基于深度置信网络的炼化空压机故障诊断方法

针对炼化空压机故障诊断中故障机理复杂、先验知识欠缺，且传统浅层神经网络诊断精度不高等问题，结合深度置信网络（DBN）在特征提取和处理非线性数据等方面的优势，提出一种基于DBN的炼化空压机故障诊断方法。该方法利用空压机状态监测实测数据，实现训练网络的无监督特征学习和有监督微调，构建空压机故障的深层网络模型，从而实现对空压机故障类型的有效智能诊断。为评估该方法的有效性，与传统的故障诊断方法进行了比较研究，结果表明，该方法的诊断精度优于传统的故障诊断方法，且稳定性更好。     

基于VAE-DBN的故障分类方法在化工过程中的应用

针对化工过程高维数据的故障特征难以提取的难题,提出变分自动编码器(VAE)结合深度置信网络(DBN)的混合故障诊断方法. 在VAE的编码部分对隐变量空间Z添加约束,通过重参数化方法进行反向传播训练,可无监督地学习不同故障对应的隐变量特征,其作为DBN分类模型的输入特征训练网络,输入测试集进行故障诊断. 田纳西伊斯曼流程(TE)应用结果表明,VAE能提取原始数据更加抽象有效的特征,VAE?DBN分类准确.     

基于粗糙集与人工神经网络的烟气机故障诊断

提出了一种粗糙集理论与神经网络集成的烟气机故障诊断方法。首先应用SOM网络对故障诊断数据中的连续属性进行离散化,然后根据粗糙集理论,借助遗传算法进行故障诊断决策系统约简,获得最优决策系统。最后在最优决策系统的基础上,设计RBF神经网络对烟气机故障进行诊断。试验结果显示,该方法可以有效提高烟气机故障诊断的精度和效率。     

改进的LVQ神经网络在风机故障诊断中的应用

提出一种改进的LVQ神经网络的风机故障诊断新方法。利用风机振动频域的特征向量作为学习样本,建立与风机故障类型的映射关系。将能量特征输入改进的LVQ神经网络进行网络训练与检测,以实现风机的故障识别。经比较,其性能优于BP网络和遗传网络,诊断正确率高达96%以上。通过仿真实验和风机的故障诊断实例表明:该网络提高了收敛速度及诊断精度,有效地抑制网络陷于局部极小,更适合风机等较复杂分类问题的故障诊断。     

基于改进KFDA与DE优化SOM的故障诊断模型及其化工过程诊断

针对化工过程故障诊断数据存在高维度、故障特征不易区分、自组织映射（self-organizing map,SOM）网络易陷入局部最优等问题,提出了一种基于改进核Fisher判别分析（kernel Fisher discriminant analysis,KFDA）与差分进化算法（differential evolution,DE）优化SOM神经网络相结合的故障诊断方法。该方法首先利用欧氏距离对类间距进行加权处理,以避免因类间距离过大造成投影后的数据存在重叠的问题,使故障数据样本获得较好的投影效果,优化分类性能;然后,利用DE算法对SOM神经网络的权值向量进行动态调整,有效避免了由于“死神经元”的出现陷入局部最优的问题;最后,通过对田纳西-伊斯曼（tennessee-eastman,TE）过程和对二甲苯（paraxylene,PX）歧化工艺过程的故障数据进行诊断测试。结果表明,与传统SOM网络相比,提出的KFDA-DE-SOM算法具有较高的分类诊断精度,可有效应用于化工过程的故障诊断。     

基于PLSR自适应深度信念网络的出水总磷预测

针对污水处理过程出水总磷预测问题存在的强非线性、大时变等特征,提出了一种基于偏最小二乘回归自适应深度信念网络(partial least square regression adaptive deep belief network,PLSR-ADBN)的出水总磷预测方法。PLSR-ADBN是基于深度学习模型DBN的一种改进型建模方法。首先,将自适应学习率引入到DBN的无监督预训练(pre-training)阶段,来提高网络收敛速度。其次,利用PLSR方法取代传统DBN中基于梯度的逐层权值精调(fine-tuning)方法,来提高网络预测精度。同时,通过构造李雅普诺夫函数证明了PLSR-ADBN学习过程的收敛性。最后,将PLSR-ADBN用于实际污水处理过程出水总磷预测中。实验结果表明所提出的PLSR-ADBN收敛速度快且预测精度高,能够满足实际污水处理过程对出水总磷监测精度和运行效率的要求。     

