一、流程工业设备的组合维修（论文文献综述）
吴楠[1]（2021）在《基于深度学习的故障诊断系统设计与实现》文中研究说明随着科技的进步与工业大数据的发展,越来越多的工业数据被采集,对工业数据的诊断分析也成为一种趋势。然而传统方式处理工业大数据需要耗费很多的人力物力,发展迅猛的深度学习理论被应用于工业数据的诊断上。在实际中的数据采集,大部分是正常数据只有小部分的异常数据样本。在这种情况下深度学习的故障诊断方法不能发挥其特征提取的效果,不能有效适应工业发展。因此,针对以上两项问题:提出了一种基于深度卷积生成对抗网络和卷积神经网络的故障诊断框架,该框架能够平衡工业数据集中的不平衡现象,并且识别其中的机械故障问题。（1）本文研究的实验数据为时间序列数据,为了充分挖掘时间序列的特征信息,在单一时间序列数据中发掘深层次特征,采用改进的卷积神经网络模型和循环神经网络相结合的模型对时间序列进行预测,与传统的卷积神经网络方法进行对比,在变负载数据集上有很大的性能提升。（2）对于工业不平衡数据集,本文采用深度卷积生成对抗网络解决这个问题。深度卷积生成对抗网络可以针对数据特征生成数据,将新生成的数据与原始数据混合,与直接使用不平衡的数据集训练做对比,取得了更好的效果。将本文提出的数据生成和故障诊断的研究框架在CWRU轴承振动数据中验证,使用扩充过的数据集训练故障诊断模型,可以解决不平衡数据集带来的问题。（3）设计并实现一个数据监测系统平台,平台具有在线显示机床状态,查看机床运行效率,查询统计历史状态数据的功能。还可以对机床进行在线预警。
苏霞[2]（2021）在《基于混合现实的工业设备维修系统》文中认为传统依靠于维修手册的设备维修方法普遍存在查阅不便、耗时长、失误率高等问题,手册查阅和维修操作执行的频繁切换容易使得维修人员的注意力无法集中,也逐渐无法满足工业4.0时代下更加智能、精密的工业设备的维修需求。为解决以上问题,并进一步提升维修效率、降低设备故障造成的损失和保障设备的高效运转,可以利用混合现实（Mixed Reality,MR）技术通过逼真的视觉效果和良好的交互方式等实现工业设备辅助维修。本文设计并开发了一套基于混合现实的工业设备维修系统,主要工作有:（1）针对工业维修中存在的问题,进行需求分析,并以此为依据设计并实现混合现实辅助维修系统,其主要包括五项功能:用户信息管理、故障排查/诊断、维修指导、维修报告单生成和设备引导训练。系统中对齐到真实设备上的三维模型、操作动画、文本说明等信息让维修指导更加直观,其也被成功应用到一款汽油发动机的故障维修中。（2）混合现实辅助工业设备维修系统的关键技术研究。将在Holo Lens设备中捕获到深度帧转化为点云数据,并将点云数据通过局域网传输到PC服务端,然后对点云执行预处理操作,再利用SAC-IA算法和快速鲁棒ICP算法分别实现点云粗配准和精配准,获得的变换矩阵还需要实现深度相机坐标系到视频相机坐标系的投影变换,最终实现虚实融合的效果;虚拟模型对齐到真实设备后,为其添加空间锚,以保证叠加效果更加稳定;可以通过手势和语音实现用户与系统之间的交互,操作简单、自然且高效。（3）系统实现与测试评估。首先对混合现实工业设备维修系统进行功能测试,结果表明本系统可以有效地提升复杂维修任务的效率和降低维修失误发生概率;之后对系统中的人机交互和三维注册算法等进行性能测试,验证其有效性;最后从易理解性、易学性、易操作性、容错度和满意度五个方面评估该系统的可用性。
袁烨,张永,丁汉[3]（2020）在《工业人工智能的关键技术及其在预测性维护中的应用现状》文中研究说明随着人工智能技术的快速发展及其在工业系统中卓有成效的应用,工业智能化成为当前工业生产转型的一个重要趋势.论文提炼了工业人工智能（Industrial artificial intelligence, IAI）的建模、诊断、预测、优化、决策以及智能芯片等共性关键技术,总结了生产过程监控与产品质量检测等4个主要应用场景.同时,论文选择预测性维护作为工业人工智能的典型应用场景,以工业设备的闭环智能维护形式,分别从模型方法、数据方法以及融合方法出发,系统的总结和分析了设备的寿命预测技术和维护决策理论,展示了人工智能技术在促进工业生产安全、降本、增效、提质等方面的重要作用.最后,探讨了工业人工智能研究所面临的问题以及未来的研究方向.
