面向数字化车间的工业大数据研究与开发
这是一篇关于数字化车间,梯度增强,深度学习,RUL预测,工业大数据的论文, 主要内容为随着数据采集技术和传输技术的发展,数字化车间的各种数控装备采集的数据量正以惊人的速度增长。近几年蓬勃发展的大数据技术遇上了萌芽中的智能制造,使得工业大数据如何为智能制造提供服务,传统大数据技术应用于工业大数据的效果如何,成为工业大数据现阶段面临的问题。本文就这两个问题展开研究。文章首先分析了工业大数据的服务模式,然后针对数字化车间生产中数控装备和部件故障的排查和维修中面临的问题,着重研究了梯度增强算法和深度学习算法在数控关键部件剩余使用寿命(RUL)预测中的应用。本文的主要内容如下:(1)工业大数据的服务模式及微服务接口开发通过分析工业大数据来源、特点、现阶段面临的问题以及工业大数据与智能制造的关系,根据数字化车间的生产特点,结合网络物理系统,设计了模块化的工业大数据的服务模型,该模型包括采集、计算、服务和应用四大模块。并结合传统互联网的微服务化的方式,设计了工业大数据的微服务接口。(2)基于梯度增强算法的RUL预测方法研究以梯度增强算法为例,设计了用于数字化车间的刀具和轴承RUL预测模型,将整个过程分为了采集和分析预测两个阶段。描述了大数据分析算法在设备采集数据预处理、特征提取、特征选取以及模型训练的理论应用和分析过程,其中使用了小波变换的降噪方法和傅里叶变换与小波包变换的时频域分析方法。最后通过实验验证了GBDT和XGBoost两种梯度增强算法在数字化车间关键部件RUL预测的可行性和正确性。(3)基于深度学习算法的RUL预测方法研究通过分析输入时序对RUL预测的影响,引入了深度学习算法RNN、LSTM以及GRU,将它们与其他监督学习算法进行了对比,阐述了RNN如何将时间序列作为输入,以及LSTM和GRU如何改善RNN的梯度消失问题。然后设计了针对刀具和轴承的RUL预测的多对一双GRU层神经网络模型,并通过实验验证了GRU在RUL预测中的效果。
基于工业大数据的数据挖掘平台研究与实现
这是一篇关于工业大数据,数据挖掘,Hadoop,Spring Cloud,翻译器的论文, 主要内容为目前工业企业对于如何利用现有数据推动数字化转型,提升业务效率并没有十分明确的思路。针对这种现象,探索工业大数据的采集、分析与应用成为了大数据领域研究与发展的一个新方向,并且有必要建立一个专属的数据挖掘平台为工业数字化转型提供生态建立的支点。本文以工业大数据为基础、以工业应用场景为研究对象,挖掘工业应用场景中的通用化模块,并基于Hadoop分布式框架和Spring Cloud微服务框架实现一个能够对多种工业应用场景提供底层基础服务支持的数据挖掘平台。为达到上述要求,对平台架构的分层设计做了全新定义,并在工业数据源的特征上采用Drools规则化提取数据,灵活地应对不同上层应用的数据需求。通过对不同工业应用具体需求的分析,本文提取出了算法库和翻译器等基础微服务。其中算法库通过对K-Means、CART决策树、支持向量机、TF-IDF等算法的实现,能够有效完成对上层推荐系统、预测系统、议价系统的算法支持,并且通过接口配置实现灵活的调用以及中间数据的存储。其次翻译器通过首创的Sugar转换方法,以及独特的词法划分和Abstract Syntax Tree构造,能够实现自定义文法的高级语言转换,具有可靠性和灵活性。平台底层搭建采用Flink实现流式数据处理,Map Reduce完成批量数据计算,配合高容错、适合批处理、高扩展性的HDFS完成大批量数据的存储,并且设计有Mongo DB、Redis、Mysql完成业务数据的存储,不管是分布式存储还是上层应用数据的存储与回流都具有极高的稳定性,同时这一类组件都能很好的支持集群扩展,方便企业级应用以及拓展。本文根据项目具体的应用需求做出了微服务设计,同时在项目实践过程中也为支持更加广泛的平台应用设计了许多基础微服务,最终实现了一个支持高并发、可扩展、高稳定性、高灵活性、可靠的分布式数据挖掘平台。论文应用创新如下:(1)对分布式集成环境做出了适应性设计。包括采用轻量级架构Flink进行流式数据处理;将日志系统拆分为分布式系统日志和上层业务运行日志;将平台存储拆分为分布式存储和业务数据库存储;(2)设计以微服务为核心的数据服务中间层。包括以Spring Cloud架构为核心的一系列微服务,重点为ETL、算法库和原创的翻译器设计。通过实现以上创新并进行实验,验证了本文技术方案的可行性。最后在完善的功能和性能测试中,证实了该平台的可靠性和先进性。
