大量的危险与可操作性分析(hazard and operability analysis,HAZOP)报告以纸质文档形式保存,难于复用、共享,同时基于计算机软件的分析结果也只有对应的分析软件才能识别,同样存在难于复用、共享的问题。针对此问题,本文提出了基于知...大量的危险与可操作性分析(hazard and operability analysis,HAZOP)报告以纸质文档形式保存,难于复用、共享,同时基于计算机软件的分析结果也只有对应的分析软件才能识别,同样存在难于复用、共享的问题。针对此问题,本文提出了基于知识本体的HAZOP信息标准化框架。该框架以知识本体和HAZOP分析国际标准IEC 61882为基础,抽提归纳了HAZOP的标准化信息模型,给出了模型的整体结构、模型中各元素的定义与关系。并在此基础上,提出了HAZOP信息标准化方法,采用BiLSTM神经网络对每一条HAZOP分析的记录进行标注、训练与识别,实现了人工HAZOP分析结果的自动识别与标准化。以某油品合成装置为例,对HAZOP信息标准化方法进行了验证,结果表明基于知识本体的HAZOP信息标准化框架可以自动实现分析结果的标准化,便于分析知识的共享与复用。展开更多
文摘大量的危险与可操作性分析(hazard and operability analysis,HAZOP)报告以纸质文档形式保存,难于复用、共享,同时基于计算机软件的分析结果也只有对应的分析软件才能识别,同样存在难于复用、共享的问题。针对此问题,本文提出了基于知识本体的HAZOP信息标准化框架。该框架以知识本体和HAZOP分析国际标准IEC 61882为基础,抽提归纳了HAZOP的标准化信息模型,给出了模型的整体结构、模型中各元素的定义与关系。并在此基础上,提出了HAZOP信息标准化方法,采用BiLSTM神经网络对每一条HAZOP分析的记录进行标注、训练与识别,实现了人工HAZOP分析结果的自动识别与标准化。以某油品合成装置为例,对HAZOP信息标准化方法进行了验证,结果表明基于知识本体的HAZOP信息标准化框架可以自动实现分析结果的标准化,便于分析知识的共享与复用。
文摘预测性维护的应用能够极大地降低企业运维成本,而设备剩余使用寿命(Remaining Useful Life,RUL)预测是预测性维护的关键技术之一.针对传统RUL预测算法难以提取时序数据的潜藏特征以及特征权重分配不合理的问题,本文提出一种基于注意力机制(Attention Mechanism)的卷积长短时记忆(Convolution Long-Short Term Memory,ConvLSTM)预测模型,该模型充分利用LSTM网络处理和预测长期时间序列的优势,并引入注意力机制对产生显著影响的特征因子提高权重,极大地优化了模型的时空特征提取能力.为验证模型预测效果,本文以NASA提供的CMAPSS数据集为对象进行实验,以均方根误差(Root Mean Squared Error,RMSE)和数据集自定义的Score为评价指标,将预测结果与其他RUL预测算法作比对,证明了该模型具有更佳的预测准确性.
