隨著分布式控制系統(tǒng)的廣泛應用和先進信息技術(shù)的實施,為了實時地檢測并識別工業(yè)過程中的異常狀況,數(shù)據(jù)驅(qū)動的故障診斷方法成為多變量過程控制的研究熱點之一。然而海量高維度的過程測量信息給傳統(tǒng)的故障診斷算法帶來極大的計算復雜度和建模復雜度,且存在難以利用高階量進行在線估計的不足。面對復雜工業(yè)過程中的低階、動態(tài)、非線性、多模態(tài)以及微小故障等問題,本文結(jié)合深度學習與統(tǒng)計分析技術(shù),提出了一系列基于棧式自編碼網(wǎng)絡(luò)的故障診斷算法:(1)將深度學習技術(shù)引入工業(yè)過程控制中,提出了基于棧式自編碼網(wǎng)絡(luò)的故障診斷技術(shù),通過棧式自編碼網(wǎng)絡(luò)提取并表示工業(yè)過程數(shù)據(jù)中隱含的相關(guān)性特征,打破了傳統(tǒng)方法針對微小故障檢測的瓶頸;(2)從函數(shù)逼近角度闡述了棧式自編碼網(wǎng)絡(luò)結(jié)構(gòu):利用多重的非線性映射與優(yōu)化的組合實現(xiàn)復雜函數(shù)的逼近;初步解釋了棧式自編碼網(wǎng)絡(luò)在故障診斷上的可行性;結(jié)合加權(quán)時間序列保持工業(yè)過程的時間相關(guān)性;(3)從多項式泰勒展開的角度解析自編碼網(wǎng)絡(luò),結(jié)合泰勒展開的高階項O(xn)論證棧式自編碼網(wǎng)絡(luò)對細節(jié)特征的表示學習能力;鑒于動態(tài)過程中的時間最近鄰并不一定是其空間最近鄰,在不增加建模復雜度的前提下,提出了基于動態(tài)重建的棧式自編碼網(wǎng)絡(luò)故障診斷技術(shù),通過樣本重建在保持數(shù)據(jù)可分離性的同時增加類別間的可區(qū)分距離;(4)針對傳統(tǒng)多元統(tǒng)計分析技術(shù)難以利用高階信息的不足,提出了基于高階相關(guān)性的故障診斷技術(shù),結(jié)合棧式自編碼網(wǎng)絡(luò)的多隱層結(jié)構(gòu)建立多級學習框架:堆疊的隱層數(shù)越多,提取特征的階數(shù)越高;并給出對應度量指標監(jiān)控系統(tǒng)運行是否保持在控制范圍內(nèi);利用正常過程的測量數(shù)據(jù)進行網(wǎng)絡(luò)參數(shù)訓練,避免了類別間的數(shù)據(jù)不均衡問題;(5)考慮動態(tài)過程中在線數(shù)據(jù)的重要性,提出了基于棧式自編碼網(wǎng)絡(luò)的閾值自適應過程監(jiān)控技術(shù),通過一個綜合的表示框架實現(xiàn)多模態(tài)辨識與故障診斷的整合,降低了多模態(tài)切換的代價;并基于Sigmoid函數(shù)重構(gòu)進一步分析自編碼網(wǎng)絡(luò)的表示學習能力�；跅Ｊ阶跃幋a網(wǎng)絡(luò)的故障診斷方法可以更細致地反應過程運行狀態(tài)及潛在的演變軌跡,仿真研究驗證了其有效性與可靠性,豐富了數(shù)據(jù)驅(qū)動下故障診斷領(lǐng)域的研究成果,并揭示了進一步研究的必要和可能。
【學位單位】：浙江大學
【學位級別】：博士
【學位年份】：2019
【中圖分類】：TP277
【部分圖文】：

?第一章緒論???的優(yōu)化決策與控制，是目前較為實用的診斷技術(shù)【１９］。該技術(shù)對采集到的不同來源、不同類??型的監(jiān)測數(shù)據(jù)，采用數(shù)據(jù)表示學習、模式識別和并行計算等技術(shù)獲取其中隱含的有用信??息。系統(tǒng)發(fā)生故障必然會反應在監(jiān)測數(shù)據(jù)上，監(jiān)測數(shù)據(jù)包括大量的歷史樣本數(shù)據(jù)（即離線??數(shù)據(jù)）以及當前時刻的采樣數(shù)據(jù)（即在線數(shù)據(jù)）。歷史數(shù)據(jù)反應的是系統(tǒng)不同傳感器／監(jiān)測??對象的過程特性與模式演變，在線數(shù)據(jù)反應的是系統(tǒng)當前運行中的時變特性和歷史數(shù)據(jù)的??累積效應。理論上，只要對監(jiān)測數(shù)據(jù)進行合理的、深度的特征挖掘，便可得到更為具體、??細節(jié)的特征，尤其適用于微小、早期故障的診斷［４；２３］。數(shù)據(jù)驅(qū)動的故障診斷方法能夠相對??準確地檢測出故障并辨識出故障的類別，不需要系統(tǒng)的先驗知識，比如數(shù)學模型和專家經(jīng)??驗，適用于建立機理模型的復雜工業(yè)系統(tǒng)，可以劃分為：多元統(tǒng)計分析法、信號處理法、??粗糙集、機器學習法以及信息融合法．等，具體如圖１．１所示［４；１９】。?．??數(shù)據(jù)驅(qū)動的故障診斷方法??

