基于卷积神经网络的智能制造过程质量异常诊断
F273; 针对现有方法在智能制造过程中诊断能力有限和识别精度不高的问题,提出了一种与智能制造过程相适应的基于卷积神经网络的质量异常诊断模型.首先建立基于实时数据的过程质量图谱,以精准表达制造过程运行状态.其次,构建用于识别质量图谱的卷积神经网络诊断模型.最后,利用滑动窗口取值的方式对当前过程运行状态进行动态诊断,并通过某球磨过程验证了所提方法的有效性与实用性.结果表明,所提方法优于传统浅层模型,能够有效的对过程异常状态进行识别与诊断....
Gespeichert in:
| Veröffentlicht in: | 运筹与管理 2022, Vol.31 (6), p.220-225 |
|---|---|
| Hauptverfasser: | , , , |
| Format: | Artikel |
| Sprache: | chi |
| Online-Zugang: | Volltext |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| container_end_page | 225 |
|---|---|
| container_issue | 6 |
| container_start_page | 220 |
| container_title | 运筹与管理 |
| container_volume | 31 |
| creator | 王宁 李盼盼 赵哲耘 杨剑锋 |
| description | F273; 针对现有方法在智能制造过程中诊断能力有限和识别精度不高的问题,提出了一种与智能制造过程相适应的基于卷积神经网络的质量异常诊断模型.首先建立基于实时数据的过程质量图谱,以精准表达制造过程运行状态.其次,构建用于识别质量图谱的卷积神经网络诊断模型.最后,利用滑动窗口取值的方式对当前过程运行状态进行动态诊断,并通过某球磨过程验证了所提方法的有效性与实用性.结果表明,所提方法优于传统浅层模型,能够有效的对过程异常状态进行识别与诊断. |
| doi_str_mv | 10.12005/orms.2022.0205 |
| format | Article |
| fullrecord | <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_ycygl202206032</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>ycygl202206032</wanfj_id><sourcerecordid>ycygl202206032</sourcerecordid><originalsourceid>FETCH-wanfang_journals_ycygl2022060323</originalsourceid><addsrcrecordid>eNpjYBA3NNAzNDIwMNXPL8ot1jMyMDLSMzAyMGVh4DQ0MDDXNTYyMuRg4C0uzkwyMDAwMgfKG3Iy2D-dv-vJrr6nvdufL1__fOm857v7n--d-Hz3nOezWp7N3PWiee_Tjm0vGxa82N_-fEX3iy0rXrb3P93T9HTHjhfru55NW8vDwJqWmFOcyguluRnU3FxDnD10yxPz0hLz0uOz8kuL8oAy8ZXJlek5IFcZmBkYGxkTrRAABq9WqA</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于卷积神经网络的智能制造过程质量异常诊断</title><source>国家哲学社会科学学术期刊数据库 (National Social Sciences Database)</source><creator>王宁 ; 李盼盼 ; 赵哲耘 ; 杨剑锋</creator><creatorcontrib>王宁 ; 李盼盼 ; 赵哲耘 ; 杨剑锋</creatorcontrib><description>F273; 针对现有方法在智能制造过程中诊断能力有限和识别精度不高的问题,提出了一种与智能制造过程相适应的基于卷积神经网络的质量异常诊断模型.首先建立基于实时数据的过程质量图谱,以精准表达制造过程运行状态.其次,构建用于识别质量图谱的卷积神经网络诊断模型.最后,利用滑动窗口取值的方式对当前过程运行状态进行动态诊断,并通过某球磨过程验证了所提方法的有效性与实用性.结果表明,所提方法优于传统浅层模型,能够有效的对过程异常状态进行识别与诊断.</description><identifier>ISSN: 1007-3221</identifier><identifier>DOI: 10.12005/orms.2022.0205</identifier><language>chi</language><publisher>郑州大学发展规划处,河南郑州450001</publisher><ispartof>运筹与管理, 2022, Vol.31 (6), p.220-225</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/ycygl/ycygl.jpg</thumbnail><link.rule.ids>314,780,784,4024,27923,27924,27925</link.rule.ids></links><search><creatorcontrib>王宁</creatorcontrib><creatorcontrib>李盼盼</creatorcontrib><creatorcontrib>赵哲耘</creatorcontrib><creatorcontrib>杨剑锋</creatorcontrib><title>基于卷积神经网络的智能制造过程质量异常诊断</title><title>运筹与管理</title><description>F273; 针对现有方法在智能制造过程中诊断能力有限和识别精度不高的问题,提出了一种与智能制造过程相适应的基于卷积神经网络的质量异常诊断模型.首先建立基于实时数据的过程质量图谱,以精准表达制造过程运行状态.其次,构建用于识别质量图谱的卷积神经网络诊断模型.最后,利用滑动窗口取值的方式对当前过程运行状态进行动态诊断,并通过某球磨过程验证了所提方法的有效性与实用性.