相铮[4]（2020）在《基于Docker的设备管理云平台的设计与实现》文中进行了进一步梳理随着近年来工业4.0的发展以及工业企业智能化设备的大规模引入,企业对厂区内设备管理系统的功能与性能提出了更高的要求。传统企业设备管理系统依赖传统工人手工录入设备信息、设备异常处理不及时、设备维护智能化管理程度不高、设备管理系统运维部署手段过于落后等问题,建立企业私有云平台成为工业信息系统发展的重点。本文基于Docker容器技术构建设备管理PaaS云平台,提供微服务化、轻量级、高效、敏捷的应用运维部署新方式。结合企业对设备管理业务特性与功能需求,从实际应用出发构建设备管理云平台实现对系统资源的统一监控与调度、更快捷的开发与部署,便于系统版本迭代升级,节约研发与运维成本的同时,为企业带来巨大经济效益,提升企业自身竞争力。为解决现有设备管理系统部署效率低的问题,提出了一种基于Docker容器技术与Kubernetes技术构建的设备管理系统云平台,分析了 Docker容器技术优势。基于Docker建立PaaS云服务,传统设备管理系统部署方式存在诸多弊端,结合工业智能系统云平台化的未来发展方向,设计微服务设备管理应用部署架构,分析容器技术在设备管理系统云平台部署应用中的优势。通过镜像代码仓库、镜像仓库、部署实例、移动端应用部署方案的具体实现,验证了设备管理云平台设计方案的可行性,简化了设备管理应用部署流程,提升系统开发与部署效率。最终通过对平台各模块功能测试后,结果表明本平台能较好的满足工业企业对于设备管理业务的应用需求,验证了相关技术的有效性,云平台提供了资源监控、资源调度、便捷开发、持续交付、运维部署、版本更新、自动打包生成移动端app等功能作为企业设备管理应用的良好保障。
刘闯[5]（2020）在《数据驱动的电机故障诊断与预测系统的设计与实现》文中提出电机是一种用量最大、覆盖面最广的工业设备,在工业生产中占据着十分重要的地位。一旦电机发生故障,带来的经济损失将无法预测,然而电机在寿命周期内发生故障是难以避免的。为了避免因为电机故障造成经济损失及发生事故,对电机进行故障预测与健康管理具有重要的意义。数据驱动PHM基于先进的传感器技术采集与电机属性有关的特征参数,并将这些特征参数和有用信息关联,借助机器学习和数据挖掘算法进行系统状态监测、故障诊断和故障预测,给出电机的故障演化程度和剩余寿命,从而为工业电机的维护、维修和管理提供决策支持。故拟以电机故障预测与健康管理为方向,应用工业大数据和数据挖掘技术进行电机预测性维护系统的设计与实现。本文使用基于数据驱动的电机故障诊断和故障预测方法,减少对电机物理模型的依赖,而通过电机的关键性能指标来标识电机状态,使用基于贡献率图的KPCA方法诊断电机故障,使用粒子滤波进行电机故障预测,并引入自反馈和自学习机制来提高故障预测的准确性和适应性。并设计实验进行了方法验证,相比于大多数的故障诊断和故障预测方法,本文给出的方法不需要大量的故障数据来建立模型,可以准确的进行电机故障诊断,可以较为准确地预测电机的故障后剩余使用寿命,可行性强,实用性高。此外,本文还设计并实现了数据驱动的电机故障诊断与预测系统。首先分析了系统的功能性需求,同时说明了系统的其他非功能性需求,接着制定了系统的大数据计算框架,对系统的总体架构进行了设计,详细说明了相关实现技术,最后展示了核心的故障诊断和故障预测功能。
任思儒[6]（2020）在《恒远装配式砌块墙制造中心工业设计》文中提出在“德国工业制造4.0”与“中国制造2025”的科技革命和产业变革的时代背景下,传统的建筑行业正在积极寻求转型突破,向工业化、信息化和绿色化的方向发展,装配式建筑也因此得到广泛的关注。装配式建筑是一种新型建筑的应用理念,是对传统建筑业生产方式的变革,它以部件预制为核心,将传统建筑中的梁、柱、墙体等结构合理拆分后在工厂进行预制加工,完成后运输至施工现场组装形成建筑物。相较于传统建筑的建造方式,装配式建筑具有施工快、安装方便、绿色环保等优点,既符合当下可持续发展的理念,也符合当前我国社会经济发展的客观要求,其发展潜力巨大。装配式建筑的快速发展促成了相关预制构件成型设备的广阔市场,成为建材行业迫切想要占领的高地。在此背景下,针对装配式建筑预制构件的加工类设备开始展露头角,但在科技、制造技术不断发展的今天,消费者已不再满足于只追求功能却毫无美感可言的产品。在激烈的市场经济形势下,为赢得市场占有率和消费者的认可,企业与高校展开合作,希望借助工业设计的手段,推出企业的第一代工业设备产品,树立企业品牌形象,抢占市场先机。本论文依托于恒远装配式砌块墙制造中心外观造型及操控界面设计展开,对国内外装配式建筑业的发展现状和趋势进行了总结分析,并完成了装配式砌块墙制造中心相关产品和操控界面的市场调研分析,为项目的实施提供了直接指导。本文创新性的由工业设计的视角切入,一定程度上完善了当前国内装配式建筑预制构件设备领域的研究。希望通过此次设计,为自动化、智能化装配式筑工设备工业设计提供新的思考方向。
