一种用于化工故障检测与诊断的序不变可解释分层膨胀卷积神经网络
机器学习
2023-07-11 v1
摘要
故障检测与诊断对于降低维护成本以及改善化工过程中的健康与安全具有重要意义。卷积神经网络（CNN）是一种流行的深度学习算法，在化工故障检测与诊断任务中有许多成功应用。然而，CNN 中的卷积层对特征顺序非常敏感，这可能导致在处理表格数据时的不稳定性。特征的最优顺序能使 CNN 模型性能更好，但寻找这样的最优顺序代价高昂。此外，由于特征提取的封装机制，大多数 CNN 模型是不透明的且可解释性差，从而无法在无人工监督的情况下识别根因特征。这些困难不可避免地限制了 CNN 方法的性能与可信度。本文提出一种序不变且可解释的分层膨胀卷积神经网络（HDLCNN），它由特征聚类、膨胀卷积以及 shapley 加性解释（SHAP）方法组成。HDLCNN 的新颖之处在于其无需寻找最优顺序即可处理具有任意顺序特征的表格数据，这得益于特征聚类对相关特征的聚合能力以及膨胀卷积的大感受野。随后，所提方法通过引入 SHAP 值来量化特征贡献从而提供可解释性。因此，根因特征可被识别为贡献最高的特征。计算实验在 Tennessee Eastman 化工过程基准数据集上进行。与其他方法相比，所提出的 HDLCNN-SHAP 方法在处理任意顺序特征的表格数据、检测故障以及识别根因特征方面取得了更好的性能。
引用
@article{arxiv.2302.06243,
title = {An Order-Invariant and Interpretable Hierarchical Dilated Convolution Neural Network for Chemical Fault Detection and Diagnosis},
author = {Mengxuan Li and Peng Peng and Min Wang and Hongwei Wang},
journal= {arXiv preprint arXiv:2302.06243},
year = {2023}
}