基于模型的故障診斷可以為自動化系統(tǒng)安全高效運(yùn)行提供保障,但大型復(fù)雜系統(tǒng)很難建立起精確機(jī)理模型,因此數(shù)據(jù)驅(qū)動的故障診斷技術(shù)更受工業(yè)過程異常監(jiān)控專家的青睞。深度學(xué)習(xí)是一種高效的數(shù)據(jù)特征抽取工具,但基于深度學(xué)習(xí)的故障診斷方法的精確性取決于有效數(shù)據(jù)的數(shù)量和質(zhì)量。網(wǎng)絡(luò)傳輸隨機(jī)丟包或多傳感器采樣頻率不一致導(dǎo)致的數(shù)據(jù)缺失問題勢必會影響故障特征抽取的精確性,從而無法保障深度學(xué)習(xí)故障診斷模型的精確性和診斷方法的有效性。本文針對數(shù)據(jù)缺失情況下深度學(xué)習(xí)工具無法對結(jié)構(gòu)不完整樣本進(jìn)行特征提取的難題,通過有效的數(shù)據(jù)插補(bǔ)技術(shù)和DNN模型更新技術(shù),分別解決在線數(shù)據(jù)缺失、歷史數(shù)據(jù)與在線數(shù)據(jù)均缺失兩種情況下基于深度學(xué)習(xí)的故障診斷問題。主要?jiǎng)?chuàng)新點(diǎn)如下:（1）網(wǎng)絡(luò)傳輸過程中隨機(jī)丟包導(dǎo)致在線數(shù)據(jù)缺失的情況普遍存在,本文首先基于結(jié)構(gòu)完整的歷史數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network,BPNN）缺失數(shù)據(jù)插補(bǔ)模型,解決在線樣本因結(jié)構(gòu)不完整無法作為深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network,DNN）輸入的問題。然后基于插補(bǔ)之后所得結(jié)構(gòu)完整的在線樣本和訓(xùn)練好的DNN故障診斷模型實(shí)現(xiàn)在... 

【文章來源】：河南大學(xué)河南省

【文章頁數(shù)】：86 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
    1.2 故障診斷方法研究現(xiàn)狀
    1.3 基于數(shù)據(jù)驅(qū)動的故障診斷方法
        1.3.1 基于統(tǒng)計(jì)分析的故障診斷方法
        1.3.2 基于信號處理的故障診斷方法
        1.3.3 基于機(jī)器學(xué)習(xí)的故障診斷方法
    1.4 數(shù)據(jù)缺失處理方法研究現(xiàn)狀
    1.5 論文研究內(nèi)容與結(jié)構(gòu)安排
2 基礎(chǔ)知識
    2.1 引言
    2.2 BP神經(jīng)網(wǎng)絡(luò)
    2.3 DNN
        2.3.1 自動編碼器
        2.3.2 DNN模型的訓(xùn)練
        2.3.3 Softmax分類器訓(xùn)練
    2.4 數(shù)據(jù)插補(bǔ)方法
        2.4.1 均值插補(bǔ)
        2.4.2 KNN插補(bǔ)
        2.4.3 回歸插補(bǔ)
    2.5 本章小結(jié)
3 在線數(shù)據(jù)缺失情況下基于深度學(xué)習(xí)的故障診斷
    3.1 引言
    3.2 在線數(shù)據(jù)缺失下基于深度學(xué)習(xí)的故障診斷
        3.2.1 離線建模
        3.2.2 數(shù)據(jù)插補(bǔ)
        3.2.3 在線診斷
    3.3 實(shí)驗(yàn)和分析
        3.3.1 數(shù)據(jù)描述
        3.3.2 單變量缺失情況下的實(shí)驗(yàn)結(jié)果
        3.3.3 多變量缺失情況下的實(shí)驗(yàn)結(jié)果
    3.4 本章小結(jié)
4 數(shù)據(jù)缺失情況下帶模型更新的深度學(xué)習(xí)故障診斷
    4.1 引言
    4.2 數(shù)據(jù)缺失情況下模型更新的深度學(xué)習(xí)故障診斷
        4.2.1 結(jié)構(gòu)完整歷史數(shù)據(jù)故障診斷建模
        4.2.2 結(jié)構(gòu)完整歷史數(shù)據(jù)插補(bǔ)模型構(gòu)建
        4.2.3 對結(jié)構(gòu)不完整歷史數(shù)據(jù)進(jìn)行插補(bǔ)
        4.2.4 插補(bǔ)之后結(jié)構(gòu)完整歷史數(shù)據(jù)故障診斷
        4.2.5 模型更新
        4.2.6 在線數(shù)據(jù)故障診斷
    4.3 實(shí)驗(yàn)和分析
        4.3.1 單變量缺失情況下的實(shí)驗(yàn)結(jié)果
        4.3.2 多變量缺失情況下的實(shí)驗(yàn)結(jié)果
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間的科研成果


