基于长短时记忆网络的空压机故障诊断系统研究
发布时间：2022-01-14 01:35
随着社会工业化进程的推进,空调系统在工业生产中应用越来越广泛,确保车间温度准确稳定已经成为各大工厂车间有效避免安全隐患,高效生产作业的关键条件,空压机作为空调系统中最为关键的设备,其是否能在车间生产作业过程中正常的运转,对整个空调系统安全乃至工厂车间生产效率有着非常重要的作用。本文以空压机作为研究对象,目标在于研究空压机各级运行参数对空压机故障的影响,提出了一种基于变体长短时记忆网络（V-LSTM）的空压机运行参数预测与监测模型,再用Pearson相关性系数确定相关参数输入网络模型,接着采用3σ准则依据采集数据确定故障异常故障阈值。最后根据工厂实测数据进行仿真实验,以此来判断本文提出的变体LSTM模型的有效性,实验结果显示我们提出的变体长短时记忆网络模型对空压机的故障预测与监测具有更高的效率和准确性,最后通过监测的结果建立一个小型的故障机理推理专家系统进行故障诊断。论文主要内容如下:首先,本文通过对空压机的工作原理、机械构造、故障类型、故障机理进行全面理论概括,对本文的课题来源、国内外现状、研究内容、研究意义、进行了详细介绍,主要研究分析了故障诊断系统现状、深度学习算法的现状与长短时记...
【文章来源】：重庆理工大学重庆市
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
RNN网络简图和隐藏层神经单元展开结构图
重庆理工大学硕士学位论文14这一问题，其是在RNN隐藏层细胞的基础上加入：输入门、输出门和遗忘三个门机制，从而有效的解决了RNN记忆力不足等问题。之后经过研究者们不断的优化，当前应用最为广泛的LSTM网络模型如图2.2所示，其中各参数都可由如下的前向计算公式(2.3)到公式(2.9)计算所得:isWcbxWW)σ(itititit11(2.3))(11fsWcbxWWftftftft(2.4))tanh(1zsbxWWtztztz(2.5))11(WfcsbxWWftftftft(2.6)iczfcttttt1(2.7))(1osWcbxWWotototot(2.8)cos)tanh(ttt(2.9)图2.2LSTM隐藏层神经单元展开结构图
重庆理工大学硕士学位论文16单元仅利用输入门和遗忘门，并通过简单加和（没有引入新的参数，直接把矩阵元素对应位置相加）得到输出结果，使得参数规模相比LSTM有了极大的优化，在极大减少参数量的情况下，不需要超大规模的训练数据便可以达到很好的收敛效果。这也使得我们提出的V-LSTM更加适用于空压机异常检测问题的序列建模预测，并且因为其轻量级的特性，在实际中也便于部署模型[42]。经过优化和演变，我们提出了一种变体长短时记忆网络的隐藏层模型如图2.3所示，公式中各参数都可由(2.11)-(2.13)计算所得：)(1itititixbsWW（2.11）)(ftitfbiW（2.12）tttttxisfs1（2.13）图2.3V-LSTM隐藏层神经单元展开结构图其中xt是现在时刻网络的输入值、st-1上一时刻网络隐藏层的输出值。2.3.2V-LSTM与LSTM的复杂度比较在此我们将简要分析GRU[43]、LSTM和我们提出的V-LSTM的模型参数复杂度和每个神经单元参与矩阵变换的次数。如表2.1所示，我们列出了GRU，LSTM和V-LSTM的权重矩阵的个数(即模型参数复杂度)和每个神经网络单元需要进行矩阵变换的矩阵个数。从权重矩阵个数可以看出，相比原始LSTM模型，我们的V-LSTM模型压缩程度在3:8左右，且因为矩阵变化个数也明显少于LSTM，所以无论是训练
【参考文献】：
期刊论文
