現(xiàn)今,隨著科學(xué)技術(shù)的發(fā)展,越來(lái)越多的企業(yè)開(kāi)始建立起智能化生產(chǎn)線來(lái)應(yīng)對(duì)日益激烈的競(jìng)爭(zhēng)環(huán)境,同時(shí),生產(chǎn)線中引入的設(shè)備也越來(lái)越多,其機(jī)械結(jié)構(gòu)也越來(lái)越復(fù)雜,給維護(hù)工作提出了新的要求。傳統(tǒng)“定時(shí)維護(hù)”和“事后維護(hù)”的方式已不能滿足現(xiàn)代化的生產(chǎn)作業(yè)要求,在生產(chǎn)過(guò)程中發(fā)生故障,不僅極大地影響生產(chǎn)效率,更會(huì)對(duì)工作人員的人身安全造成威脅。如果能預(yù)測(cè)到生產(chǎn)線中潛在的故障點(diǎn),就可以提前制定出合適的維護(hù)方案,在降低對(duì)生產(chǎn)工作影響的同時(shí),還能有目的對(duì)設(shè)備進(jìn)行檢修,可以提高設(shè)備的有效使用壽命,為企業(yè)節(jié)省額外的開(kāi)支。因此,如何有效地實(shí)現(xiàn)對(duì)生產(chǎn)線故障的預(yù)測(cè),從而為設(shè)備的維護(hù)工作提供相應(yīng)的依據(jù),是一個(gè)亟待解決的問(wèn)題。針對(duì)上述問(wèn)題,本文結(jié)合小型化實(shí)驗(yàn)產(chǎn)線平臺(tái),在深入探究設(shè)備故障發(fā)生機(jī)理的基礎(chǔ)上,對(duì)其展開(kāi)了設(shè)備狀態(tài)預(yù)測(cè)和生產(chǎn)線故障診斷的研究工作,并給出了相應(yīng)的算法模型工作流程,對(duì)提高生產(chǎn)線故障預(yù)測(cè)的準(zhǔn)確性有一定的實(shí)際應(yīng)用價(jià)值。本文具體研究?jī)?nèi)容如下:1.實(shí)驗(yàn)產(chǎn)線設(shè)備故障機(jī)理分析。首先對(duì)主要設(shè)備結(jié)構(gòu)進(jìn)行了介紹,然后根據(jù)每類設(shè)備的工作用途和工作應(yīng)力進(jìn)行了故障機(jī)理分析,并建立起了設(shè)備故障樹(shù)分析模型,最后給出了主要設(shè)備的核心監(jiān)測(cè)指標(biāo)... 

【文章來(lái)源】：中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院沈陽(yáng)計(jì)算技術(shù)研究所)遼寧省

【文章頁(yè)數(shù)】：90 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

第3章基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的設(shè)備狀態(tài)預(yù)測(cè)方法研究33圖3.2長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Figure3.2Structureoflongandshorttimememoryneuralnetwork通過(guò)前向計(jì)算算法可以得到網(wǎng)絡(luò)的輸出結(jié)果，主要計(jì)算的對(duì)象為、、、、五個(gè)向量的值，計(jì)算過(guò)程如下：遺忘門(mén)(forgetgate)：用來(lái)控制需要保留的細(xì)胞狀態(tài)信息，計(jì)算公式為：=([1,]+)…(3.3)其中[1,]為上次輸出與本次輸入向量的一個(gè)拼接，和分別表示權(quán)重矩陣和偏置項(xiàng)。運(yùn)算結(jié)果通過(guò)一個(gè)激活函數(shù)映射到0~1之間，決定了保留之前信息的程度。輸入門(mén)(inputgate)：主要負(fù)責(zé)當(dāng)前序列位置的輸入，計(jì)算公式為：=([1,]+)…(3.4)=([1,]+)…(3.5)其中和通過(guò)和激活函數(shù)分別將運(yùn)算輸出映射到0~1和-1~1之間。細(xì)胞狀態(tài)更新：將遺忘門(mén)和輸入門(mén)得到的數(shù)據(jù)添加到上一細(xì)胞狀態(tài)中，計(jì)算公式為：=1+…(3.6)細(xì)胞狀態(tài)記錄了起始輸入到當(dāng)前輸入所保留的信息，通過(guò)遺忘門(mén)信息與輸入門(mén)信息進(jìn)行求和運(yùn)算，可以有效解決RNN中的梯度消失和梯度爆炸的問(wèn)題。

單步預(yù)測(cè)結(jié)果對(duì)比

【參考文獻(xiàn)】：
期刊論文
[1]裝配制造企業(yè)智慧研發(fā)工具設(shè)計(jì)探索與實(shí)踐[J]. 蘇雷,和帥.  裝備制造技術(shù). 2019(10)
[2]基于灰色神經(jīng)網(wǎng)絡(luò)組合模型的故障預(yù)測(cè)[J]. 黃魁,蘇春.  系統(tǒng)工程與電子技術(shù). 2020(01)
[3]基于改進(jìn)Elman神經(jīng)網(wǎng)絡(luò)的煙氣輪機(jī)運(yùn)行狀態(tài)趨勢(shì)預(yù)測(cè)[J]. 陳濤,王立勇,徐小力,王少紅.  廣西大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[4]中國(guó)智能制造的發(fā)展路徑[J]. "新一代人工智能引領(lǐng)下的智能制造研究"課題組,周濟(jì).  中國(guó)經(jīng)濟(jì)報(bào)告. 2019(02)
[5]德國(guó)工業(yè)4.0與中國(guó)煤機(jī)裝備智能制造的發(fā)展[J]. 王國(guó)法,杜毅博.  煤炭科學(xué)技術(shù). 2019(03)
[6]智能制造及其關(guān)鍵技術(shù)研究現(xiàn)狀與趨勢(shì)綜述[J]. 張映鋒,張黨,任杉.  機(jī)械科學(xué)與技術(shù). 2019(03)
[7]基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的盾構(gòu)機(jī)故障預(yù)測(cè)系統(tǒng)設(shè)計(jì)[J]. 周奇才,王益飛,趙炯,熊肖磊,沈鶴鴻.  現(xiàn)代機(jī)械. 2018(05)
[8]深度學(xué)習(xí)研究綜述[J]. 張榮,李偉平,莫同.  信息與控制. 2018(04)
[9]基于支持向量機(jī)和遺傳算法的變壓器故障診斷[J]. 吐松江·卡日,高文勝,張紫薇,莫文雄,王紅斌,崔屹平.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(07)
[10]支持向量機(jī)模型與應(yīng)用綜述[J]. 劉方園,王水花,張煜東.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2018(04)

博士論文
[1]支持向量技術(shù)及其應(yīng)用研究[D]. 董寶玉.大連海事大學(xué) 2016
[2]基于支持向量機(jī)的旋轉(zhuǎn)機(jī)械故障診斷與預(yù)測(cè)方法研究[D]. 朱霄珣.華北電力大學(xué) 2013

碩士論文
[1]基于SVM和BP神經(jīng)網(wǎng)絡(luò)的短時(shí)交通流預(yù)測(cè)與實(shí)現(xiàn)[D]. 余濤.南京郵電大學(xué) 2018
[2]基于狀態(tài)監(jiān)測(cè)數(shù)據(jù)的盤(pán)式刀庫(kù)故障預(yù)測(cè)與健康管理技術(shù)研究[D]. 杜樂(lè).吉林大學(xué) 2018



本文編號(hào)：3511229