贾璇[7]（2020）在《基于深度学习的工业设备健康监测系统设计与实现》文中指出随着互联网、物联网、无线通信和智能制造技术的发展,工业界收集、存储数据的能力不断增强,收集的数据量以指数方式增长,大量的数据也为工业界带来了处理和挖掘信息的新视角。在故障诊断领域,现代工业可以通过分析收集到的设备运行数据得出设备的健康状况。但是,数据采集速度通常快于诊断人员的分析速度,如何高效地从工业大数据中提取可用特征并准确识别相应的健康状况成为当前急需研究的课题。本论文结合实际的工业物联网应用场景,研究了大数据处理技术和基于深度学习的故障诊断算法,针对垂直双轴承设备问题研发了一种工业设备健康监测系统。本文的主要工作包括:（1）提出了一种基于深度学习的设备故障诊断算法。论文研究了深度神经网络和卷积神经网络技术,针对多维度特征设计并实现了一种多重卷积神经网络融合的故障诊断算法。该故障诊断算法无需对采集到的数据进行特征工程,能够挖掘多类原始传感器数据的相关性,并且可以完成多分类诊断任务,实现分级诊断。本文使用实际的设备运行数据对设备故障诊断算法从输入数据维度变化和模型对比等方面进行了性能分析,实验结果表明,该算法在准确率方面获得了显着提升。（2）结合所提出设备故障诊断算法,设计并实现了一个工业设备健康监测系统。论文分析了工业设备健康监测系统需求,设计了健康监测系统软件整体架构,包括数据采集、数据存储、数据处理、数据计算、数据交互和用户管理六个功能模块,并采用大数据和机器学习技术实现了健康监测系统。本系统不仅具有基本的数据存储、数据展示、故障诊断和用户管理等功能,而且可以通过本文设计的在线学习机制获取工业现场真实的设备运行状态反馈数据,实现运行过程中故障诊断模型的优化。（3）在工业现场对工业设备健康监测系统的各个模块进行了功能测试,并针对垂直双轴承设备的上下轴承不同心问题,对故障诊断功能进行了性能测试。测试结果表明系统运行稳定,能够实时对设备故障进行诊断。
张叙文[8]（2020）在《基于深度学习的工业设备剩余寿命预测方法研究》文中进行了进一步梳理复杂且精密度高的设备因退化失效发生故障会造成重大损失。工业设备剩余寿命预测是故障预测与健康管理的重要组成部分。根据设备的运行状态数据预测剩余寿命,用于制定维护计划,从而保证其安全可靠地运行,可以节省大量人力财力成本。在航天航空、风力发电和高速列车等领域的预测性维护中有重要应用意义。深度学习方法在剩余寿命预测领域的研究虽然已取得了一定进展,但仍然存在很大的优化空间。本文针对循环神经网络进行剩余寿命预测具有局限性、不同工况下设备运行数据分布有差异且存在无标签数据等问题,主要开展了如下研究:（1）针对循环神经网络不能解决长时依赖、对输入多维时间序列每个维度数据同等看待的问题,本文在长短期记忆网络的基础上加入特征注意力机制,构建基于特征选择与注意力机制融合的剩余寿命预测模型（FA-LSTM）。FA-LSTM使用三层全连接层实现特征注意力机制,对多维传感器监测数据中的不同的传感器输入数据赋予不同的权重,使模型具有特征选择的能力。将本文所设计的模型在航空涡扇发动机数据集上与长短期记忆网络、卷积神经网络、梯度提升决策树等模型进行对比实验。实验结果表明,本文所提出的模型能够有效提升剩余寿命预测的效果,比长短期记忆网络模型的平均均方根误差减少3.76。最后,对本文模型中不同时间窗口大小对模型性能的影响进行实验验证。（2）针对工业设备运行在不同工况下传感器监测数据概率分布不同、存在大量无标签数据的问题,本文在剩余寿命预测领域中引入迁移学习中的领域自适应方法。在孪生网络的基础上结合长短期记忆网络模型和Wasserstein距离,用对抗训练的方式实现剩余寿命预测,提出了基于联合领域自适应孪生网络的剩余寿命预测模型（DA-LSTM）。DA-LSTM模型使用带标签的源域数据和无标签的目标域数据联合训练网络,在特征提取层缩小源域数据特征和目标域数据特征的分布距离,并用于目标域数据中进行剩余寿命预测。在航空涡扇发动机数据集的四个数据概率分布不同的子集之间进行实验验证,结果表明DA-LSTM模型能够减小在目标域中进行剩余寿命预测的误差。DA-LSTM模型的平均均方根误差比只使用源域数据训练的长短期记忆模型小1.87。综上,本文对深度学习在剩余寿命预测,及剩余寿命预测中的迁移学习问题的应用进行了一定探索,提出了两个剩余寿命预测模型并取得良好效果,具有一定的借鉴意义。
衡柟男[9]（2019）在《典型工业设备监测云服务组合算法研究及应用》文中指出工业云已经触及行业的各个方面,越来越多的物质,设备,人力和制造力等资源都转化为了工业云服务,以一种更方便、更优效率的方式提供给用户使用。制造企业通过部署传感器在待监测设备上,通过网络将实时监测数据上传至工业云平台,再调用云服务实现需要的功能。论文以工业云服务组合作为研究的重点,从云服务组合和云工作流动态变更两个方面对云服务组合进行优化研究。使用服务质量（Quality of Service,QoS）作为云服务组合的评价指标,可以在大量功能属性相似而非功能属性各异的工业云服务中选取最优的组合,从而为工业云提供更有效的云服务。在不断变化的市场需求下,云工作流业务流程的频繁发生变化,让云工作流在运行时动态变化,更能适应业务环境变化的灵活性。论文的主要工作内容如下:（1）阐述了论文研究背景、并介绍了云服务组合在工业云环境下的具体意义。分析研究国内外关于云服务组合以及工作流动态变更的研究成果。（2）针对服务组合中多个服务之间可能存在质量约束情况,提出了基于质量约束的工业云服务组合模型,建立了质量约束规则,通过改进布谷鸟搜索算法,对工业云服务组合进行优化,并进行了对比分析实验。（3）提出三维云工作流动态变更模型,提出云工作流动态变更策略以及云工作流动态变更算法。对比现有的变更算法,通过在不同任务数量中进行动态变更的响应时间对比。（4）将论文的模型及算法应用于某LNG接收站安全健康管理云服务平台。