结果表明,所提方法优于传统浅层模型,能够有效的对过程异常状态进行识别与诊断.</description><issn>1007-3221</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2022</creationdate><recordtype>article</recordtype><recordid>eNpjYBA3NNAzNDIwMNXPL8ot1jMyMDLSMzAyMGVh4DQ0MDDXNTYyMuRg4C0uzkwyMDAwMgfKG3Iy2D-dv-vJrr6nvdufL1__fOm857v7n--d-Hz3nOezWp7N3PWiee_Tjm0vGxa82N_-fEX3iy0rXrb3P93T9HTHjhfru55NW8vDwJqWmFOcyguluRnU3FxDnD10yxPz0hLz0uOz8kuL8oAy8ZXJlek5IFcZmBkYGxkTrRAABq9WqA</recordid><startdate>2022</startdate><enddate>2022</enddate><creator>王宁</creator><creator>李盼盼</creator><creator>赵哲耘</creator><creator>杨剑锋</creator><general>郑州大学发展规划处,河南郑州450001</general><general>郑州大学商学院,河南郑州450001%郑州大学马克思主义学院,河南郑州450001</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2022</creationdate><title>基于卷积神经网络的智能制造过程质量异常诊断</title><author>王宁 ; 李盼盼 ; 赵哲耘 ; 杨剑锋</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-wanfang_journals_ycygl2022060323</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2022</creationdate><toplevel>online_resources</toplevel><creatorcontrib>王宁</creatorcontrib><creatorcontrib>李盼盼</creatorcontrib><creatorcontrib>赵哲耘</creatorcontrib><creatorcontrib>杨剑锋</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>运筹与管理</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>王宁</au><au>李盼盼</au><au>赵哲耘</au><au>杨剑锋</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于卷积神经网络的智能制造过程质量异常诊断</atitle><jtitle>运筹与管理</jtitle><date>2022</date><risdate>2022</risdate><volume>31</volume><issue>6</issue><spage>220</spage><epage>225</epage><pages>220-225</pages><issn>1007-3221</issn><abstract>F273; 针对现有方法在智能制造过程中诊断能力有限和识别精度不高的问题,提出了一种与智能制造过程相适应的基于卷积神经网络的质量异常诊断模型.首先建立基于实时数据的过程质量图谱,以精准表达制造过程运行状态.其次,构建用于识别质量图谱的卷积神经网络诊断模型.最后,利用滑动窗口取值的方式对当前过程运行状态进行动态诊断,并通过某球磨过程验证了所提方法的有效性与实用性.结果表明,所提方法优于传统浅层模型,能够有效的对过程异常状态进行识别与诊断.</abstract><pub>郑州大学发展规划处,河南郑州450001</pub><doi>10.12005/orms.2022.0205</doi></addata></record> |
| fulltext | fulltext |
| identifier | ISSN: 1007-3221 |
| ispartof | 运筹与管理, 2022, Vol.31 (6), p.220-225 |
| issn | 1007-3221 |
| language | chi |
| recordid | cdi_wanfang_journals_ycygl202206032 |
| source | 国家哲学社会科学学术期刊数据库 (National Social Sciences Database) |
| title | 基于卷积神经网络的智能制造过程质量异常诊断 |
| url | https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-01-01T11%3A39%3A05IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E7%9A%84%E6%99%BA%E8%83%BD%E5%88%B6%E9%80%A0%E8%BF%87%E7%A8%8B%E8%B4%A8%E9%87%8F%E5%BC%82%E5%B8%B8%E8%AF%8A%E6%96%AD&rft.jtitle=%E8%BF%90%E7%AD%B9%E4%B8%8E%E7%AE%A1%E7%90%86&rft.au=%E7%8E%8B%E5%AE%81&rft.date=2022&rft.volume=31&rft.issue=6&rft.spage=220&rft.epage=225&rft.pages=220-225&rft.issn=1007-3221&rft_id=info:doi/10.12005/orms.2022.0205&rft_dat=%3Cwanfang_jour%3Eycygl202206032%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=ycygl202206032&rfr_iscdi=true |