智能制造裝備是智能制造的主要體現(xiàn)載體,已成為當(dāng)今工業(yè)國(guó)家的競(jìng)爭(zhēng)目標(biāo)。然而當(dāng)前智能制造裝備的定時(shí)監(jiān)測(cè)和事后維修等常規(guī)運(yùn)維方法不能滿足實(shí)時(shí)監(jiān)控的目的。本文以設(shè)備心電圖為中心,針對(duì)糖果包裝產(chǎn)線上的下料機(jī)器人的故障預(yù)測(cè)及診斷等方面展開研究,結(jié)合最新的堆疊降噪自編碼網(wǎng)絡(luò),提出了基于設(shè)備心電圖的智能制造裝備實(shí)時(shí)故障診斷新方法,并將設(shè)備心電圖應(yīng)用到機(jī)器人故障診斷中,實(shí)驗(yàn)結(jié)果證明了提出方法的有效性。本文的主要工作如下:（1）分析研究了實(shí)現(xiàn)智能制造設(shè)備心電圖的關(guān)鍵技術(shù)問(wèn)題。將心電圖技術(shù)應(yīng)用到了機(jī)械裝備上,并對(duì)實(shí)現(xiàn)設(shè)備心電圖的關(guān)鍵技術(shù):裝備狀態(tài)定義、數(shù)據(jù)預(yù)處理、基線建模等展開了研究。在分析大量數(shù)據(jù)的基礎(chǔ)上,分別定義了智能制造裝備運(yùn)行過(guò)程中的四種狀態(tài),即:Good、Watch、Warning以及Abnormal value。提出改進(jìn)的萊茵達(dá)準(zhǔn)則對(duì)采集的數(shù)據(jù)進(jìn)行預(yù)處理。改進(jìn)之處在于每組數(shù)據(jù)以2.1*Abnormal value為上限,這樣就能去除數(shù)據(jù)中較為明顯的粗大誤差。智能制造裝備運(yùn)行過(guò)程中,每個(gè)子動(dòng)作的時(shí)長(zhǎng)是否符合時(shí)間要求需要一個(gè)度量標(biāo)準(zhǔn),基線值的作用就在于此。通過(guò)大量的數(shù)據(jù)分析,本文中建立了心電圖的基線... 

【文章來(lái)源】：江西理工大學(xué)江西省

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

傳感器串口對(duì)應(yīng)端口號(hào)當(dāng)傳感器、電腦連接無(wú)誤后，打開上位機(jī)軟件，選擇好串口的COM，設(shè)置計(jì)算機(jī)串口通信的速率為9600bps，模塊類型選擇Can

第三章設(shè)備心電圖可視化方法202.ser=serial.Serial("com3",9600,timeout=0.5)3.print(ser.is_open)4.while(1):5.#datahex=(ser.read(33).hex())6.datahex=ser.read(33)7.DueData(datahex)心電圖實(shí)時(shí)可視化圖像見圖3.7。圖3.7設(shè)備心電圖3.4本章小結(jié)選取振動(dòng)傳感器中采集的Y軸加速度為實(shí)驗(yàn)數(shù)據(jù).利用Python的易讀，可擴(kuò)展性等優(yōu)點(diǎn)，讀取串口數(shù)據(jù)。采集的數(shù)據(jù)采用第二章提出的方法剔除粗大誤差并進(jìn)行分類，顯示為不同顏色的心電圖，對(duì)智能制造裝備的運(yùn)行狀況進(jìn)行實(shí)時(shí)細(xì)粒度的監(jiān)測(cè)。

