串联机械系统故障预测与控制问题的实证研究

论文摘要

随着微电子工业和先进制造技术的发展,设备的结构越来越复杂,成本也越来越高。提高设备利用率对生产效率的改进方面起着至关重要的作用,是降低生产成本的关键因素。本文主要研究的对象是半导体封装测试工厂的设备故障数据。通过对历史故障数据的分析,实现对设备故障的预测,从而对设备维修维护策略提供参考,最终实现提高设备利用率的目标。本文研究的故障数据取自不同的串联机械系统,而不同的机械系统是由几个,甚至十几个不同的设备组成的。针对这样复杂的数据,本文主要利用时间序列的方法建立预测模型。把故障数据看成时间序列的一组动态数据。这些动态数据往往是非平稳的,需要考虑对序列进行平稳化处理。针对数据非平稳性的特点,本文尝试利用差分的方法对数据进行平稳化处理。平稳化效果较为理想,故尝试建立ARIMA预测模型,并进行预测分析。预测分析结果表明了该方法的可行性。针对一些数据表现出阶段性的趋势,本文尝试一种新的叠合预测模型。在这种叠合预测模型中,序列{Xt}被分解成确定性趋势部分{mt}与随机部分{Yt}的叠加。在实证研究中,把经过预处理的故障数据看成时间序列的一组动态数据。对动态数据进行分解,一组为确定性趋势序列,用以剔除故障数据表现出阶段性的趋势;另一组为随机序列,表现故障数据的随机因素。对确定性趋势序列利用非线性自回归的方法进行预测,同时,对随机序列建立ARMA模型实现预测。最后,再综合两个部分的预测结果实现对原始数据的预测。预测结果表明了该方法的可行性。

论文目录

• 摘要
• ABSTRACT
• 第一章 引言
• 1.1 研究的背景及意义
• 1.2 国内外研究现状和发展态势
• 1.3 本文主要研究内容与方法
• 1.4 本章小结
• 第二章 ARIMA预测模型及实证研究
• 2.1 ARIMA预测模型
• 2.1.1 时间序列的分解
• 2.1.2 ARMA模型的定义
• 2.1.3 ARIMA模型的定义
• 2.1.4 时间序列的平稳性检验
• 2.1.5 ARMA模型阶数的初定
• 2.1.6 ARMA模型系数估计
• 2.1.7 残差序列白噪声检验
• 2.2 实证研究
• 2.2.1 ARIMA预测模型的基本步骤
• 2.2.2 原始数据及预处理
• 2.2.3 ARIMA模型的建立
• 2.2.4 预测结果分析
• 2.3 本章小结
• 第三章 ARMA与非线性自回归的叠合预测模型及实证研究
• 3.1 叠合预测模型结构设计
• 3.2 非线性自回归预测模型
• 3.2.1 非线性自回归预测模型的定义
• 3.2.2 模型的拟合优度
• 3.2.3 非线性自回归预测模型的基本步骤
• 3.3 实证研究
• 3.3.1 原始数据及预处理
• 3.3.2 非线性自回归模型的建立及预测
• 3.3.3 ARMA模型的建立及预测
• 3.3.4 预测结果分析
• 3.4 本章小结
• 第四章 总结与展望
• 4.1 本文小结
• 4.2 展望
• 致谢
• 参考文献
• 攻读硕士期间所取得的研究成果