隨著當(dāng)今世界信息科學(xué)技術(shù)的不斷發(fā)展,我國(guó)步入工業(yè)4.0時(shí)代,現(xiàn)今工業(yè)領(lǐng)域均擁有大量的設(shè)備同時(shí)運(yùn)轉(zhuǎn)協(xié)作用以生產(chǎn)滿足人們?nèi)粘Ｐ枨蟮漠a(chǎn)品。在現(xiàn)代工業(yè)中,過(guò)程安全成為人們?nèi)找骊P(guān)注的關(guān)鍵問(wèn)題。隨著物聯(lián)網(wǎng)技術(shù)在工業(yè)生產(chǎn)領(lǐng)域得以廣泛應(yīng)用,工業(yè)生產(chǎn)設(shè)備均部署了大量的傳感器設(shè)備,這些傳感器設(shè)備會(huì)按照既定的規(guī)則來(lái)定時(shí)采集設(shè)備在運(yùn)行中的狀態(tài)數(shù)值,并且將設(shè)備數(shù)值匯集到數(shù)據(jù)中心中,這為現(xiàn)代狀態(tài)性維修提供了重要數(shù)據(jù)前提,可以挖掘數(shù)據(jù)中的隱藏信息并用于識(shí)別設(shè)備的潛在性故障。但是由于現(xiàn)代大型設(shè)備的大型化,復(fù)雜化,在設(shè)備運(yùn)行過(guò)程中的一些擾動(dòng)不會(huì)斷傳遞給協(xié)作設(shè)備,這使得設(shè)備運(yùn)行狀態(tài)愈加復(fù)雜,難以用統(tǒng)一的模型來(lái)表示設(shè)備的運(yùn)行狀態(tài)。近年來(lái),隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展與進(jìn)步,深度學(xué)習(xí)技術(shù)成為故障檢測(cè)的主流解決方案。本文提出了一種基于長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)的在線異常檢測(cè)模型。在數(shù)據(jù)預(yù)處理階段,由于設(shè)備之間的相互作用具有傳遞性,使得傳感器數(shù)據(jù)之間往往存在延遲相關(guān)的現(xiàn)象,這種現(xiàn)象降低了特征提取的效果,因此采用曲線排齊方法對(duì)傳感器數(shù)據(jù)進(jìn)行特征提取,然后基于長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（LSTM）訓(xùn)練故障檢測(cè)模型。在實(shí)際的工業(yè)生產(chǎn)環(huán)境中,設(shè)備受到多種因... 

【文章來(lái)源】：北方工業(yè)大學(xué)北京市

【文章頁(yè)數(shù)】：60 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２－１基于數(shù)據(jù)驅(qū)動(dòng)的故障檢測(cè)方法??２．１．１統(tǒng)計(jì)分析方法??

神經(jīng)網(wǎng)絡(luò)的進(jìn)一步發(fā)展。直到Ｒｕｍｅｌｈａｒｔ和ＭｃＣｌｅｌｌａｎｄ提出了反向傳播（Ｂａｃｋ??Ｐｒｏｐａｇａｔｉｏｎ，ＢＰ）算法［３８］，解決了神經(jīng)網(wǎng)絡(luò)中求解網(wǎng)絡(luò)權(quán)重的難題，使其得到了??進(jìn)一步的發(fā)展。如圖２－２所示是一個(gè)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)示意圖。??翁‘??層數(shù)／?層數(shù)／＋７??圖２－２神經(jīng)網(wǎng)絡(luò)示意圖??反向傳播算法主要是用于更新神經(jīng)網(wǎng)絡(luò)的參數(shù)，神經(jīng)網(wǎng)絡(luò)公式可簡(jiǎn)單的表達(dá)??為２?＝?ＷＸ?＋?ｂ，則需要更新的參數(shù)為公式中的Ｗ和６。對(duì)于參數(shù)的更新主要是求取??網(wǎng)絡(luò)層的損失值對(duì)于參數(shù)的導(dǎo)數(shù)，并且根據(jù)導(dǎo)數(shù)的負(fù)方向?qū)?shù)進(jìn)行數(shù)值的更新，??設(shè)學(xué)習(xí)率為ｎ，參數(shù)更新公式如下所示：??Ｗ?＝?Ｗ?—?Ｔ］Ｖｗ?（２－１）??ｂ?＝?ｂ－ｒ＼Ｖｂ?（２－２）??對(duì)于參數(shù)梯度的求取，需要先求取當(dāng)前神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果ｚ的梯度，如公??式２－３所示：??８??

的能力得到廣泛關(guān)注。同于卷積神經(jīng)網(wǎng)絡(luò)可以擴(kuò)展為處理具有很大寬度和很大高??度的圖像，循環(huán)神經(jīng)網(wǎng)絡(luò)也可以處理很長(zhǎng)的序列數(shù)據(jù)。??循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖２＿３所示，ＲＮＮ相比于深度前饋神經(jīng)網(wǎng)絡(luò)，ＲＮＮ的??隱藏層存在一條有向反饋邊。ＲＮＮ每個(gè)神經(jīng)元接受當(dāng)前時(shí)刻的輸入＆以及上一??９??

【參考文獻(xiàn)】：
期刊論文
[1]面向發(fā)電設(shè)備預(yù)測(cè)性維護(hù)的傳感數(shù)據(jù)特征抽取方法[J]. 張守利,蘇申,劉晨,韓燕波.  太原理工大學(xué)學(xué)報(bào). 2018(01)
[2]面向文本非結(jié)構(gòu)化數(shù)據(jù)的輸變電系統(tǒng)故障診斷方法[J]. 黃良,王佳麗,趙立進(jìn),呂黔蘇,楊濤,林剛.  電力科學(xué)與技術(shù)學(xué)報(bào). 2017(03)
[3]基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械狀態(tài)預(yù)測(cè)研究[J]. 趙建鵬,周俊.  噪聲與振動(dòng)控制. 2017(04)
[4]基于長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組滾動(dòng)軸承故障診斷方法[J]. 張建付,宋雨,李剛,王傳洋,焦亞菲.  計(jì)算機(jī)測(cè)量與控制. 2017(01)
[5]遷移因子分析在齒輪箱變工況故障診斷中的應(yīng)用[J]. 謝駿遙,王金江,趙銳,段禮祥,王凱.  電子測(cè)量與儀器學(xué)報(bào). 2016(04)
[6]基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法綜述[J]. 李晗,蕭德云.  控制與決策. 2011(01)
[7]基于時(shí)間衰減模型的數(shù)據(jù)流頻繁模式挖掘[J]. 吳楓,仲妍,吳泉源.  自動(dòng)化學(xué)報(bào). 2010(05)
[8]累積和控制圖與休哈特控制圖聯(lián)合應(yīng)用方法[J]. 王敏華,周娟,沈丹.  湖北工業(yè)大學(xué)學(xué)報(bào). 2008(05)
[9]基于Wigner高階譜的機(jī)械故障診斷的研究[J]. 李志農(nóng),何永勇,褚福磊.  機(jī)械工程學(xué)報(bào). 2005(04)
[10]流數(shù)據(jù)分析與管理綜述[J]. 金澈清,錢(qián)衛(wèi)寧,周傲英.  軟件學(xué)報(bào). 2004(08)

碩士論文
[1]基于EEMD的共振解調(diào)技術(shù)在動(dòng)車(chē)組軸承故障診斷中的應(yīng)用[D]. 汪志君.北京交通大學(xué) 2017
[2]數(shù)據(jù)流挖掘算法研究[D]. 何相志.電子科技大學(xué) 2008



本文編號(hào)：3067492