一、基于知识共享和重用的化工过程故障诊断技术研究（论文文献综述）
代梓硕[1]（2021）在《基于贝叶斯网和知识图谱的化工过程故障诊断》文中提出化学工业是我国经济的重要支柱产业,其安全生产对于经济社会稳定发展意义重大。而化工过程的故障诊断是保证化工安全生产的关键环节之一,及时准确地定位故障并采取对应措施能够大大降低生产过程的危险性和效益损失。本文面向化工生产过程的故障监测、故障报警、根源故障变量追溯和故障维修等故障诊断问题进行研究,提出由生产数据到维修方案的实现方法,主要工作如下:（1）化工生产过程中所采集数据具有维度高、耦合性强且缺少故障标签的特点,常规方法难以对工作状态做出准确判断。本文提出基于贝叶斯网的化工过程故障监测方案,建立生产过程的贝叶斯网模型,监测各变量的工作状态,完成根源故障变量追溯。以TE过程数据为案例进行验证,检验了模型的推理效果和根源故障变量追溯结果。表明该方案能够实现故障监测,可及时报警并给出准确故障定位,为快速排除化工过程故障提供依据。（2）实际化工生产中的故障维修方案制定多依靠工程人员的生产经验或技术手册,具有自适应能力差、缺乏针对性等缺点。本文将知识图谱技术应用到故障诊断中,实现监测结果与故障知识间的连接,综合化工生产相关内容,建立化工过程故障知识图谱,并确立故障信息查询路线,实现故障维修方案的自动化制定。以TE过程的故障工况为例,由查询结果得到的维修方案与实际情况相符,表明构建的化工过程故障知识图谱能够自动生成准确维修方案,提升故障排除的快速性和可靠性。（3）针对知识图谱编辑的专业性限制多、操作难度高和操作平台固定等问题,本文设计开发了化工过程故障知识管理系统,实现了系统管理、化工过程故障知识管理和用户管理的功能。同时,对各项功能进行了测试,验证了系统实用性,表明该系统能够提高化工过程故障知识图谱的易用性,降低化工过程故障知识图谱的使用门槛,为化工过程故障知识图谱的实际应用提供技术支持。
王敬前[2]（2021）在《覆盖粗糙集与模糊粗糙集及其在化工过程故障诊断中的应用》文中认为化工过程反应复杂,具有高度非线性、连续性和时变性等特点,一旦发生故障,将会给经济和生命安全带来严重的损失。因此,如何从海量工业数据中挖掘出有用信息,进行化工过程的故障诊断成为当前研究的热点。随着当今人工智能的发展,故障诊断技术也进入了一个新的时代。但对于多故障诊断和不完备信息下的故障诊断等问题,还有待进一步探索。粗糙集理论和模糊集理论是人工智能领域两种处理信息系统中不完备和不确定性数据的重要工具。目前,模糊集理论在故障诊断领域已得到了较为广泛的应用,而粗糙集理论在该领域中的应用还处在刚刚起步的阶段。本文通过融合覆盖粗糙集与模糊粗糙集,针对田纳西伊斯曼（TE）化工过程、化工汽轮机组和聚合釜三类化工过程的故障诊断,研究了覆盖粗糙集模型与模糊覆盖粗糙集模型中的相关不确定性问题,建立了相关数据分析与挖掘的理论体系,为解决化工过程故障诊断提供了更加智能的方法。本文的主要工作与贡献如下:1)针对不完备信息条件下的故障诊断问题,利用覆盖粗糙集提出了从不完备信息故障特征中剔除冗余信息的方法,从而提高了传统故障诊断的准确率,并将其应用在化工汽轮机组的故障诊断中。首先,从矩阵的角度研究了覆盖粗糙集中有关最大、最小描述的相关问题,并利用机器学习库中的公开数据集与传统的计算方法做比较,实验结果表明基于矩阵的计算方法节省了计算时间。借助于上述最大描述的矩阵计算方法,提出了计算不完备信息系统中极大相容块的矩阵计算方法,很好得解决了数据维数过高时,计算耗时的问题。接着,通过极大相容块,将原不完备决策表转化为极大相容块最全描述决策表。在新的决策表基础上,提出了基于分辨矩阵的属性约简计算方法。最后,基于所提出的基于极大相容块的属性约简方法,建立了“极大相容块+智能分类器”的故障诊断方法,为解决不完备信息条件下的故障诊断问题提供一种新方法。并针对不完备信息条件下化工汽轮机组的故障诊断问题,进行了仿真实验。实验结果表明,若智能分类器分别选择支持向量机（SVM）、随机森林和决策树,则所提出的“极大相容块+智能分类器”故障诊断方法的准确率均为87.5%,而只使用上述智能分类器的故障诊断准确率最高只有75%,准确率至少提高了 12.5%。2)针对完备信息条件下的故障诊断问题,利用模糊覆盖粗糙集提出了从完备信息故障特征中剔除冗余信息的方法,从而提高了传统故障诊断的准确率,并将其应用在TE化工过程的故障诊断中。理论方面:首先,作为模糊β-覆盖近似空间中已有可约元和约简概念的补充,提出了I-可约元和I-约简的概念。在此基础上,研究了模糊β-最小描述与β-约简之间的等价刻画、模糊β-最大描述与β-核之间的等价刻画等问题。然后,将上述一个模糊β-覆盖近似空间中的概念推广到了两个模糊β-覆盖近似空间中,得到了新的概念及相关性质。在上述所有结果的基础上,一个模糊β-覆盖与其诱导的七个模糊β-覆盖之间关系,及这些模糊β-覆盖的格结构被研究。应用方面:基于以上模糊覆盖粗糙集模型,提出了一种基于模糊β-邻域的属性约简方法。并在此基础上,建立了“模糊覆盖粗糙集+SVM”的智能故障诊断方法。最终,以TE化工过程为背景,针对以下4种状态:正常、阶跃故障（由过程变量的阶跃变化引起的故障）、漂移故障（化工反应动力学的缓慢漂移引起的故障）和阀门粘滞故障,建立了模糊覆盖信息系统,通过所提出的基于模糊β-邻域的属性约简方法,从53个故障征兆属性中确定出23个作为故障特征,然后通过建立的“模糊覆盖粗糙集+SVM”方法进行了故障诊断仿真实验,其准确率为86.57%,而只使用SVM的方法得到的准确率为72.50%,准确率提高了 14.07%。3)在前两部分的基础上,为更有效地表达故障诊断中的各种不确定性信息,建立了若干广义模糊覆盖粗糙集模型及相关故障决策方法,并研究了其在聚合釜的故障诊断中的应用。首先,基于已有的直觉模糊β-覆盖近似空间和直觉模糊β-邻域的概念,以及第一型直觉模糊覆盖粗糙集模型,主要研究了它们的性质,并给出了一些新的概念和第二型直觉模糊覆盖粗糙集模型。在此基础上,提出了单值中智β-覆盖和单值中智β-邻域等概念,并建立了单值中智覆盖粗糙集模型。为了解决多属性群决策的问题,将单值中智β-覆盖和单值中智覆盖粗糙集模型推广到了多粒度的情况,建立了三类多粒度单值中智覆盖粗糙集模型。在故障信息条件下,提出了基于直觉模糊覆盖粗糙集的群决策方法和基于单值中智覆盖粗糙集的群决策方法。针对聚合釜故障诊断问题,分别建立了故障类型为:聚合釜电机出现故障、聚合釜减速机出现故障、聚合釜机封中轴故障、聚合釜组件故障和聚合釜正常运行,以及故障特征为:聚合釜减速机振动值、操作压力、拌转速和减速机温度的直觉模糊信息系统与单值中智信息系统。并将上述决策方法应用于聚合釜的故障诊断中,所提出的方法最终决策结果基本都是聚合釜电机出现故障。这与其他已有决策方法的结果一致。因此,所提出的基于聚合釜故障信息的广义模糊覆盖粗糙集的决策方法是有效的。综上所述,本文以化工过程为背景,采用理论研究与实验验证相结合的方法,进一步研究了覆盖粗糙集、模糊覆盖粗糙集和广义模糊覆盖粗糙集相关问题（覆盖约简问题、属性约简问题等）。在此基础上,分别考虑了不完备故障信息和完备故障信息两种情况,利用基于覆盖粗糙集（用于提高不完备信息故障诊断的准确率）和模糊覆盖粗糙集（用于提高完备信息故障诊断的准确率）的属性约简方法解决了故障诊断中的特征选择问题,并结合智能分类器提高了故障诊断的准确度。最后,利用所建立的广义模糊覆盖粗糙集模型,建立多属性群决策方法,将其应用于化工过程的故障诊断中,为多专家故障决策提供了一种简便的方案。这些都为化工过程的智能故障诊断方法提供了理论及技术参考。
