工業(yè)互聯(lián)網(wǎng)

IndustrialInternet01第五章工業(yè)大數(shù)據(jù)——課時安排本章課時任務(wù)時間80分鐘（2課時）主要學(xué)習(xí)內(nèi)容工業(yè)大數(shù)據(jù)案例（一）——工業(yè)時序信號分析（1課時）；工業(yè)大數(shù)據(jù)案例（二）——工業(yè)智能決策（1課時）；主要學(xué)習(xí)目標(biāo)了解工業(yè)大數(shù)據(jù)在具體案例中的應(yīng)用；第五章工業(yè)大數(shù)據(jù)25.7工業(yè)大數(shù)據(jù)案例分析（一）

工業(yè)時序信號分析3第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析工業(yè)時序信號分析在本次課中，將會向大家展示關(guān)于工業(yè)大數(shù)據(jù)的案例分析——工業(yè)時序信號分析。以下會介紹一些我們團隊關(guān)于工業(yè)大數(shù)據(jù)領(lǐng)域的實例：智慧耳——基于在線“聲紋”識別技術(shù)的防外破監(jiān)測系統(tǒng)的研制與應(yīng)用、運達風(fēng)機——基于大型風(fēng)電齒輪箱故障預(yù)警。智慧耳第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析基于在線“聲紋”識別技術(shù)的防外破監(jiān)測系統(tǒng)的研制與應(yīng)用智慧耳——研究背景第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析隨著經(jīng)濟的快速發(fā)展，地下電纜的鋪設(shè)工程大幅度增加，地下電纜受損事故不斷發(fā)生。在外力破壞地下電纜的事件中，大多都是由于施工單位在施工前未對施工現(xiàn)場進行勘察，導(dǎo)致電纜由于工程機械受損、斷開，引發(fā)電纜事故。所以如何預(yù)防此類事件發(fā)生，是一個難點。智慧耳——存在問題第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析傳統(tǒng)的監(jiān)測方式主要通過高清攝像頭拍攝施工現(xiàn)場的情況、光纖測振，對外破事件進行實時監(jiān)控。在整條電纜路徑上布滿攝像頭，光纖測振成本高在封閉的通道內(nèi)、惡劣的天氣條件下，視頻監(jiān)測的效果差電纜通路徑中存在監(jiān)測盲區(qū)或者阻擋時，不能很好地監(jiān)測外破事件聲音信號容易采集、傳播能力強，聲音傳感器成本低低成本不依賴視覺路線的完整性，對不同環(huán)境條件都有很好地適用性環(huán)境需求低通過分析聲音類型，可以迅速發(fā)現(xiàn)外破事件速度快智慧耳——項目思路第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析核心要求：采用聲音監(jiān)測的方式，對電纜外破事件進行監(jiān)測，提高電纜維護的便捷性和及時性。成功識別各類外破聲音通過深度學(xué)習(xí)的方式搭建聲音檢測模型，識別各種外破聲音。01有較好的穩(wěn)定性聲音識別模型在嘈雜的施工現(xiàn)場也能較為穩(wěn)定地完成監(jiān)測工作。02有較強的泛化能力能夠?qū)Χ鄠€環(huán)境不同的施工現(xiàn)場的外破聲音進行識別。03智慧耳——防外破模型介紹第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析現(xiàn)階段采用IBN-NET聲音事件檢測模型，通過對聲音進行梅爾頻譜分析，挖掘聲音信號中潛在的特征，完成對聲音事件的識別。該網(wǎng)絡(luò)學(xué)習(xí)捕獲和消除外觀方差，同時保持對學(xué)習(xí)特征的區(qū)分。IBN-NET仔細地將實例規(guī)范化(IN)和批處理規(guī)范化(BN)作為構(gòu)建塊，增強了它的學(xué)習(xí)和泛化能力，在外破監(jiān)測任務(wù)中具有較好的表現(xiàn)。模型處理流程實例歸一化網(wǎng)絡(luò)(IBN-NET)IBN網(wǎng)絡(luò)結(jié)構(gòu)圖智慧耳——小波去噪第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析小波變換連續(xù)小波變換（CWT）：利用不同寬度和長度的小波和原始音頻信號進行擬合，得到蘊含時頻域的信息。小波變換能夠很好地提取聲音信號中的時頻特征，噪聲信號經(jīng)過小波變換后能夠很好地被區(qū)分出來，噪聲信號經(jīng)過分解，大多處理低頻率段，通過對低頻信號進行篩選和過濾，能夠很好地將噪聲信號去除，得到純凈的聲紋信號。小波變換原理圖智慧耳——域泛化第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析在實際情況中，不同的工作環(huán)境和不同的設(shè)備型號都會影響數(shù)據(jù)的分布，單一的數(shù)據(jù)模型并不能很好地適應(yīng)多變的環(huán)境。當(dāng)訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)的概率分布不同時，模型的性能往往會因為域的分布差距而下降。領(lǐng)域泛化技術(shù)旨在通過遷移不同但相關(guān)的源領(lǐng)域知識來提高學(xué)習(xí)者在目標(biāo)領(lǐng)域中的表現(xiàn)，其中有在分布不同的數(shù)據(jù)中創(chuàng)造一個可以學(xué)習(xí)數(shù)據(jù)中不變特征的模型方法，可以解決訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)分布不平衡問題。智慧耳——聲音采集裝置第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析

