论文部分内容阅读
在工业生产向智能化转型的时期,仍有大量制造业处于传统的生产模式,存在信息传递慢、综合生产管理难,以及工艺参数调控复杂等问题,导致决策与实际生产脱节。针对这一问题,本文以包装行业中铝箔内衬纸生产为研究对象,设计了一套基于物联网的生产设备状态监测系统,对生产车间的各个工位设备生产状态数据进行采集与实时监测,以及时应对生产中出现的各种异常情况,同时以直观的方式监测生产;同时本文针对工业生产中的产品质量预测方面,提出了一种具有普遍适用性的分析方法,通过集成学习中的XGBoost算法构建产品质量预测模型,进行产品良品率的预测,以改善质量控制中人工调控的低效率、低准确率现象。首先,提出了车间设备生产状态监测与数据分析系统的总设计方案与整体结构,包括由传感器终端设备与上位机监控组态软件组成的监测系统,以及基于XGBoost算法构建的数据分析预测模型。其次,设计了一套基于物联网的数据采集监测系统,通过传感器仪表组合架构完成多工位设备的状态数据采集,并通过灵活的组网方式实现网络通信功能;同时在上位机中对工业组态软件进行组态界面及功能的设计,完成生产监测系统。综合搭建了车间监测网络,为生产管理及数据分析预测提供信息来源。在数据分析方面,利用采集到的数据进行内衬纸复合表面质量预测。针对数据中存在的杂乱、变量类型多样化(数值、文本、图像、音频等)特点,以及数据分布不均的情况,引入机器学习中对数据适应性较强的集成学习,并利用其中表现优异的极端梯度提升算法(XGBoost)建立工业产品质量预测模型,输入数据进行模型训练与评估。通过实验分析了极端梯度增强(Extreme Gradient Boosting,XGBoost)、随机森林(Random Forest)模型与梯度提升树(Gradient Boosting Decision Tree)三种模型在质量预测上的效果,结果对比证明前者XGBoost的表现要优于后两种模型,且对于不平衡数据处理有良好表现,以此验证了该算法模型的性能与有效性。