况下,这就在二分法查找以及计算规则2时减少了计算量,而文献[2]中的算法在中间状态中存在一些分割点,而这些分割点并没有在最后出现,这样在算法执行过程中,就会存在SL要比最终状态时的SL大很多的可能。

在将来的工作中,需要进一步做的是通过实验来评价CPU计算量的变化,以及将这个方法扩展到连续k近邻中。

参考文献

[1]Beckmann N,Kriegel H P,Schneider R,et al.The R*-tree:An effi-cient and robust access method for points and rectangles[C]//Proc.ofthe ACM SIGMOD Intl.Conf.on Management of Data,1990:322-331.

[2]Tao Y,Papadias D,Shen Q.Continuous nearest neighbor search[C]//Proc.of 28th Intl.Conf.on Very Large Data Bases(VLDB),2002:287-298.

[3]Roussopoulos N,Kelley S,Vincent F.Nearest neighbor queries[C]//Proc.of the ACM SIGMOD Intl.Conf.on Management of Data,1995:71-79.

[4]郭景峰,等.连续最近邻查询方法研究[J].现代计算机,2004,7:6-9.

[5]苏德富,钟诚.计算机算法设计与分析[M].电子工业出版社,2005.

培养基优化r 篇2

红豆杉细胞的筛选培养基优化

运用正交试验优化小细胞团法筛选红豆杉细胞系的.筛选培养基.培养基为改良的MS培养基,培养基质量浓度为硝酸钾1900mg・L-1,硝酸铵825mg・L-1,磷酸氢二钾170mg・L-1,蔗糖质量浓度30g・L-1,葡萄糖质量浓度5g・L-1,并且添加适量的酵母提取物、甘氨酸、维生素C、叶酸、氯化胆碱、泛酸钙等.该培养基明显提高了细胞生长率,并能增加紫杉醇的含量.

作 者：余斐 张姝 鲁明波 陆捷 Yu Fei Zhang Shu Lu Mingbo Lu Jie 作者单位：华中理工大学生命科学与技术学院刊 名：华中理工大学学报 ISTIC EI PKU英文刊名：JOURNAL OF HUAZHONG UNIVERSITY OF SCIENCE AND TECHNOLOGY年，卷(期)：28(10)分类号：Q813.1关键词：红豆杉细胞 小细胞团 紫杉醇 筛选培养基

培养基优化r 篇3

生产设备在运行过程中, 由于磨损、腐蚀、断裂、疲劳及冲击载荷等原因, 随着时间的推移将会发生故障。预防性维修可以有效防止设备发生故障, 延长设备使用寿命, 提高设备的安全性和可靠性。预防性维修是指定期对设备进行检查、修理或更换零部件, 减小设备发生故障的风险, 以降低设备故障造成的损失。吴波等[1]对机械系统的各种预防性维修模型进行了详细介绍。Valdez-Flores和Feldman[2]根据系统的运行状态提出基于状态的预防性维修模型。对生产设备维修管理的诸多研究盅, 大都假定设备发生异常能够被直接观察[3,4,5]。实际生产中, 设备的运行状态有时不能直接观察, 而是需要通过检测才能做出判定。此时一个重要的问题就是如何对设备状态进行监控。