當(dāng)發(fā)生外破事件時，系統(tǒng)采集到對應(yīng)的聲音信號，系統(tǒng)會根據(jù)設(shè)定的閾值檢測采集到的聲音大小，將采集到的音頻存儲在單片機內(nèi)存中。當(dāng)音頻接收完成后，系統(tǒng)將數(shù)據(jù)發(fā)送到云端進行后續(xù)處理。整套裝置通過太陽能板給蓄電池充電，保證系統(tǒng)持續(xù)工作。聲音信號采集流程圖智慧耳——聲音識別模型第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析模型主要針對施工現(xiàn)場常見的幾類聲音：挖掘機、切割機、鉆孔機、挖掘，進行模型訓(xùn)練，通過IBN-NET網(wǎng)絡(luò)對聲音特征的深度挖掘，在實際應(yīng)用中，搭建的聲音識別模型，可以很好地監(jiān)測施工場地中，上述四類事件的發(fā)生，并通過信息上傳模型塊，將分析結(jié)果上傳到檢測平臺進行實時監(jiān)控。此外，聲音識別系統(tǒng)可以在線替換聲音監(jiān)測模型，實現(xiàn)系統(tǒng)的更新，保證系統(tǒng)的有效性。模型識別流程圖智慧耳——數(shù)據(jù)流向圖第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析說明：1、邊緣音頻處理盒將音頻存儲為wav格式，通過4G主機發(fā)送到服務(wù)器端2、服務(wù)器端分析存儲數(shù)據(jù)智慧耳——數(shù)據(jù)采集及設(shè)備展示第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析前期利用人工在施工現(xiàn)場采集算法訓(xùn)練需要的聲音數(shù)據(jù)。右圖所示為裝置現(xiàn)場安裝圖像，在裝置內(nèi)部有磷酸鐵鋰電池為裝置提供穩(wěn)定電力，同時利用光伏板補充供電可以降低電力消費成本，尤其是在長期運行的設(shè)備中，優(yōu)勢更為明顯。并且利用光伏板供電無需依賴傳統(tǒng)的電力網(wǎng)，在后續(xù)可以推廣至地理位置偏遠或供電不穩(wěn)定的地區(qū)?，F(xiàn)場采集數(shù)據(jù)裝置內(nèi)部圖智慧耳——安裝現(xiàn)場第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析目前防外破監(jiān)測裝置已部署在浙江省臺州市，如圖所示為整體裝置安裝的圖片。這是一款小型裝置，其內(nèi)部配備有音頻采集設(shè)備和通信裝置，能夠捕捉周圍環(huán)境中的聲音信號，并將其傳輸至云端進行防外破監(jiān)測。這些裝置被安裝在需要保護的高壓電纜附近，及時發(fā)現(xiàn)潛在的外部破壞或破壞跡象，以提高監(jiān)測的有效性和及時性。設(shè)備安裝防護設(shè)施智慧耳——平臺展示第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析智慧耳——平臺展示第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析平臺支持查看對應(yīng)聲音事件的細節(jié)信息，例如波形、發(fā)生時間；判斷聲音事件類型，給出預(yù)測概率?？梢郧宄乇O(jiān)測不同時間段發(fā)生的聲音事件，通過聲音識別模型，可以判斷發(fā)生的聲音屬于何種類型。運達風(fēng)機第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析基于大型風(fēng)電齒輪箱故障預(yù)警運達風(fēng)機——研究背景第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析風(fēng)電的發(fā)展前景：根據(jù)全球風(fēng)能理事會（GWEC）的數(shù)據(jù)，風(fēng)能發(fā)展最快，累計裝機容量大幅增加，是最可靠的可再生清潔能源之一，并且中國海上，內(nèi)陸等地區(qū)有豐富的風(fēng)力資源。

