本文選題：深度學(xué)習(xí)　切入點(diǎn)：復(fù)雜工業(yè)系統(tǒng)　出處：《控制與決策》2017年08期 　論文類型：期刊論文

【摘要】：現(xiàn)代工業(yè)系統(tǒng)已呈現(xiàn)出向大型化、復(fù)雜化的方向發(fā)展,使得針對工業(yè)系統(tǒng)的故障診斷方法遇到一系列的技術(shù)難題.近年來,深度學(xué)習(xí)(deep learning)在特征提取與模式識(shí)別方面顯示出獨(dú)特的優(yōu)勢與潛力,將深度學(xué)習(xí)應(yīng)用于解決復(fù)雜工業(yè)系統(tǒng)故障診斷的研究已初現(xiàn)端倪.為此,首先介紹幾種典型的基于深度學(xué)習(xí)方法實(shí)現(xiàn)工業(yè)系統(tǒng)故障診斷方法;然后對基于深度學(xué)習(xí)實(shí)現(xiàn)故障診斷的主要思想和建模方法進(jìn)行描述;最后總結(jié)和討論了復(fù)雜工業(yè)系統(tǒng)故障的特點(diǎn),并探討了深度學(xué)習(xí)在實(shí)現(xiàn)復(fù)雜工業(yè)系統(tǒng)故障診斷方面所面臨的挑戰(zhàn),展望了未來值得繼續(xù)研究的方向.
[Abstract]:The modern industrial system has developed towards the direction of large scale and complexity, which makes the fault diagnosis method for industrial system meet a series of technical difficulties. Deep learning has shown unique advantages and potential in feature extraction and pattern recognition. The application of deep learning to fault diagnosis of complex industrial systems has begun to emerge. This paper first introduces several typical deep learning methods to realize fault diagnosis of industrial system, then describes the main ideas and modeling methods of fault diagnosis based on depth learning. Finally, the characteristics of complex industrial system faults are summarized and discussed, and the challenges of deep learning in fault diagnosis of complex industrial systems are discussed, and the future research directions are prospected.
【作者單位】： 重慶大學(xué)自動(dòng)化學(xué)院;電力傳輸設(shè)備與系統(tǒng)安全國家重點(diǎn)實(shí)驗(yàn)室;航天發(fā)射場可靠性技術(shù)重點(diǎn)實(shí)驗(yàn)室;
【基金】：國家自然科學(xué)基金項(xiàng)目(61275162) 重慶市基礎(chǔ)與前沿研究計(jì)劃項(xiàng)目(cstc2016jcyjA0504)
【分類號(hào)】：TP18;TP277

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張俊俊;何良華;;動(dòng)態(tài)深度信念網(wǎng)絡(luò)模型構(gòu)建[J];微型機(jī)與應(yīng)用;2017年01期

2 De-long FENG;Ming-qing XIAO;Ying-xi LIU;Hai-fang SONG;Zhao YANG;Ze-wen HU;;基于信息熵和深度置信網(wǎng)絡(luò)的渦輪發(fā)動(dòng)機(jī)在有限傳感器下的故障診斷仿真研究（英文）[J];Frontiers of Information Technology & Electronic Engineering;2016年12期

3 李本威;林學(xué)森;楊欣毅;趙勇;宋漢強(qiáng);;深度置信網(wǎng)絡(luò)在發(fā)動(dòng)機(jī)氣路部件性能衰退故障診斷中的應(yīng)用研究[J];推進(jìn)技術(shù);2016年11期

4 魏東;龔慶武;來文青;王波;劉棟;喬卉;林剛;;基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線路區(qū)內(nèi)外故障判斷及故障選相方法研究[J];中國電機(jī)工程學(xué)報(bào);2016年S1期

5 溫博文;董文瀚;解武杰;馬駿;;深度自編碼觀測器飛機(jī)操縱面快速故障診斷[J];飛行力學(xué);2016年06期

6 趙光權(quán);葛強(qiáng)強(qiáng);劉小勇;彭喜元;;基于DBN的故障特征提取及診斷方法研究[J];儀器儀表學(xué)報(bào);2016年09期

7 張新伯;唐炬;潘成;張曉星;金淼;楊東;鄭建;汪挺;;用于局部放電模式的深度置信網(wǎng)絡(luò)方法[J];電網(wǎng)技術(shù);2016年10期

8 文成林;呂菲亞;包哲靜;劉妹琴;;基于數(shù)據(jù)驅(qū)動(dòng)的微小故障診斷方法綜述[J];自動(dòng)化學(xué)報(bào);2016年09期

9 孫文s，

本文編號(hào)：1625430