基于门控循环单元的复杂系统故障诊断决策方法研究
发布时间：2021-02-15 01:41
随着大型复杂设备发展越来越迅速,可靠性管理研究已经成为管理领域的热点问题之一。在对设备进行可靠性管理研究中,故障诊断决策方法的有效性越来越受到重视。然而监测信号中隐含的系统可靠性规律尚未被完全挖掘和利用。因此本论文立足于复杂机械系统可靠性理论,以监测到的设备振动信号及电流信号数据为基础,借鉴智能模型分类的思路和方法,对复杂系统故障进行因果分析和故障诊断,从而研究讨论复杂系统故障诊断决策管理方法对重大工程管理带来的启示。风力发电机作为一典型的复杂系统,是利用清洁能源实现电能的转换的关键基础设施,科学的维护管理对其正常运行、保障可再生能源提供和促进国民经济发展具有重要意义。但其故障状态的数据呈现出海量性、多样性等大数据特征,完全依靠传统的故障检测方法在分析数据、建立模型等方面具有局限性,而随着智能算法的发展,其对大数据的处理能力和表征能力在各个领域都得到了很好的体现。因此本文以风力发电机齿轮箱为示例研究对象,采用机器学习算法对各个故障进行特征学习并在此基础上实现故障分类。主要研究内容如下:首先,基础理论的介绍。本文对复杂系统故障诊断的内容、方法和应用进行了分析总结。以风力发电机这一大型关键...
【文章来源】：重庆工商大学重庆市
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
实验平台：（a）故障实验平台；（b）振动信号传感器位置图
第2章复杂系统数据采集与典型机器学习方法原理15LSTM的网络结构与普通神经网络的结构类似，也由输入层、隐含层和输出层这三层结构构建，但是又有差别。结构图如图2.2所示。原始RNN的隐藏层只有一个状态h，对于短期的输入较为敏感，对于长期输入就没有那么好的效果了。而LSTM实质上是通过添加了记忆块(MemoryBlock，MB)实现对RNN隐含层的改进。在RNN隐含层的基础上，LSTM网络模型中，隐含层增加了一个状态ｃ，称为细胞状态(CellState)，用于保存长期状态[77]。图2.2长短时记忆神经网络示意图LSTM有三个门来保护和控制“单元”状态，以保持对信息的长期依赖。每一个黑色代表一个完整的矢量，圆圈代表一个逐点操作（定义字段中每个点的函数值分别计算）。LSTM的主要步骤如下：（1）忘记门ft。它用来决定从牢房里扔掉什么信息。对于一组数据的第t个样本，该层读取当前输入的xt和神经元信息lt，用ft确定丢弃的信息。)(1+=tftftfδxlUW(2.13)式中δ为激活函数，Wf是ft的权矩阵，Uf是参数矩阵。（2）输入门it。它用于识别存储在单元状态中的新信息，包括输入门层和新的存储单元。这两个层分别表示要更新的值和添加新的候选值向量d"t。也就是说，在单元状态中添加新的，以替换需要忘记的旧的。)(1+=tititiδxlUW(2.14))tanh(1"""+=tdtdtdxlUW(2.15)tanh是激活函数，Wi，Wd"分别是it和d"t的权重矩阵。Ui和Ud"是参数矩阵。（3）更新门mt。用于更新旧单元的状态，就是将dt-i转换成dt。
重庆工商大学硕士学位论文32集作为对象，且继续使用该实验中SVM、RF、LSTM、ESN、GRU人工智能算法模型的参数设置。但本实验在振动信号监测后，使用人工特征提取方法，即采用“人工特征选择+分类器”的框架来进一步探讨复杂系统可靠性维护问题。流程图如图3.9所示。风机试验台..............振动信号开展实验x方向y方向z方向..............人工特征提取时域频域时频域SVMRFLSTMESNGRU模型分类结果分析图3.9基于人工特征提取和GRU的复杂系统单故障诊断流程图表3.6时域特征提取指标的计算公式时域特征公式备注平均值∑==NiixNxA11)(1)(A1(x):测量信号的平均变化。标准差2112)()(1)(∑==NiixAxNxAA2(x):测量信号的离散程度。偏态23121313)](1[))()((1)(∑∑===NiNiixNixAxNxAA3(x):测量振动信号的不对称性。峰值))(min())(max()(4=ixixxAA4(x):测量关于其平均值的数据的不对称性。方差225xxAA=)()(A5(x):测量信号偏离中心趋势的波动程度。峭度431416)())()(()(NxAixAxxANi×=∑=A6(x):测量数据集中的峰值、平滑度。均方根∑==NiixNxA127)(1)(A7(x):测量信号的能量演化。波形因子∑==NiixNxAxA178)(1)()(A8(x):一种无量纲索引，测量设备的运行状态。峰值因子)())(max()(79xAixxA=A9(x):测量峰值在波形中的极端程度。峭度因子47610)()()(xAxAxA=A10(x):测量波形平缓程度的，用于描述变量的分布。脉冲因子∑==NiixNixxA111)(1))(max()(A11(x):测量信号中的冲击。裕度