夏相明[3]（2020）在《基于深度残差网络的化工过程故障诊断研究》文中研究表明如何保障工业过程的正常运行一直以来是各工程学科最重要的研究问题之一。故障诊断技术通过对故障进行诊断来快速定位故障,进而清除或隔离故障,以减少因故障造成的损失,对于工业过程来说十分重要,尤其是危险性较高、故障发生较为频繁的化工过程。对于化工过程来说,由于其具有耦合性、非高斯分布和非线性等特性,主成分分析、偏最小二乘法等传统故障诊断方法诊断性能不够理想,而且这些方法需要大量经验知识手工提取故障特征而非自动提取。因此,有必要研究出诊断性能更好的故障诊断方法,以进一步提高化工过程的安全可靠性。首先,针对传统化工过程故障诊断方法存在的故障特征提取效率低、故障诊断准确率低、不能自动提取故障特征、难以处理海量过程运行数据等问题,考虑以深度学习方法为手段进行化工过程故障诊断。深度学习是近年来取得大幅发展的一项技术,它在特征提取方面表现优异,可以从化工过程运行产生的数据中自动提取故障特征,免除人工选取特征的繁冗复杂,同时特征提取效率较高。其次,针对传统深度学习模型存在的训练困难问题,提出一种基于深度残差网络（Deep Residual Network,DRN）的化工过程故障诊断方法。DRN模型是在传统卷积神经网络的基础上生成的一种深度学习模型,采用恒等映射快捷连接来解决深度神经网络训练困难的问题,并且在网络中使用了新兴的修正线性单元激活函数和批归一化的方法,可以使梯度消失/爆炸问题得到很好的缓解。面对大量过程运行数据,DRN模型也有着高效的数据处理能力。采用典型的化工过程故障诊断实验对象——田纳西-伊斯曼（Tennessee Eastman,TE）过程对所提方法进行诊断性能评价实验。与现有的基于传统深度学习模型的TE过程故障诊断方法相比,该方法具有更好的诊断性能。最后,在前一种DRN诊断模型的基础上提出了一种基于改进DRN的故障诊断方法。改进DRN模型在原始DRN模型的基础上对残差块结构进行了修改,模型的参数量和浮点运算量大大减少。同样,将基于改进DRN的化工过程故障诊断方法应用于TE过程。结果显示,与前一种方法相比,该方法的训练速度和诊断精度均有一定的提升,表现出更为卓越的性能。
王琦[4]（2020）在《面向复杂工业过程的故障诊断方法研究》文中进行了进一步梳理科技的发展使得现代工业生产越来越智能化、复杂化。复杂工业过程确实提高了企业的经济效益,但是由于复杂工业过程规模庞大、结构复杂、生产单元之间的耦合性极强,使得复杂工业过程故障诊断的难度越来越大。因为生产过程会产生海量的数据,在复杂工业过程故障诊断方面,基于数据处理和知识的方式是主流发展方向。但是,复杂工业过程影响因素增多,各影响因素之间存在错综复杂的关联关系,基于数据驱动的方式不能很好的表达这种复杂关系,基于知识的方式处理大规模数据存在效率问题,导致传统的故障诊断方法不能很好的适应复杂工业过程故障诊断的场景。因此复杂工业过程故障诊断技术成为近年来一个值得研究的问题。针对上述问题,我们需要采用一种新颖的、通用的方案来解决复杂工业过程故障诊断遇到的困难。基于此,本文采用基于知识和数据驱动相结合的方法来进行研究。本文的主要内容如下:（1）本文提出了基于多层次知识图谱和贝叶斯理论的故障诊断方案。为了更好的表达影响因素之间错综复杂的关系,本文采用知识图谱的方式构建更全面的信息,将知识图谱作为知识库利用机器学习的方式进行推理检测系统状态并定位故障源。构建的知识图谱作为后续故障诊断的数据支撑,内容越丰富,推理才能够越准确。本文提出方案的重点和难点在于如何构建一个内容丰富的知识图谱。（2）为了使构建的知识图谱能够为故障诊断提供强大的数据支撑,本文提出一种多层次知识图谱的构建方法。分析影响系统状态的层面,根据各个层面获取多源数据。根据数据特征构建单层次知识图谱,然后利用多源数据融合模型将各个层次的数据融合到一起,形成一个内容覆盖全面,结构立体的多层次知识图谱。（3）由于知识图谱存在缺失关系问题,从而导致故障诊断不准确的情况发生。本文提出一种ENCProj E模型来挖掘这种知识,使多层次知识图谱中的内容覆盖更加全面。ENCProj E模型将多层次知识图谱包含的丰富语义信息融入Proj E模型来加强模型的链接预测能力,挖掘多层次知识图谱的知识。为了解决复杂工业领域故障诊断存在的问题,本文提出基于知识图谱和机器学习的故障诊断方案。将多层次知识图谱作为故障诊断的数据支撑,利用基于知识和数据驱动相结合的方法进行故障诊断,为故障诊断提供了一种新的思路。因此,本文的研究具有一定积极现实的意义。
贾旭清[5]（2020）在《基于特征自适应与动态主动深度分歧方法的化工过程异常识别》文中提出化工过程具有非线性强、标签数据稀少和动态变化等特点,数据驱动的化工过程异常工况识别有助于工艺作业人员保持化工过程平稳运行,因此针对性地设计异常识别模型识别工况类型至关重要。特征自适应方法能够减少过程变化对于异常识别模型识别精度的影响。主动半监督的深度学习异常识别模型能够提取化工过程数据的深层次特征,通过专家知识提升异常识别模型自学习上限,充分利用无标签过程数据提高异常识别模型的识别性能,实现化工过程异常工况的准确识别。本文提出了一种基于特征自适应与动态主动深度分歧（Feature Adaptation-Dynamic Active Deep Disagreement,FA-DADD）的化工过程异常识别方法。首先,提取了化工过程离线数据的时域特征和频域特征,构建了两个充分冗余且满足条件独立性的源域（训练集）和目标域（测试集）。其次,对时域特征和频域特征分别构成的源域和目标域的特征分布进行了自适应。然后,选用卷积神经网络（Convolutional Neural Networks,CNN）和长短期记忆网络（Long Short-Term Memory Network,LSTM）基学习器,融合动态主动学习,采用分歧的指导思想,形成了FA-DADD异常识别模型。最终,基于分布一致的新源域和新目标域训练FA-DADD异常识别模型,通过历史、当前和未来的伪标签置信度均值动态优化FA-DADD异常识别模型的伪标签置信度,采用动态主动学习挑选高熵值无标签过程数据,标记它们并添加到有标签源域,重新训练FA-DADD模型进行化工过程异常识别。为了证明FA-DADD异常识别模型的有效性,对比分析了A-DADD、F-DADD、FA-DD和FA-DADD异常识别模型的性能。基于单设备的脱丙烷精馏过程验证了以上异常识别模型的有效性,结果表明FA-DADD异常识别模型的平均F1分数为99.73%、平均FPR为0.87%、平均FDR为99.63%、平均计算时间为29.33 s。与A-DADD、F-DADD和FA-DD异常识别模型相比,FA-DADD异常识别模型的平均F1分数分别提高了2.96%、5.27%和7.54%。将FA-DADD异常识别模型应用于多设备的田纳西-伊斯曼（Tennessee Eastman,TE）过程,结果表明,该模型的平均F1分数为99.09%、平均FPR为0.32%、平均FDR为98.57%、平均计算时间为26.76 s。为了证明FA-DADD异常识别模型的优势,与传统的主成分分析-动态主动安全半监督支持向量机（Principal Component Analysis-Dynamic Active Safe Semi-Supervised Support Vector Machine,PCA-DAS4VM）还进行了性能对比,结果表明FA-DADD异常识别模型的平均F1分数提高了0.55%、平均FPR降低了15.27%、平均FDR提高了1.02%、平均计算时间降低了79.47%。
