一、轧辊故障原因及预防措施（论文文献综述）
洪荣勇[1]（2021）在《棒材悬臂精轧机运行故障分析与改进》文中研究指明设备正常运行是保障生产的前提,通过分析设备故障现象,深度剖析其发生机理,对设备缺陷和潜在不利因素进行改进与预防,可以有效地避免设备故障发生。本文通过对Ф385 mm悬臂轧机结构进行改进和运行管理制度进行优化,有效地降低轧机运行故障率,降低了生产成本的同时增加了经济效益,为同行业在精轧区安全可靠地运行Ф385 mm悬臂轧机提供了借鉴。
谢观义[2]（2021）在《轧机刚度数据采集及分析系统的研究》文中认为轧机刚度是指在工作压力下,从辊系到机架一系列承重部件弹性变形的总和。其是分析轧机轧制精度的主要指标,也是分析影响轧制稳定性及排除故障原因的重要参数之一。此外轧机刚度会随相关零部件的不均匀磨损而降低,过低时会引起事故的发生。因此,对轧机刚度的实时监控及分析是非常有必要的。目前,轧钢厂内通常由轧辊维护人员隔一段时间手动导出用于刚度计算的原始数据,然后人工完成与刚度相关技术指标的计算、表格的整理及变化曲线的绘制,最后得出决策建议。传统的轧机刚度采集方法效率低、周期长且出错率高,无法为实时分析轧机设备的轧制性能提供数据支持。因此,本文结合国内某轧钢厂热轧生产线上的实际情况建立一套完善的轧机刚度数据采集及分析系统,能够自动实时完成刚度相关数据的采集、计算,并实时掌握刚度相关技术指标的变化趋势。首先通过研究轧机刚度的有关知识和工业互联网的相关技术,并结合钢厂的实际情况和需求,确定了轧机刚度数据采集及分析系统的整体框架。其次对工业现场部署的数据采集系统进行设计。在内网完成数据采集通信时,发现存在数据包粘合、拆散的现象,为此设计了一种基于变长协议定制报文的通讯方法并完成数据的获取解析;数据在预处理后通过通信模块被传输至云服务器上,为保证数据传输的稳定性,基于heartbeat机制设计了一种通信模块备份的方法,能够在工作模块宕机后自动完成备用模块的切换;在云服务器上部署有数据接收程序和数据库存储管理系统去实现数据的接收及分类储存管理;采用基于数据驱动的诊断方法完成对轧机刚度的远程化分析与监控,通过设计客户端软件界面将刚度相关技术指标的变化趋势绘制成曲线,从而能够直观的反映出轧机轧制性能的变化。最后配置系统需要的运行环境,对系统进行运行状态测试以及数据结果验证。结果表明该系统运行状态良好,数据结果准确,已满足企业的需求。本文设计的轧机刚度数据采集及分析系统能降低工人的劳动强度,有助于设备的数字化管理,为其它工程项目提供参考案例。
王小军[3]（2021）在《国产高速线材轧辊箱常见故障分析及预防措施》文中指出本文阐述了国产高速线材轧辊箱常见故障,并进行原因分析,提出系统性的预防措施,为轧辊箱设备维护及维修提供技术保障。
李俊丽[4]（2020）在《Spark集群环境下的分类数据离群检测及应用》文中研究说明工业大数据时代的到来推动了现代制造业的发展,制造业在发展过程中积累了大量数据。数据挖掘是大数据分析的一种有效途径,其挖掘结果能够应用在机械制造业的生产、管理和运营过程中,促进制造企业优化生产、改进生产工艺以及诊断设备故障等,以降低生产成本和提高企业运营效率。在当前机械产品加工中,由设备性能下降、精度损失、易损件磨损、人因等多种因素造成了隐性问题,一般不容易被发现但却会影响产品的质量。离群检测作为一种数据挖掘方法,可从机械产品加工数据中有效地发现隐性问题。本文在基于内存计算的Spark集群系统环境下,研究了分类数据离群检测理论、方法以及冷轧辊加工数据离群检测的方法,不仅为大数据分析提供了有效的并行离群检测新方法与实现途径,而且也为有效发现机械产品加工过程中可能存在的设备精度下降、检测者资质、加工环境等具有异常特征的隐性问题,提供了一种有效手段。其主要研究成果如下:（1）提出了一种基于特征分组的分类数据离群检测算法——WATCH。该算法通过度量数据特征间的相关性将数据特征分为多个特征组,可以发现隐藏在特征子空间中的离群值,有效提高了离群检测精度,而且可以从不同方面发现特征模式的差异性。实验验证了WATCH算法在精度、效率和可解释性等方面的高效性。（2）针对WATCH算法不足以处理大规模数据的问题,提出了一种基于Spark的并行离群挖掘方法——POS。POS通过并行特征分组和离群检测,有效地将大规模数据集分布在集群的计算节点上;通过RDD缓存和参数调优的并行优化策略提高POS的性能。在Spark集群上实验验证了POS算法的可扩展性和可伸缩性。（3）提出了一种基于互信息的混合属性离群检测方法,该方法采用互信息机制给出了混合属性的加权方法,分别定义了数值型数据、分类型数据和混合属性数据的离群得分,并进行了规范化处理,能够更客观准确地度量数据对象之间的相似性,有效改善了离群检测性能。