神经网络法建立化工过程动态模型应用实例

化工动态过程中操作参数和生产结果之间往往具有极其复杂的非线性关系。本文讨论了神经网络拟全化工动态过程数据，在过程模式识别，动态过程预测，故障诊断等方面的应用。     

多尺度时空信息融合驱动的图神经网络故障诊断方法

行星齿轮箱作为机械系统中常见的减速装置,由于长期在强噪声环境和变工况工作条件下运行,导致采集到的振动信号故障特征微弱、信号模式多变难以识别,针对行星齿轮箱故障诊断效果不佳,泛化能力差的问题,提出一种多尺度时空信息融合驱动的图神经网络故障诊断方法来提高故障诊断模型准确率和泛化能力。该方法首先构建多尺度卷积核对原始时序信号进行不同尺度特征提取,削弱强噪声信号对有效信息的掩盖作用并增强故障特征的表达能力;然后再构造通道注意力机制,根据通道特征重要程度,给不同尺度卷积核提取的特征自适应分配不同权重,对含有关键故障特征的信息片段进行特征强化;最后对卷积输出的多尺度特征,构造空域下的图数据并通过图卷积网络聚合多尺度特征,从而有效利用数据的时序多维信息和空域结构关联信息,实现多尺度下时空域故障信息的深度融合,提高诊断的准确精度和模型的泛化性能。通过利用具有行星齿轮箱结构的风电装备故障数据集对所提方法进行验证,并与其他深度学习方法（第一层宽卷积核深度卷积神经网（WDCNN）、长短时记忆网络（LSTM）、残差网络（ResNet）、多尺度卷积神经网络（MSCNN））进行比较,结果表明：本研究提出的方法在跨...     

基于非降维注意力机制的滚动轴承故障诊断方法

针对传统轴承故障诊断算法中存在的故障特征提取困难、模型泛化性差以及噪声环境下诊断准确率低等问题,提出一种可移植非降维注意力机制与深度残差神经网络相结合的故障诊断方法。该方法使用非降维注意力机制对残差块生成的特征图重新分配权重,对特征图采用局部而非全局的跨通道通信方式,自适应学习邻近通道的注意力分数,以增强故障轴承的特征识别率。使用凯斯西储大学轴承故障数据集对本文方法进行验证,实验表明,融合非降维注意力机制的残差网络可以准确识别出不同负载下混有噪声的故障轴承样本,在12 dB信噪比噪声情况下的准确率为99.5%,具有较强的抗噪性能和一定的泛化性能。     

基于MAS的化工过程故障诊断研究(Ⅰ)

提出了一种新的基于多智能体的分布式化工过程故障诊断方法.通过定义化工过程的诊断本体论和功能-行为本体论,系统在提高诊断系统性能的同时,能够显著降低整个系统构造的复杂程度.采用本文给出的化工过程诊断本体论后,整个多智能体故障诊断系统的开发任务从智能体的结构设计转移到对诊断本体论属性的应用上.     

基于MAS的化工过程故障诊断研究(I)

提出了一种新的基于多智能体的分布式化工过程故障诊断方法。通过定义化工过程的诊断本体论和功能-行为本体论,系统在提高诊断系统性能的同时,能够显著降低整个系统构造的复杂程度。采用本文给出的化工过程诊断本体论后,整个多智能体故障诊断系统的开发任务从智能体的结构设计转移到对诊断本体论属性的应用上。     

基于知识共享和重用的化工过程故障诊断技术研究

基于分布式人工智能的知识共享和重用原理、方法 ,提出了依层次化对象分解构建化工过程的面向对象的集成故障检测与诊断系统的方法 ,并据此构建了一个通用的化工过程故障诊断系统 ( GCFDS)。通过对一具体生产过程的实例化仿真结果来看 ,应用实例的建立和运行结果都令人满意。     

基于多头注意力的双向LSTM情感分析模型研究

文本情感分析是自然语言处理领域中的重要任务,是指通过提取文本特征对基于文本的情感倾向进行分类。为了有效地提高文本情感分析准确率,提出一种新的基于多头注意力的双向长短期记忆(long short-term memory,LSTM)文本情感分析模型(Multi-Head Attention-based Bi-LSTM Model,MHA-B)。模型先利用双向LSTM进行初步特征提取,再结合多头注意力机制从不同的维度和表示子空间里提取相关的信息。在Large Movie Review Dataset与Semeval-2017-task4-A English两个数据集的实验结果表明:MHA-B模型的情感分析准确率与现有多种模型相比都有所提高。     

