基于改进深度学习模型的过程故障识别研究

基于改进深度学习模型的过程故障识别研究

论文摘要

深度学习模型作为一种具有强大特征提取能力的学习工具,由于其特殊的网络结构能够深层次挖掘原始数据中所隐含的信息,为过程故障识别模型提供了新的范式。因此,本文主要研究了针对复杂多变量工况系统提出了两种基于深度学习模型的故障识别方法,并通过田纳西-伊斯曼(TE)过程对所提出的方法进行了仿真实验,由实验结果对所提出方法的有效性进行了分析。针对现代工业过程的运行状态数据呈现的多模态,非线性、单个类型样本数据量偏少等特性,提出了基于三种数据动态扩展(独立成分分析(ICA)、主成分分析(PCA)、添加高斯噪声(Gaussian Noise))的卷积神经网络(CNN)的工业过程故障识别模型。首先,通过选取故障变量进行数据重构并对训练集进行数据扩展;然后,将预处理后的数据输入到构建的卷积神经网络模型中,观察其训练效果;最后,通过过程故障数据的识别效果验证了数据扩展后的CNN模型识别方法的合理性和有效性,而对于输入故障变量结构发生变化时的识别效果说明了CNN模型的局限性。针对CNN模型的局限性、故障变量特征提取效率低、同时分类数量较少且故障识别率较低等问题,提出了基于非对称卷积核(Asymmetric Convolutions)的卷积神经网络(CNN)的工业过程故障识别模型。该模型采取故障变量重构对故障数据进行预处理;对处理后的故障数据随机选取训练集并对不同类别的故障数据进行标签;引入了非对称卷积核模型对输入故障变量进行特征提取,提高了特征提取的效率;根据CNN模型改进得到的具有AC架构的AC-CNN模型来识别TE(田纳西-伊斯曼)过程故障的在线测试集样本,实验结果表明所提出的方法对TE过程故障数据集的识别效果明显,论证了模型的有效型和优异型。

论文目录

  • 摘要
  • abstract
  • 第一章 绪论
  •   1.1 课题研究背景及意义
  •   1.2 课题国内外研究现状
  •     1.2.1 过程故障诊断领域研究现状
  •     1.2.2 深度学习模型的研究现状和发展趋势
  •     1.2.3 基于深度学习的过程故障诊断研究现状
  •   1.3 本文的内容与结构
  • 第二章 基本算法和模型建立
  •   2.1 原始训练数据的动态扩展模型建立
  •     2.1.1 基于PCA模型的训练数据动态扩展
  •     2.1.2 基于ICA模型的训练数据动态扩展
  •     2.1.3 基于高斯噪声模型的训练数据动态扩展
  •     2.1.4 基于原始训练数据的动态扩展模型算法流程
  •   2.2 基于卷积神经网络的过程故障识别模型
  •     2.2.1 CNN结构
  •     2.2.2 CNN误差反向传播
  •     2.2.3 CNN参数设置和更新
  •     2.2.4 CNN训练过程
  •     2.2.5 过程故障识别的CNN结构参数
  •   2.3 基于非对称卷积核CNN的过程故障识别模型
  •     2.3.1 非对称卷积核模型建立
  •     2.3.2 AC-CNN的故障识别模型建立过程
  •   2.4 本章小结
  • 第三章 田纳西一伊斯曼(TE)过程
  •   3.1 TE过程实验平台
  •   3.2 TE平台过程变量及故障分析
  •   3.3 本章小结
  • 第四章 基于CNN模型的过程故障识别
  •   4.1 数据预处理
  •     4.1.1 数据重构
  •     4.1.2 数据集选取和扩展
  •     4.1.3 数据集的t-SNE可视化
  •   4.2 基于CNN模型的过程故障识别模型建立
  •     4.2.1 离线数据训练
  •     4.2.2 在线数据测试
  •   4.3 基于CNN模型的过程故障识别评估实验
  •     4.3.1 实验环境及数据说明
  •     4.3.2 实验结果及分析
  •     4.3.3 实验结果的可视化
  •   4.4 本章小结
  • 第五章 基于AC-CNN模型的过程故障识别
  •   5.1 网络结构的讨论
  •   5.2 基于AC-CNN模型的过程故障识别模型建立
  •   5.3 仿真结果分析
  •   5.4 仿真结果的可视化
  •   5.5 传统方法对比分析
  •   5.6 本章小结
  • 第六章 总结与展望
  •   6.1 总结
  •   6.2 展望
  • 参考文献
  • 个人简历在读期间发表的学术论文
  • 致谢
  • 文章来源

    类型: 硕士论文

    作者: 吴春磊

    导师: 衷路生

    关键词: 数据扩展,非对称卷积核,卷积神经网络,故障识别,田纳西伊斯曼过程

    来源: 华东交通大学

    年度: 2019

    分类: 基础科学,信息科技

    专业: 数学,自动化技术,自动化技术

    单位: 华东交通大学

    分类号: TP18;O212.4;TP277

    DOI: 10.27147/d.cnki.ghdju.2019.000239

    总页数: 58

    文件大小: 2739K

    下载量: 60

    相关论文文献

    标签:;  ;  ;  ;  ;  

    基于改进深度学习模型的过程故障识别研究
    下载Doc文档

    猜你喜欢