7篇关于工业物联网的计算机毕业论文

今天分享的是关于工业物联网的7篇计算机毕业论文范文, 如果你的论文涉及到工业物联网等主题,本文能够帮助到你

面向工业物联网的服务功能链编排与迁移研究

这是一篇关于工业物联网,网络功能虚拟化,边缘计算,深度强化学习的论文, 主要内容为工业物联网(Industrial Internet of Things,IIoT)将物联网与工业进行融合。它促进了传感器、生产线现代工业生产和自动化环境中各种智能设备的互连。在IIoT环境中,各种设备将会产生大量的数据流,如何处理这些数据流的转发,降低网络延迟成为了 IIoT面临的一大挑战。同时,IIoT中的设备通常会频繁移动,例如移动机器人、智能机械臂、无人驾驶卡车和工人携带的移动通信设备,这对工业物联网服务提供的灵活性也提出了新的要求。为了解决工业物联网中实时性、资源多样性、安全性等需求,诸多研究将网络功能虚拟化(Network Function Virtualization,NFV)与移动边缘计算(Mobile Edge Computing,MEC)引入,将服务功能链(Service Function Chain,SFC)有序的编排在边缘网络中,可以使工业物联网中的数据转发更加灵活,满足用户QoS要求,大大提高了工业物联网的可管理和性灵活性。然而,目前的服务功能链编排研究中大多没有考虑边缘-中心环境中,不同厂商共享网络资源可能造成的编排结果不可信的情况,同时服务编排的效率还有待进一步提高。在IIoT中设备频繁移动的场景下,固定的服务功能链部署会带来较长的服务延迟,然而目前大多数研究没有考虑到设备移动性的影响,只考虑到了由于节点过载导致的被动迁移场景。针对当前服务功能链编排和迁移算法的不足,本文进行了以下三个方面的研究:(1)为了进一步提高编排的效率,同时提高服务编排的可靠性,本文提出了一种基于能耗时延联合优化的联邦服务功能链编排算法。文中算法首先将联邦学习与传统强化学习结合起来,加速了模型的收敛,增强了模型的鲁棒性。同时,本文引入了信誉理论,评估不同编排模型的可靠度,提高了联邦学习的抗干扰能力,提高了编排结果的准确度,满足工业物联网对可靠性的要求。本文的仿真结果表明,提出的算法可以满足加速收敛和优化能耗与时延的效果。(2)为了更好的适应在工业物联网中设备动态移动的场景,本文提出了基于设备移动性和网络状态的服务功能链迁移策略。本文提出的迁移算法中,首先对GPS采集到的位置数据进行校准,利用LTSM模型预测设备下一时刻的位置,并利用预测结果结合李亚普诺夫优化算法对SFC的迁移进行决策。仿真表明,算法在降低服务中断概率,降低时延,控制迁移开销上取得了一定的效果。(3)本文基于前两节所设计的算法,设计并实现了一个服务功能编排和迁移仿真平台。本文首先对该平台的功能进行了设计与梳理,搭建基本框架和底层数据库。之后,本文进一步设计了服务链编排模块、服务功能链迁移模块和拓扑展示模块。在技术上整体采用MVC架构,利用Spring对各个框架进行整合,其中,前端界面采用layUI框架实现,并使用Vis.js进行拓扑绘图,后台开发采用了 Spring Boot框架,利用其反转控制和依赖注入等特性简化开发过程。数据库使用了 MySql。最后,对系统进行了测试,测试结果表明,本文可以完成预期功能,帮助运维人员进行服务功能链编排和仿真的操作。

基于工业物联网技术的产品全生命周期管理系统

这是一篇关于工业物联网,产品全生命周期管理,Spring Boot,Spring Cloud,RBAC,Apriori,遗传算法的论文, 主要内容为近几年来,随着经济和技术的发展,生产制造业的规模逐年加大,对工业物联网(IIo T)技术和产品全生命周期管理(PLM)系统的需求也在不断增加。工业物联网为所有生产线设备或产品的联网提供了可能,PLM系统在管理这些设备或产品的同时也增加了各个生产环节的关联性。然而目前的工业物联网技术和PLM系统发展仍然不太成熟,缺少系统性的解决方案,为了解决该问题,本文设计并实现了一套基于工业物联网技术的PLM系统,实现了集监控生产、销售、售后为一体的管理系统。本文工作内容和创新点如下:(1)设计并实现了一套软硬件解决方案。硬件系统分为两部分,分别是生产线设备物联网和产品物联网。软件系统分为物联网平台、后端服务器和前端服务器三部分。后端服务器基于Spring Boot框架和Spring Cloud Alibaba框架实现了分层设计和微服务架构设计,提高了后端服务器的可用性、扩展性和鲁棒性。前端服务器基于Vue.js框架实现,实现了动态侧边栏功能,提升了用户体验。(2)设计并实现了关联产品推荐功能。针对I＿Apriori算法的缺点,提出了一种改进的Apriori算法。该算法采用改进的键值对结构,将事务中的项目信息保存在数据的每一位上,从而实现了算法效率的提升,经测试本文改进的Apriori算法比Apriori和I＿Apriori算法有更好的表现。(3)设计并实现了基于遗传算法的生产车间任务智能调度功能。针对现有任务调度算法中存在的问题,使用了一种改进的遗传算法。该算法在使用“多条染色体编码”的同时,使用了自适应函数来动态改变交叉概率和变异概率,从而提高了收敛速度,也避免了陷入局部最优的问题。经测试本文改进的遗传算法具有较好的表现。

