首頁 > 期刊 > 自然科學與工程技術 > 信息科技 > 電子信息科學綜合 > 計算機工程與應用 > 深度學習在故障診斷與預測中的應用 【正文】
深度學習在故障診斷與預測中的應用
余萍; 曹潔 蘭州理工大學電氣工程與信息工程學院; 蘭州730050; 蘭州理工大學甘肅省工業過程先進控制重點實驗室; 蘭州730050; 蘭州理工大學電氣與控制工程國家實驗教學示范中心; 蘭州730050
- 深度學習
- 特征提取
- 故障診斷
- 故障預測
摘要：近年來,深度學習以其在特征提取與模式識別方面獨特優勢與潛力被廣泛應用于眾多領域,已取得顯著進展,其在復雜工業系統故障診斷與預測中的研究屬于新興領域。對近年來深度學習及其在各領域發展的優秀綜述文獻以及主流的開源仿真工具平臺進行了整理,同時介紹了五種典型的深度學習模型,包括自動編碼器(Auto-Encoder,AE)、深度置信網絡(Deep Belief Networks,DBN)、卷積神經網絡(Convolutional Neural Networks,CNN)、循環神經網絡(Recurrent Neural Network,RNN)、生成對抗網絡(Generative Adversarial Network,GAN);從研究背景、實現流程及研究動態等三個方面就深度學習在故障診斷與預測中的應用研究進行了歸納總結,對近年來這一領域發表的相關論文進行了系統的綜述;從研究實際出發探討了深度學習在故障診斷與預測領域應用中存在的問題、挑戰及解決方法,并對未來值得繼續研究的方向進行了展望。
- 深度學習
- 特征提取
- 故障診斷
- 故障預測
摘要：近年來,深度學習以其在特征提取與模式識別方面獨特優勢與潛力被廣泛應用于眾多領域,已取得顯著進展,其在復雜工業系統故障診斷與預測中的研究屬于新興領域。對近年來深度學習及其在各領域發展的優秀綜述文獻以及主流的開源仿真工具平臺進行了整理,同時介紹了五種典型的深度學習模型,包括自動編碼器(Auto-Encoder,AE)、深度置信網絡(Deep Belief Networks,DBN)、卷積神經網絡(Convolutional Neural Networks,CNN)、循環神經網絡(Recurrent Neural Network,RNN)、生成對抗網絡(Generative Adversarial Network,GAN);從研究背景、實現流程及研究動態等三個方面就深度學習在故障診斷與預測中的應用研究進行了歸納總結,對近年來這一領域發表的相關論文進行了系統的綜述;從研究實際出發探討了深度學習在故障診斷與預測領域應用中存在的問題、挑戰及解決方法,并對未來值得繼續研究的方向進行了展望。
注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社