胡晓丽[6]（2020）在《基于深度学习的工业过程故障诊断方法研究》文中研究表明随着工业化的快速推进,工业过程的复杂化及规模化程度越来越高,这导致故障发生的几率增加,进而导致工业事故的发生。此外,传感技术的发展使得越来越多的故障数据被保存下来,传统的故障诊断方法已难以适应大数据背景下的要求。有效的故障诊断技术能够及时发现故障,确保生产过程安全运行。深度学习利用较深的网络层将非线性函数进行组合,从而使其具备强大的数据表达能力,因此在诸多领域都表现优异。本文以此为出发点,研究基于深度学习的工业过程故障诊断方法,对丰富故障诊断技术具有重要的理论和实际意义。首先对相关神经网络的原理及其优缺点进行了介绍,通过分析工业过程数据的特点,并结合长短期记忆神经网络（LSTM）与卷积神经网络（CNN）的优势,提出了一种多通道LSTM-CNN（MCLSTM-CNN）的故障诊断方法。随后针对该方法设计了具体的故障诊断流程及模型结构。其次,考虑到超参数对模型训练结果的影响,对训练过程中涉及的主要超参数进行了介绍总结。将TE化工过程作为实例应用,预处理故障数据后,通过控制变量法改变参数不断重复实验以提高诊断精度,并与其他故障诊断方法的实验结果进行对比。此外,为了提高故障诊断的实时性,采用Spark大数据平台实现与MCLSTM-CNN算法的并行计算,并利用多个评价指标分析集群环境带来的性能提升。研究结果表明MCLSTM-CNN模型的测试集准确率高达93.66%,能够有效诊断不同类型的故障。通过将MCLSTM-CNN模型的诊断结果与LSTM-CNN,LSTM,CNN,RF和KPCA+SVM模型进行比较,实验结果表明MCLSTM-CNN模型的诊断精度最高,因此本文所构建的模型具有科学性和适用性。Spark环境下MCLSTM-CNN模型的并行化实验表明,集群能够极大缩短模型运行时间,给模型带来较好的提速效果。因此,本文研究结果在提高工业过程故障诊断准确性的同时又加快了故障诊断的效率。
张清清[7]（2020）在《基于孪生LSTM的TE过程故障诊断方法研究》文中指出随着化工生产规模不断扩大,日趋复杂化的化工系统更容易发生重大安全事故。为保障化工生产过程能够长期稳定运行,及时发现故障并精准诊断故障是化工领域的研究难点。由于化工过程数据具有高维度、非线性和动态时序性的特点,传统数据驱动的故障诊断方法应用在复杂化工过程中难度较高。因此,本文基于长短时间记忆网络（LSTM）对田纳西-伊斯曼（TE）过程的故障诊断方法进行研究,提出一种基于孪生长短时间记忆网络（Siamese LSTM）的故障诊断方法。此外,针对各类样本数目存在的不平衡情况,本文对Siamese LSTM方法展开进一步的研究。本文的主要研究内容如下:（1）针对化工生产环境复杂且容易受到各种噪声干扰的问题,本文采用小波阈值降噪的方法对原始信号进行降噪。实验结果表明,经过降噪后的信号不仅更加平滑,而且能够较好的保留原始信号的有效特征。（2）针对化工过程监测数据具有高维度、非线性、动态时序性的特性,以及微小故障因特征不明显难以诊断的问题,本文结合具有长短时间记忆功能的LSTM网络和能够放大相似样本之间微小差异的孪生网络,提出一种基于Siamese LSTM的故障诊断方法。基于TE过程故障诊断的对比实验显示,本文提出的Siamese LSTM方法的平均召回率为96.98%,其较于常用的时间序列模型RNN、GRU分别提高了10.81%、3.48%;尤其是对TE过程中的3类微小故障,该方法的故障诊断效果取得明显的提升,这表明了本文方法对TE过程的故障诊断具有更佳的表现。（3）针对实际化工过程中存在各类样本数目不平衡的问题,本文提出基于合成少数过采样技术（SMOTE）和Siamese LSTM模型的组合诊断方法。基于经典的SMOTE方法,本文首先通过数据合成改善了数据分布不平衡的问题;在Siamese LSTM模型的基础上,通过改进模型的代价函数,实现自适应更新不同类别的权重,从而提高网络对小类样本的敏感度。实验结果表明,该方法在多种故障场景、多种不平衡数据比例情况下,均能获得更加鲁棒的诊断效果。
王翔[8]（2020）在《基于深度学习的故障诊断算法研究》文中研究指明基于数据驱动的智能故障检测与诊断（Fault Detectionand Diagnosis,FDD）技术已成为保障化工过程平稳运行的重要手段,但主流的故障检测与诊断方法受限于浅层结构,往往难以取得令人满意的精度。近年来,深度学习方法在模式识别领域表现出了比上述方法更好的性能,因此,将深度学习方法引入故障检测与诊断领域也是当前的研究热点之一。然而,化工过程数据具有数据规模有限、样本间存在依赖、变量间存在复杂的非线性与耦合关系等特点,从而无法简单地将深度学习方法迁移到化工故障检测与诊断领域中。因此,本文即以此为背景展开研究。本文的研究得到了浙江省自然科学基金资助,主要的研究工作和成果如下:（1）在实际工业系统中,复杂的化工环境往往会导致无法获得足够的故障检测数据,这便限制了深度学习方法在故障检测方面的应用与发展。基于上述问题,本文提出了一种样本空间重构策略。该策略基于随机采样构造同类或异类的样本对扩充数据规模,同时其将复杂的分类问题转化为样本之间的相似度对比问题,降低了任务的复杂度,减少了模型对于数据量的需求。在此基础上,引入并改进孪生卷积神经网络（Siamese Convolutional Neural Networks,Siamese CNN）结构,提出了一种基于多尺度孪生卷积神经网络（Multi-scale Siamese CNN）的化工过程故障检测算法。该算法通过将样本按皆由正常样本构成的样本对和含有一个故障样本的样本对的顺序随机挑选样本逐对输入网络,利用CNN进行多尺度特征提取从而使模型学习样本之间的相似度并利用其加以分类。在测试阶段,则通过将测试样本和多组无故障情况下的样本做相似度对比,从而达到准确检测的效果。最后将本文所提的算法应用到田纳西-伊斯曼过程（Tennessee-eastmanprocess,TEP）故障检测中进行性能验证,并与常规的数据驱动方法进行对比,对比结果验证了本文所提算法的优越性。