面向工业预测性维护的低代码开发平台的设计与实现
这是一篇关于低代码,组件对象模型,业务逻辑引擎,工业APP,预测性维护的论文, 主要内容为“中国智能制造2025”国家战略给传统制造业数字化转型带来了新的机遇与挑战。工业装备的预测性维护作为工业互联网的“杀手级”应用之一,成为制造业数字化升级的重要应用场景。低代码平台与技术为企业实现数字化升级提供了高效率和低成本生产力工具,越来越多被应用在典型场景下的工业应用(Application,APP)开发中。然而,当前的低代码开发平台多以支持表单类业务开发为主,场景较为单一,可扩展性受限。第一,针对预测性维护场景业务逻辑复杂问题,低代码平台组件能力的抽象无法支持复杂交互业务逻辑的灵活编排配置;第二,针对工业场景下装备维护业务数据的特点,低代码平台缺少工业领域特有的数据服务;第三,针对工业应用部署安全性和隐私性受限的需求,低代码平台缺少公有与私有云按需部署的环境。针对以上需求挑战,本文重点研究设计面向工业预测性维护的低代码开发平台架构,并面向汽车装备产线运维场景进行了实现与验证。首先,针对复杂业务逻辑灵活编排的需求,本文提出组件对象模型(Component Object Model,COM),定义了组件对象中属性对象、事件接口、路由接口、数据接口和视图接口,以支持组件间复杂业务逻辑的灵活编排配置,使组件对象具备了高度灵活可扩展的特性。此外,本文设计了基于COM模型驱动的应用解析引擎,通过融合前端交互事件总线和路由机制,实现应用页内逻辑和页间逻辑的灵活配置与业务流构建。其次,针对工业预测性维护场景下事件数据驱动和表单数据驱动的业务特点,本文设计并实现了基于事件驱动的时序数据适配服务和结构化的表单数据存储服务。其中,时序数据适配服务对COM模型的数据接口进行扩展,通过提供WebSocket事件订阅与发布机制,实现COM模型组件与时序数据接口的协议适配与数据实时推送,并通过Apollo配置中心实现数据源的灵活配置。表单数据存储数据服务则基于键值对存储模型实现了可灵活扩展的表单数据存储管理,并面向表单类端到端业务的低代码开发提供云端开放接口。再次,针对目前低代码平台无法提供应用私有化部署的问题,本文设计并实现了应用打包与私有化部署管理服务。提供应用工程代码和对应服务包源码下载服务。通过应用配置拉取应用组件源码文件,实现应用工程构建,并提供了工业APP基础用户服务和对应的数据存储结构脚本文件。最后,本文实现了面向工业预测性维护低代码开发平台的“最小系统”,并面向某汽车装备产线运维场景开展了应用验证。经过功能和性能测试及验证,证明了该平台的技术可行性与潜在应用可能。
面向云端智能的预测性维护组态系统设计与实现
这是一篇关于低代码编程,预测性维护,函数库,云端智能的论文, 主要内容为随着智能制造技术的不断提高,对关键设备的可靠性要求以及维护管理的要求也逐渐提高。预测性维护对减少关键设备的非故障停机时间,保障设备维持安全、可靠的服务具有重要意义。传统的预测性维护系统设计存在信息孤岛且组态化程度不高,因此本文从低代码编程技术入手,以关键设备云端智能服务为应用背景,设计了预测性维护组态系统技术框架,建立了基于拖拽式的低代码编程可视化方法,实现了基于数据挖掘的预测性维护函数库,开发了面向云端智能的预测性维护组态系统,具体工作内容包括:(1)提出了面向云端智能的预测性维护组态系统技术框架。针对传统预测性维护系统开发过程中存在信息孤岛、组态化程度不高等问题,本文引入低代码编程技术,系统概述了系统开发过程中需要涉及的工作,包括边云协同技术、低代码编程技术以及预测性维护函数库设计等,设计了具有操作灵活、功能多样化、组态化的面向云端智能的预测性维护组态系统技术框架。(2)建立了基于拖拽式的低代码编程可视化方法。针对传统编程开发技术存在的拓展性低、灵活性差、对专业人员依赖性强等问题,通过低代码编程技术,利用可视化功能节点封装技术,建立了基于拖拽式的低代码编程可视化方法,实现了节点自定义封装、节点数据注入和输出、节点数据解析以及节点部署等功能,以便于非专业人员采用拖拉拽的形式快速搭建应用开发程序。