【參考文獻(xiàn)】：
期刊論文
[1]基于深度神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷[J]. 衛(wèi)潔潔,楊喜旺,黃晉英,尹學(xué)慧,衛(wèi)曉潔.  組合機(jī)床與自動化加工技術(shù). 2017(11)
[2]采用深度學(xué)習(xí)的異步電機(jī)故障診斷方法[J]. 王麗華,謝陽陽,張永宏,趙曉平,周子賢.  西安交通大學(xué)學(xué)報(bào). 2017(10)
[3]深度學(xué)習(xí)在故障診斷領(lǐng)域中的研究現(xiàn)狀與挑戰(zhàn)[J]. 任浩,屈劍鋒,柴毅,唐秋,葉欣.  控制與決策. 2017(08)
[4]基于深度學(xué)習(xí)的緩變故障早期診斷及壽命預(yù)測[J]. 周福娜,高育林,王佳瑜,文成林.  山東大學(xué)學(xué)報(bào)(工學(xué)版). 2017(05)
[5]基于DBN的故障特征提取及診斷方法研究[J]. 趙光權(quán),葛強(qiáng)強(qiáng),劉小勇,彭喜元.  儀器儀表學(xué)報(bào). 2016(09)
[6]我國“十二五”期間生產(chǎn)安全死亡事故直接經(jīng)濟(jì)損失估算[J]. 張興凱.  中國安全生產(chǎn)科學(xué)技術(shù). 2016(06)
[7]基于深度學(xué)習(xí)的發(fā)電機(jī)故障挖掘方法研究[J]. 謝川.  電網(wǎng)與清潔能源. 2016(02)
[8]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]. 雷亞國,賈峰,周昕,林京.  機(jī)械工程學(xué)報(bào). 2015(21)
[9]自動化儀表的控制軟件系統(tǒng)研究[J]. 王兆望,劉夫余.  科技信息. 2013(26)
[10]基于數(shù)據(jù)驅(qū)動的故障診斷方法綜述[J]. 李晗,蕭德云.  控制與決策. 2011(01)

博士論文
[1]無線傳感器網(wǎng)絡(luò)中可靠安全數(shù)據(jù)傳輸問題研究[D]. 孫新江.南京理工大學(xué) 2016
[2]面向動態(tài)環(huán)境監(jiān)測的無線傳感器網(wǎng)絡(luò)數(shù)據(jù)處理方法研究[D]. 吳秋云.國防科學(xué)技術(shù)大學(xué) 2013
[3]基于ICA-PCA方法的流程工業(yè)過程監(jiān)控與故障診斷研究[D]. 何寧.浙江大學(xué) 2004

碩士論文
[1]基于數(shù)據(jù)的燃料電池典型非正常工況故障檢測研究[D]. 翟夢佳.哈爾濱工業(yè)大學(xué) 2015
[2]基于貝葉斯網(wǎng)絡(luò)的缺失數(shù)據(jù)系統(tǒng)故障診斷研究[D]. 朱金林.江南大學(xué) 2013
[3]基于QGA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)在電力電子電路故障診斷中的應(yīng)用研究[D]. 封安輝.蘭州交通大學(xué) 2011
[4]基于粒計(jì)算和神經(jīng)網(wǎng)絡(luò)的電站風(fēng)機(jī)故障診斷的應(yīng)用[D]. 杜莉.太原理工大學(xué) 2009



本文編號：3627970