【摘 要】
:
智能制造是工业信息化后的必由之路。在纺织业信息化转型取得一定成果之际,应考虑更好地利用大数据挖掘信息助力生产应用。并条机是结构复杂的纺织机械设备,从其监控质量参数波谱图中能提炼出丰富的设备状态信息,对设备的故障预防和健康管理极具应用价值。这种应用适合在靠近生产终端的网络边缘场景中运行,既能保障服务在边缘侧运行的可靠性和稳定性,又能减少服务对云端计算和存储能力的依赖。因此本文设计了面向云边协同的并条
【基金项目】
:
工信部工业和信息化领域公共服务能力提升专项项目——基于边缘计算的物联网技术测试验证;
论文部分内容阅读
智能制造是工业信息化后的必由之路。在纺织业信息化转型取得一定成果之际,应考虑更好地利用大数据挖掘信息助力生产应用。并条机是结构复杂的纺织机械设备,从其监控质量参数波谱图中能提炼出丰富的设备状态信息,对设备的故障预防和健康管理极具应用价值。这种应用适合在靠近生产终端的网络边缘场景中运行,既能保障服务在边缘侧运行的可靠性和稳定性,又能减少服务对云端计算和存储能力的依赖。因此本文设计了面向云边协同的并条机故障诊断与健康管理(Prognostics Health Management,PHM)系统。将云端强算力和边缘端高实时优势结合起来实现对现场并条机运行状态的快速诊断及健康管理。首先,将基于机器学习的数据分析技术与生产管理的需求相结合,设计了面向云边协同的并条机PHM系统的云-边-端总体架构,分析了各部分的功能需求及实现方案。其次,结合前期从纺织装备企业并条机采集和存储的波谱图数据,将并条机机械传动部分的机械故障与波谱图数据进行了关联分析,并按照得出的故障识别规则对存储的历史波谱数据添加了类别标签,将故障诊断转化为机器学习领域的分类识别问题,将多种典型机器学习算法在并条机波谱图数据的识别应用进行了对比分析。最后,基于KubeEdge框架完成了PHM系统开发:通过容器化应用完成云边应用统一架构;通过边缘本地化存储元数据实现边缘端服务离线自治;通过将云原生的容器编排和调度能力迁移到边缘端实现云边资源协同;通过云端训练分类模型,边缘端运用模型推理实现云边智能协同;通过边端对实时数据处理和诊断分析,根据健康评估结果指导生产和设备维修决策。最终实验验证了并条机PHM系统云边协同等各方面能力,包括系统集群统一管理、云边资源协同、云边智能协同和边缘离线自治等功能都表现良好。
其他文献
机械臂拖动示教具有简单、高效等优点,广泛应用于装配、喷涂等自动化领域。实际应用中,通常采用在机械臂末端或关节安装力矩传感器的方式获取拖动力,完成示教。但由于力矩传感器价格昂贵、安装不方便,且示教数据存在冗余,导致拖动示教应用成本高、效率低。为此,本文提出一种基于电流反馈的拖动示教控制方法。基于机械臂拖动示教功能需求,分别研究基于阻抗控制的机械臂拖动策略和示教数据后处理技术,提出了基于电流反馈的机械
颤振是机床的一种自激振动,颤振会导致工件表面加工质量降低、刀具磨损加重以及加工噪音增大等问题。在实际加工过程中,常常使用解析法生成稳定性叶瓣图,设置合理的切削参数规避颤振,但是求解稳定性叶瓣图过程复杂,所求的稳定性叶瓣图实际效果并不准确。本文提出基于小波变换和卷积神经网络的离线颤振检测方法,与基于离散主轴转速调谐的颤振抑制方法。本文主要开展了以下三个方面的工作:(1)关于铣削稳定性的研究。针对不易
