典型文献
基于机器学习的设备异常分析研究
文献摘要：
文章通过对烟草企业生产线自动化生产设备的异常诊断问题进行分析,根据生产设备运行时生产数据的采集,选择了CNN和LSTM网络这两种机器学习的算法对设备异常诊断进行了研究.通过对仿真实验的数据对比,选择了LSTM网络作为设备异常诊断模型的核心算法.通过算法的仿真实验,以及烟草企业的实际需求,验证了LSTM网络算法在异常诊断上的可用性和先进性.在面对大量的实时设备运行数据时,能够快速地判断设备状况,并且在出现异常时能够迅速准确地分析出异常的类型,进而快速地制定设备异常解决方案,使设备能够快速地恢复正常生产状态,减少企业的经济损失.
文献关键词：
烟草;设备异常;机器学习;CNN;LSTM
中图分类号：
作者姓名：
郑龙;朱瑞龙;林硕
作者机构：
吉林烟草工业有限责任公司延吉卷烟厂,吉林延吉133000;中国科学院沈阳自动化研究所数字工厂研究室,辽宁沈阳110016;中国科学院机器人与智能制造创新研究院,辽宁沈阳110016;沈阳建筑大学信息与控制工程学院,辽宁沈阳110016
文献出处：
引用格式：
[1]郑龙;朱瑞龙;林硕-.基于机器学习的设备异常分析研究)[J].电脑知识与技术,2022(10):89-90,94
A类：
B类：
基于机器学习,设备异常,异常分析,烟草企业,生产线,自动化生产设备,诊断问题,设备运行,生产数据,数据对比,异常诊断模型,核心算法,网络算法,可用性,运行数据,设备状况,出现异常,常时,产状
AB值：
0.31819
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