風(fēng)電的運維問題：風(fēng)電機組的工作條件十分惡劣，長期暴露在風(fēng)速突變、沙塵、降雨、積雪等環(huán)境下，造成了風(fēng)電機組故障頻發(fā)。對于陸上風(fēng)電，其運行維修成本一般占到風(fēng)電場總收益的15%~20%；而對于海上風(fēng)電來說，其運行維修成本更是可占到其總收益的25%~35%運達風(fēng)機——研究目標(biāo)第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析目標(biāo)：僅利用振動數(shù)據(jù)及相關(guān)信息，對故障進行預(yù)警并定位。常見齒輪箱故障有高速軸軸承點蝕、損傷、竄軸等，針對高速軸故障高發(fā)，非高速軸故障較少但是經(jīng)濟損傷更大的情況，將二者分為兩類故障進行預(yù)警。

數(shù)據(jù)來源：數(shù)據(jù)通過公司的CMS系統(tǒng)采集并下載，包含振動數(shù)據(jù)，時間，轉(zhuǎn)速，采樣頻率，采樣時長，功率。風(fēng)電機組的齒輪箱運達風(fēng)機——故障演變第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析故障演變：風(fēng)電設(shè)備的故障可以分為以下7個階段，故障由正常階段開始演變，最終逐漸加深故障并且最終停機。

趨勢變化：從正常到停機的故障演變過程中，故障的特征是實時變化的，如果能捕捉到特征變化，也就是捕捉到了故障的演變，就能有效地進行故障診斷。

運達風(fēng)機——關(guān)鍵部件故障類型第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析運達風(fēng)機——按需則用第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析1）設(shè)備運行是否出現(xiàn)異常時刻監(jiān)測，避免漏檢導(dǎo)致嚴重事故。2）定位故障在什么部位高速軸軸承，中間級齒輪，行星級齒輪減少檢修工作量，從而提升經(jīng)濟效益。3）程度有多嚴重只有嚴重到一定程度時，更換并檢修部件才能提高經(jīng)濟效益。

故障數(shù)據(jù)少，同故障數(shù)據(jù)差異，設(shè)備之間差異，環(huán)境差異。難對癥下藥運達風(fēng)機——風(fēng)電機組故障診斷方法分類第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析信號處理法（數(shù)據(jù)驅(qū)動）：傅里葉變換(FFT)，短時傅里葉變換(STFT)，小波包分解(WPD)，經(jīng)驗小波分解(EWD)，局部均值分解(LMD)，變分模態(tài)分解(VMD)，以及相關(guān)的各類改進信號處理方法。人工智能法：卷積神經(jīng)網(wǎng)絡(luò)(CNN)，Transformer，生成對抗網(wǎng)絡(luò)(GAN)，長短時記憶網(wǎng)絡(luò)(LSTM)，以及相關(guān)的各類改進人工智能模型。還有遷移學(xué)習(xí)，聯(lián)邦學(xué)習(xí)等用于適應(yīng)不同的數(shù)據(jù)條件?；旌夏Ｐ停℉ybridModel）：通過結(jié)合多個模型/方法，構(gòu)造出混合模型。運達風(fēng)機——故障診斷方法：振動分析第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析結(jié)合專家經(jīng)驗，深入分析常見的如頻譜，功率譜，包絡(luò)譜，倒頻譜等譜圖；以及一些如均方根，峭度等特征值。