(3)构建了基于数据挖掘的预测性维护函数库。针对预测性维护函数设计不规范、移植难度大、集成性差等问题,设计了预测性维护函数库架构,梳理了函数库设计规范和制定了函数库设计流程。通过分析预测性维护功能和函数,提出了基于数据挖掘的函数库模型构建方法,构建了具有设计规范化、功能多样化、使用接口化的预测性维护函数库。(4)开发了面向云端智能的预测性维护组态系统。以组态化的智能分析系统为目标设计了前后端松耦合的整体系统架构,通过B/S架构的设计模式,利用Fast Api+Vue.js前后端技术,并在云端搭建了低代码编系统,遵循模块式开发方式开发了远程数据传输、数据缓存、函数库集成、可视化节点封装数据展示等功能模块,实现了面向云端智能的预测性维护组态系统的开发。
基于知识图谱的车身焊接设备预测性维护方法研究及应用
这是一篇关于车身焊接设备,故障预测,预测性维护,LSTM,知识图谱的论文, 主要内容为现今大量结构复杂的车身焊接设备被应用于焊接自动化生产线上,这类设备一旦发生故障,不仅会导致生产中断,也使得维修工作变得更加复杂,难以快速恢复生产。因此,需要对故障进行提前预测,以便提供预见性的维护措施,以降低设备故障率,提高生产系统可靠性。本文基于知识工程的视角,并结合车身焊接设备运行数据呈时序性的特点,提出了基于深度学习和知识图谱的车身焊接设备预测性维护方法,并建立了设备预测性维护系统,实现了对所提方法的实际应用。首先,探讨了车身焊接设备预测性维护的系统框架,对故障预测、数据采集、知识图谱构建等关键技术进行了研究。并针对设备预测性维护数据难以获取的问题,设计了客户端录入、OPC协议采集等四种数据采集方式,实现了对设备运行数据及设备故障文本数据的采集。其次,从设备历史运行数据出发,提出了基于多状态时间序列预测学习的车身焊接设备故障预测方法。通过对设备特点及常见故障的分析,确定出了预测模型的输入和输出;在此基础上建立了基于长短期记忆(LSTM)网络的运行状态时序预测模型,并结合设备实时运行数据对未来运行状态数据进行预测。同时采用k-近邻(k NN)算法分析状态数据与故障之间的关联性,对未来可能发生的故障进行预判。使用采集的原始数据进行实验分析,验证了预测模型的有效性。再次,以故障预测结果为依据,提出了基于知识图谱的设备预测性维护方法。根据设备维护记录等数据,采用自顶向下的方式构建了故障知识图谱,由此将故障预测结果作为搜索条件,从车身焊接设备故障知识图谱中检索出含有故障部位、原因、措施等信息的预测性维护方案,从而为维护人员提供了决策支持。最后,根据本文所提方法,并以某新能源汽车焊装车间的车身焊接设备为例,开发了设备预测性维护系统,验证了方法的有效性和可行性。
基于知识图谱的车身焊接设备预测性维护方法研究及应用
这是一篇关于车身焊接设备,故障预测,预测性维护,LSTM,知识图谱的论文, 主要内容为现今大量结构复杂的车身焊接设备被应用于焊接自动化生产线上,这类设备一旦发生故障,不仅会导致生产中断,也使得维修工作变得更加复杂,难以快速恢复生产。因此,需要对故障进行提前预测,以便提供预见性的维护措施,以降低设备故障率,提高生产系统可靠性。本文基于知识工程的视角,并结合车身焊接设备运行数据呈时序性的特点,提出了基于深度学习和知识图谱的车身焊接设备预测性维护方法,并建立了设备预测性维护系统,实现了对所提方法的实际应用。首先,探讨了车身焊接设备预测性维护的系统框架,对故障预测、数据采集、知识图谱构建等关键技术进行了研究。并针对设备预测性维护数据难以获取的问题,设计了客户端录入、OPC协议采集等四种数据采集方式,实现了对设备运行数据及设备故障文本数据的采集。其次,从设备历史运行数据出发,提出了基于多状态时间序列预测学习的车身焊接设备故障预测方法。