基于深度学习的化工设备开关电源故障诊断研究
发布时间：2021-10-11 22:15
为适应经济发展新常态,众多化工企业主动全方位地推进企业智能化生产,在极大程度上推进了现代化工设备的自动化和智能化。开关电源作为当今化工业电源领域不可或缺的一种电源形式,对智能化工设备起着至关重要的作用,因此,对开关电源进行快速准确地故障诊断对于化工设备的安全运行是刻不容缓的事情。传统的故障诊断方法主要依靠之前的经验,并且传统的信号处理技术无法满足当前的大数据时代的需求,而深度学习依靠自身包含多层隐藏层的结构,能够自主对数据的深层特征进行提取,建立故障数据的输入值与故障类别之间的映射关系,在故障诊断方面取得了良好成果。因此。本文主要针对传统开关电源故障诊断方法的不足,以开关电源电解电容为研究对象,提出一种基于深度学习的故障诊断方法。本文首先对开关电源电解电容进行退化实验获取三种状态下的电网电压信号,基于大量实验采用数据扰动的方法生成虚拟数据,获得足够的数据,基于小波包变换对信号进行降噪处理,接着计算电网的频带能量,构造故障特征并对其进行归一化处理,随后利用PCA技术进行去冗余操作,以此作为模型的输入。提出基于IGSA-DBN的故障诊断模型,通过实验确定了模型的最优参数,得到了最终模型,利...
【文章来源】：淮阴工学院江苏省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
多层神经网络Fig.2.1Multi-layerneuralnetwork
淮阴工学院硕士学位论文第7页型能够学习到数据本身的结构，从而得到比输入更具有代表性的特征。第二步采用有标签的训练样本自顶而下进行监督反馈学习，对网络进行微调[27]。因为给定的每一层网络结构，就是定义的一个函数集，这个网络不同的权重也对应着不同的函数，在整个训练过程中需要不断调整权重参数来找到最优的函数。所以深度学习拥有强大的特征提取能力和分类效果很大程度上归功于第一步。从深度学习的训练过程可以看出，深度学习和传统方法相比是有很多优势的，如图2.2所示，深度学习可以直接对简单预处理后的数据进行训练和测试，依靠自身强大的特征提取能力，得到最后的分类模型，减少了传统方法复杂的特征提取等过程，对于大数据时代的故障诊断具有十分重要的意义。图2.2深度学习算法与传统算法的对比Fig.2.2Comparisonbetweendeeplearningalgorithmsandtraditionalalgorithms深度学习最典型的应用是图像分类问题，经过近十年的不断发展，基于深度学习的各种模型都开始广泛应用，其中常用的深度学习模型有以下三种：堆叠自动编码器（StackedAuto-Encoders，SAE），卷积神经网络（ConvolutionalNeuralNetwork，CNN）和深度置信网络（DeepBeliefNetwork，DBN）[28]。在实际的应用中，深度置信网络模型应用比较广泛，理论也比较成熟，因此下文主要对深度置信网络作主要介绍。2.2深度置信网络DBN是GeoffreyHinton于2016年最初提出的一种深度学习网络[29]，是一种概率生成模型，通过多个受限玻尔兹曼机(RestrictedBoltzmannMachine,RBM)堆叠而成，结构如图2.3所示。输入数据从RBM1的可视层输入，然后逐层向上，自动提取数据特征，在最后一层RBM上面添加分类器，对所提取的特征进行分类。
李馨基于深度学习的化工设备开关电源故障诊断研究第8页图2.3DBN网络结构Fig.2.3thestructureofDBNnetwork2.2.1受限玻尔兹曼机受限玻尔兹曼机（RBM）是DBN的重要组成部分，是一个由可视层v和隐藏层h构成的神经网络，RBM结构如图2.4所示。同一层的神经元相互独立，互不干扰，前后两层由连接权值进行连接，此结构能确保同层内部神经元之间的独立性。每个RBM的隐藏层的输出作为下一个RBM可视层的输入，多个RBM层层堆叠，形成DBN。图2.4RBM结构Fig.2.4thestructureofRBMRBM是一种随机的无监督学习模型，预训练是指对每一层RBM单独训练，前一层RBM地隐藏层作为下一层RBM的可视层，逐层训练。训练过程中，RBM的输出状态只有0和1，即激活状态和未激活状态。假设一个RBM中含有n个可视单元和m隐藏单元，RBM是一种能量模型，对一组给定的状态（v，h），其能量定义如下：