運達風(fēng)機——故障診斷方法：混合模型第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析優(yōu)勢1：信號處理方法使得人工神經(jīng)網(wǎng)絡(luò)更適用于處理振動信號，從非平穩(wěn)信號中獲取更有用特征。優(yōu)勢2：引入的自適應(yīng)分解網(wǎng)絡(luò)層在保證信號不失真的同時，提升了模型的多尺度特征提取能力，分解層數(shù)是網(wǎng)絡(luò)模型的超參數(shù)，便于調(diào)參。信號處理+深度學(xué)習(xí)運達風(fēng)機——技術(shù)路線第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析針對CMS系統(tǒng)采集所得數(shù)據(jù)，按照如下圖所示流程進行處理，以實現(xiàn)對故障的預(yù)警及區(qū)分是否為高速軸故障。

實際故障樣本有限，多分類困難，實現(xiàn)二分類能夠有效減少分類難度對多個故障特征分析，設(shè)置預(yù)警規(guī)則，利用經(jīng)驗進行分類能提升泛化能力特征模型濾波運達風(fēng)機——技術(shù)路線第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析針對CMS系統(tǒng)采集所得數(shù)據(jù)，按照如下圖所示的三個環(huán)節(jié)進行處理，以實現(xiàn)對故障的預(yù)警及區(qū)分是否為高速軸故障。

運達風(fēng)機——預(yù)警流程第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析訓(xùn)練模型：高斯模型：運達風(fēng)機——預(yù)警流程第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析應(yīng)用模型：濾波：運達風(fēng)機——預(yù)警流程第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析預(yù)警模型：預(yù)警規(guī)則：輸入：預(yù)警特征值的概率結(jié)果的濾波值，分類特征值的濾波值，分類特征值均值輸出：預(yù)警結(jié)果首先判斷EWMA結(jié)果是否超過閾值Threshold1）如果不超過則為正常

2）如果超過，則判斷ratio_Shang是否超過1.05 1）如果超過，則為高速軸故障

2）判斷ratio_Shang是否低于0.95，如果低于則為非高速軸故障

3）否則為正常。運達風(fēng)機——封測實驗結(jié)果第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析Figure1：預(yù)警特征值及其濾波效果Figure2：預(yù)警特征值概率表示及其濾波效果Figure3：分類特征值及其濾波效果Figure4：故障分類結(jié)果齒輪箱輸出端振動數(shù)據(jù)采樣頻率5120Hz，信號長度8192采樣次數(shù)537次某2#機組，高速軸軸承點蝕，剝落發(fā)現(xiàn)故障（2018.10.9）實際修復(fù)完成（2018.10.22）預(yù)警/定位：高速軸故障預(yù)警故障時間：（2018.03.15）提前：221天Figure1Figure2Figure3Figure4運維信息：模型參數(shù)：預(yù)警結(jié)果：運達風(fēng)機——方法改進第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析舊方法：數(shù)據(jù)經(jīng)由粗粒度操作處理，如右圖所示。尺度s=1時，對應(yīng)原始信號；尺度s=2時，信號值對應(yīng)每兩個連續(xù)采樣點的均值；尺度s=3時，信號值對應(yīng)每三個連續(xù)采樣點的均值。然后由多個并行CNN進行分類缺點：1、是一種近似的尺度變換；2、隨著尺度增加，信號長度縮短。運達風(fēng)機——方法改進第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析新方法：