（2）针对当前主流的故障诊断模型难以有效处理具有强非线性关系的化工过程数据的问题,本文引入三种注意力机制表征出在当前输入下特征的重要程度和特征间的关系,提出了一种基于多注意力机制的深度神经网络（Multi-attention deep neural network,MA-DNN）算法。该算法在使用深度神经网络挖掘深层次的化工过程信息的同时又通过三种注意力机制更好地进行特征表示和避免非敏感特征的影响,从而充分利用特征及特征间的信息,增强网络的故障诊断能力。最后,同样在TEP数据集上验证模型的性能。实验结果表明,该算法能有效地提高化工过程故障诊断的效果。（3）针对主流故障诊断模型无法有效利用化工过程数据所具有的动态信息的问题,本文提出了一种基于时序自注意力机制的卷积神经网络（Convolutional neural networks based on self-attention,SA-CNN）故障诊断算法。该算法为了利用化工过程数据的动态信息,构建了一种基于时序信息的自注意力机制结构,通过移动窗口法分割数据引入局部时序信息,自注意力机制得以使用二维矩阵有效地表征化工过程数据的动态信息。最后使用CNN进一步提取特征,增强了模型的故障诊断性能。通过在TEP数据集上与其他加入动态信息的主流故障诊断模型进行对比,充分地表明了 SA-CNN算法的优越性。
谷宇迪[9]（2020）在《基于增量结构的故障诊断方法研究》文中提出近年来科学技术迅猛发展,现代工业化工过程也日趋复杂化和结构化,运行的工况和操作流程也越来越多变,在为企业提高产能效率和带来巨大效益的同时,也使得生产设备及生产过程发生故障的几率逐步增加。某一处的微小故障都可能会引起故障的广泛传播甚至造成生产过程的停止。故障诊断与检测技术是工业化工过程异常工况处理最常采用的方法,它为整个工业化工生产过程提供了安全保障。作为基于数据驱动方式的深度神经网络,以其强大的特征提取能力在处理带有复杂性、多变量、强耦合性的现代化工过程数据时,表现出色并取得众多成果,为故障诊断与检测技术提供了新的方向。但随着工业化的发展,化工过程产生的工业数据呈几何级数增长,全球所有的工业数据的80%都是近五年内产生的。此时面对如此巨大的非静态的数据流,传统的深度神经网络已经不能满足在给定时间内处理随着时间而改变的数据变化的要求,导致越来越多的未被处理的数据被积累。但传统的深度神经网络都是批量的处理数据,其中所有对象的类别都是预先知道的,并且所有的训练数据都可以以任意顺序被同时访问的,但已经训练好的深度神经网络模型在重新学习新类别的知识后往往会完全忘记所有以前学到过的知识,这种现象就被称作为灾难性遗忘。本文为解决这一问题,提出了一种基于增量结构的故障诊断方法,可以在不断地从新类别数据中学习新知识的同时保留已经学到过的旧知识,从而避免灾难性遗忘的发生。本文首先提出了一种DSResnet网络结构作为特征提取器,通过引入密集跳跃连接的思想将每一个残差块输出的特征图在通道结构上进行组合,然后传入最后面的1×1卷积层中,这样提供了低级特征和高级特征的组合以提高网络特征提取的性能。最后用本文提出的网络结构与同样层数的卷积神经网络（CNN）和不引入密集跳跃连接的残差神经网络（Resnets）进行对比实验,证明DSResnet特征提取器的优越性。其次本文提出了一种通过将蒸馏损失和AM-Softmax损失函数相结合形成的加强损失函数,并将小样本集和新类样本集组合形成的增强数据集。最后本文提出的基于增量结构的故障诊断方法,通过将DSResnet网络作为特征提取器,并加入了增强训练集和加强损失函数,使网络可以不断地从新数据中学习新知识,同时保留已经学到的旧知识。并分别与“Fine tune”、“iCaRL”和“Fixed representation”三种分类算法进行在10种类别的TE过程故障数据集上作增量对比实验。验证了本文提出的基于增量结构的故障诊断方法在分类精度上高于现有的增量分类算法,并能成功的避免灾难性遗忘问题。
苏堪裂[10]（2019）在《基于卷积神经网络的化工过程故障诊断研究》文中认为化工生产过程具有高度非线性、不确定性、易受干扰性和关联性等特性,化工的生产过程还是个特殊的动态系统,其生产环境不同于其它类型的工业过程,生产环境不稳定和危险性,使得生产过程中的安全管理非常困难。为了能够保证化工设备装置正常的运行,及时地检测到故障和准确地对故障进行诊断是必要的。本文针对化工过程数据的高维度非线性,提出基于卷积神经网络的故障诊断方法。所提方法在对数据进行小波变换去噪和标准化预处理;通过卷积神经网络的特征提取和学习,从化工过程中提取原始数据隐藏的信息特征;再经过softmax分类器进行故障分类。通过应用于TE过程的故障诊断研究结果,平均故障检出率为80.31%,误报率为2.837%,表明所提出基于卷积神经网络方法的有效性,且可以及时地检测出故障。针对卷积神经网络本身结构复杂,自身参数与结构有待优化的问题,提出粒子群优化算法对卷积神经网络的超参数进行寻优。为了验证PSO-CNN方法的故障诊断的有效性及故障诊断性能,以TE过程为实验案例进行了故障诊断研究。在粒子群优化过程中确定了卷积神经网络模型的最佳结构和参数。从实验结果得出,基于PSO-CNN方法的平均故障检出率相比CNN方法提高到84.72%,误报率也只有2.26%。平均故障检出率比PCA、KPCA、MICA三种传统方法的结果要高,其中有6个故障的检出率得到较大地提升。同时在故障检出速度方面要快于CNN方法,说明PSO-CNN方法对某些故障更加敏感。经过研究所提出的PSO-CNN方法具有更好的故障诊断性能。最后将本文所提出的PSO-CNN方法应用到某石化公司环己酮生产过程的故障诊断,并对比传统方法KPCA的结果,得出基于PSO-CNN方法故障诊断具有更好的效果。对环己酮生产过程的故障检出率达到92.3%远高于KPCA方法的75.14%,误报率为3.247%,能够保障该生产过程的安全运行。
二、基于知识共享和重用的化工过程故障诊断技术研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于知识共享和重用的化工过程故障诊断技术研究（论文提纲范文）
（1）基于贝叶斯网和知识图谱的化工过程故障诊断（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断研究现状 |
| 1.2.2 贝叶斯网研究现状 |
| 1.2.3 知识图谱研究现状 |
| 1.3 本文主要工作 |
| 2 背景知识概述 |
| 2.1 化工过程故障 |
| 2.1.1 化工过程故障模式 |
| 2.1.2 化工过程故障处理 |
| 2.2 田纳西伊斯曼过程 |
| 2.2.1 田纳西伊斯曼模型 |
| 2.2.2 田纳西伊斯曼数据集 |
| 2.3 贝叶斯网原理及应用 |
| 2.3.1 贝叶斯网原理及组成 |
| 2.3.2 贝叶斯网建模过程 |
| 2.4 本章小结 |
| 3 基于贝叶斯网的化工过程故障监测 |
