本畢設(shè)項(xiàng)目的客戶是上汽大眾汽車有限公司安亭三廠車間，研究對(duì)象為車身焊接生產(chǎn)線。車間生產(chǎn)存在著兩大問題，第一是面對(duì)海量的歷史數(shù)據(jù)，工程師們難以人工對(duì)涂膠過程進(jìn)行故障診斷；第二是對(duì)于涂膠過程的數(shù)據(jù)，車間缺乏統(tǒng)一的管理系統(tǒng)。本項(xiàng)目在特征提取和特征選擇的基礎(chǔ)上，利用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等方法進(jìn)行不平衡數(shù)據(jù)集的處理和分類，并重點(diǎn)分析涂膠故障數(shù)據(jù)集，實(shí)現(xiàn)對(duì)涂膠故障的故障診斷。同時(shí)，本項(xiàng)目將模型成功的訓(xùn)練、應(yīng)用包裝成用戶友好的接口，嵌入到給企業(yè)人員開發(fā)的信息系統(tǒng)之中，從而讓其在瀏覽器里即可進(jìn)行實(shí)時(shí)的模型訓(xùn)練與應(yīng)用，并得到相應(yīng)的數(shù)據(jù)結(jié)果與反饋。

（1）通過含正交模塊的一維卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取正交差異化特征，豐富特征多樣性。在此基礎(chǔ)上，使用基于最大互信息的Relief和支持向量機(jī)交互的自動(dòng)特征選擇算法，剔除無關(guān)特征，選擇出具有良好穩(wěn)定性和泛化能力的特征子集。

（2）通過機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法，建立故障診斷模型。

（3）在信息系統(tǒng)開發(fā)上，采用前后端分離的架構(gòu)，并將訓(xùn)練好的模型用分布式存儲(chǔ)服務(wù)進(jìn)行對(duì)象存儲(chǔ)，約定好相互之間的接口語義，從而簡(jiǎn)化開發(fā)耦合性。

（1）建立了涂膠結(jié)果分類模型、已知類和未知類故障識(shí)別模型和具體故障診斷模型，最終可以形成一個(gè)完整的故障診斷流程。

（2）針對(duì)故障數(shù)據(jù)集特征數(shù)量過少和無效數(shù)據(jù)多的問題，使用人工提取和神經(jīng)網(wǎng)絡(luò)提取兩種方法豐富特征，采用包裹式篩選的方法篩選出最優(yōu)特征子集。為提高故障診斷準(zhǔn)確率。

（3）在神經(jīng)網(wǎng)絡(luò)中加入卷積層和殘差層，充分挖掘數(shù)據(jù)參數(shù)局部序列關(guān)系；對(duì)于超參數(shù)調(diào)優(yōu)，運(yùn)用遺傳算法進(jìn)行局部尋優(yōu)；對(duì)于類不平衡問題，采用生成對(duì)抗網(wǎng)絡(luò)的方法，生成新樣本。

（4）開發(fā)了故障信息平臺(tái)。