掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
基于工業大數據分析的故障診斷方法及應用 版權信息
- ISBN：9787030747402
- 條形碼：9787030747402 ; 978-7-03-074740-2
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
基于工業大數據分析的故障診斷方法及應用 內容簡介
智能自動化系統各部分的耦合程度較高，很難甚至無法建立起準確的系統機理模型，從而無法保證基于模型的故障診斷方法的有效性。一旦發生未被及時診斷出的故障可能導致機毀人亡的災難性事故。基于工業大數據分析的故障診斷方法基于數據特征抽取技術建立數據模型并進行故障診斷，有效解決"數據豐富、信息匱乏"問題。本書以提高對系統監控性能為目的，以能獲得的自動化系統運行狀態數據為基礎，利用相應的大數據分析理論并結合工程實際，分別建立了統計特征抽取的故障診斷方法、知識導引的統計特征抽取故障診斷方法和基于深度學習的故障診斷方法，從系統異常檢測、元部件故障診斷、系統剩余壽命預測三個層面研究系統異常監控方法和應用，進一步發展和完善數據驅動的異常監控體系。
基于工業大數據分析的故障診斷方法及應用 目錄
目錄
前言
第1章 緒論 1
1.1 引言 1
1.2 故障診斷的研究內容及方法分類 3
1.2.1 故障診斷的研究內容 3
1.2.2 故障診斷方法分類 3
1.3 數據驅動的故障診斷方法綜述 5
1.3.1 故障診斷的專家系統法 6
1.3.2 基于定性趨勢分析的故障診斷 6
1.3.3 基于盲信號分離的故障診斷 6
1.3.4 基于統計分析的故障診斷 6
1.3.5 改進的PCA方法 9
1.3.6 基于指定元分析的方法 10
1.4 基于深度學習的故障診斷方法 11
1.4.1 基于淺層學習的故障診斷方法 11
1.4.2 深度學習的模型分類 12
1.4.3 基于深度學習的智能故障診斷研究現狀 13
1.5 非均衡數據深度學習故障診斷研究現狀 17
1.6 本章小結 18
參考文獻 19
第2章 基礎知識 27
2.1 引言 27
2.2 主元分析 27
2.3 指定元分析 30
2.4 小波濾波技術 31
2.5 反向傳播神經網絡 32
2.6 深層神經網絡 33
2.7 卷積神經網絡 37
2.8 生成對抗網絡 39
2.9 本章小結 40
參考文獻 40
第3章 基于統計特征提取的故障檢測方法 42
3.1 擬多尺度主元分析理論及故障檢測應用 42
3.1.1 故障的多尺度特性分析 42
3.1.2 擬多尺度主元分析 44
3.1.3 擬多尺度主元分析的檢測能力分析 51
3.1.4 擬MSRPCA故障檢測方法 54
3.1.5 擬MSRPCA仿真實驗和分析 57
3.2 基于微分特征抽取的分層PCA動態故障檢測 60
3.2.1 基于PCA的動態故障檢測 61
3.2.2 基于微分特征抽取的分層PCA故障檢測方法 62
3.2.3 仿真和案例分析 64
3.3 本章小結 72
參考文獻 73
第4章 知識導引的統計特征抽取和故障診斷方法 74
4.1 非正交指定模式逐步DCA多故障診斷 74
4.1.1 主元分析的模式復合效應 74
4.1.2 主元分析的有關結論 75
4.1.3 DCA的空間投影框架 77
4.1.4 逐步DCA多故障診斷方法 83
4.1.5 指定模式的定義 88
4.1.6 仿真研究 91
4.2 微小與未知故障診斷 96
4.2.1 基于DCA的多級微小故障診斷 97
4.2.2 未知故障診斷 108
4.3 船舶主機故障診斷應用 117
4.3.1 船舶主柴油機故障診斷概述 117
