【摘要】：壓縮機組不同部分之間互相關(guān)聯(lián),緊密耦合,使得其故障特征具有不確定性、非線性和并發(fā)性。傳統(tǒng)模型對機組的故障特征表示能力差,而深度學(xué)習(xí)本質(zhì)上是一種采取多層非線性變換的信息提取技術(shù),能夠?qū)崿F(xiàn)對數(shù)據(jù)間復(fù)雜關(guān)系的建模。因此以深度學(xué)習(xí)理論為基礎(chǔ),對壓縮機組故障預(yù)測進行研究具有理論意義和實用價值。本文就如何將深度玻爾茲曼機(Deep Boltzmann Machine,DBM)模型更好地應(yīng)用于壓縮機組狀態(tài)預(yù)測領(lǐng)域展開了研究:(1)研究了基于高斯深度玻爾茲曼機(Gaussian Deep Boltzmann Machine,G-DBM)的壓縮機組振動信號預(yù)測的建模方法。通過在DBM可視層增加高斯濾波器實現(xiàn)模型的預(yù)處理。并且制定預(yù)測前的數(shù)據(jù)準(zhǔn)備規(guī)則,構(gòu)建G-DBM預(yù)測模型,依靠經(jīng)驗確定模型結(jié)構(gòu)。(2)依靠經(jīng)驗確定模型工作量大,針對該問題研究了G-DBM預(yù)測模型的優(yōu)化方法。提出帶有極值擾動的簡化粒子群優(yōu)化(Ex-tremum Disturbed and Simple Particle Swarm Optimization,tsPSO)算法確定模型的參數(shù),并且采用混合共軛梯度法加速G-DBM模型的訓(xùn)練過程。模型優(yōu)化后得到的預(yù)測序列平均誤差值減小,預(yù)測計算時間也大大降低。(3)為實現(xiàn)狀態(tài)的預(yù)測,擬對現(xiàn)場機組監(jiān)測數(shù)據(jù)的預(yù)測序列進行狀態(tài)識別。由于現(xiàn)場故障狀態(tài)數(shù)據(jù)極難獲取,因此通過實驗?zāi)M獲得的軸承監(jiān)測信號來進行模型搭建,論文搭建非抽樣提升小波包和G-DBM結(jié)合的軸承狀態(tài)識別模型,為現(xiàn)場機組的狀態(tài)預(yù)測奠定理論基礎(chǔ)。針對狀態(tài)序列中的噪聲信號,采用非抽樣提升小波包進行降噪,通過無特征提取的G-DBM模型對軸承信號進行狀態(tài)識別,經(jīng)過降噪的G-DBM識別比直接采用G-DBM模型的識別結(jié)果準(zhǔn)確率提高了三個百分點。
[Abstract]:The different parts of the compressor unit are closely coupled with each other, which makes the fault characteristics uncertain, nonlinear and concurrent. The traditional model has a poor ability to express the fault characteristics of the unit, but depth learning is essentially a multi-layer nonlinear transformation information extraction technology, which can realize the modeling of the complex relationship between the data. Therefore, based on the theory of depth learning, it is of theoretical significance and practical value to study the fault prediction of compressor units. In this paper, how to better apply the depth Boltzmann machine (Deep Boltzmann Machine,DBM) model to the field of compressor unit state prediction is studied. (1) the modeling method of compressor unit vibration signal prediction based on Gao Si depth Boltzmann machine (Gaussian Deep Boltzmann Machine,G-DBM) is studied. Gao Si filter is added to the DBM visual layer to realize the preprocessing of the model. And make the data preparation rules before the prediction, build the G-DBM prediction model, rely on experience to determine the model structure. (2) relying on the experience to determine the model workload, this paper studies the optimization method of the G-DBM prediction model. A simplified particle swarm optimization (Ex-tremum Disturbed and Simple Particle Swarm Optimization,tsPSO) algorithm with extremum perturbation is proposed to determine the parameters of the model, and the hybrid conjugate gradient method is used to accelerate the training process of the G-DBM model. After model optimization, the average error value of the prediction sequence is reduced, and the prediction calculation time is greatly reduced. (3) in order to realize the state prediction, it is proposed to recognize the state of the prediction sequence of the field unit monitoring data. Because the field fault state data is very difficult to obtain, the model is built by the bearing monitoring signal obtained by the experimental simulation. The paper builds the bearing state recognition model which combines the non-sampling lifting wavelet packet and G-DBM. It lays a theoretical foundation for the state prediction of field units. For the noise signal in the state sequence, the non-sampling lifting wavelet packet is used to reduce the noise, and the G-DBM model without feature extraction is used to recognize the state of the bearing signal. The accuracy of G-DBM recognition by denoising is improved by three percentage points compared with the recognition result using G-DBM model directly.
【學(xué)位授予單位】：中國石油大學(xué)(北京)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP311.13;TE974

