基于设备心电图的智能制造装备故障诊断方法研究
发布时间：2021-04-19 03:31
智能制造装备是智能制造的主要体现载体,已成为当今工业国家的竞争目标。然而当前智能制造装备的定时监测和事后维修等常规运维方法不能满足实时监控的目的。本文以设备心电图为中心,针对糖果包装产线上的下料机器人的故障预测及诊断等方面展开研究,结合最新的堆叠降噪自编码网络,提出了基于设备心电图的智能制造装备实时故障诊断新方法,并将设备心电图应用到机器人故障诊断中,实验结果证明了提出方法的有效性。本文的主要工作如下:（1）分析研究了实现智能制造设备心电图的关键技术问题。将心电图技术应用到了机械装备上,并对实现设备心电图的关键技术:装备状态定义、数据预处理、基线建模等展开了研究。在分析大量数据的基础上,分别定义了智能制造装备运行过程中的四种状态,即:Good、Watch、Warning以及Abnormal value。提出改进的莱茵达准则对采集的数据进行预处理。改进之处在于每组数据以2.1*Abnormal value为上限,这样就能去除数据中较为明显的粗大误差。智能制造装备运行过程中,每个子动作的时长是否符合时间要求需要一个度量标准,基线值的作用就在于此。通过大量的数据分析,本文中建立了心电图的基线...
【文章来源】：江西理工大学江西省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
传感器串口对应端口号当传感器、电脑连接无误后，打开上位机软件，选择好串口的COM，设置计算机串口通信的速率为9600bps，模块类型选择Can
第三章设备心电图可视化方法202.ser=serial.Serial("com3",9600,timeout=0.5)3.print(ser.is_open)4.while(1):5.#datahex=(ser.read(33).hex())6.datahex=ser.read(33)7.DueData(datahex)心电图实时可视化图像见图3.7。图3.7设备心电图3.4本章小结选取振动传感器中采集的Y轴加速度为实验数据.利用Python的易读，可扩展性等优点，读取串口数据。采集的数据采用第二章提出的方法剔除粗大误差并进行分类，显示为不同颜色的心电图，对智能制造装备的运行状况进行实时细粒度的监测。
第四章基于设备心电图与深度学习的智能制造装备状态识别31集，每个子数据集都定义了一个不同的学习问题，其特征信息和类别分布见表4.5。表4.5REF特征信息及类别分布数据集实例样本数分类数目每类特征样本数LP18841=24%；2=19%；3=18%；4=39%LP24751=43%；2=13%；3=15%；4=11%；5=19%LP34741=43%；2=19%；3=32%；4=6%LP411731=21%；2=62%；3=18%LP516451=27%；2=16%；3=13%；4=29%；5=16%选取LP5数据集进行测试，为了提高算法的泛化性，对数据集进行扩充，即随机改变其子数据集中每个实例的位置，得到扩充后的样本容量8000组，选取其中的80%为训练集，剩下的为测试集。Ⅱ神经网络超参数选择对于神经网络隐含层层数的选择，经过了对训练数据集的反复实验，实验结果见图4.7。当隐含层层数从1到3时，网络重构误差有明显的下降趋势，隐含层层数大于3时，网络重构误差产成微小的变化。因此当隐含层层数为3时，神经网络已经能从训练数据集中学习到有用的特征信息，这样既能获得较小的时间消耗，又能使网络快速收敛。因此，本文中改进的堆叠降噪自编码网络的隐含层层数为3。图4.7隐含层层数选择神经网络输入层可见节点数的选择取决于训练矩阵的维度。第一层隐含层节点数的
【参考文献】：
期刊论文
[1]基于小波BP神经网络的风电机组变桨系统故障预测[J]. 肖成,焦智,孙介涛,张磊,宋玉彬,石莹. 可再生能源. 2017(06)
[2]基于稀疏自动编码深度神经网络的感应电动机故障诊断[J]. 孙文珺,邵思羽,严如强. 机械工程学报. 2016(09)
[3]智能制造——“中国制造2025”的主攻方向[J]. 周济. 中国机械工程. 2015(17)
[4]先进制造技术与新工业革命[J]. 周佳军,姚锡凡. 计算机集成制造系统. 2015(08)
[5]基于BP网络的开关电源故障诊断方法研究[J]. 谢香峰,雷电,孙承波. 电子测量技术. 2012(08)
[6]基于Elman神经网络的齿轮故障诊断研究[J]. 贾文铜,周瑞祥,张忠,王卓健,郭基联. 计算机测量与控制. 2012(05)