控制图是统计过程控制的主要工具, 它是以预防为主的质量管理方法。通过抽样检测, 控制图可以及时了解设备的运行状态, 尽早发现异常, 避免因设备故障造成巨大损失。Tagaras[6]首先提出统计过程控制与设备维修策略耦合优化问题。Linderman等[7]讨论了控制图设计与设备维修决策同时优化的经济效益问题。Cassady等[8]通过对珡X图与预防性维修策略同时优化, 证明将统计过程控制与预防性维修耦合对生产效益的提高比仅采用单一措施更有效。Thomas等[9]在Cassady模型的基础上, 通过构建状态转移概率矩阵, 研究了珡X图和基于老化的预防性维修策略同时优化的问题。Sofia等[10]针对设备异常导致过程均值发生漂移和由于失效导致设备停止运行两种状态, 研究了珡X图优化设计和基于状态的维修策略问题。以上研究大都假定设备故障仅导致过程均值发生漂移, 对过程标准差发生漂移的情况考虑较少。实际生产中, 设备故障的影响是多方面的, 有的故障可能对过程均值产生影响, 有的则对过程标准差产生影响。例如用刀具加工零件时, 刀具磨损将使加工零件尺寸的均值发生漂移, 而刀具松动将使零件尺寸的标准差发生变化。如果在生产运行过程中标准差已经漂移失控, 但误认为标准差保持不变, 仅用珡X图对过程进行监控, 将会增加误判的风险。此时, 控制图将无法准确判断设备是否发生异常。为此, 本文针对设备故障不仅导致过程均值发生漂移还可能导致过程标准差发生漂移的情况, 研究设备状态的监控和预防性维修问题。利用均值-极差图对设备的状态进行监控。在综合维修成本、质量损失和抽样检测成本的基础上, 给出控制图优化设计和预防性维修周期的确定方法, 分析了模型参数对决策变量优化确定的影响。

2 模型假设

生产设备在运行过程中由于自身性能变化及工作环境等影响, 经常会发生故障。设备发生故障有时难以直接观察, 此时, 设备虽然能够继续运转, 但加工产品的质量将会发生变化。如果不及时对设备进行维修, 将会产生大量的质量损失。为了提出设备状态监控方法和预防性维修策略的优化模型, 作如下具体假设:

(1) 加工产品的质量特性X~N (μ, σ2) , 设备运行正常时, μ=μ0且σ=σ0, 记为状态0。生产过程中, 设备将会发生两类故障, 其中第一类故障将导致过程均值发生漂移, 第二类故障将导致过程标准差发生漂移, 从而使过程的状态发生变化。

状态1:μ=μ1=μ0+ησ0, σ=σ0, 即过程均值发生漂移, 但过程标准差保持不变;

状态2:μ=μ0, σ=σ1=σ0/τ, 即过程标准差发生漂移, 但过程均值保持不变;

状态3:μ=μ1=μ0+ησ0, σ=σ1=σ0/τ, 即过程均值和标准差都发生漂移。

其中η和τ分别为均值和标准差的漂移系数

(2) 设备发生故障的时间是随机变量且服从一般分布。第一类故障发生的时间为T1, 其分布函数为F (t) , 概率密度为f (t) ;第二类故障发生的时间为T2, 其分布函数为G (t) , 概率密度为g (t) 。T1和T2相互独立, 且在极短的时间内至多有一种故障发生。

(3) 设备故障不能直接观察, 需要通过对加工产品的质量进行检测才能判定。为了及时了解设备运行状态, 利用均值-极差图对过程状态进行监控, 如果控制图报警, 则对设备进行维修。否则, 生产将持续到下一次抽样。如果连续m-1次抽样都没有发现过程失控, 则在第m个抽样区间末对设备进行预防性维修。

(4) 所有维修都能使设备修旧如新。抽样检测的时间相对较短, 可以忽略不计。

3 -R图及两类风险的概率

3.1 -R图

图上下控制限分别为:

其中, k1表示图的控制限系数, n表示样本容量。

R图的控制限为:

其中, k2表示R图的控制限系数, R图的下控制限取为0。

3.2 两类风险的概率

过程受控, 图误报警的概率为:

其中, Φ (·) 表示标准正态分布的分布函数。

过程均值失控但标准差受控, X图漏报警的概率为:

过程均值和标准差都失控, 图漏报警的概率为:

过程均值受控但标准差失控, 图报警概率为:

在过程受控条件下, 样本极差落在控制限外, 即R图误报警概率为:

其中, Fn (·) 为标准化极差ω=R/σ0的分布函数, 其表达式为[11]:

