當前,傳統制造企業(yè)走向高質量高效率的發(fā)展之路,越來越多的企業(yè)意識到有效地降低設備維護成本對企業(yè)的長期發(fā)展至關重要。近年來,預測性維護技術(Predictive maintenance,PdM)快速發(fā)展,其目標是利用實時監(jiān)測數據來預測設備的剩余使用壽命(Remaining Useful Life,RUL)及潛在的故障,從而避免設備發(fā)生意外停機,并通過最大化利用設備剩余價值以降低維護成本。因此,預測性維護的前提和首要任務在于設備的RUL預測。RUL預測方法的選擇與被測設備可用的數據量和數據類型相關,對于復雜程度不等的設備,可進行監(jiān)測的數據類型不一,所適用的RUL預測方法也就不同。在本文中,將由單一傳感器獲取的數據歸類為低維監(jiān)測數據,而由多種傳感器獲取的數據歸類為多維監(jiān)測數據,并分別對這兩種情況下的設備RUL預測算法進行了研究,本論文主要研究內容歸納為以下三個部分:(1)對于以軸承為代表的支持低維監(jiān)測數據的簡單設備,運用了一種基于多特征融合的時間卷積網絡(Temporal Convolutional Network,TCN)的RUL預測模型,該模型利用卷積神經網絡(Convolutional...

【文章頁數】：85 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究背景與意義
    1.2 國內外研究現狀
    1.3 論文主要內容
    1.4 論文結構框架
第二章 基于低維監(jiān)測數據的設備RUL預測算法研究
    2.1 引言
    2.2 卷積神經網絡理論基礎
        2.2.1 神經網絡基本原理
        2.2.2 卷積神經網絡
        2.2.3 時間卷積網絡
    2.3 時域頻域特征與特征選擇
        2.3.1 時域特征介紹
        2.3.2 頻域特征介紹
        2.3.3 時域頻域特征選擇
    2.4 基于多特征融合的CNN-TCN模型
    2.5 實驗與結果分析
        2.5.1 PHM2012數據集簡介
        2.5.2 CNN模型訓練
        2.5.3 TCN模型訓練
        2.5.4 實驗結果分析
    2.6 本章小結
第三章 基于高維監(jiān)測數據的設備RUL預測算法研究
    3.1 引言
    3.2 循環(huán)神經網絡理論基礎
        3.2.1 循環(huán)神經網絡
        3.2.2 長短時記憶網絡
    3.3 基于注意力機制的ConvLSTM模型建模
        3.3.1 卷積長短時記憶網絡
        3.3.2 注意力機制
        3.3.3 基于注意力機制的ConvLSTM模型
    3.4 實驗與結果分析
        3.4.1 C-MAPSS數據集簡介
        3.4.2 評價標準
        3.4.3 RUL預測流程
        3.4.4 數據預處理
        3.4.5 模型參數設置
        3.4.6 實驗結果分析
    3.5 本章小結
第四章 基于RUL預測的生產線預測性維護系統設計
    4.1 引言
    4.2 系統需求分析與功能設計
        4.2.1 系統需求分析
        4.2.2 系統功能設計
        4.2.3 “邊云協同”系統框架
    4.3 系統具體功能實現
    4.4 本章小結
第五章 總結與展望
    5.1 總結
    5.2 展望
參考文獻
致謝
研究成果及已發(fā)表的學術論文
作者及導師簡介
附件



本文編號：3763468