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。     

基于模糊深度置信网络的陶瓷梭式窑PID优化控制

针对目前陶瓷梭式窑控制方法落后的情况,本文提出了一种基于模糊深度置信网络的陶瓷梭式窑PID参数优化控制方法.同时,设计了模糊深度置信网络结构模型,给出了所设计的控制器结构和相应的算法,并通过改进的LM算法来估计网络参数,从而降低样本数据训练时的存储空间和计算复杂度.该方法通过采集实时温度数据以及使用模糊深度置信网络在线...     

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。     

利用麻雀搜索算法优化深度置信网络的入侵检测研究

针对人工经验设定深度置信网络的网络结构致使其很难达到最优,进而导致深度置信网络的性能无法完全发挥的问题,提出利用麻雀搜索算法优化深度置信网络的入侵检测模型.实验结果表明:相比未优化的深度置信网络,性能有显著提升,该模型优异的性能有效提高了入侵检测识别的效率.     

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.     

基于多层交叉残差网络的轴承故障诊断方法

重型机械设备系统朝着智能化和复合化方向快速发展。开发智能故障数据采集和监控方法,可以快速、智能化地完成设备故障诊断。提出了一种基于多层残差网络的轴承智能检测模型。该模型主要包含信号采集、故障特征分离和工况分类3个模块。该模型利用多层残差神经网络交叉提取轴承信号故障,使损失函数值可以迅速降低完成故障诊断。最后在凯斯西储大学滚动轴承数据集验证,准确率高达99.86%。仿真实验结果证明本模型可以有效分辨不同轴承工况,并值得进一步开发为在线实时诊断模型。     

基于贝叶斯网络的复杂系统故障诊断的研究

由于故障树方法在复杂系统的故障诊断应用中存在较大的局限性,其很难解决复杂系统在故障诊断中表现出的事件的多态性、信息的不确定性、故障逻辑关系的不确定性等问题,本文提出了一种新型的贝叶网络方法可以较好的解决这些问题。文中以酸洗线的风机系统的故障诊断为例,验证了这种新型方法的有效性。     

基于SDG模型的控制系统故障诊断方法

利用深层定性知识模型、符号有向图模型,对生产流程中常见的单回路和串级控制系统进行了建模与故障诊断研究。提出基于假设-验证的双向推理算法,解决了传统的故障诊断方法从未涉及复杂系统中的多个控制回路对系统故障存在的屏蔽作用的问题。通过对某厂常压蒸馏装置进行基于SDG模型的故障诊断,验证了基于SDG模型的故障诊断方法应用在包含多个控制回路的复杂系统故障诊断时的有效性与可行性。     

空压机在线分析系统的应用

本文对高压站离心式空气压缩机在线分析系统进行了详细论述,介绍了系统的结构及其主要功能,同时举出了使用该系统后进行故障诊断的一个实例。现场应用表明,该系统技术先进、性能可靠、使用方便,为提高大型设备的运行管理以及为建立科学的设备诊断方式提供了重要的技术手段。     

DH型空压机异常振动故障诊断

结合历次检修及运行记录，利用频谱分析方法对DH型空气压缩机的异常振动进行分析，判定出产生振动异常的原因为级间冷却器的锈蚀物冲刷至叶轮流道上造成不平衡。为保证全厂的连续生产，压缩机继续运行，待下次系统大修进行处理。     

Research on TE process fault diagnosis method based on DBN and dropout

In recent years, deep learning has shown outstanding performance and potential in pattern recognition and feature extraction, which has attracted an increasing amount of attention from engineering researchers and academics. Fault diagnosis methods based on deep learning have also become the focus of a significant amount of research. In this paper, a nonlinear process fault diagnosis and identification method based on DBN-dropout is proposed. The deep belief network (DBN) has significant advantages in dealing with nonlinear processes, and it can extract the abstract representation of nonlinear process data to build a deep network to achieve the real-time monitoring of process operations. Dropout technology can reduce overfitting and improve the generalization ability of the model. Afterwards, the Tennessee Eastman (TE) process is employed to analyze the performance of the proposed approach.     

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。     

基于改进集合经验模态分解和深度信念网络的出水总磷预测

出水总磷的准确预测对于城市污水处理厂的高效、稳定的运行至关重要。文中针对城市污水处理过程中出水总磷难以预测的问题,提出一种基于改进集合经验模态分解（modified ensemble empirical mode decomposition, MEEMD）和深度信念网络（deep belief network, DBN）的出水总磷预测方法。首先,设计一种MEEMD算法对城市污水处理过程出水总磷数据信号进行分解,获取多个本征模态函数（intrinsic mode function, IMF）组合;然后,建立一种基于模拟退火（simulated annealing, SA）算法的深度信念网络预测模型,通过优化的模型结构对分解后得到的每个IMF分量进行有效预测;最后,通过大气CO₂浓度预测和城市污水处理出水总磷预测验证了所提出方法的有效性。     

Chemical process fault diagnosis based on a combined deep learning method

The study on fault detection and diagnosis (FDD) of chemical processes has always been the top priority of the chemical process safety. In this paper, a fault diagnosis method combining the deep convolutional with the recurrent neural network (DCRNN) is proposed. In this method, the data from chemical processes are input to the deep convolutional neural network (DCNN) to extract features in spatial domains, and then, the features are fused into the bidirectional recurrent neural network (BRNN). Due to the powerful capabilities of DCNN to extract features in spatial domains and the sensitivity to time series of RNN, the combined method can adaptively learn the dynamic information of the raw data in both spatial and temporal domains and has unique advantages in multivariate chemical processes. The application of the DCRNN model in the Tennessee Eastman (TE) process demonstrates the high accuracy of this proposal in identifying abnormal conditions for the chemical process, compared with the traditional fault identification algorithms of deep learning.     

Refinery scheduling with varying crude: A deep belief network classification and multimodel approach

In model‐based refinery scheduling, the varying composition of the crude being refined is a major challenge, especially for those reaction processes. A classification based, multimodel approach is proposed to handle the frequently varying crude. The idea is to build a scheduling model for each type of feed crude, and the type can be determined using an online classifier. The recently emerged deep belief network is introduced to develop the classifier, which provides more accurate classification than the traditional neural network. The proposed method is demonstrated through modeling a fluidized catalytic cracking unit (the mostly affected by varying crude), and then the scheduling of a refinery that was carefully simulated to mimic the actual operation of a refinery in northern China. The results reveal that the multimodel approach is effective in handling varying crude. © 2014 American Institute of Chemical Engineers AIChE J, 60: 2525–2532, 2014     

基于多块信息提取的PCA故障诊断方法

传统的监控方法往往只利用传感器观测值信息进行过程的故障监测，而忽略了原始数据中包含的其他有效信息。为此，提出一种基于多块信息提取的PCA故障监测算法。首先，对过程变量的累计误差和变化率信息进行定义，从而能够从数据中提取新的特征信息，并基于每种特征将过程划分为3个子块；然后，利用PCA方法对每个子块进行建模与监测，通过贝叶斯方法对监测结果进行融合；最后，提出一种基于加权贡献图的故障诊断方法，分离出引发故障的源变量。通过数值例子与田纳西-伊斯曼（TE）过程监控中的应用证明了所提方法的有效性与可行性。