第四章基于設(shè)備心電圖與深度學(xué)習(xí)的智能制造裝備狀態(tài)識(shí)別31集，每個(gè)子數(shù)據(jù)集都定義了一個(gè)不同的學(xué)習(xí)問(wèn)題，其特征信息和類別分布見表4.5。表4.5REF特征信息及類別分布數(shù)據(jù)集實(shí)例樣本數(shù)分類數(shù)目每類特征樣本數(shù)LP18841=24%；2=19%；3=18%；4=39%LP24751=43%；2=13%；3=15%；4=11%；5=19%LP34741=43%；2=19%；3=32%；4=6%LP411731=21%；2=62%；3=18%LP516451=27%；2=16%；3=13%；4=29%；5=16%選取LP5數(shù)據(jù)集進(jìn)行測(cè)試，為了提高算法的泛化性，對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充，即隨機(jī)改變其子數(shù)據(jù)集中每個(gè)實(shí)例的位置，得到擴(kuò)充后的樣本容量8000組，選取其中的80%為訓(xùn)練集，剩下的為測(cè)試集。Ⅱ神經(jīng)網(wǎng)絡(luò)超參數(shù)選擇對(duì)于神經(jīng)網(wǎng)絡(luò)隱含層層數(shù)的選擇，經(jīng)過(guò)了對(duì)訓(xùn)練數(shù)據(jù)集的反復(fù)實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果見圖4.7。當(dāng)隱含層層數(shù)從1到3時(shí)，網(wǎng)絡(luò)重構(gòu)誤差有明顯的下降趨勢(shì)，隱含層層數(shù)大于3時(shí)，網(wǎng)絡(luò)重構(gòu)誤差產(chǎn)成微小的變化。因此當(dāng)隱含層層數(shù)為3時(shí)，神經(jīng)網(wǎng)絡(luò)已經(jīng)能從訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)到有用的特征信息，這樣既能獲得較小的時(shí)間消耗，又能使網(wǎng)絡(luò)快速收斂。因此，本文中改進(jìn)的堆疊降噪自編碼網(wǎng)絡(luò)的隱含層層數(shù)為3。圖4.7隱含層層數(shù)選擇神經(jīng)網(wǎng)絡(luò)輸入層可見節(jié)點(diǎn)數(shù)的選擇取決于訓(xùn)練矩陣的維度。第一層隱含層節(jié)點(diǎn)數(shù)的

【參考文獻(xiàn)】：
期刊論文
[1]基于小波BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組變槳系統(tǒng)故障預(yù)測(cè)[J]. 肖成,焦智,孫介濤,張磊,宋玉彬,石瑩.  可再生能源. 2017(06)
[2]基于稀疏自動(dòng)編碼深度神經(jīng)網(wǎng)絡(luò)的感應(yīng)電動(dòng)機(jī)故障診斷[J]. 孫文珺,邵思羽,嚴(yán)如強(qiáng).  機(jī)械工程學(xué)報(bào). 2016(09)
[3]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)
[4]先進(jìn)制造技術(shù)與新工業(yè)革命[J]. 周佳軍,姚錫凡.  計(jì)算機(jī)集成制造系統(tǒng). 2015(08)
[5]基于BP網(wǎng)絡(luò)的開關(guān)電源故障診斷方法研究[J]. 謝香峰,雷電,孫承波.  電子測(cè)量技術(shù). 2012(08)
[6]基于Elman神經(jīng)網(wǎng)絡(luò)的齒輪故障診斷研究[J]. 賈文銅,周瑞祥,張忠,王卓健,郭基聯(lián).  計(jì)算機(jī)測(cè)量與控制. 2012(05)
[7]焊裝作業(yè)時(shí)間標(biāo)準(zhǔn)的制定和生產(chǎn)線再設(shè)計(jì):案例研究[J]. 范旭.  工業(yè)工程. 2009(05)
[8]一種模型驅(qū)動(dòng)的交互式信息可視化開發(fā)方法[J]. 任磊,王威信,周明駿,滕東興,馬翠霞,戴國(guó)忠,王宏安.  軟件學(xué)報(bào). 2008(08)
[9]神經(jīng)網(wǎng)絡(luò)故障診斷技術(shù)的可實(shí)現(xiàn)性[J]. 聞新,周露.  導(dǎo)彈與航天運(yùn)載技術(shù). 2000(02)

碩士論文
[1]基于改進(jìn)堆疊降噪自編碼網(wǎng)絡(luò)的軸承故障診斷研究[D]. 侯文擎.華南理工大學(xué) 2017



本文編號(hào)：3146743