基于深度学习的电力设备运行状态实时监控方法

传统电力设备在使用的过程中易发生运行状态分析残差高等一系列问题,导致运行效率较低,因此,现提出基于深度学习的电力设备运行状态实时监控方法。首先,基于深度学习算法采集变压器数据。其次,智能监控与识别电力设备运行状态,保证了电力设备的安全运行,使得置信风险最小。最后,将电力设备运行状态数据进行可靠存储。实验结果 ：基于深度学习的电力设备运行状态实时监控方法在检测出异常状态的时间明显低于传统机器学习方法1、方法2。相较于文中方法,方法1最多所需时间要多出16.06s,方法2最多所需时间要多出20.48s,证明了文中方法的有效性。     

基于数字孪生的零件智能制造车间调度云平台

零件制造车间中工作要素路径的未知性、时间的不确定性,以及生产要素信息的孤立性,严重影响了车间调度的有效运行。基于数字孪生技术提出一种解决零件智能制造车间调度问题的新方法——调度云平台,构建了调度云平台的框架模型以及调度工作流程;搭建了调度云平台的全生命周期监控系统,监控产品的实时运行状态;基于全生命周期监控系统实时监控的数据,利用大数据分析技术对车间生产过程中多源动态扰动进行预测和诊断,在此基础上提前由调度云平台对动态扰动制定相应扰动策略;为阐述如何将所提模型落地,以某企业零件智能制造车间为例,对调度云平台模型进行应用验证,同时指出了基于数字孪生的零件智能制造车间未来的工作方向。     

基于数据驱动的复杂多阶段产品质量预测研究

针对复杂多阶段(多质量属性)产品在最终制造阶段进行质量预测时,难以对造成质量异常的潜在工艺参数进行在线溯源及实时优化导致质量预测精度较低的问题.提出数据驱动的复杂多阶段产品质量预测模型.首先,通过对历史工艺参数和质量数据应用基于规则的深度置信网络(RBDBN)形成各阶段质量分类规则及应用动态自适应模型对制造过程中异常工...     

多品种小批量制造过程工序质量动态控制方法研究

针对某电梯零/部件制造企业对产品制造过程工序质量可控性的要求,结合电梯零/部件制造企业多品种小批量机加工车间存在的质量样本数据少且数据实时采集困难、质量状态实时监控及预警不准确等问题,提出了集制造过程质量数据智能采集、工序质量实时监测以及质量预警三层技术的多品种小批量制造过程工序质量动态控制方法。对其中基于无线射频识别(RFID)的产品工序质量数据实时采集方法、基于多图联合控制的小样本统计过程控制(SPC)工序质量控制方法以及基于T-S模糊神经网络的工序质量预警方法进行了研究。最后,通过实例验证了该制造过程工序质量动态控制方法的可行性。     

基于DBN模型的航空液压管路故障诊断方法

为了解决航空发动机液压管路系统中管路故障诊断困难的问题,提出了一种基于深度置信网络(Deep Belief Networks,DBN)的航空液压管路智能故障诊断方法.首先,将采集的液压管路振动数据进行处理,提取出时频域特征参数,其次,将时频域特征参数作为输入样本,输入到深度置信网络模型中,利用深度置信网络模型进行液压管路故障的识别;最后,将本方法应用于航空液压管路模拟故障实验数据中,同时将本文方法与BPNN和SVM等方法进行对比分析,结果表明:本方法对液压管路故障的总体准确率达到99.27％,平均AUC值达到0.993 7,同时表明本文建立的分类模型不仅能够实现航空液压管路状态的准确分类,而且对于管路单一故障和多故障并发情况也能精准识别.     

基于RFID技术的离散制造车间实时数据采集与可视化监控方法

为提高离散制造车间多品种、小批量生产过程的透明度和生产决策制定的实时性,提出一种基于无线射频识别技术的离散制造车间实时数据采集和可视化监控方法。在提出4种典型无线射频识别监控模式的基础上,揭示了离散制造车间中无线射频识别技术应用的本质,为无线射频识别配置提供指导。设计了一种事件驱动的无线射频识别数据采集单元模型,用于采集零件的状态、事件、时间、质量等实时信息;基于该模型依次建立了加工工序、工序流、批次与批量的无线射频识别监控模型,实现了对离散制造车间生产过程的可视化监控;提出一种无线射频识别数据处理方法,为车间可视化监控提供了业务逻辑信息。设计了基于无线射频识别的车间数据采集与监控系统的功能架构,并开发了相应的原型系统,通过简单的案例验证了所提方法和模型的可行性。     

刀具磨损状态识别与智能监测方法综述

刀具作为机械生产中机床加工所使用的关键执行件,其磨损状态识别和智能监测技术对于提高生产效益具有重要意义。传统的刀具磨损信号分析都是利用经验方法分解提取出信号特征来对信号特征进行解析,无法实现智能化监测。随着大数据时代的到来和深度学习算法的不断优化和改进,诸如卷积神经网络、深度置信网络、稀疏自动编码器等算法的应用越来越广泛,因此可以利用大数据平台,将深度学习算法与现代传感器技术、计算机技术、信号采集存储技术相结合,实现刀具磨损状态识别和智能监测。大数据技术和人工智能技术在机械工业生产中的结合应用是当今时代的必然发展趋势。     

