数据缺失情况下基于深度学习的故障诊断
发布时间：2022-02-16 12:30
基于模型的故障诊断可以为自动化系统安全高效运行提供保障,但大型复杂系统很难建立起精确机理模型,因此数据驱动的故障诊断技术更受工业过程异常监控专家的青睐。深度学习是一种高效的数据特征抽取工具,但基于深度学习的故障诊断方法的精确性取决于有效数据的数量和质量。网络传输随机丢包或多传感器采样频率不一致导致的数据缺失问题势必会影响故障特征抽取的精确性,从而无法保障深度学习故障诊断模型的精确性和诊断方法的有效性。本文针对数据缺失情况下深度学习工具无法对结构不完整样本进行特征提取的难题,通过有效的数据插补技术和DNN模型更新技术,分别解决在线数据缺失、历史数据与在线数据均缺失两种情况下基于深度学习的故障诊断问题。主要创新点如下:（1）网络传输过程中随机丢包导致在线数据缺失的情况普遍存在,本文首先基于结构完整的历史数据建立BP神经网络（Back Propagation Neural Network,BPNN）缺失数据插补模型,解决在线样本因结构不完整无法作为深度神经网络（Deep Neural Network,DNN）输入的问题。然后基于插补之后所得结构完整的在线样本和训练好的DNN故障诊断模型实现在...
【文章来源】：河南大学河南省
【文章页数】：86 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 故障诊断方法研究现状
1.3 基于数据驱动的故障诊断方法
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 数据缺失处理方法研究现状
1.5 论文研究内容与结构安排
2 基础知识
2.1 引言
2.2 BP神经网络
2.3 DNN
2.3.1 自动编码器
2.3.2 DNN模型的训练
2.3.3 Softmax分类器训练
2.4 数据插补方法
2.4.1 均值插补
2.4.2 KNN插补
2.4.3 回归插补
2.5 本章小结
3 在线数据缺失情况下基于深度学习的故障诊断
3.1 引言
3.2 在线数据缺失下基于深度学习的故障诊断
3.2.1 离线建模
3.2.2 数据插补
3.2.3 在线诊断
3.3 实验和分析
3.3.1 数据描述
3.3.2 单变量缺失情况下的实验结果
3.3.3 多变量缺失情况下的实验结果
3.4 本章小结
4 数据缺失情况下带模型更新的深度学习故障诊断
4.1 引言
4.2 数据缺失情况下模型更新的深度学习故障诊断
4.2.1 结构完整历史数据故障诊断建模
4.2.2 结构完整历史数据插补模型构建
4.2.3 对结构不完整历史数据进行插补
4.2.4 插补之后结构完整历史数据故障诊断
4.2.5 模型更新
4.2.6 在线数据故障诊断
4.3 实验和分析
4.3.1 单变量缺失情况下的实验结果
4.3.2 多变量缺失情况下的实验结果
4.4 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
【参考文献】：
期刊论文
[1]基于深度神经网络的滚动轴承故障诊断[J]. 卫洁洁,杨喜旺,黄晋英,尹学慧,卫晓洁. 组合机床与自动化加工技术. 2017(11)
[2]采用深度学习的异步电机故障诊断方法[J]. 王丽华,谢阳阳,张永宏,赵晓平,周子贤. 西安交通大学学报. 2017(10)
[3]深度学习在故障诊断领域中的研究现状与挑战[J]. 任浩,屈剑锋,柴毅,唐秋,叶欣. 控制与决策. 2017(08)
[4]基于深度学习的缓变故障早期诊断及寿命预测[J]. 周福娜,高育林,王佳瑜,文成林. 山东大学学报(工学版). 2017(05)
[5]基于DBN的故障特征提取及诊断方法研究[J]. 赵光权,葛强强,刘小勇,彭喜元. 仪器仪表学报. 2016(09)
[6]我国“十二五”期间生产安全死亡事故直接经济损失估算[J]. 张兴凯. 中国安全生产科学技术. 2016(06)
[7]基于深度学习的发电机故障挖掘方法研究[J]. 谢川. 电网与清洁能源. 2016(02)
[8]基于深度学习理论的机械装备大数据健康监测方法[J]. 雷亚国,贾峰,周昕,林京. 机械工程学报. 2015(21)
[9]自动化仪表的控制软件系统研究[J]. 王兆望,刘夫余. 科技信息. 2013(26)
[10]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)
博士论文
[1]无线传感器网络中可靠安全数据传输问题研究[D]. 孙新江.南京理工大学 2016
[2]面向动态环境监测的无线传感器网络数据处理方法研究[D]. 吴秋云.国防科学技术大学 2013