徐雪茹[10]（2019）在《机械设备安全磨损图谱智能分析方法研究》文中提出机械设备作为工业生产的基础,确保其安全运行、减少故障停机事故、延长服役年限具有十分重大的经济效益和安全效益。设备在用油液携带有能反映设备运行状况的直接信息,对油液中的悬浮颗粒进行分析,能够非破坏性地获取设备的实时运行工况,确保其在安全、健康、可靠、无伤的状态下长期运转。本文以油液磨粒分析技术为核心,以提高分析效率及分析结果准确度为目的,针对磨损图谱开展数字化信息的提取与分析工作,提出了一套流程完整、自动化程度高、可以同时完成定性定量指标提取的油液磨粒信息智能分析方法,实现了油液磨损图谱分析工作的体系化、标准化、智能化。主要研究内容及结论为:（1）提出了油液磨损图谱数字化信息的智能提取流程。整个流程以磨损图谱的获取为起点,以图谱上沉积磨粒宏观分布信息的提取与典型磨粒个体细节信息的提取为核心,确定了各个环节的开展条件、实现方法及输出结果。（2）分析了磨损图谱的宏观分布特征并提出了该特征的自动提取方法。采用HSV颜色空间阈值分割技术分别实现了金属磨粒及非金属颗粒的单独提取;其次针对颜色空间分割后的金属磨粒提出了基于重构分水岭算法及区域重叠面积比的二次分割法,解决了金属磨粒存在的粘结、重叠分布问题;最后利用梯度分布数量Nd、颗粒沉积率dA两个指标对图谱上磨粒的宏观分布情况进行了定量描述。（3）研究了单个金属磨粒的量化表征及特征提取方法。结合H-minima改进分水岭算法及区域自动生长技术完成了金属磨粒图像的自适应分割,避免了分割环节的人工交互处理,显着提高了分割效率。基于分割后的区域及轮廓进一步提取了颜色特征、尺寸形状特征、边缘细节特征、表面纹理特征等构成20维磨粒特征参数体系,实现了磨粒形貌的量化表征。（4）建立了基于模糊支持向量机的金属磨粒自动识别模型。以磨粒的形貌特征参数体系作为输入向量,结合一对多法、二叉树法间接构建了结构简单、累积误差小的4层7类别磨粒分类器,实现了七类磨粒的自动识别。该模型对训练样本的识别率为90.71%,对测试样本的识别率为92.86%。（5）选择旋挖钻机液压马达、减速机及风电齿轮箱为油样监测点,基于提出的分析流程对采集油样的磨损图谱开展磨粒信息的提取及分析工作。分析结果表明,液压油、车辆齿轮油、工业齿轮油在宏观分布特征提取环节的检测准确率分别为82.79%、95.79%、97.04%,在金属磨粒自动识别环节的识别准确率依次为76.07%、83.33%、80.47%,各环节的分析误差表现出一定的累积效应。
二、流程工业设备的组合维修（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、流程工业设备的组合维修（论文提纲范文）
（1）基于深度学习的故障诊断系统设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题的背景和意义 |
| 1.2 国内外相关领域的研究现状 |
| 1.2.1 深度学习在故障诊断领域研究现状 |
| 1.2.2 深度学习在时序数据处理领域的研究 |
| 1.2.3 不平衡数据领域研究现状 |
| 1.3 研究工作的项目背景和目标 |
| 第2章 时序序列相关介绍 |
| 2.1 工业时序数据特点 |
| 2.2 工业时序数据挖掘 |
| 2.3 工业时序数据预处理 |
| 2.3.1 异常数据处理 |
| 2.3.2 数据编码 |
| 2.3.3 傅里叶变换 |
| 2.3.4 类别不平衡问题 |
| 2.4 本章小结 |
| 第3章 工业设备监控系统设计 |
| 3.1 工业设备监控系统需求分析 |
| 3.2 系统功能模块设计 |
| 3.3 数据库设计 |
| 3.3.1 实体关系模型 |
| 3.3.2 数据存储模块实现 |
| 3.4 本章小结 |
| 第4章 基于卷积神经网络的故障诊断 |
| 4.1 引言 |
| 4.2 卷积神经网络基本理论 |
| 4.2.1 卷积运算 |
| 4.2.2 池化运算 |
| 4.2.3 反向传播算法 |
| 4.3 基于卷积神经网络的诊断算法 |
| 4.4 卷积神经网络诊断实验 |
| 4.4.1 实验数据简介 |
| 4.4.2 基于循环神经网络的轴承诊断 |
| 4.4.3 可变负载情况下的轴承诊断结果 |
| 4.5 QPZZ-II型电机实验台测试 |
| 4.6 本章小结 |
| 第5章 不平衡数据下的故障诊断模型 |
| 5.1 引言 |
| 5.2 生成式对抗网络 |
| 5.2.1 生成式对抗网络 |
| 5.2.2 深度卷积生成对抗网络 |
| 5.3 基于生成对抗模型的不平衡数据集诊断方法 |
| 5.3.1 数据集介绍 |
| 5.3.2 模型介绍 |
| 5.4 故障诊断结果 |
| 5.4.1 生成结果分析 |
| 5.4.2 扩充数据集诊断结果及分析 |
| 5.5 本章小结 |
| 第6章 工业设备监控系统实现 |
| 6.1 设备故障诊断算法实现 |
| 6.2 工业设备监控系统功能模块实现 |
| 6.2.1 用户管理模块 |
| 6.2.2 设备模块实现 |
| 6.2.3 设备监控模块 |
| 6.2.4 故障预警模块 |
| 6.2.5 效率分析模块 |
| 6.3 系统测试 |
| 6.3.1 功能性测试 |
| 6.3.2 性能性测试 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（2）基于混合现实的工业设备维修系统（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.1.1 混合现实技术 |
| 1.1.2 混合现实工业设备维修 |
| 1.2 工业辅助设备维修研究现状与分析 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 主要研究内容 |
| 1.4 本文组织结构 |