基于注意力机制BiLSTM的设备智能故障诊断方法

状态监测与故障诊断是保证机械设备安全稳定运行的必要手段.本文提出一种基于注意力机制双向LSTM网络(ABiLSTM)的深度学习框架用于机械设备智能故障诊断.首先,将传感器采集的设备原始数据进行预处理,并划分为训练样本集与测试样本集;其次,训练多个不同尺度的双向LSTM网络对原始时域信号进行特征提取,得到设备故障多尺度特征;再次,通过引入注意力机制,对不同双向LSTM网络提取特征的权重参数进行优化,筛选保留目标特征,滤除冗杂特征,以实现精准提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过利用发动机气缸振动实验数据和凯斯西储大学滚动轴承实验数据进行故障诊断实验,故障识别准确率均达到99%以上.实验结果表明,ABiLSTM模型可以实现对原始时域信号的多尺度特征提取和故障诊断,通过与深度卷积网络(CNN)、深度去噪自编码器(DAE)和支持向量机(SVM)等方法进行对比,ABiLSTM模型的故障识别性能优于各类常见模型.另外,通过利用凯斯西储大学滚动轴承在不同工况条件下的数据,对ABiLSTM模型进行泛化性能实验,变工况样本的故障识别准确率仍然能够达到95%以上.     

基于MAS的化工过程故障诊断研究(Ⅱ)

针对化工过程的故障诊断问题,给出了分布式化工过程故障诊断问题的多智能体的合作求解模型。通过对尿素生产过程中尿素蒸发与造粒的化工过程的仿真研究,详细描述了基于多智能体的故障诊断系统的应用方法。这种分布式的框架结构同以往的集中式的诊断方法相比,无论是在满足通信需求还是在简化计算复杂程度上都具有显著的优越性。     

基于改进堆叠式循环神经网络的轴承故障诊断

提出基于改进堆叠式循环神经网络的轴承故障诊断模型.利用深层网络极强的非线性拟合能力以及循环神经网络特有的沿时间通道传播的特点,通过门控循环单元解决堆叠式循环神经网络梯度消失的问题,实现对轴承健康状况的分类识别.利用美国凯斯西储大学轴承数据集进行了轴承故障诊断试验,同时将支持向量机、粒子群优化的支持向量机、人工神经网络、卷积神经网络AlexNet以及循环神经网络作为对比以检验所提模型的分类性能.结果表明,提出的模型能够对轴承故障进行有效诊断,并且具有一定的可靠性与泛化能力.     

基于双核独立元分析的化工过程故障诊断算法研究

由于化工生产过程数据具有强非线性和非高斯性特征,提出了核主元分析与核独立元分析相结合的可用于化工过程故障诊断的双核独立元分析算法,该算法利用核主元分析的非线性核函数把数据从原空间映射到高维特征空间进行白化预处理,再用核独立元分析算法进行独立元分析,在特征空间中获得故障监控统计量,计算控制置信限,达到有效的故障诊断.提出的算法应用在连续搅拌反应釜过程中,结果表明,该算法对化工过程故障诊断能有效提高准确度、降低漏报率和误报率.     

GA- LVW算法在化工过程故障诊断中的应用

针对田纳西-伊斯曼(Tennessee Eastman, TE)化工过程中故障特征难区分、诊断方法易陷入局部最优等问题,提出一种基于遗传算法(genetic algorithm, GA)改进的拉斯维加斯包裹式(Las Vegas wrapper, LVW)特征选择方法GA-LVW。利用GA算法改进LVW算法搜索盲目性的缺点,使得特征组合能够快速有效地收敛到近似最优,进而集成机器学习的分类器对TE过程进行过程监控,发现异常状态,从而实现故障诊断。通过TE化工过程的故障诊断实验验证,将GA-LVW算法与未改进的LVW算法及未进行特征选择的分类算法进行对比,结果表明所提GA-LVW方法提高了LVW特征选择的稳定性和寻求近似最优解的迭代速度,从而提升了分类器故障诊断发现异常状态的准确率。     

