一、基于数据挖掘的焊接生产管理平台（论文文献综述）
刘筱曼[1]（2021）在《基于决策树算法的5M1E在GS公司外贸服装产品质量控制中的应用》文中研究指明随着近几年来中美贸易摩擦的不断加大以及国内产能过剩的日益严重,国内外贸服装行业所面临的形势正变得日趋严峻。作为传统劳动密集型行业,国内外贸服装公司原先所具有的竞争优势,正随着国内劳动力成本和原材料价格的上涨而日渐式微。东南亚服装制造业的逐步崛起,让国内整个外贸服装行业感到了前所未有的竞争压力。在价格已不占优势的情况下,如何维持竞争优势并保持外贸订单的数量已成为外贸服装企业所面临的重要问题。提升外贸服装产品质量显然是解决此问题的重要方法之一,而要保证和提升产品质量,必须加强生产过程的质量控制。有效的进行质量控制是确保产品质量和提升产品质量,进而促使企业发展、赢得市场、获得利润的核心。质量控制是为了达到质量要求所采取的作业技术和活动,通过监视质量形成过程,消除质量环上所有阶段引起不合格或不满意效果的因素,其最终目标是确保产品能满足要求。GS公司经过多年的发展,积累了丰富的外贸服装生产经验,在取得一定业绩的同时也遇到了诸多的问题,尤其是质量问题始终没有得到有效的解决。对公司的外贸服装产品质量控制进行研究就变得十分需要和迫切。GS公司通过多年的信息化建设后保存了大量的产品生产相关数据,抽取了其中494个样本和13个属性,利用数据挖掘技术对这些数据进行分析,找到影响质量的关键因素,从而为提升产品质量指明方向。在分析了GS公司外贸服装产品质量控制现状后,本文选用的是易于理解和实现的决策树,并采用C4.5算法构建质量控制模型。模型构建后验证模型的分类准确率达82%,可应用于GS公司的质量控制研究之中。在所构建的决策树模型上运行GS公司的质量数据,得出影响外贸服装质量的关键因素有做工等级、面料等级和外观等级。分析三个关键因素并结合5M1E方法对GS公司生产过程中的质量问题进行分析后,从人员、材料、机器、方法和环境几方面给出了质量控制的解决方案。本文为GS公司制定了方案的实施计划和实施步骤,并在组织、技术和资金方面给出了有力的保障措施,保证方案的顺利实施。质量控制并不是一劳永逸的事情,随着社会生产技术的发展,将会出现新的问题和挑战,我们要与时俱进,不断运用新的方法去解决新的问题!
冯晔[2]（2021）在《基于CEEMDAN和XGBOOST的车身生产过程质量预测》文中指出随着中国制造2025的到来,汽车制造业数字化车间规模逐步扩大,白车身作为汽车总成的重要组成部分,由于质量问题导致的事故必然引起企业部门的重视,对其生产流程也是严格要求。影响问题日益加剧,多级制造系统中的车身装配精准控制问题是汽车行业长期研究却未能有效解决的问题之一。本文以制造企业生产过程质量管理为背景,针对汽车多级制造系统中传统机器学习方法处理多元数据样本时间久,精度低等特点,基于大数据分析并结合先进的机器学习技术,对多级制造系统中的车身装配进行预测,主要研究内容如下;首先,提出了基于CEEMDAN的特征提取方法。在经验模态分解基础上提出了自适应噪声的完备经验模态的构造原理和概念。由于检测时的数据信号受夹具装备或零件尺寸大小等外界环境的影响,所以故障信号分量会持有不平衡的随机性能,分析了基于自适应噪声的完备经验模态分解方法在处理数据信号时的优势,对处理这种非平稳数据提供了一种可行性手段。通过CEEMDAN与EMD和EEMD方法对比分析,验证了CEEMDAN在解决数据的混叠模态和分解过度问题方面的有效性和优越性。其次,提出了白车身尺寸偏差生产装配过程中的质量智能预测模型。通过对车身多级装配过程的分析,对众多数据样本进行预处理,建立基于Spearman系数的不同特征要素的绝对相关性矩阵,利用对生产流程的所有数据挖掘分析,提出数据分析流程与数据处理框架,在此基础上,建立基于XGBoost的车身尺寸装配质量智能预测模型,实现对车身尺寸装配的精准控制,准确快速的预测出车身装配中的异常数据,针对提出的车身质量智能预测模型,提出基于AUC＿ROC的评估方案,对模型性能进行训练及评估。从理论研究和实际应用出发,对整车白车身生产过程的质量进行预测,通过与传统机器学习算法的对比分析,验证XGBoost算法的可行性和高效性。最后,针对案例进行实验仿真分析。从案例验证研究入手,构建了基于车身制造质量数据检测和管理平台、车身制造过程尺寸数据的存储和操作分析系统。分析了初始系统在车身生产过程中的关键工序和生成的海量数据,在此基础上,利用了初始系统的开发环境条件和整体结构,并以案例公司为例进行了具体的实例分析,通过与传统机器学习算法的对比分析,验证了基于CEEMDAN和XGBoost算法的车身尺寸预测模型的可行性和高效性。综上,本文提出基于CEEMDAN和XGBoost算法车身尺寸预测模型,一方面可以解决汽车在生产过程中存在的分层化数据基数大、差异数据多、数据噪声与不稳定性等问题;另一方面可以实现对车身尺寸装配的精准预测控制,为汽车生产线的稳定运行提供技术支持。