| 第二章 混合现实工业设备维修系统设计 |
| 2.1 混合现实工业设备维修系统的需求分析 |
| 2.2 系统设计 |
| 2.2.1 物理层设计 |
| 2.2.2 数据层设计 |
| 2.2.3 网络层设计 |
| 2.2.4 应用层设计 |
| 2.3 本章小结 |
| 第三章 混合现实工业设备维修的关键技术 |
| 3.1 三维注册技术 |
| 3.1.1 点云预处理 |
| 3.1.2 点云粗配准 |
| 3.1.3 点云精配准 |
| 3.2 深度图到点云图的转换 |
| 3.3 坐标系映射 |
| 3.4 本章小结 |
| 第四章 混合现实工业设备维修系统软件实现 |
| 4.1 系统开发环境 |
| 4.2 数据层实现 |
| 4.2.1 三维注册实现 |
| 4.2.2 人机交互实现 |
| 4.2.3 信息管理实现 |
| 4.3 网络层实现 |
| 4.4 应用层实现 |
| 4.5 本章小结 |
| 第五章 混合现实工业设备维修系统测试 |
| 5.1 系统功能测试 |
| 5.2 系统性能测试 |
| 5.2.1 点云配准效率测试 |
| 5.2.2 人机交互效率测试 |
| 5.3 系统可用性评估 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（4）基于Docker的设备管理云平台的设计与实现（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 与本课题相关的国内外研究现状 |
| 1.3 本文研究的主要内容和主要贡献 |
| 1.4 论文组织结构 |
| 第2章 设备管理云平台相关技术研究 |
| 2.1 云计算与虚拟化技术 |
| 2.2 Docker容器技术 |
| 2.2.1 Docker镜像构建与存储 |
| 2.2.2 Docker容器的网络创建 |
| 2.3 容器集群管理 |
| 2.4 镜像仓库与代码仓库 |
| 2.4.1 镜像仓库 |
| 2.4.2 代码仓库 |
| 2.4.3 分布式文件存储系统 |
| 2.5 本章小结 |
| 第3章 基于Docker设备管理云平台的需求分析 |
| 3.1 可行性分析 |
| 3.2 设备管理云平台概述 |
| 3.3 需求分析 |
| 3.3.1 工业设备管理功能需求分析 |
| 3.3.2 设备管理服务运维部署平台需求分析 |
| 3.4 本章小结 |
| 第4章 基于Docker设备管理云平台详细设计与实现 |
| 4.1 设备管理云平台系统架构设计 |
| 4.2 运维部署模块设计与实现 |
| 4.3 资源统一调度 |
| 4.4 自动伸缩 |
| 4.5 持续集成 |
| 4.6 移动端自动化部署 |
| 4.7 本章小结 |
| 第5章 基于Docker设备管理云平台的系统测试与展示 |
| 5.1 系统测试部署环境 |
| 5.2 系统测试 |
| 5.2.1 设备管理系统应用 |
| 5.2.2 运维部署模块功能测试 |
| 5.2.3 资源监控与调度模块功能测试 |
| 5.2.4 自动伸缩模块功能测试 |
| 5.2.5 持续集成功能模块测试 |
| 5.2.6 移动端自动化部署模块功能测试 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 未来工作的前景展望 |
| 参考文献 |
| 致谢 |
| 在学期间发表的学术论文和参加科研情况 |
（5）数据驱动的电机故障诊断与预测系统的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 PHM技术发展现状 |
| 1.2.1 故障诊断研究现状 |
| 1.2.2 故障预测研究现状 |
| 1.3 研究意义与目的 |
| 1.3.1 选题的意义 |
| 1.3.2 选题的目的 |
| 1.4 研究内容与论文结构 |
| 第二章 相关技术研究 |
| 2.1 电机故障特征提取方法 |
| 2.1.1 快速傅里叶变换 |
| 2.1.2 希尔伯特变换 |
| 2.1.3 频谱细化技术 |
| 2.1.4 小波去噪技术 |
| 2.2 多传感器数据融合 |
| 2.2.1 数据融合的结构形式 |
| 2.2.2 数据融合的层次 |
| 2.3 主成分分析 |
| 2.4 粒子滤波 |
| 2.5 本章小结 |
| 第三章 电机故障特征提取 |
| 3.1 数据融合与故障特征提取流程 |
| 3.2 电气故障特征 |
| 3.3 机械故障特征 |
| 3.4 本章小结 |
| 第四章 数据驱动的电机故障诊断与预测方法 |
| 4.1 基于贡献率图的电机故障诊断方法 |
| 4.1.1 基于贡献率图的电机故障诊断方法 |
| 4.1.2 基于贡献率图的电机故障诊断方法流程 |
| 4.1.3 基于贡献率图的电机故障诊断方法的应用实例及分析 |
| 4.2 基于粒子滤波的电机故障预测方法 |
| 4.2.1 基于粒子滤波的实时故障预测算法 |
| 4.2.2 基于粒子滤波的电机故障预测方法流程 |
| 4.2.3 基于粒子滤波的电机故障预测方法的应用实例及分析 |
| 4.3 本章小结 |
| 第五章 数据驱动的电机故障诊断与预测系统 |
| 5.1 电机故障诊断与预测系统需求分析 |
| 5.2 电机故障诊断与预测系统架构设计 |
| 5.3 数据采集终端 |
| 5.4 工业云平台 |
| 5.4.1 大数据计算与存储 |
| 5.4.2 监控与管理工具 |
| 5.5 数据可视化 |
