基于深度学习与知识图谱的变速箱装配过程质量控制方法与应用研究
这是一篇关于变速箱装配过程,质量预测,质量控制,深度学习,知识图谱的论文, 主要内容为变速箱作为汽车的重要组成部分,其装配工艺复杂、工序之间呈现强耦合关系且装配过程具有多阶段性的特点,使得装配过程质量数据利用率低,对变速箱装配过程质量进行事前控制时缺乏量化依据,导致变速箱装配效率与合格率低下。因此,有必要从工业大数据这一切入点来改善现状,充分发挥变速箱装配过程质量数据的价值,实现变速箱装配过程的数据驱动。本文以变速箱装配过程为研究对象,为实现对变速箱装配过程质量进行有效的预测与控制做了以下研究。首先,分析了变速箱装配过程并总结了其相关特点,同时对变速箱装配过程中常见的装配质量问题进行了分析,基于此建立了变速箱装配过程质量控制的体系框架,并对装配质量预测与控制的相关技术进行了选择。其次,针对原始数据中存在的数据不平衡问题,为确保数据的高质量,使用SMOTE算法合成新的数据集;针对变速箱装配质量数据具有时序性以及变速箱多阶段制造的特点,构建了基于长短期记忆神经网络(LSTM)的变速箱装配过程质量预测模型。然后,基于Neo4j数据库构建了面向变速箱装配过程的领域知识图谱,并对其进行可视化展示;依据质量预测模型的输出结果,结合知识图谱,对变速箱的装配过程进行控制,确保变速箱装配过程质量的稳定性与一致性。最后,基于.NET开发平台,利用SQL Server2014数据库、Neo4j数据库以及C#语言,设计并开发了变速箱装配过程质量控制系统,并在实际的变速箱装配过程中验证了该系统的有效性。
基于神经网络的乳制品质量预测研究
这是一篇关于乳制品,质量预测,BP神经网络,RBF神经网络,SSH框架的论文, 主要内容为食品质量安全是目前人们最为关心的问题。随着中国经济的增长,国民收入的增加,人民生活质量的不断提高,乳制品已成为百姓不可或缺的食品之一。其质量的好坏不仅影响生产企业的声誉,更重要的是影响人们的身体健康。因此,开展计算机技术应用于产品质量预测的研究工作,可以有效地控制产品质量,同时,也可以减少质检的工作量,对于保证乳制品质量具有重要意义。高级人工智能在乳制品生产的过程中进行质量智能控制,是当今乳制品企业质量管理的发展趋势。 本文针对乳制品品种繁多,生产工艺复杂等特点,以及生产中每一个环节的控制,可能会成为影响产品最终质量的关键因素,结合目前流行的神经网络技术,对乳制品质量预测进行了仿真实验,并在系统中具体实现。主要工作如下: 1.在深入研究乳制品生产过程的基础上,详细分析了乳制品质量预测软件的系统需求,提出了乳制品中小企业质量预测系统的解决方案,对乳制品预测系统进行了模块化设计。 2.针对人工神经网络具有自适应、自组织、自学习能力的特征,结合乳制品生产特点,建立了基于人工神经网络的乳制品质量预测模型,为本课题深入研究奠定了理论基础。 3.利用归一化方法对样本数据进行处理,以减少对神经网络模型训练的影响。通过建立的BP神经网络和RBF神经网络的两种质量预测模型,应用MATLAB软件对其分别进行了仿真实验。通过实验数据确定了应用于质量预测系统的RBF神经网络模型。 4.对系统数据库进行了分析设计与实现,应用新型的SSH框架,即以Hibernate作为持久层, Struts作为表示层,并结合Spring作为业务层与框架整合的方法,实现了B/S模式的乳制品质量预测系统的部分功能。结果验证了该方法应用于乳制品质量预测系统是有效可行的。
离散制造电梯零部件质量分析与预测系统研发