SiCp/Al复合材料由于综合性能优异,被广泛应用于航天航空、国防、电子和光学等重要领域。该材料是一种典型的难加工材料,加工中会发生严重的刀具磨损,对加工零件表面完整性产生不利影响。研究其精密切削加工中刀具磨损过程,建立刀具磨损率模型,开展考虑刀具磨损的SiCp/Al复合材料精密切削仿真建模研究,基于仿真数据和实验数据对已切削表面亚表层损伤层厚度进行快速精确预测,对改进加工工艺,提升加工质量有重要
数控机床进给系统的高精度建模与仿真技术是提升机床运动控制性能的重要方法,当前进给系统建模通常需要研究人员利用Simulink等专业软件来进行,难以在车间中应用。为此,本文将建模与仿真过程的技术环节进行规范和约简,在数控系统中开发一款智能化的建模与仿真软件(Cyberfeeding),降低建模的实现难度,直接在数控机床上实现基于其自身模型的仿真和补偿功能。针对当前常用的数控机床进给系统的建模工具过于
3D混凝土打印是当前智能建造领域的热点研究方向,具有施工速度快、精度高、可实现复杂几何形状加工的特点。打印过程中及时获取构件成形质量和加工缺陷情况,判断当前打印状态并反馈修正打印系统参数,能有效提升打印质量。由于作业现场环境复杂,要将现有视觉测量技术应用于打印过程中,还面临着光线不稳定、构件遮挡等问题,且目前暂无高效、安全的现场数据可视化方案。为此,本文针对三维重建方法、几何误差检测、混合现实等关
铣削加工作为常用加工方式有着重要的研究意义,本文针对铣削加工常用铣刀的姿态与进给速度两个重要参数分别提出了基于姿态-力矩分布图的刀姿优化方法和基于优化矩阵的进给速度优化方法,有效结合两种方法能够在降低负载的基础上进一步扩大进给速度的优化空间,既保证了加工质量又能较大程度的提高加工效率。本文在研究切削理论的同时分析了不同加工参数对于切削力的影响,探究了斜角切削预测中存在的误差。详细分析了铣削力矩对于
本文中作者提出了基于雾计算和随机森林算法的变压器温度多源监测和故障预测方法,通过多种传感装置实现了变压器温度数据的实时监测,通过边缘物联装置构建雾计算节点实现了数据本地汇集和处理,采用数据融合和随机森林算法实现了变压器过热故障的预测预警。试验结果表明,文章提出的方法有效实现了变压器过热故障的实时监测,具备较好的可行性和实用性。
基于BP神经网络收敛速度慢,在预测时易陷入局部极小值陷阱的问题,提出一种基于GASA-BP的预测方法,GA和SA协同优化BP神经网络,使得GASA-BP预测模型同时具备较强的全局搜索能力和跳出局部最优解的能力。BiLSTM是LSTM的一种特殊形式,BiLSTM充分考虑了时间序列数据前后节点之间的相关性,有效提取信号中的时间特征,具有更优秀的分类能力。基于此,提出一种基于GASA-BP-BiLSTM
卷积神经网络已经广泛应用于轴承的缺陷识别领域,但是在噪声环境和跨工况自适应问题中无法表现出优势,而脉冲神经网络具有良好的鲁棒性和泛化性。在脉冲学习方法中,基于速率学习的方法生物合理性差,脉冲时序依赖可塑性方法难以训练大规模的网络。针对上述问题,本文提出一种基于注意力机制的多尺度脉冲卷积神经网络的轴承缺陷识别方法,实现对生物神经系统高度仿真,同时提高识别准确性和跨工况自适应性。本文主要研究内容如下。
避免旋转设备停机维修造成的经济损失,提出基于改进CNN的旋转设备转子振动故障预测仿真。利用采集器、传感器、应用软件等设备构成信号采集系统,采集旋转设备转子的振动信号;利用小波阈值去噪算法确定小波基和分解层数,分解初始信号,去除低频噪声,重构分解后的信号;根据频带能量不同提取不同故障振动特征;建立卷积神经网络模型,确保每个卷积层均与下采样层连接,减少网络复杂度;将预处理后信号作为网络输入,确定学习率