基于宽度学习系统的证据式实时多模态故障诊断方法
机器学习
2023-06-07 v2 人工智能
系统与控制
系统与控制
摘要
故障诊断是工业领域的重要研究方向。工业过程呈现出多样化的运行工况，其数据往往具有非高斯、多模态和中心漂移特性。数据驱动方法目前是该领域的主要焦点，但故障分类器的持续故障分类与参数更新对多运行模态和实时环境构成了挑战。因此，实现工业系统中的实时多模态故障诊断是一个紧迫问题。本文针对工业应用提出了一种实现实时多模态故障诊断的新方法，解决了这一关键研究问题。我们的方法使用扩展证据推理（ER）算法融合信息并合并不同基分类器的输出。这些基于宽度学习系统（BLS）的基分类器经过训练以确保最大的故障诊断精度。此外，利用伪标签学习实时更新模型参数。所提方法在多模态田纳西-伊斯曼过程数据集上的有效性得到了验证。
引用
@article{arxiv.2305.00169,
title = {An Evidential Real-Time Multi-Mode Fault Diagnosis Approach Based on Broad Learning System},
author = {Chen Li and Zeyi Liu and Limin Wang and Minyue Li and Xiao He},
journal= {arXiv preprint arXiv:2305.00169},
year = {2023}
}
备注
6 pages, 11 figures, Accepted by the 34th Chinese Process Control Conference