工业大数据驱动定制生产优化的方法及其应用
这是一篇关于工业大数据,定制生产,特征选择,相关性分析,数据驱动的论文, 主要内容为中国正在从制造业大国向制造业强国转型,国内制造企业在转型的过程中做了大量的研究,提出如互联工厂、灯塔工厂的先进的制造理念。但是在面对日益复杂的定制化市场,特别是众多离散型制造企业的传统生产方式优化改善方法已经难以满足企业提效降本的可持续发展需求,需要更加深入地活用工业大数据技术,其核心技术包括了自动机器人、工业大数据处理、特征选择、数据挖掘等。本文围绕工业大数据驱动定制生产方式优化设计及其应用,从而为定制生产模式下有效控制企业管理运营成本与决策成本的问题提供新的解决思路。深入研究工业大数据是如何驱动定制生产,构建基于DVES模式及CPS系统的敏捷制造价值与控制管理AMVC,并结合敏捷关键绩效指标KPI进行案例数据验证。本文主要的研究贡献如下:首先,研究制造模式与定制生产的演变与发展方向,分析其驱动因素与工业大数据的应用,并综述离散事件系统规范DVES与敏捷管理等模型理论基础。再者,针对离散型制造生产方式中多源异构数据的特点,基于DVES与CPS为数据模型基础,以数据清洗、z-score数据转化、时序平滑等数据处理方法,来构建实时的、能够处理具有离散型特点的多层级异构数据的AMVC模型与敏捷关键绩效指标KPI模型,为离散型生产方式优化提供一种新的思路。然后,以PRESS指标为主要约束条件,构建出以“知识图谱-聚类分析-因子分析-逐步回归分析”为多元特征选择的综合评估方法,更为有效地解决离散型制造中多因子的降维优化,大大降低管理者决策成本。同时,以杠杆率与Cook距离为主要约束条件,构建出以“多元回归-多重共线性检验-多元动态优化”进行多因子关联性分析与动态优化,来解决多源异构数据的相关性分析。模型预置了的多数据类型关联性分析选择逻辑与控制工具选择逻辑,为实现生产方式变化的自分析、自监控提供一定的逻辑基础。最后构建出更适用于离散型中小制造企业的低成本数据的优化方案模型。结合理论演绎和以家电代表企业的案例分析,得出比传统方法更加有效的模型,包括更高的决定系数R2、更优的实时KPI指标、更精确的优化措施影响分析。
基于工业大数据的数据挖掘平台研究与实现
这是一篇关于工业大数据,数据挖掘,Hadoop,Spring Cloud,翻译器的论文, 主要内容为目前工业企业对于如何利用现有数据推动数字化转型,提升业务效率并没有十分明确的思路。针对这种现象,探索工业大数据的采集、分析与应用成为了大数据领域研究与发展的一个新方向,并且有必要建立一个专属的数据挖掘平台为工业数字化转型提供生态建立的支点。本文以工业大数据为基础、以工业应用场景为研究对象,挖掘工业应用场景中的通用化模块,并基于Hadoop分布式框架和Spring Cloud微服务框架实现一个能够对多种工业应用场景提供底层基础服务支持的数据挖掘平台。为达到上述要求,对平台架构的分层设计做了全新定义,并在工业数据源的特征上采用Drools规则化提取数据,灵活地应对不同上层应用的数据需求。通过对不同工业应用具体需求的分析,本文提取出了算法库和翻译器等基础微服务。其中算法库通过对K-Means、CART决策树、支持向量机、TF-IDF等算法的实现,能够有效完成对上层推荐系统、预测系统、议价系统的算法支持,并且通过接口配置实现灵活的调用以及中间数据的存储。其次翻译器通过首创的Sugar转换方法,以及独特的词法划分和Abstract Syntax Tree构造,能够实现自定义文法的高级语言转换,具有可靠性和灵活性。平台底层搭建采用Flink实现流式数据处理,Map Reduce完成批量数据计算,配合高容错、适合批处理、高扩展性的HDFS完成大批量数据的存储,并且设计有Mongo DB、Redis、Mysql完成业务数据的存储,不管是分布式存储还是上层应用数据的存储与回流都具有极高的稳定性,同时这一类组件都能很好的支持集群扩展,方便企业级应用以及拓展。