基于PLSR自适应深度信念网络的出水总磷预测

针对污水处理过程出水总磷预测问题存在的强非线性、大时变等特征,提出了一种基于偏最小二乘回归自适应深度信念网络（partial least square regression adaptive deep belief network,PLSR-ADBN）的出水总磷预测方法。PLSR-ADBN是基于深度学习模型DBN的一种改进型建模方法。首先,将自适应学习率引入到DBN的无监督预训练（pre-training）阶段,来提高网络收敛速度。其次,利用PLSR方法取代传统DBN中基于梯度的逐层权值精调（fine-tuning）方法,来提高网络预测精度。同时,通过构造李雅普诺夫函数证明了PLSR-ADBN学习过程的收敛性。最后,将PLSR-ADBN用于实际污水处理过程出水总磷预测中。实验结果表明所提出的PLSR-ADBN收敛速度快且预测精度高,能够满足实际污水处理过程对出水总磷监测精度和运行效率的要求。     

深度神经网络稀疏化压缩感知的研究

针对起重设备金属结构传统故障诊断方法准确率低、网络性能不稳定等缺点,提出基于深度神经网络和压缩感知理论的故障诊断方法,通过构建深度神经模型,对它在运行过程中的振动数据信号进行分析,可有效应用于起重设备的疲劳失效、损坏等故障检测。该方法避免了一般神经网络依靠经验确定网络结构的困难,具有更高的稳定性,且训练时间大幅缩短,明显优于传统的神经网络诊断方法。     

基于ASP语言与故障树技术的阳极保护故障诊断系统的研发

介绍了网络环境下阳极保护设备故障诊断系统的总体结构及关键技术,并提出采用故障树分析技术和基于ASP语言相结合的故障诊断方法.该故障诊断系统包含数据诊断、故障查询及浏览3个模块,便于用户自主选择模块进行故障诊断、排除.该系统可有效提高阳极保护设备的管理及维护水平,有良好的经济效益.     

基于深度残差网络的化工过程故障诊断

本工作提出了一种基于深度残差网络(DRN)的化工过程故障诊断方法，可从大量化工过程运行数据中自动提取故障特征。模型采用快捷连接缓解传统深度神经网络训练困难的问题，且使用批归一化(BN)方法，可有效缓解梯度消失/爆炸的问题。以田纳西?伊斯曼(TE)过程为实验对象对所提方法进行诊断性能评价实验，并与以往的基于传统深度学习模型的TE过程故障诊断方法进行对比，进一步探究了模型层数、BN技术和残差结构对故障诊断率的影响，最后，通过t分布随机邻域嵌入(t-SNE)方法对网络部分层的输出进行可视化。结果表明，模型对21种工况取得了94%的平均故障诊断率和0.30%的平均假阳率，表现出更加卓越的诊断性能。输出层的二维散点图显示了清晰的聚类，表明所提出的DRN模型能够对故障进行准确诊断。     

液压设备故障的快速诊断与排除

先进的设备管理方法是实现液压设备故障快速诊断与排除的前提。笔者在传统液压故障诊断理论的基础上 ,提出了实用性较强的故障诊断工艺方法。这些方法简单直观 ,易于操作 ,在一定程度上实现了液压设备故障的快速诊断     

机械设备安装调试中远程故障诊断及维护

远程故障诊断技术就是通过设备故障诊断技术与计算机网络技术相结合,在施工机械设备上建立状态监测点,采集设备状态数据;而在技术力量较强的科研单位建立诊断中心,对设备运行进行分析诊断的一项新技术。它的诊断与维护的实现可使机械设备的故障诊断更加灵活方便,也能实现资源共享。     

液压设备故障的快速诊断与排除

先进的设备管理方法是实现液压设备故障快速诊断与排除的前提。笔者在传统液压故障诊断理论的基础上，提出了实用性较强的故障诊断工艺方法。这些方法简单直观，易于操作，在一定程度上实现了液压设备故障的快速诊断。     

基于中心损失的条件生成式对抗网络的冷水机组故障诊断

针对冷水机组产生的故障数据不足,数据集中正常数据和故障数据数量不平衡,进而导致故障诊断精度下降的问题,提出一种基于中心损失的条件生成式对抗网络(central loss conditional generative adversarial network,CLCGAN)和支持向量机(support vector machine,SVM)的故障诊断方法。首先,CLCGAN利用少量真实故障数据生成新的故障数据;然后,将生成的故障数据与初始数据集混合,使正常数据与故障数据的数量达到平衡;最后,利用平衡数据集构建SVM模型进行故障诊断。在GAN生成冷水机组故障数据时,构建动态中心损失项并加入到目标函数中,利用动态的中心损失减少冷水机组生成的各种故障数据的类内距离,从而降低各个故障生成数据之间的重叠程度,增加生成数据的可靠性。在生成故障数据之前配置相应的故障标签,并输入到CLCGAN中指导数据生成过程,使生成的故障数据可以均衡地分布于各个故障类别。在ASHRAE 1043-RP数据集上对所提方法进行了验证,结果表明,相较于其他解决数据不平衡问题的故障诊断方法,所提方法具有更高的故障诊断准确率。     