設(shè)計了基于棧式稀疏自編碼網(wǎng)絡(luò)的故障診斷算法。??第三章從函數(shù)逼近的角度探究棧式自編碼網(wǎng)絡(luò)結(jié)構(gòu)，分析其在故障診斷中的應用可行??性。通過加權(quán)序列延展連續(xù)過程的時間拓撲結(jié)構(gòu)保存時間關(guān)聯(lián)性信息，提出了基于加權(quán)序??列的棧式自編碼網(wǎng)絡(luò)故障診斷算法。??第四章從多項式的泰勒展開角度的角度探究自編碼網(wǎng)絡(luò)的函數(shù)逼近能力，分析其對于??微小故障檢測的可解釋性。鑒于動態(tài)過程中，樣本點的時間近鄰并不一定是其空間近鄰，??在不增加棧式自編碼網(wǎng)絡(luò)結(jié)構(gòu)復雜度的前提下，結(jié)合時間－空間去噪的關(guān)聯(lián)性分析對過程??數(shù)據(jù)的動態(tài)估計，提出了?一種基于動態(tài)估計的棧式自編碼故障診斷方法。??１１??

２．２．２棧式稀疏自編碼網(wǎng)絡(luò)??棧式稀疏自編碼網(wǎng)絡(luò)是由多個稀疏自編碼網(wǎng)絡(luò)堆疊而成，以前一層自編碼網(wǎng)絡(luò)的輸出??作為后一層自編碼網(wǎng)絡(luò)的輸入１８６］，如圖２．３所示。??對于一個結(jié)構(gòu)為—?的具有丨個隱層的棧式自編碼網(wǎng)絡(luò)，網(wǎng)絡(luò)參數(shù)為：??輸入單元數(shù)目ｎ、隱層數(shù)目！、隱層單元數(shù)目ｓ?＝卜⑴，ｓ⑵，…，即｝］、權(quán)重矩陣Ｗ?＝??［扣⑴，＾／／２），…，ｗ（ｆ），ｕ；（＂ｆ１）］、偏差矩陣６?＝斤⑴，？＾２），…，＃）＾“１）］。該棧式自編碼網(wǎng)絡(luò)的??１９??
【相似文獻】

相關(guān)期刊論文 前10條

1 廖利平;張敖;翁思妹;易炳學;曾長龍;;中藥飲片在供應鏈管理中的編碼表示與應用的研究[J];世界中醫(yī)藥;2012年01期

2 鄒彤,李寧,孫德寶,李菁;多車場車輛路徑問題的遺傳算法[J];計算機工程與應用;2004年21期

3 李愛軍;;各種編碼表示[J];電腦開發(fā)與應用;2006年04期

4 ;遺傳算法中的編碼表示[J];航空計算技術(shù);1995年04期

5 曲鼎;;上帝說要有IPv6[J];計算機安全;2011年06期

6 韓建楓,李敏強,寇紀凇;遺傳算法中排列問題的編碼研究[J];計算機工程與應用;2002年12期

7 周棟;;在場景改變后的圖像中的編碼和發(fā)射參數(shù)的調(diào)整研究[J];科技創(chuàng)新與應用;2016年35期

8 孟祥武;程虎;;進化神經(jīng)網(wǎng)絡(luò)的編碼表示機制研究[J];計算機科學;1998年01期

9 ;新課標教材《地理》八年級下冊(人教版) 第五章 中國的地理差異[J];中學地理教學參考;2006年Z1期

10 程小東;張宇;;X3D文件轉(zhuǎn)換為JSON的方法[J];池州學院學報;2009年03期

相關(guān)博士學位論文 前2條

1 呂菲亞;基于棧式自編碼網(wǎng)絡(luò)的故障診斷方法研究[D];浙江大學;2019年

2 胡棟;視頻分級編碼及可靠傳輸?shù)木幋a技術(shù)研究[D];上海交通大學;2007年

相關(guān)碩士學位論文 前3條

1 蘇玉瑞;SHVC分層編碼間的相關(guān)性研究[D];山東建筑大學;2018年

2 劉志;基于LFF原則的BBL布局研究及應用[D];電子科技大學;2004年

3 凌然;自然圖像的有效編碼和集成遷移分類方法研究[D];合肥工業(yè)大學;2013年

本文編號：2860160