隨著科學技術(shù)的飛速發(fā)展和工業(yè)系統(tǒng)復雜度的不斷提高,保障系統(tǒng)的高效和安全運行已成為提高產(chǎn)品質(zhì)量和提升生產(chǎn)效率的關(guān)鍵。復雜過程表現(xiàn)在由于外界環(huán)境、工業(yè)系統(tǒng)固有屬性、不同操作條件以及不同的生產(chǎn)需求而產(chǎn)生的多個穩(wěn)定運行工況的復雜過程。要保證多復雜過程的安全、高效運行,建立準確有效的故障診斷模型尤為必要。因此,對多模態(tài)的復雜工業(yè)過程進行有效的故障診斷是故障診斷領域的研究熱點之一。本文通過使用田納西-伊斯曼過程（Tenessee Eastman Process,TEP）的仿真模型對故障診斷方法進行研究。對于復雜過程,本文研究的重點是設計并且搭建基于深度學習故障診斷方法的實驗平臺,并提出了兩種基于深度學習的多模態(tài)過程故障診斷方法,將兩種方法在所創(chuàng)建的實驗平臺上實現(xiàn)。由于實際工業(yè)過程中所產(chǎn)生的數(shù)據(jù)往往會受到噪聲污染,為了精確穩(wěn)定的提取故障特征,本文提出了將變分模態(tài)分解（Variational Mode Decomposition,VMD）與堆疊自編碼（Stacked Auto-encoder,SAE）、VMD 與卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network,CNN）結(jié)合的兩種... 

【文章來源】：沈陽理工大學遼寧省

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

圖１．１近代故障診斷方法匯總??Ｆｉｇｕｒｅ?１．１?Ｓｕｍｍａｒｙ?ｏｆ?ｍｏｄｅｍ?ｆａｕｌｔ?ｄｉａｇｎｏｓｉｓ?ｍｅｔｈｏｄｓ??１．２．２深度學習綜述??

?第２章ＴＥ過程概述與數(shù)據(jù)獲取???相中。產(chǎn)品具有適度的揮發(fā)性，并與沒有參加反應的氣體一同流出反應器。部分??冷凝器從循環(huán)氣體中回收它們。汽提器的作用是減少了液體產(chǎn)品中Ｄ和Ｅ的損失。??從汽提塔的頂部與部分冷凝器的廢氣相結(jié)合，循環(huán)進反應器內(nèi)。惰性組分Ｂ約占??進料流４的０．５％。該組分是不可冷凝的，必須在吹掃過程中流出（圖２．１中的流９）。??

網(wǎng)站上獲得的仿真平臺只包含模態(tài)１、模態(tài)３仿真模型的初始化模式，對于模態(tài)２、??４、５、６這四個模態(tài)，則需要通過模態(tài)１、３作為基準進行轉(zhuǎn)換來獲得。其仿真模??型的結(jié)構(gòu)如圖２．２所示。??－１６?－??


本文編號：3294489