| 3.1 基于贝叶斯网的化工过程故障监测方案 |
| 3.2 贝叶斯网模型建立 |
| 3.2.1 贝叶斯网结构学习 |
| 3.2.2 贝叶斯网参数学习 |
| 3.3 基于推理结果的状态判定和根源故障追溯 |
| 3.3.1 故障分析指标选定 |
| 3.3.2 工作状态判定 |
| 3.3.3 根源故障变量追溯 |
| 3.4 仿真案例研究 |
| 3.4.1 数据预处理 |
| 3.4.2 TE过程贝叶斯网模型学习验证 |
| 3.4.3 状态判定和根源故障追溯检验 |
| 3.5 本章小结 |
| 4 基于化工过程故障知识图谱的维修方案制定 |
| 4.1 维修方案制定流程 |
| 4.2 贝叶斯网推理结果节点建立 |
| 4.3 化工过程故障知识图谱建立 |
| 4.3.1 化工厂知识建模 |
| 4.3.2 过程变量知识库建立 |
| 4.3.3 故障知识库建立 |
| 4.3.4 化工过程故障知识图谱连接 |
| 4.4 故障信息查询及维修方案制定 |
| 4.5 本章小结 |
| 5 化工过程故障知识管理系统设计实现 |
| 5.1 系统需求分析 |
| 5.1.1 系统设计原则 |
| 5.1.2 系统功能确定 |
| 5.2 系统设计 |
| 5.2.1 系统模块设计 |
| 5.2.2 模块功能流程设计 |
| 5.2.3 数据库设计 |
| 5.3 系统实现 |
| 5.3.1 软件开发相关技术 |
| 5.3.2 系统总体架构 |
| 5.3.3 系统功能模块实现 |
| 5.4 系统测试 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（2）覆盖粗糙集与模糊粗糙集及其在化工过程故障诊断中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状分析 |
| 1.2.1 化工过程故障诊断 |
| 1.2.2 基于数据的化工过程故障诊断 |
| 1.2.3 粗糙集理论及属性约简 |
| 1.2.4 (模糊)覆盖粗糙集及其在故障诊断中应用 |
| 1.3 主要研究内容与组织结构 |
| 2 覆盖粗糙集最大、最小描述若干问题研究 |
| 2.1 引言 |
| 2.2 覆盖粗糙集理论预备知识 |
| 2.3 基于矩阵的最小、最大描述计算方法 |
| 2.4 基于最小、最大描述的覆盖近似空间约简方法 |
| 2.5 基于最小、最大描述的覆盖信息系统约简方法 |
| 2.5.1 基于最小描述的覆盖信息系统约简方法 |
| 2.5.2 基于最大描述的覆盖信息系统约简方法 |
| 2.6 本章小结 |
| 3 覆盖粗糙集的故障诊断方法及其在化工汽轮机组故障诊断中的应用 |
| 3.1 引言 |
| 3.2 预备知识 |
| 3.2.1 化工汽轮机组及常见故障类型 |
| 3.2.2 不完备决策表与极大相容块 |
| 3.3 极大相容块的矩阵计算方法 |
| 3.3.1 基于最大描述的极大相容块计算方法 |
| 3.3.2 基于容差类的极大相容块的矩阵计算方法 |
| 3.4 基于极大相容块的不完备信息系统属性约简方法 |
| 3.5 基于“极大相容块+智能分类器”的不完备信息故障诊断方法 |
| 3.6 不完备信息下化工汽轮机组的故障诊断应用 |
| 3.6.1 化工汽轮机组故障不完备决策信息系统 |
| 3.6.2 决策信息表预处理 |
| 3.6.3 化工汽轮机组的“极大相容块+智能分类器”故障诊断模型建立 |
| 3.6.4 化工汽轮机组故障样本诊断 |
| 3.7 本章小结 |
| 4 基于β-覆盖的模糊覆盖粗糙集 |
| 4.1 引言 |
| 4.2 预备知识 |
| 4.3 模糊β-覆盖近似空间中概念之间的关系 |
| 4.3.1 模糊β-最小描述与各类约简之间的关系 |
| 4.3.2 模糊β-最大描述与β-核、I-约简之间的关系 |
| 4.4 模糊β-覆盖近似空间之间的关系 |
| 4.4.1 生成的模糊β-覆盖近似空间 |
| 4.4.2 I-生成的模糊β-覆盖近似空间 |
| 4.5 七个诱导的模糊β-覆盖近似空间和相应的格结构 |
| 4.5.1 七个诱导的模糊β-覆盖的一些新的性质 |
| 4.5.2 一些导出模糊β-覆盖的格结构 |
| 4.6 本章小结 |
| 5 模糊覆盖粗糙集的故障诊断方法及其在TE化工过程故障诊断中的应用 |
| 5.1 引言 |
| 5.2 TE化工过程 |
| 5.3 基于模糊β-邻域的模糊覆盖信息系统属性约简方法 |
| 5.4 “模糊覆盖粗糙集+智能分类器”的故障诊断方法 |
| 5.5 基于“模糊覆盖粗糙集+SVM”的TE化工过程故障诊断实验 |
| 5.5.1 获取并初始化数据 |
| 5.5.2 基于模糊β-邻域的TE化工过程故障数据集的属性约简 |
| 5.5.3 基于TE化工过程的“模糊覆盖粗糙集+SVM”故障诊断模型建立 |
| 5.5.4 基于TE化工过程的“模糊覆盖粗糙集+SVM”故障诊断 |
| 5.6 本章小结 |
| 6 广义模糊覆盖粗糙集 |
| 6.1 引言 |
| 6.2 预备知识 |
| 6.2.1 直觉模糊集 |
| 6.2.2 单值中智集 |
| 6.3 两类直觉模糊覆盖粗糙集模型 |
| 6.3.1 直觉模糊β-邻域、直觉模糊β-邻域系统和β-邻域 |
| 6.3.2 两类直觉模糊覆盖粗糙集模型 |
| 6.3.3 直觉模糊覆盖粗糙集模型和其他粗糙集模型之间的关系 |
| 6.4 单值中智覆盖粗糙集模型 |
| 6.4.1 单值中智覆盖近似空间 |
| 6.4.2 三类单值中智覆盖粗糙集模型 |
| 6.5 多粒度单值中智覆盖粗糙集模型 |
| 6.5.1 多粒度单值中智β-覆盖近似空间 |
| 6.5.2 三类多粒度单值中智覆盖粗糙集模型 |
| 6.5.3 不同中智β-覆盖产生相同的多粒度单值中智覆盖近似算子的条件 |
| 6.6 本章小结 |
| 7 广义模糊粗糙集的决策方法及其在聚合釜故障诊断中的应用 |
| 7.1 引言 |
| 7.2 聚合釜反应过程与常见故障 |
| 7.3 基于直觉模糊覆盖粗糙集的群决策方法及其在故障诊断中的应用 |
| 7.3.1 乐观多粒度直觉模糊覆盖粗糙集模型 |
| 7.3.2 基于直觉模糊故障信息的多属性群决策问题 |
| 7.3.3 基于乐观多粒度直觉模糊覆盖粗糙集的故障信息群决策方法 |
| 7.3.4 直觉模糊决策方法在聚合釜故障诊断中的应用 |
| 7.4 基于多粒度单值中智覆盖粗糙集的群决策方法及故障诊断应用 |
| 7.4.1 基于单值中智故障信息的多属性群决策问题 |
| 7.4.2 基于多粒度单值中智覆盖粗糙集的故障信息群决策方法 |
| 7.4.3 单值中智决策方法在聚合釜故障诊断中的应用 |
| 7.4.4 对比分析 |
| 7.5 本章小结 |
| 8 总结与展望 |
| 8.1 全文工作总结 |
| 8.2 研究工作创新点 |
| 8.3 未来工作展望 |
| 致谢 |
| 参考文献 |