本文根据项目具体的应用需求做出了微服务设计,同时在项目实践过程中也为支持更加广泛的平台应用设计了许多基础微服务,最终实现了一个支持高并发、可扩展、高稳定性、高灵活性、可靠的分布式数据挖掘平台。论文应用创新如下:(1)对分布式集成环境做出了适应性设计。包括采用轻量级架构Flink进行流式数据处理;将日志系统拆分为分布式系统日志和上层业务运行日志;将平台存储拆分为分布式存储和业务数据库存储;(2)设计以微服务为核心的数据服务中间层。包括以Spring Cloud架构为核心的一系列微服务,重点为ETL、算法库和原创的翻译器设计。通过实现以上创新并进行实验,验证了本文技术方案的可行性。最后在完善的功能和性能测试中,证实了该平台的可靠性和先进性。
工业大数据驱动定制生产优化的方法及其应用
这是一篇关于工业大数据,定制生产,特征选择,相关性分析,数据驱动的论文, 主要内容为中国正在从制造业大国向制造业强国转型,国内制造企业在转型的过程中做了大量的研究,提出如互联工厂、灯塔工厂的先进的制造理念。但是在面对日益复杂的定制化市场,特别是众多离散型制造企业的传统生产方式优化改善方法已经难以满足企业提效降本的可持续发展需求,需要更加深入地活用工业大数据技术,其核心技术包括了自动机器人、工业大数据处理、特征选择、数据挖掘等。本文围绕工业大数据驱动定制生产方式优化设计及其应用,从而为定制生产模式下有效控制企业管理运营成本与决策成本的问题提供新的解决思路。深入研究工业大数据是如何驱动定制生产,构建基于DVES模式及CPS系统的敏捷制造价值与控制管理AMVC,并结合敏捷关键绩效指标KPI进行案例数据验证。本文主要的研究贡献如下:首先,研究制造模式与定制生产的演变与发展方向,分析其驱动因素与工业大数据的应用,并综述离散事件系统规范DVES与敏捷管理等模型理论基础。再者,针对离散型制造生产方式中多源异构数据的特点,基于DVES与CPS为数据模型基础,以数据清洗、z-score数据转化、时序平滑等数据处理方法,来构建实时的、能够处理具有离散型特点的多层级异构数据的AMVC模型与敏捷关键绩效指标KPI模型,为离散型生产方式优化提供一种新的思路。然后,以PRESS指标为主要约束条件,构建出以“知识图谱-聚类分析-因子分析-逐步回归分析”为多元特征选择的综合评估方法,更为有效地解决离散型制造中多因子的降维优化,大大降低管理者决策成本。同时,以杠杆率与Cook距离为主要约束条件,构建出以“多元回归-多重共线性检验-多元动态优化”进行多因子关联性分析与动态优化,来解决多源异构数据的相关性分析。模型预置了的多数据类型关联性分析选择逻辑与控制工具选择逻辑,为实现生产方式变化的自分析、自监控提供一定的逻辑基础。最后构建出更适用于离散型中小制造企业的低成本数据的优化方案模型。结合理论演绎和以家电代表企业的案例分析,得出比传统方法更加有效的模型,包括更高的决定系数R2、更优的实时KPI指标、更精确的优化措施影响分析。
基于工业大数据的数据挖掘平台研究与实现
这是一篇关于工业大数据,数据挖掘,Hadoop,Spring Cloud,翻译器的论文, 主要内容为目前工业企业对于如何利用现有数据推动数字化转型,提升业务效率并没有十分明确的思路。针对这种现象,探索工业大数据的采集、分析与应用成为了大数据领域研究与发展的一个新方向,并且有必要建立一个专属的数据挖掘平台为工业数字化转型提供生态建立的支点。本文以工业大数据为基础、以工业应用场景为研究对象,挖掘工业应用场景中的通用化模块,并基于Hadoop分布式框架和Spring Cloud微服务框架实现一个能够对多种工业应用场景提供底层基础服务支持的数据挖掘平台。为达到上述要求,对平台架构的分层设计做了全新定义,并在工业数据源的特征上采用Drools规则化提取数据,灵活地应对不同上层应用的数据需求。通过对不同工业应用具体需求的分析,本文提取出了算法库和翻译器等基础微服务。其中算法库通过对K-Means、CART决策树、支持向量机、TF-IDF等算法的实现,能够有效完成对上层推荐系统、预测系统、议价系统的算法支持,并且通过接口配置实现灵活的调用以及中间数据的存储。