【参考文献】：
期刊论文
[1]高频开关电源发展与应用[J]. 胡凤广. 卫星应用. 2019(12)
[2]基于JavaScript的边缘计算架构研究[J]. 张金辉,考书健. 设备管理与维修. 2019(21)
[3]化工行业较大安全事故统计分析[J]. 刘宗勇,韩晓萌,袁玲玲. 中国石油和化工标准与质量. 2019(18)
[4]DBN与PSO-SVM的滚动轴承故障诊断[J]. 熊景鸣,潘林,朱昇,孟宗. 机械科学与技术. 2019(11)
[5]网页设计中CSS技术的研究与应用[J]. 程琳琳,林培芬. 电子技术与软件工程. 2019(05)
[6]基于卷积神经网络的图像分类算法综述[J]. 杨真真,匡楠,范露,康彬. 信号处理. 2018(12)
[7]基于TensorFlow深度学习的车牌识别算法研究[J]. 李兵,易嘉闻,黄锋,晏鹏程,张一鸣,吴健辉,欧先锋. 成都工业学院学报. 2018(04)
[8]关于非线性激活函数的深度学习分类方法研究[J]. 杨国亮,许楠,李放,龚曼. 江西理工大学学报. 2018(03)
[9]基于小波变换的电能质量检测与分析[J]. 肖思丽,胡洁,李建宁. 电力与能源. 2018(02)
[10]基于深度学习的故障检测方法[J]. 吴魁,王仙勇,孙洁,黄玉龙. 计算机测量与控制. 2017(10)
博士论文
[1]模拟电路故障诊断优化理论与方法的研究[D]. 方葛丰.湖南大学 2013
硕士论文
[1]基于深度学习的网络故障诊断方法研究[D]. 张雷.南京邮电大学 2018
[2]基于卷积神经网络的书法风格识别的研究[D]. 张福成.西安理工大学 2018
[3]基于深度学习的图像分类的研究[D]. 童浩然.安徽理工大学 2018
[4]化工故障诊断决策方法研究[D]. 薛杨涛.苏州大学 2018
[5]开关电源关键电路故障预测技术研究[D]. 卢俊.武汉理工大学 2018
[6]基于深度信念网络的故障诊断研究[D]. 文红权.北京交通大学 2018
[7]基于深度学习的铁谱图像分类[D]. 王联君.南京航空航天大学 2018
[8]基于模型的电力电子电路智能故障预测技术研究[D]. 朱宝琳.南京航空航天大学 2014
[9]基于关键器件的开关电源寿命预测[D]. 叶英豪.西安电子科技大学 2014
[10]基于多分类器的输电线路故障定位[D]. 朱晶.华南理工大学 2013
本文编号：3431334
【文章来源】：淮阴工学院江苏省
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
多层神经网络Fig.2.1Multi-layerneuralnetwork
淮阴工学院硕士学位论文第7页型能够学习到数据本身的结构，从而得到比输入更具有代表性的特征。第二步采用有标签的训练样本自顶而下进行监督反馈学习，对网络进行微调[27]。因为给定的每一层网络结构，就是定义的一个函数集，这个网络不同的权重也对应着不同的函数，在整个训练过程中需要不断调整权重参数来找到最优的函数。所以深度学习拥有强大的特征提取能力和分类效果很大程度上归功于第一步。从深度学习的训练过程可以看出，深度学习和传统方法相比是有很多优势的，如图2.2所示，深度学习可以直接对简单预处理后的数据进行训练和测试，依靠自身强大的特征提取能力，得到最后的分类模型，减少了传统方法复杂的特征提取等过程，对于大数据时代的故障诊断具有十分重要的意义。图2.2深度学习算法与传统算法的对比Fig.2.2Comparisonbetweendeeplearningalgorithmsandtraditionalalgorithms深度学习最典型的应用是图像分类问题，经过近十年的不断发展，基于深度学习的各种模型都开始广泛应用，其中常用的深度学习模型有以下三种：堆叠自动编码器（StackedAuto-Encoders，SAE），卷积神经网络（ConvolutionalNeuralNetwork，CNN）和深度置信网络（DeepBeliefNetwork，DBN）[28]。在实际的应用中，深度置信网络模型应用比较广泛，理论也比较成熟，因此下文主要对深度置信网络作主要介绍。2.2深度置信网络DBN是GeoffreyHinton于2016年最初提出的一种深度学习网络[29]，是一种概率生成模型，通过多个受限玻尔兹曼机(RestrictedBoltzmannMachine,RBM)堆叠而成，结构如图2.3所示。输入数据从RBM1的可视层输入，然后逐层向上，自动提取数据特征，在最后一层RBM上面添加分类器，对所提取的特征进行分类。
