基于深度学习的浮式储油卸油装置安全状态分类方法

摘要

我国的海域拥有丰富的石油和天然气资源。在我国渤海和南海的海洋油气资源开发利用活动中FPSO（Floating Production Storage and Offloading浮式储油卸油装置）已成为一个非常流行的解决方案。但是由于海洋环境的复杂多变和近年来FPSO吨位的增加，导致了许多FPSO系泊系统事故的发生。本论文提出了一种基于DBN（Deep Believe Network深层信念网络）算法的多传感器特征学习模型，来对FPSO系泊系统的安全状态进行分类，用以避免系泊事故。
　　本文是按照如下的几部分进行撰写的。首先，介绍了FPSO单点系泊系统的结构并分析了影响系统安全的因子和关于FPSO系泊系统的安全状态监测的相关研究。然后，为了介绍了本文用到的DBN算法，介绍了深度学习算法及其发展，DBN的组成单元RBM（restriction Boltzmann machine受限玻尔兹曼机）的相关内容和DBN算法在多方面的应用研究。
　　接着，着重阐述了本文提出的基于历史数据的DBN的特征学习和分类模型的建立。这个基于DBN的FPSO安全状态分类模型是通过三部分内容建立起来的：第一，收集传感器得到的工况数据集，并定义FPSO的安全状态分类标准。第二，用训练数据对DBN特征学习模型进行训练，建立基于DBN特征学习和分类模型。第三，用测试数据集来验证该基于DBN特征学习和分类模型的有效性。最后，我们简略介绍了两种机器学习算法，并用这两个机器学习算法与本文中提出的基于DBN的多传感器特征学习和分类模型进行了对比。验证了深度学习算法在对FPSO安全状态分类方面的优越性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1研究背景及现状

1.2研究目的

1.3论文结构

第二章 FPSO单点系泊系统

2.1 FPSO单点系泊系统的结构

2.2 FPSO单点系泊系统安全状态影响因子

2.3 FPSO单点系泊系统相关研究

第三章 深度学习算法简介

3.1机器学习

3.2人工神经网络

3.3深度学习

3.4深度置信网络

3.5对比实验算法简介

第四章 基于DBN的特征学习和分类模型建立

4.1基于DBN的特征学习和分类模型结构

4.2基于DBN的特征学习和分类模型的输入参数

4.3基于DBN的特征学习和分类模型的输出分类标准

4.4基于DBN的特征学习和分类模型的参数初始化

第五章 实验过程与结果分析

5.1实验过程

5.2结果分析

第六章 总结与展望

6.1总结

6.2展望

参考文献

发表论文和参加科研情况说明

致谢