噴涂作為當(dāng)前熱門的制造技術(shù),廣泛應(yīng)用在各個(gè)行業(yè)中。噴涂所需的高溫環(huán)境容易引起事故,需要對(duì)噴涂環(huán)境進(jìn)行監(jiān)測(cè)。另一方面,由于目前噴涂流程復(fù)雜,影響噴涂產(chǎn)品合格率的因素較多,需要對(duì)生產(chǎn)數(shù)據(jù)進(jìn)行特征分析。本文針對(duì)汽車零件噴涂生產(chǎn)中的環(huán)境監(jiān)測(cè),利用云平臺(tái)進(jìn)行數(shù)據(jù)存儲(chǔ)并從存儲(chǔ)的數(shù)據(jù)中找出影響產(chǎn)品合格率的因素,并預(yù)測(cè)了在這些因素作用下產(chǎn)品的不合格率。首先申請(qǐng)阿里云ECS云平臺(tái),在阿里云服務(wù)器上搭建Node.js服務(wù)器與MongoDB非關(guān)系型數(shù)據(jù)庫負(fù)責(zé)數(shù)據(jù)的存儲(chǔ)與傳輸。通過python中的pymongo模塊調(diào)用MongoDB中的數(shù)據(jù),結(jié)合產(chǎn)品合格率進(jìn)行特征分析。分析時(shí)首先進(jìn)行數(shù)據(jù)預(yù)處理,處理數(shù)據(jù)中的缺失值并將數(shù)據(jù)規(guī)范化。接著采用lasso回歸的方法對(duì)數(shù)據(jù)特征進(jìn)行降維,從14種數(shù)據(jù)中篩選出6種影響產(chǎn)品合格率的主要因素;最后分別運(yùn)用傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)和基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè),平均絕對(duì)百分比誤差分別達(dá)到18.825%和7.152%,發(fā)現(xiàn)對(duì)lasso回歸分析得到的特征采用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)產(chǎn)品合格率的預(yù)測(cè)有比較好的效果,為實(shí)際生產(chǎn)提供有科學(xué)依據(jù)的決策與支持。 

