面向个性化定制的智能生产线预防性维护研究
发布时间：2021-07-02 20:28
智能生产线通过物联感知和网络协同技术,实现信息物理深度融合。其特征是制造设备高度互联、制造数据深度集成与产线动态重构,以满足多品种、小批量、个性化定制产品的混流生产要求。个性化定制生产模式下,智能生产线对设备可靠性、运行稳定性与生产适应性等提出了更高要求,常规的被动运维模式已不能满足智能生产线的复杂运维需求。本文聚焦于智能生产线预防性维护的关键技术研究,以保证个性化定制生产线效率与设备利用率为前提,对设备的劣化状态进行早期评估,通过可重构预防性维护避免生产线意外停机造成的生产中断,旨在实现生产过程的自主感知、状态评估、自适应运行及负载均衡。本文的研究工作可以具体地概括为以下五点:（1）探讨了设备信息物理深度融合为基础的智能生产线预防性维护系统架构。在智能生产线设备信息传输方面,实现了基于OPC UA的信息传输,Machine to Machine通信,软件定义工业异构网络;在多源异构传感数据深度融合方面,提出了边缘计算使能的数据融合方法与边-云合作的数据融合机制。架构涵盖了基于心电机理的设备运行状态监测方法与深度的设备健康状况评估理论,实时反馈设备亟需的运维情况。为保障智能生产线稳定运...
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：135 页
【学位级别】：博士
【部分图文】：
智能生产线运维金字塔图
第一章绪论9图1-4设备状态评估方法分类Fig.1-4Classificationofequipmentconditionevaluationmethods基于深度学习的设备性能预测方法是在利用数据驱动的方法获得精确的预测或分类效果，这对于数据的可解释性、准确性、安全性具有较高的要求。然而，依赖设备自身的机理模型，一些不确定的、干扰因素会导致潜在的数据问题。设备的时序数据反映了设备状态的发展历程，数据驱动的时序数据评估方法有助于摆脱专家经验与隐藏知识，现有的深度学习模型针对性较强，在数据采集、特征提娶模型训练、系统部署等方面成熟度不够高。大数据正驱动新兴的设备运维范式[42]，以大数据为代表的数据密集型计算为设备的预防性维护提出了新的研究思路，利用大数据分析的手段指导设备的预防性维护是一项具有挑战性的研究课题。Santos等[15]分析了基于大数据的预防性维护方法所面临的机遇与挑战，将测量空间或特征空间获得的信息映射到故障过程的模式空间中，基于状态的维护侧重于通过监控潜在的恶化过程，根据系统的实际和未来状态（健康状况）进行干预。韩中等[43]基于层次分析法提出了面向机电系统的大数据结构化方法，通过构建系统层级评估模型实现了数据驱动的维护决策。Wan等[44]基于云制造大数据环境构建了主动预防性维护的系统架构，提出了通过实时传感数据与离线机器日志相结合的分析方法，实现了设备在线主动运维机制。王光[45]为了减少非关键异常数据导致的虚警次数，提出了针对关键性能指标（KPI）进行数据分析的故障检测方法。基于工业大数据的智能制设备性能预测方法基于经验知识的方法基于概率分析的方法数据驱动的方法基于本体论的推理基于规则的方法（专家系统）定性建模与求解（关联规则算法，FP-growth算法）
第三章智能生产线设备心电机理研究43公差是与工序动作时长相关的，也是判断工序动作时长围绕基线的“跳动”是否在正常范围内的依据。在确定了工序动作时长基线取值后，本部分利用修正样本方差来表示动作时长偏移基线量的公差。*()211((,))1ninjBLiSfepUn(3-8)如式(3-8)所示，*nS代表设备心电图的波动衡量值，进一步地根据公差值对工序进行优良评级。一般地正常作业的设备出现异常的动作时长是小概率事件，根据长期的采样观察，设备工序时长变动基本符合正态分布。本文利用3原则对工序动作时长的波动进行评级，如图3-4所示（其中*nS）。图3-4CycleLength波动等级规格Fig.3-4Gradingofthecyclelengthbasedontolerance当运动在Baseline公差范围内，该运动将被标记为“良好”；超出基线公差运动将被标记为“警戒”；周期持续时间超过“nTol”值将被标记为“警告”；周期超过“Tol”值-这将在“Hotspots”屏幕上显示这些可能出现故障的运动。在构建智能生产线设备心电图时，包络线是表征动作时长浮动范围的重要特征，直观地反映了动作时长超出基准范围的程度。式(3-9)给出了某序列包络线的计算公式，EvpU代表包络线上限范围取值，选取k次随机抽样，123,,,...,JJPpppp()JfP代表其中某次采样值。基于设备状态恶化会导致运动的周期变长的特性，本文在智能生产线设备心电图中采用了包络线的上限值。
