基于LSTM的车间生产异常预测与处理方法研究
发布时间：2021-12-17 09:10
近年来,云计算、大数据、物联网、人工智能、移动互联网等新一代信息技术发展迅速,并逐渐与制造技术实现深度融合,这使得制造业转型升级迎来了重大机遇。推进信息化与工业化深度融合,进而实现制造过程智能化,已经成为当今中国制造业的重要发展战略。为此,我国出台了“中国制造2025”制造业发展战略。“云大物智移”等信息技术与制造技术的融合正逐步推动传统制造执行系统向云制造智能执行系统进行转化,但在这一过程中仍然存在一些问题和挑战。因此,本文从以下三个方面对云制造智能执行系统展开深入研究。首先,为了实现制造执行系统的网络化与服务化,本文提出了云制造环境下制造执行系统云服务化方法。该方法通过微服务封装规范和Spring Cloud技术架构对制造执行系统中核心功能模块实现云服务化,即注册、发布、调用等一系列云服务化操作,以此来支持制造用户通过服务组合的方式来满足自身的需求。该方法提高了制造执行系统功能模块访问效率和模块间数据流转效率。其次,为了保证制造企业生产加工产品的质量,本文提出了基于深度神经网络的产品质量异常预测方法。该方法提出离散型车间产品质量异常定义和产品质量异常评定标准,从人员、物料、设备、环...
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
微服务体系架构
哈尔滨理工大学工学硕士学位论文-8-2.2基于微服务体系架构的制造执行系统云服务化随着人工智能、云计算等新兴技术的快速发展并在其他领域的良好应用，云制造正在与制造业进行融合，云制造已经成为当前新型的创新制造服务模式，对于制造加工领域相关资源的集聚整合具有跨时代的意义。云服务是基于知识的网络化智能设计的新模式，融合现有的网络化设计模式与云计算、物联网等技术，将制造资源和制造能力虚拟化、服务化[30]。在云制造环境下，服务提供者将有关制造加工资源和能力通过云计算技术转化为云服务，发布到云服务平台上，其他加工企业可以进行按需调用。本文提出基于微服务体系架构的制造执行系统云服务化，如图2-2所示：图2-2基于微服务体系架构的制造执行系统云服务化Fig.2-2Cloudserviceofmanufacturingexecutionsystembasedonmicroservicearchitecture基于微服务体系架构的车间制造执行系统云服务化分为6个业务服务(Businessservice)，每个业务服务下细分了若干基础服务(Basicservices)，通过基础服务服务组合的形式进行服务发布。
哈尔滨理工大学工学硕士学位论文-10-2.3基于微服务体系架构的制造执行系统服务调用全流程基于微服务的制造执行系统服务调用全流程分为：产品订单准备流程，生产作业计划调度流程，生产监测与预测流程，订单完成追踪四个流程，如图2-3所示：图2-3制造执行系统服务调用全流程Fig.2-3Manufacturingexecutionsysteminvokeserviceprocess1．产品订单准备：企业接收到产品加工订单后，依次调用订单计划管理服务下的订单处理服务进行订单有关需求制定，基于订单的生产计划制定服务确定订单开始日期和结束日期等订单相关信息进行加工准备。2．生产作业计划调度：生产计划制定后，管理人员依次调用作业调度服务下的计划与调度算法资源的标准化接入服务进行服务注册，基于语义的算法服务检索与匹配服务根据订单要求进行调度算法服务匹配，静态/动态作业计划调度服务生成调度排产示意图，同时调用计划与调度算法资源的运行与监控服务进行算法资源的实时监控，计划和调度算法资源的优化管理服务根据车间管理者实时要求对调度算法进行多指标优化，基于评价指数的算法服务优化选择服务基于服务评价层级与选择优化算法进行比较。
【参考文献】：
期刊论文
[1]云服务模式下设计方案的优选决策方法[J]. 樊佳爽,余隋怀,初建杰,王卉,陈晨,寸文哲,陈甜,郭家言. 浙江大学学报(工学版). 2020(01)
[2]小规模知识库指导下的细分领域实体关系发现研究[J]. 陈果,许天祥. 情报学报. 2019(11)
[3]基于本体的水稻育种方法应用知识库构建[J]. 赖英旭,李亚娟,刘静. 北京工业大学学报. 2019(12)
[4]面向工艺操作说明文本的命名实体深度学习识别方法[J]. 张娜娜,王裴岩,张桂平. 计算机应用与软件. 2019(11)
[5]异质网络中基于节点影响力的相似度度量方法[J]. 刘露,胡封晔,牛亮,彭涛. 电子学报. 2019(09)
[6]云制造环境下人力资源供给的评价与选择[J]. 凌磊,陈友玲,张岳园,刘舰. 计算机集成制造系统. 2019(08)
[7]集成LSTM的航天器遥测数据异常检测方法[J]. 董静怡,庞景月,彭宇,刘大同. 仪器仪表学报. 2019(07)
[8]基于深度神经网络的切削刀具剩余寿命预测[J]. 刘胜辉,张人敬,张淑丽,马超,张宏国. 哈尔滨理工大学学报. 2019(03)
[9]分布式自主协同制造——一种智能车间运行新模式[J]. 庄存波,刘检华,熊辉. 计算机集成制造系统. 2019(08)
[10]基于机器学习的流程异常预测方法[J]. 魏懿,曹健. 计算机集成制造系统. 2019(04)
硕士论文
[1]基于LSTM循环神经网络的BTA钻头磨损监测技术研究[D]. 王毫.西安理工大学 2019
[2]基于深度学习的地下排水管道缺陷智能检测技术研究[D]. 户莹.西安理工大学 2019
