智能运维与健康管理第5章第6章 设备安全智能监控课件.pptx

融入新一代人工智能的智能运维;;本章导读;PART01;1新一代人工智能概述;1新一代人工智能概述;;1新一代人工智能概述

;;1新一代人工智能概述

;PART02;卷积神经网络;卷积神经网络;卷积神经网络;卷积神经网络;限制波尔兹曼机;深度置信网络;深度置信网络;自编码网络;堆栈自编码网络;循环神经网络;RNN计算原理;LSTM结构;RNN的应用;RNN的应用;;;样本构造：从6个传感器监测数据中提取其有效值、绝对均值、方差和峰峰值4个时域特征形成训练数据特征集作为深度自编码网络的训练样本。

特征提取和降维：将24维高维特征样本经由深度自编码特征提取器进行特征降维和提取。

结构参数优化：降维编码后的重构误差作为粒子群算法参数更新的适应度，由此确定网络结构参数。;由降维编码的回归输出可以看出，降维编码保留的信息和磨损量高度相关。经过有标签数据的训练和微调，降维编码在变化趋势上与磨损量保持一致，但是在幅值上有所偏差，这表明深度自编码网络对多维传感器特征集的特征提取和降维是有效的。;DAE-LSTM模型退化程度识别结果;PART03;从机器学习到迁移学习;从机器学习到迁移学习;从机器学习到迁移学习;从机器学习到迁移学习;迁移学习策略;迁移学习策略;迁移学习策略;迁移学习策略;TrAdaBoost电机故障诊断算例;TrAdaBoost电机故障诊断算例;TrAdaBoost电机故障诊断算例;TrAdaBoost电机故障诊断算例;TrAdaBoost电机故障诊断算例;TrAdaBoost电机故障诊断算例;PART04;;;;;深度学习用作特征提取器;深度学习配合参数微调;;;;VGG-16模型结构;;;为了展示模型的有效性，设置了对比实验。设计了一个具有三层隐含层的卷积神经网络，采用随机初始化权值的方法从头开始训练该网络（CNN-Lfs），与基于深度迁移学习的故障模型（TL-DCNN）进行对比。

基于深度迁移学习的方法在轴承数据集和齿轮数据集上都获得了更高的分类正确率，对故障诊断识别率有了一定的提升。;记录训练过程的故障分类正确率随着训练迭代次数的变化曲线。

与CNN-Lfs方法相比，TL-DCNN方法在第2次迭代训练时就已经达到较高的分类准确率，且保持稳定的结果，而CNN-Lfs方法需要在第五次迭代训练后才出现较好的结果，但分类准确率存在一定的波动。;记录训练过程中模型误差随着训练迭代次数的变化曲线。

与分类准确率相对应，模型误差越小分类准确率越高。

TL-DCNN方法能够实现快速收敛，缩短训练时间，同时保证了网络结构的深度，可以学习到更为抽象而利于分类的图像特征，从而提升了分类的准确率。;采用了10-折交叉验证的方法来验证模型的稳定性，记录了10次实验后分类准确率的平均值与标准误差。

相对于CNN-Lfs，TL-DCNN方法拥有更高的分类准确率以及更好的模型稳定性。;;第6章设备安全智能监控;本章导读;;PART6.1;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;6.1设备工程精益管理;PART6.2;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监控;6.2设备安全智能监