數(shù)據(jù)由小波包分解WPD分解為一系列不同尺度的信號，然后輸入到并行的CNN中進行分類。舊方法新方法與舊方法相同，可以使CNN擁有提取多尺度特征的能力，使得分類效果更好；小波包分解有很好的理論依據(jù)，能夠很好地處理非平穩(wěn)信號，將原始信號分解為多個子信號，信號不失真。更適合用來處理齒輪箱的高速軸振動信號。隨著尺度增加，信號長度不會縮短，可以有更多的尺度。改進運達風(fēng)機——方法改進第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析新方法：

小波包分解階段多尺度特征學(xué)習(xí)階段分類階段運達風(fēng)機——性能對比第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析準(zhǔn)確率對比：從測試曲線可以看出，所提方法的收斂速度更快，約100個epochs時就幾乎收斂，而CNN需要150+epochs，MSCNN則需要125+epochs。同時，所提方法的準(zhǔn)確率也更高。運達風(fēng)機——性能對比第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析深度/尺度的影響：深度增加，準(zhǔn)確率有輕微提升，增加幅度越來越小。所提方法比無論深度多少，所提方法也都有最好的準(zhǔn)確率。尺度增加，準(zhǔn)確率有輕微提升，但是增加幅度越來越小。無論尺度多少，所提方法都有最好的準(zhǔn)確率。運達風(fēng)機——整體流程第五章工業(yè)大數(shù)據(jù)案例—工業(yè)時序信號分析數(shù)據(jù)來自某風(fēng)電公司，由CMS系統(tǒng)采集高速軸振動信號未經(jīng)去噪等處理的原始數(shù)據(jù)。原始數(shù)據(jù)打上標(biāo)簽，并根據(jù)交叉驗證劃分訓(xùn)練集和測試集。訓(xùn)練模型并測試Accuracy，F(xiàn)1-score，Confusionmatrix等性能指標(biāo)數(shù)據(jù)獲取：第五章工業(yè)大數(shù)據(jù)395.7工業(yè)大數(shù)據(jù)案例分析（二）

工業(yè)智能決策40第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的概念工業(yè)智能決策是組織或個人綜合利用多種智能技術(shù)和工具，基于既定目標(biāo)，對相關(guān)數(shù)據(jù)進行建模、分析并得到?jīng)Q策的過程。該過程綜合約束體條件、策略、偏好、不確定性等因素，可自動實現(xiàn)最優(yōu)決策，以用于解決新增長時代日益復(fù)雜的生產(chǎn)、生活問題。41第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的層次

工業(yè)互聯(lián)網(wǎng)智能化體現(xiàn)在感知控制、數(shù)字模型、決策優(yōu)化三個基本層次，基于海量工業(yè)數(shù)據(jù)全面感知，通過端到端的數(shù)據(jù)深度集成與建模分析，實現(xiàn)核心環(huán)節(jié)智能優(yōu)化與決策，由自下而上的信息流與自上而下的決策流共同構(gòu)成了應(yīng)用優(yōu)化閉環(huán)。42第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的流程

43第五章工業(yè)大數(shù)據(jù)——案例分析關(guān)鍵技術(shù)——機器學(xué)習(xí)與運籌優(yōu)化

機器學(xué)習(xí)算法助力智能決策的數(shù)據(jù)分析和預(yù)測能力。

機器學(xué)習(xí)是一門多領(lǐng)域交叉學(xué)科，涉及概率論統(tǒng)計學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科，專門研究計算機怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識或技能，重新組織已有的知識結(jié)構(gòu)使之不斷改善自身的性能。

在智能決策領(lǐng)域，機器學(xué)習(xí)、深度學(xué)習(xí)、強化學(xué)習(xí)主要應(yīng)用于數(shù)據(jù)識別、分析與預(yù)測。44第五章工業(yè)大數(shù)據(jù)——案例分析關(guān)鍵技術(shù)——機器學(xué)習(xí)與運籌優(yōu)化