在过程标准差失控条件下, 样本极差落在控制限内, 即R图漏报警的概率为:

对于正态总体, 统计量和R相互独立[12]。将珡X图和R图联合使用, 可以得到以下概率。

过程受控, 即过程状态为0时, 均值-极差图误报警的概率为:

过程失控, 即过程状态为3时, 均值-极差图漏报警的概率为:

过程均值失控但标准差受控, 即过程状态为1时, 均值-极差图报警的概率为:

过程均值受控但标准差失控, 即过程状态为2时, 均值-极差图报警的概率为:

4 状态转移概率

生产设备开始运行时为正常状态, 记开始运行时刻为t0 (t0=0) , 第i次的抽样时刻为ti (i=1, 2, …, m) 。在第i个抽样区间 (ti-1, ti] (i=1, 2, …, m) 内, 过程从状态0转移到状态0表示在该区间内均值和标准差都没有发生漂移, 其转移概率为同理, 可得其他的状态变化情况及转移概率。过程状态的变化及相应的转移概率如表1所示。

过程在第i次抽样检查后的状态为0, 表示过程在第i-1次抽样检查后处于状态0, 在第i个抽样区间 (ti-1, ti]内过程没有发生异常, 且在第i次抽样检查时控制图没有误报警。其概率为:

其中

同理, 过程在第i次抽样检查后的状态为1的概率为:

过程在第i次抽样检查后的状态为2的概率为:

过程在第i次抽样检查后的状态为3的概率为:

5 模型构建

将生产设备从开始运行到控制图报警或实施预防性维修作为一个生产州期。在一个生产周期内, 除了正常的生产成本以外, 主要的损失包括设备的维修成本、失控状态下运行的质量损失及抽样检测成本。

5.1 设备维修成本

一个生产周期内的维修成本包括设备状态为0时控制图误报警的维修成本和状态为1、2、3时控制图报警维修成本及预防性维修成本。

过程在ti时的状态为0且控制图误报警的概率为:

于是, 一个生产周期内, 过程在状态0时误报警的概率为:

同理, 一个生产周期内, 过程在状态1时报警的概率为:

一个生产周期内, 过程在状态2时报警的概率为:

一个生产周期内, 过程在状态3时报警的概率为:P3CM

过程在tm时实施预防性维修的概率为:

因此, 一个生产周期内的平均维修成本为:

其中, Cj表示过程状态为j (j=0, 1, 2, 3) 时报警维修的成本, CPM表示实施预防性维修的成本。

5.2 质量损失

本文的质量损失是指生产过程中由于设备在故障状态下运行的损失。在第i个抽样区间内, 过程从状态0转移到状态1的条件下, 在状态1下运行的时长为:

同理, 第i个抽样区间内, 过程从状态0转移到状态2的条件下, 在状态2下运行的时长为:

第i个抽样区间内, 过程从状态0先转移到状态1再到状态3的条件下, 在状态1下运行的时长为:

第i个抽样区间内, 过程从状态0先转移到状态1再到状态3的条件下, 在状态3下运行的时长为:

第i个抽样区间内, 过程从状态0先转移到状态2再到状态3的条件下, 在状态2下运行的时长为:

第i个抽样区间内, 过程从状态0先转移到状态2再到状态3的条件下, 在状态3下运行的时长为:

故, 在ti-1时过程状态为0的条件下, 过程在第i个抽样区间 (ti-1, ti]内的质量损失为:

其中表示在区间 (ti-1, ti]内过程从状态0转移到状态1再转移到状态3的概率;表示在区间 (ti-1, ti]内过程从状态0转移到状态2再转移到状态3的概率;Lj (j=1, 2, 3) 为过程在状态j运行单位时间的平均质量损失。

类似地, 在ti-1时状态为1的条件下, 过程在第i个抽样区间内的质量损失为:

在ti-1时状态为2的条件下, 过程在第i个抽样区间内的质量损失为:

在ti-1时状态为3的条件下, 过程在第i个抽样区间内的质量损失为:

于是, 一个生产周期内, 设备在故障状态下运行造成的质量损失为:

5.3 抽样检测成本

当m=1时, 由于在t1时对设备实施预防性维修, 所以不对过程抽样, 抽样次数N=0。当m≥2时, 过程在ti (i=1, 2, …, m-1) 时抽样意味着在第i-1次抽样检测时控制图没有报警, 其概率为:

故, 一个生产周期内的平均抽样检测成本为:

其中, a为抽检一个样本的固定成本, b为抽检一个样本的可变成本。

5.4 模型的建立

一个生产周期内的平均总损失可表示为:

另外, 一个生产周期的时长包括设备运行时长和维修时长两部分。当m=1时, 一个生产周期内的平均运行时长为第一个抽样区间长度t1-t0.当m≥2时, 一个生产周期内的平均运行时长为:

一个生产周期内的平均检修时长为:

其中, Wj表示状态为j (j=0, 1, 2, 3) 时控制图报警维修的时长, WPM表示实施预防性维修的时长。

于是, 一个生产周期的平均时长为:

从而, 设备长期运行情况下单位时间的平均损失为:

设备状态的监控及预防性维修决策优化的目标函数为:min{ECT}

优化目标是确定控制图参数和预防性维修周期, 使设备长期运行单位时间平均损失最小。

6 数值计算

某生产设备正常运行时加工产品的质量特性服从正态分布, 设备发生故障将导致过程均值和标准差发生漂移 (η=6, τ=0.2) 。设备发生故障的时间是随机变量, 可以服从一般分布。为简单起见, 假定两类故障的发生时刻分别服从参数为λ1=1和λ2=1的指数分布, 且两类故障的发生时刻相互独立。抽样方式采用等距抽样, 即ti-ti-1=h (i=1, 2, …, m) 为常数, a=20, b=0.5, 抽样检测时间忽略不计。各状态下设备维修成本分别为C0=100, C1=C2=C=200, C3=350, 预防性维修的成本CPM=400。各种状态对应的维修时间分别为W0=0.2, W1=0.15, W2=0.25, W3=0.3, 预防性维修时间WPM=0.4。过程在异常状态下运行单位时间的损失分别为L1=500, L2=450, L3=700。由式 (43) 利用MATLAB软件编程计算得最优解为k1=2.81, k2=3.26, n=6, h=1.24, m=11, 单位时间平均损失ECT=259.19。如果在生产运行过程中, 误认为设备异常仅导致过程均值发生漂移, 过程标准差保持不变, 利用珡X图对过程进行监控, 则单位时间平均损失ECT′=279.30。与使用珡X-R图对过程进行监控相比, 单位时间平均损失增加的比例为

7 灵敏度分析

为了研究维修成本和模型参数对控制图及预防性维修策略优化设计的影响, 下面将18个成本和模型参数看作独立变量, 其水平数及各水平对应的值如表2所示。决策变量除了单位时间平均损失ECT, 还有五个试验参数 (k1, k2, n, h, m) 。选用L32 (231) 正交表, 成本和模型参数分别放在1~18列上, 所有不同的试验条件共有32个, 对每个试验条件通过计算求得最优解, 如表3所示。

根据表3的试验结果对数据进行方差分析, 分析结果如表4所示。具体结论如下:

(1) 对均值图控制限系数k1影响显著的因子有λ1, λ2a, C0, C, C3.λ1, λ2, a, C取高水平、C0, C3取低水平时, 将导致较宽的均值图控制域。

(2) 对极差图控制限系数k2影响显著的因子有τ, a, C0, C, C3.τ, a, C高水平、C0, C3取低水平时, 将导致较宽的极差图控制域。

(3) 对样本容量n影响显著的因子有τ, a, b, C.τ, a, C取高水平、b取低水平时, 将导致较大的样本容量。

(4) 对抽样区间h影响显著的因子有η, τ, λ1, λ2, a, C0, C, C3, CPM.η, λ1, a, C, CPM取高水平、τ, λ2, C0, C3取低水平时, 将导致较大的抽样区间。