刘彦谷[3]（2020）在《基站测试数据分析系统设计与实现》文中研究说明随着5G通信的应用逐渐扩展,5G基站的市场需求与日俱,通信基站的产品技术向着多频段、多天线、多制式发展。因而基站的生产测试量将成倍增加,单台基站的测试数据也将变得庞大难以处理。然而某基站制造企业的研发部门和生产部门两者独立,使得测试数据在两部门之间难以互相分享。具备数据处理和软件实现的研发部门,获取的生产数据仅为产品交付之前的少批量产品,而在产品交付之后,生产部门往往侧重提高产品出货率,而忽略了测试数据回溯分析,使得测试数据往往搁置在数据库中,利用率极低。因而设计出生产数据挖掘算法,从庞大的生产数据中提取出产品生产测试情况和产品性能水平,可以极大提高生产部门和研发部门对与测试数据处理的效率,并有利于该企业研发生产出更高质量的产品。通过对测试数据可应用的场景进行分析,本文提出了对应的设计方法。从该企业生产部门的角度,提高产品出货率是该部门的重要目标。生产部门可通过频繁项集挖掘对测试数据分析,以达到删减测试项目,检查产料批次质量,验证测试软件稳定性,监测生产测试站环境、比较各工厂生产质量的目的。从研发部门的角度,交付高可靠性能产品低成本的产品是主要目标。应用聚类分析对生产数据各项测试的指标进行聚类比较,从生产数据中筛查产品设计缺陷,预估相似产品设计风险,达到修正研发模型和缩短研发周期的目的。本文基于MATLAB,设计开发了一套可用于生产数据挖掘的算法和数据分析子系统,设计模块包括数据获取及预处理、数据分析任务管理、挖掘算法模块和数据表达模块。其中在挖掘算法模块中实现了频繁模式挖掘和聚类分析两套独立的算法子模块。在算法代码工作完成后,利用某基站在2020年的生产数据,根据不同的应用场景,进行了示例分析和结果展示。本文挖掘算法的设计按照模块化实现,具有较好的可易用性、可扩展性和可读性
魏巍,陈政,袁君[4]（2020）在《一种基于制造大数据的产品工艺自适应设计方法》文中研究表明随着数字化与智能化生产方式在制造业中的广泛应用,引导企业重视并发挥制造大数据的价值对革新产品工艺设计具有重要意义。本文旨在面向企业数据与业务深度融合的应用需求,提出一种基于制造大数据挖掘的产品工艺自适应设计应用方法,用于解决企业中制造数据利用率不足等问题。以企业制造数据为起点,提出了"数据+知识+决策"的产品工艺自适应设计模式,总结了该模式的制造数据挖掘与利用流程,涵盖多源异构数据融合、数据清洗与预处理、数据变换与降维、数据挖掘、数据可视化和设计决策6个过程。最后以汽车产品焊接工艺为例,建立焊接工艺参数与焊接缺陷的预测模型,用于改善焊接工艺并提高焊接质量,实现制造大数据驱动的焊接工艺自适应设计。研究表明,制造大数据蕴含丰富的知识与模式,可以指导产品设计决策,支持实现不同制造环境下的产品工艺自适应设计;建议进一步推动大数据与第五代移动通信技术等新兴技术的结合,增加对大数据平台、算法设计平台研发的投入,激发制造大数据与产品工艺设计的更大交融。
薛剑[5]（2020）在《面向云服务的生产线智能调度优化方法研究》文中进行了进一步梳理推动制造业升级和加强制造业高质量发展是“十三五”规划的重点工作。随着智能制造和云制造的提出和发展,制造系统的智能化和制造资源的共享和整合成为制造业转型升级过程中出现的新方法。现阶段制造企业无法突破行业壁垒,在生产调度方面的海量历史数据得不到有效的管理和利用。而云服务平台在制造行业的尝试和推广,将多种类、多维度和广时域的生产控制数据和调度方法进行协同和共享,为车间层生产线调度方法的优化奠定了基础。鉴于此,为了提高对设备、生产计划和知识方法的海量历史数据资源利用,本文研究了面向云服务的生产线智能调度优化方法。首先,在云服务平台和工业大数据背景下,综合云服务的智能调度模式和“云-边-端”协同模式,提出了面向云服务的生产线调度“初调度-再调度”模型;并通过ARENA生产系统仿真软件利用分层建模的思想建立生产制造车间的数字化模型。其次,针对生产计划任务中相关的调度资源云服务化方法进行研究,解决了云服务平台下海量历史数据的分析和利用。基于可扩展标记语言（XML）对数据进行表达,为整合企业各类型数据提供统一化和标准化的方式。为获取所需的目标生产资源属性,基于文本特征抽取的向量空间模型（VSM）,综合生产调度资源的设备属性、工艺特征和用户需求三方面,构建历史调度方案选择模型。设计了针对云端历史数据与云平台使用者需求进行语义匹配和相似优选的算法,从而得到较优的生产调度方案。再次,研究了基于云平台历史调度方案指导车间层生产调度问题。结合历史调度方案引入遗传算法,提出了针对混流车间的调度问题的初始种群优化方法,以最小化最大完工时间为目标求解模型。减少用户需求车间层实际约束偏差的影响,提高调度方案指导实际生产的适应性。最后,构建了针对论文中案例的云服务生产调度系统,将论文中的生产调度优化方法嵌入其中,实现从用户的角度使用此云服务生产调度系统完成获取到满足相应需求的生产调度方案,并指导车层间的生产线进行实际生产调度。
刘奕[6]（2020）在《5G网络技术对提升4G网络性能的研究》文中进行了进一步梳理随着互联网的快速发展,越来越多的设备接入到移动网络,新的服务与应用层出不穷,对移动网络的容量、传输速率、延时等提出了更高的要求。5G技术的出现,使得满足这些要求成为了可能。而在5G全面实施之前,提高现有网络的性能及用户感知成为亟需解决的问题。本文从5G应用场景及目标入手,介绍了现网改善网络性能的处理办法,并针对当前5G关键技术 Massive MIMO 技术、MEC 技术、超密集组网、极简载波技术等作用开展探讨,为5G技术对4G 网络质量提升给以了有效参考。
