隨著數(shù)據(jù)采集技術和傳輸技術的發(fā)展,數(shù)字化車間的各種數(shù)控裝備采集的數(shù)據(jù)量正以驚人的速度增長。近幾年蓬勃發(fā)展的大數(shù)據(jù)技術遇上了萌芽中的智能制造,使得工業(yè)大數(shù)據(jù)如何為智能制造提供服務,傳統(tǒng)大數(shù)據(jù)技術應用于工業(yè)大數(shù)據(jù)的效果如何,成為工業(yè)大數(shù)據(jù)現(xiàn)階段面臨的問題。本文就這兩個問題展開研究。文章首先分析了工業(yè)大數(shù)據(jù)的服務模式,然后針對數(shù)字化車間生產中數(shù)控裝備和部件故障的排查和維修中面臨的問題,著重研究了梯度增強算法和深度學習算法在數(shù)控關鍵部件剩余使用壽命（RUL）預測中的應用。本文的主要內容如下:（1）工業(yè)大數(shù)據(jù)的服務模式及微服務接口開發(fā)通過分析工業(yè)大數(shù)據(jù)來源、特點、現(xiàn)階段面臨的問題以及工業(yè)大數(shù)據(jù)與智能制造的關系,根據(jù)數(shù)字化車間的生產特點,結合網絡物理系統(tǒng),設計了模塊化的工業(yè)大數(shù)據(jù)的服務模型,該模型包括采集、計算、服務和應用四大模塊。并結合傳統(tǒng)互聯(lián)網的微服務化的方式,設計了工業(yè)大數(shù)據(jù)的微服務接口。（2）基于梯度增強算法的RUL預測方法研究以梯度增強算法為例,設計了用于數(shù)字化車間的刀具和軸承RUL預測模型,將整個過程分為了采集和分析預測兩個階段。描述了大數(shù)據(jù)分析算法在設備采集數(shù)據(jù)預處理、特征提取、特征... 

【文章來源】：中國科學院大學(中國科學院沈陽計算技術研究所)遼寧省

【文章頁數(shù)】：80 頁

【學位級別】：碩士

【部分圖文】：

論文結構

PHM）的發(fā)展。PHM 解決方案能夠將數(shù)據(jù)轉換為關于設備退化以及低效產流程所需的信息。直到發(fā)生故障之前這些信息大多是不直接可見的（Lee13）。這種轉換信息模式的避免了昂貴的故障修復代價和機器的意外停機為復雜的機械和工藝開發(fā) PHM 存在固有的挑戰(zhàn)，但這一研究領域已經顯，并促進了智能維護系統(tǒng)的發(fā)展。在過去幾年中，信息和通信技術（ICT速發(fā)展促進了先進傳感器，數(shù)據(jù)采集設備，無線通信設備和遠程計算解決實施。這些技術以及預測分析的進步正在發(fā)生變化現(xiàn)代工業(yè)的面貌，并使物理系統(tǒng)（CPS）以前所未有的速度和規(guī)模生成數(shù)據(jù)。使得當前的挑戰(zhàn)之儲系統(tǒng)無法承載大量數(shù)據(jù)。解決這個問題的方法是建立與分析相關的數(shù)據(jù)析系統(tǒng)，以決定應該收集哪些數(shù)據(jù)部分以及哪些部分應該被淘汰。2 工業(yè)大數(shù)據(jù)服務模式設計

面向數(shù)字化車間的工業(yè)大數(shù)據(jù)研究與開發(fā)個微服務。JDT 為 Java 常用的輔助集合，使用該輔助集合可以快速的為微服務集成數(shù)據(jù)分析和計算等服務，使得服務開發(fā)更加便利。JDBS 可以很便捷為 Java處理各種SQL語句完成數(shù)據(jù)庫的操作。Zookeepr是一個分布式的資源協(xié)調系統(tǒng)，他常被用來做服務的注冊和發(fā)現(xiàn)。Yarn 是一種分布式的資源管理系統(tǒng)，它可以用來分配數(shù)據(jù)計算節(jié)點和調配資源。這者結合起來可以為工業(yè)大數(shù)據(jù)頂層業(yè)務提供基礎的資源支持。

【參考文獻】：
期刊論文
[1]基于XGBoost建模和Change-Point殘差處理的風電機組齒輪箱溫度預警[J]. 王桂松,郭鵬,胥佳,劉瑞華,李韶武.  電力科學與工程. 2018(09)
[2]基于ARIMA和PF的鋰電池剩余使用壽命預測方法[J]. 豆金昌,陳則王,揭由翔.  太赫茲科學與電子信息學報. 2013(05)
[3]基于貝葉斯LS-SVR的鋰電池剩余壽命概率性預測[J]. 陳雄姿,于勁松,唐荻音,王英勛.  航空學報. 2013(09)
[4]決策樹算法的研究與應用[J]. 楊靜,張楠男,李建,劉延明,梁美紅.  計算機技術與發(fā)展. 2010(02)
[5]工業(yè)控制網絡的研究現(xiàn)狀及發(fā)展趨勢[J]. 胡毅,于東,劉明烈.  計算機科學. 2010(01)
[6]不同信號的小波變換去噪方法[J]. 張旭東,詹毅,馬永琴.  石油地球物理勘探. 2007(S1)

碩士論文
[1]基于深度學習的多模態(tài)故障診斷及剩余壽命預測[D]. 高育林.河南大學 2018
[2]基于深度置信網絡的時間序列預測方法及其應用研究[D]. 張國輝.哈爾濱工業(yè)大學 2017



本文編號：3427096