基于深度神經(jīng)網(wǎng)絡的車間生產(chǎn)異常發(fā)現(xiàn)與分析方法研究.pdf

1、得益于云計算、物聯(lián)網(wǎng)、大數(shù)據(jù)與人工智能等新一代信息技術的發(fā)展、融合與應用，在制造業(yè)領域中，一種新的模式一“云制造”被提出。云制造正推動著傳統(tǒng)的制造執(zhí)行系統(tǒng)(Manufacturing Execution System，MES)向智能制造系統(tǒng)轉(zhuǎn)化。特別是我國全面實施“中國制造2025”重大戰(zhàn)略以來，制造業(yè)企業(yè)不斷地將新技術融入到制造過程，逐步解決了傳統(tǒng)MES的許多難題，從而MES也得到了迅速發(fā)展，但是新技術應用于傳統(tǒng)MES也產(chǎn)生了一系列新

2、的問題。為此，從以下三方面對制造執(zhí)行系統(tǒng)進行深入的研究。
　　首先，為使MES系統(tǒng)適應制造大數(shù)據(jù)環(huán)境，從數(shù)據(jù)存儲方面對其進行了改進，提出了適應大數(shù)據(jù)環(huán)境的存儲方案。針對MES系統(tǒng)對生產(chǎn)過程的管理建立在大量的制造數(shù)據(jù)基礎之上的特點，將非關系型數(shù)據(jù)庫和內(nèi)存數(shù)據(jù)庫進行結合，共同作為MES系統(tǒng)的存儲介質(zhì)。這種優(yōu)化的數(shù)據(jù)存儲方式，既解決了半結構化和非結構化特征數(shù)據(jù)的存儲問題，又具有高效的數(shù)據(jù)訪問能力和高擴展性。通過對實時數(shù)據(jù)的高效存儲，可以

3、實現(xiàn)系統(tǒng)對數(shù)據(jù)的快速訪問，提高系統(tǒng)處理速度和響應時間。同時對海量歷史生產(chǎn)數(shù)據(jù)的存儲，也使得企業(yè)可以從更加宏觀的角度對生產(chǎn)進行管理，使車間的數(shù)據(jù)統(tǒng)計和分析更加有意義。
　　其次，為了有效地解決制造企業(yè)中車間生產(chǎn)異常難以有效管控的問題，提出了基于深度神經(jīng)網(wǎng)絡的車間生產(chǎn)異常發(fā)現(xiàn)方法。并對導致生產(chǎn)異常的影響因素，建立了高效合理的分類體系，根據(jù)各個影響因素釣具體特征，給出了相應的量化方法。通過對各種影響因素和生產(chǎn)異常的分析，以優(yōu)化的數(shù)據(jù)存儲

4、方式為基礎，建立了生產(chǎn)異常預測模型，伎英可以對質(zhì)量和交付期異常進行實時預測。該模型以深度神經(jīng)網(wǎng)絡為預測核心，使用數(shù)據(jù)庫中的影響因素和生產(chǎn)異常信息作為訓練數(shù)據(jù)，實時生產(chǎn)信息作為預測數(shù)據(jù)。該方法可以在加工生產(chǎn)過程中對產(chǎn)品質(zhì)量和交付期可能產(chǎn)生的異常進行監(jiān)控和跟蹤，為生產(chǎn)管理提供數(shù)據(jù)基礎。
　　最后，為進一步降低各種異常影響因素對加工生產(chǎn)的影響，對影響因素與生產(chǎn)異常的相關關系，以及這種關系的強弱進行研究和分析，得出了各種異常影響因素的重要

5、程度。并針對設備、工序、人員等主要異常影響因素關聯(lián)實體進行研究，提出了相應的影響因素處理方法。以設備為例，從關鍵切削設備入手，提出了一整套基于深度神經(jīng)網(wǎng)絡的關鍵設備刀具剩余壽命預測方法，從設備高效維護的角度降低了設備對加工生產(chǎn)的影響，同時也達到了避免異常發(fā)生的目的。
　　綜上所述，本文從數(shù)據(jù)存儲、異常發(fā)現(xiàn)和異常處理三個方面，對現(xiàn)有MES系統(tǒng)進行了改進，并針對異常發(fā)現(xiàn)和處理提出了具體的解決方案，使用深度神經(jīng)網(wǎng)絡等方法，將人工智能技術