实验验证了该算法的有效性和可行性。（4）提出了一种基于Spark的互信息并行计算及性能优化方法——Mi CS。该算法首先采用列变换将数据集转换成多个数据子集;然后采用两个变长数组缓存中间结果,解决了分类数据特征对间互信息计算量大、重复性强的问题;其次针对基于Spark的互信息并行计算会发生数据倾斜的问题,Mi CS算法重新定义了数据倾斜模型来量化由Spark创建的分区之间的数据倾斜度,缓解了shuffle过程中出现的数据倾斜,优化了网络性能。（5）以冷轧辊的实际生产数据为应用背景,在详细分析冷轧辊制造过程的复杂性、冷轧辊的典型失效模式和影响冷轧辊生产过程质量因素的基础上,设计并实现了Spark集群环境下的冷轧辊制造过程离群检测原型系统。详细介绍了该系统的数据预处理、环境参数设置、系统架构及系统功能模块。通过离群检测,能够有效地从冷轧辊产品加工大数据中挖掘出制造过程中具有异常特征的隐性问题,从而发现产品可能存在的质量缺陷。
孙孝升[5]（2020）在《基于TPM的轧辊磨床设备综合效率提升方法研究》文中认为随着近年中国钢铁行业的快速发展,产能过剩的问题变得尤为突出,钢铁企业的微利时代将在很长一段时间内持续存在,挖掘和改善生产车间的生产效率已成为影响企业生存和发展的关键因素。TPM全员生产维修作为日本发展起来的一种设备维修管理理论,追求设备综合效率最高,以设备综合效率（OEE）来衡量设备综合管理水平,通过改善现有设备综合效率,可以有效提高企业的盈利能力。本文基于TPM理论知识,对设备综合效率的影响因素进行研究,并分析了六大损失与设备综合效率的关系。本文以鞍钢股份冷轧厂轧辊磨床为例,以解决该厂高精度轧辊磨床产能不足为出发点,研究轧辊磨床设备综合效率的提升。本文首先对磨床设备构成和磨削原理进行了分析,通过数据收集与统计分析,分析了轧辊磨床设备综合效率现状。之后,采用鱼骨图、帕累托图等分析工具得到影响轧辊磨床设备综合效率的关键因子。经研究后,将快速换模技术和设备全员生产维护技术应用到改善磨床时间效率中,将作业研究技术应用于改善磨床开动率。然后,对影响轧辊磨削质量的因素进行了研究,并利用质量改进方法实施合格品率的改善。经实际应用后,轧辊磨床设备综合效率实施成果显着。经过2017和2018两年的项目实施,轧辊磨床设备综合效率均值由56.1%提高到75.4%,实现由13台磨床承担原18台磨床工作任务的目标,减少磨床操作岗位员工20人,直接创效293.1万元/年,产品质量稳定性进一步提升。
晁海涛[6]（2019）在《基于文本分类的纺织热轧机故障诊断系统研究与开发》文中进行了进一步梳理故障诊断是企业提供售后服务的关键,如何准确的发现故障原因,减少停机时间,快速维修成为增强企业核心竞争力的关键。本文以常州某企业生产的纺织用热轧机为研究对象,发现主要存在以下问题:纺织热轧机的故障具有多发性、隐秘性等特点,故障排查难度大且多依赖于工人经验,维修知识得不到传承与积累。对此,本文展开了纺织热轧机故障诊断系统的设计与研究,主要研究内容如下:（1）将模糊算法与t范数结合应用于故障树优化,确定了纺织热轧机重要零部件故障发生概率。建立了热轧机故障树模型;对于重要零部件故障发生概率不明确问题,提出了专家打分与模糊函数相结合的方法确定故障概率范围;研究了最弱t范数运算法则,用以减少计算过程中的模糊累积;最后采用了去模糊化方法获得各重要零部件故障概率。（2）研究了热轧机故障描述文本特征提取技术。优化了基于N-Gram模型的中文文本分词技术并对热轧机故障文本分词处理,根据袋模型确定故障文本的向量表达范式;对不同型号的纺织热轧机,分别采用基于词频-逆文档频率和基于Word2vec模型的方法提取故障文本特征向量,作为故障分类的预处理工作。（3）对于故障样本数量较少的热轧机型号,采用了基于遗传算法优化的支持向量机对故障描述文本建立分类模型,分类预测准确性达71.17%。对于故障样本数量较多的热轧机型号,建立了基于卷积神经网络的故障文本分类模型,分类预测准确性达89.67%。（4）开发了基于B/S的热轧机诊断系统。分析了企业需求,明确了系统开发的总体目标,分配了系统用户角色权限,设计了数据库结构。最后利用Java语言实现了系统开发,确立了企业维修纺织热轧机的管理流程,实现了故障诊断案例的智能推荐。
罗勇[7]（2018）在《HFW焊管生产中常见问题及其预防措施》文中指出为了提高HFW焊管的产品质量和生产效率,对HFW焊管生产过程中常见的钢带边缘鼓包、钢管表面划伤、焊缝错边以及钢带跑偏等问题进行了分析,找出了问题产生的原因,给出了相应预防措施。实际生产效果表明,通过控制原料尺寸、设计合理的轧辊孔型及工艺参数、准确的轧辊位置安装及润滑液的合理使用等系列措施,可以解决钢带边缘鼓包、钢管表面划伤、焊缝错边以及钢带跑偏等问题,进而有效提高HFW焊管的产品质量和生产效率。