[7]焊装作业时间标准的制定和生产线再设计:案例研究[J]. 范旭. 工业工程. 2009(05)
[8]一种模型驱动的交互式信息可视化开发方法[J]. 任磊,王威信,周明骏,滕东兴,马翠霞,戴国忠,王宏安. 软件学报. 2008(08)
[9]神经网络故障诊断技术的可实现性[J]. 闻新,周露. 导弹与航天运载技术. 2000(02)
硕士论文
[1]基于改进堆叠降噪自编码网络的轴承故障诊断研究[D]. 侯文擎.华南理工大学 2017
本文编号：3146743
【文章来源】：江西理工大学江西省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
传感器串口对应端口号当传感器、电脑连接无误后，打开上位机软件，选择好串口的COM，设置计算机串口通信的速率为9600bps，模块类型选择Can
第三章设备心电图可视化方法202.ser=serial.Serial("com3",9600,timeout=0.5)3.print(ser.is_open)4.while(1):5.#datahex=(ser.read(33).hex())6.datahex=ser.read(33)7.DueData(datahex)心电图实时可视化图像见图3.7。图3.7设备心电图3.4本章小结选取振动传感器中采集的Y轴加速度为实验数据.利用Python的易读，可扩展性等优点，读取串口数据。采集的数据采用第二章提出的方法剔除粗大误差并进行分类，显示为不同颜色的心电图，对智能制造装备的运行状况进行实时细粒度的监测。
第四章基于设备心电图与深度学习的智能制造装备状态识别31集，每个子数据集都定义了一个不同的学习问题，其特征信息和类别分布见表4.5。表4.5REF特征信息及类别分布数据集实例样本数分类数目每类特征样本数LP18841=24%；2=19%；3=18%；4=39%LP24751=43%；2=13%；3=15%；4=11%；5=19%LP34741=43%；2=19%；3=32%；4=6%LP411731=21%；2=62%；3=18%LP516451=27%；2=16%；3=13%；4=29%；5=16%选取LP5数据集进行测试，为了提高算法的泛化性，对数据集进行扩充，即随机改变其子数据集中每个实例的位置，得到扩充后的样本容量8000组，选取其中的80%为训练集，剩下的为测试集。Ⅱ神经网络超参数选择对于神经网络隐含层层数的选择，经过了对训练数据集的反复实验，实验结果见图4.7。当隐含层层数从1到3时，网络重构误差有明显的下降趋势，隐含层层数大于3时，网络重构误差产成微小的变化。因此当隐含层层数为3时，神经网络已经能从训练数据集中学习到有用的特征信息，这样既能获得较小的时间消耗，又能使网络快速收敛。因此，本文中改进的堆叠降噪自编码网络的隐含层层数为3。图4.7隐含层层数选择神经网络输入层可见节点数的选择取决于训练矩阵的维度。第一层隐含层节点数的
【参考文献】：
期刊论文
[1]基于小波BP神经网络的风电机组变桨系统故障预测[J]. 肖成,焦智,孙介涛,张磊,宋玉彬,石莹. 可再生能源. 2017(06)
[2]基于稀疏自动编码深度神经网络的感应电动机故障诊断[J]. 孙文珺,邵思羽,严如强. 机械工程学报. 2016(09)
[3]智能制造——“中国制造2025”的主攻方向[J]. 周济. 中国机械工程. 2015(17)
[4]先进制造技术与新工业革命[J]. 周佳军,姚锡凡. 计算机集成制造系统. 2015(08)
[5]基于BP网络的开关电源故障诊断方法研究[J]. 谢香峰,雷电,孙承波. 电子测量技术. 2012(08)
[6]基于Elman神经网络的齿轮故障诊断研究[J]. 贾文铜,周瑞祥,张忠,王卓健,郭基联. 计算机测量与控制. 2012(05)
[7]焊装作业时间标准的制定和生产线再设计:案例研究[J]. 范旭. 工业工程. 2009(05)
[8]一种模型驱动的交互式信息可视化开发方法[J]. 任磊,王威信,周明骏,滕东兴,马翠霞,戴国忠,王宏安. 软件学报. 2008(08)
[9]神经网络故障诊断技术的可实现性[J]. 闻新,周露. 导弹与航天运载技术. 2000(02)
硕士论文
[1]基于改进堆叠降噪自编码网络的轴承故障诊断研究[D]. 侯文擎.华南理工大学 2017
本文编号：3146743
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3146743.html