4.3.2 研究對象 119
4.3.3 故障實驗環境 126
4.3.4 船舶主柴油機故障診斷 127
4.4 本章小結 134
參考文獻 135
第5章 基于深度學習的頻率類故障診斷 136
5.1 引言 136
5.2 頻率類故障分析 136
5.3 基于深層神經網絡的頻率類故障診斷 138
5.3.1 頻率類故障特征抽取 138
5.3.2 微分幾何特征融合 140
5.3.3 頻率類故障的在線診斷 140
5.4 實驗與分析 144
5.4.1 仿真數據驗證和分析 144
5.4.2 案例研究和分析 148
5.5 本章小結 153
參考文獻 153
第6章 基于多源異構數據融合的深度學習故障診斷 154
6.1 引言 154
6.2 基于數據級融合的深度學習故障診斷 155
6.2.1 監測中心屏幕截圖數據集構建 155
6.2.2 基于數據級融合的深度學習故障診斷 156
6.2.3 實驗與分析 161
6.3 基于特征級融合的深度學習故障診斷 172
6.3.1 基于交替優化的深層特征融合方法 172
6.3.2 基于特征級融合的深度學習故障診斷 176
6.3.3 實驗與分析 179
6.4 本章小結 189
參考文獻 189
第7章 基于分級深層神經網絡的多模態故障診斷 190
7.1 引言 190
7.2 基于深層神經網絡的故障診斷 190
7.3 基于分級深層神經網絡的多模態故障診斷 191
7.4 實驗與分析 196
7.4.1 實驗平臺 196
7.4.2 數據描述 196
7.4.3 故障診斷結果 198
7.5 本章小結 208
參考文獻 208
第8章 基于全局優化GAN的非均衡數據故障診斷方法 209
8.1 引言 209
8.2 基于全局優化GAN的非均衡數據故障診斷 209
8.2.1 生成器設計 210
8.2.2 判別器設計 211
8.2.3 交替訓練機制 212
8.3 實驗與分析 216
8.3.1 數據描述與處理 216
8.3.2 實驗結果分析 216
8.4 TE過程數據實驗分析 222
8.4.1 數據描述 223
8.4.2 實驗結果分析 222
8.5 本章小結 229
前言
第1章 緒論 1
1.1 引言 1
1.2 故障診斷的研究內容及方法分類 3
1.2.1 故障診斷的研究內容 3
1.2.2 故障診斷方法分類 3
1.3 數據驅動的故障診斷方法綜述 5
1.3.1 故障診斷的專家系統法 6
1.3.2 基于定性趨勢分析的故障診斷 6
1.3.3 基于盲信號分離的故障診斷 6
1.3.4 基于統計分析的故障診斷 6
1.3.5 改進的PCA方法 9
1.3.6 基于指定元分析的方法 10
1.4 基于深度學習的故障診斷方法 11
1.4.1 基于淺層學習的故障診斷方法 11
1.4.2 深度學習的模型分類 12
1.4.3 基于深度學習的智能故障診斷研究現狀 13
1.5 非均衡數據深度學習故障診斷研究現狀 17
1.6 本章小結 18
參考文獻 19
第2章 基礎知識 27
2.1 引言 27
2.2 主元分析 27
2.3 指定元分析 30
2.4 小波濾波技術 31
2.5 反向傳播神經網絡 32
2.6 深層神經網絡 33
2.7 卷積神經網絡 37
2.8 生成對抗網絡 39
2.9 本章小結 40
參考文獻 40
第3章 基于統計特征提取的故障檢測方法 42
3.1 擬多尺度主元分析理論及故障檢測應用 42
3.1.1 故障的多尺度特性分析 42
3.1.2 擬多尺度主元分析 44
3.1.3 擬多尺度主元分析的檢測能力分析 51
3.1.4 擬MSRPCA故障檢測方法 54
3.1.5 擬MSRPCA仿真實驗和分析 57
