基于改进残差收缩网络的不平衡时序数据故障诊断方法研究
现代化工过程复杂度日益提高，为保证设备的正常运行需要对大量的过程数据进行监测并记录，大量数据的产生促使了以数据驱动为基础的故障诊断技术发展，但是当前化工过程故障诊断方法中仍存在部分不足，比如，某些故障类别之间特征差异小，难以区分;数据不平衡条件下故障诊断效果差。因此，本文针对以上化工过程故障诊断中存在的问题展了以下研究工作: （1）化工过程中的故障种类众多，部分故障之间的特征差别较小，传统的故障诊断模型不能很好的对这些故障进行区分。为了解决该问题,本文提出了一种改进残差收缩网络结合双向门控循环神经单元的故障诊断模型，通过构建一种具有动态自适应能力的多尺度特征提取结构，使模型能够充分挖掘数据中的静态特征信息，结合双向门控循环神经单元提取数据中的时间相关信息。最终构建的模型能够在充分提取特征信息的同时避免征数量增多而出现的重要特征被掩盖的问题，提升了对部分特征相似故障的诊断能力。 （2）提出了一种改进残差收缩结构代替繁琐的小波降噪，通过将软阈值方法与注意力机制相结合，使网络模型能够直接处理含噪数据，并在特征提取阶段自适应的完成噪声消减，实现了数据降噪与特征提取的一体化，降低了对复杂信号处理知识的依赖。 （3）实际生产过程中故障样本数量远少于正常样本，而常用的故障诊断方法在数据不平衡条件下的诊断效果较差。本文针对该问题，提出了一种数据不平衡条件下的故障诊断方法，通过使用多构建的多尺度梯度条件生成对抗网络（Multi-ScaleGradientsConditionalGenerativeAdversarialNetwork,MSG-CGAN）对不平衡数据中的少数类进行上采样构造类别平衡数据集，再使用第三章中提出的MDRSN-BiGRU模型进行故障诊断。最终实验表明，所提出的方法能够有效提高数据不平衡条件下的故障诊断效果。
故障诊断;残差收缩;注意力机制;双向门控循环单元;生成对抗网络;时序数据
北京化工大学
硕士
控制科学与工程
夏涛
2023
中文
TP277
2023-09-27（万方平台首次上网日期，不代表论文的发表时间）