【相似文獻】

相關(guān)期刊論文 前10條

1 劉建偉;劉媛;羅雄麟;;玻爾茲曼機研究進展[J];計算機研究與發(fā)展;2014年01期

2 張登凱;;大型壓縮機組的儀表檢修[J];電子世界;2013年15期

3 李銳;過磊;趙洪君;王鐵剛;;壓縮機組狀態(tài)監(jiān)測儀表的安裝與維護[J];儀器儀表用戶;2013年03期

4 羅俏;;壓縮機組專家診測分析系統(tǒng)研究[J];網(wǎng)絡(luò)安全技術(shù)與應(yīng)用;2013年09期

5 楊世超;張衛(wèi)東;黃海;;壓縮機組運行監(jiān)視及故障診斷系統(tǒng)的設(shè)計[J];振動、測試與診斷;1989年03期

6 金飛,賈民平,許飛云;壓縮機組遠程監(jiān)測與故障診斷系統(tǒng)及其應(yīng)用[J];機械制造與自動化;2003年03期

7 趙軍;趙質(zhì)良;;壓縮機組故障診斷專家系統(tǒng)設(shè)計[J];艦船電子工程;2008年12期

8 王子模,王曉放,謝蓉,黃鐘岳,申巖;壓縮機組氣路系統(tǒng)工藝流程圖快速生成軟件的開發(fā)與應(yīng)用[J];化工自動化及儀表;2004年01期

9 劉來福，唐志宇，，匡錦瑜;向量玻爾茲曼機[J];北京師范大學(xué)學(xué)報(自然科學(xué)版);1996年04期

10 李雪山;;TRICON控制系統(tǒng)在燃機-壓縮機組上的應(yīng)用[J];儀器儀表用戶;2011年02期

相關(guān)會議論文 前10條

1 涂利軍;呂玉梅;;壓縮機組潤滑優(yōu)化與效果評價[A];石化產(chǎn)業(yè)創(chuàng)新·綠色·可持續(xù)發(fā)展——第八屆寧夏青年科學(xué)家論壇石化專題論壇論文集[C];2012年

2 趙杰;周丹;;并聯(lián)壓縮機組在大型冷庫中的使用及項目介紹[A];2003福建省冷藏技術(shù)研討會論文資料集[C];2003年

3 徐鐵軍;;管道壓縮機組及其在國內(nèi)的應(yīng)用和發(fā)展[A];中國油氣管道工程建設(shè)技術(shù)與裝備交流會論文集[C];2013年

4 李廣友;;陜鼓空分壓縮機組的技術(shù)發(fā)展[A];2006年大型空分設(shè)備技術(shù)交流會論文集[C];2006年

5 王衍智;;超市冷柜用壓縮機組節(jié)能的研究[A];中國制冷學(xué)會2005年制冷空調(diào)學(xué)術(shù)年會論文集[C];2005年

6 白自龍;見飛龍;姚瑞峰;蔡立峰;馬騰飛;許敏敏;;JGT4-1/G3516型壓縮機組無基礎(chǔ)應(yīng)用評價[A];青年人才與石化產(chǎn)業(yè)創(chuàng)新發(fā)展——第七屆寧夏青年科學(xué)家論壇論文集[C];2011年