这是一篇关于质量预测,质量分析,参数自适应优化的论文, 主要内容为随着科技的发展,现代信息技术与制造业的融合日益深入,使得制造业的生产、管理方式发生了质的飞跃,产品的质量水平得到了极大的提升,但消费者对企业产品质量也提出了更高的要求。因此,企业也提出了新的制造理念,研究了信息化、智能化的制造技术,同时,也产生了海量的制造数据。如何利用数据分析、预测制造过程中遇到的问题,解决生产过程存在的隐患成了企业亟待解决的问题。某电梯零部件公司在实际生产中也遇到了上述情况。为了适应现代制造业发展趋势,故寻求转型升级,打造质量管理新模式。本课题基于该公司的实际调研情况,对电梯零部件企业的加工过程质量管理方法进行了研究。结合离散型企业的特征与信息化的目标,提出一套离散制造下电梯零部件质量分析与预测方法,并利用软件技术将这一方法进行了实现。本文所做的研究工作概括如下:(1)从质量数据出发,针对企业加工过程质量管控的需求,提出一种基于特征融合的XGBOOST控制图模式识别方法。首先从多维度的时间序列数据中提取出形状特征和统计特征,通过减少特征维度达到节约计算资源,提高计算速度的目的;然后使用XGBOOST算法建立控制图模式识别模型对控制图模式进行识别,根据识别模式改进加工过程,形成加工过程控制闭环;最后针对离散制造车间单件小批量的加工特点,基于加工过程控制闭环营造的稳态加工过程,采用改进后的Bootstrap统计方法进行工序能力评估,从而确保生产线的稳定可靠,实现加工过程质量控制与分析。(2)针对实际生产过程中表面粗糙度无法实时监测的问题,提出一种在线监测方法。以机床的主轴转速、背吃刀量、刀具进给速度以及工件振动量为特征,结合XGBOOST算法对表面粗糙度建立预测模型;在加工中利用加速度传感器对工件振动量进行实时采集,结合主轴转速、背吃刀量、切削速度和进给量建立表面粗糙度在线监测模型,并通过企业实际应用进行验证,证明了该方法可实现较高的预测准确度。(3)针对实际加工中工件与刀具的无规律振动导致零件表面粗糙度不受控制的问题,结合上述表面粗糙度数据实时监测方法,提出一种参数自适应优化方法。在加工开始前设立阈值,并对质量数据进行监控,当预测结果超出阈值时,系统自动对背吃刀量、切削速度和进给量进行优化,减小工件振动,保证被加工零件的表面粗糙度。与传统的先加工后测量的方法相比,提出的方法实现了在加工的同时进行预测、分析与切削参数的自适应优化,有效地控制了被加工零件的表面粗糙度。(4)在对某电梯零部件企业的管理现状进行调研的基础上,研究了质量管理软件开发的关键技术,并基于上述理论研究开发一套企业专用的质量管理系统Web应用。以Java为开发工具,利用SQL Server2008数据库来存储质量数据,设计相应的系统数据架构,并采用浏览器/客户端模式(Browser/Server,B/S)开发一个质量分析与预测平台。
基于数字孪生的汽车零部件焊接质量监控系统研究
这是一篇关于数字孪生,焊接,质量监控,缺陷识别,质量预测的论文, 主要内容为随着“中国制造2025"的提出,制造业的生产模式正向智能化转型。数字孪生作为智能制造的重要实现途径之一,引起了国内外研究者的广泛关注。而焊接作为制造中常用的一种加工手段,广泛应用于机械制造、航空航天等各个领域,对焊接过程进行质量监控是提高焊接质量的重要手段。针对当前汽车零部件制造中焊接质量实时检测与分析技术存在智能化低、精度差等问题,本文以某车型白车身焊接生产线为研究对象,进行基于数字孪生的汽车零部件焊接质量监控系统的研究。主要研究内容如下:(1)根据某车型白车身焊接生产线质量监控系统的实际需求,确定了系统的设计需求和设计原则,设计了基于数字孪生的汽车零部件焊接质量监控系统的功能模块,确定了系统的网络架构和功能架构,完成了基于数字孪生的汽车零部件焊接质量监控系统的总体设计。(2)构建了包含几何模型、运动模型和物理行为模型的焊接生产线数字孪生体模型。首先,利用UG,3ds Max等实体建模软件和Unity3D仿真平台,构建焊接生产线几何模型;其次,基于运动变换矩阵对两类运动模型进行运动控制,通过实时数据驱动运动模型,利用机器人正运动学进行运动误差检测,实现模型的高精度动态运动仿真;然后,基于加工过程物理规则映射构建物理行为模型对焊接过程中的碰撞检测、焊缝生成等物理过程进行高度仿真;最后利用模型网格优化、遮挡剔除算法、LOD技术和模型批处理等优化处理方法,对虚拟场景进行优化,为焊接过程监控与工艺优化提供技术支撑。