3.2 基于微分特征抽取的分層PCA動態故障檢測 60
3.2.1 基于PCA的動態故障檢測 61
3.2.2 基于微分特征抽取的分層PCA故障檢測方法 62
3.2.3 仿真和案例分析 64
3.3 本章小結 72
參考文獻 73
第4章 知識導引的統計特征抽取和故障診斷方法 74
4.1 非正交指定模式逐步DCA多故障診斷 74
4.1.1 主元分析的模式復合效應 74
4.1.2 主元分析的有關結論 75
4.1.3 DCA的空間投影框架 77
4.1.4 逐步DCA多故障診斷方法 83
4.1.5 指定模式的定義 88
4.1.6 仿真研究 91
4.2 微小與未知故障診斷 96
4.2.1 基于DCA的多級微小故障診斷 97
4.2.2 未知故障診斷 108
4.3 船舶主機故障診斷應用 117
4.3.1 船舶主柴油機故障診斷概述 117
4.3.2 研究對象 119
4.3.3 故障實驗環境 126
4.3.4 船舶主柴油機故障診斷 127
4.4 本章小結 134
參考文獻 135
第5章 基于深度學習的頻率類故障診斷 136
5.1 引言 136
5.2 頻率類故障分析 136
5.3 基于深層神經網絡的頻率類故障診斷 138
5.3.1 頻率類故障特征抽取 138
5.3.2 微分幾何特征融合 140
5.3.3 頻率類故障的在線診斷 140
5.4 實驗與分析 144
5.4.1 仿真數據驗證和分析 144
5.4.2 案例研究和分析 148
5.5 本章小結 153
參考文獻 153
第6章 基于多源異構數據融合的深度學習故障診斷 154
6.1 引言 154
6.2 基于數據級融合的深度學習故障診斷 155
6.2.1 監測中心屏幕截圖數據集構建 155
6.2.2 基于數據級融合的深度學習故障診斷 156
6.2.3 實驗與分析 161
6.3 基于特征級融合的深度學習故障診斷 172
6.3.1 基于交替優化的深層特征融合方法 172
6.3.2 基于特征級融合的深度學習故障診斷 176
6.3.3 實驗與分析 179
6.4 本章小結 189
參考文獻 189
第7章 基于分級深層神經網絡的多模態故障診斷 190
7.1 引言 190
7.2 基于深層神經網絡的故障診斷 190
7.3 基于分級深層神經網絡的多模態故障診斷 191
7.4 實驗與分析 196
7.4.1 實驗平臺 196
7.4.2 數據描述 196
7.4.3 故障診斷結果 198
7.5 本章小結 208
參考文獻 208
第8章 基于全局優化GAN的非均衡數據故障診斷方法 209
8.1 引言 209
8.2 基于全局優化GAN的非均衡數據故障診斷 209
8.2.1 生成器設計 210
8.2.2 判別器設計 211
8.2.3 交替訓練機制 212
8.3 實驗與分析 216
8.3.1 數據描述與處理 216
8.3.2 實驗結果分析 216
8.4 TE過程數據實驗分析 222
8.4.1 數據描述 223
8.4.2 實驗結果分析 222
8.5 本章小結 229
展開全部
基于工業大數據分析的故障診斷方法及應用 節選