张亦成[7]（2020）在《基于电流和光谱协同感知的CMT焊接过程成份监测系统》文中提出随着焊接制造业的不断进步和发展,传统焊后检测已经不能满足工艺过程的需求。焊接过程产生的电流和光谱数据包含大量与焊接质量相关的有效信息,可以为焊接工艺参数调整和焊接质量的判断提供数据支撑。本文提出了一种基于电流和光谱协同的分析方法并设计了一套基于ZYNQ开发板的电流和光谱协同感知系统。具体内容如下:（1）基于电流的保护气流量大小监测。本文首次将Apriori数据挖掘算法应用于保护气流量的监测。通过硬件设计将得到的关联规则移植到FPGA上,从而实现对保护气流量大小简洁高效的在线判定,并与焊机控制系统形成交互,提升了焊接质量。（2）基于光谱的焊丝成份监测。本文对现有的卷积神经网络进行修改和优化,引入了Inception结构的同时重新搭建了一套适用于嵌入式开发板的卷积神经网络,并利用HLS软件对该卷积神经网络进行硬件设计。充分利用了FPGA并行性,提高了计算效率和速度,实现了在线监测焊丝成分变化。并与焊机控制系统形成交互,提升了焊接质量。（3）基于电流和光谱协同的焊接质量监测系统。本系统基于ZYNQ开发板进行设计具有低功耗、低成本和体积小等优点,将焊接过程中保护气流量大小和焊丝成份变化通过IO口和串口反馈给焊机控制系统,实现了焊接过程中工艺参数的调整。最后提出电流和光谱数据协同感知的方法,将电流和光谱数据进行拼接融合,将融合后的信号输入到卷积神经网络中进行训练,通过与电流和光谱单源信号结果对比,表明融合后的效果优于电流和光谱单源信号的效果。
杨丽,苏航,柴锋,罗小兵,段琳娜[8]（2019）在《材料数据库和数据挖掘技术的应用现状》文中研究说明数据库作为材料基因工程的三大重点研究领域之一,对材料的加速设计有重要的作用和意义。从20世纪70年代起材料数据库开始在国内外逐步发展,到目前为止各国都已形成了一定数量的离线和在线数据库。早期材料数据库的基本功能是数据存储、数据管理以及数据检索服务。随着材料基因工程理念的提出,材料数据库开始关注发展数据共享、数据自动收集和输出等系列新功能。通过在线集成计算软件或程序、数据分析工具已逐步建立了一些基于数据库的材料智能设计平台。数据挖掘不考虑复杂的物理和化学意义,而是直接从材料数据库中挖掘出有价值的知识或模式的过程,它能够充分发挥材料数据库甚至小数据量在材料设计中的作用。目前已经被广泛应用到材料性能预测和优化、缺陷质量预测和生产监控、微观组织识别等相关领域。未来,材料数据库和数据挖掘技术将更加紧密地结合,协同向材料集成计算和智能设计的需求方向发展。
彭鹏[9]（2019）在《基于关联规则的船舶制造实动工时影响因素分析》文中指出目前我国船厂在生产过程中实动工时超额的现象仍然普遍存在,特别是外包工超额的问题尤为严重。而目前船厂大量的业务都是通过外包的方式去完成,这就导致船厂派工生产的执行力较低,产生延期交货的问题,最终导致造船成本相对较高。实动工时超额的问题一方面是由于船厂制定生产任务的定额工时不准确导致的,另一方面就是由员工在生产制造过程中产生的。而随着生产现场管理信息化和智能化应用的不断深入,造船企业积累了大量的生产制造过程数据,在这些数据中很有可能存在影响实动工时的因素,但这些数据只被统计在数据库中未加以利用,基于此本文通过对这些过程数据进行研究分析,找出在生产过程中影响实动工时的因素。因此,本文以影响实动工时的因素为研究对象,从大数据的角度对生产过程中影响实动工时的因素进行挖掘分析。首先,对船舶制造生产派工过程进行分析,梳理影响船舶制造实动工时的可能因素,根据设定的选取原则并通过专家问卷调查以及行业经验知识从梳理的影响因素中选取十个因素用于本文研究。其次,根据船舶制造生产派工数据离散型的特点,应用关联规则中的Apriori算法构建了基于上述十个因素的数据挖掘模型。然后选取某船舶制造企业采集相关实动工时数据3180447条作为样本进行挖掘研究,首先对样本进行预处理,在剔除影响工时直接因素的基础上整理出完整的数据960438条,以实动工时超出定额工时20%为原则从中筛选出共计371895条数据,再从中选取数据最多的电焊、装配和涂装三种工种共计115628条数据为研究的样本对象。在此基础上通过数据挖掘软件clementine找出影响实动工时的潜在因素,以及影响因素之间的关联关系,最后对挖掘的结果进行解释,并提出相应建议。本文通过对数据进行研究分析,找出影响实动工时的潜藏因素及潜藏影响因素之间的关联关系,论文的研究结果对提高生产效率,降低制造成本,合理制定定额工时有一定的参考价值。