運籌優(yōu)化技術(shù)助力智能決策的規(guī)劃求解能力。45第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的應(yīng)用

從公共服務(wù)、企業(yè)經(jīng)營到個人生活，智能決策已經(jīng)滲透越來越多的行業(yè)，賦能更多的場景，改變生產(chǎn)生活的方方面面。46第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的應(yīng)用——智能裁剪縫紉系統(tǒng)

一、項目背景2019年服裝行業(yè)規(guī)模以上企業(yè)有13876家，累計完成服裝產(chǎn)量244.72億件，實現(xiàn)營業(yè)收入16010.33億元，累計完成服裝及衣著附件出口1513.7億美元。我國已經(jīng)是世界上最大的服裝類產(chǎn)品生產(chǎn)國、消費國和出口國。2009-2017年中國服裝出口金額及其全球占比2020年1-6月紡織品服裝出口走勢47第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的應(yīng)用——智能裁剪縫紉系統(tǒng)48第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的應(yīng)用——智能裁剪縫紉系統(tǒng)

一、項目背景服裝生產(chǎn)工藝流程服裝設(shè)計布料裁剪模板切割布料鋪設(shè)模板縫紉人工縫紉服裝成品樣片錄入、排樣、分床第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的應(yīng)用——智能裁剪縫紉系統(tǒng)

一、項目背景痛點1服裝樣片錄入、切割排樣、裁剪分床依靠人工經(jīng)驗樣片錄入不規(guī)則樣片排樣多色服裝裁剪分床傳統(tǒng)手工掃描，精度不高依靠人工經(jīng)驗，現(xiàn)有排樣算法性能低，造成原材料浪費多色服裝裁剪分床問題沒有高效解決方案，造成生產(chǎn)效率低下、原材料大大浪費解決方案：視覺圖像自動錄入智能優(yōu)化排樣算法多目標(biāo)進化算法優(yōu)化分床第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的應(yīng)用——智能裁剪縫紉系統(tǒng)

一、項目背景解決方案：高性價比嵌入式運動控制器速度規(guī)劃及優(yōu)化算法高精度多軸插補及同步控制網(wǎng)絡(luò)總線控制技術(shù)國外產(chǎn)品PLC控制器開放式運動控制卡價格昂貴，服務(wù)響應(yīng)慢性能有限，定制化開發(fā)困難性能冗余，性價比低，無法滿足特殊工藝需求痛點2缺乏針對專業(yè)設(shè)備（裁床、切割機、縫紉機）的高性價比伺服控制器第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的應(yīng)用——智能裁剪縫紉系統(tǒng)

一、項目背景痛點3智能化程度不夠，未形成‘裁剪—制模—縫紉’一體化模式裁剪加工較大樣片生產(chǎn)誤差計件存在紕漏模板制作加工人工操作模板功能簡單模板縫紉加工人工識別模板人工上下料人工計件和管理主要依靠人力生產(chǎn)各環(huán)節(jié)形成生產(chǎn)孤島管理困難、效率低下沒有有效利用數(shù)據(jù)價值解決方案：無法滿足服裝多樣性和個性化定制需求的快速增長高性能自動化加工設(shè)備：自動化多設(shè)備智能網(wǎng)絡(luò)技術(shù)：網(wǎng)絡(luò)化、智能化第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的應(yīng)用——智能裁剪縫紉系統(tǒng)

二、項目內(nèi)容智能化軟件系統(tǒng)基于視覺的樣片自動錄入

不規(guī)則樣片排樣優(yōu)化

多色服裝分床優(yōu)化高性能伺服控制器速度規(guī)劃、多軸同步控制

網(wǎng)絡(luò)總線控制技術(shù)智能網(wǎng)聯(lián)設(shè)備高性能裁剪、縫紉設(shè)備

自動送料卸料設(shè)備裁剪縫紉工業(yè)物聯(lián)網(wǎng)平臺

網(wǎng)絡(luò)化管理平臺

工業(yè)大數(shù)據(jù)可視化平臺

工業(yè)大數(shù)據(jù)分析平臺第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的應(yīng)用——智能裁剪縫紉系統(tǒng)