第1章緒論 1.1引言 隨著現代工業技術的迅速發展，大型自動化系統的結構越來越復雜，自動化程度越來越高，不但同一設備不同部分之間存在緊密耦合，而且不同設備之間也存在密切的聯系，在運行過程中形成一個相互影響的統一整體。通常在一處發生的故障可能引起一系列連鎖反應，若不能將其及時診斷并排除，就會導致設備，甚至整個系統不能有效正常運行，造成災難性事故[1-8]。 采用異常檢測和故障診斷技術的經濟效益是非常明顯的，英國對2000個國營工廠的調查表明，采用故障診斷技術后每年可節省維修費用3億英鎊，用于診斷的費用僅為0.5億英鎊[7]。美國Pekrul發電廠實施故障診斷技術后的經濟效益情況分析表明，故障診斷系統的收益達到投入的36倍[9，10]。我國每年用于設備維修的費用僅冶金行業就達250億元。如果推廣異常檢測和故障診斷技術，每年可減少事故50%～70%，節約維修費用10%～30%，效益相當可觀[11-13]。 故障診斷技術的使用還可以用來指導設備的狀態檢修制度。目前大型自動化系統多采用設備定期檢修制度，存在“維修過剩、維修不足”、“小病大治、無病亦治”現象。盲目維修帶來的不僅是低效與無效，還有可能是負效。在頻繁的超量維修中，尤其是進口設備維修損壞的現象時常發生[11，12]。 開展大型自動化系統的故障診斷研究，給出合理的視情檢修制度，以便發生故障的情況下能迅速判斷、處理事故，并給出靈活好用的智能化自動分析軟件，對輔助控制中心的工作人員做出正確決策，制定合理的預測維護方案具有重要的實踐指導意義。但是，故障診斷研究的理論體系還不完善，因此故障診斷的研究必須緊密結合工程實際，為故障診斷在實際中的應用打下扎實的理論基礎。 另外，故障診斷是事后維修的決策依據，無法很好地做早期預測維護。隨著工業互聯的不斷推進，工業自動化系統的規模更加龐大，結構更加復雜，即使是早期微小故障也可能在發展演化后造成巨大的財產損失和人員傷亡[14-17]。開展預知性維護研究，用視情維修代替計劃維修是保證系統安全高效經濟運行的**手段之一。這一技術的核心是微小故障早期診斷與壽命預測[18-21]。 國家“十二五”科學和技術發展規劃將重大工程健康狀態的檢測，以及診斷列為需求導向的重大科學問題。《高端裝備制造業“十二五”發展規劃》也把故障診斷與預測維護技術列為重點發展的關鍵智能基礎共性技術。《中國制造2025》提出“加快開展物聯網技術研發和應用示范，培育智能檢測、遠程診斷管理、全產業鏈追溯等工業互聯網新應用，建設一批高質量的工業大數據平臺。”把工業大數據用于智能檢測、遠程診斷是故障預測維護的全新研究方向之一。 工業互聯是智能制造的前提，工業大數據是工業互聯的產物。山西鋼鐵集團的熱軋鋼板生產線安裝有300多個測點，每分鐘采集約3GB的監測數據。三一重工遠程監測系統對上百種10萬多臺工程裝備進行在線監測，每臺工程裝備鋪設246個測量點，目前該系統累積數據量超過1000億條，每天以1000萬條的速度增長。北京化工大學高金吉團隊開發的遠程監測系統有29家企業使用，監測機組總數達1149臺，總監測點數多達18552個，單位時間數據量達到1.52TB。這些數據可以記錄不同設備在不同工況下的海量監測數據[22]。“大數據時代信息資源深藏閨中是極大浪費”，充分挖掘數據中包含的信息，建立基于深度特征抽取技術的智能故障診斷方法是保證生產過程安全高效運行的必要手段，是真正實現視情維護，進行智能決策的前提。 近年來，數據驅動的故障診斷和預測維護技術因其不需要復雜工業過程的機理模型而受到學者和工程師的關注。淺層特征抽取建立的機器學習模型或多變量統計模型不能對非顯著故障特征做精確表示。這就無法徹底達到“讓數據自己說話，讓系統自動從數據中學習并發現或者領悟具體特征”的目的，從而影響數據驅動的微小故障診斷的精確性。深度學習技術通過逐層初始化能有效克服深層神經網絡（deep neural network，DNN）訓練的難題，具有優異的特征表示能力。在函數逼近理論中，觀測數據空間的基（對應空間坐標系的坐標軸）能夠唯一地表示刻畫觀測數據特征的函數，但這種表示結果并非對具備明確物理意義的故障特征的精確表示。這也是神經網絡無法很好表示微小故障特征的原因。標架（frame）是觀測數據空間中與基對應的一組集合，包含冗余信息。