张炯[8]（2016）在《轧辊随机磨损模型及其最优更换策略研究》文中指出轧辊是钢材轧制过程中的重要工具和主要耗材,因周期性地与轧件接触而导致的表面磨损以及由磨损导致的失效是影响轧材产量和质量的主要原因。因此,基于磨损状态的轧辊最优更换策略的研究对轧材生产过程的持续进行、钢铁企业利润的提高有着极其重要的意义。鉴于轧辊的高制造成本和购买价格,轧钢厂通常采用轧辊厂商提供的实验更换周期或企业长期运行的经验更换周期对其进行更换与修磨,而未考虑轧辊的实际运行状况,可能会导致其过早或过晚维修。本文以某厂1780mm热连轧带钢生产系统中的轧辊为背景,从概率论和可靠性理论的角度出发,以轧辊的磨损机理和可获得的修磨数据为基础,研究了轧辊的随机磨损特性,建立了动态磨损可靠度模型,研究了定期更换策略的最优决策问题,以确定系统的最优化换辊周期,最后通过实例分析证明了轧辊最优更换策略研究方法的可行性、可靠性。本文研究的主要内容如下:（1）依据轧钢厂现有的工作辊修磨周期,借助成熟的轧辊磨损量测量技术,收集实际运行环境下工作辊的精确修磨数据,以此为基础对工作辊的随机劣化特性做进一步的研究;（2）以轧辊磨损机理为基础,结合轧辊典型磨损量预测模型,并借助机械工程领域常见的设备随机退化建模思想与方法,研究轧辊的随机磨损特性,建立了轧辊的动态磨损可靠度模型;（3）在动态磨损可靠度模型的基础上,结合轧辊定期更换策略,综合考虑轧辊更换维修过程中所产生的各种成本和对轧辊运行可靠性的要求,建立了以平均最小更换成本为目标、以最优换辊周期为决策变量的最优更换模型。
赵颖[9]（2014）在《冷弯成型设备故障诊断智能系统的构建研究》文中进行了进一步梳理冷弯成型设备故障诊断是近年来国内外发展较快的一门新兴技术。冷弯成型设备故障监测与诊断系统的研究与应用对于避免巨额的经济损失和灾难性事故的发生有着重要意义。人工智能的核心部分是专家系统,它是一种基于知识的计算机软件系统,它集合了某个领域内众多专家的知识和经验,并能按照专家的思维模式对这些经验知识进行推理,做出智能决策。使用专家系统可以对冷弯成型机械设备故障进行比较准确、快速的诊断,实现维修方式从预防性到预测性的转变,延长机组寿命,从而创造巨大的经济效益和社会效益。本文从智能化的角度,以冷弯成型设备为研究对象,主要研究了冷弯成型设备故障诊断智能系统的构建原理。依据冷弯成型设备的运行机理及故障特点,建立了符合冷弯成型设备故障特点的专家系统知识库。并运用最小二乘估计法对设备运行状态进行定量分析,将其定位的故障原因与利用专家经验确定的故障原因相结合,从而使得故障查找更加精准。论文提出的冷弯成型设备故障诊断系统分为前端在线简单监测和后端自动诊断专家系统两部分。在线简单监测部分的实现,运用了最小二乘估计法判断设备的运行状态;后端的故障诊断系统,运用了故障诊断树方法对其进行故障识别,即将故障发生的先后顺序作为树的树枝和节点,组成一棵具有因果关系的故障树。最后通过实际数据进行测试,依据本论文提出的技术建立的故障诊断专家系统进行冷弯成型设备运行状态识别和故障分析解释。
吴轩[10]（2012）在《轧辊故障诊断方法研究》文中研究说明随着非线性动力学研究的不断进步，混沌理论的提出，这使得对非线性学科的研究出现了重大突破。混沌是指确定的系统在一定条件下所呈现的不确定的或不可预测的貌似随机现象。裂纹轧辊在轧制时，非线性现象很强，因此，本文将混沌理论引入轧辊裂纹故障诊断。首先介绍了混沌的定义及其特点，为有效的将有用的信号提取出来，进行了小波去噪的研究，编制了小波降噪的Matlab程序，对信号进行降噪，取得了良好的效果。然后对相空间重构理论进行了介绍，并利C-C方法求得嵌入维数m和延迟时间τ。通过分析正常与裂纹状态下轧辊轧制运动特性，求解混沌振动信号的最大Lyapunov指数、关联维数、Kolmogorov熵特征参数，并对正常与裂纹及裂纹程度不同的状态下的特征参数进行分析，从另一个角度探索了轧故障诊断的新方法，能过混沌特征量的变化对轧辊出现故障进行诊断。时间序列预测是用被预测事物的过去和现在的观测数据，构造依时间变化的序列模型，并借助一定的规则推测未来，是预测机械运动状态的前提。混沌应用于时间序列预测把许多以前被看作随机信号的现象，现在都可以用混沌理论去解释。利用相空间重构理论，基于回声状态网络进行时间序列预测，通过对时间序列预测的研究，为轧辊运行状态的预测奠定基础，使我们对轧辊预测所处的状态是否出现故障及故障的严重程度做出一个判断，这具有很强的实际应用空间，可以提前做好预防措施提高轧机设备的安全性，提高经济效益有着重要的实际应用价值。