基于多注意力机制的端到端滚动轴承故障诊断方法

针对传统滚动轴承故障诊断中复杂的特征提取问题，利用深层残差网络能够增强诊断模型非线性表征能力的特点，通过引入通道注意力与空间注意力机制，提出一种基于多注意力机制端到端的滚动轴承智能故障诊断方法。首先，通过原始振动加速度信号经过积分运算得到速度和位移；然后，将3者组合成具有特征增强的图像，输入至结合了多注意力机制的深层残差网络实现特征提取；最后，利用多分类函数完成滚动轴承故障分类。在本地实验室轴承数据集上进行了验证，结果表明，所提方法的诊断准确率达到了97.50%。验证了基于多注意力机制端到端的滚动轴承智能故障诊断方法的可行性和有效性，可为滚动轴承的精确故障诊断提供支持。     

基于卷积神经网络的轴承故障诊断研究

针对复杂工况下的采煤机摇臂轴承故障诊断,以经典AlexNet为基础,为适应一维时域信号,采用滑窗法,以滑窗长度150 ms,移动步长120 ms构建样本,建立一种由池化层和多级交替卷积层组成的轴承故障诊断模型1CNN,可完成原始输入信号特征的自适应提取,并通过全连接层分类识别轴承故障.为验证1CNN模型故障诊断率,利用...     

基于卷积神经网络的抽油机井故障诊断研究

针对抽油机井示功图故障诊断问题,提出基于轻型卷积神经网络,并引入注意力机制,以提高在参数量、计算量减少的情况下的网络诊断性能。网络基础结构采用MobileNet-V2,并将ECA(Efficient Channel Attention Module)模块嵌入MobileNet-V2的倒残差模块中。倒残差模块中,ECA对特征图从通道维度,将生成的通道注意力重标定权重与输入特征图进行相应通道相乘,最后获取经过注意力加权处理的特征图。基于提出的方法,在保证模型诊断准确性的前提下,降低了网络模型结构的复杂性。实验结果表明,改进后的MobileNet-V2的诊断准确率达到97.60%,满足油田实际生产需求。     

化工过程集成型智能故障诊断系统研究与开发

在分析各种诊断方法优缺点的基础上，针对化工过程故障诊断，结合小波分析，专家系统和神经网络等技术，提出了一个集成型智能故障诊断系统框架，开发了润滑油桐苯脱蜡油回收装置诊断咨询系统，试验表明，该系统诊断效果良好，能满足工厂的实际需求。     

基于神经网络模型的文本分类研究综述

文本分类是自然语言处理与理解当中重要的一个研究内容,在文本信息处理过程中有关键作用.目前深度学习已经在图像识别、机器翻译等领域取得了突破性的进展,而且它也被证明在自然语言处理任务中拥有着提取句子或文本更高层次表示的能力,也备受自然语言处理研究人员的关注.文章以基于深度学习的文本分类技术为研究背景,介绍了几种基于深度学习神经网络模型的文本分类方法,并对其进行分析.     

基于Attention的卷积神经网络验证码识别研究

验证码字符识别技术作为数字图像处理的一个重要应用分支,其目的在于准确、快速地分析验证码所携带的字符内容.已有研究通过构建卷积神经网络进行验证码字符识别,并且取得了一定的效果;但是大部分研究使用特征的浅层信息作为模型的输入,受局部感受野的限制而丢失特征,未能充分分析验证码的深层特征信息,并且未能对特征进行充分融合,造成识别准确度还有一定提升空间.提出了一种基于注意力机制的卷积神经网络模型,首先采用Otsu算法对验证码进行预处理后,输入到VGG16模型提取验证码的特征;然后引入注意力机制,自动学习关键信息,得到不同特征的权重;最后基于卷积神经网络进行特征融合,通过训练后得到验证码识别模型.提出的模型在调用Captcha库生成的验证码数据集上进行验证,结果显示提出的方法在不增加时间成本的情况下,验证码识别准确率平均可达到93.27%,对比ResNet、CNN和CNN7基线方法,分别提升了8%、10%和22%.因此,提升了验证码识别的准确率,促进了自动识别车牌等场景落地,推进了验证码识别技术的发展.     

甲醇合成过程中基于MAS的故障诊断方法

针对甲醇合成生产过程的特点和故障产生机制,将多智能体系统(MA S)技术引入到生产过程的故障诊断中,把生产过程划分为一些相对独立的组件,分派特定的诊断智能体对其进行故障诊断,通过智能体之间的协作,充分利用过程中的局部信息而给出整个过程的故障诊断结果。通过仿真实验,得到了满意的结果。