典型文献
基于CNN-GRU的冷水机组传感器偏差故障诊断方法
文献摘要：
针对冷水机组传感器偏差故障识别率低的问题,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)和门控递归单元(Gated Recurrent Unit,GRU)融合网络模型(CNN-GRU)的冷水机组传感器偏差故障诊断方法.该方法利用GRU记忆冷水机组因每个传感器动态响应特性不同造成的其每个传感器不同的时间相关性,克服了CNN在冷水机组传感器偏差故障诊断中仅能提取时间序列实时特征的缺点.首先采用CNN自动提取传感器时间序列的实时特征,然后利用具有长短期记忆能力的GRU实现对冷水机组传感器不同时间相关性的记忆,从而充分利用时间序列中的特征信息对数据进行表征建模,进而有效提升了冷水机组传感器偏差故障识别率.将该方法与CNN、主成分分析和自动编码器方法进行比较,实验结果表明:温度类和压力类传感器的偏差故障识别率分别在85％以上和90％以上;验证样本得到了83％以上的偏差故障识别率,验证了该方法的泛化能力良好;该方法对于同一传感器、故障大小互为相反数的偏差故障的故障识别率均具有良好的对称性;该方法的偏差故障识别率高于其他方法,尤其对于很小的偏差故障的识别率具有更明显的优势.
文献关键词：
卷积神经网络;深度学习;冷水机组;传感器;故障诊断
中图分类号：
作者姓名：
李冬辉;赵墨刊;高龙
作者机构：
天津大学电气自动化与信息工程学院,天津300072
文献出处：
引用格式：
[1]李冬辉;赵墨刊;高龙-.基于CNN-GRU的冷水机组传感器偏差故障诊断方法)[J].湖南大学学报（自然科学版）,2022(02):74-82
A类：
B类：
GRU,冷水机组,故障诊断方法,故障识别率,Convolutional,Neural,Network,门控递归单元,Gated,Recurrent,Unit,融合网络,法利,动态响应特性,时间相关性,提取时间,自动提取,长短期记忆,短期记忆能力,特征信息,表征建模,自动编码器,类传,泛化能力,一传,相反数,识别率高,其他方法
AB值：
0.204793
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