二、轧辊故障原因及预防措施（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、轧辊故障原因及预防措施（论文提纲范文）
（2）轧机刚度数据采集及分析系统的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 数据采集系统研究现状 |
| 1.2.2 工业上数据分析方法研究现状 |
| 1.3 本文的主要研究内容 |
| 第2章 系统关键技术及整体框架设计 |
| 2.1 引言 |
| 2.2 轧机刚度的理论基础 |
| 2.2.1 轧机刚度的定义及组成 |
| 2.2.2 轧机刚度的测量 |
| 2.2.3 轧机刚度的评定 |
| 2.3 工业物联网的相关技术 |
| 2.3.1 工业数据采集技术 |
| 2.3.2 工业数据传输技术 |
| 2.3.3 工业传感器技术 |
| 2.4 系统的整体结构框架 |
| 2.4.1 需求分析 |
| 2.4.2 系统的组成结构 |
| 2.5 本章小结 |
| 第3章 轧机刚度数据采集系统的设计 |
| 3.1 引言 |
| 3.2 系统的硬件环境 |
| 3.3 数据采集层的设计 |
| 3.3.1 接口模块 |
| 3.3.2 通信协议 |
| 3.3.3 采集模块实现 |
| 3.4 数据传输层的设计 |
| 3.4.1 GPRS通信模块 |
| 3.4.2 网关备份 |
| 3.5 数据服务层的设计 |
| 3.5.1 数据接收 |
| 3.5.2 数据应用 |
| 3.6 本章小结 |
| 第4章 工业云平台的设计 |
| 4.1 引言 |
| 4.2 云平台结构确定 |
| 4.2.1 云平台硬件配置 |
| 4.2.2 云平台架构 |
| 4.3 平台数据库的设计 |
| 4.3.1 数据库设计原则 |
| 4.3.2 E-R模型的建立 |
| 4.3.3 定义数据表 |
| 4.4 数据分析 |
| 4.4.1 刚度工艺计算 |
| 4.4.2 关键参数提取 |
| 4.4.3 刚度状态评估 |
| 4.4.4 异常数据诊断 |
| 4.5 本章小结 |
| 第5章 系统的测试与验证 |
| 5.1 引言 |
| 5.2 嵌入式Linux的移植 |
| 5.2.1 Boot-Loader的移植 |
| 5.2.2 内核的移植 |
| 5.3 系统的性能测试 |
| 5.3.1 系统的运行效果 |
| 5.3.2 系统的结果验证 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间承担的科研任务与主要成果 |
| 致谢 |
（3）国产高速线材轧辊箱常见故障分析及预防措施（论文提纲范文）
| 0 引言 |
| 1 轧辊箱结构组成 |
| 2 轧辊箱的常见故障及原因分析 |
| 2.1 轧辊箱密封系统失效导致进水或漏油 |
| 2.1.1 密封机理 |
| 2.1.2 产生进水或漏油故障的主要原因 |
| 2.1.2. 1 动密封系统失效的主要原因是相对旋转的密封件（双唇密封）压缩量不足或过多 |
| 2.1.2. 2 静密封系统失效的主要原因是压缩量不足、密封不连贯存在断点 |
| 2.2 辊环锥套转轴或者拔不掉 |
| 2.3 油膜轴承烧损、剥落、划伤等 |
| 2.4 轧辊轴轴向间隙超标导致轧制线偏差 |
| 3 轧辊箱常见故障的预防措施 |
| 3.1 制定标准、执行标准、优化完善标准、建立标准化作业流程 |
| 3.2 建立灵活有效的培训机制，提高员工作业技能 |
| 4 结束语 |
（4）Spark集群环境下的分类数据离群检测及应用（论文提纲范文）
| 中文摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 智能制造 |
| 1.1.2 面向智能制造的大数据技术 |
| 1.1.3 大数据技术与Spark并行计算模型 |
| 1.1.4 大数据挖掘技术在智能制造中的应用 |
| 1.2 离群检测及研究动态 |
| 1.2.1 离群检测 |
| 1.2.2 分类数据离群检测 |
| 1.2.3 混合属性离群检测 |
| 1.2.4 离群数据并行挖掘及性能优化 |
| 1.2.5 离群数据挖掘与智能制造 |
| 1.3 论文研究内容与章节组织 |
| 第二章 基于加权特征分组的高维分类数据离群检测 |
| 2.1 引言 |
| 2.2 相关工作 |
| 2.2.1 离群检测 |
| 2.2.2 高维数据离群检测 |
| 2.2.3 分类数据离群检测 |
| 2.3 离群检测前期准备 |
| 2.3.1 分类数据和问题陈述 |
| 2.3.2 计算特征的相关性 |
| 2.3.3 特征分组算法 |