石洋东[10]（2019）在《混凝土泵车焊接工艺资源环境属性分析建模及其应用》文中研究指明近年来,我国大力推动“绿色工厂”、“智能工厂”的试点示范,混凝土机械制造企业向绿色化、数字化、智能化的方向转型升级迫在眉睫。混凝土泵车在混凝土机械产品中占有重要地位,而焊接工艺是混凝土泵车制造过程中的典型加工工艺之一。然而,国内外现有文献在焊接工艺资源环境属性分析、建模等方面的研究还不够全面与深入,且混凝土机械制造企业对焊接工艺资源环境属性数据库系统的需求日益迫切。因此,本文面向混凝土泵车的焊接工艺,开展其资源环境属性分析建模及其应用的研究。首先,分析混凝土泵车焊接工艺的资源环境属性,建立其IPO（Input-Process-Output）模型与量化模型,从物料流、能量流、环境排放流三个层面构建其资源环境属性综合分析体系。其中,重点分析了混凝土泵车焊接工艺的多源能耗与多源碳排放特性,并建立了焊接工艺多源能耗与多源碳排放量化模型。然后,搭建混凝土泵车焊接工艺资源环境属性基础数据采集平台,开展焊接工艺实验,研究焊接工艺过程中的物料消耗、能耗、粉尘、噪声等资源环境属性基础数据采集的关键技术。针对混凝土泵车典型结构件的焊接工艺实验,结合本文建立的混凝土泵车资源环境属性分析体系及其量化模型,分别对混凝土泵车典型结构件焊接工艺的资源环境属性情况、多源能耗与多源碳排放情况进行分析。其中,对电焊机能耗模型进行了实验验证,其理论值与测试值吻合程度较高,相对误差在8%范围内。再者,建立了混凝土泵车焊接工艺资源环境属性的神经网络预测模型,其预测性能测试结果表明,该神经网络训练样本、验证样本、测试样本的预测值与其对应实验值的相关系数R分别为0.9992、0.9983、0.9981,均在0.9980以上,三类样本与实验值的总体相关系数R’高达0.9989。而且,神经网络预测值与实际值的对比验证结果表明,电焊机能耗、粉尘PM 2.5、PM 10及噪声的神经网络预测值与其实验测算/测试值相对误差率分别在4.2%、8.5%、4.0%及2.5%以内。最后,通过Visual Basic软件开发平台,研发了混凝土泵车焊接工艺资源环境属性数据库系统,通过了湖南省软件评测中心的软件鉴定测试,且在中联重科成功示范应用。
二、基于数据挖掘的焊接生产管理平台（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、基于数据挖掘的焊接生产管理平台（论文提纲范文）
（1）基于决策树算法的5M1E在GS公司外贸服装产品质量控制中的应用（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 国内外文献评论总结 |
| 1.3 研究内容及方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 研究难点与创新之处 |
| 1.4.1 研究难点 |
| 1.4.2 创新之处 |
| 第2章 相关方法和理论 |
| 2.1 质量控制方法 |
| 2.1.1 质量控制简述 |
| 2.1.2 5M1E分析法 |
| 2.2 决策树算法的相关理论 |
| 2.2.1 数据挖掘简述 |
| 2.2.2 决策树算法理论 |
| 2.2.3 决策树算法的作用及特点 |
| 2.3 本章小结 |
| 第3章 GS公司介绍 |
| 3.1 GS公司概况 |
| 3.1.1 公司简介 |
| 3.1.2 公司经营情况 |
| 3.2 GS公司内外部环境分析 |
| 3.2.1 波特五力模型 |
| 3.2.2 SWOT分析 |
| 3.3 本章小结 |
| 第4章 GS公司外贸服装产品质量控制现状 |
| 4.1 外贸服装产品常见质量问题及评价体系 |
| 4.1.1 外贸服装产品常见质量问题 |
| 4.1.2 外贸服装产品质量评价体系 |
| 4.2 GS公司目前采用的方法和手段 |
| 4.2.1 GS公司目前采用的质量控制方法 |
| 4.2.2 GS公司目前采用的质量控制手段 |
| 4.3 GS公司外贸服装产品质量控制现状 |
| 4.3.1 GS公司外贸服装产品质量问题概况 |
| 4.3.2 GS公司外贸服装产品质量控制现存问题 |
| 4.4 本章小结 |
| 第5章 GS公司质量控制模型构建及改进方案 |
| 5.1 GS公司质量控制决策树模型的构建 |
| 5.1.1 目标任务 |
| 5.1.2 数据采集 |
| 5.1.3 模型构建 |
| 5.1.4 模型优化验证 |
| 5.2 GS公司质量控制决策树模型的应用分析 |
| 5.2.1 确定影响质量的关键因素 |
| 5.2.2 分析影响质量的关键因素 |
| 5.2.3 5M1E质量问题因果分析 |
| 5.3 GS公司基于5M1E的质量控制改进方案 |
| 5.3.1 人员管理改进方案 |
| 5.3.2 机器设备管理改进方案 |
| 5.3.3 原材料管理改进方案 |
| 5.3.4 生产方法改进方案 |
| 5.3.5 环境管理改进方案 |
| 5.4 本章小结 |
| 第6章 GS公司外贸服装质量控制方案的实施 |
| 6.1 实施计划 |
| 6.1.1 计划目标 |
| 6.1.2 细分计划 |
| 6.2 实施步骤 |
| 6.2.1 前期准备 |
| 6.2.2 建立实施组织 |
| 6.2.3 方案实施 |
| 6.3 实施保障 |
| 6.3.1 组织保障 |
| 6.3.2 经济保障 |
| 6.3.3 技术保障 |
