自動(dòng)化設(shè)備的結(jié)構(gòu)日趨復(fù)雜,使得設(shè)備故障問(wèn)題無(wú)可避免,采用設(shè)備預(yù)測(cè)維護(hù)技術(shù)可以實(shí)現(xiàn)從計(jì)劃維修到視情維修的轉(zhuǎn)變,在保證設(shè)備安全高效運(yùn)行的同時(shí)還能大大降低設(shè)備維護(hù)費(fèi)用。故障診斷和剩余壽命預(yù)測(cè)是設(shè)備預(yù)測(cè)維護(hù)的兩個(gè)重要步驟。但是原料變化、負(fù)載改變等因素會(huì)導(dǎo)致系統(tǒng)運(yùn)行在多模態(tài)工況下,從而影響了故障診斷和剩余壽命預(yù)測(cè)的精確性。沒(méi)有大型設(shè)備精確機(jī)理模型的情況下,本文采用深度學(xué)習(xí)作為特征抽取手段開(kāi)展數(shù)據(jù)驅(qū)動(dòng)的設(shè)備預(yù)測(cè)維護(hù)關(guān)鍵技術(shù)研究。重點(diǎn)解決傳統(tǒng)深度學(xué)習(xí)方法不能更精確地實(shí)現(xiàn)多模態(tài)故障診斷和剩余壽命預(yù)測(cè)的難題。論文的主要?jiǎng)?chuàng)新點(diǎn)如下:(1)提出一種分級(jí)深層網(wǎng)絡(luò)(Hierarchical Deep Neural Network,HDNN)構(gòu)建的思想,首先實(shí)現(xiàn)多模態(tài)數(shù)據(jù)的精確模態(tài)劃分,然后在HDNN的第二層級(jí)上針對(duì)每個(gè)模態(tài)分別建立不同的DNN診斷模型實(shí)現(xiàn)多模態(tài)故障的精確診斷。在HDNN的第三層級(jí)上針對(duì)不同模態(tài)的不同故障分別建立各自的DNN模型實(shí)現(xiàn)不同類型故障嚴(yán)重程度的區(qū)分,為預(yù)測(cè)維護(hù)提供決策參考。(2)提出一種差分LSTM方法解決緩變故障自相關(guān)特征抽取不準(zhǔn)確的問(wèn)題,達(dá)到無(wú)需做模態(tài)劃分即可實(shí)現(xiàn)多模態(tài)早期故障診斷的...

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
    1.2 故障診斷研究現(xiàn)狀
    1.3 數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法研究現(xiàn)狀
        1.3.1 基于統(tǒng)計(jì)分析的故障診斷方法
        1.3.2 基于信號(hào)處理的故障診斷方法
        1.3.3 基于機(jī)器學(xué)習(xí)的故障診斷方法
    1.4 多模態(tài)故障診斷方法研究現(xiàn)狀
    1.5 剩余壽命預(yù)測(cè)方法研究現(xiàn)狀
    1.6 數(shù)據(jù)驅(qū)動(dòng)的剩余壽命預(yù)測(cè)方法研究現(xiàn)狀
        1.6.1 基于統(tǒng)計(jì)分析的剩余壽命預(yù)測(cè)方法
        1.6.2 基于機(jī)器學(xué)習(xí)的剩余壽命預(yù)測(cè)方法
    1.7 論文研究?jī)?nèi)容與結(jié)構(gòu)安排
2 基礎(chǔ)知識(shí)
    2.1 引言
    2.2 深層神經(jīng)網(wǎng)絡(luò)
        2.2.1 自動(dòng)編碼器
        2.2.2 降噪自動(dòng)編碼器
        2.2.3 深層神經(jīng)網(wǎng)絡(luò)訓(xùn)練
    2.3 遞歸神經(jīng)網(wǎng)絡(luò)
        2.3.1 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)
        2.3.2 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)訓(xùn)練
        2.3.3 Dropout
    2.4 數(shù)據(jù)預(yù)處理
    2.5 本章小結(jié)
3 基于分級(jí)深層神經(jīng)網(wǎng)絡(luò)的多模態(tài)故障診斷
    3.1 引言
    3.2 基于深層神經(jīng)網(wǎng)絡(luò)的故障診斷
    3.3 基于分級(jí)深層神經(jīng)網(wǎng)絡(luò)的多模態(tài)故障診斷
    3.4 實(shí)驗(yàn)分析
        3.4.1 實(shí)驗(yàn)平臺(tái)
        3.4.2 數(shù)據(jù)描述
        3.4.3 故障診斷結(jié)果
    3.5 本章小結(jié)
4 基于差分LSTM的剩余壽命預(yù)測(cè)
    4.1 引言
    4.2 基于LSTM的RUL預(yù)測(cè)
    4.3 基于差分LSTM的多模態(tài)RUL預(yù)測(cè)
        4.3.1 動(dòng)態(tài)差分特征抽取
        4.3.2 基于差分LSTM的多模態(tài)RUL預(yù)測(cè)
    4.4 實(shí)驗(yàn)分析
        4.4.1 C-MAPSS數(shù)據(jù)集
        4.4.2 數(shù)據(jù)預(yù)處理
        4.4.3 剩余壽命預(yù)測(cè)預(yù)測(cè)結(jié)果
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間的科研成果



本文編號(hào)：3856791