基于深度学习的极谱式溶解氧传感器故障诊断分析.pdfVIP

符号说明 ANN: Artificial Neural Network, 人工神经网络 CNN: Convolutional Neural Networks, 卷积神经网络 DL: Deep Learning, 深度学习 DO: Dissolved Oxygen, 溶解氧 CAP: Credit Assignment Problem, 贡献度分配问题 RL: Reinforcement Learning, 强化学习 RNN: Recurrent Neural Network, 循环神经网络 DBN: Deep Belief Network, 深度信念网络 1D CNNs: 一维卷积神经网络 RAM: Restricted Boltzmann Machines, 限制玻尔兹曼机 ReLU: Rectified Linear Unit, 修正线性单元 Max-Pooling: 最大池化 Mean-Pooling: 平均池化 FC: Fully Connected Layers, 全连接层 LR: Logistic Regression, Logistic 回归 TP: True Positives, 真阳性 FP: False Positives, 假阳性 TN: True Negatives, 真阴性 FN: False Negatives, 假阴性 SVM: Support Vector Machine, 支持向量机 BP: back propagation, 反向传播 PCA: Principal Component Analysis, 主成分分析 LDA: Linear Discriminant Analysis, 线性判别分析 目 录 中 文 摘 要 I ABSTRACT II 1 引言 1 1.1 课题研究意义及背景 1 1.2 传感器故障诊断的研究现状 2 1.2.1 基于解析模型的诊断方法 3 1.2.2 基于知识的诊断方法 4 1.2.3 基于数据驱动的方法 5 1.3 深度学习研究现状 7 1.4 课题简介 8 1.4.1 研究内容 8 1.4.2 技术路线 9 1.5 本章小结 10 2 极谱式电化学溶解氧传感器故障分析 11 2.1 极谱式传感器基本知识 11 2.2 极谱式传感器故障概述 12 2.3 溶解氧传感器故障分析 13 2.3.1 传感器故障状态分析 13 2.3.2 极谱式传感器失效规律 14 2.4 本章小结 17 3 卷积神经网络方法基础研究 18 3.1 引言 18 3.2 深度学习模型介绍 18 3.2.1 卷积神经网络 19 3.2.2 循环神经网络 20 3.2.3 深度信念网络 21 3.3 基于卷积神经网络的传感器故障诊断模型 22 3.3.1 输入端 22 3.3.2 激活函数 22 3.3.3 卷积层 24 3.3.4 池化层 25 3.3.5 全连接层 26 3.3.6 分类器 27 3.3.7 输出端 28 3.4 评价指标 28 3.4.1 准确率 28 3.4.2 错误率 29 3.4.3 混淆矩阵 29 3.5 本章小结 29 4 传感器故障诊断CNN 网络设计 30 4.1 引言 30 4.2 输入层、输出层 30 4.3 网络参数确定 30 4.3.1.层数确定 30 4.3.2 池化方法确定 38 4.3.3 学习率的确定 38 4.4 优化算法 39 4.5 整体结构 41 4.6 本章小结 41 5 传感器故障诊断实验及校验 42 5.1 数据描述与分析 42 5.1.1 数据来源说明 42 5.1.2 数据预处理 43 5.2 软件平台 44 5.3 诊断流程 45 5.4 试验结果及分析 45 5.4.1 试验设置 45 5.4.2 性能评估 46 5.5 本章小结 48 6 结论与展望 49 6.1