本文编号：3034200
【文章来源】：重庆工商大学重庆市
【文章页数】：66 页
【学位级别】：硕士
【部分图文】：
实验平台：（a）故障实验平台；（b）振动信号传感器位置图
第2章复杂系统数据采集与典型机器学习方法原理15LSTM的网络结构与普通神经网络的结构类似，也由输入层、隐含层和输出层这三层结构构建，但是又有差别。结构图如图2.2所示。原始RNN的隐藏层只有一个状态h，对于短期的输入较为敏感，对于长期输入就没有那么好的效果了。而LSTM实质上是通过添加了记忆块(MemoryBlock，MB)实现对RNN隐含层的改进。在RNN隐含层的基础上，LSTM网络模型中，隐含层增加了一个状态ｃ，称为细胞状态(CellState)，用于保存长期状态[77]。图2.2长短时记忆神经网络示意图LSTM有三个门来保护和控制“单元”状态，以保持对信息的长期依赖。每一个黑色代表一个完整的矢量，圆圈代表一个逐点操作（定义字段中每个点的函数值分别计算）。LSTM的主要步骤如下：（1）忘记门ft。它用来决定从牢房里扔掉什么信息。对于一组数据的第t个样本，该层读取当前输入的xt和神经元信息lt，用ft确定丢弃的信息。)(1+=tftftfδxlUW(2.13)式中δ为激活函数，Wf是ft的权矩阵，Uf是参数矩阵。（2）输入门it。它用于识别存储在单元状态中的新信息，包括输入门层和新的存储单元。这两个层分别表示要更新的值和添加新的候选值向量d"t。也就是说，在单元状态中添加新的，以替换需要忘记的旧的。)(1+=tititiδxlUW(2.14))tanh(1"""+=tdtdtdxlUW(2.15)tanh是激活函数，Wi，Wd"分别是it和d"t的权重矩阵。Ui和Ud"是参数矩阵。（3）更新门mt。用于更新旧单元的状态，就是将dt-i转换成dt。
重庆工商大学硕士学位论文32集作为对象，且继续使用该实验中SVM、RF、LSTM、ESN、GRU人工智能算法模型的参数设置。但本实验在振动信号监测后，使用人工特征提取方法，即采用“人工特征选择+分类器”的框架来进一步探讨复杂系统可靠性维护问题。流程图如图3.9所示。风机试验台..............振动信号开展实验x方向y方向z方向..............人工特征提取时域频域时频域SVMRFLSTMESNGRU模型分类结果分析图3.9基于人工特征提取和GRU的复杂系统单故障诊断流程图表3.6时域特征提取指标的计算公式时域特征公式备注平均值∑==NiixNxA11)(1)(A1(x):测量信号的平均变化。标准差2112)()(1)(∑==NiixAxNxAA2(x):测量信号的离散程度。偏态23121313)](1[))()((1)(∑∑===NiNiixNixAxNxAA3(x):测量振动信号的不对称性。峰值))(min())(max()(4=ixixxAA4(x):测量关于其平均值的数据的不对称性。方差225xxAA=)()(A5(x):测量信号偏离中心趋势的波动程度。峭度431416)())()(()(NxAixAxxANi×=∑=A6(x):测量数据集中的峰值、平滑度。均方根∑==NiixNxA127)(1)(A7(x):测量信号的能量演化。波形因子∑==NiixNxAxA178)(1)()(A8(x):一种无量纲索引，测量设备的运行状态。峰值因子)())(max()(79xAixxA=A9(x):测量峰值在波形中的极端程度。峭度因子47610)()()(xAxAxA=A10(x):测量波形平缓程度的，用于描述变量的分布。脉冲因子∑==NiixNixxA111)(1))(max()(A11(x):测量信号中的冲击。裕度
本文编号：3034200
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3034200.html