| 附录A: 最小、最大描述的集合计算Matlab程序（第二章） |
| 附录B: 最小、最大描述的矩阵计算Matlab程序（第二章） |
| 附录C: 本文应用的化工汽轮机组故障诊断数据（第三章） |
| 附录D: 基于不可分辨矩阵的不完备信息属性约简Matlab程序（第三章） |
| 附录E: SVM故障诊断Matlab程序（第三章） |
| 附录F: 基于模糊β-邻域的约简计算Matlab程序（第五章） |
| 附录G: TE化工过程部分数据（第五章） |
| 附录H: 单值中智覆盖粗糙集上、下近似计算Matlab程序（第七章） |
| 攻读博士学位期间发表的科研成果目录 |
（3）基于深度残差网络的化工过程故障诊断研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 故障诊断概述及化工过程故障诊断研究现状 |
| 1.2.1 基于分析模型的方法 |
| 1.2.2 基于定性经验知识的方法 |
| 1.2.3 基于数据驱动的方法 |
| 1.3 深度学习及其在化工过程故障诊断领域的研究现状 |
| 1.3.1 深度学习概述 |
| 1.3.2 深度学习在化工过程故障诊断领域的研究现状 |
| 1.4 DRN及其在故障诊断领域的研究现状 |
| 1.5 本文的内容与结构 |
| 第二章 DRN模型的基础理论 |
| 2.1 DRN的提出背景 |
| 2.2 DRN的组成模块 |
| 2.2.1 卷积层 |
| 2.2.2 激活函数层 |
| 2.2.3 BN层 |
| 2.2.4 残差块 |
| 2.2.5 全局平均池化层 |
| 2.2.6 带有softmax分类器的全连接层 |
| 2.3 本章小结 |
| 第三章 TE过程介绍 |
| 3.1 过程简介 |
| 3.2 过程变量和故障 |
| 3.3 过程数据 |
| 3.4 本章小结 |
| 第四章 基于DRN的故障诊断方法 |
| 4.1 故障诊断流程 |
| 4.2 数据分析与预处理 |
| 4.3 基于DRN的故障诊断方法 |
| 4.3.1 DRN模型结构 |
| 4.3.2 软件使用与超参数设置 |
| 4.3.3 诊断结果与性能比较 |
| 4.3.4 特征图可视化 |
| 4.3.5 故障分类过程可视化 |
| 4.4 基于改进DRN的故障诊断方法 |
| 4.4.1 改进DRN模型结构 |
| 4.4.2 诊断结果与性能比较 |
| 4.4.3 故障分类过程可视化 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 个人简历在读期间发表的学术论文 |
| 致谢 |
（4）面向复杂工业过程的故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断技术研究现状 |
| 1.2.2 知识图谱技术研究现状 |
| 1.3 论文的研究内容 |
| 1.4 论文的组织结构 |
| 1.5 本章小结 |
| 第2章 相关理论与技术研究 |
| 2.1 复杂工业过程故障诊断理论基础 |
| 2.1.1 故障诊断方法分类 |
| 2.1.2 常用的故障诊断方法 |
| 2.2 知识图谱技术概述 |
| 2.2.1 知识图谱的发展过程 |
| 2.2.2 知识图谱构建流程 |
| 2.2.3 知识图谱推理方法 |
| 2.3 本章小结 |
| 第3章 基于多层次知识图谱和贝叶斯理论的故障诊断方法 |
| 3.1 引言 |
| 3.2 复杂工业过程故障诊断方案 |
| 3.3 基于多层次知识图谱和贝叶斯理论的故障诊断方法 |
| 3.3.1 多层次知识图谱定义 |
| 3.3.2 挖掘深层次关联路径 |
| 3.3.3 基于多层次知识图谱和贝叶斯理论的状态检测模型 |
| 3.3.4 基于多层次知识图谱和贝叶斯理论的故障诊断模型 |
| 3.4 本章小结 |
| 第4章 复杂工业过程多层次知识图谱构建方法 |
| 4.1 引言 |
| 4.2 基于确定性信息的多层次知识图谱构建 |
| 4.3 基于不确定性信息的多层次知识图谱构建 |
| 4.3.1 数据获取 |
| 4.3.2 多源不确定性信息融合 |
| 4.4 复杂工业过程多层次知识图谱质量评估 |
| 4.5 实验验证与分析 |
| 4.5.1 数据集简介 |
| 4.5.2 构建多层次知识图谱 |
| 4.6 本章小结 |
| 第5章 基于ENCProjE模型的知识图谱补全方法 |
| 5.1 引言 |
| 5.2 知识图谱补全算法分析 |
| 5.3 基于ENCProjE模型的知识图谱补全算法 |
| 5.3.1 ProjE模型 |
| 5.3.2 ENCProjE模型 |
| 5.4 实验验证与分析 |
| 5.4.1 数据集简介 |
| 5.4.2 实验结果分析 |
| 5.5 本章小结 |
| 第6章 复杂工业过程故障诊断方法实验 |
| 6.1 数据集简介 |
| 6.2 基于多层次知识图谱的状态检测实验 |
| 6.3 基于多层次知识图谱的故障诊断实验 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 工作总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 在学期间主要科研成果 |
| 一、发表学术论文 |
| 二、其他科研成果 |
（5）基于特征自适应与动态主动深度分歧方法的化工过程异常识别（论文提纲范文）
| 摘要 |
| abstract |
| 符号说明 |
| 1 绪论 |
| 1.1 化工过程安全生产 |
| 1.1.1 化工过程生产特点 |
| 1.1.2 化工过程异常工况 |
| 1.1.3 化工过程安全生产的意义 |
| 1.2 故障检测与诊断 |
| 1.2.1 故障检测与诊断的概念 |
| 1.2.2 故障检测与诊断的研究现状 |
| 1.3 特征自适应 |
| 1.3.1 特征工程 |
| 1.3.2 自适应 |
| 1.4 动态主动深度分歧 |
| 1.4.1 深度学习算法分类 |
| 1.4.2 主动学习 |
| 1.5 论文研究意义及内容 |
| 1.5.1 研究背景和意义 |
| 1.5.2 论文研究内容 |
| 2 研究思路及验证案例介绍 |
| 2.1 研究思路 |
| 2.2 验证案例一——脱丙烷精馏过程 |
| 2.3 验证案例二——田纳西-伊斯曼过程 |
| 3 特征自适应 |
| 3.1 研究思路 |
| 3.2 提取时域特征和频域特征 |
| 3.3 自适应 |
| 3.4 案例应用与分析 |
| 3.4.1 脱丙烷精馏过程数据集描述 |
| 3.4.2 提取时域特征和频域特征 |
| 3.4.3 自适应 |
| 3.5 本章小结 |
| 4 动态主动深度分歧的异常识别模型 |
| 4.1 研究思路 |
| 4.2 CNN基本模块 |
| 4.3 LSTM基本模块 |
| 4.4 动态主动学习 |
| 4.5 案例应用与分析 |
| 4.5.1 CNN基学习器超参数 |
