基于深度学习理论的大数据多尺度状态监测方法研究

摘要

现有的大数据多尺度状态监测方法存在着监测精准度低、参数重构系数小的缺陷,引入深度学习理论对大数据多尺度状态监测方法进行设计。由于数据中存在着大量的干扰因子,采用数据清洗、数据集成、数据变换与数据规约方式对数据进行预处理,以此为基础,采用深度学习理论对稳态工况、动态工况基准模型进行构建,将运行数据代入到稳态工况、动态工况基准模型,得到稳态、动态残差,并对其进行粒化,采用卡尔曼滤波对稳态、动态残差进行融合得到融合残差,通过小波变换方法对其进行分析,以此为依据,对状态监测参数进行重构,实现了大数据多尺度状态的监测。通过性能测试,与现有的大数据多尺度状态监测方法相比较后提出的大数据多尺度状态监测方法极大地提升了监测精准度与参数重构系数,充分说明提出的大数据多尺度状态监测方法具备更好的性能。