基于稀疏局部嵌入深度卷积网络的冷水机组故障诊断方法

针对于冷水机组提出一种基于稀疏局部嵌入深度卷积网络（sparsely local embedding network,SLENet）的故障诊断方法。采用稀疏局部嵌入方法代替卷积核,对输入数据进行特征选择,避免了复杂的训练和调参过程。另外采用空间金字塔最大池化作为网络的输出层,减少了网络的输出维数和分类器的计算量。针对美国采暖、制冷与空调工程师学会提供的冷水机组的典型故障数据进行分类,结果表明,该方法相比深度卷积网络（CNN）和支持向量机（SVM）方法具有更高的故障诊断精度。     

基于中心损失的条件生成式对抗网络的冷水机组故障诊断

针对冷水机组产生的故障数据不足,数据集中正常数据和故障数据数量不平衡,进而导致故障诊断精度下降的问题,提出一种基于中心损失的条件生成式对抗网络(central loss conditional generative adversarial network,CLCGAN)和支持向量机(support vector machine,SVM)的故障诊断方法。首先,CLCGAN利用少量真实故障数据生成新的故障数据;然后,将生成的故障数据与初始数据集混合,使正常数据与故障数据的数量达到平衡;最后,利用平衡数据集构建SVM模型进行故障诊断。在GAN生成冷水机组故障数据时,构建动态中心损失项并加入到目标函数中,利用动态的中心损失减少冷水机组生成的各种故障数据的类内距离,从而降低各个故障生成数据之间的重叠程度,增加生成数据的可靠性。在生成故障数据之前配置相应的故障标签,并输入到CLCGAN中指导数据生成过程,使生成的故障数据可以均衡地分布于各个故障类别。在ASHRAE 1043-RP数据集上对所提方法进行了验证,结果表明,相较于其他解决数据不平衡问题的故障诊断方法,所提方法具有更高的故障诊断准确率。     

一种化工过程故障诊断知识自动化方法研究

化工过程的故障诊断是典型的知识型工作,主要以人工决策方式完成,具有主观性和不一致性。此外,知识经验的学习、积累和传承也比较困难。今提出了化工过程故障诊断的知识自动化方法,以生产过程的"数据"与"信息"知识为基础,融合多种定性定量的故障监测与诊断算法,通过知识获取与融合、故障感知与识别、故障诊断与决策三个层次对故障进行监测诊断,并以专家知识库为载体进行经验的传承。工业试验表明,该方法实现了故障诊断知识的自动化,具有很好的可行性。     

基于稀疏局部嵌入深度卷积网络的冷水机组故障诊断方法

针对于冷水机组提出一种基于稀疏局部嵌入深度卷积网络(sparsely local embedding network,SLENet)的故障诊断方法。采用稀疏局部嵌入方法代替卷积核,对输入数据进行特征选择,避免了复杂的训练和调参过程。另外采用空间金字塔最大池化作为网络的输出层,减少了网络的输出维数和分类器的计算量。针对美国采暖、制冷与空调工程师学会提供的冷水机组的典型故障数据进行分类,结果表明,该方法相比深度卷积网络(CNN)和支持向量机(SVM)方法具有更高的故障诊断精度。     

基于主元分析的FPSO故障检测与诊断

应用基于主元分析的故障诊断方法对浮式油轮生产储油卸油系统(FPSO)进行故障检测与诊断研究.选取FPSO油气水分离系统的18个主要过程监控变量为研究对象,通过对系统历史数据进行预处理分析,建立主元模型;利用主元模型对仿真实时数据进行故障检测,应用SPE统计法和Hotelling统计法判断系统是否发生故障;使用贡献图法实现故障分离.研究结果表明:基于主元分析的故障诊断方法可以准确地对FPSO生产过程的早期故障进行检测和诊断;且对于系统的细小扰动,动态主元分析法的故障诊断能力优于主元分析法.     

基于D-S证据理论的直接空冷凝汽器故障诊断方法研究

提出一种基于Elman神经网络和RBF神经网络通过D-S证据理论融合的故障诊断方法,把该方法应用在直接空冷凝汽器的故障诊断中。首先对故障进行神经网络初步诊断,得到属于不同故障状态的隶属度,然后采用D-S证据理论融合的方法进行决策诊断,得到最终结果。研究了直接空冷凝汽器的故障特征提取、样本选择、诊断系统结构和学习算法,并通过诊断实例阐述了该方法的具体实现过程,验证了所提方法的可行性,结果表明:该方法适用于直接空冷凝汽器故障诊断,故障定位准确率高。