通过对设备特点及常见故障的分析,确定出了预测模型的输入和输出;在此基础上建立了基于长短期记忆(LSTM)网络的运行状态时序预测模型,并结合设备实时运行数据对未来运行状态数据进行预测。同时采用k-近邻(k NN)算法分析状态数据与故障之间的关联性,对未来可能发生的故障进行预判。使用采集的原始数据进行实验分析,验证了预测模型的有效性。再次,以故障预测结果为依据,提出了基于知识图谱的设备预测性维护方法。根据设备维护记录等数据,采用自顶向下的方式构建了故障知识图谱,由此将故障预测结果作为搜索条件,从车身焊接设备故障知识图谱中检索出含有故障部位、原因、措施等信息的预测性维护方案,从而为维护人员提供了决策支持。最后,根据本文所提方法,并以某新能源汽车焊装车间的车身焊接设备为例,开发了设备预测性维护系统,验证了方法的有效性和可行性。
基于数字孪生的船舶横向干货补给系统故障诊断
这是一篇关于船舶补给系统,数字孪生,预测性维护,故障诊断的论文, 主要内容为我国海军远海战略的逐步实施对舰船综合保障能力提出了更高的要求,海上补给装备及补给作业效率成为关注的重点。随着舰船设备的集成化、数字化、智能化发展,其故障发生、性能退化及功能失效的原因和机理越来越复杂,设备故障快速诊断和维修养护已成为研究的热点。数字孪生能够联结物理空间与数字信息空间,通过动态虚拟模型来仿真和刻画物理实体在真实环境中的属性、行为、规则等。本文针对舰船补给设备进行数字孪生的关键技术及其应用研究,建立横向干货补给系统的数字孪生体,基于相关数据对其进行故障诊断及健康管理,所做的主要工作如下:(1)以系统工程理论为指导,设计横向干货补给系统的数字孪生平台构建方案及构建准则。以系统需求为指导,梳理数字孪生平台的技术框架及实施方案。(2)应用三维可视化技术,结合横向补给设备的参数信息,构建补给设备三维模型,实现补给作业流程交互仿真,进而搭建横向干货补给系统的三维虚拟孪生体。(3)应用数字仿真技术,构建横向干货补给系统的二维物理数字仿真模型,使仿真模型与实际设备的功能原理、运转逻辑、性能参数等有较高的拟合度。(4)研究横向干货补给系统的典型故障,对故障信号进行特征分析与处理。提出应用分离系数优化VMD算法参数的方法,并应用能量熵及频谱极值构造故障特征向量,减小信号的重构误差。(5)基于数据驱动方法,提出了基于VMD-VGG的滚动轴承故障诊断模型。应用振动信号与定子电流信号两种信号源对故障诊断模型进行精度验证,并将故障诊断结果通过数字孪生体可视化显示。本文对舰船横向干货补给系统进行深入研究,搭建横向干货补给系统的数字孪生平台,对补给作业过程、设备运行情况进行交互推演,采用数据驱动方法对设备进行故障诊断,所做工作在一定程度提高了横向干货补给维修的针对性和有效性,促进海上补给设备故障诊断及维修由“定期维护”方式向“实时监测,视情维护”方式的转变。
面向工业智能的知识管理与算法开放平台设计与实现
这是一篇关于工业智能,预测性维护,知识管理,算法开放,学习平台的论文, 主要内容为随着国家大力推动新一代信息技术与制造业的融合,工业互联网快速发展,预测性维护作为工业智能的关键技术,是典型的大数据、AI赋能制造业的应用场景,市场广阔,是领域内的杀手级应用,而目前掌握预测性维护技术的相关人才却寥寥无几,人才缺口巨大,一个原因是由于行业门槛相对较高,另一个原因是市面上面向工业智能领域的教学平台较少,适合新人上手的更是寥寥无几,而且目前高校内也缺少相应的培养体系和课程。针对此现状,本论文提出面向工业智能的知识管理与算法开放平台设计与实现,为工业智能领域的初学者提供一个知识学习、数据管理、算法体验与开放的一站式学习平台,为工业APP的开发者提供一种新型的端到端的开发模式,引导其快速熟悉行业知识。本论文从软件开发的基本流程出发,给出背景调研、研究现状、需求分析、相关技术研究、平台设计与实现、系统测试与验证等章节,并逐步介绍平台完整的开发流程。