三、核心技術(shù)——基于圖像視覺的復(fù)雜樣片自動錄入技術(shù)提出基于圖像矢量化技術(shù)的服裝樣片自動錄入算法，實現(xiàn)復(fù)雜樣片自動錄入提出樣片輪廓提取中的陰影檢測消除算法,消除陰影對樣片錄入精度的影響陰影檢測消除算法基于色度畸變和均值的局部多層次差分算子陰影檢測方法圖像矢量技術(shù)的樣片自動入錄算法圖像二值化分割及去噪、圖像輪廓提取跟蹤、圖像特征點提取和曲線矢量化擬合估算中心并進行三維坐標(biāo)匹配第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的應(yīng)用——智能裁剪縫紉系統(tǒng)

三、核心技術(shù)——基于圖像視覺的復(fù)雜樣片自動錄入技術(shù)提出基于小生境粒子群算法的二維不規(guī)則排樣優(yōu)化算法，實現(xiàn)高效排樣提出基于最小二乘解耦和NSGAII的多色服裝裁剪分床優(yōu)化算法，實現(xiàn)高效分床基于NSGAII的多色服裝裁剪分床優(yōu)化建立裁床設(shè)備數(shù)量、尺碼配比和多色鋪布層數(shù)之間關(guān)系，采用NSGAII對多目標(biāo)優(yōu)化問題進行求解?；诹Ｗ尤核惴ǖ牟灰?guī)則樣片排樣采用粒子群算法對二維不規(guī)則樣片進行排樣優(yōu)化，引入小生境策略保證種群的多樣性，提高全局尋優(yōu)能力和收斂速度。第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的應(yīng)用——智能裁剪縫紉系統(tǒng)

基于生物進化算法的樣片排樣優(yōu)化和裁剪分床優(yōu)化技術(shù)提出基于小生境粒子群算法的二維不規(guī)則排樣優(yōu)化算法，實現(xiàn)高效排樣提出基于最小二乘解耦和NSGAII的多色服裝裁剪分床優(yōu)化算法，實現(xiàn)高效分床基于NSGAII的多色服裝裁剪分床優(yōu)化建立裁床設(shè)備數(shù)量、尺碼配比和多色鋪布層數(shù)之間關(guān)系，采用NSGAII對多目標(biāo)優(yōu)化問題進行求解?；诹Ｗ尤核惴ǖ牟灰?guī)則樣片排樣采用粒子群算法對二維不規(guī)則樣片進行排樣優(yōu)化，引入小生境策略保證種群的多樣性，提高全局尋優(yōu)能力和收斂速度。第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的應(yīng)用——智能裁剪縫紉系統(tǒng)

高性能伺服控制技術(shù)提出高性能速度規(guī)劃、插補技術(shù)、同步控制算法以及網(wǎng)絡(luò)總線控制技術(shù)設(shè)計開發(fā)高性價比的嵌入式裁剪縫紉運動控制器，實現(xiàn)各類設(shè)備高性能伺服控制速度規(guī)劃及優(yōu)化算法基于預(yù)測的S型速度規(guī)劃算法拐彎速度優(yōu)化控制多軸插補及同步控制算法高精度變插補周期的多軸聯(lián)動控制算法多軸高精度輪廓交叉耦合控制方法網(wǎng)絡(luò)總線控制技術(shù)基于CAN和EtherCAT總線的多電機控制方法基于時延補償?shù)木W(wǎng)絡(luò)化多軸運動控制方法第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的應(yīng)用——智能裁剪縫紉系統(tǒng)

