發(fā)布時間：2020-08-15 07:46

【摘要】：現(xiàn)代工業(yè)生產(chǎn)過程的科技含量越來越高,對安全生產(chǎn)以及設(shè)備可維護(hù)性的要求也逐漸提高。目前,絕大多數(shù)復(fù)雜化工生產(chǎn)過程屬于多模態(tài)過程,因其產(chǎn)品需求、生產(chǎn)方案等諸多原因會產(chǎn)生多個運行工況,從而產(chǎn)生大量的多模態(tài)數(shù)據(jù)。多模態(tài)數(shù)據(jù)含有多個過程變量,數(shù)據(jù)之間存在非線性、非魯棒性等特性。如果多模態(tài)工業(yè)生產(chǎn)過程中有設(shè)備故障問題,整個生產(chǎn)線要停止生產(chǎn)相關(guān)產(chǎn)品,影響效益甚至威脅到技術(shù)人員的人身安全。因此,多模態(tài)過程故障診斷技術(shù)的發(fā)展對當(dāng)今工業(yè)安全生產(chǎn)問題至關(guān)重要。本文的研究內(nèi)容主要是以田納西伊斯曼過程(TE過程)工業(yè)模型為仿真模型來獲取數(shù)據(jù),基于深度學(xué)習(xí)對多模態(tài)過程集合型故障診斷方法展開研究。將多模態(tài)過程集合型故障診斷過程分為數(shù)據(jù)去噪、數(shù)據(jù)降維、故障分類以及模型參數(shù)優(yōu)化四個環(huán)節(jié)進(jìn)行,并提出了基于深度學(xué)習(xí)的集合型故障診斷方法,即VMD-LLE-CPSO-DBN集合型故障診斷方法。首先,利用TE過程仿真模型仿真出實驗所需的正常數(shù)據(jù)集和故障數(shù)據(jù)集,數(shù)據(jù)集去噪環(huán)節(jié)選用變分模態(tài)分解算法(VMD),目的是以減少數(shù)據(jù)噪聲干擾。由于深度置信網(wǎng)絡(luò)(DBN)在建立高維數(shù)據(jù)分類模型時存在訓(xùn)練時間長的問題,本文采用局部線性嵌入算法(LLE)對高維樣本數(shù)據(jù)進(jìn)行降維,從而減少研究對象變量的個數(shù),減少數(shù)據(jù)冗余,降低特征提取難度,縮短模型訓(xùn)練時間。利用混沌粒子群算法(CPSO)對深度置信網(wǎng)絡(luò)模型進(jìn)行參數(shù)尋優(yōu),避免了基本粒子群算法容易陷入局部最優(yōu)的情況,然后將降維后的數(shù)據(jù)作為深度置信網(wǎng)絡(luò)的網(wǎng)絡(luò)輸入,構(gòu)建含有4個受限玻爾茲曼機共5層結(jié)構(gòu)的深度置信網(wǎng)絡(luò),利用深度置信網(wǎng)絡(luò)強大的數(shù)據(jù)學(xué)習(xí)能力進(jìn)行故障分類,構(gòu)建了一類含數(shù)據(jù)預(yù)處理機制的深度置信網(wǎng)絡(luò)分類器。通過與傳統(tǒng)故障診斷方法對比,證明了該方法能提高模型對樣本的學(xué)習(xí)能力和模型故障診斷的精度。最后建立多模態(tài)過程仿真實驗平臺驗證了 VMD-LLE-CPSO-DBN集合型算法的有效性。
【學(xué)位授予單位】：沈陽理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP277;TP18
【圖文】：

組分（流１０）再被泵到汽提塔，流４用于流１０中的剩余反應(yīng)物，這些剩余成分通逡逑過流５與再循環(huán)流結(jié)合，產(chǎn)品Ｇ和Ｈ從汽提塔出來進(jìn)入下游反應(yīng)過程。具體的工逡逑藝流程如圖２．１所示。逡逑－８－逡逑

２．３本章小結(jié)逡逑本章對典型多模態(tài)過程ＴＥＰ模型的生產(chǎn)流程、５３個變量、２０種故障類型有詳逡逑細(xì)介紹。舉例說明了如何獲取正常數(shù)據(jù)和故障數(shù)據(jù)，其中故障０６的模擬在故障狀逡逑態(tài)下７小時后關(guān)閉，因此故障０６的每個仿真僅具有７小時的故障數(shù)據(jù)。確定了本逡逑文實驗選取的運行工況，故障類型，最后建立實驗所需ＴＥＰ模型仿真數(shù)據(jù)集，將逡逑數(shù)據(jù)隨機分為５份，４份作為訓(xùn)練集，１份作為測試集，通過５次交叉驗證，實驗逡逑結(jié)果�。荡螌嶒灲Y(jié)果平均值。逡逑－１３－逡逑

３章基于ＶＭＤ－ＬＬＥ－ＤＢＮ集合型故障診斷方法ｍｉ２逡逑２？Ｓｔｅｐ５當(dāng)邐邐ｊ時，則結(jié)束迭代。逡逑１４逡逑數(shù)尺的選取關(guān)乎ＶＭＤ算法分解效果，若Ａ：過會出現(xiàn)欠分解現(xiàn)象，選擇合適的尤能有效避免００，去噪后的信號與原始信號基本相似，且表的去噪流程如圖３．１所示：逡逑含有噪聲的原始信號逡逑

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 張彪;邢健峰;紀(jì)志成;;基于優(yōu)化SVM的反滲透脫鹽水故障診斷[J];系統(tǒng)仿真學(xué)報;2015年05期

相關(guān)會議論文 前1條

1 周美蘭;王旭東;周永勤;溫嘉斌;劉耀武;;基于神經(jīng)網(wǎng)絡(luò)的汽車無級變速器故障診斷系統(tǒng)研究[A];2008中國儀器儀表與測控技術(shù)進(jìn)展大會論文集（Ⅱ）[C];2008年

相關(guān)博士學(xué)位論文 前1條

1 楊青;集合型故障檢測與診斷技術(shù)研究[D];長春理工大學(xué);2013年

相關(guān)碩士學(xué)位論文 前7條

1 李濤濤;基于變分模態(tài)分解和支持向量機的風(fēng)電機組振動故障診斷[D];西安理工大學(xué);2018年

2 雷雪;基于深度學(xué)習(xí)理論的車載電源健康診斷方法研究[D];蘭州理工大學(xué);2018年

3 鄭英鑫;多模態(tài)過程在線故障診斷方法比較研究[D];沈陽理工大學(xué);2018年

4 許寅;基于機器學(xué)習(xí)方法的航天器在軌狀態(tài)異變趨勢預(yù)測算法研究[D];電子科技大學(xué);2017年

5 姚雪曼;基于流形學(xué)習(xí)的降維技術(shù)的研究與實現(xiàn)[D];北京郵電大學(xué);2017年

6 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

7 蔣鵬;滾動軸承故障診斷與退化趨勢預(yù)測方法研究[D];西南石油大學(xué);2016年

本文編號：2793823