(3)提出了一种基于迁移学习的Dense Net(Dense Convolutional Network)焊接缺陷识别模型。通过迁移学习技术对Dense Net网络进行改进,优化初始网络参数,减少训练时间,提高模型准确率。对模型进行训练验证,结果表明本模型能够达到99.8%的测试精度。并设计对照实验,验证了所提算法的有效性与优越性。(4)基于焊接过程影响焊接飞溅的数据特征参数分析结论,以主要特征参数为输入,飞溅次数为输出,建立了基于Hyperband算法的优化BP神经网络预测模型,对焊接飞溅进行预测,实验结果表明飞溅点预测准确率达到88%。并进一步提出了焊接工艺参数自适应调整的控制策略,通过控制焊接电流和时间等参数提高焊接质量,实现了焊接质量的实时检测分析、预测与控制。(5)使用c#、python等开发工具对系统各模块进行开发,并对系统可视化模块、焊接缺陷识别模块和工艺自适应模块进行集成,测试验证焊接质量监控系统的整体性能、模块性能和显示性能,结果表明系统均能保持良好运行状态。
基于深度学习与知识图谱的变速箱装配过程质量控制方法与应用研究
这是一篇关于变速箱装配过程,质量预测,质量控制,深度学习,知识图谱的论文, 主要内容为变速箱作为汽车的重要组成部分,其装配工艺复杂、工序之间呈现强耦合关系且装配过程具有多阶段性的特点,使得装配过程质量数据利用率低,对变速箱装配过程质量进行事前控制时缺乏量化依据,导致变速箱装配效率与合格率低下。因此,有必要从工业大数据这一切入点来改善现状,充分发挥变速箱装配过程质量数据的价值,实现变速箱装配过程的数据驱动。本文以变速箱装配过程为研究对象,为实现对变速箱装配过程质量进行有效的预测与控制做了以下研究。首先,分析了变速箱装配过程并总结了其相关特点,同时对变速箱装配过程中常见的装配质量问题进行了分析,基于此建立了变速箱装配过程质量控制的体系框架,并对装配质量预测与控制的相关技术进行了选择。其次,针对原始数据中存在的数据不平衡问题,为确保数据的高质量,使用SMOTE算法合成新的数据集;针对变速箱装配质量数据具有时序性以及变速箱多阶段制造的特点,构建了基于长短期记忆神经网络(LSTM)的变速箱装配过程质量预测模型。然后,基于Neo4j数据库构建了面向变速箱装配过程的领域知识图谱,并对其进行可视化展示;依据质量预测模型的输出结果,结合知识图谱,对变速箱的装配过程进行控制,确保变速箱装配过程质量的稳定性与一致性。最后,基于.NET开发平台,利用SQL Server2014数据库、Neo4j数据库以及C#语言,设计并开发了变速箱装配过程质量控制系统,并在实际的变速箱装配过程中验证了该系统的有效性。
离散制造电梯零部件质量分析与预测系统研发
这是一篇关于质量预测,质量分析,参数自适应优化的论文, 主要内容为随着科技的发展,现代信息技术与制造业的融合日益深入,使得制造业的生产、管理方式发生了质的飞跃,产品的质量水平得到了极大的提升,但消费者对企业产品质量也提出了更高的要求。因此,企业也提出了新的制造理念,研究了信息化、智能化的制造技术,同时,也产生了海量的制造数据。如何利用数据分析、预测制造过程中遇到的问题,解决生产过程存在的隐患成了企业亟待解决的问题。某电梯零部件公司在实际生产中也遇到了上述情况。为了适应现代制造业发展趋势,故寻求转型升级,打造质量管理新模式。本课题基于该公司的实际调研情况,对电梯零部件企业的加工过程质量管理方法进行了研究。结合离散型企业的特征与信息化的目标,提出一套离散制造下电梯零部件质量分析与预测方法,并利用软件技术将这一方法进行了实现。本文所做的研究工作概括如下:(1)从质量数据出发,针对企业加工过程质量管控的需求,提出一种基于特征融合的XGBOOST控制图模式识别方法。