李馨基于深度学习的化工设备开关电源故障诊断研究第8页图2.3DBN网络结构Fig.2.3thestructureofDBNnetwork2.2.1受限玻尔兹曼机受限玻尔兹曼机（RBM）是DBN的重要组成部分，是一个由可视层v和隐藏层h构成的神经网络，RBM结构如图2.4所示。同一层的神经元相互独立，互不干扰，前后两层由连接权值进行连接，此结构能确保同层内部神经元之间的独立性。每个RBM的隐藏层的输出作为下一个RBM可视层的输入，多个RBM层层堆叠，形成DBN。图2.4RBM结构Fig.2.4thestructureofRBMRBM是一种随机的无监督学习模型，预训练是指对每一层RBM单独训练，前一层RBM地隐藏层作为下一层RBM的可视层，逐层训练。训练过程中，RBM的输出状态只有0和1，即激活状态和未激活状态。假设一个RBM中含有n个可视单元和m隐藏单元，RBM是一种能量模型，对一组给定的状态（v，h），其能量定义如下：
【参考文献】：
期刊论文
[1]高频开关电源发展与应用[J]. 胡凤广. 卫星应用. 2019(12)
[2]基于JavaScript的边缘计算架构研究[J]. 张金辉,考书健. 设备管理与维修. 2019(21)
[3]化工行业较大安全事故统计分析[J]. 刘宗勇,韩晓萌,袁玲玲. 中国石油和化工标准与质量. 2019(18)
[4]DBN与PSO-SVM的滚动轴承故障诊断[J]. 熊景鸣,潘林,朱昇,孟宗. 机械科学与技术. 2019(11)
[5]网页设计中CSS技术的研究与应用[J]. 程琳琳,林培芬. 电子技术与软件工程. 2019(05)
[6]基于卷积神经网络的图像分类算法综述[J]. 杨真真,匡楠,范露,康彬. 信号处理. 2018(12)
[7]基于TensorFlow深度学习的车牌识别算法研究[J]. 李兵,易嘉闻,黄锋,晏鹏程,张一鸣,吴健辉,欧先锋. 成都工业学院学报. 2018(04)
[8]关于非线性激活函数的深度学习分类方法研究[J]. 杨国亮,许楠,李放,龚曼. 江西理工大学学报. 2018(03)
[9]基于小波变换的电能质量检测与分析[J]. 肖思丽,胡洁,李建宁. 电力与能源. 2018(02)
[10]基于深度学习的故障检测方法[J]. 吴魁,王仙勇,孙洁,黄玉龙. 计算机测量与控制. 2017(10)
博士论文
[1]模拟电路故障诊断优化理论与方法的研究[D]. 方葛丰.湖南大学 2013
硕士论文
[1]基于深度学习的网络故障诊断方法研究[D]. 张雷.南京邮电大学 2018
[2]基于卷积神经网络的书法风格识别的研究[D]. 张福成.西安理工大学 2018
[3]基于深度学习的图像分类的研究[D]. 童浩然.安徽理工大学 2018
[4]化工故障诊断决策方法研究[D]. 薛杨涛.苏州大学 2018
[5]开关电源关键电路故障预测技术研究[D]. 卢俊.武汉理工大学 2018
[6]基于深度信念网络的故障诊断研究[D]. 文红权.北京交通大学 2018
[7]基于深度学习的铁谱图像分类[D]. 王联君.南京航空航天大学 2018
[8]基于模型的电力电子电路智能故障预测技术研究[D]. 朱宝琳.南京航空航天大学 2014
[9]基于关键器件的开关电源寿命预测[D]. 叶英豪.西安电子科技大学 2014
[10]基于多分类器的输电线路故障定位[D]. 朱晶.华南理工大学 2013
本文编号：3431334
本文链接：https://www.wllwen.com/projectlw/hxgylw/3431334.html
最近更新
教材专著