基于工业物联网技术的产品全生命周期管理系统

面向工业物联网的服务功能链编排与迁移研究

基于深度学习的印刷装备智能诊断系统研究与实现

这是一篇关于深度学习,预测性维护,剩余使用寿命,工业物联网,滚动轴承的论文, 主要内容为目前,我国印刷、包装和出版产业每年总产值约3万亿元,已经是印刷大国、包装大国和出版大国,印刷装备的故障极大地影响了生产效率。随着传统制造企业不断向高质量、高效率方向转型,伴随着科技进步与工业大数据的发展,人工智能技术与先进制造技术相互融合开创了智能制造新途径,成为了新一轮工业革命的中坚力量,让印刷装备智能诊断成为可能。在此背景下,本文研究了基于深度学习的印刷装备诊断系统,提出了轴承健康状态评估算法和剩余使用寿命预测的改进算法,实现了印刷装备运行参数的实时监测并提出了信息化装备点检流程,适应印刷工业智能化发展需求,提高生产效率、加强装备安全性,降低人力开销。改进算法针对印刷装备运行过程中产生的振动信号进行数据分析,本文论文以印刷装备中常用的滚动轴承为研究对象进行实验描述,主要的研究内容归纳为以下三个部分:(1)将深度残差收缩网络(Deep residual shrinkage networks,DRSN)用于轴承健康状态评估,该模型具备抗噪声能力,具有可以从强噪声信号中学特征的能力,可以获得更贴合实际情况的状态评估效果。将软阈值化作为非线性层加入到神经网络中,引入注意力机制为网络自动设置阈值,达到去除不重要特征的目的。该方法摆脱了传统特征提取方法对专家经验的依赖,数据不需要经过专业处理,神经网络可以自动从原始数据中学习特征。最后,在XJTU-SY滚动轴承加速寿命试验数据集上进行验证,实验结果表明基于深度残差收缩网络的轴承健康状态评估方法,可以更好的反映轴承整个生命周期的变化过程,有助于提高后续的预测工作的准确性。(2)改进了一种基于长短期记忆网络(Long-Short Term Memory,LSTM)的剩余使用寿命预测方法。在评估轴承健康状态建立轴承健康因子的基础上,通过时间窗滑动方法构造神经网络的训练样本,结合LSTM网络在处理时间序列数据上的优势,达到预测下一阶段轴承健康状态的目的。本文搭建了单层LSTM结构、多层LSTM结构和双向LSTM结构网络,并针对网络结构对轴承剩余使用寿命预测的影响进行了对比试验,在公开数据集上的实验结果表明,双向LSTM网络的预测效果好于单层LSTM网络和多层LSTM网络,多层网络结构相较于浅层网络结构取得了更高的预测精度。(3)搭建了B/S架构的印刷装备智能诊断系统,对硬件和软件部分做了整体规划。硬件部分在印刷装备上加装加速度传感器和温度传感器采集工业数据,通过Modbus通信协议进行数据传输,构建印刷装备实时运转参数数据库。软件部分通过Keras框架搭建深度学习模型并进行部署,采用前后端分离技术搭建系统服务,调用训练好的深度学习模型,实现了管理、点检方案配置、设备运行监控、故障预警等功能模块。