功能设计方面,与论文题目相对应,首先设计了用于知识管理的教程与项目模块和数据集模块这两个功能模块,教程与项目模块用于展示工业智能领域相关技术、算法、案例、项目等教程,为初学者提供了一个知识获取的平台。数据集模块提供数据集下载、在线图形化展示、数据集上传功能,为用户提供数据管理功能;此外,平台设计了用于算法开放的算法库模块和API模块,并且基于这两个模块开创性地提出了一种新型的端到端开发模式,工业APP的开发者在本地调试好算法后,在算法库模块上传算法并自动生成API,然后基于API模块的API文档去调用相应算法得到处理结果,这样基于平台提供的类似云端功能,将开发者的算法发布到线上,结合微信小程序等客户端,开发者不需要搭建后端服务器就可以开发自己的工业APP。功能实现方面,平台整体基于Java语言开发,框架采用SSM(Spring+SpringMVC+Mybatis)框架,数据库的使用方面,选择MySQL作为平台存储数据的主要数据库,同时使用Redis存储文件存储路径、训练结果等信息,并选择Redis作为缓存使用。算法计算同时基于Java环境下的Weka和Python环境下的scikit-learn库和tensorflow库,平台使用这些算法库构建了一套算法引擎,支撑平台算法库模块和API模块所有的算法计算功能,同时使用RabbitMq消息队列异步处理复杂计算请求,改善用户体验。
具有预测性维护的风机集控系统的研制
这是一篇关于嵌入式系统,数据采集,WDCNN-LSTM神经网络,预测性维护的论文, 主要内容为在如今“中国制造2025”和“工业4.0”的背景下,畜禽养殖业逐渐向规模化、集约化方向发展,近年来兴起的楼房养殖就是将畜禽和各种养殖设备集中于楼房内,其提高了养殖密度的同时能够降低养殖成本。养殖密度的升高对设备工作的稳定性和可靠性都提出了更高的要求,而设备使用与维护意识仍然停留在传统方式上:通过人工的定期巡检完成设备日常运行状态的检查,仅当设备发生严重故障后才停机维修,没有实现预测性的维护。针对目前养殖业的实际需求以及设备维护存在的问题,本文以养殖场关键设备—通风风机(下文简称风机)作为研究对象,展开了具有预测性维护功能的风机集控系统的研究与设计,主要研究内容如下:(1)为减少系统维护成本并实现更加灵活的数据采集,设计了一主多从式数据采集装置。从机负责采集风机状态数据,主机则汇总多台从机数据,一主多从式设计避免了复杂的系统走线,将底层数据采集功能剥离给从机,从而降低了系统耦合性,减少了系统维护成本,增加了系统灵活性。硬件装置以嵌入式微控制器为核心,组成部分包括风机振动信号采集模块、风机电流采集模块和数据通信模块等。(2)为方便工作人员查看系统数据并远程控制风机启停,本文基于Qt完成了上位机软件的设计。软件可展示系统内设备的当前状态,支持RS 485有线串行通信与4 G无线通信,可远程控制风机启停且具有历史数据记录功能。且为保障主从机通信和上位机通信的稳定性与可靠性,本文设计了相关通信协议。(3)为实现风机预测性维护功能,提出了一种基于WDCNN-LSTM的风机故障预警方法并完成了模型的嵌入式化。本文将WDCNN(第一层宽卷积核深度卷积神经网络)的一维数据特征提取能力与LSTM(长短时记忆神经网络)的序列特征提取能力相结合,生成WDCNN-LSTM网络模型,降低了各自模型的复杂度,避免了网络层数的堆叠,减少了模型的总参数量。为完成模型的嵌入式化,本文对模型参数文件做了C语言的格式转换。(4)搭建系统测试环境,验证系统功能。对系统硬件部分做电磁干扰实验、高低温实验和湿度实验,验证硬件功能的可靠性与稳定性,同时,针对系统数据通信、状态评估及设备控制等软件执行逻辑进行实验验证,确保软件功能运转正常。测试表明,本文设计的具有预测性维护功能的风机集控系统满足相关的设计要求。
基于知识图谱的车身焊接设备预测性维护方法研究及应用
