為適應(yīng)經(jīng)濟(jì)發(fā)展新常態(tài),眾多化工企業(yè)主動(dòng)全方位地推進(jìn)企業(yè)智能化生產(chǎn),在極大程度上推進(jìn)了現(xiàn)代化工設(shè)備的自動(dòng)化和智能化。開(kāi)關(guān)電源作為當(dāng)今化工業(yè)電源領(lǐng)域不可或缺的一種電源形式,對(duì)智能化工設(shè)備起著至關(guān)重要的作用,因此,對(duì)開(kāi)關(guān)電源進(jìn)行快速準(zhǔn)確地故障診斷對(duì)于化工設(shè)備的安全運(yùn)行是刻不容緩的事情。傳統(tǒng)的故障診斷方法主要依靠之前的經(jīng)驗(yàn),并且傳統(tǒng)的信號(hào)處理技術(shù)無(wú)法滿(mǎn)足當(dāng)前的大數(shù)據(jù)時(shí)代的需求,而深度學(xué)習(xí)依靠自身包含多層隱藏層的結(jié)構(gòu),能夠自主對(duì)數(shù)據(jù)的深層特征進(jìn)行提取,建立故障數(shù)據(jù)的輸入值與故障類(lèi)別之間的映射關(guān)系,在故障診斷方面取得了良好成果。因此。本文主要針對(duì)傳統(tǒng)開(kāi)關(guān)電源故障診斷方法的不足,以開(kāi)關(guān)電源電解電容為研究對(duì)象,提出一種基于深度學(xué)習(xí)的故障診斷方法。本文首先對(duì)開(kāi)關(guān)電源電解電容進(jìn)行退化實(shí)驗(yàn)獲取三種狀態(tài)下的電網(wǎng)電壓信號(hào),基于大量實(shí)驗(yàn)采用數(shù)據(jù)擾動(dòng)的方法生成虛擬數(shù)據(jù),獲得足夠的數(shù)據(jù),基于小波包變換對(duì)信號(hào)進(jìn)行降噪處理,接著計(jì)算電網(wǎng)的頻帶能量,構(gòu)造故障特征并對(duì)其進(jìn)行歸一化處理,隨后利用PCA技術(shù)進(jìn)行去冗余操作,以此作為模型的輸入。提出基于IGSA-DBN的故障診斷模型,通過(guò)實(shí)驗(yàn)確定了模型的最優(yōu)參數(shù),得到了最終模型,利... 

【文章來(lái)源】：淮陰工學(xué)院江蘇省

【文章頁(yè)數(shù)】：72 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

多層神經(jīng)網(wǎng)絡(luò)Fig.2.1Multi-layerneuralnetwork

淮陰工學(xué)院碩士學(xué)位論文第7頁(yè)型能夠?qū)W習(xí)到數(shù)據(jù)本身的結(jié)構(gòu)，從而得到比輸入更具有代表性的特征。第二步采用有標(biāo)簽的訓(xùn)練樣本自頂而下進(jìn)行監(jiān)督反饋學(xué)習(xí)，對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)[27]。因?yàn)榻o定的每一層網(wǎng)絡(luò)結(jié)構(gòu)，就是定義的一個(gè)函數(shù)集，這個(gè)網(wǎng)絡(luò)不同的權(quán)重也對(duì)應(yīng)著不同的函數(shù)，在整個(gè)訓(xùn)練過(guò)程中需要不斷調(diào)整權(quán)重參數(shù)來(lái)找到最優(yōu)的函數(shù)。所以深度學(xué)習(xí)擁有強(qiáng)大的特征提取能力和分類(lèi)效果很大程度上歸功于第一步。從深度學(xué)習(xí)的訓(xùn)練過(guò)程可以看出，深度學(xué)習(xí)和傳統(tǒng)方法相比是有很多優(yōu)勢(shì)的，如圖2.2所示，深度學(xué)習(xí)可以直接對(duì)簡(jiǎn)單預(yù)處理后的數(shù)據(jù)進(jìn)行訓(xùn)練和測(cè)試，依靠自身強(qiáng)大的特征提取能力，得到最后的分類(lèi)模型，減少了傳統(tǒng)方法復(fù)雜的特征提取等過(guò)程，對(duì)于大數(shù)據(jù)時(shí)代的故障診斷具有十分重要的意義。圖2.2深度學(xué)習(xí)算法與傳統(tǒng)算法的對(duì)比Fig.2.2Comparisonbetweendeeplearningalgorithmsandtraditionalalgorithms深度學(xué)習(xí)最典型的應(yīng)用是圖像分類(lèi)問(wèn)題，經(jīng)過(guò)近十年的不斷發(fā)展，基于深度學(xué)習(xí)的各種模型都開(kāi)始廣泛應(yīng)用，其中常用的深度學(xué)習(xí)模型有以下三種：堆疊自動(dòng)編碼器（StackedAuto-Encoders，SAE），卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）和深度置信網(wǎng)絡(luò)（DeepBeliefNetwork，DBN）[28]。在實(shí)際的應(yīng)用中，深度置信網(wǎng)絡(luò)模型應(yīng)用比較廣泛，理論也比較成熟，因此下文主要對(duì)深度置信網(wǎng)絡(luò)作主要介紹。2.2深度置信網(wǎng)絡(luò)DBN是GeoffreyHinton于2016年最初提出的一種深度學(xué)習(xí)網(wǎng)絡(luò)[29]，是一種概率生成模型，通過(guò)多個(gè)受限玻爾茲曼機(jī)(RestrictedBoltzmannMachine,RBM)堆疊而成，結(jié)構(gòu)如圖2.3所示。輸入數(shù)據(jù)從RBM1的可視層輸入，然后逐層向上，自動(dòng)提取數(shù)據(jù)特征，在最后一層RBM上面添加分類(lèi)器，對(duì)所提取的特征進(jìn)行分類(lèi)。

