基于深度学习的复杂过程故障诊断方法研究

发布时间：2021-07-21 06:15

　　随着科学技术的飞速发展和工业系统复杂度的不断提高,保障系统的高效和安全运行已成为提高产品质量和提升生产效率的关键。复杂过程表现在由于外界环境、工业系统固有属性、不同操作条件以及不同的生产需求而产生的多个稳定运行工况的复杂过程。要保证多复杂过程的安全、高效运行,建立准确有效的故障诊断模型尤为必要。因此,对多模态的复杂工业过程进行有效的故障诊断是故障诊断领域的研究热点之一。本文通过使用田纳西-伊斯曼过程（Tenessee Eastman Process,TEP）的仿真模型对故障诊断方法进行研究。对于复杂过程,本文研究的重点是设计并且搭建基于深度学习故障诊断方法的实验平台,并提出了两种基于深度学习的多模态过程故障诊断方法,将两种方法在所创建的实验平台上实现。由于实际工业过程中所产生的数据往往会受到噪声污染,为了精确稳定的提取故障特征,本文提出了将变分模态分解（Variational Mode Decomposition,VMD）与堆叠自编码（Stacked Auto-encoder,SAE）、VMD 与卷积神经网络（Convolutional Neural Network,CNN）结合的两种... 

【文章来源】：沈阳理工大学辽宁省

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

图１．１近代故障诊断方法汇总??Ｆｉｇｕｒｅ?１．１?Ｓｕｍｍａｒｙ?ｏｆ?ｍｏｄｅｍ?ｆａｕｌｔ?ｄｉａｇｎｏｓｉｓ?ｍｅｔｈｏｄｓ??１．２．２深度学习综述??

?第２章ＴＥ过程概述与数据获取???相中。产品具有适度的挥发性，并与没有参加反应的气体一同流出反应器。部分??冷凝器从循环气体中回收它们。汽提器的作用是减少了液体产品中Ｄ和Ｅ的损失。??从汽提塔的顶部与部分冷凝器的废气相结合，循环进反应器内。惰性组分Ｂ约占??进料流４的０．５％。该组分是不可冷凝的，必须在吹扫过程中流出（图２．１中的流９）。??

网站上获得的仿真平台只包含模态１、模态３仿真模型的初始化模式，对于模态２、??４、５、６这四个模态，则需要通过模态１、３作为基准进行转换来获得。其仿真模??型的结构如图２．２所示。??－１６?－??


本文编号：3294489