【摘 要】
：
为提高化工过程的故障诊断效果,将深度可分离卷积(DSC)和长短期记忆网络(LSTM)相结合,提出基于DSC-LSTM的集合型故障诊断方法,采用时空结合的方式从两个角度提取特征进行故障诊断.首先对数据进行归一化处理后将其送入DSC网络,通过DSC提取空域特征,同时对数据进行降维;再将DSC的输出作为LSTM的输入,通过LSTM提取时域特征,然后通过全连接层(FC)进行故障诊断;最后在田纳西-伊斯曼(TE)化工过程上对该方法进行验证.结果表明,DSC-LSTM集合方法可有效地提高故障诊断的准确率指标.
【机 构】
：
沈阳理工大学自动化与电气工程学院,沈阳110159
论文部分内容阅读
为提高化工过程的故障诊断效果,将深度可分离卷积(DSC)和长短期记忆网络(LSTM)相结合,提出基于DSC-LSTM的集合型故障诊断方法,采用时空结合的方式从两个角度提取特征进行故障诊断.首先对数据进行归一化处理后将其送入DSC网络,通过DSC提取空域特征,同时对数据进行降维;再将DSC的输出作为LSTM的输入,通过LSTM提取时域特征,然后通过全连接层(FC)进行故障诊断;最后在田纳西-伊斯曼(TE)化工过程上对该方法进行验证.结果表明,DSC-LSTM集合方法可有效地提高故障诊断的准确率指标.
其他文献
星期天,妈妈在厨房做菜,我在自己的房间里写作业.快写完的时候,被一道题难住了,题目是这样的:n已知:△+△+△+★+★=14n★+★+△+△+△+△+△=18n那么,△=(),★=().n我想呀想,画呀画,可还是没有头绪,这时妈妈做好饭了,她走进我的房间喊我吃饭,看到我苦恼的样子,就关切地问:“宝贝,你怎了?”n我愁眉苦脸地说:“妈妈,这道题太了,这么多的△和★都把我弄糊涂了!”
今天一大早,妈妈就从早市买了鸡蛋回来,并让我数数一共有几个鸡蛋.我数了数,一共有10个鸡蛋.rn妈妈说:“这些鸡蛋我们两个人分,怎么分才能使我们俩一样多呢?”rn我立刻说:“5和5,我把10个鸡蛋分成2份,每份5个鸡蛋.”
一天,我和妈妈去商场里买东西,我们先来到了一家卖鞋的店,妈妈为我选了一双鞋,让我试一下大小,我看了看鞋底,发现上面粘着的标签上有一个数,我问妈妈:“妈妈,这个数是干什么用的呀?”
这学期,我们开展 了一个特别有意思的数学实践活动——家庭生活中的碳排放量.这是我第一次以 月为单位完成数学实践任务.我既兴奋,又期待.rn研究前,我很好奇,我们家一个 月究竟会排放多少二氧化碳呢?二氧化碳又会对我们的生活造成哪些影响呢?rn通过查询资料,我了了解到,碳排放量的增加是导致全球乞候变暖、温室效应,以及出现极端恶劣天气的直接诱发因素,严重破坏了生态环境.
盼望着,盼望着,周末迈着轻轻的脚步,在我的期盼之下终于到来了.这对我来说是一个意义非凡的周末,因为妈妈将要带我一起去逛商场 了!刚听到这个消息的时候,我欣喜若枉,高兴得一蹦三尺高,觉得整个世界都焕然一新了,天仿佛更蓝 了,草仿佛更绿 了,花儿也似乎更美了……rn
猫妈妈有5个很听话的孩子.这一天,5只小猫一起到河边钓鱼.rn5只小猫来到小河边,各自选好地方,便专心地钓起鱼来.rn回来后,当妈妈问他们谁钓的鱼多时,小猫们七嘴八舌地说起来.rn“老五钓的鱼恰好是老三和老二两个钓的鱼的数量和的一半.”rn“老二比老四钓得多.”rn“老大、老二钓的总数和老三、老四钓的总数一样多.”rn“老五比老四钓得少.”rn猫妈妈糊涂了.
研究鸡粪、秸秆及腐殖土等溶解性有机质(DOM)对土壤中Cd解吸的影响,结合盆栽试验,分析不同DOM对植物生长和富集Cd的影响.结果表明:DOM对土壤中Cd具有较强的解吸作用,当DOM的添加量为30mL、温度为20～25℃、提取时间为4h时解吸效果最佳;三种DOM相比,鸡粪DOM对Cd的解吸效果最优,其次是腐殖土和秸秆DOM;向土壤中添加DOM不仅可促进植物的生长,而且明显提高超富集植物红叶甜菜对Cd的富集系数;鸡粪DOM在促进植物富集Cd方面的作用最强.实验结果可为Cd污染土壤的植物修复提供理论依据.
多智能体系统在进行协作时,会面临智能体数量多导致博弈关系复杂、不能及时做出正确决策的问题,高效的通信是多智能体协作的有效方式.提出一种基于通信的高效信息学习算法—CIDDPG,在多智能体DDPG算法上建立通信机制,实现智能体之间的沟通交流;并在DDPG算法的策略网络中加入调度模块,以修剪无用信息,提高通信效率;在价值网络中引入注意力机制,有选择地关注来自其他智能体的信息,使其在复杂的环境中高效实现智能体间合作、竞争等互动.两种不同场景的实验证明,CI-DDPG算法能够获得比其他算法更高的平均奖励值,且收敛
针对大型葡萄酒消费评论数据,提出语料文本类信息挖掘的量化学习建模方法.分析包括文本表达的提取、理解、组织、概念化、知识服务等与自动文本处理相关的内容;研究一种面向葡萄酒评论文本信息的量化学习模型,并把这个模型表达成受约束的数学规划一般形式,建立基于非参数估计的寻优解法.仿真结果证明,以文本类数据“品酒人描述”为输入、以离散类数据“品酒人评分”为输出标签的量化学习模型,能够给出葡萄酒等级总体分布的准确预报.