| 第7章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
（2）基于CEEMDAN和XGBOOST的车身生产过程质量预测（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车身尺寸精度装配过程质量预测研究现状 |
| 1.2.2 统计过程质量预测研究现状 |
| 1.3 本文研究内容 |
| 1.4 论文结构 |
| 1.5 创新点 |
| 第2章 相关理论与方法 |
| 2.1 数据质量问题 |
| 2.1.1 重复数据 |
| 2.1.2 缺失数据 |
| 2.1.3 不一致数据 |
| 2.2 经验模态分解的方法 |
| 2.3 集成学习 |
| 2.3.1 随机森林算法原理 |
| 2.3.2 梯度提升决策树原理 |
| 2.3.3 极端梯度提升决策树 |
| 2.4 本章小结 |
| 第3章 基于CEEMDAN的车身特征选取方法 |
| 3.1 EMD方法介绍 |
| 3.1.1 本征模函数 |
| 3.1.2 EMD方法的分解过程 |
| 3.2 EEMD方法介绍 |
| 3.3 CEEMDN方法介绍 |
| 3.4 基于CEEMDAN的车身特征提取仿真验证 |
| 3.5 本章小结 |
| 第4章 基于XGBoost的车身尺寸装配质量智能预测模型 |
| 4.1 白车身生产过程概述 |
| 4.2 车身尺寸偏差数据特征分析 |
| 4.2.1 基于斯皮尔曼等级相关的车身尺寸偏差数据分析 |
| 4.2.2 车身尺寸生产过程中质量数据特征相关性分析 |
| 4.3 XGBoost建模过程 |
| 4.4 模型评估 |
| 4.4.1 回归模型评估指标 |
| 4.4.2 分类模型评价指标及方案 |
| 4.5 本章小结 |
| 第5章 实验案例仿真分析 |
| 5.1 仿真说明 |
| 5.2 数据处理 |
| 5.2.1 数据处理流程 |
| 5.2.2 流程分析 |
| 5.3 实验案例仿真与分析 |
| 5.3.1 电脑参数配置 |
| 5.3.2 实验案例仿真操作流程 |
| 5.4 实验案例仿真结果分析 |
| 5.5 本章小结 |
| 第6章 结论 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 在学期间研究成果 |
| 致谢 |
（3）基站测试数据分析系统设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 大数据分析设计流程 |
| 1.4 本文的研究内容 |
| 1.5 本论文的结构安排 |
| 第二章 相关理论与技术介绍 |
| 2.1 关联规则挖掘算法 |
| 2.1.1 项集(Item Set)和关联规则 |
| 2.1.2 关联规则挖掘算法流程与示例 |
| 2.1.3 先验性质Apriori算法 |
| 2.2 聚类分析 |
| 2.2.1 k-均值算法 |
| 2.2.2 层次分析方法 |
| 2.3 通信基站测试标准 |
| 2.3.1 上行测试指标 |
| 2.3.2 下行测试指标 |
| 2.3.3 硬件测试指标 |
| 2.4 开发工具介绍 |
| 2.5 本章小结 |
| 第三章 通信基站测试数据挖掘算法设计 |
| 3.1 基站测试数据挖掘应用分析 |
| 3.1.1 生产部门的应用分析 |
| 3.1.2 研发部门的应用分析 |
| 3.2 基于基站测试数据应用的挖掘算法设计 |
| 3.2.1 数据获取及预处理 |
| 3.2.2 频繁模式挖掘 |
| 3.2.3 聚类分析 |
| 3.3 本章小结 |
| 第四章 通信基站测试数据分析子系统设计 |
| 4.1 总体设计 |
| 4.1.1 用户需求 |
| 4.1.2 原软件系统架构与数据分析子系统 |
| 4.1.3 数据分析子系统模块 |
| 4.2 数据获取及预处理 |
| 4.3 数据分析任务管理 |
| 4.4 挖掘算法模块 |
| 4.5 数据表达 |
| 4.6 本章小结 |
| 第五章 通信基站测试数据算法应用结果 |
| 5.1 生产测试时间成本缩减 |
| 5.2 产料批次质量管理 |
| 5.3 测试软件稳定性分析 |
| 5.4 生产测试站环境监测 |
| 5.5 工厂生产质量比较 |
| 5.6 产品设计质量追踪 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
（4）一种基于制造大数据的产品工艺自适应设计方法（论文提纲范文）
| 一、前言 |
| 二、产品工艺自适应设计方法分析 |
| （一）多源异构数据融合 |
| （二）数据清洗与预处理 |
| （三）数据变换与降维 |
| （四）数据挖掘 |
| （五）数据可视化 |
| （六）设计决策 |
| 三、制造大数据在产品工艺自适应设计中的应用——以数据挖掘为例 |
| （一）焊接射线图像缺陷检测 |
| （二）工艺参数和焊接质量关联性模型 |
| （三）缺陷检测模型在产品工艺设计中的应用 |
| 四、结语 |
（5）面向云服务的生产线智能调度优化方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 研究目的与意义 |
