工业大数据驱动定制生产优化的方法及其应用
这是一篇关于工业大数据,定制生产,特征选择,相关性分析,数据驱动的论文, 主要内容为中国正在从制造业大国向制造业强国转型,国内制造企业在转型的过程中做了大量的研究,提出如互联工厂、灯塔工厂的先进的制造理念。但是在面对日益复杂的定制化市场,特别是众多离散型制造企业的传统生产方式优化改善方法已经难以满足企业提效降本的可持续发展需求,需要更加深入地活用工业大数据技术,其核心技术包括了自动机器人、工业大数据处理、特征选择、数据挖掘等。本文围绕工业大数据驱动定制生产方式优化设计及其应用,从而为定制生产模式下有效控制企业管理运营成本与决策成本的问题提供新的解决思路。深入研究工业大数据是如何驱动定制生产,构建基于DVES模式及CPS系统的敏捷制造价值与控制管理AMVC,并结合敏捷关键绩效指标KPI进行案例数据验证。本文主要的研究贡献如下:首先,研究制造模式与定制生产的演变与发展方向,分析其驱动因素与工业大数据的应用,并综述离散事件系统规范DVES与敏捷管理等模型理论基础。再者,针对离散型制造生产方式中多源异构数据的特点,基于DVES与CPS为数据模型基础,以数据清洗、z-score数据转化、时序平滑等数据处理方法,来构建实时的、能够处理具有离散型特点的多层级异构数据的AMVC模型与敏捷关键绩效指标KPI模型,为离散型生产方式优化提供一种新的思路。然后,以PRESS指标为主要约束条件,构建出以“知识图谱-聚类分析-因子分析-逐步回归分析”为多元特征选择的综合评估方法,更为有效地解决离散型制造中多因子的降维优化,大大降低管理者决策成本。同时,以杠杆率与Cook距离为主要约束条件,构建出以“多元回归-多重共线性检验-多元动态优化”进行多因子关联性分析与动态优化,来解决多源异构数据的相关性分析。模型预置了的多数据类型关联性分析选择逻辑与控制工具选择逻辑,为实现生产方式变化的自分析、自监控提供一定的逻辑基础。最后构建出更适用于离散型中小制造企业的低成本数据的优化方案模型。结合理论演绎和以家电代表企业的案例分析,得出比传统方法更加有效的模型,包括更高的决定系数R2、更优的实时KPI指标、更精确的优化措施影响分析。
基于数字孪生的车间可视化监控系统设计
这是一篇关于数字孪生,数据驱动,可视化监控,异常告警的论文, 主要内容为随着新一代的信息技术与先进制造技术的深度融合,面向高端化、智能化和绿色化发展的制造业迎来了新的发展契机。数字孪生技术作为智能制造的关键驱动技术,成为世界各国的研究热点。而车间作为将设计图转化为产品的生产场所,承担从原材料到成品的任务。管理车间的生产状态直接影响企业的生产效率和产品质量。针对当前的车间管理存在信息交流不足,可视化效果差等问题,以及车间面临不断变化的产品定制需求,本文基于数字孪生技术对车间可视化监控系统进行设计,通过建立车间的数字孪生系统,提供了可视化、真实的虚拟交互环境,以提高对车间的管控效率。针对如何将数字孪生技术应用在制造车间中的问题,对数字孪生系统的关键技术进行了研究,设计了数字孪生车间的四层框架,分别为感知层、数据层、仿真建模层和应用层。针对数字孪生车间可视化监控系统对于实时性的需求,通过使用OPCUA框架集成车间内的多源异构数据,并提出了基于事件的数字孪生系统实时数据驱动方法。在数字孪生车间的总体架构基础上,对比常见的可视化开发方案,结合VR开发平台与Web开发平台的优势,设计了 VR-Web一体化的可视化监控系统的实现方案。以某生产车间为例,构建了数字孪生车间可视化监控系统,对上述的方法进行了验证,说明了基于数字孪生的车间可视化系统设计方法的可行性。
数据驱动的窄搭接电阻焊焊缝缺陷分析与预测