这是一篇关于车身焊接设备,故障预测,预测性维护,LSTM,知识图谱的论文, 主要内容为现今大量结构复杂的车身焊接设备被应用于焊接自动化生产线上,这类设备一旦发生故障,不仅会导致生产中断,也使得维修工作变得更加复杂,难以快速恢复生产。因此,需要对故障进行提前预测,以便提供预见性的维护措施,以降低设备故障率,提高生产系统可靠性。本文基于知识工程的视角,并结合车身焊接设备运行数据呈时序性的特点,提出了基于深度学习和知识图谱的车身焊接设备预测性维护方法,并建立了设备预测性维护系统,实现了对所提方法的实际应用。首先,探讨了车身焊接设备预测性维护的系统框架,对故障预测、数据采集、知识图谱构建等关键技术进行了研究。并针对设备预测性维护数据难以获取的问题,设计了客户端录入、OPC协议采集等四种数据采集方式,实现了对设备运行数据及设备故障文本数据的采集。其次,从设备历史运行数据出发,提出了基于多状态时间序列预测学习的车身焊接设备故障预测方法。通过对设备特点及常见故障的分析,确定出了预测模型的输入和输出;在此基础上建立了基于长短期记忆(LSTM)网络的运行状态时序预测模型,并结合设备实时运行数据对未来运行状态数据进行预测。同时采用k-近邻(k NN)算法分析状态数据与故障之间的关联性,对未来可能发生的故障进行预判。使用采集的原始数据进行实验分析,验证了预测模型的有效性。再次,以故障预测结果为依据,提出了基于知识图谱的设备预测性维护方法。根据设备维护记录等数据,采用自顶向下的方式构建了故障知识图谱,由此将故障预测结果作为搜索条件,从车身焊接设备故障知识图谱中检索出含有故障部位、原因、措施等信息的预测性维护方案,从而为维护人员提供了决策支持。最后,根据本文所提方法,并以某新能源汽车焊装车间的车身焊接设备为例,开发了设备预测性维护系统,验证了方法的有效性和可行性。
油气装备多模感知边缘监测系统设计
这是一篇关于油气装备,边缘监测,多模感知,预测性维护,系统设计的论文, 主要内容为油气装备是国家的能源命脉中的核心设备,对油气装备进行全方位多模的监测以提高其安全与可靠性具有重要意义。而目前常用的传统的集中式数据采集系统难以满足要求。本文从边缘计算角度入手,以油气装备边缘监测系统为应用背景,提出了油气装备边缘监测系统框架,设计了多通道高频同步数据采集模块级联方案,设计了多模传感监测接口电路,设计了油气装备边缘监测系统,具体研究内容包括:(1)提出了油气装备边缘监测技术框架。针对传统油气装备监测系统难以满足预测性维护需要的问题,结合油气装备监测特点,分析了油气装备监测需求,引入边缘计算方法,提出了油气装备边缘监测技术总体框架及油气装备边缘监测系统关键技术,实现了油气装备监测系统智能化、边缘化的提升。(2)建立了多通道高频同步数据采集模块级联通讯技术。针对传统数据采集模块之间的非同步采集、无法满足大通量高频数据通讯传输的问题,分析了数据采集模块性能需求,设计了采集模块间的同步采集方案,引入实时工业以太网协议及分布式时钟技术,实现了监测系统的多通道高频同步采集。(3)设计了多模传感监测接口电路。针对油气装备监测系统常用监测参数,分析了振动、电流、4-20m A模拟量信号特点,研究了振动、电流、4-20m A模拟量信号的信号调理方法,提出了多模数据采集模块信号调理方案,结合模数转换数据输入要求,设计了振动、电流、4-20m A模拟量信号调理电路,使其传感信号满足统一的输入,实现了对振动、电流、4-20m A模拟量传感数据的采集。(4)设计了油气装备边缘监测系统。在先前研究的基础上,设计了油气装备边缘监测系统方案,设计开发了级联式数据采集模块及边缘监测节点,以Linux平台为边缘监测系统运行平台,设计信号分析处理、边缘报警及数据传输等功能模块,实现了油气装备状态参数的边缘监测、边缘处理、边缘报警、协同传输等功能,提升了油气装备的智能化运维水平。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设货栈 ，原文地址：https://bishedaima.com/lunwen/46624.html
