多模态过程集合型故障诊断方法研究

发布时间：2020-08-15 07:46

【摘要】：现代工业生产过程的科技含量越来越高,对安全生产以及设备可维护性的要求也逐渐提高。目前,绝大多数复杂化工生产过程属于多模态过程,因其产品需求、生产方案等诸多原因会产生多个运行工况,从而产生大量的多模态数据。多模态数据含有多个过程变量,数据之间存在非线性、非鲁棒性等特性。如果多模态工业生产过程中有设备故障问题,整个生产线要停止生产相关产品,影响效益甚至威胁到技术人员的人身安全。因此,多模态过程故障诊断技术的发展对当今工业安全生产问题至关重要。本文的研究内容主要是以田纳西伊斯曼过程(TE过程)工业模型为仿真模型来获取数据,基于深度学习对多模态过程集合型故障诊断方法展开研究。将多模态过程集合型故障诊断过程分为数据去噪、数据降维、故障分类以及模型参数优化四个环节进行,并提出了基于深度学习的集合型故障诊断方法,即VMD-LLE-CPSO-DBN集合型故障诊断方法。首先,利用TE过程仿真模型仿真出实验所需的正常数据集和故障数据集,数据集去噪环节选用变分模态分解算法(VMD),目的是以减少数据噪声干扰。由于深度置信网络(DBN)在建立高维数据分类模型时存在训练时间长的问题,本文采用局部线性嵌入算法(LLE)对高维样本数据进行降维,从而减少研究对象变量的个数,减少数据冗余,降低特征提取难度,缩短模型训练时间。利用混沌粒子群算法(CPSO)对深度置信网络模型进行参数寻优,避免了基本粒子群算法容易陷入局部最优的情况,然后将降维后的数据作为深度置信网络的网络输入,构建含有4个受限玻尔兹曼机共5层结构的深度置信网络,利用深度置信网络强大的数据学习能力进行故障分类,构建了一类含数据预处理机制的深度置信网络分类器。通过与传统故障诊断方法对比,证明了该方法能提高模型对样本的学习能力和模型故障诊断的精度。最后建立多模态过程仿真实验平台验证了 VMD-LLE-CPSO-DBN集合型算法的有效性。
【学位授予单位】：沈阳理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP277;TP18
【图文】：

组分（流１０）再被泵到汽提塔，流４用于流１０中的剩余反应物，这些剩余成分通逡逑过流５与再循环流结合，产品Ｇ和Ｈ从汽提塔出来进入下游反应过程。具体的工逡逑艺流程如图２．１所示。逡逑－８－逡逑

２．３本章小结逡逑本章对典型多模态过程ＴＥＰ模型的生产流程、５３个变量、２０种故障类型有详逡逑细介绍。举例说明了如何获取正常数据和故障数据，其中故障０６的模拟在故障状逡逑态下７小时后关闭，因此故障０６的每个仿真仅具有７小时的故障数据。确定了本逡逑文实验选取的运行工况，故障类型，最后建立实验所需ＴＥＰ模型仿真数据集，将逡逑数据随机分为５份，４份作为训练集，１份作为测试集，通过５次交叉验证，实验逡逑结果取５次实验结果平均值。逡逑－１３－逡逑

３章基于ＶＭＤ－ＬＬＥ－ＤＢＮ集合型故障诊断方法ｍｉ２逡逑２？Ｓｔｅｐ５当逦逦ｊ时，则结束迭代。逡逑１４逡逑数尺的选取关乎ＶＭＤ算法分解效果，若Ａ：过会出现欠分解现象，选择合适的尤能有效避免００，去噪后的信号与原始信号基本相似，且表的去噪流程如图３．１所示：逡逑含有噪声的原始信号逡逑

【参考文献】

相关期刊论文 前1条

1 张彪;邢健峰;纪志成;;基于优化SVM的反渗透脱盐水故障诊断[J];系统仿真学报;2015年05期

相关会议论文 前1条

1 周美兰;王旭东;周永勤;温嘉斌;刘耀武;;基于神经网络的汽车无级变速器故障诊断系统研究[A];2008中国仪器仪表与测控技术进展大会论文集（Ⅱ）[C];2008年

相关博士学位论文 前1条

1 杨青;集合型故障检测与诊断技术研究[D];长春理工大学;2013年

相关硕士学位论文 前7条

1 李涛涛;基于变分模态分解和支持向量机的风电机组振动故障诊断[D];西安理工大学;2018年

2 雷雪;基于深度学习理论的车载电源健康诊断方法研究[D];兰州理工大学;2018年

3 郑英鑫;多模态过程在线故障诊断方法比较研究[D];沈阳理工大学;2018年

4 许寅;基于机器学习方法的航天器在轨状态异变趋势预测算法研究[D];电子科技大学;2017年

5 姚雪曼;基于流形学习的降维技术的研究与实现[D];北京邮电大学;2017年

6 葛强强;基于深度置信网络的数据驱动故障诊断方法研究[D];哈尔滨工业大学;2016年

7 蒋鹏;滚动轴承故障诊断与退化趋势预测方法研究[D];西南石油大学;2016年

本文编号：2793823