隨著科學(xué)技術(shù)的飛速發(fā)展和工業(yè)系統(tǒng)復(fù)雜度的不斷提高,保障系統(tǒng)的高效和安全運(yùn)行已成為提高產(chǎn)品質(zhì)量和提升生產(chǎn)效率的關(guān)鍵。復(fù)雜過程表現(xiàn)在由于外界環(huán)境、工業(yè)系統(tǒng)固有屬性、不同操作條件以及不同的生產(chǎn)需求而產(chǎn)生的多個穩(wěn)定運(yùn)行工況的復(fù)雜過程。要保證多復(fù)雜過程的安全、高效運(yùn)行,建立準(zhǔn)確有效的故障診斷模型尤為必要。因此,對多模態(tài)的復(fù)雜工業(yè)過程進(jìn)行有效的故障診斷是故障診斷領(lǐng)域的研究熱點(diǎn)之一。本文通過使用田納西-伊斯曼過程（Tenessee Eastman Process,TEP）的仿真模型對故障診斷方法進(jìn)行研究。對于復(fù)雜過程,本文研究的重點(diǎn)是設(shè)計(jì)并且搭建基于深度學(xué)習(xí)故障診斷方法的實(shí)驗(yàn)平臺,并提出了兩種基于深度學(xué)習(xí)的多模態(tài)過程故障診斷方法,將兩種方法在所創(chuàng)建的實(shí)驗(yàn)平臺上實(shí)現(xiàn)。由于實(shí)際工業(yè)過程中所產(chǎn)生的數(shù)據(jù)往往會受到噪聲污染,為了精確穩(wěn)定的提取故障特征,本文提出了將變分模態(tài)分解（Variational Mode Decomposition,VMD）與堆疊自編碼（Stacked Auto-encoder,SAE）、VMD 與卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）結(jié)合的兩種... 

【文章來源】：沈陽理工大學(xué)遼寧省

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１．１近代故障診斷方法匯總??Ｆｉｇｕｒｅ?１．１?Ｓｕｍｍａｒｙ?ｏｆ?ｍｏｄｅｍ?ｆａｕｌｔ?ｄｉａｇｎｏｓｉｓ?ｍｅｔｈｏｄｓ??１．２．２深度學(xué)習(xí)綜述??

?第２章ＴＥ過程概述與數(shù)據(jù)獲取???相中。產(chǎn)品具有適度的揮發(fā)性，并與沒有參加反應(yīng)的氣體一同流出反應(yīng)器。部分??冷凝器從循環(huán)氣體中回收它們。汽提器的作用是減少了液體產(chǎn)品中Ｄ和Ｅ的損失。??從汽提塔的頂部與部分冷凝器的廢氣相結(jié)合，循環(huán)進(jìn)反應(yīng)器內(nèi)。惰性組分Ｂ約占??進(jìn)料流４的０．５％。該組分是不可冷凝的，必須在吹掃過程中流出（圖２．１中的流９）。??

網(wǎng)站上獲得的仿真平臺只包含模態(tài)１、模態(tài)３仿真模型的初始化模式，對于模態(tài)２、??４、５、６這四個模態(tài)，則需要通過模態(tài)１、３作為基準(zhǔn)進(jìn)行轉(zhuǎn)換來獲得。其仿真模??型的結(jié)構(gòu)如圖２．２所示。??－１６?－??


本文編號：3294489