针对加工单元在数字化管控方面存在的设备管控与采集难、数字化程度低、系统响应慢等问题,以航天企业某单元为研究对象,分析单元业务流程,提出一种静态基础数据与动态业务数据分离的单元互联互通信息架构,构建面向硬件设备的数据通信模块,以实现多源异构设备的实时采集与封装。从响应式系统设计角度,引入有限状态机开展生产调度控制策略研究,分别以机器人和工件作为调度对象进行行为建模,结合面向对象方法,设计基于事件驱动的状态机程序结构。在此基础上,通过.NET相关技术,开发了面向单元全流程数字化管控的系统软件,并在生产现场验证了其有效性与可靠性。

针对纺织机械制造企业生产过程中的多源异构数据集成、传递和共享问题,结合企业实际生产情况,搭建面向企业业务流程模型,建立车间制造过程数据管理模型,对生产数据进行异常纠正、时间配准、时序数据补足等数据预处理;并采用基于本体的异构数据集成方法,实现纺织机械制造车间智能生产的数据集成与共享,为数字孪生平台、仿真优化决策提供数据支撑;设计和开发了数字化车间数据集成管理系统,通过融合SAP、SCADA等系统数据,实现生产进度跟踪、设备运行监控及生产相关的数据统计分析,并结合三维模型进行三维可视化,满足车间的数据管理需求。

随着产业数字化、工厂智能化的发展,海量工业数据之间的协同管理、挖掘分析成为亟待解决的问题。为实现生产线各维度异构数据的统一调度协同管理,提出基于OPC UA的多源异构工业数据协同管理信息模型。针对长链生产线生产过程中不同层次多源设备所产生的异构数据,使用OPC UA通信协议,打通多源异构数据的信息孤岛问题。在此基础上,结合生产制造特点以及智能制造系统架构,搭建生产线语义完整统一的信息模型,映射各子系统之间的协作关系。使用Python开发OPC UA服务器,在服务器中完成信息模型到地址空间的映射,客户端通过预留的API实现Client/Server架构并完成数据的交互。最后,选取某铁矿生产线典型场景进行测试,将矿山安全监控系统数据、现场采集数据引入实例化信息模型。实验结果表明,基于OPC UA的信息模型构建技术能够实现多源异构数据的协...

为了实现轴承多源异构故障数据的特征融合,达到提高故障诊断精度的目的,提出了基于深度神经网络的多源故障特征融合方法。介绍了堆叠自编码器和卷积神经网络原理;使用堆叠自编码器提取了一维振动数据的故障特征,使用卷积神经网络提取了二维图像数据的故障特征;为了充分发挥多源异构故障数据的关联性和互补性,使用深度神经网络将一维数据特征和二维数据特征进行交替优化和融合,提取更加能够反映故障特性的隐藏融合特征。以凯斯西储大学轴承故障数据为基础设计了三组实验,由实验结果可以看出,基于融合特征的故障诊断精度比单独使用一维数据特征或二维数据特征的诊断精度高10%以上,充分证明了基于多源异构特征融合故障诊断方法的有效性。