| 4.5.2 LSTM基学习器超参数 |
| 4.5.3 确定FA-DADD异常识别模型参数 |
| 4.5.4 异常工况识别结果 |
| 4.6 本章小结 |
| 5 流程案例研究 |
| 5.1 特征自适应 |
| 5.1.1 TE过程数据集描述 |
| 5.1.2 提取时域特征和频域特征 |
| 5.1.3 自适应 |
| 5.2 动态主动深度分歧的异常识别模型 |
| 5.2.1 CNN基学习器超参数 |
| 5.2.2 LSTM基学习器超参数 |
| 5.2.3 确定异常识别模型参数 |
| 5.2.4 异常工况识别结果 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（6）基于深度学习的工业过程故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景、目的及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障诊断方法的研究现状 |
| 1.2.2 基于数据驱动的故障诊断研究现状 |
| 1.2.3 基于深度学习的故障诊断研究现状 |
| 1.2.4 研究综述总结 |
| 1.3 研究内容、方法和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法及技术路线 |
| 1.4 本章小结 |
| 2 相关理论基础 |
| 2.1 BP神经网络 |
| 2.1.1 BP神经网络前向传播 |
| 2.1.2 BP神经网络反向传播 |
| 2.2 RNN神经网络 |
| 2.2.1 RNN前向传播 |
| 2.2.2 RNN反向训练 |
| 2.3 LSTM神经网络 |
| 2.4 卷积神经网络 |
| 2.4.1 卷积层 |
| 2.4.2 池化层 |
| 2.4.3 全连接层 |
| 2.4.4 卷积神经网络的训练 |
| 2.5 本章小结 |
| 3 基于MCLSTM-CNN的工业过程故障诊断方法 |
| 3.1 MCLSTM-CNN模型的适用性分析 |
| 3.1.1 工业过程数据的特点分析 |
| 3.1.2 模型提出依据 |
| 3.2 MCLSTM-CNN的诊断流程及结构 |
| 3.2.1 MCLSTM-CNN的诊断流程 |
| 3.2.2 MCLSTM-CNN的结构 |
| 3.3 训练策略 |
| 3.3.1 激活函数 |
| 3.3.2 损失函数 |
| 3.3.3 Dropout |
| 3.3.4 优化器 |
| 3.4 本章小结 |
| 4 TE过程的MCLSTM-CNN实验仿真 |
| 4.1 TE过程简介 |
| 4.1.1 TE工艺流程 |
| 4.1.2 TE过程变量及故障类型 |
| 4.2 数据预处理 |
| 4.3 训练模型 |
| 4.3.1 并行卷积层数对结果的影响 |
| 4.3.2 LSTM节点数对结果的影响 |
| 4.3.3 批大小对结果的影响 |
| 4.3.4 Dropout对结果的影响 |
| 4.3.5 优化算法对结果的影响 |
| 4.4 实验结果 |
| 4.4.1 实验参数 |
| 4.4.2 分类过程可视化 |
| 4.4.3 识别结果 |
| 4.4.4 对比实验 |
| 4.5 本章小结 |
| 5 Spark平台下的MCLSTM-CNN并行故障诊断 |
| 5.1 Spark分布式计算平台 |
| 5.1.1 Spark简介 |
| 5.1.2 RDD |
| 5.1.3 Spark运行架构 |
| 5.2 实验环境 |
| 5.3 并行化MCLSTM-CNN实验 |
| 5.3.1 数据集 |
| 5.3.2 评价指标 |
| 5.3.3 实验结果 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士研究生阶段发表论文 |
| 致谢 |
（7）基于孪生LSTM的TE过程故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 故障诊断方法概述 |
| 1.3 TE过程故障诊断方法的国内外研究现状 |
| 1.3.1 基于传统数据驱动的TE过程故障诊断方法研究现状 |
| 1.3.2 基于深度学习的TE过程故障诊断方法研究现状 |
| 1.4 本文的主要贡献与创新 |
| 1.5 本文的结构安排 |
| 第二章 数据采集及数据预处理 |
| 2.1 TE过程介绍 |
| 2.1.1 TE过程工艺流程 |
| 2.1.2 TE过程数据集 |
| 2.2 基于小波降噪的数据预处理方法 |
| 2.2.1 小波变换的基本原理 |
| 2.2.2 小波降噪的基本原理 |
| 2.2.3 小波阈值降噪方法 |
| 2.3 小波降噪结果分析 |
| 2.4 本章小结 |
| 第三章 基于孪生序列模型的TE过程故障诊断方法 |
| 3.1 时间序列模型 |
| 3.1.1 时间序列介绍 |
| 3.1.2 循环神经网络 |
| 3.1.3 LSTM网络 |
| 3.2 孪生网络 |
| 3.3 基于Siamese LSTM的故障诊断方法 |
| 3.4 实验验证和对比分析 |
| 3.4.1 评价指标 |
| 3.4.2 非序列模型和序列模型的实验对比分析 |
| 3.4.3 非孪生网络模型和孪生网络模型的实验对比分析 |
| 3.5 本章小结 |
| 第四章 数据不平衡条件下TE过程故障诊断方法研究 |
| 4.1 基于数据的方法 |
| 4.1.1 下采样方法 |
| 4.1.2 上采样方法 |
| 4.1.3 综合采样方法 |
| 4.2 基于模型的方法 |
| 4.2.1 代价敏感学习方法 |
| 4.2.2 集成学习方法 |
| 4.3 结合数据和模型两方面改进的故障诊断方法 |
| 4.3.1 代价函数的优化 |
| 4.3.2 改进Siamese LSTM的故障诊断方法 |
| 4.4 实验验证和对比分析 |
| 4.4.1 评价指标 |
| 4.4.2 不同场景下的实验结果分析 |
| 4.4.3 改变数据不平衡比例的实验结果分析 |
| 4.5 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（8）基于深度学习的故障诊断算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的目的与意义 |
| 1.2 故障检测和诊断算法研究现状 |
| 1.3 基于深度学习的故障检测和诊断算法研究现状 |
| 1.4 论文主要研究内容及结构安排 |
| 第2章 深度学习理论基础 |
| 2.1 多层感知器(MLP) |
| 2.2 卷积神经网络(CNN) |
| 2.3 循环神经网络(RNN) |
| 2.4 本章小结 |
| 第3章 基于样本重构多尺度孪生卷积网络的化工过程故障检测 |
| 3.1 引言 |
| 3.2 基于样本对相似度的样本空间重构 |
| 3.3 Multi-scale Siamese CNN算法 |
