串行分组深度学习运行状态分析与故障预测
在现代工业生产运行中,如何充分挖掘海量的多源异构生产运行数据,实现异常工况的快速检测和故障预测,有效提高工业生产设备的可靠性,仍然是研究的难点.提出一种基于串行分组深度学习的工业生产运行状态分析与故障预测模型,针对时间序列突变故障设计了串行分组深度学习网络框架,实现目标对象的故障检测与预测,及时发出故障预警.通过对某造纸厂数据以及风力发电频率监测数据进行测试,并与传统神经网络预测模型进行对比分析,表明了所提算法的准确性,为提高生产设备使用寿命、减低工业生产成本,提高安全稳定运行起到重要作用.
故障预测、串行分组深度学习、长短期记忆模型、卷积网络、主成分分析
30
TP18(自动化基础理论)
国家自然科学基金51607177
2023-06-15(万方平台首次上网日期,不代表论文的发表时间)
共8页
936-943