论文部分内容阅读
工业装置在生产产品过程中，由于某些部分故障会导致整个设备的停运。甚至当报警不灵敏时，会出现重大安全事故。为保证工业生产的安全，有必要对工业设备进行故障诊断和分析，及时发现安全隐患，并第一时间排除。通过分析传感器系统收集的数据，可以评估设备内部各元件的健康状态。
现有的故障诊断技术，还无法同时满足保证精度和速度的要求。长短期记忆神经网络是一种时间递归神经网络，可以分析输入信息的整体逻辑关系，对于时间序列数据，通过遗忘门和输出门忘记部分信息来解决梯度消失等问题，因此适合应用于故障识别领域。本文将改进的LSTM神经网络用于解决2个工业故障诊断实例
由于粒子群算法有收敛速度快且擅长寻找最优解的优点，本文提出了基于粒子群优化的LSTM神经网络（PSO-LSTM），运用PSO优化LSTM网络连接权值，并与基本LSTM中的梯度算法的结果进行比较，选取两者中的较好解，更新LSTM算法迭代中的权值。然后将LSTM神经网络和改进后的PSO-LSTM算法均应用于以下两个工业故障诊断的实例。
（1）风叶机叶片结冰故障诊断：通过SCADA系统收集数据，运用改进的LSTM对数据进行故障诊断，分析该风叶机叶片发生结冰故障的原因。
（2）智能制造小型平台加工位故障诊断：首先针对实验平台设计了数据采集系统，进行了数据采集系统的软硬件设计，搭建了系统的总体功能框架以及各模块的数据传输机制，运用WINCC实现上下层数据互联，搭建后台数据库，存储数据。基于此平台采集到的数据，进一步采用改进的LSTM进行故障诊断分析。
实验将GRU、LSTM和PSO-LSTM三种不同的循环神经网络应用于以上两个实例，把原始故障信号分成训练集和测试集。将训练集数据，映射到线性网络层，通过模型训练参数。再输入网络层，得到分类的概率分布。在迭代次数达到预设值，并且准确率收敛之后。测试集采用训练好的参数得到分类结果。最后计算预测准确率，并对三种算法的性能进行了对比。结果表明LSTM神经网络在识别风叶机结冰故障时的准确率为83.6%，在识别智能制造小型实验平台加工位故障时的准确率为84.2%。而PSO-LSTM改进方法的故障识别准确率分别达到89.7%和88.9%，均高于LSTM和GRU，验证了该改进算法在工业故障诊断方面的有效性。
现有的故障诊断技术，还无法同时满足保证精度和速度的要求。长短期记忆神经网络是一种时间递归神经网络，可以分析输入信息的整体逻辑关系，对于时间序列数据，通过遗忘门和输出门忘记部分信息来解决梯度消失等问题，因此适合应用于故障识别领域。本文将改进的LSTM神经网络用于解决2个工业故障诊断实例
由于粒子群算法有收敛速度快且擅长寻找最优解的优点，本文提出了基于粒子群优化的LSTM神经网络（PSO-LSTM），运用PSO优化LSTM网络连接权值，并与基本LSTM中的梯度算法的结果进行比较，选取两者中的较好解，更新LSTM算法迭代中的权值。然后将LSTM神经网络和改进后的PSO-LSTM算法均应用于以下两个工业故障诊断的实例。
（1）风叶机叶片结冰故障诊断：通过SCADA系统收集数据，运用改进的LSTM对数据进行故障诊断，分析该风叶机叶片发生结冰故障的原因。
（2）智能制造小型平台加工位故障诊断：首先针对实验平台设计了数据采集系统，进行了数据采集系统的软硬件设计，搭建了系统的总体功能框架以及各模块的数据传输机制，运用WINCC实现上下层数据互联，搭建后台数据库，存储数据。基于此平台采集到的数据，进一步采用改进的LSTM进行故障诊断分析。
实验将GRU、LSTM和PSO-LSTM三种不同的循环神经网络应用于以上两个实例，把原始故障信号分成训练集和测试集。将训练集数据，映射到线性网络层，通过模型训练参数。再输入网络层，得到分类的概率分布。在迭代次数达到预设值，并且准确率收敛之后。测试集采用训练好的参数得到分类结果。最后计算预测准确率，并对三种算法的性能进行了对比。结果表明LSTM神经网络在识别风叶机结冰故障时的准确率为83.6%，在识别智能制造小型实验平台加工位故障时的准确率为84.2%。而PSO-LSTM改进方法的故障识别准确率分别达到89.7%和88.9%，均高于LSTM和GRU，验证了该改进算法在工业故障诊断方面的有效性。