| 2.4 离群值检测算法WATCH |
| 2.4.1 特征加权 |
| 2.4.2 离群得分 |
| 2.4.3 离群检测算法 |
| 2.4.4 时间复杂度分析 |
| 2.5 实验分析 |
| 2.5.1 数据集 |
| 2.5.2 特征分组评估 |
| 2.5.3 特征分组结果分析 |
| 2.5.4 离群点检测的精度 |
| 2.5.5 离群检测效率 |
| 2.6 本章小结 |
| 第三章 基于Spark的分类数据并行离群挖掘 |
| 3.1 引言 |
| 3.2 基本概念 |
| 3.2.1 高维分类数据特征组 |
| 3.2.2 Map Reduce和 Spark RDD |
| 3.3 特征分组 |
| 3.3.1 基本概念 |
| 3.3.2 特征分组的并行化 |
| 3.4 基于Spark的 POS算法 |
| 3.4.1 基于Spark的 POS算法的工作流程 |
| 3.4.2 基于Spark的特征分组 |
| 3.4.3 并行离群挖掘 |
| 3.5 POS的性能调优 |
| 3.5.1 RDD缓存 |
| 3.5.2 参数调优 |
| 3.6 实验分析 |
| 3.6.1 数据集 |
| 3.6.2 伪分布环境下的挖掘性能 |
| 3.6.3 RDD缓存的影响 |
| 3.6.4 特征组的数量对算法的影响 |
| 3.6.5 算法的可扩展性 |
| 3.6.6 可伸缩性 |
| 3.7 本章小结 |
| 第四章 基于互信息的混合属性加权离群检测算法 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 基于互信息的混合属性相关性度量及加权机制 |
| 4.3.1 互信息计算 |
| 4.3.2 混合属性加权机制 |
| 4.4 基于互信息的混合属性加权离群检测算法 |
| 4.4.1 数值空间离群得分 |
| 4.4.2 分类空间离群得分 |
| 4.4.3 混合属性加权离群检测算法 |
| 4.5 实验结果与分析 |
| 4.5.1 混合属性数据离群检测分析 |
| 4.5.2 数值型数据离群检测分析 |
| 4.5.3 分类型数据离群检测分析 |
| 4.6 本章小结 |
| 第五章 基于Spark的并行互信息计算及其性能优化 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.2.1 互信息及其并行化 |
| 5.2.2 性能优化 |
| 5.3 并行互信息计算及性能优化 |
| 5.3.1 列变换 |
| 5.3.2 数据倾斜 |
| 5.4 MiCS算法的具体实现 |
| 5.4.1 列变换及虚拟划分策略 |
| 5.4.2 互信息计算 |
| 5.5 实验与分析 |
| 5.5.1 应用背景 |
| 5.5.2 数据集 |
| 5.5.3 列变换对MiCS的影响 |
| 5.5.4 虚拟分区对MiCS的影响 |
| 5.6 本章小结 |
| 第六章 冷轧辊制造过程离群检测原型系统 |
| 6.1 引言 |
| 6.2 系统需求与总体设计 |
| 6.2.1 冷轧辊制造过程的复杂性 |
| 6.2.2 冷轧辊的失效分析 |
| 6.2.3 影响冷轧辊生产过程质量的因素 |
| 6.2.4 系统的软件体系结构及功能 |
| 6.3 数据收集及预处理 |
| 6.3.1 数据收集 |
| 6.3.2 数据预处理 |
| 6.4 冷轧辊制造过程离群检测及质量分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 附录 |
| 攻读学位期间发表的学术论文和参加的科研项目 |
（5）基于TPM的轧辊磨床设备综合效率提升方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题的来源及意义 |
| 1.2 TPM理论的国内外发展现状 |
| 1.2.1 国外设备管理研究现状 |
| 1.2.2 我国设备管理研究现状 |
| 1.2.3 设备综合效率的起源与发展 |
| 1.2.4 设备综合效率的定义与计算 |
| 1.2.5 设备综合效率与六大损失的关系 |
| 1.3 本文主要研究内容 |
| 第2章 车间生产设备与工艺流程分析 |
| 2.1 鞍钢冷轧轧辊车间简介 |
| 2.2 轧辊磨床设备特点分析 |
| 2.2.1 磨床设备结构 |
| 2.2.2 轧辊磨削原理 |
| 2.3 本章小结 |
| 第3章 轧辊磨床设备综合效率分析 |
| 3.1 轧辊磨床OEE现状 |
| 3.2 时间开动率的分析 |
| 3.3 性能开动率的分析 |
| 3.4 合格品率分析 |
| 3.5 本章小结 |