[3]基于ICA-PCA方法的流程工业过程监控与故障诊断研究[D]. 何宁.浙江大学 2004
硕士论文
[1]基于数据的燃料电池典型非正常工况故障检测研究[D]. 翟梦佳.哈尔滨工业大学 2015
[2]基于贝叶斯网络的缺失数据系统故障诊断研究[D]. 朱金林.江南大学 2013
[3]基于QGA优化的BP神经网络在电力电子电路故障诊断中的应用研究[D]. 封安辉.兰州交通大学 2011
[4]基于粒计算和神经网络的电站风机故障诊断的应用[D]. 杜莉.太原理工大学 2009
本文编号：3627970
【文章来源】：河南大学河南省
【文章页数】：86 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 故障诊断方法研究现状
1.3 基于数据驱动的故障诊断方法
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 数据缺失处理方法研究现状
1.5 论文研究内容与结构安排
2 基础知识
2.1 引言
2.2 BP神经网络
2.3 DNN
2.3.1 自动编码器
2.3.2 DNN模型的训练
2.3.3 Softmax分类器训练
2.4 数据插补方法
2.4.1 均值插补
2.4.2 KNN插补
2.4.3 回归插补
2.5 本章小结
3 在线数据缺失情况下基于深度学习的故障诊断
3.1 引言
3.2 在线数据缺失下基于深度学习的故障诊断
3.2.1 离线建模
3.2.2 数据插补
3.2.3 在线诊断
3.3 实验和分析
3.3.1 数据描述
3.3.2 单变量缺失情况下的实验结果
3.3.3 多变量缺失情况下的实验结果
3.4 本章小结
4 数据缺失情况下带模型更新的深度学习故障诊断
4.1 引言
4.2 数据缺失情况下模型更新的深度学习故障诊断
4.2.1 结构完整历史数据故障诊断建模
4.2.2 结构完整历史数据插补模型构建
4.2.3 对结构不完整历史数据进行插补
4.2.4 插补之后结构完整历史数据故障诊断
4.2.5 模型更新
4.2.6 在线数据故障诊断
4.3 实验和分析
4.3.1 单变量缺失情况下的实验结果
4.3.2 多变量缺失情况下的实验结果
4.4 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
【参考文献】：
期刊论文
[1]基于深度神经网络的滚动轴承故障诊断[J]. 卫洁洁,杨喜旺,黄晋英,尹学慧,卫晓洁. 组合机床与自动化加工技术. 2017(11)
[2]采用深度学习的异步电机故障诊断方法[J]. 王丽华,谢阳阳,张永宏,赵晓平,周子贤. 西安交通大学学报. 2017(10)
[3]深度学习在故障诊断领域中的研究现状与挑战[J]. 任浩,屈剑锋,柴毅,唐秋,叶欣. 控制与决策. 2017(08)
[4]基于深度学习的缓变故障早期诊断及寿命预测[J]. 周福娜,高育林,王佳瑜,文成林. 山东大学学报(工学版). 2017(05)
[5]基于DBN的故障特征提取及诊断方法研究[J]. 赵光权,葛强强,刘小勇,彭喜元. 仪器仪表学报. 2016(09)
[6]我国“十二五”期间生产安全死亡事故直接经济损失估算[J]. 张兴凯. 中国安全生产科学技术. 2016(06)
[7]基于深度学习的发电机故障挖掘方法研究[J]. 谢川. 电网与清洁能源. 2016(02)
[8]基于深度学习理论的机械装备大数据健康监测方法[J]. 雷亚国,贾峰,周昕,林京. 机械工程学报. 2015(21)
[9]自动化仪表的控制软件系统研究[J]. 王兆望,刘夫余. 科技信息. 2013(26)
[10]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)
博士论文
[1]无线传感器网络中可靠安全数据传输问题研究[D]. 孙新江.南京理工大学 2016
[2]面向动态环境监测的无线传感器网络数据处理方法研究[D]. 吴秋云.国防科学技术大学 2013
[3]基于ICA-PCA方法的流程工业过程监控与故障诊断研究[D]. 何宁.浙江大学 2004
硕士论文
[1]基于数据的燃料电池典型非正常工况故障检测研究[D]. 翟梦佳.哈尔滨工业大学 2015
[2]基于贝叶斯网络的缺失数据系统故障诊断研究[D]. 朱金林.江南大学 2013
[3]基于QGA优化的BP神经网络在电力电子电路故障诊断中的应用研究[D]. 封安辉.兰州交通大学 2011
[4]基于粒计算和神经网络的电站风机故障诊断的应用[D]. 杜莉.太原理工大学 2009
本文编号：3627970
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3627970.html