| 1.3 国内外研究现状及分析 |
| 1.3.1 车间层生产线智能调度的研究现状 |
| 1.3.2 云环境下的生产线调度研究现状 |
| 1.3.3 云服务平台的研究现状 |
| 1.3.4 国内外文献综述的简析 |
| 1.4 本文主要研究内容 |
| 第2章 面向云服务的生产调度模型的构建 |
| 2.1 问题描述及定义 |
| 2.2 调度模型分析及构建 |
| 2.2.1 面向云服务的智能调度 |
| 2.2.2 “云-边-端”协同模式 |
| 2.2.3 面向云服务的生产调度模型 |
| 2.3 基于ARENA的生产单元仿真 |
| 2.3.1 汽车侧围班组生产工艺分析及节拍数据 |
| 2.3.2 Arena仿真建模流程 |
| 2.3.3 模型仿真原则与条件 |
| 2.3.4 Arena层次模型构建 |
| 2.3.5 机器人数据设计 |
| 2.4 本章小结 |
| 第3章 基于云服务化方法的调度资源挖掘 |
| 3.1 基于调度资源的语义描述 |
| 3.2 基于语义匹配的调度服务获取 |
| 3.2.1 XML数据解读 |
| 3.2.2 分词以及语料库的建立 |
| 3.2.3 基于相似性的调度服务选择 |
| 3.2.4 基于评价指数的调度方案选择 |
| 3.3 算例分析 |
| 3.3.1 算例设计 |
| 3.3.2 求解初调度方案 |
| 3.4 基于关联关系的历史调度任务规则挖掘 |
| 3.4.1 关联规则问题描述 |
| 3.4.2 Apriori算法简介 |
| 3.4.3 基于历史调度任务的关联规则挖掘 |
| 3.5 本章小结 |
| 第4章 混流车间的调度方法优化 |
| 4.1 算法概述 |
| 4.2 算法设计 |
| 4.2.1 编码与解码 |
| 4.2.2 选择操作设计 |
| 4.2.3 交叉操作设计 |
| 4.2.4 变异操作设计 |
| 4.2.5 适应度函数设计 |
| 4.2.6 终止条件 |
| 4.3 算例分析 |
| 4.4 本章小结 |
| 第5章 云服务系统开发 |
| 5.1 系统需求分析 |
| 5.2 系统技术框架设计与功能设计 |
| 5.2.1 系统框架设计 |
| 5.2.2 系统功能设计 |
| 5.2.3 系统运行流程 |
| 5.2.4 数据库设计 |
| 5.3 系统功能实现 |
| 5.3.1 系统登录及首页 |
| 5.3.2 用户管理 |
| 5.3.3 资源与任务管理 |
| 5.3.4 历史方案匹配 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文以及其他成果 |
| 致谢 |
（6）5G网络技术对提升4G网络性能的研究（论文提纲范文）
| 引言 |
| 1 4G网络现处理办法 |
| 2 4G网络可应用的5G关键技术 |
| 2.1 Msssive MIMO技术 |
| 2.2 极简载波技术 |
| 2.3 超密集组网 |
| 2.4 MEC技术 |
| 3 总结 |
（7）基于电流和光谱协同感知的CMT焊接过程成份监测系统（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的背景和意义 |
| 1.2 焊接质量在线监测研究现状 |
| 1.2.1 基于电弧声、视觉图像和三维检测的焊接质量监测研究现状 |
| 1.2.2 基于电信号的焊接质量监测研究现状 |
| 1.2.3 基于光谱的焊接质量监测研究现状 |
| 1.2.4 基于多源信息融合的焊接质量监测研究现状 |
| 1.3 焊接过程质量控制技术发展现状 |
| 1.3.1 焊接机器人的发展现状 |
| 1.3.2 智能化焊接技术 |
| 1.3.3 基于嵌入式平台的深度学习研究现状 |
| 1.4 主要研究内容及章节安排 |
| 2 系统的总体方案设计 |
| 2.1 硬件平台系统介绍 |
| 2.1.1 ZYNQ开发板介绍 |
| 2.1.2 HLS软件介绍 |
| 2.1.3 数据传输介绍 |
| 2.2 系统总体设计 |
| 2.2.1 电流采集系统及其数据流 |
| 2.2.2 电流和光谱感知模块总体设计 |
| 2.3 本章小结 |
| 3 电流感知功能的具体实现 |
| 3.1 A/D转换模块 |
| 3.2 Apriori算法处理和参数反馈模块 |
| 3.2.1 Apriori数据挖掘算法定义 |
| 3.2.2 Apriori数据挖掘算法的数据预处理 |
| 3.2.3 Apriori算法处理和参数反馈模块的硬件设计 |
| 3.3 触发模块 |
| 3.4 本章小结 |
| 4 光谱感知模块功能的具体实现 |
| 4.1 卷积神经网络介绍 |
| 4.2 光谱感知卷积神经网络基本结构介绍 |
| 4.3 光谱感知卷积神经网络模型搭建 |
| 4.4 光谱感知模块的硬件设计 |
| 4.5 本章小结 |
| 5 系统集成与实验验证 |
| 5.1 硬件系统集成 |
| 5.2 系统装置的搭建与测试 |
| 5.3 方案协同实验设计与验证 |
