基于深度神经网络的车间生产异常发现与分析方法研究

摘要

得益于云计算、物联网、大数据与人工智能等新一代信息技术的发展、融合与应用，在制造业领域中，一种新的模式一“云制造”被提出。云制造正推动着传统的制造执行系统(Manufacturing Execution System，MES)向智能制造系统转化。特别是我国全面实施“中国制造2025”重大战略以来，制造业企业不断地将新技术融入到制造过程，逐步解决了传统MES的许多难题，从而MES也得到了迅速发展，但是新技术应用于传统MES也产生了一系列新的问题。为此，从以下三方面对制造执行系统进行深入的研究。
　　首先，为使MES系统适应制造大数据环境，从数据存储方面对其进行了改进，提出了适应大数据环境的存储方案。针对MES系统对生产过程的管理建立在大量的制造数据基础之上的特点，将非关系型数据库和内存数据库进行结合，共同作为MES系统的存储介质。这种优化的数据存储方式，既解决了半结构化和非结构化特征数据的存储问题，又具有高效的数据访问能力和高扩展性。通过对实时数据的高效存储，可以实现系统对数据的快速访问，提高系统处理速度和响应时间。同时对海量历史生产数据的存储，也使得企业可以从更加宏观的角度对生产进行管理，使车间的数据统计和分析更加有意义。
　　其次，为了有效地解决制造企业中车间生产异常难以有效管控的问题，提出了基于深度神经网络的车间生产异常发现方法。并对导致生产异常的影响因素，建立了高效合理的分类体系，根据各个影响因素钓具体特征，给出了相应的量化方法。通过对各种影响因素和生产异常的分析，以优化的数据存储方式为基础，建立了生产异常预测模型，伎英可以对质量和交付期异常进行实时预测。该模型以深度神经网络为预测核心，使用数据库中的影响因素和生产异常信息作为训练数据，实时生产信息作为预测数据。该方法可以在加工生产过程中对产品质量和交付期可能产生的异常进行监控和跟踪，为生产管理提供数据基础。
　　最后，为进一步降低各种异常影响因素对加工生产的影响，对影响因素与生产异常的相关关系，以及这种关系的强弱进行研究和分析，得出了各种异常影响因素的重要程度。并针对设备、工序、人员等主要异常影响因素关联实体进行研究，提出了相应的影响因素处理方法。以设备为例，从关键切削设备入手，提出了一整套基于深度神经网络的关键设备刀具剩余寿命预测方法，从设备高效维护的角度降低了设备对加工生产的影响，同时也达到了避免异常发生的目的。
　　综上所述，本文从数据存储、异常发现和异常处理三个方面，对现有MES系统进行了改进，并针对异常发现和处理提出了具体的解决方案，使用深度神经网络等方法，将人工智能技术应用到了MES系统中。通过对方案中所提出的模型进行测试，验证了该方法的可行性，该方法能够为解决制造企业的其它生产制造问题提供有益的借鉴和参考。

目录

声明

摘要

第1章 绪论

1．1 课题研究的背景和意义

1．2 国内外研究现状

1．2．1 车间生产异常发现技术

1．2．2 制造大数据存储

1．2．3 深度神经网络方法

1．3 课题的来源及研究内容

1．3．1 课题来源

1．3．2 课题的主要研究内容

1．4 本文的组织结构与章节安排

第2章 智能车间生产异常发现与处理系统架构设计

2．1 MES与智能车间异常发现及处理系统

2．2 制造大数据的优化存储

2．3 车间生产异常智能发现与处理方法

2．4 本章小结

第3章 基于DNN的车间生产异常发现方法

3．1 异常影响因素分析

3．1．1 影响指标的分类

3．1．2 影响指标的量化方法

3．1．3 因素影响结果分析

3．2 DNN预测模型的建立

3．2．1 稀疏自编码器的构建

3．2．2 时序型多Softmax分类器构建

3．2．3 深度神经网络构建

3．2．4 输出处理

3．3 案例验证

3．4 本章小结

第4章 智能车间生产异常分析与处理方法

4．1．1 时空类影响因素相关性分析

4．1．2 静态类影响因素相关性分析

4．1．3 动态类影响因素相关性分析

4．1．4 异常影响因素的综合分析

4．2 基于DNN的生产设备高效维护

4．2．1 刀具剩余寿命预测方法

4．2．2 刀具磨损状态监控分析技术

4．2．3 基于深度神经网络的预测模型

4．2．4 案例验证

4．3 工序、人员等异常关联实体的高效维护

4．3．1 基于关键路径分析的偏离工序处理

4．3．2 与人员及其他实体相关的异常影响因素处理

4．4 本章小结

第5章 智能车间生产异常发现与处理系统实现

5．1 系统概述

5．2 系统设计

5．2．1 架构设计

5．2．2 模块设计

5．3 系统实现

5．3．1 计划制定与任务管理模块

5．3．2 异常发现与处理模块

5．3．3 数据存储与控制交互模块

5．4 本章小结

结论

参考文献

攻读硕士学位期间所发表的学术论文

致谢