这是一篇关于数据驱动,窄搭接电阻焊,焊缝缺陷预测,随机森林算法的论文, 主要内容为目前A钢铁企业采用窄搭接电阻焊方法进行热镀锌板材焊接,焊接过程中会产生焊缝缺陷。如何对焊接过程中产生的缺陷进行有效识别是钢铁生产企业重点关注的问题。A企业现行的焊缝缺陷检测方法缺少准确性和实时性,无法满足自动化生产的需求。本次研究以A企业的窄搭接电阻焊焊接生产线为研究对象,以提出有效的焊缝缺陷预测方法并在实际生产中应用为研究目标,针对性的设计了一套焊缝缺陷预测系统。首先整理了窄搭接电阻焊焊缝缺陷的特征和成因,随后分析了企业现行焊缝检测方法和焊缝缺陷与焊接过程参数之间的关联关系。根据分析结果,提出了数据驱动的窄搭接电阻焊焊缝缺陷预测方法。通过相关性分析完成了对焊接过程参数的筛选后,构建了面向虚焊缺陷基于焊接过程参数的随机森林预测模型,将随机森林预测模型与其他机器学习模型进行了对比,验证了随机森林模型进行虚焊预测的有效性。在真实环境下进行了焊接实验,进一步对方法的有效性进行了验证。设计并开发了数据驱动的焊缝缺陷预测系统,取代了A企业现行的焊缝检测手段。研究主要包含以下工作内容:(1)针对窄搭接电阻焊虚焊缺陷,提出了基于焊接过程参数的预测方法。分析了虚焊缺陷的特征和企业现行焊缝缺陷检测方法的不足,基于虚焊缺陷和焊接过程参数之间的关联关系提出了虚焊缺陷预测方法。利用Bartlett球形检验和KMO检验方法对焊接过程参数的相关性进行了检验,根据斯皮尔曼等级相关系数,筛选得出影响虚焊缺陷形成的关键焊接过程参数。(2)窄搭接电阻焊虚焊缺陷预测模型的构建。构建了基于随机森林算法的分类模型,集成了K折检验法对模型进行贝叶斯优化。使用焊接历史数据集对随机森林模型进行了测试,验证了模型的有效性和可靠性,优化后的随机森林模型马修斯修正指数为0.9812,表明该模型在基于焊接过程参数进行虚焊缺陷预测时表现优异。通过与GBDT模型、SVM模型和KNN模型的对比,验证了随机森林模型的优越性。在实际生产环境下进行了窄搭接焊接实验测试,进一步验证了该方法的价值。(3)设计、开发了数据采集系统,包括数据采集硬件系统搭建和软件系统开发,解决了焊缝相关数据采集的实时性问题。通过运动传感器、激光摄像头和涡流设备构成的硬件系统实现了焊接过程中焊缝图像和涡流信号的自动采集。通过开发OPC客户端实现与焊机服务器之间的实时数据通信,监测了焊机参数的实时变化,实现了焊接过程参数数据的自动化采集,满足了进行实时焊缝缺陷预测的数据需求。(4)设计、开发了焊缝缺陷预测系统。将基于机器学习算法的焊缝缺陷预测模型应用于实际生产环境。该系统结合了焊缝表面图像分析、涡流信号分析和焊接过程参数分析,从三个维度对焊缝缺陷进行综合预测。在实际工作过程中,每一次焊接完毕后,系统会调用机器学习模型对焊缝的缺陷进行实时预测。预测结果会及时在主界面进行显示,为生产现场的质量检查工作人员提供指导。该系统现已应用于A企业的生产过程中,取代了原有的焊缝缺陷检测方法,实现了窄搭接电阻焊焊缝缺陷的实时、自动化预测。
大数据驱动的非标自动化设备运维系统设计
这是一篇关于非标自动化设备,数据驱动,可视化,运维系统设计的论文, 主要内容为非标自动化设备即非标准化的智能化机械设备。在实际生产中,有些生产部门因为市场需求的多样化或者产品的特殊用途等种种原因,无法采用标准化的智能机械设备,因此非标准化的自动化机械设备逐渐得到人们的重视。当前非标准化的自动化机械设备的市场需求不断扩大,越来越成为助力国家工业高质量发展的关键。在中国制造2025的背景下,众多制造业企业纷纷进行智能化转型,然而一些中小型企业在面临智能化转型时,往往需要结合自身实际情况转型升级。基于以上背景,本文结合已有项目经验,以开发一个低成本、可定制、易维护的运维管理系统为目的,设计并实现一个非标自动化设备的运维管理系统。首先,完成了对非标自动化设备运维管理系统的开发技术选型。在web应用开发技术种类多样的背景下,对实现技术手段和运维系统需求进行分析,确定了系统开发的前后端技术。