基于工业物联网的电机轴承故障诊断研究

这是一篇关于故障诊断,迁移学习,深度学习,工业物联网的论文, 主要内容为随着我国现代工业设备在体型、复杂性、速度、一体化和智能化方面不断提升,在工业生产过程中,为确保机械设备长期安全运行,需要对关键零部件进行健康监测和故障诊断,以便及时发现安全隐患并进行维修,从而避免重大安全事故的发生。目前,对于电机轴承的健康状态诊断和维护仍然采用定期检查的方式,需要经验丰富的工人进行状态评估。这种依赖经验知识的方式在判断轴承健康状态方面存在很大局限性,如经验需要长时间积累且难以传承,识别准确率较低等问题。随着人工智能技术的不断发展,基于深度学习的智能故障诊断技术正在逐渐应用到电机等机械设备的故障诊断中。通过深度学习模型,自动从数据中提取有助于分类的故障特征信息,减少人工干预的影响,从而提高故障识别准确率和系统运行效率。针对轴承在实际运行中工况经常发生变化的问题,深度学习故障诊断方法需要训练和测试数据具有相同的分布,这在不同工况下的电机轴承故障诊断中存在局限性。迁移学习作为一种新的学习范式,基于数据和任务的相似性,能够将一个领域内学习到的知识迁移到另外一个领域,使模型具有举一反三的能力。因此,本文以迁移学习为核心,结合工业物联网应用场景,就电机轴承故障诊断领域的特征提取、变工况故障诊断等关键问题展开研究。本文的主要内容如下:(1)结合快速傅里叶变换和最大均值差异化的FRNMM模型。在实际工业设备运行状态中,设备无法保持相同的工况,因此采集到的数据是不平稳的。这种不同的工作条件会导致在实际场景采集到的故障样本表现出较大的分布差异,从而降低了诊断精度。为了解决这种变工况的轴承故障诊断问题,本文提出了一种结合快速傅里叶变换和特征迁移学习的方法。在深度学习分类中,模型训练需要带标签的数据,而在工业物联网场景中采集的数据通常没有标签数据,使故障诊断任务变得困难。因此,提出了一种结合快速傅里叶变换和最大均值差异化的FRNMM模型。该模型先在不同工况下带标签的数据上进行模型训练,然后将其用于目标无标签数据的诊断。实验结果表明,所提方法在变工况轴承故障诊断任务中表现良好。(2)基于工业物联网的设备数据采集系统。针对工业设备实际运行场景,使用开源组件EMQ X、TDengine和Grafana,构建了基于工业物联网的设备数据采集系统。该系统具备数据采集、存储、查询和可视化等一系列功能,并可直观观察到整个数据采集系统的运行状态。通过应用Node.js后端技术对该工业物联网数据采集系统进行测试,验证了上述系统的可用性。(3)电机轴承故障诊断平台设计与实现。经过对电机轴承故障诊断系统的功能需求分析,本文成功设计出了电机轴承故障诊断平台。该平台成功融合了本文所研究的轴承信号特征提取方法和故障诊断方法,并且已实现轴承的健康状态诊断、信号特征提取、数据管理、用户管理和设备管理等功能。该诊断系统已通过了功能性测试,为工作人员提供了方便,使其能够更轻松地对电机轴承进行诊断。

基于物联网的工业设备远程监测与数据分析系统

这是一篇关于远程监测,工业物联网,安全传输,数据分析,异常诊断的论文, 主要内容为随着工业设备的升级转换,各种石油检测设备层出不穷,种类和数量的日益增加,使得石油制造业对设备的安全、可靠和稳定等性能需求日趋提高,急需实现经济、高效且实用的设备监管模式。以全面感知和智能处理为核心的工业物联网技术,有望为石油检测设备提供十分有前途的远程监测方案。针对设备的工作和环境的特殊性,不仅需要较好地替代传统人工监测实现远程监测基本功能,还需要对过程中各环节进行技术升级,从而解决现有监测系统功能单一、封闭性数据采集、传输性能安全可靠性低、数据分析缺乏等问题。本文将面向石油检测设备中的发动机油表观粘度检测仪进行研究,在深入分析设备工作原理的前提下,重点研究设备的监测功能需求,并结合现有物联网系统架构,提出基于物联网的工业设备远程监测系统的设计方案。通过在关键监测点上布置多种无线传感器来采集相应数据,并搭建系统核心的数据服务后台,定义多功能的服务器,构造最优的数据库模式,有效地解决了不同设备的参数采集和分类汇集处理。针对过程中可靠安全的传输要求,设计高并发、高性能的基于TCP的Socket两层传输框架,并引入非对称加密方式(RSA)和数据完整性校验的方法,设计出兼具可靠性和安全性的传输协议。另外,运用分布拟合检验和回归分析的数据分析方法,建立回归方程,并运用诊断融合算法,实现对设备异常的诊断报警。在此基础上,借助移动手机设计友好的监测APP界面,通过访问数据库,实现对设备工作状态、实时和历史参数的图形化显示以及设备管理与维护等功能。经验证,最终实现了一套集数据采集、安全传输、分类汇集处理、远程监测与管理、数据分析与异常诊断等多功能于一体的系统。

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：毕设小屋，原文地址：https://m.bishedaima.com/lunwen/48046.html