堆垛机故障预测与维修决策技术研究

发布时间：2022-12-22 02:32

　　随着智能仓储物流的发展和广泛应用,堆垛机作为智能物流立体仓储的核心,其使用频率随着业务的增多而不断增加,如何合理的对堆垛机状态进行采集,及时的对堆垛机进行故障预测提出维修决策,保障其运行的安全性和可靠性成为了近年来的一个研究热点。针对此问题,对采集研究的堆垛机数据进行介绍,并通过Python进行数据预处理,利用深度学习、模糊理论等方法建立堆垛机故障预测和维修决策模型,提取故障特征进行故障预测。主要的研究内容和成果如下:对采集的相关数据进行清洗、集成和区间处理,并针对半结构化数据进行实体关系抽取;利用模糊综合评价将堆垛机状态进行分级,利用灰色关联度分析提取特征;采用LSTM长短期神经网络对堆垛机时间特征序列进行状态的预测,采用高斯核SVM支持向量机对预测的堆垛机状态进行故障类别的分类;建立堆垛机故障知识库,引入置信度的概念,采用模糊规则提升理论动态更新置信度,结合故障现象,通过匹配故障源和置信度进行故障决策;对堆垛机故障预测模块的功能单元和故障预测流程进行了设计,建立堆垛机相关数据库,并利用某企业五年的堆垛机数据进行了故障类别预测和决策提取的分析验证,并对主要功能界面进行了展示。 

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 课题研究背景和意义
        1.1.1 课题背景
        1.1.2 课题意义
        1.1.3 课题项目背景
    1.2 国内外研究状况
        1.2.1 国外研究状况
        1.2.2 国内研究状况
    1.3 论文研究内容和论文结构
        1.3.1 论文研究内容
        1.3.2 论文结构
    1.4 本章小结
第二章 堆垛机故障预测相关理论方法
    2.1 堆垛机常见故障及其表现
        2.1.1 堆垛机介绍
        2.1.2 堆垛机故障表现
    2.2 故障预测方法
        2.2.1 堆垛机故障预测方法
        2.2.2 故障预测相关算法
    2.3 本章小结
第三章 堆垛机数据收集和处理技术研究
    3.1 堆垛机数据收集方式
        3.1.1 设备实时数据采集方法
        3.1.2 人机交互采集方法
    3.2 堆垛机数据内容介绍
    3.3 堆垛机数据预处理
        3.3.1 Python数据分析技术
        3.3.2 数据清洗
        3.3.3 数据集成
        3.3.4 区间处理
    3.4 实体抽取
    3.5 本章小结
第四章 堆垛机故障预测与维修决策技术研究
    4.1 堆垛机故障特征分级
        4.1.1 堆垛机故障分级问题描述
        4.1.2 堆垛机故障分级方法
    4.2 堆垛机特征参数提取
        4.2.1 特征提取问题描述
        4.2.2 灰色度关联分析
    4.3 基于MLSTM和SVM的堆垛机故障预测方法
        4.3.1 故障预测问题描述
        4.3.2 基于MLSTM和SVM的堆垛机故障预测模型
    4.4 堆垛机故障维修决策提取技术
        4.4.1 维修决策提取问题描述
        4.4.2 堆垛机故障知识库的构建
        4.4.3 基于模糊规则提升理论的维修决策提取
    4.5 本章小结
第五章 堆垛机故障预测模块设计与应用
    5.1 堆垛机故障预测模块总体方案
        5.1.1 功能单元
        5.1.2 流程设计
    5.2 数据结构设计
    5.3 应用分析及验证
        5.3.1 实验数据与条件
        5.3.2 实验结果分析
    5.4 主要功能展示
        5.4.1 数据采集
        5.4.2 故障预测及建议
    5.5 本章小结
第六章 总结与展望
    6.1 全文总结
    6.2 未来工作展望
参考文献
致谢
在学期间发表的学术论文和参加科研情况


【参考文献】：
期刊论文
[1]基于机器学习算法的研究热点趋势预测模型对比与分析——BP神经网络、支持向量机与LSTM模型[J]. 李静,徐路路.  现代情报. 2019(04)
[2]循环神经网络研究综述[J]. 杨丽,吴雨茜,王俊丽,刘义理.  计算机应用. 2018(S2)
[3]基于状态的武器电子装备故障预测研究综述[J]. 侯晓东,王永攀,杨江平,张宇.  系统工程与电子技术. 2018(02)
[4]轨道交通站台门远程监控及智能诊断系统研究[J]. 赵忠.  中国高新技术企业. 2017(01)
[5]堆垛机状态监测与故障诊断的研究和进展[J]. 范红岩,刘军,张可薇.  物流技术. 2017(02)
[6]基于模糊规则提升理论的马病辅助诊断专家系统[J]. 秦宏宇,李建新,高翔,王欢,肖建华,王洪斌.  农业工程学报. 2016(05)
[7]基于本体的装备故障知识库构建[J]. 苏正炼,严骏,陈海松,曾拥华.  系统工程与电子技术. 2015(09)
[8]马消化系统疾病辅助诊疗专家系统的设计与实现[J]. 翟志南,王洪斌,秦宏宇,王超,栾宏梁,肖建华.  中国兽医杂志. 2014(09)
[9]基于灰色关联分析的BP神经网络模型在中国碳排放预测中的应用[J]. 纪广月.  数学的实践与认识. 2014(14)
[10]基于遗传BP神经网络的短期风速预测模型[J]. 王德明,王莉,张广明.  浙江大学学报(工学版). 2012(05)

博士论文
[1]基于深度学习和迁移学习的电力数据挖掘技术研究[D]. 王毅星.浙江大学 2019
[2]含潮汐流能和储能的发电系统概率建模及其可靠性评估[D]. 刘明君.重庆大学 2016
[3]轨道电路故障预测与健康管理关键技术研究[D]. 黄赞武.北京交通大学 2013

硕士论文
[1]数据归一化方法对提升SVM训练效率的研究[D]. 汤荣志.山东师范大学 2017
[2]时间序列短期预测的方法和技术[D]. 艾玲.华东师范大学 2010
[3]OPC技术及其在SCADA系统中的研究和应用[D]. 李世学.广西大学 2004



本文编号：3723265