基于B/S模式,应用MVC框架进行开发,结合JSP、Echarts、Java Script等技术设计系统的大数据可视化页面,依靠Ajax技术完成前后端数据交互功能,并将项目部署在Tomcat服务器,通过浏览器完成对系统的访问。然后,完成了对系统需求的具体分析。在分析了系统的需求的基础上,提出了系统功能的设计目标,设计了系统应当具备的功能。具体包括系统的登录认证功能、设备数据的传输功能、设备运行信息展示功能,和设备运行数据分析功能。另外,还对系统应具备的非功能需求做了具体描述。其次,完成了系统的整体功能能设计。包括系统的开发环境的安装搭建、IDEA对Maven和Tomcat的集成,以及登录模块、数据处理模块、前后端通信模块、数据分析模块、数据挖掘模块和数据可视化模块的设计。最后,完成了系统功能的实现。实现了对服务器的访问,对登录功能、可视化大屏、设备分析平台功能的实现和效果做了说明,并对系统性能进行了测试。结果表明系统能够达到实际场景的应用需求。
基于方程模型和深度学习方法的位场数据反问题求解
这是一篇关于反问题,位场数据,水平集方法,深度学习,数据驱动的论文, 主要内容为重力数据和磁场数据分别源于重力场和磁场,其观测与位置相关,我们将它们统称为位场数据。位场数据反问题旨在通过观测到的位场数据反演场源介质结构,例如通过重力数据反演质量体结构、通过磁场数据反演磁性体结构,其在地球物理勘探、油气资源找寻、考古成像、军事探测等领域均有重要的应用价值。位场数据反问题具有极强的不适定性,相同的测量数据可以对应到不同的反演解,因而具有极大的反演难度。随着测量技术的提高,人们得到的位场数据规模越来越大,对反演结果的准确度要求也越来越高,这促使我们探索更为高效稳定的位场数据反演算法。本论文基于经典方程模型和深度学习方法研究位场数据反问题,探讨了三类求解位场数据反问题的计算方法,包括基于经典水平集方法的位场数据反演、基于端对端神经网络的位场数据反演、基于联合模型的位场数据反演。我们运用模拟位场数据集对提出的反演算法进行演示,数值结果展示了算法的优越性。本论文的创新点主要如下。本文针对位场模量数据建立了水平集反演模型,并提出了一种敏感度加权项。以重力模量数据和磁异常模量数据为例,本文建立了水平集反演模型。为提升深层介质结构的反演效果,本文在水平集反演框架下提出了一种基于积分核函数的敏感度加权项。在数值实验中,我们使用模拟磁异常模量数据演示反演算法,并得到了较为精确的反演结果。接下来,本文构造了两种端对端的神经网络结构用以求解位场数据反问题。基于全连接神经网络的框架,我们提出了一种带有批标准化层的网络结构(BFCN)。基于U-Net和对抗生成网络框架,我们还构建了另一种具有对称结构的对抗生成网络(UGAN)。为检验算法效果,本文使用盐丘数据集和模拟重力模量数据训练以上网络,再使用测试集样本和三维SEG/EAGE盐丘模型的切面图对其进行测试。数值结果表明,UGAN具有出色的表现力。为结合方程模型方法与深度学习方法的优势,本文基于两步联合框架和截断奇异值分解技术,提出了一种针对位场线性数据的联合网络模型(模型一)。此外,基于两步联合框架和水平集方法,本文提出两种针对位场模量数据的联合网络模型(模型二和模型三)。为满足反演任务的需求,本文运用了一种改进版本的U-Net网络,并将其作为联合模型中的深度神经网络结构。在联合模型的神经网络训练中,我们将伪逆运算和水平集方法得到的初始解作为输入,将真实反演图像作为输出标签。测试集上的数值结果表明,联合模型较UGAN更具有竞争力。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设客栈 ，原文地址：https://m.bishedaima.com/lunwen/46085.html
