融合全局特征的增强型CNN用于复杂化工过程故障诊断
系统与控制
2022-10-05 v1 系统与控制
摘要
卷积神经网络（CNN）模型已广泛用于复杂系统的故障诊断。然而，传统 CNN 模型依赖小核滤波器从图像中获取局部特征。因此，需要过深的 CNN 才能捕获对动力系统故障诊断至关重要的全局特征。在这项工作中，我们提出了一种嵌入全局特征的改进 CNN（GF-CNN）。我们的方法使用多层感知机（MLP）进行降维，以直接提取全局特征并将其整合到 CNN 中。该方法的优势在于，简单的模型架构即可捕获图像中的局部和全局模式，而无需建立深层 CNN 模型。所提方法应用于田纳西-伊斯曼过程的故障诊断。仿真结果表明，与传统 CNN 相比，GF-CNN 能显著提升故障诊断性能。所提方法也可应用于计算机视觉和图像处理等其他领域。
引用
@article{arxiv.2210.01727,
title = {Enhanced CNN with Global Features for Fault Diagnosis of Complex Chemical Processes},
author = {Qiugang Lu and Saif S. S. Al-Wahaibi},
journal= {arXiv preprint arXiv:2210.01727},
year = {2022}
}
备注
6 pages, 5 figures