| 第4章 轧辊磨床设备综合效率提升方法研究 |
| 4.1 时间开动率改善 |
| 4.1.1 实施快速换模 |
| 4.1.2 计划保全(维修) |
| 4.1.3 改良保全(维修) |
| 4.1.4 预防保全(维修) |
| 4.1.5 改善效果 |
| 4.2 性能开动率的改善 |
| 4.2.1 人机操作改善 |
| 4.2.2 改善效果 |
| 4.3 合格品率改善 |
| 4.3.1 优化磨削加工工艺参数 |
| 4.3.2 精细化管理 |
| 4.3.3 推行标准化作业 |
| 4.3.4 改善效果 |
| 4.4 设备综合效率提升综合效益分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
| 个人简历 |
（6）基于文本分类的纺织热轧机故障诊断系统研究与开发（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词 |
| 第一章 绪论 |
| 1.1 研究背景及课题来源 |
| 1.1.1 研究背景 |
| 1.1.2 课题来源 |
| 1.2 研究现状 |
| 1.2.1 故障诊断研究现状 |
| 1.2.2 故障树研究现状 |
| 1.2.3 文本特征表达方法研究现状 |
| 1.2.4 文本分类算法研究现状 |
| 1.3 存在问题及方案提出 |
| 1.4 课题研究目标与研究意义 |
| 1.5 研究思路与论文结构 |
| 第二章 热轧机模糊故障树的建立 |
| 2.1 引言 |
| 2.2 模糊故障树理论 |
| 2.2.1 故障树基本概念 |
| 2.2.2 故障树的定性与定量分析 |
| 2.2.3 故障树构建方法 |
| 2.2.4 模糊数学理论 |
| 2.3 热轧机故障树的构建 |
| 2.3.1 热轧机故障树构建 |
| 2.3.2 热轧机故障树分析 |
| 2.4 基于模糊函数的故障树算法优化 |
| 2.4.1 专家打分 |
| 2.4.2 模糊数的形成 |
| 2.4.3 模糊函数的聚类 |
| 2.4.4 去模糊化 |
| 2.5 热轧机模糊故障树 |
| 2.5.1 热轧机模糊故障树构建 |
| 2.5.2 热轧机模糊故障树结果分析 |
| 2.6 本章小结 |
| 第三章 热轧机故障文本特征提取 |
| 3.1 引言 |
| 3.2 自然语言处理 |
| 3.2.1 自然语言处理基础理论 |
| 3.2.2 自然语言到数学语言的转化 |
| 3.2.3 传统中文文本分类算法介绍 |
| 3.3 中文文本预处理 |
| 3.3.1 分词原理 |
| 3.3.2 基于N-gram的分词理论基础 |
| 3.3.3 N-gram分词方法的优化 |
| 3.4 基于TF-IDF的文本特征选择 |
| 3.4.1 特征选择方法介绍 |
| 3.4.2 TF-IDF原理 |
| 3.4.3 基于词袋模型的文本向量表示 |
| 3.4.4 基于TF-IDF的特征表示 |
| 3.4.5 文本特征词降维处理 |
| 3.5 基于Word2vec的特征抽取 |
| 3.5.1 Word2vec模型原理 |
| 3.5.2 基于Skip-gram的特征表示 |
| 3.5.3 基于哈夫曼树的Softmax |
| 3.5.4 基于Word2vec的特征抽取方法实现 |
| 3.6 本章小结 |
| 第四章 热轧机故障文本分类 |
| 4.1 引言 |
| 4.2 基于SVM的文本分类 |
| 4.2.1 SVM理论基础 |
| 4.2.2 SVM文本分类建模 |
| 4.2.3 SVM参数优选 |
| 4.2.4 分类模型评价指标 |
| 4.2.5 SVM故障分类结果及分析 |
| 4.3 基于神经网络的文本分类 |
| 4.3.1 神经网络理论基础 |
| 4.3.2 卷积神经网络算法 |
| 4.3.3 CNN文本分类建模 |
| 4.3.4 CNN建模效果分析 |
| 4.3.5 CNN故障分类结果及分析 |
| 4.4 本章小结 |
| 第五章 热轧机故障诊断系统设计与开发 |
| 5.1 引言 |
| 5.2 系统需求分析及总体目标 |
| 5.2.1 需求分析 |
| 5.2.2 总体目标 |
| 5.3 系统总体设计 |
| 5.3.1 系统功能模块设计 |
| 5.3.2 系统角色和权限设计 |
| 5.3.3 系统业务流程 |
| 5.3.4 数据库设计 |
| 5.3.4.1 数据库的概念设计 |
| 5.3.4.2 数据库逻辑结构设计 |
| 5.3.4.3 数据库物理设计 |
| 5.4 系统开发 |
| 5.4.1 开发环境 |
