發(fā)布時間：2021-04-19 03:31

　　智能制造裝備是智能制造的主要體現(xiàn)載體,已成為當今工業(yè)國家的競爭目標。然而當前智能制造裝備的定時監(jiān)測和事后維修等常規(guī)運維方法不能滿足實時監(jiān)控的目的。本文以設備心電圖為中心,針對糖果包裝產線上的下料機器人的故障預測及診斷等方面展開研究,結合最新的堆疊降噪自編碼網絡,提出了基于設備心電圖的智能制造裝備實時故障診斷新方法,并將設備心電圖應用到機器人故障診斷中,實驗結果證明了提出方法的有效性。本文的主要工作如下:（1）分析研究了實現(xiàn)智能制造設備心電圖的關鍵技術問題。將心電圖技術應用到了機械裝備上,并對實現(xiàn)設備心電圖的關鍵技術:裝備狀態(tài)定義、數(shù)據(jù)預處理、基線建模等展開了研究。在分析大量數(shù)據(jù)的基礎上,分別定義了智能制造裝備運行過程中的四種狀態(tài),即:Good、Watch、Warning以及Abnormal value。提出改進的萊茵達準則對采集的數(shù)據(jù)進行預處理。改進之處在于每組數(shù)據(jù)以2.1*Abnormal value為上限,這樣就能去除數(shù)據(jù)中較為明顯的粗大誤差。智能制造裝備運行過程中,每個子動作的時長是否符合時間要求需要一個度量標準,基線值的作用就在于此。通過大量的數(shù)據(jù)分析,本文中建立了心電圖的基線... 

【文章來源】：江西理工大學江西省

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【部分圖文】：

傳感器串口對應端口號當傳感器、電腦連接無誤后，打開上位機軟件，選擇好串口的COM，設置計算機串口通信的速率為9600bps，模塊類型選擇Can

第三章設備心電圖可視化方法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)心電圖實時可視化圖像見圖3.7。圖3.7設備心電圖3.4本章小結選取振動傳感器中采集的Y軸加速度為實驗數(shù)據(jù).利用Python的易讀，可擴展性等優(yōu)點，讀取串口數(shù)據(jù)。采集的數(shù)據(jù)采用第二章提出的方法剔除粗大誤差并進行分類，顯示為不同顏色的心電圖，對智能制造裝備的運行狀況進行實時細粒度的監(jiān)測。

第四章基于設備心電圖與深度學習的智能制造裝備狀態(tài)識別31集，每個子數(shù)據(jù)集都定義了一個不同的學習問題，其特征信息和類別分布見表4.5。表4.5REF特征信息及類別分布數(shù)據(jù)集實例樣本數(shù)分類數(shù)目每類特征樣本數(shù)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%選取LP5數(shù)據(jù)集進行測試，為了提高算法的泛化性，對數(shù)據(jù)集進行擴充，即隨機改變其子數(shù)據(jù)集中每個實例的位置，得到擴充后的樣本容量8000組，選取其中的80%為訓練集，剩下的為測試集。Ⅱ神經網絡超參數(shù)選擇對于神經網絡隱含層層數(shù)的選擇，經過了對訓練數(shù)據(jù)集的反復實驗，實驗結果見圖4.7。當隱含層層數(shù)從1到3時，網絡重構誤差有明顯的下降趨勢，隱含層層數(shù)大于3時，網絡重構誤差產成微小的變化。因此當隱含層層數(shù)為3時，神經網絡已經能從訓練數(shù)據(jù)集中學習到有用的特征信息，這樣既能獲得較小的時間消耗，又能使網絡快速收斂。因此，本文中改進的堆疊降噪自編碼網絡的隱含層層數(shù)為3。圖4.7隱含層層數(shù)選擇神經網絡輸入層可見節(jié)點數(shù)的選擇取決于訓練矩陣的維度。第一層隱含層節(jié)點數(shù)的

【參考文獻】：
期刊論文
[1]基于小波BP神經網絡的風電機組變槳系統(tǒng)故障預測[J]. 肖成,焦智,孫介濤,張磊,宋玉彬,石瑩.  可再生能源. 2017(06)
[2]基于稀疏自動編碼深度神經網絡的感應電動機故障診斷[J]. 孫文珺,邵思羽,嚴如強.  機械工程學報. 2016(09)
[3]智能制造——“中國制造2025”的主攻方向[J]. 周濟.  中國機械工程. 2015(17)
[4]先進制造技術與新工業(yè)革命[J]. 周佳軍,姚錫凡.  計算機集成制造系統(tǒng). 2015(08)
[5]基于BP網絡的開關電源故障診斷方法研究[J]. 謝香峰,雷電,孫承波.  電子測量技術. 2012(08)
[6]基于Elman神經網絡的齒輪故障診斷研究[J]. 賈文銅,周瑞祥,張忠,王卓健,郭基聯(lián).  計算機測量與控制. 2012(05)
[7]焊裝作業(yè)時間標準的制定和生產線再設計:案例研究[J]. 范旭.  工業(yè)工程. 2009(05)
[8]一種模型驅動的交互式信息可視化開發(fā)方法[J]. 任磊,王威信,周明駿,滕東興,馬翠霞,戴國忠,王宏安.  軟件學報. 2008(08)
[9]神經網絡故障診斷技術的可實現(xiàn)性[J]. 聞新,周露.  導彈與航天運載技術. 2000(02)

碩士論文
[1]基于改進堆疊降噪自編碼網絡的軸承故障診斷研究[D]. 侯文擎.華南理工大學 2017



本文編號：3146743