【参考文献】：
期刊论文
[1]基于多粒度的多源数据知识获取[J]. 万青,马盈仓,魏玲. 山东大学学报(理学版). 2020(01)
[2]考虑非固定提前期的生产计划和预防性维护联合优化模型[J]. 黄剑秋,王丽亚. 计算机集成制造系统. 2020(03)
[3]大数据结构化与数据驱动的复杂系统维修决策[J]. 韩中,程林,熊金泉,刘满君. 自动化学报. 2020(02)
[4]基于博弈论的移动边缘计算任务调度研究[J]. 林涛,秦冬阳,马同宽,董栅. 计算机仿真. 2018(11)
[5]基于深度学习的航空发动机故障融合诊断[J]. 车畅畅,王华伟,倪晓梅,洪骥宇. 北京航空航天大学学报. 2018(03)
[6]大数据下机械智能故障诊断的机遇与挑战[J]. 雷亚国,贾峰,孔德同,林京,邢赛博. 机械工程学报. 2018(05)
[7]基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J]. 时培明,梁凯,赵娜,安淑君. 中国机械工程. 2017(09)
[8]主动制造——大数据驱动的新兴制造范式[J]. 姚锡凡,周佳军,张存吉,刘敏. 计算机集成制造系统. 2017(01)
[9]大数据驱动的智能车间运行分析与决策方法体系[J]. 张洁,高亮,秦威,吕佑龙,李新宇. 计算机集成制造系统. 2016(05)
[10]过程工业大数据建模研究展望[J]. 刘强,秦泗钊. 自动化学报. 2016(02)
博士论文
[1]基于关键性能指标的数据驱动故障检测方法研究[D]. 王光.哈尔滨工业大学 2016
[2]复杂装备故障预测与健康管理关键技术研究[D]. 李向前.北京理工大学 2014
[3]基于知识管理的设备故障智能诊断模型研究[D]. 秦大力.湖南大学 2014
[4]Petri网的优化协调控制理论及其应用研究[D]. 方欢.合肥工业大学 2013
[5]基于人工免疫系统的机组复合故障诊断技术研究[D]. 岑健.华南理工大学 2010
[6]基于多Agent系统的动态任务分配研究[D]. 马巧云.华中科技大学 2006
硕士论文
[1]基于深度学习的航空发动机可靠性分析[D]. 洪骥宇.南京航空航天大学 2018
本文编号：3261172
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：135 页
【学位级别】：博士
【部分图文】：
智能生产线运维金字塔图
第一章绪论9图1-4设备状态评估方法分类Fig.1-4Classificationofequipmentconditionevaluationmethods基于深度学习的设备性能预测方法是在利用数据驱动的方法获得精确的预测或分类效果，这对于数据的可解释性、准确性、安全性具有较高的要求。然而，依赖设备自身的机理模型，一些不确定的、干扰因素会导致潜在的数据问题。设备的时序数据反映了设备状态的发展历程，数据驱动的时序数据评估方法有助于摆脱专家经验与隐藏知识，现有的深度学习模型针对性较强，在数据采集、特征提娶模型训练、系统部署等方面成熟度不够高。大数据正驱动新兴的设备运维范式[42]，以大数据为代表的数据密集型计算为设备的预防性维护提出了新的研究思路，利用大数据分析的手段指导设备的预防性维护是一项具有挑战性的研究课题。Santos等[15]分析了基于大数据的预防性维护方法所面临的机遇与挑战，将测量空间或特征空间获得的信息映射到故障过程的模式空间中，基于状态的维护侧重于通过监控潜在的恶化过程，根据系统的实际和未来状态（健康状况）进行干预。韩中等[43]基于层次分析法提出了面向机电系统的大数据结构化方法，通过构建系统层级评估模型实现了数据驱动的维护决策。Wan等[44]基于云制造大数据环境构建了主动预防性维护的系统架构，提出了通过实时传感数据与离线机器日志相结合的分析方法，实现了设备在线主动运维机制。王光[45]为了减少非关键异常数据导致的虚警次数，提出了针对关键性能指标（KPI）进行数据分析的故障检测方法。基于工业大数据的智能制设备性能预测方法基于经验知识的方法基于概率分析的方法数据驱动的方法基于本体论的推理基于规则的方法（专家系统）定性建模与求解（关联规则算法，FP-growth算法）
