隨著社會工業(yè)化進程的推進,空調(diào)系統(tǒng)在工業(yè)生產(chǎn)中應(yīng)用越來越廣泛,確保車間溫度準(zhǔn)確穩(wěn)定已經(jīng)成為各大工廠車間有效避免安全隱患,高效生產(chǎn)作業(yè)的關(guān)鍵條件,空壓機作為空調(diào)系統(tǒng)中最為關(guān)鍵的設(shè)備,其是否能在車間生產(chǎn)作業(yè)過程中正常的運轉(zhuǎn),對整個空調(diào)系統(tǒng)安全乃至工廠車間生產(chǎn)效率有著非常重要的作用。本文以空壓機作為研究對象,目標(biāo)在于研究空壓機各級運行參數(shù)對空壓機故障的影響,提出了一種基于變體長短時記憶網(wǎng)絡(luò)（V-LSTM）的空壓機運行參數(shù)預(yù)測與監(jiān)測模型,再用Pearson相關(guān)性系數(shù)確定相關(guān)參數(shù)輸入網(wǎng)絡(luò)模型,接著采用3σ準(zhǔn)則依據(jù)采集數(shù)據(jù)確定故障異常故障閾值。最后根據(jù)工廠實測數(shù)據(jù)進行仿真實驗,以此來判斷本文提出的變體LSTM模型的有效性,實驗結(jié)果顯示我們提出的變體長短時記憶網(wǎng)絡(luò)模型對空壓機的故障預(yù)測與監(jiān)測具有更高的效率和準(zhǔn)確性,最后通過監(jiān)測的結(jié)果建立一個小型的故障機理推理專家系統(tǒng)進行故障診斷。論文主要內(nèi)容如下:首先,本文通過對空壓機的工作原理、機械構(gòu)造、故障類型、故障機理進行全面理論概括,對本文的課題來源、國內(nèi)外現(xiàn)狀、研究內(nèi)容、研究意義、進行了詳細介紹,主要研究分析了故障診斷系統(tǒng)現(xiàn)狀、深度學(xué)習(xí)算法的現(xiàn)狀與長短時記... 

【文章來源】：重慶理工大學(xué)重慶市

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

RNN網(wǎng)絡(luò)簡圖和隱藏層神經(jīng)單元展開結(jié)構(gòu)圖

重慶理工大學(xué)碩士學(xué)位論文14這一問題，其是在RNN隱藏層細胞的基礎(chǔ)上加入：輸入門、輸出門和遺忘三個門機制，從而有效的解決了RNN記憶力不足等問題。之后經(jīng)過研究者們不斷的優(yōu)化，當(dāng)前應(yīng)用最為廣泛的LSTM網(wǎng)絡(luò)模型如圖2.2所示，其中各參數(shù)都可由如下的前向計算公式(2.3)到公式(2.9)計算所得:isWcbxWW)σ(itititit11(2.3))(11fsWcbxWWftftftft(2.4))tanh(1zsbxWWtztztz(2.5))11(WfcsbxWWftftftft(2.6)iczfcttttt1(2.7))(1osWcbxWWotototot(2.8)cos)tanh(ttt(2.9)圖2.2LSTM隱藏層神經(jīng)單元展開結(jié)構(gòu)圖

重慶理工大學(xué)碩士學(xué)位論文16單元僅利用輸入門和遺忘門，并通過簡單加和（沒有引入新的參數(shù)，直接把矩陣元素對應(yīng)位置相加）得到輸出結(jié)果，使得參數(shù)規(guī)模相比LSTM有了極大的優(yōu)化，在極大減少參數(shù)量的情況下，不需要超大規(guī)模的訓(xùn)練數(shù)據(jù)便可以達到很好的收斂效果。這也使得我們提出的V-LSTM更加適用于空壓機異常檢測問題的序列建模預(yù)測，并且因為其輕量級的特性，在實際中也便于部署模型[42]。經(jīng)過優(yōu)化和演變，我們提出了一種變體長短時記憶網(wǎng)絡(luò)的隱藏層模型如圖2.3所示，公式中各參數(shù)都可由(2.11)-(2.13)計算所得：)(1itititixbsWW（2.11）)(ftitfbiW（2.12）tttttxisfs1（2.13）圖2.3V-LSTM隱藏層神經(jīng)單元展開結(jié)構(gòu)圖其中xt是現(xiàn)在時刻網(wǎng)絡(luò)的輸入值、st-1上一時刻網(wǎng)絡(luò)隱藏層的輸出值。2.3.2V-LSTM與LSTM的復(fù)雜度比較在此我們將簡要分析GRU[43]、LSTM和我們提出的V-LSTM的模型參數(shù)復(fù)雜度和每個神經(jīng)單元參與矩陣變換的次數(shù)。如表2.1所示，我們列出了GRU，LSTM和V-LSTM的權(quán)重矩陣的個數(shù)(即模型參數(shù)復(fù)雜度)和每個神經(jīng)網(wǎng)絡(luò)單元需要進行矩陣變換的矩陣個數(shù)。從權(quán)重矩陣個數(shù)可以看出，相比原始LSTM模型，我們的V-LSTM模型壓縮程度在3:8左右，且因為矩陣變化個數(shù)也明顯少于LSTM，所以無論是訓(xùn)練