[1]基于变体LSTM的空压机排气压力监测研究[J]. 王华秋,武林. 重庆理工大学学报(自然科学). 2020(02)
[2]基于BP神经网络预测模型能源管理系统研究与应用[J]. 罗坤杰,张颖慧. 工业控制计算机. 2019(09)
[3]一种新型DSCNN-GRU结构的减速机轴承故障诊断方法[J]. 汪洋,郭利进. 机械科学与技术. 2020(02)
[4]基于深度信念网络的空压机故障监测研究[J]. 王华秋,王斌. 重庆理工大学学报(自然科学). 2019(05)
[5]基于并行的F-LSTM模型及其在电力通信设备故障预测中的应用[J]. 杨济海,刘洋,刘杰,余伟,李石君. 武汉大学学报(理学版). 2019(03)
[6]基于Adam算法和神经网络的照度计算方法[J]. 汤烨,陆卫忠,陈成,黄宏梅. 照明工程学报. 2019(02)
[7]基于故障树的故障诊断专家系统设计[J]. 彭华亮,沈暑龙,李军,周晨程. 控制工程. 2019(03)
[8]螺杆式空压机排气超温原因分析及解决方法与预防[J]. 杨忠亮,李明,王文,吴家伟. 中国设备工程. 2019(01)
[9]GRU神经网络短期电力负荷预测研究[J]. 周莽,高僮,李晨光,姜辰龙. 科技创新与应用. 2018(33)
[10]基于LSTM循环神经网络的盾构机故障预测系统设计[J]. 周奇才,王益飞,赵炯,熊肖磊,沈鹤鸿. 现代机械. 2018(05)
硕士论文
[1]基于卷积神经网络的图像检索方法研究[D]. 郎帅.重庆理工大学 2019
[2]基于深度信念网络的空调压缩机故障诊断系统研究[D]. 王斌.重庆理工大学 2019
[3]模糊控制算法研究及在火电厂主汽温控制的应用[D]. 吕正鑫.华北电力大学 2019
[4]基于海量文本挖掘的证券市场情绪监控及预测[D]. 印如意.电子科技大学 2018
[5]基于案例相似度的车辆故障智能诊断系统研究[D]. 张晓阳.吉林大学 2017
[6]基于深度神经网络的图像识别系统的研究与改进[D]. 白亚龙.哈尔滨工业大学 2014
[7]两级喷油螺杆压缩机型线设计与加工技术研究[D]. 严迪.重庆大学 2012
[8]单螺杆空压机故障诊断[D]. 由继国.辽宁工程技术大学 2006
[9]某型雷达智能故障诊断系统研究[D]. 左万里.中国人民解放军国防科学技术大学 2002
本文编号：3587544
【文章来源】：重庆理工大学重庆市
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
RNN网络简图和隐藏层神经单元展开结构图
重庆理工大学硕士学位论文14这一问题，其是在RNN隐藏层细胞的基础上加入：输入门、输出门和遗忘三个门机制，从而有效的解决了RNN记忆力不足等问题。之后经过研究者们不断的优化，当前应用最为广泛的LSTM网络模型如图2.2所示，其中各参数都可由如下的前向计算公式(2.3)到公式(2.9)计算所得:isWcbxWW)σ(itititit11(2.3))(11fsWcbxWWftftftft(2.4))tanh(1zsbxWWtztztz(2.5))11(WfcsbxWWftftftft(2.6)iczfcttttt1(2.7))(1osWcbxWWotototot(2.8)cos)tanh(ttt(2.9)图2.2LSTM隐藏层神经单元展开结构图