| 5.3.1 电流数据的采集与分析 |
| 5.3.2 光谱数据的采集与分析 |
| 5.3.3 不同保护气流量的验证分析 |
| 5.3.4 不同焊丝成份的验证分析 |
| 5.4 数据协同实验设计与验证 |
| 5.4.1 电流和光谱数据协同采集与分析 |
| 5.4.2 电流和光谱数据协同效果实验分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 论文总结 |
| 6.2 不足与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（8）材料数据库和数据挖掘技术的应用现状（论文提纲范文）
| 1 前言 |
| 2 材料数据库 |
| 2.1 传统材料数据库 |
| 2.2 材料基因工程的共享数据库 |
| 2.3 材料基因工程数据库的发展方向 |
| 2.3.1 数据库的匹配功能 |
| 2.3.2 数据库的数据收集和输出功能 |
| 2.3.3 数据库的在线集成计算和分析功能 |
| 3 数据挖掘方法在材料科学中的应用 |
| 3.1 数据挖掘方法简介 |
| 3.2 数据挖掘方法在材料科学中的应用 |
| 3.2.1 材料性能预测和优化 |
| 3.2.2 材料特征曲线拟合 |
| 3.2.3 质量预测及生产监控 |
| 3.2.4 微观组织的识别和分类 |
| 3.3 数据挖掘在材料基因中的应用发展和问题 |
| 4 结语 |
（9）基于关联规则的船舶制造实动工时影响因素分析（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 工时测算相关方法研究 |
| 1.2.2 船舶行业在工时方面的研究 |
| 1.2.3 数据挖掘在船舶行业的研究 |
| 1.2.4 文献研究综述 |
| 1.3 研究思路、内容及创新点 |
| 1.3.1 研究思路与研究框架 |
| 1.3.2 研究内容 |
| 1.3.3 论文创新点 |
| 1.4 本章小结 |
| 第2章 相关理论与方法 |
| 2.1 工时相关概述 |
| 2.1.1 实动工时概述 |
| 2.1.2 定额工时概述 |
| 2.1.3 实动工时与定额工时的联系 |
| 2.2 数据挖掘概述 |
| 2.2.1 数据挖掘定义 |
| 2.2.2 数据挖掘过程 |
| 2.3 关联规则概述 |
| 2.3.1 关联规则的基本概念 |
| 2.3.2 关联规则分类 |
| 2.3.3 Apriori算法 |
| 2.4 本章小结 |
| 第3章 船舶制造实动工时影响因素的选取 |
| 3.1 船舶制造任务派工流程 |
| 3.1.1 生产派工流程分析 |
| 3.1.2 任务包 |
| 3.1.3 派工单 |
| 3.2 船舶制造实动工时影响因素分析 |
| 3.2.1 生产任务因素分析 |
| 3.2.2 员工因素分析 |
| 3.3 船舶制造实动工时影响因素选取 |
| 3.3.1 船舶制造实动工时影响因素选取原则 |
| 3.3.2 影响因素选取过程分析 |
| 3.4 本章小结 |
| 第4章 模型构建 |
| 4.1 关联规则在船舶制造实动工时影响因素分析中的适用性 |
| 4.2 基于关联规则的船舶制造实动工时影响因素分析过程模型 |
| 4.3 船舶制造实动工时影响因素数据的选取 |
| 4.4 船舶制造实动工时影响因素数据的离散化处理 |
| 4.5 基于关联规则的船舶制造实动工时影响因素分析 |
| 4.6 本章小结 |
| 第5章 模型应用 |
| 5.1 应用背景简介 |
| 5.1.1 CX船厂任务派工方面 |
| 5.1.2 生产定额测算方面 |
| 5.1.3 效率评估方面 |
| 5.2 数据预处理 |
| 5.2.1 数据准备 |
| 5.2.2 数据的离散化处理 |
| 5.3 分析过程 |
| 5.4 数据挖掘结果分析 |
| 5.4.1 规则解释 |
| 5.4.2 研究成果 |
| 5.4.3 模型评价 |
| 5.5 建议 |
| 5.6 本章小结 |
| 结论与展望 |
| 研究结论 |
| 研究展望 |
| 参考文献 |
| 攻读硕士学位期间所取得的相关科研成果 |
| 附录1 船舶制造实动工时影响因素调查问卷 |
| 致谢 |
| 大摘要 |
（10）混凝土泵车焊接工艺资源环境属性分析建模及其应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.1.1 选题背景 |
| 1.1.2 选题意义 |
| 1.2 课题来源与研究意义 |
| 1.2.1 课题来源 |
| 1.2.2 课题研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 绿色制造的国内外研究现状 |
| 1.3.2 资源环境属性分析建模及其应用的国内外研究现状 |
| 1.3.3 焊接工艺资源环境属性分析建模及其应用的国内外研究现状 |
| 1.3.4 国内外研究现状总结 |
| 1.4 本文研究内容 |
| 第二章 混凝土泵车焊接工艺资源环境属性分析与建模 |