第三章智能生产线设备心电机理研究43公差是与工序动作时长相关的，也是判断工序动作时长围绕基线的“跳动”是否在正常范围内的依据。在确定了工序动作时长基线取值后，本部分利用修正样本方差来表示动作时长偏移基线量的公差。*()211((,))1ninjBLiSfepUn(3-8)如式(3-8)所示，*nS代表设备心电图的波动衡量值，进一步地根据公差值对工序进行优良评级。一般地正常作业的设备出现异常的动作时长是小概率事件，根据长期的采样观察，设备工序时长变动基本符合正态分布。本文利用3原则对工序动作时长的波动进行评级，如图3-4所示（其中*nS）。图3-4CycleLength波动等级规格Fig.3-4Gradingofthecyclelengthbasedontolerance当运动在Baseline公差范围内，该运动将被标记为“良好”；超出基线公差运动将被标记为“警戒”；周期持续时间超过“nTol”值将被标记为“警告”；周期超过“Tol”值-这将在“Hotspots”屏幕上显示这些可能出现故障的运动。在构建智能生产线设备心电图时，包络线是表征动作时长浮动范围的重要特征，直观地反映了动作时长超出基准范围的程度。式(3-9)给出了某序列包络线的计算公式，EvpU代表包络线上限范围取值，选取k次随机抽样，123,,,...,JJPpppp()JfP代表其中某次采样值。基于设备状态恶化会导致运动的周期变长的特性，本文在智能生产线设备心电图中采用了包络线的上限值。
【参考文献】：
期刊论文
[1]基于多粒度的多源数据知识获取[J]. 万青,马盈仓,魏玲. 山东大学学报(理学版). 2020(01)
[2]考虑非固定提前期的生产计划和预防性维护联合优化模型[J]. 黄剑秋,王丽亚. 计算机集成制造系统. 2020(03)
[3]大数据结构化与数据驱动的复杂系统维修决策[J]. 韩中,程林,熊金泉,刘满君. 自动化学报. 2020(02)
[4]基于博弈论的移动边缘计算任务调度研究[J]. 林涛,秦冬阳,马同宽,董栅. 计算机仿真. 2018(11)
[5]基于深度学习的航空发动机故障融合诊断[J]. 车畅畅,王华伟,倪晓梅,洪骥宇. 北京航空航天大学学报. 2018(03)
[6]大数据下机械智能故障诊断的机遇与挑战[J]. 雷亚国,贾峰,孔德同,林京,邢赛博. 机械工程学报. 2018(05)
[7]基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断[J]. 时培明,梁凯,赵娜,安淑君. 中国机械工程. 2017(09)
[8]主动制造——大数据驱动的新兴制造范式[J]. 姚锡凡,周佳军,张存吉,刘敏. 计算机集成制造系统. 2017(01)
[9]大数据驱动的智能车间运行分析与决策方法体系[J]. 张洁,高亮,秦威,吕佑龙,李新宇. 计算机集成制造系统. 2016(05)
[10]过程工业大数据建模研究展望[J]. 刘强,秦泗钊. 自动化学报. 2016(02)
博士论文
[1]基于关键性能指标的数据驱动故障检测方法研究[D]. 王光.哈尔滨工业大学 2016
[2]复杂装备故障预测与健康管理关键技术研究[D]. 李向前.北京理工大学 2014
[3]基于知识管理的设备故障智能诊断模型研究[D]. 秦大力.湖南大学 2014
[4]Petri网的优化协调控制理论及其应用研究[D]. 方欢.合肥工业大学 2013
[5]基于人工免疫系统的机组复合故障诊断技术研究[D]. 岑健.华南理工大学 2010
[6]基于多Agent系统的动态任务分配研究[D]. 马巧云.华中科技大学 2006
硕士论文
[1]基于深度学习的航空发动机可靠性分析[D]. 洪骥宇.南京航空航天大学 2018
本文编号：3261172
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3261172.html