標架中的元素可以代表觀測空間中坐標軸之外的其他信息，而這些信息的組合可能是我們想要抽取的故障特征。深度學習（deep learning，DL）的每一層把觀測數據表示成標架中元素的組合，所以有望對微小故障特征做精確表示。深度學習鼻祖Hinton課題組的研究表明，網絡層數越多，深度學習框架對特征的逼近精度越好。本書把深度學習抽取出的特征定義為深層特征，研究基于深層特征抽取的微小故障診斷方法。基于深度學習的故障診斷研究目前大多僅限于基于單個傳感器觀測數據的離線故障分類。為實現視情維護，基于多形態感知信息的在線微小故障診斷的關鍵問題亟須解決。 深度學習是一種大數據深度特征抽取技術。深度學習模型采用故障數據量的多少、深層網絡抽取微小故障特征的方式，決定了逐層學習后再做全局參數調整的深度學習模型進行故障診斷的精度。雖然深度學習有強大的特征表示能力，但是推理決策能力不足、實時性差等問題導致現有基于深度學習的方法無法精確地進行微小故障的實時診斷。 1.2故障診斷的研究內容及方法分類 1.2.1故障診斷的研究內容 從系統的觀點來看，故障包括兩層含義：一是系統偏離正常的功能，其形成原因主要是系統不正常的工作條件引起的，若能及時對參數進行調節或修復相應零部件，則系統可恢復正常功能；二是系統功能的失效，是指系統連續偏離正常的功能，且其程度不斷加劇，使設備的基本功能不能得到保證[1，2，23，24]。 故障診斷是采用各種測量和監視方法，記錄和顯示設備運行狀態，對異常狀態做出報警，對已經發生或者可能發生的故障進行診斷和分析預報，確定故障發生的原因，從而提出維修對策，使設備恢復到正常狀態[23，24]。 從信息提取的角度看，故障診斷的過程就是在不同層次上做不同程度的特征提取，實現從觀測空間到特征空間、決策空間和分類空間的變換。這個過程稱為故障診斷的空間變換，如圖1-1所示[7]。 故障診斷技術的研究受到工程界和學術領域眾多專家的廣泛關注。實用高效的故障診斷方法要求既能進行實時故障檢測，又能完成故障模式的辨識，找出發生故障的元部件，從而為系統維護和檢修人員提供必要的指導[24]。 1.2.2故障診斷方法分類 診斷方法的研究是故障診斷技術的核心。關于故障診斷方法研究的文獻也層出不窮，從基于解析模型的方法到基于人工智能的方法、基于統計的方法等[7，24]。現有的故障診斷方法大體上可以分為3類，即基于定量模型的方法、基于定性模型的方法和基于數據驅動的方法。基于定量模型的方法包括觀測器設計法、等價空間法和擴展卡爾曼濾波（extended Kalman filter，EKF）法等。基于定性模型的方法包括有向圖法、故障樹法、定性機理分析法、抽象結構分層模型法、抽象功能分層模型法等。基于數據驅動的方法可分為定性的方法和定量的方法。定性的方法有專家系統法和定性趨勢分析法。定量的方法有基于機器學習的方法、基于統計的PCA/PLS（partial least squares，部分*小二乘）方法和基于信號處理的方法等[25-35]。圖1-2所示為故障診斷方法分類[7，8，24]。 基于EKF的故障診斷方法是一種基于狀態估計的方法。利用系統精確的數學模型和可觀測輸入/輸出構造能反映系統中潛在故障的殘差信號，該診斷方法基于對殘差信號的分析進行故障診斷[36，37]。 基于觀測器的故障診斷方法設計一組對所有擾動和特定故障解耦、對其他故障敏感的觀測器，然后通過恰當的分組設計和邏輯判斷進行故障檢測和分類[38-41]。 基于等價空間的故障診斷方法利用系統的解析數學模型建立系統輸入/輸出變量之間的等價關系。這種關系可以反映輸出變量之間靜態直接冗余和輸入/輸出變量之間動態的解析冗余。然后，通過檢驗實際系統的輸入/輸出值是否滿足該等價關系，達到檢測和分離故障的目的[42-44]。 