| 2.1 混凝土泵车焊接工艺资源环境属性总体分析 |
| 2.2 混凝土泵车焊接工艺的物料流分析 |
| 2.2.1 焊料消耗分析 |
| 2.2.2 辅助添加物消耗的分析 |
| 2.2.3 保护气体消耗的分析 |
| 2.3 混凝土泵车焊接工艺的能量流分析与建模 |
| 2.3.1 焊接工艺多源能耗总体分析 |
| 2.3.2 焊接工艺多源能耗特性分析与建模 |
| 2.4 混凝土泵车焊接工艺的环境排放流分析与建模 |
| 2.4.1 混凝土泵车焊接工艺环境排放流总体分析 |
| 2.4.2 焊接工艺多源碳排放特性分析 |
| 2.4.3 焊接工艺多源碳排放总体量化计算与建模 |
| 2.4.4 C_E的量化计算方法 |
| 2.4.5 C_M的量化计算方法 |
| 2.4.6 C_P的量化计算方法 |
| 2.4.7 C_R的量化计算方法 |
| 2.4.8 混凝土泵车焊接工艺多源碳排放量化计算模型 |
| 2.5 本章小结 |
| 第三章 混凝土泵车焊接工艺资源环境属性数据实时采集平台与实验分析 |
| 3.1 实验设备介绍 |
| 3.1.1 电焊机 |
| 3.1.2 数字功率计 |
| 3.1.3 粉尘测试仪 |
| 3.1.4 噪声测试仪 |
| 3.1.5 焊丝 |
| 3.2 转台焊接工艺资源环境属性数据采集平台与实验分析 |
| 3.2.1 转台焊接工艺资源环境属性基础数据采集测试系统 |
| 3.2.2 转台焊接工艺实验及其资源环境属性综合分析 |
| 3.2.3 转台焊接工艺能耗模型的实验验证 |
| 3.3 底架焊接工艺资源环境属性基础数据实时采集平台与实验分析 |
| 3.3.1 资源环境属性基础数据实时采集平台 |
| 3.3.2 实验方案 |
| 3.3.3 能耗与碳排放的量化计算 |
| 3.3.4 多源能耗分析与讨论 |
| 3.3.5 多源碳排放综合分析与讨论 |
| 3.4 本章小结 |
| 第四章 混凝土泵车焊接工艺资源环境属性数据预测模型及其实验验证 |
| 4.1 焊接工艺参数与其资源环境属性数据之间的非线性映射关系 |
| 4.2 焊接工艺资源环境属性神经网络预测模型 |
| 4.2.1 人工神经网络概述 |
| 4.2.2 神经网络预测模型输入/输出层参数的选择 |
| 4.2.3 焊接工艺参数及其资源环境属性数据总表 |
| 4.2.4 数据的预处理及其训练算法 |
| 4.2.5 神经网络预测模型相关参数的选择 |
| 4.2.6 数据后置处理方式 |
| 4.2.7 神经网络预测模型的保存与新数据的预测 |
| 4.3 焊接工艺资源环境属性神经网络预测模型的性能测试 |
| 4.3.1 性能测试函数的选择 |
| 4.3.2 结果分析与讨论 |
| 4.4 神经网络预测模型的实验验证 |
| 4.4.1 电焊机能耗预测数据的实验验证 |
| 4.4.2 混凝土泵车焊接工艺粉尘预测数据的实验验证 |
| 4.4.3 混凝土泵车焊接工艺噪声数据神经网络预测模型的实验验证 |
| 4.5 本章小结 |
| 第五章 混凝土泵车焊接工艺资源环境属性数据库系统 |
| 5.1 数据库系统的研发背景 |
| 5.2 数据库系统的总体设计 |
| 5.2.1 数据库系统的研发思路 |
| 5.2.2 数据库系统的指标体系与结构框架 |
| 5.2.3 数据库系统的数据来源 |
| 5.3 数据库系统的开发 |
| 5.3.1 数据库系统开发/安装环境 |
| 5.3.2 数据库系统的主要操作流程 |
| 5.3.3 数据库系统的主要功能模块 |
| 5.4 数据库系统的应用 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录A 攻读硕士学位期间发表的论文与科研成果清单 |
| 致谢 |
四、基于数据挖掘的焊接生产管理平台（论文参考文献）
- [1]基于决策树算法的5M1E在GS公司外贸服装产品质量控制中的应用[D]. 刘筱曼. 上海外国语大学, 2021(04)
- [2]基于CEEMDAN和XGBOOST的车身生产过程质量预测[D]. 冯晔. 沈阳大学, 2021(06)
- [3]基站测试数据分析系统设计与实现[D]. 刘彦谷. 电子科技大学, 2020(03)
- [4]一种基于制造大数据的产品工艺自适应设计方法[J]. 魏巍,陈政,袁君. 中国工程科学, 2020(04)
- [5]面向云服务的生产线智能调度优化方法研究[D]. 薛剑. 哈尔滨工业大学, 2020(02)
- [6]5G网络技术对提升4G网络性能的研究[J]. 刘奕. 数码世界, 2020(04)
- [7]基于电流和光谱协同感知的CMT焊接过程成份监测系统[D]. 张亦成. 南京理工大学, 2020(01)
- [8]材料数据库和数据挖掘技术的应用现状[J]. 杨丽,苏航,柴锋,罗小兵,段琳娜. 中国材料进展, 2019(07)
- [9]基于关联规则的船舶制造实动工时影响因素分析[D]. 彭鹏. 江苏科技大学, 2019(04)
- [10]混凝土泵车焊接工艺资源环境属性分析建模及其应用[D]. 石洋东. 湖南科技大学, 2019(02)