(5) 对抽样次数m影响显著的因子有η, τ, λ1, C0, C, C3, CPM.τ, C0, C3取高水平、η, λ1, C, CPM取低水平时, 将导致较大的抽样次数。

(6) 对单位时间平均损失ECT影响不显著的因子有b, WPM, L2, L3, 其它因子对ECT影响均显著。τ, λ1, λ2, a, W0, W1, C, C3, CPM, L1取高水平、η, W2, W3, C0取低水平时, 将导致较大的单位时间平均损失。

注:“+”表示在显著性水平0.01下为显著性因子。

8结论

本文研究了具有两种类型故障的生产设备的状态监控和预防性维修问题。第一类故障导致过程均值发生漂移, 第二类故障导致标准差发生漂移, 故障的发生时间可以服从一般分布, 设备状态需通过对加工产品的质量进行检测才能判定, 利用均值-极差图对设备状态进行监控。在长期运行单位时间平均损失最小的前提下, 提出控制图设计和预防性维修策略的优化模型, 给出控制图参数和预防性维修周期的确定方法。研究结果可以为生产设备的状态监控和预防性维修策略的制定提供理论依据, 对优化资源配置、提高设备使用效益具有一定的应用价值。

摘要：考虑生产设备在运行时出现两种类型的故障, 第一类故障导致过程均值发生漂移, 第二类故障导致过程标准差发生漂移。利用均值-极差图通过抽样检测对设备的状态进行监控, 如果发现过程失控则对设备进行完全维修, 否则生产持续到下一次抽样。经过m次抽样检测后对设备实施完全预防性维修。在单位时间平均损失最小的前提下, 提出均值-极差图和预防性维修策略的优化模型, 给出控制图参数及预防性维修周期的确定方法。数值计算说明所提方法是有效的, 最后分析了模型参数对决策变量的影响。

关键词：两类故障,控制图,预防性维修

参考文献

[1]吴波, 丁毓峰, 黎明发.机械系统可靠性维修及决策模型[M].北京:化学工业出版社, 2006.

[2]Valdez-Flores C, Feldman R M.A survey of preventive maintenance models for stochastically deteriorating single-unit systems[J].Naval Res.Logist.Quart., 1989, 36:419~446.

[3]Juang M G, Anderson G.A Bayesian method on adaptive preventive maintenance problem[J].European Journal of Operational Research, 2004, 155:455~473.

[4]Maillart L M.Maintenance policies for systems with condition monitoring and obvious failures[J].IIE Transactions, 2006, 38:463-475.

[5]Panagiotidou S, et al.Evaluation of maintenance policies for equipment subject to quality shifts and failures[J].International Journal of Production Research, 2008, 46 (20) :5761~5779.

[6]Tagaras G.An integrated cost model for the joint optimization of process control and maintenance[J].Journal of the Operational Research Society, 1988, 39 (8) :757~766.

[7]Linderman K, McKone-Sweet K E, Anderson J C.An integrated systems approach to process control and maintenance[J].European Journal of Operations Research, 2005, 164:324~340.

[8]Cassady C R, Bowden R O, Liew L, Pohl E A.Combining preventive maintenance and statistical process control:A preliminary investigation[J].IIE Transactions, 2000, 32:471~478.

[9]Thomas, et al.Simultaneous optimization of X bar control chart and age-based preventive maintenance policies under an economic objective[J].IIE Transactions, 2008, 40:147~159.

[10]Sofia, et al.Statistical process control and condition-based maintenance:A meaningful relationship through data sharing[J].Production and Operations Management, 2010, 19 (2) :156~171.

[11]Abdur Rahim, et al.An integrated optimization model for inventory and quality control problems[J].Optimization and Engineering, 2004, 5:361~377.