基于深度学习的设备异常检测方法研究

发布时间：2021-03-06 17:19

　　随着当今世界信息科学技术的不断发展,我国步入工业4.0时代,现今工业领域均拥有大量的设备同时运转协作用以生产满足人们日常需求的产品。在现代工业中,过程安全成为人们日益关注的关键问题。随着物联网技术在工业生产领域得以广泛应用,工业生产设备均部署了大量的传感器设备,这些传感器设备会按照既定的规则来定时采集设备在运行中的状态数值,并且将设备数值汇集到数据中心中,这为现代状态性维修提供了重要数据前提,可以挖掘数据中的隐藏信息并用于识别设备的潜在性故障。但是由于现代大型设备的大型化,复杂化,在设备运行过程中的一些扰动不会断传递给协作设备,这使得设备运行状态愈加复杂,难以用统一的模型来表示设备的运行状态。近年来,随着深度学习技术的不断发展与进步,深度学习技术成为故障检测的主流解决方案。本文提出了一种基于长短记忆神经网络的在线异常检测模型。在数据预处理阶段,由于设备之间的相互作用具有传递性,使得传感器数据之间往往存在延迟相关的现象,这种现象降低了特征提取的效果,因此采用曲线排齐方法对传感器数据进行特征提取,然后基于长短时记忆神经网络（LSTM）训练故障检测模型。在实际的工业生产环境中,设备受到多种因... 

【文章来源】：北方工业大学北京市

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

图２－１基于数据驱动的故障检测方法??２．１．１统计分析方法??

神经网络的进一步发展。直到Ｒｕｍｅｌｈａｒｔ和ＭｃＣｌｅｌｌａｎｄ提出了反向传播（Ｂａｃｋ??Ｐｒｏｐａｇａｔｉｏｎ，ＢＰ）算法［３８］，解决了神经网络中求解网络权重的难题，使其得到了??进一步的发展。如图２－２所示是一个简单的神经网络示意图。??翁‘??层数／?层数／＋７??图２－２神经网络示意图??反向传播算法主要是用于更新神经网络的参数，神经网络公式可简单的表达??为２?＝?ＷＸ?＋?ｂ，则需要更新的参数为公式中的Ｗ和６。对于参数的更新主要是求取??网络层的损失值对于参数的导数，并且根据导数的负方向对参数进行数值的更新，??设学习率为ｎ，参数更新公式如下所示：??Ｗ?＝?Ｗ?—?Ｔ］Ｖｗ?（２－１）??ｂ?＝?ｂ－ｒ＼Ｖｂ?（２－２）??对于参数梯度的求取，需要先求取当前神经网络的输出结果ｚ的梯度，如公??式２－３所示：??８??

的能力得到广泛关注。同于卷积神经网络可以扩展为处理具有很大宽度和很大高??度的图像，循环神经网络也可以处理很长的序列数据。??循环神经网络的结构如图２＿３所示，ＲＮＮ相比于深度前馈神经网络，ＲＮＮ的??隐藏层存在一条有向反馈边。ＲＮＮ每个神经元接受当前时刻的输入＆以及上一??９??

【参考文献】：
期刊论文
[1]面向发电设备预测性维护的传感数据特征抽取方法[J]. 张守利,苏申,刘晨,韩燕波.  太原理工大学学报. 2018(01)
[2]面向文本非结构化数据的输变电系统故障诊断方法[J]. 黄良,王佳丽,赵立进,吕黔苏,杨涛,林刚.  电力科学与技术学报. 2017(03)
[3]基于长短时记忆网络的旋转机械状态预测研究[J]. 赵建鹏,周俊.  噪声与振动控制. 2017(04)
[4]基于长短时记忆神经网络的风电机组滚动轴承故障诊断方法[J]. 张建付,宋雨,李刚,王传洋,焦亚菲.  计算机测量与控制. 2017(01)
[5]迁移因子分析在齿轮箱变工况故障诊断中的应用[J]. 谢骏遥,王金江,赵锐,段礼祥,王凯.  电子测量与仪器学报. 2016(04)
[6]基于数据驱动的故障诊断方法综述[J]. 李晗,萧德云.  控制与决策. 2011(01)
[7]基于时间衰减模型的数据流频繁模式挖掘[J]. 吴枫,仲妍,吴泉源.  自动化学报. 2010(05)
[8]累积和控制图与休哈特控制图联合应用方法[J]. 王敏华,周娟,沈丹.  湖北工业大学学报. 2008(05)
[9]基于Wigner高阶谱的机械故障诊断的研究[J]. 李志农,何永勇,褚福磊.  机械工程学报. 2005(04)
[10]流数据分析与管理综述[J]. 金澈清,钱卫宁,周傲英.  软件学报. 2004(08)

硕士论文
[1]基于EEMD的共振解调技术在动车组轴承故障诊断中的应用[D]. 汪志君.北京交通大学 2017
[2]数据流挖掘算法研究[D]. 何相志.电子科技大学 2008



本文编号：3067492