| 5.5.1 数据可视化流程 |
| 5.5.2 CV衰退曲线 |
| 5.5.3 健康地图 |
| 5.5.4 风险雷达图 |
| 5.5.5 健康时序图 |
| 5.6 电机故障诊断与预测系统展示 |
| 5.7 本章小结 |
| 第六章 结论 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
（6）恒远装配式砌块墙制造中心工业设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 项目背景 |
| 1.1 引言 |
| 1.2 项目来源和现状 |
| 1.3 论文框架和工作流程 |
| 1.4 论文的目的与意义 |
| 1.5 论文的基本方法 |
| 1.6 本章小结 |
| 第2章 设计要求与分析 |
| 2.1 项目任务要求 |
| 2.2 项目任务分析 |
| 2.3 项目流程和资源分配 |
| 2.4 本章小结 |
| 第3章 项目调研与分析 |
| 3.1 装配式建筑行业调研 |
| 3.1.1 装配式建筑行业现状 |
| 3.1.2 装配式建筑行业发展趋势 |
| 3.2 国内外相关产品设计现状 |
| 3.2.1 砌墙机概述 |
| 3.2.2 国内外相关产品风格调研与分析 |
| 3.2.3 装配式砌块墙制造中心造型趋势分析 |
| 3.3 工业设备操控界面设计现状 |
| 3.3.1 界面信息架构梳理 |
| 3.3.2 交互逻辑和操作流程分析 |
| 3.3.3 工业设备操控界面调研与分析 |
| 3.3.4 工业设备操控界面设计趋势分析 |
| 3.4 恒远品牌分析 |
| 3.4.1 恒远品牌形象概述 |
| 3.4.2 恒远实地考察 |
| 3.5 本章小结 |
| 第4章 方案设计与评估 |
| 4.1 第一阶段外观方案设计与评估 |
| 4.1.1 外观造型概念提取及草图绘制 |
| 4.1.2 草图设计方案内部评估 |
| 4.1.3 外观方案展示及说明 |
| 4.1.4 企业评审反馈 |
| 4.2 第二阶段外观方案设计与评估 |
| 4.2.1 第二阶段设计要点分析 |
| 4.2.2 初选外观方案造型特征分析与改进 |
| 4.2.3 方案终选与企业反馈 |
| 4.3 最终外观方案迭代设计与展示 |
| 4.3.1 第三阶段外观方案迭代设计 |
| 4.3.2 最终外观提交方案CMF分析 |
| 4.3.3 最终外观提交方案展示说明 |
| 4.4 操控界面方案设计、评估、迭代与展示 |
| 4.4.1 第一阶段操控界面方案设计与评估 |
| 4.4.2 第二阶段操控界面方案迭代设计 |
| 4.4.3 最终操控界面提交方案展示说明 |
| 4.5 本章小结 |
| 第5章 数字模型设计与样机展示 |
| 5.1 数字模型构建 |
| 5.2 数字模型展示 |
| 5.3 样机展示 |
| 5.4 本章小结 |
| 第6章 项目总结 |
| 6.1 项目设计流程总结 |
| 6.2 对个人方案及工作的总结反思 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录A 布展照片 |
（7）基于深度学习的工业设备健康监测系统设计与实现（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与选题意义 |
| 1.2 国内外研究现状 |
| 1.2.1 工业物联网研究现状 |
| 1.2.2 大数据技术和机器学习算法研究现状 |
| 1.3 论文的主要工作与组织结构 |
| 2 工业设备健康监测系统相关技术研究 |
| 2.1 工业设备健康监测系统中的机器学习模型 |
| 2.1.1 深度神经网络模型 |
| 2.1.2 卷积神经网络模型 |
| 2.2 工业设备健康监测系统中的大数据技术 |
| 2.2.1 Hadoop大数据框架 |
| 2.2.2 Spark并行计算框架 |
| 2.3 本章小结 |
| 3 工业设备健康监测系统设计 |
| 3.1 需求分析 |
| 3.2 设备故障诊断算法 |
| 3.2.1 数据处理方案设计 |
| 3.2.2 多重卷积神经网络融合的故障诊断算法 |
| 3.3 健康监测系统设计 |
| 3.3.1 健康监测系统整体架构设计 |
| 3.3.2 系统功能模块设计 |
| 3.3.3 数据存储设计 |
| 3.4 本章小结 |
| 4 工业设备健康监测系统实现 |
| 4.1 设备故障诊断算法的实现 |
| 4.1.1 数据处理方案实现 |
| 4.1.2 多重卷积神经网络融合的故障诊断算法实现 |
| 4.2 健康监测系统的实现 |
| 4.2.1 服务器部署实现 |
| 4.2.2 数据存储模块实现 |
| 4.2.3 数据交互模块实现 |
| 4.2.4 数据处理模块实现 |
| 4.2.5 数据计算模块实现 |
| 4.2.6 用户管理模块实现 |
| 4.3 本章小结 |
| 5 工业设备健康监测系统测试与分析 |
| 5.1 多重卷积网络融合的故障诊断算法测试及性能分析 |
| 5.1.1 垂直双轴承旋转机械数据获取 |
| 5.1.2 故障诊断模型的实验结果与分析 |
| 5.1.3 多维数据和一维数据对模型性能的影响 |
| 5.1.4 故障诊断模型与其他模型对比 |
| 5.2 健康监测系统的测试与分析 |
| 5.2.1 测试环境 |
| 5.2.2 系统页面展示 |
| 5.2.3 功能测试 |