自動化加工設(shè)備設(shè)計開發(fā)具有智能刀具控制的裁剪刀頭，保證多層裁剪加工生產(chǎn)中的刀具安全設(shè)計開發(fā)高精度定位的自動化模板機和智能模板識別裝置，提高自動化程度設(shè)計開發(fā)模板自動上下料裝置及控制系統(tǒng)，實現(xiàn)多規(guī)格、多模板機裝卸模板模板自動上下料裝置設(shè)計開發(fā)模板自動上下料裝置，實現(xiàn)對多臺縫紉機自動裝載和卸載模板高精度自動化模板機設(shè)計開發(fā)基于多傳感器高精度自動化模板機設(shè)備，實現(xiàn)模板精確定位智能高頻振動裁剪刀頭設(shè)計開發(fā)具有刀智能的高頻振動裁剪刀頭，實現(xiàn)多層裁剪的智能刀具控制第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的應(yīng)用——智能裁剪縫紉系統(tǒng)

基于物聯(lián)網(wǎng)的多設(shè)備智能網(wǎng)聯(lián)技術(shù)設(shè)計開發(fā)裁剪縫紉工業(yè)物聯(lián)網(wǎng)平臺，開發(fā)監(jiān)控管理系統(tǒng)和人機交互系統(tǒng)設(shè)計開發(fā)裁剪縫紉大數(shù)據(jù)可視化功能，分析各環(huán)節(jié)加工過程，提取大數(shù)據(jù)價值工業(yè)大數(shù)據(jù)可視化及數(shù)據(jù)分析基于B/S（瀏覽器/服務(wù)器）架構(gòu)設(shè)計工業(yè)生產(chǎn)管理數(shù)據(jù)可視化系統(tǒng)，包含數(shù)據(jù)分析模塊、數(shù)據(jù)可視化模塊、服務(wù)器/云端數(shù)據(jù)存儲模塊、實時交互模塊網(wǎng)聯(lián)設(shè)備監(jiān)控管理系統(tǒng)排樣包含設(shè)備互聯(lián)數(shù)據(jù)采集層、網(wǎng)絡(luò)層傳輸層、數(shù)據(jù)存儲層、應(yīng)用服務(wù)層第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的應(yīng)用——智能裁剪縫紉系統(tǒng)

四、目標(biāo)市場及機遇目標(biāo)市場：裁剪縫紉行業(yè)服裝箱包鞋類床上用品政策導(dǎo)向沙發(fā)其他《中國制造2025》促進裁剪縫紉向自動化、智能化方向發(fā)現(xiàn)‘一帶一路’促進裁剪縫紉(服裝)行業(yè)國際化市場進一步發(fā)展第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的應(yīng)用——邊織邊檢系統(tǒng)

一、項目背景

從超6000家織廠的生存狀態(tài)中發(fā)現(xiàn)三大關(guān)鍵難題品控難提效難招工難生產(chǎn)高度依賴人工一線生產(chǎn)工人難招聘、難培養(yǎng)、難留下當(dāng)下紡織生產(chǎn)流程幾十年維持不變織廠提升效率無從下手因坯布質(zhì)量問題交付后退貨、賠付情況屢見不鮮每年損失上百萬是多數(shù)織廠的現(xiàn)狀邊織邊檢自動打卷機+落布分級-自動打卷-入庫可全面省掉驗布打卷環(huán)節(jié)人工邊織邊檢落布出報告準(zhǔn)確度達90%，避免人工巡檢/驗布帶來的品控誤差邊織邊檢現(xiàn)有驗布機+落布出報告-打卷可省掉人工驗布，預(yù)計提效100%第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的應(yīng)用——邊織邊檢系統(tǒng)

第五章工業(yè)大數(shù)據(jù)——案例分析工業(yè)智能決策的應(yīng)用——邊織邊檢系統(tǒng)

一、項目背景

以落地工廠為例：提效100%，節(jié)省驗布人工10人（約80W/年）VS優(yōu)化前效率低、依賴人工接單織造驗布修布入庫優(yōu)化后提效100%、省10人驗布工接單織造入庫驗布修布每匹布提升入庫效率≥8小時：