论文部分内容阅读
制造业信息化和智能化的不断推进和MES系统使用量的增加直接导致企业生产数据量的爆发性增长。此时以往纯粹的人工分析数据的方式已很难应对大量数据快速处理的需求,这就迫切需要能够解决该问题的新技术。同时制造企业的制造执行系统中存储的大量生产数据需要能够对其进行智能并且快速处理的数据挖掘技术,这是提高生产数据利用价值和MES智能性的有效手段。论文针对MES中数据挖掘关键技术中的数据快速处理及其应用做了相应研究。首先结合Oracle的DCN技术配合HTML5的WebSocket技术提出了数据实时推送方案,将其运用于数据挖掘过程的数据实时获取与处理中。然后研究了数据挖掘中的K-means算法和BP神经网络算法,并采用遗传算法对BP网络的隐藏层节点数、权值和阈值进行了优化,再采用MapReduce技术对算法进行了并行化设计和实现。接着搭建了基于Hadoop分布式框架的数据挖掘平台,以此作为云制造模型下的数据处理平台。最后以零件在实际加工中的质量预测过程为例,详细介绍了数据挖掘技术在质量预测中的应用,尝试利用MES系统执行过程中累积的大量有价值的历史数据,融合数据挖掘中的数据实时推送技术和算法并行化技术,以确保产品质量,减少漏检为目的,根据历史数据训练预测模型,结合当前生产加工的实时状态参数,设计了MES系统中的质量预测模块,在一定程度上提高了MES系统的智能性。论文采用J2EE技术开发了集成有质量预测模块的制造执行系统,使得数据挖掘的相关技术通过质量预测模块在MES系统中得到实际的应用,也为提高MES的智能性提供了方案。