【文章來源】：內(nèi)蒙古大學(xué)內(nèi)蒙古自治區(qū) 211工程院校

【文章頁數(shù)】：60 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 論文研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文安排
第二章 數(shù)據(jù)存儲(chǔ)和數(shù)據(jù)分析技術(shù)
    2.1 數(shù)據(jù)存儲(chǔ)技術(shù)
        2.1.1 阿里云服務(wù)器
        2.1.2 Node.js與 Express.js框架
        2.1.3 非關(guān)系型數(shù)據(jù)庫MongoDB
    2.2 數(shù)據(jù)預(yù)處理
        2.2.1 缺失值處理
        2.2.2 數(shù)據(jù)的規(guī)范化
        2.2.3 相關(guān)性檢驗(yàn)
        2.2.4 數(shù)據(jù)降維
    2.3 BP神經(jīng)網(wǎng)絡(luò)
        2.3.1 人工神經(jīng)網(wǎng)絡(luò)
        2.3.2 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練原理
        2.3.3 BP神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)
    2.4 基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)
        2.4.1 遺傳算法基本原理
        2.4.2 遺傳算法執(zhí)行過程
        2.4.3 基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)路
    2.5 本章小結(jié)
第三章 數(shù)據(jù)存儲(chǔ)與數(shù)據(jù)傳輸
    3.1 噴涂流程
    3.2 服務(wù)器的設(shè)計(jì)與實(shí)現(xiàn)
        3.2.1 阿里云服務(wù)環(huán)境搭建
        3.2.2 搭建開發(fā)環(huán)境
        3.2.3 服務(wù)器的搭建
        3.2.4 路由設(shè)計(jì)
        3.2.5 注冊(cè)及登陸
        3.2.6 服務(wù)器集群搭建
    3.3 數(shù)據(jù)庫的搭建
        3.3.1 MongoDB安裝及運(yùn)行環(huán)境配置
        3.3.2 數(shù)據(jù)庫的設(shè)計(jì)
        3.3.3 數(shù)據(jù)接入與訪問
    3.4 本章小結(jié)
第四章 噴涂質(zhì)量的特征分析
    4.1 噴涂生產(chǎn)質(zhì)量分析
    4.2 噴涂原理的參數(shù)分析
    4.3 數(shù)據(jù)預(yù)處理
        4.3.1 數(shù)據(jù)獲取
        4.3.2 缺失值處理
        4.3.3 規(guī)范化處理
        4.3.4 Pearson系數(shù)檢驗(yàn)
    4.4 主要影響因素篩選
    4.5 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型
        4.5.1 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)
        4.5.2 結(jié)果分析
    4.6 基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
        4.6.1 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)
        4.6.2 結(jié)果分析
    4.7 本章小節(jié)
第五章 總結(jié)與展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的接觸電阻預(yù)測(cè)[J]. 孫海峰,沈穎,王亞楠.  電測(cè)與儀表. 2019(05)
[2]基于Pearson相關(guān)系數(shù)的貨運(yùn)車輛能耗模型研究[J]. 蔡靜,張明輝,朱宇婷,劉宇環(huán).  交通運(yùn)輸系統(tǒng)工程與信息. 2018(05)
[3]MongoDB在存儲(chǔ)與分析工業(yè)時(shí)間序列數(shù)據(jù)中的應(yīng)用[J]. 馮德倫.  自動(dòng)化與儀器儀表. 2018(09)
[4]融合PCA和ESN的交通流周期預(yù)測(cè)模型[J]. 李慧,奚園園,馬宇鑫,張瑞梅.  西安電子科技大學(xué)學(xué)報(bào). 2019(01)
[5]大數(shù)據(jù)環(huán)境下基于信息論的入侵檢測(cè)數(shù)據(jù)歸一化方法[J]. 宋勇,蔡志平.  武漢大學(xué)學(xué)報(bào)(理學(xué)版). 2018(02)
[6]基于支持向量機(jī)的機(jī)載吊艙故障診斷優(yōu)化算法[J]. 劉治超,李侍林,黃毅,潘繼文,姬傳慶.  計(jì)算機(jī)測(cè)量與控制. 2018(01)
[7]基于混合粒子群算法的噴涂機(jī)器人噴槍軌跡組合優(yōu)化[J]. 黃俊.  數(shù)字技術(shù)與應(yīng)用. 2017(01)
[8]異步響應(yīng)式集群實(shí)時(shí)監(jiān)控系統(tǒng)設(shè)計(jì)[J]. 呂海東,陸永林.  電子技術(shù)應(yīng)用. 2016(02)
[9]智能制造——“中國(guó)制造2025”的主攻方向[J]. 周濟(jì).  中國(guó)機(jī)械工程. 2015(17)

博士論文
[1]特征降維與自適應(yīng)特征提取方法及其在行星齒輪箱故障診斷中的應(yīng)用研究[D]. 趙川.北京科技大學(xué) 2018
[2]偏差數(shù)據(jù)下的半?yún)?shù)模型研究[D]. 馬慧娟.中國(guó)科學(xué)技術(shù)大學(xué) 2015

碩士論文
[1]基于NoSQL數(shù)據(jù)庫的系統(tǒng)設(shè)計(jì)與開發(fā)[D]. 仝野.南京郵電大學(xué) 2018
[2]基于BP神經(jīng)網(wǎng)絡(luò)的北京市二手房交易價(jià)格預(yù)測(cè)研究[D]. 李圓圓.首都經(jīng)濟(jì)貿(mào)易大學(xué) 2018
[3]面向快消品行業(yè)的二維碼營(yíng)銷決策支持系統(tǒng)研究[D]. 顧志奇.北京化工大學(xué) 2018
[4]Lasso及其改進(jìn)方法在變量選擇中的優(yōu)劣性研究[D]. 郝寬.哈爾濱工業(yè)大學(xué) 2018
[5]基于Node.js的腦慢病管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 楊濤.南京大學(xué) 2018
[6]基于Node.js的圖書共享平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 汪彤.北京郵電大學(xué) 2018
[7]基于隨機(jī)森林和XGBoost的大型風(fēng)力機(jī)故障診斷方法研究[D]. 錢力揚(yáng).浙江大學(xué) 2018
[8]生豬行情數(shù)據(jù)挖掘預(yù)測(cè)與可視化[D]. 董效賢.浙江大學(xué) 2018
[9]遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)在推薦系統(tǒng)中的應(yīng)用研究[D]. 劉瑩.東北財(cái)經(jīng)大學(xué) 2017
[10]室內(nèi)環(huán)境監(jiān)測(cè)中的BP神經(jīng)網(wǎng)絡(luò)算法的改進(jìn)及其仿真分析[D]. 張凌.南京郵電大學(xué) 2017



本文編號(hào)：3164085