7 馮興全;;國產(chǎn)CNG壓縮機組冷卻、潤滑系統(tǒng)技術(shù)革新與改造[A];第三屆全國現(xiàn)代設(shè)備管理及應(yīng)用技術(shù)研討會交流論文集[C];2004年

8 孫寶龍;顏安居;丁波;;西氣東輸壓縮機組“躲峰用谷”節(jié)能效果分析[A];2011中國環(huán)境科學(xué)學(xué)會學(xué)術(shù)年會論文集（第四卷）[C];2011年

9 王天全;;2MCL-457壓縮機組運行中的問題及解決[A];低碳經(jīng)濟與科學(xué)發(fā)展——吉林省第六屆科學(xué)技術(shù)學(xué)術(shù)年會論文集[C];2010年

10 王平;;大型壓縮機組異常軸向振動監(jiān)測與診斷[A];第八屆全國轉(zhuǎn)子動力學(xué)學(xué)術(shù)討論會論文集[C];2008年

相關(guān)重要報紙文章 前10條

1 記者 蔣萬全　通訊員 董博;西二線東段首臺壓縮機組點火成功[N];中國石油報;2012年

2 本報記者 劉全昌;推動石化用大型壓縮機組國產(chǎn)化[N];中國化工報;2007年

3 通訊員　許傳海;西氣東輸輪南首站完成2號壓縮機組2000小時保養(yǎng)[N];中國石油報;2006年

4 特約記者　賈玉成;西氣東輸又一壓縮機組投運[N];中國石油報;2006年

5 記者 楚海虹邋通訊員 孫進;西氣東輸壓縮機組可靠性大幅提高[N];中國石油報;2008年

6 海虹;攻克壓縮機難題 減少排放保安全[N];中國石油報;2010年

7 本報特約記者 李玉剛;大漠里的閃光品牌[N];石油管道報;2004年

8 通訊員 李玉剛;氣龍飛越出天山[N];石油管道報;2005年

9 通訊員 李玉剛;“品牌”下的艱辛[N];石油管道報;2005年

10 何志丹 尹欣欣;我國首套全國產(chǎn)化壓縮機組落戶高陵[N];經(jīng)濟參考報;2012年

相關(guān)博士學(xué)位論文 前3條

1 趙曉朝;玻爾茲曼機的參數(shù)選擇理論及應(yīng)用[D];天津大學(xué);2016年

2 馬學(xué)思;受限玻爾茲曼機學(xué)習(xí)算法研究[D];北京郵電大學(xué);2016年

3 仇經(jīng)緯;基于DNN-HMM的離心壓縮機組關(guān)聯(lián)故障預(yù)警模型研究[D];中國石油大學(xué)(北京);2016年

相關(guān)碩士學(xué)位論文 前10條

1 王洋紳;基于大數(shù)據(jù)模型深度玻爾茲曼機的壓縮機組狀態(tài)預(yù)測方法研究[D];中國石油大學(xué)(北京);2016年

2 李娟;基于RBM的小分子活性及選擇性研究[D];蘭州大學(xué);2015年

3 葉睿;基于深度學(xué)習(xí)的人臉檢測方法研究[D];哈爾濱工業(yè)大學(xué);2015年

4 張衛(wèi)東;深度信念網(wǎng)絡(luò)及其在手寫字體識別中的應(yīng)用[D];成都理工大學(xué);2015年

5 施維劏;門限玻爾茲曼機在人臉識別中的魯棒性研究[D];北京交通大學(xué);2015年

6 萬程;自適應(yīng)基數(shù)受限玻爾茲曼機[D];清華大學(xué);2015年

7 李亦錟;受限的玻爾茲曼機在背景建模和文本建模中的研究與應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2016年

8 張艷霞;基于受限玻爾茲曼機的深度學(xué)習(xí)模型及其應(yīng)用[D];電子科技大學(xué);2016年

9 朱常寶;基于深度玻爾茲曼機的特征學(xué)習(xí)算法研究[D];北京化工大學(xué);2016年

10 張怡康;基于受限玻爾茲曼機的深度學(xué)習(xí)方法研究[D];北京化工大學(xué);2016年

本文編號：2261997