基于深度学习的多模态故障诊断及剩余寿命预测

发布时间：2023-10-26 18:59

　　自动化设备的结构日趋复杂,使得设备故障问题无可避免,采用设备预测维护技术可以实现从计划维修到视情维修的转变,在保证设备安全高效运行的同时还能大大降低设备维护费用。故障诊断和剩余寿命预测是设备预测维护的两个重要步骤。但是原料变化、负载改变等因素会导致系统运行在多模态工况下,从而影响了故障诊断和剩余寿命预测的精确性。没有大型设备精确机理模型的情况下,本文采用深度学习作为特征抽取手段开展数据驱动的设备预测维护关键技术研究。重点解决传统深度学习方法不能更精确地实现多模态故障诊断和剩余寿命预测的难题。论文的主要创新点如下:(1)提出一种分级深层网络(Hierarchical Deep Neural Network,HDNN)构建的思想,首先实现多模态数据的精确模态划分,然后在HDNN的第二层级上针对每个模态分别建立不同的DNN诊断模型实现多模态故障的精确诊断。在HDNN的第三层级上针对不同模态的不同故障分别建立各自的DNN模型实现不同类型故障严重程度的区分,为预测维护提供决策参考。(2)提出一种差分LSTM方法解决缓变故障自相关特征抽取不准确的问题,达到无需做模态划分即可实现多模态早期故障诊断的...

【文章页数】：82 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景及意义
    1.2 故障诊断研究现状
    1.3 数据驱动的故障诊断方法研究现状
        1.3.1 基于统计分析的故障诊断方法
        1.3.2 基于信号处理的故障诊断方法
        1.3.3 基于机器学习的故障诊断方法
    1.4 多模态故障诊断方法研究现状
    1.5 剩余寿命预测方法研究现状
    1.6 数据驱动的剩余寿命预测方法研究现状
        1.6.1 基于统计分析的剩余寿命预测方法
        1.6.2 基于机器学习的剩余寿命预测方法
    1.7 论文研究内容与结构安排
2 基础知识
    2.1 引言
    2.2 深层神经网络
        2.2.1 自动编码器
        2.2.2 降噪自动编码器
        2.2.3 深层神经网络训练
    2.3 递归神经网络
        2.3.1 长短时记忆网络
        2.3.2 长短时记忆网络训练
        2.3.3 Dropout
    2.4 数据预处理
    2.5 本章小结
3 基于分级深层神经网络的多模态故障诊断
    3.1 引言
    3.2 基于深层神经网络的故障诊断
    3.3 基于分级深层神经网络的多模态故障诊断
    3.4 实验分析
        3.4.1 实验平台
        3.4.2 数据描述
        3.4.3 故障诊断结果
    3.5 本章小结
4 基于差分LSTM的剩余寿命预测
    4.1 引言
    4.2 基于LSTM的RUL预测
    4.3 基于差分LSTM的多模态RUL预测
        4.3.1 动态差分特征抽取
        4.3.2 基于差分LSTM的多模态RUL预测
    4.4 实验分析
        4.4.1 C-MAPSS数据集
        4.4.2 数据预处理
        4.4.3 剩余寿命预测预测结果
    4.5 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
攻读硕士学位期间的科研成果



本文编号：3856791