隨著智能倉(cāng)儲(chǔ)物流的發(fā)展和廣泛應(yīng)用,堆垛機(jī)作為智能物流立體倉(cāng)儲(chǔ)的核心,其使用頻率隨著業(yè)務(wù)的增多而不斷增加,如何合理的對(duì)堆垛機(jī)狀態(tài)進(jìn)行采集,及時(shí)的對(duì)堆垛機(jī)進(jìn)行故障預(yù)測(cè)提出維修決策,保障其運(yùn)行的安全性和可靠性成為了近年來(lái)的一個(gè)研究熱點(diǎn)。針對(duì)此問(wèn)題,對(duì)采集研究的堆垛機(jī)數(shù)據(jù)進(jìn)行介紹,并通過(guò)Python進(jìn)行數(shù)據(jù)預(yù)處理,利用深度學(xué)習(xí)、模糊理論等方法建立堆垛機(jī)故障預(yù)測(cè)和維修決策模型,提取故障特征進(jìn)行故障預(yù)測(cè)。主要的研究?jī)?nèi)容和成果如下:對(duì)采集的相關(guān)數(shù)據(jù)進(jìn)行清洗、集成和區(qū)間處理,并針對(duì)半結(jié)構(gòu)化數(shù)據(jù)進(jìn)行實(shí)體關(guān)系抽取;利用模糊綜合評(píng)價(jià)將堆垛機(jī)狀態(tài)進(jìn)行分級(jí),利用灰色關(guān)聯(lián)度分析提取特征;采用LSTM長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)對(duì)堆垛機(jī)時(shí)間特征序列進(jìn)行狀態(tài)的預(yù)測(cè),采用高斯核SVM支持向量機(jī)對(duì)預(yù)測(cè)的堆垛機(jī)狀態(tài)進(jìn)行故障類別的分類;建立堆垛機(jī)故障知識(shí)庫(kù),引入置信度的概念,采用模糊規(guī)則提升理論動(dòng)態(tài)更新置信度,結(jié)合故障現(xiàn)象,通過(guò)匹配故障源和置信度進(jìn)行故障決策;對(duì)堆垛機(jī)故障預(yù)測(cè)模塊的功能單元和故障預(yù)測(cè)流程進(jìn)行了設(shè)計(jì),建立堆垛機(jī)相關(guān)數(shù)據(jù)庫(kù),并利用某企業(yè)五年的堆垛機(jī)數(shù)據(jù)進(jìn)行了故障類別預(yù)測(cè)和決策提取的分析驗(yàn)證,并對(duì)主要功能界面進(jìn)行了展示。 

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景和意義
        1.1.1 課題背景
        1.1.2 課題意義
        1.1.3 課題項(xiàng)目背景
    1.2 國(guó)內(nèi)外研究狀況
        1.2.1 國(guó)外研究狀況
        1.2.2 國(guó)內(nèi)研究狀況
    1.3 論文研究?jī)?nèi)容和論文結(jié)構(gòu)
        1.3.1 論文研究?jī)?nèi)容
        1.3.2 論文結(jié)構(gòu)
    1.4 本章小結(jié)
第二章 堆垛機(jī)故障預(yù)測(cè)相關(guān)理論方法
    2.1 堆垛機(jī)常見(jiàn)故障及其表現(xiàn)
        2.1.1 堆垛機(jī)介紹
        2.1.2 堆垛機(jī)故障表現(xiàn)
    2.2 故障預(yù)測(cè)方法
        2.2.1 堆垛機(jī)故障預(yù)測(cè)方法
        2.2.2 故障預(yù)測(cè)相關(guān)算法
    2.3 本章小結(jié)
第三章 堆垛機(jī)數(shù)據(jù)收集和處理技術(shù)研究
    3.1 堆垛機(jī)數(shù)據(jù)收集方式
        3.1.1 設(shè)備實(shí)時(shí)數(shù)據(jù)采集方法
        3.1.2 人機(jī)交互采集方法
    3.2 堆垛機(jī)數(shù)據(jù)內(nèi)容介紹
    3.3 堆垛機(jī)數(shù)據(jù)預(yù)處理
        3.3.1 Python數(shù)據(jù)分析技術(shù)
        3.3.2 數(shù)據(jù)清洗
        3.3.3 數(shù)據(jù)集成
        3.3.4 區(qū)間處理
    3.4 實(shí)體抽取
    3.5 本章小結(jié)
第四章 堆垛機(jī)故障預(yù)測(cè)與維修決策技術(shù)研究
    4.1 堆垛機(jī)故障特征分級(jí)
        4.1.1 堆垛機(jī)故障分級(jí)問(wèn)題描述
        4.1.2 堆垛機(jī)故障分級(jí)方法
    4.2 堆垛機(jī)特征參數(shù)提取
        4.2.1 特征提取問(wèn)題描述
        4.2.2 灰色度關(guān)聯(lián)分析
    4.3 基于MLSTM和SVM的堆垛機(jī)故障預(yù)測(cè)方法
        4.3.1 故障預(yù)測(cè)問(wèn)題描述
        4.3.2 基于MLSTM和SVM的堆垛機(jī)故障預(yù)測(cè)模型
    4.4 堆垛機(jī)故障維修決策提取技術(shù)
        4.4.1 維修決策提取問(wèn)題描述
        4.4.2 堆垛機(jī)故障知識(shí)庫(kù)的構(gòu)建
        4.4.3 基于模糊規(guī)則提升理論的維修決策提取
    4.5 本章小結(jié)
第五章 堆垛機(jī)故障預(yù)測(cè)模塊設(shè)計(jì)與應(yīng)用
    5.1 堆垛機(jī)故障預(yù)測(cè)模塊總體方案
        5.1.1 功能單元
        5.1.2 流程設(shè)計(jì)
    5.2 數(shù)據(jù)結(jié)構(gòu)設(shè)計(jì)
    5.3 應(yīng)用分析及驗(yàn)證
        5.3.1 實(shí)驗(yàn)數(shù)據(jù)與條件
        5.3.2 實(shí)驗(yàn)結(jié)果分析
    5.4 主要功能展示
        5.4.1 數(shù)據(jù)采集
        5.4.2 故障預(yù)測(cè)及建議
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 未來(lái)工作展望
參考文獻(xiàn)
致謝
在學(xué)期間發(fā)表的學(xué)術(shù)論文和參加科研情況