【參考文獻】：
期刊論文
[1]基于變體LSTM的空壓機排氣壓力監(jiān)測研究[J]. 王華秋,武林.  重慶理工大學(xué)學(xué)報(自然科學(xué)). 2020(02)
[2]基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型能源管理系統(tǒng)研究與應(yīng)用[J]. 羅坤杰,張穎慧.  工業(yè)控制計算機. 2019(09)
[3]一種新型DSCNN-GRU結(jié)構(gòu)的減速機軸承故障診斷方法[J]. 汪洋,郭利進.  機械科學(xué)與技術(shù). 2020(02)
[4]基于深度信念網(wǎng)絡(luò)的空壓機故障監(jiān)測研究[J]. 王華秋,王斌.  重慶理工大學(xué)學(xué)報(自然科學(xué)). 2019(05)
[5]基于并行的F-LSTM模型及其在電力通信設(shè)備故障預(yù)測中的應(yīng)用[J]. 楊濟海,劉洋,劉杰,余偉,李石君.  武漢大學(xué)學(xué)報(理學(xué)版). 2019(03)
[6]基于Adam算法和神經(jīng)網(wǎng)絡(luò)的照度計算方法[J]. 湯燁,陸衛(wèi)忠,陳成,黃宏梅.  照明工程學(xué)報. 2019(02)
[7]基于故障樹的故障診斷專家系統(tǒng)設(shè)計[J]. 彭華亮,沈暑龍,李軍,周晨程.  控制工程. 2019(03)
[8]螺桿式空壓機排氣超溫原因分析及解決方法與預(yù)防[J]. 楊忠亮,李明,王文,吳家偉.  中國設(shè)備工程. 2019(01)
[9]GRU神經(jīng)網(wǎng)絡(luò)短期電力負荷預(yù)測研究[J]. 周莽,高僮,李晨光,姜辰龍.  科技創(chuàng)新與應(yīng)用. 2018(33)
[10]基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的盾構(gòu)機故障預(yù)測系統(tǒng)設(shè)計[J]. 周奇才,王益飛,趙炯,熊肖磊,沈鶴鴻.  現(xiàn)代機械. 2018(05)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像檢索方法研究[D]. 郎帥.重慶理工大學(xué) 2019
[2]基于深度信念網(wǎng)絡(luò)的空調(diào)壓縮機故障診斷系統(tǒng)研究[D]. 王斌.重慶理工大學(xué) 2019
[3]模糊控制算法研究及在火電廠主汽溫控制的應(yīng)用[D]. 呂正鑫.華北電力大學(xué) 2019
[4]基于海量文本挖掘的證券市場情緒監(jiān)控及預(yù)測[D]. 印如意.電子科技大學(xué) 2018
[5]基于案例相似度的車輛故障智能診斷系統(tǒng)研究[D]. 張曉陽.吉林大學(xué) 2017
[6]基于深度神經(jīng)網(wǎng)絡(luò)的圖像識別系統(tǒng)的研究與改進[D]. 白亞龍.哈爾濱工業(yè)大學(xué) 2014
[7]兩級噴油螺桿壓縮機型線設(shè)計與加工技術(shù)研究[D]. 嚴(yán)迪.重慶大學(xué) 2012
[8]單螺桿空壓機故障診斷[D]. 由繼國.遼寧工程技術(shù)大學(xué) 2006
[9]某型雷達智能故障診斷系統(tǒng)研究[D]. 左萬里.中國人民解放軍國防科學(xué)技術(shù)大學(xué) 2002



本文編號：3587544