| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究的背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 车间生产异常发现技术 | 第12-13页 |
| 1.2.2 制造大数据存储 | 第13-14页 |
| 1.2.3 深度神经网络方法 | 第14-15页 |
| 1.3 课题的来源及研究内容 | 第15-16页 |
| 1.3.1 课题来源 | 第15页 |
| 1.3.2 课题的主要研究内容 | 第15-16页 |
| 1.4 本文的组织结构与章节安排 | 第16-17页 |
| 第2章 智能车间生产异常发现与处理系统架构设计 | 第17-23页 |
| 2.1 MES与智能车间异常发现及处理系统 | 第17-18页 |
| 2.2 制造大数据的优化存储 | 第18-20页 |
| 2.3 车间生产异常智能发现与处理方法 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 基于DNN的车间生产异常发现方法 | 第23-39页 |
| 3.1 异常影响因素分析 | 第23-29页 |
| 3.1.1 影响指标的分类 | 第23-24页 |
| 3.1.2 影响指标的量化方法 | 第24-29页 |
| 3.1.3 因素影响结果分析 | 第29页 |
| 3.2 DNN预测模型的建立 | 第29-35页 |
| 3.2.1 稀疏自编码器的构建 | 第31-32页 |
| 3.2.2 时序型多Softmax分类器构建 | 第32-34页 |
| 3.2.3 深度神经网络构建 | 第34页 |
| 3.2.4 输出处理 | 第34-35页 |
| 3.3 案例验证 | 第35-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第4章 智能车间生产异常分析与处理方法 | 第39-66页 |
| 4.1 基于CA的异常影响因素分析 | 第39-46页 |
| 4.1.1 时空类影响因素相关性分析 | 第39-41页 |
| 4.1.2 静态类影响因素相关性分析 | 第41-43页 |
| 4.1.3 动态类影响因素相关性分析 | 第43-44页 |
| 4.1.4 异常影响因素的综合分析 | 第44-46页 |
| 4.2 基于DNN的生产设备高效维护 | 第46-59页 |
| 4.2.1 刀具剩余寿命预测方法 | 第47-49页 |
| 4.2.2 刀具磨损状态监控分析技术 | 第49-51页 |
| 4.2.3 基于深度神经网络的预测模型 | 第51-57页 |
| 4.2.4 案例验证 | 第57-59页 |
| 4.3 工序、人员等异常关联实体的高效维护 | 第59-64页 |
| 4.3.1 基于关键路径分析的偏离工序处理 | 第59-62页 |
| 4.3.2 与人员及其他实体相关的异常影响因素处理 | 第62-64页 |
| 4.4 本章小结 | 第64-66页 |
| 第5章 智能车间生产异常发现与处理系统实现 | 第66-78页 |
| 5.1 系统概述 | 第66页 |
| 5.2 系统设计 | 第66-69页 |
| 5.2.1 架构设计 | 第67-68页 |
| 5.2.2 模块设计 | 第68-69页 |
| 5.3 系统实现 | 第69-77页 |
| 5.3.1 计划制定与任务管理模块 | 第69-71页 |
| 5.3.2 异常发现与处理模块 | 第71-76页 |
| 5.3.3 数据存储与控制交互模块 | 第76-77页 |
| 5.4 本章小结 | 第77-78页 |
| 结论 | 第78-80页 |
| 参考文献 | 第80-84页 |
| 攻读硕士学位期间所发表的学术论文 | 第84-85页 |
| 致谢 | 第85页 |