基于大数据分析的电子制造装备状态评估方法研究

发布时间：2022-01-09 07:31

　　电子信息产业已经成为了国民经济和国防建设的支撑之一,而现在衡量一个国家或地区的科技水平的指标通常也包括电子制造装备的水平高低。随着科技的发展,电子制造装备的结构也越来越复杂,然而再高端的设备都无法避免长时间运行带来的设备老化问题,电子制造装备的运行状态会直接影响到企业的生产效率和经济效益。因此,深入研究电子制造装备的状态评估问题具有重要科学意义和实践价值。本文基于大数据分析技术对电子制造装备的运行状态评估问题进行了细致研究,主要包括以下几部分内容:首先,面向电子产品生产线的关键设备,分析了设备状态评估在实际生产中的应用需求,建立了状态评估指标体系。构建了电子制造装备的状态评估模型框架,包括状态评估数据模型、状态评估规则模型和状态评估过程模型。并以贴片机这一典型的电子制造装备为例,给出了状态评估模型的建立方法。其次,分别引入了基于反向传播算法（Back Propagation,BP）神经网络和基于粒子群算法（Particle Swarm Optimization,PSO）的最小二乘支持向量机（Least Square Support Vector Machines,LSSVM）构建了两种... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

BP 神经网络模型

图 3-7 BP 神经网络仿真结果绝对误差分布直方图布直方图可以清晰地看出在不同的误差区间，样本数由图 3-7 可以看出，样本评估绝对误差绝大部分落在网络对测试样本的均方根误差(Root Mean Squared 统计结果可以看出，训练好的 BP 神经网络模型的性能采取增加隐藏层层数、调节隐含层节点数等方式继续

从图 3-10 可以看出 LSSVM 算法计算出的评估结果与实际状态值极为接近，绝对误差基本在 0.05 以下。对 LSSVM 算法计算出的评估结果与实际状态值的绝对误差区间中样本数量的统计结果如图 3-11 所示。图 3-11 LSSVM 误差统计直方图通过图 3-11 可以看出，LSSVM 算法的样本评估值与实际状态绝对误差主要处在[0,0.02]区间内，经过计算其 RMSE 值为 0.0125。通过统计结果可以得出结论，LSSVM 算法的性能较好，其已经能以较高精度逼近输入与输出之间的函数关系。

【参考文献】：
期刊论文
[1]基于模糊综合评价的矿用提升机电气传动系统状态评估[J]. 王福忠,李媛媛,韩素敏,史鹏飞.  电力系统保护与控制. 2019(09)
[2]基于改进Elman神经网络的烟气轮机运行状态趋势预测[J]. 陈涛,王立勇,徐小力,王少红.  广西大学学报(自然科学版). 2019(02)
[3]基于SVM的控制棒驱动机构滚轮状态评估方法[J]. 陈玲,石磊,于耀华,张黎明.  海军工程大学学报. 2019(02)
[4]我国电子信息产业高端化对策分析[J]. 李传志.  经济问题. 2019(01)
[5]基于隐马尔可夫的机床健康状态评估与预测[J]. 冯成均.  中国设备工程. 2018(24)
[6]基于灰度关联法和TOPSIS法的继电保护状态评估综合算法研究与应用[J]. 杨国生,戴飞扬,王文焕,郭鹏,李妍霏.  中国电力. 2019(02)
[7]基于马尔科夫链的核电厂电机状态预测[J]. 葛秋原.  项目管理技术. 2018(10)
[8]AHP与马尔科夫模型在封闭式组合电器状态评估中的应用[J]. 商淼,陈英慧,张建涛.  黑龙江电力. 2018(04)
[9]基于LSSVM与WNN的燃气轮机状态趋势预测[J]. 崔建国,李慧华,于明月,蒋丽英.  火力与指挥控制. 2018(08)
[10]基于LSTM的风洞设备健康状态评估方法研究[J]. 吴魁,孙洁,蒋波,王仙勇,黄玉龙.  计算机测量与控制. 2018(03)

硕士论文
[1]动车组轴箱轴承健康状态评估与趋势分析[D]. 舒敏.北京交通大学 2018
[2]航班延误预测的大数据方法研究[D]. 胡皓月.南京航空航天大学 2017
[3]基于大数据分析的风电机组运行状态评估方法研究[D]. 江顺辉.华侨大学 2016



本文编号：3578247