基于模型的故障診斷利用系統內部的精確機理模型，具有很好的診斷效果。但是，這類方法依賴被診斷對象的精確機理模型，需要關于系統運行狀況信息的一些先驗知識。這些信息在有些情況下是無法得到的，或者很難建立更通用的精確模型。診斷性能的好壞在很大程度上依賴機理模型的準確程度。另外，許多實際運行的大型復雜系統可采集到豐富的在線和離線測量數據，但是這些信息并沒有被有效地利用。如何更好地控制此類系統，并對控制效果進行評價既是國民經濟發展的需求，也是智能運維領域亟待解決的挑戰性問題。數據驅動故障診斷方法的研究應運而生。 1.3數據驅動的故障診斷方法綜述 隨著分布式控制系統（distributedcontrol system，DCS）、各種智能化儀表、現場總線技術在工業控制中的廣泛應用，大量的系統狀態數據被采集并存儲下來。但是，這些包含系統運行狀態信息的數據并沒有被有效地利用，以致出現“數據豐富，信息匱乏”的現象。例如，對于一個設施良好的化工廠，測量變量可能有成百上千個，包括各種二進制設備信號、警告信息、流量、壓力、溫度等模擬信號，而操作工在同一時間只能處理幾個變量（一般是7個）[8，45]。 20世紀90年代以來，隨著計算機技術和數據庫技術的發展，廉價的計算資源和可靠的存儲技術為海量數據的分析提供了物質基礎。工業界已越來越意識到將現有的數據變為有用的信息，使之服務于系統健康管理，增加系統的可靠性，并降低維護成本的重要性。據統計，僅美國石化行業每年因異常事故造成的損失就高達2億美元[7，46]。 數據驅動的系統故障診斷研究已成為當前自動控制領域的一個研究熱點。美國等發達國家近年來已投入大量的人力和物力，加強對該領域的資助，以期望通過對觀測數據的分析來揭示、反映系統的內在變化，提高診斷能力，從而把數據資源的擁有優勢轉化為經濟效益。我國也逐漸意識到其重要性。2006年，《國家中長期科學和技術發展規劃綱要（2006－2020年）》陳述的重點領域和優先研究課題都涉及如何利用多變量數據的綜合處理結果對大型自動化系統的運行狀況進行決策。相關部門相繼把數據驅動的異常診斷研究作為重點或優先資助方向。 數據驅動的方法以采集到的過程數據為基礎，通過各種數據處理與分析方法（如多元統計分析、頻譜分析、小波分析等）挖掘數據中隱含的信息，提高系統的健康管理能力，并且數據驅動方法與具體模型的選取無關，通用性強[8，23]。 綜上，開展數據驅動的故障診斷技術研究既有理論性和挑戰性，又有很高的應用價值。研究數據驅動的故障診斷方法，解決“數據豐富，信息匱乏”問題可以進一步提高系統健康管理的性能，更好地控制包含大量測量信息的大型自動化系統。 一些控制技術公司已在他們的控制軟件中增加了統計監控模塊，如Foxboro公司的FoxSPC、Siemens公司的SIMATIC-WinCC、Honeywell的TpS等[8]。但是，該領域的理論體系并不完善，必須緊密結合工程實際，開展相應的理論研究，為數據驅動故障診斷方法的應用打下扎實的理論基礎。 1.3.1故障診斷的專家系統法 基于專家系統的故障診斷方法能夠利用專家豐富的經驗知識進行診斷，無須系統機理建模，并且診斷結果易于理解，因此得到廣泛的應用[7，25，26，47，48]。 這類方法也存在不足，如知識獲取的瓶頸問題[10，49]。專家知識的局限性和知識表述規則化的困難，造成診斷知識庫的不完備。當遇到一個沒有相關規則與之對應的新故障現象時，系統就顯得無能為力。同時，系統缺乏自學習和自
書友推薦
- >
史學評論
- >
二體千字文
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
隨園食單
- >
詩經-先民的歌唱
- >
唐代進士錄
- >
龍榆生：詞曲概論/大家小書
本類暢銷
