自编码器辅助的特征集成网络用于早期故障检测
系统与控制
2024-04-23 v1 人工智能
机器学习
系统与控制
摘要
深度学习在故障检测领域展现了强大的能力。然而，对于幅度微小的早期故障，当前深度学习网络（DLN）的检测性能并不令人满意。即使利用了故障的先验信息，DLN也无法成功检测田纳西伊士曼过程（TEP）中的故障3、9和15。这些故障以难以检测而闻名，在故障检测领域缺乏有效的检测技术。在这项工作中，我们提出了自编码器辅助的特征集成网络（AE-FENet）：一种深度特征集成框架，使用无监督自编码器进行特征变换。与原始特征集成网络（FENet）中采用的主成分分析（PCA）技术相比，自编码器可以在早期故障上挖掘更精确的特征，从而使得AE-FENet具有更好的检测性能。使用相同种类的基本检测器，AE-FENet在TEP的故障3、9和15上实现了超过96%的最先进平均准确率，这代表了与其他方法相比性能的显著提升。我们进行了大量实验来扩展我们的框架，证明DLN可以在此架构内有效使用。
引用
@article{arxiv.2404.13941,
title = {Autoencoder-assisted Feature Ensemble Net for Incipient Faults},
author = {Mingxuan Gao and Min Wang and Maoyin Chen},
journal= {arXiv preprint arXiv:2404.13941},
year = {2024}
}