面向数字化车间的工业大数据研究与开发

发布时间：2021-10-09 22:14

　　随着数据采集技术和传输技术的发展,数字化车间的各种数控装备采集的数据量正以惊人的速度增长。近几年蓬勃发展的大数据技术遇上了萌芽中的智能制造,使得工业大数据如何为智能制造提供服务,传统大数据技术应用于工业大数据的效果如何,成为工业大数据现阶段面临的问题。本文就这两个问题展开研究。文章首先分析了工业大数据的服务模式,然后针对数字化车间生产中数控装备和部件故障的排查和维修中面临的问题,着重研究了梯度增强算法和深度学习算法在数控关键部件剩余使用寿命（RUL）预测中的应用。本文的主要内容如下:（1）工业大数据的服务模式及微服务接口开发通过分析工业大数据来源、特点、现阶段面临的问题以及工业大数据与智能制造的关系,根据数字化车间的生产特点,结合网络物理系统,设计了模块化的工业大数据的服务模型,该模型包括采集、计算、服务和应用四大模块。并结合传统互联网的微服务化的方式,设计了工业大数据的微服务接口。（2）基于梯度增强算法的RUL预测方法研究以梯度增强算法为例,设计了用于数字化车间的刀具和轴承RUL预测模型,将整个过程分为了采集和分析预测两个阶段。描述了大数据分析算法在设备采集数据预处理、特征提取、特征... 

【文章来源】：中国科学院大学(中国科学院沈阳计算技术研究所)辽宁省

【文章页数】：80 页

【学位级别】：硕士

【部分图文】：

论文结构

PHM）的发展。PHM 解决方案能够将数据转换为关于设备退化以及低效产流程所需的信息。直到发生故障之前这些信息大多是不直接可见的（Lee13）。这种转换信息模式的避免了昂贵的故障修复代价和机器的意外停机为复杂的机械和工艺开发 PHM 存在固有的挑战，但这一研究领域已经显，并促进了智能维护系统的发展。在过去几年中，信息和通信技术（ICT速发展促进了先进传感器，数据采集设备，无线通信设备和远程计算解决实施。这些技术以及预测分析的进步正在发生变化现代工业的面貌，并使物理系统（CPS）以前所未有的速度和规模生成数据。使得当前的挑战之储系统无法承载大量数据。解决这个问题的方法是建立与分析相关的数据析系统，以决定应该收集哪些数据部分以及哪些部分应该被淘汰。2 工业大数据服务模式设计

面向数字化车间的工业大数据研究与开发个微服务。JDT 为 Java 常用的辅助集合，使用该辅助集合可以快速的为微服务集成数据分析和计算等服务，使得服务开发更加便利。JDBS 可以很便捷为 Java处理各种SQL语句完成数据库的操作。Zookeepr是一个分布式的资源协调系统，他常被用来做服务的注册和发现。Yarn 是一种分布式的资源管理系统，它可以用来分配数据计算节点和调配资源。这者结合起来可以为工业大数据顶层业务提供基础的资源支持。

【参考文献】：
期刊论文
[1]基于XGBoost建模和Change-Point残差处理的风电机组齿轮箱温度预警[J]. 王桂松,郭鹏,胥佳,刘瑞华,李韶武.  电力科学与工程. 2018(09)
[2]基于ARIMA和PF的锂电池剩余使用寿命预测方法[J]. 豆金昌,陈则王,揭由翔.  太赫兹科学与电子信息学报. 2013(05)
[3]基于贝叶斯LS-SVR的锂电池剩余寿命概率性预测[J]. 陈雄姿,于劲松,唐荻音,王英勋.  航空学报. 2013(09)
[4]决策树算法的研究与应用[J]. 杨静,张楠男,李建,刘延明,梁美红.  计算机技术与发展. 2010(02)
[5]工业控制网络的研究现状及发展趋势[J]. 胡毅,于东,刘明烈.  计算机科学. 2010(01)
[6]不同信号的小波变换去噪方法[J]. 张旭东,詹毅,马永琴.  石油地球物理勘探. 2007(S1)

硕士论文
[1]基于深度学习的多模态故障诊断及剩余寿命预测[D]. 高育林.河南大学 2018
[2]基于深度置信网络的时间序列预测方法及其应用研究[D]. 张国辉.哈尔滨工业大学 2017



本文编号：3427096