基于CNN-LSTM网络的流程工业设备时域健康管理方法研究

孙 开迪
青岛大学

摘要


本研究筛选出一种面向流程工业设备健康监测的深度学习时域分析体系的通用深度学习模型。通过对实时
运行数据的时域特征提取，进行目标变量预测，同时还可以区分设备正常状态与故障状态。筛选出的CNN-LSTM
混合架构深度学习时序模型同时实现了故障诊断与剩余使用寿命（RUL）预测的多重目标。基于多个数据集的实验
表明，该模型在故障预测与健康管理（PHM）应用中展现出强泛化能力。相较频域分析方法，本文所提方法在保持
相对的高分类精度的同时，维持了相对低训练耗时，这使得模型可以很好的应用在计算资源受限工业场景中。

关键词


时域分析；故障预测与健康管理；CNN-LSTM网络；工业设备监测；剩余寿命预测

全文:

PDF


参考


[1]吕琛，马剑，王自力.PHM技术国内外发展情况

综述[J].计算机测量与控制，2016，24（09）：1-4.DOI：

10.16526/j.cnki.11-4762/tp.2016.09.001.

[2]武昊.基于深度学习的化工过程软测量建模方

法研究[D].北京化工大学，2023.DOI：10.26939/d.cnki.

gbhgu.2023.002002.

[3]李思雨，程中华，刘子昌，等.故障预测与健康管理

系统研究与应用现状分析[J].火炮发射与控制学报，2023，44

（06）：99-105.DOI：10.19323/j.issn.1673-6524.2023.06.015.

[4]汪鹏.数字芯片的故障预测与健康管理（PHM）

关键技术研究[D].电子科技大学，2016.

[5]高月.基于机器学习的工业故障预测与健康管理

关键技术的研究[D].北京邮电大学，2019.

[6]常树超.面向复杂工业场景的时序特性挖掘与软

测量方法研究[D].浙江大学，2022.DOI：10.27461/d.cnki.

gzjdx.2022.001838.

[7]郝兆平.SCR反应器入口NOx含量的软测量方法

研究[D].华北电力大学，2017.

[8]孙文心.基于隐变量模型的工业过程软测量方法研究

[D].江南大学，2023.DOI：10.27169/d.cnki.gwqgu.2023.002581.

[9]高霞，李瑞俊.缺失数据处理方法的研究及其在

软测量技术中的应用[J].江西电力职业技术学院学报，

2019，32（01）：4-5.

[10]景玉荣.基于深度学习的软测量模型及可解释

性研究[D].西安理工大学，2023.DOI：10.27398/d.cnki.

gxalu.2023.000702.




DOI: http://dx.doi.org/10.12361/2661-3654-07-05-146809

Refbacks

  • 当前没有refback。