其次翻译器通过首创的Sugar转换方法,以及独特的词法划分和Abstract Syntax Tree构造,能够实现自定义文法的高级语言转换,具有可靠性和灵活性。平台底层搭建采用Flink实现流式数据处理,Map Reduce完成批量数据计算,配合高容错、适合批处理、高扩展性的HDFS完成大批量数据的存储,并且设计有Mongo DB、Redis、Mysql完成业务数据的存储,不管是分布式存储还是上层应用数据的存储与回流都具有极高的稳定性,同时这一类组件都能很好的支持集群扩展,方便企业级应用以及拓展。本文根据项目具体的应用需求做出了微服务设计,同时在项目实践过程中也为支持更加广泛的平台应用设计了许多基础微服务,最终实现了一个支持高并发、可扩展、高稳定性、高灵活性、可靠的分布式数据挖掘平台。论文应用创新如下:(1)对分布式集成环境做出了适应性设计。包括采用轻量级架构Flink进行流式数据处理;将日志系统拆分为分布式系统日志和上层业务运行日志;将平台存储拆分为分布式存储和业务数据库存储;(2)设计以微服务为核心的数据服务中间层。包括以Spring Cloud架构为核心的一系列微服务,重点为ETL、算法库和原创的翻译器设计。通过实现以上创新并进行实验,验证了本文技术方案的可行性。最后在完善的功能和性能测试中,证实了该平台的可靠性和先进性。
基于工业大数据的数据挖掘平台研究与实现
这是一篇关于工业大数据,数据挖掘,Hadoop,Spring Cloud,翻译器的论文, 主要内容为目前工业企业对于如何利用现有数据推动数字化转型,提升业务效率并没有十分明确的思路。针对这种现象,探索工业大数据的采集、分析与应用成为了大数据领域研究与发展的一个新方向,并且有必要建立一个专属的数据挖掘平台为工业数字化转型提供生态建立的支点。本文以工业大数据为基础、以工业应用场景为研究对象,挖掘工业应用场景中的通用化模块,并基于Hadoop分布式框架和Spring Cloud微服务框架实现一个能够对多种工业应用场景提供底层基础服务支持的数据挖掘平台。为达到上述要求,对平台架构的分层设计做了全新定义,并在工业数据源的特征上采用Drools规则化提取数据,灵活地应对不同上层应用的数据需求。通过对不同工业应用具体需求的分析,本文提取出了算法库和翻译器等基础微服务。其中算法库通过对K-Means、CART决策树、支持向量机、TF-IDF等算法的实现,能够有效完成对上层推荐系统、预测系统、议价系统的算法支持,并且通过接口配置实现灵活的调用以及中间数据的存储。其次翻译器通过首创的Sugar转换方法,以及独特的词法划分和Abstract Syntax Tree构造,能够实现自定义文法的高级语言转换,具有可靠性和灵活性。平台底层搭建采用Flink实现流式数据处理,Map Reduce完成批量数据计算,配合高容错、适合批处理、高扩展性的HDFS完成大批量数据的存储,并且设计有Mongo DB、Redis、Mysql完成业务数据的存储,不管是分布式存储还是上层应用数据的存储与回流都具有极高的稳定性,同时这一类组件都能很好的支持集群扩展,方便企业级应用以及拓展。本文根据项目具体的应用需求做出了微服务设计,同时在项目实践过程中也为支持更加广泛的平台应用设计了许多基础微服务,最终实现了一个支持高并发、可扩展、高稳定性、高灵活性、可靠的分布式数据挖掘平台。论文应用创新如下:(1)对分布式集成环境做出了适应性设计。包括采用轻量级架构Flink进行流式数据处理;将日志系统拆分为分布式系统日志和上层业务运行日志;将平台存储拆分为分布式存储和业务数据库存储;(2)设计以微服务为核心的数据服务中间层。包括以Spring Cloud架构为核心的一系列微服务,重点为ETL、算法库和原创的翻译器设计。通过实现以上创新并进行实验,验证了本文技术方案的可行性。最后在完善的功能和性能测试中,证实了该平台的可靠性和先进性。
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：毕设小屋 ，原文地址：https://bishedaima.com/lunwen/54551.html
