基于深度學習的浮式儲油卸油裝置安全狀態(tài)分類方法.pdf

1、我國的海域擁有豐富的石油和天然氣資源。在我國渤海和南海的海洋油氣資源開發(fā)利用活動中FPSO（Floating Production Storage and Offloading浮式儲油卸油裝置）已成為一個非常流行的解決方案。但是由于海洋環(huán)境的復雜多變和近年來FPSO噸位的增加，導致了許多FPSO系泊系統(tǒng)事故的發(fā)生。本論文提出了一種基于DBN（Deep Believe Network深層信念網(wǎng)絡）算法的多傳感器特征學習模型，來對FPSO系

2、泊系統(tǒng)的安全狀態(tài)進行分類，用以避免系泊事故。
　　本文是按照如下的幾部分進行撰寫的。首先，介紹了FPSO單點系泊系統(tǒng)的結(jié)構(gòu)并分析了影響系統(tǒng)安全的因子和關于FPSO系泊系統(tǒng)的安全狀態(tài)監(jiān)測的相關研究。然后，為了介紹了本文用到的DBN算法，介紹了深度學習算法及其發(fā)展，DBN的組成單元RBM（restriction Boltzmann machine受限玻爾茲曼機）的相關內(nèi)容和DBN算法在多方面的應用研究。
　　接著，著重闡述了本文

3、提出的基于歷史數(shù)據(jù)的DBN的特征學習和分類模型的建立。這個基于DBN的FPSO安全狀態(tài)分類模型是通過三部分內(nèi)容建立起來的：第一，收集傳感器得到的工況數(shù)據(jù)集，并定義FPSO的安全狀態(tài)分類標準。第二，用訓練數(shù)據(jù)對DBN特征學習模型進行訓練，建立基于DBN特征學習和分類模型。第三，用測試數(shù)據(jù)集來驗證該基于DBN特征學習和分類模型的有效性。最后，我們簡略介紹了兩種機器學習算法，并用這兩個機器學習算法與本文中提出的基于DBN的多傳感器特征學習和分