基于云平台的远程机泵监控诊断系统设计与实现

为了提升机泵运行的安全性、可靠性,研究了基于云平台和运行大数据的设备健康状态监测诊断模式,设计了远程在线监测与智能诊断系统,实现了集在线监测、远程监控、远程诊断、故障匹配识别于一体的智能高效监测诊断模式。实际应用表明,该系统实现了远程监控的目的,能够较好地接收和传输状态信息数据,可以满足远程实时监控的需求,并为后续进行设备故障诊断和分析提供依据。     

轧机伺服液压缸内泄漏故障诊断研究

针对目前轧机伺服液压缸故障诊断过程中,故障特征提取困难,信号非线性变化,数据量大的问题,提出了一种基于深度置信网络的轧机伺服液压缸故障诊断的方法.根据轧机系统工作原理,建立轧机系统仿真模型,对轧机内泄漏故障状况进行模拟.利用深度置信网络在智能故障诊断的优越性,将信号归一化处理后放入深度置信网络进行训练,然后通过反向传播...     

基于相关能量波动评估的学习样本筛选与深度置信神经网络的滚动轴承故障诊断研究

在数据驱动的滚动轴承状态智能辨识中,针对辨识模型构建过程中由于学习样本“质量差”造成其故障识别率低的问题,提出一种如何筛选学习样本的准则来提升基于深度置信神经网络滚动轴承智能辨识模型识别率的方法。首先,基于变分模态分解将具有时变调制特性的滚动轴承振动信号分解为有限个表征原信号不同成分的本征模函数分量;其次,根据其故障能量波动及其相关来量化并评估上述每个分量包含故障成分的比重,并据此对振动信号进行筛选重构来获取学习样本;最后,将上述学习样本集作为深度置信网络的输入来构建滚动轴承的故障辨识模型。实验结果表明,所提方法不仅筛选出滚动轴承振动信号中包含故障主成分的本征模函数分量并实现学习样本集构建,而且提高了基于振动数据的滚动轴承状态辨识模型的故障识别率。     

基于深度学习理论的机械装备大数据健康监测方法

机械装备正在朝着高速、高精、高效方向发展,为了确保这些装备的健康运行,健康监测系统采集了海量数据来反映机械的健康状况,促使机械健康监测领域进入了“大数据”时代。机械大数据具有大容量、多样性与高速率的特点,研究和利用先进的理论与方法,从机械装备大数据中挖掘信息,高效、准确地识别装备的健康状况,成为机械装备健康监测领域面临的新问题。深度学习理论作为模式识别和机器学习领域最新的研究成果,以强大的建模和表征能力在图像和语音处理等领域的大数据处理方面取得了丰硕的成果。结合机械大数据的特点与深度学习的优势,提出了一种新的机械装备健康监测方法。该方法通过深度学习利用机械频域信号训练深度神经网络,其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状况的智能诊断,因此克服了传统智能诊断方法的两大缺陷：需要掌握大量的信号处理技术结合丰富的工程实践经验来提取故障特征;使用浅层模型难以表征大数据情况下信号与健康状况之间复杂的映射关系。试验结果表明,该方法实现了多种工况、大量样本下多级齿轮传动系统不同故障位置不同故障类型的故障特征自适应提取与健康状况准确识别。     

[数据建模]面向智能生产维护的大数据建模分析方法

从当前的车间离散制造过程大数据应用特性出发,基于车间智能代理,实现了制造过程大数据的采集、处理分析,建立的制造过程大数据采集模型可实现对工序数据集的封装。采用基于聚类的方法对工序数据集进行离群点检测标记,实现对制造资源生产状态的描述与量化。建立了工序级数据特征模型,结合改进的相似元分析方法,对工序过程数据多层次包装描述和制造工序的相似性进行了评价。开发了车间底层智能管理系统,并将其运用于企业生产实际。     

MapReduce Based Parallel Bayesian Network for Manufacturing Quality Control

Increasing complexity of industrial products and manufacturing processes have challenged conventional statistics based quality management approaches in the circumstances of dynamic production. A Bayesian network and big data analytics integrated approach for manufacturing process quality analysis and control is proposed. Based on Hadoop distributed architecture and MapReduce parallel computing model, big volume and variety quality related data generated during the manufacturing process could be dealt with. Artificial intelligent algorithms, including Bayesian network learning, classification and reasoning, are embedded into the Reduce process. Relying on the ability of the Bayesian network in dealing with dynamic and uncertain problem and the parallel computing power of MapReduce, Bayesian network of impact factors on quality are built based on prior probability distribution and modified with posterior probability distribution. A case study on hull segment manufacturing precision management for ship and offshore platform building shows that computing speed accelerates almost directly proportionally to the increase of computing nodes. It is also proved that the proposed model is feasible for locating and reasoning of root causes, forecasting of manufacturing outcome, and intelligent decision for precision problem solving. The integration of bigdata analytics and BN method offers a whole new perspective in manufacturing quality control.     