【參考文獻(xiàn)】：
期刊論文
[1]基于機(jī)器學(xué)習(xí)算法的研究熱點(diǎn)趨勢(shì)預(yù)測(cè)模型對(duì)比與分析——BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)與LSTM模型[J]. 李靜,徐路路.  現(xiàn)代情報(bào). 2019(04)
[2]循環(huán)神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 楊麗,吳雨茜,王俊麗,劉義理.  計(jì)算機(jī)應(yīng)用. 2018(S2)
[3]基于狀態(tài)的武器電子裝備故障預(yù)測(cè)研究綜述[J]. 侯曉東,王永攀,楊江平,張宇.  系統(tǒng)工程與電子技術(shù). 2018(02)
[4]軌道交通站臺(tái)門(mén)遠(yuǎn)程監(jiān)控及智能診斷系統(tǒng)研究[J]. 趙忠.  中國(guó)高新技術(shù)企業(yè). 2017(01)
[5]堆垛機(jī)狀態(tài)監(jiān)測(cè)與故障診斷的研究和進(jìn)展[J]. 范紅巖,劉軍,張可薇.  物流技術(shù). 2017(02)
[6]基于模糊規(guī)則提升理論的馬病輔助診斷專家系統(tǒng)[J]. 秦宏宇,李建新,高翔,王歡,肖建華,王洪斌.  農(nóng)業(yè)工程學(xué)報(bào). 2016(05)
[7]基于本體的裝備故障知識(shí)庫(kù)構(gòu)建[J]. 蘇正煉,嚴(yán)駿,陳海松,曾擁華.  系統(tǒng)工程與電子技術(shù). 2015(09)
[8]馬消化系統(tǒng)疾病輔助診療專家系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 翟志南,王洪斌,秦宏宇,王超,欒宏梁,肖建華.  中國(guó)獸醫(yī)雜志. 2014(09)
[9]基于灰色關(guān)聯(lián)分析的BP神經(jīng)網(wǎng)絡(luò)模型在中國(guó)碳排放預(yù)測(cè)中的應(yīng)用[J]. 紀(jì)廣月.  數(shù)學(xué)的實(shí)踐與認(rèn)識(shí). 2014(14)
[10]基于遺傳BP神經(jīng)網(wǎng)絡(luò)的短期風(fēng)速預(yù)測(cè)模型[J]. 王德明,王莉,張廣明.  浙江大學(xué)學(xué)報(bào)(工學(xué)版). 2012(05)

博士論文
[1]基于深度學(xué)習(xí)和遷移學(xué)習(xí)的電力數(shù)據(jù)挖掘技術(shù)研究[D]. 王毅星.浙江大學(xué) 2019
[2]含潮汐流能和儲(chǔ)能的發(fā)電系統(tǒng)概率建模及其可靠性評(píng)估[D]. 劉明君.重慶大學(xué) 2016
[3]軌道電路故障預(yù)測(cè)與健康管理關(guān)鍵技術(shù)研究[D]. 黃贊武.北京交通大學(xué) 2013

碩士論文
[1]數(shù)據(jù)歸一化方法對(duì)提升SVM訓(xùn)練效率的研究[D]. 湯榮志.山東師范大學(xué) 2017
[2]時(shí)間序列短期預(yù)測(cè)的方法和技術(shù)[D]. 艾玲.華東師范大學(xué) 2010
[3]OPC技術(shù)及其在SCADA系統(tǒng)中的研究和應(yīng)用[D]. 李世學(xué).廣西大學(xué) 2004



本文編號(hào)：3723265