| 5.4.2 功能实现 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的科研成果 |
| 附录 |
（7）HFW焊管生产中常见问题及其预防措施（论文提纲范文）
| 1 板边鼓包原因及预防措施 |
| 2 焊管表面划伤原因及预防措施 |
| 3 焊缝错边原因及预防措施 |
| 4 带钢跑偏原因及预防措施 |
| 5 HFW焊管直线度的影响因素 |
| 6 结束语 |
（8）轧辊随机磨损模型及其最优更换策略研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景及研究意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 轧辊磨损模型的研究现状 |
| 1.2.2 基于可靠性的设备维修优化研究现状 |
| 1.3 本文的研究内容及结构安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 结构安排 |
| 1.4 技术路线 |
| 第二章 轧辊概述及其磨损机理分析 |
| 2.1 轧辊简要介绍 |
| 2.1.1 轧辊构造及其分类 |
| 2.1.2 轧辊工作原理概述 |
| 2.2 轧辊磨损机理分析 |
| 2.2.1 轧辊磨损概述 |
| 2.2.2 轧辊磨损机理与特点 |
| 2.3 本章小结 |
| 第三章 轧辊随机磨损模型的建立 |
| 3.1 轧辊磨损预测典型模型 |
| 3.1.1 轧辊磨损的度量 |
| 3.1.2 轧辊磨损典型模型分析 |
| 3.2 随机磨损建模方法 |
| 3.3 轧辊随机磨损特性建模 |
| 3.3.1 轧辊随机磨损特性 |
| 3.3.2 轧辊磨损的随机化过程 |
| 3.4 本章小结 |
| 第四章 基于随机模型的轧辊最优更换策略决策建模 |
| 4.1 可靠性建模方法 |
| 4.2 轧辊最优更换策略的建模 |
| 4.2.1 轧辊动态磨损可靠度函数的计算 |
| 4.2.2 基于可靠度的轧辊最优更换建模 |
| 4.3 实例分析 |
| 4.3.1 参数定义 |
| 4.3.2 实例验证及分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录及参与的项目 |
（9）冷弯成型设备故障诊断智能系统的构建研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 冷弯成型设备故障诊断的目的和意义 |
| 1.2 国内外机械故障诊断的研究现状 |
| 1.2.1 国外机械故障诊断的研究现状 |
| 1.2.2 国内机械故障诊断的研究现状 |
| 1.3 冷弯成型设备故障研究 |
| 1.3.1 冷弯成型设备故障分类及研究方向 |
| 1.3.2 冷弯成型设备故障模型分析 |
| 1.3.3 冷弯成型设备故障诊断模型存在的问题及解决方法 |
| 1.4 课题主要研究内容 |
| 第2章 冷弯成型设备故障诊断技术 |
| 2.1 故障诊断学的理论基础 |
| 2.1.1 故障诊断学中的数学基础 |
| 2.1.2 故障诊断学中的力学基础 |
| 2.1.3 故障诊断学中的物理基础 |
| 2.1.4 故障诊断学中的化学基础 |
| 2.2 冷弯成型设备故障机理研究 |
| 2.2.1 机架故障 |
| 2.2.2 轧辊磨损故障 |
| 2.2.3 轧辊裂纹故障 |
| 2.2.4 轧辊剥落故障 |
| 2.2.5 轧辊断裂故障 |
| 2.3 冷弯成型设备故障诊断技术研究 |
| 2.3.1 最小二乘估计法 |
| 2.3.2 故障诊断专家系统 |
| 2.4 故障判断方法 |
| 2.5 本章小结 |
| 第3章 冷弯成型设备故障监测 |
| 3.1 冷弯成型设备故障监测原理 |
| 3.2 基于最小二乘估计法的故障监测系统 |
| 3.2.1 最小二乘辨识方法 |
| 3.2.2 最小二乘估计法及其改进 |
| 3.3 本章小结 |
| 第4章 冷弯成型设备故障诊断智能系统构建 |
| 4.1 引言 |
| 4.2 冷弯成型设备故障诊断专家系统知识表示 |
| 4.2.1 专家系统知识表示原则 |
| 4.2.2 专家系统知识表示方法 |
| 4.2.3 冷弯成型设备故障诊断专家系统知识表示方式 |
| 4.3 冷弯成型设备故障诊断专家系统知识获取 |
| 4.3.1 专家系统知识获取过程 |
| 4.3.2 专家系统知识获取方式 |
| 4.3.3 冷弯成型设备故障诊断专家系统知识获取 |
| 4.4 冷弯成型设备故障诊断专家系统知识库建立 |
| 4.4.1 故障树法概述 |
| 4.4.2 基于故障树的知识库建立 |
