【摘 要】
：
智能制造背景下,机械设备趋于复杂庞大,海量、多源、高维度、非结构的工业数据给系统管理监测带来更大难度,设备的故障诊断与预测更显重要.传统故障诊断与预测方法难以建立准确的数据模型,在设备故障诊断预测应用方面受到很大局限,深度学习以其强大的自主学习非线性数据表示和模式识别的能力在许多领域都有重大突破,在工业设备的故障诊断与预测领域也得到广泛关注.文中对四类经典的深度学习模型:深度置信网络、卷积神经网络、自动编码器及其变体、循环神经网络的网络结构和模型思想作详细介绍,阐述并总结了这四类深度学习模型在故障诊断与预
【机 构】
：
湖南工业大学 计算机学院,湖南 株洲 412007;中南大学 自动化学院,湖南 长沙 410083;湖南工业大学 计算机学院,湖南 株洲 412007
论文部分内容阅读
智能制造背景下,机械设备趋于复杂庞大,海量、多源、高维度、非结构的工业数据给系统管理监测带来更大难度,设备的故障诊断与预测更显重要.传统故障诊断与预测方法难以建立准确的数据模型,在设备故障诊断预测应用方面受到很大局限,深度学习以其强大的自主学习非线性数据表示和模式识别的能力在许多领域都有重大突破,在工业设备的故障诊断与预测领域也得到广泛关注.文中对四类经典的深度学习模型:深度置信网络、卷积神经网络、自动编码器及其变体、循环神经网络的网络结构和模型思想作详细介绍,阐述并总结了这四类深度学习模型在故障诊断与预测领域的研究成果,讨论了基于深度学习的故障诊断与预测方法的优势与不足,对未来可能的研究方向作了展望.
其他文献
面对我国心血管疾病患病人数的不断增长,针对心血管疾病的预测,利用监护系统获得医疗数据,寻找出合适的疾病预测方法,及时发现并解决健康问题,创新性地提出一种基于概率神经网络和遗传算法的心脏病预测模型.其中,使用概率神经网络作为分类器,遗传算法进行特征选择.模型分为三个阶段:首先,采用标准的UCI数据库中心脏病数据集进行预处理;然后,提供一种基于遗传算法的包裹式特征选择方法来选择显著特征;最后,使用概率神经网络训练得到预测模型.实验结果表明,相较于其他模式识别方法,提出的模型使用更少的特征取得了更高的准确率.通
根据电力变压器特高频局部放电信号特征,文中设计一种基于FPGA+ARM架构的特高频局部放电检测仪.该架构通过利用FPGA强大的可编程能力,不仅大大减少了硬件设计的复杂度,而且还提高了整个系统运行的速度,同时在FPGA中创新性地设计了可以灵活控制VGA大小的DAC8562模块及可灵活控制滤波程度的FIR滤波器模块,为在复杂的环境中快速有效地检测出局放信号提高了保障.利用ARM芯片强大的数据处理能力对数据进行处理及多重参数的配置,从而快速准确地检测出特高频局部放电.最后,通过系统测试,文中设计的特高频局部放电
传统的射电天文观测是一项繁琐且耗时的工作,需要在换源或定标时频繁地更换本振、滤波器等模块,但是大型望远镜的观测时间非常宝贵,因此提高射电望远镜的观测效率具有重要的意义.文中提出的捷变收发方案是软件无线电领域的一种新型设计方案,通过程控可以实现本振、滤波器等参数的快速切换,还可以实现快捷灵活的射电天文观测.在FPGA中实现数字信号处理,并对信号进行FFT处理和频域叠加,其模拟前端电路可以在程控下实现滤波器带宽的改变,达到在6 GHz带宽内对0.2～56 MHz带宽任意选取,从而在较小的采样频率下实现更高的时
通过研究数字交换芯片的组成结构,将数字交换芯片进行了模块化的分割,根据技术指标,利用FPGA技术分别设计了时钟生成模块、数据发送模块、数据接收模块以及微处理器接口模块,最终根据数字交换芯片的“交换模式”与“消息模式”的工作原理对所设计的各个模块进行了组合,完成了数字交换芯片的设计.测试结果表明:基于FPGA技术设计的数字交换芯片实现了“交换模式”与“消息模式”的功能;并且达到了技术指标的要求,实现了32条母线输入和32条母线输出,每条母线输入数据速率与输出数据速率为8.192 Mb/s,通道容量为4096
传统的公交行程时间预测模型由于忽略了历史时刻中的信息,导致预测精度不理想.针对公交行程时间的时序性,提出一种基于LSTM神经网络的预测模型,并引入注意力(Attention)机制对其进行优化.首先,综合考虑多种影响因素,设计了多变量LSTM模块,将当前时刻的行程时间与历史时刻数据相关联,对其中的多维度特征进行信息提取;随后针对单一LSTM网络无法自动识别不同信息重要性的局限性,引入Attention机制,使模型聚焦重点信息、忽略冗杂信息;最后,采用实际公交GPS数据验证了该方法的有效性.实验结果表明,与五