针对离散制造过程中生产异常难以准确评估的问题,提出了一种物联网环境下的车间生产异常发现与分析方法。首先,基于在制品实时状态采集模型,定义了在制品异常事件类型;其次,为了衡量在制品异常事件对车间生产的影响程度,以异常事件发生时生产异常影响因素的状态信息为数据基础,将一维原始数据二维化后,采用一种结合批量归一化和dropout方法的卷积神经网络(Convolutional Neural Networks,CNN)来预测生产任务剩余完成时间,并通过生产任务延迟完成时间来量化车间生产异常程度;最后以某航天车间为案例分析,对所提方法的可行性和有效性进行了验证。

数字孪生车间是智能制造背景下车间全息监控、精准分析、实时决策的有效手段。而实时高效的异构数据采集和融合,以及虚实车间的交互连接是驱动数字孪生车间运转的核心。为此,依托制造物联网和OPC UA通信技术,建立了数字孪生车间实时数据采集框架。采用分层融合的策略,去除原始数据中的信息冗余,匹配产生中间事件和生产过程数据,同时基于空间尺度构建实时数据空间对象模型。另外针对提高数据传输实时性的目的,按照信息分类—自适应压缩—节点合并的路线,缩减OPC UA信息模型节点数目和节点容量,设计了面向数字孪生车间的OPC UA信息建模方案。最后,以某航天结构件生产线为案例,为数字孪生车间开发了实时数据采集系统,并验证了此方案的可行性。

梳指式采棉机具有结构简单、性价比高等优点，采摘台是梳指式采棉机的重要组成部分，其工作性能的好坏可以直接影响整机的各项工作指标。文中对梳指式采棉机的采摘台部分工作原理进行深入研究，并对其传动系统进行详细设计和验证。采用Pro／E对清铃机整机三维建模，利用ADAMS对清铃机进行运动学仿真，并利用仿真结果验证是否符合设计要求，为更深入的研究提供相关数据。