基于迁移学习的数控机床节能控制决策方法

为降低机床等待过程的能耗,提出了基于迁移学习的数控机床节能控制决策方法。通过分析机床的节能控制条件,提出了机床等待过程的5种节能控制策略。考虑生产过程数据的多样性与复杂性,建立了融合深度置信网络与迁移学习的机床节能决策方法,电梯零部件制造车间的案例分析表明该方法的机床节能决策误差仅为3.2%,机床等待过程总能耗降低了52.5%。     

深度学习融合模型在机械故障诊断中的应用

为了解决浅层学习与传统深度学习模型因机械装备结构复杂、工作环境噪声和大数据等因素引起的诊断困难问题,提出了一种基于降噪自编码器和深度信念网络的融合模型,来实现高效准确的故障诊断。首先,降噪自编码器用于处理原始信号的随机噪声并学习低层特征;其次,深度信念网络用基于所学习的低层特征来学习深层特征;最后,将深度特征输入粒子群支持向量机中,对诊断模型进行训练。所提出的方法被应用于滚动轴承的故障诊断,结果表明与现有方法相比,该方法更加有效和鲁棒。     

An Intelligent Fault Diagnosis Method of Multi-Scale Deep Feature Fusion Based on Information Entropy

For a single-structure deep learning fault diagnosis model,its disadvantages are an insufficient feature extraction and weak fault classification capability.This paper proposes a multi-scale deep feature fusion intelligent fault diagnosis method based on information entropy.First,a normal autoencoder,denoising autoencoder,sparse autoencoder,and contractive autoencoder are used in parallel to construct a multi-scale deep neural network feature extrac-tion structure.A deep feature fusion strategy based on information entropy is proposed to obtain low-dimensional features and ensure the robustness of the model and the quality of deep features.Finally,the advantage of the deep belief network probability model is used as the fault classifier to identify the faults.The effectiveness of the proposed method was verified by a gearbox test-bed.Experimental results show that,compared with traditional and existing intelligent fault diagnosis methods,the proposed method can obtain representative information and features from the raw data with higher classification accuracy.     

基于OPC UA的智能制造车间数据通信技术及应用

为实现多种设备的数据通信和统一信息管理,提出了一种基于OPC统一架构（OPC UA）的智能制造车间数据通信技术,对其通信原理和网络架构进行了讨论,提出了OPC UA与工业机器人操作系统ROS和传感器嵌入式系统等设备的整合方案,并在案例研究中详细讨论了基于Python语言的数据通信程序设计方法,开发了基于OPC UA的车间制造执行层（MES）机器人监控模块。实际应用结果表明,基于OPC UA的数据通信技术具有很高的通用性和兼容性,可有效实现智能车间设备信息的数据集成和统一管理。     

[学科发展]大数据驱动的智能制造

数据是未来制造业的核心要素,工业大数据分析是赋予制造“智能”的关键。系统分析了大数据驱动的智能制造的科学范式、理论方法与使能技术,阐述了应用方向与工业实践;根据“第四范式：数据密集型科学发现”,提出了“关联-预测-调控”的大数据驱动智能制造科学范式;根据数据处理流程,总结了融合处理、关联分析、性能预测与优化决策四位一体的方法体系。围绕边缘层、平台层和应用层设计大数据平台,介绍了大数据驱动智能制造的使能技术;从智能设计、计划调度、质量优化、设备运维四个角度,综述工业大数据驱动的智能制造应用现状。     

基于实时信息驱动的制造过程可视化监控平台

针对目前由于缺乏有效的手段支持离散制造过程实时监控,导致生产车间透明程度低、信息流实时性差等问题,采用面向对象的方法构建制造资源本体模型(ROM)和一种支持生产系统实时监控的对象模型(IMPV),并定义了IMPV的对象数据模型、可视化表征模型、对象操作模型和信息交互控制模型。在此基础上,设计并实现了一种支持制造过程实时可视化监控的体系架构,详细讨论了IMPV的实例化方法以及基于规则映射的资源感知与信息集成模式,最后将该可视化监控系统应用于某发动机装配车间中,取得了良好的应用效果。     

[智能设计与计划调度]工业大数据环境下的智能服务模块化设计

通过对制造与服务融合中服务运作环境和服务主体需求的分析,提出了一种智能服务的模块化设计方法,该方法采用工业大数据和模块化技术构建智能服务模块体系,包含智能服务大数据环境、智能服务模块分解和智能服务模块优化。利用工业大数据分析智能服务应用、技术和管理三个维度的关系,建立智能服务的模块化设计策略,确定智能服务的初始化模块分解,再基于结构矩阵模型将智能服务初始化模块优化为智能服务模块。通过具体实例的应用,证明了工业大数据环境中智能服务模块化设计策略的可行性和优越性。