基于大数据知识发现的复杂机电设备维护研究与应用

发布时间：2017-04-01 06:57

  本文关键词：基于大数据知识发现的复杂机电设备维护研究与应用，由笔耕文化传播整理发布。

【摘要】：设备维护是提高设备可靠性的重要手段,对设备进行状态监测是确定设备故障、分析设备可靠性的重要途径。在设备监测、维护中产生了大量的数据,监测和维护往往更加关注于数据的某个趋势或阈值点,但是这些历史数据中,大部分都是设备正常运行的数据,被利用的部分很少,造成了大量数据的浪费。本文基于设备历史大数据,利用大数据中知识发现的方法发现新的知识,形成数据到知识的转化,并将形成的知识用于设备的维护。论文的主要研究工作如下:(1)基于阈值的维护是最常见的维护方式,但是在实际工业生产中由于服役环境和使用情况的差异,阈值的确定很困难。基于此,本文提出了基于大数据知识发现方法,首先对数据进行自回归模型(AR)拟合并保留其时间特性,随后输入自组织竞争神经网络(SOM)进行训练,从而建立了知识发现模型;然后,通过聚类的方法界定了原始知识的边界来确保知识的有效性。最后,以试验平台数据验证了该方法的有效性,并且通过与阈值法进行对比,发现基于知识的维护方法具有更高的灵敏度。(2)本文从设备构成复杂性和制造过程的复杂性两个方面对复杂性机电设备的维护需求进行了分析,在分析的基础上基于专家打分对设备的维护难度进行了量化研究。通过量化可以发现机电设备最需要特殊维护的关键系统,其维护的最主要特点是通过经验知识是很难发现并维护的,故本文利用了知识发现的维护方式对关键设备进行维护,并给出了基于数据知识的维护策略。(3)最后,通过HC-30数控车床数据对本文方法进行了验证,通过设备关键部件的界定,选取振动、主轴加速度以及主轴箱油温来对主轴箱进行基于数据知识的维护,通过维护知识的发现,判断出主轴箱运转正常,无需进行维护。通过本文的研究,提出了一种适用于复杂机电设备的维护方法,研究结果表明方法具有较好的应用效果,为设备维护决策提供了新的方法和依据。
【关键词】：大数据 知识发现 设备维护 维护复杂度
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TH17;TP311.13
【目录】：

• 中文摘要3-4
• 英文摘要4-8
• 1 绪论8-16
• 1.1 研究背景与意义8-10
• 1.1.1 研究背景8-9
• 1.1.2 研究目的及意义9-10
• 1.2 国内外研究现状10-14
• 1.2.1 设备维护国内外研究现状10-12
• 1.2.2 知识发现研究现状12
• 1.2.3 知识发现在制造过程中的应用12-14
• 1.3 论文主要研究内容与技术路线14-16
• 1.3.1 研究内容14-15
• 1.3.2 技术路线15-16
• 2 相关理论16-21
• 2.1 知识发现方法16-18
• 2.1.1 知识发现一般过程16
• 2.1.2 数据挖掘的参考模型CRISP-DM16-18
• 2.2 相关数学理论18-21
• 2.2.1 自回归模型（AR过程）18-19
• 2.2.2 自组织竞争神经网络19-20
• 2.2.3 基于K-均值（K-means）的聚类算法20-21
• 3 基于大数据的维护知识发现模型21-34
• 3.1 知识发现的整体构架21-22
• 3.2 基于大数据的维护知识发现模型22-29
• 3.2.1 基于时间序列变化过程的知识发现模型22-26
• 3.2.2 基于聚类的数据发现知识的有效性判定26-27
• 3.2.3 基于大数据的维护知识发现模型27-29
• 3.3 单参量维护知识发现模型验证29-33
• 3.3.1 实验平台搭建29-30
• 3.3.2 模型应用30-31
• 3.3.3 结果分析31-33
• 3.4 本章小结33-34
• 4 基于知识的复杂机电设备维护决策研究34-45
• 4.1 复杂机电设备维护需求分析34-42
• 4.1.1 机电设备复杂性分析34-39
• 4.1.2 设备维护需求分析39-42
• 4.2 基于知识的设备维护研究42-44
• 4.2.1 关键维护系统的确定42-43
• 4.2.2 基于知识的维护策略43-44
• 4.3 本章小结44-45
• 5 基于大数据发现知识的设备维护决策应用案例45-58
• 5.1 机床维护需求分析45-51
• 5.1.1 机床类型介绍45-46
• 5.1.2 设备维护分析46-51
• 5.2 基于大数据挖掘知识的维护决策51-57
• 5.2.1 设备数据的获取51
• 5.2.2 历史大数据的挖掘和知识边界的界定51-54
• 5.2.3 维护知识的发现54-56
• 5.2.4 基于知识的维护决策56-57
• 5.3 本章小结57-58
• 6 总结及展望58-60
• 6.1 本文总结58
• 6.2 展望58-60
• 致谢60-61
• 参考文献61-65
• 附录65
• A. 作者在攻读硕士学位期间发表的成果目录65
• B. 作者在攻读硕士学位期间参与的课题65

【参考文献】

中国期刊全文数据库 前6条

1 黄天恩;孙宏斌;郭庆来;温柏坚;王彬;;基于电网运行仿真大数据的知识管理和超前安全预警[J];电网技术;2015年11期

2 李德仁;张良培;夏桂松;;遥感大数据自动分析与数据挖掘[J];测绘学报;2014年12期

3 郭建文;孙振忠;汤泓;黄汇江;张智聪;;设备e-维护知识网络模型[J];计算机集成制造系统;2013年12期

4 周扬;李青;;飞机故障知识的本体建模及语义检索[J];计算机工程与应用;2011年16期

5 朱扬勇;熊峗;;DNA序列数据挖掘技术[J];软件学报;2007年11期

6 李菁菁,邵培基,黄亦潇;数据挖掘在中国的现状和发展研究[J];管理工程学报;2004年03期

中国博士学位论文全文数据库 前4条

1 秦大力;基于知识管理的设备故障智能诊断模型研究[D];湖南大学;2014年

2 陈传海;面向可靠性概率设计的数控机床载荷谱建立方法研究[D];吉林大学;2013年

3 郝庆波;数控机床可靠性及维修性的模糊综合分配与预计[D];吉林大学;2012年

4 周晓军;生产系统智能维护决策及优化技术研究[D];上海交通大学;2006年

中国硕士学位论文全文数据库 前1条

1 邓炳杰;面向不同寿命阶段的机电设备健康状态评价研究[D];重庆大学;2014年

  本文关键词：基于大数据知识发现的复杂机电设备维护研究与应用，，由笔耕文化传播整理发布。

本文编号：280141