论文部分内容阅读
工业生产过程中的许多设备和仪器,如制造单元、化学处理模块、发电站等,很容易出现故障,影响正常生产。特别地,长期在恶劣环境下操作、动态载荷以及一些在维修过程中意料不到的变化是引起仪器故障的几个重要原因。为此,许多工厂需要在线设备仪器状态监测系统,这套系统有助于减少灾难性故障的风险,并确保安全、可靠和经济的操作。它进一步支持基于维修决策的状态监测,这有助于减少由不必要的定期维修产生的多余成本。"纵深防御"安全概念要求在任务的关键系统中保持冗余和多样性,以避免共模故障。通过在线监测识别早期故障是一种预防性的方法,有可能会较低"纵深防御"概念下任务关键系统冗余性带来的相关损失。由此可知,建立对工业系统下各种仪器设备实时状态监测和诊断的系统十分必要。在当前,数据驱动下的物理过程和仪器条件的建模是一种建立在线监测系统的普遍方法。实时故障监测以及从历史数据中学习系统模型是这种数据驱动模型的重要特点。但是,开发一个能鲁棒地应对超过操作时间情况下仪器性能改变的模型是一项非常有挑战的任务。近几年,物联网迅速发展,产生了与仪器仪表等设备性能相关的大量数据,我们可以利用有效的学习策略从这些大量的数据中挖掘我们需要的信息。近几年,深度学习方法迅速发展,在很多机器学习任务中都取得了最好的成果,比如目标识别、人脸识别、自然语言处理和机器翻译等。基于这些不同的应用领域,又发展出了许多不同的深度学习框架,深度学习方法和各色应用是相辅相成的关系。在这篇论文中,我们使用了深度学习框架对仪器设备的实时状态进行建模,便于对其进行故障检测、识别和诊断。首先,我们需要借助各种传感器来获取设备仪器数据,传感器是获取工业生产过程中仪器信息的关键基础设施之一。需要特别注意的是,我们应该首先设计出一种具有抗大扰动的传感器验证模型,从而能显著提高自动灵敏度、交叉灵敏度以及故障检测能力等指标,我们基于深度自动编码器的正则化特征来提高这些指标。本文中,我们提出了一种用于实时验证传感器的抗噪自相关传感器模型,并且在模拟环境下以及一个核电站记录的真实传感器故障记录中验证了该方法的有效性,并与相关文献中的模型进行了对比实验。同理,旋转机械,如泵、涡轮机及电机驱动器等设备也会出现机械故障,有很多研究是针对旋转机械的故障检测,比如基于振动的故障识别。但是基于振动的故障识别和分类模型对从原始振动数据中提取的特征十分敏感。我们提取了传统的振动特征用于故障识别,发现效果不理想。基于此,我们提出了一种基于卷积神经网络和叠加降噪自动编码器结合的方式来从振动数据中提取抽象特征。从测试平台上收集的基准数椐的性能实验上看,我们提出的基于卷积神经网络的特征提取方法显著提高了分类器的性能,并在很多方面超过传统的特征提取方法。