化工生產(chǎn)過(guò)程具有高度非線性、不確定性、易受干擾性和關(guān)聯(lián)性等特性,化工的生產(chǎn)過(guò)程還是個(gè)特殊的動(dòng)態(tài)系統(tǒng),其生產(chǎn)環(huán)境不同于其它類(lèi)型的工業(yè)過(guò)程,生產(chǎn)環(huán)境不穩(wěn)定和危險(xiǎn)性,使得生產(chǎn)過(guò)程中的安全管理非常困難。為了能夠保證化工設(shè)備裝置正常的運(yùn)行,及時(shí)地檢測(cè)到故障和準(zhǔn)確地對(duì)故障進(jìn)行診斷是必要的。本文針對(duì)化工過(guò)程數(shù)據(jù)的高維度非線性,提出基于卷積神經(jīng)網(wǎng)絡(luò)的故障診斷方法。所提方法在對(duì)數(shù)據(jù)進(jìn)行小波變換去噪和標(biāo)準(zhǔn)化預(yù)處理;通過(guò)卷積神經(jīng)網(wǎng)絡(luò)的特征提取和學(xué)習(xí),從化工過(guò)程中提取原始數(shù)據(jù)隱藏的信息特征;再經(jīng)過(guò)softmax分類(lèi)器進(jìn)行故障分類(lèi)。通過(guò)應(yīng)用于TE過(guò)程的故障診斷研究結(jié)果,平均故障檢出率為80.31%,誤報(bào)率為2.837%,表明所提出基于卷積神經(jīng)網(wǎng)絡(luò)方法的有效性,且可以及時(shí)地檢測(cè)出故障。針對(duì)卷積神經(jīng)網(wǎng)絡(luò)本身結(jié)構(gòu)復(fù)雜,自身參數(shù)與結(jié)構(gòu)有待優(yōu)化的問(wèn)題,提出粒子群優(yōu)化算法對(duì)卷積神經(jīng)網(wǎng)絡(luò)的超參數(shù)進(jìn)行尋優(yōu)。為了驗(yàn)證PSO-CNN方法的故障診斷的有效性及故障診斷性能,以TE過(guò)程為實(shí)驗(yàn)案例進(jìn)行了故障診斷研究。在粒子群優(yōu)化過(guò)程中確定了卷積神經(jīng)網(wǎng)絡(luò)模型的最佳結(jié)構(gòu)和參數(shù)。從實(shí)驗(yàn)結(jié)果得出,基于PSO-CNN方法的平均故障檢出率相比CNN方... 

【文章來(lái)源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)模型

圖 2-2 卷積操作示例圖Fig.2-2 Example of convolution operation據(jù)輸入矩陣包括四個(gè)維度：樣本數(shù)、樣本高度、樣本寬度和樣本陣與輸入矩陣格式一樣，但后三個(gè)維度經(jīng)卷積后尺寸發(fā)生了變化積核高度、卷積核寬度、輸入通道數(shù)、卷積核的個(gè)數(shù)。關(guān)于卷積陣、卷積核、輸出矩陣三者之間是相互決定的關(guān)系。卷積核的輸入矩陣的通道數(shù)所決定。輸出矩陣的通道數(shù)（outdepth）由卷積。輸出矩陣的高度（height）和寬度（width）這兩個(gè)維度的尺寸由積計(jì)算的方式所共同決定。Padding 是填充，比如零填充是在輸也可以不進(jìn)行填充操作。Stride 是卷積步長(zhǎng)。計(jì)算公式如（2-2） out in kernelout in kernel2 12 1height height height padding stridewidth width width padding stride 算之后需要通過(guò)激活函數(shù)對(duì)特征圖進(jìn)行輸出。激活函數(shù)是用來(lái)為

池化操作Fig.2-3Poolingoperation

【參考文獻(xiàn)】：
期刊論文
[1]基于深度置信網(wǎng)絡(luò)的煉化空壓機(jī)故障診斷方法[J]. 魯春燕,李煒.  化工學(xué)報(bào). 2019(02)
[2]面向原油總氫物性預(yù)測(cè)的數(shù)據(jù)擴(kuò)增預(yù)處理方法[J]. 易令,呂忠元,丁進(jìn)良,劉長(zhǎng)鑫.  控制與決策. 2018(12)
[3]基于關(guān)聯(lián)變量時(shí)滯分析卷積神經(jīng)網(wǎng)絡(luò)的生產(chǎn)過(guò)程時(shí)間序列預(yù)測(cè)方法[J]. 張浩,劉振娟,李宏光,楊博,路潔.  化工學(xué)報(bào). 2017(09)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的輸電線路區(qū)內(nèi)外故障判斷及故障選相方法研究[J]. 魏東,龔慶武,來(lái)文青,王波,劉棟,喬卉,林剛.  中國(guó)電機(jī)工程學(xué)報(bào). 2016(S1)
[5]深度學(xué)習(xí)理論綜述[J]. 韓小虎,徐鵬,韓森森.  計(jì)算機(jī)時(shí)代. 2016(06)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的時(shí)頻圖像識(shí)別研究[J]. 曾雪瓊,黎杰.  機(jī)械與電子. 2016(05)
[7]基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和模糊積分融合的電網(wǎng)分區(qū)故障診斷[J]. 石東源,熊?chē)?guó)江,陳金富,李銀紅.  中國(guó)電機(jī)工程學(xué)報(bào). 2014(04)
[8]環(huán)己酮生產(chǎn)工藝過(guò)程安全性分析[J]. 郭凡,袁東明,於孝春.  化學(xué)工程與裝備. 2014(01)
[9]基于KPCA的高壓斷路器故障診斷[J]. 王逸萍,梅軍,鄭建勇,陳厚源,戴永正,顧宇鋒.  電測(cè)與儀表. 2013(08)
[10]環(huán)己醇和環(huán)己酮生產(chǎn)現(xiàn)狀概述[J]. 王晨.  山西化工. 2013(02)



本文編號(hào)：3503125