检索结果-南通市图书馆

化工学报 2018年第7期69卷 3083-3091页

作者：施方迤汪子扬梁军浙江大学工业控制研究所工业控制技术国家重点实验室浙江杭州310027

针对工业过程故障识别的需要和实际工业数据小比例有标签、大比例无标签的特点,研究了基于深度学习的半监督故障分类方法。在半监督阶梯网络的基础上,通过对网络结构和损失函数的改进,提出了半监督密集阶梯网络算法。该算法改进了原始... 详细信息

针对工业过程故障识别的需要和实际工业数据小比例有标签、大比例无标签的特点,研究了基于深度学习的半监督故障分类方法。在半监督阶梯网络的基础上,通过对网络结构和损失函数的改进,提出了半监督密集阶梯网络算法。该算法改进了原始的网络结构,添加了各层之间的密集连接,尝试最大化阶梯网络内部的数据信息流,使得各编码解码层之间的特征得以传递和复用。针对损失函数的特点,添加了无噪声编码层的预测输出损失,确保训练目标与模型输出一致。实验结果证明了所提出的新方法能在工业过程的小比例有标签数据情况下,获得理想的分类效果。

关键词：半监督学习阶梯网络密集连接工业故障分类算法神经网络优化自编码器

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于堆叠自编码器的化工过程故障分类方法研究

基于堆叠自编码器的化工过程故障分类方法研究

引用

作者： Adil Masud Aman 中南大学

学位级别：硕士

如今技术现代化正在逐渐改变化工企业的制造和分销产品模式,制造商正在将物联网、云计算、人工智能和机器学习等新一代信息技术集成到企业的工业设备和整个生产过程中。现有的智能工厂已经配有先进的传感器、嵌入式软件和机器人技术等,... 详细信息

如今技术现代化正在逐渐改变化工企业的制造和分销产品模式,制造商正在将物联网、云计算、人工智能和机器学习等新一代信息技术集成到企业的工业设备和整个生产过程中。现有的智能工厂已经配有先进的传感器、嵌入式软件和机器人技术等,可以利用他们收集生产过程中大量的数据并对其分享进而做出更好的决策。利用生产运营的数据与大数据分析和机器学习方法相结合,从过去收集的信息中提取有效的特征,进而创造更高的价值。这些先进的数字技术已经被迅速地用于提高目前工业过程的自动化、预测性维护和流程优化等水平,最重要的是,将企业效率和对客户的响应提高到了前所未有的新水平。此外,从中受益的还包括工业过程的故障检测和分类任务等,这些也是现代工厂安全运行的关键要素。故障诊断系统需要在设备运行过程中对其运行状态进行监控,并通过智能算法来识别整个过程的运行状态。这也是一种释放人类劳动并自动识别机器健康状态的潜在方式,因此在过去的二十年中备受关注。为了实现故障智能检测和分类,工业过程产生的数据需要利用机器学习/深度学习算法深入分析,并挖掘出重要的故障相关模式和特征。由于工业过程数据通常具有强相关性、高复杂性和非线性等特点,因此故障分类需要有效的深度学习模型。深度学习理论在复杂的数据处理领域展示了其强大的力量。最近的研究表明,基于堆叠自编码器(Stacked autoencoder,SAE)的深度学习模型可以从复杂的过程数据中学习深度抽象特征。然而,由于传统的SAE在预训练阶段仅仅进行了无监督的自我重建,无法从输入数据中提取出有利于故障分类的深层故障相关特征。因此,为了克服传统SAE深度学习模型的缺点,本研究的重点是开发用于工业过程数据分析的改进深度特征提取方法和有效的工业过程故障分类算法。本文首先描述了构成本研究基础的重要问题、概念和先验知识。由于本研究的目标是开发基于深度学习的特征提取和故障分类方法,因此文中对深度学习进行了全面总结。考虑到新模型开发中采用的基础模型是传统的堆叠自编码器(SAE),因此,也对该模型进行了详细的解释。此外,文中还对基于深度学习的故障分类思想以及评估深度学习模型的故障分类准确性的方法进行相应的描述。另外,由于本文的研究旨在对工业过程进行故障分类,因此需要在工业过程数据集上验证所开发的方法。本研究中考虑的两个数据集来自田纳西-伊士曼(Tennessee-Eastman,TE)基准过程和现实世界的工业加氢裂化过程。为了充分了解两个过程的原理和相应的故障描述,文中也对这些信息进行了详细的解释。本人的具体研究内容如下:首先,正如我们所知,工业过程会产生时间序列数据,并且由于时间序列中的数据点是在相邻时间段收集的,因此观测值之间存在相关性,使用过程变量的自相关研究可以了解过程数据中存在的这些相关性。自相关是时间序列中不同点的两个观测值之间的相关性。例如,由间隔分隔的值可能具有很强的正相关或负相关。当存在这些相关性时,它们表明过去的值会影响当前值。本研究利用自相关函数图揭示短时间内的数据样本呈现强相关性,其中包含过程时间序列动态的有价值信息,这也为动态数据增强过程中使用的活动时间框架长度的选择提供了思路。因此,应将这些动态特性纳入故障分类模型以提高其性能。为了适应工业过程数据的时间序列动态特性,将主动时间框架技术引入SAE模型以处理和增强输入的过程数据。记录的过程数据通过一定长度的时间框架传递,该框架捕获该时间段的数据值,并将其作为一个数据样本来研究指定时间段内的数据流。以这种方式对记录样本和标签的数据集进行预处理以创建动态训练数据集。该技术通过生成增强的动态数据样本来突出动态过程特征。以这种方式使得过程数据会提取到动态特征进而增加数据特征信息的完整性,这有助于深度学习模型更好地理解过程数据。从模型架构的角度来看,动态输入数据具有较大的输入层维度大小,相对于较小的输入层维度,这可以允许隐藏层的网络层数更大并具有更好的调整空间,有助于根据工业过程的复杂性挑选正确的模型架构。利用所提方法在TE基准过程和实际工业加氢裂化过程的实验结果表明故障分类性能有所提高。主要是因为动态数据增强可以为模型提供过程随时间进展的有用信息,并且故障模式更加明显,该模型更清楚地学习了这些信息,并利用它来有效地区分来自不同故障类别的数据样本。其次,由于任何模型的性能主要取决于它可以从输入数据中提取特征的质量,因此本文为SAE模型制定了一种新的特征提取方法。一种有效的特征提取方法可以带来诸如降低过拟合风险、提高准确性、更快的训练和改进数据可视化等优点。因此,本研究制定的深度特征提取方法旨在从工业过程数据集中挖掘出大量的有价值信息,以利于分类器区分来自不同故障类型的数据样本。为此,为了改进SAE的特征提取方法,开发了一种关系间马氏(Inter-Relational Mahalanobis,I

关键词：工业故障分类堆叠自编码器半监督学习深度学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：