【摘要】：隨著現(xiàn)代化工過程日趨復(fù)雜化與綜合化,運行工況和操作環(huán)境也愈加多變,帶來企業(yè)生產(chǎn)效率提升的同時,也使得過程故障發(fā)生的幾率逐漸增大。與其他工業(yè)部門相比,化工故障具有更大的危險性,因此準(zhǔn)確及時的診斷故障成為化工領(lǐng)域的研究熱點之一。隨著傳感器和計算機技術(shù)的發(fā)展,大量歷史數(shù)據(jù)被采集與存儲,使得基于數(shù)據(jù)驅(qū)動的智能故障診斷方法逐漸成為近年來故障技術(shù)研究領(lǐng)域的研究熱點,并具有重要的現(xiàn)實意義。而深度學(xué)習(xí)作為基于數(shù)據(jù)驅(qū)動方式的新興分支,以其強大的特征提取能力以及處理復(fù)雜,高維,非線性等數(shù)據(jù)的獨特優(yōu)勢也已經(jīng)在模式識別領(lǐng)域取得眾多成果,并為化工故障診斷方法提供了新的范式。本文從面向數(shù)據(jù)驅(qū)動的化工故障診斷這一背景出發(fā),以深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network,DNN)模型為基礎(chǔ),針對化工過程數(shù)據(jù)的無標(biāo)記、不平衡、數(shù)據(jù)流式特性,對基于深度學(xué)習(xí)的化工故障診斷方法展開研究。(1)針對化工場景下有標(biāo)記故障數(shù)據(jù)缺失這一現(xiàn)實特性,提出一種結(jié)合主動學(xué)習(xí)的深層故障診斷方法。首先利用典型的深度學(xué)習(xí)構(gòu)架—堆棧降噪自編碼器SDAE(Stacked Denoising Auto-Encoder,SDAE),以無監(jiān)督的方式實現(xiàn)化工過程數(shù)據(jù)的抽象特征表達(dá)。在模型微調(diào)階段,提出一種針對化工過程的主動學(xué)習(xí)標(biāo)準(zhǔn),根據(jù)模型需求選擇標(biāo)定樣本,最大化實現(xiàn)有標(biāo)記數(shù)據(jù)對DNN診斷模型的性能改善。深度學(xué)習(xí)在復(fù)雜非線性化工過程數(shù)據(jù)的應(yīng)用,解決了傳統(tǒng)淺層模型表達(dá)能力不足的缺陷,完成手動特征提取到自動特征提取的轉(zhuǎn)變;同時結(jié)合提出的主動學(xué)習(xí)策略,進(jìn)一步提升了有標(biāo)記樣本的有效性。(2)針對化工過程數(shù)據(jù)存在故障類別不平衡這一現(xiàn)實特性,研究了一種自適應(yīng)不平衡修正的深層故障診斷方法。首先針對原始故障數(shù)據(jù)的不平衡性問題,提出一種改進(jìn)的不平衡數(shù)據(jù)處理算法,從數(shù)據(jù)層面上改善DNN模型的故障診斷性能。然后在模型層面上,研究了一種結(jié)合主動學(xué)習(xí)的不平衡修正方法,以模型自身需求為反饋,實現(xiàn)對不平衡參數(shù)的自適應(yīng)修正。實驗結(jié)果表明,該模型在g-mean和敏感度指標(biāo)下具備更優(yōu)的效果,適用于數(shù)據(jù)不平衡場景下的化工過程故障診斷。(3)針對現(xiàn)實化工故障數(shù)據(jù)的流式特性,研究了一種分層增量的深層故障診斷方法,實現(xiàn)了對DNN診斷模型的增量更新。首先采用模糊均值方法將數(shù)據(jù)流下的多個故障模式根據(jù)相似度分成多個“超類”,每個“超類”對應(yīng)一個擴展子模型進(jìn)行單獨訓(xùn)練。子模型以“克隆”的形式繼承原始模型的學(xué)習(xí)參數(shù),實現(xiàn)舊知識的動態(tài)遷移。實驗結(jié)果表明提出方法具備較高的診斷精度,并針對化工流式數(shù)據(jù)具有較強的適應(yīng)性。
【圖文】：

杭州電子科技大學(xué)碩士學(xué)位論文空、航天、機械化工等領(lǐng)域應(yīng)用中取得顯著成果[17]。而近幾年的工業(yè) 4.0 和智能制造更是動了面向復(fù)雜工業(yè)系統(tǒng)的故障診斷技術(shù)成為發(fā)展的前沿和熱點問題。按照診斷方式的不同，針對工業(yè)過程的故障診斷方法主要分為三類：基于模型的方法Model-based）、基于信號處理的方法（Signal-based）和基于數(shù)據(jù)驅(qū)動的方法（Data-drivenased）[18]。圖 1.1 展示了故障診斷方法的詳細(xì)分類。

杭州電子科技大學(xué)碩士學(xué)位論文于知識的診斷方法�；跀�(shù)據(jù)驅(qū)動的故障診斷技術(shù)無需針對工業(yè)系統(tǒng)建立復(fù)模型，僅需為先進(jìn)傳感器采集的數(shù)據(jù)選擇合適的學(xué)習(xí)算法以實現(xiàn)診斷決策[18]的復(fù)雜化和綜合化發(fā)展，傳統(tǒng)基于模型和信號處理的故障診斷方法由于其固有全滿足復(fù)雜工業(yè)系統(tǒng)的故障診斷需求[22,23]。而在微型傳感器和分布式傳感網(wǎng)背景下，大量工況、過程等數(shù)據(jù)被采集與存儲，因此從數(shù)據(jù)中挖掘出反映化息愈發(fā)關(guān)鍵，，推動了基于數(shù)據(jù)驅(qū)動的故障診斷方法的理論研究與現(xiàn)實應(yīng)用。
【學(xué)位授予單位】：杭州電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP183;TQ050.7

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 蔣永華;程光明;闞君武;宣仲義;馬繼杰;張忠華;;基于NGA優(yōu)化SVM的滾動軸承故障診斷[J];儀器儀表學(xué)報;2013年12期

2 廖星智;萬舟;熊新;;基于ELMD與LS-SVM的滾動軸承故障診斷方法[J];化工學(xué)報;2013年12期

3 胡吉晨;黃國勇;邵宗凱;王曉東;鄒金慧;;基于ICA-PCA的化工流程儀表故障診斷[J];計算機與應(yīng)用化學(xué);2013年07期

4 連遠(yuǎn)鋒;李國和;吳發(fā)林;趙剡;;基于遺傳PNN網(wǎng)絡(luò)的組合導(dǎo)航故障診斷研究[J];儀器儀表學(xué)報;2012年01期

5 任偉;田文德;杜廷召;;基于C-PCA方法的化工過程故障診斷研究[J];計算機與應(yīng)用化學(xué);2010年08期

相關(guān)碩士學(xué)位論文 前2條

1 朱菲菲;基于數(shù)據(jù)驅(qū)動的工業(yè)過程故障診斷研究[D];哈爾濱理工大學(xué);2017年

2 葛強強;基于深度置信網(wǎng)絡(luò)的數(shù)據(jù)驅(qū)動故障診斷方法研究[D];哈爾濱工業(yè)大學(xué);2016年

本文編號：2678021