[3]基于LSTM的无人驾驶有轨电车安全评测方法研究[D]. 肖爽.西安理工大学 2019
[4]视频侦查的知识图谱构建研究[D]. 李超.中国人民公安大学 2019
[5]垂直知识图谱可视化服务平台的设计与实现[D]. 杨卓.北京邮电大学 2019
[6]基于机器学习的轨迹预测方法研究[D]. 苏璐敏.北京邮电大学 2019
[7]基于知识图谱的多媒体网络舆情语义识别案例库构建[D]. 肖维泽.吉林大学 2019
[8]面向汽车领域知识图谱构建的研究与实现[D]. 周世奇.吉林大学 2019
本文编号：3539818
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
微服务体系架构
哈尔滨理工大学工学硕士学位论文-8-2.2基于微服务体系架构的制造执行系统云服务化随着人工智能、云计算等新兴技术的快速发展并在其他领域的良好应用，云制造正在与制造业进行融合，云制造已经成为当前新型的创新制造服务模式，对于制造加工领域相关资源的集聚整合具有跨时代的意义。云服务是基于知识的网络化智能设计的新模式，融合现有的网络化设计模式与云计算、物联网等技术，将制造资源和制造能力虚拟化、服务化[30]。在云制造环境下，服务提供者将有关制造加工资源和能力通过云计算技术转化为云服务，发布到云服务平台上，其他加工企业可以进行按需调用。本文提出基于微服务体系架构的制造执行系统云服务化，如图2-2所示：图2-2基于微服务体系架构的制造执行系统云服务化Fig.2-2Cloudserviceofmanufacturingexecutionsystembasedonmicroservicearchitecture基于微服务体系架构的车间制造执行系统云服务化分为6个业务服务(Businessservice)，每个业务服务下细分了若干基础服务(Basicservices)，通过基础服务服务组合的形式进行服务发布。
哈尔滨理工大学工学硕士学位论文-10-2.3基于微服务体系架构的制造执行系统服务调用全流程基于微服务的制造执行系统服务调用全流程分为：产品订单准备流程，生产作业计划调度流程，生产监测与预测流程，订单完成追踪四个流程，如图2-3所示：图2-3制造执行系统服务调用全流程Fig.2-3Manufacturingexecutionsysteminvokeserviceprocess1．产品订单准备：企业接收到产品加工订单后，依次调用订单计划管理服务下的订单处理服务进行订单有关需求制定，基于订单的生产计划制定服务确定订单开始日期和结束日期等订单相关信息进行加工准备。2．生产作业计划调度：生产计划制定后，管理人员依次调用作业调度服务下的计划与调度算法资源的标准化接入服务进行服务注册，基于语义的算法服务检索与匹配服务根据订单要求进行调度算法服务匹配，静态/动态作业计划调度服务生成调度排产示意图，同时调用计划与调度算法资源的运行与监控服务进行算法资源的实时监控，计划和调度算法资源的优化管理服务根据车间管理者实时要求对调度算法进行多指标优化，基于评价指数的算法服务优化选择服务基于服务评价层级与选择优化算法进行比较。
【参考文献】：
期刊论文
[1]云服务模式下设计方案的优选决策方法[J]. 樊佳爽,余隋怀,初建杰,王卉,陈晨,寸文哲,陈甜,郭家言. 浙江大学学报(工学版). 2020(01)
[2]小规模知识库指导下的细分领域实体关系发现研究[J]. 陈果,许天祥. 情报学报. 2019(11)
[3]基于本体的水稻育种方法应用知识库构建[J]. 赖英旭,李亚娟,刘静. 北京工业大学学报. 2019(12)
[4]面向工艺操作说明文本的命名实体深度学习识别方法[J]. 张娜娜,王裴岩,张桂平. 计算机应用与软件. 2019(11)
[5]异质网络中基于节点影响力的相似度度量方法[J]. 刘露,胡封晔,牛亮,彭涛. 电子学报. 2019(09)
[6]云制造环境下人力资源供给的评价与选择[J]. 凌磊,陈友玲,张岳园,刘舰. 计算机集成制造系统. 2019(08)
[7]集成LSTM的航天器遥测数据异常检测方法[J]. 董静怡,庞景月,彭宇,刘大同. 仪器仪表学报. 2019(07)
[8]基于深度神经网络的切削刀具剩余寿命预测[J]. 刘胜辉,张人敬,张淑丽,马超,张宏国. 哈尔滨理工大学学报. 2019(03)
[9]分布式自主协同制造——一种智能车间运行新模式[J]. 庄存波,刘检华,熊辉. 计算机集成制造系统. 2019(08)
[10]基于机器学习的流程异常预测方法[J]. 魏懿,曹健. 计算机集成制造系统. 2019(04)
硕士论文
[1]基于LSTM循环神经网络的BTA钻头磨损监测技术研究[D]. 王毫.西安理工大学 2019
[2]基于深度学习的地下排水管道缺陷智能检测技术研究[D]. 户莹.西安理工大学 2019
[3]基于LSTM的无人驾驶有轨电车安全评测方法研究[D]. 肖爽.西安理工大学 2019
[4]视频侦查的知识图谱构建研究[D]. 李超.中国人民公安大学 2019
[5]垂直知识图谱可视化服务平台的设计与实现[D]. 杨卓.北京邮电大学 2019
[6]基于机器学习的轨迹预测方法研究[D]. 苏璐敏.北京邮电大学 2019
[7]基于知识图谱的多媒体网络舆情语义识别案例库构建[D]. 肖维泽.吉林大学 2019
[8]面向汽车领域知识图谱构建的研究与实现[D]. 周世奇.吉林大学 2019
本文编号：3539818
本文链接：https://www.wllwen.com/jingjilunwen/xmjj/3539818.html
