基于LSTM和动态模型的化工过程混合故障诊断
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 符号说明 | 第9-11页 |
| 前言 | 第11-13页 |
| 1 绪论 | 第13-29页 |
| 1.1 化工安全生产 | 第13-14页 |
| 1.1.1 化工生产特点 | 第13页 |
| 1.1.2 化工安全生产的重要性 | 第13页 |
| 1.1.3 故障诊断在化工生产中的重要性 | 第13-14页 |
| 1.2 故障诊断 | 第14-16页 |
| 1.2.1 故障诊断概念 | 第14页 |
| 1.2.2 化工故障诊断研究现状 | 第14-16页 |
| 1.2.3 故障诊断的未来发展 | 第16页 |
| 1.3 深度学习 | 第16-24页 |
| 1.3.1 深度学习理论 | 第16-22页 |
| 1.3.2 深度学习在化工故障诊断中的应用 | 第22-23页 |
| 1.3.3 深度学习发展 | 第23-24页 |
| 1.4 反演 | 第24-25页 |
| 1.4.1 基本概念 | 第24页 |
| 1.4.2 反演在化工故障诊断的应用 | 第24-25页 |
| 1.5 混合故障诊断方法 | 第25-26页 |
| 1.6 论文的研究意义及内容 | 第26-29页 |
| 1.6.1 研究背景和意义 | 第26页 |
| 1.6.2 论文的研究内容 | 第26-29页 |
| 2 混合故障诊断研究思路 | 第29-39页 |
| 2.1 故障诊断流程 | 第29页 |
| 2.2 方法介绍 | 第29-30页 |
| 2.2.1 基于LSTM的故障识别 | 第30页 |
| 2.2.2 基于模型的故障反演 | 第30页 |
| 2.3 实例介绍一——TE简介 | 第30-31页 |
| 2.4 实例介绍二——催化裂化工艺 | 第31-37页 |
| 2.4.1 工艺说明 | 第31-32页 |
| 2.4.2 催化裂化系统仿真 | 第32-37页 |
| 2.5 小结 | 第37-39页 |
| 3 基于LSTM的故障识别 | 第39-55页 |
| 3.1 LSTM模型 | 第39-46页 |
| 3.1.1 模型结构 | 第39-43页 |
| 3.1.2 算法原理 | 第43-46页 |
| 3.1.3 超参数设置 | 第46页 |
| 3.2 LSTM训练策略 | 第46-47页 |
| 3.2.1 5-折交叉验证 | 第46页 |
| 3.2.2 过拟合 | 第46-47页 |
| 3.3 LSTM训练过程 | 第47-48页 |
| 3.4 案例应用与分析 | 第48-52页 |
| 3.4.1 数据集描述 | 第48-50页 |
| 3.4.2 故障识别结果 | 第50-52页 |
| 3.5 小结 | 第52-55页 |
| 4 基于模型的故障反演 | 第55-67页 |
| 4.1 反演模型 | 第55-56页 |
| 4.1.1 模型结构 | 第55页 |
| 4.1.2 反演过程 | 第55-56页 |
| 4.2 案例应用与分析 | 第56-66页 |
| 4.2.1 不同初始值求解LSQ反问题 | 第57-60页 |
| 4.2.2 不同迭代次数求解LSQ反问题 | 第60-62页 |
| 4.2.3 混合求解策略 | 第62-66页 |
| 4.4 小结 | 第66-67页 |
| 5 案例研究 | 第67-87页 |
| 5.1 数据集描述 | 第67页 |
| 5.2 TE过程故障识别 | 第67-82页 |
| 5.2.1 超参数设置 | 第67-79页 |
| 5.2.3 识别结果 | 第79页 |
| 5.2.4 方法对比 | 第79-82页 |
| 5.3 TE过程故障参数反演 | 第82-85页 |
| 5.4 小结 | 第85-87页 |
| 结论 | 第87-89页 |
| 参考文献 | 第89-93页 |
| 致谢 | 第93-95页 |
| 攻读硕士学位期间发表的学术论文目录 | 第95-96页 |
