| 【中文题名】 | 基于神经网络的扣式电池自动化生产线故障诊断系统研究 |
| 【英文题名】 | Research on the Fault Diagnosis System of Linear Automatic Assembly Line for Button Batteries Based on Neural Network |
| 【学科专业】 | 机械制造及其自动化 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-11-12 |
| 【中关键词】 | 自动化生产线,神经网络,故障诊断,数据采集,SQL,Server数据库 |
| 【英关键词】 | automatic product-line,neural network,fault diagnosis,data collection,SQL Server database, |
| 【分类导航】 | 工业技术>机械、仪表工业>机械制造工艺>柔性制造系统及柔性制造单元>故障诊断和维护> |
| 【论文摘要】 |
自动化和智能化是现代化大生产的显著特点,近年来伴随着生产设备的大型化、高速化,传统的诊断技术已经远远不能适应了。现代化工业生产,一旦因故障停机,损失巨大。因此人们对机械设备故障诊断的复杂性、准确性和及时性的要求也逐渐增加,这就迫使人们在设备诊断方面进行了大量的研究,形成了故障诊断这一新兴的研究领域。
本文首先依据Li/MnO2扣式电池组装工艺和机械自动化产品设计的系统观点,提出了一种新型的直线型Li/MnO2扣式电池自动化生产线,并对它的机械系统和控制系统做了详细地介绍。
由于本自动化生产线是一个多输入多输出的复杂系统,作为核心部分,本论文提出了一种基于神经网络的故障检测和诊断方法。其原理是:采用VC++作为前台开发工具,SQL Server2000作为后台运行的数据库,采集生产线上的必要的输入输出信号,在对采集到的数据进行分析处理的基础上,通过深刻分析维修专家进行设备维修时的思路,采用利用神经网络推理计算的知识表示方法和启发式推理机制实现故障定位,在很大程度上减少诊断过程中的工作量,提高诊断的准确性和效率。经实践检验,基本上满足客户的要求。
从上世纪80年代起,诊断技术进入... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
ABSTRACT |
5-9 |
|
第一章 绪论 |
9-14 |
|
§1-1 故障诊断技术概述 |
9-12 |
|
1-1-1 故障诊断的必要性 |
9 |
|
1-1-2 故障诊断的基本概念 |
9-11 |
|
1-1-3 故障诊断的过程 |
11 |
|
1-1-4 故障诊断的发展历程 |
11-12 |
|
§1-2 本课题研究的意义及内容 |
12-13 |
|
1-2-1 本课题研究的目的及意义 |
12-13 |
|
1-2-2 本课题研究的主要内容 |
13 |
|
1-2-3 本课题的研究重点及难点 |
13 |
|
§1-3 本章小结 |
13-14 |
|
第二章 直线型 Li/MnO_2扣式电池生产线设计 |
14-22 |
|
§2-1 Li/MnO_2扣式电池的制造装配工艺 |
14 |
|
§2-2 直线式 Li/MnO_2扣式电池生产线机械部分设计 |
14-16 |
|
2-2-1 起始上负极壳模块 |
15 |
|
2-2-2 隔膜纸入壳模块 |
15 |
|
2-2-3 正极锰片入壳及注液模块 |
15 |
|
2-2-4 正极钢壳装配模块 |
15 |
|
2-2-5 封口模块 |
15-16 |
|
§2-3 直线式 Li/MnO_2扣式电池生产线控制部分设计 |
16-21 |
|
2-3-1 控制系统硬件部分设计 |
16-18 |
|
2-3-2 控制系统软件编程设计 |
18-20 |
|
2-3-3 人机界面设计 |
20-21 |
|
§2-4 本章小结 |
21-22 |
|
第三章 人工神经网络与故障检测 |
22-46 |
|
§3-1 人工神经网络的生物学基础 |
