基于深度神经网络的车间生产异常发现与分析方法研究

发布时间：2020-04-02 00:18

【摘要】：得益于云计算、物联网、大数据与人工智能等新一代信息技术的发展、融合与应用,在制造业领域中,一种新的模式—“云制造”被提出。云制造正推动着传统的制造执行系统(Manufacturing Execution System,MES)向智能制造系统转化。特别是我国全面实施“中国制造2025”重大战略以来,制造业企业不断地将新技术融入到制造过程,逐步解决了传统MES的许多难题,从而MES也得到了迅速发展,但是新技术应用于传统MES也产生了一系列新的问题。为此,从以下三方面对制造执行系统进行深入的研究。首先,为使MES系统适应制造大数据环境,从数据存储方面对其进行了改进,提出了适应大数据环境的存储方案。针对MES系统对生产过程的管理建立在大量的制造数据基础之上的特点,将非关系型数据库和内存数据库进行结合,共同作为MES系统的存储介质。这种优化的数据存储方式,既解决了半结构化和非结构化特征数据的存储问题,又具有高效的数据访问能力和高扩展性。通过对实时数据的高效存储,可以实现系统对数据的快速访问,提高系统处理速度和响应时间。同时对海量历史生产数据的存储,也使得企业可以从更加宏观的角度对生产进行管理,使车间的数据统计和分析更加有意义。其次,为了有效地解决制造企业中车间生产异常难以有效管控的问题,提出了基于深度神经网络的车间生产异常发现方法。并对导致生产异常的影响因素,建立了高效合理的分类体系,根据各个影响因素的具体特征,给出了相应的量化方法。通过对各种影响因素和生产异常的分析,以优化的数据存储方式为基础,建立了生产异常预测模型,使其可以对质量和交付期异常进行实时预测。该模型以深度神经网络为预测核心,使用数据库中的影响因素和生产异常信息作为训练数据,实时生产信息作为预测数据。该方法可以在加工生产过程中对产品质量和交付期可能产生的异常进行监控和跟踪,为生产管理提供数据基础。最后,为进一步降低各种异常影响因素对加工生产的影响,对影响因素与生产异常的相关关系,以及这种关系的强弱进行研究和分析,得出了各种异常影响因素的重要程度。并针对设备、工序、人员等主要异常影响因素关联实体进行研究,提出了相应的影响因素处理方法。以设备为例,从关键切削设备入手,提出了一整套基于深度神经网络的关键设备刀具剩余寿命预测方法,从设备高效维护的角度降低了设备对加工生产的影响,同时也达到了避免异常发生的目的。综上所述,本文从数据存储、异常发现和异常处理三个方面,对现有MES系统进行了改进,并针对异常发现和处理提出了具体的解决方案,使用深度神经网络等方法,将人工智能技术应用到了MES系统中。通过对方案中所提出的模型进行测试,验证了该方法的可行性,该方法能够为解决制造企业的其它生产制造问题提供有益的借鉴和参考。
【图文】：

结构图,智能车,处理系统,结构图

第 2 章智能车间生产异常发现与处理系统架构设计2.1 MES 与智能车间异常发现及处理系统智能车间异常发现与处理系统依附于 MES 系统中，系统结构如图 2-1 所示。

示意图,采集系统,示意图

支持高并发的读写操作。同时，系统使用了内存数据领域中的 Redis 数据库，来存储最近时刻产加工信息和异常预测过程中需要的加工数据。内存数据库访问速度，，使得数据存取不再是系统运行速度的瓶颈，通过实时的传递生产数发现系统，提高了系统的响应速度。Redis 数据库是完全运行在内存中的数据库，提供了丰富存储数据类型有良好的数据同步能力，可以将数据复制到任意数量的从服务器中。的数据操作基础上，仍能保持事务操作的原子性。在采集系统运行过程中，SFC 采集模块将采集到的生产加工信息存储库中，生产加工信息包括生产加工过程中的物料信息，设备信息，人订单信息，生产任务信息，生产异常等信息，如图 2-2 所示。
【学位授予单位】：哈尔滨理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP183;TH18

【参考文献】