首先从多维度的时间序列数据中提取出形状特征和统计特征,通过减少特征维度达到节约计算资源,提高计算速度的目的;然后使用XGBOOST算法建立控制图模式识别模型对控制图模式进行识别,根据识别模式改进加工过程,形成加工过程控制闭环;最后针对离散制造车间单件小批量的加工特点,基于加工过程控制闭环营造的稳态加工过程,采用改进后的Bootstrap统计方法进行工序能力评估,从而确保生产线的稳定可靠,实现加工过程质量控制与分析。(2)针对实际生产过程中表面粗糙度无法实时监测的问题,提出一种在线监测方法。以机床的主轴转速、背吃刀量、刀具进给速度以及工件振动量为特征,结合XGBOOST算法对表面粗糙度建立预测模型;在加工中利用加速度传感器对工件振动量进行实时采集,结合主轴转速、背吃刀量、切削速度和进给量建立表面粗糙度在线监测模型,并通过企业实际应用进行验证,证明了该方法可实现较高的预测准确度。(3)针对实际加工中工件与刀具的无规律振动导致零件表面粗糙度不受控制的问题,结合上述表面粗糙度数据实时监测方法,提出一种参数自适应优化方法。在加工开始前设立阈值,并对质量数据进行监控,当预测结果超出阈值时,系统自动对背吃刀量、切削速度和进给量进行优化,减小工件振动,保证被加工零件的表面粗糙度。与传统的先加工后测量的方法相比,提出的方法实现了在加工的同时进行预测、分析与切削参数的自适应优化,有效地控制了被加工零件的表面粗糙度。(4)在对某电梯零部件企业的管理现状进行调研的基础上,研究了质量管理软件开发的关键技术,并基于上述理论研究开发一套企业专用的质量管理系统Web应用。以Java为开发工具,利用SQL Server2008数据库来存储质量数据,设计相应的系统数据架构,并采用浏览器/客户端模式(Browser/Server,B/S)开发一个质量分析与预测平台。
制造执行系统中数据挖掘关键技术研究
这是一篇关于MES,数据挖掘,Hadoop,算法并行化,质量预测的论文, 主要内容为制造业信息化和智能化的不断推进和MES系统使用量的增加直接导致企业生产数据量的爆发性增长。此时以往纯粹的人工分析数据的方式已很难应对大量数据快速处理的需求,这就迫切需要能够解决该问题的新技术。同时制造企业的制造执行系统中存储的大量生产数据需要能够对其进行智能并且快速处理的数据挖掘技术,这是提高生产数据利用价值和MES智能性的有效手段。论文针对MES中数据挖掘关键技术中的数据快速处理及其应用做了相应研究。首先结合Oracle的DCN技术配合HTML5的WebSocket技术提出了数据实时推送方案,将其运用于数据挖掘过程的数据实时获取与处理中。然后研究了数据挖掘中的K-means算法和BP神经网络算法,并采用遗传算法对BP网络的隐藏层节点数、权值和阈值进行了优化,再采用MapReduce技术对算法进行了并行化设计和实现。接着搭建了基于Hadoop分布式框架的数据挖掘平台,以此作为云制造模型下的数据处理平台。最后以零件在实际加工中的质量预测过程为例,详细介绍了数据挖掘技术在质量预测中的应用,尝试利用MES系统执行过程中累积的大量有价值的历史数据,融合数据挖掘中的数据实时推送技术和算法并行化技术,以确保产品质量,减少漏检为目的,根据历史数据训练预测模型,结合当前生产加工的实时状态参数,设计了MES系统中的质量预测模块,在一定程度上提高了MES系统的智能性。论文采用J2EE技术开发了集成有质量预测模块的制造执行系统,使得数据挖掘的相关技术通过质量预测模块在MES系统中得到实际的应用,也为提高MES的智能性提供了方案。
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：源码客栈 ，原文地址：https://m.bishedaima.com/lunwen/52028.html
