本文選題：神經(jīng)網(wǎng)絡(luò)　切入點(diǎn)：實(shí)時(shí)監(jiān)測　出處：《北京科技大學(xué)》2017年博士論文

【摘要】：工業(yè)生產(chǎn)過程中的許多設(shè)備和儀器,如制造單元、化學(xué)處理模塊、發(fā)電站等,很容易出現(xiàn)故障,影響正常生產(chǎn)。特別地,長期在惡劣環(huán)境下操作、動態(tài)載荷以及一些在維修過程中意料不到的變化是引起儀器故障的幾個(gè)重要原因。為此,許多工廠需要在線設(shè)備儀器狀態(tài)監(jiān)測系統(tǒng),這套系統(tǒng)有助于減少災(zāi)難性故障的風(fēng)險(xiǎn),并確保安全、可靠和經(jīng)濟(jì)的操作。它進(jìn)一步支持基于維修決策的狀態(tài)監(jiān)測,這有助于減少由不必要的定期維修產(chǎn)生的多余成本。"縱深防御"安全概念要求在任務(wù)的關(guān)鍵系統(tǒng)中保持冗余和多樣性,以避免共模故障。通過在線監(jiān)測識別早期故障是一種預(yù)防性的方法,有可能會較低"縱深防御"概念下任務(wù)關(guān)鍵系統(tǒng)冗余性帶來的相關(guān)損失。由此可知,建立對工業(yè)系統(tǒng)下各種儀器設(shè)備實(shí)時(shí)狀態(tài)監(jiān)測和診斷的系統(tǒng)十分必要。在當(dāng)前,數(shù)據(jù)驅(qū)動下的物理過程和儀器條件的建模是一種建立在線監(jiān)測系統(tǒng)的普遍方法。實(shí)時(shí)故障監(jiān)測以及從歷史數(shù)據(jù)中學(xué)習(xí)系統(tǒng)模型是這種數(shù)據(jù)驅(qū)動模型的重要特點(diǎn)。但是,開發(fā)一個(gè)能魯棒地應(yīng)對超過操作時(shí)間情況下儀器性能改變的模型是一項(xiàng)非常有挑戰(zhàn)的任務(wù)。近幾年,物聯(lián)網(wǎng)迅速發(fā)展,產(chǎn)生了與儀器儀表等設(shè)備性能相關(guān)的大量數(shù)據(jù),我們可以利用有效的學(xué)習(xí)策略從這些大量的數(shù)據(jù)中挖掘我們需要的信息。近幾年,深度學(xué)習(xí)方法迅速發(fā)展,在很多機(jī)器學(xué)習(xí)任務(wù)中都取得了最好的成果,比如目標(biāo)識別、人臉識別、自然語言處理和機(jī)器翻譯等�；谶@些不同的應(yīng)用領(lǐng)域,又發(fā)展出了許多不同的深度學(xué)習(xí)框架,深度學(xué)習(xí)方法和各色應(yīng)用是相輔相成的關(guān)系。在這篇論文中,我們使用了深度學(xué)習(xí)框架對儀器設(shè)備的實(shí)時(shí)狀態(tài)進(jìn)行建模,便于對其進(jìn)行故障檢測、識別和診斷。首先,我們需要借助各種傳感器來獲取設(shè)備儀器數(shù)據(jù),傳感器是獲取工業(yè)生產(chǎn)過程中儀器信息的關(guān)鍵基礎(chǔ)設(shè)施之一。需要特別注意的是,我們應(yīng)該首先設(shè)計(jì)出一種具有抗大擾動的傳感器驗(yàn)證模型,從而能顯著提高自動靈敏度、交叉靈敏度以及故障檢測能力等指標(biāo),我們基于深度自動編碼器的正則化特征來提高這些指標(biāo)。本文中,我們提出了一種用于實(shí)時(shí)驗(yàn)證傳感器的抗噪自相關(guān)傳感器模型,并且在模擬環(huán)境下以及一個(gè)核電站記錄的真實(shí)傳感器故障記錄中驗(yàn)證了該方法的有效性,并與相關(guān)文獻(xiàn)中的模型進(jìn)行了對比實(shí)驗(yàn)。同理,旋轉(zhuǎn)機(jī)械,如泵、渦輪機(jī)及電機(jī)驅(qū)動器等設(shè)備也會出現(xiàn)機(jī)械故障,有很多研究是針對旋轉(zhuǎn)機(jī)械的故障檢測,比如基于振動的故障識別。但是基于振動的故障識別和分類模型對從原始振動數(shù)據(jù)中提取的特征十分敏感。我們提取了傳統(tǒng)的振動特征用于故障識別,發(fā)現(xiàn)效果不理想�；诖�,我們提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和疊加降噪自動編碼器結(jié)合的方式來從振動數(shù)據(jù)中提取抽象特征。從測試平臺上收集的基準(zhǔn)數(shù)椐的性能實(shí)驗(yàn)上看,我們提出的基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取方法顯著提高了分類器的性能,并在很多方面超過傳統(tǒng)的特征提取方法。
[Abstract]:......
【學(xué)位授予單位】：北京科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2017
【分類號】：TP274

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 雷亞國;賈峰;周昕;林京;;基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測方法[J];機(jī)械工程學(xué)報(bào);2015年21期

2 Mousavi Hamidreza;Shahbazian Mehdi;Jazayeri-Rad Hooshang;Nekounam Aliakbar;;Reconstruction based approach to sensor fault diagnosis using auto-associative neural networks[J];Journal of Central South University;2014年06期

，

本文編號：1670931