| 4.5 冷弯成型设备故障诊断专家系统推理机设计 |
| 4.5.1 专家系统诊断推理策略 |
| 4.5.2 专家系统诊断控制策略 |
| 4.5.3 冷弯成型设备故障诊断专家系统推理机制 |
| 4.6 本章小结 |
| 第5章 冷弯成型设备故障诊断系统的功能设计及测试 |
| 5.1 系统总体构架 |
| 5.2 故障诊断智能系统的应用 |
| 5.2.1 在线简单监测测试 |
| 5.2.2 故障诊断专家系统测试 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间所发表的论文 |
| 致谢 |
（10）轧辊故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 机械故障诊断的意义及现状 |
| 1.2 混沌理论的发展状况 |
| 1.2.1 混沌理论的发展历史 |
| 1.2.2 混沌理论在机械故障诊断中的应用 |
| 1.3 本课题的研究意义和内容 |
| 1.3.1 研究意义 |
| 1.3.2 主要研究内容 |
| 第2章 混沌理论及小波去噪 |
| 2.1 混沌简介及运动特点 |
| 2.2 奇异吸引子 |
| 2.3 混沌特征量 |
| 2.3.1 Lyapunov 指数 |
| 2.3.2 维数 |
| 2.3.3 Kolmogorov 熵 |
| 2.4 轧辊典型故障及模态分析 |
| 2.4.1 轧辊典型故障 |
| 2.4.2 裂纹对轧辊固有频率及振型的影响 |
| 2.5 小波去噪的理论 |
| 2.5.1 小波分析 |
| 2.5.2 小波阈值去噪 |
| 2.5.3 基于样本估计阈值的选取 |
| 2.6 小波去噪的实际应用 |
| 2.7 本章小结 |
| 第3章 基于混沌特征量的故障诊断 |
| 3.1 相空间重构理论 |
| 3.1.1 相空间重构 |
| 3.1.2 相空间重构参数选取 |
| 3.1.3 C—C 方法 |
| 3.2 基于 Lyapunov 指数的机械故障诊断 |
| 3.2.1 最大 Lyapunov 指数计算 |
| 3.2.2 最大 Lyapunov 指数在故障诊断中的应用实例 |
| 3.3 关联维数 |
| 3.3.1 关联维数的计算方法 |
| 3.3.2 关联维数在机械故障诊断应用 |
| 3.4 基于 Kolmogorov 熵的故障诊断 |
| 3.4.1 Kolmogorov 熵 |
| 3.4.2 K 熵的计算原理 |
| 3.4.3 K 熵在轧辊故障诊断中的应用 |
| 3.5 本章小结 |
| 第4章 基于混沌理论振动信号预测 |
| 4.1 时间序列预测简介 |
| 4.2 回声状态网络 |
| 4.2.1 回声状态网络介绍 |
| 4.2.2 回声状态网络的训练过程 |
| 4.3 基于回声状态网络的混沌时间序列直接预测方法 |
| 4.4 回声状态网络应用实例 |
| 4.5 回声状态网络的关键参数 |
| 4.6 本章小结 |
| 第5章 故障诊断界面的设计和试验平台的建立 |
| 5.1 界面的开发 |
| 5.1.1 Visual C++ 6.0 与 MATLAB 混合编程 |
| 5.1.2 混合编程步骤 |
| 5.1.3 混沌故障诊断及预测界面设计 |
| 5.2 信号采集实验 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间承担的科研任务与主要成 |
| 致谢 |
| 作者简介 |
四、轧辊故障原因及预防措施（论文参考文献）
- [1]棒材悬臂精轧机运行故障分析与改进[J]. 洪荣勇. 金属世界, 2021(06)
- [2]轧机刚度数据采集及分析系统的研究[D]. 谢观义. 燕山大学, 2021(01)
- [3]国产高速线材轧辊箱常见故障分析及预防措施[J]. 王小军. 内燃机与配件, 2021(01)
- [4]Spark集群环境下的分类数据离群检测及应用[D]. 李俊丽. 太原科技大学, 2020(03)
- [5]基于TPM的轧辊磨床设备综合效率提升方法研究[D]. 孙孝升. 哈尔滨工业大学, 2020(01)
- [6]基于文本分类的纺织热轧机故障诊断系统研究与开发[D]. 晁海涛. 南京航空航天大学, 2019(02)
- [7]HFW焊管生产中常见问题及其预防措施[J]. 罗勇. 焊管, 2018(02)
- [8]轧辊随机磨损模型及其最优更换策略研究[D]. 张炯. 太原科技大学, 2016(12)
- [9]冷弯成型设备故障诊断智能系统的构建研究[D]. 赵颖. 河北科技大学, 2014(01)
- [10]轧辊故障诊断方法研究[D]. 吴轩. 燕山大学, 2012(05)