| 5.2.4 故障诊断功能和性能测试 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（8）基于深度学习的工业设备剩余寿命预测方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 工业设备剩余寿命预测研究现状 |
| 1.2.2 迁移学习在工业设备剩余寿命预测的研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 本文章节安排 |
| 第二章 相关理论与技术 |
| 2.1 工业设备剩余寿命预测基本概念 |
| 2.1.1 工业设备剩余寿命定义 |
| 2.1.2 工业设备剩余寿命预测定义 |
| 2.1.3 工业设备监测数据 |
| 2.1.4 工业设备剩余寿命预测的基本框架 |
| 2.2 长短期记忆神经网络与注意力机制原理 |
| 2.2.1 长短期记忆神经网络 |
| 2.2.2 注意力机制原理 |
| 2.3 迁移学习方法 |
| 2.3.1 迁移学习问题定义 |
| 2.3.2 Wasserstein距离度量准则 |
| 2.3.3 深度迁移学习原理 |
| 2.4 本章小结 |
| 第三章 基于特征选择与注意力机制融合的剩余寿命预测 |
| 3.1 引言 |
| 3.2 基于特征选择与注意力机制融合的剩余寿命预测模型 |
| 3.2.1 剩余寿命预测问题定义 |
| 3.2.2 FA-LSTM网络结构 |
| 3.2.3 FA-LSTM网络设计原理 |
| 3.2.4 FA-LSTM网络实现与训练 |
| 3.3 实验 |
| 3.3.1 数据集 |
| 3.3.2 数据预处理 |
| 3.3.3 评价指标 |
| 3.3.4 样本构建 |
| 3.3.5 剩余寿命设计 |
| 3.3.6 实验结果与分析 |
| 3.4 本章小结 |
| 第四章 基于联合领域自适应孪生网络的剩余寿命预测 |
| 4.1 引言 |
| 4.2 基于联合领域自适应孪生网络的剩余寿命预测模型 |
| 4.2.1 剩余寿命预测中的迁移学习问题定义 |
| 4.2.2 DA-LSTM网络结构 |
| 4.2.3 DA-LSTM网络设计原理 |
| 4.2.4 DA-LSTM网络实现与训练 |
| 4.3 实验 |
| 4.3.1 数据集 |
| 4.3.2 数据处理 |
| 4.3.3 实验结果与分析 |
| 4.4 本章小结 |
| 总结与展望 |
| 本文总结 |
| 未来展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（9）典型工业设备监测云服务组合算法研究及应用（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 云服务组合研究现状 |
| 1.2.2 动态工作流研究现状 |
| 1.3 研究目的和研究内容 |
| 1.4 论文组织结构 |
| 2 工业云服务组合模型 |
| 2.1 物联网 |
| 2.2 云计算服务模型 |
| 2.3 云计算部署模型 |
| 2.4 工业云服务组合 |
| 2.4.1 工业云服务的质量属性 |
| 2.4.2 工业云服务组合质量属性聚合方式 |
| 2.4.3 工业云服务组合常用算法 |
| 2.5 工作流技术 |
| 2.5.1 工作流建模方法 |
| 2.5.2 工作流动态变更 |
| 2.6 本章小结 |
| 3 基于质量约束的工业云服务组合模型及算法研究 |
| 3.1 基于质量约束的工业云服务组合模型 |
| 3.2 布谷鸟搜索算法 |
| 3.2.1 布谷鸟繁殖行为 |
| 3.2.2 莱维飞行 |
| 3.2.3 算法原理 |
| 3.3 改进的布谷鸟搜索算法 |
| 3.3.1 动态发现概率 |
| 3.3.2 小生境技术 |
| 3.3.3 算法流程 |
| 3.4 实验设计 |
| 3.5 实验结果分析 |
| 3.5.1 候选服务数量对实验结果的影响 |
| 3.5.2 QoS属性数量对实验结果的影响 |
| 3.5.3 质量约束比例对实验结果的影响 |
| 3.6 本章小结 |
| 4 基于三维云工作流模型的云工作流动态变更方法研究 |
| 4.1 三维云工作流动态变更模型 |
| 4.2 动态变更策略 |
| 4.3 动态变更算法 |
| 4.4 实验设计 |
| 4.5 本章小结 |
| 5 典型工业设备监测云服务方法应用 |
| 5.1 某接收站安全管理云服务平台 |
| 5.2 数据库设计 |
| 5.3 系统设计 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| A.作者在攻读硕士学位期间发表的论文目录 |
| B.作者在攻读硕士学位期间参加的科研项目及得奖情况 |
| C.学位论文数据集 |
| 致谢 |
（10）机械设备安全磨损图谱智能分析方法研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 背景及研究意义 |
| 1.2 机械设备油液分析技术 |
| 1.2.1 油液分析技术的发展现状 |
| 1.2.2 油液磨粒分析技术的发展现状 |
| 1.3 油液磨粒分析关键技术研究现状 |
| 1.3.1 油液磨粒谱片制备及信息提取方法发展现状 |
| 1.3.2 磨粒图像处理技术研究现状 |
| 1.3.3 磨粒自动识别技术研究现状 |
| 1.4 研究内容与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 2 油液磨粒宏观分布信息智能提取方法研究 |
