空調(diào)壓縮機作為空調(diào)系統(tǒng)中最為關鍵的核心部件,一旦發(fā)生異常情況出現(xiàn)故障將影響整個系統(tǒng)的正常工作。特別是在工業(yè)化生產(chǎn)中,許多生產(chǎn)就都必須保持溫度條件的準確與穩(wěn)定,才能保證產(chǎn)品生產(chǎn)質(zhì)量。因此,對空調(diào)壓縮機運行狀態(tài)的準確監(jiān)測與故障診斷的研究在保障機械設備的良好運轉(zhuǎn)與工業(yè)生產(chǎn)的產(chǎn)品保障都有著十分關鍵的作用。本文以空調(diào)壓縮機為研究對象,針對空調(diào)壓縮機各項運行參數(shù)的監(jiān)測分析和機體故障推理診斷,進行了一系列的研究工作。主要內(nèi)容如下:首先,通過系統(tǒng)的理論闡述和各類的實踐應用分析,對本課題的基本研究背景及具體意義進行了詳細的介紹,主要研究分析了故障診斷系統(tǒng)與深度信念網(wǎng)絡相關技術的研究現(xiàn)狀發(fā)展趨勢。通過分析確定了系統(tǒng)最終使用的基礎算法。其次,研究分析了深度信念網(wǎng)絡的基本原理與具體訓練方法,并在原有基礎上引入動態(tài)學習率的概念改進了深度信念網(wǎng)絡的訓練過程,提高了模型網(wǎng)絡的訓練效率。然后利用深度信念網(wǎng)絡模型對空調(diào)壓縮機的運行狀態(tài)進行監(jiān)測,并且通過與其他方法的比較證明了本文方法的有效性。再次,基本闡述了空調(diào)壓縮機的基本工作原理、并對壓縮機的各類典型故障類型及原因進行了研究與剖析。形成了基本的知識體系,在此基礎上建立... 

【文章來源】：重慶理工大學重慶市

【文章頁數(shù)】：50 頁

【學位級別】：碩士

【部分圖文】：

RBM結(jié)構(gòu)圖

p Belief Network,DBN)是一種典型的深度學經(jīng)元疊加而成的。這里的神經(jīng)元就是受限制種概率生成模型。RBM 是一種神經(jīng)感知器層與隱藏層的神經(jīng)元之間為雙向全連接。權值。這個權值用來表示神經(jīng)元之間的連下一個 RBM 的可視層并最終構(gòu)建成整個網(wǎng).2 是一個由 3 個 RBM 組成的深度信念網(wǎng)絡監(jiān)督的預訓練和有監(jiān)督的微調(diào)。圖 2.1 RBM 結(jié)構(gòu)圖

診斷專家系統(tǒng)的建立系統(tǒng)旨在通過對知識體系推理來解決復雜問題，主要利用的是 if-then的專家系統(tǒng)由知識庫、推理引擎、解釋工具、知識獲取模塊、用戶界成。專家系統(tǒng)的基本組成部分與運行機制如圖 3.9 所示。由圖中可以的關鍵部分是知識庫和推理引擎。知識庫用來存儲通過專家進行獲取推理引擎則基于知識庫中的知識規(guī)則對用戶提供的條件進行推理得到就像一輛汽車的心臟是發(fā)動機，而要想運轉(zhuǎn)發(fā)動機則需要消耗燃油，家系統(tǒng)的心臟時推理引擎，油箱則是知識庫。課題的應用中，主要通過上面對壓縮機運行原理研究與常見故障的分現(xiàn)象即系統(tǒng)監(jiān)測到的壓縮機運行狀態(tài)異常情況與故障原因相對應的知知識庫內(nèi)容如表 3.6 所示。在完成專家系統(tǒng)知識庫的基本建立后，選理方法來構(gòu)建專家系統(tǒng)的推理引擎。然后與 3.1 構(gòu)建的基于深度信念監(jiān)測模型相結(jié)合，形成一個完整的空調(diào)壓縮機故障診斷系統(tǒng)。其基本示。

【參考文獻】：
期刊論文
[1]基于深度信念網(wǎng)絡的短期負荷預測方法[J]. 孔祥玉,鄭鋒,鄂志君,曹旌,王鑫.  電力系統(tǒng)自動化. 2018(05)
[2]動態(tài)深度信念網(wǎng)絡模型構(gòu)建[J]. 張俊俊,何良華.  微型機與應用. 2017(01)
[3]深度學習方法研究新進展[J]. 劉帥師,程曦,郭文燕,陳奇.  智能系統(tǒng)學報. 2016(05)
[4]基于動態(tài)Gibbs采樣的RBM訓練算法研究[J]. 李飛,高曉光,萬開方.  自動化學報. 2016(06)
[5]深度信念網(wǎng)絡研究綜述[J]. 丁美昆,徐昱琳,蔣財軍.  工業(yè)控制計算機. 2016(04)
[6]基于深度信念網(wǎng)絡的軸承故障分類識別[J]. 李巍華,單外平,曾雪瓊.  振動工程學報. 2016(02)
[7]基于深度信念網(wǎng)絡的信號重構(gòu)與軸承故障識別[J]. 單外平,曾雪瓊.  電子設計工程. 2016(04)
[8]基于深度信念網(wǎng)絡的電力變壓器故障分類建模[J]. 石鑫,朱永利,薩初日拉,王劉旺,孫崗.  電力系統(tǒng)保護與控制. 2016(01)
[9]基于概率神經(jīng)網(wǎng)絡的離心式制冷機故障診斷[J]. 梁晴晴,韓華,崔曉鈺.  暖通空調(diào). 2015(11)
[10]復合故障診斷技術綜述[J]. 張可,周東華,柴毅.  控制理論與應用. 2015(09)



本文編號：2991831