李馨基于深度學(xué)習(xí)的化工設(shè)備開(kāi)關(guān)電源故障診斷研究第8頁(yè)圖2.3DBN網(wǎng)絡(luò)結(jié)構(gòu)Fig.2.3thestructureofDBNnetwork2.2.1受限玻爾茲曼機(jī)受限玻爾茲曼機(jī)（RBM）是DBN的重要組成部分，是一個(gè)由可視層v和隱藏層h構(gòu)成的神經(jīng)網(wǎng)絡(luò)，RBM結(jié)構(gòu)如圖2.4所示。同一層的神經(jīng)元相互獨(dú)立，互不干擾，前后兩層由連接權(quán)值進(jìn)行連接，此結(jié)構(gòu)能確保同層內(nèi)部神經(jīng)元之間的獨(dú)立性。每個(gè)RBM的隱藏層的輸出作為下一個(gè)RBM可視層的輸入，多個(gè)RBM層層堆疊，形成DBN。圖2.4RBM結(jié)構(gòu)Fig.2.4thestructureofRBMRBM是一種隨機(jī)的無(wú)監(jiān)督學(xué)習(xí)模型，預(yù)訓(xùn)練是指對(duì)每一層RBM單獨(dú)訓(xùn)練，前一層RBM地隱藏層作為下一層RBM的可視層，逐層訓(xùn)練。訓(xùn)練過(guò)程中，RBM的輸出狀態(tài)只有0和1，即激活狀態(tài)和未激活狀態(tài)。假設(shè)一個(gè)RBM中含有n個(gè)可視單元和m隱藏單元，RBM是一種能量模型，對(duì)一組給定的狀態(tài)（v，h），其能量定義如下：

【參考文獻(xiàn)】：
期刊論文
[1]高頻開(kāi)關(guān)電源發(fā)展與應(yīng)用[J]. 胡鳳廣.  衛(wèi)星應(yīng)用. 2019(12)
[2]基于JavaScript的邊緣計(jì)算架構(gòu)研究[J]. 張金輝,考書(shū)健.  設(shè)備管理與維修. 2019(21)
[3]化工行業(yè)較大安全事故統(tǒng)計(jì)分析[J]. 劉宗勇,韓曉萌,袁玲玲.  中國(guó)石油和化工標(biāo)準(zhǔn)與質(zhì)量. 2019(18)
[4]DBN與PSO-SVM的滾動(dòng)軸承故障診斷[J]. 熊景鳴,潘林,朱昇,孟宗.  機(jī)械科學(xué)與技術(shù). 2019(11)
[5]網(wǎng)頁(yè)設(shè)計(jì)中CSS技術(shù)的研究與應(yīng)用[J]. 程琳琳,林培芬.  電子技術(shù)與軟件工程. 2019(05)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類(lèi)算法綜述[J]. 楊真真,匡楠,范露,康彬.  信號(hào)處理. 2018(12)
[7]基于TensorFlow深度學(xué)習(xí)的車(chē)牌識(shí)別算法研究[J]. 李兵,易嘉聞,黃鋒,晏鵬程,張一鳴,吳健輝,歐先鋒.  成都工業(yè)學(xué)院學(xué)報(bào). 2018(04)
[8]關(guān)于非線(xiàn)性激活函數(shù)的深度學(xué)習(xí)分類(lèi)方法研究[J]. 楊國(guó)亮,許楠,李放,龔曼.  江西理工大學(xué)學(xué)報(bào). 2018(03)
[9]基于小波變換的電能質(zhì)量檢測(cè)與分析[J]. 肖思麗,胡潔,李建寧.  電力與能源. 2018(02)
[10]基于深度學(xué)習(xí)的故障檢測(cè)方法[J]. 吳魁,王仙勇,孫潔,黃玉龍.  計(jì)算機(jī)測(cè)量與控制. 2017(10)

博士論文
[1]模擬電路故障診斷優(yōu)化理論與方法的研究[D]. 方葛豐.湖南大學(xué) 2013

碩士論文
[1]基于深度學(xué)習(xí)的網(wǎng)絡(luò)故障診斷方法研究[D]. 張雷.南京郵電大學(xué) 2018
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的書(shū)法風(fēng)格識(shí)別的研究[D]. 張福成.西安理工大學(xué) 2018
[3]基于深度學(xué)習(xí)的圖像分類(lèi)的研究[D]. 童浩然.安徽理工大學(xué) 2018
[4]化工故障診斷決策方法研究[D]. 薛楊濤.蘇州大學(xué) 2018
[5]開(kāi)關(guān)電源關(guān)鍵電路故障預(yù)測(cè)技術(shù)研究[D]. 盧俊.武漢理工大學(xué) 2018
[6]基于深度信念網(wǎng)絡(luò)的故障診斷研究[D]. 文紅權(quán).北京交通大學(xué) 2018
[7]基于深度學(xué)習(xí)的鐵譜圖像分類(lèi)[D]. 王聯(lián)君.南京航空航天大學(xué) 2018
[8]基于模型的電力電子電路智能故障預(yù)測(cè)技術(shù)研究[D]. 朱寶琳.南京航空航天大學(xué) 2014
[9]基于關(guān)鍵器件的開(kāi)關(guān)電源壽命預(yù)測(cè)[D]. 葉英豪.西安電子科技大學(xué) 2014
[10]基于多分類(lèi)器的輸電線(xiàn)路故障定位[D]. 朱晶.華南理工大學(xué) 2013



本文編號(hào)：3431334