化工生產過程具有高度非線性、不確定性、易受干擾性和關聯(lián)性等特性,化工的生產過程還是個特殊的動態(tài)系統(tǒng),其生產環(huán)境不同于其它類型的工業(yè)過程,生產環(huán)境不穩(wěn)定和危險性,使得生產過程中的安全管理非常困難。為了能夠保證化工設備裝置正常的運行,及時地檢測到故障和準確地對故障進行診斷是必要的。本文針對化工過程數(shù)據的高維度非線性,提出基于卷積神經網絡的故障診斷方法。所提方法在對數(shù)據進行小波變換去噪和標準化預處理;通過卷積神經網絡的特征提取和學習,從化工過程中提取原始數(shù)據隱藏的信息特征;再經過softmax分類器進行故障分類。通過應用于TE過程的故障診斷研究結果,平均故障檢出率為80.31%,誤報率為2.837%,表明所提出基于卷積神經網絡方法的有效性,且可以及時地檢測出故障。針對卷積神經網絡本身結構復雜,自身參數(shù)與結構有待優(yōu)化的問題,提出粒子群優(yōu)化算法對卷積神經網絡的超參數(shù)進行尋優(yōu)。為了驗證PSO-CNN方法的故障診斷的有效性及故障診斷性能,以TE過程為實驗案例進行了故障診斷研究。在粒子群優(yōu)化過程中確定了卷積神經網絡模型的最佳結構和參數(shù)。從實驗結果得出,基于PSO-CNN方法的平均故障檢出率相比CNN方... 

【文章來源】：華南理工大學廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【部分圖文】：

卷積神經網絡模型

圖 2-2 卷積操作示例圖Fig.2-2 Example of convolution operation據輸入矩陣包括四個維度：樣本數(shù)、樣本高度、樣本寬度和樣本陣與輸入矩陣格式一樣，但后三個維度經卷積后尺寸發(fā)生了變化積核高度、卷積核寬度、輸入通道數(shù)、卷積核的個數(shù)。關于卷積陣、卷積核、輸出矩陣三者之間是相互決定的關系。卷積核的輸入矩陣的通道數(shù)所決定。輸出矩陣的通道數(shù)（outdepth）由卷積。輸出矩陣的高度（height）和寬度（width）這兩個維度的尺寸由積計算的方式所共同決定。Padding 是填充，比如零填充是在輸也可以不進行填充操作。Stride 是卷積步長。計算公式如（2-2） out in kernelout in kernel2 12 1height height height padding stridewidth width width padding stride 算之后需要通過激活函數(shù)對特征圖進行輸出。激活函數(shù)是用來為

池化操作Fig.2-3Poolingoperation

【參考文獻】：
期刊論文
[1]基于深度置信網絡的煉化空壓機故障診斷方法[J]. 魯春燕,李煒.  化工學報. 2019(02)
[2]面向原油總氫物性預測的數(shù)據擴增預處理方法[J]. 易令,呂忠元,丁進良,劉長鑫.  控制與決策. 2018(12)
[3]基于關聯(lián)變量時滯分析卷積神經網絡的生產過程時間序列預測方法[J]. 張浩,劉振娟,李宏光,楊博,路潔.  化工學報. 2017(09)
[4]基于卷積神經網絡的輸電線路區(qū)內外故障判斷及故障選相方法研究[J]. 魏東,龔慶武,來文青,王波,劉棟,喬卉,林剛.  中國電機工程學報. 2016(S1)
[5]深度學習理論綜述[J]. 韓小虎,徐鵬,韓森森.  計算機時代. 2016(06)
[6]基于卷積神經網絡的時頻圖像識別研究[J]. 曾雪瓊,黎杰.  機械與電子. 2016(05)
[7]基于徑向基函數(shù)神經網絡和模糊積分融合的電網分區(qū)故障診斷[J]. 石東源,熊國江,陳金富,李銀紅.  中國電機工程學報. 2014(04)
[8]環(huán)己酮生產工藝過程安全性分析[J]. 郭凡,袁東明,於孝春.  化學工程與裝備. 2014(01)
[9]基于KPCA的高壓斷路器故障診斷[J]. 王逸萍,梅軍,鄭建勇,陳厚源,戴永正,顧宇鋒.  電測與儀表. 2013(08)
[10]環(huán)己醇和環(huán)己酮生產現(xiàn)狀概述[J]. 王晨.  山西化工. 2013(02)



本文編號：3503125