| 3.3.1 孪生卷积神经网络 |
| 3.3.2 多尺度特征提取 |
| 3.3.3 批归一化 |
| 3.4 基于Multi-scale Siamese CNN的故障检测 |
| 3.5 算法测试 |
| 3.5.1 TEP简介 |
| 3.5.2 结果对比及分析 |
| 3.6 本章小结 |
| 第4章 基于多注意力机制的深度神经网络故障诊断算法 |
| 4.1 引言 |
| 4.2 注意力机制概述 |
| 4.3 MA-DNN算法实现 |
| 4.3.1 基于位置向量的自注意力机制 |
| 4.3.2 基于特征向量的自注意力机制 |
| 4.3.3 交互注意机制 |
| 4.4 基于MA-DNN的故障诊断 |
| 4.5 算法测试 |
| 4.6 本章小结 |
| 第5章 基于时序自注意力机制的卷积神经网络故障诊断算法 |
| 5.1 引言 |
| 5.2 基于移动窗口法的故障诊断模型构建 |
| 5.3 基于时序自注意力机制的故障诊断算法 |
| 5.4 算法测试 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 攻读硕士学位期间参与的科研项目及取得的成果 |
| 致谢 |
（9）基于增量结构的故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 故障检测与诊断概述 |
| 1.2.2 深度学习概述及在故障诊断中的研究现状 |
| 1.2.3 增量学习概述及在故障诊断中的研究现状 |
| 1.3 本文主要工作内容 |
| 1.4 本章小结 |
| 第2章 TE过程与数据采集 |
| 2.1 TE过程基本工艺流程 |
| 2.2 TE过程变量与故障类型 |
| 2.3 TE过程数据获取与实验数据集制作 |
| 2.4 本章小结 |
| 第3章 一种改进的密集跳跃连接残差网络 |
| 3.1 残差神经网络 |
| 3.1.1 卷积层 |
| 3.1.2 池化层 |
| 3.1.3 全连接层 |
| 3.1.4 softmax层和dropout |
| 3.1.5 残差块 |
| 3.2 密集跳跃连接 |
| 3.3 改进的密集跳跃链接残差网络模型 |
| 3.3.1 模型结构 |
| 3.3.2 1×1 卷积核 |
| 3.3.3 Transition操作 |
| 3.3.4 对比实验 |
| 3.4 本章小结 |
| 第4章 基于DSResnet的增量结构故障诊断方法 |
| 4.1 改进的增量结构故障诊断方法 |
| 4.2 损失函数 |
| 4.3 加强损失函数 |
| 4.4 增强数据集 |
| 4.4.1 主成分分析法 |
| 4.4.2 小样本集的选取 |
| 4.5 改进算法的结构流程图 |
| 4.6 本章小结 |
| 第5章 实验研究 |
| 5.1 实验数据预处理 |
| 5.2 对比网络 |
| 5.3 实验参数设定 |
| 5.4 对比实验 |
| 5.5 平台设计 |
| 5.6 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（10）基于卷积神经网络的化工过程故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 故障及故障诊断概述 |
| 1.2.1 故障及其分类 |
| 1.2.2 故障诊断及方法分类 |
| 1.2.3 故障诊断的步骤 |
| 1.2.4 故障诊断的方法 |
| 1.3 国内外研究现状 |
| 1.3.1 基于解析模型的故障诊断法 |
| 1.3.2 基于经验知识的故障诊断法 |
| 1.3.3 基于历史数据的故障诊断法 |
| 1.4 基于卷积神经网络的故障诊断方法的概述 |
| 1.5 本论文的主要内容 |
| 第二章 基于卷积神经网络故障诊断的理论基础 |
| 2.1 引言 |
| 2.2 卷积神经网络结构 |
| 2.2.1 卷积层 |
| 2.2.2 采样层 |
| 2.2.3 全连接层 |
| 2.3 卷积神经网络参数训练过程 |
| 2.3.1 前向传播过程 |
| 2.3.2 反向传播过程 |
| 2.4 小波变换的基本概念及去噪原理 |
| 2.5 TE过程简介 |
| 2.5.1 TE过程工艺流程 |
| 2.5.2 过程故障与数据 |
| 2.6 本章小结 |
| 第三章 基于卷积神经网络的化工故障诊断结果 |
| 3.1 卷积神经网络故障诊断步骤 |
| 3.2 TE过程故障监测结果与分析 |
| 3.3 CNN方法故障诊断性能分析 |
| 3.3.1 训练批次尺寸 |
| 3.3.2 训练集的训练次数 |
| 3.3.3 网络层数 |
| 3.4 本章小结 |
| 第四章 基于PSO-CNN的化工过程故障诊断方法 |
| 4.1 粒子群优化算法 |
| 4.1.1 粒子群优化算法的起源及原理 |
| 4.1.2 粒子群优化算法的流程 |
| 4.2 基于PSO-CNN方法的TE过程故障诊断结果与分析 |
| 4.2.1 PSO-CNN故障诊断步骤 |
| 4.2.2 PSO优化结果 |
| 4.2.3 PSO-CNN故障诊断结果与讨论 |
| 4.3 本章小结 |
| 第五章 环己烷氧化法生产环己酮过程故障诊断 |
| 5.1 环己烷氧化法生产环己酮工艺流程 |
| 5.2 环己酮生产过程数据 |
| 5.3 基于PSO-CNN方法的环己酮生产过程故障诊断结果 |
| 5.3.1 PSO优化结果 |
| 5.3.2 故障诊断结果与讨论 |
| 5.3.3 特征的主成分分析结果 |
| 5.4 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
四、基于知识共享和重用的化工过程故障诊断技术研究（论文参考文献）
- [1]基于贝叶斯网和知识图谱的化工过程故障诊断[D]. 代梓硕. 大连理工大学, 2021(01)
- [2]覆盖粗糙集与模糊粗糙集及其在化工过程故障诊断中的应用[D]. 王敬前. 陕西科技大学, 2021(01)
- [3]基于深度残差网络的化工过程故障诊断研究[D]. 夏相明. 华东交通大学, 2020(03)
- [4]面向复杂工业过程的故障诊断方法研究[D]. 王琦. 齐鲁工业大学, 2020(02)
- [5]基于特征自适应与动态主动深度分歧方法的化工过程异常识别[D]. 贾旭清. 青岛科技大学, 2020
- [6]基于深度学习的工业过程故障诊断方法研究[D]. 胡晓丽. 西安建筑科技大学, 2020(07)
- [7]基于孪生LSTM的TE过程故障诊断方法研究[D]. 张清清. 电子科技大学, 2020(07)
- [8]基于深度学习的故障诊断算法研究[D]. 王翔. 浙江理工大学, 2020(04)
- [9]基于增量结构的故障诊断方法研究[D]. 谷宇迪. 沈阳理工大学, 2020(08)
- [10]基于卷积神经网络的化工过程故障诊断研究[D]. 苏堪裂. 华南理工大学, 2019(01)