22-23 |
|
3-1-1 生物神经元的结构 |
22 |
|
3-1-2 生物神经网络 |
22-23 |
|
§3-2 人工神经元及神经网络基础 |
23-28 |
|
3-2-1 神经元的建模 |
23-24 |
|
3-2-2 神经元的数学模型 |
24-25 |
|
3-2-3 神经元的转移函数 |
25-26 |
|
3-2-4 神经网络拓扑结构类型 |
26-28 |
|
§3-3 人工神经网络的学习 |
28-33 |
|
3-3-1 人工神经网络学习综述 |
28-30 |
|
3-3-2 Hebbian 学习规则 |
30 |
|
3-3-3 Perceptron（感知器）学习规则 |
30-31 |
|
3-3-4 δ（Delta）学习规则 |
31 |
|
3-3-5 Widrow-Holf 学习规则 |
31-32 |
|
3-3-6 Correlation（相关）学习规则 |
32 |
|
3-3-7 Winner-Take-All（胜者为王）学习规则 |
32 |
|
3-3-8 Outstar（外星）学习规则 |
32-33 |
|
§3-4 前馈神经网络 |
33-36 |
|
3-4-1 感知器模型 |
33-34 |
|
3-4-2 感知器的功能 |
34-36 |
|
§3-5 误差反传（BP）算法 |
36-41 |
|
3-5-1 BP 算法的基本思想 |
36 |
|
3-5-2 基于 BP 算法的多层前馈网络模型 |
36-37 |
|
3-5-3 BP 学习算法 |
37-39 |
|
3-5-4 BP 算法的信号流 |
39 |
|
3-5-5 BP 算法流程图 |
39-40 |
|
3-5-6 神经网络的特点总结 |
40-41 |
|
§3-6 神经网络与故障诊断 |
41-45 |
|
3-6-1 基于神经网络的智能诊断的形成 |
41-42 |
|
3-6-2 神经网络的故障诊断能力 |
42-44 |
|
3-6-3 基于神经网络的智能诊断的发展动向 |
44-45 |
|
§3-7 本章小结 |
45-46 |
|
第四章 基于神经网络的电池生产线故障诊断系统方案设计 |
46-65 |
|
§4-1 基于 SQL Server 数据库的 PLC 数据采集系统 |
46-49 |
|
4-1-1 数据采集系统的设计原理 |
46-47 |
|
4-1-2 服务器端程序的设计 |
47-48 |
|
4-1-3 服务器端对 SQL Server 数据库的访问 |
48-49 |
|
§4-2 基于 BP 算法的生产线的故障诊断系统建模 |
49-59 |
|
4-2-1 基于 BP 算法的多层前馈网络设计基础 |
49-51 |
|
4-2-2 生产线故障诊断系统分析 |
51-52 |
|
4-2-3 生产线故障诊断子系统网络建模 |
52-59 |
|
§4-3 基于 MATLAB 的生产线故障系统仿真 |
59-64 |
|
4-3-1 MATLAB 简介 |
59-60 |
|
4-3-2 用 MATLAB 进行神经网络仿真的基础 |
60-62 |
|
4-3-3 基于 MATLAB 的生产线故障诊断系统仿真 |
62-64 |
|
§4-4 本章小结 |
64-65 |
|
第五章 其他智能诊断技术 |
65-69 |
|
§5-1 诊断理论与神经网络的结合 |
65-67 |
|
5-1-1 各种识别方法与神经网络的结合 |
65 |
|
5-1-2 模糊神经网络智能诊断系统 |
65-67 |
|
§5-2 信号处理与神经网络的融合 |
67-68 |
|
§5-3 设备故障诊断智能系统的微型化和“傻瓜”化 |
68 |
|
§5-4 本章小结 |
68-69 |
|
第六章 结论 |
69-70 |
|
参考文献 |
70-73 |
|
附录 A |
73-75 |
|
附录 B |
75-77 |
|
附录 C |
77-78 |
|
附录 D |
78-81 |
|
致谢 |
81 |
|
| 【DOI】 | LunWen.ID:2.2008.386224 |
