基于深度学习的管路工况识别研究

发布时间：2020-04-18 09:15

【摘要】：管路工况识别在故障诊断、设备监测、声辐射预估等领域都有广泛的应用。传统的工况识别方法均需要经过工况特征提取、特征选择与优化、分类器设计和分类识别结果评价等几个过程。由于工况类别特征与工况本身属性紧密相关,人工提取合适特征的过程十分复杂,并且对提取的特征需要进行选择,费时费力,也增加了管路工况识别的难度。基于深度学习的管路工况识别方法引入深度学习概念,并以深度自动编码器网络为代表对工况进行分类识别。深度自动编码器网络是一种通过组合低层特征形成高层抽象表达的学习网络。通过设计仿真信号重构实验,研究了深度自动编码器网络的性能,并根据其性能提出输入信号的预处理方法;设计了应用于管路工况识别的深度学习网络,研究了学习网络参数、采集数据变量对识别效果的影响,并将该方法与其它传统工况识别方法进行比较。实验表明基于深度学习的管路工况识别方法减少了人工参与因素,避免了人工特征提取与优化过程,并且有一定的可扩展性,有较强的优势,为工况识别研究提供了新思路。
【图文】：

堆栈自动编码器网络（Ｓｔａｃｋｅｄ邋Ａｕｔｏ－ｅｎｃｏｄｅｒｓ，邋ＳＡＥ），也被称为深度自动编码逡逑器，是由一系列的自动编码器（Ａｕｔｏ－ｅｒｉｃｏｄｅｎＡＥ）单元堆叠而成的多层感知器神逡逑经网络。每个自动编码器都由编码层和解码层组成，其编码、解码过程如图１－１逡逑所示。逡逑解码层．．．．．．邋（＾）邋ｒ｛ｘ）逡逑g解码Ｓ（．）逡逑编码层馨馨馨．．．．．．⑩ＣＷ逡逑g编码ｃ（－）逡逑输入数据丨000……0邋ｘ逡逑图１－１自编码模块结构逡逑由图ｉ－ｉ可知，在训练过程中，输入层的数据；ｄｉ过编码器／（■）进行编码得到逡逑隐藏层表示ｙ，并通过解码器进行解码得到重构信号ｚ。通过最小化原始输入逡逑ｘ和重构输出ｚ之间的惩罚函数（ＬｏｓｓＦｕｎｃｔｉｏｎ）来得到编码、解码过程中的相应逡逑参数。惩罚函数可以用线性平方误差表示，如Ｌ0，ｚ）邋＝邋｜｜ｘ邋－邋ｚ｜｜，当惩罚函数的逡逑３逡逑

堆栈自动编码器网络（Ｓｔａｃｋｅｄ邋Ａｕｔｏ－ｅｎｃｏｄｅｒｓ，邋ＳＡＥ），也被称为深度自动编码逡逑器，是由一系列的自动编码器（Ａｕｔｏ－ｅｒｉｃｏｄｅｎＡＥ）单元堆叠而成的多层感知器神逡逑经网络。每个自动编码器都由编码层和解码层组成，其编码、解码过程如图１－１逡逑所示。逡逑解码层．．．．．．邋（＾）邋ｒ｛ｘ）逡逑g解码Ｓ（．）逡逑编码层馨馨馨．．．．．．⑩ＣＷ逡逑g编码ｃ（－）逡逑输入数据丨000……0邋ｘ逡逑图１－１自编码模块结构逡逑由图ｉ－ｉ可知，在训练过程中，输入层的数据；ｄｉ过编码器／（■）进行编码得到逡逑隐藏层表示ｙ，并通过解码器进行解码得到重构信号ｚ。通过最小化原始输入逡逑ｘ和重构输出ｚ之间的惩罚函数（ＬｏｓｓＦｕｎｃｔｉｏｎ）来得到编码、解码过程中的相应逡逑参数。惩罚函数可以用线性平方误差表示，如Ｌ0，ｚ）邋＝邋｜｜ｘ邋－邋ｚ｜｜，当惩罚函数的逡逑３逡逑
【学位授予单位】：北京邮电大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：U674.76;TP18

【参考文献】

相关期刊论文 前8条

1 王宪保;李洁;姚明海;何文秀;钱l勌，

本文编号：2631938