重庆理工大学硕士学位论文16单元仅利用输入门和遗忘门，并通过简单加和（没有引入新的参数，直接把矩阵元素对应位置相加）得到输出结果，使得参数规模相比LSTM有了极大的优化，在极大减少参数量的情况下，不需要超大规模的训练数据便可以达到很好的收敛效果。这也使得我们提出的V-LSTM更加适用于空压机异常检测问题的序列建模预测，并且因为其轻量级的特性，在实际中也便于部署模型[42]。经过优化和演变，我们提出了一种变体长短时记忆网络的隐藏层模型如图2.3所示，公式中各参数都可由(2.11)-(2.13)计算所得：)(1itititixbsWW（2.11）)(ftitfbiW（2.12）tttttxisfs1（2.13）图2.3V-LSTM隐藏层神经单元展开结构图其中xt是现在时刻网络的输入值、st-1上一时刻网络隐藏层的输出值。2.3.2V-LSTM与LSTM的复杂度比较在此我们将简要分析GRU[43]、LSTM和我们提出的V-LSTM的模型参数复杂度和每个神经单元参与矩阵变换的次数。如表2.1所示，我们列出了GRU，LSTM和V-LSTM的权重矩阵的个数(即模型参数复杂度)和每个神经网络单元需要进行矩阵变换的矩阵个数。从权重矩阵个数可以看出，相比原始LSTM模型，我们的V-LSTM模型压缩程度在3:8左右，且因为矩阵变化个数也明显少于LSTM，所以无论是训练
【参考文献】：
期刊论文
[1]基于变体LSTM的空压机排气压力监测研究[J]. 王华秋,武林. 重庆理工大学学报(自然科学). 2020(02)
[2]基于BP神经网络预测模型能源管理系统研究与应用[J]. 罗坤杰,张颖慧. 工业控制计算机. 2019(09)
[3]一种新型DSCNN-GRU结构的减速机轴承故障诊断方法[J]. 汪洋,郭利进. 机械科学与技术. 2020(02)
[4]基于深度信念网络的空压机故障监测研究[J]. 王华秋,王斌. 重庆理工大学学报(自然科学). 2019(05)
[5]基于并行的F-LSTM模型及其在电力通信设备故障预测中的应用[J]. 杨济海,刘洋,刘杰,余伟,李石君. 武汉大学学报(理学版). 2019(03)
[6]基于Adam算法和神经网络的照度计算方法[J]. 汤烨,陆卫忠,陈成,黄宏梅. 照明工程学报. 2019(02)
[7]基于故障树的故障诊断专家系统设计[J]. 彭华亮,沈暑龙,李军,周晨程. 控制工程. 2019(03)
[8]螺杆式空压机排气超温原因分析及解决方法与预防[J]. 杨忠亮,李明,王文,吴家伟. 中国设备工程. 2019(01)
[9]GRU神经网络短期电力负荷预测研究[J]. 周莽,高僮,李晨光,姜辰龙. 科技创新与应用. 2018(33)
[10]基于LSTM循环神经网络的盾构机故障预测系统设计[J]. 周奇才,王益飞,赵炯,熊肖磊,沈鹤鸿. 现代机械. 2018(05)
硕士论文
[1]基于卷积神经网络的图像检索方法研究[D]. 郎帅.重庆理工大学 2019
[2]基于深度信念网络的空调压缩机故障诊断系统研究[D]. 王斌.重庆理工大学 2019
[3]模糊控制算法研究及在火电厂主汽温控制的应用[D]. 吕正鑫.华北电力大学 2019
[4]基于海量文本挖掘的证券市场情绪监控及预测[D]. 印如意.电子科技大学 2018
[5]基于案例相似度的车辆故障智能诊断系统研究[D]. 张晓阳.吉林大学 2017
[6]基于深度神经网络的图像识别系统的研究与改进[D]. 白亚龙.哈尔滨工业大学 2014
[7]两级喷油螺杆压缩机型线设计与加工技术研究[D]. 严迪.重庆大学 2012
[8]单螺杆空压机故障诊断[D]. 由继国.辽宁工程技术大学 2006
[9]某型雷达智能故障诊断系统研究[D]. 左万里.中国人民解放军国防科学技术大学 2002
本文编号：3587544
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3587544.html