| 2.1 磨粒信息智能提取流程 |
| 2.2 宏观分布信息提取的关键参数 |
| 2.3 磨粒谱片全沉积域的金属磨粒提取 |
| 2.3.1 基于红色反射光/绿色透射光图谱的金属磨粒提取流程 |
| 2.3.2 基于HSV颜色空间的金属磨粒双阈值分割法 |
| 2.3.3 基于重构分水岭及区域重叠面积比的粘结金属磨粒分割 |
| 2.4 磨粒谱片全沉积域的非金属晶体颗粒提取 |
| 2.4.1 基于透射偏振光图谱的非金属颗粒提取流程 |
| 2.4.2 基于HSV颜色空间的非金属晶体单阈值分割法 |
| 2.4.3 纤维类颗粒提取技术 |
| 2.5 全沉积域磨粒的宏观分布特征提取 |
| 2.6 本章小结 |
| 3 典型金属磨粒的细节特征提取方法研究 |
| 3.1 典型金属磨粒的分析规则 |
| 3.2 典型金属磨粒图像的自适应分割技术 |
| 3.2.1 典型金属磨粒图像的分割流程 |
| 3.2.2 基于H-minima改进分水岭变化的金属磨粒图像分割 |
| 3.2.3 基于区域综合相似度的分水岭过分割区域生长 |
| 3.2.4 典型金属磨粒图谱分割方法的性能测试 |
| 3.3 油液磨粒特征参数体系的选择与提取 |
| 3.3.1 金属磨粒特征参数体系的选择 |
| 3.3.2 颜色特征参数 |
| 3.3.3 形状尺寸特征参数 |
| 3.3.4 边缘细节特征参数 |
| 3.3.5 表面纹理特征参数 |
| 3.4 本章小结 |
| 4 基于模糊支持向量机的金属磨粒自动识别 |
| 4.1 待识别磨粒类型的确定 |
| 4.2 模糊支持向量机概述 |
| 4.2.1 模糊支持向量机原理简介 |
| 4.2.2 模糊隶属度函数的确定 |
| 4.2.3 多类别分类器的构造 |
| 4.3 分层多类别模糊支持向量机识别模型的构造 |
| 4.3.1 分层多类别FSVM识别模型的设计 |
| 4.3.2 DT/oar-FSVM识别模型的参数优化 |
| 4.3.3 待识别样本的识别流程 |
| 4.4 识别模型的训练及测试 |
| 4.4.1 识别模型的训练过程分析 |
| 4.4.2 识别模型的测试结果分析 |
| 4.5 识别模型的对比分析 |
| 4.5.1 不同多类别分类器构造方法下的识别率对比 |
| 4.5.2 不同支持向量机模型的识别率对比 |
| 4.6 识别模型的交叉验证 |
| 4.6.1 交叉验证流程 |
| 4.6.2 交叉验证结果分析 |
| 4.7 本章小结 |
| 5 磨粒信息智能分析技术在不同油样中的应用研究 |
| 5.1 取样方案 |
| 5.1.1 油样来源及油样采集 |
| 5.1.2 油样理化指标检测及分析油样确定 |
| 5.1.3 油样磨粒信息提取规则的设定 |
| 5.2 L-HM抗磨液压油的磨粒信息智能分析 |
| 5.2.1 旋挖钻机1#动力头马达液压油样 |
| 5.2.2 旋挖钻机2#动力头马达液压油样 |
| 5.2.3 旋挖钻机1#主卷扬马达液压油样 |
| 5.2.4 旋挖钻机2#主卷扬马达液压油样 |
| 5.2.5 磨粒信息智能分析方法在液压油样中的应用效果分析 |
| 5.3 GL-5 重负荷车辆齿轮油的磨粒信息智能分析 |
| 5.3.1 旋挖钻机1#行走减速机齿轮油样 |
| 5.3.2 旋挖钻机2#行走减速机齿轮油样 |
| 5.3.3 旋挖钻机2#动力头变速箱齿轮油样 |
| 5.3.4 磨粒信息智能分析方法在车辆齿轮油样中的应用效果分析 |
| 5.4 L-CKD重负荷工业闭式齿轮油的磨粒信息智能分析 |
| 5.4.1 WF2000A4 风电齿轮箱齿轮油样 |
| 5.4.2 WF1500A2 风电齿轮箱齿轮油样 |
| 5.4.3 WF2000A1 风电齿轮箱齿轮油样 |
| 5.4.4 磨粒信息智能分析方法在工业齿轮油样中的应用效果分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| A 作者在攻读硕士学位期间发表的论文 |
| B 作者在攻读硕士学位期间参与的科研项目和实践课题研究 |
| C 作者在攻读硕士学位期间获得的奖励 |
| D 学位论文数据集 |
| 致谢 |
四、流程工业设备的组合维修（论文参考文献）
- [1]基于深度学习的故障诊断系统设计与实现[D]. 吴楠. 中国科学院大学(中国科学院沈阳计算技术研究所), 2021(08)
- [2]基于混合现实的工业设备维修系统[D]. 苏霞. 电子科技大学, 2021(01)
- [3]工业人工智能的关键技术及其在预测性维护中的应用现状[J]. 袁烨,张永,丁汉. 自动化学报, 2020(10)
- [4]基于Docker的设备管理云平台的设计与实现[D]. 相铮. 机械科学研究总院, 2020(01)
- [5]数据驱动的电机故障诊断与预测系统的设计与实现[D]. 刘闯. 青岛大学, 2020(01)
- [6]恒远装配式砌块墙制造中心工业设计[D]. 任思儒. 湖南大学, 2020(07)
- [7]基于深度学习的工业设备健康监测系统设计与实现[D]. 贾璇. 北京交通大学, 2020(03)
- [8]基于深度学习的工业设备剩余寿命预测方法研究[D]. 张叙文. 华南理工大学, 2020(02)
- [9]典型工业设备监测云服务组合算法研究及应用[D]. 衡柟男. 重庆大学, 2019(09)
- [10]机械设备安全磨损图谱智能分析方法研究[D]. 徐雪茹. 重庆大学, 2019(01)